基于JASP可视化数据分析的BOPPPS混合式外语教学实证研究

[摘  要]随着外语学科教学理念不断朝着精准化、信息化、智能化的方向演进，其教学模式也在信息技术、互联网技术的辅助下发生了转变，倡导精准的教学设计、教学评价和数据驱动的教学决策。本文基于成熟的在线课程体系和在线课程平台建设经验、四轮混合式教学实践经验，探究了BOPPPS模型应用于混合式外语教学的实证效度。通过JASP软件对四轮混合式教学积累的质性数据进行可视化分析，凸显了以互动协作、精准多元为特征的BOPPPS混合式外语教学模式优势，明确了数据分析及数据可视化技术对混合式外语教学的重要意义。

[关键词]数据可视化  BOPPPS教学模式  混合式外语教学

基金项目：本文为陕西省教育科学“十三五”规划、2020年度课题《精准教学导向下民办高校混合式外语教学实践研究》的研究成果（项目编号：SGH20Y1510）。

引  言

近年来，互联网通讯技术、信息技术的蓬勃发展，智慧教育理念的普及使得计算机辅助语言教学（Computer-assisted language Teaching，CALT）成为了每位外语教师要面对的时代命题。智能时代最理想的CALT模态应该是为学生创建个性化的学习资源和学习路径;教师可在大数据技术和人工智能的辅助下实现个性化的教学设计并实时跟踪、记录学生的学习情况及教学动态，获取形成性数据，最终实现数据驱动的精准教学。

实施这种理想化的CALT需要建构精准且个性化的混合式教学模式。一直以来，学界对外语教学混合式教学模式的探索停留在模式设计、平台及评价体系构建等层面，尚无成熟的实证研究范式验证混合式教学模型的实证效度。在近三年的《高级英语》信息化改革及混合式教学实践过程中，笔者逐渐探索出了以BOPPPS教学模式和平台辅助（Platform-aided）数据统计、数据分析为特征的混合式外语教学模式。本文将结合JASP数据分析软件的数据可视化功能呈现BOPPPS混合式外语教学模式的实证效度。

BOPPPS混合式教学模式——以《高级英语》为例

BOPPPS作为一种有效的课程设计模型和教学模式，最初由加拿大教师培训工作坊ISW（Instructional Skills Workshop）提出。BOPPPS强调精准有效的教学互动及参与式学习，将教学过程分解为六个操作性强的程序模块，与教学的不同环节对应，即导入（Bridge-in）、学习目标（Objective）、前测（Pre-assessment）、参与式学习（Participatory Learning）、后测（Post-assessment）、总结（Summary）。其学习目标模块与精准教学建构规范化的课程标准及学习表现量规的理念不谋而合，而其他环节则环环相扣，方便教师采集精准教学所需的形成性数据并有助于实现数据驱动的教学决策。经过四轮的“线上+线下”混合式教学实践，笔者及所在课程团队协力构建了可实现线上线下形成性数据驱动且融入了课程思政理念的BOPPPS混合式教学模式，验证了BOPPPS与混合式外语教学设计兼容并蓄的可行性。

如图1所示，该教学模式强调高效的翻转与互动，是由课程标准、语言育人标准、导学案、翻转任务和研究性学习任务为驱动，以支架式教学、合作教学模式为特征的高效混合式教学模式。

该教学模式实现了基于学情分析、需求分析的精准教学，通过制订分层分级的教学计划及学习目标、辅助标准实现以学定教，即自上而下精准的框架式教学。该模式可在各个教学环节层层渗透课程思政元素：首先，通过导入环节建构与背景知识相关的认知框架，制订学习目标及表现量规，实现因材施教;其次，在面授环节通过参与式学习、小组合作学习、多模态课堂互动等完善认知框架，并通过前测、后测实现动态的学情监测与教学反馈。最后，通过独立学习与作业、全班交流及BOPPPS的总结完成对文本人文内涵、人文精神的提炼与升华，实现语言教育与立德树人的结合。

《高级英语》BOPPPS混合式教学实证数据的可视化分析

为了凸显BOPPPS教学模式在混合式外语教学过程中的实证效度，笔者用JASP软件作为综合性学习分析工具。JASP由荷兰阿姆斯特丹大学Eric-Jan Wagenmakers教授的团队开发。该软件的优点是为用户提供图形化界面，允许用户进行多元统计分析，如T检验、变异数分析、共变数分析、信度分析、回归分析、因素分析、集群分析、整合分析等。用户可以通过点选选择数据分析函数，对分析的算法进行个性化调整。

