基于学生测评数据的个性化学习模式的应用研究

上海东海职业技术学院基础部 丁 玲

在全面实施素质教育的背景下，个性化学习越来越受到教育界的关注。如何运用先进的科技手段对学生在学习过程中的测评数据进行收集和分析，指导教师开展个性化教学，以满足学生个性化的学习需求，成为当前需关注并解决的问题。近年来，致力于K12 教育的自适应学习系统是否可以受益于高职教育，给测评过程智能化带来新的契机，值得探讨。

一、个性化学习是时代的呼唤

从古至今，因材施教一直是教育追求的理想目标。随着智慧网络学习、人工智能技术的深入应用，以个性化为核心的新教育时代正在到来。国家在《教育信息化十年发展规划（2011—2020 年）》中指出：“关心每个学生，促进每个学生主动地、生动活泼地发展，尊重教育规律和学生身心发展规律，为每个学生提供适合的教育。”

个性化学习能够帮助学生在学习过程中了解自身对知识的掌握程度、优势和不足，寻找自主学习的最优路径。

二、测评数据分析的教学意义

（一）测评数据分析是支持个性化学习的有效方法

学生测评数据是教育工作者最为熟悉的教育大数据的子集之一，具有易采集、结构化程度高、分析难度小的特点，在学校教育中，被认为是教育教学改进最为显著的指标。在教学过程中对学生的阶段性学习数据进行常态化收集与分析，是发挥测评数据价值的关键。

（二）辅助教师精准地诊断教学

基于测评数据分析，教师可及时了解学生掌握知识技能的情况，进一步指导学生调整学习步伐。测评数据使教学从基于经验走向基于科学，使教学设计与实施过程更精准。

（三）有助于优化教学设计

对教育测评数据的精准诊断可以检查学生存在的不足，同时也体现教师的教学效果。教师可以反思自己教学中的遗漏点，并根据学生对知识的掌握情况等数据来改善自己的教学设计，调整自己的教学进度。

三、基于测评数据的个性化学习模式应用

本研究以本校大一新生的计算机应用基础课程为例，对学生学习过程中产生的测评数据进行分析，与个性化学习有效结合，使教师教学和学生学习建立在对测评数据分析的基础上，实现“以学定教”、学生“按需学习”。

（一）个性化学习的设计要素

1.学习资源

本研究主要借助阿里钉钉网络平台，实现“线上+线下”混合式教学。将习题及要求、课件PPT、学习清单、操作演示视频、微课视频、测试卷和模拟卷、钉钉云课堂等多样化的学习资源发布至钉钉，供学生自主学习，以实现线下教学为主、线上辅助的整合模式，突破时间和空间的限制。

2.学习目标

参照上海市计算机一级考纲要求的知识和技能范围（认知要求分为“了解”“理解”和“掌握”，技能要求分为“学会”“比较熟练”和“熟练”），依据课程目标定位，从工作任务、知识要求与技能要求三个维度对课程内容进行规划与设计。对于操作技能方面，考虑到本校高职学生入学时参差不齐的知识水平及对教学内容的掌握情况，设定A、B、C（低、中、高）三个隐性分层的学习目标，引导学生在掌握原有知识的基础上，向更高一级目标循序渐进地提升（如图1）。

3.学习方式

学生的个体差异性决定了学生学习方式的不同。借助钉钉平台，学生课后可独立学习，也可通过移动设备与同学和老师进行线上交流、协作、探讨。学生可以根据自身的学习起点、学习进度、学习目标等选择适合的、便利的学习方式，最终提高自身学习的主动参与性，打破统一教学方式和教学目标的被动学习局面。

4.学习评价

个性化学习评价不该局限于对学生期末成绩的评价，更该关注学生的学习风格、学习态度、学习倾向。评价方式不该单纯由教师对学生进行单一评价，可以多元化。本研究中，学习评价贯穿于教学过程的各个阶段，采取师生评价以及学生自评、互评的形式，过程性评价与终结性考核相结合。

