数据化学习环境下面向个性化学习的精准教学模式设计研究

张忻忻，牟智佳

（江南大学，江苏 无锡 214122）

一、数据化学习环境下教与学的转向

网络技术和移动技术的应用普及使得学生的学习环境由早期的多媒体环境走向数字化学习环境，学习时间和空间都得到了延伸和拓展，学习方式也呈现多样化。而近年来大数据技术、计算科学和人工智能的发展与融合使得各类数据得以被记录和存储，数据呈现出大量化、多样化和快速化等特征。在教育领域中，学生的全学习过程数据、课堂教学过程数据和教务管理数据等各类数据有了被记录和分析的可能性，学习生态环境逐步由数字化学习环境过渡到数据化学习环境。在该环境下，教师的教学活动设计将由经验性转向精准型，基于学生的预学习表现设计内容实现因学定教，教学方式也将从群体教学转向差异化教学以及个性化教学。而学生的学也将从统一步调学习转向个性化学习，基于数据分析挖掘学生个性优势，从而实现学生的多元智能发展和核心素养的品质养成。

二、传统环境下的精准教学指导原则及其困境

精准教学是通过计划教学项目来满足个体儿童或在获取和维持一些技能方面存在困难的年轻群体学习需求的一种教学方法［1］。精准教学模式整合了监测功能，能够对所教授内容的效果进行评估。该模式可以在基础教育中进行应用，适用于具有清晰教学目标且能够被模块化分解的课程。其理论支撑是维果斯基的最近发展区理论，即为儿童提供的学习材料要具体明确，确保在他们可接受的范围之内。精准教学同样借鉴了Haring和Easton的学习层次结构理论，该理论说明了如何使新的学习需求在有效维持之前能够流畅地展现出来。

（一）精准教学的指导原则

精准教学可以总结为基于显示在标准加速图表中的自我持续监测表现频率进行教育决策调整［2］。它并没有说明应该教授哪些内容以及如何开展教学，相反，它展示的是一种评估教师所开展课程与教学策略的系统方法，以确定教学计划是否有效。精准教学提出者Lindsley从斯金纳行为实验分析中借鉴了五大原则［3］，具体内容如下：

1.学习者最了解学情

精准教学最根本的指导原则是学习者知道教学效果是否有效。当一个学生学习不断进步时，这种教学对该生是合适的，相反，如果学习停滞不前，则需要改变教学策略。作为教育者，尽管依据很多研究文献和经验可以进行预期较好的教学设计，但只有当学习者实际取得进步时才能使教师确信该教学设计是有效的，可以持续不断地进一步优化。相对于精准教学中可视化显示面板所揭露的与学习目标相关的学习表现信息，学习者最了解自身的学习状况，其自我反馈信息要比学习测量信息更为可靠［4］。

2.注重直接的可观察行为

要能够清晰了解学习者的进步，需要对学生的可观察行为进行直接测量。在一些以提高学生技能为目标的课程中，学生的学习行为可以观察测量。然而，对于一些非显性技能类的课程或活动，学生的行为并不容易观测，教师需要让学生将内在学习行为外化出来，如让学生将默声阅读变为大声朗读，以便采用编码方式对学生口中输出的词汇进行记录检查［5］。因此，只有当学生的行为能够被观察、统计和记录时，精准教学才能够得以顺利实施。

3.使用频率作为行为观测的统一标准

在精准教学中对学生行为和进步的评价是通过评价时间段中每分钟可观察的行为频率分析得到的。相对于较早的测量方式，频率数据在教育应用中有较多优势，如通过正确率来判断知识掌握情况［6］。应用频率数据测量的有效性体现在两个方面，一是流畅性行为表现持续时间更长，特别是在长时间任务阶段中需要学习者一直保持较好的学习状态，在新学习情境下该方式不易受分心因素的影响；二是为每个学生提供一个完整的频测数据以验证教学内容是否有效，例如两个同学解决数学问题的正确率都为100%，然而在规定时间内，两人解决问题的数量存在差异，这说明仅看结果数据并不能发现学习问题。

