利用智慧课堂工具实现学习行为监督之初探

姚静 邵子馨

摘 要：現代智慧课堂工具为教师监督学生的学习行为提供了可能。在调研国内外智慧课堂先进教学工具的基础上加以实践，利用雨课堂工具采集学生学习行为数据，实现对学生表现的动态跟踪，得出初步的数据分析结果，凝练出了将信息技术手段融入教学全过程的智慧教学模式。

关键词：智慧教学 雨课堂 学习监督

一、因材施教与精熟学习

“因材施教”源自孔子的教育思想，是一项重要的教学方法和教学原则，也是现代教育中积极倡导的做法。教育发展追求的是学生的个性化发展，而不是标准化发展，世界各国的教育改革都倡导针对学生个体差异实施个性化教学。20世纪70年代，美国心理学家B. S. Bloom针对美国教育制度中只注意培养少数尖子学生，而忽视牺牲大多数学生发展的弊端，提出了“精熟学习”（Mastery-based Learning）的学习观，他指出，学生学习成就上的差异，是因为我们对每一个学生提供了相同的教学及相同的学习时间，并且没有提供个别的补救教学;而这种现象同样也存在于目前国内很多高校的教学之中。

要真正读懂学生、根据学生的表现来施以个性化教学并不容易实现。举例说来，在大学一二年级的通识课程中，班级规模往往都达到80人甚至100人以上，即便是高年级20～30人左右的小班，如何精准地掌握每一个学生的情况也都是一个难题，而这恰恰是因材施教的第一步与关键一步。正是教师貌似公平地对待每个学生，忽视了学生基础和接受理解能力上的差异，使得学生越发分化。如果对教学情况的把握能够从宏观的班级群体深入到微观的学生个体，动态跟踪学生的情况，及时发现学生的不足并预警，那么对于教师尽早采取干预措施或者重新分配课程资源是很有帮助的，从而最终使得学生提高学业表现，更好地掌握和运用知识。

关心学生的学习状态，不仅关乎教师的责任心，更需要有相应的技术支持。观察当前全球教育环境不难发现，信息技术的迅猛发展改变了高等院校教学的方法和手段，正在引起高等教育的深刻变革。S. Khan在2015年的TED演讲中呼吁“Lets teach for mastery”，并已经将这一思想应用于Khan Academy的课程设计中。如果说这主要是面向K-12的学生群体，那么近年来慕课（MOOC）则在高等教育领域呈现出一种井喷式的发展态势，关于这一新事物的思考也逐渐走向理性。在慕课中带有明确目标的细小步骤学习进程设计，其实就是精熟学习理论的实际应用，为学习者提供了个性化学习的可能。

二、智慧教学的意义与现状

各种信息化技术手段已经使得动态跟踪学生的表现成为可能。不过，获取数据只是第一步，如何利用好这些数据，从而识别出接受较慢的学生并及时查缺补漏给予帮助，对接受较快的学生提出高要求并提供更深的素材和问题，让学生得以个性化发展，才是目标所在。若能利用智慧课堂数据，可以在教学的“课前、课上、课后”各个环节都动态跟踪学生表现数据，必将更加全面自然地反映学生情况。大量数据的涌入，提供了更多体现学生状态的信息，但同时也增加了数据处理的难度，因此必须要使用有效的数据挖掘手段才能得以尽早识别出需要帮助的学生，并及时加以个性化辅导。

信息技术对教学的影响是全方位的，且信息技术与教学深度融合已势在必行。除了在线学习、翻转课堂、混合式学习等模式的发展，如何在日常课堂教学中捕捉学生的表现并加以监督预测，仍然需要研究。信息技术使得教育模式从以往的“依托经验”转变为“数据驱动”成为可能，并且正在逐步融入到教学活动中。近年来出现的“智慧课堂”理念，就是要破除简单地向学生搬运知识的行为，而转变为一个调动学生积极性、激发学生潜在素质，使学生产生智慧和能力的过程。

例如，投票回馈系统（Clicker）在国外和国内的使用已经有若干年的历史，可以让教师在课堂上实时了解学生的表现，从而调整教学进度，一定程度上改变了传统课堂上“满堂灌”的现象。2015年A. Ahadi等人提出了采用机器学习的方法，基于学生背景数据（性别、学术成绩、编程经历、课堂和实验室表现等），自动识别出需要帮助的学生[1];2016年University of California， San Diego的L. Porter等人在“Computer Science 1”课程中进行试验，表明学生在课程中使用投票器回答问题的正确性与最终的考试成绩具有相关性，并且这种相关性可以在学期最初的三个星期就体现出来[2， 3]。而国内由清华大学研发推出的智慧教学工具“雨课堂”，则是实现了面向教学大数据的“全景式记录”，可以在课堂上实时问答互动、进行难点反馈，并覆盖课程每一个环节，提供立体化的教学数据，从而忠实地还原真实课堂的绝大多数教学过程，目前已经在全球超过一万所院校推广使用。目前已有不少文献针对具体课程利用雨课堂产生的真实学习行为数据进行了可视化分析与研究[4， 5]。这些都为监督学生表现提供了有益的经验。利用最新的数据采集手段，可以进一步改善数据采集的完整性，而有效的数据处理方法就成为准确识别出学生对知识要点掌握层次的关键。

三、利用智慧课堂工具的教学设计思路

为了实现对学生学习行为的智慧跟踪，需要教师对教学工作方式进行改进。比如，除了传统教学的备课之外，需要额外进行一些工作，举例如下：

（1）预习课件与随堂习题的设计：根据每一单元的教学目标和知识点，除了通常授课的课件外，设计预习课件，对学生进行引导。随堂习题则要具有针对性和代表性，能够反映出重难点和易错点。

