数据赋能的高等学历继续教育线上教学实施策略研究

［摘 要］文章从数据赋能对高等学历继续教育线上教学的关键环节切入，聚焦数据赋能的高等学历继续教育在线直播课与平台资源学习教学情境，系统化地总结了线上课程资源建设、教学实施、学习评价三大阶段的核心要素，并借助实践案例，对基于数据赋能的在线教学实施流程进行定义、优化重组和精细化处理。研究认为，加大数据赋能线上教学改革的投入和推广、提升教师的数据素养和协同意识、重视在线课程运行效果评价和持续性的维护、积极引导学生参与到课程建设和实施中，是切实提升高等学历继续教育线上教学质量的有效途径。

［关键词］继续教育；高等学历；数据驱动教学；数据赋能

［中图分类号］G642.3 ［文献标识码］A ［文章编号］2095-3437（2024）21-0057-05

随着互联网技术的飞速发展，线上教育已成为高等学历继续教育不可或缺的一环。教育信息化2.0时代，以大数据、人工智能、云计算为代表的新技术不断涌现，飞速生成并累积了海量的线上学习数据。充分利用线上数据收集优势，挖掘数据特征赋能教学决策和授课环节，实施精准教学成为高等学历继续教育线上教学发展的必然趋势。本文着重研究高等学历继续教育层次如何从教学决策视角对线上学习数据进行采集和分析，并将数据赋能转化为可操作的教学组织策略，以提升高等学历继续教育线上教学质量。

一、文献回顾

数据驱动教学（Data Driven Instruction，DDI）主要是指通过收集和分析学习过程数据与测试数据，使教师科学、客观、准确地了解学生学习状态，并据此进行最优教学决策、提升教学质量的教学模式[1]。自2012年美国教育部发布《通过教育数据挖掘和学习分析促进教与学》报告以来，教育数据挖掘技术成为支持教学决策的重要趋势 [2]。随着时间推移和技术演进，教育大数据的应用和数据驱动教学法日益成为热点，逐渐演化为“精准教学”。不同学者从多个维度构建了适用于我国教育环境的数据驱动教学模型，并提出差异化与精准教学方案。徐鹏等指出，利用教育数据挖掘技术和学习分析技术为教学决策提供有效支持是未来教育发展的趋势[3]。此后，教育大数据在教学各环节的运用、数据驱动教学法成为研究热点， Schildkamp和Poortman将数据驱动的教学决策划分为数据收集、数据分析、数据结论与专业知识整合、决策应用、行动评价5个阶段[4]。杨现民等从学习者、教学者和教育大数据3个主体出发，构建了我国教育环境适用的数据驱动教学范式框架[5]，同年Literacy提出数据驱动的差异化教学模式[6]，并且这一主张逐渐演化为“精准教学”。张文梅等在分析数据驱动教学行为的现状和发展逻辑后，指出教学情境日益混合化，利用多模态智能计算以提供精准化的教学服务是今后发展的主要方向之一[7]。张哲等根据课程授课的流程和环节对高职院校开展数据驱动下的精准教学提出可操作性建议[8]。张丽军等从教学目标确定、教学过程框架设计、教学评价与预测 3 个维度对体育精准教学模式进行了主体建构[9]。

综上所述，本文基于数据赋能教学理论，结合数据驱动的教学范式研究框架和高等学历继续教育线上教学真实情境，探讨高等学历继续教育在线课程如何进行课程设计、组织和实施精准教学，旨在为高等学历继续教育线上课程建设提供科学的参考依据。

二、数据赋能背景下的继续教育数据分类

（一）基础类数据

基础类数据主要是指对学生进行特征描绘的学籍类和历史行为数据。与全日制院校的线下面授课不同，高等学历继续教育线上课程每期注册学生数量较多。当不同学习背景、不同职业、不同地域的学生汇聚到同一门课程中时，通过基础性学籍信息数据分析对学生进行群体性特征描述、挖掘群体共性标签，是进行教学设计、实施精准教学、提升教学质量的重要前提。当前线上课程一直在更新建设，部分课程存在此前建成的在线课程资源和实施过程等丰富的历史数据，可供教师进行前期数据分析。在新一轮的课程平台资源建设和实施过程中，教师可对课程的历史行为数据和测评数据进行全面分析，获取学生学习行为共性特征数据和对知识点掌握的难易情况，进而指导线上教学。

