​萬力勇,黃煥,黃志芳:大數據驅動的精準教學:操作框架與實施路徑

▲萬力勇 

作者簡介：萬力勇，中南民族大學教育學院副教授，博士，研究方向為教育信息化，郵箱為[e-mail]。黃煥，中南民族大學教育學院；黃志芳，湖北大學教育學院。

來源： 《現代教育技術》2019年第01期

摘要：大數據時代的到來，賦予了精準教學新的內涵和使命。文章首先通過將大數據技術與精準教學進行整合，對大數據驅動的精準教學進行了詮釋；然後，文章以教學活動實施的一般流程為依據，提出了大數據驅動的精準教學操作框架；接著，文章從教學大數據採集和教學大數據分析兩個方面，剖析了大數據驅動的精準教學實施路徑；最後，文章圍繞大數據驅動的精準教學的未來發展，提出既要提升教師的數據素養，又要開展基於大數據的教學改革與實踐。文章聚焦於大數據驅動的精準教學操作框架和實施路徑研究，可為精準教學的深入開展提供理論參考。

關鍵詞：精準教學，大數據，學習分析，操作框架，實施路徑

基金項目：本文受國家自然科學基金項目「我國開放教育資源項目質量監測評價及質量保證策略研究——基於用戶滿意度視角」（項目編號：71503278）、湖北省高等學校省級教學研究項目「『網際網路+』背景下以創客教育促進大學生創新創業能力培養的研究與實踐」（項目編號：2017198）資助。

「精準」一詞釋義為非常準確、精確。近年來，「精準」被不斷應用於人類的各項活動，並已成為諸多領域關注的熱點，如應用於商業領域的「精準營銷」、應用於政府工作領域的「精準扶貧」和應用於醫學領域的「精準醫療」等。與上述領域不同的是，將「精準」應用於教育教學領域中所形成的「精準教學」並不是一個新名詞。早在20世紀60年代，美國學者Lindsley就將「精準」一詞首次引入教育教學領域，提出了「Precision Teaching」的概念[1]。精準教學的初衷在於通過精確測量學習過程，來追蹤學生的學習表現，並進行科學、精確的教學決策。精準教學的優勢在於能對各類教學的有效性進行評估、能與各種教學策略兼容，故一經提出便受到了教育工作者的關注與青睞[2]。然而，由於操作比較繁瑣、記錄過程複雜、缺乏統一測量標準等原因，精準教學的推廣遭遇阻礙，逐漸失去了活力。近年來，隨著信息技術取得革命性突破和網際網路數據呈幾何級增長，教育大數據時代已經來臨。如果將大數據技術引入精準教學的理論與實踐框架中，並對精準教學的內容和流程進行擴展、重組，在繼續保持其精準教學評估功能的基礎上，突出精準教學設計、精準教學幹預和精準教學決策功能，將有可能重新激發出精準教學的活力，並滿足研究者和實踐者對教育教學更加科學化、精確化的追求。

一  大數據驅動的精準教學釋義

Lindsley倡導的精準教學是基於Skinner的行為主義學習理論而提出來的，他援引了Skinner理論中「反應率」和「累積反應記錄」這兩個概念，認為評估學習有效性的最佳檢測指標是學生的行為表現[3]。而對行為表現的評估主要從準確率和速度兩個方面來加以考量，故精準教學使用流暢度（Fluency）來衡量學生的學業發展情況。流暢度包括準確率和速度兩個維度，具體涉及五個方面的內容：持久性、耐久性、穩定性、應用性和生成性[4]。Lindsley[5]將精準教學定義為根據標準變速圖表上學生持續的自我監控表現頻率的變化而形成的教育決策。另有一些學者從教學評價層面對精準教學進行了定義，如White[6]認為精準教學並不具體闡釋怎樣教、教什麼，而是一種可以對任何教學策略和課程進行系統評價的方法。West等[7]也提出精準教學不是一種教學方法，而是一種精準、系統地評價教學策略和課程的方法。除了繼續關注測評功能和教學決策功能，近幾年來國內的一些學者開始將精準教學研究擴展到教學活動全過程。

