基于教育大數據的職業教育個性化自適應教學研究
——以“C語言程序設計”課程為例

章杰侈,鄭雪芳

(江蘇信息職業技術學院,江蘇 無錫 214000)

0 引言

隨著職業教育現代化改革的不斷深化,信息化教學手段在職業教育中的應用越來越普及,深刻改變了職業教育的教學模式。線上線下混合式教學模式改革正在各院校持續推進,線上教學平臺在教學中發揮越來越重要的作用。教學平臺為學生提供了豐富的數字化學習資源,拓寬了學生的學習空間,使學習不再局限于傳統的課堂教學。在教學平臺的使用過程中,產生了大量學習數據,為開展個性化教學提供了數據支撐[1]。中共中央辦公廳、國務院辦公廳印發《關于推動現代職業教育高質量發展的意見》,提出推動現代信息技術與教育教學深度融合,提高課堂教學質量。教育大數據技術支持海量、多樣、高速的數據處理能力,可以用于對海量的教學數據進行采集和存儲。對課前、課中、課后教學活動中產生的數據進行分析和挖掘,能夠實時準確掌握每位學生的學習進度,針對性地選擇教學內容和教學方法,從而實現因材施教,促進職業教育的高質量發展。本研究分析了“C語言程序設計”課程傳統教學模式存在的不足,介紹了教育大數據的主要特征和關鍵技術,設計了基于教育大數據的個性化學習服務體系,以“C語言程序設計”課程為例,對個性化自適應教學在職業教育中的應用實踐進行了介紹,詳細闡述了基于教育大數據的個性化學習服務體系在課程教學目標設置、教學資源選取和教學成效評估等方面的具體應用。

1 “C語言程序設計”課程傳統教學模式存在的問題

在“C語言程序設計”課程的傳統教學模式中,課程教學內容和教學目標的選擇主要依靠教師的個人經驗,缺少科學合理性,注重班級的宏觀整體表現,缺乏有效的手段來實時監測每一位學生的微觀掌握情況,難以做到真正的“因材施教”,考核評價方式較為單一,過程性多元化考核無法充分開展。高職院校教師因脫離企業生產實踐一線,對企業的新技術、新工藝、新規范的了解、掌握不夠及時,課程教學內容更新不及時,無法緊密貼合崗位實際,很大程度上限制了高職院校的教學質量提升。缺少學生前期課程過程化學習數據的收集和分析,無法準確評估每個學生在素質、知識和技能層面的學習基礎,教學目標的設定憑借教師以往的教學經驗,課程思政教學目標與崗位素質需求之間未能良好銜接,教學目標的精準性有待進一步提升。因缺少個性化的學情分析,無法充分掌握學生個體之間的差異,在教學過程中無法為不同學習基礎和學習習慣的學生推送不同難度和類型的學習資源,未能充分調動學生的學習積極性。教學考核評價方式較為單一,主要通過階段測驗和期末考試的形式考核學生的知識技能水平,過程性智能化考核難以實現,缺乏課程思政教學效果評價的有效工具和方法,教師往往只能依靠主觀判斷和經驗來評估學生的思政素養,無法獲得準確的評價結果,教學評價的客觀公平性有待進一步提升。

2 教育大數據特征和關鍵技術

教育大數據是指在教育鏈和產業鏈中產生、收集和分析的大規模數據集合,它涵蓋了學生的學習成績、考試結果、課程參與情況、在線學習行為和企業的崗位需求等各個方面的數據。教育大數據的目標是通過對這些數據的分析和挖掘,對教育決策和教育過程提供改進優化方法。教育大數據可以幫助教師進行學情分析、教學評估、個性化教學、教學資源優化、學習路徑規劃等方面的工作,使教師能夠更好地了解學生的學習需求和問題,及時調整教學策略、方法,提供個性化的學習支持和指導。

2.1 教育大數據特征

(1)規模性:教育系統中產生的數據量龐大,包括學生的學習成績、考試數據、作業記錄、學習行為數據等。這些數據的規模往往是龐大的,需要依靠適當的技術和工具進行有效的處理和分析。

(2)多樣性:教育大數據涵蓋了多種類型的數據,包括定量數據(如考試成績)和定性數據(如學生反饋),數據的來源和渠道不同,這種多樣性使得教育大數據分析更加綜合和全面。

