数据驱动精准教学：实践路径、感知理解与现实困境

白雪梅 顾小清 尹欢欢 武美玖 胡碧皓

[摘   要] 数据驱动精准教学受到了实践者与研究者的关注。研究从一线教师的视角，探索他们如何实施数据驱动教学，以及对数据驱动精准教学的认知及遇到的困难。通过教师撰写教学日志与访谈收集数据，采用扎根理论的方法分析数据。研究发现，教师实施数据驱动精准教学的路径包括：数据助力教师探究学生学习、数据驱动课堂教学有的放矢、数据助力分层教学有效落实、数据支持个性化干预的实现;教师对数据驱动精准教学的理解包括：数据驱动精准教学赋能传统教学深度变革、鞭策教师专业发展、支持学生进行自我调节学习、促进学生学习动机等非认知因素发展;教师在解读数据与采取干预行动两方面面临困境：缺乏深入分析导致教师数据解读面临困难、数据本身存在局限无法满足教师解读数据的需求、教师自身数据素养影响数据解读、缺乏建设性建议与支持影响教师采取干预行动、教师自身能力缺乏影响对干预行动成效的验证。

[关键词] 数据驱动精准教学; 教师教学; 学生学习; 质性分析

[中图分类号] G434            [文献标志码] A

[作者简介] 白雪梅（1992—），女，宁夏固原人。博士研究生，主要从事教育信息化理论与实践相关研究。E-mail：963584029@qq.com。顾小清为通讯作者，E-mail：xqgu@ses.ecnu.edu.cn。

一、研究背景

随着教育信息化的深入，越来越多的技术工具在教育教学中得到常态化应用，每时每刻都在产生海量教与学的数据。随着数据的持续累积，数据驱动精准教学成为传统教学变革的重要抓手，為学校教学方式的转变和优化提供契机与支撑[1]。然而，精准教学的实践应用尚未普及[2-3]。已有研究大多是从理论视角出发为教师开展精准教学提供框架或模式，鲜有研究从教师视角出发探究数据驱动精准教学的实施。为了促进其持续良好发展，本研究从一线教师的视角，探究先行者如何实施数据驱动精准教学，在亲身实践的基础上如何感知和理解数据驱动精准教学，以及在实践过程中对于数据驱动精准教学发展困境的认识，旨在为相关研究与实践提供借鉴。

二、研究设计

（一）研究对象

研究在2018年度教育部—中国移动科研基金项目“构建‘互联网+’条件下的新型课堂教学模式创新实证研究——以宁夏石嘴山市第十六小学为案例”课题中开展。课题组教师在研究者引领下实施数据驱动精准教学。研究以参与该课题的16位一线教师为研究对象。

（二）数据收集

项目开展过程中，研究者通过项目组微信群发布相关话题，教师根据研究者发布的主题在Moodle平台撰写教学日志。另外，研究者以表1的问题为支架，对项目组16位教师进行了结构化访谈，以补充和佐证日志数据。之后，研究者将教师日志文本导出，并且对访谈数据进行了初步整理，作为研究数据资料。

三、数据分析与结果

研究基于扎根理论的方法，对收集的数据资料进行了三轮编码：开放式编码、轴心式编码与选择式编码。

（一）开放式编码

研究将数据资料打散分解，逐句寻找能反映研究内容的数据片段，并对其出现的现象进行命名，形成原始编码。由两名编码者编码，如若出现不同意见，协商讨论确定。对16位教师（参与者编码依次为T1-T16）的170篇日志与2万余字的访谈数据资料逐句编码后，识别出25个初始概念。接着，通过比较和归纳分析，凝练出“利用数据探究学生学习”“课堂教学有的放矢”“实施分层教学”等10个核心范畴，见表2。

（二）轴心式编码

轴心式编码主要指对开放式编码形成的初级类属进行归纳和比较，寻找类属之间以及类属和概念之间的联系，进一步得到主题类属，围绕研究目的以及基本范畴之间的内在联系，归纳得出三个主范畴（见表3）。

