用数据思维改进教学行为，促发深度学习

郭小龙

摘要：随着信息技术的发展和教育改革的逐步推进，如何对学生的学习和教师的教学进行细微精准的洞察、科学理性的诊断分析，让教师的行为从“经验主义”走向“数据实证”，继而促发学生的深度学习，成为亟须解答的时代命题。从深度学习的分析模型建构着手，基于数据思维的联想与结构、诊断与分析、评价与反思、应用与改进等几个维度进行分析与探索。

关键词：数据思维;教学行为;深度学习

随着信息技术的发展和教育改革的逐步推进，传统的模式化教育正逐步退出历史舞台，以个性化的“靶向教育”促进学生深度学习逐步成为未来教育发展的方向。未来教育将呈现个性、精准、自适应的趋势。

在传统的教学行为中，我们对教育的认识大多数只是一种模糊的认知，很难进行个性化的量化说明。教师对学生的评价和自己的教学行为的反思也是按照学生的测试分数和自己的主观印象进行的。如何对学生的学习和教师的教学进行细微精准的洞察、科学理性的诊断分析，让教师的行为从“经验主义”走向“数据实证”，从“宏观群体性评价”走向“微观个体性评价”，是当今时代摆在我们面前的一个重要课题。

一、基于数据思维的深度学习分析模型建构

首先，谈谈什么是数据思维。古人云：以道驭术，以术驱道。在“道”的层面上，数据思维是一种思维方式，在它的指导下，我们可以把“业务问题”定义成“数据可分析问题”。而在“术”的层面，数据分析模型又是一种可以运用的数据分析工具，其核心就是养成一种思考有的放矢的习惯：分析的目的是什么？核心诉求是什么？因变量Y是什么？搞清楚目的后，你就能将注意力聚焦在相关的自变量X上，就不会陷入“乱花渐欲迷人眼”、处处皆是重点的迷乱状态。接下来，你可以尝试进行最简单的分析，至少可以区分一下哪些是相关关系、哪些是因果关系。一般而言，大数据思维要把握三个基本原则：（1）不是随机样本，而是全体数据;（2）不是精确性，而是混杂性;（3）不是因果关系，而是相关关系。另外，在数据分析环节，要注意几个问题：在数据采集中，数据的来源是什么？是否可靠？在数据处理中，处理工具是什么？是否准确？在结果应用中，应用的对象是什么？是否合理？

其次，谈谈深度学习分析模型设计。深度学习是一种学习者在深度理解的基础上，积极主动地、批判性地接受新知识，并通过所建立的新旧知识间的联系解决复杂问题和创新知识结构的高级学习方式。深度学习分析模型的总体思路与学习分析的一般模型相似，只是它以深度学习结果评估为基础，而非一般的学业成绩。

深度学习模型与学习行为大数据相结合，构建起基于学习行为大数据的深度学习分析模型。以2020年新冠肺炎疫情期间全国大规模的线上教学为例，如图1所示，该模型包含数据采集、数据处理、数据分析、结果呈现与应用，以及流程中的要素条件。

（1）深度学习分析模型的第一步就是对学生大量的学习行为数据的采集。学生学习行为数据既包含学生在线上平台所产生的一切有关学习的交互数据，也包括线下日常学习中通过物联感知技术所产生的一切有关学习的数据等。对于采集到的行为数据，要根据不同的数据类型与特征进行相应的存储与清理。

（2）深度学习分析模型的第二步是数据处理，即通过相应的数据存储与清理方式实现对结构化、半结构化、非结构化的数据的统一管理，以及根据要求整合数据格式，剔除无关的数据。

（3）深度学习分析模型的第三步是数据分析阶段，即运用不同的分析方法（诊断分析、预测分析、评价分析）对处理后的数据进行分析，从而评估深度学习的结果。

（4）深度学习分析模型的最后一步是结果呈现与应用，即根据受众的不同，将数据分析的结果以不同的可视化方式呈现出来。教师与管理者可根据分析结果对学生的学习行为进行干预与引导，促进学生达到深度学习的目标要求。

