●邓阿琴 徐一斐

随着大数据、人工智能、移动互联网等新兴技术在教育领域应用的不断深入，SPOC 教学模式下的课程平台生成和累积了丰富的教学活动大数据。2017 年，《国家教育事业发展“十三五”规划》明确提出要“鼓励学校利用大数据技术开展对教育教学活动和学生行为数据的收集、分析和反馈，为推动个性化学习和针对性教学提供支持。”

教育部职成司发布的《关于印发高等职业院校内部质量保证体系诊断与改进指导方案》（教职成司函[2015]168 号）附件中明确要求：以诊断与改进为手段，促使高职院校在学校、专业、课程、教师、学生不同层面建立起完整且相对独立的自我质量保证机制。由此可见，课程和教师都是职业院校教学工作诊断与改进中的重点对象，而教学设计能力和课堂教学能力是教师的核心竞争力，是教学改革与诊断的重中之重，借助大数据技术对SPOC 课堂的“数字足迹”（Digital Footprint）进行捕获、采集与分析，构建合理的量化指标体系和机制，实现教师课程教学过程的自我诊断与改进，是提升SPOC 课程教学质量的有效路径。

一、教学诊断数据采集与分析中的大数据技术

（一）大数据与大数据技术

根据麦肯锡全球研究定义，大数据是一种规模大到在获取、存储、管理、分析方面大大超出传统数据库软件工具能力范围的数据集合。它具有海量的数据规模、快速的数据流转、多样的数据类型和价值密度低等四大特征。

大数据技术则是围绕大数据而进行的数据采集、整理、传输、存储、安全、分析、呈现和应用等相关技术。

（二）大数据技术架构

通常来说，在我们有效使用数据之前，数据都会经历数据采集、存储、处理、应用几个环节。数据采集是指将应用程序产生的数据和日志等同步到大数据系统中；数据存储是指海量的数据，需要存储在系统中，方便下次使用时进行查询；数据处理是指原始数据经过层层过滤、拼接、转换等处理过程。可分为离线的批量处理和实时在线分析两种处理类型；数据应用是指经过处理的数据对外提供服务，如生成可视化的报表、作为互动式分析的素材等。

大数据的各个处理环节是相互关联的，形成整体的流程化大数据架构，如图1 所示。

图1 大数据技术架构

由大数据技术架构图可知，现在的大数据采集都是基于Flume 爬虫、Sqoop 聚合与Hadoop 分布式系统基础架构，意味着数据存储和加工过程是自动、可视化、分布式的。这种并行处理的方式，提高了数据采集的智能性、数据的安全性和数据的处理规模。

（三）SPOC 课堂教学诊断数据采集与分析流程

“诊断”一词源于医学术语，包括“诊”和“断”两个方面，本义是医生在检查病症之后判定患者的症结，以及在此基础上开出相应的处方。21 世纪前后才逐渐引及教学界，称为“教学诊断”，因课堂是学校教育最基本的形式，课堂教学诊断作为改善课堂教学效果，提高学生学习效果，实现教师教学能力及教学质量提升的重要方法和手段，要实现教学诊断的适时、精准、高效，都离不开大数据技术的深度应用。

具体到SPOC 课堂教学诊断中，大部分的教学活动（签到、视频观看、测试、脑暴、提问等）均可通过线上课程平台的Flume 爬虫技术自动采集，而线下课堂行为（语言、表情、心理等）可以采集人工智能识别后的数据聚合及分布式处理技术得到，这些数据均可整合在课程平台中，实现大数据的封装闭合存储与处理，教师则根据需要随时查看可视化教学诊断结果，及时调整教学策略，并反馈给平台，实现动态整改机制。

