基于数据分析的混合式教学模式研究及应用

韩萌

关键词：混合式教学；关联分析；教学反馈

1概述

研究者提出教育理念从“知识本位教育”转向“能力本位教育”（Competency Based Education，CBE），即要做到“知”和“行”的統一。因此如何保持教师教授知识和学生理解、使用知识二者之间的平衡，成了大学教育需要考虑的难题。在“互联网+”环境下成长起来的新时代学生获取知识的途径已不再局限于传统的课堂教学。面对日新月异的网络技术，教育者与学生应如何应对这些改变，教学方式该何去何从，是当今教育界关注的重点问题[1]。MOOC、翻转课堂、SPOC等成为当代大学教育使用的常规教学手段，混合式教学成为“互联网+”时代背景下最合适的教学方法之一。这类方法可以共享优秀的教学资源，提供友好、实时的在线互动等。需要注意的是，线上教学无法完全替代课堂教学，因为它缺乏的是面对面的深度讲解与引导。经过多年的教学实践，尤其是在疫情防控期间，证明了仅依赖线上教学的效果并不十分理想。那么，教师如何充分利用在线教学的优势以及如何充分发挥自身引导作用，已经成为大学教育者应该关注的事情。在此背景下，混合式教学（BlendingLeaming）的概念应运而生。

所谓混合式教学，就是要把传统学习方式的优势和E-Learning（数字化或网络化学习）的优势结合起来。换言之，既要发挥教师引导、启发、监控教学过程的主导作用，又要充分体现学生作为学习过程主体的主动性、积极性与创造性[2]。混合式教学是学习理念的一种提升，它会引导学生改变认知方式，也会改变教师的教学模式、教学策略等。这种改变不仅是形式的改变，也是在分析学生需要、教学内容、实际教学环境的基础上，充分利用在线教学和课堂教学的优势互补来提高学生的认知效果。

混合式教学法通过整合在线学习与传统课堂学习的双重体验，以满足教师因材施教、学生个性化学习的需求，从而提高教学效果。近年来，越来越多的教师研究混合式教学模式。比如，基于混合式教学法的商务英语翻转课堂教学[3]，通过整合在线学习和传统课堂优势，凸显学生主体个性化需求的特点，挖掘学生自主学习潜能，同时提高学生英语综合能力和终身学习能力：对混合式教学模式在在线辅修专业中的应用进行了探讨和分析，阐述了在线辅修专业中应用混合式教学法的意义，并尝试对混合式教学模式体系及分析模型进行构建，旨在通过构建体系，对在线辅修专业开展混合式教学活动提供指导建议：构建基于移动终端的英语混合式听说教学模式[4]，整合以教师为中心和以学生为中心教学的优势，强调学习者的认知主体作用，探索如何将移动技术应用到英语听说教学中，构建移动终端下英语混合听说教学模式；在高校思政课教学效果欠佳的背景下，基于SPOC的高校思政理论课混合式教学模式改革方法[5]以慕课为基础，采取线上教学与课堂面授相结合的混合式教学模式，可以使网络教学与课堂面授优势互补：“机械制图”课程多元化混合教学模式[6]阐述了教学内容和教学环节的合理设计、大数据网络平台的应用、理论教学与实验教学的融合、多媒体教学与传统教学的混合应用等多元化方法，可以提高教学质量和教学效果：基于产出导向的大学英语混合式“一流课程”建设研究[7]提出了一些具体方法和有效策略，即以输出为驱动的教学目标、以主题为中心的教学内容、以翻转课堂为主的教学方法、以“多元”为特征的教学评价、以“金师”为目标的教师队伍建设五个方面。

经过研究者分析不同区域和类型的地方本科高校教师教学发展特征，可以得到结论：地方本科高校教师教学发展呈现整体发展不充分、不均衡以及东部、东北部地区整体发展水平优于中西部地区[8]。我国高校以胡焕庸线为界，总体上呈“东南多、西北少”的特点，但近年来西南地区的高校发展较快，高校重心有向西、向南发展的态势[9]。

针对西部民族高校的学生少数民族多、多来自西部偏远地区等特点，研究使用“慕课+移动端APP（如学习通、Educoder平台）”的移动学习方法，即学生可以在PC端和移动手持设备（如手机、平板电脑）的帮助下，能够在任何时间和地点进行学习。通过对网络化学习过程数据的分析挖掘，为教师的教学方法提供反馈和修改意见，旨在不断完善计算机专业课程教学模式和方法，发挥学生自主学习潜能和个性特点，培养民族高校学生的计算机专业课程综合应用能力与自主解决问题的能力。

