基于大数据的高校精准教学模式构建研究

姜倩 李艳 钱圣凡

摘 要：随着大数据技术在高等教育领域的不断渗透，高校教学模式正朝着智能化、个性化、精细化、科学化的方向逐渐发展。本研究结合精准教学的理论和高校大数据教学模式的特点，从学情诊断、教学设计、教学活动、教学决策、教学干预和教学反思六个环节出发，设计了基于大数据的高校精准教学模式。各环节贯穿课前、课中、课后三个阶段，互相推进且彼此兼容，以循环迭代的形态优化教与学的全过程。

关键词：大数据;高校;精准教学模式

一、引言

智能时代，随着大数据、人工智能、云计算、物联网、移动互联网等新兴技术在教育领域的不断渗透，数字化学习环境每天都在生成和累积丰富的“数字足迹”（Digital Footprint）。面对海量且复杂的教育数据，如何利用有价值的信息驱动有针对性的教学，已成为教育关注的热点话题。2017年，《国家教育事业发展“十三五”规划》明确提出要“鼓励学校利用大数据技术开展对教育教学活动和学生行为数据的收集、分析和反馈，为推动个性化学习和针对性教学提供支持。”[1]作为人才培养的重地和信息化教育的主力，高校也开始探索大数据技术融入教育教学的模式和路径。2018年，《高等学校人工智能创新行动计划》明确指出要“建立基于大数据的多维度综合性智能评价，精准评估教与学的绩效，实现因材施教。”[2]2019年，《关于一流本科课程建设的实施意见》（以下简称《实施意见》）强调要“大力推进现代信息技术与教学深度融合，积极引导学生进行探究式与个性化学习。” [3]在政策引领和技术推动下，高校教学开始朝着智能化、个性化、精细化、科学化的方向逐步前进。

二、精准教学模式的时代发展

（一）传统精准教学模式的经典内涵

20世纪60年，美国学者奥格登·林斯利（Ogden Lindsley）将斯金纳（Skinner）的操作性条件反射理论从实验室迁移到教育环境中，发展出了具有循证学属性的教学程序——“精准教学”（Precision Teaching）。精准教学致力于科学的测量和评估，要求师生持续监测可直接观察的行为，并使用标准变速图表记录数据，既而驱动有针对性的教学决策，满足个体和群体的个性化学习需求。传统精准教学主要遵循四条基本原则：第一，“学习者最清楚”，即学习者的学习表现是教学决策的唯一依据;第二，聚焦可直接观察和测量的行为;第三，使用“流畅度”评估学习表现，并以“频率”为衡量“流畅度”的关键指标;第四，使用标准变速图表（Standard Celeration Chart，SCC）记录行为频率，绘制学习表现[4]。这四条基本原则既体现了精准教学的经典内涵，也反映了它的科学属性。

（二）传统精准教学模式的发展局限

在与精准教学相关的文献记录中，大多数实践研究聚焦于中小学阶段，例如美国蒙大拿州大瀑布城的萨卡加维亚小学开展的精准教学实践活动。但是作为一种兼容于不同学段、不同课程的系统程序，精准教学在高等教育领域也产生了积极影响，以密苏里州立林肯大学的心理学课程[5]和佐治亚理工学院的物理学课程[6]为例，精准教学在培养流畅的基础技能方面发挥了良好的教学效果。尽管如此，精准教学并没有被广泛推行，原因可能是多方面的：第一，由于缺乏先进的技术手段，数据收集和分析主要依靠人工完成，這不仅对数据的规模、类型和时效性造成了限制，还给师生增加了额外的工作和学习负担。第二，作为一种嵌入式教学程序，精准教学必须与具体的学科课程或教学方法相融合才能发挥更好的教学效果，但多数教师并不愿意额外花费时间和精力去研究适用于具体课程的实践模型。第三，早期精准教学过于强调行为的结果而忽视了行为的过程以及学习者的个性化特征，被诟病为“机械的教学法”[7]，受到了学界的批评和质疑。第四，开展精准教学实践活动的人员大多数是学校里的教育工作者，尽管他们在教学过程中积累了丰富的案例数据，但由于在论文写作和发表方面缺乏足够的动力和指导，这些实践研究并没有在学术文献中得到充分记载。在各种因素的影响下，精准教学一度陷入发展瓶颈。但不可否认的是，精准教学对科学评测的强调使行为分析不再停留于模糊描述的层面，教学决策也不再仅仅依靠传统的经验和直觉，而是有了更多可量化的指标和可视化的数据，这对促进个性化学习而言具有重要的指导意义。