结合在线课程平台的数据抓取、统计及分析功能，笔者采集了授课班学生学期初至学期末的在线学习状态及学习过程数据，用JASP软件将该质性数据可视化，可以一目了然地呈现BOPPPS混合式外语教学模式的实证效度，具体过程如下。

1.多维学情观测

《高级英语》已经依托学银在线平台建设了成熟的省级精品在线课程体系，在校本混合式教学实践过程中积累了大量的线上线下学习数据。教师借助精准教学的测绘记录技术从多个维度对预先拟定的线上线下学情、学习能力及学习需求观测点进行评估与记录，确定精准教学的层级式形成性评价指标后，开展对学情的多维观察及多元数据采集，观察并解析学情及学习需求，借助在线学习平台的学情分析工具（如统计功能、督学功能），以及在线学习系统自带的数据统计、数据分析及数据可视化工具，实现线上学情数据（如学习报告、知识点分布图、成绩趋势分布图等）的可视化分析。同时，教师根据形成性评价指标绘制标准变速表对线下的学情进行评估，再结合线上学情数据分析结果确定学生的认知心理特征、认知风格、学习风格、学习需求和学习状态，以发现学生的共性和个性问题，在课堂教学中对其逐个击破，并据此制订精准化的教学方案，实现个性化教學。

其中，线上的观测点有：网络学习活动数据，即参与在线互动的频次;学习行为过程数据，包括登录频次、课程任务点、对教学资源的访问量及时长;学习结果数据，包括在线作业完成情况、在线测试分数、线上PBL学习任务完成度。

线下的主要观测点为学生的学业证据，包括学生课堂学习行为过程的实录数据，即课堂的音频、视频，这部分还要关注教师的课堂话语模式，以及学生的提问及答题行为、课堂活动的组织及互动模式;另一部分为学生的学习行为结果数据，包括前测与后测的成绩、课堂互动行为记录、小组活动对话记录、学成卡、笔记本、反思日志、课程思政征文和线下书面作业及小组合作学习任务完成情况等。

2.获取学习平台的数据

学银在线平台提供的数据包括两类：一类是结构化数据，以二维表形式存储;另一类是非结构化数据，如讨论区、评价区中的文本信息，包括讨论记录、发帖的数量及内容（文本、图片、附件等）。获取学习平台数据的过程也是挖掘“教与学”形成性数据的过程，教师需要测量、收集、分析学生的学习情景数据，为其“画像”。笔者自2020年9月开始进行数据收集，共跟踪收集了学银在线平台记录的2021年9月至12月三个班级共120名学生的一学期在线学习数据，将学习数据按月导出作为形成性评价的依据，每个班级共产生了四个Excel文档。

《高级英语》线上的形成性数据采集主要通过在线平台的数据抓取勾勒学生的在线学习轨迹，包括签到、章节知识点学习、在线讨论、课程思政问卷与研讨情况、在线课堂活动情况及PBL分组任务完成情况。同时，通过在线数据统计记录学生的学习状态，包括课程基础资源及拓展资源任务点的完成度、在线作业成绩、在线测试成绩、在线课程互动积分，以及教师对小组PBL分组任务的评分。线上的各项数据均可以形成个人的研究性学成报告并反馈给学生，以实现督学。平台获取的结构化数据类型包括数值数据和字符数据，囊括了学生的个人信息、课程视频观看得分、课程资源学习进度、在线讨论得分、在线作业成绩、在线测试成绩、章节学习次数、签到得分、课程互动得分等十余个字段数据信息。

3.获取线下形成性数据

《高级英语》的线下形成性数据源主要是由形成性表现量规与标准变速表套系记录学生线下学业表现而产生的数据，具体的指标包括：由组内组间评价得出的小组合作学习成绩、由教师给出的小组合作学习成果评分、课堂互动情况、由教师给出的个人研究性学习成绩。此外，通过卷面考试对学生进行总结性评价，既考查学生的低阶思维能力，如记忆、理解、应用，又考查学生的高阶思维能力，即分析、评价、创造等能力。线下的考核数据可以形成学生最终的学业表现报告再反馈给学生。