4.应用学习模式评价的标准图表

对学习者日常学习进步评价的有效方式是应用标准图表进行观测。斯金纳最早使用标准方法来展示学生的学习行为，并由此开发了一个累计记录器。该电子设备能够以一种标准测量方式自动绘制研究对象的行为表现。Lindsley采用了这种测量模式，并融入了可视化理念进而创建形成一个标准加速表，该表能够根据时间和进步的变化进行变速记录。该表的横坐标显示学习日期，纵坐标标识每分钟的统计次数，可以是0-400，也可以是0-0.8，根据要观测的学生范围对数字区间进行调整。

5.对影响行为的环境条件进行系统化描述与分析

要建构和操作有效的教学环境需要对环境中可能影响行为的因素进行描述和分析。斯金纳曾采用标签方式对环境中影响行为的元素进行分类，并对一些行为进行积极的强化以提高行为发生的频率［7］。然而，强化物并不能像其它因素一样以一种特定方式影响行为。为解决该问题，Lindsley通过设计两个平行的系统来描述教学环境中的元素，其中系统一环节包括情境、事件前、活动周期、事件后，系统二环节包括情境、刺激、反应、结果，通过对比探索查看其中干预计划是否对行为产生实际影响［8］。

（二）精准教学设计所面临的困境

精准教学设计原则为开展差异化教学和个性化教学提供有益的参考。然而，随着数字化学习的普及、新型教育理念的发展和人工智能技术的逐步成熟，已有的设计原则并不能够直接应用到当前教学设计中，在数据、理论、分析技术等方面还存在着现实困难，具体包括以下四个方面。

1.学习行为数据的匮乏

学习行为数据是精准教学得以顺利开展的必要前提和实施依据。以往精准教学中，对学习者行为的测量主要集中在可观察、可外化、可统计的显性行为数据，无法对学习者内在学习行为表现进行观测，学习行为数据的类型也局限在频次上。学习行为数据的匮乏一方面不能全面揭示学习者真实的学习结果，另一方面基于有限数据的分析并不能全面了解学习者的内在学习需要，进而影响教学的精准性。

2.学习理论支撑的薄弱

Lindsley所提出的精准教学思想主要依据维果斯基的最近发展区理论和斯金纳的行为主义理论。在关注对象上，侧重于学习行为的刺激和强化，忽视学习者内在学习感知。学习理论的发展史说明仅依靠某一学习理论设计教学并不能取得较好的学习成效，各理论具有优缺点，需要针对特定的单元主题内容设计合适理论支持的教学活动内容。此外，随着学习科学的发展与确立，需要依据社会建构主义理论、人本主义学习理论、情境学习理论等设计教学和学习环境，为学习者提供知识建构、情境认知的支持，促进其概念转变和对知识的深度理解。

3.学习分析技术的单一

精准教学在数据分析上采用标准测速表进行刻画分析，在缺少技术支持的条件下，该方式能够在一定程度上发现学习表现特征。然而，在数字化学习环境下，特别是教育大数据和学习分析背景下，数据的采集手段、记录方式和分析方法都发生革命性变化。学生的学习方式也由原来的正式学习转变为正式学习和非正式学习相结合的模式，学习行为数据被学习时间、学习空间和学习终端分割，需要自适应学习技术、自然语言处理、机器学习等学习分析技术对学习行为进行挖掘，以获取到学习者的真实学习状况。

4.学生个性特征的忽视

对学习者个性特征分析的程度决定了教学促进个体学习的精准性和有效性。尽管精准教学试图对影响学习的环境因素进行系统化描述和分析，但忽视了学生作为学习主体在学习材料和任务上所表现的内在区别。学习者在学习方式、学习风格、认知水平等方面存在个体差异，这使得为学习者提供差异化教学需要关注学习者的个性特征。在把握学习偏好的基础上，可以为学生提供个性化学习内容和学习活动，使学习者能够以符合自身特点的方式进行高效学习。

