SPOC 混合教学模式过程设计与数据管理

刘明玉

（广州南方学院，广州 510970）

在乔治·西门子和斯蒂芬·唐斯创设了第一门MOOCs课程之后，MOOCs 以其方便、灵活与提供机会等优势对世界教育产生了重大影响，继而成为世界教育改革和在线教育实践的热点。但MOOCs 暴露出的“高辍学率和低完成率”“教学方式相较单一”“学习过程缺乏监管”等问题影响其后续发展。针对所存在的问题，近期MOOCs 进行了3个方面的调整。一是在原有教学模式上补充传统的教学方法和教师；二是在“大规模开放课程”的基础上增加更广泛的课程类型；三是针对在线课程采取相应的收费措施，而不再完全免费。经过一系列调整之后，不同类型的MOOCs又随之出现，如Mata-MOOC、DLMOOC、MOOL、MOOR 和DOCC 等[1]。一言以蔽之，MOOCs 似乎要完结了，但“MOOCs+”却势头正劲。显然，MOOCs 尚不能完全替代传统的面授教学方式，但MOOCs 教学模式与传统面授教学方式的融合或将成为未来教学的主流，这也是SPOC 混合教学模式的基本要义。

一 SPOC 混合教学模式的概念与特征

加州大学伯克利分校MOOC 实验室主任Armando Fox 较早提出了SPOC 的概念。MOOCs 由于选课学生太多，学生间文化差异太大，导致教学效果难以保障。而SPOC 主要面向校内学生，因此选课学生的同质性较强，又因人数规模小，教师能深入了解学生的课业成绩、知识结构、性格特点和学习方式等方面的情况，有助于教师深度介入学生的学习过程，根据学生的知识基础与个性特点做到因材施教。与MOOCs 相比，SPOC 增加了申请前置与审批控制程序，“小众化”与“限制准入”等条件既能赋予学生个性化的、完整的和深度的学习体验，又有助于优化教学设计、创新教学模式。虽然SPOC 在一定程度上降低了教学效率，但却保证了教学模式的可持续性。SPOC 通过混合了线上与线下不同教学方式，避免MOOCs 教学方式单一的问题。SPOC 混合教学分为MOOCs 主导型和面授课主导型，MOOCs 主导型要求学生参与所有在线学习，教师组织相关线下教学来辅助与丰富学生的在线学习内容和活动。而面授课主导型仍以教师面授课程为主，MOOCs 仅作为面授课程的辅助和补充资源。SPOC 可理解为“MOOCs+Classroom”的模式，它是MOOCs 的一个分支，也可以说是“MOOCs+”的一种表现形式。例如，哈佛大学费舍尔教授曾在edx 平台开设版权法课程，Bruff 等[2]也将“Machine Learning”课程应用于Coursera 平台上。

SPOC 混合教学模式可称的上是MOOCs 的超集，它所表现出的转换自如的特点不仅能满足不同课程的教学要求，还能涵盖那些不适合MOOCs 形式的实验、实践类课程和线下考试的安排。相比完全的在线教学方式，教师更愿意在传统课堂混合使用电子书、电子资源及各类社会媒体，且公众对混合教学质量的认可度也比在线教学高出许多。究其原因：①在教学形式上，传统面授教学与网络教学的结合，SPOC 平台所汇集的全球教学资源突破了传统教学的局限，为高质量教学与研究奠定了基础；②在教学手段上，传统教学手段与信息技术手段的结合，基于信息技术，SPOC 混合教学不仅联通了影像、声音、动画、图形及文本等素材，还认可教师的存在价值，并承认教师的性情、学识、智慧及品行所蕴含的教育内在价值；③在教学关系上，SPOC 改变了既往的教学行为模式，课前预习、课间讨论及课后探究使学生成为了真正的学习主体，而教师的主要工作除了传授知识还要引导学生进行分析、批判，以及鼓励知识的创造。知识建构、学习探索的权利被交还给学生，学生被允许对既有知识系统进行批判与解构，从而为高阶思维能力的培养创造条件；④在教学保障上，网络技术生成的大量数据，不仅有助于评测教学状况，还能诊断教学问题、改进教学质量，促进学生的个性化成长，提供教学改善策略与教育决策意见；⑤在教学观念上，SPOC 不仅表现为对信息技术的使用，还表现在促成教学新范式的实现。查尔斯·瑞格鲁斯将之概括为，学生学习的进展是建立在学生掌握的基础上的，用标准参照模式评定学生，以学生为中心的教学、根据学生个性定制化的教学、学生做中学和自我调整的学习[3]。像Zemelman、Daniels 和Hyde也都认为现代社会的有效教学策略应包括以学生为中心、有经验做基础、有反思、真实可信、具有整体性、与社会相协同、具有民主性、重视认知、关注学生发展、有建设性、使用心理语言学和有挑战性[4]。鉴于MOOCs 存在的缺陷，无论是为了保证SPOC 混合教学的有效性，还是适应教学新范式的需要，教学数据的分析与管理是关键要素。

