利用智慧課堂工具實現學習行為監督之初探

姚靜 邵子馨

摘 要：現代智慧課堂工具為教師監督學生的學習行為提供了可能。在調研國內外智慧課堂先進教學工具的基礎上加以實踐，利用雨課堂工具采集學生學習行為數據，實現對學生表現的動態跟蹤，得出初步的數據分析結果，凝練出了將信息技術手段融入教學全過程的智慧教學模式。

關鍵詞：智慧教學 雨課堂 學習監督

一、因材施教與精熟學習

“因材施教”源自孔子的教育思想，是一項重要的教學方法和教學原則，也是現代教育中積極倡導的做法。教育發展追求的是學生的個性化發展，而不是標準化發展，世界各國的教育改革都倡導針對學生個體差異實施個性化教學。20世紀70年代，美國心理學家B. S. Bloom針對美國教育制度中只注意培養少數尖子學生，而忽視犧牲大多數學生發展的弊端，提出了“精熟學習”（Mastery-based Learning）的學習觀，他指出，學生學習成就上的差異，是因為我們對每一個學生提供了相同的教學及相同的學習時間，并且沒有提供個別的補救教學;而這種現象同樣也存在于目前國內很多高校的教學之中。

要真正讀懂學生、根據學生的表現來施以個性化教學并不容易實現。舉例說來，在大學一二年級的通識課程中，班級規模往往都達到80人甚至100人以上，即便是高年級20～30人左右的小班，如何精準地掌握每一個學生的情況也都是一個難題，而這恰恰是因材施教的第一步與關鍵一步。正是教師貌似公平地對待每個學生，忽視了學生基礎和接受理解能力上的差異，使得學生越發分化。如果對教學情況的把握能夠從宏觀的班級群體深入到微觀的學生個體，動態跟蹤學生的情況，及時發現學生的不足并預警，那么對于教師盡早采取干預措施或者重新分配課程資源是很有幫助的，從而最終使得學生提高學業表現，更好地掌握和運用知識。

關心學生的學習狀態，不僅關乎教師的責任心，更需要有相應的技術支持。觀察當前全球教育環境不難發現，信息技術的迅猛發展改變了高等院校教學的方法和手段，正在引起高等教育的深刻變革。S. Khan在2015年的TED演講中呼吁“Lets teach for mastery”，并已經將這一思想應用于Khan Academy的課程設計中。如果說這主要是面向K-12的學生群體，那么近年來慕課（MOOC）則在高等教育領域呈現出一種井噴式的發展態勢，關于這一新事物的思考也逐漸走向理性。在慕課中帶有明確目標的細小步驟學習進程設計，其實就是精熟學習理論的實際應用，為學習者提供了個性化學習的可能。

二、智慧教學的意義與現狀

各種信息化技術手段已經使得動態跟蹤學生的表現成為可能。不過，獲取數據只是第一步，如何利用好這些數據，從而識別出接受較慢的學生并及時查缺補漏給予幫助，對接受較快的學生提出高要求并提供更深的素材和問題，讓學生得以個性化發展，才是目標所在。若能利用智慧課堂數據，可以在教學的“課前、課上、課后”各個環節都動態跟蹤學生表現數據，必將更加全面自然地反映學生情況。大量數據的涌入，提供了更多體現學生狀態的信息，但同時也增加了數據處理的難度，因此必須要使用有效的數據挖掘手段才能得以盡早識別出需要幫助的學生，并及時加以個性化輔導。

信息技術對教學的影響是全方位的，且信息技術與教學深度融合已勢在必行。除了在線學習、翻轉課堂、混合式學習等模式的發展，如何在日常課堂教學中捕捉學生的表現并加以監督預測，仍然需要研究。信息技術使得教育模式從以往的“依托經驗”轉變為“數據驅動”成為可能，并且正在逐步融入到教學活動中。近年來出現的“智慧課堂”理念，就是要破除簡單地向學生搬運知識的行為，而轉變為一個調動學生積極性、激發學生潛在素質，使學生產生智慧和能力的過程。

例如，投票回饋系統（Clicker）在國外和國內的使用已經有若干年的歷史，可以讓教師在課堂上實時了解學生的表現，從而調整教學進度，一定程度上改變了傳統課堂上“滿堂灌”的現象。2015年A. Ahadi等人提出了采用機器學習的方法，基于學生背景數據（性別、學術成績、編程經歷、課堂和實驗室表現等），自動識別出需要幫助的學生[1];2016年University of California， San Diego的L. Porter等人在“Computer Science 1”課程中進行試驗，表明學生在課程中使用投票器回答問題的正確性與最終的考試成績具有相關性，并且這種相關性可以在學期最初的三個星期就體現出來[2， 3]。而國內由清華大學研發推出的智慧教學工具“雨課堂”，則是實現了面向教學大數據的“全景式記錄”，可以在課堂上實時問答互動、進行難點反饋，并覆蓋課程每一個環節，提供立體化的教學數據，從而忠實地還原真實課堂的絕大多數教學過程，目前已經在全球超過一萬所院校推廣使用。目前已有不少文獻針對具體課程利用雨課堂產生的真實學習行為數據進行了可視化分析與研究[4， 5]。這些都為監督學生表現提供了有益的經驗。利用最新的數據采集手段，可以進一步改善數據采集的完整性，而有效的數據處理方法就成為準確識別出學生對知識要點掌握層次的關鍵。

三、利用智慧課堂工具的教學設計思路

為了實現對學生學習行為的智慧跟蹤，需要教師對教學工作方式進行改進。比如，除了傳統教學的備課之外，需要額外進行一些工作，舉例如下：

（1）預習課件與隨堂習題的設計：根據每一單元的教學目標和知識點，除了通常授課的課件外，設計預習課件，對學生進行引導。隨堂習題則要具有針對性和代表性，能夠反映出重難點和易錯點。

