在线教学中教师与学生教学关联度的影响机制研究——以学前教育一门在线课程为例

陈 雷

（宁波幼儿师范高等专科学校学工部、学生处，浙江宁波 315016）

一、引言

工业4.0 时代，基于“物联网+大数据”的云时代驱动着教学模式变革的全面提速，国内的教学态势正不断地实现迭代。2018年教育部发布《教育信息化2.0 行动计划》明确指出：“教育信息化进入2.0时代，应推动教师主动适应信息化、人工智能等新技术变革，积极有效开展教育教学，全面促进信息技术与教育教学的融合创新”［1］，在线教学逐渐成为教学活动常态。同时，随着2020年初突如其来的新冠疫情以及疫情在国内外的常态化发展，使得线上教学在国内外迅速发展并广泛应用［2］，从客观上促使在线教育越来越成为主流的教学手段。

教育领域蕴藏着具有广泛应用分析价值的海量数据，但受限于技术和环境等主客观因素，传统教育难以对教学过程中的语言、行为、状态等信息进行有效的采集与分析［3］，导致对传统教育环境下各教学模式的评判，普遍以专家主观经验进行分析，欠缺严谨性。而在云计算和大数据的助力下，在线教学过程中的教学数据、行为数据、言语数据、态势数据、视频数据等能够有效地被捕捉并保存至云端［4］，这些海量数据以指数规模的量级迅速增长。在这样的背景下，网络数据挖掘工具、学习分析技术、数据可视化等一系列大数据分析技术迅速发展，使得对在线教学过程中分析教学进程数据、师生行为数据、言语数据等具备了较强的可行性和客观性，将能多维度深层次地立体解析在线数据，以此研究教师教学行为与学生学习行为、学习成效的关联性与影响机制［5］，为教育教学决策提供有效的数据支持，并促进在线教育模式、教学形态、教学建构的进一步深度变革。

近年来，宁波幼儿师范高等专科学校大力推进省级双高建设，促使学校围绕着学前教育等高水平专业群建设进行各项改革，包括课程建设和教学质量改革，制定了以前沿技术作为支撑手段深化课程改革的评估策略，并且大力推进数字化改革和智慧校园建设。2021 年完成“宁师大脑”一期项目，该项目成为宁波市高校唯一入围全省教育系统数字化改革揭榜挂帅创新试点，信息化实践案例列入2021 年浙江省教育领域数字化改革50大实践案例；建成200余个公共分析大数据模型，包括完成教学质量诊断与改进信息化平台。学校通过该平台让数据发声，已常态化实现对各类线上和线下课程的诊断与分析。笔者选取2021 年疫情常态化期间宁波幼儿师范高等专科学校学前教育专业一门在线课程作为研究对象，通过运用教学数据诊断分析平台，基于网络数据、视频数据分析工具，采用多维分析手段，并以不同的在线教学模式作为研究对象，挖掘在线教学行为与学生学习态势的数据，以此来定位在线教学各种不同教学模式的特性、关联度和影响机制。

二、在线课程介绍及分析模型体系

笔者在本研究中选用的是宁波幼儿师范高等专科学校针对学前教育专业大二学生开设的“学前多媒体课件技术”课程，该门课程共包括：理论知识、图片处理技术、动画设计、视频制作、音频制作、多媒体课件设计、虚拟现实、Focus Sky等八大章以及32 小节。因2021 年下半年浙江疫情影响，本课程在线上进行授课，使用的在线教学工具是钉钉课堂、腾讯课堂、职教云等平台，其中腾讯课堂以教学直播为主，钉钉课堂以教学直播和研讨为主，职教云以教学资源发布、互动研讨、线上考试为主，开课时间为2021年9月20日至2021年11 月26 日，授课对象为2020 级学前教育专业学生，学习总人数为2128人。

根据在线课程的具体表现形式，采用大数据分析法、视频分析法和工具分析法，基于教师与教学对象的行为数据记录和分析［6］，以教师的言语、活动，教学对象的言语、实践、无意义行为等作为数据分析研究对象进行行为编码，聚焦13个教师行为和11个教学对象行为，作为行为序列分析的行为对象，具体的教师、学生行为编码如表1所示。

