數據賦能的高等學歷繼續教育線上教學實施策略研究

［摘 要］文章從數據賦能對高等學歷繼續教育線上教學的關鍵環節切入，聚焦數據賦能的高等學歷繼續教育在線直播課與平臺資源學習教學情境，系統化地總結了線上課程資源建設、教學實施、學習評價三大階段的核心要素，并借助實踐案例，對基于數據賦能的在線教學實施流程進行定義、優化重組和精細化處理。研究認為，加大數據賦能線上教學改革的投入和推廣、提升教師的數據素養和協同意識、重視在線課程運行效果評價和持續性的維護、積極引導學生參與到課程建設和實施中，是切實提升高等學歷繼續教育線上教學質量的有效途徑。

［關鍵詞］繼續教育；高等學歷；數據驅動教學；數據賦能

［中圖分類號］G642.3 ［文獻標識碼］A ［文章編號］2095-3437（2024）21-0057-05

隨著互聯網技術的飛速發展，線上教育已成為高等學歷繼續教育不可或缺的一環。教育信息化2.0時代，以大數據、人工智能、云計算為代表的新技術不斷涌現，飛速生成并累積了海量的線上學習數據。充分利用線上數據收集優勢，挖掘數據特征賦能教學決策和授課環節，實施精準教學成為高等學歷繼續教育線上教學發展的必然趨勢。本文著重研究高等學歷繼續教育層次如何從教學決策視角對線上學習數據進行采集和分析，并將數據賦能轉化為可操作的教學組織策略，以提升高等學歷繼續教育線上教學質量。

一、文獻回顧

數據驅動教學（Data Driven Instruction，DDI）主要是指通過收集和分析學習過程數據與測試數據，使教師科學、客觀、準確地了解學生學習狀態，并據此進行最優教學決策、提升教學質量的教學模式[1]。自2012年美國教育部發布《通過教育數據挖掘和學習分析促進教與學》報告以來，教育數據挖掘技術成為支持教學決策的重要趨勢 [2]。隨著時間推移和技術演進，教育大數據的應用和數據驅動教學法日益成為熱點，逐漸演化為“精準教學”。不同學者從多個維度構建了適用于我國教育環境的數據驅動教學模型，并提出差異化與精準教學方案。徐鵬等指出，利用教育數據挖掘技術和學習分析技術為教學決策提供有效支持是未來教育發展的趨勢[3]。此后，教育大數據在教學各環節的運用、數據驅動教學法成為研究熱點， Schildkamp和Poortman將數據驅動的教學決策劃分為數據收集、數據分析、數據結論與專業知識整合、決策應用、行動評價5個階段[4]。楊現民等從學習者、教學者和教育大數據3個主體出發，構建了我國教育環境適用的數據驅動教學范式框架[5]，同年Literacy提出數據驅動的差異化教學模式[6]，并且這一主張逐漸演化為“精準教學”。張文梅等在分析數據驅動教學行為的現狀和發展邏輯后，指出教學情境日益混合化，利用多模態智能計算以提供精準化的教學服務是今后發展的主要方向之一[7]。張哲等根據課程授課的流程和環節對高職院校開展數據驅動下的精準教學提出可操作性建議[8]。張麗軍等從教學目標確定、教學過程框架設計、教學評價與預測 3 個維度對體育精準教學模式進行了主體建構[9]。

綜上所述，本文基于數據賦能教學理論，結合數據驅動的教學范式研究框架和高等學歷繼續教育線上教學真實情境，探討高等學歷繼續教育在線課程如何進行課程設計、組織和實施精準教學，旨在為高等學歷繼續教育線上課程建設提供科學的參考依據。

二、數據賦能背景下的繼續教育數據分類

（一）基礎類數據

基礎類數據主要是指對學生進行特征描繪的學籍類和歷史行為數據。與全日制院校的線下面授課不同，高等學歷繼續教育線上課程每期注冊學生數量較多。當不同學習背景、不同職業、不同地域的學生匯聚到同一門課程中時，通過基礎性學籍信息數據分析對學生進行群體性特征描述、挖掘群體共性標簽，是進行教學設計、實施精準教學、提升教學質量的重要前提。當前線上課程一直在更新建設，部分課程存在此前建成的在線課程資源和實施過程等豐富的歷史數據，可供教師進行前期數據分析。在新一輪的課程平臺資源建設和實施過程中，教師可對課程的歷史行為數據和測評數據進行全面分析，獲取學生學習行為共性特征數據和對知識點掌握的難易情況，進而指導線上教學。

