基于混合式教学过程数据分析的数据库应用基础教学设计

祁 俊，刘志强，李鑫丽，刘 萍，任洋甫，祝小兰

（青海大学 计算机技术与应用系，青海 西宁 810016）

0 引言

混合式教学发展迅猛，国内各高校都在积极开展相关教学改革研究。《2021 年地平线报告》［1］列举了6 项未来教育教学发展趋势及可能产生重要影响的技术，混合课程模式位列第二。青海大学数据库应用基础课程组紧随教学改革浪潮不断进行教学改革探索，于2019 年开始实施混合式教学，并于2022 年获批校级混合式一流课程建设项目。课程组线上选取学堂在线中的优秀MOOC（Massive Open Online Course）搭建本校SPOC（Small Private Online Course）课程，线下利用智慧教学工具雨课堂［2］，两者相辅相成、有机结合，实现了线上线下教学活动的联动［3］。然而，目前数据库应用基础课程教学仍然存在一些问题：一是青海大学地处西北，少数民族学生众多，学习能力参差不齐；二是数据库应用基础是面向青海大学非计算机专业学生开设的选修课程，具有选课人数多、面向专业广的特点，“一杆子”的教学方式无法满足学生的不同需求；三是教学设计简单粗放，对于知识点的分析不足，对教学重难点聚焦不准等。如何细化课程知识点，及时了解与掌握学生的学习状态，对其进行分层次教学需要进行深入探讨。

混合式教学模式依托于信息技术，在实施过程中产生了大量过程数据，对其进行分析与应用可为教育教学带来全新思路［4-5］。例如，文献［6］依据超星泛雅学习通平台上记录的访问数据分析不同学习行为与考试成绩的相关性，以及学习行为呈现的时间规律，发现对成绩影响最大的学习行为为章节学习次数、章节测试/实验完成先后、视频反刍比等；文献［7］采用IBM SPSS21.0 软件和ROST 内容挖掘系统分析不同组学习者的行为日志数据与讨论文本。结果显示，登陆学习界面次数和交互话题数与学习成绩有较强相关性；文献［8］分析混合式教学过程的不同特征指标及其产生的数据，探讨不同特征指标与课程最终考核成绩的相关性，并根据数据分析结果对后续教学提出相关建议与改进措施；文献［9］以学生在雨课堂上的学习时长和学习内容完成度两个痕迹数据为基础，计算雨课堂学习任务综合完成度，并分析其与期末卷面成绩之间的关系，成功识别了环境地学课程教学过程中4 类学生的学习特征，并提出各类学生的学习过程管理策略；文献［10］基于聚类神经网络的知识跟踪模型挖掘和分析学生学习状态；文献［11］基于VGG 预训练网络模型迁移学习提取学生课堂异常行为特征，实现对玩手机、睡觉等异常行为的检测分析；文献［12］总结了基于深度学习的教育大数据挖掘目的、流程、研究方向和主要应用机构；文献［13］基于混合式教学模式产生的大量多维度过程数据，使用BP 神经网络对学生学习状态进行智能预警。

综上所述，分析利用混合式教学过程中产生的大量数据可为教学活动提供有力支撑，使课程设置更加科学合理。基于此，课题组选择雨课堂这一智慧教学工具提供数据库应用基础课程课前—课堂—课后全过程数据，教师可依靠客观、实时的学习数据对教学情况进行判断与调整，实现个性化教学。

1 混合式课程教学模式构建

1.1 搭建线上SPOC

SPOC 由美国加州大学伯克利分校的阿曼多·福克斯教授于2013 年首次提出，并进行了小规模的教学实践；国内则由清华大学最早推出SPOC 混合教学模式。课程组经过调查研究，选择了适合自身教学目标与要求的由南开大学在学堂在线平台开设的数据库技术与程序设计MOOC搭建SPOC 教学资源。教学内容如表1 所示。根据课程教学目标和学时数对线上教学内容进行了适当调整，将一些扩展的图文和视频作为选学内容；同时为形成过程性考核增加了考试次数，以便随时了解学生对理论知识的掌握情况。

对课程考核比重进行调整，调高了视频占比。具体如表2所示。

1.2 雨课堂助力线下教学

雨课堂通过智能终端为教师与学生提供实时服务［14］。教师利用雨课堂可以轻松完成教学课件发布、测试设置，还可以实现教学直播、弹幕互动和点名等功能。雨课堂记录了每堂课每位同学的学习情况，为教师提供了详实的教学过程数据，教师可全方位分析教学实施情况，及时对教学计划作出调整。

