高职“个性化学习微课”的质量评判分析

□

一、“个性化学习微课”建设势在必行

（一）传统微课程面临诸多弊病

微课是近年来继MOOCs后又一个涌现出来的新颖教学方法，是指运用信息技术按照认知规律，呈现碎片化学习内容、过程及扩展素材的结构化数字资源。它改变了传统学校传授知识的模式，打破了教育教学的观念，影响了教育行业的教育，它一出现也引起教育界的关注。然而，当前高职院校微课程建设中存在诸多问题。

1.微课质量的问题。部分微课质量差，重点、难点、疑点、易错点不突出；教学对象、教学目标不明确，有些微课存在“题大内容小、或者题目与内容有偏离”等问题；部分微课碎片化、不系统，不适宜长期教学等。

2.微课教学实施问题。学生进入微课环境中由于缺乏持续的动力，没有有效的交流，没有聆听相互的感染气氛，没有传统课堂中临时生成的问题和精彩，容易使学生产生孤独感，尤其课程内容的分散性和组织性存在先天缺陷，根本没有办法判断学生是否能够及时完成课程的学习，即使完成课程的学习，其完成学习课程的效率也没有评判的标准，只有通过检验才知道其质量。因此，微课质量的问题只有在教育大数据思维下，在获取学生的个性化需求的基础上，在了解学生学习的差异性基础之上并与微课程建设的目标相结合，这样才能得到解决[1]。

（二）传统微课程质量评价乱象

目前“微课”建设质量没有统一评判的标准，传统微课质量的评价通常是把MOOCs的标准移植到“微课”上来，微课程的评价指标涵盖整体设计、教学内容设计、作品规范、教学活动设计、媒体效果等几个方面。然而，传统的微课程质量标准唯独缺失了一个重要的环节，就是学生的学习实效评价。

面对当前传统微课程质量评价的乱象，学界逐渐达成共识，何为好的微课？如果微课能够在较短的时间内得到学生的认可和喜爱，并能满足他们的自主学习和个性化学习的需求和需要，而且在学习过程中又能取得满意的效果和结果，那么这样的微课被教育工作者和学生普遍认为是好的微课。

（三）个性化学习成为质量核心

在大数据时代和教育信息化的浪潮改革的今天，微课程质量应以满足学生个性化学习作为重要的质量评价指标。如果微课程没有真正考虑学生的亲身感受、没有以学生的自主学习和个性化需求为宗旨，那么即使在这种新颖的教学方法下，其教学的效果不可能达到我国所需提倡的人才标准要求，也与我们培养的跨世纪的“双创”人才培养标准相差甚远[2]。

高校的人才培养除需要关注每一个学生的品质、兴趣、爱好和潜质之外，还需要在教学过程中强化师生互动、因材施教、教学相长，需要在“微课”资源的建设中贯彻自主学习和个性化需求的目标，这样培养的学生才具有批判性和创造性思维。

二、个性化学习微课程的内涵表征

（一）基本概念

“个性化学习微课”就是把个性化学习的特征融入到传统微课中，这些特征主要包括学习活动、学习方式、学习风格、学习策略等，同时也包括学习目的、动机、学习状况、学习需求、个体的差异性和坚毅性品质等（见表1）。

个性化学习微课程是在教育大数据思维下，依照“微课”建设目标并融合学生的自主学习和个性化需求特征，具备“挈合度高、实用性强、适应性广”的课程特点，通过建设不同层次、不同类型、不同途径的多样化微课，并在平台上进行“微课”课程教学，强化师生互动、因材施教、教学相长，注重培养学生批判性和创造性思维，把学生培养具有创新精神、创业意识和创新创业能力且既懂得专业知识又具有开阔视野的国际化技术型人才。

（二）个性化学习指标

笔者在局部访谈的基础上，通过对近1000位上课学生的问卷调查，制定出《高职院校学生学习课程的个性化需求指标体系及其权重》。如表1所示，共分为五个研究维度：学习目的（10%），学习动机（30%）、学习状况（40%）、学习需求（20%）。 包含 28个行为指标，学生学习课程的个性化需求指标体系将成为评判个性化学习微课程质量的重要工具。

三、个性化学习微课程的质量评判

（一）评价对象及主体

湖南化工职业技术学院自动化与信息工程学院《Hadoop系统基础》微课程，共计500个微课，其中初级300个、中级100个、高级100个微课材料。

将建成的《Hadoop系统基础》微课程在高职计算机《大数据处理》专业的学生及外来参与人员进行验证，教师除在课堂教学中播放微课，并与学员进行互动外，学员还可以直接通过移动终端或云平台进行学习和教学互动。此外学员还可以根据自己的层次及感兴趣的程度，按照自己的意愿进行学习[3]。

表1 学生学习课程的个性化需求

选取《Hadoop系统基础》微课程中学生、学员、教师、管理人员共1000人，对照相关评价指标进行打分赋值，并对所有取得数据进行整理、归一化并进行分类、聚类，通过建立的逻辑回归模型评判分析“个性化学习微课程”的建设质量。

