基于多維貢獻量化的PBL合作成員學習評價方法

摘要：在高校實踐課程中的項目式學習（PBL） 中，有效的合作學習是培養學生團隊協作能力、創新思維和解決問題能力的基礎策略。良好的合作學習評價方法是有效評估學習成果的關鍵。傳統的PBL課程評價方式如單項評分、學生間互評等，存在“搭便車”和“個人因素”的局限性。文章面向高校PBL課程設計和開發一個基于多維貢獻量化的合作成員學習評價系統。多維貢獻量化策略，即教師通過系統可以發布PBL實踐任務、自定義維度劃分任務模塊及相應權重，系統后臺根據學生提交的工作量客觀計算成員的貢獻指標，通過機器學習評分模型輸出每個合作成員的分數。該策略獨立于課程內容和專業方向，具有客觀性和普適性。

關鍵詞：PBL教學；合作學習；學習評估；教育技術

中圖分類號：G642" " " " 文獻標識碼：A

文章編號：1009-3044（2025）24-0001-03

開放科學（資源服務） 標識碼（OSID）

0 引言

合作學習方法已廣泛應用于不同組織的各個階段，包括教育、企業培訓、創新研發和在線協作等。研究表明，積極參與、凝聚力和溝通是有效學習的關鍵[1-3]。特別在高校以PBL形式開展的專業課程（包括課程設計、畢業設計等） 中，該學習形式不僅強調學生知識和技能的培養，還融合了學習、創新、溝通、團隊合作等核心專業能力的培養。總結性學習評價是完整PBL教學體系的核心內容之一，旨在通過數據（成績） 診斷學生的知識和技能水平。對國內十余所高校的調查結果發現，在多數專業課程的協作實踐中，往往以項目作品分數來評價團隊成員的個人表現。當團隊采取自由組建且成員眾多時，不可避免出現部分成員“搭便車”現象。由于項目作品分數不完全等于成員各自的付出，導致學習能力弱的學生主動或被動地成為“搭便車者”，而學習能力強的學生不得不代替“搭便車者”付出更多努力才能獲得高分。還有部分教師采用一些針對成員的評分依據，如答辯表現、組長有更高的分數基線、生生互評等。這些措施在一定程度上改善了評價的公平性。然而，以上方法主要是教師和學生的主觀評價，同時也帶來巨大的工作量。綜上，合作學習考核方式顯然需要更科學、更客觀、更精細化的考核策略的改進。

徐玲麗等指出社會惰性行為是造成高校團隊作業中“搭便車”現象的主要原因，并研究了其在高校小組作業中的影響[4]。Chang等人為滿足E-learning環境下合作學習的需求，開發了一種模糊同伴評價系統。所有學生參與評估過程的所有階段，評估其他組的作業，并為每位學生打分[5]。Strom等人認為學生與教師應共同承擔評估團隊技能的責任。認為隊友通過觀察小組互動和相互影響情況，可以評估個人的主動性和貢獻度[6]。上述針對合作學習中“搭便車”現象的措施均是以互評制度的客觀和公正為前提，沒有考慮到人情因素在高校大學生的學習與生活中的影響。隨著互聯網、大數據和AI技術的快速發展，合作學習理念和新技術也開始了多元化的整合。虛擬團隊、在線協作、遠程合作和智能評估等逐漸成為研究和教學重點。

本文提出了一種基于多維貢獻量化的高校PBL課程合作成員學習評價方法。該方法通過研發和應用“PBL課程管理及學習評價系統”，可以避免團隊成員同分或互評的人為因素的局限，且獨立于課程專業方向，具有較強的通用性和適用性。同時，可以最大程度地擺脫師生的主觀因素，使學習評價更加準確客觀。該系統還有助于學生更加清晰地理解評價標準和學習目標，從而提高協作學習的整體效果。