课程组利用雨课堂对原有教学内容进行了修改与完善。例如，在SPOC 线上内容中设置了课前测试，以便掌握学生课前线上预习情况；课中主要对SPOC 线上作业和测试数据中反映出的共性问题进行深入讲解与探讨，利用随堂测试查看教学效果，并进行教学重点的动态调整；课后查看作业数据对学习状态不理想的学生予以重点关注。

综上所述，SPOC 通过课前、课中、课后的衔接形成了知识设计、知识传递和内化提升3 个学习步骤［15］。课前教师发布学习任务，要求学生提前完成相应教学视频、图文与课件的预习。学生和教师可以在讨论区针对学习过程中暴露的问题进行发帖讨论；课中教师可以设置翻转课堂，选择学生就某个知识点进行现场讲解；课后学生完成相应教学单元的作业和测试。教师作为引导者组织整个教学活动的开展，学生作为学习主体提高了对教学活动的参与度。

2 教学过程数据分析与应用

2.1 线上教学数据分析

如图1（彩图扫OSID 码可见，下同）所示，通过对2021级选课学生的问卷调查分析可知，青海本地生源高考分数低于400 分的人数占42%，而河南生源中92.31%的学生高考分数在551～600 分之间。本地生源和省外生源分数相差较大，意味着学生知识水平和学习能力也有较大差异。

Fig.1 Comparison of college entrance examination scores for selected students图1 选课学生高考分数比较

随机选取A、B、C 3 个班级的学习过程数据进行比较，发现班级之间差距明显。从生源、民族分析可知，C 班省外生源占比较大，A 班和B 班本地生源占比较大，且少数民族学生较多。C 班学生的视频和图文完成度、讨论参与度、作业完成度、考试成绩均高于A 班和B 班。具体如图2、图3所示。

Fig.2 Comparison of student sources图2 班级生源比较

Fig.3 Comparison of SPOC learning process data between classes图3 班级间SPOC学习过程数据比较

对2021 级某班级部分学生的数据库应用基础SPOC课程过程数据进行统计分析，发现个别学生在图文、视频、讨论、作业和考试方面的表现明显落后，提示班级内学生水平差异显著。具体如图4所示。

Fig.4 Comparison of SPOC learning process data within the class图4 班级内SPOC学习过程数据比较

2.2 线下教学数据分析

面向学生个性化、多样化发展的细粒度教学过程控制逐渐从幕后走到台前［16］。以数据库应用基础第三章查询第三次教学数据为例，从课程整体、知识点和学生3 个角度进行细粒度分析。

从整体角度来看，该次课程的主要教学目标为使学生掌握交叉表查询设计、参数查询设计、操作查询设计和SQL 查询命令等知识点。针对性设置5 道雨课堂随堂测试题，选择A、B、C 3 个班级的实际教学数据进行分析，结果见图5。可以看出，C 班学生弹幕数和正确率明显高于A班和B 班，课堂互动非常积极。因此，A 班和B 班教师需及时调整上课方式，多鼓励学生参与课堂活动，也可适当进行翻转教学，激发其探索欲望。

Fig.5 Comparative analysis of class learning process data图5 班级学习过程数据比较

如图6 所示，从知识点角度来看，3 个班级对随堂测试第1 题、第2 题的正确率最低，这意味着学生并未很好地理解和掌握相应知识点，教师可再次进行讲解，如此以来可以发现共性问题并进行教学侧重点的动态调整。

Fig.6 Comparison of accuracy rates of various questions in classroom testing图6 随堂测试各题目正确率比较

从学生角度来看，对其课堂考勤、课堂弹幕数、课堂测试成绩等数据进行分析，总结归纳出4 个维度进行考量，其中课堂考勤作为到课率的衡量指标；课堂弹幕数、投稿数、投票数作为课堂参与度的衡量指标；随堂测试分数和阶段性测试分数作为学习水平的衡量指标；观看教学课件与视频、发布讨论贴作为学习主动性的衡量指标。全部数据汇总统计取均值后映射到4 个维度，用1～5 的分值进行表示。随机选取3 个学生的数据进行比较，结果如图7 所示。可以看出，学生在学习过程中的个体差异非常明显，因此教师需及时掌握学生的学习状态，有针对性地帮助其查漏补缺。

