高校理工科教师课堂教学能力评估与诊断研究

纪志荣　林玉蕊　曹彦　邓水云　傅玮韡

[摘 要]学生评教数据包含丰富的教师教学能力信息，该研究基于某高校现行的教学评价量表，利用3个学期141位理工科教师的评教成绩，诊断学生评教所关注的教师能力。因子分析结果表明，学生在评教时主要关注基本教学技能、学生满意度和高级教学技能；决策树分析得到影响评教的关键因子以及关键指标，建立理工科教师课堂教学能力诊断模型；关联规则分析得到与关键指标高度关联的指标关系。研究结果不仅有助于改进和完善学生评教的指标体系，而且对促进教师改进教学行为、提高教学能力等都具有重要的意义。

[关键词]理工科教师；教学能力评估；因子分析；决策树分析；关联分析

[中图分类号] G40-058 [文献标识码] A [文章编号] 2095-3437（2018）12-0191-04

教学质量是高等学校的立校之本，是学校生存与发展的生命线，学生评教作为高校内部教学质量保障体系的重要组成部分，已经成为教学管理的一项常规工作，为学校实施教育管理提供了重要依据。学校和教师对学生评教十分重视，但实践中仍存在一些问题，学生评教结果体现教师的教学能力结构以及其好坏的程度不够详细，导致教师过分关注评教成绩，对于教学中存在的不足以及需要改进的方向不明确，学校也无法有效开展有针对性的教师培训工作。事实上，学生评教数据包括了丰富的教师课堂教学能力的信息，充分挖掘这些数据信息，将学生的意见整合为明确的教师教学能力评估结果，具有非常重要的价值与意义。学校应该可以通过学生的评教结果了解教师的课堂教学情况和教师的整体教学水平，以便提出相应的培训方案与合理有效的教育管理措施。教师也可以根据评教结果发现自己教学中存在的不足并加以改进。

纵观国内外关于学生评教的相关研究，发现大多数都是从管理者层面或者教师经验角度出发，而从学生角度展开的研究甚少。国外的研究始于20世纪20年代[1]，主要包括学生评教的可靠性、有效性、评教指标体系是否合理以及对学生评教的影响因素分析[2]等方面，其研究方法主要有信度分析、评价量表分析、模糊集分析、因子分析以及多元回归分析等[3]。而国内相关研究则起步较晚，20多年来，众多学者对评教的有效性、评教内容、评教指标体系、评教的途径与实施过程、评教数据的处理方法、评教结果的处理与反馈以及评教影响因素的研究等进行了深入研究，其研究方法日新月异，受青睐的主要有决策树分析、关联分析、主成分分析等数据挖掘方法[4-7]。

相关研究尽管在高校教师课堂教学能力评估与诊断方面已经取得了一些成效，但是从学生视角出发，将课程按照学科分类之后的评教研究却不多见。高等教育中，理工科教学相比于其他学科，其教学内容较为枯燥，很多学生对其学习有畏难情绪，如何提高理工类教师课堂教学效果显得尤为重要。本文以某高校理工科课程教学评教数据为基础，从学生视角深度挖掘数据背后所隐藏的理工科教师课堂教学能力的评估与诊断情况。

一、数据来源

数据来源于某高校教务处提供的2015-2016-1、2015-2016-2、2016-2017-1计算机与信息学院共3个学期141位中青年理工科教师的学生评教成绩。该高校中青年教师比重较大，且中青年教师的教龄和资历都差不多，因此其评教结果具有一定可靠性。依据指标分类、教师职称结构等方式对数据进行整理，得到一个评教成绩数据库。该数据库包含了丰富的学生对教师课堂教学情况评价的信息，比如学生关注的教师语言表达能力、延伸拓展能力、丰富课堂内涵能力以及专业知识储备等，这些因素会直接影响学生评教成绩。因此，充分挖掘这些数据并进行分析，本质上就是将学生的意见加工、处理、分析后整合为较为明确的教师教学能力评估结果。

