高职英语数据融合教学法：角色定位、评价定量和策略定制

【摘要】近年来，大数据技术发展迅速，大数据与电商、广告、交通等各领域的融合应用呈井喷式发展。大数据对教育变革产生了巨大的推动作用。通过对国内外教育與大数据融合先进经验的研究，以高职英语的现实需求为驱动，对教学中各角色进行清晰的功能定位，建立基于数据分析的高职英语定量化评价指标系统，指出高职英语教学与大数据融合面临的问题，定制教学策略。

【关键词】大数据；高职英语教学；教学策略

一、引言

近十年来，大数据技术发展如火如荼。大数据与各行各业的结合已经深入渗透到人们生活的方方面面。从交通路径规划到购物推荐，从广告投放到人机围棋竞赛，都充分展现了大数据的强大能力。教育，也在这一轮大数据技术的浪潮中获得了巨大的发展。

本文选取教育中的一个细分领域，即高职英语，研究其与大数据融合的教学方法，提出高职英语数据融合教学法：角色定位、评价定量和策略定制。在高职英语和大数据技术的有机融合教学方法中，“角色定位”研究得是传统教学转向基于大数据的新型教学，高职英语教师和学生应该怎样重新定位的问题；“评价定量”研究得是构建专业知识图谱，使用系统分析工具获得多维定量化数据；“策略定制”阐述根据获取的多维定量化数据，有针对性地定制教学策略。

二、教育大数据的研究现状

权威期刊《Nature》在2008年就推出以大数据重磅专栏，系统地论述了大数据在数学、经济、生物、教育、工程等学科中起到的作用和重要意义。权威机构麦肯锡在2011年发布《大数据：创新、竞争和生产力的下一个前沿》报告，正式预测大数据将成为促进生产力发展的重要角色。大数据迅速成为学术界和产业界的热点研究论题。

美国教育教学技术研究中心于2012年发布了《通过教育数据挖掘和学习分析增进教学与学习》报告，讨论了教育和大数据相结合的相关论题，内容涵盖大数据挖掘技术、系统学习分析以及自适应教学系统中的应用等问题。

教育大数据在短短几年从理论研究渗透到多层实践。根据不同层次的需求，教育大数据的应用形成了各种产品和服务。包括适应性学习系统、个性化教学评测系统、海量数据共享等涵盖教育大数据全领域的整体研究。

美国教育部在教育研究与实践数据汇集方面开展了大量工作，汇集了大量数据。在其数据门户Data.gov中，汇集的数据包含了数百个大型数据集。数据包含范围很广，涉及人口统计、学习成绩、校园安全等情况。

最具有代表性的实践平台是以可汗学院（Kehan Academy）、Knewton为代表的旗舰级适应性学习系统。适应性学习系统，即对学生的学习进行自动化记录，根据学生在系统中学习的状态数据，进行数据分析，然后给出诊断和干预。

随着数据挖掘和分析技术的进步，MOOC平台呈爆发式增长。Coursera、edx等全球知名MOOC平台吸引了数百所全球高等学府的参与。耶鲁大学、麻省理工、剑桥大学、哈佛大学、斯坦福大学等全球顶级大学均积极参与MOOC研究和MOOC课程。

“十三五”规划纲要（2016-2020年），第二十七章首次提出“实施国家大数据战略”；第五十九章提出“推进教育现代化”。将二者有机结合，基于大数据的教育是未来教育现代化的发展趋势。目前，包括北京大学、清华大学在内的国内数百所大学也成为MOOC合作院校。仅中国大学MOOC平台就有9600多门MOOC课程。

综上，国内教育大数据研究中走在前列的主要是北京大学、清华大学等一流学府，相对而言，高职学科教育与大数据的结合研究较少，迫切需要切实可行的数据融合教学方法。

三、高职英语和大数据融合的关键问题

高职英语作为一个细分学科，其与大数据的融合，在学习角色定位、多维评价系统和学习者特征三个方面，面临的关键问题包括以下几点。

（1）传统教学转向基于大数据的新型教学，高职英语教师和学生应该怎样重新定位？

（2）在线教育基于大数据分析的评价体系，在个性化教学上获得了成功。高职英语教学应当如何建立学习评价系统？

（3）高职英语的生师比高，学生间的英语基础差异大，教师难以掌握每个学生的问题，采用何种策略来破解这一困境？

针对这些问题，结合国内外研究发展趋势和高职英语近年的研究实践经验，本文提出高职英语数据融合教学法：角色定位、评价定量和策略定制。旨在为高职教育探索一条“数据助力教学，分析变革教育”的创新之路。

四、高职英语教学特点

教育与其他科学领域不同，各学科的教学都有截然不同的教学特征。教育与大数据的融合也沿袭了这一特点：不同垂直学科之间的数据融合度低，如数学和英语的数据很难放在一起分析。如偏重逻辑分析的数学学科教学和偏重情景习得的英语学科教学，在教学理念、教学体系、教学方法等方面特性迥异。针对这一问题，各个著名在线教育平台也是分学科进行数据采集和分析的。