（三）选择式编码

轴心式编码的关键是明确资料的故事主线，将类属串成一个整体。基于本研究的目的，研究的故事主线为探究教师实施数据驱动精准教学的路径→作为亲身实践者如何感知和理解数据驱动精准教学→经过亲身实践，教师认为数据驱动精准教学面临何种困境。根据研究对象所阐述的观点，本研究将围绕表3中的主范畴进行论述。

四、研究发现

（一）教师如何实施数据驱动精准教学

教师阐述如何实施数据驱动精准教学的相关文本被划归到实施数据驱动精准教学的实践路径核心范畴，包括数据助力教师探究学生学习等四个核心范畴（见表3）。

1. 数据助力教师探究学生学习

教师探究学生学习（Teacher inquiry into student learning）对促进教育教学变革有重要意义[4]，技术增强学习下的学情数据为教师探究学生学习提供了前所未有的机遇。一是通过学情数据探究学生学习态度。如T8通过学生任务参与度、参与任务时长及任务完成质量探究学生学习态度，“通过一段时间的探究，发现根据数据对学生进行针对性干预能有效改善学生学习态度”（T12）。T14通过错题订正数据探究学生学习态度。“依据错题攻克率，结合学生实际情况，探究学生学习态度，例如：学生一段时间订正率为零或非常低，说明学习态度不积极;如果学生作答错误后，立即订正，或在很短时间内对同一题目订正了很多次，说明可能在试错。”（T14）二是通过学情数据探究学生学习习惯。系统记录了学生任务提交时间，教师根据学生提交任务时间探究学生学习习惯，并且通过持续探究在学习习惯与任务完成质量之间建立了联系，例如，“我发现提交作业较早的学生，普遍作业完成的比较认真，作业提交超过预设时间，尤其补交次数非常多的学生，任务完成质量普遍较差。”（T6）数据在培养学生良好学习习惯方面发挥了很大作用。教师通过学生相关学习数据，诊断并培养学生学习习惯，能有效减少学生学习拖延习惯[5]。

2. 数据驱动课堂教学有的放矢

数据驱动精准教学为传统教学的转变提供支撑[6]。一是数据驱动实现“以学定教”。T3表示“每天的课堂教学都是有备而上……数据精准地向教师反馈学情，教师以此确定课堂教学内容。另外，通过数据可以了解不同学生对于同一知识的不同理解程度，根据数据识别‘小老师’，课上组织他们教不会和一知半解的孩子，效果真的无比得好，数据在课堂中发挥了强大作用”。T6认为，“学生课前通过微课、字词卡片等数字化资源学习汉字，并利用汉字测评检测生字掌握情况。智能软件统计时长、正确率、具体作答等数据，并将数据展现在教师眼前，一目了然。教师根据数据调整课堂教学，从而在课中做到有针对性地讲解”。“教师通过课前导学数据诊断学情，准确地提炼教学重点，并筛选出无须再重复教授的知识点”（T7），实现“以学定教的内容”。另外，根据学情数据识别“小老师”，在课堂上组织同伴教学，实现“以学定教的方法”。教师还“根据课堂学情数据，随时调整课堂教学内容和方法，以更好地服务学生”（T5）。二是数据驱动实现单元精准复习。系统为教师提供了单元学情报告，教师基于单元学情报告精准实施单元复习。“对于错误率高达50%及以上的题，线上推送弥补性学习资源。同时，教师做充分准备，第二天课上集中讲解以解决共性问题。之后，组织同伴教学，以小组的方式解决小组内剩余错误率较低的错题，解决小组个性化问题。在这个过程中教师通过数据实时了解学生学习活动进展，将已经解决完所有错题的小组成员分到其他小组进行帮扶，或立即为这部分学生发布拓展性学习资源，组织他们进行拓展学习”（T14）。可见，除新课外，单元复习课也能实现“以学定教”，让单元复习更精准、高效。

