数据驱动下精准思维在教学中的应用路径分析

张环 孙海霞 西藏民族大学信息工程学院

教育信息化普及推动了教育大数据的产生，数据成为深化教育改革和创新的新要素，如何将海量多样化、碎片化数据转化成能指导教学的有价值信息是一个亟待研究的课题。精准思维强调对准焦距，深入细节，准确分析，有针对性解决问题，自党的十八大以来已延展到社会方方面面，成为治国理政的科学思维方式与务实工作方法之一。[1]“数据+精准”的结合模式已广泛应用于社会各领域，因此利用数据分析实现精准思维与教学的深度融合，探索数据驱动下精准思维在教学中的应用路径，使数据成为精准教学的支撑点，有助于挖掘本质的教学规律与学习规律，提升教学效果与人才培养质量。

一、教育大数据与精准思维

近年来，大数据分析技术与精准思维的结合被广泛应用于政务、商业等领域，其分析结果的精准性为教育教学变革提供了思路。《教育信息化2.0行动计划》指出积极推进“互联网+教育”，坚持信息技术与教育教学深度融合的核心理念，《中国教育现代化2035》提出加快信息化时代教育变革的任务，要求实现规模化教育与个性化培养的有机结合。[2]在此背景下，线上线下混合教学模式得到了迅速普及，网络教学平台的推广产生了大量的教育数据信息，教育大数据在教育教学中的应用价值也逐步被发现。数据驱动下将精准思维应用于教学全过程，拓展了传统精准教学的外延与内涵，使之更契合信息时代的需求，通过深度挖掘数据本身所蕴含的价值，以量化后的数据为教学提供客观依据，使其朝精细化、精准化方向发展，催生了技术赋能的新型教育形态。[3]数据分析技术为精准思维提供了技术支持，精准思维在教学中的应用实现了教育大数据的价值，两者相互依存与促进。

二、数据驱动下精准思维在教学中的应用路径

本文聚焦于数据驱动下精准思维的应用路径分析，在精准思维指导下应用数据采集、学情分析与个性化推荐技术辅助课程教学改革，将其深层渗透到教学对象分析、教学目标确定、教学过程规划、教学评价与反思当中，并以我校某班《大学计算机文化》课程为例，对学习数据进行分析与展示，以数据为驱动，以精准为主线，构成一个互融互促、循环迭代的应用体系，辅助完成精准的教、学、评。

（一）精准分析教学对象，构建学生画像

教学对象的精准分析是精准思维在教学应用中的基石，教学中仅依赖教师经验的学情分析，无法精准把握学生的学习习惯与知识能力信息。基于以学生为中心的教育理念，采用数据分析方法构建学生画像，建立班级整体画像、学生个体画像与学生群体画像，生成可视化学情分析报告，能真实客观地反映学习者特征，实现主观经验判断认知方式向精准认知与定位的转变。这里需要注意的是学生画像不是一层不变的，除基本信息外，学生的行为能力、学习能力等信息需根据学生学习过程中不同阶段的数据信息及时修正与动态更新。

（二）精准确定课堂教学目标

精准教学目标的确定是课堂教学的起点，教师通过学生画像掌握班级整体水平与学生已有基础，以学生信息为本，以教学大纲为依据，合理设计、精细划分，精确描述学生需要掌握的知识技能目标，设置匹配度高、相关性强的课堂教学目标体系，使之契合班级实际。数据驱动下的精准目标确定首先应从总目标出发，根据教学内容，按照知识脉络，层层梳理，逐级细化与量化，系统地将学习内容划分成一个个小目标，预设可达成的分层教学目标，建立与学生画像精确匹配的逐级推进目标树，然后编制课前学习任务单，将知识阶段化、模块化和任务化，针对每级目标对应知识点建立匹配的教学资源，以满足后期个性化资源推送需求，最后按照学生对层次目标完成情况动态更新学生画像，调整与修正预设目标，最终确立课堂教学目标。这里需要注意的是目标树的确定必须是可量化的，实际操作中可以通过设定问题的形式将“掌握”“了解”等弹性较大的模糊概念转化成可量化可考核的目标，让精细化、精准化目标替代笼统的教学目标。其次教学目标在满足大纲要求的基础上，应坚持以学生为中心，符合个体发展需求，使目标的“精”体现在符合学生个性化特征及认知规律，应确保各层次学生均能按照自身的认知能力开展学习活动，学生通过努力能达成预设目标，实现螺旋式上升。

