基于翻轉混合式的算法設計與分析教學探索

鄭瑤 高攀 秦懷斌

[摘 要]針對算法分析與設計課程學習過程中學生主動學習意識較弱、不能靈活運用理論知識有效指導實踐活動等問題，文章提出構建以“學生為主體，教師為引導”為主旨，以“任務驅動、學習匯報、共同評價”為主線的翻轉混合式教學模式，并對該模式進行了研究和實踐探索。教學實踐表明，翻轉混合式教學模式培養了學生自主學習的意識和獨立分析問題、解決問題的能力，應用效果良好。

[關鍵詞]算法分析與設計;翻轉混合式;自主學習;教學設計

[中圖分類號] G642 [文獻標識碼] A [文章編號] 2095-3437（2021）10-0108-04

教學是一個由教師—學生、學生—學生、教師—教學內容、學生—教學內容等各種要素、各種聯系構成的復雜的關系系統[1]。在教學過程中不僅需要處理好教師的“教”、學生的“學”以及“教學內容”“學習方法”“學習策略”“教學手段”等諸多因素之間的關系，還要在這些關系的基礎之上來探索合適的教學模式，使教學過程成為一個動態的良性循環過程，真正發揮“教”和“學”的作用，以支撐實現“學生為本”的教學理念。

在互聯網、移動通信等現代信息技術的沖擊下，面對面教學和在線學習結合的混合式教學模式成為目前的一種教學探索[2]。而以培養學生自主性學習能力為主，以自主、探究、交流、參與為核心理念的教學模式，是一種行之有效的培養應用型人才的教學模式。

文章結合專業定位，依托“算法分析與設計翻轉混合式教學改革與實踐”混改專項項目，通過對團隊合作分組討論、多元化評價和不斷反思綜合的翻轉混合式教學模式的研究，并將其應用在算法分析與設計課程的教學過程中，充分利用微視頻、翻轉課堂、網絡學習平臺等手段進行教學過程和模式的研究與實踐，旨在培養學生自主學習的興趣和獨立分析問題、解決實際應用問題的能力，同時讓學生建立團隊意識，為應用型人才的培養奠定一定的基礎。

一、課程信息

（一）課程性質

算法分析與設計課程是計算機科學與技術、軟件工程、數據科學等本科專業的專業基礎課程。本門課程的開設旨在使學生掌握算法設計的主要方法，除了培養學生評價算法的分析能力外，還要培養學生解決實際問題的能力，從而將實際應用與算法理論進行有效的結合。它的前端課程是數據結構，后續課程是軟件工程及開發，可見，算法分析與設計作為一個承上啟下的專業課，對計算機相關專業學生的理論學習和編程實踐能力具有十分重要的意義[3]。

（二）教學中存在的問題

算法分析與設計課程理論學時為32學時，主要介紹了算法分析的方法和針對實際問題分析設計算法的各種方法。在現有的課程教學中，算法課程理論性較強，但又需要學生將這些理論學會應用到實際問題處理中，這樣在教學過程中會出現一些問題。1.學生缺乏學習的主動性和積極性。大部分學生習慣于教師對知識的強行填灌，沒有課前預習、課后復習的習慣，缺少主動思考的過程。2.學生解決實際問題能力較差，對于算法的基本思想能夠掌握，但是應用能力差，做實驗不會，很難將算法的偽代碼描述轉換成可執行的程序語言，無法將實際應用與理論思想很好結合，對于算法基本思想理解停留在表層，不夠深入、透徹。3.學生學習效果較差。課程教學中例題基本都是教師講課，學生聽課，學生往往聽聽就不愿意聽了。而本門課程需要以對大量例題分析過程為支撐，這樣才能使學生充分理解算法的思想，真正學會去應用算法設計方法和問題分析過程。

二、翻轉混合式教學模式的設計

（一）整體思路設計

針對以上教學中存在的問題，根據學生學習情況和課時安排，我們在算法分析與設計課程中引入翻轉和混合式教學模式，將被動任務變為主動學習，督促學生建立主動學習意識，構建以“學生為主體，教師為引導”為主旨，以“任務驅動、學習匯報、共同評價”為主線的翻轉混合式教學模式（見圖1）。

以網絡教學平臺為媒介，按照“任務驅動、教師線下線上引導、學生線下線上學習、學生線上線下討論、學生線下任務匯報交流、學生線上線下評價、教師線上線下總結”為主線的教學過程，將線上和線下有機融合，將理論和應用有機結合，從而更好地使學生發揮主觀能動性，激發學生的學習激情，鍛煉學生問題分析、動手實踐、團隊協作、個人情感等方面的能力。

（二）教學過程設計內容

在算法分析與設計課程的翻轉混合式教學過程設計中，主要面臨的問題有：一是如何進行分組才能保證差優結合，真正起到互補的作用，使學生能夠共同學習交流、共同進步;二是如何規劃知識點，保證線上和線下學習內容的銜接融合，保證學生學會知識，應用知識;三是如何設計分組任務，保證知識點均衡，并且還要讓學生能夠獨立完成，體驗到成功的喜悅并愿意去分享;四是如何監督學生的任務完成情況，如何檢測學生學習情況，如何才能達到教學改革的真正目的——提高學生實際問題的解決能力。整個教學過程設計規劃路線如圖2所示。