(3)實時性:教育大數據可以是實時生成的,如通過在線學習平臺記錄學生的行為數據。這種實時性使得教師能夠及時了解學生的學習進展和問題,并做出相應的調整和支持。

(4)復雜性:教育大數據涉及學生、教師、學校、企業等多個參與者,以及各種課程和教學活動。這種復雜性使得教育大數據分析需要考慮多個因素和變量之間的相互關系,以獲取更全面的分析結果。

(5)價值性:教育大數據可以幫助教師了解學生的學習需求、提供個性化的學習支持、改進教學方法和課程設計等。通過挖掘和分析教育大數據,可以為教育決策和實踐提供有益的信息和指導。

2.2 教育大數據關鍵技術

教育大數據作為教育領域的重要工具,為教育決策和改進教育質量提供了有力支持。在教育大數據的應用過程中,涉及數據采集與存儲、數據預處理與清洗、數據集成與融合、數據挖掘與分析、可視化與呈現、預測與建模,以及個性化教學等多項關鍵技術[2]。

(1)數據采集與存儲:教育大數據的首要任務是收集各種與教育相關的數據,并將它們高效地存儲起來。數據采集可以通過傳感器、日志記錄、問卷調查等方式進行,涵蓋了學生的學習記錄、教師的教學過程、學校的管理信息等。數據存儲技術用于對大規模數據的存儲和管理,包括數據庫技術、云存儲等。

(2)數據預處理與清洗:由于教育數據的來源多樣,質量參差不齊,預處理和清洗是必不可少的環節。數據預處理對數據進行去噪、去重、缺失值填補等操作,以確保后續分析的準確性和可靠性。數據清洗用于去除異常值和不一致的數據,提高數據質量。

(3)數據集成與融合:教育數據通常來自多個不同的渠道,如學生管理系統、教學管理系統等。數據集成和融合技術用于將這些異構的數據整合成一個統一的數據集,方便后續進行分析和挖掘。這涉及數據模型設計、數據轉換和數據匹配等技術,以實現數據的無縫整合。

(4)數據挖掘與分析:數據挖掘是教育大數據的核心技術之一,旨在從大規模的教育數據中發現有價值的信息和模式。數據挖掘分析技術包括聚類分析、關聯規則挖掘、分類與預測等,可以幫助教師識別學生的學習特征、分析學習路徑、發現學習障礙和評估教學效果等。

(5)可視化與呈現:為了更好地理解和使用教育大數據,需要采用可視化技術。通過圖表、圖像和交互式界面等方式,將復雜的數據以直觀且易于理解的形式進行呈現。

(6)預測與建模:基于教育大數據,可以進行學生學習成績的預測和建模工作。通過機器學習和統計建模等方法,根據學生的歷史數據和其他相關因素,可以預測學生未來的學習成績和表現。

(7)個性化教學:教育大數據為個性化教學提供了有力支持。分析學生的學習行為、興趣和能力,可以為每個學生量身定制適合他們的學習計劃和資源,提供個性化的學習體驗。個性化教學涉及學習路徑推薦、智能輔導、自適應評估等方面,從而為學生提供定制化的學習方案。

3 基于教育大數據的個性化學習服務體系設計

高職院校生源類型豐富,具有普通高考、提前招生、對口單招、貫通培養、社會人員等多種不同生源,不同的學生在知識基礎、認知水平、實踐能力和學習特點方面具有顯著的差異,即使是同一個學生,在不同階段的學習需求也會動態變化。以往統一的教學內容和單一的教學方式已無法滿足學生的個性化學習需求,在教學過程中引入教育大數據理念,應用教育大數據技術實時跟蹤記錄每位學生的學習過程、分析存在的問題、提供個性化學習服務已成為現代職業教育的必然趨勢。基于教育大數據的個性化學習服務體系包含數據層、分析層、應用層和用戶層四個層次,如圖1所示。

