大数据形成性评价下的翻转课堂精准教学模式

李 晓，刘正刚

(杭州电子科技大学 管理学院，浙江 杭州 310018)

我国在高等教育大众化进程中取得辉煌成绩，但也逐步暴露出个性化、多样化教学不足等问题。翻转课堂因为尊重学生的独立性和好奇心、重视学生思维上的差异性和天赋特质上的差距、突破教室空间和课堂教学时间、学生可在更大的“教学场域”中参与学习、能使学生创新思维获更大发展等优点，显著促进个性化教学[1]。但源于翻转课堂与现有教育场域的冲突以及学生和教师主体的异质性，个性化教育效果有限，急需塑造与其相匹配的新惯习[2]。鉴于翻转课堂中教师多凭个人主观经验展开个性化教育，缺乏结合学生信息及其学习行为信息的全面、科学分析，可借鉴大批量定制的思想和方法加强翻转课堂的精准教学模式研究，强化个性化教学[3]。信息技术支持的精准教学模式将精准教学从一种评估方法的陈规，扩至包括精准确定目标、开发材料与教学过程、计数与绘制表现和数据决策四个环节，通过人机合理分工激发精准教学的活力[4]。大数据技术推动教学评价从经验化转向数据化和科学化，推动形成性评价(针对学习行为属性)、多元化评价和评价标准完善(形成性和终结性评价结合)[5]。近年来涌现少许基于大数据形成性评价研究个性化教学[6-8]、翻转课堂[9-10]和精准教学的论文[11]；但尚缺乏将大数据形成性评价、个性化教学、翻转课堂、精准教学集成起来的研究，尤其是如何做好人机合理分工方面的研究。本文通过聚焦阐明人机的合理分工，深化大数据形成性评价下的翻转课堂精准教学模式研究。

一、研究综述

教师参与下的计算机辅助个性化学习模式是未来较理想且有效的个性化学习方式，因为它既有自适应技术满足学习需求又有教师监控实时调整学习需求[12]。姜强等重点提炼个性化自适应学习的元认知与开放学习者模型、自主学习方式、信息可视化处理和大数据学习分析，并将其用于慕课的个性化设计中[13]。方海光等提出面向大数据量化自我的自适应学习慕课系统模型[14]。杨雪等强调大数据学习分析对个性化学习中的教师、学生和教育管理者等利益相关者均有积极影响，其个性化学习体系框架可用于翻转课堂和慕课的建设[15]。相较于个性化自适应学习系统研究侧重于适宜远程网络教育的慕课，有教师深入参与互动的翻转课堂精准教学模式研究需要确定合理的人机分工。

形成性评价是在课程建构、教学和学习的过程中为改进这些过程而进行的系统性评价，它在评判学习有效性的同时对教与学进行及时调整，确保过程的有效性，促进目标的达成[16]。形成性评价中课堂评价的主体、手段与功能都已进化，主体从教师主导到师生共享，手段从单一测验到正式和非正式评价方法结合(如教师反馈、自我评价和同伴评价)，功能从只对学习结果查漏补缺到持续支持学生学习再到改善教与学[17]。

个性化学习的基石是个性化评价，翻转课堂精准教学的基石是基于大数据的个性化评价，尤其基于大数据的形成性评价及其学习者数据的可视化。周洁如结合大数据4V特征，阐明大数据可弥补形成性评价在数据、内容、反馈和价值方面的不足[7]。翻转课堂关键在于两个“高效”和一个“衔接”：前者指学生课前利用微课自主学习的高效和课堂集体学习的高效；后者指通过针对学生微课学习效果反馈，设计课堂教学的内容和环节，促使课前教学和课堂教学的紧密联系和衔接，大数据技术能够促进该衔接[9]。体现个性化教育理念的“精准教学”关键是把教学评价(课前诊断性评价、课中形成性评价和课后总结性评价)与教学反馈统一起来，大数据支持全方位地评价学生和学习，进而推动“精准教学”[11]。基于大数据的精准教学需从精准的“学生画像”、精准的教学目标以及精准研讨、精准辅导等方面展开，学生画像是根据学生的基础信息、学习习惯、学习偏好、学习行为和学习期待等方面的数据信息而构建出来的标签化学生模型，概括学生个体和学生群体的信息全貌[18]。高校学生画像使得教学管理工作更加主动化和智能化，学生管理工作更加精细化和个性化，教学管理者与学生之间更紧密，而画像技术与大数据的结合使得学生画像更加精准化、立体化和动态化[19]。大数据分析过程支撑的用户画像支持了精准教学设计模式的开发[20]。

