基于截断模型的收获度的实证分析

张辉,龙学锋

(1.中国传媒大学理学院,北京 100024;2.中国传媒大学学报,北京 100024)

1 大学课程收获度评价简介

大学课程收获度评价主要是对实施某一课程单位的教师素质、教学条件、学生自身认真程度的综合评价。它是提高课程质量,判定所开设的课程是否达到预期效果的重要手段。课程收获度评价的本质是人对课程的价值判断。

大学课程收获度评价研究对象可以分为两类:一类是人的因素,即课程参与者;另一类是物的因素,即课程的要素。其中,人的因素主要是指学生和教师。因此,进行课程评价时,要把学生和教师作为研究对象。主要从两个方面进行评价。一方面,学生对大学课程的认真程度、学生对课程的兴趣程度等;另一方面,学生对教学设备满意程度、学生对教师授课水平的评价得分、课程是否包含实践内容等。

目前,课程收获度调查的评价方法大致可以分为两类,一类是对学生成绩与收获程度的关系进行量化评价。另一类是对教师授课水平、学生自身认真程度进行质性评价。虽然量化评价方法与质性评价方法出现在不同时期,代表着不同的评价理念,但作为具体的评价方法,两者具有各自不同的特点,适用于不同的评价目标和对象。

本篇论文是基于对学生课程收获度的调查数据,从微观角度评价大学课程建设的有效性,这种研究能够对大学课程的教与学更加符合教学规律起到指导作用,同时也为大学课程的教学起到示范性作用。

全文主要分为四部分:第一部分是大学课程收获度评价简介;第二部分是学生成绩、教授授课水平与学生收获度的关系分析;第三部分是学生收获度的影响因素和影响程度分析;第四部分是结论。

2 大学课程收获度典型调查的描述性分析

本研究试图通过典型调查获得第一手数据资料。因此,自行进行了问卷设计,确定样本框,通过网络电子问卷调查,收回有效问卷 350份。

基于问卷,本节从两个方面研究大学课程的收获度。一是学生成绩与课程收获程度之间的关系;二是教师授课水平与课程收获度之间的关系。

2.1 学生成绩与收获度的关系分析

一般情况下,我们主观上会认为学生的成绩越优秀,说明学生对该门课程的掌握越好。这就意味着,某种程度上成绩代表着学生从课堂上得到的收获量,但这是否符合实际,基于典型调查数据,本文对二者的关系进行了分析。首先,做出学生成绩与课程收获度的散点图(见图 1):

图 1 收获度与成绩散点图

图 1中横坐标是课程的收获度,纵坐标是学生的成绩。图 1中的点杂乱无章,直观上看,成绩与收获度不存在相关关系。为了理论上验证学生成绩与收获度之间没有相关关系,借助统计学的概念—相关系数,来考察二者之间的关系。下面通过 SPSS软件计算两者的相关系数,计算结果见表 1:

表 1 收获度与成绩的相关系数

从表 1的计算结果可以看出,三种相关系数都小于 0.2,收尾概率也都接近于 0。这说明,学生成绩与收获度不存在显著关系,这与散点图的直观显示是一致的。通过二者的关系分析,因此得到结论:不能单纯用成绩来衡量学生在该课程上的收获量。其原因,可能是大学的期末考试,学生大多采取期末突击集中复习而获取高分或者考试难度较低。

2.2 教师授课水平与收获度的关系

学生收获知识是通过教师课堂的讲授而得到的。从某种意义讲,教师是课堂的核心。从而,我们需要考察教师的授课水平是否对学生课程的收获度有影响。下面借助统计学方法—列联表分析法,考察二者之间的关系。

原假设 H0:

学生收获度与教师授课水平不相关。

备择假设 H1:

教师授课水平对学生收获度有影响。

表 2是学生课程收获度与教师授课水平的列联表。将教师授课分为五个水平;将收获度分为四种状况。

表 2 收获度与教师授课水平列联表

针对表 2,我们进行列联表分析检验,结果如下:

表 3 授课水平与收获度检验结果

由表 3可以看出,在 0.05显著性水平下,拒绝原假设,接受备择假设。也就是说,教师授课水平对学生收获度有影响。

图 2是教师授课水平与学生课程收获度的分布图。首先,从图 2中可以看出,教师授课水平表现为“生动有趣”的,学生不会没有出现“毫无收获”的情况。而“思路清晰”和“认真负责”的,学生觉得“受益匪浅”的比例最大。相反,学生遇到“略为教条”的教师,学生反应“毫无收获”的比例最高。

图2 授课水平与收获度分布图

其次,每个水平的条形图基本都是呈现类似正态分布(中间高两边矮)。这说明,老师的授课水平虽然对学生收获度有影响,但不是全部的影响。即使教师令学生十分满意,也不代表学生就都能从课堂上得到很大的收获。所以,只能说教师在课堂上的表现,对学生收获度存在一定的影响。