二 SPOC 混合教学数据分析系统建设思路

大数据改变了人类思考问题的方式，因果关系也正被相关关系所取代。利用大数据建立SPOC 混合教学相关关系的模型，对于教学关系的梳理大有裨益。例如，IBM 公司预测未来智慧教育需要关注5 个问题，即：关注学生、分析统计的实时性、管理集中制、互动体验多样化和资源共享[5]。简单而言，教学数据的应用是未来社会实现智慧教育的必要手段[6]。现代教学对网络技术的使用比例越来越高，如果缺乏数据支持，不仅像学习情境识别、资源推送及学习行为的跟踪与分析、绩效评价和学习干预等功能无法实现，就连基本的网络教学也无从进行。反之，信息时代教学的最大优势就是数据对教学的支持。在浅度的教学支持上，借用思维导图技术可以评测学生知识掌握的情况、呈现学习链接及知识锚点，使用自动评分系统则不仅能减轻教师负担，还能完成统计分析。在更深度的支持上，首先，数据的科学运用有助于实现高效教学。例如，教学数据能针对学生个体需求预测与优化教学内容、教学时间及教学方式，有利于实现个性化学习。而学习行为数据则可让学习者了解其学习过程的发生机制，借此开展适应性学习、自我导向学习。其次，数据的合理使用还有助于优化教学管理。作为一种技术手段，数据能在多个维度上提升教学管理的水平。如，分析师生、资源和管理等实际状况，优化教学资源的配置；通过归纳数据找寻教学规律，而不再依赖个人化的经验；对教学进行多元评价，而不局限于“知识掌握”的单一维度；超越狭隘的结果评价，实现过程性评价[7]；变“数”为“据”，支持教学运行的有序化，实现教育决策科学化。

