面向本科专业课程研究性学习的精准教学策略研究——以信息论与编码课程为例

严 军，郭红想，丁华锋

[中国地质大学(武汉)，湖北武汉，430074]

“十四五”期间，我国高等教育开启了高质量发展阶段，进入追求教育品质的人才培养提质创新时代。积极引导学生进行探究式与个性化学习、因材施教，培养个性化人才是高等教育在当前阶段的重要特征。然而，传统本科专业课程的粗粒度、普适性的教学模式已不能满足要求，因此，探索本科专业课程教学的高质量个性化教学模式刻不容缓。

在教育信息化2.0的时代背景下，以大数据、人工智能技术应用为核心的数据驱动型教学模式成为科学提升教育质量的有效手段，在当前的高等教育教学改革中表现为依托慕课、微课进行课程教学的细化和深耕，同时依托各种教学平台，如超星学习通、雨课堂等，管理课程教学的各种数据并提供评价依据。目前，各高校上线的慕课和微课的数量不断增加，然而许多线上课程的实际教学效果并不突出。究其原因，一方面，各种教学平台在教学过程中产生的大量数据并没有得到有效利用，数据反哺教学还有待深入探索；另一方面，教师在如何有效应用这些已有的教学资源上缺乏行之有效的方法和模式，导致资源与课程教学之间的连接相对松散，这是传统教学模式与高等教育信息化进程之间的突出矛盾。为此，国内外众多教育机构和学者进行了多方面的研究，提出了许多富有启发性的观点，其中精准教学理论为信息化背景下的个性化人才培养问题提供了一种解决途径。

本文主要研究精准教学应用于高等教育本科专业课程研究性学习中的基本问题，提出一种在高等教育研究性学习中的精准教学支撑框架与实施流程，并对区别于传统精准教学模式的学习对象持续评估模块和分类资源建设模块进行详细阐述。

一、面向研究性学习的精准教学基本问题

(一)精准教学的理论依据

精准教学是林德斯利(Ogden Lindsley)于1964年基于斯金纳(B.F.Skinner)的操作心理学提出来的，其主要理论依据是行为主义学习理论和建构主义学习理论。精准教学的提出基于这样的事实：任何单一的教学策略都不是普遍有效的，随着学习者的需要和能力发生变化，原本有效的教学方案也会失效。[1-2]因此，教师和学生需要对学生的进步不断进行评估和反馈，通过持续测量学生行为和学习效果，在直接教学中为每个学习者调整课程，从而使教学决策更精准、学习者的个人学习效果最大化。精准教学流程一般包含学情分析、目标分析、内容分析、路径选择和教学干预等核心环节。

根据行为主义学习理论，精准教学属于程序教学，它在教学过程中强调对学习行为的刺激与强化，即不断测量学习者对学习材料的反应并给予迅速反馈。精准教学致力于以测助教、以测辅学，为学习者提供个性化学习支持。这种以测助教的属性，使得精准教学近年来常常作为一种评估教师所采用的教学策略和所开展的教学活动是否有效的评估体系。

在建构主义学习理论指导下，精准教学在学习发生、意义建构和概念形成的整个认知结构形成过程中发挥支撑作用，在学习者从现实发展水平进入最近发展区时，精准教学提供广泛而精准的信息资源(包括多维度教学资料)支持学习者的自主学习和协作式探索，以实现学习者知识意义的主动建构。

(二)精准教学的现状

1965年，林德斯利在堪萨斯大学医学中心的儿童康复中心的特殊教育教室里开展精确教学实践，项目的成功使20世纪70年代初的中小学开始推广精准教学。到20世纪70年代中期，美国联邦政府设立大规模项目为大量的教师提供精确教学方面的培训，精准教学被推广到高中并不断发展。[3-5]多年来烦琐的数据测量和记录方式阻碍了精准教学的发展，随着信息技术的发展与广泛应用，这种方式逐渐被信息技术取代，精准教学也逐渐进入新的发展期。

