数据分析助力翻转课堂精准教学促进思维提升

来源:用户上传      作者:

　　摘 要：大数据时代为教与学带来了新的可能。本文以文学批评课程翻转课堂为例，探讨了在以学生为中心的教学中，如何通过数据分析动态追踪并分析学生的学情，准确定位课堂中各类学习人群，创建积极有效的学习共同体;如何在以伙伴学习为主要方式的课堂中及时筛查学习风险，通过分类分层的教学干预，促进不同层次学生学习效果的提升，并进而展望学习分析在未来人文学科教学中的作用。
　　关键词：数据挖掘;学习分析;学习困难人群;教学干预;个性化发展
　　近年来，随着大数据时代的到来[1]，大数据作为一种价值观、方法论，已渗透到各行各业并迅速掀起了变革的浪潮。2012年10月，美国教育部发布了题为《通过教育数据挖掘和学习分析促进教与学》（Enhancing Teaching and Learning Through Educational Data Mining and Learning Analytics）的报告，针对大数据在教育领域中的应用发展，从个性化学习、教育数据挖掘、学习分析及自适应学习系统中的大数据应用相关案例、面临挑战和实施建议等五个方面，为美国高等院校和K-12学校提供了大数据应用的有效指导。尤其是其中重点提到的数据挖掘和学习分析，不仅能使教育信息成为可捕捉、可量化、可传递的数字性存在，使教师对教育的过程性考察成为可能，更能透过真实的数据发现教与学的关系，被称为正悄无声息地引发着教育的一场新革命[2]。
　　一、学习分析助力人文学科课程高阶思维能力培养的构想
　　我校文艺学系列课程2003年被批准为首批国家精品课程以来，在教材编写、课堂教学以及信息化建设等方面展开了一系列改革，曾先后三次荣获省级教学成果一等奖，2014年“高校师生关系的重塑与文艺学教学改革的拓展”项目获教育部“普通高等学校优秀教学成果奖”国家级二等奖。“文学批评”作为其特色课程更一直走在信息化建设的前列，自2013年开始实施“三阶式翻转课堂”，在4年多时间里不断探索将讲授、理解性的课堂转变为体验性、实践性为主的课堂，成功解决了教学中师生交互不够、学习中实践环节严重不足等问题，使学生逐步完成了从“会听”到“会学”的转变，批评实践能力得到明显提升。2014年获得华中师大首届教学创新奖二等奖（一等奖空缺），2017年获得湖北省教学成果一等奖。
　　但是，作为文艺学系列课程中以培养学生高阶思维能力为目标的课程，“文学批评”课程教学不仅要实现理论性与实践性的统一，更要激发学生调动此前所学的中外文学史、语言学等学科知识和经验，并进而将其整合、转化为对文学批评对象的敏感、准确的方法概念选择和有效的批评实践。因此，“会学”犹显不够，学生只有从“会学”进一步上升到“会问”，即通过一个学期的学习，面对具体的文学作品和文学现象能主动提出有价值的问题，敏锐找到切入作品进行批评实践的独特角度，才可以说形成了文学批评的关键素养，也才能真正实现“文学批评”作为中文系课程体系中“拱顶石课程”的价值。
　　从“会学”到“会问”，需要的不仅是实践，更是学生思维水平的质的飞跃。为了达到这一目标，我们需要对学生的学习行为有更清晰的了解，对他们学习中的困难能及时掌握，并予以有效干预。为此，2017年下半年我们将学习分析方法引入“文学批评”课程，希望通过对“课堂+线上”整个教学流程中学生学习数据的实时跟踪与分析，找到妨碍学生思维能力由低阶发展为高阶的“滞涨点”，通过及时定位学习困难人群，进行有针对性的分层次精准干预，实现整个班级学生思维水平的提升。