二、SPOC 课堂教学诊断技术现状研究

（一）课堂教学诊断和分析方法

课堂教学诊断和分析一般有以下三种方式：一是传统方式，不使用技术手段，直接通过专家进课堂的方式去记录老师上课的情况，然后进行主观评分，以此评分作为课堂教学质量依据，属于全人工。如教学督导听评课。二是通过使用辅助设备来记录老师上课时与学生互动产生的一些过程性数据信息，这类辅助设备往往需要老师或学生参与到数据的生成之中，属于半自动。然后导出过程性数据信息作为课堂教学质量参考，如课程平台APP 上的学生签到、测验等。三是采用人工智能技术，实现课堂教学行为的自动判断。如视频跟踪（常见于录播系统），或者语音识别等。再根据课堂教学行为大数据分析判断课堂教学质量。

比较以上三种方式，前两种方式依赖大量的人力参与，且存在主观性或部分客观性，缺乏实际应用效果，而第三种方式，虽然具有先进性，但由于受技术应用的局限性，对于课堂教学分析的数据采集多停留在行为层面，存在局限性和偏差，在实际应用中，对课堂教学的完整过程缺乏准确性描述。

（二）大数据技术在SPOC 课堂教学诊断中的应用现状

目前，大数据技术应用在SPOC 课堂教学诊断的改进教学设计、教学方法、开展教学评价等方面都有一定范围的应用。主要表现在，课前，教师在线上传输不同章节的知识点及视频等教学资源，开展课前检测等，引导学生开展自主学习，利用大数据技术对学生学习时长、状态等情况进行追踪，分析并掌握学情；课中，根据学情，调整教学方法，通过线上提问、抢答、头脑风暴等方式，进一步深化学习内容，同时，根据平台大数据分析学习掌握情况，利用面对面机会创设情景，适时采取演示、示范、分组作品展示等方式增强互动，以突破知识难点。

另外，部分学校也尝试通过大数据管理平台的课堂监测功能，对教师教学内容进行诊断，判断其课堂教学是否符合课程教学标准、学习方式是否适合大部分学生以及学习的深度与广度是否合理等等。

总之，从应用现状来看，SPOC 课堂教学中大数据技术主要集中在课程平台的访问及互动数据自动采集与分析上，部分教师已开始将此作为自我教学诊断的参考，但大部分仍采用传统方式。表1 即为现今常用SPOC 课程平台课堂教学数据采集指标。

表1 常用SPOC 课程平台课堂教学数据采集指标

（三）SPOC 课堂教学诊断应用大数据技术限制因素

大数据技术虽然在SPOC 课堂教学中有一定范围的应用，但在教学诊断中的技术优势还未完全发挥，无论是主观认识还是客观标准，都存在着一定的限制因素，主要体现在以下三个方面。

1.受传统教学诊断方法影响，大数据技术在课堂教学诊断中的研究和应用基础薄弱。S-T 分析法是从S 学生行为和T 教师行为两个维度进行的教学过程定量和定性分析，由于只有两种编码，且用Excel 软件即可实现数据采样和分析，提高了研究的客观性和可靠性，是一种常用的研究教学分析的方法。受其影响，课堂诊断多以传统的记录课堂实况或观看课堂录像采样为主，只能在一定范围和时限内开展，这样，导致教师不重视，课堂教学诊断成为了管理者和学校的事，诊断缺乏时效性，带有极大的主观性和片面性，达不到诊断的目的，课堂教学诊断形同虚设，可有可无，而对如何利用信息化手段解决诊断难题的研究更是少之又少，导致大数据技术在课堂教学诊断中的研究和应用基础薄弱。

2.过分依赖课堂平台教学活动数据，缺乏对教学行为全面深刻把握。疫情期间如何保障线上教学质量引起了广泛关注，伴随着SPOC 课堂教学的兴起，各大课堂平台也开始相应研发了利用大数据爬虫、数据挖掘等技术进行网上教学活动跟踪、记录、数据采集等，初衷是开展学生学习评价。随着平台数据采集指标的不断完善，部分教师开始自发地利用课程平台数据进行课堂教学自我诊断，例如根据学生留痕较多地活动，判断学生喜好，进而加大该活动力度等。再有受一些项目申报影响，如精品在线开放课程申报重要指标就有访问量、互动量等，导致部分课程开始过分依赖线上平台教学活动数据，而对线下课堂教学行为中的学生知识技能掌握情况、情感态度、协作学习等缺乏全面了解和深刻把握，则容易导向错误的诊断与分析，如单纯的资源浏览量和时长并不意味着对内容的认真学习。

