高校智慧教学推进模型(M-PERT)构建与验证研究

鲍乃源，李美琳

(1.东北师范大学 教育学部，吉林 长春 130117；2.成都市教育科学研究院附属中学，四川 成都 610041)

信息技术的进步促使教育教学发生变革，教学智能化成为多方关注的焦点。高校教学是培育国家中坚力量人才的重要阵地。在智能时代背景下，国家紧跟时代发展，多次制定促进教育公平、提升教育质量的规划性政策。而在当前的社会发展体系下，利用智能技术进行人才培养是提升我国人才培养质量的重要路径。由此，传统教学也面临改革，智能技术不再是传统教学的补充和辅助，而是作为智慧教学中的重要成员加入智慧教学矩阵与系统中，成为激发教师教学力和学生学习力的重要驱动。在政策与社会需求的双重刺激下，传统教学模式面临着关键的转变之机，如何从传统教学走向智慧教学被纳入教育研究中，基于当前的智能技术开展新的教学创新成为必然趋势。基于上述思考，本研究以构建高校智慧教学推进模型为目标，聚焦如何构建以及有效性探究，开展高校智慧教学现状调查研究，明晰高校智慧教学特征，并在此基础上基于相关理论进行高校智慧教学推进模型的初步构建，进一步探究其合理性，最终确立高校智慧教学推进模型。本文所述“高校智慧教学推进模型”是指推进高校实施智慧教学的理论模型。

一、高校智慧教学推进模型初步构建

(一) 提取模型要素的访谈设计及过程

本研究对具有高校智慧教学经验的教师、具有高校智慧教学管理辅助经验的管理人员进行多轮次的深度访谈，通过对访谈记录加以整理归纳，探究具有智慧教学经验教师和教学管理者对高校智慧教学的真实认识和理解，以了解高校智慧教学现状，为推进高校智慧教学提供数据支持，且在此基础上，提取高校智慧教学推进模型所包含的要素。

在每一轮访谈中，研究者均围绕构建智慧教学的教研、教学和学生创研三方面展开提问，笔者根据受访者回答的问题进行适宜的追问，并不断调整访谈问题，访谈时间为1小时。访谈后，将访谈内容整理成文本，将数据导入Nvivo11分析软件中，对访谈文本进行开放编码、主轴编码及选择编码三个阶段的编码。

通过三轮访谈，对各位受访者观点的理解和结论的整体考量，形成的具体编码结果见表1。

表1 访谈编码结果：高校智慧教学推进模型要素初稿

上述五个维度即为高校智慧教学推进模型的五个要素。访谈过程中，教师们也提出了五个要素紧密联系互相影响的观点。同时，由于访谈口语化以及研究的局限性，高校智慧教学推进模型的五个要素及其关系，必然可以通过后续研究进行进一步的学术化，对要素的概念范畴进行修正和验证。

(二) 模型要素的检验与修正

为了进一步确认所遴选要素的科学性和合理性，本研究采用Delphi方法进行验证。在模型维度方面，将智慧教学方法、深度学习目标、多模态教学资源、智慧教学环境、智慧教学的管理机制作为一级维度，编制成调查问卷，每项问题设置非常重要、重要、一般重要、不太重要、不重要五级李克特量表，并针对每个题目都增加了开放性问题供专家提供建议。

在模型维度的关系方面，具体包括：(1)智慧教学的管理机制将影响多模态教学资源建设；(2)智慧教学的管理机制将影响深度学习目标达成；(3)智慧教学的管理机制将影响智慧教学环境使用；(4)智慧教学的管理机制将影响智慧教学方法的选择；(5)智慧教学方法将影响多模态教学资源建设；(6)智慧教学方法将影响智慧教学环境使用；(7)智慧教学方法将影响深度学习目标达成；(8)多模态教学资源影响智慧教学环境建设；(9)多模态教学资源将影响深度学习目标达成；(10)智慧教学环境将影响深度学习目标达成。每一个关联关系设置一个问题，每项问题设置Liket 5点计分(1=“不重要”，5=“非常重要”)，同样针对每个假设对应的题目增加开放性问题供专家提供建议。

