基于大概念与任务分析技术的高职课程 学习成果整合设计 ——以“人力资源统计”课程为例

殷 明

（广东岭南职业技术学院，广东 广州 510663）

当前，全国不少高职院校参照悉尼协议精神，对照国际工程教育认证标准，推动校本教育教学改革，其中一项基础性改革即实施成果导向教育。

1 问题提出：课程学习成果的功利主义风险

成果导向教育的主要特征是在课程整体设计与教学过程中，以学生预期学习成果（Intended Learning Outcomes，简称ILOs）为目标导向实施教学并以此衡量学生在完成学习后所展示的“应知应会应做”[1]。由此，课程的教与学过程受学习成果驱动，学生的学习目标更加明确，从而增强了学习积极性。但另一方面，实施OBE 教学后，学生在课程学习中的功利性有可能增加，即学生通过学习成果及行为指标得以辨识教师所需（或者说什么对其获得高分成绩有用）之后，学生倾向于只要按要求完成每个学习成果所需的学业表现即可。这一学习成果功利主义思想被美国课程专家乔治·J·波斯纳称为“OBE 风险”[2]。这将会带来学生学习效果上的两个负面影响：一是学生的聚焦点只落在课程中一个个独立的学习成果上，而不去试图理解课程所蕴含的学科知识体系，即学生“见树不见林”；二是学生（包括部分教师）只在意是否完成学习成果所要求的学业表现结果，在教与学的过程中，完成最终学习成果所必需的前提技能或使能目标被弱化处理，学生可能会用“弱方法”来解决问题，表面上也解决了问题，但实际上并没有达到此次学习的真正目的[3]，即学生在学习成果表现上“注重形式多过注重质量”。

我国高职院校推行成果导向教育，课程学习成果功利主义风险尤为突出。一方面，一些高职院校奉行基础理论教学“以必需、够用为度”的原则，强调“应用与实用”，却忽略了“使学生具备一定的可持续发展能力”。有些高职课程的ILOs设计偏向于稳定任务情境中简单、基本的操作，且不同的学习成果往往基于不同的任务情境，学生虽能完成各个学习成果，却较难将各个学习成果整合为一个有机体。另一方面，高职学生偏向于形象思维而逻辑思维较弱，学生更喜欢知识点、技能点被分割成一小块地来学习，因此有些教师就将课程中每一小块的知识点和技能点设计成一个个学习成果（冠以“能力为本教育”的名义），此时学生虽达成了各个学习成果，但有时并不知道某个学习成果的作用，也就很难在真实情境进行迁移。

课程学习成果功利主义风险的存在，并未否定OBE 理念在高职教育中的正面作用。因此，如何在高职课程教学中采取有效措施降低学习成果功利主义风险，成为课程设计者必须关注的问题。

2 理论基础

2.1 大概念（Big Ideas）

大概念是一种展现学科领域中各种条理清晰的关系的框架概念或概念性工具，其作用是促进学生对所学知识的理解，将离散的知识与技能联结为一个有意义的连贯整体，并增强学生对知识的应用与迁移能力[4]。

Chalmers C 等学者（2017）将大概念分为两类：一类是基于内容主题的内容大概念（content big ideas），包括内容知识中一些关键的概念、原理、理论、策略、模式[5]。另一类大概念是过程大概念（process big ideas），指与获取和有效使用内容知识相关的智力技能，如观察、实验、控制变量、制定假设、解释数据。但威金斯与麦克泰格（2017）认为，技能（包括认知技能与动作技能）教学领域中的大概念并不一定是技能本身，而应侧重对技能的智慧应用，这是建立在学习者清晰认识各种技能的价值基础上（一项技能为什么能起或不起作用以及如何在情境下应用）[6]。这类大概念比较适合职业课程，侧重于职业功能导向，可称为“功能大概念（functional big ideas）”。

2.2 任务分析技术（Task Analysis Technology）

任务分析技术源于20 世纪中叶工业心理学在美国军事与工业培训中的应用，通过将培训的技能目标或预期成果分解成“行为结构的各组成部分”，再从序列上加以组合，以实现培训目标的具体化[7]。

一个教程的任务分析始于确定该课程的总体目的，该目的可以被转换为更具体的学习成果表述，由此确定了学生完成该教程学习后被期望完成的任务。在此任务基础上，先应用“程序任务分析技术”将任务分解为学生完成任务而必须执行的程序或步骤，并区分程序步骤的不同类型（如执行、回忆、选择、决策等），这些类型可以对应匹配不同的学习成果类型（如加涅的五类学习成果）或教育目标分类类型（如布鲁姆教育目标分类及水平）；然后应用“学习任务分析（也称为任务层级分析）技术”分析学生完成每一任务程序步骤的先决技能或成分技能（可以是知识、技能或情感），这些成分技能（Component Skill）是终点目标行为表现的构成成分，是学生必须习得的使能目标；每一成分技能还可进一步细化分析以确定他们各自的先决技能，直至出现起点技能（学生在学习本课程之前应具备或掌握的知识、技能或情感）[8]。