三、数据化学习环境下的精准教学设计取向

新媒体技术的兴起与应用使得学习环境由原来以物理空间为中心的封闭式学习环境转向以学习者为中心的开放式学习环境，而数据科学和计算技术的应用逐步将这一开放学习环境演变成以数据分析为支撑、以学习者为服务中心的数据化学习环境。在该环境下，从学习的起点到学习的终点，全学习过程所产生的学习行为数据都将以不同采集方式被记录，而人工智能、用户建模和教育数据挖掘技术为学习者数据测量、推理和实施提供了高度复杂的方法。因此，精准教学需要在数据、理论、目标等方面设计新的内容，以适应新的学习环境。

（一）以不同情境下的多元数据为采集来源

在当前数据化学习环境下，要为存在差异的学习者提供有效和精准的教学设计，需要搜集不同学习情境的学习行为数据并进行实时分析，以及时调整教学内容和实施动态干预。在学习行为数据采集来源上，需要对课堂学习表现数据、网络学习活动数据、移动学习状态数据等方面进行汇聚，形成学习档案数据库。在学习心理数据采集上，要对个人体征数据、学习情感数据、学习表情数据等方面进行整合，以刻画个体学习心理状态。基于学生学习状态和心理特征数据，可以为教学内容的差异化组织和学习路径的个性化设计提供科学依据。在采集技术上，通过平台采集技术、物联感知技术、图像识别技术和视频录制技术等对各类学习数据进行采集与聚合，为后期分析与挖掘提供数据源支持［9］。

（二）以建立学习者模型为逻辑起点

学习者是教学活动任务的服务对象，学习者的个性特征决定了教学内容的组织方式和实施进度，因此要提高教学的精准性首先需要把握学生的个性特征，建立学习者模型。随着计算技术的发展，适应性系统和智能系统得到进一步应用，然而两者面临的共同挑战是，先要建立有效的学习者模型，用来测量和捕捉相关学习过程特点；其次是创建合适的推理机，来连接学习者模型特征值和适当调整的教学系统。学习者模型复杂程度差异较大，可以是基本的模型，仅包括一个或几个用于调整教学的学习者特征（如先前知识、学习风格和学习动机），也可以是更加先进、高度动态的模型［10］。在应用技术上，通常使用人工智能和机器学习技术来动态创建学习者模型，这种技术可以用于识别学习者特点和行为模式，并将这些模式融合在学习者模型中。

（三）以教学信息实时处理为过程支持

教学过程中不仅需要学习数据和学习技术的支持，还需要教学信息技术对相关数据进行实时处理分析，以实现动态化教学。教学信息处理是基于信息科学、数理科学的理论和方法，对教学系统中的各种信息进行处理，并将这些结果有效地用于完善教学系统的设计、控制和评价中。教学信息处理包括教材分析、教学结构分析、测评分析、学生应答分析等，通过具体的分析工具和方法实现对教学过程的量化分析。在教育信息处理时，不仅要注重教学过程中的各种行为，更要注重产生这种行为的认知过程，应将对行为表现的分析和处理逐渐转换为对学生内在认知特点和认知过程的分析。

（四）以人工智能和数据挖掘为技术支持

数据化学习环境下学生的学习行为具有生成性和实时记录特性，而要对学习行为数据进行智能化分析需要人工智能技术和数据挖掘分析作为技术支持。人工智能的关注点是像学习者一样推理，模拟人类的推理过程。人工智能在教育中的作用是提供大量实现不同水平学习的自动化设计应用。而在数据分析方面，还需要教育数据挖掘技术提供支持，它是开发探索来自教育环境的独特数据类型的方法，用这些方法可以更好地理解学生和学习环境［11］。在分析方法上，数据挖掘分析包括预测、聚类、关系挖掘、模型发现、文本挖掘等，基于这些分析方法可以把握学生的真实学习特性和规律，实现因学定教的设计取向。为了使分析结果更加直观和易于理解，还可以通过数据可视化方式进行展示，根据分析目标采用2D区域、时态、多维、分层、网络等不同可视化方法进行呈现，便于了解个体和群体特征变化［12］。

