基于雨课堂的混合式教学形成性评价指标研究.pdf

中文科技期刊数据库（全文版）教育科学 26 基于雨课堂的混合式教学形成性评价指标研究 肖 芳 武警工程大学，陕西 西安 710086 摘要：摘要：当前高校教学中混合式教学日益普及，对学生的在线学习和线下课堂学习数据开展形成性评价综合分析是提升混合式教学质量的重要问题。本文用因子分析法从雨课堂收集的 8 组学习数据中提取出 5 个形成性评价指标因子，并计算学生的形成性评价综合成绩。本文期待能为提升混合式教学教学效果提供科学依据，为优化教学方法提供有益参考。关键词：关键词：形成性评价；因子分析；混合式教学；雨课堂 中图分类号：中图分类号：G434 0 引言 近年来，以互联网、移动通信、大数据、人工智能、虚拟现实等新技术为代表的信息科技革命正在悄然改变着高等教育，“基于移动通信设备、网络学习环境与课堂讨论相结合的教学情境”的混合式教学渐渐成为一种教育新常态1。混合式教学是通过信息技术提高教学质量，并以学生为中心评价教学优劣，所以学生的学习效果和学习体验就成为评价的核心要素。深化新时代教育评价改革总体方案指出，教育评价事关教育发展方向，要坚持科学有效，改进结果评价，强化过程性评价，充分利用信息技术，提高教育评价的科学性、专业性、客观性2。混合式教学的“课前-课中-课后”三段式教学中引入了大量的线上学习任务，若对学生的学习评价仍继续沿用传统方式的纸质作业+考试成绩，则无法适应这种教学新变化。在混合式教学改革中如何开展科学客观的学习评价是提升教学质量的关键，而形成性评价通过分析和整理学生的学习数据可为评价学习效果和学习体验提供客观科学的依据3。因此，如何对在线学习和线下课堂学习的学习数据进行形成性评价综合分析就是改进混合式教学质量的重要问题。本文以“电路与电子技术”课程的混合式教学过程为研究基础，以雨课堂收集的学习数据为研究对象，开展形成性评价的综合分析。由于学习过程具有复杂性、个性化、动态变化的特点，所以学习数据所体现规律多数是相关的，而非因果的4。因子分析法是将一些具有错综复杂关系的变量归结为少数几个综合因子的一种多元统计分析法5。为了兼顾混合式教学中学习数据变量之间的相关性，并以其客观的反映学习过程，本文用因子分析法进行形成性评价的综合分析。1 研究开展 电路与电子技术课程是我校计算机科学与技术专业本科学生的一门专业基础课，课程内容是将“电路分析基础”、“模拟电子技术”和“数字电子技术”的三个教学模块有机地整合为一体，目的在于培养学生掌握电路的基础概念和基本分析方法，使学生具有解决电子线路简单问题的基本能力，教学对象是该专业大二学生，人数共计 33 名学生。课程教学中利用雨课堂在课前、课中、课后阶段分别将 MOOC、习题、试卷等在线学习资源推送给学生并采集学习数据。表 1所示是各个数据对应的变量符号，形成性评价分析将以雨课堂收集学生的这 8 组学习数据作为原始数据。因各数据的单位不一致，所以先将原始数据用Z-Score 法转换成标准数据，再用 SPSS 25.0 软件对学生的学习数据进行因子分析得到形成性评价指标因子，最后利用指标因子构建形成性综合得分的计算公式。2 因子分析 用 Bartlett 检验和 KMO（Kaiser-Meyer-Olkin）检验方法判断学习数据是否适合进行因子分析。Bartlett 检验显著性 p 值为 0.000，小于显著性水平，说明拒绝相关系数矩阵为单位阵的原假设，即学习数据之间有相关关系，适合做因子分析。KMO 值越接近 1说明越适合因子分析，本文数据的 KMO 值检验结果为0.649，说明学习数据适合进行因子分析。中文科技期刊数据库（全文版）教育科学 27 表 1 基于雨课堂的混合式教学过程与学习数据 教学阶段 教学活动 学习数据 变量符号 课前 教师布置的课前学习任务，学生自行学习相对简单的知识要点，形成在后续课堂学习的基础。