基于PCA的高职生课堂学习效果分析

来源:用户上传      作者:董心雨

　　【摘要】 高职生课堂学习效果受高职生自身特点、教师教育教学水平，学校引导与管理及高职教育培养方案等多个方面共同影响。根据高职院校的课堂教学特点，提取了若干个影响高职生课堂学习效果的因素，利用主成分分析法（Principal Component Analysis，PCA）对各个因素进行处理及分析，求得影响高职生课堂学习效果的关键指标。结果表明，基于PCA的高职课堂学习效果分析能够有效提取主因，为进一步改良教育教学方法，提高学生学习成绩提供了科学的指导及明确的方向。
　　【关键词】 PCA 高职 课堂学习
　　引言：
　　随着大数据时代的到来，爆炸式增长的海量数据给传统的数据处理方法带来了严峻的挑战，因此，我们一直在努力探寻更高效的数据处理手段。数据降维是一种解决维度灾难有效方法。衡量课堂教学效果的好坏必然是一个非线性的、多维的问题，通常来讲，指标越多，评价过程越全面，但是在这个过程当中必然会产生庞大的数据，而数据的采集、统计、分析就会显得过于繁琐，工作量巨大。因此，采用PCA实现数据降维，可以有效提取高职课堂教学评价的核心指标信息。
　　除了个别就业率较高、综合实力较强的高职院校的部分专业，高职院校生源整体弱于本科院校，学生知识水平、专业基础参差不齐。然而培养出更多高素质技术人才，能工巧匠又是我国现代化建设至关重要的一项任务。因此，如何提高高职生课堂学习效果，培养高职生良好的学习习惯，帮助其掌握科学合理的学习方法，是一个急需探讨的课题，这不仅有利于帮助其提高课业成绩，对其步入工作岗位后的进一步学习也有着重要意义。
　　一、影响高职生课堂学习效果的主要因素
　　从国家对于高职课程设置的层面来看，德国采用的是双元制的课程模式，学校负责理论课程的讲授，企业负责安排践课程，共同合作完成培养计划，学生所学知识与最终所从事的工作需求有着非常高的契合程度，是一种非常理想的培养模式;英国将高等职业教育与“国家职业资格证书”的获取绑定在一起，只有拿到相应的资格证书才能够就业，在一定程度上也保证了课堂学习内容与工作的匹配度;美国的高职教育对基础理论的要求较低，课程设置与工作也没有直接联系，比较倾向于人的全面发展和能力的培养;日本则是轻理论重实践，给学生很多实践机会，重视所学知识的实用性以及技能的培养;中国高职教育的历史较短，在探索与学习中前进，很多高职院校仿照学术性大学制定培养计划，没有充分体现出高职教育的特点，与企业融合的不够深入，无法真正做到让学生学有所用，毕业即可上岗，不过近年来国家注重高职教育的培养，推动“1+X证书”等制度的发展，为提高高职院校办学质量，学生课堂学习效果起到了积极作用。
　　从学校的层面来看，很多高职院校对于提升课堂教学效果并没有提出科学有效的保障手段，仅仅从纪律层面进行把控。例如在教室放置手机袋，要求老师在课前监督学生上交手机来减少上课玩手机的情况，这并不能从根本上解决问题。学生即使上交手机，也可能采用睡觉、看小说、发呆、练字等方式度过一堂课，而教师也不可能在课上耗费过多时间来处理这些问题。学校对于课堂效果的评估也仅仅依赖于学生教评及期末成绩，然而大多数学生对于教评环节并不是特别认真，且受主观因素影响，期末成绩也不能完全反映学生的学习效果，可能受任课老师所透露的考点范围等因素的影响。
　　从教师的角度来看，很多教师只是简单地完成教学任务，对于学生的心理状态，学习效果并没有深入了解。在很多高职课堂上，睡倒一片，或者偷玩手机的状况比比皆是。部分教师采用课前上交手机的方法试图提高学生在课堂上的学习效果，然而治标不治本，即使手机被没收，部分学生也无法集中注意力在教师所传授的知识上，会用睡觉、发呆、练字等方式来消磨时间，更有甚者对于老师的强硬态度会产生逆反心理。因此，让课堂变有趣、让学生能听懂、听进去是每一个教师努力的方向。除此之外，很多老师缺乏企业实践经验，研究生毕业就进入高职院校任职，所具备的知识范畴仅仅局限于课本，对行业的现状及发展没有深刻的认识，对企业的需求也没有准确的把握，更多的是理论知识的输出，而高职院校的学生不同于普通本科院校，工匠型人才的培养需要更多的实践机会及岗位技能培训。
　　从学生自身出发，一个学生的成绩好坏往往受智力因素和非智力因素两方面影响。智力因素是无法改变的，因此仅就非智力因素进行探讨。高职生普遍存在着理论基础课薄弱，缺乏自觉性和主动性，学习目标不明确，学习动力不足等问题。
　　例如《高等数学》等需要一定数学基础的课程，就会出现两极分化的情况。基础较好的同学更容易听懂课堂内容，能够积极响应老师的提问，与此同时获得的优越感及成就感更加激发了其对该门课程学习的积极性，达到一个良性循环，学习效果也会很理想。相反的，有相当一部分同学数学基础极差，就会遇到上课试图听但是听不懂，一不留神就跟不上的情况，最终选择放弃。因此，对于这一类型课程的课堂学习效果，学生理论基础是占比非常大的一个影响因素，具有特殊性，不太适用采取PCA的方式对其进行进一步调查研究。
　　本文选择的是《计算机网络与通信》这门课程，该门课程有部分纯概念性章节，学生不需要有良好的文化课基础就能够理解记忆，但是在子网划分等章节，涉及进制计算等知识点，需要学生有一定的理论基础。选择该门课程可以很好地从学生方面分析其对课堂效果的影响。
　　可以看出，高职生课堂学习效果受多方面多维度因素的影响，本文基于PCA进行数据分析，找出影响高职生课堂学习效果的关键因素。
　　二、PCA算法的基本原理
　　PCA算法是一种应用非常广泛的降维方法，它可以从对事物产生影响的多个因素中挑选出几个核心关键因素，去掉一些相关度较高的影响因子、冗余信息、最终将复杂的问题简单化，此方法应用于图像处理、数据压缩、信号去噪等多个领域。

nlc202204241511

转载注明来源:https://www.xzbu.com/1/view-15429376.htm