此外，在所有问题最后，增加一道开放性问题，以便专家在这些具体问题之外，对高校智慧课堂的构建维度提供更开放、更多元的意见或建议。

经过预调查及两轮专家征询，23位专家关于构建要素、样态特征等已达到了高度的共识，进而确立了模型所包含的五个要素：智慧教学管理、智慧教学方法、智慧教学环境、智慧教学资源、智慧教学目标。

(三) 高校智慧教学推进模型初步构建

基于上述探究，最终本研究提出了包括M智慧教学管理、P智慧教学方法、E智慧教学环境、R智慧教学资源、T智慧教学目标5个关键要素、10个相关关系及18个样态特征的M-PERT模型，如图1所示。

图1 高校智慧教学推进模型(M-PERT)

二、高校智慧教学推进模型(M-PERT)验证与确定

(一) 模型验证的调查设计

1.调查对象

鉴于调查目的是了解高校教学方法、管理、环境、资源以及与学生发展之间的影响关系，而学生是经历M-PERT模型的学习实践者，那么从学生角度出发，收集学生对各要素的感知情况，作为了解高校智慧教学推进模型(M-PERT)实际实施效果及育人作用的基本途径及渠道，具有一定的合理性及可行性。基于以上分析，本研究选择参与智慧教学(M-PERT)的D大学的大学生为主要调查对象对其实施问卷调查。具体来说，为了保证数据分析质量，本研究采用的结构方程模型法(SEM)要求回收数据的有效样本量(问卷数量)应是问卷问题量的10倍及以上(1)Bentler，P.M. and Chou，C.，“Practical Issues in Structural Modeling”，Sociological Methods Research，Vol.16，No.1，1987，pp.78-117.。由此来看，本研究的模型测量问卷部分包含43个问题，那么问卷调查的样本量应该大于430为宜。同时，抽样过程中也充分兼顾了不同的院系及学科差别，以求保证抽样的合理性及科学性。最终，本研究随机选取了D校498名本科生为研究样本。

2.问卷设计

根据高校智慧教学推进模型(M-PERT)构成要素的具体内涵，了解D高校实际教学环境、物理技术设施条件水平，并结合针对D高校教师、学生的非正式访谈，本研究针对智慧教学M-PERT模型的五个构成要素分别进行可操作化、具体化处理，设计开发了《高校智慧教学推进模型(M-PERT)测量问卷》。

具体而言，问卷的第一部分是导语。旨在向被调查者说明本问卷的目的及基本信息等，尽可能保证被调查者能够根据自己参与智慧教学M-PERT模型的真实体验如实填写，以保证问卷数据的真实性及可靠性。问卷的第二部分旨在收集被调查者的基本信息，包括性别、年级、年龄、专业等，用于整体把握抽样的情况及被调查者的信息，进而反映调查的合理性。问卷的第三部分是潜在变量调查问卷。该部分是问卷的主体部分，其目的在于调查收集学生对于高校智慧教学方法、资源、环境、管理等方面的感知情况及学生自身“智慧”、思维发展情况，进而把握高校智慧教学模型五个构成要素的基本情况数据。一定意义上，由于五个变量(潜在变量)的内涵较为抽象，无法通过直接问答调查的方式而获得，因此本研究选择使用多个观察变量对不同潜在变量进行分别表征，并根据五个变量的观察变量的具体内涵，分别对其进行具体化、口语化显性表述，以增强其可理解性，从而形成具有一定可操作性的问卷题目。

在此基础上，在编制问卷题项过程中，充分征求了课程与教学论、教育技术学、心理学等领域专家的意见，并就题项内容展开了多次讨论修改，问卷具有一定的内容效度。此外，为了保证问卷的结构效度，本研究在问卷编制过程中进行了小规模的发放试测，通过数据回收及使用SPSS初步计算检验，发现KMO检验值及Bartlett 球形检验均符合测量标准；为了保证问卷的信度，本研究也对测试数据进行了Cronbach’s Alpha信度检验，且结果符合标准要求。在此基础上，本研究最终确定了正式的《高校智慧教学推进模型(M-PERT)测量问卷》。该问卷由47个题项构成，其中基础信息部分包括4个题项；模式测量部分由43个题项构成，其中高校智慧教学方法(P)包括14个题项，高校智慧教学资源(R)包括8个题项，高校智慧教学环境(E)包括7个题项，高校智慧教学目标(T)包括8个题项，高校智慧教学管理(M)包括6个题项。这些题项为验证数据的收集提供了抓手。

