基于混合式教學過程數據分析的數據庫應用基礎教學設計

祁 俊，劉志強，李鑫麗，劉 萍，任洋甫，祝小蘭

（青海大學 計算機技術與應用系，青海 西寧 810016）

0 引言

混合式教學發展迅猛，國內各高校都在積極開展相關教學改革研究。《2021 年地平線報告》［1］列舉了6 項未來教育教學發展趨勢及可能產生重要影響的技術，混合課程模式位列第二。青海大學數據庫應用基礎課程組緊隨教學改革浪潮不斷進行教學改革探索，于2019 年開始實施混合式教學，并于2022 年獲批校級混合式一流課程建設項目。課程組線上選取學堂在線中的優秀MOOC（Massive Open Online Course）搭建本校SPOC（Small Private Online Course）課程，線下利用智慧教學工具雨課堂［2］，兩者相輔相成、有機結合，實現了線上線下教學活動的聯動［3］。然而，目前數據庫應用基礎課程教學仍然存在一些問題：一是青海大學地處西北，少數民族學生眾多，學習能力參差不齊；二是數據庫應用基礎是面向青海大學非計算機專業學生開設的選修課程，具有選課人數多、面向專業廣的特點，“一桿子”的教學方式無法滿足學生的不同需求；三是教學設計簡單粗放，對于知識點的分析不足，對教學重難點聚焦不準等。如何細化課程知識點，及時了解與掌握學生的學習狀態，對其進行分層次教學需要進行深入探討。

混合式教學模式依托于信息技術，在實施過程中產生了大量過程數據，對其進行分析與應用可為教育教學帶來全新思路［4-5］。例如，文獻［6］依據超星泛雅學習通平臺上記錄的訪問數據分析不同學習行為與考試成績的相關性，以及學習行為呈現的時間規律，發現對成績影響最大的學習行為為章節學習次數、章節測試/實驗完成先后、視頻反芻比等；文獻［7］采用IBM SPSS21.0 軟件和ROST 內容挖掘系統分析不同組學習者的行為日志數據與討論文本。結果顯示，登陸學習界面次數和交互話題數與學習成績有較強相關性；文獻［8］分析混合式教學過程的不同特征指標及其產生的數據，探討不同特征指標與課程最終考核成績的相關性，并根據數據分析結果對后續教學提出相關建議與改進措施；文獻［9］以學生在雨課堂上的學習時長和學習內容完成度兩個痕跡數據為基礎，計算雨課堂學習任務綜合完成度，并分析其與期末卷面成績之間的關系，成功識別了環境地學課程教學過程中4 類學生的學習特征，并提出各類學生的學習過程管理策略；文獻［10］基于聚類神經網絡的知識跟蹤模型挖掘和分析學生學習狀態；文獻［11］基于VGG 預訓練網絡模型遷移學習提取學生課堂異常行為特征，實現對玩手機、睡覺等異常行為的檢測分析；文獻［12］總結了基于深度學習的教育大數據挖掘目的、流程、研究方向和主要應用機構；文獻［13］基于混合式教學模式產生的大量多維度過程數據，使用BP 神經網絡對學生學習狀態進行智能預警。

綜上所述，分析利用混合式教學過程中產生的大量數據可為教學活動提供有力支撐，使課程設置更加科學合理。基于此，課題組選擇雨課堂這一智慧教學工具提供數據庫應用基礎課程課前—課堂—課后全過程數據，教師可依靠客觀、實時的學習數據對教學情況進行判斷與調整，實現個性化教學。

1 混合式課程教學模式構建

1.1 搭建線上SPOC

SPOC 由美國加州大學伯克利分校的阿曼多·福克斯教授于2013 年首次提出，并進行了小規模的教學實踐；國內則由清華大學最早推出SPOC 混合教學模式。課程組經過調查研究，選擇了適合自身教學目標與要求的由南開大學在學堂在線平臺開設的數據庫技術與程序設計MOOC搭建SPOC 教學資源。教學內容如表1 所示。根據課程教學目標和學時數對線上教學內容進行了適當調整，將一些擴展的圖文和視頻作為選學內容；同時為形成過程性考核增加了考試次數，以便隨時了解學生對理論知識的掌握情況。

對課程考核比重進行調整，調高了視頻占比。具體如表2所示。

1.2 雨課堂助力線下教學

雨課堂通過智能終端為教師與學生提供實時服務［14］。教師利用雨課堂可以輕松完成教學課件發布、測試設置，還可以實現教學直播、彈幕互動和點名等功能。雨課堂記錄了每堂課每位同學的學習情況，為教師提供了詳實的教學過程數據，教師可全方位分析教學實施情況，及時對教學計劃作出調整。

