“计算机仿真”课程形成性评价研究与实践

2021-04-13张延宇

电气电子教学学报 2021年2期

张延宇，李伟

(河南大学计算机与信息工程学院，河南开封， 475004)

0 引言

对教学过程和教学效果进行有效评价，及时向教师和学习者反馈教与学过程中的不足对于提升教学效果具有重要意义。学习效果的评价方式主要分为诊断性评价、形成性评价(过程性评价)和终结性评价；我国目前的评价方式以终结性评价为主[1]。终结性评价一般在学期结束时进行，以教师为评价主体，任课教师根据学生的卷面成绩、实验报告、平时作业、出勤率等因素，利用加权求和的方式对学习者的学习效果进行综合评定。终结性评价存在以下弊端：①课程结束时评价一次，不能对教学的全过程进行动态评价，是一种静态评价；②学期结束时教师和学生才确切知道教与学的效果，评价结果具有滞后性；③实验报告和平时作业等验收性成绩主要依据提交的资料来评定，无法充分反映学习者的思维、能力等因素[2]，评价结果具有片面性。

不同于终结性评价，形成性评价在教学全过程中，对教师的“教”和学习者的“学”进行跟踪，从多维度及时对教学效果进行评价，向教师和学习者反馈评价结果，帮助教师提升教学效果，激发学习者的学习潜力[1]。近年来，越来越多的教育工作者对其进行了研究和实践，在不同学科领域得到了广泛应用[3～4]。特别是在工程教育专业认证的推动下，形成性评价得到了前所未有的重视。《工程教育认证通用标准解读及使用指南》明确指出“对学生在整个学习过程中的表现进行跟踪与评估，并通过形成性评价保证学生毕业时达到毕业要求”。

本文阐述了我们在河南大学自动化专业“计算机仿真”课程教学活动中开展形成性评价所做的研究和探索，重点从课程概况、评价目标、面临的挑战和解决办法、评价效果等几方面进行了论述。

1 课程概况

“计算机仿真”课程是我校自动化专业本科生的专业选修课，开设于第3学期，48学时，2.5学分。该课程讲授计算机建模、仿真的基本概念、方法、流程，重点讲授计算机建模仿真常用工具Matlab的使用方法，同时以电路、模拟电子技术、信号与系统中的典型问题为例，进行仿真实践练习。通过本课程的学习，学生具备以计算机为工具对复杂工程问题进行建模、仿真、分析的基本能力。2019-2020学年第1学期我校自动化专业共有2个班级开设此课程：18-4班自动化(一本，108人)、18级民生自动化(独立学院，106人)。

2 评价目标

我们在“计算机仿真”课程中引入形成性评价，希望达到以下4个目标：

(1)及时地对教和学全过程进行动态评估，发现教学过程的不足和学生学习的薄弱点，有针对性的改进；做到边“教”“学”，边评估，以评估结果来改进“教”“学”过程，构成闭环系统，做到评估的“全教学过程”、“全知识点”覆盖。

(2)转变学生课程综合成绩的评价方式，将成绩评价贯穿于整个课程学习的全过程。采用形成性评价，通过期末考试、实验报告、出勤率、随堂测验、章节测验等多种方式进行评价，将评价活动贯穿于教学的全过程。

(3)以考促学。为避免学生平时懒散，考前突击，考后“清零”的弊端，采用随堂测验的方式，每次上课前都对以前的知识点进行考核，考试完成后即刻反馈考试结果，并将考试结果计入最终综合成绩。从而督促学生积极主动地学习，将功夫用到平时。

(4)精准识别学生学习的难点和学习有困难的学生，做到精准教学、助学。利用形成性评价，多维度、全过程地对教学效果进行评价，及时了解学生对重难点的掌握情况，并识别出需要额外帮助的学生，从而做到因材施教、因人施教。