1 提出的方法

高校PBL課程的教學流程主要包括以下步驟：1） 教師下達項目作業；2） 學生分組接收作業；3） 在規定時間內，各小組協作完成項目任務要求；4） 項目成果展示；5） 教師整合各維度考核結果并進行總結評價。為了提高學生的興趣和積極性，有效解決PBL合作學習中的社會惰性現象，客觀評價成員的差異表現，本文將個性化評分策略融入PBL課程各環節，設計開發了面向教師與學生用戶的Web系統。系統前端接收評分算法所需的樣本特征傳遞給后端評分模型，模型輸出每個小組成員的個性化分數后，通過系統前端傳輸給用戶端。個性化評估系統總體設計，如圖1所示。

1.1 優化小組結構和限制小組規模

合理的小組成員組成對減少社會惰性、保證小組任務成功至關重要。研究表明，學生自由組隊時，由于個人關系等原因，經常面臨任務分配不均衡的問題。另有研究表明，在合作學習時，人數越多成員的個人表現越差。在較小的團隊中，社會惰性可以得到有效抑制。本文設計了系統教師用戶在前端發布當前任務時，需要設置小組規模和任務模塊劃分規則，如圖2所示。當選擇隨機分組時，系統后端會按照“組內異質、組間同質”的模式自動分組，形成組內優勢互補、組間對抗的格局。

1.2 多維貢獻量化策略

多維貢獻量化策略是指教師在發布項目任務時，通過選擇任務的實施步驟、功能子模塊或技術子方向等多維視角，將整體任務[H]劃分為多個考核分支點[lt;P1，P2，……，Pngt;]。定義每個[lt;P1，P2，……，Pngt;]的工作量總和為100，該考核分支點的權重為[wi=1 and wi≥0（i=1，2，…，n）]，其中[wi=1 and wi≥0（i=1，2，…，n）]。每個[Pi]必須由小組全部或部分成員共同完成，即這些成員在[Pi]上的工作量為[Q1i，Q2i，……，Qri]，其中[r]為小組規模，[Qji=100（j=1，2，…，r）]且[Qji≥0]。則小組中[r]個成員在任務[H]上的貢獻向量[[C1，C2，……，Cr]]可計算如下：

[C1?Cr=Q11…Q1n???Qr1…Qrn×w1?wn]" " " " "（1）

通過數學推導，可以證明[Ci=100]。該策略使得學生在提交項目作品時，協商確定各自的子任務或共同參與完成某項子任務并將責任落實到個人，需要填報在每個考核點上的工作量，如圖2所示。該功能使成員能夠更好地發揮各自的專長，有效緩解偷懶現象。

（1） 教師端分組結構和規模設置

（2） 學生端錄入分支考核點工作量

1.3 構建個性化評分模型

通過對作者所在高校的三類工科專業的10門專業實踐課程負責人的問卷調查得出，基于群體作業的小組成員個人成績的評估依據主要來源于作業的質量和小組成員的貢獻情況兩個方面，具體包括：性別、專業、分支點權重、分支點工作量、標準小組規模、實際小組規模、作品分數。以上相關因素的數據是從“PBL學習測評系統”中的后臺數據庫中提取。

我們通過對學生個人成績的相關因素分析，抽象出的場景問題為基于多因素的單因素（個人成績） 預測任務的回歸問題。在對初始訓練樣本完成啟發式標注基礎上，選擇多模型對比實驗，最終應用XGboost回歸算法訓練初始模型。XGboost是一種基于決策樹的增強算法，屬于梯度提升（Gradient Boosting） 框架的一種高效實現。其主要思想是通過迭代構建多個弱學習器（決策樹） ，每個新學習器專注于修正前一輪的錯誤預測，并通過梯度下降和二階優化的方式來減少損失函數。正則化、樣本和特征采樣、并行化等技術則進一步提升了模型的性能和泛化能力。將訓練好的學習評估模型開發成算法工具包，封裝在“PBL學習評估系統”后端，用于對未知團隊成員的學習表現進行評分。