（三）大数据精准教学模式的智能特点

智能时代，随着大数据技术的发展，精准教学开始突破传统模式的局限，逐渐发展为一种技术赋能的新型教学模式[8]。大数据驱动的精准教学是指以大数据技术为手段，在精准分析学情的基础上精准定位教学目标、精准定制教学内容、精准设计教学活动、精准评价学习表现，进而驱动精准的教学决策，使教学过程和教学结果可量化、可监测、可调控[9]。大数据精准教学主要遵循四条基本原则，即聚焦于可观测的行为数据，用多维指标来衡量表现，使用学情分析工具，以学习者的表现为唯一决策依据[10]。从总体上看，大数据精准教学模式与传统精准教学模式在基本理念方面一脉相承，但与传统基于纸笔的数据收集和分析方法相比，大数据技术不仅使教师从繁琐的绘图工作中被解放出来，而且使数据的规模、类型和处理速度都突破了人工可实现的范畴。在大数据精准教学情境中，涉及行为、心理和生理等层面的多模态数据极大地丰富了精准教学的评价指标，使行为表现和学习过程以细粒度、可追溯的方式被记录和呈现;教育数据挖掘和学习分析技术的应用，也使精准教学不再局限于“可直接观测的行为”，而是深入到人工难以发现或测量的隐藏模式，为形成性评价和预测性分析提供了更多科学依据，有助于实现对个体和群体更精准的个性化指导。

三、高校大数据精准教学模式的研究现状

关于大数据精准教学模式，国内研究者从不同维度提出了理论和实践模型。彭红超和祝智庭围绕教学目标、教学材料、教学活动、教学记录、教学决策几个环节构建了信息技术支持的精准教学模式[11]。付达杰和唐琳从教学目标确立、教学过程框架设计、教学评价与预测三个维度，构建了基于大数据的精准教学模式[12]。张忻忻和牟智佳以学习者模型生成与数据更新为设计核心，以基于生理数据的学习者个性分析为起点，从课前学案设计与结果分析、课中教学互动与差异化指导、课后个性化自主学习等环节出发构建了精准教学模式，并提出了目标导向的精准教学模式实现路径[13]。苏涛涛以精准教学模式为基础，结合大数据技术和微课程教学，构建了基于“互联网+”的精准教学模型，并通过实践证明了该模型的应用价值[14]。

在高等教育领域，研究者和教育工作者也开始探索不同学科情境中的大数据教学模式。赵靖岩和胡振波从高校信息化教学面临的实际问题出发，以数据采集、数据处理、数据挖掘分析、数据应用四个模块为基础，构建了基于大数据的高校信息化教学模式[15]。陈庆斌针对传统大学英语写作教学的主要问题，围绕教学目标、教学资源、教学形式、师生和生生关系、考评体系五个方面，提出了大数据支持的大学英语写作教学模式的构建思路[16]。许静波和王艺鑫以高校思想政治理论教学模式的现状及问题为切入点，从教学目标、教学理念、教学方法三个层面构建了基于大数据的高校思想政治理论教学模式[17]。孟军等研究者以“工程热力学”课程为载体，结合MOOC和传统课堂的特点，设计了大数据环境下的高校翻转课堂教学模型，并构建了相应的评价指标体系，实现了对学生的个性化评价[18]。

从总体上看，大数据精准教学模式与高校大数据教学模式既相互契合又相互区别。二者都强调以学习者为中心的个性化学习，都注重形成性评价的作用，都要求对学习表现进行监测和分析，都需要依托具体的学科课程或问题情境。但大数据精准教学模式更强调师生的主动参与，例如自主监测，日常练习，数据分享，协作学习;高校大数据教学模式则更侧重智能信息技术的应用，强调利用自动化的评估和决策辅助改善教与学。因此，构建适合高校的大数据精准教学模式，需要从理论和实践层面对二者的共性和特点进行融合，使其相互补充，相互促进。

