基于教育大数据的职业教育个性化自适应教学研究——以“C语言程序设计”课程为例

章杰侈,郑雪芳

(江苏信息职业技术学院,江苏 无锡 214000)

0 引言

随着职业教育现代化改革的不断深化,信息化教学手段在职业教育中的应用越来越普及,深刻改变了职业教育的教学模式。线上线下混合式教学模式改革正在各院校持续推进,线上教学平台在教学中发挥越来越重要的作用。教学平台为学生提供了丰富的数字化学习资源,拓宽了学生的学习空间,使学习不再局限于传统的课堂教学。在教学平台的使用过程中,产生了大量学习数据,为开展个性化教学提供了数据支撑[1]。中共中央办公厅、国务院办公厅印发《关于推动现代职业教育高质量发展的意见》,提出推动现代信息技术与教育教学深度融合,提高课堂教学质量。教育大数据技术支持海量、多样、高速的数据处理能力,可以用于对海量的教学数据进行采集和存储。对课前、课中、课后教学活动中产生的数据进行分析和挖掘,能够实时准确掌握每位学生的学习进度,针对性地选择教学内容和教学方法,从而实现因材施教,促进职业教育的高质量发展。本研究分析了“C语言程序设计”课程传统教学模式存在的不足,介绍了教育大数据的主要特征和关键技术,设计了基于教育大数据的个性化学习服务体系,以“C语言程序设计”课程为例,对个性化自适应教学在职业教育中的应用实践进行了介绍,详细阐述了基于教育大数据的个性化学习服务体系在课程教学目标设置、教学资源选取和教学成效评估等方面的具体应用。

1 “C语言程序设计”课程传统教学模式存在的问题

在“C语言程序设计”课程的传统教学模式中,课程教学内容和教学目标的选择主要依靠教师的个人经验,缺少科学合理性,注重班级的宏观整体表现,缺乏有效的手段来实时监测每一位学生的微观掌握情况,难以做到真正的“因材施教”,考核评价方式较为单一,过程性多元化考核无法充分开展。高职院校教师因脱离企业生产实践一线,对企业的新技术、新工艺、新规范的了解、掌握不够及时,课程教学内容更新不及时,无法紧密贴合岗位实际,很大程度上限制了高职院校的教学质量提升。缺少学生前期课程过程化学习数据的收集和分析,无法准确评估每个学生在素质、知识和技能层面的学习基础,教学目标的设定凭借教师以往的教学经验,课程思政教学目标与岗位素质需求之间未能良好衔接,教学目标的精准性有待进一步提升。因缺少个性化的学情分析,无法充分掌握学生个体之间的差异,在教学过程中无法为不同学习基础和学习习惯的学生推送不同难度和类型的学习资源,未能充分调动学生的学习积极性。教学考核评价方式较为单一,主要通过阶段测验和期末考试的形式考核学生的知识技能水平,过程性智能化考核难以实现,缺乏课程思政教学效果评价的有效工具和方法,教师往往只能依靠主观判断和经验来评估学生的思政素养,无法获得准确的评价结果,教学评价的客观公平性有待进一步提升。

2 教育大数据特征和关键技术

教育大数据是指在教育链和产业链中产生、收集和分析的大规模数据集合,它涵盖了学生的学习成绩、考试结果、课程参与情况、在线学习行为和企业的岗位需求等各个方面的数据。教育大数据的目标是通过对这些数据的分析和挖掘,对教育决策和教育过程提供改进优化方法。教育大数据可以帮助教师进行学情分析、教学评估、个性化教学、教学资源优化、学习路径规划等方面的工作,使教师能够更好地了解学生的学习需求和问题,及时调整教学策略、方法,提供个性化的学习支持和指导。

2.1 教育大数据特征

(1)规模性:教育系统中产生的数据量庞大,包括学生的学习成绩、考试数据、作业记录、学习行为数据等。这些数据的规模往往是庞大的,需要依靠适当的技术和工具进行有效的处理和分析。

(2)多样性:教育大数据涵盖了多种类型的数据,包括定量数据(如考试成绩)和定性数据(如学生反馈),数据的来源和渠道不同,这种多样性使得教育大数据分析更加综合和全面。

