杨知玲　吴秀娟　郭焰辉　屈晓

关键词：大数据；课堂教学；过程性评价；优化

中图分类号：G434 文献标识码：A

文章编号：1009-3044（2023）14-0057-03

高校课堂是教育教学的主阵地，课堂教学质量将直接影响高等教育教学质量。本文以华南农业大学珠江学院为例，目前教师在课堂教学中已实施过程性考核，但是在实践中发现过程性评价方法还存在以下问题。

1 课堂教学过程性评价存在的问题

1.1课堂教学过程性评价维度相对单一

课堂教学评价常常以学生的考勤次数、测验得分、实验成绩等考核结果的计算作为依据，仅从总结性考核要求中判断学习效果的评价，粒度过于粗糙，评价维度相对单一，只以考核成绩作为评价维度难以反映学生学习过程的变化。

1.2课堂教学过程性评价的主观性较多

高校课堂班级人数较多，教学互动和评价难以兼顾，虽然教师使用信息化教学工具使教学活动产生的数据能够被记录，但缺少对每个学生的特点和个人信息的大量数据作为依据，受限于自身的观察经验，评价难免片面、武断、主观性较多。

2 基于过程性评价体系多级指标的评价维度优化

本文基于“大数据+数据模型”驱动方式探索过程评价方法的优化策略，改变以往教学评价基于观察经验的主观方式，转向基于大数据揭示教学规律的探究[1]。首先构建过程性评价体系和多级评价指标，以此作为过程评价的维度。

2.1持续学习的动力评价：学习动机维度

据研究表明，对学习成绩10%～30%的差异由学习动机的不同造成[2]。约翰M·凯勒教授提出了激发动机的ARCS模型，从注意、相关性、自信心和满足感四个维度评估学习动机[3]，并运用到教学设计。通过教学设计吸引学生注意力，学生对学习产生兴趣，投入更多精力到学习中；设计有熟悉感的教学任务使学生认为学习任务与自身需求相关；在完成教学任务过程中注意任务难度和教学引导，使学生有能力完成，产生自信心；当完成教学任务达到教学目标时，学生产生较高的满意度。

2.2开展学习的活动评价：学习过程维度

动机的改变对行为产生直接影响，激发持续的学习动力是为了促使学生学习行为的改变。Laurillard 提出了学习过程的会话模型，揭示了一般学习过程的本质是教与学的交互。在目前信息化教学普及的课堂教学场景中，线上学习行为主要是具体的“人机交互”，线下学习行为是“师生交互、生生交互”产生。

无论学生行为如何变化，但最终的教学目标是一定的。布鲁姆认知教育目标分类理论将“学习认知”水平从低到高分为6个层次类别：记忆、理解、应用、分析、评价、创造，通过知识与认知过程两个维度来说明知识学习与能力发展之间的关系。黎加厚教授在布鲁姆教育目标分类基础上把记忆、理解、应用归为低层次思维，而分析、评价、创造归为高层次思维[4]。

学会学习是当今教育的主题，在知识和技术日新月异的时代，教育的任务必然要从知识传授转变为自主学习能力的培养，而培养学生的元认知能力是促进学生自主学习开展的关键因素。美国社会认知心理学创始人J. H.Flavell首次提出元认知的概念，麦考姆斯认为元认知是一个独立的过程，分为目标设置、计划和策略选择、计划执行和评价。国内学者提出了构成大学生元认知能力由元认知计划、监控、调节和评价构成[5]。

传统的课堂教学除了知识和能力培养，还要进行价值观的引导。2020年，《高等学校课程思政建设指导纲要》出台，提出全面推进课程思政建设，在专业课教学目标中嵌入价值目标。许多教育学专家设计了测评量表，把设置好的量表放在知识和能力测量的体系内，完成价值目标的测量[6]。课程思政评价应从态度、情感、价值塑造上评价学生是否具备正确的学习态度、科学态度、伦理道德认知、社会责任感和使命感、家国情怀等。

2.3 输出学习的成果评价：学习效果维度

学习成果评价是对教学方案完成、影响学习程度进行的评价。目前的评价模式是教师设计教育教学目标，针对目标开展教学活动，以课程效果和预期目标的差距作为教学结果评价。这种评价模式简洁易操作，但忽略了学习过程的不确定因素和人的差异性影响下产生的非预期结果，非预期结果的产生不是教师预定的教学目标，而是学生学习的实际效果，综合预期和非预期成果可以更全面地评估学习的效果[7]。