四、基于大数据的高校精准教学模式构建

经典的精准教学模式涉及五个步骤：第一，确定精准的学习目标;第二，准备合适的教学材料;第三，监控学习表现并记录行为频率;第四，将数据绘制在标准变速图表上;第五，使用标准变速图表评估学习表现并做出教学决策[19]。在高等教育领域，为了使教育大数据更好地发挥作用，研究者也对教学程序提出了基本要求：首先，要提供类型多样的教学内容和教学策略;其次，要注重培养学生的综合技能;第三，要为学生提供有利的技术支持;第四，要收集与教学活动相关的过程性数据;第五，要与学生保持沟通交流[20]。本研究在借鉴这两类模式的基础上，从精准教学的理论出发，以学习者为中心，结合高校大数据教学的特点，设计了包含学情诊断、教学设计、教学活动、教学决策、教学干预和教学反思六个环节在内的高校大数据精准教学模式，如图1。

（一）学情诊断

课前学情诊断的目的在于了解学习者的个体特征（如能力水平、兴趣偏好、学习动机、学习风格等），帮助教师精准定位目标，精准设计教学。利用大数据技术诊断学情，教师首先要确定需要解决的问题，基于预期实现的总体目标，初步确定所需数据的类型，并在学生知情和同意的前提下开展学情诊断，如利用已有数据进行深入分析，或在课前通过能力测试、态度调查等途径获取所需信息。为全面了解学习者之间的个体差异，教师应注重对基本数据（如人口统计学信息）、行为数据、心理数据和生理数据等多维信息的收集，选择合适的分析技术和工具，从数据中提取有价值的信息，厘清关联并进行深入挖掘，识别潜在的行为模式和可能存在的风险，同时充分利用学情数据和课程信息构建学习者画像和知识图谱，为教学设计提供详细的参考依据。

（二）教学设计

在学情诊断的基础上，教师需要深入了解个体差异，结合教学经验和专家指导，确定精准的教学目标、教学内容、教学材料、教学策略和评价指标，并根据数据类型（如結构化、半结构化、非结构化）选择合适的分析方法（如数据挖掘、文本分析、社会网络分析等）及相应的技术工具。需要注意的是，由于精准教学强调要依托具体的学科课程或问题情境，因此课前不仅要利用大数据分析学情，还要利用大数据洞悉课程信息。特别是在高校，学科专业类型多样，教师在设计教学时应注意以具体的培养要求和教学目标为出发点，充分利用优质的学习资源，提供丰富的教学策略，满足个体或群体的学习需求。

（三）教学活动

在线学习是高校开展教育教学的重要形式，师生通过在课程管理系统（CMS）、学习管理系统（LMS）、智能导学系统（ITS）、大规模在线开放课程（MOOC）等系统和平台上开展教学活动，生成丰富的行为数据和互动痕迹，如在线学习时长、页面停留时长、平台登陆次数、资源访问次数、论坛发帖次数、作业完成数量等，为在线学习表现的评估提供了丰富的度量指标。尽管在线学习突破了时间和地点的限制，在数据收集方面也更加便利，但它仍然难以取代面对面教学的优势。对于高校课程教学的建设，《实施意见》明确提出要“加强对学生课堂内外、线上线下学习的评价”，并且要求“强化师生互动、生生互动，解决好创新性、批判性思维培养的问题，杜绝教师满堂灌、学生被动听的现象。”[21]与单一的在线学习相比，“线上+线下”的混合学习模式有助于促进更频繁的互动交流，并为发展高阶思维能力提供更多的可能性。充分发挥在线学习和面对面学习的优点，构建泛在化、交互式的混合学习环境，不仅可以获取更多类型的数据，还有助于联结课堂内外的学习信息。与中小学阶段相比，高校对自带设备的限制较小，课堂组织形式也相对灵活，师生可以充分利用智能手机、平板电脑等移动设备，开展限时应答、在线投票、同步讨论、头脑风暴等多种形式的互动学习，在此过程中生成的实时数据能够帮助教师快速了解个体和群体的学习表现并及时进行策略调整。同时，在伦理允许的情况下，适当利用可穿戴设备和信息无感采集装置，使用面部识别、语音识别和情绪识别等智能技术，对课堂教学过程中师生的心理和生理状态进行实时监测，将从中获取的数据与其他类型数据进行关联分析，为学情诊断和教学决策提供更丰富的科学依据。