課程組利用雨課堂對原有教學內容進行了修改與完善。例如，在SPOC 線上內容中設置了課前測試，以便掌握學生課前線上預習情況；課中主要對SPOC 線上作業和測試數據中反映出的共性問題進行深入講解與探討，利用隨堂測試查看教學效果，并進行教學重點的動態調整；課后查看作業數據對學習狀態不理想的學生予以重點關注。

綜上所述，SPOC 通過課前、課中、課后的銜接形成了知識設計、知識傳遞和內化提升3 個學習步驟［15］。課前教師發布學習任務，要求學生提前完成相應教學視頻、圖文與課件的預習。學生和教師可以在討論區針對學習過程中暴露的問題進行發帖討論；課中教師可以設置翻轉課堂，選擇學生就某個知識點進行現場講解；課后學生完成相應教學單元的作業和測試。教師作為引導者組織整個教學活動的開展，學生作為學習主體提高了對教學活動的參與度。

2 教學過程數據分析與應用

2.1 線上教學數據分析

如圖1（彩圖掃OSID 碼可見，下同）所示，通過對2021級選課學生的問卷調查分析可知，青海本地生源高考分數低于400 分的人數占42%，而河南生源中92.31%的學生高考分數在551～600 分之間。本地生源和省外生源分數相差較大，意味著學生知識水平和學習能力也有較大差異。

Fig.1 Comparison of college entrance examination scores for selected students圖1 選課學生高考分數比較

隨機選取A、B、C 3 個班級的學習過程數據進行比較，發現班級之間差距明顯。從生源、民族分析可知，C 班省外生源占比較大，A 班和B 班本地生源占比較大，且少數民族學生較多。C 班學生的視頻和圖文完成度、討論參與度、作業完成度、考試成績均高于A 班和B 班。具體如圖2、圖3所示。

Fig.2 Comparison of student sources圖2 班級生源比較

Fig.3 Comparison of SPOC learning process data between classes圖3 班級間SPOC學習過程數據比較

對2021 級某班級部分學生的數據庫應用基礎SPOC課程過程數據進行統計分析，發現個別學生在圖文、視頻、討論、作業和考試方面的表現明顯落后，提示班級內學生水平差異顯著。具體如圖4所示。

Fig.4 Comparison of SPOC learning process data within the class圖4 班級內SPOC學習過程數據比較

2.2 線下教學數據分析

面向學生個性化、多樣化發展的細粒度教學過程控制逐漸從幕后走到臺前［16］。以數據庫應用基礎第三章查詢第三次教學數據為例，從課程整體、知識點和學生3 個角度進行細粒度分析。

從整體角度來看，該次課程的主要教學目標為使學生掌握交叉表查詢設計、參數查詢設計、操作查詢設計和SQL 查詢命令等知識點。針對性設置5 道雨課堂隨堂測試題，選擇A、B、C 3 個班級的實際教學數據進行分析，結果見圖5。可以看出，C 班學生彈幕數和正確率明顯高于A班和B 班，課堂互動非常積極。因此，A 班和B 班教師需及時調整上課方式，多鼓勵學生參與課堂活動，也可適當進行翻轉教學，激發其探索欲望。

Fig.5 Comparative analysis of class learning process data圖5 班級學習過程數據比較

如圖6 所示，從知識點角度來看，3 個班級對隨堂測試第1 題、第2 題的正確率最低，這意味著學生并未很好地理解和掌握相應知識點，教師可再次進行講解，如此以來可以發現共性問題并進行教學側重點的動態調整。

Fig.6 Comparison of accuracy rates of various questions in classroom testing圖6 隨堂測試各題目正確率比較

從學生角度來看，對其課堂考勤、課堂彈幕數、課堂測試成績等數據進行分析，總結歸納出4 個維度進行考量，其中課堂考勤作為到課率的衡量指標；課堂彈幕數、投稿數、投票數作為課堂參與度的衡量指標；隨堂測試分數和階段性測試分數作為學習水平的衡量指標；觀看教學課件與視頻、發布討論貼作為學習主動性的衡量指標。全部數據匯總統計取均值后映射到4 個維度，用1～5 的分值進行表示。隨機選取3 個學生的數據進行比較，結果如圖7 所示。可以看出，學生在學習過程中的個體差異非常明顯，因此教師需及時掌握學生的學習狀態，有針對性地幫助其查漏補缺。