4.数据的处理与规范化

在数据处理环节，线上的结构化数据将与线下的形成性数据集成。根据预先制订的形成性考核标准，从在线结构化数据中提取了在线作业、在线测试、音视频学习、章节学习、在线讨论、课程互动六个字段的数值，用VLOOKUP函数导入各个月份的形成性评价表与线下相应考核指标字段的值并进行汇总。为了提高数据处理的效率，一个班每个月的各项考核数值被集成到一个Excel文档中，Excel文档中的空值（如学生未提交作业或未参加测试，该栏的字段值为空值）将全部被替换为整数0，最终集成平台获取的结构化数据，生成如图2所示的形成性评价量表。

由于原始结构化数据中的专业、学院、学号、班级、性别等中文字符数据无法在JASP软件中正常识别处理，因此将该类数据做规范化处理，统一替换为英文表达或数字。其中，学生姓名统一按汉语拼音缩写编码，其余的考核指标字符、字段统一用英文表达。最终，将线上线下的考核指标作为数据分析中的属性或变量，每个表格共有21个属性或变量。本次数据可视化分析共集成了3个班级116名学生的有效数据，为了适应JASP软件的要求，上述xls格式的Excel文档将被转换为csv格式。

5.数据分析

利用JASP软件中的描述性统计分析模块对形成性评价量表中的21个属性进行可视化，对9月、12月的线上线下形成性数据进行可视化对比分析后，可以清晰地呈现学生一学期的学习效果和BOPPPS混合式外语教学模式的教学效果。

（1）在线作业

在线作业的完成度及成绩是评估学生在线学习状态的重要指标。本次分析将学生9月、12月的第一次在线作业成绩及第四次在线作业成绩进行了频率分析及可视化分析，见图3。JASP软件提供的频率表显示，116份有效样本数据中100分的占比由原来的77.5%上升至81.8%。同时，在JASP的描述性统计分析过程中分别以9月的第一次在线作业、第四次在线作业，以及12月的第一次在线作业和第四次在线作业作为变量进行了两轮回归分析，X轴为各月份的第一次在线作业成绩值域，Y轴为各月份的第四次在线作业成绩值域。从生成的散点图可以明显看到，左侧散点图中的数据分布较为离散，说明两组变量的相关性不够显著，即作为自变量的9月第一次在线作业成绩和作为因变量的该月第四次在线作业成绩之间无明显的相关性。而将右侧12月散点图中的回归线与9月的回归线相比较，其回归线向右上方倾斜的角度更明显，说明数据分布呈现明显的集中倾向，两次作业成绩有一定的正向关联。以上的可视化分析说明学生只要按教师拟定的学习目标认真完成前期在线作业就能保证后期作业成绩的稳定，从而也间接说明了应用BOPPPS教学模式后，因教师设置了明确的学习目标、教学目标并布置了相应的在线学习任务，学生逐渐形成了延续性的在线学习行为。

（2）在线测试

小提琴图（Violin Plot）是JASP软件提供的可视化模型之一，用来展示多组数据的分布状态及概率密度。本次可视化分析将9月的第一次在线测试和12月的两次在线测试数据利用JASP的描述性统计分析进行建模，生成了图4左、中、右三张小提琴图。三张图清晰地呈现了从9月到12月学生在线测试成绩的变化，数据的分布呈现了从60分数档到80分數档再向100分逐渐横向密集分布的状态，说明分数处于80-100分之间的学生人数逐渐增多，经过近一学期的BOPPPS混合式外语教学，学生的在线测试成绩有了较为明显的提升，诚然，这也意味着学生学习成绩的两级分化趋势亦更为显著。

（3）在线课堂活动

在线课堂活动的设计决定了BOPPPS混合式外语教学参与式学习环节运行的效果。《高级英语》的在线课堂活动涵盖了在线问卷、随堂练习、随机选人、投票、抢答、主题讨论等多种形式，与面授环节的课堂教学活动有机融合，充分调动了学生的学习积极性。在JASP软件中对9月和12月的在线课堂活动相关数据进行了一元线性回归分析，以在线课堂活动为因变量，以音视频学习、章节内容学习及在线讨论为协变量生成了图5所示的散点图，从左至右分别为9月和12月的在线课堂活动成绩样本分布情况。图中的X轴为在线课堂活动赋分的值域，Y轴为残差。散点图的数据分布特征提示自9月至12月，学生的在线课堂活动的参与度有了较大幅度提升，各项在线学习活动的频次也随之稳步提升。

