基于学情感知技术的教学模式探究与实践

陈 鼎，盛 精

（厦门理工学院 机械与汽车工程学院，福建 厦门 361024）

随着教育智能化、课堂智慧化的概念不断深入和普及，辅助以课堂信息所构建的高校教学模式开始受到广泛的关注。“十四五”规划明确指出数字化应用场景和教育提质扩容工程的宏观需求，支持“应用型本科高校”转型和“高等教育的产教融合平台”建设的具体内容。信息化、大数据、云计算、物联网、移动智能终端等新技术的出现，对于新兴应用场景的适应程度逐年递增，这类新技术同时也在教育行业内推动了传统多媒体教学模式向智能化、智慧化教学模式转变的过程。因此，在国家教育宏观需求背景下，如何进一步将教学模式与新型感知技术应用场景相融合，依据实时获取的课堂学情数据，客观地引导教师维持课堂氛围，提示教学方式和内容，完善课堂评价体系，是应用型高校在专业教育模式方面进行转变与发展的重要内容。目前国内学者对学情感知技术的有效案例主要从两个方向出发：以课堂学生行为特征为切入点，罗杨洋等学者提出了基于在线学习行为聚类特征的混合课程分类方法，以此达到解决混合课程动态设计、实施、个性化评价和学习预警的目的；以教学模式设计出发，易富等学者认为立足学情设计教学，以学定教，建立“全方位动态”学情分析并贯穿教学全过程，才能提高教学的精确性。课题组结合国内学情分析、教学设计和教学评估等方面的研究成果，从应用层面展开教学模式设计和应用研究，该项研究所得成果同时也为教育教学改革、大学生创新创业训练等项目平台提供了理论参考与应用案例借鉴。

一、学情感知技术概述

学情感知技术属于情景感知技术的一项分支内容，侧重针对课堂学习情况的智能化识别、分析和评价等内容，同时也是智慧课堂发展过程中的重要组成部分。本文通过查阅相关文献，将学情感知技术概括为：采用信息传感技术，将课堂学生、教师、教室等实体特征转化为数据特征，实现课堂学情状态的实时感知系统，能够让教师和学生依据数据特征与教学质量之间的分析结果，规避或改正课堂中的负向反馈内容，快速迭代并维持良好的课堂学习氛围，最终实现学生专业知识网络和信息化思维的共同生成。学情感知技术的分析结果可以为智慧课堂建设和相关数据调取奠定基础，其内涵可以概括为：以信息技术为支撑，数据分析为手段，学情分析理论为指导，应用型教育为理念，智慧课堂为目标。学情感知技术的特征包括信息可视化、教学环境数据化、评价反馈智能化、交流互动实时化和教学考查客观化。与传统课堂教学过程相比较，学情感知技术将教学模式从以教师主观判断向以学生为中心、以学情评价结果为主导的实时交互模式，教学流程也从以教材内容为基准的方式翻转为以综合课堂学情状态的施教过程，相对应的评价内容也由主观评价向客观数据分析转变，激发教师与学生同步反应，避免经验式的教学模式，鼓励学生创新性思维。由此可见，学情感知技术的引入会进一步提高课堂教学的丰富程度，同时也为学生结合专业知识进行信息化应用和创新思维提供了良好契机。

二、交通运输专业教学存在的问题

（一）课堂学习环境难以模拟产业应用环境

我国轨道交通行业发展迅速，在较长的时间内对于专业技术人员的需求仍然旺盛。但是，行业发展方向已从早期的自主研发、设计创新逐渐向运营维护转变，这对于强调理论知识体系的本科高校而言，侧重应用型教学环境的建设，适应企业用人标准，为未来深造奠定理论基础，是学科发展的必由之路。交通运输专业可以划分为交通运载工具和交通运输管理两个大方向，其中，交通运载工具可以借由机械类课程作为基础，以结构类比的方式构建知识体系框架，并结合实训和实习使学生提高该专业知识的具象化认知水平，但是专业中的管理类课程由于缺乏企业应用平台，无法切身感受企业管理方法的实施过程，特别在企业数据化监测系统、协同办公系统和运营管理系统等新型信息化工具的引入背景下，迫切需要一种能够提供新型应用环境和案例解析的教学模式。