二、基于数据思维的联想与结构

大数据聚焦于学生的微观表现，成为学生学习过程的记录档案，为学生各学科学习分析提供数据支撑。通过过程数据的汇聚，进行联想和结构化，可以比较精准地分析学生的个体知识能力结构、个性倾向、思维特征、学习路径以及学科素养发展状况等。通过数据分析，可以发现学生的学科学习潜力和优势。例如，以下为福田区某小学二年级一学生在一次测评中的得分情况，如表1所示。（此案例数据来自2016年上海思来氏公司对某小学二年级学生的学习基础素养测评）

从上表中的数据分析可以看出，该学生的语文和英语成绩不理想，数学成绩尚可。如果没有学习基础素养的测评，我们根据以往的思维是否可以判断该学生的思维能力是不错的，其语文和英语成绩不理想主要是因为学习不努力。而分析该学生的学习基础素养得分情况，恰恰得出了完全不同的结论：该学生的逻辑思维能力正好是他的短板，只是因为该学生超群的持续注意能力使得其逻辑思维的劣势被遮蔽，并同样获得了很好的数学成绩。

三、基于数据思维的诊断与分析

课堂教学改进必须基于真实的证据，找出实践中真实的问题，并且经过诊断的程序，发现问题背后的原因，才能在原有的教学基础上做出有针对性的改进。我曾经尝试运用S-T分析法对自己的课堂进行行为分析，试图找出问题在哪儿，然后进行原因分析，为教师的教学行为改进指明方向。

S-T分析法是首都师范大学王陆教授团队开发的一套分析工具，这套系统是基于课堂大数据的课堂观察，他的基本思路是通过对教学过程中的教师行为（T行为）和学生行為（S行为）进行采样与编码，描述课堂的基本结构和实时发生的事件，分析课堂教学的质量。下面以我的一堂“异分母分数加减法”课堂教学分析为例。

（一）师生行为整体分析

如图2所示，学生行为个数（53个）明显高于教师行为个数（23个），这节课还是比较好地体现了学生的主体地位。

如图3所示，教师活动时间和学生活动时间的占比分别是30%和70%，CH≥0.4，属于对话型教学，比较好地保证了学生的活动时间，有利于调动学生的主观能动性。

（二）有效性提问统计分析

如表2所示，创造性问题（9.09%）和批判性问题（15.15%）在教师的有效提问中占比偏低，鼓励学生提出问题所占的比例（4.48%）也明显偏小，说明教师对于问题设计和对教师提问的理答方式还有很大的改进空间。

（三）“四何”问题分析

“四何”问题是指“是何”“为何”“如何”“若何”。“是何”主要解决陈述性问题，“為何”主要解决原理性问题，“如何”主要解决策略性问题，“若何”主要解决创造性问题。“四何”可以反映出教师的问题设计能力。教师在本堂课中提出的“如何”问题，也就是策略性问题占比12.50%，比北京教师常模22%低了近10个百分点;“若何”问题即创造性问题占比4.17%，比北京教师常模低了5个百分点。因此，教师需在“如何”与“若何”问题的处理上下苦功夫，加强策略性知识的渗透和对学生创造性解决问题能力的培养。

?（四）对话深度统计

对话深度主要体现教师的策略性知识和情境性知识。从师生对话深度来看，参照北京教师教学行为常模分析，教师在本堂课中的深度三和深度四均比北京教师常模高出近15个百分点，深度五高出近17个百分点，说明教师在教学中处理师生对话的深度上有比较明显的优势。

四、基于数据思维的评价与反思

在大数据情境下，对学生的学习数据进行全方位、全程的跟踪监测，可以挖掘出更多的隐性数据，发现数据之间的关联性，及时发现问题，为进一步进行有效的干预、改变教学决策、提高教学质量提供依据。

2012年深圳市福田区参加了教育部基础教育课程教材发展中心“建立中小学生学业质量分析反馈与指导系统”项目的学业水平测试，福田区小学数学学科的学业质量各项指标均居于样本区的前列，但其中一道测试题学生的作答情况引起了我的注意。

测试题：合唱队中年级学生的人数是低年级学生人数的3倍，下面图中表示出了低年级的人数，请根据倍数关系画出表示中年级学生人数的图。

从学生答题的得分情况看，综合表3、表4、图4的结果表明，全区被试学生全对人数仅占40.7%，在所有的测试题中，得分比率明显偏低。在本次测试中A水平的学生这道题的得分率只有65.3%，B水平的是26.3%，C水平学生的仅有8.4%。从学生的作答情况分析，学生没有不知从何入手没有作答以及其他错误答案的占20.2%;倍数关系不是3倍的，或者1倍的标准与给出的标准相差太大不成比例的占13%;有意思的是学生能列式解答却不能用图画表征的学生居然达到了26.2%。