Fig.7 Comparison of 4-dimensional learning data for different students圖7 不同學生4維度學習數據比較

2.3 基于過程數據分析結果設計教學

2.3.1 教學重難點精確劃分

根據線上線下的學習數據結合經典測驗理論和布魯姆教育目標分類理論發現教學內容中學生遭遇的難點［17］，而不再是僅憑教師以往經驗進行粗略判斷。以第三章教學內容為例，課程組對各班教學過程數據進行分析，將教學內容按照章→節→知識點的層次進行編號，例如第三章第1 節第1 個知識點的編碼為C.1.1。具體編碼情況如表3所示。

Table 3 Coding of teaching content表3 教學內容編碼

在經典的測驗理論中，難度是指問題解決者的通過率［18］。計算公式為：

式中：R表示通過人數，N表示總人數。

布盧姆教育目標分類理論將認知過程分為記憶、理解、應用、分析、評價、創造六大類，認層級由簡單到復雜［19］。所有SPOC、雨課堂測試和作業均以客觀題形式為主，題目簡單，以學生對基礎概念的掌握為目標，對應目標分類理論中的第一層記憶。題目通過率直接反映了對于學生而言相應知識點的難易程度。將相應知識點按照［1，0.8］、（0.8，0.6］、（0.6，0.4］、（0.4，0.2］、（0.2，0］的通過率，1～5 級的難度由低到高進行等級劃分，最終形成知識點難度矩陣。師生可根據知識點難度矩陣進行有目標、有側重點的教與學，從而保障教學的一致性和精確性，達到提高教學質量和學習效率的目的。以第三章教學內容為例，其知識點難度矩陣見表4。

Table 4 Teaching knowledge point difficulty matrix表4 教學知識點難度矩陣

2.3.2 分層次教學設計

數據庫應用基礎課程每個教學周期的全校授課學生人數超過1 000，學生之間個體差異大，要讓大部分學生都能聽懂學會，同時還要避免一些學生“吃不飽”，這是一個亟待解決的問題。為此，進行以下教學設計：①分層次設計測試，滿足不同水平學生。課程組在進行教學考核設計時將基礎題比例設置為70%～80%，進階題為10%～25%，高階題為5%～10%，如此以來既能考察學生對基本教學內容的掌握情況，又能通過較難的題目激勵其深入學習；②設計數據庫課內知識競賽和自主設計數據庫兩個教學模塊，提高學生解決實際問題的能力。課程組對表現優秀的同學進行獎勵，同時對進步顯著的同學頒發獎狀，激發其學習熱情；③鼓勵學生錄制教學微視頻，實現課堂翻轉。根據課程重難點矩陣，積極鼓勵學生錄制教學微視頻，選擇優秀微視頻上傳至雨課堂供學生互相學習。讓學生當老師實現課堂翻轉，形成生—生互助學習模式。

2.3.3 學生學習預警

混合式教學需要學生具備一定的自主學習能力［20］。學習預警是指對學生學習狀況進行評估，盡早發現有學業危機的學生，使學校和教師及時采取幫扶策略，幫助其回歸正常學習軌道，順利完成學業［21］。預警學生教學策略如圖8 所示。通過雨課堂后臺數據導出每堂課的預警學生，利用4 個維度的雷達圖刻畫學生學習狀態，發現其薄弱之處；持續跟蹤觀察預警學生學習狀況，通過單獨答疑輔導、額外分配學習任務、“一對一”互助學習等多種方式使學習能力較差、主動性不高的學生得到更多關注。

Fig.8 Teaching strategies for warning students圖8 預警學生教學策略

3 教學反饋

對2021 級選課學生進行課程問卷調查，結果見表5。可以看出，大部分學生對分層次教學、教學重難點精確劃分、學生學習預警的實施給予了積極反饋。

Table 5 Questionnaire results表5 問卷調查結果 （%)

4 結語

數據庫應用基礎課程組通過對SPOC、雨課堂產生的教學過程數據進行細粒度統計與分析，設計出教學重難點精確劃分、分層次教學和學生學習預警等針對性措施，得到了學生們的一致好評。然而這只是數據庫應用基礎課程混合式教學過程數據分析與應用的初步探索，今后將進一步運用數據挖掘、數據可視化等技術搭建一個教學過程數據自動化分析系統，對學生、教師進行精準畫像分析，更加深入地挖掘教學過程數據所蘊藏的信息，例如發現優秀學生學習模式與學習效率的關系，分析課程測評與學生聽課質量的相關性，探討期末考試成績分布成因等［22］。