3. 数据助力分层教学有效落实

数据为教师实施差异化教学提供了契机[7]。一是通过分层学习任务实现分层教学。教师根据学生学习水平，将学生分为不同小组，通过平台为不同学生布置差异化学习任务，并根据学生的表现给予不同反馈指导，实现分层教学。“我将学生分为两组，低水平组布置基础性学习任务，高水平组布置有难度的学习任务。”（T12）二是通过分层教学转化后进生。“在系统中将后进生分为一组，每天为他们发送额外的学习资源。”（T6）“一开始我只关注扇形统计图中学生的平均水平，因为后进生不用数据我也知道是谁，知道了我也无能为力。然而，自从尝试通过分组实施分层教学后，我发现平均水平的意义不重要。根据数据对他们进行了更全面分析，然后进行针对性训练，随着时间的推移后进生越来越少才是我最惊喜的事情。我意识到原来对后进生无能为力是不够了解他们的问题，数据真的是一位无声的老师。”（T4）可见，教师按照学生的个体知识基础、学习能力等差异，对不同学生制定相应学习目标，通过分层学习任务、分层辅导与干预，实现分层教学。另外，教师通过分层教学转化后进生，并取得了一定成效。

4. 数据支持个性化干预的实现

个性化教学作为教育的最高境界，传统教育难以实现。然而，数据为教师实施个性化干预提供了可能[7]。一是基于数据提供线上个性化反馈。首先，根据数据诊断学生知识掌握情况，以写“评语”的方式实施个性化干预。“通过评语，第一时间告诉学生问题所在，为学生提供个性化反馈指导。”（T12）其次，“根据学生错题统计数据，立即生成举一反三强化练习发布给学生，每个学生收到的作业都不同于他人，通过个性化作业精准巩固不同学生的不同薄弱点”（T14）。再其次，数据实时向教师反馈学生学习进展，教师“利用平台‘提醒’功能实施个性化监督”（T4）。最后，“教师根据学情数据，以‘奖红花’的方式，对表现较好的学生提供个性化正向激励”（T9）。二是基于数据实施课堂线下个性化反馈。首先，“课堂提问不再是谁举手提问谁，或通过观察和经验确定提问对象，而是通过数据提供的证据，在相应环节非常有针对性地提问相应学生，利用课堂时间与其进行对话，起到针对性干预的目的”（T11）。其次，“通过展示优秀个案的方式，针对性引导一些学生反思，如将得A与C等级学生的学习表现数据进行对比，督促和引导C等级学生反思不足”。可见，教师通过线上线下两种途径实现了个性化干预指导。

（二）教师如何感知与理解数据驅动精准教学

教师阐述对数据驱动精准教学认知的相关文本被划归到教师对数据驱动精准教学的感知与理解核心范畴，包括数据驱动精准教学赋能传统教学深度变革等四个核心范畴（见表3）。

1. 数据驱动精准教学赋能传统教学深度变革

一是教师角色发生转变。“教师不仅是讲授者，也要学会承担学习分析、学习设计和学习支持的角色，更重要的是在复杂教学过程中动态调整所担任的角色。”（T4）T1认为，“教师由传统教学中的主角转化为学生发展的促进者和指导者。教师要创造良好的学习氛围，引导学生质疑、探究，督促学生积极参与学习活动，改变传统课堂上学生安安静静听讲的模式。教师还要积极地看、认真地听，紧密关注学生学习状态和进展，及时提供指导和支持”。T3认为，“教师在整个教学过程中承担设计者、指挥者、演出者、追踪者等多元角色，利用数据研究学生知识掌握、学习习惯等，并设计针对性的干预以促进学生发展”。其中，学习设计者的角色尤为重要，包括基于课前学习数据预设课堂学习活动、基于学情数据设计分层学习任务及个性化干预、基于实践问题设计探究计划以解决问题等。

二是促进了教学方法、教学内容和教学过程的转变。首先，教学方法方面，传统教学中，教师根据课本内容、基于个人主观经验进行课前预设。课中以教师教授为主，学生被动接受。然而，数据驱动精准教学转变了这种课前基于经验备课、课中填鸭式的教学方式。T3表示，“在‘凑十法’的教学中，多年的教学经验告诉我（课上）要给孩子讲解凑十法的算理。然而，现在从数据中却发现很多内容孩子都会，课中就一带而过，避免了教师在以往教学中‘眉毛胡子’一把抓的弊端”（T3）。教学内容方面，“数据驱动大大提高了教学的针对性，课中避免了重复性教学，从而多出来了一部分课堂时间，教师利用这些宝贵的课堂时间进行拓展，因此，课堂教学内容的深度明显加深”（T9）。T15从教学过程视角，认为数据驱动精准教学“转‘先教后学’为‘先学后教’”。此外，“课中在兼顾预设前提下，要做好预设和生成的平衡，根据课堂数据随时调整内容、进度等，教学是动态变化的”（T4）。可见，数据驱动精准教学促进了教育教学的深度变革。数据只有促进了教学方法、内容与流程的转变，才能真正落实变革和优化教育教学实践的目的[8]。

