基于翻转混合式的算法设计与分析教学探索

郑瑶 高攀 秦怀斌

[摘 要]针对算法分析与设计课程学习过程中学生主动学习意识较弱、不能灵活运用理论知识有效指导实践活动等问题，文章提出构建以“学生为主体，教师为引导”为主旨，以“任务驱动、学习汇报、共同评价”为主线的翻转混合式教学模式，并对该模式进行了研究和实践探索。教学实践表明，翻转混合式教学模式培养了学生自主学习的意识和独立分析问题、解决问题的能力，应用效果良好。

[关键词]算法分析与设计;翻转混合式;自主学习;教学设计

[中图分类号] G642 [文献标识码] A [文章编号] 2095-3437（2021）10-0108-04

教学是一个由教师—学生、学生—学生、教师—教学内容、学生—教学内容等各种要素、各种联系构成的复杂的关系系统[1]。在教学过程中不仅需要处理好教师的“教”、学生的“学”以及“教学内容”“学习方法”“学习策略”“教学手段”等诸多因素之间的关系，还要在这些关系的基础之上来探索合适的教学模式，使教学过程成为一个动态的良性循环过程，真正发挥“教”和“学”的作用，以支撑实现“学生为本”的教学理念。

在互联网、移动通信等现代信息技术的冲击下，面对面教学和在线学习结合的混合式教学模式成为目前的一种教学探索[2]。而以培养学生自主性学习能力为主，以自主、探究、交流、参与为核心理念的教学模式，是一种行之有效的培养应用型人才的教学模式。

文章结合专业定位，依托“算法分析与设计翻转混合式教学改革与实践”混改专项项目，通过对团队合作分组讨论、多元化评价和不断反思综合的翻转混合式教学模式的研究，并将其应用在算法分析与设计课程的教学过程中，充分利用微视频、翻转课堂、网络学习平台等手段进行教学过程和模式的研究与实践，旨在培养学生自主学习的兴趣和独立分析问题、解决实际应用问题的能力，同时让学生建立团队意识，为应用型人才的培养奠定一定的基础。

一、课程信息

（一）课程性质

算法分析与设计课程是计算机科学与技术、软件工程、数据科学等本科专业的专业基础课程。本门课程的开设旨在使学生掌握算法设计的主要方法，除了培养学生评价算法的分析能力外，还要培养学生解决实际问题的能力，从而将实际应用与算法理论进行有效的结合。它的前端课程是数据结构，后续课程是软件工程及开发，可见，算法分析与设计作为一个承上启下的专业课，对计算机相关专业学生的理论学习和编程实践能力具有十分重要的意义[3]。

（二）教学中存在的问题

算法分析与设计课程理论学时为32学时，主要介绍了算法分析的方法和针对实际问题分析设计算法的各种方法。在现有的课程教学中，算法课程理论性较强，但又需要学生将这些理论学会应用到实际问题处理中，这样在教学过程中会出现一些问题。1.学生缺乏学习的主动性和积极性。大部分学生习惯于教师对知识的强行填灌，没有课前预习、课后复习的习惯，缺少主动思考的过程。2.学生解决实际问题能力较差，对于算法的基本思想能够掌握，但是应用能力差，做实验不会，很难将算法的伪代码描述转换成可执行的程序语言，无法将实际应用与理论思想很好结合，对于算法基本思想理解停留在表层，不够深入、透彻。3.学生学习效果较差。课程教学中例题基本都是教师讲课，学生听课，学生往往听听就不愿意听了。而本门课程需要以对大量例题分析过程为支撑，这样才能使学生充分理解算法的思想，真正学会去应用算法设计方法和问题分析过程。

二、翻转混合式教学模式的设计

（一）整体思路设计

针对以上教学中存在的问题，根据学生学习情况和课时安排，我们在算法分析与设计课程中引入翻转和混合式教学模式，将被动任务变为主动学习，督促學生建立主动学习意识，构建以“学生为主体，教师为引导”为主旨，以“任务驱动、学习汇报、共同评价”为主线的翻转混合式教学模式（见图1）。

以网络教学平台为媒介，按照“任务驱动、教师线下线上引导、学生线下线上学习、学生线上线下讨论、学生线下任务汇报交流、学生线上线下评价、教师线上线下总结”为主线的教学过程，将线上和线下有机融合，将理论和应用有机结合，从而更好地使学生发挥主观能动性，激发学生的学习激情，锻炼学生问题分析、动手实践、团队协作、个人情感等方面的能力。

（二）教学过程设计内容

在算法分析与设计课程的翻转混合式教学过程设计中，主要面临的问题有：一是如何进行分组才能保证差优结合，真正起到互补的作用，使学生能够共同学习交流、共同进步;二是如何规划知识点，保证线上和线下学习内容的衔接融合，保证学生学会知识，应用知识;三是如何设计分组任务，保证知识点均衡，并且还要让学生能够独立完成，体验到成功的喜悦并愿意去分享;四是如何监督学生的任务完成情况，如何检测学生学习情况，如何才能达到教学改革的真正目的——提高学生实际问题的解决能力。整个教学过程设计规划路线如图2所示。