（2）教學各環節的準備與數據采集：課前確定教學目標，向學生推送學習資源，并收集學生關于課前問題和預習情況的數據;課上采集出勤率、隨堂習題答題時間、正確率等數據，與學生實時互動;課后師生可使用即時反饋對教學全過程進行回顧總結和雙向評價，教師診斷每個學生可能存在的問題和需求，支持學生的自適應學習。這些步驟可以利用智慧課堂工具來完成。

（3）學生表現動態跟蹤的可視化：通過信息圖表的形式，對課堂教學、考試測評、網絡互動等數據進行可視化展示，找出學生日常學習狀態的變化趨勢和規律。

（4）學生數據的整合：由于數據來源的差異性，多源異構與非結構化數據須在處理之前進行整理歸一化，對格式、完整性進行處理和驗證，這是后期尋找規律和進行預測的基礎。

（5）學生行為數據的處理：包括模型算法的設計、數據更新與迭代等，對整合后的數據進行綜合計算、比對、診斷，實現面向教學全過程的數據跟蹤、分析。需要建立合理的數學模型，設計有效的算法，并通過更新數據不斷修正模型，增強模型的準確度和穩

健性。

這些工作在實際操作中增加了教師在傳統備課以外的工作量，但是如果實施得當，對于學生的學習行為會起到很好的跟蹤監督作用，從而在多層面、多角度和多粒度掌握學生的學習狀況。如果教師能合理利用智慧教學的工具，盡早發現需要幫助的學生并采取補救，對于學生擺脫學習困境、防止學習的挫敗感和對課程的恐懼排斥、提高學習成績、以至提升對課程的興趣和素養都非常重要。而對于表現較好的學生，教師也可以優中選優，有意識地加以拔高

培養。

四、學生學習行為監督的初步結果

以理工科高校一年級必修課“線性代數”為例，對于這門課學生經常會因其概念的抽象性而覺得學習困難。我們采用雨課堂智慧教學工具，對學生的學習行為進行全程跟蹤。本文以該門課程一個學期所產生的真實數據為例，收集學生的日常學習行為數據（如課前預習、出勤率、隨堂測驗與自測題完成情況等）及課后作業、習題課小測驗、期中考試、期末考試成績數據等，并結合學生學號、性別等基礎數據。本文所分析數據涉及182人，其中女生63名，男生119名。

分析結果表明，期中和期末考試男生的平均成績分別比女生高1.88分和2.67分。然而從作業與小測成績可見，女生分別比男生平均高出2.4分和0.78分，即在非正式考試的表現中女生優于男生。這一定程度上反映出，總體而言，女生的學習態度較好，而男女生對于理科學習存在性別差異。

此外，我們還考慮了預習行為對最終成績的影響。我們制作了預習課件并在其中包含了預習作業，之后通過雨課堂工具發布給學生，要求學生在課前完成。收集到的數據包括預習幻燈片瀏覽頁數、預習時長、完成預習的時間以及預習作業的得分情況。通過處理對學生以預習成績加以分組，分為A組（預習完成情況低于平均分）和B組（預習完成情況高于平均分）。對比預習情況和最終考試成績，發現B組學生相比A組學生，在作業、小測、期中和期末中，平均高出4.68、1.50、3.28和5.83分，該結果大致符合預期，即預習作為一種長期被宣傳為有效的學習方法，在一定程度上可以提高學生成績。

結語

智慧課堂工具在教學過程中的應用方興未艾，而且將會成為一個必然的趨勢。我們需要審視和考慮如何通過信息化環境下智慧課堂數據的采集和利用，動態掌握學生的學習情況，從而為每個學生提供恰當的幫助。一方面，通過先進的技術手段和便利的網絡資源，將智慧課堂教學理念和方法融合到教學改革當中，改變傳統的課堂教學模式，提升師生互動體驗;另一方面，開發先進的數據挖掘手段，準確對學生狀態進行監督分類，從而解決有些學生“消化不良”而有些學生又“吃不飽”的現象，真正實現學生個性化的學習發展。

本文以個性化教學為出發點，對智慧教學的必要性和現狀進行了分析，而后給出智慧教學的初步方案設計，并利用雨課堂工具在教學過程中加以實踐。文中得到了一些初步的結果，希望可以拋磚引玉。如何合理有效地利用好智慧課堂教學的工具為教與學服務，是一個長期而有意義的研究方向。如此才能使得教育公平化，才能實現“精熟教學”，才有可能真正做到“因材施教”，提升教育質量，讓學生更加受益。

參考文獻

[1]Alireza Ahadi，Raymond Lister，Heikki Haapala，Arto Vihavainen.Exploring Machine Learning Methods to Automatically Identify Students in Need of Assistance.ICER 15 August 9-13，2015，Omaha，Nebraska，USA. pp.121-130.

[2]Leo Porter，Daniel Zingaro，Raymond Lister.Predicting Student Success using Fine Grain Clicker Data.ICER 14， August 11-13，2014，Glasgow，United Kingdom. pp.51-28.

[3]Soohyun Nam Liao，Daniel Zingaro，Michael A.Laurenzano，William G.Griswold， Leo Porter.Lightweight，Early Identification of At-Risk CS1 Students.ICER 16， September 08-12，2016，Melbourne，VIC，Australia，pp.123-131.

[4]楊芳，張歡瑞，張文霞.基于MOOC與雨課堂的混合式教學初探.現代教育技術，2017，27（5）：33-39.

[5]袁博，趙海媚，張成萍，李向明.基于雨課堂的研究生英語學習行為可視化分析.現代教育技術，2018，28（5）：68-74.