基于学习投入度的个性化体育训练效果分级评估研究

屠鑫

摘 要：传统的分级评估方法，采用教学内容分类的方式，对个性化体育训练效果分级评估，但由于掌握的影响信息不够全面，致使评估结果与学生的实际成绩不相符，因此基于学习投入度，提出更具针对性的个性化体育训练效果分级评估.以影响参数和研究对象之间的相互关系为依据，划分学习投入度类别;设置学习深入度数量级，从定量分析与定性分析兩个角度，量化分析投入度指标的影响能力;建立判断矩阵，确定分级评估指标体系权重系数，设置评估结果一致性指标，检测评估结果，实现对体育训练效果的可靠评估.测试结果表明：与传统的测试方法相比，所提出评估方法的评估结果，与学生实际体育测试成绩的相似度更高，高出传统方法14.48%.由此可见，所提出的评估方法评估效果更好.

关键词：学习投入度;个性化;体育训练;效果分级评估

中图分类号：G807;TP391  文献标识码：A  文章编号：1673-260X（2020）03-0092-04

随着科技的进步，体育训练由于学习资源日渐丰富，教育方式已经不单单局限于对学生展开简单的基本运动教学，而是开发了基于类型多样、活动性质不同的体育课程教学方式.这些被赋予了更多的教育意义、个性化更强的教学模式，提升了学生在体育课程中，学习多样化运动，如健美操、乒乓球、排球、跆拳道以及瑜伽等运动的积极性，丰富了学生的课余活动.当前这种个性化的体育训练，是优化教学模式的研究热点，且具有更加值得深入研究的探究性、体验性、直观性，趣味性，为学生的全面发展提供优越的教学方式.为了研究当前个性化体育训练模型下的应用效果，提出对教学效果分级评估[1].传统的分级评估方法，以运动类型为划分层次，对教学效果展开评估，但在评估过程中发现，由于没有针对学生自身的特点，该方法的评估统计结果，与学生成绩之间不相符合，因此提出基于学习投入度的个性化体育训练效果分级评估方法.该方法以学生的学习投入度为划分标准，对教学效果展开分级评估，得出的评估结果与学生的实际成绩更加接近.该评估方法的提出，解决了传统评估方法的现有矛盾，为完善提升学生兴趣与学生成绩的教学模式，提供更加系统化的的分析手段[2].

1 基于学习投入度的体育训练效果分级评估方法

1.1 划分学习投入度类别

个性化体育训练效果分级评估，预先划分已经获取的学生学习投入度类别，根据类别获取不同影响因素下，投入度的特征参量.由于影响学习投入度的参数之间，参数与学习投入度之间，均存在相关关系，因此利用线性回归方程，将影响参数和研究对象之间的相互关系，抽象概括为函数关系，通过函数描述参量变动对投入度的影响[3].

假设影响参数为随机变量，用xi表示;学习投入度的变化量用yi表示，已知xi与yi之间存在相关关系，存在任意一个自变量x，都影响y的概率分布，因此线性回归方程为：

yi=u+kx_i+λ  （1）

公式中：k表示影响投入度的参数估计值;xi表示存在的i个影响参数;yi表示受xi影响而存在i个变化的投入度数值;u表示预测参数;？姿表示随机误差[4].将影响投入度的参数带入上述公式，得出不同参数影响下的投入度参数，这些参数的残差，如图1所示.

根据图1可知，两条加粗红色的线条为两组离群数据，说明有些因素对于学习投入度的影响是极小的，因此可以将这类因素排除.假设自我效能感估计参数为k1;亲密感为k2;认知负荷为k3;学生接受度为k4;体育课堂教学活动为k5[5].将上述参数带入公式（1）中，假设Y为特征集合，存在Y1，Y2，…，Yn，每一集合中包含Yn={y1，y2，…，yn}，根据输出函数获取影响因素与学习投入度的关联规则：

公式组中：pi表示一个类型集合中，受i个因素影响的关联规则;i表示i个关联程度模糊分析参数的平均结果;H（*）表示判断函数;s1，s2，…，sn表示与Yn相对应的n个聚类程度值;p′表示所有关联规则下的汇总规则;？酌表示汇总条件下的补偿系数[6].该评估方法通过上述步骤，对学习投入度划分，得出关联程度不同的投入度数据集.

