基于大数据技术的课堂教学评价方法研究

谯婧 张迪

（西安欧亚学院 陕西·西安 710000）

1 核心概念界定

教学评价：教学评价是依据教学目标要求，采取合理的评价方式，针对教学过程做出的价值性评估，从而为提升教学质量、改进教学内容提供依据和参照。既是对教师为达成教学目标所开展一系列教学活动而进行的诊断方式，同时也是教师进行自我教学反思和优化教学的重要依据。

数据存储：是所有数据的集中存放，主要存放各种结构化、半结构化和非结构化的历史数据、预测数据、汇总数据以及需要共享的数据等。

数据整合：是指通过高质量的数据整合方法，对数据进行加工处理，并在尽可能保留原有语义的情况下去粗取精、消除噪声，从全局的角度保证数据的一致性和相关性。

2 研究现状分析

由于计算机技术、编程语言、网络通信等技术的逐渐发展成熟，相关学者通过引入技术手段的支持，开展了技术支持下的课堂评价方法研究，通过研制开发相关软件工具，以技术手段降低教学分析方法应用的门槛，提高数据采集与分析的效率，便于教学分析与评测方法的推广与应用。欧美一些国家开发出了许多网络教学评价系统，应用于在线课程的评价、学习考评、学生行为分析。具有代表性的如华盛顿大学使用的智能评价软件IAS，在线教育云平台基础上所研发的集智能学习、智能评价、考核认证为一体的在线学习考评系统，能够智能引导学员自主学习、分析学习行为、智能评析试卷，满足各类院校、考试认证机构学习考评需求。另外个人发展系统IDEA、加拿大英属哥伦比亚大学开发的WebCT系统，这些已经实际运用的系统中普遍具备了教学评价的功能。

国内而言，课堂教学评价方面的研究成果主要从为什么进行教学评价，教师教学评价的标准，如何进行教师教学评价，由谁来评价教师教学，教师教学评价的结果如何处理等维度出发，多属定性范畴。在评价系统的研究方面为了生成能够进行自动处理的课堂信息，目前主流的方法是采用课堂测试生成测试分数、调查问卷生成等级分数、符号化的课堂观察、课堂教学场景的编码等人工生成方法，但这些方法具有人工参与程度高、人工费用高、客观性难以保障等缺陷，难以实施常态化、规模化、自动化的教学信息采集。

受技术的限制，目前课堂教学定量评价的应用范围比较小，课堂评价中定量评价的准确性和精确性取决于数据的维度、量级等几个方面，数据分析的手段和方法是其关键，因此为了对课堂教学进行大规模持久的监测与评价，获取客观的教育大数据，实现大地域、多样本、全过程的课堂评价，发展课堂教学定量评价技术必行。

3 大数据技术下的课堂评价的困境和突破

大数据时代的思维方式为教育评价提供了崭新的思路，其一，形成发展性教育评价观。强调以教育评价对象的主体性发展为目的，从学生的需要出发，重视学习过程，学习体验和师生交流，其二，扩大教育评价范围。强调教育评价对象不仅仅限于学生，还应涵盖诸如课程、教师、学校等对教育活动有重大影响的内容。其三，反思对成绩的片面追求。强调测试分数不等同于物理测量单位的直观含义，在教育评价中不能仅凭简单的数字加以解读。

在网络成为人们基本日常的学习平台的大数据时代，利用数据挖掘、学习分析、内容分析等技术和相关学科的发展，已使以“增量评价”“进步评价”为特征的发展性评价有了技术和方法的保障。

为了保证大数据的可用性，首先必须在数据源头上把好质量，做好从原始数据到高质量信息的预处理。与传统教育数据相比，教育大数据的来源更加多样化，包括业务系统内部数据、互联网数据、物联网数据等，数据量庞大、格式不统一、数据质量差异明显。因此数据采集环节必须规范数据格式并进行初步预处理，以便于后续教育数据的存储、管理与应用。

