回归“学生中心”的教育常态

高田幸子

摘 要：教育是人类发展的基础动力，学习是人类适应社会的主要方式，在大数据时代背景下，数据驱动学习的科教融合也更加普遍，未来智慧教育将成为教育转型的重点。本研究通过对学习仪表盘的数据挖掘分析，探索回归“学生中心”的自适应教育模式路径设想，将教育“黑匣子”可视化，指导监测学生的学习过程，最终提升学生的学习投入度和专业发展的科学性，形成指导实践的理论探索，完善高等教育质量。

关键词：学习投入度;学习仪表盘;大数据

中图分类号：G632.0 文献标识码：A 文章编号：2096-3866（2020）22-00-02

随着人工智能白热化进程的推进，“大数据”“人工智能”“智慧教育”“自适应学习”“数据驱动学习”等新生概念席卷而来，教育与科技的融合打开了新的世界和篇章。教育变革从赫尔巴特的规模化教育逐渐聚焦到杜威“学生中心”的分散化、网络化、个性化以及生态化的教育。钟启泉提出，学习在于寻求和培养学生的“真实性学力”和“真实性学习”，学习应当关注学生主体的投入度[1]。但课程实施的过程中，学生的主权仍归教师所有，教育中仍然存在学习对象的缺失，学习伙伴的缺失，学习意义的丧失等“异化”教育局面，看似高校不断提倡教育变革，但其实仍然是“新瓶装了老酒”的老教育范式[2]。

佐藤学认为，学习是与新的世界对话，与新的他人对话，与新的自我对话，学习是从自我独白到对话世界的过程，因此学习更应当建立三维的“学习共同体”[3]。认知科学的学习观也强调，要通过对话和交互的作用，提供“学习场”，帮助学生构建和理解知识框架。总之，课堂转型的根本性标志应该在于学生成为主导者，学生是“学习的主权者”的平衡生态。打开教育过程的“黑匣子”，激发学生的深度学习、体验学习、自主学习成为教育改革的重要方向，现如今许多学习过程可以通过数据技术的手段进行图谱化，这种可视化的呈现可以分析和判断学生学习行为的优劣，分析学生的元认知与学习动机，挖掘大数据背后的数理内涵与本质意义，预测学生的学习行为与学习选择，同时也可以优化教师的教育决策，最终根据学生的差异特性推出自适应性的辅导和预测性推荐，培养出“一千个哈姆雷特”。

一、学习仪表盘与学习投入度理论分析

学生本身就是数据源的终端，行为、选择、判别都可以产生各种各样的数据，学生的学习可以通过学习投入度来进行分析测量，而学习仪表盘如汽车的仪表盘一样，能够尝试将这个过程以数据、图式等方式呈现出来，并且有指导作用或者预测的作用，两种概念的交叉可以给予学习探索的更大空间。[4]

以下对学习投入度与学习仪表盘两个概念进行的梳理分析。

（一）学习仪表盘

学习仪表盘是以“数据驱动教学 ”为核心，通过收集记录学习者数据，挖掘学生学情变化规律，以可视化图谱的形式呈现出来，以辅助学生学习的工具。学习仪表盘适用于具有差异的学习者，为不同人格偏好学习者提供个性化的指标，通过数据的收集和分析发觉学习与发展之间的隐性关联，从多维图谱呈现学生学习反馈、学习信息对比、学习能力、学习动机和学习预警等内容的可视化学习者画像认知并由此根据学生个性制定出适应性辅导与学习路径和方法的推荐，同时教师也可以根据仪表图谱，选择教学方法，优化教育决策，改善其教育评估，在学生有效学习中进行有效及时的干预提供有效数据支持。

（二）学习投入度

以学习投入度为相关概念，可以追溯到杜威的“学生中心说”，奥苏伯尔的学习理论，阿司汀的“参与理论”，佩斯“努力质量”，奇科林“本科教育中的良好行为”以及库恩“学习投入度”等学习理论，这些学习理论均站在学生视角分析学习的投入和成果的效能分析，一个学校的质量不在于“大楼”、“大师”，而应当关注“学生的成长”。综合各方文献，内容可以总结为三点：第一，学校对学生的支持度越高，学生的归属感和认同感更强;第二，学生的投入度越高，其学习效果越好;第三，高校若能关注到学生本身，能够有效提高学生的学习投入度。

综上，回归“学生中心”的教育模式，倒推学生在专业学习与发展中的深度与广度，对标“学生中心”的学习模式与培养模式，给研究提供了新的思路与更开放的路径，总结如下三点：其一可以检测高校或者专业其“学生中心”设置的真实性与实施效果;其二通过理论交叉寻找实践的可实施路径，形成一定的可复制推广的测量范式，帮助学生自我认知与学习;其三以理性视角观测学生学习投入度，用更加理性的数据呈现过程，这种方式相比问卷访谈等更有逻辑数理性，也更具有大数据归因，大数据分析的优势，是一种新的尝试。