二、教学模式总体框架

在大数据时代，翻转课堂精准教学模式研究的发展方向是：立足翻转课堂丰富的细粒度信息，依托大数据形成性评价并借助精准、立体的动态学生画像，推动教学评价与教学反馈统一的个性化精准教学，其中关键是确定合理的人机分工以便反映教师深度参与互动的翻转课堂特点。图1是本文构建的基于大数据形成性评价的翻转课堂精准教学模式总体框架。该总体框架遵循PDCA循环中持续改进的理念：①在学生和聚焦个性化学习的自适应学习系统之间创建反馈回路A(含主路和辅路)，以虚线圈体现两个循环的闭环路径；②在学生与基于动态学生画像的精准教学之间创建了8字形反馈回路B，以点划虚线体现并且需以动态学生画像及学习分析系统为衔接点才能形成闭环的8字形循环回路。图1中，总体框架从学生参与“翻转课堂课前、课中、课后的教与学”那一刻开始，翻转课堂的在线学习系统记录带有时间戳的所有交互中的信息，数据清理后再根据预定义的结构存储在学生学习行为及过程数据库中。基于大数据的形成性评价模型需从学生学习行为及过程数据库和学生学籍档案、已有课程成绩等信息库中获取用于分析的数据，其评价结果输出到自适应学习系统，以生成更适于特定学生的个性化学习的调整建议，后续的内容传递组件将向学生推荐这些调整后的翻转课堂课前、课中和课后的教与学，完成一个自动循环为主的循环A的主路。基于大数据的动态学生画像及学习分析系统从学生学籍档案和已有课程成绩等信息库、学生学习行为及过程数据库以及形成性评价模型获取数据和分析模型，并输出相应的预警报告及文档资料反馈给学生、教师及教学管理者，最终由教师调整翻转课堂课前、课中和课后的教与学，该调整侧重于面向全体学生教学内容的增减更新、难度系数和前后顺序等，兼顾对重点学生的精准调整，期间教学管理者配合做好调整所需必要支持工作，最终完成符合学生个体特点的精准教学，完成一个人工循环为主的循环B。

三、教学系统的构建

(一)学生学习行为及过程信息库

学生学习行为及过程信息库的构建包括数据导入、清洗数据和数据预处理三方面。其中关键的数据导入源主要是翻转课堂教学平台系统内学生以多种方式学习时捕获的带时间戳的各种行为数据，包括课前、课中、课后。(1)课前：学生登录网络教学平台的时间、时长、点击哪些类别(视频资料、文档资料、通知、学习任务单)、登录平台次数、观看某视频次数等；(2)课中：签到时间、课堂活动参与信息、课堂活动完成情况及完成质量等；(3)课后：登录网络教学平台的时间、时长、完成课后作业/实践等的行为数据。

(二)形成性评价模型

构建基于大数据的形成性评价模型，采用机器学习方法展开形成性评价。其中的关键是利用层次分析法和TOPSIS(Technique for Order Preference by Similarity to an Ideal Solution)法构建传统的学生形成性评价模型，期间需要教师为训练集做好标记以便实现有监督的学习。另外，用随机森林模型展开的特征工程分析中，特征筛选也需借鉴教师的经验做有监督的机器学习。形成性评价还可通过大数据分析给学生打标签(即描述学生画像)，此时大数据分析主要是用分类标签(如留学型、考研型、就业型)，即结合教师经验手动给学生分类，对应着有监督的学习(对应循环A之辅路)。与用基于规则的专家系统做学生相关形成性评价时需要教师大量的知识和人工设计的程序不同，此处以常用机器学习方法展开的形成性评价可以节省教师工作量并提升评价质量(如准确度等)。

