基于數據分析的民辦高校教學策略研究

摘 要：隨著大數據技術不斷深入應用于高校教育教學領域，基于數據分析的精準教學已是當前民辦高校教學改革的重要方向。電動汽車課程教學團隊通過收集超星學習通平臺記錄的教師教學和學生學習過程數據，并加以整理和分析。挖掘數據蘊含的學生在不同教學板塊中的學習行為特征，以及特征背后隱藏的信息。依據數據分析的結果，有針對性地調整電動汽車課程各教學環節設置，優化教學策略。進而幫助任課教師實施精準教學，提高學生學習成效，提升教學整體質量。

關鍵詞：數據分析 教學改革 教學策略

隨著大數據技術的發展，教學過程數據已成為教學活動中一種十分重要的教學資源，教學過程數據能較為真實地反映出學生學習過程。深入挖掘和分析有價值的教學過程數據，進而了解和掌握學生的學習需求、規律和特點[1]，幫助教師有針對性地開展課程教學，促進學生重視課程過程學習和積累，提高教學質量。《電動汽車》作為柳州工學院第一門國家級線上線下混合式一流課程，教學團隊正充分利用歷年來教學過程數據，總結和發現教學中的優勢和不足，以數據驅動切實開展“成果導向、以學生為中心、持續改進”的課程教學與改革。

1 基于數據分析的教學策略設計

基于數據分析的教學策略是通過采集教學過程數據，其主要收集學生學習狀態數據，經大數據分析，精準掌握學生學習狀態和效果，適時調整教學方法、內容和進度，使學生真正成為課程教學的中心，激發學生自主學習內驅力[2]。《電動汽車》是柳州工學院汽車類、交通類專業的專業必修課。該課程基于數據分析的教學策略設計，如圖1所示，主要包括兩大核心板塊，其一各教學環節的實施，其二數據分析與反饋。在各教學環節實施中，主要涉及課堂教學、課后學習以及課程考核三大部分。在數據分析與反饋中，主要對各教學環節的數據進行采集和分析，從而形成有效的教學反饋。

對于各教學環節的數據采集可分為兩類，一是過程性數據采集，即課堂教學數據和課后學習數據，對應過程性考核。二是結果性數據采集，即期末考試數據，對應終結性考核。課程采用多種方式促進學生重視學習過程，并結合多元化評價方式[3]；其中過程性考核占40%，終結性考試占60%。過程性考核分為課堂表現和課后學習，課堂表現反映課堂教學效果；課后學習反映課后學習效果。終結性考試中，采用滿分為100分的考試形式系統性考查知識掌握情況。過程性考核數據通過超星學習通平臺進行記錄，結課后將過程性考核數據從平臺導出，經篩選校驗后，與終結性考試成績進行系統分析，從數據結果評判學生學習效果和教學效果；進而使教師更準確地掌握學生學情[4]，檢驗各類考核手段設置的合理性和有效性，為后續課程建設和教學改革提供數據支持。

2 教學數據分析

《電動汽車》在超星學習通平臺中設置有6個章節45個小節的教學內容，35個共381分鐘的教學視頻，39個教學文檔，122個拓展性閱讀資料，題庫總數886題、討論話題4013個。豐富的教學資源為學生自主學習、復習和練習提供支持，幫助學生發揮其主觀能動性，促進學習過程中的知識積累。本課程自2017年建設并開課以來，共有8屆學生、38個教學班、1901名學生使用。本次分析對象為2022-2023學年第二學期交通201-202班101名學生，從學生的教學視頻觀看完成度、章節學習次數、拓展性閱讀時長、課后作業完成情況、上課出勤率、參與課堂互動等，全面分析學習過程階段的情況，以此得出學生過程性考核結果。綜合過程性考核結果與期末終結性考試結果，分析得出學生的學習效果。

2.1 教學視頻觀看完成度

教學團隊35個教學視頻設置為學生必須完成的任務點，通過視頻觀看完成度來考查學生的任務完成情況，并將任務完成情況作為過程性考核的主要指標，占過程性考核的25%。全班教學視頻觀看完成度整體均值為91%；其中67人完成度為100%、占總人數的66.34%；完成度低于均值的有26人，占總人數的25.74%；完成度低于60%的有7人、占總人數的6.93%；最低完成度為0，僅1人。從數據可知，絕大部分的學生能按要求完成相應的學習任務，學習直覺性和自我約束力較強；但有少數學生學習存在懈怠、自控力不足。

2.2 章節學習次數

章節學習次數是檢驗學生學習主動性的一項重要指標，本課程章節學習次數占過程性考核的5%。全班章節學習次數最高為509次、最低為16次、整體均值為153次。其中章節學習次數均值的有43人、占總人數的42.57%；章節學習次數低于90次的有21人，占總人數的20.79%。從數據可知，學生的主動學習意識不強；更有少部分學生在章節學習中未能做到課前課后兩次學習，嚴重缺乏學習的主動性。

2.3 拓展性閱讀時長

教學團隊為豐富課程教學內容和資源，精心篩選了122個拓展性閱讀資料，以供學生鞏固所學知識，拓展認識和知識面。在本課程中拓展性閱讀時長占過程性考核的5%，是考查學生學習主動性的重要指標。全班拓展性閱讀時長最高為848.5分鐘、最低為0.7分鐘、整體均值為225.8分鐘。其中拓展性閱讀時長高于均值的有43人、占總人數的42.57%。從數據可知，學生對于拓展性閱讀資料學習情況與章節學習次數一致，即學習次數越高對應的拓展性閱讀時長越長；拓展性閱讀時長進一步反映出學生主動學習意識薄弱。