（4）小组合作学习项目（PBL）

《高级英语》的BOPPPS混合式外语教学特征之一是开展任务驱动的小组合作学习，教师在课前在线发布的导学案中布置小组合作学习项目，安排学习小组进行与背景信息相关的文献检索与文献研究，学生将最终研究成果上传至在线课程平台由任课教师进行评分。

在JASP软件中对9月和12月两个月的小组合作学习项目数据进行一元线性回归分析，以PBL为因变量，以在线课堂活动为协变量生成了图6所示的散点图，从左至右分别为9月、12月的小组合作学习项目成绩数据样本分布情况。图中的X轴为PBL赋分的值域，Y轴为残差。不难发现，12月的数据分布模式比9月的更为集中，即学生参与小组合作学习项目的频次有了一定幅度提升，从而佐证了实施BOPPPS在线教学的效度。

（5）線下作业

线下作业的完成情况同样是衡量BOPPPS混合式外语教学效果的重要指标，作为不可或缺的形成性数据，线下作业的成绩可以佐证学生在BOPPPS教学过程中进行参与式学习的效果。

按照《高级英语》混合式教学设计，每月学生预定完成三次线下书面作业，其形式可以为长难句分析与释义、翻译练习、听写等。在JASP软件中对9月第一次线下作业和12月第三次线下作业的成绩数据进行一元线性回归分析，以两次作业成绩为因变量，以线下的小组合作学习组内评分为协变量生成了图7所示的散点图。从左至右分别为9月第一次线下作业和12月第三次线下作业的成绩数据样本分布情况。图中的X轴为各次线下作业赋分的值域，Y轴为残差。显然，数据分布模式的变化提示从9月至12月，学生完成线下作业的频次及成绩有了大幅提升，BOPPPS教学设计从一定程度上起到了督学作用。

（6）各月份考核成绩

按照BOPPPS教学模式，《高级英语》每月均有一次词汇及理解测试作为前测，而月底将按照各项线上线下考核指标进行整体赋值评分作为后测与总结，期末的平时成绩取四个月份成绩的平均值，具体的考核指标如图8所示。

从9月至12月四个月份的阶段性考核成绩的变化能够清晰地反映BOPPPS混合式外语教学的实施效果和学生的学业表现。

同样，以各月考核成绩作为因变量，以最终的平时成绩作为协变量，运用JASP软件的一元线性回归分析生成图9所示的四张散点图。图中的X轴为各月考核成绩的值域，Y轴为残差。图中的数据分布模式提示：9月有不少学生的成绩在60-80分档次，到了10月，成绩的数据样本已经呈现出了向80-100分档次集中的趋势，而到了11月，学生的成绩出现了小幅波动，但仍有小部分学生的成绩持续攀升到100-120分档次，到了12月大部分学生的月末考核成绩都集中在80-120分档次且有小部分学生的成绩有小幅攀升。值得注意的是原来处于40-60分档次的学生的成绩均有了大幅提升，聚集在60-80分档次。以上可视化数据是一学期的BOPPPS混合式外语教学效果最有力的佐证。

结  语

在四轮BOPPPS混合式教学实践过程中，课程团队以精准教学理念为导向，制订统一的课程标准、层级式的形成性评价量规，并据此不断优化线上线下的教学设计、教学方法、互动模式，收集了大量与“教与学”过程的相关质性数据。但碍于信息技术的嵌入有限，相关质性数据的挖掘、处理与分析尚处于试验阶段。借助JASP软件的数据可视化分析，本研究以三个教学班一学期的小规模实证数据分析验证了BOPPPS混合式外语教学模式的实证效度：BOPPPS混合式教学有着严谨科学的线上线下教学流程及精准多元的形成性评价体系，不仅能够充分规范学生线上线下的学习行为，调动其学习积极性，更能为教师的质性行动研究提供研究素材。本次基于JASP软件的数据可视化分析预示着未来智能化的CALT必将与数据挖掘、数据分析、机器学习等技术深入融合，可快速提升外语教师数字化的教学决策力，实现真正意义上的精准教学。

参考文献：

[1]韩晔，高雪松.国内外近年线上外语教学研究述评：理论基础、核心概念及研究方法[J].外语与外语教学，2020（5）：1-10.

[2]于春燕，郭经华.MOOC与混合及教学理论及实务[M].北京：清华大学出版社，2018.

[3]元肖肖，基于BOPPPS教学模式的SPOC教学活动设计研究[D].保定：河北大学，2019.

（李然：西安翻译学院英文学院）