（二）测评数据分析在个性化教学模式中的应用

本研究在课前、课中、课后三个环节的教师和学生的教学活动中，设计不同层次的学习目标和内容，主要借助阿里钉钉，分别从各阶段收集相关数据并分析，如学生的预习完成情况、理论题答题情况、学生在课下和课上的讨论互动情况、随堂测验、课后练习等。构建以数据为驱动、线上线下融合的个性化学习模式（如图2 ）。

1.课前——以学定教

本课程中计算机应用基础纯理论知识点的学习，安排线上自学，教师通过钉钉平台向学生推送个性化的学习资源、学习内容、测试题，帮助学生自学和预习。

教师获取学生课前测试题完成情况的数据（如图3）并分析。例如，网络基础测试（纯理论），试题满分30 分，设定答题时长20 分钟，通过分数24 分，不达标的继续学习，学习态度不端正、没有及时参加测试的学生备档并督促学习。由于钉钉没有自由选择对比的功能，利用Excel 软件将数据记录整理后分析，以可视化图表的形式，直观地呈现差别。

2.课中——优化学习过程

结合学生课前理论知识自学的情况，参考课前测试题的结果分析，对错误率高的以及本节重难点知识集中讲解，其他错题个别讲解，督促学生课后复习。课堂仔细观察学生的行为活动并记录（如讨论、互动参与度，听课是否专注，是否不做题玩手机等），以供分析学习产生问题的原因时参考。技能操作题目前无法自动阅卷，此类模块在课堂重点讲练。

任务布置上采用分层次、进阶式的方式，引导学生不断挑战。学习是不断积累的过程，本课程学习效果更能反映出学生长期以来的学习态度和付出的努力。将完成任务的过程性数据汇总统计，图形化分析后，学生之间的差距一目了然。将某知识单元做阶段性总结，用不同的图形和颜色标记成绩等级（优、良、差），用趋势线演绎学习效果。如图5，王昕霞同学用完美的数据向大家证明，“一分耕耘一分收获”，平时够认真，发挥才稳定。

3.课后——反思提升

批改课堂操作题作业后，分析学生课堂学习效果，课后借助钉钉向学生推送不同难易级别的相关习题和学习资源，以供学生复习巩固。理论知识按照“课前自学—课上讲解—课后刷题”的方式，课后提高难度，要刷到满分才通关。

4.总结性测评

经过一轮又一轮的阶段测试数据收集和分析，教师能够较为全面地了解学生的学习情况，给学生提出个性化的学习建议。学生有没有听取教师的建议？有没有认真完成每个环节的学习任务？一份包含这学期所有学习模块知识点的测试卷，能反映出学生的努力程度。如图6 的结果显示，该生在软件应用的技能方面学得很好，但理论知识学习还有欠缺。

四、不足与展望

（一）学习资源与测试题之间缺乏知识关联，不能自动推送，需搭建知识图谱

本研究中基于学习分析的个性化学习资源的推荐，是通过人工分析数据，学习资源与测试题之间缺乏知识点的联结，错题不能及时、方便地得到相关联的学习资源的自动推送，不能有针对性地强化学习。本研究周期较短，时间仓促，没能建立起复杂的知识图谱。

（二）高职学生学习缺乏主动性，自主学习能力不够

个性化学习立足学生本位，需要学生积极参与、自主学习。但研究对象高职学生普遍缺乏学习的积极主动性，学习效率低下，大多数学生需要教师频繁地督促、提醒、检测，而目前的研究缺乏智能化的技术支持，教师人工分析、处理不够专业、深入，且工作量过大。

（三）数据分析不够深入，高校缺少自适应学习系统的应用

本研究仍处于低效率使用阶段，对于测评数据的深入挖掘与质性分析研究不足，尚未将测评数据的价值最大化发挥。研究期间，钉钉不支持测试题目分析，圈子里布置的作业、互评和讨论、班群里线上投票、签到等数据都不能批量导出，这类数据也没有更有效的数据分析功能，给研究学生的学习行为和学习过程带来了困难。

通过记录学生的认知数据，将人工智能与教育充分融合的自适应学习系统，目前主要致力于为中小学生提供解决方案，针对高校的研发极少，预期的自适应学习系统的试验受阻。