0 引 言
为实现工程教育强国的目标，培养新工科建设人才，对创新意识、动手能力、分析和解决问题能力等综合素质的培养提出了更高的要求。
我国有着世界上最大的教育系统，系统内部各类教育要素在信息技术作用下正逐渐联通，不仅催生出海量教育教学数据，也为数据的迭代获取奠定了坚实的基础。国务院印发的《促进大数据发展行动纲要》明确指出，要探索发挥大数据对变革教育方式、促进教育公平、提升教育质量的支撑作用[1]。教师教学决策能力是影响教学效果和教学质量的关键因素，面对技术引发的教学变化，教师作为教学的直接推进者和课堂决策制订者，基于数据挖掘的教学决策能力和决策成效已经成为时下重要的研究议题，也是有效促进新工科建设和科学发展的重大需求[2]。
1 研究现状
教学决策是教师必备的基本教学技能，是教师在特定教学情境下，基于自身的知识技能储备，感知和处理信息并作出选择的过程。美国学者认为，教学决策是教师对备选方案进行客观和理性的思考之后，再决定后续行为的过程[3]。我国研究者认为，教学决策是认知能力、选择判断与付诸行动的统一[4-5]，因此，对教学决策的理解，应充分考虑信息对于决策制订的作用和价值，保证教学决策的目标与结果一致。
当前我国高等教育中，大多数教学决策过程仍然采用传统的方式。针对课堂教学的目的，教师会制订相应的教学方法、教学内容和教学环节，随后在教学过程中，根据实际情况，凭借主观的认识和经验，不断地进行修正。这种教学决策方式，存在以下问题。
（1）针对教学设计和准备阶段的决策，缺乏系统考量和科学评估教学要素的决策意识，仍然过分依赖个人经验，因此，对于新进教师，由于缺乏相应的教学经验，可能导致教学设计不合理。
（2）针对教学实施和互动阶段的决策，缺乏对教学过程准确判断和客观评估的能力，易产生判断偏差，因此，对于某些突发情况或者个别现象，可能导致判断不准确，影响教学互动的效果。
（3）针对教学评价和反馈阶段的决策，缺乏对教学进程有效评价的工具和方法，评价方式缺乏科学性。传统的学生问卷调查或督导抽检的评价方式，可能导致评价过于片面，不够客观合理。
在具体教学情境下，以教师为主要决策者的基于数据的决策，目前仍缺乏实践认同。教师在日常工作中基于数据的决策能否切实提升学生的学业成就和教师专业能力，及其主要影响因素等，这些问题亟待深入研究。
数据在教育领域已经引起了广泛关注，目前，教育界人士普遍认同数据对于教育教学的促进作用。2017年《美国国家教师教育技术标准》提出，教师要理解并运用大数据驱动自身的教学，为学生学习目标的达成提供支持[6]。在我国，目前有一些学者针对基于数据驱动的教学决策问题进行了研究和探讨，但是关注的焦点仍主要集中在两个方面[1]：①通过借鉴其他领域的数据应用形式，迁移至教育领域，开发相关的教育决策系统[7]；②主要用于教育教学的宏观管理和规划类决策[8-9]，针对实际课程教学决策的研究和案例仍然较少。
2 基于数据挖掘的新工科课堂教学决策模式
为解决现有教学决策过于依赖经验和直觉的问题，针对新工科人才培养的目标和特点，构建课程知识点、教学方法、教学质量等相关数据库，挖掘数据之间的潜在关联关系，构建基于数据挖掘的新工科教学决策模式，对有效解决教师教学决策存在的问题，提高课前教学设计决策的科学性和课后教学评价决策的客观性具有重要意义[10]。
构建基于数据挖掘的新工科课堂教学决策模式，涉及3个问题[11-12]。
（1）教学知识数据库构建问题。教学过程复杂，覆盖范围广，包含大量教师与学生之间的互动，涉及的数据种类繁多，格式不一，且包含大量非结构化、非标准化数据，因此如何构建一个合理、高效的教学知识数据库是项目实施的首要问题。
（2）教学数据潜在关联性的挖掘问题。如何定义各类教学数据的属性，挖掘数据之间的潜在关联性，科学计算各个关系的置信度，是项目实施的关键问题。
（3）教学决策模型构建问题。如何根据所构建的数据库及各类数据间的关联性，构建合理的决策模型，有效指导教学实践工作，是项目实施的核心问题。
基于以上问题，笔者提出基于数据挖掘的新工科课堂教学决策的技术路线，如图1所示。
2.1 教学过程数据库构建
根据课程知识、教学过程、教学反馈等数据，进行属性定义和结构化，搭建一个高效、合理的新工科教学知识数据库，是构建课堂教学决策模式的重要基础和前提条件。