对该高校3个学期学生评教结果进行Pearson相关性分析，结果显示3个学期学生评教结果两两之间显著相关。进一步对该高校不同学期、不同职称青年教师的评教结果进行方差分析（见表1），发现不同学期的理工科教师的职称与学生评教的平均分之间并没有显著差异，即表明中青年理工类教师课堂教学能力是稳定的，所选数据合理有效。

二、基于因子分析的评教指标分类研究

基于某高校现行评价量表（表2），共17个指标，对其进行信度分析，计算得到Cronbachs Alpha值为0.988，大于0.9且接近于1，表明该评价量表指标间的内部一致性好，能真实、客观反映学生的打分情况，利用此学生评教数据分析是有意义的。

KMO与Bartlett 球度检验结果显示，KMO值高达0.97，Bartlett 的球度检验显著，数据非常适合因子分析。因子分析结果表明，前3个公因子的累计方差贡献率已达98.069%，故提取这3个公因子F1、F2、F3。根據旋转后的因子载荷矩阵对进行因子的命名与解释， 其具体指标及相应载荷如表2所示。

在F1因子上具有较高载荷的指标分别是I6、I7、I8、I9、I10、I11、I16，表示教师所必备的基本教学行为准则，故将F1命名为基本教学技能。

在F2因子上具有较高载荷的指标分别是I1、I2、I3、I13、I14，体现教师在课堂教学中应该具备的基本要求，一定程度上体现了学生对理工科教师教学水平的评价与满意度，故将F2因子命名为学生满意度。

在F3因子上具有较高载荷的指标分别是I4、I5、I12、I15、I17，体现教师教学更深层次的能力，故将F3因子命名为高级教学技能。

三、基于决策树的教师课堂教学能力诊断模型建立

决策树[8]是利用二叉树图建立决策模型，其中树的最顶层节点是根节点，每个内部节点表示在一个属性上的测试，每个分支代表一个测试输出，而每个叶节点代表类或类分布。基于各因子得分，通过决策树分析找出关键因子，得出关键指标，作为评判教师能力的依据，建立理工科教师课堂教学能力诊断模型。

决策树处理的数据属性为分类数据，故首先对数值型的因子得分进行离散化处理，分成3个区间，据此将各因子得分与理工科教师评教总得分划分为3个等级：中等、良好、优秀。

进行数据的可视化处理后得到以下结果。图1、图2、图3中3种深浅度不同的方块分别代表理工科教师评教总得分的优秀、良好、中等3等，前3个柱形图为占3个因子的各个区间的人数，柱形中不同深浅度的方块所占比例即表示理工科教师评教总得分不同等级在该处的分布。

（1）从不同颜色等级人数的比例分布看到，理工科教师评教总得分优秀，在3个因子上的颜色分布显示，3项能力成绩都至少达到良好级别。

（2）从单个因子的颜色分布看到，理工科教师评教总得分优秀全都分布在基本教学技能成绩优秀，这说明若教师基本技能得分优秀，理工科教师评教总得分也较优秀；对于后2个因子，理工科教师评教总得分都落在良好，则可以看出教师在学生满意度和高级教学技能上对理工科教师评教总得分的影响不大，所以这2项并不是理工科教师评教总得分的主要因素。

决策树结果（图3）表明，影响理工科教师评教总得分的主要因素为基本教学技能F1、学生满意度F2，将其转换成“如果—则—”，可得如下结论：

如果 F1基本教学技能的成绩中等，则成绩中等；如果 F1基本教学技能的成绩良好且F2学生满意度中等，则成绩中等；如果 F1基本教学技能的成绩良好且F2学生满意度良好，则成绩良好；如果 F1基本教学技能的成绩优秀且F2学生满意度优秀，则成绩优秀；如果 F1基本教学技能的成绩优秀且 F2学生满意度良好，则成绩优秀。