Fig.7 Comparison of 4-dimensional learning data for different students图7 不同学生4维度学习数据比较

2.3 基于过程数据分析结果设计教学

2.3.1 教学重难点精确划分

根据线上线下的学习数据结合经典测验理论和布鲁姆教育目标分类理论发现教学内容中学生遭遇的难点［17］，而不再是仅凭教师以往经验进行粗略判断。以第三章教学内容为例，课程组对各班教学过程数据进行分析，将教学内容按照章→节→知识点的层次进行编号，例如第三章第1 节第1 个知识点的编码为C.1.1。具体编码情况如表3所示。

Table 3 Coding of teaching content表3 教学内容编码

在经典的测验理论中，难度是指问题解决者的通过率［18］。计算公式为：

式中：R表示通过人数，N表示总人数。

布卢姆教育目标分类理论将认知过程分为记忆、理解、应用、分析、评价、创造六大类，认层级由简单到复杂［19］。所有SPOC、雨课堂测试和作业均以客观题形式为主，题目简单，以学生对基础概念的掌握为目标，对应目标分类理论中的第一层记忆。题目通过率直接反映了对于学生而言相应知识点的难易程度。将相应知识点按照［1，0.8］、（0.8，0.6］、（0.6，0.4］、（0.4，0.2］、（0.2，0］的通过率，1～5 级的难度由低到高进行等级划分，最终形成知识点难度矩阵。师生可根据知识点难度矩阵进行有目标、有侧重点的教与学，从而保障教学的一致性和精确性，达到提高教学质量和学习效率的目的。以第三章教学内容为例，其知识点难度矩阵见表4。

Table 4 Teaching knowledge point difficulty matrix表4 教学知识点难度矩阵

2.3.2 分层次教学设计

数据库应用基础课程每个教学周期的全校授课学生人数超过1 000，学生之间个体差异大，要让大部分学生都能听懂学会，同时还要避免一些学生“吃不饱”，这是一个亟待解决的问题。为此，进行以下教学设计：①分层次设计测试，满足不同水平学生。课程组在进行教学考核设计时将基础题比例设置为70%～80%，进阶题为10%～25%，高阶题为5%～10%，如此以来既能考察学生对基本教学内容的掌握情况，又能通过较难的题目激励其深入学习；②设计数据库课内知识竞赛和自主设计数据库两个教学模块，提高学生解决实际问题的能力。课程组对表现优秀的同学进行奖励，同时对进步显著的同学颁发奖状，激发其学习热情；③鼓励学生录制教学微视频，实现课堂翻转。根据课程重难点矩阵，积极鼓励学生录制教学微视频，选择优秀微视频上传至雨课堂供学生互相学习。让学生当老师实现课堂翻转，形成生—生互助学习模式。

2.3.3 学生学习预警

混合式教学需要学生具备一定的自主学习能力［20］。学习预警是指对学生学习状况进行评估，尽早发现有学业危机的学生，使学校和教师及时采取帮扶策略，帮助其回归正常学习轨道，顺利完成学业［21］。预警学生教学策略如图8 所示。通过雨课堂后台数据导出每堂课的预警学生，利用4 个维度的雷达图刻画学生学习状态，发现其薄弱之处；持续跟踪观察预警学生学习状况，通过单独答疑辅导、额外分配学习任务、“一对一”互助学习等多种方式使学习能力较差、主动性不高的学生得到更多关注。

Fig.8 Teaching strategies for warning students图8 预警学生教学策略

3 教学反馈

对2021 级选课学生进行课程问卷调查，结果见表5。可以看出，大部分学生对分层次教学、教学重难点精确划分、学生学习预警的实施给予了积极反馈。

Table 5 Questionnaire results表5 问卷调查结果 （%)

4 结语

数据库应用基础课程组通过对SPOC、雨课堂产生的教学过程数据进行细粒度统计与分析，设计出教学重难点精确划分、分层次教学和学生学习预警等针对性措施，得到了学生们的一致好评。然而这只是数据库应用基础课程混合式教学过程数据分析与应用的初步探索，今后将进一步运用数据挖掘、数据可视化等技术搭建一个教学过程数据自动化分析系统，对学生、教师进行精准画像分析，更加深入地挖掘教学过程数据所蕴藏的信息，例如发现优秀学生学习模式与学习效率的关系，分析课程测评与学生听课质量的相关性，探讨期末考试成绩分布成因等［22］。