在国内信息化普及的新技术浪潮下，祝智庭教授于2016年提出了信息技术支持下的精准教学概念，并将国外的传统精准教学理念介绍到国内，在中小学智慧教育主题下进行了大数据精准教学、电子书包精准教学等多种精准教学模式的实践，从内涵、机制、标准与评价等方面构建了一个智慧教育研究体系。[6]众多研究者在中小学教育的精准教学方面进行了大量的研究和实践。在理论研究方面，有学者从精准确定教学目标入手，通过对教学目标的分类、分层，明确了教学方向，在此基础上开发学习材料，实现教学内容的差异化、精准化推送。[6-7]在实践研究方面，有学者结合中小学各个具体学科(如数学、英语、物理、历史等)以及中职实训等项目进行精准教学实践，用教学效果肯定了精准教学在成绩提升方面的有效性。[8-9]

在高等教育的研究性学习中，当前精准教学的研究与实践主要是从信息化技术和大数据角度切入的。任红杰从生成路径和实现条件上进行了研究，提出了构建专业化的校园大数据收集与处理中心，制订大数据收集、处理、使用和共享的基本规则，大力提升教师的核心素养等精准教学的保障措施。[10]姜倩等人将大数据精准教学模式与高校大数据教学模式作了对比，认为应该从理论和实践层面对二者的共性和特点进行融合，从学情诊断、教学设计、教学活动、教学决策、教学干预和教学反思六个环节出发，设计适合高校且基于大数据的高校精准教学模式。[11]张忻忻等人对精准教学在教学目标上的差异性进行了探索，提出了聚焦目标导向性的教学目标分类精准教学框架。[12]刘迎春等人认为精准教学的本质是“以测辅学”，因此，可以根据学习测评数据构建可视化反馈。具体来说，他们对上万人的“计算机应用基础”统考的考试成绩数据进行分析，通过考生的总分、各知识模块的得分及各知识模块涉及的知识点情况，构建出每个学生每次考试的认知网络图和多次考试之间的认知网络差异图，从而呈现出该生在历次考试中所体现的认知结构和变化情况。这种可视化反馈一方面可以作为学生进行自我调整的参考，另一方面可以用来进行教学质量评估，从而助力精准教学。[13]

(三)面向研究性学习的精准教学的现存问题

1.传统精准教学目标与研究性学习不匹配

由上述可见，目前大多数关于精准教学的研究实践致力于解决传统记录技术型精准教学模式中烦琐的数据测量与记录问题，使用现代信息技术的覆盖实现便捷迅速的数据采集、测量，进而建立以测助教的精准教学体系。[6，9]这种精准教学的目的是使学生实现“知识技能的流畅性”，教学目标非常适合于知识技能型教学，因此，在中小学领域获得了广泛的认同，教学效果最明显的是能通过提高练习频率和强化学习获得具有行为流利性的知识点或技能，如数学里的乘法运算。

大部分高等教育的本科专业课程采用研究性学习模式，课程教学目标覆盖知识、领会、应用、分析、综合和评价六级水平的层次目标体系，以学习者的知识建构完成度和认知加工深度为评价指标，旨在培养学生的复杂问题解决能力、批判性思维和创新能力，其中大部分教学内容无法笼统套用传统的精准教学模式，造成了当前精准教学在高等教育本科专业课程教学中缺席的现状。[14]

2.教学起点缺失导致精准教学实施困难

大学课堂是一种松散结构，多数专业课的授课教师与学生的教学关系只存在于专业课开课的一学期或一学年，未形成长期性教学关系。教师对专业课的选课学生缺乏学习背景认知，因而难以针对每个学习者精准确定教学起点，以实现因材施教。

3.现有教学资源不足以支撑研究性学习课程的精准教学

从教育目标的知识内容维可以将知识划分为事实性知识、概念性知识、程序性知识和元认知知识。现有教学资源如纸质教材与参考文献、视频等多维度信息资源大部分集中于事实性知识、概念性知识和低阶程序性知识，而在研究性学习课程中更关注的高阶程序性知识、元认知知识等难以体现，这种高阶教学资源的缺乏使得研究性学习课程的精准教学得不到有力支撑。[15]