1.课前部分

依照教材的章节，对教学内容按照两大块“算法分析”和“算法设计”划分为10个知识点单元，每个知识点单元根据内容的难易程度分别设置线上和线下学习内容及学时，并依据不同的学习内容分项设置相应的学习方式。利用案例支撑教学内容，便于学生理解理论部分，同时利用案例拓展学习内容，便于学生后期的应用。

依照教学内容的理解难易程度，设置小组任务内容（见图3 蛮力法的2个任务书），并将任务题目划分难度等级，给出任务完成要求，使学生带着目标去学习教学内容，带着任务去应用所学知识。

依照任务题目的难度等级和学生情况，将小组任务和学生分组一一对应，学习程度弱的学生分配较简单的小组任务，学习程度强的学生分配较难的小组任务，保证学生体验到成功的喜悦，从而乐意分享，激发学生的学习兴趣。划分学生小组时，3人一组，先是学生自由组合，再是教师微调，尽量根据学生学习程度搭配均衡，保证完成小组任务时能够有交流、有讨论，共同学习进步。根据课程进度，提前在网络学习平台中对选课学生进行分组设置，以便后期以组为单位进行讨论、评分、提交等管理方便。

2.课中部分

针对知识点单元内容的学习，一是线下基础内容加案例讲授，并通过问题讨论带动主动思考;二是线上阅读资料、微视频案例自主学习，并通过自学笔记（见图4 自学笔记单的内容）和章节自测检测学习结果带动主动思考。混合式学习方式能增强学生的主动思考过程，从而强化学生对理论内容的理解，同时也保证了学生解决问题的算法经验的积累。

线上自主学习笔记

线上自主学习笔记

根据线下和线上学习的内容学生领取所在小组的任务题目，利用线下课外时间完成各自的任务内容（包括分析、设计、实现、结果、总结），并在线下课堂中进行汇报展示。各小组在完成任务时，可通过网络教学平台答疑讨论区或钉钉群和教师、同学交流，也可以由组长召开小组会议线下讨论;各小组任务完成后，首先在组内3人根据各自的完成情况进行评分;其次，线下翻转课堂时，由随机指定的学生对其进行评分;最后，教师根据每位学生的完成情况，也给出分数。这个过程综合了多种评价指标，保证了公平性，同时也对学生的学习反馈给出不同的评价意见，使学生认识到自己的真正学习情况，并能督促学生认真完成。

3.课后部分

利用线上或线下对知识点单元进行总结，学生根据自己的理解去填写自学笔记，这能督促其对知识点单元中涉及的各个教学活动内容进行梳理，并对涉及的知识点内容进行复习，引起其对各知识点单元内容的思考。

4.课程评价标准设置

根据课程教学活动调整整个课程的评价体系，注重过程评价。新的评价标准中，主要以学生是否完成预期的学习任务为考量，注重学生在教学实践活动中理解知识和运用知识的能力。调整后评价体系包括：期末考试成绩（50%），线上网络学习成绩（查阅资料、观看微课、讨论答疑等情况，10%），在线测试成绩（线上章节测试，10%），任务完成情况（自评、学生评、教师评比例为3∶3∶4，20%）和個人表现（包含自学笔记、参与活动情况，10%）五大方面。

三、翻转混合式教学模式的实施情况

算法分析与设计课程在每学年第二学期开设，目前已实施两轮，线上以案例自主学习为主并重新录制线上微视频，线下以基本知识和案例学习同步展开，通过“基础+应用+拓展”展开整个知识点内容的学习。课程结业考试全班一致通过，无不及格人数。在翻转课堂实施过程中，学生发言积极，并能够提出自己的想法与同学们进行讨论。

四、结论

算法分析与设计课程的翻转混合式教学实施，除了需要教师尽心设计方案、准备各类资源之外，还需要学生的配合和支持。尽管多元化的评价方式可以督促每位学生参与到课程的各个活动中来，但仍然存在一些学生不认真对待或不配合的问题;存在一些学生只关注自己的任务而忽略其他任务的问题，这些问题需要我们不断思考，不断探索改进的措施。

[ 参 考 文 献 ]

[1] 陈绪敖，王宏琳.“任务驱动、以学定教、过程管理”的混合式教学模式探究[J].安康学院学报，2019（2）：123-128.

[2] 吴珺，叶志伟. 面向算法分析与设计课程的四部曲新模式探研[J].湖北第二师范学院学报，2019（2）：106-108.

[3] 雷鹏，张小峰，王静莲.基于创新能力培养的教学模式改革：以算法分析与设计课程教学为例[J]. 中国现代教育装备，2019（1）：97-99.

[4] 孙琼琼.互联网+背景下混合式教学模式设计与实践[J]. 文学教育（上），2019（5）：156-158.

[5] 安思，柯春艳.算法设计与分析课程“混合式学习”教学改革[J]. 福建电脑，2018（8）：75+96.

[责任编辑：刘凤华]

[收稿时间]2020-06-09

[基金项目]本论文受到2019年石河子大学混合式教学改革专项项目（项目编号：BL2019014，项目名称：以“任务驱动、学习汇报、共同评价”为主线的翻转混合式教学改革与实践）的资助。

[作者简介]郑瑶（1976-），女，河北人，硕士研究生，副教授，研究方向：数据科学。高攀（1981-），男，安徽人，博士研究生，副教授，研究方向：智能科学。