下面利用决策树分析各因子的关键指标。

（1）基本教学技能的关键指标结果显示（图4），影响基本教学技能的最重要指标是I10“授课时重点突出，难点分析透彻”，其次是I9“授课能够承上启下，按章节适当归纳，并有适当的课后要求”，再次是I8“多媒体课件设计清晰直观，板书工整规范，讲解、板书和课件演示结合得当”，这3个指标与基本教学技能直接相关，而其他指标则无明显影响。

（2）学生满意度的关键指标结果表明（图5），影响学生满意度的最重要指标是I13“上课能够合理有效安排课堂时间”，然后按照重要性程度递减依次是I2“严格考勤，有效管理课堂纪律”、I1“准时上下课，没有随意调停课和课上使用手机现象”、I3“平等地对待每一位学生”，这4个指标与学生满意度直接相关，而其他因素影响不大。

（3）高级教学技能的关键指标结果显示（图6），影响高级教学技能的最重要指标是I15“讲解、提问能有效引导学生独立思考，提高学生分析解决问题的能力”，其次是I12“鼓励学生提出问题，并能及时给予解答”和I5“在课程开始时明确地告诉学生本课程的培养目标、学习要求以及课程考核方法”，这3个指标直接影响着高级教学技能，而其他因素则无明显影响。

根据以上结论，可以对该高校的学生评教量表进行完善。对于因子F1教师基本教学技能、因子F2学生满意度、因子F3教师高级教学技能，可在不同程度上分别提高I10、I9、I8、I13、I2、I15、I12、I5的指标权重，使得该高校学生评教量表更有针对性与侧重点，同时也更有利于该高校对理工科教师教学能力的正确评价与考核。

综上，可以得到该高校理工科教师课堂教学能力评估与诊断模型（图7）。

该模型可以对理工科教师评教总得分的成因做出判断。在得知各项因子得分与理工科教师评教总得分之后，可以分析影响理工科教师评教总得分的因素。此外，也能对教师的教学表现进行预测，为教师的培训与考核提供有针对性的指导依据。

四、基于关联规则的指标关联分析

关联规则[9]能挖掘大量数据中项集间的相关联系，构建规则为X→Y，解释为若发生X则发生Y，关联规则可以发现不在人们常识范围内的相关性。可以通过关联规则方法研究关键指标和其他指标之间的关系，并找到与关键指标主要相关的指标。

利用Weka软件运行得到置信度为1的关联规则的运算（见表3）：

表中规则可以表示为“如果—则—”的形式，我们重点关注与关键指标有关的规则。

（1）{x10=A}=>{x16=A}：表示如果I10“授课时重点突出，难点分析透彻”=“优”，则I16“不仅教授知识，还传授学习方法”=“优”。

（2）{x10=A}=>{x15=A}：表示如果I10“授课时重点突出，难点分析透彻”=“优”，则I15“讲解、提问能有效引导学生独立思考，提高学生分析解决问题的能力”=“优”。

（3）{x10=A}=>{x17=A}：表示如果I10“授课时重点突出，难点分析透彻”=“优”，则I17“对学科的前沿介绍能加深学生对该学科的认识，增強学生学习兴趣”=“优”。

（4）{x13=A}=> {x3=A}：表示如果I13“上课能够合理有效安排课堂时间”=“优”，则I3“平等地对待每一位学生”=“优”。

（5）{x10=A，x15=A，x16=A} => {x17=A}：表示如果I10“授课时重点突出，难点分析透彻”和I15“讲解、提问能有效引导学生独立思考，提高学生分析解决问题的能力”以及I16“不仅教授知识，还传授学习方法”皆等于“优”， 则I17“对学科的前沿介绍能加深学生对该学科的认识，增强学生学习兴趣”为“优”。