（二）行为类数据

行为类数据是指依托学习平台收集的全渠道、全方位数据，该数据不仅包括常见的结构化平台行为日志数据，也包括平台学习资源中的文本、视频、互动记录、直播回放、录播视频等非结构化数据，该类数据主要在线上教学实施过程中同步产生和收集。当前线上教学平台中较为常见的结构数据有教学活动发起次数和教师登录天数、登录次数、登录时长、回帖量等 “教学”行为统计数据，以及学生登录次数、天数、时长、参与教学活动行为、发帖量、教学资源点击量、教学资源学习时长、直播课签到、直播课在线时长等 “学习”行为统计数据。常见的非结构数据有教师设置的特定行为标签数据、平台利用网络爬虫技术对文本类行为进行判定的数据、平台根据学生行为生成的网络结构图等。

（三）学习评价类数据

学习评价类数据是指依托学习平台收集的学生测评和平台智能测评等客观数据，以及教学评价、多主体互评、教学反思等主观数据。传统的线上学习考评数据指线上各个章节的形成性测试成绩，以及特定的过程性测试成绩。当前，学习平台逐步形成了基于过程性数据的智能测评数据。教师对学习过程中的特定教学活动设置行为标签、对组间互评成绩和互动成绩等赋予不同的权重，最终由平台结合形成性测试成绩智能出具综合测评成绩。

三、数据赋能的高等学历继续教育线上教学实施策略

（一）线上教学实施情境

对教学情景进行界定是探讨数据赋能高等学历继续教育线上教学实施的前提。当前，高等学历继续教育线上教学模式较为典型的主要有三种：第一种为学生通过指定学习平台完成所有学习，即传统的“视频点播+网页浏览”教学模式；第二种为学生通过指定学习平台同步完成直播课和平台线上资源学习，即线上资源学习和直播课混合教学模式；第三种为学生到基层学习中心参加线下面授课，同时完成指定学习平台的线上资源学习，即处于萌芽阶段的智慧教室教学。从普及性角度来看，当前高等学历继续教育线上教学主要采用第二种模式，具体表现为：教学建设团队提前完成学习平台资源建设，开课后教学授课团队根据教学计划开展直播课教学，教学运行团队同步组织直播课堂、讨论区互动、签到、投票等课堂活动。

（二）数据赋能的线上教学实施策略框架

在线上资源学习和直播课混合教学模式下，高等学历继续教育线上教学流程大致分为线上资源建设、教学运行和学习评价三个阶段。线上资源建设是课程实施的基础，也是数据驱动精准教学的基石。教师团队构建形式多样、内容丰富、具备群体特征的线上教学资源是数据赋能教学实施的重要前提。教学运行阶段主要分为线上资源学习和直播课教学两个模块，学生根据教学设计发生学习行为，教师根据实时数据分析结论，做出数据赋能下的教学决策，组织学生进行下一阶段的学习。学习评价阶段是在课程学习结束后，学生完成教学设计中的各项学习任务、测评任务等，并获得最终课程成绩。同时，教师从教学方法、教学组织、教学效果方面展开教学反思，学生从满意度、课程评价等角度进行教学反馈。上述数据赋能的线上课程教学实施路径与教学情景、数据类型的对应关系如图1所示。

（三）数据赋能的教学设计阶段实施策略

数据赋能的教学设计阶段主要是指线上资源建设，教师应充分利用基础数据分析结论，对线上资源进行针对性的建设或更新，进而为精准教学做好资源准备，以及做好数据收集设计和多元主体评价的系统设置，最终制定课程的整体教学设计方案和总体实施计划。

以笔者供职的四川开放大学为例，国家开放大学学习网中的课程均按照章节设置，并且测试题后台均与章节内容相对应。首先，将过往3至4学期的课程在国家开放大学学习网中的数据导出后，通过统计学生学习行为、章节和形成性测试错题分布，可以对新一轮学习资源建设和课程实施提供有价值的参考。其次，以2022年秋四川开放大学每学期开设的线上课程为例，注册学生人数超过500人的课程约占60%，注册人数超过1000人的课程约占39%。最后，在注册学生规模较大的背景下，从学生前置学历、前置专业、学生年龄段、学生性别、学生生源地、学生公司类别等角度进行数据分析，能够更好地掌握学生的群体性特征，进而方便教师针对性地开辟学习资源专区或汇聚特定类型的学习资源，开展精准教学。