（二）行為類數據

行為類數據是指依托學習平臺收集的全渠道、全方位數據，該數據不僅包括常見的結構化平臺行為日志數據，也包括平臺學習資源中的文本、視頻、互動記錄、直播回放、錄播視頻等非結構化數據，該類數據主要在線上教學實施過程中同步產生和收集。當前線上教學平臺中較為常見的結構數據有教學活動發起次數和教師登錄天數、登錄次數、登錄時長、回帖量等 “教學”行為統計數據，以及學生登錄次數、天數、時長、參與教學活動行為、發帖量、教學資源點擊量、教學資源學習時長、直播課簽到、直播課在線時長等 “學習”行為統計數據。常見的非結構數據有教師設置的特定行為標簽數據、平臺利用網絡爬蟲技術對文本類行為進行判定的數據、平臺根據學生行為生成的網絡結構圖等。

（三）學習評價類數據

學習評價類數據是指依托學習平臺收集的學生測評和平臺智能測評等客觀數據，以及教學評價、多主體互評、教學反思等主觀數據。傳統的線上學習考評數據指線上各個章節的形成性測試成績，以及特定的過程性測試成績。當前，學習平臺逐步形成了基于過程性數據的智能測評數據。教師對學習過程中的特定教學活動設置行為標簽、對組間互評成績和互動成績等賦予不同的權重，最終由平臺結合形成性測試成績智能出具綜合測評成績。

三、數據賦能的高等學歷繼續教育線上教學實施策略

（一）線上教學實施情境

對教學情景進行界定是探討數據賦能高等學歷繼續教育線上教學實施的前提。當前，高等學歷繼續教育線上教學模式較為典型的主要有三種：第一種為學生通過指定學習平臺完成所有學習，即傳統的“視頻點播+網頁瀏覽”教學模式；第二種為學生通過指定學習平臺同步完成直播課和平臺線上資源學習，即線上資源學習和直播課混合教學模式；第三種為學生到基層學習中心參加線下面授課，同時完成指定學習平臺的線上資源學習，即處于萌芽階段的智慧教室教學。從普及性角度來看，當前高等學歷繼續教育線上教學主要采用第二種模式，具體表現為：教學建設團隊提前完成學習平臺資源建設，開課后教學授課團隊根據教學計劃開展直播課教學，教學運行團隊同步組織直播課堂、討論區互動、簽到、投票等課堂活動。

（二）數據賦能的線上教學實施策略框架

在線上資源學習和直播課混合教學模式下，高等學歷繼續教育線上教學流程大致分為線上資源建設、教學運行和學習評價三個階段。線上資源建設是課程實施的基礎，也是數據驅動精準教學的基石。教師團隊構建形式多樣、內容豐富、具備群體特征的線上教學資源是數據賦能教學實施的重要前提。教學運行階段主要分為線上資源學習和直播課教學兩個模塊，學生根據教學設計發生學習行為，教師根據實時數據分析結論，做出數據賦能下的教學決策，組織學生進行下一階段的學習。學習評價階段是在課程學習結束后，學生完成教學設計中的各項學習任務、測評任務等，并獲得最終課程成績。同時，教師從教學方法、教學組織、教學效果方面展開教學反思，學生從滿意度、課程評價等角度進行教學反饋。上述數據賦能的線上課程教學實施路徑與教學情景、數據類型的對應關系如圖1所示。

（三）數據賦能的教學設計階段實施策略

數據賦能的教學設計階段主要是指線上資源建設，教師應充分利用基礎數據分析結論，對線上資源進行針對性的建設或更新，進而為精準教學做好資源準備，以及做好數據收集設計和多元主體評價的系統設置，最終制定課程的整體教學設計方案和總體實施計劃。

以筆者供職的四川開放大學為例，國家開放大學學習網中的課程均按照章節設置，并且測試題后臺均與章節內容相對應。首先，將過往3至4學期的課程在國家開放大學學習網中的數據導出后，通過統計學生學習行為、章節和形成性測試錯題分布，可以對新一輪學習資源建設和課程實施提供有價值的參考。其次，以2022年秋四川開放大學每學期開設的線上課程為例，注冊學生人數超過500人的課程約占60%，注冊人數超過1000人的課程約占39%。最后，在注冊學生規模較大的背景下，從學生前置學歷、前置專業、學生年齡段、學生性別、學生生源地、學生公司類別等角度進行數據分析，能夠更好地掌握學生的群體性特征，進而方便教師針對性地開辟學習資源專區或匯聚特定類型的學習資源，開展精準教學。