2. 数据驱动精准教学本身鞭策教师专业发展

一是促使教师成为学习型教师。首先，数据驱动精准教学建立在技术使用之上，教师需学习如何使用技术。“平台不断升级，每次升级都有新功能的出现，从刚开始学习如何使用平台上的各种学科工具制作学习资源，到后来的在线检测及课后作业，再到后来的智能检测，都要求教师要不断学习新技能。”（T7）“平台自带的绝大多数资源并不是我们想要的，教师需要学习用软件工具制作所需资源。”（T12）其次，数据驱动精准教学要求教师学习如何使用数据，“要不断思考设计什么活动，收集什么数据，思考数据能说明什么问题等”（T3）。“不断琢磨如何基于数据设计和实施教学。”（T4）可见，数据驱动的本质就要求教师要做一名学习型教师，这才有助于促进教师专业发展。

二是促使教师成为研究型教师。数据驱动精准教学对于教师研究素养提出了要求，并且支持教师在实践中发展自身研究素养。“作为教师，研究学生学习必然是我们工作的重要方面，只不过传统教学中有太多局限，而现在学生学习过程中产生了大量数据，这为我们研究学生学习提供了支持，而且我们在利用数据探究学生学习的实践中也发展了自身的能力。”（T3）“我们一直在提倡要成为研究型教师，但一直都是口号。自从实施了数据驱动精准教学后，研究就真的无处不在……”（T6）教师探究学生学习的核心是收集学生学情数据，然而传统教学中有限的数据限制教师探究学生学习。在数据驱动的教学中，教师能基于多种学情数据，研究自身教学实践和学生学习，在实践中发展为研究型教师[9]。综上所述，数据驱动精准教学能促进教师专业发展[10]。

3. 数据驱动精准教学支持学生进行自我调节学习

一是支持学习目标设置。“学生只有了解了自身学习，才能针对性地设置学习目标，计划下一步的学习，而数据为学生了解自身学习，进而为针对性设置学习目标提供了支持”（T13），即数据帮助学生确定“学什么”。

二是支持学生调节和监控学习。“数据会刺激学生加强学习。”（T3）T6在日志中写道，“该学生表示每次智能测试后她都会查阅学情报告，关注自己在班里的排名，在每个知识点上的得分率和班级平均得分率的差距，以及每道题的失分详情（对应知识点），标记错因，订正错题。还专门买了练习题，针对失分较多的题型进行练习”。数据支持学生准确了解学习问题，进而调节和监控学习。

三是支持学生进行反思。“从学情报告提供的数据分析结果，学生可以直观地了解到自己的学情，这有助于学生反思自身学习。”（T16）另外，多位教师表示上课前会向学生再次呈现数据，引导学生反思自身表现与教师期望之间的差距。可见，向学生可视化地呈现结果，支持学生掌握自身学情，能使学生更好地进行自我调节学习[11-12]。

4. 数据驱动精准教学促进学生非认知能力发展

一是促进学生学习动机的发展。“学生都有竞争意识，通过学情分析学生可以得知自己与他人的差距，这有助于激发他们的学习动机”（T15），“学生学习积极性明显提高”（T8）。学习分析能从本质上促进学生学习动机，尤其能促进外部动机的发展[13]。

二是促进学生学习投入。“学生学习意识增强了，会主动进行学习。”（T8）“传统教学中学生都是等教师安排学什么，而现在数据向学生直观展示了学情，学生根据数据就可以付诸行动。”（T14）了解自身学习是进一步针对性参与学习的前提。然而，传统教学中学生只有通过测试、期中期末考试才能清楚地了解到自身学情。学什么、如何学对学生而言是盲目的，而“现在数据为学生了解自身学习提供了支持，支持学生‘及时’‘针对性’地进行学习”（T3）。