(二) 调查问卷的信度及效度分析

1.问卷的信度分析

本研究选择Cronbach’s Alpha信度系数法进行信度检验，分别计算了每个模式构成要素(潜在变量)及数据整体的Cronbach’s Alpha值，见表2。

表2 问卷的信度分析

如上表所示，教学管理(0.871)、教学方法(0.862)、教学资源(0.822)、教学环境(0.835)、教学目标(0.874)的Cronbach’s Alpha值均大于0.7的判定标准，整体Cronbach’s Alpha值达到0.936。由此可见，本调查问卷的稳定性和内在一致性较高，可信度良好。

2.问卷的效度分析

效度是测量的有效性程度，即测量工具确能测出其所要测量特质的程度。鉴于该问卷在编制过程中已经过笔者及专家的多次审核修订，问卷的测验项目与所涉及的内容意义范围较为匹配、符合，因此可以认为该问卷内容效度良好。

结构效度是指一个测验实际测到所要测量的理论结构和特质的程度。就结构效度检验而言，一般可通过计算简单相关系数矩阵、计算逆影像相关矩阵、巴特利特球形度检验和KMO检验及探索性因子分析等方法进行。本研究选择使用探索性因子分析(EFA)检验问卷的结构效度。

在此基础上，本研究使用SPSS 22软件的“因子分析”工具对43个问卷题项进行探索式因素分析。本研究在探索式因素分析过程中主要采取了题项变量的相关矩阵计算、因素负荷量估计、转轴方法决定和修正四个步骤。具体而言，根据主成分分析法，通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，并将抽取标准设置为“特征值大于1”。计算结果显示，43个变量题项中可以抽取出5个特征值大于1的公因子，累积解释方差达到67.957%。其中，公因子解释变异量最大为25.476%，最小为3.549%。鉴于萃取的5个共同因素联合解释变异量大于 60%，因此本研究选择保留五个共同因素，分析结果见表3。

表3 因子解释的总方差

提取方法：主成份分析。

为了进一步分析5个公因子变量与测度变量之间的结构关系，本研究选择采用“最大方差法”对初始成分矩阵进行正交转轴计算，转轴过程遵循Kaise正态化处理方式，经过7次迭代后收敛，转轴后的主成分矩阵按照因素负荷量的高低排列。

问卷中43个题目全部纳入探索性因子分析情况下，抽取出的5个公因子与对于高校智慧教学推进模型(M-PERT)结构中的5个构成元素进行测量的理论预期较好吻合。但应注意的是有两个题项在各个公因子上的载荷量均未超过0.5，一定意义上表明这两个题项不属于任何一个公因子。

按照探索性因子分析的计算原理，删除出现上述问题的题目，能够引起共同因子载荷情况的重新分配，从而实现测量题目与基于理论分析形成的测量预期之间更好的吻合。因此，本研究遵循从出现与理论预期不相符的载荷量最高的题目开始，逐一进行题目删除的原则，首先将问卷中编号为XP14的题目删除，并对剩余的42个题目再次进行探索性因子分析。第二次探索性因子分析结果表明，在删除XP14之后，问卷数据整体KMO值为0.933，Bartlett’s球形检验的近似卡方值为13286.583(df=861)，达到了小于0.001水平上的显著。而XT8、XE7的因子载荷量小于0.5。鉴于此，本研究在删除XE7的基础上，对剩下的42个题项进行探索性因子分析。第三次探索性因子分析结果表明，在删除XE7之后，问卷数据整体KMO值为0.934，Bartlett’s球形检验的近似卡方值为13081.097(df=820)，达到了小于0.001水平上的显著。而XT8的因子载荷量小于0.5。鉴于此，本研究在删除XT8的基础上，对剩下的41个题项进行探索性因子分析。第四次探索性因子分析结果表明，在删除XT8之后，问卷数据整体KMO值为0.945，Bartlett’s球形检验的近似卡方值为12853.054(df=780)，达到了小于0.001水平上的显著。其他所有问卷题项的因子载荷均符合效度检测指标，最终实现了问卷探索性因子分析提取的5个公因子与高校智慧教学模型理论测量预期的完全吻合，且相互对应。

