大数据驱动的新工科课堂交互效果评价研究

关键词：大数据；课堂交互评价；层次分析；聚类分析；智慧教室

中图分类号：G642 文献标识码：A

文章编号：1009-3044（2025）03-0067-03 开放科学（资源服务） 标识码（OSID） ：

0 引言

近年来，大数据和人工智能技术在教育领域的应用日益广泛。新工科人才培养强调学生的创新意识和实践能力，课堂交互作为实现这一目标的重要途径，成为教学改革的重点。课堂教学交互效果评价是检验教学质量和推进教学改革的重要环节，其科学性和准确性至关重要。然而，传统的课堂教学效果评价方法存在以下问题：

主观性强：传统评价方法主要依赖教师的经验和学生的感受，评价结果易受主观因素影响，缺乏客观性和可比性。

评价指标单一：传统评价方式通常只关注师生互动频率、学生参与情况等少数评价指标，忽略了学生学习效果、知识水平、情感态度等多方面因素。

评价方法局限：传统评价方法主要依赖教师自我感知、学生问卷调查等方式，无法全面、实时地反映课堂交互的真实情况。

评价结果反馈滞后：传统评价通常在课程结束后才进行，无法及时发现和解决教学中存在的问题，不利于教师及时调整教学策略。

传统评价方法的局限性，促使研究人员寻求更加科学、客观的评价方法，以满足新时代教育评价的需求。

1 基于大数据的课堂交互效果评价相关研究

近年来，许多研究者开始探索利用大数据和人工智能技术进行课堂交互效果的评价。文楷等提出了基于视频分析的课堂教学效果自动评价系统，采用了考勤检测、学习状态分析等模块，实现了课堂教学效果的自动评价[1]。宋阳春等研究了高校学生评教现状，并提出了相应的对策建议[2]，徐俊武等定量分析了翻转课堂教学模式对学生成绩的影响，发现翻转课堂模式对学生期末考试成绩有显著的正向影响[3]。金力等学者利用深度学习技术构建了课堂教学效果评价模型，能够获取学生面部表情变化，促进课堂教学质量的提高[4]。任远芳以智慧课堂为研究案例，提出了大数据背景下智慧课堂教学效果评价的构建策略[5]。这些研究丰富了课堂教学效果评价的方法，采用了机器学习、深度学习等先进技术，以提高评价的准确性和效率，为教学质量提升提供了新的思路和方法。但是也都存在交互效果评价不突出，评价指标泛化能力差，通用性差，不符合学校统一管理需求等问题，本文提出一种基于大数据的高效课堂评价方法，能较好地适应不同课堂类型，能获得师生认可的评价结果。

2 大数据驱动的教学交互评价模型

课堂交互效果评价模型包括评价指标、指标权重和指标量化等诸多元素。目前层次分析、主成分分析等统计分析模型已经广泛应用于教学效果评价，在信度和效度性能上表现良好。本研究采用层次分析法（AHP） 构建教学交互评价模型。主要通过将教学交互问题分解成多个层次和因素、确定判断矩阵、计算相关权重、完成一致性检验，最终得出评价结果。

2.1 评价标准的层次结构

根据新工科人才培养目标，分析课堂教学交互的各要素关系，融合课堂的交互主体、目标任务等多个视角分析确定评价标准的层次为：学生、教师和目标达成度。如图1所示。

学生层包含：参与度、专注度、参与质量三组测量项。

教师层包含：反馈及时性、目标达成度等二组测量项。

教师学生复合层包含：互动频率一组测量项。

学生和目标达成度复合层包含：参与质量一组测量项。

详细的观测点如表1所示。

2.2 数据采集及量化

表1中具体观测点数据，可利用智慧教室中相关支撑技术完成采集。如课堂互动次数、回答问题频率等数据可用AI行为识别系统自动检测和记录学生在课堂中的主动互动行为，包括举手、发言和提问次数等。教师提问次数等数据可以通过教室内的麦克风阵列和语音识别技术进行采集记录。

评价中采集的数据都是课堂参与者实际产生的，不同课程和教学场景产生的数据规模不同，因此不能使用统一的标准来量化等级。为达到数据量化的自适应性，利用纵向聚类算法将每个观测点采集的数据量化为具体的等级，本研究中采用K-means聚类分析法[6]，具体步骤：

1） 数据标准化：对各数据进行z-score[7] 标准化，如式1所示。

z 为标准化后的数值，x 为原始数据值，μ为数据的均值，σ为数据的标准差。通过z-score标准化，可以消除不同指标的量纲差异，使其在同一尺度上进行比较。

2.3 指标权重计算方法

为体现指标体系的科学性，评价指标的权重应适配不同的教学场景或课程类型。本研究提出的评价体系，可根据具体情况分析计算各指标的权重，从而使评价体系更加贴合实际教学情况，使评价结果更具客观性。评价指标所占权重采用熵值[8]法确定。通过计算各指标的信息熵，衡量其信息效用，熵值越小，指标的信息效用越大。根据信息效用值确定权重，效用值越大，权重越高，以此客观地反映各指标在整体评价中的重要性。研究中采用的步骤如下。

