高校軟件工程專業學情分析與對策研究

李代偉 張海清 唐聃 于曦

摘要 信息技術的不斷發展對高等院校人才技能培養提出了新的挑戰，如何激發學生高效地學習專業技能，探究優良的學習行為模式具有重要的研究意義。本研究基于高等院校的軟件工程專業，從認知因素、非認知因素及個體學習觀念差異三個角度，研究了學情分析和影響學情分析的因素指標。為了對學生的群體學習特征進行分析，文章對軟件工程相關專業的1706條學生的行為數據進行聚類，得出結論：學生對所學專業滿意度、參加課外活動的情況及課程作業完成情況對聚類具有決定性作用；學生成績對聚類并無顯著影響；學生成績的直接影響因素是學習效率而非學習時間。

關鍵詞 學情分析；新興信息技術；專業滿意度；學習效率

中圖分類號：G642文獻標識碼：ADOI：10.16400/j.cnki.kjdk.2023.9.022

軟件工程技術是工業4.0時代最需要學習的專業技術之一。工業4.0新的戰略計劃無疑對軟件工程人才培養提出了挑戰。企業除了需要Java、C、C++及Python等高階程序設計語言來整合新舊平臺和系統的人才外，更需要掌握高效設計人機互動接口、前沿的數據可視化應用技術、先進得機器學習和人工智能理論技術以及“數字孿生”等技術的人才。如何能激發學生高效地學習軟件工程技術以適應我國工業4.0時代的人才培養策略，同時準確地分析學生的學習動機和學習行為，提出有效的前沿技能學習行為模式具有十分重要的意義。

準確把握學習動機和學習情況能夠有效地提高教學質量和學習效率[1]。由于學情分析存在個體性、復雜性和模糊性，使得目前多數的學情分析憑借的是教師個人經驗的主觀推斷。學情分析需注重學生的個體差異性，不同年齡階段、不同家庭背景、不同升學地區及不同學生類型[2]。學情分析也需要考慮研究的復雜性，學情不僅是學生學習過程中的重點和難點問題，還涉及學習動機、學習滿意度及學習預期成果等多方復雜因素。更進一步，學情分析存在模糊性和抽象性，主觀的學情描述并不能全面地認知學情分析的內涵，需要提出明確、客觀的學情分析指標并進行定量的研究。本文從影響軟件工程相關專業的學情因素指標出發，結合工業4.0對學生的新型技能需要，旨在客觀、準確、合理地評估學情，有針對性、多角度為學生提供學習行為模式推薦，并找出提高學習效率的有效措施。

1學情分析的內涵和影響因素分析

本文對學情分析的研究內容進行了深入的挖掘。以“學情、學習需要、學習需求、學生需求、學生需要、學習者分析、學生分析、分析學生、了解學生、教學對象分析、以學定教、差異教學”為關鍵詞，結合2016―2022年期間發表的科研論文，對學情進行分析總結。

學情分析的內涵研究可歸納為三類：①謝晨和胡惠閔[3]指出在58篇研究文獻中有9篇文獻用概括性的方式給“學情”下定義[4]。采用概況性的方式基本可以總結為：“學情”即“學生的情況”。概括性的定義缺少對學情的具體化。②采用列舉的方式歸納“學情”。研究者把學生情況逐一列舉，其中具有代表性的研究是耿歲民[5]把學情歸納為：“學期的學情分析、單元的學情分析、課時（包括課前、課中、課后）的學情分析”。③從學情是否會影響教學的角度來描述學情[6]。一部分學者認為學情更重要的是考查其是否對學習效果產生影響，對學習和教學效果產生影響的學情才是真正需要關注的學情內涵。因此，該部分工作列舉出了需要關注的學情并且闡述了其對教學的影響。但是，如何客觀地評估“該學情是否真正影響教學以及多大程度地影響教學”則論證不足。根據以上的分析可以看出，學情分析的內涵逐漸由靜態的、主觀的，轉向了動態的、客觀的，特別的，教學過程化的考核和階段性的監控學情為學情分析拓寬了思路。

綜上所述，“學情”分析的初衷是指導教學，學情分析需要具體、科學和可信。目前的學情研究指出了“學情是影響學習效果的學生變量”，但是大量研究對于“是不是有影響”這個關鍵特征不夠重視、缺乏論證，同時也并沒有指出哪些因素存在影響以及影響的強度也缺乏研究。因此，本文首先研究哪些因素對高等院校軟件工程相關專業的學情分析存在正面的影響，其次基于影響因素分析歸納出軟件工程相關專業當前的學情狀況，然后分門別類有針對性地對不同特征的學生類型進行多角度多方位地督促并嘗試找出哪些因素會影響學習效率的問題，最后提出改善當前學情的建議和對策。

2影響軟件工程相關專業學情分析的因素指標

為了研究學生的學習效能和學習行為在學習大規模在線開放課程（Massive Open Online Course，MOOC）中的關系，NiuLung-Guang[7]整合了計劃行為理論模型框架和自主學習模型框架以便找出學生在學習MOOC課程效能和決策中的焦點影響因素。文章采用了偏最小二乘回歸模型和驗證性因子分析來評估學生行為對課程學習效能的度量模型并對度量模型的評估效果進行了定量的研究。通過數據驗證，Niu Lung-Guang總結出影響MOOC課程學習效能和決策的主要影響因素包含：任務的興趣度、課程目標的達成度、學生的自我效能感、行為的主觀規范、應對任務的態度、感知行為控制以及學習行為意向。Pappas等[8]運用復雜理論來研究影響學生繼續學習計算機科學專業的行為影響因素。文中指出學習效果的收益以及學生情況的差異壁壘是影響計算機科學專業學習的重要因素。文章[9]采用了模糊集定性對比分析模型研究和分析了344個學生樣本，提出了認知（通識教育、寫作和口語表達、有效性和批判性思維）、非認知（團隊合作能力、參與意愿）、個體學習觀念差異（學生歸屬感、成就感與社會規范）、教學質量差異、學習效果滿意度差異、繼續學習的意向差異、學習的動機差異、學習成績差異共8種影響因素是影響學生繼續學習的關鍵因素。