2教学模式研究

2.1基于数据分析的混合式教学模式设计

传统教学方式是“以教学为中心”，而混合式教学模式强调“以学生为中心”。这就要求教师不仅关注“如何教”，更要关注“学生如何学”。基于三步循环的混合式教学模式如图1所示。第一步，教师提前推送基于“慕课+学习通”学习平台的教学资料；第二步，学生使用学习平台，按照教师布置的学习任务，进行课前、课后的自主学习；第三步，教师在授课的过程中使用学习平台，随时提出问题，且在课堂中留出时间由学生讲述学习任务的解决方案，由学生及时回复，增加讲授的互动。整个循环过程中产生的学习数据会通过大数据挖掘技术进行分析，拟使用模式挖掘技术来挖掘学生学习的感兴趣程度不一的模块与内容，挖掘学习过程与成绩结果之间的关系，为教师教学提供反馈，以学生学习为中心调整教学思路。

整个混合式教学过程具体设计思路如图2所示。以计算机专业课程——“密码学”为例，首先基于“慕课+学习通”模式开发的平台，教师提供以加密算法为知识点的课件、音频、视频和学习资料。接着，学生可以进行课下学习，使用平台内资源进行课前预习或课后复习。有了前两步工作的支持，在教学课堂上，教师讲授知识或回答学生的疑问，学生回答教师提前要求回答的问题。同时，采用“慕课+学习通”模式开发的平台进行教学，教师可以随时抛出小的问题让学生讨论，增加教学互动。学生课下可以使用平台完成作业、讨论和撰写实验内容。最后，对学生的学习过程数据进行大数据分析，从而向教师提供反馈。

2.2基于数据分析的混合式教学模式研究

智能化学习平台可以满足教师按照自己思路设计的个性化教学需求，学生则可以随时随地完成教师布置的分层次闯关练习。教师提供的优质教学资源也可以使学生按照需求预习与复习。整个平台以课程层次建设为核心，以学生自主性学习为导向，集成了在线课程学习、师生互动、在线答疑、数据分析、教学管理等功能。

在教学过程中使用基于“慕课+学习通”的智能化学习平台，可以构建课程资料片断。以“密码学”课程为例，主要包括两大类型的资料。第一类是以知识点、章节和课程为不同层次的资料设计，具体而言有：（1）以知识点为片断的“PPT+音频／视频”的录制。例如，以每个加密算法为一个知识点；（2）以知识点为片断的练习题目设计；（3）以知识点为片断的讨论题目设计；（4）以章节为片断的测试题目设计；（5）以章节为片断的学习资料设计；（6）以章节为片断的实验实践题目设计；（7）课程内容相关参考文献推荐。第二类是针对不同学生的学习能力设置不同难度等级的资料，拟设计出具有“难一中一易”三个等级的题目。同时，为不同难度等级的资料设置不同的分值，可以让学生按照自己的能力选择适合自己的题目。

2.3以学生为中心的混合式教学课堂研究

混合式教学主要从保证课堂有效交互和提高学生课后学习主动性两个方面实现以学生为中心的教学。

2.3.1保证课堂有效交互

首先，教师在讲授知识的过程中应具有亲和力，随时关注学生的学习状态。其次，教师对学生提出的疑问要及时反馈。再次，教师要注意对不同层次的学生安排不同的学习内容，并要求学生在规定的时间内讨论并解答。最后，教师应安排具有不同难度等级的课后学习任务，让学生自由组队，自由选择任务难度等级，并在下次课内讲解。

2.3.2提高学生的课后学习主动性

为了提高学生学习的主动性，教师在课堂上使用学习通随时提问，学生快速讨论并及时给出回答：给出充足时间，让学生讲解上次课程内安排的学习任务，教师补充，其余学生讨论。

为了进一步补充课内知识，增加学生对密码学相关内容的了解，教师可以安排章节线上测试环节，客观题题目内容以基础的课内和课外密码学知识为主，主观计算题以课内讲授知识为基础，适当增加难度。线上测试应限定时间，但允许学生讨论、合作完成。在这个过程中，学生间会相互合作、配合，积极讨论，从而完成测试，整个测试过程紧张、高效，提高了学生解决难题的能力。

2.4基于关联分析技术的教学反馈研究

由于使用了智能化学习平台，因此可以获得学生学习过程中的各类测试、讨论、阅读等数据。使用数据挖掘技术对学习过程中产生的大量数据进行分析，可以根据学生的实际情况调整课程的设计思路以及模块内容的划分设计。具体而言，教学中使用模式挖掘技术找到学生学习过程中访问频度较高和较低的学习片段，可以大致分析出学生对哪些知识片断感兴趣。由此，教师可以调整相关教学内容扩展知识，或调整讲解方法，从而不断提高学生的学习兴趣。此外，教师还可以通过对练习题、测试题、讨论内容等数据的分析，确定学生学习的短板，从而调整讲授内容。