3.1 數據層

教學相關數據的采集是個性化學習服務體系的基礎,是準確進行學情分析并提供針對性學習支持的關鍵。職業教育面向崗位需求培養人才,教育大數據是教學過程中所產生的數據和企業崗位需求數據的集合,這些數據分散存儲在校內外各種信息化平臺中。校內平臺包括智慧教學平臺、教務系統、學工系統等,校外平臺包括企業招聘網站、行業協會網站等。教育大數據的數據規模龐大、數據類型繁多,傳統的人工數據采集方法已無法滿足教育大數據的處理需求。為了支撐個性化學習體系的構建,采用ETL工具進行校內平臺的數據采集,采用網絡爬蟲工具進行校外平臺的數據采集。采集的數據主要分為學生數據、崗位數據和資源數據三大類,具體數據指標如表1所示。

表1 數據采集指標

其中,學生數據反映學生的知識技能掌握情況和學習特點,包括學生身份信息(如專業、年級、生源類型)、資源學習數據(如資源偏好、學習時長、下載分享等)、教學互動(如成果分享、參與討論等)、教學評價(如作業成績、測試成績、考試成績等)、雙創實踐(如社團活動、社會實踐、技能競賽)等數據;崗位數據反映企業的人才需求,包括崗位名稱、典型工作任務、知識技能及素養需求等數據;資源數據用于個性化學習推薦,包括教學資源編號、類型、摘要、關鍵詞、難度、評分、對應知識點等數據。

3.2 分析層

分析層對數據層采集的數據進行分析處理,完成學生的學習者模型、課程的領域知識模型,以及自適應推薦引擎的構建。學習者模型,用于生成學生的數字畫像,即學生信息標簽化。以數據層的多維數據為基礎,通過Spark大數據分析技術生成學生的知識水平、認知能力和學習風格等標簽信息。通過作業成績、理論測試成績數據,分析出學生的知識水平;通過操作考核成績、雙創實踐數據,分析學生的能力水平;通過資源學習、分享和收藏等數據,分析學生的資源偏好和學習習慣。領域知識模型表征課程的知識體系結構,采用知識圖譜法進行課程的領域知識模型構建[3]。知識圖譜是一種結構化的知識表示方法,用于描述事物之間的關系和屬性,基于語義網絡的概念,將實體、概念和關系組織起來,形成一個具有層次結構和語義關聯的知識庫。知識圖譜的構建過程包括知識的抽取、表示和鏈接。知識抽取是指從結構化和非結構化數據中提取出有意義的知識片段;知識表示是將抽取的知識轉化為計算機可理解的形式,通常使用三元組“實體—關系—實體”表示;知識鏈接是將不同數據源中的知識進行連接,建立起關聯性和一致性。知識圖譜包含知識節點、知識關聯和認知狀態三個基本要素。知識節點表示課程中基本的知識技能點,知識關聯表示知識節點之間的關系,是構建知識圖譜結構的關鍵,包括父子關系、前置后繼關系、兄弟關系和平行關系等,認知狀態表示學生對知識技能的學習掌握程度。自適應推薦引擎基于學習者畫像和課程知識圖譜,在充分評估學生的知識水平、認知能力和學習特點的基礎上,綜合采用基于內容的推薦、協同過濾推薦和混合推薦算法實時提供針對性的學習資源,同時對學習過程進行持續的監測分析,實現學習者畫像的動態更新維護。

3.3 應用層

3.3.1 學習路徑

學習路徑是一個有組織和有計劃的學習過程,包括學習時間的分配和學習資源的選取。學習路徑能夠幫助學生逐步掌握特定領域的知識和技能,建立起系統化的學習框架,體現學生知識學習的序列化和系統性[4]。個性化自適應學習系統具有海量的學習資源,如果沒有學習路徑作為指引,學生容易產生“知識迷航”問題。結合學生的認知水平、學習目標和學習特點,為其智能推薦個性化的學習路徑,對提升自適應個性化學習服務質量具有重要意義。根據學生的認知狀態,在知識圖譜的基礎上,基于EKGCM模型,通過智能優化算法對知識元進行動態規劃與重組,生成每位學生個性化的學習路徑。

3.3.2 學習資源

不同的學生具有不同的學習風格,學習風格指的是學習者持續一貫的帶有個性特征的學習方式,是學習策略和學習傾向的總和,表現為學習者對不同類型學習資源的偏好。VARK學習風格模型將學習者分為視覺型學習者、聽覺型學習者、讀寫型學習者和動覺型學習者4種類型[5],如表2所示。視覺型學習者偏向視頻、動畫、圖片等多媒體學習資源,聽覺型學習者偏向音頻學習資源,讀寫型學習者偏向文檔學習資源,動覺型學習者偏向仿真軟件、游戲等學習資源。根據分析層生成的學生數字畫像,對不同學習風格的學生推送相應類型的學習資源,以滿足不同學生的學習習慣,有助于激發和維持學習興趣,從而提高學習效率。