　　二、全过程动态数据分析提升学生思维能力的方法
　　1.用数据描画学习风格，改善教学设计与实施
　　“文学批评”课程以其理论性与实践性并重，历来被文学院学生视为最难的一门课。为了弄清学生的基本素养与课程的要求之间到底有怎样的距离，我们借鉴Kolb的学习风格理论，在课程开始前对每个学生进行了学习风格的测定，完成了全班学习风格肖像的描画，并在对这些数据进行分析的基础上，调整改善整体教学设计，为学生搭建起了“模仿—运用—创造”的三阶式学习“脚手架”。
　　学习风格（learning style）指的是学习者在学习过程中处理信息的方式[3]。虽然目前对学习风格和学习成就之间的关系仍存在一定的争议，然而大家普遍赞同的是，学习风格会影响学习者的学习表现和学习成就。Manolis和Fletcher等都指出，教师需要了解学生的学习方式，以便调整教学方法，优化学生的学习过程[4]。在多达71种不同的学习风格模型中，目前使用最广泛的是Kolb的经验学习模型理论[5]。基于经验学习理论，Kolb将学习者的学习风格划分为9种不同类型，通过对学习者在学习过程中的感觉、习惯、思考和行动等行为做出描述并进行细致探讨。他提出，每个学习者在学习方法上都具有其独特性，每种学习风格既有所长又有所短，没有所谓“最好的最理想的学习风格”。对于每个具体的学习者来说，他的学习风格是相对稳定的，尤其是在进入高中以后的阶段中，但也并不是一成不变的，而可能随着其不断发生的学习经历有所改变。基于这一理论，每门课程的教师都应该首先根据具体的教学目标，找到对自己课程来说最合适的学习风格，然后努力在课程实施的过程中营造适合這种学习风格的学习环境，以帮助尽可能多的学生取得好的学习效果。
　　我们首先运用Kolb的学习风格量表进行了全班同学的学习风格测试。测试结果表明，全班45名同学（男生8名，女生37名）中，想象型、反思型和经验型的学生数量最多，占到了全班总人数的57.8%;平衡型和思考型的学生数量中等，总共占所有学生的22.2%;决定型、分析型、启动型和行动型的学生数量比较少，总共只占所有学生的20%。与课程努力提升学生高阶思维能力，即理性思考能力、流畅表达能力与反思创造能力的教学目标相对照，我们发现，班上的大多数学生偏好通过具体经验进行学习，离课程目标需要的理性思维与感性思维相结合尚有一定的距离。如何在帮助学生发挥感性思维优势的同时，尽快提升其理性思维能力呢？ 　　经过审慎的考虑，我们对课程的整体设计进行了调整。在翻转课堂刚开始实施时，老师在课堂上的讲解占70%，学生的活动占30%。随着课程的展开，教学中教师讲解的比重逐渐减少，学生活动的比重逐渐增加。直到最后将学习的主动权完全交给学生，使他们通过自学对中西方文学批评的历史梳理出脉络，并展望未来文学批评的发展。在这个过程中，学生所完成的任务性质逐渐由模仿上升为运用，进而上升为创造。这样，藉由老师的引导，学生可以逐渐完成从感性思维为主转向感性思维、理性思维并重，实现思维能力的提升。
　　具体说来，在第一种批评方法即社会历史批评的教学中，我们从学生阅读文学作品的经验出发，选择李希凡的《评<组织部新来的年轻人>》为案例，成功地帮他们解决了课前自学时未能真正掌握的“真实性”“倾向性”等社会历史批评的概念。在接下来的批评实践中，让他们模仿李希凡批评文章的思路，选择合适的尺度完成对路遥《人生》的分析。凭借这种模仿性的操作，学生逐渐领会到如何将对作品的感性认识转化为理性分析。当学生们模仿得越来越纯熟，从语义批评开始，我们略去这一环节，让学生自己到生活中寻找语义批评相关概念的运用进行评析，逐渐强化其运用能力。到了性别批评，则充分发挥其中两个重要概念“女性阅读”“女性写作”的效力，让学生从填补被男性话语掩埋的女性声音入手，逐渐上升到从女性主人公的角度重新书写作品。当学生在规定的课堂单位时间里完成写作任务并面对全班进行直播表演时，课堂的气氛随着他们创造性的展现而逐渐推向高潮，学生顺利完成了“模仿—运用—创造”的能力登顶。
