基于数据驱动的在线开放课程学习质量评价研究

陈果

摘要：为了进一步提高在线开放课程建设质量，满足高校多样化教育需求，现利用数据驱动思想，制定一套系统、完善的在线开放课程学习质量评价体系。首先，根据数据驱动理论，从在线开放课程混合式教学模式基本流程、在线开放课程学习质量评价指标构建两个方面入手，完成对在该评价体系的科学构建。其次，从课前导学、课中导学和课后导学三个维度出发，深入分析和挖掘影响学生学习效果的各个因素。最后，以“C语言程序设计应用”为例，探讨了该评价体系的实际应用效果。结果表明：在该评价体系的应用背景下，学生的学习投入度越高，其参与活动的积极性就越高，学习成绩会越来越好。学生的学习能力与创新能力两者之间没有任何关系，学习能力强的学生并不代表创新能力一定强。

关键词：在线开放课程;混合式教学;学习质量评价;指标体系;MOOC

中图分类号：G642  文献标识码：A

文章编号：1009-3044（2021）29-0178-02

1引言

在大数据技术和人工智能技术的不断发展和普及下，从海量数据中快速分析和挖掘有价值的信息已不再是天方夜谭。在这样的背景下，我国对高校在线开放课程学习质量评价提出了更高的要求，旨在保证教学过程监督的有效性和针对性，从而不断修改、优化和完善学习评价和教学过程，进而帮助学生取得事半功倍的学习效果。因此，在数据驱动思想的应用背景下，如何科学构建和应用在线开放课程学习质量评价体系是相关人员必须思考和解决的问题。

2在线开放课程学习评价指标体系的构建策略

2.1在线开放课程混合式教学模式基本流程

2.1.1课前导学阶段

该阶段又叫线上课堂阶段，在这一阶段中，教师通过采用诙谐幽默的讲课方式，激发学生的学习兴趣，为引导学生后期进入到课中学习中打下坚实的基础。首先，要在综合考虑学生个性化学习需求、学习能力和认知水平的基础上，将音频、视频等学习资源发送给学生，学生根据这些学习资料[1]，可以更好地预习和感知新知识。其次，為了更好地验证学生对所学知识的掌握情况，还要为学生布置相应的学习任务，让学生通过独立自主地完成这些学习任务，培养自身的自主学习能力和自主探究能力。最后，学生要借助软件平台的导学测评功能，总结学习过程中遇到的疑难点，便于后期能够有针对性地听讲。

2.1.2课中研学阶段

该阶段又叫线下课堂阶段，在这一阶段中，首先，教师要根据学生反馈的疑难问题，对学生进行个性化指导。其次，引导学生以小组为单位，采用合作学习与学习任务导入相结合的方式，开展探究性学习活动，并对学生进行有效的点拨和指导，以保证探究性学习活动开展的有效性和针对性。最后，学生将个人学习成果展示并分享在其他同学，并反思和总结在学习中存在的疑问，在此基础上，积极主动地完成课堂达标测评相关学习任务[2]。

2.1.3课后拓学阶段

该阶段又叫线上课堂与线下课堂相结合阶段，在这一阶段中，学生通过独立完成拓展项目，不断提高自身对知识、技能的拓展应用能力。教师采用线上预测模式，对学生的学习行为数据以及线下作业完成情况进行综合测评，此时，线上学习系统会自动向学生推送系统化学习方案，为进一步提高学生的学习能力打下坚实的基础。最后，还要加强对混合教学模式的优化和完善，以提高教学管理的精准性和科学性。

2.2在线开放课程学习质量评价指标的构建

该评价指标构建作为一个复杂、漫长的过程，具有一定的严谨性和系统性。从表1 中的数据可以看出，课前导学阶段所构建的评价指标主要包含投入度、参与度、导学测评;课中研学阶段所构建的评价指标主要包含贡献度、协作创新、实时测评;课后拓学阶段所构建的评价指标主要包含知识迁移、学习反思、自我效能感。由此可见，为了进一步提高在线开放课程学习质量评价结果的准确性和真实性，教师要线上课堂、线下课堂考核并进的方式，对在线开放课程学习质量进行定性或者定量评价，同时，还要实时监督、控制和评价学生学习全过程状态。

