高校学生学习行为量化评估体系构建及研究分析

王琳 李广玉 纪奕欣 王涛

摘 要 2020年春季全国高校响应国家号召，广泛开展远程学习、线上教学。远程教学使得教学管理者不能直接接触感知学生学习行为，给客观评估学生表现带来了一定困难。本文致力于建立一套高校学生学习行为量化评估体系，通过采集学生日常表现因子，建立学生学习行为表现数据集，进而对有损学生日常表现的表现因子进行损益赋值，建立学习行为损益因子实时量化评估模型。通过该模型评估学生集体对相应科目的整体表现以及单个学生的个人表现，完成对学生集体和学生个人培养全过程实时表现的精细化分析，利于精准施策、管控预警。

关键词 学生学习行为 量化评估 远程学习保障 管控预警

中图分类号：G645                                   文献标识码：A    DOI：10.16400/j.cnki.kjdkx.2020.12.086

Abstract In the spring of 2020， colleges and universities across the country will respond to the call of the state and widely carry out distance learning and online teaching. Distance teaching makes teaching managers unable to directly contact and perceive students' learning behavior， which brings some difficulties to objectively evaluate students' performance. This paper is committed to the establishment of a quantitative evaluation system of college students' learning behavior. By collecting students' daily performance factors， the data set of students' learning behavior performance is established， and then the profit and loss of performance factors that damage students' daily performance are assigned， and the real-time quantitative evaluation model of learning behavior profit and loss factors is established. The model is used to evaluate the overall performance of the student group on the corresponding subjects and the individual performance of the individual student， and complete the fine analysis of the real-time performance of the whole process of student collective and individual training， which is conducive to accurate policy implementation， control and early warning.

Keywords students' learning behavior; quantitative evaluation; distance learning guarantee; control and early warning

0 引言

2020年上半年突如其來的状况致使全国高校未能如期开学，响应国家“停课不停学”的号召，各大高校均提供了优质学习资源，供给学生居家进行远程自主学习。[1]与以往传统线下教育相比，远程教育具备教学视频可多次查阅、学习时间比较灵活、学习资料更为丰富等优势，[2，3]然而由于教师、辅导员无法与学生当面接触，相较于线下教育，线上教育使得学校教学管理者对学生表现的直观感知变得困难，进而导致学生学习行为表现不易被直观采集，给教学管理者及时发现学生问题带来了较大困难。[4]在远程授课背景下，各大高校都十分重视对学生心理的关注与学业、生活的指导，由于缺乏了解学生具体表现及问题的科学渠道，在与学生的交流互动时，也难以根据学生具体表现及存在的问题进行针对性的指导。

本研究针对远程学习期间学生状态不易被追踪的特点，致力于建立一套科学化的高校学生学习行为表现量化评估体系，不仅可以在远程学习背景下科学评估学生的综合表现，辅助给出学生发展精细化指导意见，也能在学生正常授课情况下，建立学生表现数据库，充分利用大量数据挖掘学生个性化特点，[5]辅助对学生开展精准思政教育，推动思政体系精准化、科学化。本文的具体研究内容包括学生学习行为表现数据集的建立、学习行为损益因子实时量化评估模型建立及实例分析。

1学生学习行为表现数据集

构建学生学习行为表现量化评估模型，首先应构建科学全面反映学生的表现的数据集。通过本次远程教育实践，本研究归纳了几大类可以有效反映学生表现的数据因子，现总结如下：

（1）居家表现因子。在远程学习期间，家长是学生日常表现最直观的观察者，可以辅助学校对学生的行为表现进行直观评价，帮助教学管理者对学生进行全面了解评估。本研究筛选了能够反映学生表现的五类指标：学生每周平均每天学习时长、学生学习任务完成情况评价、学生自主学习状态评价、学生作息习惯状态评价、对学生本周总体评价。

（2）课业完成质量表现因子。居家表现因子是经由家长对学生表现进行反馈采集，本研究引入课业完成质量表现因子，包括教学视频观看情况和课程作业及小测完成情况。

（3）学校帮扶措施利用表现因子。本研究认为帮扶对象是否主动参加相关帮扶活动也是其表现的重要方面，然而如果学生自身现状已经到达需要进行帮扶干预的程度，然而其仍不能有效利用相关帮扶措施，这说明学生表现存在一定问题。

2 学习行为损益因子实时量化评估模型建立及实例分析

本研究将学生学习行为表现的量化方向归纳为各科课程学习表现、帮扶措施利用表现、单人总体学习表现三方面，以此为基础建立学生学习行为量化评估模型。模型采用负相关建模思路，即将有损学生学业表现的行为记为出现一次损益因子，根据损益因子的高低来表观学生学习行为的损害程度，对于学生行为损益因子较高，则表观学生表现欠佳，需要进行指导干预。

本研究对应学生学习行为表现的三个量化方向将损益因子分为课程损益因子、帮扶措施损益因子、单人总体损益因子，依此建立学生学习行为损益因子量化评估模型。本模型可根据实时各类行为数据变化，实时反映学生学习行为表现情况。结合实例介绍如下：