　　在课程实施过程中，通过对学生的学习风格与其移动学习行为进行皮尔森分析，我们发现，抽象的概念化特征会显著提高学生的移动学习态度和课程预习成绩，反思观察特征会显著降低学生的上网时长，而主动体验特征会显著提高学生的移动平台访问次数和进图书馆的次数。通过将这些分析与学生的学习成效相对照，我们最终认识到，主动体验特征是最符合“文学批评”课程性质和目标的学习风格类型。于是，我们在其后的教学中，就尽可能多地为学生构建具有主动体验特征的学习活动，如组织他们开展双十一购物心路历程的自我人格结构变化分析竞赛，通过视线追踪动图中的小球运动轨迹来领会语义批评分析诗歌的独特路径等，不仅使不同学习风格类型的同学都能越来越企近课程的目标，也使得他们的学习热情日益高涨，表现出越来越强的自主学习的意愿。
　　2.追踪动态学习数据，准确定位不同学习人群
　　曾有学者指出，大数据技术的优势就在于能够对学生的整个学习过程（包括教材和学习活动）进行数字化处理，因而，“大数据时代教学问题的解决，将不再依赖于教师头脑中的模糊经验，而是基于对海量教学问题及其解决方案的描述和分析。教师完全有可能对每个学生的学习数据加以分析，进而实现真正的因材施教”[6]。在翻转课堂的实施中，借助于具有数据统计功能的学习平台，学生学习过程中的学习行为甚至细微的学习痕迹都能被准确清晰地记录下来，无论是课前预习、课上活动，还是课后研讨，每个学生参与学习活动的次数、实际学习效果，甚至是在全班同学中的排名均可实时呈现在教师面前。
　　教师也可以根据自己课程的特点和教学需要，选择性地导出平台中需要提取和分析的相关数据。比如在文学批评教学中，为了更好地了解学生的学习积极性，我们就专门提取了学生对教师线上学习活动通知的响应速度的数据、参与线上小组讨论顺序的数据，并对其进行了分析和可视化呈现。当学生的名字在响应速度表中第二次出现时，我们就给这名学生一种独特的颜色以进行标记。通过分析我们发现，无论是对教师发布的学习活动通知的响应速度，还是对小组讨论中的发言顺序排名，都并非随机的偶然的，而明显呈现出规律性的特征，即学生的响应速度能明显反映出他学习情感的积极程度。通过将学生学习情感的积极程度与其实际学习效果进行对比，我们进一步发现，学习情感最积极的同学，其学习效果并不一定最好;但学习情感最不积极的同学，恰恰就是那些在班级中学习效果普遍落后的同学，这也正是我们课程需要重点关注的学习困难人群。发现了这种学习情感与学习效果的正相关性，我们就利用学习平台的预警功能，设置了相应的学习风险预警条件，使平台可以在后续学习中自动对这些同学进行提醒和警示。