3 大学课程收获度影响因素分析

下面通过截断模型分析大学课程收获度受哪些因素影响以及影响程度。因为收获度是被解释变量,它的取值范围是从 0到 10的连续变量,但是由于受到实际调查的限制,样本中没有出现零值。也就是说,我们不能从全部个体,只能从一部分个体中随机抽取样本观测值,而这部分的观测值又都大于1。因此,针对大学课程收获度,本文建立截断模型,其左侧截断点为 1。

3.1 截断模型

3.1.1 截断模型的原理

截断模型是针对受限被解释变量而建立的,其特征是不能从全部个体,而只能从一部分个体中随机抽取被解释变量的样本观测值,而部分个体的观测值都大于或者小于某个确定值。

3.1.2 截断模型的最大似然估计法

建立模型

其中,

如果 yi只能在大于 a的范围内取得观测值,从(1)式可以得到 yi的概率密度函数为

于是(2)式的对数似然函数为

该对数似然函数的极大化条件为

其中 ,αi=(a-β′Xi)/σ,

求解(3)式即可以得到模型的参数估计量。

如果对模型进行再参数化,可以使得估计过程更简单 。以 a=0为例,令 γ=β/σ和 θ=1/σ,得到

这里利用了 1-Ф(-t)=Ф(t)。对该对数似然函数极大化,求得到 γ和 θ的估计量后再利用 σ=1/θ和 β=γ/θ求得原参数估计量。

3.2 大学课程影响因素建模分析

(1)研究思路

首先,通过方差分析研究各个可能因素对学生收获度影响的显著性,剔除不显著的因素;其次,再通过建立截断线性回归模型考察各个因素对收获度的影响大小。

(2)变量选取

本论文将课程收获度的影响因素分为两类:一是主观因素(学生认真程度(x5);是否对课程感兴趣(x3);二是客观因素(教学设备满意度(x1);教师授课评价得分(x2);课程是否包含实践内容(x4))

(3)模型的建立

通过方差分析,结果表明“课程是否包含实践内容(x4)”的收尾概率为 0.998,说明,没有足够证据表明“课程是否包含实践内容(x4)”会影响学生收获度。其他各个因素的收尾概率均接近于 0,对收获度有显著影响。

剔除变量 x4,建立截断线性回归模型:

通过 Eviews软件,模型拟合结果如下:

表 4 收获度各因素系数估计结果

回归结果中,各个参数的收尾概率都接近于零,模型通过参数显著性检验。

(4)模型结论

从极大似然估计的结果来看,“学生认真程度x5”对应的系数为 0.61,是所有因素中系数绝对值最大的。说明影响学生课程收获度最主要的因素是主观因素——“学生的认真程度”。学生如果失去了主观能动性,不能认真地对待课程的学习,即使其他的客观条件再好,收获也无从谈起。比“学生认真程度”系数略低的是“是否对课程感兴趣”的系数,为 0.47,可见课程本身是否符合学生兴趣也是关系到学生收获度高低的重要因素。“教学设备满意度”因素对学生收获也有颇高的影响。可能是受一些对硬件要求比较高的特定课程所影响。例如,软件课程的上机等。硬件是学习的辅助工具,

好的硬件有助于学生对知识的学习和掌握,从而使学生从课程中得到更多的收获。“教师授课评价得分“的因素系数为 0.18,这和前面论证教师的授课水平对学生课程收获度有一定影响,但不是主要的影响。

模型方程为:

由于模型回归方程拟合效果较好,因此我们可以借助(6)式对学生收获度进行预测。

4 结论

根据大学课程收获度的典型调查数据,本文分别采用了统计学方法和计量经济学方法对大学课程收获度进行实证分析,结论如下:

(1)利用相关系数发现,学生成绩与收获度不相关。这说明学生成绩高,并不能代表该学生从课程学习中的收获高。

(2)利用列联表检验发现,教师授课水平与收获度有一定的关系。

(3)利用截断模型,研究了大学课程收获度的影响因素和影响程度。研究发现,“学生认真态度”,“是否对课程感兴趣”与“教学设备满意度”对课程收获度都有显著的影响。其中,“学生认真态度”和“是否对课程感兴趣”是主观因素,但是它们的影响系数都比较大。这说明,在大学阶段学生是否能从课程中得到收获的关键还在于自身,可以说与学生自身付出是成正比的。客观因素对收获的影响占据次要,但对学生掌握知识也十分重要。从实际操作上说,学校应尽力为学生提供良好的学习环境、优秀的教师资源,先满足这些客观的需求,为学生更好的学习掌握知识提供良好的基础。从学生方面来说,只有自身的努力才是收获知识能力的最重要条件。

[1] 黄明凤.对统计学专业实践教学体系的几点思考[J].统计教育,2005,(11).

[2] 张彤,马龙.课程质量评估实测的分析与思考[J].医学教育探索,2003,(2).

[3] 徐秋艳.统计专业课程实验教学体系研究[J].统计与咨询,2009,(5).

[4] 张杨 .论课程评价中的量化评价与质性评价[J].宁波大学学报,2004,(3).

[5] 刘树雷等 .高等教育课程评价概述[J].医学与哲学,2005,(3).

[6] 于洪彦,马敏娜 .统计学课程建设与改革研究[J].统计教育,2000,(6).