三是促进学生形成积极的学业情绪。首先，“数据增加了师生之间的互动，这让学生感受到了教师更多的关注”（T5）。其次，数据驱动的“分层教学解决了‘尖子生吃不饱、后进生吃不了’的问题，让不同的学生都得到了不同程度的发展，都能感受到学习的快乐”（T6），而且“不易带来学习上的挫败感，学生容易取得成就感”（T6）。最后，数据驱动的“个性化干预能够充分考虑到学生个性化特点，满足了学生个性化学习需求”（T13）。可见，数据驱动精准教学能够增加教师对于学生的针对性关注，能满足学生个性化学习需求，这能从根本上激发学生积极的学业情绪。

（三）教師实施数据驱动精准教学的现实困境

教师阐述数据驱动精准教学面临困境的相关文本被划归到数据驱动精准教学困境与挑战，包括教师数据解读面临困境、教师干预行动面临困境两个核心范畴（见表3）。

1. 教师进行数据解读面临现实困境

一是缺乏深度分析导致教师数据解读面临困难。“教师从数据中直接获得的信息有限，教师需要对数据进行二次加工，以获得真正有用的信息，例如，很难从数据中直接了解到，学生学习时长太长是因为学生对这个内容感兴趣钻研了很久，还是因为学生不会卡壳了很久。”（T11）另外，“因为时间精力原因，教师做不到对每位学生的学情数据都进行精细的二次加工”（T6）。未来学习技术需要对学生学习过程数据进行深入挖掘，例如，通过关联分析挖掘数据变量之间的关系[14]，探究现象背后的原因，帮助教师更好地理解和解释数据。

二是数据本身存在局限无法满足教师解读数据的需求。首先，“现在的数据支持教师精准了解不同学生学习态度、学习习惯、学习投入等，但是目前数据本身依然还存在一定局限”（T8），例如，“对于学生素养和能力的探究，没有数据支持”（T3）。除学习习惯、学习态度等之外，学生学习受多种因素影响，对于学生学习其他相关因素的探究需要更多过程性数据。未来研究需要基于具体教学情境，就教师需要何种数据进行深入研究，为学习技术全面系统收集和深度分析学生学情数据提供支持[15]，最终支持教师对于学生学习进行更加广泛和深入的探究。

三是教师自身数据素养影响数据解读。“数据解读对于我们而言是一个难点，不管什么数据，你们（研究者）总是能够通过各种视角对数据进行解读，以挖掘各种可能，而我们老师在这方面的能力还很欠缺。”（T1）从数据到决策不是一蹴而就的，教师需要经历一系列信息加工。数据的使用涉及的核心过程是数据解读，并为下一步使用数据做好准备[16]。如何解读数据挖掘隐藏在其背后的丰富价值，将其转化成有价值的知识，从而促进教学决策改进教学实践，成为教师面临的重大挑战之一[17]。数据解读过程中，教师需要结合学生的其他数据，基于情境对数据进行解释、三角互证，这对于教师自身数据素养有要求，教师需要具备相应的知识、技能与情感[18]。因此，未来需要对教师进行数据解读所需知识、技能和情感，以及如何有效发展教师相关知识、技能和情感进行深入研究。

2. 教师采取干预行動面临现实困境

一是教师采取干预行动缺乏建设性建议与支持。目前，从数据到理解，再到作出决策，都是由教师以人工的方式进行。“如果系统能够再智能一些，为教师提供一些干预建议或者选项，教师就可以根据实际情况快速作出干预决策，而不是再花时间和精力思考如何进行干预。”（T8）可见，在为教师提供数据分析结果的基础上，需要为教师进一步作出决策提供支持，包括供教师选择改进实践的具体方法，以支持教师快速将分析结果转化为行动决策，例如，一旦发现学生出现了学习问题，系统会为教师提供若干干预建议及相应支持。因此，未来学习技术需要为教师基于数据采取行动提供支持[19]。