（四）教学决策

实现以学习者为中心的个性化学习，关键在于对学习者的深刻理解和全面洞悉，仅仅依靠技术手段并不足以从根本上改变教学问题。复杂的教育活动不能被简单地量化处理，算法有时并不能反映真实的问题;知识与技能是无法直接测量的潜在变量，盲从数据反而可能受其误导，例如资源浏览次数和页面停留时长并不意味着对内容的认真学习。过度依赖自动化的评估和决策，不但可能忽视难以度量的潜在变量，导向错误的学情诊断和预测分析，还可能被系统推荐束缚于“信息茧房”之内，阻碍批判性思维、创造性思维等高阶能力的发展。智能信息技术不是对传统教学智慧的颠覆，以师生为主体的教学活动参与者仍然要把握教学决策的自主权。教学决策不可能完全依靠大数据，因为人们会结合自己的视角对数据进行过滤，在此过程中还受到经验和直觉的影响。因此，师生需要始终保持审慎的态度，结合理性思考和直觉经验，对系统生成的数据和决策进行深入分析，并通过观察和访谈等多种方法补充信息，寻找数据背后隐藏的真实问题。对于系统推荐的学习资源，教师和学生也需要理性对待，结合实际情况适当进行筛选和拓展。

（五）教学干预

在课后的精准干预环节，教师应根据学习者的个体情况，对不同特点和不同需求的学生进行差异化指导，并提供量身定制的学习资源。但在高等教育阶段，由于班级规模和学科专业的差异性，教学地点和师生关系的流动性，学习环境和学习资源的泛在化，教学组织和学习方式的多样性等因素的影响，教师难以对课程内的所有学生都展开有针对性的跟踪辅导，因此，学生在课后开展积极的自主学习和自我调节尤为重要。事实上，精准教学模式自诞生以来，就要求学生在自主监测行为变化的过程中主动分析问题并尝试自我调节，进而增强学生的责任感、自信心、自我效能感以及学习动机。从这个意义上来说，在基于混合学习的精准教学情境中，高校学生需要突破数据生产者和知识接受者的被动局限，主动成为自己学习过程的观察者、引导者、设计者和决策者，充分利用各种智能技术和学习资源进行个性化学习，积极开展日常练习、阶段反思和协作交流，通过与数据和问题的频繁互动，提升学习管理和自主决策的综合能力。

（六）教学反思

对教学干预的结果进行及时反思，深入分析各环节可能存在的问题，是教学模式迭代更新的重要前提。在大数据精准教学情境中，学习表现是衡量干预措施对个体适用性的核心依据，但如果只是对干预结果进行简单的数据汇总，而不对各环节进行深入回顾和反思，则难以利用潜在的关联信息推动下一环节活动的发展和进步。因此，在课程开始前和干预结束后，教师和学生都需要对其他环节的问题进行批判性思考，帮助自己更好地理解数据的意义和策略的作用。由于精准教学强调协作交流，师生也要在反思过程中积极分享数据，协作思考问题，在观点的交流和碰撞过程中不断加深对数据的理解，从不同角度审视自己和小组的学习表现，从而驱动更加科学的教学决策。

五、结语

本研究以学习者为中心，从精准教学的经典内涵出发，结合高校大数据教学模式的特点，从课前、课中、课后三个阶段构建了基于大数据的高校精准教学模式。教学模式的六个环节之间并非简单的递进关系，而是以彼此兼容的态势贯穿于精准教学的各个阶段，例如学情诊断既是课前教学设计的重要前提，也是课堂实时调控和课后教学反思的重要依据。教学设计也并非始终固定，而是需要随着学情变化进行适时调整。在大数据技术支持下，教与学的过程信息得以实时呈现，教学决策和教学干预也突破了传统汇总式的模式局限。当然，时间有限的课堂教学可能更适合灵活敏捷的反馈形式，由表及里的问题分析和深思熟虑的教学决策更适合放在相对宽松的课后时间段进行。但无论在哪一个阶段，及时的总结和反思都是推动精准教学模式有效运行的重要动力，教学设计以学情诊断为基本依据，课堂教学依托教学设计有序进行;课堂实时反馈促使师生对教学策略进行及时调控，课后决策和精准干预又需要对其他环节展开细致地回顾和梳理。各环节互相融合，互相促进，以循环迭代的形态优化教与学的各个阶段，并在频繁的反思活动中不断发展更新。

