大学生学习效果力评估对大班教学效果的影响

赵凯岐，彭秀艳，张兰勇

（哈尔滨工程大学，黑龙江 哈尔滨 150001）

0 引言

传统大班教学以讲授为主，教师要完成教学任务主要关注教学内容，无法对每位学生的上课状态、学习效果做出准确评价，影响教学效果，不同类型的学生学习效果差异很大。许多教育学者和教师不断探索教学模式，提出各种教学方法，包括：问题教学法、发现式、探究式、小班研讨、师生互动方法等[1-3]。

近几年研究型教学发展迅速，将研究思想融合到学习中，学生变被动为主动，对所学知识进行主动分析、判断、运用，通过讨论、互动、团队合作方式来掌握。教师采用各种方法来启发学生的探索兴趣，提高独立思考和创新能力。著名教育学家施瓦布提出“Inquirylearning”，Bruno提出了“Discoverylearning”。1995年，RobertB.Barr和 John.Tag发表了一篇具有重要意义的文章“From Teaching to Learning:A New Paradigm for Undergraduate Education”[4]，探讨了“以学生为中心”的研究型教学模式，学生的学习成效体现在其各种学习成果和技能成长。在“学习模式”下美国本科教育改革的经验是通过环境构造促进学生自我学习和研究能力的提高[5]。美国一流研究型大学本科人才培养的主要特征是“以学生为中心”[6]。美国大学强调教育的目的是“以学生的学习为中心”，其课程体系、教学内容都要根据培养学生达到各种能力的需要而设置，才是真正的“以学生为中心”[7]。

但是，上述方法针对大班上课还是具有一定局限性。故，提出了一种大学生学习效果力评估新方法，将每位学生的属性信息进行有效提取，对学生学习效果力进行评估，并提出新的课程成绩预测方法，在开课伊始对学生成绩进行预测，教师根据预测结果，进行闭环控制，改进教法，最终激励每位学生的学习热情，重点对预测成绩低的学生进行有效干预，帮助他们觉醒其内在潜力，从而最终提高大班整体教学效果。本文按下面三部分内容展开：（1）新型学生属性提取方法；（2）学习效果力评估方法；（3）精准成绩预测及教学效果提升。

1 新型学生属性提取方法

掌握学生属性对教师了解学生，改进教法，达成目标具有重要作用，在新型研究型教学模式中，需要研究的不局限于教学内容和方法，也延伸到对学生属性的研究，只有结合学生的属性，才能有针对性地研究激发学生内在驱动力的方法。本文首先提出一种学生属性提取目标：（1）不增加学生负担；（2）体现学生行为偏好，反映其真实想法；（3）挖掘过去特定经历，预见未来；（4）突出特点、态度、主观能动性。

基于该目标，提出一种新型学生属性提取方法：（1）个人基本信息：姓名班级学号生源地个人照片。（2）目前为止，您做过的最能让您感到骄傲、成功的事情是什么？

（3）您在学习和生活工作中的专注力怎么样？（优，良，中，差）

（4）您的英语口语怎么样？（自由交流，一般交流，难于交流）

（5）大学期间您逃过课吗？有多少次缺勤记录？

（6）您学过钢琴、提琴、古筝等乐器吗？或美术、舞蹈、音乐等艺术？或象棋、围棋、心算等技艺？或体育类特长吗？或其他？从什么时候开始学的？坚持最久的一个学了多久？描述一下动机和动力。

（7）在大学期间您主动参与过电子大赛吗？怎么样？收获大吗？

（8）您准备保送、考研、还是就业？对未来有怎样的规划？

（9）您的自控力怎么样？希望老师严格一些还是宽松一些？

（10）结合自身，您认为如何提高学习效果？

要求学生一周内返回。此方法对于教师来说，通过了解每位学生的属性，基本可感受到学生们的内在想法，迥异的做事态度，将直接影响学习效果和教学效果；对于学生来说，通过对十个问题的答复，对自身有了再认知的过程，对自己有一定程度的思考和行动。简单来说，该提取方法的目的为：以名言激励，以自己曾经骄傲的事为引，以坚毅恒久的心为舟，以未来规划为标，自启学习驱动力。