二是教师自身能力缺乏导致验证干预行动效果面临困境。数据驱动精准教学是一个循环过程，教师基于数据实施精准干预，实施干预之后需要进一步验证干预成效，然而教师缺乏相应能力。“验证干预成效对于我们而言有困难，需要确定前后对比的指标，需要确定通过哪些数据说明什么问题等，这些都不是我们擅长的领域。”（T10）此外，教师对于干预行动的进一步探究，往往需要人工进行数据统计分析与对比。然而，具体教学情境下如何选择恰当的数据统计方法等对于教师来说存在困难[7]。因此，未来需要就如何为教师验证干预行动效果提供支持进行深入研究。

[参考文献]

[1] 姬晓灿，成积春，张雨强.技术时代精准教学探究[J].电化教育研究，2020，41（9）：102-107.

[2] 郭利明，杨现民，张瑶.数据驱动的精准教学五维支持服务框架设计与实践研究[J].电化教育研究，2021，42（4）：85-92.

[3] 文青.精准与教学[J].开放教育研究，2021，27（4）：2.

[4] MOR Y， FERGUSON R， WASSON B. Editorial： learning design， teacher inquiry into student learning and learning analytics： a call for action[J]. British journal of educational technology， 2015， 46（2）：221-229.

[5] LIM L A， GASEVIC D， JOKSIMOVIC S， FUDGE A. Students' sense-making of personalised feedback based on learning analytics[J]. Australasian journal of educational technology， 2020， 36（6）：15-33.

[6] 姬晓灿，成积春，张雨强.技术时代精准教学探究[J].电化教育研究，2020，41（9）：102-107.

[7] 林书兵，张学波.教育数据解读的认知解密与技能解锁[J].开放教育研究，2021，27（4）：17-26.

[8] SCHILDKAMP K. Data-based decision-making for school improvement： research insights and gaps[J]. Educational research， 2019（11）：1-17.

[9] LUCKIN R， CLARK W， AVRAMIDES K， et al. Using teacher inquiry to support technology-enhanced formative assessment： a review of the literature to inform a new method[J]. Interactive learning environments， 2016， 25（1）：1-13.

[10] SCHILDKAMP K， POORTMAN C L. Characteristics of effective professional development in the use of data[C]//The annual American Educational Research Association conference. Toronto， Canada： AERA， 2019.

[11] AGUILAR S J， KARABENICK S A， TEASLEY S D， et al. Associations between learning analytics dashboard exposure and motivation and self-regulated learning[J]. Computers & education， 2021，162：1-11.

[12] SEDRAKYAN G， MALMBERG J， VERBERT K， JARVEL S， KIRSCHNER P A. Linking learning behavior analytics and learning science concepts： designing a learning analytics dashboard for feedback to support learning regulation[J]. Computers in human behavior， 2018，107：1-15.

[13] FLEUR D S， VAN DEN BOS W， BREDEWEG B. Learning analytics dashboard for motivation and performance[C]. International Conference on Intelligent Tutoring Systems， 2020： 411-419.

[14] WISE A F. Learning analytics： using data-informed decision-making to improve teaching and learning： maximizing student engagement， motivation， and learning[M]. New York： Palgrave Macmillan， 2019.

[15] MANDINACH E B， GUMMER E S. Data literacy for educators： making it count in teacher preparation and practice[M]. New York： Teachers College Press， 2016.

[16] BOUDETT K P， CITY E A， MURNANE R J. Data wise revised and expanded edition： a step-by-step guide to using assessment results to improve teaching and learning[M]. Cambridge， MA： Harvard Education Press， 2013.

[17] 張进良，李保臻.大数据背景下教师数据素养的内涵、价值与发展路径[J].电化教育研究，2015，36（7）：14-19，34.

[18] MANDINACH E B， GUMMER E S. What does it mean for teachers to be data literate： laying out the skills， knowledge， and dispositions[J]. Teaching and teacher education， 2016， 60：366-376.

[19] MARSH J A. Interventions promoting educators' use of data： research insights and gaps[J]. Teachers college record， 2012， 114（1）： 1-15.