（1）对核心课程内容进行知识点切分，定义各知识点的难易程度、规模、关联复杂度，利用MOOC、腾讯课堂等在线教学方式跟踪并收集每个学生针对每个知识点的相关学习数据和教学过程数据，避免了过去的课堂教学过程无法记录和大量的知识点数据无法分析的问题。
（2）通过课堂讨论、课后练习、问卷调查、当面沟通等方式，采集教学效果的相关数据，充分掌握学生的学习情况和教学反馈，全方位收集教学的过程数据。
（3）结合相关知识和语义关系，搭建可视化平台，实现知识卡片和教学数据的动态可视化展示与筛选，以保障数据库的正确性与时效性。
2.2 教学数据特征提取与分析
对教学数据进行特征提取，如课堂学习情况、练习完成情况、实验操作情况、教学环节设计情况等，分析不同特征累积的重要性，并挖掘各个特征之间的相关性；基于信息熵的方法构建决策树[13-14]，通过决策树发现知识点和教学方法之间的潜在关联关系，给出该关系的置信度。
2.3 新工科教学决策模型构建
通过学生的学习和教师的教学轨迹，构建科学合理的决策模型并建立关联规则，包括课前教学设计决策、课中教学互动决策和课后教学评价决策3个部分，使教学决策从过分依赖经验、直觉走向基于数据和科学方法；实现科学合理的学习策略和教学策略的推荐。同时，在实践中，不断优化整个过程，实现提高教学质量、促进新工科人才培养的目标。
3 实践案例
以微机原理与接口技术课程为例，对基于数据挖掘的新工科课堂教学决策模式进行实践探索。该课程是计算机类、电子信息类、自动化类等专业的课程体系中一门重要的专业基础课程，也是我国高校相关专业人才培养的传统入门学习课程。但是，这门课程的教学内容相对陈旧，汇编语言更是十分抽象和繁琐，与学生专业结合不紧密，难以调动学生的学习兴趣，因此教学效果往往不理想，学生成绩普遍偏低，挂科的现象也较为严重[15]。
在2020年和2021年期间，由于新冠疫情的影响，采用了线上教学的方式。针对新工科人才培养的目标和特点，笔者对本课程知识点进行了合理的切分，除了正常的视频直播教学外，还录制了重点知识点的教学讲解视频，利用MOOC平台设置了对应教学环节，针对关键知识点设置了相应的学习任务、课后练习和编程实验，如图2所示。
其中，实验部分采用EMU8086软件[16]，学生可以自行在个人电脑上完成相关实验内容。利用MOOC平台课程管理功能，对教学相关数据进行了较为完备的收集和整理，包括互动任务完成情况、视频学习时间、章节学习时间、作业完成情况、实验完成情况和最后的考试成绩等相关数据，其中作业情况、实验情况均为多次成绩的平均值，见表1。由于是直播教学，所有学生参与直播听课的时间相同，因此直播参与时间未纳入数据统计中。
分别以学生最后考试成绩是否及格（60分以上）和是否达到优秀（85分以上）为结果，构建XGBoost提升树模型, 使用加法模型和前向优化算法集成多种弱分类器，并输入训练数据集进行学习。对“考试及格”各个特征进行相关性分析发现，由于在课程设计中，互动任务、学习视频和实验操作均是独立的环节，因此“任务完成”“视频时间”和“实验情况”3个特征互相之间相关性较低；同时，“任务完成”与“考试及格”的相关性也较低，说明线上学习方式中存在“出工不出力”的情况，虽然学生表面上完成了学习任务，但实际上很可能只是在 “刷任务”。
表2为影响“考试及格”的特征累积重要性，可以看出，决定学生最终考试成绩是否及格的特征有4个，“作业情况”是影响“考试及格”的最重要特征，其次是“视频时间”和“章节时间”。因此，该课程在教学过程中，应该适当布置课后练习，并督促学生认真完成，有助于学生掌握微机原理相关基础知识，顺利通过课程考核。尤其针对基础较弱、没有其他计算机相关知识背景的学生，更应该重视课后练习作业的完成情况，以便及时发现问题，查漏补缺。“视频时间”反映了学习投入程度，通过视频学习，可以针对重点内容进行复习巩固，加深理解。
对“考试优秀”的各个特征的相关性、累积重要性和归一化重要性分析发现，决定学生最终考试是否优秀的特征有5个，见表3，其中，“章节时间”和“实验情况”是最重要的两个特征。因此，要熟练掌握该课程的关键知识点，实验操作是一个必不可少的环节，这也符合新工科人才培养对动手能力和实践能力的要求。在教学过程中，针对基础较好的学生，应对其加强实践环节的培养和要求，引导和鼓励学生自己动手编写汇编语言程序，从而对汇编语言有更直观和清晰的感受和认识。