（四）数据赋能的教学决策阶段实施策略

在数据赋能的教学决策阶段，教师利用平台工具组织学生参与既定的教学活动，通过对虚拟学生的学习行为数据进行分析，做出最优教学决策，更好地调动学生的积极性，从而提高线上教学质量。从具体实施来看，当前高等学历继续教育线上课程学习的软硬件环境都有了较大改善——学习平台操作界面的简单化、学生交替使用移动终端和电脑终端的学习数据后台同步性问题基本得以解决，以及学习平台app、微信公众号、小程序等的学习便利性不断提升，这使学生可以根据自身安排参与大多数的教学活动。特别是部分学习平台通过微信绑定，可以将课程开课、课程直播、课程活动等教学活动在实施前、实施中及时推送到学生微信中，大大提升了信息沟通效率，显著提升了学生课程活动的参与度。

对于教师而言，数据赋能下的教学实施改动较大。当前，高等学历继续教育线上课程从此前的由一个教师完成所有教学角色逐渐转变为由教学团队共同运行课程。从线上课程实施来看，为保障教学质量，教学团队应至少具备教学授课和教学运行两种职能。其中，教学授课团队主要负责线上课程资源建设、直播课程讲授、作业批改、讨论回复、测试评价等工作，教学运行团队主要负责组织学生参加各项活动、直播课程互动协调、讨论区运行维护、组织学生评测、整理学生教学反馈、做好学生教师间人性化沟通等工作。

（五）数据赋能的学习评价阶段实施策略

在数据赋能的学习评价阶段，教学授课团队以多元主体评价进行教学设计和平台设置，如在课程主页设置专栏，对考评方式进行介绍，并在直播课对相关教学活动与评价方式进行通俗易懂的解释。教学运行团队在教学组织中应编制详细的操作手册、互评功能使用介绍等，以方便学生迅速掌握平台的各种评价功能。与此同时，合理安排团队人员，建立响应制度，在规定时间内及时响应学生评价，并做好分类整理工作，进而实时对教学实施情况进行反馈。客观、正确地分析主观性评价内容，总结教学反思。学期课程运行结束后，撰写教学实施总结以及教学资源修订计划，确保每一期的教学和学习数据赋能下一期课程。

四、对策建议

（一）加大数据赋能线上教学改革的投入和推广

大数据技术带来行业变革的趋势终将推动线上教学改革，高校应重视数据赋能线上教学的时代趋势，营造数据赋能教学的政策环境、制定科学的发展规划，建立教学部门、信息中心等相关部门多方联动实施机制，通过典型带动、制度拉动、培训推动加大数据赋能线上教学改革的投入和推广。首先，高等学历继续教育办学高校应鼓励教师利用教学大数据，对线上课程从建设到实施中的各个环节有针对性地进行数据赋能的设计和组织，推动相关教学改革的立项和成果推广，进而以点带面地在教师中推广数据赋能的优秀教学经验。其次，加大线上教学的软硬件投入，设立智能学习平台和智慧直播教室建设专项经费，编制科学的发展规划，总结数据赋能教学实践的特征，编制校内操作规范和实施指南，确保全校数据赋能式线上教学水平的整体提升。最后，切实做好数据收集、数据分析、数据应用、人工智能分析等大数据运用的普及工作，定期为教师进行平台功能和更新方面的培训，打破学习平台技术与教师运用之间的壁垒，确保教学改革与学习平台智能化互惠共赢。

（二）提升教师数据素养和协同意识

数据赋能的高等学历继续教育线上课程建设及实施在一定程度上会冲击教师的传统教学思维，对教师的角色定位和技能提出全新的要求，教师务必具备较强的数据素养和协同意识。首先，在数据赋能教学模式下，学习行为、平台资源、学生基础数据、历史数据等源源不断地汇聚成大数据库供教师进行选择或决策，学习平台的智能化分析、图像化呈现在一定程度上替教师完成了对数据的初级分类和统计分析，此时教师对数据结果的管理、解读转化为教学决策的主观认知过程显得尤为重要，通过培训、教学研讨等方式提升教师数据收集、数据分析、数据解读、数据管理和数据转化的能力是必不可少的环节。其次，传统的由一名教师包揽一门课程全过程的形式逐渐被一个教学团队负责一门课程的形式所取代。教学团队的责任人应做好人员搭建、明确分工、组间协调、环境保障等工作，确保课程建设和运行的质量；团队中负责教学的成员应提升数据赋能式教学设计、教学决策、教学组织的能力，切实将数据特征转化为教学特色，向学生提供内容丰富、形式多样的线上课程；团队中负责线上课程运行的成员应提升技术推广、平台操作、学生反馈收集等方面的能力，切实做好帮助学生接受新技术、使用平台等方面的工作，也做好教师与学生的桥梁，协助师生顺利完成线上学习。