精準教學在應用推廣中的不足主要表現為數據的採集和記錄過程十分繁瑣。大數據技術的出現，為精準教學帶來了新的發展契機。大數據的內涵一般包括三個方面：①數據量巨大、來源廣泛、數據類型多樣；②需要全新的技術對數據進行分析和處理；③能從各種類型的數據中挖掘出價值[8]。教育教學領域中的大數據主要包括日常教學活動中教師的教學數據、學生的行為數據和結果數據等。隨著我國教育信息化建設的全面推進與普及，各類數位化學習平臺和各種新的數位化學習技術如雨後春筍般得以應用和推廣[9]。數位化學習技術的普及化應用和數位化學習活動的常態化引入，為教育大數據的生成提供了「天然的土壤」。伴隨著各類教學數據的不斷累積和海量增長，大數據技術為構建新的教學範式提供了技術支持，同時也賦予了精準教學新的活力。

綜上所述，大數據驅動的精準教學是指以大數據技術為手段，在精準分析學生學業現狀的基礎上，對教學目標進行精準定位、對教學內容進行精準定製、對教學活動進行精準設計、對學生學習表現進行精準評價進而做出精準教學決策，使教學過程和教學結果可量化、可監測、可調控。大數據驅動的精準教學的前提，是海量的教學大數據——這些教學大數據由教與學各環節所產生的結構化、半結構化、非結構化等多種類型的數據集構成，是系統對學生過程性、即時性學習行為與表現的記錄。而大數據驅動的精準教學的核心是精準學習分析，具體包括學習數據的精準挖掘、學習表現的精準評價和基於學習數據的精準教學幹預[10]。

二  大數據驅動的精準教學操作框架

要實施大數據驅動的精準教學，必須建立一套切實可行的操作框架作為理論指導；而操作框架的建立，應以教學活動實施的一般流程為依據，即設定教學目標→組織與傳遞教學內容→設計學習活動→對學習結果進行測評與反饋。基於此，本研究提出了大數據驅動的精準教學操作框架，如圖1所示。

1  大數據驅動的精準教學操作框架

1  精準教學目標設定

精準教學目標設定是指在綜合考慮學生學習現狀和學習偏好的基礎上，為不同學生精確設定不同的結果預期[11]。其中，「精」是指精細，即對學生需要掌握的知識或技能程度必須有一個精細的解釋和描述[12]；「準」是指相關性和匹配性，即設置的教學目標必須與學生的學習現狀、學習風格和學習需求密切相關且高度匹配。

精準教學目標的設定，實質上是在學習者特徵與教學預期之間建立一種準確的映射關係，步驟如下：第一步，對教學目標進行細化和量化。第二步，對已有學生的教學大數據進行分析，提取並構建包括學生初始能力（已有知識和技能基礎）、認知結構、認知風格、學習動機、學習態度等多維特徵在內的單個學習者模型，對影響教學目標實現的關鍵學習者特徵進行分析；同時，建立細化的學習者特徵與教學目標維度的一一映射關係，並依據學習偏好來匹配教學目標的差異化設計要素，設定與學習者特徵高度匹配的教學目標。

2  精準教學內容推送

精準教學內容推送是學生在學習活動中獲取所需教學內容的一種機制，意為根據學習者特徵，主動為學生推送適合其學習需要的教學內容。通過建立學習者模型來記錄學生的個性化學習信息，是實現精準教學內容定製的前提。目前，基於大數據的精準教學內容推送途徑主要有三種：①基於內容的推送，是指依據學生與教學內容之間的映射關係進行內容匹配，同樣需要建立學習者特徵與教學內容特徵相映射的二元關係，並對兩者進行相似度計算，將相似度高的教學內容推送給學生；②基於用戶的協同推送，需要建立學生與學生之間的關聯，並利用這種關聯特性建立教學內容與學生群體的匹配關係，為相似學生推薦相同的教學內容[13]；③基於關聯規則的推送，是指建立不同教學內容之間的關聯，根據相關性強弱和因果關係，將符合條件的教學內容推薦給學生。

3  精準學習活動設計

精準學習活動設計要以學習者特徵為出發點，活動目標設計應具體、明確且具有多元性和層級性。在具體設計精準學習活動時，應綜合考慮學生的學習偏好、互動偏好、學習支持及活動組織等因素。基於大數據的精準學習活動設計遵循以下步驟：差異檢測→動態分組→並列教學→差異教學。其中，差異檢測是指通過大數據測量、辨識學生的差異，包括學生自身發展方面的差異如多元智能、學習興趣等，學生與學生之間的差異如學習風格、思維方式等[14]；動態分組是指按照學習活動與教學內容性質，根據學習者特徵差異進行同質化分組和異質化分組；並列教學是指針對學生的共性需求，實施一致化的教學活動；差異教學則指在並列教學之後，根據學生的學習現狀和個性化學習需求，實施差異化的教學並對學生進行有針對性的指導。