3在线开放课程学习质量评价体系的应用

3.1研究实施流程

3.1.1研究样本选择

本次所选用的课程案例以“C语言程序设计”为主，验证在线开放课程学习质量评价体系的可靠性和有效性。通过借助智慧教室和MOOC平台，采用混合式教学模式，并将计算机科学与技术专业、电子工程专业2019级284名学生作为本次实验中的重点研究对象，在这之前，学生通过借助MOOC平台，已经熟练掌握和应用计算机相关知识，具备较强的专业能力和操作技能。“C语言程序设计”课程作为网络工程专业、软件工程专业的基础性课程，总课时一般在65学时左右，在第16周或者第17周通常会对学生进行期末综合测评。

3.1.2信度与效度分析

通过使用质量评价量化公式，将课以上三个阶段所构建的评价指标作为信度与效度分析对象。首先，将284名学生相关数据导入到指定的系统中，这些数据主要包含两种，一种是学习过程数据，另一种是学习结果数据，然后，采用克隆巴赫系数分析法，对这些数据进行全面地统计和分析，从而实现对以上三个阶段中学生学习成绩影响因素进行精确的分析、计算和统计。克隆巴赫系数分析结果如表2所示。从表2中的数据可以看出，以上三个阶段的克隆巴赫α 系数分别达到了0.853、0.833、0.821。这表明本文所构建的评价指标具有较高的可信度。此外，通过采用KMO检验法，对以上三个阶段的结构效度进行计算，其结构效度为0.751，高于标准值0.5，这表明本文所提出的评价指标具有良好的结构效度。

3.2研究结果

3.2.1学生的投入度、参与度与学习总成绩相关性分析

在皮尔逊相关性检验法的应用背景下，对以下三种参数之间的相关性进行系统化分析和研究，这三种参数分别是学生的学习投入度、学习参与度和学习总成绩。从表3中的数据可以看出，学生的学习投入度所对应的皮尔逊相关性系数与学生总成绩所对应的皮尔逊相关性系数一致，均为0.796，这说明学习投入度和总成绩0.02两侧上呈现出比较正相关关系。同时，学生的学习投入度成绩所对应的皮尔逊相关性系数与学生的学习参与度成绩所对应的皮尔逊相关性系数保持一致，均为0.725，这两种参数在0.02双侧附近处呈现正相关关系，这说明学生的学习参与度随着其学习投入度的不断增强而呈现出不断上升的趋势，在这样的情况下，学生所获得成绩越来越理想。

3.2.2学生的学习能力、协作创新与学习总成绩相关性分析

对于学生而言，其学习能力评价需要从解决问题能力、自主学习能力和沟通协作能力等指标入手，通过采用皮尔逊相关性法，对学生的学习者的学习能力、协作创新与学习总成绩相关性进行分析，得出如表4所示的分析结果。从表4中的数据可以看出，无论是学习能力成绩，还是总成绩，其皮尔逊相关性系数均为0.879，这说明两者之间存在明显的相关性，同时，在0.02两侧上呈现出显著相关关系，这表明学生学习能力越强，所获得学习成绩越理想。同时，无论是学习创新评价，还是总成绩，其皮尔逊相关性系数均达到了0.643，并在0.02双侧附近处呈现出显著相关关系，这说明学生的学习创新能力越强，学习成绩越理想，但也有例外情况，部分学生尽管学习创新能力强，但由于偏离了学习目标，导致学习成绩不够理想。

4结束语

综上所述，在大数据技术、物联网技术、人工智能技术等现代化技术的助力下，本文提出了一种系统、科学的在线开放课程学习质量评价体系，该体系重点使用了混合式教学模式，从课前导学、课中导学以及课后导学三个维度出发，促进学习过程评价工作向精准化、科学化、系统化不断发展，为后期在线开放课程学习质量评价提供有效的参考和借鉴。

参考文献：

[1]干红芳.高职《初级会计实务》在线开放课程建设与应用研究[J].中国乡镇企业会计，2018（4）：272-273.

[2]魏顺平，程罡，王丽娜，等.数据驱动的在线课程实施过程评价指标体系构建研究[J].开放学习研究，2016，21（2）：42-48.

[3]谢正，李建平.数据驱动研究范式下的MOOC教学研究问题初探[J].计算机工程与科学，2018，40（S1）：47-50.

[4]金跃强.数据驱动在线公选课程教学效果评价实证研究[J].宁波大学学报（教育科学版），2017，39（3）：82-86.

[5]魏顺平，程罡，王丽娜，等.数据驱动的在线课程实施过程评价指标体系构建研究[J].开放学习研究，2016，21（2）：42-48.

【通联编辑：代影】