（三）重视课程运行评价和后续维护

此前线上课程建设和实施中，学校主要重视平台学习资源的建成验收，对后续的课程运行和持续的平台学习资源建设不够重视。对于高质量的线上课程来说，教学内容与时俱进是调动学生学习兴趣的有效手段，也是最能体现线上课程灵活性的途径，更是形成线上学习大数据库的重要来源。学校应出台相应的配套保障措施，促进线上课程学习资源的持续更新，改变当前学习资源一次性建设完毕但后续缺乏持续建设的现象。另外，经过教学运行沉淀、教学资料持续累积的线上课程更能不断提高课程资料的含金量，同时培养出高质量的教师团队，有利于课程大数据库的形成，进而挖掘数据特征，以满足不同学生的需求。学校在课程考核中，应考虑对课程进行中长期考核，避免产生“大建大上、一评定音、会后不管”等现象，秉持久久为功的态度，让每一期学生都能享受高质量的教学服务和学习资源。

（四）调动学生参与课程建设和实施

学生是线上学习的直接受益者，充分重视学生对线上课程的学习感受和评价，调动学生参与线上课程的建设和实施是提升教学质量的有效手段，但在现实中容易被忽视。鉴于线上课程师生分离的状态，教师团队一般不易了解学生的真实学习状态和学习感受，但基于大数据平台，调查问卷、语音反馈、直播课程实时发起教学活动、投票表决、学生参与状态图智能化呈现等功能使得教师对学生学习状态的了解不断增加，教师能及时调整教学策略，满足学生需求。引导学生参与教学设计并及时进行正向反馈是提高学生课程参与度、上课频率的重要途径。此外，鼓励学生上传自己制作的小视频并参与论坛讨论，也能较好地提高学生参与互动讨论的热情，这种方式既满足了学生的短视频展示需求，又有利于其他学生快速了解其观点，更符合当下学生的生活方式。

五、结语

本文结合四川开放大学线上课程实施情况，深入探讨了数据赋能背景下高等学历继续教育线上教学数据收集、教学设计和教学决策、实施评价等环节的现状，进而提出了相应的实施策略。值得注意的是，本文着力于研究当下线上教学中大规模实际运用的数据赋能技术，但对于前沿性、试点性的AICG学习系统以及ChatGPT在教学中的创新应用缺乏深入探讨。在未来的研究中，我们将进一步挖掘数据赋能技术的潜力，探索更多新的教学模式，以推动高等学历继续教育线上教学的持续发展。

［ 参 考 文 献 ］

[1] Huffpost. Data driven instruction changes the face of yeshiva education[EB/OL].（2017-05-11）[2024-03-21]. http：//www.huffingtonpost.com/kimsilverton/data-driven-instruction-c_b_861229.html.

[2] 何克抗. 大数据面面观[J]. 电化教育研究， 2014， 35（10）：8-16.

[3] 徐鹏， 王以宁， 刘艳华，等. 大数据视角分析学习变革：美国《通过教育数据挖掘和学习分析促进教与学》报告解读及启示[J]. 远程教育杂志， 2013， 31（6）：11-17.

[4] SCHILDKAMP K， POORTMAN C. Factors influencing the functioning of data teams[J]. Teachers college record， 2015， 117（4）： 1-42.

[5] 杨现民，骆娇娇，刘雅馨，等.数据驱动教学：大数据时代教学范式的新走向[J].电化教育研究，2017，38（12）：13-20.

[6] LITERACY H How. Data⁃driven differentiated （D3） instruction[EB/OL].（2017-05-02）[2024-03-28].http：//www.literacyhow.com/assessment-progress monitoring/.

[7] 张文梅，祁彬斌，范文翔. 数据驱动的教学行为分析：现状，逻辑与发展趋向[J]. 远程教育杂志， 2021， 39（1）：84-93.

[8] 张哲，吴芬芬.数据驱动的高职课堂精准教学模式构建研究[J].职业技术教育，2022，43（8）：66-69.

[9] 张丽军，孙有平.大数据驱动的体育精准教学模式研究[J].天津体育学院报，2022，37（2）：174-180.

［责任编辑：刘凤华］