深度学习导向下数据赋能课堂教学质量评价研究

刘敏 任钟媛

摘  要：随着教育信息化从1.0时代向2.0时代转段升级，如何通过数据赋能课堂教学质量评价实现深度学习目标正成为研究热点。目前课堂教学质量评价体系难以满足深度学习要求。因此，为适应智能时代的发展，提高教学质量，该文构建深度学习导向下的课堂教学质量评价体系，并且应用主成分分析法发现传统课堂教学评价背景下高校学生在认知领域、个人能力方面与深度学习目标差距较大。基于此，该文为数据赋能课堂教学质量评价提出针对性的建议和措施，以期达到深度学习目标。

关键词：深度学习；教学质量评价；主成分分析；数据赋能；教学改革

中图分类号：G642      文献标志码：A          文章编号：2096-000X（2023）35-00４７-0４

Abstract： With the transformation and upgrading of educational informatization from 1.0 era to 2.0 era， how to achieve the goal of in-depth learning through data enabled classroom teaching quality evaluation is becoming a research hotspot. At present， the classroom teaching quality evaluation system is difficult to meet the requirements of in-depth learning. Therefore， in order to adapt to the development of the intelligent era and improve the teaching quality， this paper constructs a classroom teaching quality evaluation system under the guidance of deep learning， and applies the principal component analysis method to find that there is a large gap between college students' cognitive field， personal ability and deep learning goals under the background of traditional classroom teaching evaluation. Based on this， this paper puts forward targeted suggestions and measures for data enabled classroom teaching quality evaluation， in order to achieve the goal of in-depth learning.

Keywords： deep learning; teaching quality evaluation; principal component analysis; data empowerment; teaching reform

教育信息化2.0时代伴随的浅层读图、信息娱乐化、碎片化现象等对高等学校教学应用与研究提出挑战[1]。新兴技术的发展带来了学习浅表化和浮躁化，导致学习效率和效果不如预期。因此告别浅层学习，实现深度学习已成为大势所趋。

科学合理的课堂教学质量评价体系能引导教学决策调整和教学实践的改进，助推教学过程中学生深度学习能力的实现。目前，数据赋能教学评价，并通过评价反馈进行教学诊断和干预以促进教学质量提升是我国当前教学评价改革的重要方向。基于此，本文试图探究智能时代下数据赋能教学全过程多维质量评价，以期实现深度学习目标。

一  课堂教学质量评价现状

人工智能等现代技术的应用使得评价反馈时间缩短，评价结果更具客观性，因此可以有效提升评价效率，优化教学质量[2]。事实上，目前教学质量评价并未实现与新兴技术的结合。

（一）  课堂教学质量评价方式简单、不客观

高校教学质量评价主要分为评“教”和评“学”。在教學质量评“教”中，通常以督导、学生、同行为评价主体。督导和同行评价往往是采取随机听课评分的形式，随机性以及主观性较大。而学生评“教”虽是采用教学评分评价，但容易陷入教师期末给分高，则给予教师教学评分高的误区，客观性有待商榷。在教学质量评“学”中，虽然“期末成绩与平时成绩相结合”的评价方式涵盖了学生的出勤情况、课堂参与度情况等，但是仍然无法关注到学生课堂集中度、自主学习程度等指标。

（二）  课堂教学质量评价内容单一、不全面

由于督导、同行进行评“教”时采用随机听课评分的方式，往往对教师教学理念、内容、状态及成果难以有全面、清晰的认知，无法给出系统的科学的评价。而教师评“学”更是如此，评价元素少，仅对成绩关注较多，而无法从深度学习层面进行全面评价。

（三）  课堂教学质量评价工具传统、不智能

目前高校的教学质量评价多是应用网络教学平台提供量表的形式，没有提供全面、多维的动态模型，难以实现教学质量的动态评估。因此，随着人工智能等新兴技术的不断深入，传统的教学质量评价方式由于缺乏系统的评价体系、智能的数据跟踪及全面的评价数据分析，已经不能充分指导教学活动的开展，不能适应深度学习目标的实现[3]。

二  深度学习导向下课堂教学质量评价体系构建

互联网时代，浅层化学习方式随着新兴技术的发展又呈现出新的特征，阻碍深度学习的实现。但无论何时，深度学习相对于浅层学习是主动的、批判的且有意义的[4]。本文参考卜彩丽等[5]得到深度学习导向下课堂教学质量评价框架，见表1。

在认知领域层面，深度学习要求学习者能旁征博引，具备将知识迁移应用以及问题解决的能力。具体来说，掌握核心学科知识能力是学习者能理解核心学科知识并能将其应用到新的学习情境或真实世界中。批判性思维和复杂问题解决能力更侧重技术和工具的应用，以及信息整合能力对问题解决的影响。

人际领域主要包含团队协作能力和有效沟通能力。团队协作能力是指学习者能协作解决学习、个人、社会等多方面的问题。有效沟通能力是指学习者能清晰地组织和表达自己的数据、观点等。深度学习更多地发生在“群体情境”中，学生在沟通与协作的过程中对学习内容的把握更加深刻，更容易产生奇思妙想。

