|
学校和课堂环境是天然的教学数据集中池。教师的行为、学生的表现、互动的过程、学习的结果等，都在这里产生与演变。1:1学习、BYOD、移动学习等学习形态的出现，让学习过程可以被追踪存储，为评价提供多模态的数据来源。在小数据时代，有限的数据分析能力使得教学评价的来源通常聚焦于教学行为，如现场观察或视频记录、编码分析的方法来归类教师的教学行为，及与教师行为相呼应的学生行为，诊断课堂教学的效率与质量，而对于学习评价，多数放在作品的内容分析，成绩的差异性分析，及量表的统计性分析。评价基本是传统的抽样式、群体式，而大数据技术在教育领域的应用，不仅能实现以人为中心的感知和评价，还可以依靠以数据分析为中心的数据化认知。精准学习评价以多种教学情境为背景，通过不断获取、整合和分析学习过程中的学生学习行为、认知建构、情感体验、思维变化、学业表现及学习空间信息等多模态数据，来制定教学中的学习改进方案，形成有效学习的新形态。 （一） 建立可信及多元评价维度 教学大数据具有明显的异构、多模和多源的特征。异构是指数据有结构化和非结构化，多模态是指有文本、语音、视频等，多源是指来自于多种采集设备和方式。评价不仅要有学习结束后的总结性评价，还要有实时运算提供的过程性和即时性评价。因此要建立基于大数据的可信及多元评价维度，需要将多种数据进行综合分析，建立异构、多模和多源特征共存的多元数据分析模型。多元数据通常有三种分析方法：第一种是阶段性方法，即先分析完一种数据再用另一种数据；第二种是特征拼接法，建立特征关联模型进行相关性分析；第三种是语义信息融合方法，判断每一种数据特征的含义，及不同数据特征之间的语义关系，这也是根据人的思维方式设计的人类思考方法。 苏仰娜（2016）以《多媒体课件设计与制作》的校园混合课程为例，基于MOODLE平台创设在线与面授相结合的混合式学习模式，从课前前置性评价、课中过程性评价、期末总结性评价及社会评价四方面出发，不仅收集学生在面授课堂中的学习表现、特征，还利用Moodle平台的测试、讨论、报表与日志、互动评价与电子档案袋等功能，实现对学生在线学习活动的跟踪，收集视频观看、访问时间、测试成绩、交互讨论等学习日志，再根据面授学习与在线学习中收集到的数据，对学生的课程学习进行综合性评价，从多方面的角度记录学生的成长过程，让多元且可信的学习评价贯穿于整个教学过程。 句酷批改网是一款基于语料库和云计算的英语作文自主批改在线服务系统，全国已有数万名学生使用其进行写作训练。教师通过批改网创建班级并布置作文，学生在完成作文后提交至网上对应班级。提交后，批改网从“内容相关、篇章结构、句子、词组搭配、词汇和流畅度”等六大维度和192个子维度对学生的作文进行全面智能评价。一方面系统可以根据学生作文与数据库匹配程度自动打出作文整体得分，并对用词、搭配、表达等方面提出修改意见，学生可通过平台给出的修改意见完善作品，并进行重复提交；另一方面批改网里还提供“按句点评”、“按段点评”、“学生互评”、“论坛”等功能，让教师查看每位同学和全体同学的得分情况和修改意见后，在此基础上添加完善作文点评意见，打破了人工批阅和机器批阅无法整合的弊端，创建多角度、综合性、智能化的学习任务评价模式（杨晓琼和戴运财，2015）。 （二） 透视知识缺陷，发现能力特长 随着大数据与可穿戴技术、情感计算的结合及在教育领域的应用，研究者可以整合学习者心理行为、体态行为、情感表现等个性化的生物数据和行为数据，为学生个体和特定学生群体刻画出数字化学习肖像特征，揭示学习者真实学习状态，既能透视知识缺陷，又能发现能力特长。 