2.4 課后作業完成情況

課后作業是檢驗學生對所學知識點掌握情況的有效手段，課后作業完成情況占過程性考核的35%。課后作業以章節為單位設置6次，每次滿分100分；題型涉及選擇、填空、判斷、問答、計算與分析等；既考察基礎知識理解，也考察知識運用。全班6次課后作業整體平均分為89.58分；單個學生6次作業平均分最高為99.58分、最低為54.50分。其中單個學生作業平均分高于全班均值的有62人、占總人數的61.38%；平均分在80分至全班均值的有30人，占總人數的29.70%；平均分在80分以下的有9人，占總人數的8.91%。由此數據可知，學生在學習過程中對各章節知識點的掌握和理解較好，極少數同學在課程學習上存在困難。但需注意，課后作業完成情況應與期末終結性考試成績關聯分析，需通過終結性考試進一步佐證學生對知識的理解掌握情況。

2.5 課堂表現情況

本課程的課堂表現也是過程性考核的主要部分，占過程性考核的30%，主要分為上課出勤率占10%，參與課堂互動占20%。課堂表現直接反映出學生參與課堂學習的積極性，也是直接檢驗課堂教學效果最有效的方式。在上課出勤方面，88人能正常出勤，12人出現一次請假，1人出現兩次請假；全班在參與課堂學習上無遲到、早退現象，整體紀律性強。在課堂互動中，共設置8次隨堂練習、2次問卷，全部課堂互動中僅13人次未參與，參與度高達98.71%。參與課堂互動獲得課堂積分（滿分為100分）方面，最高為97分、最低為48分、整體均值為86分。其中高于均值的有56人、占總人數的55.45%；在80分至均值的有29人，占總人數的28.71%；在70～79分的有12人，占總人數的11.88%，低于70分的僅4人，占總人數的3.96%。從參與課堂互動情況數據可知，學生在課堂上能認真聽講，并積極參與各項課堂活動，整體的學風較好。

2.6 課程考核成績分析

上述各類情況均屬于過程性考核，對于終結性考核為課程結束時學生參加統一組織的期末閉卷考試。考試內容涵蓋課程全部重要知識點，考試題型與課后作業題型一致。按照過程性考核（即平時成績）和終結性考核（期末成績，及卷面分）的比例分配，以及過程性考核中各板塊所占比重，交通201-202班各類考核成績分布如表1所示。從考核結果可以看出，絕大部分學生的綜合成績較理想，處于中等級以上水平，基本達到了預期的教學目標。對比平時成績和期末成績，卷面分相較于過程性考核中的課后作業和課堂互動情況有所下降，說明學生對于分章節內容的理解較為深刻，同時能在過程學習階段利用相關工具或通過交流探討獲得更高的平時成績，但獨立應對綜合測試的能力以及系統性理解和應用知識的能力還有待加強。

3 教學效果與教學改進

學生考核成績是檢驗教學效果最有效的手段，從上述平時成績、期末成績、綜合成績的結果可以看出，本課程教學效果處于中等水平。對比上述數據，學生平時成績和期末成績的平均值存在10分之差，反映出教師教學雖起到了成效，但學生未能真正地理解、掌握以及應用所學知識點、學習浮于表面。在對過程性考核各版塊數據分析中，不難發現學生的短時記憶相較于長時記憶好，紀律意識和服從意識較強，但多數學生主動學習的意識和求知欲薄弱、自我約束力較差。學生此種狀態正是當前以柳州工學院為代表的民辦高校學生學情。

綜合上述數據和學生學情，無需改變教學策略，但需對過程性考核關聯的各版塊設置做適當調整。首先，減少課后作業完成情況所占比重，同時將上課出勤率從固定比例考核項調整為非必要扣分項。其次，加強自主性學習引導，加大章節學習次數、拓展性閱讀時長的考核比重；同時將教學視頻學習的考核從單一考核觀看完成度，變更為既考核完成度，也考核觀看時長和觀看次數。最后，在整個教學過程中加強對學生學習過程的監控和反饋，完善互動討論渠道，對存在學習風險的學生進行監督和提醒；注重有針對性地指導和輔導，避免問題的積累，避免學生陷入惡性循環。

4 結語

高校教學融入大數據分析，能夠幫助教師精準地了解學生學情，掌握教學不同環節中學生的學習動態。從源頭上多角度對教學過程的數據進行分析，深入挖掘數據中蘊含的學生在學習過程中各項行為的特征，以及特征背后隱藏的信息，有利于教師合理設置教學環節和規范化管理學生，優化教學過程，提高教學質量。

基金項目：2022年廣西民辦教育科學規劃課題“基于線上教學平臺數據分析的民辦高校教學策略研究”（項目編號：2022MBZX24）。

參考文獻：

[1]呂婷，朱山立.數據分析視角下高職學生在線學習行為案例研究[J].電腦與信息技術，2022，30（01）：66-69+76.

[2]劉曉坤.基于大數據的精準教學策略研究——以汽車構造課程教學為例[J].汽車維護與修理，2023（18）：29-31+33.

[3]張婧，羅鑫，張婉欣，等.基于學習通平臺的學習行為分析研究[J].信息與電腦（理論版），2024，36（01）：245-247.

[4]程光勝.基于超星學習通平臺高職學生在線學習行為與學習效果的實證研究[J].安徽開放大學學報，2022（04）：30-36+47.