基于大数据的精准教学模式研究

摘要：该文以《计算机组成原理》这一计算机专业的核心课程为例，探讨了基于大数据的精准教学模式，分析了《计算机组成原理》的教学现状以及存在的挑战和问题，提出并详细阐述了基于大数据的“一星两端三督导”精准教学模式。为了验证该模式的有效性，以吉利学院《计算机组成原理》的九个教学班为例进行了验证。

关键词：大数据；精准教学；计算机组成原理；超星学习通

doi：10.3969/J.ISSN.1672-7274.2024.09.078

中图分类号：G 712.4；TM 1-4；TN 0-4 文献标志码：A 文章编码：1672-7274（2024）09-0-03

Research on Precision Teaching Model Based on Big Data

--Taking the Course of Computer Composition Principles as an Example

LUO Xiaogang

（School of Intelligent Technology， Geely University， Chengdu 641423， China）

Abstract： The article takes the core course of computer science， "Principles of Computer Composition，" as an example to explore the precise teaching model based on big data. The study first analyzed the current teaching status of "Principles of Computer Composition" and pointed out the existing challenges and problems. Subsequently， the precise teaching model of "one star， two ends， and three supervision" based on big data was proposed and elaborated in detail. In order to verify the effectiveness of this model， an empirical analysis was conducted using nine teaching classes of Computer Composition Principles at Geely College as examples.

Keywords： big data; precision teaching; principles of computer composition; Chaoxing Learning Pass

0 引言

本研究以《计算机组成原理》这一计算机专业的核心课程为切入点，探索基于大数据的精准教学模式，以期通过深入分析学生的学习数据和教学反馈，构建一个更加贴合学生需求、高效且个性化的教学体系。

1 《计算机组成原理》教学现状分析

《计算机组成原理》是计算机专业学生的专业基础课程，内容多、涉及知识面广。从内容特点来看，该课程主要是对计算机的组成与运行原理进行分析。该课程抽象程度很高、实践性很强。在教学过程中，往往会出现内容抽象难懂、难以理解等问题[1]，导致该课程教学效果不佳，学生缺乏学习兴趣与主动性，理论知识和实际应用脱节。因此，提高该课程的教学质量是教育工作者一直关注的问题。在传统的《计算机组成原理》的教学中，教师通常采取全授课方式教学，学生采用被动学习方式学习，造成了学生对该课程的重要性认识不足，系统观、软硬协同观、工程观难以建立。目前来看，该课程教学普遍存在以下问题：

理论知识抽象，学生理解难度大。《计算机组成原理》课程主要以逻辑运算与逻辑实现为主线，把整个计算机系统划分为若干个基本模块，按功能将其划分为运算器、控制器、存储器、输入输出系统及总线五大模块[2]。由于该课程涉及内容多，概念抽象性强，且该课程对《数字逻辑电路》《C语言程序设计》等前置课程知识点要求高，学生普遍反映理解难度大。同时，《计算机组成原理》与《操作系统》等后续的专业课程存在紧密的关联性。如果学生在这门课程中没有打下坚实的基础，那么他们在学习后续课程时就会感到困难重重。这种连锁反应会导致学生的学习压力逐渐增大，甚至可能影响到他们的专业兴趣和学业成绩。

实验课程设计缺乏系统性。目前该课程的实验内容相对单一，主要以验证性实验为主，缺乏设计性、创新性和综合性实验。验证性实验虽然能够帮助学生巩固课堂所学知识，但其在提升学生独立思考、解决问题和创新能力方面的作用有限[3]。学生往往只是按照实验指导书的步骤机械地完成操作，而没有深入理解实验背后的原理和概念。其次，实验内容与理论课程的衔接不够紧密。由于实验设计缺乏系统性，实验内容往往与理论课程的知识点脱节，无法有效地帮助学生通过实践操作来加深对理论知识的理解。这种脱节现象会导致学生在实验过程中感到迷茫和困惑，无法将实验与理论知识联系起来。

2 基于大数据的精准教学模式

2.1 基于大数据的教学内容精准定位

在探索《计算机组成原理》课程的教学创新时，笔者引入了“一星两端三督导”的精准教学模式，并结合吉利学院九个教学班的特点，对教学内容进行了精准定位。这一模式的核心在于通过超星学习通平台（一星）连接教师端与学生端（两端），并实现预习、学习和复习三个环节的督导（三督导）。