表1 教师、学生行为编码表

在运用大数据与学习分析对在线教学数据进行挖掘的基础上，计算分析教师行为和教学课程资源特性，挖掘教师与学生、教师与教师、教师与资源、学生与资源、资源与资源之间的关联性，分析学生的潜在教学需求，并依据合理的资源整合配置方案和推荐策略，深度解析在线教学中教师与学生教学行为的关联性和教学模式之间的差异，为教师的教学模式优化以及学生在线教学的个性化资源整合、教学推荐、个性交互、成长路径推荐等教学服务提供数据支撑。

图1为课题建构的在线教学行为分析模型体系，该架构在借鉴美国卡耐基梅隆大学教学数据分析模式的基础上，通过遵循“Naïve Bayesian Model”数据分析技术为支撑，规划并开发了在线教学数据三元分析体系，包括教学行为关联挖掘、技术支持的教学模式分析、教学模式与学习成效解析共三大部分。其中，教学行为关联挖掘是在线教学数据分析体系的基础，主要是针对教学过程中的教学数据、视频数据、浏览数据、感知数据以及其它数据来挖掘分析，通过数据分析集组件HPCA，面向解决方案的标签工具Rapid Miner，大数据学习分析工具Map Reduce 与下一模块相关联；技术支持的教学模式分析是体系的核心，主要是针对在以技术为支撑的不同教学模式下与各教学内容的关联度和影响态势的分析；教学模式与学习成效解析是该体系的终端要求，其数据分析是以区块数据、聚类/异类、序列规则、预测推演等作为分析手段，并采用K-Means，Apriori Algorithm，AdaBoost等数据迭代算法，其核心思想是将各教学功能模块的使用率与学员群体学习效果的相关性作为研究对象，针对同一个训练集训练不同的分类器，通过改变数据分布来实现，根据每次训练集之中每个样本的分类是否准确和总体分类的准确率，来确定每个样本的均值、权值，并以此来研究教学规律和关联度。

图1 在线教学行为分析模型体系

三、教学行为序列分析

该门课程的授课教师共有13位，这些授课教师的教学方式存在较大差异，分别体现在：以知识讲授为主、以实践演示为主、以启发式教学为主、以引导反思为主，其中以知识讲授为主的教学方式注重内容讲解和板书，以实践演示为主的教学方式注重课件演示和指导，以启发式教学为主的教学方式注重提问和布置任务，以引导反思为主的教学方式注重测评以及活动组织和管理。

在数据分析实践环节，基于“教学行为序列”要素框架体系，考虑采用关联序列分析法，通过运用文本编码、交叉引用的工具Nvivo，基于词典的文本解析工具CATPAC和LIWC，网络分析工具UCINET，以及统计与数据分析工具PYTHON 和SPSS，对显著性行为举动进行分析与研究。将与教师的任一种教学行为发生关联的学生具体伴随性行为，定义为一个行为序列［7］，并采用两种行为的组合编码方式，作为关联行为的研究对象。对教学过程中教师与学生相关学习行为数据通过K-Means 聚类和异类进行解析，以此进行数据逻辑匹配并构建在校教学中不同教学行为可能出现的协方差矩阵，输出交互数据集方阵，进行模糊指标的解析预测，并将多组数据结果进行反复求阶，取得预测结果的加权平均值，将此结果作为教学交互指标的评价结果。表2为在线教学行为序列频次表，其中“行”代表教师的行为，“列”代表紧接着该“行”行为之后发生的行为，是由“行”行为向“列”行为发生的转换，表2 中的数据代表两种行为所形成的行为序列的发生频次。

表2 在线教学行为序列频次表

通过表2 中数据可以得知，教师的“讲授”行为与学生的“疑问”行为连接紧密，同时与学生的“无意义行为”有着较大的关联性。这表明，在进行课程的传授时，教师过多的“讲授”行为是较为抽象的教学，该行为难以让学生深度掌握需重点学习的知识或技能，教师与学生产生有效的共鸣较为困难，学生在这个教学过程中会对所学习的内容产生大量的疑问，而且教学中单纯的“讲授”行为难以激发学生的学习热情，导致学生产生“无意义行为”是大概率事件。