　　学习效果较好的同学与其对任务的响应速度无关，那么，是否与其对资源的研习程度有关呢？带着这一疑问，我们对班上学习效果较好的学生的平台访问次数、视频观看时长和反刍比、拓展资源访问次数进行了分析，结果发现这一猜想并不成立。那么，这些学生究竟是通过怎样的方式才取得了较好的学习效果呢？针对我们发布的调查问卷，学生们给出了让人吃惊的回答。他们说，无论是在预习还是在完成任务时，他们都更喜欢自己在网上寻找相关资源，或是主动到图书馆借阅有关书籍。真的如此吗？为了验证这一点，我们专门向学校信息化办公室递交了申请，请他们为我们调取了学生进出图书馆的次数统计数据、借阅书籍的信息等，经过脱敏处理后提供给我们。经过对这些数据的分析，发现果然如学生所言，那些进出图书馆频次较高、主动借阅课程相关书籍的同学，也就是我们通常所说的不能满足于教师规划的学习路径，而更多呈现出主动学习特征的同学，正是课堂上学习效果最好的同学。在这一分析过程中，通过对正相关、不相关、负相关数据的筛查，我们也逐渐明确了文学批评课程中优质学习者的特征：那些学习基础较好（前期相关课程如文本解读、文学理论课程排名靠前）、学习状态稳定积极（早餐时间较早、进出图书馆频次较高）、具有主动学习特征（依据课程进度主动借阅有关书籍）的同学，正是课程中教师不用操心、甚至可以倚重的资源。通过准确定位这些同学，并在后续学习活动中有意识地让他们担任“教师代理人”的角色，各个小组的学习活动开展都很快進入了良性循环阶段，学生们的学习积极性日益水涨船高，发言和讨论也渐入佳境。
　　3.及时筛查学习风险，精准干预扫清认知障碍
　　几年的经验告诉我们，翻转课堂的良好教学效果，在很大程度上有赖于学生课前、课后在线上的积极有效的学习活动。当这些学习活动在具有数据分析功能的平台上开展，以往难以观察到的学生的学习过程成为可捕捉、可量化、可传递的数字存在，高度精细的、颗粒化的学习数据经过系统分析，可为教师揭示出学生实时的学习水平和状态，教师以此为基础调整学习活动和进程，帮助不同水平的学生实现定制化的学习就成为可能。正如舍恩伯格（Sch?nberger）所指出的那样，大数据时代的教育可以打破“一个尺寸适合所有人”的同质性，通过对知识传递进行的个性化处理，更好地适应特定的学习环境、学生能力和学习偏好[7]。 　　为实现培养学生高阶思维能力的目标，“文学批评”课程借助信息技术创建了强交互型的翻转课堂，一方面，在整个学习过程中尽可能多地为学生创造伙伴学习的机会，使他们通过充分的交流，在教与被教中实现知识的掌握和能力的提升;另一方面，对于那些学生通过自学或伙伴学习难以攻克的学习难点，则通过教师的讲解和引导帮助学生完成知识内化。于是，在什么时间、在什么情况下需要由生生交互及时转换为师生交互，促进学生认知的提升，就成为翻转课堂实施中的一个关键点。以往我们主要是通过经验性的判断，教师需要阅读大量的学生线上讨论，并根据自己的教学经验做出决定，往往要花费传统教学2～3倍的工作量。运用具有数据分析功能的教学平台后，通过对学生线上讨论关键词的提取、通过对学生讨论时长、同一话题中发言频次、完成任务中的反复次数等数据进行聚类分析，我们成功定义了翻转课堂中必须由生生交互转换为师生交互的三种情境，进而通过分层分类的教学干预，实现了促进不同层级的学生克服各自认知障碍、提升学习的效果。
　　第一种情境是全班同学在线上学习时都碰到困难时，须由教师出面，通过“讲解+练习”来化解这一学习风险。当全班同学在完成某一任务时错误率在60%以上，或在讨论中不相关、 负相关的关键词出现60%以上时，他们就很难仅仅通过伙伴学习完成对这一学习障碍的克服，而必须由教师出面进行学习干預了。例如在精神分析批评专题中，我们通过课后练习发现，学生在理解人格结构理论中本我、自我、超我三者间的关系时碰到了较大困难。通过对学生错误关键词的分析，我们很快定位了学生的知识障碍，首先在于他们混淆了这组概念与心理结构中的概念尤其是潜意识、无意识的关系。于是，我们利用平台的直播功能，借助于PPT和弗洛伊德著作中的有关论述，在线上为学生进行了补充性讲解，不少同学通过直播中的反馈功能表示自己听懂了。接下来，我们布置了检测性的线上任务，要求学生将超我、自我、本我分别想象成三个小人，用画图的方式表示出三者之间的关系。在学生们画出的各种各样的图示中，我们挑出了6种典型性的理解，请学生们通过讨论明确正误。在大家你一言我一语的过程中，错误的理解被一一排除，学生们真正掌握了人格结构理论的要义。