1） 数据标准化：消除指标之间量纲的影响，对各项数据进行标准化处理；

2） 计算熵值：根据标准化后的数据，依次计算每一项指标的熵值；

3）确定信息效用值：根据熵值计算各指标的信息效用值；

4）计算权重：根据各项指标信息效用值计算各项指标的权重。

3教学交互效果的案例研究

3.1对象样本

研究样本来源于某地方高校的新工科课堂，利用智慧教室中的AI行为识别、面部追踪、在线课堂问卷等多种手段，采集学生课堂参与和互动情况的数据。

本次评价样本涵盖4门新工科课程，共计120名学生和4位授课教师，评估一个学期内110节课的课堂教学情况。具体评价数据包括学生出席情况、课堂互动次数、回答问题频率等维度17项，共计890万条数据。

3.2分析方法

基于先前讨论的大数据驱动的教学交互评价模型，采集数据后，进行聚类分析和量化处理，然后对数据进行标准化处理。采用熵值法确定各指标的权重。最后，使用加权求和方法计算每次课堂的交互效果。整个过程确保了数据处理的科学性。回收的数据在Pytorch2.3工具中进行统计分析，以验证评价体系的可靠性和有效性。

3.3信度分析

信度分析用于评估评价指标体系的可靠性，即各指标之间的一致性和稳定性。常用的信度分析方法是计算Cronbach's Alpha系数[9]，当α值大于0.7时，表明评价指标体系具有较好的内部一致性。本研究提出的课堂交互效果评价指标体系，也采用计算Cron⁃bach's Alpha系数，来验证模型的内部一致性和信度。分析结果如表3所示。

从表3数据中可以看出，四门科目中各指标的α（Cronbach's Alpha） 均在0.895以上，最高为0.915，表明各测试评价的α值均大于0.7，满足量表的信度系数要求。综合分析显示，四次测试中α值都较高，说明评价指标之间内在信度较好，评价体系具有较高的可靠性。

3.4 效度检验

效度检验用于评估评价结果的准确性和可信度。本研究采用因子分析法[10]对课堂交互效果指标体系的效度进行检验，以确保各评价项能够真实反映课堂交互效果。通过探索性因子分析（EFA） 识别各项指标的潜在结构。进行确认性因子分析（CFA） ，检验各指标的加载系数，确保模型拟合度良好。最后，采用Kaiser-Meyer-Olkin （KMO） 检验和Bartlett 球形度检验，验证数据的适用性。分析结果如表4所示。

从表4数据中可以看出，四门课程的KMO值均大于0.8，表明数据适合进行因子分析。Bartlett球形度检验的χ²值显著（Plt;0.001） ，说明数据具有良好的因子结构。因子负荷范围在0.68至0.92之间，表明各评价项对相应因子的解释力较强。综合分析显示，本研究的评价指标体系具有较高的效度，能够准确反映课堂交互效果。

3.5评价效果对比分析

为了验证本研究制定的评价指标体系的合理性，研究中选取了6名教学专家对A课程的三节课进行评价。专家评分标准采用优良中差5级打分制，评分范围为60至100分。最后将专家评价结果与所提出评价体系结果进行对比分析，以检验评价体系的可靠性和有效性，结果如图2所示。

图2中可以看出，专家评分与本研究所提评价体系评分在不同课程节次上的误差在±5%左右，误差范围较小。分析结果表明所提评价指标体系与专家评价结果具有较高的一致性，能够较为准确地反映课程的实际教学效果。因此，本研究制定的评价指标体系具有较高的可靠性和有效性，可以用于课堂交互效果的评价。

4结束语

本研究围绕课堂交互效果评价“现状”“优势”“如何”三个问题展开：针对“现状”问题，本研究详细分析了基于大数据的课堂交互效果评价体系的构成与特征，阐述了其在新工科教育中的重要性和应用前景；针对“优势”问题，探讨了传统课堂交互效果评价方法存在的局限性以及现代大数据技术在提升评价客观性和准确性方面的优势；针对“如何”问题，本文构建了基于层次分析法的教学交互评价模型，提出了科学的数据采集和量化方法，并通过信度和效度检验验证了评价体系的可靠性和有效性。

本研究旨在通过大数据技术和人工智能手段，构建一个科学、全面、实时的课堂交互效果评价体系，提升教学效果的反馈速度和准确性，为教学策略的及时调整和优化提供依据。研究发现，该评价体系在多个新工科课程的实际应用中，能够有效地反映课堂交互效果，且与专家人工评价结果具有高度一致性，证明了其在实际教学中的可行性和可靠性。

未来将进一步优化评价指标和数据采集方法，探索更多维度的交互效果评价，如增加情感分析、认知负荷等，以提升评价的科学性。同时，如何将评价结果更好地应用于教学改进，形成闭环的教学质量提升体系，也是后期值得深入探讨的问题。