数字化课程混合式教学预警的影响因素分析

徐 勇（湖北经济学院 统计与数学学院，湖北 武汉 430205）

一、引言

近年来随着数字化课程教学的飞速发展，越来越多的学者开始研究如何将新型的线上教学与传统的线下教学相结合注入数字化课程设计，以形成“1+1>2”的效果。一些学者展开了针对性研究，如张倩等（2021）从建设信息化、智能化的混合式教学设施，发展双边互动的数字化课程教学方式等方面阐述了提升教学质量管理水平的建议。李政辉等（2022）针对多个高校的教学管理政策探索混合式教学的运行模式与对策。梅鹏江（2021）通过对学生行为数据的统计分析和数据挖掘，探索了影响混合式教学质量的学生端因素。

目前数字化课程如何在线上线下混合式教学中充分利用学生的过程性特征对其进行课程考核预警尚未形成丰富的成果，尤其是哪些特征能用于课程考核预警还需深入研究。数字化课程以数字平台作为依托，可以追踪学生在教学中的实时学习表现。通过线上平台后台数据的实时反馈和线下课堂教师的授课过程，可以捕捉对象的诸多过程性特征并分析这些特征与学习效果间的非线性关联。本文提出双轨双控的混合式教学逻辑框架，在此教学框架下捕捉学生的学习过程性特征，并挖掘其中作为影响混合式教学效能的重要因素。

二、双轨双控的数字化课程混合式教学的逻辑框架

在由线上线下两个平台组成的混合式教学中，如何使线上线下效能深度融合从而实现“1+1>2”的效果需深入探索。为此，提出数字化课程的双轨双控融合的混合式教学实施框架。“双轨双控融合模式”指的是探索双轨（即线上线下）效能深度融合，相互补充，交互把控的教学设计。线上教学和线下教学并不是不同时空的独立教学模式，二者并不孤立。线上教学模式与线下教学模式的融合，应将不同时空的两种教学模式在教学实施中有机结合，这种有机结合不仅仅是指二者时空的结合，更是二者效能的结合。从功能上来说，二者应相互补充，各施所长。按照课前浅学、课中深学、课后延学三大模块分别进行设计，从而对学生的课程学习过程和结果进行监测。

所谓课前浅学，是指学生在课程内容开始前的预学习，包括传统形式的线下预习教材以及充分利用网络学习平台，浏览由任课教师发布的线上学习资料，完成对应的预学任务点等，以便于学生初步了解课程内容，教师初步掌握学生的学情并针对性地制定教学方案。这一阶段应充分发挥线上平台的资源优势，以多样化多元化的诸如PPT、讲义、知识点简介视频、学科发展史视频等使学生全方位了解所需学习内容，为下一阶段的线下学习蓄力。这是线上主“控”线下的阶段。

课中深学是指由教师主导的线上和线下授课过程，是课程内容学习的核心环节。在此过程中，教师一方面通过讲授引导学生在线下课堂逐步掌握课程内容，理解知识结构的重难点；另一方面还应借助网络学习平台进行点名、话题讨论、课堂测试等多样化的教学活动，以此全方位、实时地掌握学生在学习进程中的学习表现，从而及时快速地判断是否需要调整教学策略。课程教学要杜绝老师闷头讲，学生埋头记的零互动模式，也要防止片面地强调互动而使知识体系的讲授碎片化，故教师应该在线下讲解课程的同时，以线上平台作为辅助工具，灵活适时地执行多样化的教学效能跟踪举措。譬如在讲解重点问题时，临时发布线上测试，实时掌握学生的领会情况等。

课后延学是学习的延伸。教师针对性地布置线下练习或发布带有发散思维的思考题，检验学生对知识的融会贯通能力和应用的意识。思考题未必都是真正意义上的题目，可以结合学科背景和学科发展史提出历史长河中经典的学科问题，引导学生利用所学内容给出解决方案或思路。这一部分的学习最好没有标准答案，鼓励思维发散，让学生松开思想的缰绳，纵情驰骋，各种奇思妙想天马行空。最后再由教师综合点评，总结本次课程的教学收获。