在线自学测评成绩 X1 在线自学课件页数 X2 课中 以弹幕投稿作为学生课堂发言的方式，实现对学生课内思考题的现场考核。弹幕投稿数量 X3 教师讲完一个知识点通过课堂习题应答系统进行实时的课堂测验，查看学生的学习成效。讲间练习成绩 X4 课后 教师根据学生学习状态通过手机课件向学生推送给用于复习回顾或者知识拓展的学习任务。在线学习成绩 X5 在线学习课件页数 X6 教师自建的课程试题库，在每个教学模块结束后推送测验试卷到学生手机上，作为课后的一次大作业。阶段测验总成绩 X7 课程教学结束后，教师按教学大纲要求从试题库中组卷发布给学生进行模拟考试，预检学习成效。模拟考试成绩 X8 表 2 公因子解释的总方差与变量共同度 成分 初始特征值 提取载荷平方和 旋转载荷平方和 变量共同度 总计 方差百分比 累积%总计 方差百分比 累积%总计 方差百分比 累积%1 3.239 40.486 40.486 3.239 40.486 40.486 1.891 23.641 23.641 0.933 2 1.575 19.687 60.173 1.575 19.687 60.173 1.579 19.743 43.385 0.877 3 1.136 14.198 74.371 1.136 14.198 74.371 1.320 16.503 59.888 0.893 4 0.699 8.737 83.108 0.699 8.737 83.108 1.307 16.334 76.222 0.873 5 0.529 6.608 89.716 0.529 6.608 89.716 1.080 13.494 89.716 0.891 6 0.440 5.497 95.213 0.917 7 0.289 3.617 98.830 0.812 8 0.094 1.170 100.000 0.981 表 3 旋转后的因子载荷矩阵 变量 因子 F1 F2 F3 F4 F5 X4 0.911-0.076 0.076-0.030 0.175 X5 0.684 0.046 0.427 0.423 0.243 X7 0.650 0.198 0.439 0.225 0.326 X3-0.065-0.895 0.099 0.266 0.084 X2-0.056 0.854 0.195 0.317 0.076 X1 0.219 0.029 0.934-0.018 0.105 X6 0.111-0.007-0.002 0.951-0.024 X8 0.320-0.029 0.136-0.022 0.927 用主成分分析法提取公因子，通过相关性系数矩阵得到公因子特征值及其方差贡献率。方差累计贡献率代表提取的公因子可解释总变异的程度，所以可用公因子的数据特征来解释形成性评价指标的含义。由表 2可见当提取五个公因子时方差累计值达 89.716%，说明对原始数据提取五个公因子是比较适合的。公因子对学习数据的解释程度称为变量的共同度，其值越接近于 1 说明该变量所包含的数据中原始信息被公因子描述的越有效，反之则说明影响很小。由表 2可见提取的五个公因子对 8 组学习数据的解释程度均大于 80%，说明五个公因子可包含所有数据的绝大部分信息。由于因子载荷矩阵的结构使得公因子对学习数据难以分析或解释其意义，所以本文用方差最大化正交旋转法得到表 3 所示的旋转后的因子载荷矩阵。公因子解释原始变量的方差被重新分配，这样更容易解释各公因子对学习数据的意义。因子分析将雨课堂收集的 8 个学习数据变量“降维”成为 5 个公因子 F（见表3），因子载荷已按绝对值大小降序排列，现根据因子载荷值对公因子进行命名与解释。第 1 个公因子 F1的学习数据中课堂讲间练习成绩X4、课后在线练习成绩 X5和阶段性测验成绩 X7有较高载荷。