3基于三轮教学过程的数据分析与反馈

3.1各类成绩比较

首先，给出学生在三年内到学习平台进行学习的次数统计，如图3所示。

从图3看出，上课时间（包括实验课）进行练习和讨论时达到学习高峰。每年约80名学生学习访问平台的次数约2万次。

图3横轴表示时间，纵轴是访问次数。从学习访问次数可以看出，在上课之前有少部分学生预习。在完成作业书写或章节测试时访问次数较高。最高的学习积极性出现在期末考试前几天，考试结束后访问次数趋于0，符合一般的学习规律。每年的教学中会出现部分学生的学习次数很高的情况，这说明这部分学生的学习主动性更强，同时存在学习主动性不足的学生。

2020年，学生作业、实验和期末考试卷面成绩整体分布如表1和图4所示。2021-2022年，学生整体作业、实验成绩、章节测试和卷面成绩的人数分布如表2、表3和图5、图6所示。表1中第一列表示分数段（按照常规划法设置为五段），第二列为作业成绩分别对应的人数，第三列为取得实验成绩的人数，第四列为卷面成绩分别对应的人数。为了近一步提高学生的成绩，2021年和2022年增加了章节测试。由于每年的学生人数略有不同，因此图中采用百分比形式。為了提高学生课下学习的主动性，2021年和2022年安排了章节线上测试。根据线上测试，学生能按时完成每份试卷，且成绩偏好。每份试卷中超纲的题目大约30分，完成状况不太理想，这表明部分学生缺少主动扩充知识面的积极性。

为了纵向对比三年的成绩，将从作业成绩、实验成绩、章节测试（两年比较）、卷面成绩四个角度进行比较。从整体表现来看，学生在三年的教学过程中表现都较好，可以很好地完成作业，成绩偏向良。2020年和2021年，学生的实验成绩较好。2021年，实验成绩较差的一部分理由在于教师在实验安排中增加了实验难度。2022年增加了头歌平台，相较而言，学生比较喜欢以此方式完成实验，并且认为头歌平台的题目比较简单。从整体考试卷面成绩来看，2022年的成绩最优，其次是2020年，而2021年的成绩略差。

通过三年的教学，可以得出的结论是：（1）学生在学习的过程中比较认真，能够积极主动完成教师安排的任务；（2）学生的数学底子较差，在学习“密码学”课程的过程中存在信心不足的现象；（3）学生对教师重点讲述的内容吸收较好。但是，对于自学补充内容以及综合设计内容的掌握程度较低。

以上数据反映了西部民族学校中大部分学生学习认真努力，但个别学生底子薄，自学能力略差的情况。

3.2采用FP-growth方法进行平时成绩与卷面成绩关联分析

关联分析是指从大量数据中发现项集之间的关联和联系。关联规则挖掘需要考虑两个步骤：一是使用模式支持度（support）挖掘所有频繁模式；二是使用置信度（confidence）找到所有规则。频蘩模式挖掘中使用的关联规则的形式为X—Y（support，confidence）。给定一个包含n条事务的事务数据库D，支持度（support）是D中事务同时包含X和Y的百分比，即概率；置信度（confidence）是D中事务在包含X的情况下包含Y的百分比，即条件概率。如果满足最小支持度阈值和最小置信度阈值，则认为关联规则是有效的。

FP-growth算法需遍历数据集合两次，因此执行更加高效。第一次遍历数据库，系统会对所有数据的出现次数进行统计，去掉不符合最小支持度的数据。第二次遍历只考虑频繁出现的数据，对频繁数据进行过滤排序操作，然后构建一颗FP树，将所有数据集储存在FP树中。在有了FP树之后，就可以根据树中的数据来选择频繁项集或频繁项对，用条件模式基来构建条件FP树。在有了条件FP树之后，就可以利用递归查询频繁项集。通过不断地增加数据来重复进行递归查询，直到FP树只包含最后一个元素。

本文将采用FP-growth算法挖掘分析平时表现和考试成绩之间的关联分。首先，找到作业、实验和章节测试与期末考试之间的关联规则。然后，按照“支持度，置信度”对挖掘出的关联规则排序，取最好的10组规则分析结论，

3.2.1预处理

将作业、实验和章节测试成绩进行分段处理，采用不同标识表示，如表4所列。其中，实验成绩以数字“1”开头，“12”表示该生实验成绩在60 -70，“22”则表示该生作业成绩在60-70分。

