基于大概念與任務分析技術的高職課程 學習成果整合設計
——以“人力資源統計”課程為例

殷 明

（廣東嶺南職業技術學院，廣東 廣州 510663）

當前，全國不少高職院校參照悉尼協議精神，對照國際工程教育認證標準，推動校本教育教學改革，其中一項基礎性改革即實施成果導向教育。

1 問題提出：課程學習成果的功利主義風險

成果導向教育的主要特征是在課程整體設計與教學過程中，以學生預期學習成果（Intended Learning Outcomes，簡稱ILOs）為目標導向實施教學并以此衡量學生在完成學習后所展示的“應知應會應做”[1]。由此，課程的教與學過程受學習成果驅動，學生的學習目標更加明確，從而增強了學習積極性。但另一方面，實施OBE 教學后，學生在課程學習中的功利性有可能增加，即學生通過學習成果及行為指標得以辨識教師所需（或者說什么對其獲得高分成績有用）之后，學生傾向于只要按要求完成每個學習成果所需的學業表現即可。這一學習成果功利主義思想被美國課程專家喬治·J·波斯納稱為“OBE 風險”[2]。這將會帶來學生學習效果上的兩個負面影響：一是學生的聚焦點只落在課程中一個個獨立的學習成果上，而不去試圖理解課程所蘊含的學科知識體系，即學生“見樹不見林”；二是學生（包括部分教師）只在意是否完成學習成果所要求的學業表現結果，在教與學的過程中，完成最終學習成果所必需的前提技能或使能目標被弱化處理，學生可能會用“弱方法”來解決問題，表面上也解決了問題，但實際上并沒有達到此次學習的真正目的[3]，即學生在學習成果表現上“注重形式多過注重質量”。

我國高職院校推行成果導向教育，課程學習成果功利主義風險尤為突出。一方面，一些高職院校奉行基礎理論教學“以必需、夠用為度”的原則，強調“應用與實用”，卻忽略了“使學生具備一定的可持續發展能力”。有些高職課程的ILOs設計偏向于穩定任務情境中簡單、基本的操作，且不同的學習成果往往基于不同的任務情境，學生雖能完成各個學習成果，卻較難將各個學習成果整合為一個有機體。另一方面，高職學生偏向于形象思維而邏輯思維較弱，學生更喜歡知識點、技能點被分割成一小塊地來學習，因此有些教師就將課程中每一小塊的知識點和技能點設計成一個個學習成果（冠以“能力為本教育”的名義），此時學生雖達成了各個學習成果，但有時并不知道某個學習成果的作用，也就很難在真實情境進行遷移。

課程學習成果功利主義風險的存在，并未否定OBE 理念在高職教育中的正面作用。因此，如何在高職課程教學中采取有效措施降低學習成果功利主義風險，成為課程設計者必須關注的問題。

2 理論基礎

2.1 大概念（Big Ideas）

大概念是一種展現學科領域中各種條理清晰的關系的框架概念或概念性工具，其作用是促進學生對所學知識的理解，將離散的知識與技能聯結為一個有意義的連貫整體，并增強學生對知識的應用與遷移能力[4]。

Chalmers C 等學者（2017）將大概念分為兩類：一類是基于內容主題的內容大概念（content big ideas），包括內容知識中一些關鍵的概念、原理、理論、策略、模式[5]。另一類大概念是過程大概念（process big ideas），指與獲取和有效使用內容知識相關的智力技能，如觀察、實驗、控制變量、制定假設、解釋數據。但威金斯與麥克泰格（2017）認為，技能（包括認知技能與動作技能）教學領域中的大概念并不一定是技能本身，而應側重對技能的智慧應用，這是建立在學習者清晰認識各種技能的價值基礎上（一項技能為什么能起或不起作用以及如何在情境下應用）[6]。這類大概念比較適合職業課程，側重于職業功能導向，可稱為“功能大概念（functional big ideas）”。

2.2 任務分析技術（Task Analysis Technology）

任務分析技術源于20 世紀中葉工業心理學在美國軍事與工業培訓中的應用，通過將培訓的技能目標或預期成果分解成“行為結構的各組成部分”，再從序列上加以組合，以實現培訓目標的具體化[7]。

一個教程的任務分析始于確定該課程的總體目的，該目的可以被轉換為更具體的學習成果表述，由此確定了學生完成該教程學習后被期望完成的任務。在此任務基礎上，先應用“程序任務分析技術”將任務分解為學生完成任務而必須執行的程序或步驟，并區分程序步驟的不同類型（如執行、回憶、選擇、決策等），這些類型可以對應匹配不同的學習成果類型（如加涅的五類學習成果）或教育目標分類類型（如布魯姆教育目標分類及水平）；然后應用“學習任務分析（也稱為任務層級分析）技術”分析學生完成每一任務程序步驟的先決技能或成分技能（可以是知識、技能或情感），這些成分技能（Component Skill）是終點目標行為表現的構成成分，是學生必須習得的使能目標；每一成分技能還可進一步細化分析以確定他們各自的先決技能，直至出現起點技能（學生在學習本課程之前應具備或掌握的知識、技能或情感）[8]。