(3)实时性:教育大数据可以是实时生成的,如通过在线学习平台记录学生的行为数据。这种实时性使得教师能够及时了解学生的学习进展和问题,并做出相应的调整和支持。

(4)复杂性:教育大数据涉及学生、教师、学校、企业等多个参与者,以及各种课程和教学活动。这种复杂性使得教育大数据分析需要考虑多个因素和变量之间的相互关系,以获取更全面的分析结果。

(5)价值性:教育大数据可以帮助教师了解学生的学习需求、提供个性化的学习支持、改进教学方法和课程设计等。通过挖掘和分析教育大数据,可以为教育决策和实践提供有益的信息和指导。

2.2 教育大数据关键技术

教育大数据作为教育领域的重要工具,为教育决策和改进教育质量提供了有力支持。在教育大数据的应用过程中,涉及数据采集与存储、数据预处理与清洗、数据集成与融合、数据挖掘与分析、可视化与呈现、预测与建模,以及个性化教学等多项关键技术[2]。

(1)数据采集与存储:教育大数据的首要任务是收集各种与教育相关的数据,并将它们高效地存储起来。数据采集可以通过传感器、日志记录、问卷调查等方式进行,涵盖了学生的学习记录、教师的教学过程、学校的管理信息等。数据存储技术用于对大规模数据的存储和管理,包括数据库技术、云存储等。

(2)数据预处理与清洗:由于教育数据的来源多样,质量参差不齐,预处理和清洗是必不可少的环节。数据预处理对数据进行去噪、去重、缺失值填补等操作,以确保后续分析的准确性和可靠性。数据清洗用于去除异常值和不一致的数据,提高数据质量。

(3)数据集成与融合:教育数据通常来自多个不同的渠道,如学生管理系统、教学管理系统等。数据集成和融合技术用于将这些异构的数据整合成一个统一的数据集,方便后续进行分析和挖掘。这涉及数据模型设计、数据转换和数据匹配等技术,以实现数据的无缝整合。

(4)数据挖掘与分析:数据挖掘是教育大数据的核心技术之一,旨在从大规模的教育数据中发现有价值的信息和模式。数据挖掘分析技术包括聚类分析、关联规则挖掘、分类与预测等,可以帮助教师识别学生的学习特征、分析学习路径、发现学习障碍和评估教学效果等。

(5)可视化与呈现:为了更好地理解和使用教育大数据,需要采用可视化技术。通过图表、图像和交互式界面等方式,将复杂的数据以直观且易于理解的形式进行呈现。

(6)预测与建模:基于教育大数据,可以进行学生学习成绩的预测和建模工作。通过机器学习和统计建模等方法,根据学生的历史数据和其他相关因素,可以预测学生未来的学习成绩和表现。

(7)个性化教学:教育大数据为个性化教学提供了有力支持。分析学生的学习行为、兴趣和能力,可以为每个学生量身定制适合他们的学习计划和资源,提供个性化的学习体验。个性化教学涉及学习路径推荐、智能辅导、自适应评估等方面,从而为学生提供定制化的学习方案。

3 基于教育大数据的个性化学习服务体系设计

高职院校生源类型丰富,具有普通高考、提前招生、对口单招、贯通培养、社会人员等多种不同生源,不同的学生在知识基础、认知水平、实践能力和学习特点方面具有显著的差异,即使是同一个学生,在不同阶段的学习需求也会动态变化。以往统一的教学内容和单一的教学方式已无法满足学生的个性化学习需求,在教学过程中引入教育大数据理念,应用教育大数据技术实时跟踪记录每位学生的学习过程、分析存在的问题、提供个性化学习服务已成为现代职业教育的必然趋势。基于教育大数据的个性化学习服务体系包含数据层、分析层、应用层和用户层四个层次,如图1所示。