（四）數據賦能的教學決策階段實施策略

在數據賦能的教學決策階段，教師利用平臺工具組織學生參與既定的教學活動，通過對虛擬學生的學習行為數據進行分析，做出最優教學決策，更好地調動學生的積極性，從而提高線上教學質量。從具體實施來看，當前高等學歷繼續教育線上課程學習的軟硬件環境都有了較大改善——學習平臺操作界面的簡單化、學生交替使用移動終端和電腦終端的學習數據后臺同步性問題基本得以解決，以及學習平臺app、微信公眾號、小程序等的學習便利性不斷提升，這使學生可以根據自身安排參與大多數的教學活動。特別是部分學習平臺通過微信綁定，可以將課程開課、課程直播、課程活動等教學活動在實施前、實施中及時推送到學生微信中，大大提升了信息溝通效率，顯著提升了學生課程活動的參與度。

對于教師而言，數據賦能下的教學實施改動較大。當前，高等學歷繼續教育線上課程從此前的由一個教師完成所有教學角色逐漸轉變為由教學團隊共同運行課程。從線上課程實施來看，為保障教學質量，教學團隊應至少具備教學授課和教學運行兩種職能。其中，教學授課團隊主要負責線上課程資源建設、直播課程講授、作業批改、討論回復、測試評價等工作，教學運行團隊主要負責組織學生參加各項活動、直播課程互動協調、討論區運行維護、組織學生評測、整理學生教學反饋、做好學生教師間人性化溝通等工作。

（五）數據賦能的學習評價階段實施策略

在數據賦能的學習評價階段，教學授課團隊以多元主體評價進行教學設計和平臺設置，如在課程主頁設置專欄，對考評方式進行介紹，并在直播課對相關教學活動與評價方式進行通俗易懂的解釋。教學運行團隊在教學組織中應編制詳細的操作手冊、互評功能使用介紹等，以方便學生迅速掌握平臺的各種評價功能。與此同時，合理安排團隊人員，建立響應制度，在規定時間內及時響應學生評價，并做好分類整理工作，進而實時對教學實施情況進行反饋。客觀、正確地分析主觀性評價內容，總結教學反思。學期課程運行結束后，撰寫教學實施總結以及教學資源修訂計劃，確保每一期的教學和學習數據賦能下一期課程。

四、對策建議

（一）加大數據賦能線上教學改革的投入和推廣

大數據技術帶來行業變革的趨勢終將推動線上教學改革，高校應重視數據賦能線上教學的時代趨勢，營造數據賦能教學的政策環境、制定科學的發展規劃，建立教學部門、信息中心等相關部門多方聯動實施機制，通過典型帶動、制度拉動、培訓推動加大數據賦能線上教學改革的投入和推廣。首先，高等學歷繼續教育辦學高校應鼓勵教師利用教學大數據，對線上課程從建設到實施中的各個環節有針對性地進行數據賦能的設計和組織，推動相關教學改革的立項和成果推廣，進而以點帶面地在教師中推廣數據賦能的優秀教學經驗。其次，加大線上教學的軟硬件投入，設立智能學習平臺和智慧直播教室建設專項經費，編制科學的發展規劃，總結數據賦能教學實踐的特征，編制校內操作規范和實施指南，確保全校數據賦能式線上教學水平的整體提升。最后，切實做好數據收集、數據分析、數據應用、人工智能分析等大數據運用的普及工作，定期為教師進行平臺功能和更新方面的培訓，打破學習平臺技術與教師運用之間的壁壘，確保教學改革與學習平臺智能化互惠共贏。

（二）提升教師數據素養和協同意識

數據賦能的高等學歷繼續教育線上課程建設及實施在一定程度上會沖擊教師的傳統教學思維，對教師的角色定位和技能提出全新的要求，教師務必具備較強的數據素養和協同意識。首先，在數據賦能教學模式下，學習行為、平臺資源、學生基礎數據、歷史數據等源源不斷地匯聚成大數據庫供教師進行選擇或決策，學習平臺的智能化分析、圖像化呈現在一定程度上替教師完成了對數據的初級分類和統計分析，此時教師對數據結果的管理、解讀轉化為教學決策的主觀認知過程顯得尤為重要，通過培訓、教學研討等方式提升教師數據收集、數據分析、數據解讀、數據管理和數據轉化的能力是必不可少的環節。其次，傳統的由一名教師包攬一門課程全過程的形式逐漸被一個教學團隊負責一門課程的形式所取代。教學團隊的責任人應做好人員搭建、明確分工、組間協調、環境保障等工作，確保課程建設和運行的質量；團隊中負責教學的成員應提升數據賦能式教學設計、教學決策、教學組織的能力，切實將數據特征轉化為教學特色，向學生提供內容豐富、形式多樣的線上課程；團隊中負責線上課程運行的成員應提升技術推廣、平臺操作、學生反饋收集等方面的能力，切實做好幫助學生接受新技術、使用平臺等方面的工作，也做好教師與學生的橋梁，協助師生順利完成線上學習。

