基于大数据分析混合式教学模式下的学习迁移能力

文/ 嵇晓蓉 章静

混合式教学是一种“线上+线下”的教学方式，它集合了线上教学与传统线下教学的优点。近年来，科技与教育深度融合已经成为高等教育的发展趋势。在混合式教学模式下，学生的学习效率更高，学习时间也更持久，进而在潜移默化中提升了学习迁移能力。与此同时，如何准确评估学生的学习迁移能力，逐渐成为高等教育的一大难点。本文以混合式教学模式为切入点，基于大数据构建了学习迁移能力评价系统，旨在为高校教师实现学生学习迁移能力的可视化分析提供依据。

学习迁移是指将一个场景中获得的知识、能力、情感迁移到其他场景中，让学生在不同情景和问题中灵活、流畅或有创造性地运用所学知识。混合式教学模式的本质是把传统的学习过程翻转过来，既让学生在课外时间自主学习知识点和概念，同时也将课堂转变成教师与学生互动的场所，主要用于解答疑惑、汇报讨论，从而实现更好的教学效果。由此可见，混合式教学模式集合了传统学习方式和数字化学习方式的优势，并不是传统线下教学与线上教学的简单叠加。另外，混合式教学模式还融合了多种不同的教学形式，如讲授式、讨论式、翻转课堂、项目案例式等，教师可在不同教学实践中进行组合应用。多样化的教学形式对应不同维度的学习迁移指标，强调让学习成为学生的自主行为，倡导将教师的角色从知识传授者转变为组织引导者，从更高维度带领学生探索知识、自我评估，养成批判性思维。

混合式教学模式离不开信息技术的加持，因此，不同教学形式在实际应用中通常会产生大量的数据，而如何将不同渠道产生的数据进行整合利用以明确学生的学习迁移能力，已经成为混合式教学的一大难点。近年来，大数据技术飞速发展并赋能多个领域，其在教育行业中的应用也越来越广泛。现阶段，教育数据采集和深度分析已经发展成各种信息化教学系统的必备功能，但大数据在混合式教学领域尤其是学习迁移能力评价方面仍处于实践阶段。

一、学习迁移能力的评价指标

教师要想准确评估学生的学习迁移能力，就必须先确定学习迁移能力的评价指标，并根据评价指标完善教学过程设计。本文以《计算机网络》课程为例，从学习意愿、学习参与、学习结果与价值体现四个维度确定了学习迁移能力评价指标（见表1）。在课程学习结束后，学生应具备通过归纳和推理对常见的网络问题做出合理解释、阐明不同特定情境下网络故障的解决方案、解决网络环境中的网络问题等能力，并且能够从不同角度洞察问题，从而形成正确的思维模式、信念感和价值观。

表1 学习迁移能力评价指标

二、基于学习迁移能力的教学过程设计

《计算机网络》课程的特点是概念、知识庞杂，如果沿用传统的课堂教学模式，那么学生只会机械记忆概念、定义和其他知识点。随着课程的持续推进，学生将很快迷失在庞大的知识网中，进而产生困惑，陷入僵化的学习境地。因此，教师有必要在混合式教学过程中优化教学过程设计，切实提高学生的学习迁移能力。本文基于学习迁移能力评价指标就线上自主学习、线下小组讨论、线下理论学习等教学过程进行优化设计，各评价指标与教学过程的对应关系如表2 所示。

表2 学习迁移能力评价指标与教学过程的对应关系

（一）线上自主学习数据

本文研究的线上自主学习数据主要来源于中国大学MOOC（慕课）。通常，学生在讨论课前会进行一次自主学习，并根据教师提前给定的学习任务单完成学习任务。其间，平台会实时采集学生的学习数据以及《计算机网络》课程的课外延伸讨论数据。此外，为锻炼学生的评价能力，教师还会要求学生在该平台上互评作业，由此产生的数据也会被平台收集。