二、面向研究性学习的精准教学策略

(一)研究性学习的精准教学框架与流程设计

在建构主义学习理论的指导下，基于学习风格模型和认知负荷理论，本研究对高等教育研究性学习课程中的精准教学进行了探索，在传统精准教学模式的基础上深入研究学习者实时状态可视化、学习者信息深度认知加工过程，提出高等教育中基于研究性学习的精准教学流程框架。首先，通过学生画像建立教学起点，并构建依据学习者实时状态变化的可视化流程。之后，准备适合于研究性学习精准教学的学习资源，选用信息化技术工具监测处理学习数据，并建立教学策略修正的决策机制。研究性学习精准教学框架和流程模型如图1所示。

图1 研究性学习精准教学支撑框架和实施流程

(二)教学目标分类

研究性学习课程的精准教学中所采用的是以成果性目标为导向的教学目标确定方法，主要关注学习者的知识建构完成度和认知加工深度，旨在培养学生的复杂问题解决能力、批判性思维和创新能力。以电子信息工程专业的专业课程信息论与编码为例，课程目标注重学习者对狭义信息论中通信系统有效性和可靠性相关的基本定理和方法的掌握。学生在工程知识方面具有解决相关领域工程问题的专业基础知识及其应用能力；在问题分析方面能基于数据压缩原理和可靠性传输理论提出复杂问题的解决方案；在设计/开发方面能基于解决方案进行通信系统编译码模块总体架构设计、设计计算等；在工程与社会方面能合理评价产品和技术对社会的影响；在沟通和交流方面能通过报告、论文等形式就通信的有效性和可靠性问题与业界同行及社会公众进行有效沟通。

精准教学的教学目标体系的设计通过将课程的总教学目标按照知识、领会、应用、分析、综合和评价六级水平进行分类、分解，针对每一章每一小节知识点构造层次分明的课程教学目标体系，作为后续学习对象评估、教学资源推送和教学干预决策的基准。

(三)学习对象评估

采用实时画像对学习者的各种特征进行可视化提取，进而实现对学习者的学习状态的持续评估。学生画像是从学习者的各种信息数据中所抽取出来的一些特征，反映了每个学习者独特的个性、状态和学习风格。如何构建学生画像取决于评估学习者的学习状态时需要提取什么特征。

信息论与编码课程的特点是理论性强，与其他专业课的关联度高，课程内容包括了理论、算法、技术、系统设计及典型案例等。基于该课程的特点，在构建学生画像标签体系中，本研究借鉴余明华等人的做法[16]，并根据本课程的特点进行了调整，使用能力画像和行为画像评估学习者的学习状态。能力画像和行为画像的定量描述都采用雷达图的表现形式，输出的学生画像不用标签化描述，而是直接给出能力属性和行为属性的变化量值。

第一，能力画像。能力画像对学习者的学习能力和研究能力进行可视化呈现。根据余明华等人的研究，研究性学习过程维度包括提出问题、理解问题、收集资源、分析推理、总结反思五个阶段。[16]因此，本研究把能力属性分为五种：提问能力、收集资料能力、分析推理能力、方案制订能力、表达与反思能力。当学习者在这五种能力属性维度上都提升到相应阶段时，就从新手学习者变为高手学习者。

第二，行为画像。行为画像由学习风格、交流意愿、学习参与度、学习意志四个子维度来描述，通过行为轨迹分析学习者的学习风格、习惯、态度，对了解在本课程上学习者的学习表现具有重要意义。学习风格维度根据学习者的信息输入行为(如查看、访问资源的类型)判断其信息输入习惯中视觉和语言的比例，如果值为100则为完全视觉型，为0则为完全语言型。交流意愿维度根据学习者的信息加工行为(如分享、评论、交流)来判断学习者的交流活跃度。学习参与度根据学习者在在线学习平台上使用平台各个功能模块的频次判断学习者参与的积极度。学习意志维度根据学习者在在线学习平台上的学习频次和时长判断学习者的学习意志力强弱。

