回歸“學生中心”的教育常態

高田幸子

摘 要：教育是人類發展的基礎動力，學習是人類適應社會的主要方式，在大數據時代背景下，數據驅動學習的科教融合也更加普遍，未來智慧教育將成為教育轉型的重點。本研究通過對學習儀表盤的數據挖掘分析，探索回歸“學生中心”的自適應教育模式路徑設想，將教育“黑匣子”可視化，指導監測學生的學習過程，最終提升學生的學習投入度和專業發展的科學性，形成指導實踐的理論探索，完善高等教育質量。

關鍵詞：學習投入度;學習儀表盤;大數據

中圖分類號：G632.0 文獻標識碼：A 文章編號：2096-3866（2020）22-00-02

隨著人工智能白熱化進程的推進，“大數據”“人工智能”“智慧教育”“自適應學習”“數據驅動學習”等新生概念席卷而來，教育與科技的融合打開了新的世界和篇章。教育變革從赫爾巴特的規模化教育逐漸聚焦到杜威“學生中心”的分散化、網絡化、個性化以及生態化的教育。鐘啟泉提出，學習在于尋求和培養學生的“真實性學力”和“真實性學習”，學習應當關注學生主體的投入度[1]。但課程實施的過程中，學生的主權仍歸教師所有，教育中仍然存在學習對象的缺失，學習伙伴的缺失，學習意義的喪失等“異化”教育局面，看似高校不斷提倡教育變革，但其實仍然是“新瓶裝了老酒”的老教育范式[2]。

佐藤學認為，學習是與新的世界對話，與新的他人對話，與新的自我對話，學習是從自我獨白到對話世界的過程，因此學習更應當建立三維的“學習共同體”[3]。認知科學的學習觀也強調，要通過對話和交互的作用，提供“學習場”，幫助學生構建和理解知識框架。總之，課堂轉型的根本性標志應該在于學生成為主導者，學生是“學習的主權者”的平衡生態。打開教育過程的“黑匣子”，激發學生的深度學習、體驗學習、自主學習成為教育改革的重要方向，現如今許多學習過程可以通過數據技術的手段進行圖譜化，這種可視化的呈現可以分析和判斷學生學習行為的優劣，分析學生的元認知與學習動機，挖掘大數據背后的數理內涵與本質意義，預測學生的學習行為與學習選擇，同時也可以優化教師的教育決策，最終根據學生的差異特性推出自適應性的輔導和預測性推薦，培養出“一千個哈姆雷特”。

一、學習儀表盤與學習投入度理論分析

學生本身就是數據源的終端，行為、選擇、判別都可以產生各種各樣的數據，學生的學習可以通過學習投入度來進行分析測量，而學習儀表盤如汽車的儀表盤一樣，能夠嘗試將這個過程以數據、圖式等方式呈現出來，并且有指導作用或者預測的作用，兩種概念的交叉可以給予學習探索的更大空間。[4]

以下對學習投入度與學習儀表盤兩個概念進行的梳理分析。

（一）學習儀表盤

學習儀表盤是以“數據驅動教學 ”為核心，通過收集記錄學習者數據，挖掘學生學情變化規律，以可視化圖譜的形式呈現出來，以輔助學生學習的工具。學習儀表盤適用于具有差異的學習者，為不同人格偏好學習者提供個性化的指標，通過數據的收集和分析發覺學習與發展之間的隱性關聯，從多維圖譜呈現學生學習反饋、學習信息對比、學習能力、學習動機和學習預警等內容的可視化學習者畫像認知并由此根據學生個性制定出適應性輔導與學習路徑和方法的推薦，同時教師也可以根據儀表圖譜，選擇教學方法，優化教育決策，改善其教育評估，在學生有效學習中進行有效及時的干預提供有效數據支持。

（二）學習投入度

以學習投入度為相關概念，可以追溯到杜威的“學生中心說”，奧蘇伯爾的學習理論，阿司汀的“參與理論”，佩斯“努力質量”，奇科林“本科教育中的良好行為”以及庫恩“學習投入度”等學習理論，這些學習理論均站在學生視角分析學習的投入和成果的效能分析，一個學校的質量不在于“大樓”、“大師”，而應當關注“學生的成長”。綜合各方文獻，內容可以總結為三點：第一，學校對學生的支持度越高，學生的歸屬感和認同感更強;第二，學生的投入度越高，其學習效果越好;第三，高校若能關注到學生本身，能夠有效提高學生的學習投入度。

綜上，回歸“學生中心”的教育模式，倒推學生在專業學習與發展中的深度與廣度，對標“學生中心”的學習模式與培養模式，給研究提供了新的思路與更開放的路徑，總結如下三點：其一可以檢測高校或者專業其“學生中心”設置的真實性與實施效果;其二通過理論交叉尋找實踐的可實施路徑，形成一定的可復制推廣的測量范式，幫助學生自我認知與學習;其三以理性視角觀測學生學習投入度，用更加理性的數據呈現過程，這種方式相比問卷訪談等更有邏輯數理性，也更具有大數據歸因，大數據分析的優勢，是一種新的嘗試。