(三)自适应学习系统

借助基于大数据的形成性评价模型结果与学校翻转课堂教学平台系统及教辅信息系统内学生现有信息(包含学生设定的学习目标与学习定位、学习进度等)比较，可发展自适应学习系统。其核心聚焦在形成性评价模型发掘出的学习习惯、知识点内容、知识点结构关系等方面的问题，由系统自动找寻每个学生与最优学生结果相比的薄弱环节以及可调整与改进的方案，并将相应的调整建议直接反馈至翻转课堂每个学生的课前、课中和课后的任务单，最终达成更高质量的个性化学习指导。若对比结果显示出学生某行为值位于阈值之下，系统自动给出自适应调整方案，以便提升至阈值之上；若对比结果位于阈值之上，则自动给出自适应调整建议，以便向最优值靠近。这还意味着系统需能根据形成性评价模型的输出，自动调整翻转课堂课前、课中及课后的教与学内容，能够自动推荐与评价模型结果相匹配的学习内容与方法给学生，帮助学生调整学习，确保持续的学习改进。

(四)动态学生画像及学习分析系统

在时间轴上结合学习行为属性类信息、以成绩为代表的学习结果类信息以及形成性评价模型的输出结果信息，为每位学生绘制全面的动态画像(含学习成长轨迹及详细学习信息)。学生动态画像的数据模型可以表示为Pw=r×Bw×Ww，其中Pw为学生W方面的动态得分；r代表与时间成反比的衰减因子；Bw为行为权重，代表不同W方面行为对得分产生的不同影响(如学习行为取1.0、课后练习1.2)；Ww代表不同类型的权重，如电脑或手机不同类型网络学习对相关得分有不同权重影响。基于大数据动态学生画像的学习分析系统功能结构涉及学生、教师和教学管理者三大分析模块，分析每个学生、课程、班级、教师相关数据并对比相应最优、最劣值。学生模块包含自身学习成长轨迹与详细学习行为以及优秀学生成长轨迹即详细学习行为；教师模块包含学生表现报告、预警报告、班级报告以及共同问题分析表；教学管理模块包含班级报告、课程报告、教师报告以及课程间关系报告。它既为大数据形成性评价模型提供更优的特征和相互结构关系等，进而形成图1中循环A的闭环辅路并为循环A主路自动的自适应学习提供支撑，又为精准教学系统的人工调整提供精准分析，进而以8字形循环B的下半部分去衔接循环B的上半部分。

(五)精准教学调整系统

在对动态学生画像进行丰富的学习分析基础上，图2给出相应进行人工调整的精准教学调整系统，涉及教师、学生和教学管理者三大主要教学利益相关者。其中，知识点和任务点的调整是在精确学习分析基础上教师针对翻转课堂做的通用性质调整，如对班级的共同问题可调整课中任务以便在课堂内解决学生的共同疑惑；而针对重点学生调整课前、课中和课后学习单，体现教师如何在有限时间内快速做出个性化的精准调整。鉴于精准教学属于PDCA循环，故其调整不仅反馈给教师和教学管理者(故双向箭头)以便服务后续学期的精准教学，此时前期成绩为代表的学习结果类信息就成为后期大数据形成性评价的数据来源，而且衔接至翻转课堂课前、课中和课后的教与学过程，确保图1中8字形循环B的上半部分形成有效闭环。

图2 基于画像学习分析的精准教学调整系统的功能结构图

四、小结

本研究构建了大数据形成性评价下的翻转课堂精准教学总体框架，详细阐明了学生学习行为及过程信息库、基于大数据的形成性评价模型、自适应学习系统、基于大数据的动态学生画像及学习分析系统、基于画像学习分析的精准教学调整系统的基本内容，以及它们之间的逻辑衔接关系，并研究了大数据时代翻转课堂精准教学模式如何进行合理的人机分工。以基于大数据的形成性评价模型和动态学生画像及学习分析系统为关联纽带，实现精准教学中自动运作与人工介入调整的有序衔接。再结合学习分析系统和精准教学调整系统的功能结构图，为教师、学生和教学管理者开展翻转课堂精准教学提供较清晰的理论与实践指导。未来研究重点将是针对不同的课程细化相应的自适应学习系统，并完善后续多期的形成性评价模型。