高职英语作为教育中的一个细分领域，不但有英语学科的教学特点，更有高职教育自身的特点，因此与大数据融合的教学方法必须深深植根于高职英语的固有特征。

高职英语数据融合教学法从知识系统、教学方法和学习者特征三个方面归纳特征如下。

（1）知识点碎片化：与数理化的递进式深度树形知识体系不同，英语的各个知识点比较分散，相互间更多得是并列关系，知识结构更趋向扁平化的广度树形结构。

（2）教学偏重实践性：高职学生面向就业的意愿强，高职英语教学更注重专业性和领域性。

（3）学生英语水平差距大：对相同的教学内容，不同学生的学习效果差异大。

发掘高职英语教学特征，提炼应用需求，为开展有针对性的大数据与教学相结合的研究奠定基础。

五、明确教学关系：角色定位

在早期传统教学中，师生的定位是一个教一个学，以教师为中心。近年来，翻转课堂概念的提出让课堂教学有了新的理论指导。但是，在实践中，仍然存在教学方法层次的难题。一名教师面对几十名学生，仅凭借经验和感受来推断每一名学生的学习状态，是非常困难的。通常在实际教学中，教师对每一名学生只能有定性判断，对学生的学习状态细节无法掌握。如果对学生的了解是片面的，则无法有针对性地进行教学调整，那么也无法真正地实现翻转课堂以学生为中心的教学理念。

高职英语的数据融合教学法，除了学生和教师两个角色外，引入一个新的角色，即数据分析和自适应教学工具。三个角色的定位与传统教育不同，形成了新的教学关系。以学生为中心，以教师为教学组织者，而数据分析工具和自适应教学工具是服务于前面两者的基础。教师角色要为自适应教学工具提供高职英语学科知识图谱以及教学中的非结构化数据。通过评测可以获得学生在当前知识图谱中的学习状态数据。数据分析工具分析此二类数据，得到每名学生的个体学情报告和学生全体的学情统计报告。学生根据个体学情报告获悉自身还需改进的方面。教师根据学生全体的学情统计报告，获悉全体学生的总体优势和不足，从而调整课堂授课的重点方向。

六、磨砺教学工具：评价定量

工欲善其事，必先利其器。首先，需要构建高职英语学科知识图谱，并建立精化的多层次评价题库。基于知识图谱的评价题库是数据采集的基础。个性化教学的实现依赖于数据的采集和数据分析。

大数据来源是学生在高职英语教学的全过程中產生的各类数据，开启全体学生、全教学过程、全数据代替样本的全数据模式。全数据分为两类：教学中，“学”的过程主要形成非结构性数据，数据噪声较大；“习”的过程主要获取结构性数据。

首先，为非结构性数据和结构性数据分别设立不同指标，建立定量化的学习评价指标系统，做到科学的指标设置。其次，各年级学生在平台上完成高职英语的练习、作业、考试等各项评估，系统根据评价指标采集每名学生的各项学习状态数据，消除数据噪声，做到精准的数据采集。按评价指标系统采集到量化数据后，根据指标系统配置数据分析工具的筛选条件、计算变量等，深挖数据背后的学情信息。最后，使用数据分析工具挖掘数据表象背后的学生学习特征，深度数据分析。

七、解决教学困境：策略定制

传统高职英语依靠教师课堂教学的单核心驱动，学生积极性不高。高职英语数据融合教学法提出每名学生、教师、大数据分析工具共同发力的众核驱动教学策略。以学生为中心，教师作为教学组织者和引领者，大数据分析工具负责提供学生个体和整体学习状态信息；教师据此制定教学方案，课上教学解决共性问题；学生根据数据分析结果，针对自己的问题巩固加强，实现个性化教学。

八、结语

大数据技术对教育领域极具冲击力。大数据与教育的融合效果取决于具体的应用方法。高职英语数据融合教学法以高职英语教学为特定研究对象，分析高职英语教学与大数据相结合面临的实际问题，探索师生角色定位、学习状态评价定量和教学策略定制的问题。为大数据在高等职业教育领域的创新应用实践提出方法，开拓思路。

参考文献

[1]Big data[DB/OL].2018-09-29：https：//en.wikipedia.org/wiki/ Big_data.

[2]Enhancing Teaching and Learning through Educational Data Mining and Learning Analytics[DB/OL].2012-10-12：http：// www.ed.gov/edblogs/technology/files/2012/03/edm-la-brief. pdf.

[3]国家中长期教育改革和发展规划纲要2010-2020[EB/OL].2010-07-29：http：//old.moe.gov.cn/publicfiles/business/htmlfiles/moe/ info_list/201407/xxgk_171904.html.

[4]萨尔曼·可汗.翻转课堂的可汗学院：互联时代的教育革命[M].杭州：浙江人民出版社，2014.

[5]B Daniel. Big Data and analytics in higher education： Opportunities and challenges[J]. British Journal of Educational Technology，2015（09）.

[6]孙洪涛，郑勤华.教育大数据的核心技术、应用现状与发展趋势[J].远程教育杂志，2016（05）.

[7]吴晓蓉，谢非.大数据时代教育研究的变革与展望[J].西北师大学报，2018（01）.

[8]丁小浩.大数据时代的教育研究[J].清华大学教育研究，2017（10）.

作者简介：赵宇（1984—），女，硕士，副教授，研究方向：英语语言文学。