4  學習行為記錄與測評

在大數據時代，已有越來越多的信息化手段和工具可以用來精準記錄課堂中學生的學習行為和表現，如在課堂教學環境中可以採用試卷、量表、調查問卷等自報告方式和人工觀察、計數器、投票器、圖表繪製工具（如傳統精準教學中採用的標準變速圖表）等方法，來獲取學生參與行為、互動行為、學習結果、學習態度、學習動機等方面的數據；在網絡學習環境中可以通過數據挖掘和日誌分析等手段，來獲取學生的訪問信息、瀏覽行為、互動行為、評價行為、作業提交行為等方面的數據[15]。這些採集來的學生學習行為大數據，經過嚴格的數理分析與邏輯建構，可以全面、精細地反映出學生的學習過程全貌，為教師對學生的學習過程作出精準評價提供了方便。此外，還可以採用概念圖、散點圖、雷達圖、交互圖、帕累託圖、控制圖等，對學生的學習行為和過程進行呈現，使學生的學習行為和過程更加可視化。

5  精準決策與幹預

精準決策與幹預是精準教學過程的最後一個環節，是指教師在記錄與測評學生學習表現的基礎上，深入挖掘、分析學生在各個維度的歷史學習表現數據，獲取其學習行為的潛在規律和特點，發現其學習過程中存在的潛在問題與缺陷；同時，立足於學生的個性化學習特點和學習過程中出現的各種問題，有針對性地採取相應的幹預措施，以不斷完善、優化後續的教學過程。藉助大數據技術，教師只需掌握基礎的軟體操作技能和數據分析技能，就能明晰教學各要素之間的真實聯繫，精準化識別學生個體及群體的學習狀態、存在的問題等，在此基礎上形成的教學決策和幹預不僅更精準，而且更高效。

三  大數據驅動的精準教學實施路徑

以大數據驅動的精準教學操作框架為理論指導，大數據驅動的精準教學在具體實施過程中應同時考慮教學大數據採集和教學大數據分析。兼顧這兩個方面，實施大數據驅動的精準教學，需要構建線上、線下融合的教學大數據採集模式，並遵循教學大數據一體化分析流程。

1  構建線上、線下融合的教學大數據採集模式

目前，能夠被準確記錄的教學大數據主要來源於在線教學平臺，線下數據的採集由於採集難度大、採集量小等原因而一直被忽視。就實施精準教學的需求而言，目前所能採集的數據在數量、質量、類型上，都有待進一步擴展。既要完善現有的在線教學數據採集手段，又要突破線下教學數據採集難的瓶頸，最終實現線上、線下教學數據的有效整合，唯有建立線上與線下融合的教學大數據採集機制，才能真正從源頭上滿足精準教學對大數據容量的需求。為此，本研究構建了線上、線下融合的教學大數據採集模式，如圖2所示。在該模式中，教學大數據的生成主體是教師和學生，生成環境包括線上環境和線下環境，通過主體與環境的交互生成各類數據（包括個體數據、群體數據、課程數據和區域數據等）。

2  線上、線下融合的教學大數據採集模式

具體來說，線上教學大數據的採集依託在線學習平臺，主要應用以下採集技術：①在線學習平臺後臺管理技術，主要用於從關係型資料庫中提取各種在線學習行為數據；②網絡日誌採集技術，主要用於採集在線學習系統運維日誌與用戶日誌等數據；③網絡爬蟲採集技術，主要用於採集大規模全網信息、學習者在線留言與評論數據等[16]。

近年來以智慧教室為代表的智慧學習環境建設發展迅速，為破解線下教學大數據採集難的問題提供了新的解決方案。智慧學習環境是一種能感知學習情景、識別學習者特徵、提供合適的學習資源與便利的互動工具、自動記錄學習過程和評測學習成果，以促進學習者有效學習的學習場所或活動空間[17]。在教學大數據的採集上，智慧學習環境能通過可穿戴設備、傳感器件、眼動跟蹤等感知設備或技術，獲取學生在學習興趣、學習參與度、學習投入度、課堂互動、知識攝取甚至情感狀態等的詳細情況。以可穿戴設備為例，可穿戴式傳感器可隨時隨地感知學生身體和周圍的環境變化，在不幹擾學生個體的情況下自動獲取其生理數據和學習行為數據，由此全方位追蹤學生的學習過程，實時提供多維度的數據來源，對線上教學大數據進行有效補充。