　　第二种情境是针对那些学习情感积极，但学习效果并不理想的同学，我们通过变换分组的方式，改变他们在伙伴学习中的角色定位，使其于不知不觉中在同组同学的良性刺激下实现能力的提升。学期开始近1/3后，我们发现班上有位同学在小组线上讨论时不太积极，发言总是排在倒数一二的位次上，但他的个体任务完成速度和学习状态数据在全班却都处于中上水平。经过对这些数据的综合分析，我们得出结论，这位同学属于那种学习情感较为积极，但学习能力有所欠缺的学习者，因而总是不太自信，倾向于在讨论时先听听别人的意见再说。这种学习习惯使得他难以从伙伴学习中获得足够的益处和提升，但如果教师直接出面对他进行学习上的帮助，又很可能会进一步削弱他对于学习的自信。因此，我们通过在下一轮小组活动中变换分组的方法，将他调整到了总体水平略低于他的一组。进行这一调整后，该同学在线上小组讨论中的发言顺序迅速由倒数第二跃升到了正数第二，在与他水平相当的同学的刺激、鼓励下，他在学习中的表现越来越积极活跃，最后甚至成为小组的中坚力量。
　　第三种需要干预的情境是针对那些学习能力较弱，学习情感也较为消极的同学。这类同学通常也是每个课堂上老师需要特别关注的同学。学期开始不到一个月，我们就通过数据分析准确地定位出班级的学习困难同学，并为他专门设置了个性化学习预警，由系统在每次作业、讨论发布时对他特别加以提醒。在课堂上，老师也随时注意观察其表现，积极寻找能够转变其学习态度的机会。学到叙事批评时，这位同学终于在课前预习时提交了一份质量较高的作业，于是老师就抓住这一机会，在上课时利用课前预习反馈的时间展示作业并专门对他提出了表扬。从这天以后，该生对学习的态度发生了明显的转变，对各项任务的响应速度从班级最后5名的统计表中迅速消失，后来甚至有时会进入前5名响应的名单。在最后的期末考试中，该同学取得了中上的成绩。相较于原来较为薄弱的学习基础，其进步是明显而喜人的。从这一事例中，我们也进而意识到，要想转变一个学生，首先要从转变其学习情感入手，只有成功地激发起他积极的学习情感，才能带来一系列后续的变化。
　　三、数据分析助力人文学科教学的效果与思考
　　通过一个学期将数据分析运用于文学批评课程教学的实践，我们完成了对学生学习数据的全流程动态追踪，更好地认识了学生的学习过程。通过对不同学习人群的准确定位，在“文学批评”课堂构建起了一个积极有效的学习群体。通过及时筛查学生学习中的风险并进行分层分类的精准干预，较好地满足了不同层次学生的需要，促进他们实现了个性化的提升。最终在线上线下无缝衔接的强交互型翻转课堂中，通过师生之间、生生之间的多层次有效交互，成功地引导大多数学生完成了从“会学”到“会问”的提升。学生们不仅在最后的期末考试中，而且在知识迁移、细读文本、反思体悟等方面均取得了可喜的进步。甚至有不少学生表现出明确的主动探究意识，会把自己独特的见解主动发布到课程讨论区，邀请同学们进行批评指正。还有的小组同学在最后一次线上讨论中表示，课程虽然即将结束，但他们的线上小组20年都不会解散，他们将会把从课堂上学到的知识和理论，放到生活当中去检验，再来一辩高下……