綜上，結合軟件工程相關專業的特點，本文采用的反映學生學情行為的影響因素包含：認知因素（軟件工程課程目標達成度的綜合認知因素：包含學習成績的差異、學習效果滿意度差異、學生發展目標的差異、學習期望的差異）、非認知因素（包含團隊合作能力、參與工程實踐的活動、日常生活是否規律、班級學風情況）、個體學習觀念差異（含學生的自我效能感、行為的主觀規范、應對任務的態度、學習行為意向差異、繼續從事軟件工程專業相關工作的意向）共三大類影響因素作為軟件工程專業學情分析的要點。

3基于模糊聚類算法的軟件工程相關專業學情分析

聚類分析是一種有效的研究指標分類的多元統計分析方法，具有相同學習行為習慣的學生在數據上往往呈現相似性，通過聚類研究，可以分析不同群體的學習特征。更進一步地提取出有效的學習行為方式進而向成績差的學生進行推廣。為了對軟件工程相關專業的學生進行學情分析，研究團隊收集了軟件工程相關專業2016―2019年的1706條學生的學情數據。研究從認知因素、非認知因素以及個體學習觀念差異三個角度出發，分析學生的學情。實驗重復了100次，并進行了10*10的交叉驗證。實驗顯示，如果聚類結果超過3類，則部分數據就會出現在多個分類中，故選取的聚類為3分類。

根據確定的3分類對學生的學習行為進行劃分，有327人屬于“消極型”，該類學生自習次數、對所學專業的滿意度、課外活動情況、作業情況均處于較低的水平；有696人屬于“常態型”，該部分學生的樣本數值均處于中間水平；另有683人屬于“積極型”，該部分學生在各項指標中均處于較高的水平。因此，根據學生的學情類型劃分，可以有針對性地提出相應的學情干預策略，從而更能夠有效地提高學習效率。針對“積極型”的學生，可以通過課堂點名鼓勵表揚，提供進階的學習資料以提升學生的能力從而更能夠滿足工業4.0對專業人才的需求。針對“常態型”的學生，通過督促和過程化干預，在學習過程中強化其學習的狀態并提升其學習的興趣度以便提高學習的積極性和主動性。針對“消極型”的學生，進行警戒點預警和特殊幫扶，幫助學生找出其閃光點以及其擅長的技能，有針對性地講解和強化所學知識和技能，從而達到克服學習難題和避免中途退學的目的。

實驗對學生的學習行為和學習的效果進行分析。更進一步地，對學生自習次數和學生成績進行聚類分析。有趣的是，研究發現學生并不是上自習的次數越多則學習成績越好，這就說明學生在學習過程中需要考慮學習效率的問題。高效的學習方法不僅有利于學業成績的提升，還能使學生有時間去放松，勞逸結合的方式更能提高學生學習的質量。

4結語

本文提出了影響學情行為分析的認知因素、非認知因素及個體學習觀念差異三大類影響因素。文章為了分析學生的學習行為，挖掘良好的學習行為方式，對軟件工程學院2016—2019年的1706條行為數據進行聚類研究。研究發現學生對所學專業滿意度、參加課外活動的情況及課程作業完成情況是良性學習模式的有效影響因素。通過良好的學習模式的挖掘并且推廣，激發學生的求知欲和興趣度，加強導學，有利于學生的專業發展。同時，研究發現并不是學習的時間越長自習的時間越長則學習成績越高，學情分析得出結論學生只有培養良好的學習行為習慣，自覺的、有規律的、有目的性、科學管理學習，提高學習效率，才能夠快速地適應新技能和新要求。

基金項目：四川省科技廳項目“面向鐵路職工健康列車的動態模糊個性化服務效能挖掘研究”（2021YFH0107）。

參考文獻

[1]張華峰，郭菲，史靜寰.我國大學生課堂積極表達行為的現狀及對學習收獲的影響[J].教育研究，2020，41（4）：10.

[2]邵燕楠，黃燕寧.學情分析：教學研究的重要生長點[J].中國教育學刊，2013（2）：60-63.

[3]謝晨，胡惠閔.學情分析中“學情”的理解[J].全球教育展望，2015，44（2）：20-27.

[4]丁愷.課堂教學的“學情分析”研究[D].上海：華東師范大學，2009.

[5]耿歲民.中學數學課堂教學學情分析的理論與實踐研究[D].西安：陜西師范大學，2011.

[6]安桂清.論學情分析與教學過程的整合[J].當代教育科學， 2013（22）：40-42.

[7]Lung-Guang N.Decision-making determinants ofstudents participating in MOOCs： Merging the theory of planned behavior and selfregulated learning model[J]. Computers & education， 2019， 134（JUN.）：50-62.

[8]Pappas I O ， Giannakos M N， Jaccheri L， et al. Assessing Student BehaviorinComputerScienceEducationwithanfsQCAApproach： The Role of Gains and Barriers[J].ACM Transactions on Computing Education， 2017， 17（2）：10.

[9]Thiem A， ADS a. QCA： A Package for Qualitative Comparative Analysis[J].R Journal， 2013， 5（1）：87-97.