需要指出的是，在学习对象评估的可视化流程中，学生画像不是一成不变的，而是随着学习过程的展开、课程数据的积累而不断更新的。根据实时画像，可以持续评估学习者状态，并识别异常状态，必要时实现及时干预和帮扶。学习对象评估的可视化流程如图2所示。

图2 学习对象评估可视化流程

学习对象评估是一个持续迭代的过程。课程开始时的初始学生画像来源于学生在先修课程的表现，具体包括学生的选课情况、先修课程的成绩、综合测评成绩等。除此之外，教师在课程初期发放的调查问卷、学生的反馈也可以作为初始学生画像的数据来源。随着课程数据的不断积累，学生的能力画像和行为画像会得到实时更新。该门课程采用线上线下混合式教学，在教学过程中，在线学习工具平台上会不断积累学生的学习数据，包括视频观看时长、作业成绩、章节测验、导学课件成绩、考试成绩、课堂表现、合作与互评、调查问卷反馈等，根据这些数据可以实时更新能力画像和行为画像。

(四)教学资源建设与教学策略

当代认知心理学认为，人的知识是通过建构获得的，只有当传递的知识与学习者头脑中已有的知识产生某种联系时，才能被理解和应用，而且知识通过不断更新和重构，构成了独一无二的知识体系。[17]建构主义的知识观从知识内容维度将知识划分为事实性知识、概念性知识、程序性知识、元认知知识四类。

传统的精准教学关注的仅是低阶知识/技能，包括事实性知识、部分概念性知识和程序性知识的获取，它们可以通过提高练习频率和强化学习得到提升。对高阶知识和技能的获取，包括高阶程序性知识和概念性知识，则有赖于学习者基于自身的经验背景而建构，是特定情况下主动探索的结果。

保罗·基尔希纳(Paul Kirschner)从认知负荷理论的角度指出，学习者解决复杂问题的能力建立在掌握特定领域的基本知识和技能的基础上[18-19]，也就是说，在特定领域掌握足够多的事实性、程序性和概念性信息，是学习者进行深度认知加工从而解决复杂问题的前提条件。高等教育研究性学习课程中深度认知加工的占比较大。学习者经过由事实性、概念性知识的运用到高阶程序性、概念性知识的运用这一转换过程后，解决复杂问题的能力将大大增强。这个转换过程是学习者减轻认知负荷，将复杂问题变为简单问题，最终解决问题的过程，而减轻认知负荷需要专项任务练习，即提高自动程序性知识的能力来实现。高等教育研究性学习的学习资源组织结构如图4所示。

图4 高等教育研究性学习资源组织结构

基于学习者深度认知加工的发生流程，教师在进行教学设计的过程中需要为学习者准备足够的特定资源，从而引导他们掌握解决复杂问题的能力。根据以上高等教育研究性学习的学习资源组织结构，需要建设的精准教学资源包括事实性和概念性知识资源、程序性知识资源和专项任务资源。

不同教学资源所需要的教学策略也不相同。对事实性知识资源，教学策略重点关注资源的呈现形式、记忆指导和复习周期；对概念性知识资源，教学策略重点关注资源的分析与例证、语言界定的关键词，以及动机与关联；对程序性知识资源，教学策略着重于有支架的练习和独立练习。

因此，高等教育研究性学习的精准教学资源建设和教学策略设计，可以分为事实性和概念性知识资源建设、程序性知识资源建设和专项任务资源建设三个部分，这里以信息论与编码课程中的特定章节(信源编码)为例进行说明。

事实性知识和概念性知识资源以教材、在线素材等形式呈现，学习者通过课堂讲授、观看慕课素材、阅读参考文献等方式习得。信息论与编码课程的信源编码模块的事实性知识与概念性知识资源建设如表1所示。

