董心雨

【摘要】    高职生课堂学习效果受高职生自身特点、教师教育教学水平，学校引导与管理及高职教育培养方案等多个方面共同影响。根据高职院校的课堂教学特点，提取了若干个影响高职生课堂学习效果的因素，利用主成分分析法（Principal Component Analysis，PCA）对各个因素进行处理及分析，求得影响高职生课堂学习效果的关键指标。结果表明，基于PCA的高职课堂学习效果分析能够有效提取主因，为进一步改良教育教学方法，提高学生学习成绩提供了科学的指导及明确的方向。

【关键词】    PCA    高职    课堂学习

引言：

随着大数据时代的到来，爆炸式增长的海量数据给传统的数据处理方法带来了严峻的挑战，因此，我们一直在努力探寻更高效的数据处理手段。数据降维是一种解决维度灾难有效方法。衡量课堂教学效果的好坏必然是一个非线性的、多维的问题，通常来讲，指标越多，评价过程越全面，但是在这个过程当中必然会产生庞大的数据，而数据的采集、统计、分析就会显得过于繁琐，工作量巨大。因此，采用PCA实现数据降维，可以有效提取高职课堂教学评价的核心指标信息。

除了个别就业率较高、综合实力较强的高职院校的部分专业，高职院校生源整体弱于本科院校，学生知识水平、专业基础参差不齐。然而培养出更多高素质技术人才，能工巧匠又是我国现代化建设至关重要的一项任务。因此，如何提高高职生课堂学习效果，培养高职生良好的学习习惯，帮助其掌握科学合理的学习方法，是一个急需探讨的课题，这不仅有利于帮助其提高课业成绩，对其步入工作岗位后的进一步学习也有着重要意义。

一、影响高职生课堂学习效果的主要因素

从国家对于高职课程设置的层面来看，德国采用的是双元制的课程模式，学校负责理论课程的讲授，企业负责安排實践课程，共同合作完成培养计划，学生所学知识与最终所从事的工作需求有着非常高的契合程度，是一种非常理想的培养模式;英国将高等职业教育与“国家职业资格证书”的获取绑定在一起，只有拿到相应的资格证书才能够就业，在一定程度上也保证了课堂学习内容与工作的匹配度;美国的高职教育对基础理论的要求较低，课程设置与工作也没有直接联系，比较倾向于人的全面发展和能力的培养;日本则是轻理论重实践，给学生很多实践机会，重视所学知识的实用性以及技能的培养;中国高职教育的历史较短，在探索与学习中前进，很多高职院校仿照学术性大学制定培养计划，没有充分体现出高职教育的特点，与企业融合的不够深入，无法真正做到让学生学有所用，毕业即可上岗，不过近年来国家注重高职教育的培养，推动“1+X证书”等制度的发展，为提高高职院校办学质量，学生课堂学习效果起到了积极作用。

从学校的层面来看，很多高职院校对于提升课堂教学效果并没有提出科学有效的保障手段，仅仅从纪律层面进行把控。例如在教室放置手机袋，要求老师在课前监督学生上交手机来减少上课玩手机的情况，这并不能从根本上解决问题。学生即使上交手机，也可能采用睡觉、看小说、发呆、练字等方式度过一堂课，而教师也不可能在课上耗费过多时间来处理这些问题。学校对于课堂效果的评估也仅仅依赖于学生教评及期末成绩，然而大多数学生对于教评环节并不是特别认真，且受主观因素影响，期末成绩也不能完全反映学生的学习效果，可能受任课老师所透露的考点范围等因素的影响。

从教师的角度来看，很多教师只是简单地完成教学任务，对于学生的心理状态，学习效果并没有深入了解。在很多高职课堂上，睡倒一片，或者偷玩手机的状况比比皆是。部分教师采用课前上交手机的方法试图提高学生在课堂上的学习效果，然而治标不治本，即使手机被没收，部分学生也无法集中注意力在教师所传授的知识上，会用睡觉、发呆、练字等方式来消磨时间，更有甚者对于老师的强硬态度会产生逆反心理。因此，让课堂变有趣、让学生能听懂、听进去是每一个教师努力的方向。除此之外，很多老师缺乏企业实践经验，研究生毕业就进入高职院校任职，所具备的知识范畴仅仅局限于课本，对行业的现状及发展没有深刻的认识，对企业的需求也没有准确的把握，更多的是理论知识的输出，而高职院校的学生不同于普通本科院校，工匠型人才的培养需要更多的实践机会及岗位技能培训。

从学生自身出发，一个学生的成绩好坏往往受智力因素和非智力因素两方面影响。智力因素是无法改变的，因此仅就非智力因素进行探讨。高职生普遍存在着理论基础课薄弱，缺乏自觉性和主动性，学习目标不明确，学习动力不足等问题。

例如《高等数学》等需要一定数学基础的课程，就会出现两极分化的情况。基础较好的同学更容易听懂课堂内容，能够积极响应老师的提问，与此同时获得的优越感及成就感更加激发了其对该门课程学习的积极性，达到一个良性循环，学习效果也会很理想。相反的，有相当一部分同学数学基础极差，就会遇到上课试图听但是听不懂，一不留神就跟不上的情况，最终选择放弃。因此，对于这一类型课程的课堂学习效果，学生理论基础是占比非常大的一个影响因素，具有特殊性，不太适用采取PCA的方式对其进行进一步调查研究。