（三）重視課程運行評價和后續維護

此前線上課程建設和實施中，學校主要重視平臺學習資源的建成驗收，對后續的課程運行和持續的平臺學習資源建設不夠重視。對于高質量的線上課程來說，教學內容與時俱進是調動學生學習興趣的有效手段，也是最能體現線上課程靈活性的途徑，更是形成線上學習大數據庫的重要來源。學校應出臺相應的配套保障措施，促進線上課程學習資源的持續更新，改變當前學習資源一次性建設完畢但后續缺乏持續建設的現象。另外，經過教學運行沉淀、教學資料持續累積的線上課程更能不斷提高課程資料的含金量，同時培養出高質量的教師團隊，有利于課程大數據庫的形成，進而挖掘數據特征，以滿足不同學生的需求。學校在課程考核中，應考慮對課程進行中長期考核，避免產生“大建大上、一評定音、會后不管”等現象，秉持久久為功的態度，讓每一期學生都能享受高質量的教學服務和學習資源。

（四）調動學生參與課程建設和實施

學生是線上學習的直接受益者，充分重視學生對線上課程的學習感受和評價，調動學生參與線上課程的建設和實施是提升教學質量的有效手段，但在現實中容易被忽視。鑒于線上課程師生分離的狀態，教師團隊一般不易了解學生的真實學習狀態和學習感受，但基于大數據平臺，調查問卷、語音反饋、直播課程實時發起教學活動、投票表決、學生參與狀態圖智能化呈現等功能使得教師對學生學習狀態的了解不斷增加，教師能及時調整教學策略，滿足學生需求。引導學生參與教學設計并及時進行正向反饋是提高學生課程參與度、上課頻率的重要途徑。此外，鼓勵學生上傳自己制作的小視頻并參與論壇討論，也能較好地提高學生參與互動討論的熱情，這種方式既滿足了學生的短視頻展示需求，又有利于其他學生快速了解其觀點，更符合當下學生的生活方式。

五、結語

本文結合四川開放大學線上課程實施情況，深入探討了數據賦能背景下高等學歷繼續教育線上教學數據收集、教學設計和教學決策、實施評價等環節的現狀，進而提出了相應的實施策略。值得注意的是，本文著力于研究當下線上教學中大規模實際運用的數據賦能技術，但對于前沿性、試點性的AICG學習系統以及ChatGPT在教學中的創新應用缺乏深入探討。在未來的研究中，我們將進一步挖掘數據賦能技術的潛力，探索更多新的教學模式，以推動高等學歷繼續教育線上教學的持續發展。

［ 參 考 文 獻 ］

[1] Huffpost. Data driven instruction changes the face of yeshiva education[EB/OL].（2017-05-11）[2024-03-21]. http：//www.huffingtonpost.com/kimsilverton/data-driven-instruction-c_b_861229.html.

[2] 何克抗. 大數據面面觀[J]. 電化教育研究， 2014， 35（10）：8-16.

[3] 徐鵬， 王以寧， 劉艷華，等. 大數據視角分析學習變革：美國《通過教育數據挖掘和學習分析促進教與學》報告解讀及啟示[J]. 遠程教育雜志， 2013， 31（6）：11-17.

[4] SCHILDKAMP K， POORTMAN C. Factors influencing the functioning of data teams[J]. Teachers college record， 2015， 117（4）： 1-42.

[5] 楊現民，駱嬌嬌，劉雅馨，等.數據驅動教學：大數據時代教學范式的新走向[J].電化教育研究，2017，38（12）：13-20.

[6] LITERACY H How. Data?driven differentiated （D3） instruction[EB/OL].（2017-05-02）[2024-03-28].http：//www.literacyhow.com/assessment-progress monitoring/.

[7] 張文梅，祁彬斌，范文翔. 數據驅動的教學行為分析：現狀，邏輯與發展趨向[J]. 遠程教育雜志， 2021， 39（1）：84-93.

[8] 張哲，吳芬芬.數據驅動的高職課堂精準教學模式構建研究[J].職業技術教育，2022，43（8）：66-69.

[9] 張麗軍，孫有平.大數據驅動的體育精準教學模式研究[J].天津體育學院報，2022，37（2）：174-180.

［責任編輯：劉鳳華］