表1 事实性知识与概念性知识资源建设

程序性知识资源以规则、流程、算法、特定的常规技能(如仿真软件的使用)、定理、策略、解决某类问题的方案等形式呈现，学习者通过教师讲授或指导手册等方式习得，具体过程如下。首先，当新手学习者掌握足够多的事实性、概念性知识和基本程序性知识后，就要进行认知阶段的专项任务训练，教师要引导学习者建立产生式规则。此时，对于简单的问题，学习者可以使用很小的认知负荷迅速解决，从而获得解决简单问题的能力。其次，在解决简单问题的基础上，学习者继续进行结合阶段的专项任务训练，教师应引导学习者进行规则的泛化和整合。最后，学习者进行自动加工阶段的专项任务训练，教师要引导学习者进行规则的调优，即自动化程度越来越高的程序性知识，从而建立起领域中知识之间的深度内在联系，获得某类问题的解决策略，这种与具体问题无关的策略使学习者逐步掌握解决复杂专业问题的能力。信息论与编码课程的信源编码模块的程序性知识资源和专项任务资源建设如表2所示。

表2 程序性知识资源和专项任务资源建设

(五)数据处理过程

教师利用各种智慧教学平台实施教学过程，与此同时，学生充分利用智能手机、平板电脑、笔记本电脑等移动设备参与教学活动，实现线上教学与线下教学活动的无缝融合，开展课堂推送、弹幕、投稿、限时答题、在线投票、小组讨论、同伴打分、小组互评、实时回复投屏等多种能发挥线上智慧教学平台和线下智能教学环境特色的教学活动。

教学平台中实时产生的各种数据，按照课外和课中时间段分别采集和处理。课外(课前和课后)数据处理主要是通过资源学习数据分析、导学课件习题结果分析、知识点掌握程度分析、知识模块掌握的均衡性分析等进行课前课后学情分析；课中数据是数据处理的主要来源，包括学生的学习动态分析、出勤签到、分层次习题应答情况、错因类别分析、错题统计、互动统计、协作统计等，通过数据分析获得特定课堂的教学效果评估。

数据处理设计采用文本聚类、回归分析、情感分析、关联分析、行为序列分析等数据挖掘和人工智能技术实现对教学全过程的量化分析，形成个性化的学习报告，同时关联学习对象的评估结果，反映学生认知转换过程深度，进行教学过程监控和教学质量分析，为教师的教学策略调整和教学干预提供参考。

(六)精准的教学干预机制

精准教学干预方案是根据数据处理过程得到的学习者个性化学习报告和学习对象的实时评估结果来确定的，因此，教学干预需要分层次、差异化实施。对全体学生的共性问题，教师可以通过调整课堂内容节奏、组织有针对性的讨论、制订相应的奖惩机制进行干预；对部分学生的学习习惯、学习行为、学习情感消极问题，通过推送练习、课堂提问、同伴学习等方式进行干预；对个体知识缺陷和学习能力问题，通过相关教学资源推送、线上答疑、线下辅导、提高辅测频率等方式进行干预。

需要注意的是，教学干预并不是越频繁越好，根据建构主义学习理论，干预机制启动前应该包含足够多的缓冲时间和容忍度，如留出学习者发展探索性学习能力或锻炼思维能力的时间等，只有如此才能帮助学习者保持主动学习的热情。

三、结语

本文提出了一种在高等教育本科专业课程的研究性学习中进行精准教学的流程框架，并对其中关键性的学习对象持续评估模块和精准教学资源分类建设模块进行重点阐述。本文不仅构建了基于学生实时画像的学习者状态改变的可视化流程，利用信息化教学数据对学习者的学习状态与学习模式进行持续评估，为教师的实时教育决策提供依据，而且提出了研究性学习课程中精准教学的资源分类建设模型，将传统教学资源根据学习者深度认知加工过程进行分解重塑，为教师精准教学过程中的课程调整提供相应的资源支撑，使针对特定学习者的精准教学成为可能。本文提出的精准教学流程框架可以使当前各种信息化技术平台所获得的大量数据得到充分应用，支撑本科专业课程的个性化教学，最大化地提升学习者的学习效果。