表2 微课程评价指标

（二）评价指标体系及权重

微课程评价指标包括课程设计、资源数量、资源内容、资源平台、课程开发、资源呈现、开课管理、应用效果等8个方面，并确定了相应的评价权重（见表2）。那么，个性化学习微课程的评价指标应包含微课程评价指标（见表2）+学生学习课程的个性化需求指标（见表1）。

（三）逻辑回归分析及质量评判

1.逻辑回归模型

逻辑回归模型（Logistic Regression，LR）是一个非线性模型，其方法是根据训练集学习输入X与输出Y之间的映射关系，预测出与新测试点对应的最可能输出值。本文采用逻辑回归模型来评价分析“个性化学习微课”的建设质量，避免人为的主观评价带来的弊端[4]。

“个性化学习微课”建设质量是在大数据思维下通过建立的逻辑回归模型的数据实证来评判，因此它是数据实证，科学客观。表1表2组成评价指标体系评判微课质量，其中表1、表2中的数据项由所有参与学习的学生、学习者、教师、教学管理者共同完成，它们中的打分项按照“优、良、及格、不及格”的分值取值为 5、3、2、1，学习者的学习状态数据及考核的成绩由采集、收集取得，数据项涉及次数、计数、均值、比率等多项数据通过计算取得，对所有取得数据进行整理、归一化并进行分类、聚类，通过建立的逻辑回归模型来进行质量评估。

（1）数据预处理及模型变量选择。模型变量的选择是剔除表1、表2数据项中缺失样例和缺失数据较多的指标量，其中：表1有4项指标数据缺失值是0值，它们是微课观看密度（S_WD）、重复观看微课的次数（S_RN）、微课观看的程度（S_WL）、其它资源观看次数（S_WN）等4个指标量剔除，因此表1有24个变量参与建模和进行相关性分析；表2有10项数据指标缺失值是0值，它们是在线辅导（P_LC）、校外在线（P_OL）、知识产权自主和有无纠纷（P_IR）、课程向校外开放（O_OO）、边建边用（O_SU）、校外选课人数（O_ON）、互动交流区设计足够（M_DS）、在线辅导频繁（M_GF）、在线作业答疑频繁（M_JF）、探索学分认定（E_SI），因此这 10个指标量剔除，所以它有60个变量进行建模和相关性分析。

（2）相关性分析及变量优化。通过对表1、表2中的指标数据采用spss19.0进行相关性分析得知，表2中的课程教学目标明确（C_TD）、课程说明（R_CE）、课程标准（R_CC）、开课进度合理（M_SR）、同类学校可以借鉴的经验（E_DE）与微课课程质量相关性在0.01水平以下，所以也应从变量中剔除，在建模时还需加入与微课质量有关的二级指标权重：课程设计、资源数量、资源内容、资源呈现、资源平台、课程开放、应用效果。表1相关性分析可知24项数据都与个性化需求的微课质量相关。表3、表4是表1、表2部分数据相关性分析的部分结果[5]。

表3 部分数据相关性

表4 部分数据相关性

2.微课质量评判分析

（1）基于逻辑回归模型的微课质量评判。传统方法评定微课课程建设质量是直接通过计算微课程评价指标中的各二级指标的分值来确定其质量，即通过计算各指标的分值，逐项累加得到微课建设的质量为95.35%。而采用逻辑回归模型，对所有采集的数据进行实证分析，通过对（1）式计算，p1=0.9663，因此，其微课质量为 96.63%，对（2）式计算，p2的值为0.9783，即个性化需求概率为97.83%。

（2）质量效果评判。传统微课程质量评判的方法是直接计算微课评价指标中的各二级指标的分值，并逐项累加得到微课程质量为95.35%，这种方式具有非常大的主观性，且以教师为中心。而在大数据思维下的微课质量是建立在全部学生、学员、教师、管理人员共1000人的情况基础上，并利用逻辑回归模型算出微课质量为97.83%，这种方法虽然考虑了学员的学习状态，但仍没有完全考虑以学员个性化学习、自主学习为需求的微课建设目标。把表1和表2综合起来，建立二次模型真实反映微课课程建设的质量，其质量率为98.83%。

四、个性化学习微课程的成效反馈

（一）实施效果

通过在大数据思维下的《Hadoop系统基础》微课程实施，参与学员学习课程的积极性明显比传统教学的学生提高了很多，特别是在实践性教学环节上，学生上机调试程序的能力明显加强，而且学生初步具有大数据处理、分析和呈现的能力。尤其通过逻辑回归的反馈机制获得的信息，及时提升了个性化学习微课程建设的质量，纠正了教学中的偏差，更好地贴近学员“多元化、个性化、自主化”学习的需求，课堂教学实效得到明显提升。

（二）结论

总而言之，在大数据思维下通过个性化学习需求建设的微课，由于微课的质量满足了学员的个性化需要，因此在教学过程中增强了学员学习积极性，提高学习效果，同时也使教师可以更加专注角色的转换，更加组织好微课的个性化建设和教学，并积极在教学过程中开展讨论、分析和教学反思活动，实现教学改革的创新。此外也为大数据时代实现在教育教学中用数据说话、用数据决策、用数据管理、用数据创新的数据文化，为在新一轮教育变革浪潮中探索一条适合高校教育发展的道路而前行。