3.1 数据层

教学相关数据的采集是个性化学习服务体系的基础,是准确进行学情分析并提供针对性学习支持的关键。职业教育面向岗位需求培养人才,教育大数据是教学过程中所产生的数据和企业岗位需求数据的集合,这些数据分散存储在校内外各种信息化平台中。校内平台包括智慧教学平台、教务系统、学工系统等,校外平台包括企业招聘网站、行业协会网站等。教育大数据的数据规模庞大、数据类型繁多,传统的人工数据采集方法已无法满足教育大数据的处理需求。为了支撑个性化学习体系的构建,采用ETL工具进行校内平台的数据采集,采用网络爬虫工具进行校外平台的数据采集。采集的数据主要分为学生数据、岗位数据和资源数据三大类,具体数据指标如表1所示。

表1 数据采集指标

其中,学生数据反映学生的知识技能掌握情况和学习特点,包括学生身份信息(如专业、年级、生源类型)、资源学习数据(如资源偏好、学习时长、下载分享等)、教学互动(如成果分享、参与讨论等)、教学评价(如作业成绩、测试成绩、考试成绩等)、双创实践(如社团活动、社会实践、技能竞赛)等数据;岗位数据反映企业的人才需求,包括岗位名称、典型工作任务、知识技能及素养需求等数据;资源数据用于个性化学习推荐,包括教学资源编号、类型、摘要、关键词、难度、评分、对应知识点等数据。

3.2 分析层

分析层对数据层采集的数据进行分析处理,完成学生的学习者模型、课程的领域知识模型,以及自适应推荐引擎的构建。学习者模型,用于生成学生的数字画像,即学生信息标签化。以数据层的多维数据为基础,通过Spark大数据分析技术生成学生的知识水平、认知能力和学习风格等标签信息。通过作业成绩、理论测试成绩数据,分析出学生的知识水平;通过操作考核成绩、双创实践数据,分析学生的能力水平;通过资源学习、分享和收藏等数据,分析学生的资源偏好和学习习惯。领域知识模型表征课程的知识体系结构,采用知识图谱法进行课程的领域知识模型构建[3]。知识图谱是一种结构化的知识表示方法,用于描述事物之间的关系和属性,基于语义网络的概念,将实体、概念和关系组织起来,形成一个具有层次结构和语义关联的知识库。知识图谱的构建过程包括知识的抽取、表示和链接。知识抽取是指从结构化和非结构化数据中提取出有意义的知识片段;知识表示是将抽取的知识转化为计算机可理解的形式,通常使用三元组“实体—关系—实体”表示;知识链接是将不同数据源中的知识进行连接,建立起关联性和一致性。知识图谱包含知识节点、知识关联和认知状态三个基本要素。知识节点表示课程中基本的知识技能点,知识关联表示知识节点之间的关系,是构建知识图谱结构的关键,包括父子关系、前置后继关系、兄弟关系和平行关系等,认知状态表示学生对知识技能的学习掌握程度。自适应推荐引擎基于学习者画像和课程知识图谱,在充分评估学生的知识水平、认知能力和学习特点的基础上,综合采用基于内容的推荐、协同过滤推荐和混合推荐算法实时提供针对性的学习资源,同时对学习过程进行持续的监测分析,实现学习者画像的动态更新维护。

3.3 应用层

3.3.1 学习路径

学习路径是一个有组织和有计划的学习过程,包括学习时间的分配和学习资源的选取。学习路径能够帮助学生逐步掌握特定领域的知识和技能,建立起系统化的学习框架,体现学生知识学习的序列化和系统性[4]。个性化自适应学习系统具有海量的学习资源,如果没有学习路径作为指引,学生容易产生“知识迷航”问题。结合学生的认知水平、学习目标和学习特点,为其智能推荐个性化的学习路径,对提升自适应个性化学习服务质量具有重要意义。根据学生的认知状态,在知识图谱的基础上,基于EKGCM模型,通过智能优化算法对知识元进行动态规划与重组,生成每位学生个性化的学习路径。

3.3.2 学习资源

不同的学生具有不同的学习风格,学习风格指的是学习者持续一贯的带有个性特征的学习方式,是学习策略和学习倾向的总和,表现为学习者对不同类型学习资源的偏好。VARK学习风格模型将学习者分为视觉型学习者、听觉型学习者、读写型学习者和动觉型学习者4种类型[5],如表2所示。视觉型学习者偏向视频、动画、图片等多媒体学习资源,听觉型学习者偏向音频学习资源,读写型学习者偏向文档学习资源,动觉型学习者偏向仿真软件、游戏等学习资源。根据分析层生成的学生数字画像,对不同学习风格的学生推送相应类型的学习资源,以满足不同学生的学习习惯,有助于激发和维持学习兴趣,从而提高学习效率。