根据课程与教学的系统结构的要素，要描述课程与教学的状态，需要掌握教学目标、教学内容、教学态度、教学环境、教学方法、教学活动、教学能力、教学反馈、教学组织与管理层面等数据。同时，根据教学行为的系统结构，要描述和评价教学行为，需要通过教学目的、课程信息、教学方法、教学环境、教师、学生和教学反馈等数据予以分析。由此，结合课程与教学的相关理论与实践，SPOC 教学系统数据应包含以下7 个方面的内容。①课程数据。涵盖专业方向、课程性质、学分设置、排课信息、教学班规模、选退课制度、教学大纲、教材与参考书目、考核评价方式、试题质量、课程作业要求、课程难易程度、课程网络资源、实验实践安排和成绩构成等数据。②学习者特征数据。涵盖个人基本信息、学习基础、学习目标、专业兴趣、研究方向、学习意识、过往成绩、个性化需求、能力素养、性格特质、学籍档案、心理筛查数据、独立思考、合作意识、社交表现、书籍阅读、科研论著、社团组织、社会服务、学生奖助贷、兼职就业、社会关系和家庭状况等数据。③学习行为数据。涵盖课程压力、课前预习、学习计划、学习方式、学习习惯、学习专注度、学习投入（时间与精力）、疑难求助信息、关联性图书借阅信息、登陆日志、浏览记录、文本阅读数量、视频观看时长、发帖数量、点击次数、交流发言频率、在线时间、知识点反刍数、任务完成质量、交互学习热度、上传下载资料、资源偏好、学习效果、情绪感知和学习欺骗行为等数据。④教师特征数据。涵盖个人基本信息、教研能力、综合素养、教学风格、创新意识、团队管理、社会职务、研究领域、社会性资源、性情偏好、学识经验、技能智慧和领悟品行等数据。⑤教师教学行为数据。涵盖课堂组织安排（课堂准备、课程要求、时间安排、教学设计与效果反馈）、知识传授表达（知识点熟悉程度、教学素材的适配性、语言表达、教学投入、启发创新思维和教法合宜）、师生交流互动、考核评价、试卷质量、试题分布合理性、试卷作业批改、教材与参考书目质量和课后作业对理解课程的帮助；团队合作、模式改革（教学法探索，即案例学习、情景模拟、软件仿真或角色扮演等）、多元化考核方式和现代教学手段运用[8]。⑥教学交互数据。涵盖礼貌语、语速、动作与姿态、手势、肢体、对话、交互动作、心跳、专注度和情绪感染等数据。⑦课程综合评价数据。成绩分析、教学评价、学生自我评价、学生互评、教学资源受欢迎程度和学习效果反馈等数据。

上述教学数据基准体系所罗列的数据存在着两种类型。一类是移动终端、社会性软件、学习管理系统所记录的与教学直接相关的数据。例如，学习者的学习基础、疑难求助信息、视频观看时长、交互学习热度、资源偏好、学习方式、学习投入和任务完成质量，以及教师的课堂准备、教学设计、教学投入、知识传授表达、答疑反馈、试题分布合理性、教材与参考书目质量、现代教学手段运用和注重过程考核等。另一类是与教学间接相关的数据。例如，学习者的课程压力、学习意识、学习专注度、知识反刍信息、个性化需求、情绪感知、欺骗行为、专业兴趣、研究欲望、合作意识和独立思考等，以及教师的学识经验、教学素材的适配性、启发创新思维、教法合宜、关心学生与因材施教的分层分级教学、情绪感染等。

三 SPOC 混合教学模式的数据应用技术

数据系统的编排与相关数据的采集仅是教学数据应用的前提，更重要的是根据特定任务对教学数据进行分析。SPOC 教学数据的分析方式主要包括教育数据挖掘与学习分析两大方向，其中，教育数据挖掘是指综合运用数学统计、机器学习和数据挖掘的技术和方法，对教育大数据进行处理和分析，发现学习者学习结果与学习内容、学习资源和教学行为等变量的相关关系，来预测学习者未来的学习趋势；而学习分析则是指综合运用信息科学、社会学、计算机科学、心理学与学习科学的理论和方法，通过对广义教育大数据的处理与分析，利用已知模型和方法去解释影响学习者学习的重大问题，评估学习者学习行为，并为学习者提供人为的适应性反馈[9]。两者的差异在于，教育数据挖掘更侧重于对教育背景环境的各类数据进行分析，以提出相关教育决策，它所指向的主要是较为宏观的教育决策层面。而学习分析主要面向的是微观层面的教师和学生，通过跟踪和分析学习行为、学习过程及学习网络等方面情况，既为教师的教学干预提供依据，还为学习者的适应性学习提供建议。