3 面临的挑战和解决办法

本节首先阐述在“计算机仿真”课程中实施形成性评价面临的困难和挑战；然后，给出了我们的解决办法，重点阐述我们使用第三方平台“智慧树”实施形成性评价的经验和心得。

根据物元概念［7］，将普查绩效评价指标体系的五个维度（准则层）定义为评价的主要因素Xi（i＝1，2，…，5），将对应准则层下测评指标定义为第i项主要因素所属的第j项次要因素Xij，相应的量值表示为xij（j＝1，2，…，n），则待评价对象——普查绩效的5维复合物元记为R5：

3.1 面临的挑战

(1)教师工作量大。由于选课人数超过200人，大班授课，每次课前测验后都需要教师花费大量的时间进行阅卷；另外，为了精准识别教学过程中的难点和学习有困难的学生需要对每个知识点的得分情况和学生的成绩进行统计分析，这些工作大幅度地增加教师工作量。

(2)缺乏多维度的数据支撑，评价过程主观性强，无法做到客观、科学、全面的评价。从多维度采集能够有效反映学生学习过程和学习效果的数据，基于数据并结合教师的经验才能够做到评价过程的客观、科学、全面、有效。因此，需要采集学习过程的多维度数据。

(3)评价内容少，缺乏预测功能。传统评价只能给出在过去的一段时间内，学生对已经学习过的知识和技能的掌握情况。但是，对于诸如“按照当前学习方式和效果，是否能够顺利通过期末考试，拿到学分”的问题无法给出预测。在我们所做的问卷调查中，92.9%的学生表示希望能有这种预测方法或模型。这也表明动态地对学生的期末考试结果进行预测也可以作为一种评价方法，并且更能激发学生学习的兴趣和积极性。

3.2 解决办法

为了解决上述挑战，在学期刚开始时，面向选课的同学就学生接入互联网的便捷性、途径、目的、利用信息技术提升课堂效果的态度等问题进行了一次摸底调查。回收有效问卷177份，结果表明93.2%的学生可以随时随地接入互联网；90.4%的学生主要通过手机接入互联网。社交和视频娱乐是他们接入互联网的主要目的，两者合占75.2%，查资料、辅助学习占19.2%，看网课占5.7%；85.9%的学生觉得应该对现有的教学手段进行升级，采用新型的信息技术提升课堂效果。

基于上述调查结果并结合实际情况，我们在授课过程中引入了第三方学分课程运营服务平台——“智慧树”。利用“智慧树”辅助实施形成性评价，减轻教师的工作量，实现教学全过程、多维度的数据采集，为科学、及时、有效的形成性评价打下了坚实的基础，解决了形成性评价实施面临的难题。

1)基于“智慧树”的形成性评价方法

智慧树支持手机应用和浏览器两种不同的接入方式。目前学生主要通过“智慧树”手机应用“知到(学生版)”进行课程互动。选课学生通过身份认证后即可加入我们事先在“智慧树”网站(www.zhihuishu.com)上建立的“计算机仿真”课程(课程编号：K787478)，从而获取教师发布的教学资源、进行课前测验考试、在线提问、参与课堂互动等活动。教师在备课阶段主要通过浏览器在计算机上实现学生管理、学习资源上传、布置作业考试、监控学情数据、成绩管理等操作；见面课阶段，课堂互动则主要通过“知到(教师版)”来进行，通过“群聊”功能与学生互动，实现签到、随机点名、抢答、课堂答疑、投票等操作。教学过程中的各种学情数据和成绩都由“智慧树”自动搜集、统计，作为形成性评价的依据。

2)形成性考核

图1 课前随堂测验成绩分布图

本次测验主要考查学生对Matlab基本编程语法的掌握熟练程度，从图1来看大部分学生掌握了相关知识；但分析具体题目的得分情况时发现不少学生对循环语句中continue语句的使用方法尚未掌握，本道题的得分率只有31%，点击本题对应的“试题分析”按钮，给出了本道题的详细分析。在试题讲解阶段我们主要针对这个知识点进行回顾和讲解。通过此种方式，我们可以精准识别学生学习的难点，有针对性地讲解；同时也可以利用“作业批阅”里面的成绩排序功能，精准识别学习有困难的同学，然后因人施教。一次测试完毕，成绩自动归档，自动计算截止到当前的平时成绩。

