高校软件工程专业学情分析与对策研究

李代伟 张海清 唐聃 于曦

摘要 信息技术的不断发展对高等院校人才技能培养提出了新的挑战，如何激发学生高效地学习专业技能，探究优良的学习行为模式具有重要的研究意义。本研究基于高等院校的软件工程专业，从认知因素、非认知因素及个体学习观念差异三个角度，研究了学情分析和影响学情分析的因素指标。为了对学生的群体学习特征进行分析，文章对软件工程相关专业的1706条学生的行为数据进行聚类，得出结论：学生对所学专业满意度、参加课外活动的情况及课程作业完成情况对聚类具有决定性作用；学生成绩对聚类并无显著影响；学生成绩的直接影响因素是学习效率而非学习时间。

关键词 学情分析；新兴信息技术；专业满意度；学习效率

中图分类号：G642文献标识码：ADOI：10.16400/j.cnki.kjdk.2023.9.022

软件工程技术是工业4.0时代最需要学习的专业技术之一。工业4.0新的战略计划无疑对软件工程人才培养提出了挑战。企业除了需要Java、C、C++及Python等高阶程序设计语言来整合新旧平台和系统的人才外，更需要掌握高效设计人机互动接口、前沿的数据可视化应用技术、先进得机器学习和人工智能理论技术以及“数字孪生”等技术的人才。如何能激发学生高效地学习软件工程技术以适应我国工业4.0时代的人才培养策略，同时准确地分析学生的学习动机和学习行为，提出有效的前沿技能学习行为模式具有十分重要的意义。

准确把握学习动机和学习情况能够有效地提高教学质量和学习效率[1]。由于学情分析存在个体性、复杂性和模糊性，使得目前多数的学情分析凭借的是教师个人经验的主观推断。学情分析需注重学生的个体差异性，不同年龄阶段、不同家庭背景、不同升学地区及不同学生类型[2]。学情分析也需要考虑研究的复杂性，学情不仅是学生学习过程中的重点和难点问题，还涉及学习动机、学习满意度及学习预期成果等多方复杂因素。更进一步，学情分析存在模糊性和抽象性，主观的学情描述并不能全面地认知学情分析的内涵，需要提出明确、客观的学情分析指标并进行定量的研究。本文从影响软件工程相关专业的学情因素指标出发，结合工业4.0对学生的新型技能需要，旨在客观、准确、合理地评估学情，有针对性、多角度为学生提供学习行为模式推荐，并找出提高学习效率的有效措施。

1学情分析的内涵和影响因素分析

本文对学情分析的研究内容进行了深入的挖掘。以“学情、学习需要、学习需求、学生需求、学生需要、学习者分析、学生分析、分析学生、了解学生、教学对象分析、以学定教、差异教学”为关键词，结合2016―2022年期间发表的科研论文，对学情进行分析总结。

学情分析的内涵研究可归纳为三类：①谢晨和胡惠闵[3]指出在58篇研究文献中有9篇文献用概括性的方式给“学情”下定义[4]。采用概况性的方式基本可以总结为：“学情”即“学生的情况”。概括性的定义缺少对学情的具体化。②采用列举的方式归纳“学情”。研究者把学生情况逐一列举，其中具有代表性的研究是耿岁民[5]把学情归纳为：“学期的学情分析、单元的学情分析、课时（包括课前、课中、课后）的学情分析”。③从学情是否会影响教学的角度来描述学情[6]。一部分学者认为学情更重要的是考查其是否对学习效果产生影响，对学习和教学效果产生影响的学情才是真正需要关注的学情内涵。因此，该部分工作列举出了需要关注的学情并且阐述了其对教学的影响。但是，如何客观地评估“该学情是否真正影响教学以及多大程度地影响教学”则论证不足。根据以上的分析可以看出，学情分析的内涵逐渐由静态的、主观的，转向了动态的、客观的，特别的，教学过程化的考核和阶段性的监控学情为学情分析拓宽了思路。

综上所述，“学情”分析的初衷是指导教学，学情分析需要具体、科学和可信。目前的学情研究指出了“学情是影响学习效果的学生变量”，但是大量研究对于“是不是有影响”这个关键特征不够重视、缺乏论证，同时也并没有指出哪些因素存在影响以及影响的强度也缺乏研究。因此，本文首先研究哪些因素对高等院校軟件工程相关专业的学情分析存在正面的影响，其次基于影响因素分析归纳出软件工程相关专业当前的学情状况，然后分门别类有针对性地对不同特征的学生类型进行多角度多方位地督促并尝试找出哪些因素会影响学习效率的问题，最后提出改善当前学情的建议和对策。

2影响软件工程相关专业学情分析的因素指标

为了研究学生的学习效能和学习行为在学习大规模在线开放课程（Massive Open Online Course，MOOC）中的关系，NiuLung-Guang[7]整合了计划行为理论模型框架和自主学习模型框架以便找出学生在学习MOOC课程效能和决策中的焦点影响因素。文章采用了偏最小二乘回归模型和验证性因子分析来评估学生行为对课程学习效能的度量模型并对度量模型的评估效果进行了定量的研究。通过数据验证，Niu Lung-Guang总结出影响MOOC课程学习效能和决策的主要影响因素包含：任务的兴趣度、课程目标的达成度、学生的自我效能感、行为的主观规范、应对任务的态度、感知行为控制以及学习行为意向。Pappas等[8]运用复杂理论来研究影响学生继续学习计算机科学专业的行为影响因素。文中指出学习效果的收益以及学生情况的差异壁垒是影响计算机科学专业学习的重要因素。文章[9]采用了模糊集定性对比分析模型研究和分析了344个学生样本，提出了认知（通识教育、写作和口语表达、有效性和批判性思维）、非认知（团队合作能力、参与意愿）、个体学习观念差异（学生归属感、成就感与社会规范）、教学质量差异、学习效果满意度差异、继续学习的意向差异、学习的动机差异、学习成绩差异共8种影响因素是影响学生继续学习的关键因素。

