大數據可視化診斷在小學語文教學中的運用

【摘要】大數據平臺為語文教育教學改革提供了技術支持和科學保障。近三年來，筆者先后借助智能課堂分析系統和智慧校園平臺，開展了以大數據可視化診斷為核心的語文教育教學改革研究。對師生課堂行為、學生日常作業和學生期末成績等方面的數據進行采集和分析，實現了教學的精準反饋、分層教學和個性化指導。

【關鍵詞】大數據；可視化診斷；小學語文教學

精準的質量診斷是教育教學水平提升的關鍵，只有科學、全面地了解教師教與學生學的情況才能及時發現問題，進而通過評價與反饋，幫助教師調整教學內容與策略，促進學生的發展。傳統的語文教育教學診斷主要依賴教師的經驗和直覺，缺乏客觀性、準確性。隨著信息技術的發展，大數據平臺為教育教學的可視化診斷提供了技術支持和科學保障。大數據平臺通過收集和分析多維度的教育活動數據，能夠呈現出相對全面、客觀的學生學習畫像和教師教學效果的評估，這為語文教師準確地識別學生的學習需求，精準地進行分層教學和個性化指導提供了可能。

近三年來，筆者所在學校先后借助智能課堂分析系統和智慧校園平臺，開展了以大數據可視化診斷為核心的語文教育教學改革研究。我們借助以視頻為核心的大數據采集分析系統，全景采集課堂上教師和學生的六種行為數據、五種表情數據。通過數據分析，生成教師和學生課堂行為的“個人畫像”，并由此進行精準的教學診斷。我們先后在智慧校園平臺設置了過程評估評價、評估評價分析、學生成長報告三個板塊。任課教師、班主任、家長隨時可以登錄平臺，上傳和瀏覽記錄學生學業水平的文字、數據、圖片等素材。教師可以通過平臺生成可視化學情數據，用于學業質量分析、分層作業推送、改進教學等，有效提升了實驗班級的語文教育教學質量。

一、凝視課堂：大數據輔助的師生課堂行為觀察

課堂觀察是研究者或觀察者通過感官或借助科學儀器，有目的、有計劃地直接或間接對課堂情境中的教育現象進行感知、記錄、分析，從而獲得事實資料的一種研究方法。它不僅能提升課堂教學效果、改善學生課堂學習，還能促進教師專業發展。［1］

征得實驗班級師生和家長同意后，筆者所在學校運用智能課堂分析系統對實驗班級的小學語文課堂教學進行了實時的視頻采集與數據分析。安裝該智能系統后，實驗班級課堂中教師與學生的動作、行為、表情都可以被該系統捕捉到，并自動形成數據。對照數據，教師就能進行教學診斷和學情分析。

1.運用教師行為數據分析調整“教”

本實驗以視頻為核心，采集的教師行為類型包括發問、講授、演示、指導、巡視、注視、傾聽等。采集數據后，可以對數據進行整體分析，也可以對某一項進行分析。例如，W 教師某一節課行為數據分析如下：板書（演示）36次，占比15.86%；走動（指導、巡視、傾聽）67 次，占比29.52%；講授40 次，占比17.62%。分析結果：W教師板書、走動的課堂行為占比均略高于校平均值，講解行為占比略低于校平均值。

課堂教學行為的數據采集、分析、解釋，如同觀察課堂的“鏡子”。對教師個體而言，既可以通過數據診斷，反思自己的課堂行為，及時優化、調整教學策略，又可以通過長期的數據比較，發現自己教學的特點，尋找專業發展的突破口，從而調整專業發展的規劃。例如，通過分析課堂提問的數據，教師可以反思問題設計的難易度、開放性、思辨性等，并據此調整課堂提問的設計策略。對語文教研組而言，在集體教研討論時，可以通過觀察同一位教師在不同班級的同課同構的不同數據，分析如何以學定教、因材施教，也可以對比不同教師的同課異構數據，通過觀察分析教師的教學行為、策略，促進教師的專業成長和教學技能的提升。

2.運用學生行為數據分析指導“學”

本實驗借助智能課堂分析系統，對學生的課堂行為和課堂表情進行數據采集與分析。學生課堂行為類型分為聽、讀、看、演、議、踐、教七類。該智能課堂分析系統對課堂表情的識別分為面部表情和心理表情兩個層面。系統可以從給定的動態視頻中分離出學生特定的面部表情狀態，進而確定被識別對象的心理表情。其中，學生的面部表情分為專注、興奮、思考、吃驚、厭惡、呆滯等六種，心理表情分為生氣、平靜、高興、悲傷、驚訝等五種。

該系統支持班級全體學生行為數據的統計及趨勢查看。例如，實驗班學生2022 年12 月7 日到9日正面行為數據報告為：聽講3082 人次，占全部正面行為比例的13.29% ；舉手5559 人次，占比23.97%；讀寫5851 人次，占比25.27%；站立3700 人次，占比15.96%。舉手、讀寫、聽講、站立等行為均值高于校平均值，聽講行為均值略低于校平均值。學生負面行為數據報告為：趴桌子2620 人次，占全部負面行為比例的11.30%；玩電話手表1428 人次，占比6.15%等。