表2 VARK学习风格分类

3.3.3 学习评价

传统的课程评价往往存在评价维度缺乏、评价主体单一、评价方式有限等问题,难以体现客观性。基于教育大数据的数字化评价实现了从“经验主义”“数据局限”“单一维度”走向“数据主义”“海量数据”“多元维度”,全面采集课前、课中、课后教学各环节的数据[6],构建了多维度、多主体、融入课程思政的智能化评价方式,使评价结果更为全面客观。

3.4 用户层

用户层为学生、教师、企业管理者等教学主体提供可视化的交互界面,提供学习过程可视化服务。通过可视化技术,将教育数据以图表、图像、图形等形式呈现,帮助用户更好地理解和分析数据[7]。通过教育大数据学习分析技术实时量化跟踪学习过程;通过图表等形式对学习路径、学习进度、评价结果进行可视化呈现,学生可以直观了解自己的学习认知的动态变化过程;学生通过分析自己的学习数据,了解自己的学习习惯和偏好,合理规划学习时间和资源,优化学习策略,提高学习效果和成绩。通过教育大数据分析学生的学习行为和学习偏好,教师可以为学生提供个性化的学习资源,以满足学生的学习需求。教师还可以利用教育大数据评估教学效果,不断优化教学内容和教学方法。教育大数据可以为用人单位提供更全面和准确的人才评估信息,包括学生的学习成绩、技能水平和学习历程等。企业可以根据以上信息分析学生的学习表现和能力,获取人才培养与岗位需求的匹配度,以实时给予教学改进意见,促进学校人才培养质量的提升。

4 个性化自适应教学在“C语言程序设计”课程中的应用实践

4.1 确定课程内容

利用教育大数据技术对岗位需求进行分析,包括分析招聘网站、行业报告、企业需求数据等,掌握学生主要就业岗位的知识、技能和素质需求。通过与学生的学习数据进行对比和匹配,确定学生的优势和不足,调整教学内容,从而提升教学内容选择与岗位需求的匹配度。“C语言程序设计”课程是电子信息类专业的一门专业基础课程,通过网络爬虫与企业调研相结合的方式采集学生的就业岗位、工作内容和能力需求等相关数据,基于职业能力分析法确定课程的教学内容。为了满足个性化教学需要,将教学项目分解细化为具体的知识技能点,制作配套的微课视频、电子课件、动画、练习题、企业工程案例、仿真软件等数字教学资源,并对不同的资源打上不同的标签,完成个性化自适应教学所需的课程资源建设。

4.2 开展学情分析

将在线教学平台与教务系统、学工系统、网管系统打通,实现对学生在校学习与生活数据的合理采集。通过对生源类型、生源地、高考成绩、已学课程、课程成绩、上网记录、竞赛获奖、课外活动参与情况等数据的分析,确定现代移动通信技术专业2020级学生的知识和技能基础、认知和实践能力、学习特点三个维度的学情分析结果。在知识和技能基础分析方面,通过教育大数据技术对学生的前期课程考试成绩、课前测试成绩、讨论区提问信息等进行分析,获取学生对各个知识技能点的掌握程度。在认知和实践能力分析方面,通过教育大数据技术,收集学生的编程作业、项目实践等数据,结合机器学习和自然语言处理等技术,对学生的编程思维、问题解决能力、代码风格等进行分析,获取关于学生认知和实践能力的评估结果。在学习特点分析方面,通过教育大数据技术,对学生的学习行为数据进行分析,如学习时间、学习路径、学习资源的使用等,掌握学生的学习偏好、学习风格,以及学习模式。通过应用教育大数据技术,实现对班级每位学生学情的精准分析。针对存在的薄弱环节,在课前通过教育大数据教学平台推荐的个性化的学习资源,缩小不同学生间的学习进度差异,为课堂教学提供足够的知识技能储备。