因为这些变量都属于学习后的即时练习或测试成绩，反映了学生通过短时间后学习活动的收获和将所学知识综合运用的能力，所以第 1 个公因子 F1可命名为学习即时效果因子。第 2 个公因子 F2中课前自学课件页数 X2和课堂弹幕投稿数 X3有较高载荷。学生课前自学完成的课件页数反映了其自主学习时的学习态度和采用自学方式来中文科技期刊数据库（全文版）教育科学 28 达成学习目标的意愿。学生通过手机发送弹幕投稿参与讨论可以在没有心理负担的情况下表达对问题的看法或态度，所以课堂弹幕的投稿数量反映了学生在课堂学习过程中师生之间和生生之间的交流能力和采用互动学习方式的意愿。第 2 个公因子 F2中两个变量的载荷一正一负反映了乐于自学学习的学生可能不擅长在与他人互动交流中学习，反之亦然。第 2 公因子 F2中课前自学课件页数的变量 X2载荷为正值，所以 F2可命名为自主学习习惯因子。第 3 个公因子 F3载荷较高的变量仅有课前在线学习测评成绩 X1。课前在线学习任务是学生通过手机自学课件来完成课程中基础知识和概念的记忆或理解，因此在线自学测评成绩反映学生的自学表现和效果。所以，第 3 个公因子 F3可命名为自主学习效果因子。第4个公因子F4仅包含课后在线学习的课件数X6。课后在线学习的课件主要是在课堂学习的基础上让学生进行重、难点知识针对性的强化练习，学生完成课件的数量就反映了面对难题或是调整学习情境时他们能达到的学习投入深度。所以，第 4 个公因子 F4可命名为学习专注度因子。第5个公因子F5仅包含课程在线模拟考试成绩X8。在课程教学结束后的复习阶段，教师根据大纲要求通过雨课堂组织学生开展在线模拟考试，目的是在复习阶段给学生进行综合能力的自我检测和评估，为更有针对性和个性化的复习提供依据。所以，第 5 个公因子 F5可命名为学习综合效果因子。为了直观反映各评价指标中学习数据的特征，考虑到公因子是不可预测的隐变量，所以本文采用回归法估算因子得分。根据因子得分系数将 5 个公因子指标表示为学习数据变量的线性代数式，就得到公因子得分函数。公因子得分函数可用于对每个学生的形成性评价指标分别进行细化分析，还可进一步计算学生的形成性评价综合成绩。将表 2 因子旋转后特征根1、2、3、4和5代入式(1)可得综合得分的公式：(1)由式(1)可得学生在课程学习中的形成性评价综合得分 F：用少数几个不相关的新综合评价指标代替具有相关性的原始指标，既避免了评价信息相互重叠、相互干扰，又能尽可能多的反映原来指标的信息量，这为混合式教学中学生的形成性评价提供了科学依据。3 结论 混合式教学中学习数据的连续性和数据之间的相关性使形成性评价难以科学客观的开展，所以借助因子分析法将教学中雨课堂收集的 8 组学习数据减少成5 个形成性评价指标因子，分别是学习即时效果因子、自主学习习惯因子、自主学习效果因子、学习专注度因子和学习综合效果因子。基于这些指标的学习评价结果可用于改进混合式教学的教学过程，未来教师可及时帮助学生克服在学习过程中遇到的即时性困难，在学生的学习过程中实施一些干预策略，也能使学生最终的学习效果向预期教学目标顺利的转化。参考文献 1冯晓英,王瑞雪,吴怡君.国内外混合式教学研究现状述评基于混合式教学的分析框架J.远程教育杂志,2018(3):13-24.2杨歌谣.混合式教学模式下教学评价的文献综述与展望J.高教论坛,2019(02):64-67.3余胜泉.互联网+教育:未来学校M.北京:电子工业出版社,2019.4魏丽.基于雨课堂的高职体育混合式教学模式的实践与研究J.佳木斯职业学院学报,2017(6):3.5任群翔,张忠,吴敏范,等.基于雨课堂智慧教学环境 的 混 合 式 教 学 研 究 与 实 践 J.教 育 现 代化,2019,6(68):177-178,184.基金项目：武警工程大学教育教学计划项目“基于雨课堂教学数据支持的军校学员学习行为与学习效果的关系研究”。