采集、跟蹤、分析學生課堂行為和課堂表情，可以幫助教師全面、準確地掌握學情，從而指導學生更好地學。觀察學生個體一個周期的課堂行為和課堂表情，教師可以全面了解學生的課堂學習態度、習慣和學習效果。教師采集行為表情數據，還可以對學情進行形成性反饋，根據學情報告，預測學生的行為模式和學業成績。教師可以據此提前采取干預措施，并及時與家長溝通，制定學生個人成長激勵方案。對于班級整體而言，通過單項分析或橫向、縱向對比班級課堂數據，可以幫助教師了解學生的整體學習狀態，及時調整教學策略。例如，從課堂發言次數和學生人次，可以觀測班級語文課堂上學生的活躍度和參與度，為班級整體教學指導策略的優化提供參考。

二、優化作業：大數據輔助的學生日常作業設計

作業是教師為了鞏固學生所學知識、培養學生能力和習慣而布置的任務?！读x務教育語文課程標準（2022 年版）》（以下簡稱“義教新課標”）要求教師“用少量、優質的作業幫助學生獲得典型而深刻的學習體驗”［2］。筆者基于學校智慧校園平臺，以義教新課標中學業質量標準為參照，立足學生日常作業數據的采集與分析，開展個性化分層作業設計，進而培育學生的核心素養。

1.根據整體情況分析，設計班級分層作業

我們以年級為單位，基于整體質量優化，完成符合本年級學生學情的單元整組作業設計，建立校本電子作業題庫。在日常教學中，教師將學生作業及時掃描上傳至智慧校園平臺，生成學生作業數據。對照采集的相關數據，我們發現雖然本學段學生的整體語文水平較高，但是班級之間的差異比較明顯，需要實行班級分層作業。

根據表1 的數據，我們可以對五年級第一學期不同班級的作業質量進行分析，從而進行專項突破：A、F、K 三個班整體水平偏弱，識字與寫字、閱讀與鑒賞部分良好及以上的學生相對偏少，需要加強這兩部分作業的專項訓練，適當減小作業難度，應適當增加基礎型作業，以夯實基礎為主；K 班整體得分率低于年級平均水平，班級學業水平后三分之一的學生也偏多，因此教師要重點關注這一部分學生作業的即時數據，及時調整作業量和作業難度。不過，相比而言，K 班在表達與交流這一部分的得分率較高，教師可對這批學生的習作作業多一些“曝光”，讓學生互幫互助；B、C、G 三個班中，中等學業水平的學生占比較多，可以有針對地設計作業；D、E、H、I、J 五個班整體學業水平較高，學生之間水平也接近，可以適當加大這幾個班的作業難度。

對同一班級，我們可以根據學生作業數據分析進行作業分層推送。我們將校本電子作業題庫分為基礎型、發展型、拓展型三個板塊，內容分別對應識字與寫字、閱讀與鑒賞、表達與交流三個類別。教師將三個板塊的內容進行二次組合，按照學情分層推送難易適度的作業，從而提高作業的適用性和針對性。

2.根據個體數據診斷，設計個性化作業

學生的個性化需求是作業設計的重要依據。在實際教學過程中，教師可以根據大數據提供的可視化診斷和學生的水平差異、學習特點，精準設計作業內容和作業推送形式。

首先，教師可以基于數據診斷出的學生個體水平差異，優化作業推送。例如，L 同學，單元作業的雷達圖顯示，他的識字與寫字部分得分率為97.1%，閱讀與鑒賞部分為83.6% ，表達與交流部分為94.1%，顯然他的閱讀與鑒賞能力需要重點提升。教師可以將閱讀理解類作業設定為他的必選作業，識字與寫字、表達與交流兩部分的作業則可以設定為選做。

其次，學生可以根據數據診斷出的具體問題整理出錯題集。學生通過橫向比較一個周期的作業數據，能較清晰地發現自己的易錯之處和薄弱項。以X 同學為例，表2 是他4 次單元練習的扣分情況。由數據可知：識字與寫字部分第1 和第7 題失分率較高，閱讀與鑒賞部分第8 題失分率高，表達與交流部分整體失分率不高?；谝陨戏治?，X 同學可以整理出個人錯題集，并根據作業診斷數據的變化，不斷調整題庫內容，從而促進內驅力的提升。

三、診斷質量：大數據輔助的學生期末測試評價

考試作為課程評價的手段，是檢測學生學業質量水平、了解教學效果的重要方式。期末測試評價屬于在教學關鍵點開展的階段性評價，“旨在考察班級整體學習情況和學生階段性學習質量，是回顧、反思和改進教學的重要依據”［3］。筆者依托智慧校園平臺，對本校五、六年級學生期末測試試卷進行數據分析，從整體和個體兩個方面分析學生學業水平。

