课堂教学大数据分析及其在混合式教学中的运用

张增强，杨艳玲，冯桂珍

(1.石家庄铁道大学 机械工程学院，河北 石家庄 050043；2.河北师范大学 美术与设计学院，河北 石家庄 050024)

教育部发布的《教育信息化十年发展规划(2011—2020年)》明确提出，“进一步加强基础设施和信息资源建设，重点推进信息技术与高等教育的深度融合，促进教育内容、教学手段和方法现代化”[1]。传统教学模式在教与学数据获取方面存在滞后性、主观性和无力性等问题，随着互联网技术进步及教育主管部门的政策鼓励，线上线下混合式教学已经成为保障和提高教学质量的重要途径之一。有效运用教学过程中所产生的海量数据，做好教学设计与评价，让信息化技术更好服务高等教育成为当前重要议题。

随着课堂教学改革深入、智慧教学平台及互联网技术的不断发展，SPOC混合式教学模式被越来越多课程采用，SPOC(Small Private Online Course，简称SPOC)是一种比MOOC更精致、更小众的在线开放课程类型，它既符合网络化课程的发展趋势，又结合了传统校园教学的优点，同时也弥补了传统课堂教学的不足[2]。目前教师可选用的教学平台有学堂在线、爱课程和超星等，在平台的教学实践中沉淀了大量数据，对数据的获取、采集、分析、解读从而形成有价值的结论或观点是当前教师面临的机遇和挑战。按照数据挖掘相关理论，分为数据类型、采集、校验、挖掘和应用，如图1所示。

图1 教育数据处理流程

一、课堂教学大数据的类型、价值与用途

在进行线上线下混合模式教学设计和评价之前，首先必须了解课堂教学大数据的类型、价值和用途，大数据包含了隐含在不同信息载体中与教育相关的全部数据，如体量数据、资源数据、活动数据等不同层次的教育数据[3]。按类型分为静态与动态数据，按反馈方式分为即时性与周期性数据，按维度分为层次性与结构性数据。

(一)静态与动态数据

静态数据是指基本保持不变的学生基础数据，包括姓名、籍贯和入学分数等，教师授课前对学情分析时，常通过教务处、学生处等管理渠道获取，该数据对后续教学实施以及动态数据的获取意义重大。如依照学生籍贯、住宿数据布置分组作业、培养团队协作能力；对先修课成绩、学习风格评测数据等分析，有助于了解学生基础、学习态度从而做到因材施教。动态数据是指随着教学实施不断产生、更新的数据，包括宏观和微观数据。宏观数据主要指课程层面，如学生访问在线课程的登录时间、时长和点击量等；微观数据指具体到学生个体、知识点或教学活动的数据，如微课学习反刍比、测验、作业和考试成绩、发帖讨论、弹幕、投稿等。这些数据可用于教学效果评价、学习行为诊断、教学内容调整等。

(二)即时性与周期性数据

即时性数据是指在线下翻转课堂教学过程中发起签到、随机选人、测验、弹幕、投稿等，有助于教师提高学生到课率、活跃课堂气氛，组织教学活动、测评学生掌握程度等。周期性数据按时间长短分为：以周为单位的小周期、以学期为单位的中周期和以学届为单位的大周期。小周期数据影响下一节课的教学内容和教学设计，中周期数据对学生的综合评价以及课程内容持续改进有很大帮助，大周期数据则影响到人才培养方案修订。

(三)层次性与结构性数据

层次性数据是指有鲜明隶属或递进关系的数据，具体体现在教学内容、对象、过程、测量以及学习行为上，如表1所示。

表1 教育大数据的层次性

层次性数据侧重于从某个断面、角度或进程分析教育数据，强调数据之间耦合度要低，而结构性数据侧重彼此之间的关联性，对某一现象或结论的解读研判需要抽丝剥茧。如分析造成某个学生成绩差的原因，关系到该学生微课学习登录时间、时长、完成度、作业、测验正确率、课堂讨论弹幕量等数据。

二、课堂教学大数据的采集途径与要求

依靠数据驱动教学设计与评价，要做到数据采集的全面性、针对性和目的性。目前各大智慧教学平台均能记录学生的各种学习行为数据，其中一部分属于教学平台随课程实施自然形成的数据。另一部分则需要教师主动作为,有针对性和目的性地获取。

