远程教育中斯金纳程序教学法的一种优化实践

2015-05-27刘骥乐张文辉

中国教育技术装备 2015年20期

◆刘骥乐张文辉

作者：刘骥乐、张文辉，北京邮电大学教育技术研究所（100876）。

1 前言

美国著名教育心理学家斯金纳基于操作行为主义理论和强化原则提出的程序教学法，其影响从20 世纪50年代起直到现在。目前，随着教育信息化的快速推进，程序教学在网络教育平台中的应用也越来越常见，尤其是在面向成人的远程教育中，斯金纳程序教学法帮助教师有效地提高了教学效率。然而，在实际的实践过程中，程序教学并未有达到预期的教学效果，这说明该教学思想仍然存有一定的不足等待被补充或完善。

学习分析是近年来教育技术领域内的新热点，它是运用先进的分析方法结合数据以及模型研究学习者投入的情况、绩效和学习进展情况，以期及时将研究结果用于修订课程、教学和评估[1]。学习分析理念的提出恰好可以运用在远程教育平台中，从客观信息的基础出发，去了解程序教学活动中学习者的真实进展情况，从而结合程序教学的不足，探索出一套适合远程教育平台的优化方案。

2 斯金纳程序教学法

斯金纳程序教学法的兴起程序教学法最初源于鲁莱西设计的一种进行自动教学的机器，他试图运用该机器替代或者辅助教师的部分工作，从而节省时间和精力，然而这种设计在当时并没有引起重视和关注。二战以后，美国的资本主义制度发展到了垄断阶段，为了最大限度地获取利润，必须充分地激发人的潜能去提高生产效率，才能满足资本家们的需求。这种追求高效率的思想也逐步扩散到教育领域中，因为在当时学生的数量越来越庞大，而教师的数量已经不能满足社会的需求，从而教育也必须注重效率，传统的教学方法也迫切需要改变。1954年，斯金纳从行为主义理论角度提出了程序教学法，恰好应对了当时传统教学效率低下的弊端，在教育领域引起巨大的影响并且被推广到其他国家的中小学教育中，从而有力地促进了程序教学运动的发展[2]。

斯金纳程序教学思想斯金纳的程序教学思想主旨是以操作反射条件和强化原则理论来设计教学机器和编制程序教材，并强调强化对学生自主学习的积极作用。程序教学主要分为两类：直线式的程序和分支式的程序。斯金纳程序教学属于前者。其特点主要是把学习材料由浅入深地直线地编排，并把这些学习材料分成许多连续的步子，然后呈现给学生。在呈现每一个步子时，要求学生进行应答反应，如果答对了，机器就给出正确的答案，然后再进到下一步。每个学生都要按照机器规定的步骤，层层递进地学习，最终完成材料中的所有学习内容[2]。

然而，程序教学毕竟是在20 世纪五六十年代提出的教学思想，随着时代的发展，它在实际教学实践中的不足也逐步显现出来，通过总结归纳，主要有以下两点。

1）缺乏对人性的认识。斯金纳本人极度崇尚科学主义，认为人的行为规律完全可以用科学的方法来度量，而至于人的心理、情感、性格等不可度量因素只能被当作黑盒子被忽略。实际的教学中，学生自身的属性以及学习风格是需要得到分析认知的，才能真正有效地做到个性化指导教学，仅从学生的学习结果和学生的自我认识来做程序教学还是太过浅显[3]。

2）师生之间缺乏交流。在教学实践中，学生极其需要和教师沟通交流在学习过程中发生的问题，以及对自身学习能力的评估。然而，事实上参与程序教学活动的学生只是单纯地与教材联结，教师仅仅只是做教材的设计，学生与教师之间严重缺乏交流，并不利于教学活动的可持续发展[4]。

因此，斯金纳的程序教学法延续到今天必须要结合时代的需求才能在实践中获得良好的效果。现今，随着科学技术的快速发展，程序教学的呈现形式也在不断地更变，由传统的教学机器迁移到计算机上，又由线下的程序教材转变到线上的网络化资源，虽然程序教学的呈现形式变得越来越新颖，但是这些形式的转变并没有为程序教学的不足带来实际的解决方案。现代教学的思想逐步超越行为主义向认知建构主义发展，注重构建学习环境，强调以学习者为中心，激发学生学习的主动性才是目前教学的重心[3]。而程序教学新的发展思路也应该从关注教学机器和程序教材的开发，逐步走向优化系统教学设计上来。