（一）教育数据挖掘技术

教育数据挖掘主要通过数据模型来完成教学行为的描述和预测，所使用的工具软件包括RapidMiner、Weka、Keel、Knime、Orange、SPSS、R 语言及数据库工具[10]；数据挖掘方法主要有5种，分别是聚类、预测、关系挖掘、文本挖掘及统计分析与可视化。其中，聚类是通过数据发现具有共同特征的群组或模式，并对一些现象进行解释，包含聚类分析和离群点分析。例如，对利用学习环境的行为进行聚类，以发现不同学习行为的效率差异。预测是指通过教育数据的分析获得某个变量的模型，从而对该变量的未来走势进行预测，包括对学习者行为的预测和学习数据的预测等。关系挖掘用以发现数据中不同变量间的关系，包括关联规则挖掘、序列模式挖掘、相关性分析及因果关系挖掘等。例如，优秀生的学习模式与学习效率的关系；合作学习前后与作业完成质量的关系；不定期课程测评与学生听课质量的相关性研究；期末考试成绩差的成因分析。统计分析与可视化是指对学习数据的分析结果以信息可视化技术进行展示，目的是直观地表达数据所蕴藏的规律——包括趋势、分布和密度等要素。例如，以折线图展示问题的提交次数以及正确率；以雷达图分布表示学生的专注力、好奇心、记忆力、思维力及抗压能力等；以“红灯预警模式”来发现学业成绩、平均生活消费等的异常点。

（二）学习分析技术

学习分析技术是测量、收集、分析和报告有关学习者及其学习环境的数据，用以理解和优化学习及其产生的环境的技术。除了与数据挖掘技术共享预测、可视化等功能外，在使用方法上，学习分析技术注重定量研究与定性研究方法的结合。在适用领域上，学习分析则主要面向微观教学实践领域，为教师与学生提供合理教学建议。例如，通过学习分析法预测学生成绩，依据学习表现划分等级，并针对出现问题的学生自动发出风险警示，或自动推送辅助性教学资源、安排教学人员面谈等方式来改善学习状况。学习分析技术既可基于贝叶斯网络、关联规则挖掘、协同过滤算法、聚类及基于知识的建议等方法作出理论性分析，也可基于学习理论、良好的教学实践、知识共同体的构建及学生的学习动机和毅力等知识做出经验性分析[11]。具体而言，学习分析技术主要应用在以下5 个方面：①教学过程交互分析，包括教师、学习者及学习资源之间的多元交互；②教学资源分析，描述学习者与教学资源之间的关联性，以评测学习成效；③学习者特征分析，通过数据建构学习者模型，实行个性化教学方案；④学习者行为与情感分析，通过动作、表情，获知学习者的学习情绪与状态，以间接了解学习者的意见和想法；⑤学习者网络分析，了解学习者如何建立、维持学习网络并从中获得学习支持的情况。包括：学习者的社交网络结构和信息传播能力的分析；社交网络的拓扑结构和信息传播模式的分析；学习社区对话模式的分析等[12]。

综上所述，教育数据挖掘技术与学习分析技术是教育数据应用的两大方向，两者的合理使用，能有效发挥数据在教学管理中的关系发现、效果反馈、风险预测、绩效评估、问题诊断和决策干预等作用。

四 结束语

随着现代教育技术与观念的日益深化，教学数据的基础性地位将愈加明显。如前所述，教学数据的合理使用不仅能弥补SPOC 混合教学的过程性缺陷，还能优化教学并有利于实现智慧教育的目标。但就现阶段而言，教学数据的应用还存在着如下问题：第一，教学数据的基础相对薄弱，由于大量教学数据分散于不同的教学管理系统。尚无法将多源性的数据纳入同一分析框架予以分析与运算，只能进行低级的统计分析和小范围应用；第二，数据分析方法存在局限，所获取的主要是显性教学数据，显性数据不足以洞悉教学全貌，所作的教学分析只停留于表面，且不同的数据解释方式也会影响结果分析的准确性；第三，数据分析虽然能够直观地描述与反馈教学过程中存在的问题，但也不宜过分夸大数据分析在评价与指导教学行为中的作用。单一的数据分析不足以形成教学行为的完全诊断，而任何企图以所谓的完备性数据模型来规范与矫正教学行为的主张都有可能偏离教育的初衷而陷入教条主义之囹圄。因此，较为可行的方法是使数据分析与其他教育教学理论和经验相融合，从而生发出符合课程特色与教学特点的教学评价机制。