孟宪涛,任 时

(1.沈阳师范大学 数学与系统科学学院,沈阳 110034;2.辽宁省疾病预防控制中心 营养与食品卫生所,沈阳 110005)

0 引 言

随着信息与网络化的发展,社会步入了信息时代,软件产业是信息化产业的核心,是关系国民经济和社会发展的基础性、战略性产业,是信息化建设的关键环节。软件工程是2002年国家教育部新增专业,它以计算机科学与技术学科为基础,强调软件开发的工程性,使学生在掌握计算机科学与技术方面知识和技能的基础上熟练掌握从事软件需求分析、设计、测试、维护和项目管理等工作所必需的基础知识、基本方法和基本技能,突出对学生专业知识和专业技能的培养,培养能够从事软件开发、测试、维护和软件项目管理的高级专门人才[1-2]。

调查显示,软件工程专业普遍受到学校、计算机类专任教师和学生的认同,但教学效果却并不显著,一些学校的课程设置缺乏开设课程先后顺序的综合考虑,出现一些不应该先于软件工程内容课程开设的课程,以至于学生并不能很好理解相应课程[3];部分高校任课教师教学方式单一,对知识掌握不足,导致学生接收不到有用信息;高校的软件工程课程内容没有根据实际应用的变化及时调整,以至于所学内容和实际发展出现了较大的脱节[4];还有很多高校理论重于实践,课堂教学与实践教学之间存在着明显的差距,导致大部分的学生动手能力极差,达不到实际要求[5]。因此,许多学者对软件工程专业教学相关问题展开探究。基于上述启发,本文通过问卷调查,利用SPSS软件分析上述几个因素对软件工程专业教学效果的影响并提出合理化建议。

1 数据收集与研究方法

1.1 数据收集

本文选取沈阳市多所高校软件工程专业的在校学生为调查对象,采用开放式的问卷调查方法进行数据采集。共发放调查问卷 270份,回收251份,回收率为92.3%。根据研究需要,去除无效的问卷,筛选出 228 份有效问卷,有效率为84.4%。本问卷共设计了6道问题,每个题目都采用Likert 5赋分原则[10]。问题涉及学习兴趣、课程设置、师资力量、教学内容、实践活动、教学效果6个方面。其中以软件工程专业课程的期末综合成绩作为衡量教学效果的指标。表1为问卷所涉及的调查因素及对应赋值,并将各个因素进行符号定义。

表1 问卷所涉及的因素及赋值Table 1 Factors and assignments involved in the questionnaire

1.2 研究方法

本文采用 SPSS 22.0对基础数据先进行可信度检验,使数据处理结果具有真实性和可靠性,然后利用Pearson相关性分析来研究X1、X2、X3、X4、X5这5个因素对Y是否有影响,最后利用多元线性回归来研究每个因素对因变量的影响程度。同时,以多重共线性检验对显著性变量进行验证,并列出回归模型。

2 统计分析

表2 可靠性统计Table 2 Reliability statistics

2.1 可信度检验

问卷的信度分析是为了考察问卷测量的可靠性,测量所得结果的内部一致性程度[11]。本文使用Cronbach’sα(克隆巴赫)系数法来检测数据信度是否达标,检测各分量表中被测试者对量表中条目回答内容的一致性。

表2是本次信度检验的重点,为了实证数据的准确,对以上6个变量采用检测Cronbach’sα值的方法检测其信度,信度检验结果,也就是整体量表信度值为0.979>0.8,说明本次问卷中量表对于分析目来说信度良好,因此,可以进行相关分析。

2.2 Pearson 相关分析

相关分析是研究2个或2个以上处于同等地位的随机变量间的相关关系的统计分析方法[12]。因为本文数据处理后变量都是连续的且都服从正态分布,所以选用Pearson相关分析法更加合适。