3 学习分析的概念

学习分析是近年来在教育技术领域内备受关注的热点，目前在教育学术界尚未形成统一的界定概念。学习分析研究协会（SoLAR）对学习分析技术的定义为：测量、收集、分析和报告关于学习者及其学习情境的数据，以期了解和优化学习和学习发生的情境[5]。美国高等教育信息化推进组织E-DUCAUSE 对学习分析的描述是：使用数据和模型预测学生学习进程和绩效以及使用该信息进行干预。尽管专家们对学习分析的理解有一定的差异，但是总体来说，学习分析的概念可以简单总结为：运用先进的分析方法结合数据以及模型研究学习者投入的情况、绩效和学习进展情况，以期及时将研究结果用于优化学习以及学习情境[6]。

学习分析作为一类教学技术的集合，与传统教学技术不同的是，它同时面向于学生和教师。学习分析技术通过学生参与系统或平台学习过程的数据提供分析和建议，从而有助于教师提高教学质量和学生提高学习效率。因此，在远程教育中，可以尝试运用学习分析探索一套优化方案，联结学生与教师，从而补充传统程序教学的不足。然而，学习分析与程序教学结合的设计则应该从教学研究目标和系统自身特点出发，才能因势利导，使程序教学运动走向可持续的发展。

4 学习分析的设计

虚拟实务系统是北京邮电大学网络教育学院面向成人培训的远程教育平台，在该平台上的实验课程都是基于斯金纳程序教学思想来设计的。本次研究主要是先选定其中的一门实验课程——路由器配置实验进行设计与实施，而后再拓展到其他实验课程。

首先，应该结合学习分析的理念和模型，从整体出发，对虚拟实务系统做系统化设计。系统化设计应该分模块地梳理，每一个模块之间的联系是紧密结合的，如图1所示。

研究目标和系统特点首先，由研究目标可以清楚地知道教学管理者的学习分析需求。笔者通过与该系统的教学管理者张老师访谈交流得到教学研究目标，其中要点主要可以归纳为两点：第一是如何根据学生的注册信息以及在线学习记录等数据，对学生进行分层教学；第二是参与实验课程学习的学生通过分层后有哪些个性化差异。

然后是对虚拟实务系统特点的分析。虚拟实务系统是面向成人教育的网络学习平台，其中含有登录模块、注册模块、课程学习模块、学习资讯模块等。本次研究主要选取的是登录记录、注册模块中的用户数据库表，以及课程学习模块的学习记录等数据信息进行分析。

数据采集以及数据预处理从研究目标和系统特点出发，笔者选定参与过路由器配置实验的其中一个班级的数据记录为研究对象，该班级的总人数为50 人，所要采集的数据主要有两个方面：首先是学生第一次进行路由器配置实验的完成学习的时间；其次是该班级学生的注册信息以及登录信息。之所以选取第一次参与实验的记录数据，是因为学生第一次做实验得到的记录信息是最自然的，没被外界的因素干扰，更有利于做数据分析。

数据的预处理主要是对学习记录表中无用的信息进行清理。本次研究主要的对象是学生第一次完成路由器配置实验的情况，事实上，通过对数据的采集发现，实验课程的完成率达到90%以上，只有极少数人不能顺利地完成实验，而这些人的数据将暂时不纳入研究的对象中。

数据分析和可视化报告数据分析和可视化报告的实现是在SPSS 软件上进行的。SPSS 统计分析软件集数据整理、分析功能以及图表绘制于一身，恰好可以满足本研究的功能需求。数据分析的实施要根据实际的学习分析需求制定一个清晰的数据流程，如图2所示，才能确保分析工作顺利地进行。

在虚拟实务系统数据流图中可知，主要工作分两步。

第一步分析工作是先对用户注册信息进行R 型聚类，通过对学生自身属性变量相关度的分析来降低用户注册信息表的维度，其目的一方面是通过筛选掉冗余的属性变量，降低后期分析工作的复杂度；另一方面从系统设计角度出发，减少一些冗余的注册信息，方便下一期的学生注册，同时也保护了学生更多的隐私。

第二步分析工作是研究工作的重心，通过将学生有效的注册信息和学习成绩的结合进行Q 型聚类，从而使学习品质相似的学生自然分层，进而做个性化差异分析，最终满足教学管理人员的需要。