表2 中教师“课件展示”行为与学生“自我实践”和“合作学习”行为在数据上体现出较强的耦合性，说明两者行为存在着较大的关联。这表明，教师通过“课件展示”行为能够将较为抽象的内容具体化，让学生深度掌握需重点学习的知识或技能，教师与学生在教学内容上产生有效的共鸣，从而激发学生对于所学知识的“自我实践”，并且与同伴就教师所展示的内容点进行研讨，从理论上和技术层面上实现有效的“合作学习”。同时，通过表2 中数据展示，教学层面中的“布置任务”数据与“自我实践”以及“合作学习”也有着较大的关联，表明通过“布置任务”，突破对课堂教学中重难点的理解，帮助学生理解知识内容，丰富教学活动，支撑学生开展自主学习、自主实践，使学生的学习效果得到有效的“自我实践”。

表2 中数据显示，在教学过程中教师的“指令”与学生的“研讨”有较大的耦合性，能够有效促进学生群体的思维碰撞、经验分享、自评和互评等能力的发展，并且教师通过“活动组织与管理”提升“研讨”的内容层次，极大地优化展示学生思维的变化，以及思维的深度与效率，使得学生能够实现与学伴的实时研讨、分享与协作；再加上教师“提问”与学生的“研讨”一直保持有较大的关联性，帮助学生不断调整学习思维与学习过程，提升学生参与课堂教学的积极性，并且扩大学生之间相互学习与交流的广度与深度。

从表2 中数据分析可得，教师在教学过程中的“鼓励或表扬”行为与学生的“自我实践”的数据频次较高，同时也与学生的“创新性行为”呈现出较为紧密的耦合性。这表明，教师的该教学行为对学生的学习在提高效率及深度理解方面起着极大的促进作用。同时，技术层面的正面引导等行为会深层次激发学生学习的兴趣与创新实践的灵感和能动性，从而创设更为丰富与适切的功能体验、习得以及迁移等情景。

教师单独的“布置任务”行为与学生“创造路径”呈现出较高的频次表明，通过创设丰富的内容实践和方法体验、习得和迁移等场景，并利用实践技术的场景化、数字化、富媒体化、多维度化等特征的支持，在多媒体课件技术的教学过程中有助于突破学习内容、实践技术的重难点，通过布置具体的实践任务来促进学生对实践技术的应用与课件技能的有效掌握，提升学生对方法的应用与迁移的有效指导，有效推进学生建立课程内容间的联系，提炼学科知识、技能方法等。

表2 中数据显示，教师在教学过程中的教学方式“板书”与学生的各类行为耦合性较小，但与“无意义行为”之间的数据呈现出较高的频次，“板书”与“无意义行为”具有较高的关联度。表明“板书”虽为传统的教学方式，但由于教学表现形式的枯燥和单调性，对类似于本课题研究对象的技术类别课程传授并不顺畅，在技术实践等教学困难会存在较大的障碍，有较大的概率会导致学生的注意力偏移，难以提振学生的学习兴趣，难以使学生在课堂教学中保持持续的专注度。

四、教学技术应用行为与理解程度相关分析

学前多媒体课件技术课程实践层面的内容主要包括以下五个方面：图片处理、视频设计与制作、音频设计与制作、动画设计与制作、控件与插件技术。在课程的具体教学进程中，授课教师会采取不同的授课模式，其中：基于技术的讲授、基于技术的引入、基于技术的互动研讨、基于技术的模式开发、基于技术的方法指导、基于技术的环境创设是频度较高的教学活动行为。以MapReduce数据驱动引擎作为多维教学内容数据的处理平台，构建大数据学习分析模型，通过执行Cassandra 决策树分析、Pearson 相关分析比对、逻辑回归等算法，对教学模式与教学内容理解度的相关性进行关联度分析，并针对教师信息技术应用能力维度的量级侧重分析，得到在线教学模式与教学内容相关度分析表，如表3所示。