（三）精准规划教学过程，创新教与学

精准规划教学过程是实现精准目标的手段，是精准教学的核心环节，以学生画像为依据在充分了解学生学习能力的基础上，尊重个体差异性，基于先评估后教学的理念，综合考量教学中的各要素，创新教与学。

1.课前差异检测，精准导学

课前发布学习任务单，形成课程任务链，使学生明确教学目标，引导学生通过教学平台交互学习。课前任务应具体明确且量少而精，注重与后续教学活动的链接，有一定的思想深度，可在课件中内嵌问题或导学测试等方式将自学与自测相结合，然后通过学生的学习数据分析结果，依据前期制定的分层目标，智能匹配与其能力相当的学习任务，差异化推送学习资源以适应学生能力需求，提高内容与学习者的适配度，使学生能按照自己的节奏与认知，主动、有效地开展个性化学习。其次同一内容可推送多个版本的资源供学生选择以提高学习兴趣，自学中的问题采取线上讨论或单独辅导的形式及时交流反馈，增强答疑解惑的时效性。教师最终可根据完成率、正确率、参与人数及错误学生等信息，预判学生对本次知识点的掌握程度，在明晰课前学情与学生知识薄弱点的基础上重新调整课堂教学重难点，进行二次备课，提升备课精准度。

2.课中精准设计教学活动，以学定教

以课前导学为切入点，在数据支持下以学生反馈的真实情况精准选择符合授课对象的课堂教学模式，设计逐步递进的情境与任务，制定与之匹配的教学活动。教学应重点围绕课前检测中暴露的问题及重点学生有针对性开展教学，与学生形成共鸣，使其积极主动参与课堂教学活动。如对于正确率高（70%以上）的知识点采用问题引领—自学提升—微测—总结的形式，以知识延展为主；对于正确率中等（40%-70%）的教学内容可适当缩短教师讲授时长，精讲重难点后，以微课自学—互动展示—答疑—微测—总结为线索展开；对于正确率较低（40%以下）的模块则以讲授—讨论—微测—总结为线索，其中讲授以知识梳理与整合为主，鼓励学生之间相互协作，实现知识内化吸收。三种方式中均设置了微测环节，有助于教师通过反馈数据精准诊断课堂学习效果，以实时动态的数据分析结果及时调整教学策略，以多变互动的高效课堂实现深度互动与个性化学习，使课堂教学变为“教学—评估—再教学”的过程，实现精准教学与精准引导。

3.课后作业精准推送，有效干预

课后环节注重作业的导向与激励功能，以知识的巩固、升华、拓展为主。与传统作业不同的是班级学生的作业不再是统一的，而是根据学生个体画像或群体画像，在兼顾教育公平与个体差异的基础上依据能力层次精准设计作业内容，以递进性与可选择性为原则，设计基础+进阶（难度适中，以应用为主）、创新+拓展（注重前沿知识在深度和广度上适当拓展，以激励深层次探索为主）等形式的作业，然后依据学习报告单，由浅入深精准推送学习资源和测试题目，使不同层次的学生解决与之能力匹配的拓展延伸任务。传统教学中一般认为分数相近的学生认知水平和知识掌握程度大致相同，这样的评估是不精确的，通过大数据分析可能发现他们虽然分数相同但薄弱的知识点却完全不同，数据分析结果为课后个性化作业和针对性训练提供了科学依据，通过数据挖掘可以精准知晓每个学生学习中存在的问题，制定适合的知识强化清单，推送其知识薄弱模块的题目与资源，有助于学生查漏补缺，保证学生问题的准确性和训练的针对性，将碎片化知识整合构成知识体系。

（四）精准评价与反思，确保目标达成度

在传统评价中，教师往往根据自身的教学经验进行判断，这种方式依赖于教师的专业水平，容易造成主观偏见。相对于传统教学中形成的五级评价或分数评价，数据支持下的精准评价能将不同种类、不同维度、不同时间的数据关联起来综合分析，构建学生画像，更加实时高效。数据驱动下的精准评价采用内容分析、学习分析等方式生成分析报告，准确诊断学生对知识的掌握情况，及时指导修正教学，能充分发挥评价体系的诊断与促进功能，使评价贯穿于课前、课中、课后全过程。课前通过任务单的完成情况分析出学生对知识点的掌握情况，以此调整后续教学方式与进度；课中评价为随堂评价，通过微测环节推送资源库中与知识点匹配的考核题目，根据学生的答题速度与正确率，实时了解动态学习效果，为随堂调整教学策略提供依据；课后通过分层作业、单元测试等数据定位学生的共性与个性问题，以此调整辅导策略，共性问题集中讲解，个性问题单独辅导，同时学生也能根据可视化学习报告，明确自身不足，有针对性选择学习内容以实现精准的教与学。以数据分析结果了解学生学习情况，不再局限于成绩或对错，通过平台日志文件能梳理学生的解题思路，估算教学效果，分析学生各个阶段的学习行为，为综合评价及教学反思与干预提供数据支持。精准评价保障精准教学，而教学数据支撑精准评价，以循环迭代确保目标达成度。