4.3 设定教学目标

根据教育大数据学情分析结果,参照国家专业教学标准、职业技能等级标准、行业标准,结合企业岗位职业能力要求和社会主义核心价值观,确定课程教学目标,包括思政目标、知识目标、能力目标。以传统教学中最难设定的思政目标为例,通过教育大数据技术,分析岗位技能要求、职业道德规范和综合素养要求等方面的数据,掌握学生在就业中所需具备的能力和素养,通过对学生校内学习生活大数据的分析,掌握学生多维度的素质养成情况,结合社会主义核心价值观对个人成长层面的要求,针对学生存在的薄弱环节进行重点提升,凝练了“理想信念、职业素养、科学精神”三个层面的课程思政教学目标,如图2所示。

4.4 选取教学资源

课程资源是知识、技能和思政教育的载体,资源的系统性和针对性直接影响教学目标的达成。不同学生在学习“C语言程序设计”课程时具有不同的学习需求和学习风格,个性化教学需要根据学生的特点和需求,选择适合的教学资源,以满足学生个性化的学习需求。通过合理选择教学资源,个性化教学可以提高学生的学习成效和满意度。学生可以根据自己的学习需求和兴趣选择适合自己的学习资源,这样学习更有针对性和自主性,学生能够更好地掌握C语言的知识和技能。通过教育大数据技术,充分挖掘每个任务中蕴含的思政元素,匹配筛选对应的思政素材,以课程项目一为例,思政元素和素材分析结果如表3所示。在课程资源开发建设过程中,应用教育大数据技术对资源的类型、难度及涉及的知识、技能和思政元素进行标注,根据教学目标和学生特点,灵活构建课程内容。在“C语言程序设计”课程的教学资源建设过程中,针对每个独立的知识技能点开发设计文档、视频、动画等教学资源,建设了颗粒化的教学资源体系。在组课时,设计了基础任务和拓展任务两种不同层级的任务,供不同学习基础的学生进行学习,从而实施分层分级的教学模式。借助教育大数据技术能够完成资源数量、占比及资源类型变化趋势的统计分析,有利于课程教学资源的不断完善。

图2 课程思政目标

表3 思政元素和素材分析结果

4.5 评估教学成效

传统的教学过程主要采用测验、考试等终结性评价方式,因缺乏有效的技术手段,形成性评价的应用较少,评价主体以教师为主,学生在教学评价过程中的参与较少。评价往往只关注学生的最终分数,忽略了学生的成长进步,不能充分激发学生的学习积极性。通过教育大数据技术的应用,能够综合使用形成性评价和过程性评价,引入多元的评价主体,采集记录每个学生的学习行为和成果数据,评估分析学生的学习进步情况,从而构建过程性、多元化、增值性的教学评价体系。“C语言程序设计”课程的教学评价方式如图3所示,将课程思政纳入课前、课中和课后考核全过程,将课程的专业知识、技能与思政教育融为一体。引入了教师、学生、企业工程师、平台等多元化的评价主体,采用教师评价学生、学生互评、学生自评、企业评价等多种评价方式。其中,思政素质评价维度包括线上资源学习完成率、课堂活动参与度、小组合作贡献度、程序编写规范性、课外实践活动参与情况等多个方面,跟踪评估每位学生的价值观和情感态度变化情况,使课程思政教学评价更加客观公正。根据评价结果为学生提供针对性的指导和学习支持,促进学生的个性化成长,从而实现因材施教。

图3 多维度、多主体的过程性教学评价方式

5 结语

个性化自适应教学是教育大数据时代职业教育发展的必然趋势,是以学习者为中心的教育理念在信息技术支撑下的落实,充分尊重每个学生个体的特征差异,实现了因材施教。针对“C语言程序设计”课程传统教学模式存在的不足,设计了一种基于教育大数据的个性化学习服务体系,阐述了每一层的核心功能和关键技术,并进一步介绍了该个性化学习服务体系在“C语言程序设计”课程教学改革中的具体应用。在科学设置教学目标、精准推荐教学资源、客观评估教学成效等方面发挥了教育大数据的强大力量,为同类课程的个性化教学改革提供了理论指导和实践参考。