2.4“以学生为中心”的过程性评价体系构建

“以学生为中心”是现代教育科学发展观的主导思想，过程性评价作为课堂教学活动的重要环节，实践“以学生为中心”的教育理念要求关注学生学习过程和体验，促进学生学习与发展。本文查阅国内外关于学习动机、学习一般过程、成果评价等理论，解读《深化新时代教育评价改革总体方案》等文件，遵循评价体系构建的系统性、独立性、可操作性等原则，构建了“以学生为中心”的过程评价体系和多级评价指标，如表1所示。

课堂教学过程性评价是对一次课堂教学活动或学习活动的评价，学生是活动的主体。“以学生为中心”的过程性評价体系共3个一级指标、9个二级指标、18个三级指标。利用spss对构建出的评价指标进行信度效度检验，设计22个题项的五级量表在珠江学院范围内发放问卷111份，回收110份，有效回收率99%，Gorsuch 认为、题项与被调查者比例为1：5，问卷数量满足要求；“Cronbachs Alpha”系数均大于0.7，说明评价体系与各级指标有良好的内部一致性；采用因素分析法对指标的效度进行检验，显示KMO检测值为0.8>0.5，通过因子分析，各个变量的载荷系数都大于0.5，说明各个变量均具有较好的结构效度。综合来看构建的过程评价体系指标还是较为科学合理的。

3 基于课堂教学大数据的过程性评价方式优化

目前的过程性考核主要依据作业、测验成绩等进行学习效果的评价，这种具有选拔性的评价方式，不利于用发展的眼光来看待每个学生的成长。

3.1课堂教学大数据的采集与处理

本文以“以学生为中心”的过程性评价体系的三级指标为依据，采集课堂教学和学习活动大数据。从教学信息化平台中采集学习交互方式和学习认知评价数据，利用调查问卷采集学生学习动力和元认知、价值观塑造的评价数据，从教务管理系统中采集学习效果评价数据，学生管理系统中采集学生个人信息，如图1所示。由于数据来源不同，需要对原始数据集进行预处理，如关系数据库和Excel文件整合，空缺值进行插值处理，预处理后形成“过程评价大数据”。

3.2学习进步评价模型的应用

过程评价是对学生的变化和表现、优势与短板的判断；是一种历史性的比较，而不是只关注与其他学生的比较。因此，本文采用美国预测学家Hale 的指数评价模型，以测验得分为例计算学习进步分，构建学习进步评价模型。某课程测验分数为A，平均得分为`A ，标准差B，利用公式（1）算出原始分C。

难度和进步之间存在着函数指数的关系，所以利用模型权重关系表（表2）找到原始分C对应的进步分D，运用公式（2）把两次的测验得分相减，算出实际进步分E。

选取过程评价大数据中的计算机1908-09班软件工程课程的测验成绩，以两位学生13次的课堂测试为例，绘制学习进步评价模型图，如图2所示。

学习进步模型反映出不同的学生在学习过程的进步变化，实际进步分大于0说明该学生在进步，小于0说明该学生在退步。兩位学生的进步呈现螺旋向上类型，起步阶段很艰难，学习的难度逐渐加大，但是随着测验次数增加在逐渐进步。同样的学习进步幅度，学生基础分越高，实际进步分越大，进步难度更大。

4 基于过程性考核的评价比例优化

目前，华南农业大学珠江学院本科课程采用过程性考核，评分比例多为4：6或5：5。本文采用过程性评价体系的多级指标和学习进步模型作为优化的过程评价方法，选取计算机科学与技术专业的“计算机导论”和“软件工程”两门课程，调整平时考核的比例，进行对比实验，结果如表3所示。

从表3可知，1908-09实验班与1901-07传统班相比，在平时成绩、期末成绩和教学满意度上有所提升。平时成绩比例越高的班级，学习成绩和教学满意度提升越大。实验表明，优化的过程性评价方法和平时考核的比例提高，在学习成绩和教学满意度提升上均发挥了一定的作用。采用优化的过程性评价方式、评价维度和评价比例的课堂教学，教师对学生的了解更加全面、客观，从关注学习结果转变为更关注学习过程。学生需要投入更多精力到平时学习中，靠考试前几天突击学习取得高分的方法难以发挥用处，学习基础更为扎实，学习成绩和对教学的满意度也随之提升。

5 结束语

本文针对过程性评价方法中主观性较多和维度单一的问题，构建了过程性评价体系和多级评价指标，基于大数据驱动的方式，从评价维度、评价方式和评价比例上进行过程性评价方法优化策略探究，优化的过程评价方法更为客观和全面。