教师干涉和效果评估课程的教学管理人员得到反馈后，可以直接根据可视化报告重新制定教学的策略并对学生做个性化指导。效果评估的方式则可以通过问卷调查的形式，由学生直接反馈教师干预后的教学效果。

然而，这样一个整体的分析过程并不是一次性的，而是一个循序渐进的过程，每一次的学习分析都会产生新的问题需要解决，只有不断地迭代发展，才能完善整个系统的教学设计。

5 学习分析的实施

研究样本的整理研究样本中开始选定的班级人数为50 人，实际完成路由器配置实验的人数为46 人，其中4 人因未能完成实验将不被纳入研究目标数据中。学生学习记录信息主要是通过在虚拟实务系统的平台日志记录中查询获取，注册信息和登录信息则通过在后台数据库表中查询得到。其中，学生的实验成绩数据是以学生完成整个实验的时间为主要评价标准，因为该系统的实验课程设计是基于斯金纳程序教学思想的，所以最直观衡量学生学习效率的依据是学生单次完成实验课程的时间，同时也是学生的实验成绩。

笔者通过对后台数据库的查询发现，注册信息表有七组变量，分别是“用户名”“密码”“年龄”“工龄”“学历”“专业背景”“电子邮箱”；而登录信息表有三组变量，分别是“用户名”“访问IP”“登录时间”。

由学生注册信息表可知，学生自身属性能影响到学习成绩的变量有四个：“年龄”“工龄”“学历”“专业背景”。其中“工龄”指的是学生参加工作时间的长短，而“专业背景”则着重强调学生过去专业的经历是否与计算机或者通信专业相关。登录信息表则可以结合平台日志记录查询得到学生第一次参与实验课程的学习记录。

R 型聚类分析R 型聚类指的是对变量聚类分析，可以实现变量减少的方式，从而达到降维的目的。目前，清楚地知道有四个变量可能影响到学生的学习成绩，然而并不是这四个变量的数据全部都要纳入分层的聚类工作中，很可能存有一定的冗余，所以先通过R 型聚类了解它们之间的相关关系，从而筛选出真正有效的变量信息。在表1 中，由于“学历”是类别变量，可以采用数值编码的方式将其转变为间距型：“大专或以下”（1），“本科”（2），“研究生或以上”（3）。再进行R 型聚类，聚类的结果如表1所示。

从表1 中可以明确看出，“年龄”与“工龄”之间的变量相关系数为0.967，是表中最大的，二者选取一个纳入分析即可。根据与教学管理者的交流得知，“工龄”的数据比“年龄”的数据误差要大一些，因为有的学生参加工作未满一年也是按照一年算的，所以选取“年龄”的数据进行分析更优一些。因此，通过降维后的有效注册信息变量有三个：“年龄”“学历”“专业背景”。而这三项变量将纳入到下一步的Q 型聚类分析工作中。

表1 相似矩阵关系表

Q 型聚类分析Q 型聚类即分层聚类，是指对样本聚类，使相似特征的样本聚集在一起，差异大的分离开。有效的注册信息和学习成绩都是学生参与系统学习的显著特征，故二者的变量值应该结合起来进行聚类分析，其样本统计样例如表2所示，专业背景中的“1”代表的是与实验课程相关，“0”则是不相关。

表2 聚类样本统计样例表

以表2 为基础，通过SPSS 分层聚类方法，预设分为3 ～5类，结果得到分为4 类的差距明显、效果最佳，每一类的基本情况如表3所示。

依据表3 聚类结果显示，样本中最显著的差异就是专业背景，其中第一、三类是有专业背景的，而第二、四类是无专业背景的，再依据此结果绘制雷达图，如图3所示。

由图3 中的左边的雷达图可以得知，在学生有专业背景时，他们的学习成绩主要受年龄和学历层次的影响。再根据右边的雷达图可知，在学生无专业背景以及学历背景差距不大的情境时，他们的学习成绩主要受年龄影响。

由图3 和表3 的比较结果可知，教师在面向第一、三类学生进行教学时，教学方法上可以不做过多的调整，然而针对第三类学生时间长的问题上，可以采取不同达标标准的方式鼓励学生学习。根据与教学管理者的交流得知，年纪大的学生并不是学习能力上比较差，而是操作上来说相对年纪小的学生较慢，而对于第一类已经达标的学生，教师可以建议学生提高学习进度，进入下一个实验课程。