四、面向个性化学习的精准教学模式设计

教学模式是教学系统设计中的一个重要环节，它是在一定教育思想、教学理论和学习理论指导下，为完成特定的教学目标和内容而围绕某一主题形成的比较稳定且简明的教学结构理论框架及其具体可操作的教学活动方式［13］。精准教学模式是在承续以往以教为主的教学模式的基础上，整合教育大数据、学习分析和人工智能等思想形成的以服务个性化学习为目标的教与学活动理论框架。精准教学模式设计的基本假设包括：（1）教学模式以帮助学习过程而非教学过程为目的；（2）教学模式是学习数据集驱动下的教学活动动态设计；（3）不同类型的学习目标需要不同类型的教学。基于上述假设，我们认为精准教学模式是为教师提供有效教学指导，但其核心是数据集驱动下的以学习者为中心的设计思想，依据学生个性特征数据和学习行为数据设计学习活动，基于学习反馈动态调整教学，最终实现学生个性发展。

（一）以支持个性化学习为服务宗旨

个性化学习是数据化学习环境和智慧学习环境在学习服务上发展的内在旨趣。在大数据时代，要使精准教学具有可持续性和生命力，需要结合数据科学和计算技术，以个性分析为起点，以支持和满足个性化学习为目标导向。Keller最早提出个性化教学系统，认为我们所拥有的数据可以使个性化教学得以生存下去［14］。个性化学习从自适应和智能技术领域获得了当前的研究和方法。在支持个性化学习的系统支持上，智能辅导系统为开展个性化学习探索提供实践抓手。该系统集成了人工智能技术的三个组件，包括学习者模型、领域模型、教学模块或辅导模块。因此，依托智能导学系统，可以使精准教学更具可操作性，并能够有效支持个性化学习。

（二）面向个性化学习的精准教学模式设计

教学模式研究者认为每一种模式都有其优势，但都无法满足所有需求。教学模式是多种多样的，有的教学模式只能实现某个或某几个教学目标，有的可能会实现更多的教学目标，不同的教学模式可能具有相同的教学目标。在数据化学习环境下，我们整合翻转课堂、大数据与学习分析、自适应学习技术、教育信息处理等新型教育理念和分析技术，设计面向个性化学习、促进学生掌握概念和自我发展的精准教学模式，如图1所示。该模式秉承因学定教的理念，以学习者模型生成与数据更新为设计核心，以基于生理数据的学生个性分析为起点，设计包含课前学案设计与结果分析、课中教学互动与差异化指导、课后个性化自主学习等环节的教学流程。其中课前环节主要是通过设计差异化活动让学生掌握认知水平内的基础知识，并基于学习内容完成度、知识薄弱点和活动参与度设计差异化学习目标。课中环节主要是通过课程主题内容选择教学方式，并基于差异化目标进行学习问题分析和学习测评，依据结果直接指导教学。课后环节则是依托自适应学习平台让学生进行自主练习，基于平台中的个性化学习资源推送和学习路径进一步促进 知识内化和概念掌握。