1.2 量化分析投入度指标

关联程度不同的学习投入度，包含两大类指标，即定量指标和定性指标.其中定量指标表示数据之间的表证状态，且对于不同的数据集合会有不同的数量级，如下图2所示.

同时定性指标以定性的方式，描述表征学习投入度的变化状态，评估过程中需要将描述结果转化为状态数据[7].根据相对变化度的基本概念，可知相对变化度反映数据由基本状态向优化状态转变，数值在[0，1]之间，该值的大小表示学习投入度的变化程度.定量分析投入指标的量化结果为：

上式中：表示等级不同时的离散参数;F（*）表示定量分析函数;i表示学习投入度较低时的劣化参数;i0表示学习投入度为0时的常规参数;ij表示学习投入度不断提高的动态变化参数[8].再对投入度指标进行定性分析，计算表达式为：

公式中：表示定性化分析误差;表示深度学习指标变化次数;z1表示教学方案的优化程度;z2表示学生的偏好程度.根据上述公式，得出k1-k5因素影响下的投入度指标，在5级量化范围内，对学习深入度的影响结果，如下表1所示[9-10].

根据上述取值，将量化后的数据统计到一个集合内，该集合用D表示.以量化分析后的学习投入度指标为参照，对个性化的体育训练效果展开分级评估.

1.3 确定分级评估指标体系权重系数

分级评估要确定分级评估指标，根据该指标设置评估体系权重系数.建立教育效果分级评估的层次结构模型，该模型包括目标层、准则层、和结果层.目标层为个性化体育训练效果分级评估指标体系;准则层为5级指标内容，即学生学习深入度的影响力大小;而结果层由与5级指标对应的若干个具体效果数据组成[11].建立判断矩阵，作为重要度计算的重要依据，假设层次结构模型中，M层表示第一层要素指标，k表示层数，M层中要素与下一层要素的关系判断矩阵如表2所示.

表2中，unn中的uij，是相对于Mk而言，Ui对Uj的相对重要性数值.该矩阵中的uij值参考下表3.已知相对重要性数值的重要程度，利用赋值法比较评估内容的重要程度[12].

在所建立的判断矩阵中，若i值与j值的重要性之比为uij，则j值与i值的重要性之比为uji=，则该矩阵为U=（uij）n×n，该矩阵中uij>0，且uii=1.根據该矩阵对层次进行单排序，该排序根据判断矩阵计算教学效果的多层相对评价权重[13].设置一个参量e，计算满足：

该公式表示特征根与特征向量的直接关系.其中emax表示最大特征根;K表示与emax对应的正规化特征向量;D为学习深入度.特征向量K的分量Ks，为分级评估中单排序的权重值.emax的计算结果为：

式中：n表示判别次数;s表示数据评估时的数据所处等级.将该结果带入公式（5）中，实现对教学效果的分级评估[14].由于评估过程中，评估者得到的数据存在主观影响，因此不能得出精准的权重系数，所以分析评估结果的相容性和误差性，检验评估结果的一致性，计算公式为：

式中n表示判断矩阵的阶数，当判断矩阵具有完全一致性时，CI=0;当CI越大时，说明判断矩阵的一致性越差，得到的评估结果不符合实际，需要重新计算各项参数指标，重新开始分级评估[15].通过提取学习深入度的特点，实现更加完整、贴合实际的体育训练效果分级评估.

2 方法检测

以某省份的H大学为方法测试背景条件，分别利用所提出的基于学习投入度的分级评估方法、传统的类型分级评估方法，开展个性化体育课程的教学效果分级评估，根据所得评估结果得出测试结论.

2.1 实验准备

选取的H学校为国家的普通高等院校，因此学生的个性化程度具有相对普遍性，保证测试结果的说服性.此次评价选取的学生为大一和大二学生，采用随机抽样的方法，从H大学的全部学院中，随机抽取10个专业，其中文科专业和理科专业各占5个，进而随机选取这10个专业中的1000名学生作为实验对象，实验对象的具体信息如下表4所示.