3.2.2关联规则挖掘

使用具有约束的FP-growth算法找到所有包含卷面成绩的频繁模式，即找到哪些实验、作业成绩与不同卷面成绩关联程度高。按照排序原则，得到最好的5个关联规则，如表5所列。其中，第一列为年限，第二列数据来源是卷面成绩低于60分的学生的各成绩表现。由于卷面低于60分的学生人数较少，第三列分析了卷面成绩低于70分的学生的各成绩。

以2022年成绩为例，挖掘出的第二列值“2341”，满足支持数为5，置信度为0.36。这表明由于实验成绩<80分，导致卷面成绩<60分，一共有5个学生满足该条件，该规则的可信度为36%。但由于人数较少，所以分析出来的结果不够可信。第三列值“13，33＝41”，满足支持数为11，置信度为0.55。这表明由于作业成绩和章节测试成绩<80分，导致卷面成绩<60分，一共有11个学生满足该条件，该规则的可信度为55％。

3.2.3分析结论

通过分析2020-2022年卷面成绩<60分的学生的平时表现与卷面成绩数据，大概得到2000条规则（每年）；从成绩60-70分的学生数据中大概得到30000条规则（每年）。通过对以上关联规则进行分析，可以得到的结论是：较差的作业成绩与卷面成绩不及格之间的关系最紧密：实验成绩较差与卷面成绩较差之间的关系也较为紧密；而章节测试成绩对卷面成绩影响较小。

因此，教师在今后的教学过程中要重点关注学生的作业质量，适当让学生增加作业内容复习次数，以提高考试成绩。

3.3采用FP-growth方法进行章节学习情况与卷面成绩关联分析

为了确定章节学习情况对卷面成绩的影响，本文进一步分析了章节学习与卷面成绩之间的关联规则。“密码学”课程中重点章节内容包括五部分，即古典密码、数学基础、序列密码、分组密码和公钥密码。本文以章节为划分依据，其中作业成绩占60%，测试成绩占40%。通过三步可以得到章节学习与卷面成绩之间的关联规则。

3.3.1预处理

将每个章节和卷面成绩进行分段处理，采用不同标识表示，具体值如表6所列。例如，序列密码以数字“3”开头，“32”表示该生序列密码成绩在60-70分。

3.3.2关联规则挖掘

同样使用具有约束的FP-growth算法找到所有包含卷面成绩的频繁模式，即找到哪些章节成绩与不同卷面成绩关联程度高。按照排序原则，得到的最好的5个关联规则如表7所列。

3.3.3分析结论

通过分析2020-2022年卷面成绩<60分和成绩在60-70分的学生的章节学习情况与卷面成绩数据，可以得到的结论是：2020年，“序列密码”和“分组密码”的成绩较差会导致成绩不及格的可能性最大：“古典密码”没有学好会导致成绩在60-70分。2021年，“序列密码”和“分组密码”的成绩较差会导致成绩不及格的可能性最大：“数学基础”和“序列密碼”没有学好会导致成绩在60-70分。2022年，“分组密码”成绩较差会导致成绩不及格的可能性最大：“数学基础”和“公钥密码”没有学好会导致成绩在60-70分。

因此，教师在今后的教学过程中要重点关注“序列密码”和“分组密码”两个章节的教学，以补齐教学短板，从而提高学生的考试成绩。

4结束语

考试试卷共有3类题型，即选择题、简答题和综合应用题——选择题共10题，计20分：简答题共5题，计25分；综合应用题共9题，计55分。其中，选择题和简答题主要考较为基础的概念和计算，偏向基础知识考核：综合应用题主要考加解密的设计和计算过程，以综合分析与设计能力考核为主。整体上，试卷题量偏多，其中计算题目约80%，难度偏高。通过三轮考试对比，学生卷面成绩第二年略差，第三年较好。在第二年和第三年的教学过程中，安排了章节测试，且测试时增加了30分的扩展知识，也更加强调分析和计算能力。但是，由于第二年考卷中安排的综合应用题难度较大，使得学生的分值略低。

根据最后的期末成绩分析可以看出，采用基于“慕课+学习通”智能化平台的学习方法，以及实施混合式教学方法，能在课内明显提高学生的学习积极性和参与感，使得大部分学生对“密码学”这门较难课程的学习更加有信心，也愿意付出努力来学习此课程，最后取得较好的成绩。

通过整个混合式教学实践，得到了以下结论：第一，需要激发学生学习主动性。基于智能化学习平台的学习方式使信息技术融入教学，能够激发学生的学习兴趣，提升学生的主动性。第二，需要提高课堂的互动性。混合式教学设计使学生与学生之间、学生与教师之间可以增加互动和交流，大大提升课堂学习效率。第三，需要提升课程内容设计的合理性。通过大数据挖掘技术对混合式教学过程中产生的大量数据进行分析，可以根据学生的实际情况做出反馈，从而调整课程设计思路以及模块内容划分思路。