（6）{x4=A，x5=A，x12=A}=> {x3=A}：表示如果I4“主动与学生交流，重视学生对教学的意见反馈”和I5“在课程开始时明确地告诉学生该课程的培养目标、学习要求、课程考核方法”以及I12“鼓励学生提出问题，并能及时给予解答”皆等于“优”，则I3“平等地对待每一位学生”为“优”。

（7）{x9=A，x15=A，x16=A}=>{x3=A}：表示如果I9“授课能够承上启下，按章节适当归纳，并有适当的课后要求”和I15“讲解、提问能有效引导学生独立思考，提高学生分析解决问题的能力”以及I16“不仅教授知识，还传授学习方法”都为“优”，则I3“平等地对待每一位学生”为“优”。

关联分析结果表明，有些指标是主要相关的，比如I10、I15、I16以及I17。对于理工类课程，这些是学生学习重点关注的内容，关联度最高，这在一定程度上反映了教师综合课堂能力的重点内容。这些指标分别来自不同的因子，进一步说明了3个因子间有一定的理论联系，评价量表的指标内部相互联系，环环相扣，结构严谨。其中与关键指标高度关联的指标包括I10、I3、I13、I16以及I11。这些主要来自关键因子内部，进一步证实因子分析的结果可靠有效，与理工科教师评教总得分主要相关的关键因子是教师基本教学技能与学生满意度，评教总得分起着主要的影响作用。

五、结论与讨论

教学是学生与教师的双向反馈，学生作为学校教学工作的主要受益者与反馈者，全程参与教师的教学工作，因此能更全面、直接地了解教师教学水平。本文从学生视角出发，对该校理工科教师教学能力进行评估和诊断研究。通过因子分析法从原始评教指标体系中提取出影响理工科教师评教总得分的3个主要因子即教师基本教学技能、学生满意度和教师高级教学技能，这是教师教学能力诊断的基础。基于因子分析结果，运用决策树分析法得出影响理工科教师评教总得分的关键因子为教师基本教学技能与学生满意度，关键指标为I10“授课时重点突出，难点分析透彻”与I13“上课能够合理有效安排课堂时间”，以此作为评判教师能力的依据，建立理工科教师课堂教学能力诊断模型。最后利用关联规则发掘出关联度较高的关键指标，这些指标来自不同的因子，反映了学生关注理工类课程教师的综合课堂能力的重点内容，也表明该高校的理工科评价量表的指标内部相互联系，结构严谨。本文所建立的理工科课堂教学能力评估与诊断模型，可使教师加深对自身教学能力结构及其好坏程度的认识，积极反思，以更好地开展教学。同时对高校充分挖掘学生评教信息，寻找教师教学问题根源具有重要参考价值。

[ 参 考 文 献 ]

[1] KENNETH. A.FELDMAN. Effective College Teaching from the Students and Faculties View： Matched or Mismatched Priorities[J]. Research in Higher Education，1988（4）： 291.

[2] BRASKAMP LA， ORY JC. Assessing Faculty Work[J].Enhancing Individual and Instructional Practice[M].San Francisco， CA： Jossey-Bass，1994.

[3] JANGEN J D. Student Assessment of Teaching Effectiveness[J].Improving College and University Teaching， 1966（14）：22.

[4] 岳娜莉.學生评教数据的知识挖掘研究[D].天津：天津师范大学，2012.

[5] 李丽芳.学生评教数据知识挖掘方法应用研究[D].广州：华南理工大学，2014.

[6] 潘庆先，于萍，娄兰芳.关联规则算法的研究及其在教学评价中的应用[J].烟台大学学报（自然科学与工程版），2010（2）：127-131.

[7] 曹俊.高校教师课堂教学能力评估与诊断研究：基于学生评教数据分析[D].上海：华东师范大学，2012.

[8] 陈青山.决策树算法在高校教学质量评价系统中的应用研究[D].成都：西南交通大学，2010.

[9] HAN J，KAMBER M，PEI J.数据挖掘[M].范明，孟小峰，译.北京：机械工业出版社，2012.

[责任编辑：庞丹丹]