从数学问题表征的过程看，表征问题的第一个任务是言语理解，言语理解不同命题时的难度是不一样的。例如，“低年级学生有15人”只是指明了低年级学生人数，所指的对象是单一的;“中年级学生的人数是低年级学生人数的3倍”，主要是描述两个年级学生人数的关系。据此，将“合唱队中年级学生的人数是低年级学生人数的3倍”的关系作为合理标准，并将有此思路者认定为“问题表征合理”，否则为“不合理”。

从数学问题的解决过程看，多元表征有以下三个方面的功能。一是启发功能。在波利亚的“怎样解题”中就含有“画张图”“引入适当的符号”“你能不能重新叙述这个问题，你能不能用不同的方法重新叙述它”这类与表征有关的启发式策略。事实上，利用不同表征来启发解题思路的例子比比皆是。二是转化功能。由于数学的形式特征，数学问题解决中的命题转化可以看作是问题表征之间的转化。譬如，“合唱队中年级学生的人数是低年级学生人数的3倍，根据倍数关系画出表示中年级学生人数的图”等数形结合题，就是代数表征与几何表征之间的转化。此外，可以用向量的语言去处理几何问题，可以用函数的观点去讨论方程等。也正因为同一个数学对象可以有不同的表征，使得数学问题的解决具有较大的灵活性。三是理解功能。卡帕特的研究表明：不同表征之间的联结有助于看清问题结构，从而更好地理解数学问题以及相关数学概念的本质。

总之，一个数学问题的表征方式可以是多元的，但真正的结构内涵是唯一的。学生对于一个具体问题的画图表征也不是解决这个问题的唯一途径。如何沟通多种表征之间的联系，为学生提供丰富多元的表象支撑，帮助学生提高解决问题的能力，是一个值得思考的问题。

五、基于数据思维的应用与改进

基于数据思维，我们可以验证经验判断，可以洞察一些平常难以发现的问题。但这还不够，关键是要找出问题背后的原因，提出改进的策略，对学生的学习行为进行干预与引导，促进学生达到深度学习的目标要求。在此，我还是以2012年我区在参加教育部基础教育课程教材发展中心“建立中小学生学业质量分析反馈与指导系统”项目的小学数学学业水平测试中发现的问题为例进行分析，基于数据思维来提出改进策略。

（一）训练学生问题表征的表达能力，提高问题表征的准确性

例如，要表示“合唱队中年级学生的人数是低年级学生人数的3倍”，教师要有针对性地引导学生用“说一说”“摆一摆”“画一画”等语言、图形、符号、动作等形式表征出来，帮助学生加深对数学概念“倍”的理解和促进学生对“倍”的模型建构。

（二）展示学生问题表征的思维过程，提高问题表征的合理性

在教学中，教师如果只注重学生的思维结果，而忽视学生对问题表征的思维过程，就会导致学生对数学问题的认识处于浅层次的理解。因此，在将数学问题展现给学生的时候，要注重创设学生思考、探究问题的时空，设计有过程的操作，同时还要重视展示学生问题表征的思维过程，分析表征中的错因，提取和激活其合理成分，让学生自觉对其思维过程做出调整，修正、完善问题表征。

（三）注意多元表征和变式教学的整合，提高问题表征的灵活性

变式在于“变”，其目的在于抓住变化中的不变，把握事物的本质;多元表征在于“元”，其目的在于明确地把握事物的图式。如果说变式在于剥开笋皮达到内核，那么多元表征就是达到知识内核的工具，二者殊途同归——把握问题的实质。在数学学习时，呈现有关学习对象的多元表征，譬如列表表征、言语表征、图像表征、符号表征以及操作表征，学生根据这些不同类型的表征，从不同侧面和层次认识对象的特征，可以形成学生心理意象的各个成分，加深学生对问题概念的理解。

总之，运用数据思维，让数据赋能，能有效地改进课堂教学，促进学生深度学习的发生。

参考文献：

[1]窦平.小课题研究：数学深度学习的新视角[J].江苏教育（小学教学版），2019（03）.

（责任编辑：奚春皓）