参考文献：

[1]国务院.国务院关于印发国家教育事业发展“十三五”规划的通知[EB/OL].（2017-01-10）[2019-08-30].http：//www.gov.cn/zhengce/content/2017-01/19/content_5161341.htm.

[2]教育部.教育部关于印发《高等学校人工智能创新行动计划》的通知[EB/OL].（2018-04-03）[2019-08-30].http：//www.moe.gov.cn/srcsite/A16/s7062/201804/t20180410_332722.html.

[3][21]教育部.教育部关于一流本科课程建设的实施意见[EB/OL].（2019-10-30）[2020-01-26].http：//www.moe.gov.cn/srcsite/A08/s7056/201910/t20191031_406269.html.

[4]Kubina，R M，Morrison，R S.Fluency in education[J].Behavior and Social Issues，2000，10（1）：83-99.

[5]Beneke W M.Precision Teaching to Enhance Reading Skills of Introductory Psychology Students？[J].Journal of Precision Teaching，1991，8（2）：37-43.

[6]Thomas，E W.Performance Prediction and Enhancement in an Introductory Physics Course for Engineers[J].Journal of Engineering Education，1993，82（3）：152-156.

[7]Moran，S.After Behaviourism，Navigationism？[J].Irish Educational Studies，2008，27（3）：209-221.

[8]祝智庭，彭紅超.信息技术支持的高效知识教学：激发精准教学的活力[J].中国电化教育，2016，（1）：18-25.

[9]万力勇，黄志芳，黄焕.大数据驱动的精准教学：操作框架与实施路径[J].现代教育技术，2019，29（1）：31-37.

[10]王亚飞，李琳，李艳.大数据精准教学技术框架研究[J].现代教育技术，2018，28（7）：5-10.

[11]彭红超，祝智庭.面向智慧学习的精准教学活动生成性设计[J].电化教育研究，2016，37（8）：53-62.

[12]付达杰，唐琳.基于大数据的精准教学模式探究[J].现代教育技术，2017，27（7）：12-18.

[13]张忻忻，牟智佳.数据化学习环境下面向个性化学习的精准教学模式设计研究[J].现代远距离教育，2018（5）：65-72.

[14]Su，T.Micro-Course Model Based on Precision Teaching Theory—An Exploratory Course on Sports Scientific Research Methods[J].International Journal of Emerging Technologies in Learning （iJET），2020，15（14）：204-219.

[15]赵靖岩，胡振波.大数据环境下高校信息化教学模式研究[J].情报科学，2016，34（1）：92-95+103.

[16]陈庆斌.大数据时代的大学英语写作教学模式重构[J].外语学刊，2016（3）：129-132.

[17]许静波，王艺鑫.建构大数据时代高校思想政治理论课教学模式研究[J].黑龙江高教研究，2018（5）：152-155.

[18]孟军，刘冰璇，翟洪江，兰淇.大数据背景下高校翻转课堂学习评价的研究——以A校“工程热力学”课程为例[J].高等工程教育研究，2018（5）：166-171.

[19]Griffin C P ，Murtagh L .Increasing the Sight Vocabulary and Reading Fluency of Children Requiring Reading Support：the Use of A Precision Teaching Approach[J].Educational Psychology in Practice，2015，31（2）：186-209.

[20]Nazarenko M A ，Khronusova T V.Big data in Modern Higher Education.Benefits and Criticism[A].In：2017 International Conference" Quality Management，Transport and Information Security，Information Technologies"（IT&QM&IS）[C].St.Petersburg，2017：676-679.

（責任编辑 赖佳）