2 学习效果力评估方法

随着高等教育学生数量不断增加，出现更多不同类型的学生，然而当前高等教育管理仍是基于学生同质性的假设[8]。对学生的类型分析可以用来进行关于学生成长质量差别的探讨，并且学生类型间接含有关于学习效果的信息[9]。在这方面，国外高等教育开展得比较早，国内研究不多。本文基于提取的学生属性，对暗含的学习效果力进行分析和评测，给出评测分数，不按属性分类，达到提高学习效果和教学效果的目标。

根据学生属性，进行信息处理，得到每位学生的学习效果力分数，信息处理方法：做事态度、价值取向、主动力、与学习的正相关性、回答态度（积极给正分数、消极不得分），每个属性问题平均10分，总分100分，权重合计10，即：

属性01：有照片10分，无照片0分，权重0.2；

属性02：体现经过刻苦努力过程获得成功，或认为自己还不够努力的，加10分，否则0分，权重0.7；

属性03：专注力自我评价为优、良的加10分，中加5分，差0分，权重0.5；

属性04：自由交流10分，一般交流5分，难于交流0分，权重0.1；

属性05：无逃课或请过假10分，无故缺勤5次以下5分，5次及以上0分，权重2.6；

属性06：有特长10分，无特长0分，或学过但因为枯燥没有坚持0分，或坚持时间小于半年0分，权重0.1；

属性07：有参加10分，有参与意愿和打算5分，未参加0分或者被动参加体验差的0分，权重1.0；

属性08：打算保送10分，打算考研5分，打算就业0分，权重3.2；

属性09：自控力好10分，或松一些但能自主学习的10分，或者专注力优良10分，自控力一般5分，严一些的5分，自控力差的0分，松一些0分，权重0.6；

属性10：回答积极10分，无回答或消极回答0分，权重1.0。

以2019年学生9和学生14的属性为例（忽略照片和学号）。

学生9：

（1）学生9自动化浙江。0分。

（2）没什么骄傲的。0分。

（3）中。2.5分。

（4）一般交流。0.5分。

（5）0。26 分。

（6）没有学过。0分。

（7）没有参加过。0分。

（8）考研。16分。

（9）都行。3分。

（10）提高上课质量。10分。

经过信息处理，学生9的学习效果力分数为58分。

学生14：

（1）学生14自动化，生源地重庆。2分。

（2）就是我能够学习，能够每天进步，这是我感觉很快乐的事情。7分。

（3）良。5分。

（4）一般交流。0.5分。

（5）3-4次。13分。

（6）学过吉他、素描和珠心算，喜欢打乒乓球，比较擅长跑步。1分。

（7）参加过，但是都没有取得成绩，不过有很多收获，发现自己只会理论知识，对实践还有欠缺。10分。

（8）我准备保研或者考研，我希望未来能读研究生，然后找一份好工作，去更多的地方看看。32分。

（9）各有千秋，我觉得适中就好。6分。

（10）希望老师告诉我们，学过的这些器件或者电流具体应用在哪，最好能做个实验，或者讲讲身边的例子，讲故事来告诉我们知识当然是最好的啦。10分。

经过信息处理，学生14的学习效果力得分合计为86.5分。对电力电子课程2019年学生属性信息处理，学习效果力分数及期末分数如表1所示，为保护隐私，学生姓名用数字代替。

3 精准成绩预测及教学效果提升

基于学生属性的学习效果力分数体现出显著差异性，这种属性是对学生以往学习和经历的特征提取，反映学习能力和学习效果，可以用来对新课程成绩进行预测。根据预测结果，动态改进教学策略，在分组，讨论，交流，互动等多个环节，对学习效果预期差的学生进行特别关注，使得教学效果得到有效提升。