表2 VARK學習風格分類

3.3.3 學習評價

傳統的課程評價往往存在評價維度缺乏、評價主體單一、評價方式有限等問題,難以體現客觀性。基于教育大數據的數字化評價實現了從“經驗主義”“數據局限”“單一維度”走向“數據主義”“海量數據”“多元維度”,全面采集課前、課中、課后教學各環節的數據[6],構建了多維度、多主體、融入課程思政的智能化評價方式,使評價結果更為全面客觀。

3.4 用戶層

用戶層為學生、教師、企業管理者等教學主體提供可視化的交互界面,提供學習過程可視化服務。通過可視化技術,將教育數據以圖表、圖像、圖形等形式呈現,幫助用戶更好地理解和分析數據[7]。通過教育大數據學習分析技術實時量化跟蹤學習過程;通過圖表等形式對學習路徑、學習進度、評價結果進行可視化呈現,學生可以直觀了解自己的學習認知的動態變化過程;學生通過分析自己的學習數據,了解自己的學習習慣和偏好,合理規劃學習時間和資源,優化學習策略,提高學習效果和成績。通過教育大數據分析學生的學習行為和學習偏好,教師可以為學生提供個性化的學習資源,以滿足學生的學習需求。教師還可以利用教育大數據評估教學效果,不斷優化教學內容和教學方法。教育大數據可以為用人單位提供更全面和準確的人才評估信息,包括學生的學習成績、技能水平和學習歷程等。企業可以根據以上信息分析學生的學習表現和能力,獲取人才培養與崗位需求的匹配度,以實時給予教學改進意見,促進學校人才培養質量的提升。

4 個性化自適應教學在“C語言程序設計”課程中的應用實踐

4.1 確定課程內容

利用教育大數據技術對崗位需求進行分析,包括分析招聘網站、行業報告、企業需求數據等,掌握學生主要就業崗位的知識、技能和素質需求。通過與學生的學習數據進行對比和匹配,確定學生的優勢和不足,調整教學內容,從而提升教學內容選擇與崗位需求的匹配度。“C語言程序設計”課程是電子信息類專業的一門專業基礎課程,通過網絡爬蟲與企業調研相結合的方式采集學生的就業崗位、工作內容和能力需求等相關數據,基于職業能力分析法確定課程的教學內容。為了滿足個性化教學需要,將教學項目分解細化為具體的知識技能點,制作配套的微課視頻、電子課件、動畫、練習題、企業工程案例、仿真軟件等數字教學資源,并對不同的資源打上不同的標簽,完成個性化自適應教學所需的課程資源建設。

4.2 開展學情分析

將在線教學平臺與教務系統、學工系統、網管系統打通,實現對學生在校學習與生活數據的合理采集。通過對生源類型、生源地、高考成績、已學課程、課程成績、上網記錄、競賽獲獎、課外活動參與情況等數據的分析,確定現代移動通信技術專業2020級學生的知識和技能基礎、認知和實踐能力、學習特點三個維度的學情分析結果。在知識和技能基礎分析方面,通過教育大數據技術對學生的前期課程考試成績、課前測試成績、討論區提問信息等進行分析,獲取學生對各個知識技能點的掌握程度。在認知和實踐能力分析方面,通過教育大數據技術,收集學生的編程作業、項目實踐等數據,結合機器學習和自然語言處理等技術,對學生的編程思維、問題解決能力、代碼風格等進行分析,獲取關于學生認知和實踐能力的評估結果。在學習特點分析方面,通過教育大數據技術,對學生的學習行為數據進行分析,如學習時間、學習路徑、學習資源的使用等,掌握學生的學習偏好、學習風格,以及學習模式。通過應用教育大數據技術,實現對班級每位學生學情的精準分析。針對存在的薄弱環節,在課前通過教育大數據教學平臺推薦的個性化的學習資源,縮小不同學生間的學習進度差異,為課堂教學提供足夠的知識技能儲備。