章节测验主要在每个知识单元讲解完毕后进行，随堂测验是“细粒度”的考核，章节测验则是“阶段性”的形成性考核。根据需要，试题类型除了选择题、判断题，还可以是填空题、简答题、编程题和Simulink仿真题等。课堂内进行，每次30～45分钟，一个学期3～5次，根据教学进度合理安排，但不易过频，否则占用过多课内时间，不利于按时完成学期教学任务。受制于当前“智慧树”的功能，编程题等无法自动阅卷的题型，由老师课下评阅，但成绩汇总、统计、发布依旧由平台自动完成。

3)学生学习结果预测

如前所述，在教学过程中对学生期末是否能够通过课程测试进行预测也是一种有效的评价方式，不但能够有效识别需要额外帮助的学生，而且还能激发学生学习的积极性。由于缺少历史数据支撑，本轮授课过程中并没有机会实践这种形成性评价方式，但我们利用本轮“计算机仿真”授课过程中采集的数据建立了这种预测模型，并对这种预测模型的可行性和有效性进行了充分验证。

在Matlab 2019a的环境下，利用DeepLearnToolbox -master工具箱建立了一个三层BP神经网络预测模型，输入层5个神经元，隐含层20个，输出层1个。该模型根据学生学习过程中的实验成绩、测验成绩、出勤率、学习资源查看次数、下载次数来预测其期末总评成绩及是否能够通过期末课程测试(1：通过；0：不及格)。

为了训练和测试模型，将每个班级的样本数据以3:1的比例分成两部分，其中75%的数据用于训练预测模型，25%的数据用于测试模型的有效性。共进行了4种不同类型的实验，其结果如表1所示。

实验1和实验2训练所得模型相同，实验3和实验4训练所得模型相同。每个模型的训练数据和测试数据来源如表1所示。从预测精度来看，模型对同一来源的测试数据的预测精度略高于不同来源的测试数据，这是因为不同数据集蕴含的数据特征略有差异，同一数据来源的预测模型能更好地表征这种差异。

表1 实验类别及预测精度

同时，利用18民生训练数据训练所得的模型，对两种测试数据的预测精度均高于实验1和实验2中的模型，这可由18民生训练数据中不及格的人数比18-4训练数据中的人数多，训练得到的模型更充分地表征了不及格类别的数据特征来解释。

本文模型预测精度超过92%足以满足形成性评价的需求。当然，利用深度学习等方法建立更加复杂的预测模型可以进一步提高预测精度，但这并非本文关注焦点。本文主要通过这种抛砖引玉的方式，验证了利用成绩预测作为形成性考核的一种辅助手段的可行性和有效性。

4 评价效果

形成性评价在“计算机仿真”授课过程中受到了广大师生的欢迎。学期末的专项调查问卷表明，97.2%的学生认为形成性评价能更好地反映其真实学业水平，91.8%的学生表示由于采用形成性评价他们在“计算机仿真”课程上花了更多的学习精力，达到了以考促学的目的。对比往年期末测试成绩，实施形成性评价后，18民生自动化的“计算机仿真”课程平均成绩提高2.43分，及格率提高了10.13%；尽管18-4的效果没有这么显著，但也具有明显的积极作用。

对教师而言，借助“智慧树”实施形成性评价，提高了评价的科学性、及时性，有助于精准识别教学难点和学习困难学生，提高教学效率。同时，也减轻了形成性评价中数据搜集的难度，助力工程教育专业认证的顺利开展。

开展形成性评价，除了借助“智慧树”平台外，也可以借助雨课堂等其他模式。雨课堂直接将随堂问题插入到课件中，不需要专门发布，更为灵活；但“智慧树”的数据统计功能更为强大。目前，尚不存在尽善尽美的平台，根据评价目的和形式，选择最适合自己的即可。