|
教学过程是由一系列决策组成的活动集合。宏观的决策形成了教育政策，微观的决策转化为教学模式与策略；面向全体学生的决策支配着学校教学改进方向，面向个别学生的决策提供了因材施教的可能。对于教师而言，教学决策的获得通常是依赖于理论的学习、实践的经验积累、“师傅”的言传身教、自身的教学感悟等。但是教育学不仅是一门基于理论和经验的学科，更要借助“互联网+”和大数据所具备的在线和数据，利用量化分析和数据化认知，成为一门基于实证研究的学科。大数据技术的全局纵览、细节深挖能力，为教学决策提供了科学依据。 （一） 全程记录：了解整体教学链条 大数据将教学研究的视角从阶段性和切片式的部分研究，扩展为全流程、群体性、公众性的全局性研究。对于教学研究而言，可以从群体取样和面向特定时间段的截断式研究，进入到面向整个学生群体和完整教学链条的贯通式分析。全样本全过程的分析，可以获得全景式的学习情况诊断，是大数据教育创新研究模式之一。 美国STEM教育“管道理论（Pipeline）”是自1988年起由当时八年级学生全样本开展的为期九年国家纵向教育研究（National Educational longitudinal Study）。这项全局性研究发现，“管道”理论中的连接点就如同从八年级学生通向STEM职业生涯所经历的重要事件，如高中毕业、大学入学考试、主修STEM专业、大学获得STEM学位等。在“管道”的末端，水滴流入杯中，代表一小部分人群最可能成为STEM 行业的从业者，这与最初进入STEM管道的大量学生数量形成鲜明对比。自美国国家教育统计中心提供了该研究的数据后，研究人员和政府制定者通常使用一个越来越窄的管道来比喻获得STEM学位或走上STEM职业生涯的全过程分析链，影响了美国20年来在科学教育方面的政策制定（马修·卡纳迪，等，2015）。 2012年4月美国哈佛大学和麻省理工学院联合创办了MOOC平台edx。到2016年时，两校基于四年来平台所开设的290门MOOC课程和450万累计学习者的在线学习数据，联合发布了《哈佛x和MITx：在线课程的4年》研究报告，总结出六项核心发现。 1）学员数稳步增长，在报告发布前的1523天里，平均每天新增1554个用户，且在2016年初大面积取消免费课程认证之前，累计获得认证的人数持续增长； 2）学员背景多元化，以一门典型的MOOC课程为例，课程约有7900名学员，33%是女性，73%拥有本科学位，29%来自美国，年龄中位数为29岁； 3）六成付费用户获得课程认证，其中有意获得认证的参与者、深度参与者和付费者（为身份验证付过费）获得认证的比例，均高于平均水平且逐类提高； 4）计算机课程成为MOOC中心，一门计算机类课程为其他计算机类课程、STEM课程、社科类课程、人文类课程输送的平均学员数，分别是772人、514人、366人和239人，即计算机类课程输出和输入的学员人数均是最多的，特别是输出人数彰显出其强大的“导流”功能。根据预测，今后计算机类课程仍将扮演MOOC网络中心（hub）的角色； 5）STEM类在线课程最难拿到认证，而且与计算机类和人文类课程相比，STEM类课程中女性学员的比例非常低，课程里的国际学员人数更多； 6）在线学习可以事半功倍。一般而言，在线课程学习时间要比传统课程线下学习时间要短，其中中位数占传统在校课程的平均占比为30%。因为数据分析发现大多数获得认证的学员投入了不到50个小时，甚至有1%的学员仅投入23分钟。不过，这个结果也与课程内容有关，像《微积分》、《量子物理》这样的课程，线上学习时间反而比传统线下学习更长（Chuang，Isaac & Ho，2016）。 这是一份来自于在线课程四年来全样本数据的全局性研究，为今后在线学习及校园混合学习政策制定、课程设计提供了相对宏观的视角。 （二） 细节凸显：发现隐藏的学习差异 在传统教学环境下，教师很难发现隐性的学习细节，比如安静内向学生的学习表现波动，班级某些同学在特定知识点上的动态差异，或者学习伙伴之间潜在的相互影响等。进入大数据时代，通过“在线”和“数据化”的课程记录，教师和研究者有能力透视隐藏的学习特征、动态与差异，使课堂教学细节得以凸显，读懂课堂，读懂学生。 