图1 面向个性化学习的精准教学模式

五、目标导向的精准教学模式实现路径

从设计视角上看，教学是嵌于有目的活动中的促进学习的一系列事件［15］。从目标视角上看，教学是一项有目的的理性行为，教学的理性涉及教师为学生选择“什么”目标，教学的目的性则关系到教师如何帮助学生达成目标，即涉及教师创造的学习环境、提供的教学活动与经历等［16］。最常用的教育目标模型是以拉尔夫·泰勒的工作为基础建立起来的，他提出，陈述目标最有用的方式是用术语来表达目标，这些术语表明学生需要发展的行为种类［17］。教学目标的差异性决定了达成不同教学目标需要组织与之匹配的教学活动内容，因此精准教学在教学目标上采用分类教学，具有目标导向性，包括行为目标导向下以知识为中心的教学、生成性目标导向下以问题为中心的教学和表现性目标导向下以活动为中心的教学。根据Rex Heer对布鲁姆教学目标分类理论完善后的框架［18］，在知识维度，行为目标侧重事实性知识和概念性知识的掌握，生成性目标侧重程序性知识的掌握，表现性目标侧重元认知知识的掌握；在认知过程维度，行为目标侧重记忆和理解，生成性目标侧重应用和分析，表现性目标侧重评价和创造。三类目标在知识和认知过程中的阶段划分并非具有割裂性，而是具有承续性，是从初级阶段的知识掌握逐步演进到高阶段的知识创新。

（一）行为目标导向下以知识为中心的精准教学模式

行为目标强调要用一种最有助于学习内容和指导教学过程的方式来陈述目标，而陈述目标最有效的方式是既指出要使学生养成的那种行为，又言明这种行为能在其中运用的生活领域或内容［19］。该目标的理论基础是行为主义学习理论和认知主义学习理论，其内在的学习隐喻是知识获得，强调学习是信息加工者，教师是信息的施予者，学业成绩的考核可以确定学生所掌握的知识。该目标指导下的精准教学模式吸收程序化学习的思想，即学习活动由小步骤学习任务构成，学习者通过自定步调的方式一步步完成学习，并在每个学习任务中获得即时反馈。美国教育专家Bruce Joyce等通过对大量教学模式的总结和分析，依据模式是指向人类自身还是指向人如何学习的标准，将教学模式分为行为系统类教学模式、信息加工类模式、个体类教学模式和社会类教学模式。在教学模式参照指导上，行为目标导向的精准教学模式以掌握学习模式和直接指导模式为基础进行再设计。

在行为目标指导下，以知识为中心的精准教学模式步骤包括课前的学习任务框架、微视频学习、知识点测评练习和课中的知识呈现、组织练习、个别指导练习。该模式基于翻转课堂理念，以知识学习和内化为中心，通过导向、自主练习、呈现、组织练习等阶段完成对新知识和新技能的掌握和巩固。其中学习任务框架环节是明确学习任务，建立学生的责任意识，具体包括提供给学生课程目标及需要达到的技能操作水平、陈述课程内容以及与以往知识或经验的关系、明确学生在活动中的责任。微视频学习环节是让学习者课前掌握基础知识与技能。知识点测评练习环节是对所学基础知识进行练习测评，筛选出迷思概念问题。知识呈现环节是教师讲解新的概念或技能并演示和举例，解决学生迷思概念。组织练习环节是教师通过详解例子的每个步骤来引导学生，并对学生的反应做出反馈，强化正确反应，纠正错误以及提出学习目标。个别指导练习环节是学生通过独立练习进一步强化巩固新知识以达到熟练应用程度，教师对个别学生提供纠正性反馈。各步骤的教与学行为数据及其技术支持见表1。该模式的实施需要个性化学习诊断系统提供支撑，其精准性在于通过该系统对学习者的知识点掌握状况进行实时监控和诊断，生成雷达图分析报告，帮助学生查漏补缺。

表1 以知识为中心的精准教学模式步骤与技术支持

（二）生成性目标导向下以问题为中心的精准教学模式

生成性目标关注的不是外部事先规定的目标，而是强调教师根据课堂中的学生表现和教学的实际进展情况提出相应的目标。相对于行为目标关注学生的学习结果，生成性目标关注学生的学习过程。该目标的理论基础是认知建构主义学习理论，其内在的学习隐喻是知识建构，强调学习者是在探索问题理解的过程中建构所学知识。在课堂教学情境下，学习者是意义的制定者，教师是问题认知的引导者和支撑者［20］。在教学模式参照指导上，生成性目标导向的精准教学模式整合了科学探究和归纳思维为主的信息加工类模式和非指导性教学的个体类教学模式。