由上而言，可以认定本研究所开发的高校智慧教学推进模型(M-PERT)测量问卷的信度、效度均表现良好，这为利用结构方程模型法检验、验证高校智慧教学模型提供了数据基础。具体而言，高校智慧教学方法(P)包括13个题项(XP1—XP13)，高校智慧教学资源(R)包括8个题项(XR1—XR8)，高校智慧教学环境(E)包括6个题项(XE1—XE6)，高校智慧教学目标(T)包括7个题项(XT1—XT7)，高校智慧教学管理(M)包括6个题项(XM1—XM6)。

(三) 高校智慧教学模型要素间关系假设的提出

为了探索验证高校智慧教学推进模型(M-PERT)内在构成要素之间的实然关系，本研究基于前述高校智慧教学推进模型(M-PERT)内在结构的理论认识，提出了高校智慧教学模型要素间的关系假设模型。

面向结构方程模型法(SEM)检验的高校智慧教学推进模型(M-PERT)要素间的关系假设模型包括5个潜在变量(潜变量)、40个观察变量(显变量)以及10个假设路径。假设路径则包括：

H1：智慧教学管理影响智慧教学资源建设。

H2：智慧教学管理影响智慧教学目标达成。

H3：智慧教学管理影响智慧教学环境使用。

H4：智慧教学管理影响智慧教学方法选择。

H5：智慧教学方法影响智慧教学资源建设。

H6：智慧教学方法影响智慧教学环境使用。

H7：智慧教学方法影响智慧教学目标达成。

H8：智慧教学资源影响智慧教学环境建设。

H9：智慧教学资源影响智慧教学目标达成。

H10：智慧教学环境影响智慧教学目标达成。

(四) 模型检验结果

为了检验结构模型质量，本研究基于上述高校智慧教学推进模型(M-PERT)要素间的10条关系假设，使用AMOS 20.0数据分析工具绘制了用于数据检验的高校智慧教学模型的结构模型，如图2所示。

图2 高校智慧教学推进模型(M-PERT)的结构模型

1.模型适配度检验

结构模型适配度是指外生潜在变量(自变量)与内生潜在变量(因变量)间的影响关系(路径)与样本数据的契合程度(2)荣泰生：《AMOS与研究方法》，重庆：重庆大学出版社，2009年。。就本研究而言，检验结构模型适配度的本质在于检验高校智慧教学推进模型各要素之间的影响路径与样本数据的匹配程度，通俗而言，就是判断假设路径能否得到所收集的实践数据的支持。本研究使用AMOS 20.0数据分析工具采用极大似然估计法(ML)进行结构模型适配度计算，得到：RMSEA、PNFI、PCFI、PGFI等拟合指标均高于临界值，达到良好水平；CMIN/DF、RMR、GFI、AGFI、NFI、CFI、IFI等拟合指标未达到临界值，但处于可接受水平。由此，研究者认为结构模型的整体适配度良好，但为了提升模型质量，仍需要进一步修正。

2.模型修正

模型修正是优化修正初始设定模型(假设模型)适配程度的过程。一般而言，假设模型往往由笔者根据理论推理及经验法等建立，当对其进行模型拟合度评价时，如果发现拟合不理想，则需要对其进行修正(3)Maruyama，G.M.，“Basic of structural equation model”，Thousang Oaks，CA：Sage，1998.。就本研究提出的理论假设模型拟合度检验而言，表现为测量模型内在质量较佳，但外在质量稍微欠佳，其中有部分的适配指标未达到临界标准。由此而言，依据Amos Output输出的修正指标参数以及模型路系数，在不违背经验原则的基础上对模型进行修正，可以获得拟合度的提升。一般而言，模型修正应根据修正指标以添加变量路径为首要选择，其次才考虑剔除路径(4)MacCallum，R.C.，Browne，M.W. and Sugawara，H.M.，“Power analysis and determination of smaple size for covariance structure modeling”，Psychological Methods，No.1，1996，pp.130-149.。具体而言，为了提升模型质量，本研究使用初始模型的参数显著性结果和AMOS提供的模型修正指标进行模型扩展或模型限制。