1.課前部分

依照教材的章節，對教學內容按照兩大塊“算法分析”和“算法設計”劃分為10個知識點單元，每個知識點單元根據內容的難易程度分別設置線上和線下學習內容及學時，并依據不同的學習內容分項設置相應的學習方式。利用案例支撐教學內容，便于學生理解理論部分，同時利用案例拓展學習內容，便于學生后期的應用。

依照教學內容的理解難易程度，設置小組任務內容（見圖3 蠻力法的2個任務書），并將任務題目劃分難度等級，給出任務完成要求，使學生帶著目標去學習教學內容，帶著任務去應用所學知識。

依照任務題目的難度等級和學生情況，將小組任務和學生分組一一對應，學習程度弱的學生分配較簡單的小組任務，學習程度強的學生分配較難的小組任務，保證學生體驗到成功的喜悅，從而樂意分享，激發學生的學習興趣。劃分學生小組時，3人一組，先是學生自由組合，再是教師微調，盡量根據學生學習程度搭配均衡，保證完成小組任務時能夠有交流、有討論，共同學習進步。根據課程進度，提前在網絡學習平臺中對選課學生進行分組設置，以便后期以組為單位進行討論、評分、提交等管理方便。

2.課中部分

針對知識點單元內容的學習，一是線下基礎內容加案例講授，并通過問題討論帶動主動思考;二是線上閱讀資料、微視頻案例自主學習，并通過自學筆記（見圖4 自學筆記單的內容）和章節自測檢測學習結果帶動主動思考。混合式學習方式能增強學生的主動思考過程，從而強化學生對理論內容的理解，同時也保證了學生解決問題的算法經驗的積累。

線上自主學習筆記

線上自主學習筆記

根據線下和線上學習的內容學生領取所在小組的任務題目，利用線下課外時間完成各自的任務內容（包括分析、設計、實現、結果、總結），并在線下課堂中進行匯報展示。各小組在完成任務時，可通過網絡教學平臺答疑討論區或釘釘群和教師、同學交流，也可以由組長召開小組會議線下討論;各小組任務完成后，首先在組內3人根據各自的完成情況進行評分;其次，線下翻轉課堂時，由隨機指定的學生對其進行評分;最后，教師根據每位學生的完成情況，也給出分數。這個過程綜合了多種評價指標，保證了公平性，同時也對學生的學習反饋給出不同的評價意見，使學生認識到自己的真正學習情況，并能督促學生認真完成。

3.課后部分

利用線上或線下對知識點單元進行總結，學生根據自己的理解去填寫自學筆記，這能督促其對知識點單元中涉及的各個教學活動內容進行梳理，并對涉及的知識點內容進行復習，引起其對各知識點單元內容的思考。

4.課程評價標準設置

根據課程教學活動調整整個課程的評價體系，注重過程評價。新的評價標準中，主要以學生是否完成預期的學習任務為考量，注重學生在教學實踐活動中理解知識和運用知識的能力。調整后評價體系包括：期末考試成績（50%），線上網絡學習成績（查閱資料、觀看微課、討論答疑等情況，10%），在線測試成績（線上章節測試，10%），任務完成情況（自評、學生評、教師評比例為3∶3∶4，20%）和個人表現（包含自學筆記、參與活動情況，10%）五大方面。

三、翻轉混合式教學模式的實施情況

算法分析與設計課程在每學年第二學期開設，目前已實施兩輪，線上以案例自主學習為主并重新錄制線上微視頻，線下以基本知識和案例學習同步展開，通過“基礎+應用+拓展”展開整個知識點內容的學習。課程結業考試全班一致通過，無不及格人數。在翻轉課堂實施過程中，學生發言積極，并能夠提出自己的想法與同學們進行討論。

四、結論

算法分析與設計課程的翻轉混合式教學實施，除了需要教師盡心設計方案、準備各類資源之外，還需要學生的配合和支持。盡管多元化的評價方式可以督促每位學生參與到課程的各個活動中來，但仍然存在一些學生不認真對待或不配合的問題;存在一些學生只關注自己的任務而忽略其他任務的問題，這些問題需要我們不斷思考，不斷探索改進的措施。

[ 參 考 文 獻 ]

[1] 陳緒敖，王宏琳.“任務驅動、以學定教、過程管理”的混合式教學模式探究[J].安康學院學報，2019（2）：123-128.

[2] 吳珺，葉志偉. 面向算法分析與設計課程的四部曲新模式探研[J].湖北第二師范學院學報，2019（2）：106-108.

[3] 雷鵬，張小峰，王靜蓮.基于創新能力培養的教學模式改革：以算法分析與設計課程教學為例[J]. 中國現代教育裝備，2019（1）：97-99.

[4] 孫瓊瓊.互聯網+背景下混合式教學模式設計與實踐[J]. 文學教育（上），2019（5）：156-158.

[5] 安思，柯春艷.算法設計與分析課程“混合式學習”教學改革[J]. 福建電腦，2018（8）：75+96.

[責任編輯：劉鳳華]

[收稿時間]2020-06-09

[基金項目]本論文受到2019年石河子大學混合式教學改革專項項目（項目編號：BL2019014，項目名稱：以“任務驅動、學習匯報、共同評價”為主線的翻轉混合式教學改革與實踐）的資助。

[作者簡介]鄭瑤（1976-），女，河北人，碩士研究生，副教授，研究方向：數據科學。高攀（1981-），男，安徽人，博士研究生，副教授，研究方向：智能科學。