課程考核評價的數智賦能分析方法

摘"要：課程考核評價是教學過程中不可或缺的一環，它可以增強學生學習的成效，推動教師教學能力的持續提升。工學一體化課程考核評價貫穿整個教學全過程，它分為過程性考核評價和終結性考核評價。利用SPSS軟件和數智算法對工學一體化課程考核評價回收的大量數據進行處理，從而提供一套科學合理且行之有效的數據分析方法，讓考核評價的結果更加科學合理，教學反饋的信息更加完整準確。教師可以通過評價反饋的信息，及時調整教學計劃和教學活動方案，改進教學方法和手段，讓工學一體化課程更好地滿足現代職業教育體系要求。

關鍵詞：SPSS；數智算法；課程評價；工學一體化

柯氏評價理論確定了職業教育學業評價的四個基本層次：課程結束時的滿意度評價；知識、技能和工作經驗的學習效果評價；學習者工作一段時間后的行為轉變評價和績效評價［12］。因此，工學一體化課程需要建立與之相適應的評價機制。目前，工學一體化課程考核評價貫穿了整個教學全過程，其中，過程性考核方式分為學生自評表、學生互評表、教師評價表，終結性考核方式分為期末測試和滿意度調查。這些考核評價表和滿意度調查表會回收大量的數據，這些數據有的可以直觀反映出某些含義，但更多數據所“隱藏”的信息，需要利用數智算法，才能“挖掘”出來。本文將從以下兩個維度進行說明。

一、數據的有效性分析

回收的考核數據，如何判斷其數據是否真實可靠，可以使用信度分析。信度即可靠性（Reliability），它是指采用同樣的方法（問卷）對同一對象重復測量時所得結果的一致性程度。信度分析的目的就在于說明樣本數據真實可信。

（一）信度分析的主要方法

（1）重測信度：它注重測量時間上的重復性，即對同一組被調查人員采用相同問卷，在不同時間點先后進行調查，測量兩次調查結果之間的差異程度，只適用短期內有效，如兩周內。

（2）復本信度：運用兩份內容等價但題目不同的問卷對同一組被調查人員進行調查。例如，使用試卷AB卷對同一批考生進行測試，檢驗考生成績是否可信。由于副本信度很難讓人同時做兩份內容差不多的問卷，所以較少使用。

（3）評分者信度：不同評分者對相同對象進行一致性評定，如結構化面試。

（4）內部一致性信度：反映問卷內部問題之間的關系，檢查問卷的各個問題是否測量了相同的內容或特質。如果問卷的各個問題都與課程滿意度相關，那么這份問卷的內部一致性就較高；但如果出現多個問題與課程滿意度無關，如校園滿意度、衛生滿意度等，問題邏輯聯系或與主題不符，則問卷的內部一致性就較差。

（二）內部一致性信度分析說明

內部一致性信度通常使用Cronbach（克倫巴赫）α系數，α系數在0.9以上，則該問卷的信度甚佳；0.8～0.9表示信度不錯；0.7～0.8則表示信度較好；0.6～0.7表示信度一般；0.6以下就要考慮重新編寫問卷了。

這種信度分析要求是量表問題，即問卷的各個問題選項是可以量化分等級的。例如問題選項：非常不滿意—不滿意—中立—滿意—非常滿意，五個選項可以分別被賦值1、2、3、4、5，這就是五級量表問題。

（三）數據的信度分析舉例

在某個云計算專業班級開展的“工學一體化”課程滿意度調查中，總共回收了25份有效問卷，因為設計的問題都是正向計分題，可以在Excel中直接對問題選項進行數字化處理，賦值對應關系為A5、B4、C3、D2、E1。

將Excel中數字化處理過的數據導入SPSS進行信度分析，在SPSS界面選擇“分析—刻度—可靠性分析”，分析項為問題1—8，如圖2所示。

信度分析結果顯示，可靠性分析的克倫巴赫α系數為0.913，表示該滿意度調查問卷回收的數據真實可靠，是可信任的。

二、數據的內涵規律分析

（一）多重響應分析

多重響應分析又稱多重應答分析或者多選題應答分析，在進行問卷調查時，經常會遇到一部分多選題，我們采用二分法記錄數據（以1/0表示已選/未選）。

1.SPSS多重響應分析包括頻數分析和交叉分析兩部分［3］

（1）頻數分析：用來分析樣本中單個問題選項出現的頻率。

（2）交叉分析：用來分析樣本中某個選項與其他選項之間的關系。交叉分析結果是否具有統計學意義，可以增加卡方檢驗。卡方檢驗表中的皮爾遜卡方對應的顯著性數值小于0.05，則表示具有統計學意義，是有效的。

2.頻數分析舉例

在該班的某個工學一體化課程的任務考核學生自評表中，對自評表中的各個問題選項進行二分法處理，如圖3所示。

將Excel中二分法處理過的數據導入SPSS進行頻數分析前準備，SPSS界面選擇“分析—多重響應—定義變量集”，在彈出的“定義多重響應集”窗口，依據自評表中的8個問題，分別定義和添加8個多重響應集的名稱和標簽，如圖4所示。