三、混合式教学的预警影响因素分析

结合上述混合式教学的逻辑框架和教学实践中能提炼的数据，提出能表征混合式教学效能的若干学情特征作为课程考核预警的影响因素。这些因素从历史性数据、现实性数据、主观性数据、客观性数据的不同角度考虑了对学生课程学习效能的影响，并按层次构成了多级指标体系。其中一级指标包含学习经历性特征、学习能动性特征、学习参与性特征、学习互动性特征和学习表现性特征。

一级指标“学习经历性特征”又可涵盖学生的偏科程度、教育基础、学业现状等二级特征。偏科程度的度量赋值标准如下：若该线上课程与学生高考科目相关（例如高等数学与数学，大学语文与语文），则当该科目得分与其他科目均分差不超过5 分，视为无，赋值0。超过5 分不超过10 分视为轻度，赋值1。超过10 分以上视为重度，赋值2。若课程与学生高考科目无关赋值为0。教育基础考虑的是学生来源地域或群体的整体教育状况。我国地域广博且教育基础水平不一。一般性地域或群体教育基础相差不大，赋值为0。特殊地域或群体比如西部穷苦地区或少数民族地区因教育事业相对发展滞后，影响学生积累的教育基础，故赋值为1。学业现状考虑的是学生最近一学期的学业情况。若该学期各科目考核成绩均分高于65 分，可认为其总体上比较关注自身的学业情况，赋值为0，否则赋值为1。

一级指标“学习能动性特征”主要考虑投入程度和自我约束力两个二级指标。投入程度具体指每周业余非学习时间与学习时间之比。大学生学业方面的差距实际上主要由业余时间体现。有的学生致力于拓展社交能力荒废了学业，有的则在业余时间夯实学习基础提升知识能力。非学习时间与学习时间之比越小代表学生的投入程度越高，学习能动性越强。自我约束力可以由课程学习时间的伪效率，即每小时中伪学习时间的占比来体现。有的学生虽然身在教室或者图书馆，但思想并不在学习，这样的学习时间水分很大，故伪学习时间占比越小，学生的学习能动性越强。

一级指标“学习参与性特征”考虑任务点完成、课程讨论参与以及考勤等二级特征。任务点完成的情况表明学生是否完整地接受了课程内容教学并通过完成任务给出教学反馈；课程讨论参与情况反映了学生是否在课程学习中积极参与线上线下的问题讨论，反映了其参与的主动性；考勤是学生按时到课的硬性指标，是学生全身心参与教学过程的前提。

一级指标“学习互动性特征”考虑师生交流的效果。它包括师生课上交流（如应答教师的设问，举手回答教师提问等）和课下交流（如利用学习平台与教师线上交流或课后答疑等）。与教师交流频繁的学生必然学习的感悟更深，更利于课程考核过关。

一级指标“学习表现性特征”考虑章节测验结果和作业完成的评价两个二级指标。章节测验结果是阶段性检测，代表每章内容的学习成效，是学生章节知识体系是否形成的检测。作业完成的评价指每次课后作业的得分，是学习效果具体到每次课的细节化检测。

借助数据挖掘算法可以拟合个体上述特征和课程考核结果的关联性，构成课程预警模型。此时，课程考核结果作为被解释变量，用0 和1 分别代表不合格和合格。考虑到所选择的特征数据的泛化性，可以重点选择部分学情特征作为预警模型的解释变量或影响因素。比如：教育基础、考勤（签到次数/签到发布总次数），师生交流（成功回答提问次数），任务点（线上课程的任务点完成比例），章节测验（合格次数/总次数），课程访问（访问日志记载的次数）和作业完成（作业平均分）。

从逻辑上分析，上述影响因素的重要程度是有层次性的。重要程度最高的影响因素应该是章节测验成绩。章节测验反映了教师对学生本章节知识点掌握的检验，出题教师会在知识覆盖面、理解深度等方面进行合理的设计设置考题，从而体现学生的学习效果。课程的知识体系由每个独立章节按照逻辑关联有机组成。相比于各小节内容微观的呈现，章节知识从宏观的视角搭建学习者的知识体系，是与课程教学内容完整性系统性最相关的因素。只有确保每个章节弄懂学通，才能最大限度保障课程考核的顺利过关。