（二）线下小组讨论数据

本着让学生带着问题来上课的原则，在学生完成自主学习后，教师会以小组为单位让学生提出问题，并对每组提出的问题进行评价，再选取部分问题进行集中讨论。课后，教师会对每组的表现进行量化评分，并将课堂记录上传至腾讯文档以便后期参考。

（三）线下理论学习数据

教师会通过雨课堂来进行课前测试，以了解学生的预习情况或对上一阶段知识点的掌握程度；通过课中和课后测试，了解学生对抽象理论知识的理解程度。因此，本文研究的线下理论学习数据主要来自雨课堂。

（四）项目实践数据

由于《计算机网络》课程是一门理论与实践紧密结合的课程，课程中存在将一个完整的项目分解成多个实验以便学生在实践中循序渐进地内化理论知识，进而建构自己的知识体系。因此，本文研究的项目实践数据主要来自实践考核和实践报告。

（五）网络应用能力测试数据

《计算机网络》课程最终考核的是学生解决实际问题的能力，试题综合性较高，学生需要灵活调动知识体系以解决各种网络问题。本文涉及的网络应用能力测试数据主要来自雨课堂。

三、基于大数据分析学生的学习迁移能力

（一）确定学习指标

由上文可知，本文采用的数据来自不同的渠道。笔者基于选题研究选取了几项能够判断学生学习行为的主要指标：雨课堂公告阅读数、课堂测试分、期末能力测试、中国大学MOOC 成绩、观看视频时长以及评论数。

（二）数据清洗

由于原始数据来自不同的平台，且原始数据表中存在NaN（非数）的值，部分数据需要更改数据类型，在进行数据分析前，笔者对给定数据进行了清洗，以确保分析结果的准确性。表3 为经过Python 清洗后的数据片段。

表3 经过Python 清洗后的数据片段

（三）数据归一化

由于不同平台的计分标准不统一，签到次数、阅读公告数等数据集的特征范围不同，笔者对清洗后的数据进行了归一化处理。表4 为归一化处理后的数据片段。

表4 归一化处理后的数据片段

（四）可视化分析

（1）学习意愿分析。本文主要采用K-means 算法进行聚类分析，共设置积极、普通和消极三种学习态度。其间，笔者结合视频观看时长、主题数、评论数、签到数、弹幕数以及阅读公告数六个维度进行聚类，并基于相关数据计算出三个聚类中心点。随后，笔者结合计算结果和六个维度的综合数据进一步计算出数据点到每一个簇点的欧几里得距离（欧几里得距离越小，表明该数据点越接近簇中心点，归于对应类学习态度的可能性就越大），从而为教师量化分析个体学生的学习状态提供依据。

（2）学习参与度分析。学习参与度分析数据主要来自线下讨论和线上讨论。笔者根据分析结果将学生学习参与度划分为弱、较弱、中等、强、较强五个等级。以《计算机网络》课程为例，笔者计算出的班级学生学习参与度结果如下：强4.5%、弱10.6%、较弱12.1%、较强25.8%及中等47%。

（3）学习结果分析。学习结果分析数据主要来自网络应用能力测试。笔者根据测试数据制成了能够反映学生知识迁移能力的雷达图（见图1）。

四、结语

混合式教学模式在学生学习迁移能力的培养方面具有较大的弹性。本文构建了学习迁移的4 个维度，并为每个维度划分清晰、可执行的指标点；通过优化混合式教学过程设计，将教学过程中产生的数据对应到特定的指标点，使得针对该指标点的评价有据可依；通过构建学习迁移能力评价系统，对学习数据进行可视化处理，以便教师直观掌握学生的学习情况，从多角度来分析学生的学习迁移能力，动态检测学生的学习数据，为调整教学内容和教学方式提供依据。不可否认的是，本文的研究内容还不够完善，笔者将进一步探索学生的学习迁移能力评价指标与过程数据的对应关系。