比如iTeach平台、UMU、畅课等多种基于平板电脑或智能手机的学习互动系统，学生通过点击测试题选项、输入答案内容等完成学习内容的评价，教师通过学习系统的即时统计功能，就可以发现某位同学或者某几位同学在特定知识上有薄弱环节，而像锐学堂等互动学习平台上还会标记出哪些同学在回答过程中出现了犹豫，及犹豫的时间。教师能够快速地发现总是在犹豫的同学，或者频繁出错的同学，帮助学习者定位他们在知识掌握或者学习状态上的问题，共同采取补救和改进的措施。 除了借助于移动终端的校园混合课程外，在线课程中也可以通过面向每一位学习者进行数据收集和分析，帮助教师以显微镜的方式透视学生的学习状况。如教师可以通过一门课程中视频和作业的情况判断全体学生和每一位学生的参与度，用每周课程任务的分数和表现预测之后的课程总成绩，及早准确识别出那些没法完成课程的“危险”学生，并基于预测出的可能性，帮助教师设计干预措施，让学生发现潜在的问题，共同提高课程完成率；也可以通过课堂论坛中的文本特征、交互网络等全数据，发现能影响学生的语言，从而定位出学生中的意见领袖，他们使得课堂学习环境变得更为投入，协作并且富有建设性，而这些人会与教师一起，共同成为改善课堂学习质量的主力军（Moon S et al.，2014）。个性化学习组织 Education Elements 设计的 Highlight 平台，能够识别学习者个体的行为模式，并提供有差异的个性化推送服务。Taskstream平台能够对每个学习者参与的项目和活动进行追踪，并提供有针对性的交互式行为表现报告和学习评价。 （三） 科学决策：动态调整教学进度与节奏 学习分析是以学生与学习情境为研究对象，以学习活动过程中产生的大量交互数据为基础，包括学习过程中的登录和点击等行为数据、测试和作业等表现数据、投入和成就等情感数据等，配合学生背景和特征等属性数据进行综合收集、分析，并以可视化方式，及时且动态地呈现学生群体及个性状态，帮助师生共同发现课堂学习中的典型问题、共性问题、个性问题和潜在问题，成为打开学习过程黑箱的钥匙，为教与学提供科学决策的基础，开展动态调整教与学进度和节奏的依据，进而优化教与学的效果。依据有效的学习分析，教师就具备了更强大的教学智慧，开展更为科学的教学决策。 孙众等（2017）以校园混合课程的动态设计为切入点，一方面收集传统环境下能获得的学习者个人属性特征、前期知识基础、兴趣态度等非智力因素，另一方面积累学习者在线学习的全过程全样本数据，综合起来开展学习预测。结果发现班级干预比个别干预更能激发学生的在线学习参与度；面授在线相结合的教学干预比单纯的面授干预更能建立良好的社会化学习网络；深层干预与浅层干预对于中低分组的学生均有正向促进作用，但深层干预对于学弱群体的教学改善作用更为明显。另外，分析使用微信发布课程信息的全过程数据后可知，用户对于课程学习内容的微信阅读峰值是在每天晚上六点后的两三个小时，这个时段不仅是微信使用的高发时段，也是公众号学习内容得到最大阅读人次和较高转发次数的时段。因此教师即时调整，改变原来随机发布内容的方式，改为晚上六点发布，且在微信学习群里同步公告，提高了学习资源的传送及阅读的有效流量。 Kloft，Stiehler，Zheng和Pinkwart等（2014）学者，根据一门MOOC中全样本数据集做全局性研究，计算课程每周活跃的学习人数、辍学比例、人均请求数量、新用户人数，根据机器学习算法、神经网络等，分析在线学习中的学习者表现和辍学率等多维视角。Barba，Kennedy和Ainley等（2016）学者也做了类似的研究，通过学习动机与课程参与度分析MOOC学习者的持续学习意向。研究者借助问卷回收学习者个人基本信息、前期MOOC学习经验、课程学习动机等因子，基于在线学习平台追踪学习过程中的视频观看量、测试点击量等课程参与度，建立模型预测学习动机与课程参与度对学业表现的影响。结果发现，课程参与度中的测试点击量和学习动机是影响学习持续学习意向的重要因素。因此在MOOC学习过程中，教师可通过关注学生的在线学习行为，了解课程参与度，分析其持续学习的意向，调整教学步调，对学业表现不佳的学生进行及时的干预与激励，从而帮助其坚持完成课程学习。 |
|
|