(一)教学大数据的采集要有全面性

由于技术、成本等方面限制，传统数据采集大多采用抽样数据，而大数据时代海量采集的便捷性和低成本为数据全面性提供了技术支撑。因此在数据采集方面要做到教学实施的全流程、全方位，学生人数的全覆盖，如表2所示，主要包括学情的基础静态数据、教学实施过程中的学习时间数据、学习行为数据和学习效果评价数据。

表2 课堂教学大数据类型表

(二)课堂教学大数据的采集要有针对性和目的性

在教学实施过程中，为了诊断学生对某个知识点的掌握程度，教师经常采用随堂测验或布置作业的形式评估教学效果，这些常规操作无需赘述。需要特别指出的是践行“以学生为中心”的教学理念，需要精心设计数据采集项目，通过数据判断学生之间的个体差异，做到“因材施教”。如对学生学习风格数据的采集，根据Felder—Silverman学习风格量表，将学习风格分为4个维度，包括信息感知维度(感悟型/直觉性)、信息输入维度(视觉型/言语型)、信息加工维度(活跃型/沉思形)、内容理解维度(序列型/综合型)[4]。实际上，缺少对学生的了解和尊重，缺少对学生主体地位充分体现的设计，无论如何都是失败的[5]。只有充分了解学生学习风格，才能做好教学设计，个性化教学才能落到实处。因此数据采集要有很强的针对性和目的性，或针对班级学风、或针对知识重难点、或针对学习态度等，做到大胆假设，小心求证。

(三)教学效果评价要提高复合性数据采集

教师要保证教学效果需要高频次、多形式地进行教学效果评价。传统教学测量维度单一，只能评价学生对知识点掌握程度和答题速度。在教学效果评价中还应加强对学习态度、综合素质及其他能力的评价。如采用抢答的形式，不仅反应学生回答准确性，还反映出学生的主动性和积极性，教师通过额外加分的形式将以往不易评价的内容量化为分数。再比如生生互评既考核学生对知识的掌握程度，还在一定程度上促进学生之间的互动，锻炼沟通表达能力、团结协作能力以及客观理性、公平公正的价值观等。因此要强化评价综合性和多维性的复合性数据采集。

三、课堂教学大数据校验要确保真实性

依赖数据进行教学设计和评价，数据真实性是关键，在技术和管理层面必须把好关。

(一)依靠技术手段确保数据来源的真实性

目前线上教学实施过程中存在学生刷课行为，因此在技术层面要用好教学平台提供的各种功能,确保学习过程及考核评价数据的真实性。以超星泛雅平台为例，具体措施如下：第一，关闭微课视频的允许拖放选项，并在微课视频播放过程中插入与教学内容密切相关客观题，通过弹出答题框暂停视频，设置回答正确才能接续播放的选项来确保学生真实有效地完成学习；第二，设置恰当的课程教学内容发放形式，其中“公开模式”为不加限制的形式，在复习阶段比较合适；“定时发放模式”设置章节微课的播放起止时间，要求学生在规定时间内完成学习；“闯关模式”约束学生必须按照教学顺序观看教学视频；“隐藏模式”则为关闭当前的微课教学内容；第三，在教学效果评价方面，在考试、测验的客观题中设置题目乱序和选项乱序，并缩短答题时间、防止切屏和人脸识别验证等确保考核数据的真实性。

(二)通过多维数据复核校验，确保数据真实性

第一，通过时间判断学习行为的真实性。根据学生课程表及作息规律甄别，如果在A课程面授时间观看B课程的微课，或学习微课时间集中在凌晨休息时段，则数据真实性不能保证；第二，通过学生学习访问次数折线图判断。正常折线图为“无负值的心电图状”，且常以7天为1个周期。若折线图为“火山爆发状”，长时间水平静止为零，短时间井喷完成所有课程学习后又归于平静则数据存疑；第三，通过课堂测验及作业复核数据，如果认真完成微课学习，则在作业和测验中得分不会太低，尤其是面授时的随堂测验、随机选人答题等形式，以线下学生表现校核线上数据的真实性。

(三)加强学风、考风管理确保数据真实性

第一，要求学生提交手写学习笔记，不但促进学生自主完成微课学习，还培养了良好的习惯；第二，采用PBL(Problem-Based Learning )+TBL(Team-Based Learning)学习形式，以基于项目的小组学习效果为评价依据，通过给小组打分的形式促进学生之间互相提醒；第三，考风考纪施行数据作假一票否决制，在开始授课之初展示数据存在嫌疑的各种表现形式，明确告知学生德育高于智育，一旦核实学习数据存在作弊和造假则成绩无效。