(五)精准科学的可视化数据展示

应用大数据技术构建学生画像是将学生行为轨迹中的关键节点转化成数字信息，按照不同属性特征与数据类型，从多个维度对学生信息进行提取，最后利用可视化技术以标签化的形式展示学生特征。学生画像的构建流程分为三个步骤：第一步，明确构建目标，确定学生画像的属性特征。一般可以将特征分为基本信息（生源地，年龄，性别，专业等）、学习行为信息（出勤，学习时长，活动参与度等）、学习能力信息（测试、考试、作业成绩，竞赛参与等）三大类，教师可根据实际需求制定每个大类下的属性特征，以此确定后续采集数据的维度。第二步，学生数据的采集、预处理与存储。数据采集是学生画像构建的基础，被采集数据包括学生基本数据、学习平台数据、课堂学习过程数据等，采集结束后对其进行预处理，形成学生画像数据仓库。第三步，构建学生画像。利用数据处理与分析手段完成定量分析与定性分析，针对不同应用场景，选取相关属性值与数据字段信息，依照具体需求进行整合，将学生学习行为与学习能力以直观易理解的图形图像展示，为教师优化教学提供依据。

抽选4名学生教学平台中的综合数据建立个体画像以雷达图展示进行差异对比（如图1所示），可看出旦增某某综合表现差，进行针对性教学后，将4次考核数据趋势以组合图展示（如图2所示），能直观反映出旦增某某学习成绩有所提升，但仍低于班级平均线，后期应继续作为重点关注对象，董某某课前视频学习与课件学习参与度低，学习情况位于全班中等水平，应注重提高其学习自律性与主动性。为了识别班级学生群体的能力特征辅助学生分层分类，对学生数据降维后采用K-means聚类算法，把数据集里的相似数据进行分类，通过对聚类数量K值多次尝试后发现，K为4时最为合适，绘制学生群体散点图（如图3所示），最后根据聚类结果对4类群体的特征进行分析，得到描述群体能力、行为等特征的群体画像标签以支持对不同群体进行制定差异化教学策略与分层作业设计。

图1 学生表现差异对比

图2 考核成绩趋势图

图3 K-means算法聚类结果（K=4）

三、结论与建议

虽然教育大数据蕴藏价值高，但挖掘与应用在理论与技术上还存在难题。精准思维在教学中的应用以数据为支撑，精确的数据采集与分析是其成功的保障。数据采集内容应包含学生课前、课中及课后的全过程行为数据，现阶段课前、课后数据采集多依托于从网络教学平台的日志中提取反映学习者学习过程和结果的动态数据，监控学习者的情况，已日趋完善，但课堂内的数据采集主要还是依赖于课堂小测试、限时问答等形式，学生听课状态、学习兴趣等学习行为数据采集难度相对较大，后期应加大智慧教室的构建力度，在不干扰学习和伦理允许的条件下利用智能传感器、可穿戴设备等自动获取线下教学中学生的学习行为状态，以健全教学数据的完整性，为调整改进教学策略提供更科学的依据。同时学校应加强配备合适的教学平台，将分散在各部门的教育数据有效整合，依托智能化技术手段统一管理并给予教师数据信息服务与技术支持，能自动定位与快速匹配教师需求，生成学情分析等可视化报告，为教师在数据采集与分析上减负。

信息时代利用大数据技术将精准思维应用于教学，是技术与教学的融合，是技术赋能下的教学结构的变革。它以学生为中心，以数据为驱动对教学过程与学习行为精准分析与评估，使其可监测可量化，辅助教师精准掌握每个学生的情况以做出精准教学决策，最终提升教学效果，释放教育大数据潜在价值。需要注意的是教学中的各环节各要素是一个动态发展的过程，应注重各阶段之间的融合与促进，根据实际情况及时调整，不断更新完善以优化教与学。