大数据背景下本科生学业过程性评价研究

曹玉松, 梁 衡

(1.许昌学院 食品与药学院,河南 许昌 461000;2.许昌学院 信息工程学院,河南 许昌 461000)

2019年2月,《中国教育现代化2035》《加快推进教育现代化实施方案(2018-2022年)》对大数据如何推动教育教学深化改革给出了具体部署[1,2]．当前部分本科高校大学生的学业评价仍然采用以终结性评价为主的学业评价模式,不能很好地促进学生发展.一方面以学生成绩,即学分绩点(Grade Point Average) 为主,它不能完全代表,也不能准确衡量学生的发展[3];另一方面,终结性考试对学生在学业过程中的过程性发展数据重视程度不够,不注重学生的可持续性发展,不利于良好学习习惯的形成[4]．过程性学业评价可以充分利用相关数据,缓解以教师为主导的学业评价的局限性,转向了对学生学习态度、过程的评价[3-4]．基于此,利用大数据对学生的过程性学业评价进行研究.

1 过程性学业评价指标体系的构建

1.1 构建方法

构建方法采用德尔菲方法,该方法以背对背的反复问询方式进行,可以不拘泥于权威,根据实际情况,制定适合的指标体系观测点．德尔菲法具有匿名性、统计性、反馈性的特点,这里选择16名专家进行指标体系构建,专家组成涉及一线教师、教学管理人员、教学督导人员,同时吸收两名学生代表参与到指标体系的构建中,通过德尔菲方法初步构建基于过程性学业评价指标[5]．

1.2 确定指标体系

1.2.1 “三段式”课程学习模型构建

与终结性评价不同,过程性评价强调学生的学习主动性,关注学生在学习过程中的投入程度,充分参考课前、课中、课后整个学习阶段的学习行为,有利于培养学生的学习习惯,使得知识的获得更加巩固．何聚厚等[6]从情感、过程、知识三个维度建立了学习评价指标,以评价学习效果;李逢庆等[7]分析了线上线下混合式教学模式的教学评价模型,以课程教学的时间轴为主线,将学习过程分为课前、课中、课后三个阶段,从课前、课中、课后、学习效果四个方面建立过程性学业评价指标体系．指标体系设计的观测点可以全面反映学生的学习态度,促进良好习惯的养成、学习习惯对学习行为具有较好的导向作用,是学习有效性进行的基础.课前学习、课中学习、课后学习三段式课程学习模型具体内容如下．课前,老师会将教学资源和需要完成的任务发布给学生,教学资源包括知识点微视频预习、文献查阅和课程相关的一些有针对性的练习题,根据老师提供的教学资源完成知识传递,通过练习题和网络完成知识点的沟通交流．在课中教学阶段,师生、生生进行交流讨论,教师根据课前学习情况进行深度教学,以帮助学生梳理知识完成知识内化,学生完成课堂任务积极参与组内讨论．课中学习评价可以通过考勤次数、独立提出问题的解决方案、回答老师提问次数等指标进行客观评价．课后教师根据学生的课前课中表现,针对不同学生进行相应的指导,程度较好的学生可以进行更加深入的学习,通过推送教学资源等方式进行学习提高.可以分解指标为返回观看拓展教学视频的次数、学习笔记记录情况、拓展资源观看情况等．

1.2.2 指标体系构建

将传统的课程考核从单一的期末考试成绩扩展为个人平时作业成绩(网络+阶段化考试成绩)、期末考试成绩．指标体系通过反复调研、修正、反馈,通过分析德尔菲方法下的专家积极系数、专家权威程度系数、专家协调程度系数表明该指标体系认可程度较高．综上所述,从课前学习、课中学习、课后学习、学习成果四个角度对学生学业评价指标进行细化,建立指标评价,具体内容如图1所示．

图1 学业评价指标图

1.3 确定指标体系各指标权重分配

在进行模糊综合评价时,权重对最终评价结果会产生很大的影响,不同的权重分配有时会得到完全不同的结论,直接关系到模型的成败．统计调查法、层次分析法、模糊层次分析法等都是目前比较常见的权重分析法.这里采取AHP方法确定权重,通过专家打分的方式,建立对指标重要性的两两评价判断矩阵,并对矩阵进行一致性检验,得到各目标层及各目标层下细分指标的相对权重[8]．具体结果流程如下:

(1)分别构造一级指标的两两比较判断矩阵．

(2)一致性检验．

(3)构建一级指标的相对权重．用本征向量法求得判断矩阵的最大特征根所对应的特征向量,所求特征向量即为指标的权重分配．当矩阵阶数较高时,求解过程比较复杂,计算量也会比较大,因此常用Saaty给出的近似算法来确定权重．

(4)二级指标权重的确立．对一级指标下的各个细分指标,我们仍然采取比较判断矩阵、一致性检验的步骤得各一级指标下的相对权重．

(5)组合权重的确定．一级目标下的各细分指标的组合权重确定为:一级指标权重*二级指标权重．

根据计算各准则层和指标层的权重得各细分指标的综合权重为

β=(0.043,0.065,0.038,0.062,0.061,0.111,0.067,0.097,0.116,0.046,0.036,0.126,0.123).

2 数据收集

以某班为例,采集学生的过程性数据,其部分学习过程数据记录在学习通网站．数据分为定量数据和定性数据两大类,其中定量数据来自数据所对应范围的等级,定性数据根据评分比例对应相应的等级,评分等级对应优秀、良好、中等、差、很差5个等级,分别对应相应的分数,指标对应等级数据如表1所示[9]．

表1 指标对应等级数据表

3 基于大数据构建模糊过程性评价模型

采取模糊评价方法对学生学业进行过程考核评价．根据上述所给指标,确定{优、良、中、差、很差}5个评价等级,建立相应的模糊关系评价矩阵,根据定量和定性评价数据,建立模糊矩阵如下．

基于AHP方法得到各指标权重向量为

A1= (0.0412,0.0304,0.0621,0.0532,0.0325,0.0577,0.0369,0.0512,0.0856,0.0812,0.0712,0.1026,0.0321,0.056,0.0896,0.0513,0.0652).

合成模糊评价矩阵得

A1*M1={0.32883,0.30184,0.31509,0.05424,0}.

为了得出学生的学习评价综合结果,要对评价等级进行量化,评价等级表如表2所示．

表2 评价等级系数表

根据模糊评价方法,最终学生1在过程性学业评价的学习评价结果为

95*0.32883+85*0.30184+75*0.31509+65*0.05424+50*0=84.0526.

该总分评价结果为84.0526．

该生的期末成绩位于指标体系C12,根据模糊评价矩阵可知,学生期末考试得分位于中等水平的68,但学生最终评价为84.0526分,原因在于该学生平时作业、课前小测、考勤、课堂发言次数和表现等过程性数据较好．

4 结语

通过关注学生的过程性学习数据,以培养学生良好的学习习惯为出发点,建立过程性学业评价模型,探索了利用大数据技术实施科学、全面的学生学习评价模型．该学业评价方法充分考虑了学生学习过程中的学习数据,评价体系涵盖对知识、能力、学习态度多维度评价,为过程性学业评价提供了思路,有助于大学生从表层学习转向学习能力的提升,注重学习习惯的养成．下一步将持续对评价指标体系进行优化,从而更好地帮助学生从学习能力、学习态度、实践能力等多方面获得持续性发展．