利用超星学习通平台的大数据分析功能，笔者对吉利学院九个教学班共350名学生的学习行为进行了深入分析。这些数据包括学习时长、访问频率、资源使用偏好、作业完成情况以及在线测试成绩等。通过分析这些数据，笔者发现了不同班级和个体在《计算机组成原理》课程学习中的差异和共性。

针对吉利学院学生的特点，笔者注意到他们普遍对实践操作和案例分析感兴趣，而在理论知识的掌握上存在一定不足。因此，在教学内容的定位上，教师加大了对实践操作和案例分析的比重，同时加强了理论知识的讲解和巩固。例如，教师通过超星学习通平台发布了丰富的实验指导和案例分析资源，引导学生在实践中深化对理论知识的理解。同时，利用超星学习通的知识图谱功能，加强前后知识点的联系，将逻辑电路、组成原理与导论等课程的知识点进行连接，形成了完整的知识图谱。

在“一星两端三督导”模式的指导下，教师进一步优化了教学内容的安排。预习督导阶段，通过平台发布预习资料和测试，确保学生在课前对即将学习的内容有初步了解；学习督导阶段，利用平台的实时互动功能，加强与学生的沟通交流，及时解答他们的疑问；复习督导阶段，则通过发布作业和在线测试，检验学生对所学知识的掌握情况，并为他们提供有针对性的反馈和指导。

2.2 基于大数据的教学方法精准设计

2.2.1 学习行为动态监测

首先，利用超星学习通平台（一星）汇集学生学习行为数据。相关数据涵盖了学生的学习时长、访问资源的类型与频率、作业提交的及时性与质量，以及在线测试的成绩与答题情况等。例如，某些学生在理论知识的学习上花费了较长时间但成绩并不理想。这可能意味着他们在理解或记忆上存在困难。而另一些学生在实践操作的环节表现出色。他们可能对于动手实践有着更高的兴趣和天赋。结合“两端”（教师端与学生端）的互动数据，可以进一步洞察学生的学习特点和问题所在。教师在平台上发布的预习、学习和复习督导任务，以及学生的完成情况和反馈，都为教师提供了宝贵的参考信息。

2.2.2 精准教学

每个学生都是独一无二的，他们拥有不同的学习风格、兴趣偏好和学习节奏。通过大数据分析与知识图谱关联知识点，教师可以深入洞察这些个体差异，从而为学生量身打造适合他们的教学方法[4]。这种个性化教学不仅有助于激发学生的学习兴趣和动力，还能帮助他们充分发挥自己的潜能。

借助超新星学习平台教师可以汇总学生的学习行为、成绩、互动等多维度数据。通过分析这些数据，教师可以清晰地看到哪些学生在理论知识掌握上相对薄弱，哪些学生在实践操作方面表现突出。针对理论掌握薄弱的学生，教师可以利用平台上的丰富资源，为他们设计更加直观、形象化的教学方式。这些生动的教学资源有助于学生更好地理解和掌握抽象的概念和原理，提升他们的学习效果。

而对于实践操作能力强的学生，教师则可以在“两端”（教师端和学生端）的互动中，为他们设计更具挑战性的任务和项目。这些任务和项目可以激发学生的创新思维和实践能力，让他们在探索中不断成长。同时，“三督导”机制则确保了这些任务和项目的有效实施。通过预习、学习和复习三个环节的督导，教师可以实时关注学生的学习进度和反馈，及时给予指导和帮助，确保每个学生都能在个性化的教学方法中获得最佳的学习体验。

2.2.3 教学方法动态调整

在《计算机组成原理》课程的教学实践中，大数据的实时分析与应用为教学方法的动态调整提供了前所未有的可能性。通过与“一星两端三督导”教学模式的紧密结合，教师能够实时掌握学生的学习情况，并根据反馈进行针对性的调整，确保教学内容始终与学生的实际需求保持同步。在教学过程中，超星学习通平台作为教师收集学生学习数据的“一星”，发挥着至关重要的作用。通过实时追踪和分析学生在平台上的学习行为，如观看视频时长、阅读资料次数、作业完成情况以及在线测试成绩等，教师可以获得关于学生学习进度和效果的即时反馈。这些数据不仅揭示了学生对知识点的掌握情况，还反映了他们在学习过程中遇到的困难和挑战。当教师发现学生对某个知识点普遍感到困惑时，可以立即利用“两端”（教师端和学生端）的互动功能与学生进行沟通交流，并据此调整自己的教学方法。