4.3 設定教學目標

根據教育大數據學情分析結果,參照國家專業教學標準、職業技能等級標準、行業標準,結合企業崗位職業能力要求和社會主義核心價值觀,確定課程教學目標,包括思政目標、知識目標、能力目標。以傳統教學中最難設定的思政目標為例,通過教育大數據技術,分析崗位技能要求、職業道德規范和綜合素養要求等方面的數據,掌握學生在就業中所需具備的能力和素養,通過對學生校內學習生活大數據的分析,掌握學生多維度的素質養成情況,結合社會主義核心價值觀對個人成長層面的要求,針對學生存在的薄弱環節進行重點提升,凝練了“理想信念、職業素養、科學精神”三個層面的課程思政教學目標,如圖2所示。

4.4 選取教學資源

課程資源是知識、技能和思政教育的載體,資源的系統性和針對性直接影響教學目標的達成。不同學生在學習“C語言程序設計”課程時具有不同的學習需求和學習風格,個性化教學需要根據學生的特點和需求,選擇適合的教學資源,以滿足學生個性化的學習需求。通過合理選擇教學資源,個性化教學可以提高學生的學習成效和滿意度。學生可以根據自己的學習需求和興趣選擇適合自己的學習資源,這樣學習更有針對性和自主性,學生能夠更好地掌握C語言的知識和技能。通過教育大數據技術,充分挖掘每個任務中蘊含的思政元素,匹配篩選對應的思政素材,以課程項目一為例,思政元素和素材分析結果如表3所示。在課程資源開發建設過程中,應用教育大數據技術對資源的類型、難度及涉及的知識、技能和思政元素進行標注,根據教學目標和學生特點,靈活構建課程內容。在“C語言程序設計”課程的教學資源建設過程中,針對每個獨立的知識技能點開發設計文檔、視頻、動畫等教學資源,建設了顆粒化的教學資源體系。在組課時,設計了基礎任務和拓展任務兩種不同層級的任務,供不同學習基礎的學生進行學習,從而實施分層分級的教學模式。借助教育大數據技術能夠完成資源數量、占比及資源類型變化趨勢的統計分析,有利于課程教學資源的不斷完善。

圖2 課程思政目標

表3 思政元素和素材分析結果

4.5 評估教學成效

傳統的教學過程主要采用測驗、考試等終結性評價方式,因缺乏有效的技術手段,形成性評價的應用較少,評價主體以教師為主,學生在教學評價過程中的參與較少。評價往往只關注學生的最終分數,忽略了學生的成長進步,不能充分激發學生的學習積極性。通過教育大數據技術的應用,能夠綜合使用形成性評價和過程性評價,引入多元的評價主體,采集記錄每個學生的學習行為和成果數據,評估分析學生的學習進步情況,從而構建過程性、多元化、增值性的教學評價體系。“C語言程序設計”課程的教學評價方式如圖3所示,將課程思政納入課前、課中和課后考核全過程,將課程的專業知識、技能與思政教育融為一體。引入了教師、學生、企業工程師、平臺等多元化的評價主體,采用教師評價學生、學生互評、學生自評、企業評價等多種評價方式。其中,思政素質評價維度包括線上資源學習完成率、課堂活動參與度、小組合作貢獻度、程序編寫規范性、課外實踐活動參與情況等多個方面,跟蹤評估每位學生的價值觀和情感態度變化情況,使課程思政教學評價更加客觀公正。根據評價結果為學生提供針對性的指導和學習支持,促進學生的個性化成長,從而實現因材施教。

圖3 多維度、多主體的過程性教學評價方式

5 結語

個性化自適應教學是教育大數據時代職業教育發展的必然趨勢,是以學習者為中心的教育理念在信息技術支撐下的落實,充分尊重每個學生個體的特征差異,實現了因材施教。針對“C語言程序設計”課程傳統教學模式存在的不足,設計了一種基于教育大數據的個性化學習服務體系,闡述了每一層的核心功能和關鍵技術,并進一步介紹了該個性化學習服務體系在“C語言程序設計”課程教學改革中的具體應用。在科學設置教學目標、精準推薦教學資源、客觀評估教學成效等方面發揮了教育大數據的強大力量,為同類課程的個性化教學改革提供了理論指導和實踐參考。