四、数据挖掘分析的多维性和专业性

在大数据时代背景下，海量数据为高校进行教学质量评价提供了多样化的选择空间，但与此同时也为高校对教育质量相关数据进行筛选与挖掘增加了一定的难度。期待利用大数据技术开展更加科学可靠的质量评价和质量改进活动，但更应把握数据选取、挖掘、分析的根本方向，不能盲目地迷失在数据的海洋中[6]。

(二)数据挖掘的专业性

由于教育大数据具有多层性、结构性、动态性和周期性等特点，因此要想从海量数据中挖掘到有价值的真相，必须进行多维度分析。如表3所示为某班开学第一周部分学习数据，该数据集由N维属性和M个元素组成。N维包括以下几个维度：①单个学生维度，每行记录该学号学生对章节知识点的学习情况；②班级群体维度，通过着色方式透视数据，以面的形式看到整个班级整体学习情况；③学习内容维度，以列区分学生对该知识点的学习情况；④学习效果维度，以测验的形式反映学生对章节内容的掌握程度。M个元素是指学生、知识点和测验数据。具体分析如下：

表3 某班单周学习部分数据表

从学生学习情况维度分析，将学习数据导出为excel表格后按照条件进行透视分析，采用色阶着色法，完成度从0%、100%、500%分别映射绿、白和红色。从宏观看班级情况，绿色占比较高，反应部分学生未能按期完成微课学习任务，从微观上看每个学生学习总时长数据，汇总后可分析学生的学习反刍比。

从知识点维度分析，学生对第3个知识点学习时长远超正常，说明学生对该知识点学习存在困难，面授环节需要重点关照。从学习效果维度分析，部分学生学习时长与测验成绩不成比例，具体表现为学习时间长而成绩分数低或相反。

最后再结合时间维度分析，学生第一次接触线上线下混合式教学，对该种授课模式不习惯。

通过分析得出结论：

(1)面授环节重点介绍混合式教学模式下的学习方法；

(2)询问学生对第3个知识点反刍比高原因，面授详细讲解该知识点；

(3)个别谈话了解造成成绩与学习时长不成比例的原因。通过上述1周的数据分析可以看出数据多维分析的重要性，借助数据驱动面授环节教学的教学设计，让学生感觉教学更有针对性，课堂注意力更集中。

(二)数据挖掘的专业性

《国家教育事业发展“十三五”规划》强调了大数据在教育信息化中的作用：“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”。由于课程类型众多，教育数据侧重不同，要做到因材施教，依靠数据驱动教学设计与评价，需要教师具有较强的数字素养。数字素养是指在社会生活、学习过程中能够创造性地使用和批判信息及使用数字信息的能力[7]。教师须加强教育理论及大数据统计分析方面知识技能的学习。除了智慧教学平台提供的柱状图、饼图、折线图等外，还应该掌握多种数据分析方法，透视数据背后隐藏的结论、关系或规律。如图2所示2个关联因素的象限分析图，以学习时长为纵轴，学习成绩为横轴，划分出4个象限，将全班学生加以分析从而制定针对性的教学策略。再如图3所示的多维度对比分析雷达图，选取8种数据并结合学习风格理论对学生进行用户画像。通过学习者画像数据，可以为不同知识水平及学习风格的学习者准备不同的学习材料[8]。

图2 象限分析法

图3 多维分析雷达图

五、数据驱动的教学设计与评价

教学过程包括4个基本要素：教师、学生、教学资源、教学形式方法和手段。依靠数据驱动的线上线下混合式教学设计、实施与评价流程如图4所示。

图4 数据驱动教学设计模型

(一)教学设计以静态数据为基础和初始依据

教学设计的目的是为了促进学生的学习，在教学设计时必须考虑学生原有知识基础、认知规律、学习风格等特征[9]。对学生的学情分析是做好教学设计的关键，而静态数据是教师所能获得的第一手资料，包括学生的个体数据、班级数据、先修课成绩，甚至籍贯、宗教信仰等。这些数据在教师进行教学设计时在以下几个方面发挥作用：

(1)有助于教师做到因材施教。作为教师必须正视学生之间存在个体差异这一事实，进而做到课堂教学弹性化，具体表现在在线课程进度、作业、项目等方面提供多种套餐。教育部提出金课建设的“两性一度”标准，其中“挑战度”对于不同学生挑战性不同，因此必须依据学情数据提供多种备选项目，让不同程度学生均有获得感。