2.3 基于大数据的教学评价精准实施

在大数据时代，教学评价不再仅仅依赖于传统的问卷调查、期末测试等手段，而是可以通过收集和分析学生在学习过程中产生的海量数据，实现精准、全面的评价。这种基于大数据的教学评价不仅能够更准确地反映学生的学习情况，还能为教师提供有针对性的教学改进建议。大数据的收集范围广泛，可以涵盖学生在学习过程中的各个方面，如学习时长、学习路径、资源访问频率、作业完成情况、在线测试成绩、互动参与度等。这些数据为教师提供了丰富的评价依据，使他们能够从多个角度全面了解学生的学习状况。具体来说基于大数据的教学评价需要重点关注以下几个方面：①学习进度与参与度：通过超星学习通平台的学习时长和资源访问数据，评价学生的学习进度是否跟上课程要求，以及他们在学习过程中的参与程度；②知识掌握程度：结合在线测试成绩、作业质量和课堂互动数据，评估学生对课程知识点的理解和应用能力；③学习态度与反馈：通过学生端的提问、讨论和反馈数据，判断学生的学习态度是否积极，以及他们对教学方法和内容的接受程度；④教学方法有效性：根据学生的学习效果和反馈数据，评价教师的教学方法是否得当，是否能够激发学生的学习兴趣和动力；⑤学习策略与效率：通过分析学生在预习、学习和复习阶段的数据，评价他们的学习策略是否有效，以及他们的学习效率如何。

3 实验及结果分析

为了验证“一星两端三督导”精准教学模式在《计算机组成原理》课程教学中的有效性，笔者在吉利学院九个教学班中进行了一个学期的实验研究，包括350名学生。实验的目的是通过使用大数据驱动的教学策略来观察和改进教学方法，并分析其对学生学习成果的影响。

3.1 实验设计

实验组：采用“一星两端三督导”教学模式的5个教学班（共200名学生）。

对照组：使用传统教学方法的4个教学班（共150名学生）。

数据收集：通过超星学习通平台收集学生的在线学习行为、作业提交情况、考试成绩以及课堂互动情况。

3.2 数据分析方法

采用描述性统计来分析和对比两组学生的学习成绩和参与度，结果分析如表1所示。

3.3 讨论

（1）实验组在平均考试成绩和课堂参与度上均显著高于对照组，显示出精准教学模式在提升学习效果和参与度方面的优势。

（2）作业提交率和学生满意度的提高进一步证明了该教学模式在提高学生学习动力和满意度方面的有效性。

（3）学习效果提升比例的对比表明，实验组学生在理解和应用《计算机组成原理》知识方面有更明显的进步。

4 结束语

本研究通过实施“一星两端三督导”精准教学模式，在吉利学院的《计算机组成原理》课程中取得了显著成效。实验结果表明，该模式有效提高了学生的学习成绩、课堂参与度和满意度。这证明了结合大数据技术和个性化教学策略在高等教育中的巨大潜力。未来，此模式可进一步扩展到其他课程和学科领域，同时加强对教师在应用新技术方面的培训和支持。此外，随着技术的不断发展和教育数据的丰富，可以期待出现更多创新的教学方法，以更好地满足不同学生的学习需求，推动教育质量的持续提升。

参考文献

[1] 唐朝永，师永志．课堂精准教学的困境与策略研究[J]．办公自动化，2023，28（24）：22-24．

[2] 张绍洋，陈军．大数据精准教学的意蕴和路径[J]．试题与研究，2023（34）：87-89．

[3] 胡友永．大数据赋能精准教学的实践和探讨[J]．中小学信息技术教育，2023（10）：28-30．

[4] 刘邦奇．数据驱动教学数字化转型：机理、场域及路径[J]．现代教育技术，2023，33（9）：16-26．