2.3 學習目的或學習成果的整合

加涅與梅里爾（1990）提出，當對經由教學任務分析得出的成分技能或使能目標采用線性順序開展教學時，可能會使學習者忽略學習目的或學習成果各成分技能之間的相互關系，因此基于多重整合目標來確定學習目的（或學習成果），這一整合目標（或學習成果）來自有目的的、相對綜合性的活動[9]。G.J.波斯納（2003）提出在編制課程預期學習成果時要考慮預期學習成果之間的優先次序與整體平衡，檢查它們是否與課程理論基礎（包含了課程總體目標與大概念）保持一致，以及它們之間的前提性與支撐性關系[10]。威金斯與麥克泰格（2017）提出通過綜合性基本問題作為跨越課程各單元的概念性支柱，促進課程各單元更加連貫與緊密[11]。

從理論上看，大概念理論與任務分析技術均可通過對課程預期學習成果的整合，對高職教育中的學習成果功利主義風險產生一定緩解。兩者的作用方式不同，但相互支撐與配合。大概念在總體層面整合高職課程學習成果的內部關聯，通常可以產生兩種整合機制：一種是作為樞紐軸，即一部機器的各個零部件如何與運轉主軸聯系在一起；另一種是任務功能指向，即一部機器的零部件整合組裝后能做什么。任務分析技術則是在局部層面整合高職課程學習成果的內部關系，通常是以任務程序與技能層級關系作為整合機制，以成分技能作為整合點。比如對于同一課程的不同學習成果，可能擁有同一個成分技能；或者某一學習成果可能是另一學習成果的成分技能；或者某一學習成果的某一成分技能，是另一學習成果（或其成分技能）的先決技能。

3 基于大概念與任務分析技術的高職課程學習成果整合設計模式

高等職業教育培養的是技術技能復合型應用人才，專業課程一般是源于行業所需的專業技術或工作職能，通過職業工作過程分析得出工作任務或關鍵能力，并由此提煉出課程總體目標，繼而分解為多個課程預期學習成果。課程學習成果整合的核心是理清課程各學習成果的內部關聯，將它們有機地組合成一門課程，以利于教學組織。基于大概念與任務分析技術的課程學習成果整合設計，并非在課程各預期學習成果編制出來后再進行整合，而是應用大概念和任務分析技術編制出具有整合性質的課程預期學習成果。具體包括下列八個步驟（見圖1）：

（1）基于課程總體目標，提煉出課程的大概念，作為課程教學設計的統領；（2）提出關鍵問題，解析大概念所要求的具體內涵；（3）基于前期的職業分析，從關鍵問題推導出所涉及的職業領域與學科知識；（4）創建具體職業任務與學科知識交叉矩陣，從中選擇并確定具體學習任務；（5）對各個具體學習任務進行“任務分析”，梳理完成學習任務的程序、步驟，以及程序步驟中各層級的成分技能；（6）所有具體學習任務的“任務分析”結果進行匯總，創建“課程整合設計地圖”，識別其中知識或技能的重復點及水平層次關系；（7）編制課程預期學習成果并進行教學排序；（8）基于大概念的導向功能與成分技能，梳理本課程學習成果與專業其他課程（學習成果）之間的關系。

圖1 基于大概念與綜合學習設計理論的高職課程整合 設計模式

4 高職“人力資源統計”課程學習成果整合設計

以高職人力資源管理專業的“人力資源統計”課程為例，該課程為專業課，安排在第三學期。課程總目標是讓學生掌握企業人力資源管理領域所涉及的統計學理論與方法，采用基于成果導向的項目化教學模式進行教學。

4.1 提煉課程大概念，統領課程教學設計

依據課程總目標提煉課程大概有三個方向選擇：一是內容大概念，即統計學科的知識結構；二是過程大概念，即統計過程（統計設計—調查—整理—分析—預測）；三是功能大概念，即統計應用。基于高職人才培養特點—職業任務導向以及關鍵能力培養（數字應用），選擇提煉“功能大概念”：應用數據分析企業人力資源管理成效（即職場的“用數據說話”）。

4.2 提出關鍵問題，解析大概念具體內涵

對于“應用數據分析企業人力資源管理成效”這一課程大概念，采用逆向梳理的方式，提出四個關鍵問題（見圖2）。

圖2 解析大概念具體內涵的關鍵問題

4.3 從關鍵問題推導所涉及的職業領域與學科知識

對于關鍵問題A.人力資源管理哪些方面的成效，這一問題對應“統計對象”。結合企業人力資源管理領域的相關知識及職業分析，成效可分為兩類：A1—以人力資源為中心的成效（以員工為統計對象），如保有、流動、利用（出勤、勞動生產、滿意）等；A2—以人力資源管理事務為中心的成效（以人力資源管理活動為統計對象），如招聘事務、培訓事務、績效事務、薪酬事務、員工關系事務等。