1.分析數據，診斷學生整體學業水平

本研究通過智慧校園平臺采集了22 個班級共964 名學生期末測試的數據。通過分析數據，我們可以獲取年級、班級以及學生個體的考試情況，包括各項得分率、各等級呈現率、分布率、錯誤數熱力圖、高頻錯題、典型錯題等。據此，我們可以對學生整體素養水平做出診斷。例如，筆者所在學校六年級第一學期期末素養測試試卷考查內容分為積累與運用、閱讀與鑒賞、表達與交流三個部分，對三部分內容得分率分析如圖1 所示。六年級學生在積累與運用部分得分率為91.24%，屬于整體得分率最高的一項，說明學生基礎知識掌握得較為扎實；閱讀與鑒賞部分得分率為85.75%，得分率最低，說明學生的閱讀與鑒賞水平還需要進一步提升；表達與交流部分得分率為92.27%（得分率在90%及以上為優秀），說明學生習作水平較高。分析個人得分率情況，大部分習作能達到文從字順、具體生動的要求。

本數據分析主要包括對采集到的數據進行統計分析、關聯分析、趨勢分析等。

通過分析數據，我們還可以進一步聚焦學生學習的關鍵問題。以圖2為例，橫軸為測試試卷分項題數，共17題；縱軸從下至上為六年級A至K班。對應模塊顏色越深，表示出現錯誤的人數越多。從圖2可以看出，第17 題顏色最深，出現錯誤的人數最多；第1、2、5、6、11、13、14題為錯誤人數較多的7個小題。

根據學生錯誤數熱力圖，可進行如下分析：（1）積累與運用：教師重認字輕識詞，導致符號和語言建立聯系的能力不足，學生在真實語境中運用語言的能力尚需提高；（2）閱讀與鑒賞：學生推論、綜合解釋、拓展能力不足，閱讀策略的運用不夠熟練；（3）表達與交流：部分學生選材能力不足，無法用較為準確和流暢的語言表達。教師在第二學期的課堂教學、作業設計中要關注上述問題，調整教學策略，提升學生解決關鍵問題的能力。

2.跟蹤數據，生成學生個體學業評估報告

智慧校園平臺會根據每個學生的期末試卷得分率，生成三級學業評估表。學生可以通過分析評估表，比對自己在班級、年級中的水平位置，尋找不足，分析原因。教師也能從個體的失分率中找到原因。例如，筆者從班級期末測試數據中發現，有一道4 分的口語交際題，全班只有H 同學一分未得。此題涉及課外閱讀題的讀后交流，可知H 同學未完成本學期必讀書的閱讀任務，進而影響了他的閱讀理解。筆者通過比對最高分S 同學一學年的數據，見證了一個內驅力快速提升的學生的蛻變：第一學期得分率為90%左右，第二學期的得分率為98%左右，從第一學期閱讀部分的失分率為12.5%，到第二學期的不到1%，這不僅是閱讀技巧的提升，更是學生大量閱讀經典書籍的成果顯現。

圖3 是筆者班級中兩個學生的個人期末學業水平分析圖。C同學（左圖）的整體水平較低，其中閱讀與鑒賞能力弱是分數低的主要原因，但是表達與交流是他的長項。Z 同學（右圖）的整體水平處于班級中等，她的閱讀與交流部分得分率很高，而其他兩部分得分率都低于班級水平，尤其是表達與交流部分。比對分析Z 同學平時的數據，會發現這次期末測試是她本學期得分率最低的一次。由此可知，期末學生學業水平分析表，僅是本次測試水平的體現，存在一定的偶然性，不能作為評價學生的唯一依據。數據診斷既是為了讓學生對現階段的自己進行客觀評價，也是為下一階段的學習明確方向。因此，根據學生學年數據進行比對分析，制定個性化的學習方案，促進個體成長，才是數據診斷更為重要的意義。

通過三年的實踐，筆者認為大數據可視化診斷對語文教師精準把握學情、促進個性化教學具有明顯的幫助。當然，在實踐過程中也發現了許多問題，例如，在課堂教學行為觀察中，分析系統對師生行為識別的準確性尚不足85%，有待進一步提升；在運用現有的平臺診斷學生學業水平時，部分數據仍需要教師手動輸入，費時耗力、工作量較大，等等。教育部2022 年發布的《教師數字化素養》對教師提出了“選擇和運用評價數據采集工具，應用數據分析模型進行學業數據分析，以實現學業數據可視化與解釋”［4］的要求。我們期待隨著新技術的發展與教師數字素養的不斷提升，大數據可視化診斷在小學語文教學中的運用能更加便捷和有效，能夠為語文教育數字化轉型提供強有力的支撐。

參考文獻

［1］郁曉華，彭源，胡婷玉.數字化課堂觀察與反饋：現狀、評述與實現路徑［J］.開放教育研究，2024（3）.

［2］［3］中華人民共和國教育部.義務教育語文課程標準（2022 年版）［S］.北京：北京師范大學出版社，2022：48，49.

［4］中華人民共和國教育部. 教師數字素養［EB/OL］.https：//www.gov.cn/zhengce/zhengceku/2023-02/21/content_5742422.htm.