本文研究者所在的学生集体收集了来自大一上学期成绩、助教、家长、小灶、腾讯课堂四部分的17个类别的数据，其中包括秋季学期平均分、数分助教反馈、工图助教反馈、大物助教反馈、C语言助教反馈、家长反馈、腾讯课堂后台反馈（数分）、腾讯课堂后台反馈（大物）、腾讯课堂后台反馈（C语言）、是否应该参加物理小灶（单科不及格视为需参加小灶）、是否参加了本周的物理小灶、是否应该参加数学分析小灶、是否参加了本周的数学分析小灶、是否应该参加工程图学小灶、是否参加了本周的工程图学小灶、是否应该参加C语言程序设计小灶、是否参加了本周的C语言程序设计小灶。

通过前期调研，腾讯课堂的数据存在一定不准确性（如倍速观看显示时长不足、使用平板观看不计入时长等问题），故腾讯课堂的三个数据不计入学生学习行为量化因子评估，然而虽腾讯课堂数据不具备排他性，但观看时长不足等不良学习行为仍可被包含在内，可通过其他因子分析结果筛选出问题学生，与腾讯课堂数据进行对照，筛选出其可能出现问题的科目及具体课程表现。本研究以2020年春季学期校历第五周学生集体采集的相关数据为参照，进行损益因子模型构建及对应实例介绍。

2.1 课程损益因子Cf

Cf单人单科=单个学生本统计周期内该科课业表现不佳次数

Cf全体单科=∑人数（Cf单人单科）=∑人数单个学生本统计周期内该科课业表现不佳次数

Cf单人全科=∑科数（Cf单人单科）=∑科数单个学生本统计周期内每科课业表现不佳次数

Cf单人居家表现=单个学生本统计周期内被家长（或室友）反映居家表现不佳周次

Cf全体居家表现=∑（Cf单人居家表现）=∑单个学生本统计周期内被家长（或室友）反映居家表现不佳周次

运用上述原则计算每位同学每个科目及居家表现的损益因子，用以对每位同学进行损益因子分析，然后将不同类别的总损益因子加和，对学生集体全体Cf全体单科与Cf全体居家表现情况进行分析，结果显示，C语言的损益因子总和（115）最高，反映了学生整体在C语言上学习行为表现相对其他科目较差，应作为重点提升科目;工图损益因子（31）居于第二，也需进行关注;数分因子（6）小，说明学生交作业较为积极，但由于其难度较大，应通过组织小测进一步摸底学生掌握情况。

2.2 帮扶措施损益因子Hf

Hf单人单科=单个学生本统计周期内应该参加却未参加小灶的次数

Hf全体单科=∑人数（Hf单人单科）=∑人数单个学生本统计周期内应该参加却未参加小灶的次数

Hf单人全科=∑科数（Hf单人單科）=∑科数单个学生本统计周期内应该参加却未参加小灶的次数

按照如上公式将全体学生单科帮扶措施利用损益因子Hf全体单科，整理可得C语言帮扶损益因子（94）最高，C语言作为最难的科目却很多同学不参与，应该与每周周末学生忙于完成C语言上机作业，没有闲暇时间参加C语言小灶，但助学部录制的C语言帮扶视频观看量很高，实际C语言小灶也被录制下来，放到了云盘，学生观看积极性不高。

2.3 单人总体损益因子Sf

为了分析每位同学的总体损益因子情况，以便对学生整体表现进行总体评估，本研究设定了指标单人总体损益因子Sf，Sf由课程损益因子Cf和帮扶措施损益因子Hf构成，具体模型表述如下：

Sf= Cf单人单科+ Cf单人居家表现+ Hf单人单科=单个学生本统计周期内该科课业表现不佳次数+单个学生本统计周期内被家长反映居家表现不佳周次+单个学生本统计周期内应该参加却未参加小灶的次数。

根据上述计算模型，本研究分析了某学生集体每一位同学的损益因子，计算了每位同学的损益因子总和，损益因子数量多反映了学生出现问题较多，学生集体中有293位同学未损益因子为0，即这部分同学学业表现相对较好。但仍然有183位同学出现了不同程度的学业问题，有9位同学出现了6次以上的学业问题（图1）。

通过运用上述学习行为损益因子实时量化评估模型，可以实时监控学生的整体与个体表现，从而达到对学生进行整体学业管控的目的。

参考文献

[1] 周杰，林伟川.“停课不停学”期间高校在线教学的特点、问题及未来对策研究[J].福建教育学院学报，2020，21（07）：48-52.

[2] 孟亚玲，黄祥德.论直播教学对高校的影响——从远程教育视角看高校直播教学[J].电脑知识与技术，2018，14（22）：192-194，198.

[3] 李延娟.我国高校远程教育教学模式存在的问题及应对措施[J].北极光，2019（11）：161-162.

[4] 王路尧.新形势下高校现代远程教育的发展途径探究[J].课程教育研究，2018（27）：18-19.

[5] 于翔.大数据背景下在线学习者个性化因素研究[J].陕西教育（高教），2020（08）：61，65.