在三次修正后，使用AMOS第三次检验模型的拟合指标，发现模型拟合度得到了较好提高，具体拟合度参数见表4所示。

表4 结构模型适配度检验结果

在三次修正后，RMSEA、PNFI、PCFI、PGFI、CMIN/DF、RMR、GFI、AGFI、NFI、CFI、IFI等拟合指标均高于临界值，达到良好水平。综合而言，本研究提出的结构模型的整体适配度良好，符合研究需求，为影响路径检验提供了支持。

3.路径检验

在假设模型拟合度检验及修正的基础上，本研究使用AMOS软件对修正后的假设模型进行路径分析，以验证本研究提出的高校智慧教学模型各要素之间的影响关系假设是否成立。经过第一轮检测，删除了“教学方法—教学环境”路径，并重新计算标准化回归系数及其显著性，研究发现高校智慧教学推进模型(M-PERT)的9条假设路径的C.R.值均大于1.96，P值均小于0.05，达到了统计学意义上的显著水平。在此基础上，最终确定了高校智慧教学推进模型(M-PERT)内在结构路径，如图3所示。

图3 高校智慧教学推进模型(M-PERT)结构模型最终检验结果

如图3所示，经过路径检验发现，前述9条假设路径H1、H2、H3、H4、H5、H7、H8、H9、H10在统计学意义上均得到了样本数据的支持。

4.模型的确立

在结构模型检验、修正、路径调整的基础上，本研究确定了高校智慧教学M-PERT模型内部要素之间的影响关系及内在结构，不仅使用现实数据实证了高校智慧教学的理论构想，同时也计算了要素之间的关系的数量信息，最终建立了高校智慧教学M-PERT模型，如图4所示。

图4 高校智慧教学M-PERT模型

高校智慧教学M-PERT模型由高校智慧教学管理、教学方法、教学环境、教学资源、教学目标五个核心要素构成。高校教师一般通过构建这些核心要素，以支持高校学生学习发展，进而达成育人目标。而不同要素之间存在不同的作用关系，其对学生发展的作用也不尽相同。因此，该模型对高校教师认识、设计、开展智慧教学实践具有参考价值。

如图4，(1)智慧教学管理与智慧教学资源建设之间的影响路径系数为0.4，通过与社会用人部门、管理机构等建立政企校、校际合作等合作机制，教师对学生学习加强管理，并促进学生开展自我管理，可以影响教学资源的设计、开发与有效应用。(2)智慧教学管理与智慧教学目标达成之间的影响路径系数为0.31，学校对教师智慧教学的督促评价等可以直接影响学生的知识建构、思维发展以及学业成绩。(3)智慧教学管理与智慧教学环境使用之间的影响路径系数为0.26，学校与社会用人单位的合作沟通有助于智慧学习环境的建设与应用，其原因可能在于当前就业对学生适应智能环境、使用智能技术等方面的能力提出要求，这使得教师、学生逐渐关注对智慧学习环境的使用。(4)智慧教学管理与智慧教学方法选择之间的影响路径系数为0.6，学校对教师的督促、评价与引导可以影响教师对教学方法的选择，或者可以说，在智慧教学方法推广中，应重视教学管理的作用。(5)智慧教学方法与智慧教学资源建设之间的影响路径关系为0.22，智慧教学方法的运用以智慧教学资源建设为基础，在智慧教育时代，智能教学平台、微课、慕课等智慧资源建设为教师采纳、应用智慧教学方法提供了支持，如使用学科教学平台、教学空间开展适应学生个性特征的个性化教学等。(6)智慧教学方法与智慧教学目标达成之间的影响路径系数为0.22。一定意义上，教学方法对学生的智慧发展具有重要影响，譬如传统的填鸭式、灌输式教学方法有助于学生短时间内掌握一定的事实性知识及信息，而为了促进学生思维生成、形成问题解决能力，则往往要求教师采用问题解决教学法、项目式教学法等“以学生为中心”的教学范式。(7)智慧教学资源与智慧教学环境建设之间的影响路径系数为-0.12，智慧教学资源与环境建设之间存在密切的影响关系，其次，智慧教学资源与环境建设之间的影响关系为负数，则意味着如果学生掌握更多的学习资源，那么其对学习环境、平台的依赖将得到削弱。(8)智慧教学资源与智慧教学目标达成之间的影响路径系数为0.28，学生创造力、思维等方面的发展需要高质量、完备的智慧学习资源为支撑，单纯的书本上有限的专业知识并不足以扩展学生解决问题及思维发展的深度及广度。(9)智慧教学环境建设与智慧教学目标达成之间的影响路径系数为0.16，达到统计学意义上的显著性，说明为学生学习提供技术丰富的智慧学习环境，有助于支持保障学生问题解决学习过程，进而优化学生学习过程，改善学习结果，最终促进智慧教学目标的达成。