（2）教学各环节的准备与数据采集：课前确定教学目标，向学生推送学习资源，并收集学生关于课前问题和预习情况的数据;课上采集出勤率、随堂习题答题时间、正确率等数据，与学生实时互动;课后师生可使用即时反馈对教学全过程进行回顾总结和双向评价，教师诊断每个学生可能存在的问题和需求，支持学生的自适应学习。这些步骤可以利用智慧课堂工具来完成。

（3）学生表现动态跟踪的可视化：通过信息图表的形式，对课堂教学、考试测评、网络互动等数据进行可视化展示，找出学生日常学习状态的变化趋势和规律。

（4）学生数据的整合：由于数据来源的差异性，多源异构与非结构化数据须在处理之前进行整理归一化，对格式、完整性进行处理和验证，这是后期寻找规律和进行预测的基础。

（5）学生行为数据的处理：包括模型算法的设计、数据更新与迭代等，对整合后的数据进行综合计算、比对、诊断，实现面向教学全过程的数据跟踪、分析。需要建立合理的数学模型，设计有效的算法，并通过更新数据不断修正模型，增强模型的准确度和稳

健性。

这些工作在实际操作中增加了教师在传统备课以外的工作量，但是如果实施得当，对于学生的学习行为会起到很好的跟踪监督作用，从而在多层面、多角度和多粒度掌握学生的学习状况。如果教师能合理利用智慧教学的工具，尽早发现需要帮助的学生并采取补救，对于学生摆脱学习困境、防止学习的挫败感和对课程的恐惧排斥、提高学习成绩、以至提升对课程的兴趣和素养都非常重要。而对于表现较好的学生，教师也可以优中选优，有意识地加以拔高

培养。

四、学生学习行为监督的初步结果

以理工科高校一年级必修课“线性代数”为例，对于这门课学生经常会因其概念的抽象性而觉得学习困难。我们采用雨课堂智慧教学工具，对学生的学习行为进行全程跟踪。本文以该门课程一个学期所产生的真实数据为例，收集学生的日常学习行为数据（如课前预习、出勤率、随堂测验与自测题完成情况等）及课后作业、习题课小测验、期中考试、期末考试成绩数据等，并结合学生学号、性别等基础数据。本文所分析数据涉及182人，其中女生63名，男生119名。

分析结果表明，期中和期末考试男生的平均成绩分别比女生高1.88分和2.67分。然而从作业与小测成绩可见，女生分别比男生平均高出2.4分和0.78分，即在非正式考试的表现中女生优于男生。這一定程度上反映出，总体而言，女生的学习态度较好，而男女生对于理科学习存在性别差异。

此外，我们还考虑了预习行为对最终成绩的影响。我们制作了预习课件并在其中包含了预习作业，之后通过雨课堂工具发布给学生，要求学生在课前完成。收集到的数据包括预习幻灯片浏览页数、预习时长、完成预习的时间以及预习作业的得分情况。通过处理对学生以预习成绩加以分组，分为A组（预习完成情况低于平均分）和B组（预习完成情况高于平均分）。对比预习情况和最终考试成绩，发现B组学生相比A组学生，在作业、小测、期中和期末中，平均高出4.68、1.50、3.28和5.83分，该结果大致符合预期，即预习作为一种长期被宣传为有效的学习方法，在一定程度上可以提高学生成绩。

结语

智慧课堂工具在教学过程中的应用方兴未艾，而且将会成为一个必然的趋势。我们需要审视和考虑如何通过信息化环境下智慧课堂数据的采集和利用，动态掌握学生的学习情况，从而为每个学生提供恰当的帮助。一方面，通过先进的技术手段和便利的网络资源，将智慧课堂教学理念和方法融合到教学改革当中，改变传统的课堂教学模式，提升师生互动体验;另一方面，开发先进的数据挖掘手段，准确对学生状态进行监督分类，从而解决有些学生“消化不良”而有些学生又“吃不饱”的现象，真正实现学生个性化的学习发展。

本文以个性化教学为出发点，对智慧教学的必要性和现状进行了分析，而后给出智慧教学的初步方案设计，并利用雨课堂工具在教学过程中加以实践。文中得到了一些初步的结果，希望可以抛砖引玉。如何合理有效地利用好智慧课堂教学的工具为教与学服务，是一个长期而有意义的研究方向。如此才能使得教育公平化，才能实现“精熟教学”，才有可能真正做到“因材施教”，提升教育质量，让学生更加受益。

参考文献

[1]Alireza Ahadi，Raymond Lister，Heikki Haapala，Arto Vihavainen.Exploring Machine Learning Methods to Automatically Identify Students in Need of Assistance.ICER 15 August 9-13，2015，Omaha，Nebraska，USA. pp.121-130.

[2]Leo Porter，Daniel Zingaro，Raymond Lister.Predicting Student Success using Fine Grain Clicker Data.ICER 14， August 11-13，2014，Glasgow，United Kingdom. pp.51-28.

[3]Soohyun Nam Liao，Daniel Zingaro，Michael A.Laurenzano，William G.Griswold， Leo Porter.Lightweight，Early Identification of At-Risk CS1 Students.ICER 16， September 08-12，2016，Melbourne，VIC，Australia，pp.123-131.

[4]杨芳，张欢瑞，张文霞.基于MOOC与雨课堂的混合式教学初探.现代教育技术，2017，27（5）：33-39.

[5]袁博，赵海媚，张成萍，李向明.基于雨课堂的研究生英语学习行为可视化分析.现代教育技术，2018，28（5）：68-74.