表3 在线教学模式与教学内容相关度分析表

续表3

根据表3 中各教学模式与教学内容相关性的均值和相关系数分析可得，“基于技术的讲授”教学手段对各教学内容的学习效果具有普遍的成效，是效果较显著的教学模式；“基于技术的方法指导”的均值和相关系数数值最高，说明对这些方面教学内容的作用效果最显著，这是因为方法指导侧重于设计层面的思维方法和制作层面技术指导，比单纯“基于技术的讲授”的教学手段具有更高的理解力和实用性；而“基于技术的模式开发”和“基于技术的环境创设”在作用学习效果层面相较“基于技术的讲授”弱一些，但也处于较高水平，说明对实践技术的开发和虚拟现实环境下的实践对课堂实践具有显著的指导作用；“基于技术的引入”作用较微弱，因为课程内容的先期导入与技术实践的提升相关度较小，对学生技术实践层面的水平难以起到显著性提升；而“基于技术的互动研讨”与各教学内容无论是均值还是相关系数，都处于较低的数据水平，说明互动和研讨难以从技术层面有效提升学生对课程中的各具体实践内容的理解和把握水平，学生更需要的是教师从技术层面实实在在的演示和指导，因为对技术的掌握需要的是静下心来的沉淀和钻研，而不是大家相互之间的交流互动。另一方面，从表3 中数据可知，在教学内容层面，“控件与插件技术”“视频设计与制作”“动画设计与制作”这三个教学版块相比其它教学内容对技术教学的依赖度呈现较高的水平，它们与教学技术应用行为的均值和相关系数数值也相对较高，从中可以得出，对这三个教学版块的教学必须格外注重技术实践层面的引导、演示和思维拓展。

五、教学行为与学生学习效果的分析

针对教师教学模式以及信息技术应用能力维度的量级侧重，可将教师划分为以知识讲授为主、以实践演示为主、以启发式教学为主、以引导反思为主四种教学偏重风格，通过滞后序列分析法对HDFS 分布式数据系统的Flume 日志采集系统和Kafka 消息处理队列中教学数据进行抽取、收集、整合，并采用Apriori Algorithm 和AdaBoost等数据迭代算法，对不同教学偏重风格的教师在线教学与学生学习效果进行表征，挖掘在线教学模式与学习成效关联的规律，如表4所示。

表4 在线教学行为模式与学习效果分析表

续表4

由表4可见，“以知识讲授为主”教学模式中，侧重理论部分考试内容的决定系数（R 方）＞0.2处于作用区间，显著性检验t也具有较大的数值，相关标准误趋近于零，说明对理论方面具有明显的导向作用；但在检验对实践部分考试内容时，发现三项变量的回归系数显著性检验t都小于0，决定系数（R方）＜0.1，远远超出理想的适配区域（0.15-0.4），回归系数未达理想的区间，这三项数据说明，“以知识讲授为主”教学模式对实践部分测试效果提升在负相关区域，对实践方面的提升作用不理想，通过该种教学模式难以提升学生实践方面的学习效果。“成绩趋近相关”中的“零阶”与“容差”数值较大，特别是“容差”数值过大，与理想区间处于较为偏离的状态，对学生学习效果的整体提升作用较弱。

“以实践演示为主”教学模式中，侧重实践部分考试内容的决定系数（R方）＞0.4，远大于理想的作用区间（＞0.2），显著性检验t 也具有较大的数值，实践方面的相关标准误趋近于零，说明“以实践演示为主”对实践方面的提升具有明显的正导向作用，对实践方面的提升具有较显著的效果；但在侧重理论部分的数据表现方面，发现回归系数显著性检验t 都较小（＜2），决定系数（R方）＜0.15，小于理想的适配区域（0.15-0.4），这两项数据说明，“以实践演示为主”教学模式对理论部分具有提升作用，但作用较微弱，不明显，通过该种教学模式对学生理论方面学习效果的提升作用不理想。“成绩趋近相关”中的“零阶”与“容差”数值较小，趋近于零，处于较为理想的区间中，对学生技术实践操作层面的学习效果有较为明显的提升作用。