以问题为中心的精准教学模式步骤包括问题确立、问题表征建模、问题决策、归纳思维和学习评价。其中问题确立是通过教育实践、文献资料、社会实际等方式调查了解所要解决的问题，并通过信息查询搜索解决问题所需要的信息。问题表征建模是通过可视化工具、系统建模工具、语义网络、概念图等方式对问题空间进行表征，创建问题模型［21］。问题决策是应用数据分类思想，通过问题识别、变量分析、产生可选的选项、评价选项等过程对方案进行选择判定。归纳思维设计的目的在于指导学生形成概念、学习概念以及应用概念，该过程通过解释资料、确认关系、探究关系、做出推论等方式培养学生关注逻辑和知识本质的能力。学习评价是以评估量规为标准，以问题解决过程数据为分析来源，对自主探索和小组协作过程进行绩效评估。该模式中各步骤的教与学行为数据及其技术支持见表2。该模式下的精准性在于通过学习分析仪表盘揭示学生概念和逻辑思维形成的困境，应用支架渐隐策略帮助学习者完成问题解决。

表2 以问题为中心的精准教学模式步骤与技术支持

模式步骤 教与学行为数据 采集技术 分析方法问题决策 对话交流、互动文本 语音分析、文本分析技术 自然语言处理归纳思维 教师提问、学生应答状态 可穿戴设备技术 统计分析学习评价 学习路径、反思报告 学习管理平台技术 网络图模型分析

（三）表现性目标导向下以活动为中心的精准教学模式

表现性目标是让学生在参与多个学习活动之后所获得的结果，其关注的是学生在活动中表现出来的某个方面首创性的反应形式，而非事先规定的结果。活动理论的主要假设是不能在活动发生的情境脉络之外对活动进行理解或分析［22］。该目标需要为学生提供活动的情境和场域，学习者自主或协作探索感兴趣的问题。该目标的理论基础是社会建构主义和情境认知理论，其内在的学习隐喻是社会协商和参与实践共同体，学习者在活动过程中进行社会性对话和交谈协商。该类目标不像行为目标那样是封闭性的，而是开放性的，其重点是学习活动过程和结果。在教学模式参照指导上，表现性目标导向的精准教学模式以合作学习为主的社会类教学模式为设计指导。

以活动为中心的精准教学模式步骤包括活动任务、学习工具与资源、合作探究、独立探究、活动结果评价。其中活动任务是在特定规则下需要完成的单个或一系列交互操作过程，活动的其它步骤均围绕活动任务展开。学习工具与资源是为不同活动类型提供信息组织方式、媒体支撑和相关案例。合作探究是依托社群网络形成基于知识的社会结构，通过参与者之间的互动和意义协商来创生知识。独立探究在合作探究的基础上对个人所承担的任务进行探索分析，生成个人观点和子任务成果。活动评价既包括小组协作产生的集体成果评价，也包括个人参与和贡献的评价。该模式步骤中涉及的教与学行为数据及其技术支持见表3。该模式下的精准性是通过对学习者在活动中的参与度、贡献度、知识创新、社群网络进行精确识别测量，帮助学习者在学习活动氛围中形成紧密的学习共同体，在活动路径中进行深度的意义建构任务。

表3 以活动为中心的精准教学模式步骤与技术支持

六、结语

在传统学习环境下，要开展个性化学习需要对不同能力的学习者因材施教，教学具有主观性。而在数据化学习环境下，基于学习分析技术针对学习者差异化学习表现可以开展因学定教，教学蕴含科学性。教师的教学设计由经验假设型转变为数据指导型，教学活动过程也由预设实施型转变为动态调整型，教师的教学在内容、组织、对象等方面将更加精准。本研究对数据化学习环境下的精准教学模式和实现路径进行了理论构想，目的是将精准教学这一概念在教学设计层面进行描绘和勾画，后面将进一步探索实践层面的可实施性和可操作性，形成具有可指导、可实施、可迁移的体系方案。