在个人能力上，深度学习表现为学习者具有更强的学习动机和更高水平的自我效能感，具备学会学习和学习毅力的能力。从学会学习能力上看，学习者不仅要掌握专业知识，还要有学习的技巧和策略，并能在学习过程中实时监测自己的学习状态。此外，在学习过程中，深度学习者是有坚韧的学习毅力以应对遇到挫折和阻碍。

三  传统教学质量评价背景下高校学生深度学习现状

本文为更有针对性地探究数据赋能教学质量评价体系助力深度学习目标实现，利用主成分分析法研究在传统教学质量评价背景下高校学生的深度学习现状。本文以江西省内三所高校学生为调查样本，发送问卷564份，回收有效问卷551份。问卷中采用李克特五级量表，对深度学习下掌握核心学科知识能力（x1）、批判性思维和解决复杂问题的能力（x2）、团队协作能力（x3）、有效沟通能力（x4）、学会学习能力（x5）和坚韧的学习信念（x6）六个指标进行测量。

（一）  信度与效度分析

本文基于SPSS 26.0分析问卷整体的信效度。首先得到Cronbach's alpha系数为0.936，这说明该问卷信度高，可靠性强。其次采用KMO和巴特利特检验量表的效度，KMO值大于0.8，且巴特利特检验在1%的显著性水平下显著，说明该问卷效度较高（表2）。结合信效度结果分析，该问卷适合选用主成分分析进行研究。

（二）  数据分析

主成分分析法可以通过降维达到简化计算、分析及评价的目的。本文根据累计方差贡献率超过85%的原则，提取出2个主成分，方差累计贡献率达86.576%，即能反映大部分原始信息，见表3。

成分矩阵即因子载荷矩阵，反映主成分与标准化后原始变量的相关关系。通过成分矩阵可以得出深度学习各衡量指标的综合得分系数，最终得到主成分综合模型，见表4。

F1=0.294x1+0.295x2+0.406x3+0.409x4+0.373x5+0.387x6。

综合得分系数越大，则深度学习能力越强。根据6个指标的综合得分系数来看，高校学生目前的深度学习能力在人际领域方面表现较为突出，在个人能力方面需要加强，认知领域方面有所欠缺。但是总体得分较小，意味着目前的评价方式并未助推学生达到深度学习标准。

四  数据赋能课堂教学质量评价体系——以深度学习为导向

总体上看，目前教学质量评价方式并未给学生深度学习能力带来质的飞跃。在这个人机协同的智能时代，探索数据赋能的教育评价创新，是推动我国智慧教育发展的必由之路，是促进深度学习能力发展的重要途径。

（一）  数据赋能教学质量立体化评价

学生在深度学习能力上，尤其是认知领域和个人能力方面出现欠缺，则教学质量评价应借助智能技术形成更全方位、多层次的评价体系。

首先，智能技术应全方位跟踪学生学习的各阶段，采集学生身心健康、学习情况、人际往来等数据，利用新兴技术将学生学习状态形成智能可视化，将学生深度学习能力进行动态画像。因此，除了学习成绩，智能技术还能监测到学生的性格特点、思维水平、自控能力等[6]。传统的教育方式下，唯成绩论的思想根深蒂固。而在智能时代下，尽管学生在学习成绩上不佳，但是其包含的其他特质，如综合素养、思维敏捷度等突出，立体化评价反馈的数据就会提醒教师该学生仍有培养和发展潜力，需重点关注，利于教师根据促进学生全面和谐发展的客观规律，及时发现问题，有针对性地解决问题。总体来说，数据赋能课堂教学质量评价体系有利于形成对学习者的立体化评价，教师可以通过评价反馈数据进行教学诊断和干预，实现因材施教策略，促进教学质量提升。

其次，智能技术实现教师教学质量评价的客观性，并利用智能技术继续赋予以学生为中心的深度学习課堂新的活力，形成对教师的立体化评价。课堂教学质量还要受到教师方面多个维度的影响，如教师的工作状态、职业感受及发展需求。因此对教师形成立体化评价同样有利于提升教学质量。例如，教师的职业感受，职业满意度会直接影响到其课堂状态。对自己的职业不感兴趣、不满意的教师就更不会尽心尽力培养学生成才。另外，如果该职业的未来前景难以满足教师的职业需求，教师就会更容易产生职业倦怠，形成低迷的精神状态。这两种情况对课堂教学质量的影响都不言而喻，会极大阻碍深度学习目标的实现。基于此，学校管理部门就更应依据智能课堂教学质量评价体系返回的数据，对教师进行全面科学的评价。管理部门可以依据智能数据洞悉教师课堂中的精神状态和思想动向，及时进行深入访谈和调研，有针对性地合理调整。总体来说，学校管理部门可针对影响教师教学质量的因素，合理进行管理干预，为深度目标的实现奠定基础。