接下来是平时作业完成情况。如果说章节测验是各章结果性的特征，那么作业则是各章过程性的特征。当次作业完成的情况好，说明学生对该次课程的内容吸收和理解较为透彻。作业完成情况差则说明学生听课效果不佳，对知识的理解有偏差。章节学习效果是每次课程学习效果的累积。课后作业是教师根据教学内容中的重难点精心布置的练习，考察或检验学生对知识点的理解是否透彻。平时作业潦草敷衍漏洞百出，必将导致积重难返，严重影响课程考核的结果。

第三个重要的影响因素是任务点完成情况。教师在课程的学习中会设置阶段性的任务点，这些任务点有些体现学生对基本知识点的理解，有些则是对学生知识理解是否有偏差的考验。任务点的表现形式可以多样化，可能是特定的概念分析问题，也可能是完成实证分析的过程，又或者是对争议问题的探讨等等。任务点完成度高说明个体对正确理解知识点做得比较好，它也是一种过程性的特征。

课程访问次数是排名第四的影响因素。只要不是恶意地刷访问次数，那么访问次数在一定程度上反映了学生对课程学习的积极性、主动性，是课程的情感价值体现。课程访问次数高的学生未必学习效果上佳，但课程访问次数寥寥无几的学生必定难以正确理解课程知识点。课程访问次数通常会与观看教学视频，下载教学资源，参与线上教学活动等高度相关，故可参考这些行为确定课程访问次数的真实性。

师生交流情况排名第五。师者，所以传道授业解惑也。除去少量万中无一的天才，绝大多数学生在初次接受某知识体系时必然有很多不理解之处或思维堵点，需要教学经验丰富，闻道更早的教师解惑。这就是师生交流的意义和价值。从不和教师进行学习交流的学生，并不是没有疑问而是懒于提问，抱有侥幸心理，觉得不理解的地方可以蒙混过去。结果一旦遇到课程考试，考查到了很多平时思维不理解之处，这样考试不合格也就难以避免了。

排名第六的影响因素是考勤。考勤良好是学生积极参与学习的必要条件，即参与学习积极的学生考勤情况必定很好，考勤情况好的学生也可能“身在曹营心在汉”。故一定程度上，通过考勤的记录或统计，可以在时间上保证学生对学习的参与度。当然，考勤制度可以灵活安排，比如不定期考勤，或者以课堂点名提问的方式进行考勤。考勤情况差的学生必然对学习的参与度低，间接影响其课程考试成绩。

最后，需要关注的影响因素是教育基础。教育基础表明了个体以前所取得的学业成就所处的环境。因为一些客观原因，我国各地区的教育基础差别较大。在教育基础相对薄弱的地区，即使是其中的优秀个体，放之于全国来看可能也只是平均水平。所以教育基础一定程度上能反映个体学习课程的潜力。但是要注意这并不是决定性因素。个体不能把自身来自教学基础薄弱的地区作为课程学习成效欠佳的借口，最终起决定作用的还是内在的驱动力和当下的努力程度。

四、结语

数字化课程的教学带有明显的混合式教学特征，因其融合了新兴的线上教学模式和传统的线下教学模式而备受业界关注。探索影响混合式教学效能的重要影响因素对有效开展混合式教学以及实现学生学习效能监测有着重要的意义。基于线上线下双轨双控的混合式教学逻辑框架，结合各教学环节中线上学习平台的后台数据系统以及线下教学的实施步骤，初步提炼出七个重要的影响因素。以这些重要影响因素为解释变量，以课程考核结果为被解释变量，可以初步构成课程考核的预警模型。后续研究如何通过混合式教学进程中的动态数据，采用数据挖掘技术解释这些数据与课程考核结果间的具体关联，从而得到量化的课程考核预警模型。