3.1 课堂数据获取的关键技术

信息技术与教学的深度跨界融合推动着学习的变革，线上教学、混合式教学、智慧课堂等多种教学方式在应用型高校的教学中得到了广泛的应用，随着课堂教学模式、学生学习方式的转变，教学方式采用翻转课堂、慕课、微课等形式开展网络教学，自动留存学生关于学习行为的各种数据，通过数据共享平台记录、共享课堂教学大数据成为现实。平台数据逐步形成学生学习行为数据、课堂教学过程数据。数据共享的实现，为利用数据挖掘、人工智能分析手段进行课堂教学评价提供了数据依据。

通过自建校内专用图像、通信和定位网络以及全方位捕捉摄像头和分布式拾音器采集课堂视频、音频等信息。既可以利用自组网技术实现校内高带宽信息通道和海量数据共享，还能够实现位置、表情、动作等信息的实时采集。所有的数据都具有海量、多源、时效性强，以及类型多等特点，利用大数据技术进行规整分类，为进一步实现数据的深层次挖掘提供技术基础。

3.2 课堂数据规整处理的关键技术

数据处理主要包括数据选择、数据清洗和数据转换，数据选择的目的就是确定数据挖掘任务所涉及的操作数据对象，根据数据挖掘任务的具体要求，从相关数据源中抽取与挖掘任务相关的数据集。数据清洗包括消除噪声、遗漏数据处理、消除重复数据和数据类型转换处理。数据转换主要是消减数据集合和特征维数，从初始特征中筛选出真正与挖掘任务相关的特征，提高数据挖掘的效率。

课堂数据来源多、海量、时效性强，系统识别中容易出现异常数据与数据分类问题。传统的固定类别算法无法准确整合数据，完成数据分类，对于结构化的教学信息数据处理主要包括数据过滤、数据分类和统计等，对于半结构化的教学行为数据、学生行为数据处理包括数据转换、特征提取、数据关联；对于非结构化的教学视音频、文本类、资源类数据处理包括语言转化与分析、文本处理分析、数据反演分析、情感分析。

3.3 课堂数据的分析与呈现

随着信息化手段不断的深入课堂，教学活动数据既包括线上的学习，也包含多种教学模式下的线下教学活动。由于学习目标、学习平台、学习内容的不同，动态生成大量的多模态数据，让课堂数据的类型更加复杂。借助信息技术手段，基于线上学习平台的采集的学生学习轨迹数据、导学行为数据、导学测评数据等一系列的课前学习行为数据，应用数据挖掘、学习分析技术，分析学习者的共性与特性，进一步得到学清分析报告，进而为教师改善、调整教学设计、教学方式提供精准的参考，有效的促进教与学。

通过自建校内专用图像、通信和定位网络以及全方位捕捉摄像头和分布式拾音器采集课堂视频、音频等信息。对采集数据进行去重、去噪、转换、处理等预处理后，应用聚类分析、关联分析、序列分析等技术对学习行为数据进行挖掘，如根据学习者在线学习环境中的学习困难、交互模式等将学习者进行分组，进而挖掘学习者的个性特征，为不同的群组提供合适的学习资源，推送合适的学习活动。利用关系挖掘，探索学习活动与和学习成绩的相关关系，构建课堂数据与学生学习效果关联模型，促进教师精细化的教学和学生个性化的学习。

4 结语

新信息技术快速发展不断促进课程与教学范式、模式、方式等诸多方面的变革，催生了新教育思维、新课程样态、新教学模式、新评价范式的更迭与创新，这些变化都为未来的课堂教学评价方式的发展提供巨大的空间和机遇。未来的课堂教学评价结果更趋向于精准性、高效性、多样性的多元评价。

大数据的深度研究与实践可为大量的音频、图片、行为记录等半结构化、非结构化的课堂数据进行结构化的处理与分析，从而有效助力课堂教学综合评价的开展与推进。