　　用数据分析助力翻转课堂，不仅使我们近些年一直实施的翻转课堂学习成效有了明显提升，实现了学生自主学习意愿和自主学习能力的同步增长，更促使我们更为深入地思考数字化时代人文教育的发展与未来。2500多年前，孔子在阐述他的教育思想时曾提出“有教无类”“因材施教”。如果说在前数字化时代，这最多只是鼓舞广大教师不断为之奋斗的“理想境界”，那么，随着数字化时代的到来，我们是不是终究有可能企近孔子的这一理想？信息化时代的数据挖掘、学习分析，在将学生的学习图景不断整合为时而宏观、时而微观的各种图表时，是不是就能使我们巨细无遗地还原出学生学习的真实情境？我们恐怕还不能如此乐观。 　　（1）数据的优势在于呈现学习状态，而对提升学生学习成效非常重要的学习情感则很难直接呈现。在近五年翻转课堂的实施中，我们越来越强烈地认识到学习情感的重要性。一方面，人文学科的教学，从来就不只是知识的传授，而更是情感、思想、价值观的重新塑造。另一方面，无论是对于能力偏弱还是不想学习的同学来说，改善其学习行为都必须首先从激发他们积极的学习情感入手。因此，把握学生的学习情感才是在教学过程中对教师来说最重要的事。遗憾的是，从目前的实验看来，仍没有任何一个可以被直接记录和呈现的指标能够清晰反映出学生的学习情感。因此，在运用数据分析提升教学效果的过程中，教師作为教学活动中的主导作用仍不可忽视。教师需要根据课程的具体目标，从浩如烟海的数据中首先定义有效数据，进而将其提取后与学生在实体课堂的表现相结合，才能对学生的真实学习状态做出准确的判断。也就是说，数据分析充其量只能作为教师教学的助力，而非教师所有教学行为的重要依据。
　　（2）舶来的数据挖掘与学习分析模型对于中国学生的有效性仍有待检验。数据挖掘和学习分析都是首先在西方兴起，然后被引入国内的，因此目前学界普遍运用的数据挖掘与学习分析的模型大都是舶来品。虽然作为技术工具，它们有一定的客观性，然而，正如某些学者的研究已指出的那样，亚洲学生由于文化传统、社会交往方式等方面与西方学生的显著不同，会在学习动机、自主学习态度等方面表现出明显的差异性特征 。作为舶来品的数据挖掘与学习分析模型在用于对中国学生的学习进行描述、聚类时是否足够准确、充分，依然是一个值得探讨的问题。这一方面需要教师们在具体的教学中不断检验各种数据分析方法的有效性，另一方面，也呼唤着业界更多基于大规模在线课程海量数据的分析和研究给出答案。
　　虽然数据分析方法还存在着这样那样的不足，但作为信息化时代提供给老师们的新的教学辅助工具，它至少已为我们实现精准性、乃至个性化的教学提供了可能。正如钱理群先生曾说的那样：“教育是一个双向激发的过程。好的教育就是把学生生命中内在的最美好的东西全部诱发出来，同时也把自己内心最美好的东西激发出来。”[8]教育归根到底是灵魂与灵魂的碰撞，当越来越丰富的数据分析手段日益清晰地把学生学习行为这片原本黑暗的大陆逐渐呈现在我们面前，教师必须意识到，对教学中各种显性、隐性数据的充分发掘和利用，不仅能有效激活师生之间的教与学，更能为我们理解教学、认识教学提供一种新的思维方式，并有可能以一种前所未有的方式催生出对于教育更深刻的理解和认识。
　　参考文献：
　　[1] 2012年，联合国发布了大数据白皮书“Big Data for Development：Challenges & Opportunities"，明确提出大数据时代已经到来。
　　[2] 魏忠 . 教育正悄悄发生一场（下转第79页）
转载注明来源:https://www.xzbu.com/9/view-14909697.htm