从表3可以看到,拿“学习兴趣”和“教学效果”为例,它们之间的Pearson相关系数是0.930,即|r|=0.930;右上角有2个星号,左下角注明“**”表示相关性在0.01上是显著的,说明“学习兴趣”和“教学效果”的相关性是显著的;一般认为相关系数|r|在0.8～1.0之间是极强相关;0.6～0.8之间是强相关;0.4～0.6之间是中等程度相关;0.2～0.4之间是弱相关;0.0～0.2则是极弱相关或无相关。因此,可以得出学习兴趣、课程设置、师资力量、教学内容、实践活动与教学效果的相关性都是显著的。

表3 Pearson相关分析结果Table 3 Pearson correlation analysis results

相关性分析只是说明了上述因素与教学效果之间的密切程度,但究竟影响程度有多大,具体影响形式是怎样的,还需进行回归分析[13]。相关分析是回归分析的前提,回归分析是相关分析的深入和继续。相关分析需要回归分析来表现变量之间数量相关的具体形式,而回归分析则需要依靠相关分析来表现变量之间数量变化的相关程度。只有当变量之间存在高度相关时,进行回归分析其相关的具体形式才有意义。

2.3 多元线性回归分析

在统计学中,回归分析指的是确定2种或2种以上变量间相互依赖的定量关系的一种统计分析方法[14]。因本文涉及多个变量,又因自变量和因变量之间是成线性分布的,所以,将选用多元线性回归来进行分析。

表4 模型摘要Table 4 Model summary

从表4可知,R表示拟合优度,它是用来衡量估计的模型对观测值的拟合程度。它的值越接近1说明模型越好。调整的R2比调整前R2更准确一些,图中的最终调整R2为0.932,表示自变量一共可以解释因变量93.2%的变化。在做线性回归的时候要检验残差的独立性,Durbin-Watson 为2.005,当DW值愈接近2时,残差项间也无相关,所以说明残差是独立的。

表5 方差分析结果Table 5 Analysis of variance results

表5可以看到F值为606.981,它是对整个回归方程的总体检验,所对应的P值就是表格中的sig具有重要意义,表格中p=0.00<0.05表明支持原假设,也就是说线性回归方程显著。

表6 系数aTable 6 The coefficient of a

首先,通过表6进行多重共线性诊断,因为在解释线性回归模型时,总是隐含着这样一种假设,即各个解释变量之间不存在很强的依赖关系,如果有很强的相关关系,会造成模型方程的不稳定。因此需要进行共线性诊断[15]。当容许≤0.1或方差膨胀因子VIF≥10时,就说明自变量之间存在严重共线情况。结果显示5个自变量的容许均大于0.1同时VIF均小于10。因此认为以上5个自变量之间无共线性存在,多元线性回归分析可直接进行。

可以看出表7中t检验的显著性水平均小于0.05,说明自变量对因变量具有显著影响,B表示各个自变量在回归方程中的系数,负值表示这个自变量对因变量有显著的负向影响,但是由于每个自变量的量纲和取值范围不同,基于B并不能反映各个自变量对因变量影响程度的大小,这时候就要借助标准系数。此时数值越大表示对自变量的影响更大。这说明师资团队及实践活动对教学效果的影响最大。从这个分析过程来看,这个实验结果还挺理想的。同时,可以列出回归模型:

Y=0.290X1+0.180X2+0.153X3+0.041X4+0.403X5-0.283

通过回归模型,可以清晰看出,学习兴趣、课程设置、师资力量、教学内容、实践活动这5项因素都与教学效果有显著的正相关,其中师资团队及实践活动的影响最大。

3 结 论

本文基于SPSS软件对影响软件工程专业教学效果的因素进行了定量分析,得出学习兴趣、课程设置、师资力量、教学内容、实践活动都对教学效果有着显著的正相关影响。因此应该努力激发学生的学习兴趣,让他们自我学习;有顺序地开设课程,让学生打好基础;提高教师的综合素质,教学水平与技巧,与学生进行双向互动;教学内容要根据实际的教学需要和软件工程的发展需要进行开展;注重理论联系实践,提高学生的实践操作能力。但对于一些具体的问题,还需要不断地思考与反思。