用两个指标“预测准确度和预测精度”来对预测方法进行评价，定义如下：

将学生的成绩分成良好、中等、及格三个等级，并分别量化为相应的分数4、3、2，本文对其中分数为4、2的两等级区进行预测：

将实际成绩 ＜70分设定为及格区，量化分数2；将实际成绩80分设定为良好区，量化分数为4。

将属性学习效果力分数设定为预测成绩的及格区，量化分数为2；将属性学习效果力分数设定为预测成绩的良好区，量化分数为4。对表1的2019年学生属性学习效果力分数和实际分数进行量化处理，如图1所示。从图1可以大致看出，预测值和实际值相等的比例很大，表示预测值和实际值相符，具体根据表1及图1得到分析结果如表2（P112）所示。

图1 2019年学生成绩实际值和预测值曲线

表1 2019年学生学习效果力分数

表2 2019年学生成绩预测分析结果

可见，实际成绩在及格区的学生数是30人，分布比为46.9%，预测成绩在该区的学生数是36人，其中预测与实际相符的学生数是26人，预测准确度达72.2%，预测精度13.3%。实际成绩在良好区的学生数是20人，分布比为31.3%，该区的预测学生数是23人，其中预测与实际相符的学生数是17人，预测准确度73.9%，预测精度15%。从结果来看，位于良好区的学生比位于及格区的学生预测准确度高1.7%，精度低1.7%，相差很小，预测准确度和精度都较高。

对电力电子课程2020年学生属性信息提取和处理后得到曲线如图2所示。可以看出，预测值和实际值相等区间很大，尤其是在良好区重叠比例更高，说明良好区的预测准确度和精度更高。经过统计分析，得到结果如表3所示。

表3 2020年学生成绩预测分析结果

图2 2020年学生成绩实际值和预测值曲线

实际成绩在及格区内的学生14人，成绩分布比34.5%，该区预测学生数19人，其中预测与实际相符的学生数12人，预测准确度63.2%，预测精度14.3%。实际成绩在良好内的学生数是30人，成绩分布比为49.1%，这个等级的预测学生数是27人，其中预测与实际相符的学生数是23人，预测准确度85.2%，预测精度23.3%。与2019年相比，及格区的预测准确度为63.2%下降了12.4%，良好等级的预测准确度为85.2%上升了11.3%，这说明预测及格等级的部分学生跳出了及格区甚至进入到良好区，这样导致及格等级的预测与实际相符的学生数减少，使得及格区的预测准确度降低，良好等级的预测与实际相符的学生数增加，使得良好区的预测准确度上升，预测精度降低。这种良性变化，是由于在2020年教学中，采用分组、讨论、问题引导等教学方法，对预测成绩在及格区的学生进行了重点关注，并在授课中，挖掘了生活和科研中的生动案例，尤其重视讨论，以学生为中心，给他们自主学习和讨论的时间，只挑重点讲解，其他由学生讨论和提问，每堂课都给学生创造提问和回答思考的机会。学生的课堂表现按照小组整体评测，将问题和思考回答赋予一定的平时成绩，鼓励学生积极参与，形成闭环系统，可实时根据学生反馈进行控制，同时，利用课程线上平台，发布作业，进行分析，在此过程中，也对预测及格区的学生进行特别关注，教学效果得到了进一步提升。从实际成绩分布比结果来看，2020年及格等级内的学生成绩分布比2019年降低了12.9%，良好等级内的学生成绩分布比增加了23.2%，表明2020年的学生成绩普遍提高很大，教学效果好于2019年。从教务系统中学生对教师的教学评测结果来看，2020年教学评测结果是93.13分，好于2019年的教学评测结果90.43分。在学生主观评价中，学生评价“授课方式新颖，其方式使学生思考讨论能力有很大提升。”

4 结论

提出了学习效果力评估新方法，对教学效果具有积极影响。将研究重点由教学内容和教学模式转移到学生中心，通过近两年数据比照分析，发现提升教学效果的另一个重要影响因素是学生属性，不同属性的学生，其学习效果力不同，因此需要教师特别关注一些学习效果力较差的学生，通过对学生属性学习效果力的评估，建立预测模型，对学生成绩进行预测，同时进行闭环控制，激发全体学生的学习兴趣，使得学生成绩自然向良好等级转化，降低及格等级学生成绩预测准确度，提升良好区间学生成绩预测准确度。预测结果表明教学效果和质量获得显著改善。