（二）课堂师生互动方式单一

师生在课堂中互动能够直观地反映教学效果，有利于学情分析和教学目的的实现。传统课堂中，师生交流主要是通过教师讲课、提问和布置课后作业三个环节实现。这一过程中，教师和学生的互动内容仅限于课程本身，缺乏针对学生情绪、课堂环境和教师言语等影响因素的互动讨论，使得教学模式始终以教师的教学习惯为主，不利于教师提升教学质量和学生维持学习专注度。这种单一的互动方式，使得教师处于主导地位，而学生总是为了适应教学风格而被动做出响应，个性化需求和创新性思维被抑制。实际上，学生作为课堂中的独立个体，其情绪变化、兴趣偏好、学习积极性是期望被人看到并得到重视的。为了应对这一问题，就需要从感知学生情绪变化方面入手，教师能及时得知学生情绪变化对学习情况的影响，并从教学内容上进行一些改动，例如，增加对自身问题的询问、应用案例的思考等，以此适应教学环境的变化，这一系列的施教、改进内容均建立在感知课堂学情状态和重构教学模式之上。

（三）课堂教学数据采集周期长且反馈滞后

传统课堂教学数据以学校组织的问卷调查、教师课堂点名、课后习题成绩、期中和期末考查成绩等信息数据为主，这些信息数据自身包含许多不确定影响因素，无法从中剥离出真实反映课堂教师教学质量和学生学习质量的独立变量。此外，由于这种采集方式通常是在一堂课结束后才能得到模糊的评价结果，而期末成绩更是需要在整个课程结束后才能获得综合的评价指标，这使得在课堂上难以实时掌握学生学习状态的变化，同时也使得教学内容的及时调整变得相对困难。当教师发现教学中存在的部分问题时，往往课程已趋近结束。

（四）课堂考查因素单一且主观因素明显

传统课堂考查主要是以针对课程知识点进行提问或考试的方式进行，其中，考试占总成绩比重最大，课堂学习情况占比相对较小，例如出勤率、提问结果、交流次数等，而反映课堂学情状况、个人情绪现状、兴趣点等额外评价信息几乎没有，均由课堂教学过程中教师的主观观察获得，忽视了客观的学生精神状况、与教师互动效果和兴趣点变动等动态信息数据，这些信息数据有可能成为出勤率、考试及格率、题型正确率和专业知识应用效果等最终指标的影响因素。

三、专业课程教学模式设计与实践

教学模式包含了特定的教学方式和一定的教学程序。两者在可操作性上具有差异性，教学方式是固化的教学理念表达，无法进行实时操作，而教学模式是一种教学活动内容，可以基于信息技术、智慧教学等方法进行重构。针对交通运输专业教学中存在的问题，结合学情感知技术展开教学模式设计、学情感知层的搭建和专业课程教学模式实践。

（一）专业课程教学模式设计

基于学情感知技术的教学模式框架如图1 所示，主要由学情感知层、数据分析层、教学活动层和反馈评价层四部分构成，其中，教学活动层和反馈评价层循环进行。

从图1 中可以发现，教学模式的最终目标是形成专业知识网络与信息化应用思维。专业知识网络可以结合专业基础课实现，而专业应用技能和信息化应用思维则可以结合学情感知、数据分析和教学活动内容协同实现，一方面对教学过程的施教内容进行纠偏，另一方面将数据采集、分析和评价过程结合专业应用案例进行类比教学，达到教学实施反馈、应用案例拓展、信息化思维能力培养的目的；教学活动是基于数据分析结果、完成实时决策推送为目的进行展开，在教学活动的宏观层面中，主要是为了更新和改进教学内容，促进智慧教学中互动过程的形成，而在微观层面，则是对每次课程提出更为细致的教学要求，强调教学课件的选择、案例的筛选、提高语言表达能力和创造互动机会等；数据分析是由学情分析算法构成，算法建立了课程参数与课堂学情感知参数之间的关联性，依据实时或历史数据计算结果，将决策推送至教学活动中供教师参考，实施决策的结果会通过教学活动和反馈评价进行循环验证，直至数据分析层得出满足预设教学要求的结果。完成上述内容的核心，亦即重构教学模式的基础是学情感知技术，如何有效地将课堂中学生和课堂参数转换至信息世界，是实现教学模式重构的关键。

图1 基于学情感知技术的教学模式框架图

（二）学情感知层的搭建

1.硬件设施

学情感知层的硬件设施主要由多媒体资源、移动终端、校园局域网络和微型电脑构成。多媒体资源包括影音资料及其推送设备；移动终端指智能手机、平板电脑、笔记本电脑等；校园局域网络指能安全地共享课堂信息的网络平台，同时提供查找外部资料的网络途径，一般提供多种网络连接方式、如有线局域网、4G 无线网络和WiFi 无线网络等；微型电脑用于传输和存储多源传感器采集到的教学环境信息，包括麦克风、温湿度传感器和摄像头等。此外，微型电脑同时需要将采集到的教学环境信息转化为数据，提供分析算法的计算以及决策结果的推送等内容。学情感知层硬件设施的有机结合是开展后续算法计算和数据分析的先决条件。