2  遵循教學大數據一體化分析流程

目前，教學大數據分析技術已通過嵌入網絡教學系統或智能教學平臺等方式被初步應用於部分教學環節中。這些大數據分析技術從不同角度對教師的精準化教學產生了促進作用，而其不足在於未能從教學活動全過程視角形成全方位、一體化的分析流程。為此，本研究設計了包含技術、方法和應用三個層次的教學大數據一體化分析流程，如圖3所示。

3  教學大數據一體化分析流程

①技術層是基礎，涉及統計分析、數據挖掘、量化自我、話語分析、社會網絡分析和信息可視化等技術。其中，統計分析技術主要是對學生與學習系統之間的交互數據進行普適性統計指標分析；數據挖掘技術被用來在沒有明確假設的前提下，去尋找隱藏在學生學習數據中存在的潛在關係和規律[18]；量化自我技術是指對學生在學習過程中有關物質攝入、當前狀態和身心表現等方面的數據進行獲取並分析[19]；話語分析技術主要是對在線學習過程中學生的交流文本和話語進行分析，以精確了解學生的知識建構過程；社會網絡分析技術主要是對學生互動網絡結構進行分析；信息可視化技術則指以可視化的方式，向教師或學生呈現學習過程與學習結果。

②方法層是手段和中介，包括學習者建模、學習結果診斷、學習路徑規劃和學習者畫像等。其中，學習者建模是指根據學生的相關數據構建其知識模型和經驗模型；學習結果診斷是指對學生的學習結果數據通過診斷操作，來判斷教學目標的達成程度並對未達成的原因進行分析；學習路徑規劃是指根據學習風格、行為偏好等因素，來規劃最符合學生需求的學習路徑[20]；而學習者畫像是指整合學生的特徵數據源和行為數據源，構建立體化、具象化的學習行為模型[21]。

③應用層是對外輸出，主要負責大數據分析結果的對外應用。應用層不僅包括行為分析、在線決策和預測分析等可直接作用於具體教學的手段，還包括基於這些手段擴展而成的自適應學習和個性化學習形態——這兩種形態是教學大數據分析的最終應用形態。藉助前文所述多種教學大數據技術和方法的應用，最終為學生提供與他們自身個性化學習特徵和學習需求相匹配的個性化教學服務，並通過創設自適應學習環境和個性化學習環境，為學生的精準化、個性化發展提供全面支持。

四  大數據驅動的精準教學發展建議

精準教學作為大數據環境下新的教學樣態，已在逐步滲透並影響教育教學。在不久的將來，大數據必將成為新型教學生態的核心標籤。為了迎接大數據驅動精準教學時代的到來，教育工作者需對現有的教學生態進行變革，變任務導向為數據導向，變經驗驅動為數據驅動，既要大力提升教師的數據素養，又要大力開展基於大數據的教學改革與實踐。

1  提升教師的數據素養

只有具備了良好的數據素養，教師才有可能充分發現並挖掘出教學大數據中潛在的信息和隱藏的教學價值，利用教學大數據來分析與解讀學生的學習狀態，掌握學生的學習進度，並有效使用教學大數據來進行教學決策。那麼，如何才能提升教師的數據素養呢？本研究認為可從以下方面著手：①讓教師明確數據的概念和數據之於教學的重要性，了解數據是如何影響和作用於教學的。②設立教師數據素養資格認證機制，把對數據素養的考評納入教師的專業能力評測體系中，制定不同學科、不同教學階段的教師數據素養標準[22]。③建立職前、職後一體化的教師數據素養培訓機制——職前階段培訓應該開設專門的數據素養系列課程，培養學生處理、分析和解釋普適性數據的能力，為學生日後使用大數據技術對非結構性教學數據進行分析和處理奠定基礎；職後階段培訓主要讓教師充分理解和認識教學大數據的價值，掌握教學大數據採集、分析、解讀和應用的方法與技巧，將數據管理的知識和技能與自己的教學實踐進行深度整合，使用數據來解決教學中的具體問題[23]。