为保证测试结果的科学性和严谨性，利用内容效度和信度用数据分析软件，测算此次测试的体育训练效果是否符合测试评价要求，其中效度的检验结果如下图3所示.

KMO是效度检验指标之一，通常当KMO的取值在0.9以上时，该指标证明测试内容非常适合测试分析.同时利用克隆巴赫内部一致性系数，对测试内容的信度进行检测，当该检测结果在0.7以上时，则表明测试内容的一致性较好，检测结果如下表5所示.

结合内容效度和信度评价结果，证明测试的内容可用，利用所提出评估方法和传统评估方法，对教学效果进行评估，得出测试结论.

2.2 结果分析

此次测试将所提出方法作为实验A组，将传统方法作为实验B组，得到的测试结果如下图4所示.

分析上述两组图片可知，与学生的实际测试结果相比，所提出评估方法对教学效果的评估值，与学生的实际测试更加相似，经计算相似度平均值为98.76%.而传统方法中，由于没有针性研究学习投入度的影响作用，因而得到的评估值与学生实际测试结果之间存在差异，平均相似度水平为84.28%，比所提出评估方法的评估结果低了14.48%.可见基于学习投入度的分级评估方法，评估性能更优越.

3 结束语

此次针对学生学习投入度这一关键因素，对个性化体育训练效果展开了更加系统化的分级评估，令评估结果与学生的实际学习成果之间的相似程度得到大幅提升，保证评价结果真实可靠.学校及教师可以根据该方法下的评估结果，及时调整或进一步优化教学方案，促进学生在体育课程中的个性化发展.该评估方法不仅可以投入到体育训练效果的评估中，还可以调整评估过程中的相关参数，实现对其他学科的教学效果评估.

参考文献：

〔1〕王海燕.高校个性化体育训练对学生身心健康发展的作用[J].当代体育科技，2019，9（16）：96-97.

〔2〕张国庆，耿俊华，黄玲.开放大学学生学习投入度调查研究[J].开放教育研究，2019，25（04）：91-99.

〔3〕毛刚，周跃良.学习者习惯性行为中的元认知投入水平计算研究[J].电化教育研究，2019，40（06）：68-75.

〔4〕董国玉，祁迎春.层次分析法在高校课堂教学质量评估中的应用研究[J].中国成人教育，2017（09）：53-56.

〔5〕陈晋音，王桢，陈劲聿，等.基于深度学习的智能教学系统的设计与研究[J].计算机科学，2019，46（S1）：550-554+576.

〔6〕钟欣.基于CBE理论的高校体育训练模式构建研究[J].教育理论与实践，2018，38（03）：63-64.

〔7〕刘英辉，巩庆波，梁波，等.多元评价体系对体育学习效果影响的实证研究[J].山东体育学院学报，2017，33（06）：106-111.

〔8〕王仁武，张文慧.基于深度学习的隐性评价对象识别方法[J].计算机工程，2019，45（08）：315-320.

〔9〕李焕玉，李卫东，沈鹤军，等.实战情境课程模式对大学生体育学习情境兴趣影响的实验研究[J].成都体育学院学报，2019，45（03）：105-111.

〔10〕李浩君，张征，张鹏威.基于三维特征协同支配的个性化学习资源推荐方法[J].计算机科学，2019，46（S1）：461-467.

〔11〕卢信文.证据理论和神经网络的教学质量评估模型[J].现代电子技术，2017，40（15）：119-121+125.

〔12〕武小鹏，武小霞，张怡.教师教学评估系统的构架与机制[J].比较教育研究，2019，41（08）：59-67.

〔13〕廖鸿婧，李延菊.跨文化大学英语课程评估量表的构建与检验[J].外语教学，2018，39（01）：65-69.

〔14〕江美芬.学习评估：高校学生学习质量提升的路径选择[J].黑龙江高教研究，2019，37（08）：45-48.

〔15〕屈廖健，孙靓.研究型大学本科生课程学习参与度的影响因素及提升策略研究[J].高校教育管理，2019，13（01）：113-124.