三、高校智慧教学推进模型实践

(一)高校智慧教学模型效果检验的实验设计

为了对高校智慧教学推进模型(M-PERT)的效果进行实践检验，本研究开展了针对模型的实验研究，实验对象选取的是C市D高校物理学院开设的《固体物理学》专业主干课。执教J老师从事本课程的教学已有8年时间，学科知识扎实，教学经验丰富，并且对于利用信息技术优化与变革教学具有很高的积极性。该课程的教学对象是该学院物理学专业81名三年级本科生，这些学生数理基础较好，分析和处理实际物理问题的能力较强。

研究者采用等组前后测准实验研究法开展实验，设计实验组与对照组，实验组40人，对照组41人。实验组与对照组授课内容均为《固体物理学》课程，授课时间为1学期，两个班级周课时量均为4课时，每课时40分钟。在实验组教学中，采用基于高校智慧教学推进模型(M-PERT)的教学活动设计，在此过程中教学于智慧教室中开展，并提供多态化的教学资源。在对照组中，采用普通教学模式，在传统多媒体教室中开展教学。为减少无关变量对实验效果的影响，实验组与对照组的授课均由同一名教师完成，但实验组的教学设计是由教师所在团队基于高校智慧教学推进模型(M-PERT)进行设计，再由执教教师J教师进行教学，对照组是由班级物理教师进行设计，再由执教教师J老师进行教学。

(二)基于高校智慧教学推进模型(M-PERT)设计的教学

以《晶格振动模式密度》为案例具体论述教学设计。基于高校智慧教学推进模型的《晶格振动模式密度》教学活动在智慧教室中完成，此智慧教室具有可灵活移动的桌椅、投屏共享系统、环绕式墙体白板等设施设备，学生具有手机等智能化设备；教师在此过程中提供给学生多态化、丰富的教学资源。课前，学生分为不同学习小组，各个小组成员围圆桌而坐。具体的实施过程如表5所示。

表5 基于高校智慧教学推进模型的《晶格振动模式密度》教学设计

续表5

由于对照组教学即以普通的讲授型教学方式为主，在此简要进行论述。在教学实施过程中，主要分为课程导入、新课讲授、知识练习、总结拓展四个部分，在课程导入中，教师利用复习导入、引导学生回顾晶格比热的模型，教师明确本节课的教学目标与学习重难点；在新课讲授中，教师以讲授的方式讲授模式密度的定义及计算方式，介绍一维简单晶格结构的模式密度、分析一维单原子情况等内容；在知识练习中，教师通过投影发布习题，学生作答，教师讲解题目中易错点、难点题目；在总结拓展中，教师总结本节课的知识点，举例说明该内容在研究与实践中的应用，拓宽学生知识面，布置作业。