综上，结合软件工程相关专业的特点，本文采用的反映学生学情行为的影响因素包含：认知因素（软件工程课程目标达成度的综合认知因素：包含学习成绩的差异、学习效果满意度差异、学生发展目标的差异、学习期望的差异）、非认知因素（包含团队合作能力、参与工程实践的活动、日常生活是否规律、班级学风情况）、个体学习观念差异（含学生的自我效能感、行为的主观规范、应对任务的态度、学习行为意向差异、继续从事软件工程专业相关工作的意向）共三大类影响因素作为软件工程专业学情分析的要点。

3基于模糊聚类算法的软件工程相关专业学情分析

聚类分析是一种有效的研究指标分类的多元统计分析方法，具有相同学习行为习惯的学生在数据上往往呈现相似性，通过聚类研究，可以分析不同群体的学习特征。更进一步地提取出有效的学习行为方式进而向成绩差的学生进行推广。为了对软件工程相关专业的学生进行学情分析，研究团队收集了软件工程相关专业2016―2019年的1706条学生的学情数据。研究从认知因素、非认知因素以及个体学习观念差异三个角度出发，分析学生的学情。实验重复了100次，并进行了10*10的交叉验证。实验显示，如果聚类结果超过3类，则部分数据就会出现在多个分类中，故选取的聚类为3分类。

根据确定的3分类对学生的学习行为进行划分，有327人属于“消极型”，该类学生自习次数、对所学专业的满意度、课外活动情况、作业情况均处于较低的水平；有696人属于“常态型”，该部分学生的样本数值均处于中间水平；另有683人属于“积极型”，该部分学生在各项指标中均处于较高的水平。因此，根据学生的学情类型划分，可以有针对性地提出相应的学情干预策略，从而更能够有效地提高学习效率。针对“积极型”的学生，可以通过课堂点名鼓励表扬，提供进阶的学习资料以提升学生的能力从而更能够满足工业4.0对专业人才的需求。针对“常态型”的学生，通过督促和过程化干预，在学习过程中强化其学习的状态并提升其学习的兴趣度以便提高学习的积极性和主动性。针对“消极型”的学生，进行警戒点预警和特殊帮扶，帮助学生找出其闪光点以及其擅长的技能，有针对性地讲解和强化所学知识和技能，从而达到克服学习难题和避免中途退学的目的。

实验对学生的学习行为和学习的效果进行分析。更进一步地，对学生自习次数和学生成绩进行聚类分析。有趣的是，研究发现学生并不是上自习的次数越多则学习成绩越好，这就说明学生在学习过程中需要考虑学习效率的问题。高效的学习方法不仅有利于学业成绩的提升，还能使学生有时间去放松，劳逸结合的方式更能提高学生学习的质量。

4结语

本文提出了影响学情行为分析的认知因素、非认知因素及个体学习观念差异三大类影响因素。文章为了分析学生的学习行为，挖掘良好的学习行为方式，对软件工程学院2016—2019年的1706条行为数据进行聚类研究。研究发现学生对所学专业满意度、参加课外活动的情况及课程作业完成情况是良性学习模式的有效影响因素。通过良好的学习模式的挖掘并且推廣，激发学生的求知欲和兴趣度，加强导学，有利于学生的专业发展。同时，研究发现并不是学习的时间越长自习的时间越长则学习成绩越高，学情分析得出结论学生只有培养良好的学习行为习惯，自觉的、有规律的、有目的性、科学管理学习，提高学习效率，才能够快速地适应新技能和新要求。

基金项目：四川省科技厅项目“面向铁路职工健康列车的动态模糊个性化服务效能挖掘研究”（2021YFH0107）。

参考文献

[1]张华峰，郭菲，史静寰.我国大学生课堂积极表达行为的现状及对学习收获的影响[J].教育研究，2020，41（4）：10.

[2]邵燕楠，黄燕宁.学情分析：教学研究的重要生长点[J].中国教育学刊，2013（2）：60-63.

[3]谢晨，胡惠闵.学情分析中“学情”的理解[J].全球教育展望，2015，44（2）：20-27.

[4]丁恺.课堂教学的“学情分析”研究[D].上海：华东师范大学，2009.

[5]耿岁民.中学数学课堂教学学情分析的理论与实践研究[D].西安：陕西师范大学，2011.

[6]安桂清.论学情分析与教学过程的整合[J].当代教育科学， 2013（22）：40-42.

[7]Lung-Guang N.Decision-making determinants ofstudents participating in MOOCs： Merging the theory of planned behavior and selfregulated learning model[J]. Computers & education， 2019， 134（JUN.）：50-62.

[8]Pappas I O ， Giannakos M N， Jaccheri L， et al. Assessing Student BehaviorinComputerScienceEducationwithanfsQCAApproach： The Role of Gains and Barriers[J].ACM Transactions on Computing Education， 2017， 17（2）：10.

[9]Thiem A， ADS a. QCA： A Package for Qualitative Comparative Analysis[J].R Journal， 2013， 5（1）：87-97.