2  開展基於大數據的教學改革與實踐

①推進基於大數據的教學走向常態化：一方面，要鼓勵教師利用教學大數據，有針對性地設計、組織促進學生自主發展的教學活動，讓學生實時掌握自己的學習進度和學習表現，輕鬆自如地開展自我導向的學習；另一方面，要為師生營造一種大數據驅動的教與學氛圍，實現目標、內容、活動、評價、資源、環境等諸多要素設計的精準化和個性化，推動大數據驅動教學走向常態化[24]。

②全面優化教學評價方式：要積極推動教學評價方式從結果性評價向過程性評價轉變，重點關注對學生學習過程和學習行為的評價；將總結性評價與形成性評價相結合，了解學生怎樣思考問題、怎樣解決問題，而不是僅僅關注學生是否得出了正確答案。此外，傳統方式難以測評的學生學習指標（如問題解決、合作、創新等能力指標和好奇心、毅力、耐力等情感態度指標）經過大數據技術量化後，也應納入教學評價範疇中，使教學評價更全面、更具體且更精確。

參考文獻：

[1]Wikipeida. Precision teaching[OL]. <https://en.wikipedia.org/wiki/Precision_teaching>

[2][4]祝智庭，彭紅超.信息技術支持的高效知識教學：激發精準教學的活力[J].中國電化教育，2016，（1）：18-25.

[3]Lindsley O R. Precision teaching's unique legacy from B. F. Skinner[J]. Journal of Behavioral Education, 1991, 2: 253-266.

[5]Lindsley O R. Precision teaching: Discoveries and effects[J]. Journal of Applied Behavior Analysis, 1992, 25: 501-57.

[6]White O R. Precision teaching—Precision learning[J]. Exceptional Children, 1986, （6）: 522-534.

[7]West R P, Young K P, Spooner F. Precision teaching: An introduction[J]. Teaching Exceptional Children, 1990, 3: 4-9.

[8]林紅，彭堅，田凌暉.基於大數據的「科學取向」小學教學模式構建[J].教育發展研究，2017，（4）：76-80.

[9]楊現民，駱嬌嬌，劉雅馨，等.數據驅動教學：大數據時代教學範式的新走向[J].電化教育研究，2017，（12）：13-20、26.

[10]雷雲鶴，祝智庭.基於預學習數據分析的精準教學決策[J].中國電化教育，2016，（6）：27-35.

[11]武法提，李彤彤.基於遠程學習者模型的差異化教學目標設計[J].現代遠程教育研究，2013，（3）：66-71.

[12]付達傑，唐琳.基於大數據的精準教學模式探究[J].現代教育技術，2017，（7）：12-18.

[13]馬佳佳，熊才平，丁繼紅，等.面向學習過程的個性化資源推薦服務策略研究[J].中國教育信息化，2016，（5）：29-33.

[14]彭紅超，祝智庭.面向智慧學習的精準教學活動生成性設計[J].電化教育研究，2016，（8）：53-62.

[15]黃榮懷，楊俊鋒，胡永斌.從數字學習環境到智慧學習環境——學習環境的變革與趨勢[J].開放教育研究，2012，（1）：75-84.

[16]邢蓓蓓，楊現民，李勤生.教育大數據的來源與採集技術[J].現代教育技術，2016，（8）：14-21.

[17]張永和，肖廣德，胡永斌，等.智慧學習環境中的學習情景識別——讓學習環境有效服務學習者[J].開放教育研究，2012，（1）：85-89.

[18]吳青，羅儒國.學習分析：從源起到實踐與研究[J].開放教育研究，2015，（1）：71-79.

[19]吳金紅.大數據時代量化自我支持的個性化學習研究[J].中國教育信息化，2015，（10）：42-45.

[20]劉三女牙，李卿，孫建文，等.量化學習：數位化學習發展前瞻[J].教育研究，2016，（7）：119-126.

[21]任紅傑.基於大數據的精準教學：生成路徑與實現條件[J].黑龍江高教研究，2017，（9）：165-168.

[22]劉雅馨，楊現民，李新，等.大數據時代教師數據素養模型構建[J].電化教育研究，2018，（2）：109-116.

[23]張進良，李保臻.大數據背景下教師數據素養的內涵、價值與發展路徑[J].電化教育研究，2015，（7）：14-19、34.

[24]孔晶，郭玉翠，郭光武.技術支持的個性化學習：促進學生發展的新趨勢[J].中國電化教育，2016，（4）：88-94.

了解作者更多信息請點擊閱讀原文