關閉“定義多重響應集”窗口后，開始進行頻數分析，在SPSS界面選擇“分析—多重響應—頻率”，在彈出的“多重響應頻率”窗口，添加所有多重響應集，點擊確定，多重響應頻數分析結果中顯示，回收的學生自評表中，每個問題選項所選的數量和所占比例，如圖5所示。

3.交叉分析舉例

以學生自評表中的問題6為例，交叉分析如果學生自評扮演的是“領導者”的角色，則他在問題8中，即團隊中的主要貢獻會是什么。在SPSS界面選擇“分析—多重響應—交叉表”，在彈出的“多重響應交叉表”窗口，將t6.1（領導者）添加進“列”，將多重響應集“團隊貢獻”添加進“行”，定義范圍分別填寫1和5，操作如圖6所示。

交叉分析結果顯示，如果該學生扮演的是“領導者”角色，則在問題8中，比較多的選擇是“t8.2完成了重要的任務部分”和“t8.5學習了新的知識和技能”。

（二）線性回歸分析

線性回歸分析是根據一個或一組自變量的變化情況預測與其相關的某隨機變量未來值的一種方法［3］。簡而言之，就是研究多個自變量X對一個因變量Y的影響情況。根據自變量X的個數，可以稱為一元回歸或者多元回歸；如果回歸函數是一個線性函數，則稱為線性回歸。

1.多元線性回歸分析方程

y=b0+b1x1+b2x2+…+bnxn

在問卷調查分析中，可以假設問卷的每個問題為自變量X，問卷最終總評為因變量Y，通過多元線性回歸分析，可以發現哪些X對Y的正面影響大，哪些X對Y沒有影響甚至是負面影響。

2.多元線性回歸分析的前提

（1）因變量Y為定量數據；

（2）自變量X與因變量Y存在線性關系；

（3）自變量X之間不存在多重共線性，即X之間應該彼此獨立；

（4）因變量Y的樣本觀測值之間相互獨立，殘差（樣本觀測值與擬合值之間的差）之間也相互獨立；

（5）殘差服從均值為0，方差為σ2的正態分布。

3.多元線性回歸分析舉例

在此次回收的課程滿意度調查問卷中，將問題1—7作為自變量X，將問題8的課程滿意度評分作為因變量Y，并進行賦值，對應關系為A100、B85、C70、D55、E40。將數據導入后，在SPSS界面選擇“分析—回歸—線性”，在彈出的“線性回歸”窗口，添加因變量與自變量，在“線性回歸：統計”對話框，除了默認勾選外，建議勾選“共線性診斷”和“德賓沃森”，如圖7所示。

（1）共線性診斷：檢測自變量X之間彼此是否相關，如果兩個變量存在共線性，則兩個變量只起到一個變量的效果；

（2）德賓沃森檢驗：檢測因變量Y的樣本觀測值之間的獨立性。

在“線性回歸：圖”中，設置好相應參數：Y選擇“ZRESID”，表示標準化殘差；X選擇“ZPRED”，表示標準化預測值；最后勾選“直方圖”和“正態概率圖”。

多元線性回歸分析結果顯示：R方越接近1，說明擬合程度越好，即樣本值非常接近預測值，通常不能低于0.36；德賓沃森值在0～4之間，越接近2，因變量Y的樣本值之間獨立性越好。回歸方程的顯著性檢驗結果顯示：顯著性Siglt;0.05，表示回歸方程成立，自變量X對因變量Y的影響顯著。

從回歸方程的系數可以得出結論：問題3、問題7、問題2對課程滿意度Y的正面影響較大，問題1、問題5、問題4對課程滿意度Y的正面影響不大，而問題6對課程滿意度Y有負面影響。

結語

對工學一體化課程考核評價數據進行信度分析、多重響應分析和多元線性回歸分析，可以讓“工學一體化”課程考核實施的評估結果更加科學合理，教學反饋的信息更加完整準確。教師可以通過評價反饋的信息，及時調整教學計劃和教學活動方案，改進教學方法和手段，完善考核評價方式，讓“工學一體化”課程更好地滿足現代職業教育體系要求。

參考文獻：

［1］孫小梅，周應國.本科層次職業教育專業課程開發：三維邏輯、應然特征與實踐依循［J］.職業技術教育，2023（35）：2934.

［2］柯克帕特里克.如何做好培訓評估：柯氏四級評估法［M］.3版.林祝君，馮學東，譯.北京：電子工業出版社，2015：2527.

［3］鄧維斌，周玉敏，劉進，等.SPSS"23統計分析實用教程［M］.2版.北京：電子工業出版社，2017.

基金項目：2023年廣東省技工教育和職業培訓省級課題——基于“東數西算”背景下《云計算技術應用》專業工學一體化人才培養研究（課題編號KT2023019），主持人：李俊

作者簡介：方武（1987—"），男，漢族，湖南邵陽人，碩士研究生，講師，研究方向：云計算；陳英姿（1994—"），女，漢族，湖南衡陽人，本科，講師，研究方向：軟件開發。

*通信作者：李俊（1985—"），男，漢族，廣東韶關人，碩士研究生，高級講師，研究方向：大數據。