2 在高校PBL課程中的小組個體成員評分中的應用

將本文提出的合作學習評分系統在作者所在大學的本科教學中進行了測試。本節選取3個PBL教學場景，從多維貢獻量化策略、人機交互界面等介紹了本方法在不同專業、不同教學內容場景中的應用，以展現該方法的通用性、客觀性和高效性。

2.1 在《機器學習》實踐課中的應用

《機器學習》是醫工交叉專業的專業基礎課，每班260名學生。算法理論講授結束后進入課程設計階段。教師布置若干個實踐任務，給定問題目標、數據和評價標準，學生分組完成項目實踐任務。傳統的考核方式有小組提交成果報告、PPT匯報表演和學生互評。這種考核機制導致小組規模過大，個人得分不能準確反映實際貢獻，互評分數沒有節制地提高，偷懶者“搭便車”等現象，且教師的工作量很大。因此，以該課程為測試對象，實施本文提出的個體評分方法。具體步驟為：1） 通過與課程任課教師的深入調研，確定本次課程設計在任務模塊維度的考核分點；2） 根據任課教師的意見，選擇學生自由組隊，每組標準人數為4人，實際人數為2～5人，同時教師完成任務分支及權重設置；3） 學生開展項目，在系統提交作業時，填寫每個人在各個分點的貢獻；4） 系統后端評分模型接收小組各成員的測試樣本數據，輸出每個人的本次任務得分。

2.2 在軟件工程專業的畢業設計中的應用

另一個應用場景是軟件工程專業的畢業設計教學。筆者所在大學軟件工程專業每年畢業生人數約為300人。該專業的畢業設計內容是組建2～3人的團隊，針對導師指定的應用場景完成Web系統或Windows系統的開發。畢業設計的考核需要給予每位學生畢業設計分數。因此，該教學內容是本文所提方法的另一個典型的應用驗證場景。通過與導師的深入溝通與調研，軟件工程專業畢業設計利用本平臺進行教學的整體流程與上述案例1類似，但在畢業設計評估分支節點的設計上具有自身的特點，如表2所示。

經過多次迭代測試驗證，系統在兩個教學場景中分別達到了預期的組內個人得分95%、93%，驗證了該系統可以更好地輔助協作學習中對小組成員進行客觀、個性化的評價。

3 結束語

本文提出一種基于多維貢獻度量化的合作成員學習差異評價方法，并以該策略為設計主線，研發“PBL課程管理及學習評價系統”。多維策略普遍適用于各種學科背景的PBL協作學習場景。基于訓練樣本的集成學習模型不僅可以處理復雜的非線性問題，實現實時評分，還可以在評分的同時不斷添加新的訓練樣本，完成模型的自動迭代訓練和優化，減輕人工更新規則的負擔。最后，本文將該方法應用于不同學科背景下的PBL教學場景，測試結果表明個體評分模型獲得了較好認可度和滿意度。后續研究將聚焦在團隊協作學習過程中進行過程數據采集，揭示這些因素與個體得分之間的相關性，以此指導協作學習質量的提升。

參考文獻：

[1] 修光利，郭宇杰，侯麗敏.工程教育專業認證中非技術能力達成的教學研究：以環境工程專業為例[J].高等工程教育研究，2020（3）：74-79.

[2] 劉華，孫曉音，倪陽生.紡織類工程教育專業認證工作的實踐[J].紡織服裝教育，2018，33（6）：436-438.

[3] 白艷紅.工程教育專業認證背景下課程目標的形成性評價研究與實踐[J].中國高教研究，2019（12）：60-64.

[4] 徐玲麗，何景偉.高校小組作業中的社會惰性行為研究[J].特區經濟，2016（11）：174-176.

[5] CHANG T Y，CHEN Y T.Cooperative learning in E-learning：a peer assessment of student-centered using consistent fuzzy preference[J].Expert Systems with Applications，2009，36（4）：8342-8349.

[6] STROM P S，STROM R D.Teamwork skills assessment for cooperative learning[J].Educational Research and Evaluation，2011，17（4）：233-251.

【通聯編輯：聞翔軍】