二、學生學習投入度的學習儀表盤應用與設想

佩斯提出“努力質量”指出學生投入課內外活動中的時間與精力越多，其努力的質量就越好，受到的影響也就越大。尤其強調最大的影響因素是學生的投入度，如教學質量、校內活動的整體水平、學術規范、師生同伴的聯系等因素，這些內容遠比“大師”“大樓”聲譽、資源等更為重要。因此高校需要從“教師如是說”轉向“學生如是說”的視角，數據不僅用于測量存書、校舍、畢業就業率，也需要對學生的學習全過程形成數據收集與監測。

每個學習者既是大數據的生產者，又是消費者。基于大數據技術的應用與挖掘以及“以學生為中心”的課程設計背后，最終期待是學習過程的優化愿景。學生能夠更加主動地投入學習，在學習的過程中能夠自我認知、自我建構、自我評價與自我激勵，形成“診斷式”教育模型設計，因此對學習者進行全面地跟蹤、記錄與分析，了解其不同學習特點、學習基礎和學習行為數據，有效地為學習者提供精準的自適應性教育服務是高校教育應當追求與探索的基礎路徑。

基于以學生為中心的教育模式探索，分析其共生利益相關者，受教育者，教育者及教育環境的關系，學生中心呈現學生自我的精力、專注、歸屬、學習行為及學習風格等因素;教育者提供教育支持、設計與反饋等因素，學校或教育環境提供學生學習需要的資源、管理、組織、空間和平臺等，學生，教育者與教育環境也就是代表了生師校的投入共同體，這些因素同時也會反哺于學生自我的學習投入度。因此，學習儀表盤在這個過程中起到了指導分析的角色，透明化的過程監控可以讓學習路徑更加清晰、科學。

三、基于學習儀表盤視閾下的投入度模型分析

研究發現，當代大學生的專業選擇集中在就業導向、家長選報、社會導向這三方面，有很大一部分學生選擇專業并不是自我的絕對清晰選擇，甚至有些畢業生都不確定自己是否適合自己所學的專業。因此，在學生入學和畢業中間無形間成為一個黑箱，有些學生到畢業也沒有找到自我的認知。建構主義學習觀中，學習的觀念強調學習者的自我建構，強調對話與協同，讓學生通過自我學習形成基礎能力，而支持這種學習的重要因素是自我效能感、自主調整方案以及對目標的干預，因此如何呈現學生學習知識與技能“顯性學力”以及動機與思考“隱性學力”可視化與圖譜化，可以幫助學生提升對于自我學習的投入度和學習感知力。

具體的模型如圖1所示，理想狀態下學生的初始狀態與畢業成果構成一個良性的回環設計，讓每一個步驟清晰且有據可依。

縱觀當前高校中數據信息技術的應用和普及，數據的一級處理基本已經普及，學生在專業學習和課程學習中在各個方面都能夠留下數據痕跡，一個學校的錄取分數段與錄取率，畢業率與就業率等能夠反映一個學校和專業的特征，一門課程的考勤、作業提交率、成績分布圖等能夠反映一門課程學生的參與度與投入度。這些數據能夠給教育者與受教育者提出基礎的數據表征呈現，基礎的數據分析能夠呈現教育的大概率問題。基于大數據的分析技術，收集整理學生的初始數據，形成學生初始的學業畫像，在專業的學習中，可以通過其平時表現、課程作業、期末成績、借書數據、考勤請假等情況完成學生的真實性學力圖譜，同時對標培養方案中的目標與學生自我學習的成就目標，生成有監測和預測方式的儀表盤，在學生學習的過程中可以實時觀測自我的學習動態與發展可能，學習儀表盤的作用可以聚焦四點：預測學生學習行為;改善學習評估;優化教育決策;生成學習檔案，最終形成自適應學習系統，激發學生學習投入度。

四、結語

大數據、人工智能等科技數據手段與教育的結合，讓教育過程更加生動與可視化，“即時、直觀、動態”的可視化數據可以全面呈現學習者學習狀態，深度挖掘學生學習行為背后的意義和價值，可以為學生專業學習提供更智慧的指導，為學生的專業發展提供更加清晰的路徑，幫助學生認識自我，最終達到發展自我，通過學習儀表盤的應用開展智慧教育平臺的搭建，為完善高等教育教學質量水平開拓了新視角和新路徑，始終聚焦“以學生為中心”的教學常態，推進高校教育良性發展。

參考文獻：

[1]鐘啟泉.課堂轉型[M].上海：華東師范大學出版社.2017.

[2][美]約翰·杜威（John Dewey）著;趙祥麟等譯.學校與社會·明日之學校[M].北京：人民教育出版社，1994.

[3]佐藤學.學習的快樂：走向對話[M].鐘啟泉，譯.北京：教育科學出版社.2004.

[4]姜強，趙蔚，王朋嬌，王麗萍.基于大數據的個性化自適應在線學習分析模型及實現[J].中國電化教育，2015（1）：85-92.