武法提等（2014）以学生电子书包中电子学档系统所记录的结构化、半结构化及非结构化的大数据信息为分析对象，以学生个性化学习、个性心理学和学习分析为理论依据，构建了基于电子书包大数据的学生个性化分析模型。该模型以学习内容个性化、学习评价个性化、学习活动个性化和学习方式个性化为分析维度，对电子学档中的数据进行汇聚分析，为学生提供个性化的学习评价。系统根据上述测评结果，将对每个学生进行个性化学习资源的推送，并在知识讲解方面给予学生个性化的指导。基于大数据构建的个性化学习分析既关注显性的外在行为表现，又考虑到隐性的内在心理状态，既发现学生不足，又能展示学生所长，并能将学习者的生物数据与行为数据二者融合，为精准个性化评估奠定数据基础。 在学习过程中，除了通过问卷量表获取学习者的相关维度数据，体态行为也是体现学习者个性化学习特征的重要因素。如眼睛在学习者信息获取、加工、分辨等方面占有重要地位（张琪和杨玲玉，2016）。眼动技术是通过追踪眼睛活动状态获取相关指标，捕捉用户学习行为，研讨用户学习偏好。Chen等（2015）学者采用眼动跟踪系统收集了63名大学生在物理课学习中的眼动情况，探索眼动指标与学习成绩之间的关系。其中，眼动指标包括平均注视时间、平均眼跳距离及重复阅读时间比。研究结果表明，眼动指标能够成功预测学生的学业表现，平均注视时间是最强因子，重复阅读时间次之。而将眼动技术应用于学习分析仪表盘中，可以收集对仪表盘不同模块的注视数据与眼动指标，发现学生偏好，给学生提供更具针对性的学习分析数据。 （三） 建立双向教学反馈流 教与学是双向互动的过程，教师和学生也是相互依存的共同成长的角色，不存在完全脱离学生的教师，也不存在彻底摒弃教师的学生，即使是自组织的学习者群体，也有人在某时某地发挥“教师”的作用。因此面向教师和学生的双向馈流，才是促进教学质量和效果改进的有效方式。 韩后等（2015）依据有效学习的思想提出促进有效学习的双向反馈系统设计模型，并开发实现了原型系统iLearning。该系统从学生内部处理、教师外部干预、技术支持环境三方面搭建模型架构。通过全面记录和分析学习过程和结果数据，iLearning将为教师与学习者分别提供个性化测评报告。一方面，测评报告帮助学习者提供知识点掌握情况、答题情况、学习过程行为、学习结果及相应的学习建议等反馈内容，帮助学习者了解当前学习状态、明确下一步学习目标。另一方面，教师通过测评报告了解学习者的整体学业表现，实时掌握学习者的学习兴趣、学习薄弱环节、学习行为偏好等情况，分析其影响学业表现的因素，并对不同程度的学生提供适宜的教学干预，如针对性教学、个别化辅导等。韩后等学者将iLearning系统实际应用到《计算机导论》课程中，结果表明，基于双向反馈流的评价系统能提高学生的学习效果，促进学生的有效学习。 王伟东等（2015）也做了类似的研究，他们以互动反馈系统（Interactive Response System，IRS）为基础，构建了一对一数字化互动反馈智能课堂学习环境IRS++。相比之前的IRS系统，IRS++系统中将服务器升级云服务端，在管理平台软件中加入教学管理平台、自主学习平台、问卷调查平台和测验考试平台。其中，教学管理平台支持学期计划、课表排定等教务管理，自主学习平台、问卷调查平台和测验考试平台则服务于课内外的教学活动。IRS++对课堂开展过程中师生教学活动的各项数据进行及时全面地采集，并将学习内容、学习状态、学习情况等数据存储到基于语义网的知识库中，进行基于大数据的学习分析，向师生提供双向反馈流，以改善教与学的双向互动效果。 |
|
|