(2)有助于教学活动的顺利开展。通过数据了解学生背景知识，在预习环节铺设情景，进行面授教学活动时，知识讲解举例、互动等更容易贴近学生，引起共鸣，进而促进教学质量，同时也有利于避免触及少数民族禁忌、宗教信仰话题等。

(3)有助于调动学生的元认知。元认知通过对具体认知调控，促进认知的发展，包括学生对课程知识的学习动机、目的、积极性等，通过数据了解学生对课程性质和重要性的基本认知、态度和学习热情等，从而授课第一节，着重介绍课程知识在工作应用、职业发展中地位和价值。

需要特别指出的是，针对学生学习风格、籍贯、宗教及民族禁忌等基础数据应该尽早进行采集，且越详细越好，在正式教学实施前依靠静态数据将教学资源序列化、结构化，并储备教学活动和案例等，做好初步教学设计。

(二)教学实施以数据为依据进行动态调整

在教学实施过程中需要密切课程实施过程中的教与学数据，具体数据类型如图4虚线所圈部分，按照数据类型分为动态数据、即时性数据及层次性数据，按照实施流程分为线上学习数据和线下教学数据，这些数据相辅相成为线上线下混合式教学微循环提供依据。

具体表现为两个方面：

(1)线上数据为线下教学设计提供依据。传统面授课堂看似教师单向通过“教”完成知识传授，实际在此过程中教师需要密切关注学生表情、神态而动态调整语速、肢体语言等。但学习是一个复杂的内部心理、思维过程，外显出来只是一部分，且学生表情、神态无法量化，教师还停留在主观性粗浅判断阶段，导致教学评价存在滞后性、常识性、经验性和模糊性。在混合式教学实践中借助线上学习反刍比、作业、测验等周期性动态数据，使面授教学设计更有针对性和方向性。借助随堂测验、讨论、弹幕等即时性数据不断评估教学效果的达成度，做到课堂教学张弛有度、详略得当。同时通过层次性数据的分析，在教学对象、内容、过程和测量上实现从微观到宏观、从个体到班级、从课前到课后的整体把握，从而更有针对性地调整教学策略或教学活动开展。

(2)线下数据为线上教学资源动态调整提供参考，并校核线上数据的真实性。当前，通过实体课堂开展教育与教学活动，仍然是高校人才培养的主流承载形式[10]。在教学过程中教师通过智慧教学平台不断检视学习者的学习行为，通过测验评价学生掌握程度，以及校验线上学习数据的真实性和有效性，避免刷课行为，促进学生的深度学习。通过对线下数据的分析、监督、预测、提醒、评价学习者的学习效果，对学生进行画像，从而为下一环节的线上教学提供依据，动态调整线上教学资源，为程度高、悟性好的学生提供额外资源或任务，对进度落后的学生加强督学。

(三)教学效果评价以数据为参考，促进教师的教和学生的学

课程实施过程中所产生的教与学数据，对教师进行教学设计具有反馈和评估价值。教师一方面主动设计各种问卷、测验等，假设求证、评估教学目的达成度，依靠数据对教学资源来进行解构和重构，动态调整教学资源序列及增删部分内容。另一方面，通过线上学习行为数据和线下课堂互动数据对学生进行监督，实现全过程、全方位、立体化的综合性评价，不仅评价学生对知识、能力掌握程度，还通过多种教学活动数据对学生口头表达能力、学习态度、守时性和团队协作能力等能力和素质目标进行定性和定量评价。

六、结语

经过多年的教学实践，依靠数据驱动的线上线下混合式教学模式，借助详实、有记录且可回溯的数据支撑，本教学团队教授课程荣获国家级线上线下混合式一流课程1门，省级线上线下混合式一流课程2门，省级精品在线开放课程1门，受益学生上万人，学生及同行评价高，部分课程学生满意度达满分。“数据驱动学校，分析变革教育”的大数据时代已经来临，利用教育数据挖掘技术和学习分析技术，构建教育领域相关模型，探索教育变量之间的相关关系，为教育教学决策提供有效支持将成为未来教育的发展趋势[11]。本文着重探讨了课堂教学数据的类型、作用、获取途径与要求，以及驱动混合式教学设计与评价的流程和方法。同时各大教学平台在技术保障方面也需要加大力度，尤其是在学生用户画像、数据真实性、测验及考试题库安全性等方面。