2.算法组成

学情感知技术的算法是基于学情感知层的对象参数进行搭建的，包含了对人脸、环境和声音等现实世界实体特征进行处理的算法，主要由人脸识别算法、情绪感知算法、专注度评价算法和专注度传播算法构成，其中，人脸识别算法用于确定学生人脸特征，确定签到情况；情绪感知算法是在人脸数据特征提取的基础上，进一步分析嘴角、眼角和额头等面部特征的变化情况，依据已建立的表情训练集获得学生在特定表情下的情绪标定结果；专注度评价算法是依据情绪感知算法中不同情绪出现的频率为主要评价指标，用于评价学生上课的认真程度。此外，专注度是学情感知算法的重要计算参数，其特征值包含了领悟、思考、自然和走神，如图1 所示；专注度传播算法是基于学生之间的互动传播建立的，在传授关键知识点时，学生私下交流行为作为一种低专注度行为会被进一步记录。通过这些算法，教师在组织教学语言时，需要兼顾学生的思想活动，从而建立有益的教学内容进行施教。

3.数据分析

数据分析是在学情感知结果的基础上，进一步获得实时学情状况和教师改进项点的分析过程，其中将学情感知结果进行阈值确定，设定适应特定班级的学情等级，并将已分级的学情状况与班级课程信息相关联，以此确保数据的类型、分类具有归属对象。依据专注度计算结果划分为高、中和低状态。所得关联结果中，课堂频繁出现低专注度状态的学生，数据分析会生成与状态相对应的决策信息提供给教师，促进教师组织语言和改进施教内容，同时推送相关资源辅助教师营造课堂氛围，恢复学生兴趣点。相反地，若课堂频繁出现高专注度状态的学生，数据分析结果则是建议教师保持现有教学内容，以此维持课堂中相对积极的学情状态。

（三）专业课程教学模式实践

依据图1 中的教学活动层和反馈评价层内容，课题组将专业课程教学模式与交通运输专业相融合，开展为期一学期（共5 周）的教学模式实践工作，以此循环改进学情感知和数据分析层内容，达到有效提高教学质量和班级学情状态的目的。课程采用线下教学形式，使用现有教室的多媒体设备作为采集设备，依据数据分析结果获得交通运输专业学情状况。实践过程中学情状况统计结果，见表1。

表1 各周课堂学情状况统计结果

学情状况统计结果表明，在专业课授课期间，班级整体专注度分别在课程开始和接近结束时呈现较高的专注度等级，学生听课、互动频次也明显高于课程中期时间段。这一分布规律和专业课书籍的章节布置表现出显著的相关性，这是由于学生在课程开始前，对于专业方向的宏观叙事内容兴趣浓厚，在课程接近结束时，开始认真对待专业重点知识的归纳内容。但是，在进行教材中间部分的复杂专业原理及其应用场景介绍时，由于缺乏想象空间和实际应用场景支撑，学生会表现出对知识点的困惑，走神的比例开始增加。

针对上述实践结果，改进项点见表2，课题组结合数据分析层中算法所推送的决策，通过改进项点更新了专业课教学内容，同时循环学情感知层和数据分析层进行测试，观察班级学生的专注度等级变化，若专注度等级出现了改善则继续保持教学内容，相反地，则需要变换改进项点中所涉及的教学内容，直至学情状态出现好转，以期在后续教学中得到满意的教学反馈结果。

表2 专业课课堂教学改进项点

四、结束语

学情感知技术是智慧课堂概念和传统教学方式深度融合的关键性技术，在智慧课堂尚未全面实现之时，有效利用该技术在课题学情感知能力方面的优势，可以辅助教师完成高质量的授课内容，同时也为学生可以在较高专注度条件下高效率学习、促进专业知识联想和应用案例解析提供了良好的情境。基于学情感知技术建立的教学模式包含了学情感知层、数据分析层、教学活动层和反馈评价层，其中教学活动层和反馈评价层循环递进，实时完成决策推送任务。课题组设计了该教学模式下的交通运输专业教学实践内容，展示了学情感知统计数据，优化了教学活动改进项点，以期改善课堂信息化应用程度并促进学生专业知识网络的生成。然而，该教学模式仍有一些不足之处，主要反映在融合教材和教案资源的具体推送方案上，希望在后续的研究和实践工作中能解决上述问题。