對于關鍵問題B.成效如何量化表達，這涉及統計學科的“統計指標”，并可進一步分解為：B1—數量指標；B2—質量指標。

對于關鍵問題C.采集哪些數據，這涉及統計學科的“統計數據與采集”，并可進一步分解為：C1—數據類型；C2—數據采集。

對于關鍵問題D.如何對數據進行分析，這涉及統計學科的“統計分析”，并可進一步分解為：D1—數據整理與計算；D2—數據分析與推論。

4.4 創建職業領域與學科知識交叉矩陣

根據職業分析中的工作重要性、相關性、頻率等要素（具體可參考美國勞工部開發和使用的O*NET OnLine 職業定向分析系統）以及專業課程體系教學進度安排，在上一步驟推導的職業領域中選擇具體工作任務，并與統計學科知識進行交叉匹配，確定出課程具體學習任務（見表1）。

圖3 “員工流動性統計分析”的任務程序與技能層級分析

圖4 基于大概念與任務分析技術的課程整合設計

4.5 開展任務程序與技能層級分析

對各個具體學習任務進行“任務分析”，梳理完成學習任務的程序、步驟，以及程序步驟中各層級的成分技能。

首先，對表1 中任務所涉及的統計學科知識領域的（每一項）具體學習任務進行細化，明確任務所涵蓋的知識點與技能點。“員工流動性統計分析”任務的知識點與技能點見表2。

其次，對具體學習任務進行程序任務分析與學習（層級）任務分析，繪制“任務流程—技能層級圖”。此項工作由兩位資深人力資源管理者、兩位教師共同研討完成。“員工流動性統計分析”的任務程序與技能層級見圖3。

表1 職業領域與學科知識交叉矩陣

4.6 創建“課程整合設計地圖”

匯總所有具體學習任務的“任務分析”結果，識別其中知識或技能的重復點及水平層次關系，創建“課程整合設計地圖”（見圖4）。該圖概括了之前的設計步驟，將統計學科的相關知識和方法與人力資源管理有機融合。一方面，在課程總體目標上，以大概念為引領，將人力資源管理與統計學領域相結合，導出具體學習任務，最終又回歸到大概念的功能指向；另一方面，統計學領域的各相關知識與方法，交叉融合在各具體學習任務中，且在不同的具體學習任務中知識與方法的掌握層次可能有所不同。

表2 “員工流動性統計分析”的任務分析

表3 “人力資源統計”課程的預期學習成果

4.7 編制課程預期學習成果并進行教學排序

在課程整合設計地圖的基礎上，將具體學習任務與成分技能（含水平層次）要求整合在一起，編制課程預期學習成果（ILO）并進行教學排序（見表3）。排序的考慮因素包括統計對象的類別順序、統計工作過程的順序、成分技能的水平層次順序。

4.8 梳理本課程與專業其他課程學習成果之間的關系

在專業人才培養方案中，課程體系的各課程之間是相互關聯的，如先修后修關系、并修關系、知識或技能的遷移應用關系等。課程間關聯可通過課程預期學習成果間的關聯性予以具體化（見圖5）。在“人力資源統計”教學中，當向學生展示課程間學習成果關聯圖并講解后，學生反饋對該課程的定位更加清晰，學習興趣得到提升。

5 學習成果整合設計教學效果評價

學習成果整合設計的“人力資源統計”課程進行教學實踐后，對其效果進行了問卷調查。問卷包括五道構建性反應的填空題。調查時點為學生修完該課程的三個月后，目的是了解學生的長時記憶狀況。調查采用問卷星以微信方式點對點發出，共調查學生40 人，收回問卷36 份，有效34 份，有效回收率85%。回收問卷后，由兩名教師共同對學生所填文字信息進行數據整理，根據文字內涵進行定性分類并計量統計。

“人力資源統計”課程進行學習成果整合設計并實踐教學后，62%的學生對課程總體目標完全掌握，29%的學生掌握部分課程總體目標；85%的學生對作為聯結點的成分技能產生長時記憶；38%的學生對所學知識技能產生明確的遷移應用意識；75%的學生明確課程學習成果的相互關聯及后續的可應用性。可見，基于大概念與任務分析技術的課程學習成果整合設計能有效降低學習成果功利主義風險，促進學生對知識的融合與遷移。

圖5 課程間學習成果關聯性

6 結論

基于大概念與任務分析技術的高職課程學習成果整合設計具有五點特征，有利于學生更好地理解課程的學科知識體系并進行遷移。第一，每一預期學習成果均呼應大概念的功能指向；第二，每一預期學習成果均指向相對完整的職業工作任務，而非學科知識的某一模塊；第三，有關統計學理論與方法的陳述性知識并沒有被設置為獨立的學習成果，而是融于和職業工作任務有關的學習成果中；第四，每一預期學習成果的表述中均包含了完成該學習成果任務的重要成分技能；第五，各預期學習成果任務的排序體現了由模擬到實地以及由較低層次到較高層次的認知技能水平。