“以启发式教学为主”的教学模式中，侧重理论部分考试内容的决定系数0.4＞（R方）＞0.2，位于有效的作用区间，显著性检验t 也具有一定的数值（＞2），相关标准误位于0.01左右，处于较为理想的数值范围，说明“以启发式教学为主”对理论方面的提升具有一定的导向作用；侧重实践部分考试内容的决定系数（R方）＞0.4，远大于理想的作用区间（＞0.2），显著性检验t 也具有较大的数值（＞6），实践方面的相关标准误趋近于零，说明“以启发式教学为主”对实践方面的提升具有明显的正导向作用，对实践方面的提升具有较显著的效果。并且“成绩趋近相关”中的“零阶”与“容差”数值较小，趋近于零，处于较为理想的区间中，对学生整体层面的学习效果提升有较为明显的正向作用。

“以引导反思为主”的教学模式中，侧重理论部分考试内容的决定系数（R 方）接近理想数值（0.15），位于有效的作用区间，显著性检验t也具有一定的数值（≥2），相关标准误位于0.01左右，处于较为理想的数值范围，说明“以引导反思为主”对理论方面的提升具有一定的正导向，但作用不显著；侧重实践部分考试内容的决定系数（R 方）＞0.2，处于理想的作用区间范围（＞0.2），显著性检验t 也具有较大的数值（＞4），实践方面的相关标准误趋近于零，说明“以引导反思为主”对实践方面的提升具备有效的正导向作用，对实践方面的提升具有较显著的效果。尽管“成绩趋近相关”中的“零阶”与“容差”数值未趋近于零，但还算较小（＞0.1），处于较为理想的区间中，对学生理论和技术实践层面的学习效果提升都有正向作用，但对实践层面的提升作用更加显著，整体层面的学习效果还有进一步的提升空间。

六、结束语

通过上述对学前教育专业该门在线课程教师与学生教学行为一系列数据的挖掘与学习分析，可得出如下结论：1）调整该门学前教育在线课程的教学结构，单纯的“讲授”和“板书”内容不宜过长，须控制在一定的限度；2）该门在线课程的进程中，应注重开发设计“课件展示”模块，同时注重结合“布置任务”环节，以推进学生对课程的实践参与度；3）“互动研讨”对基于技术层面课程内容理解的提升作用不明显，故在这部分教学内容进程中，可以弱化该教学方式；4）注重在学前教育各教学实践模块中引入虚拟现实环境构建和技术的方法指引，发挥“基于技术的方法指导”和“基于技术的环境创设”教学优势；5）在该门学前教育课程的教学进程中，应注重运用“指令”与“活动组织与管理”的教学方式，同时考虑结合“鼓励与表扬”的手段，促进学生的深度理解；6）调整教学行为，注重推进启发式实践教学模式，有效提升该门课程理论层面和实践层面的教学成效。

如何有效提升学前教育专业技术实践类在线课程的吸引力和教学成效，不能仅凭课程开发者或课程建设者的主观意愿和想法，而应该让数据发声，让教学模式从数据层面来反映教师与学生的学习行为和学习态势［8］，这样才更加科学合理和客观有效。笔者在本研究中从教学行为建模、技术指导课程等层面实现对在线课程中教师与学生教学行为态势影响机制的数据量化与分析，并探索了在线课程教学模式与学习成效的关联度和相关关系，揭示了该门在线课程的教学现象与教学模式特性，期望能对其它在线课程的教学数据分析有一定的借鉴作用。上述应用教学数据挖掘分析的结论，为该门课程的在线教学今后的优化提升提供了数据支撑，期望同时对其它技术实践类课程的在线教学也具有参考作用。实际上，教育数据挖掘和学习分析在教师和学生在线教学中的研究还应该从更多维度进行延伸，包括在线教学后学生行为的发展、个性化教学资源推送、个性化学习路径导引、虚拟技术实践、教学多维模型创设、在线教学测评等［9］，而这些数据分析应用层面的进一步推进，将有助于在线课程教学模式的提升以及教学平台的深层次拓展。