(三)高校智慧教学模型效果检验的实验结果

利用《晶格振动模式密度测查问卷》对学习者的学业水平成绩进行测查，并对实验结果进行分析，用于判断实验组学习者与对照组学习者在学业水平成绩维度是否同质。得到两组的独立样本t检验结果sig为0.581，表明二者的学业水平初始成绩无显著性差异。

教学之后，研究者对实验组和对照组再次进行了测量，结果表明，对于实验组，其前后测成绩(前测成绩平均值为63.8，后测成绩平均值为74.5)配对样本t检验sig值为0.000，表明实验组前后测成绩有显著性差异。对于对照组，其前后测成绩(前测成绩平均值为62.8，后测成绩平均值为65.8)配对样本t检验sig值为0.000，表明对照组前后测成绩也有显著性差异。与此同时，研究者对实验组和对照组的后测成绩进行了独立样本的t检验，sig值为0.000，表明实验组的后测成绩显著高于对照组。

综上，通过对在高校智慧教学推进模型下与普通教学模式下学习者的前后测成绩进行分析可以得出：其一，高校智慧教学推进模型与普通教学模式下学习者的测试成绩均有所提升，且两种教学模式下学习者前后测成绩均表现出显著性差异；其二，针对后测成绩，高校智慧教学推进模型下学习者成绩的较普通教学模型下学习者的成绩呈现出显著性提升，表明相较于普通教学模式，高校智慧教学推进模型更有利于提升学习者成绩。

四、推进高校智慧教学建设的启示

基于高校智慧教学推进模型的构建与验证过程，本研究结合此阶段中相关数据的分析，从教学管理、教学方法、教学环境、教学资源与教学目标方面提出高校智慧教学推进策略，旨在对高校智慧教学推进提供参考，同时为高校智慧教学准实验研究提供理论指导。

第一，在教学管理方面，从高校教学管理者与教师两个方面提出建议。在高校教学管理者方面：其一，加大对高校智慧教学理论与实践相关研究与实践的支持力度，鼓励高校教师应用高校智慧教学模式优化教学，提高学习效率与学生学习满意度；其二，为老师提供项目课题研究机会和研修途径，丰富教师们的智慧教学理论与方法，鼓励教师将最新科研成果及时转化为教育教学内容；其三，通过与社会用人部门、管理机构等建立政企校、校际合作等合作机制从而促进课程建设、落实协同育人。在教师方面：首先应从理念上加大对高校智慧教学的认同，愿意探索高校智慧教学模式并应用于实践，着力打造高校智慧教学优质课堂；其二，创建多元角色团队，从理论、技术、专业方面加强自身技能，为高校智慧教学优质课堂提供保障；其三，聚焦教师专业发展，基于智慧教学模式，提升教师教学智慧，促进教师专业化优质发展。

第二，在教学方法方面，注重教学理念的创新，结合国内外先进的教学理念，为智慧教学的设计与实施提供理论指导；注重教学过程的精准化管理，及时调控与优化，数据化教学过程；注重教学策略的高效，根据教学内容与学习者情况，选择适配且高效的教学策略提高学习者学习效率；注重教学评价的多维性，从学习者学业水平成绩、高阶思维能力等多个方面进行评价，且关注过程性评价，全方位、多维度对学习者进行评价。

第三，在教学环境方面，借助智慧教室技术智能化、布局舒适化、设备自持化、空间个性化、体验多元化、数据全程化等特点，打造智慧型、舒适型、便利化的智慧教学环境，提升学习体验、优化学习过程。

第四，在教学资源方面，制作形态多元化的教学资源，包括微课、课件、学习资源、拓展资源、习题、案例等多种类型，而资源形态既包括传统的PPT、文本、音视频类型，也基于VR、AR、Prezi、思维导图等技术与工具支持下的3D虚拟影像、MOOC、SPOC、微课等新兴类型；同时，教学资源的使用应全覆盖教学过程，在课前、课中、课后都有相应的教学资源匹配与学习者的学习。

第五，在教学目标方面，对于学生而言，主要为通过教学活动提高学习者的学业水平成绩，提升学习者的深度学习能力，促进学生综合能力的发展。