本文选择的是《计算机网络与通信》这门课程，该门课程有部分纯概念性章节，学生不需要有良好的文化课基础就能够理解记忆，但是在子网划分等章节，涉及进制计算等知识点，需要学生有一定的理论基础。选择该门课程可以很好地从学生方面分析其对课堂效果的影响。

可以看出，高职生课堂学习效果受多方面多维度因素的影响，本文基于PCA进行数据分析，找出影响高职生课堂学习效果的关键因素。

二、PCA算法的基本原理

PCA算法是一种应用非常广泛的降维方法，它可以从对事物产生影响的多个因素中挑选出几个核心关键因素，去掉一些相关度较高的影响因子、冗余信息、最终将复杂的问题简单化，此方法应用于图像处理、数据压缩、信号去噪等多个领域。

PCA主要依据映射的方法，将p个维度投影至q个维度上，所得到的q维度数据满足正交特性，我们称之为主成分。具体来讲，我们需要在原始的数据空间中找到一组组相互正交的新的坐标轴，他们的相关性是最低的，相关性越低信息的重叠量就越小。第1个新的坐标轴的方向是通过计算原始数据中最大方差得到的，第2个新的坐标轴则是由与第一个新坐标轴正交平面中最大方差确定的。与第1，2个坐标轴正交的平面中方差最大的即第3个坐标轴，依此类推得到p个新的坐标轴。通过进一步分析，可以得知大部分的方差都被包含于前q个坐标轴中，q个坐标轴之后的方差几乎为0。因此，我们可以忽略之后的坐标轴，仅用前q个坐标轴来表示。通过这种方法不但实现了数据降维，关键信息也得以保留。下面具体介绍一下基于PCA算法的主要步骤：

1.将原始数据组成n行p列的样本矩阵X，其中n代表各个样本，p代表不同指标，并进行标准化处理。将每一列数据，即所有来自同一个指标的数据做量纲上的统一，具体方法是将每个数据减去平均数后除以方差。

2.计算相关系数矩阵R。

3.求矩阵R的特征值及特征向量。

通过求解|R-λf|=0，可以得到k个特征值及特征向量。

Q=（q，q，…，q）                        （2）

4.求主成分系数矩阵。

第i个主成分的贡献率为：

前q个主成分的贡献率之和，即累积贡献率为：

一般情况下，当累积贡献率达到85%以上时，可以用这q个主成分代替原来的p个指标。根据公式（2）可以写出主成分系数矩阵：

三、PCA在高职生课堂学习效果评价中应用

（一）模型建立

本文基于12个影响因子建立高职生课堂学习效果评价模型，并用X1～X12代替，如表1所示。

（二）数据采集、处理及分析

采用问卷调查的方式对《计算机网络与通信》课程进行大量的数据采集，这里只列出了一小部分抽样数据，即12名学生对12个指标的评分。对原始数据求解特征值、特征向量及贡献率得到表2及表3。

从表3可以看出第一主成分的累积贡献率为89.73%，大于85%，结合公式（5）可以得到主成分表达式：

在该主成分中，教学重难点处理得当X2，理论联系实际，重视实践X3，教师情绪饱满，课堂氛围好X5，课堂互动多X6，学生学习积极性X11基本包含了主成分的所有信息。

而本研究是针对高职生开展的，课程的重难点是否处理得当对于高职生能否听懂课堂知识起着至关重要的作用。教师如果不能很好地把握重难点，将难以理解的知识进行分解、简化，那么对于基础较差的高职生来说会形成听不懂，不想学，越不学，越听不懂的恶性循环。对于高职生的培养不同于普通本科学生，相较于理论，更重视实践。因此，學生更在意课堂所学知识是否能运用在将来的实际工作当中，教师如果能联系实际举例，开展实践活动更能激发学生的学习兴趣。而良好的课堂氛围及丰富的课堂互动决定了学生能够在课上集中注意力的时长。学生学习积极性也直接影响着学习效果，而积极性的调动除了任课老师把课上好之外，辅导员也应该发挥积极作用，帮助学生们了解就业形势，建立职业规划，认清成绩的重要性。

四、结束语

本文基于PCA算法研究了影响高职生课堂学习效果的主要因素，通过分析贡献率得到了5个重要指标：教学重难点处理是否得当;理论能否联系实际，并加入实践;教师情绪是否饱满，课堂氛围如何;互动环节丰富与否;学生学习积极性能否被充分调动。

计算出的主成分能够很好地简化影响高职生课堂效果的各种因素，消除了原有各项因素的信息重叠，对于今后开展教育教学工作，提高课堂学习效果指明了方向。

参  考  文  献

[1]赵蔷，李红，郭新明.基于PCA的高校教学质量评价方法[J].电子设计工程，2016，24（08）：20-22.

[2]王鹏宇，项树林，孙君亮.基于主成分分析的实时数据处理方法研究[J].自动化技术与应用，2019，38（10）：89-92.

[3]张尧庭，方开泰.多元统计分析引论[M].北京：科学出版社，1982.