2.3 学习目的或学习成果的整合

加涅与梅里尔（1990）提出，当对经由教学任务分析得出的成分技能或使能目标采用线性顺序开展教学时，可能会使学习者忽略学习目的或学习成果各成分技能之间的相互关系，因此基于多重整合目标来确定学习目的（或学习成果），这一整合目标（或学习成果）来自有目的的、相对综合性的活动[9]。G.J.波斯纳（2003）提出在编制课程预期学习成果时要考虑预期学习成果之间的优先次序与整体平衡，检查它们是否与课程理论基础（包含了课程总体目标与大概念）保持一致，以及它们之间的前提性与支撑性关系[10]。威金斯与麦克泰格（2017）提出通过综合性基本问题作为跨越课程各单元的概念性支柱，促进课程各单元更加连贯与紧密[11]。

从理论上看，大概念理论与任务分析技术均可通过对课程预期学习成果的整合，对高职教育中的学习成果功利主义风险产生一定缓解。两者的作用方式不同，但相互支撑与配合。大概念在总体层面整合高职课程学习成果的内部关联，通常可以产生两种整合机制：一种是作为枢纽轴，即一部机器的各个零部件如何与运转主轴联系在一起；另一种是任务功能指向，即一部机器的零部件整合组装后能做什么。任务分析技术则是在局部层面整合高职课程学习成果的内部关系，通常是以任务程序与技能层级关系作为整合机制，以成分技能作为整合点。比如对于同一课程的不同学习成果，可能拥有同一个成分技能；或者某一学习成果可能是另一学习成果的成分技能；或者某一学习成果的某一成分技能，是另一学习成果（或其成分技能）的先决技能。

3 基于大概念与任务分析技术的高职课程学习成果整合设计模式

高等职业教育培养的是技术技能复合型应用人才，专业课程一般是源于行业所需的专业技术或工作职能，通过职业工作过程分析得出工作任务或关键能力，并由此提炼出课程总体目标，继而分解为多个课程预期学习成果。课程学习成果整合的核心是理清课程各学习成果的内部关联，将它们有机地组合成一门课程，以利于教学组织。基于大概念与任务分析技术的课程学习成果整合设计，并非在课程各预期学习成果编制出来后再进行整合，而是应用大概念和任务分析技术编制出具有整合性质的课程预期学习成果。具体包括下列八个步骤（见图1）：

（1）基于课程总体目标，提炼出课程的大概念，作为课程教学设计的统领；（2）提出关键问题，解析大概念所要求的具体内涵；（3）基于前期的职业分析，从关键问题推导出所涉及的职业领域与学科知识；（4）创建具体职业任务与学科知识交叉矩阵，从中选择并确定具体学习任务；（5）对各个具体学习任务进行“任务分析”，梳理完成学习任务的程序、步骤，以及程序步骤中各层级的成分技能；（6）所有具体学习任务的“任务分析”结果进行汇总，创建“课程整合设计地图”，识别其中知识或技能的重复点及水平层次关系；（7）编制课程预期学习成果并进行教学排序；（8）基于大概念的导向功能与成分技能，梳理本课程学习成果与专业其他课程（学习成果）之间的关系。

图1 基于大概念与综合学习设计理论的高职课程整合 设计模式

4 高职“人力资源统计”课程学习成果整合设计

以高职人力资源管理专业的“人力资源统计”课程为例，该课程为专业课，安排在第三学期。课程总目标是让学生掌握企业人力资源管理领域所涉及的统计学理论与方法，采用基于成果导向的项目化教学模式进行教学。

4.1 提炼课程大概念，统领课程教学设计

依据课程总目标提炼课程大概有三个方向选择：一是内容大概念，即统计学科的知识结构；二是过程大概念，即统计过程（统计设计—调查—整理—分析—预测）；三是功能大概念，即统计应用。基于高职人才培养特点—职业任务导向以及关键能力培养（数字应用），选择提炼“功能大概念”：应用数据分析企业人力资源管理成效（即职场的“用数据说话”）。

4.2 提出关键问题，解析大概念具体内涵

对于“应用数据分析企业人力资源管理成效”这一课程大概念，采用逆向梳理的方式，提出四个关键问题（见图2）。

图2 解析大概念具体内涵的关键问题

4.3 从关键问题推导所涉及的职业领域与学科知识

对于关键问题A.人力资源管理哪些方面的成效，这一问题对应“统计对象”。结合企业人力资源管理领域的相关知识及职业分析，成效可分为两类：A1—以人力资源为中心的成效（以员工为统计对象），如保有、流动、利用（出勤、劳动生产、满意）等；A2—以人力资源管理事务为中心的成效（以人力资源管理活动为统计对象），如招聘事务、培训事务、绩效事务、薪酬事务、员工关系事务等。