（二）  数据赋能教学质量过程性评价

实际上，传统的教育方式下，容易出现“一考定终身”的误区，这是终结性评价方式的典型特征。随着深度学习理念的不断深入，过程性评价取代终结性评价是未来教学质量评价改革的发展方向。过程性评价目标与过程并重，相关主体能根据评价结果及时调整教学策略。而人工智能、区块链等新兴技术的引入则更为过程性评价在教学过程中的深入提供了技术支撑。

由上文数据结果可知，高校学生仍在认知领域和个人能力上没有完备的深度学习能力，造成这种现象的主要原因是课堂仍以教师为中心，学生过分依赖教师对知识的讲解，缺乏独立思考、知识迁移应用的过程，难以形成完整的知识建构。在此问题上，智能技术应多渠道采集教与学的数据，形成独立的成长报告，形成过程性评价。如可利用人工智能技术抓取学生或教师在课堂中的表情、动作形成个人的情感数据、行为数据和过程数据等。借助教育大数据分析工具形成的各阶段报告是动态实时的，是伴随式的，教师和学生可以依照数据反馈及时调整教学进度、改善学习方法、优化学习策略等。

在传统的教学质量评价体系下，教学质量评价主体存在诸多限制。而数据赋能教学质量评价体系后，允许多元主体共同参与评价，如自我评价、同伴评价、利益相关主体评价及数据智能评价，最终评价结果可根据各部分评价动态数据建模得出。因此，数据赋能教学质量过程性评价，不仅能洞察学生真实的学习情况，还能发掘内部教学规律和影响因素，形成个性化教学体系和教学服务。

（三）  数据赋能教学质量增值性评价

增值性评价主要以学生学习成效增值作为评价依据，与传统的看学生平均成绩，绝对成绩有很大差异，与深度学习能力的培养不谋而合。尽管目前多数高校课程的教学成绩由平时成绩和期末成绩两部分组成，但是仍存在比重分配不合理，学生不关注平时课程成绩的情况。因此，依托智能技术对教师的教学质量和学生的学习效果进行长期、不间断的跟踪，形成增值性评价，监测学生高阶思维能力的获得与培养至关重要。

智能的教育评价体系是个性化的，会根据个人数据形成不同的、长期的跟踪性评价方案。能力的提升是该评价体系的关注重点，即在该教学质量评价体系背景下，绝对成绩的横向对比已经不足以支撑学生全面和个性的发展，水平的提升、未来的发展潜力才是评价教学效果的关键要素。

（四）  即时通讯技术赋能教学质量评价

随着微信、QQ等移動即时通讯应用程序成为个性化和普遍化相融合的通讯媒介，将教学质量评价和即时通讯技术相结合，是当前教育现代化和智慧化的新发展方向。应用即时通讯技术可以通过提升教学的智能化、自动化程度来更简单、有效地记录教学数据，及时调整课堂节奏，提升教学效率。与此同时，即时通讯技术的应用打破了传统课堂的时空限制，消除了信息壁垒，推动课堂教学质量评价体系的完善。如学生通过在线观看教学视频、教学课件、做测试题，教师可以清晰地监测学生课堂学习效果，并且教师的教学表现也会上传至云端进行分析，保证了评“教”和评“学”的客观性、即时性。再加上，以即时通讯技术支撑的应用程序可以在整个课程中叠加使用，这会进一步丰富评价结果。如课前可以应用慕课、超星学习通查找学习资源，课中可以运用“雨课堂”，记录学习效果，课后相关主体则根据此类应用程序反馈的动态数据对教学进行分析。

总体而言，数据赋能教学质量评价体系可以依托智能技术始终秉持导向型、增值性、客观性和综合性的评价原则，考察教学中深度学习能力的实现，凸显促进教育教学改革和发展的独特价值，使教师善教，学生乐学，为推进课堂教学质量评价改革和促进学生的全面发展注入新的动能[7]。

五  结束语

为适应智能时代的发展，本文提出了对传统教学质量评价体系的若干思考，通过构建深度学习评价体系，发现当前教学质量评价体系与深度学习目标间存在的差距，并针对当前存在的诸多问题，提出数据赋能课堂教学质量评价体系的建设性措施和意见，助推深度学习目标的实现。

参考文献：

[1] 谢幼如，邱艺，刘亚纯.人工智能赋能课堂变革的探究[J].中国电化教育，2021（9）：72-78.

[2] 罗利，柳亮.高校在线教学质量评价现状及对策[J].教育观察，2020，9（41）：38-40.

[3] 马青.基于在线教学大数据的教学质量评价与实践[J].中国多媒体与网络教学学报（中旬刊），2021（11）：22-24.

[4] 何玲，黎加厚.促进学生深度学习[J].现代教学，2005（5）：29-30.

[5] 卜彩丽，冯晓晓，张宝辉.深度学习的概念、策略、效果及其启示——美国深度学习项目（SDL）的解读与分析[J].远程教育杂志，2016，34（5）：75-82.

[6] 罗良，李勉.用评价数据赋能学校管理，全面提升教育教学质量[J].教育与教学研究，2021，35（5）：1-2.

[7] 韩青松，郭啸，刘伟诚.“双一流”建设背景下高水平大学研究生教学质量评价的必要性和重要性探究[J].大学，2022（2）：71-75.