二、学生学习投入度的学习仪表盘应用与设想

佩斯提出“努力质量”指出学生投入课内外活动中的时间与精力越多，其努力的质量就越好，受到的影响也就越大。尤其强调最大的影响因素是学生的投入度，如教学质量、校内活动的整体水平、学术规范、师生同伴的联系等因素，这些内容远比“大师”“大楼”声誉、资源等更为重要。因此高校需要从“教师如是说”转向“学生如是说”的视角，数据不仅用于测量存书、校舍、毕业就业率，也需要对学生的学习全过程形成数据收集与监测。

每个学习者既是大数据的生产者，又是消费者。基于大数据技术的应用与挖掘以及“以学生为中心”的课程设计背后，最终期待是学习过程的优化愿景。学生能够更加主动地投入学习，在学习的过程中能够自我认知、自我建构、自我评价与自我激励，形成“诊断式”教育模型设计，因此对学习者进行全面地跟踪、记录与分析，了解其不同学习特点、学习基础和学习行为数据，有效地为学习者提供精准的自适应性教育服务是高校教育应当追求与探索的基础路径。

基于以学生为中心的教育模式探索，分析其共生利益相关者，受教育者，教育者及教育环境的关系，学生中心呈现学生自我的精力、专注、归属、学习行为及学习风格等因素;教育者提供教育支持、設计与反馈等因素，学校或教育环境提供学生学习需要的资源、管理、组织、空间和平台等，学生，教育者与教育环境也就是代表了生师校的投入共同体，这些因素同时也会反哺于学生自我的学习投入度。因此，学习仪表盘在这个过程中起到了指导分析的角色，透明化的过程监控可以让学习路径更加清晰、科学。

三、基于学习仪表盘视阈下的投入度模型分析

研究发现，当代大学生的专业选择集中在就业导向、家长选报、社会导向这三方面，有很大一部分学生选择专业并不是自我的绝对清晰选择，甚至有些毕业生都不确定自己是否适合自己所学的专业。因此，在学生入学和毕业中间无形间成为一个黑箱，有些学生到毕业也没有找到自我的认知。建构主义学习观中，学习的观念强调学习者的自我建构，强调对话与协同，让学生通过自我学习形成基础能力，而支持这种学习的重要因素是自我效能感、自主调整方案以及对目标的干预，因此如何呈现学生学习知识与技能“显性学力”以及动机与思考“隐性学力”可视化与图谱化，可以帮助学生提升对于自我学习的投入度和学习感知力。

具体的模型如图1所示，理想状态下学生的初始状态与毕业成果构成一个良性的回环设计，让每一个步骤清晰且有据可依。

纵观当前高校中數据信息技术的应用和普及，数据的一级处理基本已经普及，学生在专业学习和课程学习中在各个方面都能够留下数据痕迹，一个学校的录取分数段与录取率，毕业率与就业率等能够反映一个学校和专业的特征，一门课程的考勤、作业提交率、成绩分布图等能够反映一门课程学生的参与度与投入度。这些数据能够给教育者与受教育者提出基础的数据表征呈现，基础的数据分析能够呈现教育的大概率问题。基于大数据的分析技术，收集整理学生的初始数据，形成学生初始的学业画像，在专业的学习中，可以通过其平时表现、课程作业、期末成绩、借书数据、考勤请假等情况完成学生的真实性学力图谱，同时对标培养方案中的目标与学生自我学习的成就目标，生成有监测和预测方式的仪表盘，在学生学习的过程中可以实时观测自我的学习动态与发展可能，学习仪表盘的作用可以聚焦四点：预测学生学习行为;改善学习评估;优化教育决策;生成学习档案，最终形成自适应学习系统，激发学生学习投入度。

四、结语

大数据、人工智能等科技数据手段与教育的结合，让教育过程更加生动与可视化，“即时、直观、动态”的可视化数据可以全面呈现学习者学习状态，深度挖掘学生学习行为背后的意义和价值，可以为学生专业学习提供更智慧的指导，为学生的专业发展提供更加清晰的路径，帮助学生认识自我，最终达到发展自我，通过学习仪表盘的应用开展智慧教育平台的搭建，为完善高等教育教学质量水平开拓了新视角和新路径，始终聚焦“以学生为中心”的教学常态，推进高校教育良性发展。

参考文献：

[1]钟启泉.课堂转型[M].上海：华东师范大学出版社.2017.

[2][美]约翰·杜威（John Dewey）著;赵祥麟等译.学校与社会·明日之学校[M].北京：人民教育出版社，1994.

[3]佐藤学.学习的快乐：走向对话[M].钟启泉，译.北京：教育科学出版社.2004.

[4]姜强，赵蔚，王朋娇，王丽萍.基于大数据的个性化自适应在线学习分析模型及实现[J].中国电化教育，2015（1）：85-92.