对于关键问题B.成效如何量化表达，这涉及统计学科的“统计指标”，并可进一步分解为：B1—数量指标；B2—质量指标。

对于关键问题C.采集哪些数据，这涉及统计学科的“统计数据与采集”，并可进一步分解为：C1—数据类型；C2—数据采集。

对于关键问题D.如何对数据进行分析，这涉及统计学科的“统计分析”，并可进一步分解为：D1—数据整理与计算；D2—数据分析与推论。

4.4 创建职业领域与学科知识交叉矩阵

根据职业分析中的工作重要性、相关性、频率等要素（具体可参考美国劳工部开发和使用的O*NET OnLine 职业定向分析系统）以及专业课程体系教学进度安排，在上一步骤推导的职业领域中选择具体工作任务，并与统计学科知识进行交叉匹配，确定出课程具体学习任务（见表1）。

图3 “员工流动性统计分析”的任务程序与技能层级分析

图4 基于大概念与任务分析技术的课程整合设计

4.5 开展任务程序与技能层级分析

对各个具体学习任务进行“任务分析”，梳理完成学习任务的程序、步骤，以及程序步骤中各层级的成分技能。

首先，对表1 中任务所涉及的统计学科知识领域的（每一项）具体学习任务进行细化，明确任务所涵盖的知识点与技能点。“员工流动性统计分析”任务的知识点与技能点见表2。

其次，对具体学习任务进行程序任务分析与学习（层级）任务分析，绘制“任务流程—技能层级图”。此项工作由两位资深人力资源管理者、两位教师共同研讨完成。“员工流动性统计分析”的任务程序与技能层级见图3。

表1 职业领域与学科知识交叉矩阵

4.6 创建“课程整合设计地图”

汇总所有具体学习任务的“任务分析”结果，识别其中知识或技能的重复点及水平层次关系，创建“课程整合设计地图”（见图4）。该图概括了之前的设计步骤，将统计学科的相关知识和方法与人力资源管理有机融合。一方面，在课程总体目标上，以大概念为引领，将人力资源管理与统计学领域相结合，导出具体学习任务，最终又回归到大概念的功能指向；另一方面，统计学领域的各相关知识与方法，交叉融合在各具体学习任务中，且在不同的具体学习任务中知识与方法的掌握层次可能有所不同。

表2 “员工流动性统计分析”的任务分析

表3 “人力资源统计”课程的预期学习成果

4.7 编制课程预期学习成果并进行教学排序

在课程整合设计地图的基础上，将具体学习任务与成分技能（含水平层次）要求整合在一起，编制课程预期学习成果（ILO）并进行教学排序（见表3）。排序的考虑因素包括统计对象的类别顺序、统计工作过程的顺序、成分技能的水平层次顺序。

4.8 梳理本课程与专业其他课程学习成果之间的关系

在专业人才培养方案中，课程体系的各课程之间是相互关联的，如先修后修关系、并修关系、知识或技能的迁移应用关系等。课程间关联可通过课程预期学习成果间的关联性予以具体化（见图5）。在“人力资源统计”教学中，当向学生展示课程间学习成果关联图并讲解后，学生反馈对该课程的定位更加清晰，学习兴趣得到提升。

5 学习成果整合设计教学效果评价

学习成果整合设计的“人力资源统计”课程进行教学实践后，对其效果进行了问卷调查。问卷包括五道构建性反应的填空题。调查时点为学生修完该课程的三个月后，目的是了解学生的长时记忆状况。调查采用问卷星以微信方式点对点发出，共调查学生40 人，收回问卷36 份，有效34 份，有效回收率85%。回收问卷后，由两名教师共同对学生所填文字信息进行数据整理，根据文字内涵进行定性分类并计量统计。

“人力资源统计”课程进行学习成果整合设计并实践教学后，62%的学生对课程总体目标完全掌握，29%的学生掌握部分课程总体目标；85%的学生对作为联结点的成分技能产生长时记忆；38%的学生对所学知识技能产生明确的迁移应用意识；75%的学生明确课程学习成果的相互关联及后续的可应用性。可见，基于大概念与任务分析技术的课程学习成果整合设计能有效降低学习成果功利主义风险，促进学生对知识的融合与迁移。

图5 课程间学习成果关联性

6 结论

基于大概念与任务分析技术的高职课程学习成果整合设计具有五点特征，有利于学生更好地理解课程的学科知识体系并进行迁移。第一，每一预期学习成果均呼应大概念的功能指向；第二，每一预期学习成果均指向相对完整的职业工作任务，而非学科知识的某一模块；第三，有关统计学理论与方法的陈述性知识并没有被设置为独立的学习成果，而是融于和职业工作任务有关的学习成果中；第四，每一预期学习成果的表述中均包含了完成该学习成果任务的重要成分技能；第五，各预期学习成果任务的排序体现了由模拟到实地以及由较低层次到较高层次的认知技能水平。