3.缺乏统一的课堂教学诊断量化指标，技术层面难统一。如前所述，常用SPOC 课程平台课堂教学数据采集指标虽然已逐渐趋向一致，但也存在指标归类不清晰，技术手段有差异，缺乏兼容性。而且大数据的采集更多地局限于线上教学部分，对于线下课堂教学行为数据的采集技术手段应用不够，零星的运用也无法及时与线上部分同步。要实现更为科学全面的诊断，需要有统一的指标体系为框架，而目前缺乏这种基于大数据技术的课堂教学诊断量化指标，技术层面就很难实现统一研发和应用。

三、大数据技术在SPOC 课堂教学诊断中应用创新

（一）教师应树立课堂教学质量观，自主开展教学诊断

课堂是学校教育的重中之重，体现以学习者为中心的个性化学习，在SPOC 课堂教学中利用大数据技术对接精准教学模式，实现从教学目标、教学内容、教学设计到学习评价的精准决策，使教学过程和结果可量化、可监测、可调控，教师应改变传统观念，树立课堂教学质量观，利用先进的技术手段，主动分析与教学活动相关过程性数据，及时评估学习表现，开展教学诊断，适时调整教学内容和教学策略。

（二）构建基于大数据技术的“线上+ 线下”全方位的课堂教学诊断机制

SPOC 课堂这种“线上+线下”混合模式，提供了交互式、泛在化的混合学习环境。随着智能手机、平板电脑等移动设备的普及，极大地方便了师生随时随地开展在线问答、投票、分组讨论、头脑风暴等各种形式的互动教学。这些线上教学活动实时数据作为教学诊断主要指标之一，能让教师快速了解个体和群体的学习表现并及时调整教学策略，构成线上课堂教学诊断机制。

而面对面的线下教学行为，则可通过面部识别、语音识别、情绪识别等智能可穿戴设备和信息无感采集装置，对课堂教学过程中师生的心理、生理及情感状态进行实时捕获，从中获取的实时数据作为教学诊断另一主要指标，能让教师全面了解学习状态和效果并及时调整教学策略，构成线下课堂教学诊断机制。

表2 基于大数据技术的SPOC 课堂教学诊断量表

将线下数据导入线上平台并进行大数据关联分析，则可联结课堂内外，全方位为学情诊断和教学决策提供更丰富的科学依据。

（三）设计课堂教学诊断量化指标，建立基于教学过程的课堂教学大数据采集标准

基于全方位的诊断机制，结合人工智能技术，建立课堂教学的大数据采集标准，将教学过程、知识内容分析和学情分析进行关联，准确获得课堂教学的分析数据，自动生成分析结果，并可实现根据学科特点选取指标模块是课堂教学诊断最终需要达到的效果。

这里，根据课堂教学过程流程，为方便适时诊断，分课前、课中、课后环节，设计了一套如表2 所示的课堂教学诊断量化指标，以供教师自我诊断及研究人员开发大数据平台作参考。

基于大数据技术的SPOC 课堂教学诊断量表是根据教学流程进行设计的，从技术的可行性进行了项目界定，以确保数据采集更为完整准确，多种新兴技术结合，使得大数据分析结果更为精准、及时、有效。

四、结语

综上所述，SPOC 课堂教学活动和教学行为等海量数据的自动、精准、高效采集与分析均可通过大数据技术实现。而基于大数据技术的SPOC 课堂教学诊断量表，则需在实践中不断检验和逐步完善。作为教学活动主体的师生，教学诊断可以依靠大数据，但不能完全依赖大数据，还需结合观察和访谈等多种方法，对大数据技术生成的数据和决策进行深入分析，寻找数据背后隐藏的真实问题。形成课前、课中、课后诊断完整机制，实现大数据技术在课堂教学诊断中的全方位应用，为提升教育教学质量的决策分析提供精准依据。