笔者将基于数据挖掘的新工科教学决策模式应用于实际教学中，利用数据的更新，对决策模型进行迭代优化。根据对特征的相关性和重要性分析，对教学方法、教学内容和教学环节进行了修订和优化，对于“章节时间”和“视频时间”明显较少的学生多加关注，加强实践操作、课后练习等环节的比重，对不同类型的学生进行针对性的指导和培养。对学生考试成绩进行统计可以发现，运用该教学决策模式之后教学效果有明显提升，整体成绩有明显进步，见表4和表5。
4 结 语
新工科人才培养符合新时代科技革命和产业变革的趋势，是应对国际激烈竞争和国家产业发展的重要任务。教师教学决策能力是影响教学效果和教学质量的关键因素，基于数据挖掘的新工科教学决策模式可以有效解决教师教学决策存在的问题，提高课前教学设计决策的科学性和课后教学评价决策的客观性，对于有效促进新工科建设和科学发展，培养新工科创新型人才具有十分重要的意义。
参考文献：
[1] 中华人民共和国国务院. 促进大数据发展行动纲要[J]. 成组技术与生产现代化, 2015, 32(3): 51-58.
[2] 冯仰存. 数据驱动的教师教学决策研究综述[J]. 中国远程教育, 2020, 4(1): 65-75.
[3] Reagan T G, Osborn T A. The foreign language educator in society: Toward a critical pedagogy[M]. New York: Routledge, 2001.
[4] 杨鑫. 教师教学决策研究的双重取向[J]. 西北师大学报(社会科学版), 2017, 54(3): 122-131.
[5] 付达杰. 教育大数据对教学决策的影响及优化策略[J]. 湖北成人教育学院学报, 2018, 24(2): 90-93.
[6] 陈袆. 美国国家教师教育技术标准[J]. 信息技术教育, 2003, 2(3): 1-4.
[7] 张学波, 林书兵, 孙元香. 从数据到知识: 数据驱动教学决策的理论模型与能力提升[J]. 电化教育研究, 2021, 42(12): 41-54.
[8] 刘金松. 大数据应用于教育决策的可行性与潜在问题研究[J]. 电化教育研究, 2017, 38(11) : 38-42, 74.
[9] 邹逸, 殷玉新. 从“基于经验”到“数据驱动”: 大数据时代教师教学决策的新样态[J]. 教育理论与实践, 2018, 38(13): 52-56.
[10] 林书兵, 陈思琪, 张学波. 从数据素养到数据智慧: 教学决策的实践脉络与绩效追问[J]. 中国电化教育, 2021(9): 79-87.
[11] 王巍巍. 数据驱动的在线教学决策实践探索[J]. 中国教育信息化, 2021, 16(1): 27-32.
[12] 冯仰存, 曹凡, 张怀浩. 基于滞后序列分析法的教学决策行为比较研究[J]. 现代教育技术, 2022, 32(2): 62-71.
[13] 崔园. 基于人工智能算法的成绩等级预测研究[J]. 现代计算机, 2021, 27(31): 112-116.
[14] 阴亚芳, 孙朝阳. 决策树算法在实践教学中的应用研究[J]. 计算机与数字工程, 2018, 46(6): 1078-1083.
[15] 李建海, 赵彦敏, 李恒杰, 等. 基于雨课堂的微机原理及应用课程教学改革探索[J]. 科技视界, 2022, 3(1): 104-105.
[16] 王青. Emu8086和Proteus在微机原理教学中的研究与应用[J]. 电脑知识与技术, 2021, 17(35): 251-253.
基金项目：中南林业科技大学教学改革研究项目（2021045）；中南林业科技大学研究生教育教学改革项目（2021JG004）。
作者简介：谭云，女，中南林业科技大学副教授，研究方向为图像处理与信息安全，tantanyun@hotmail.com；秦姣华（通信作者），女，中南林业科技大学教授，研究方向为信息安全与人工智能，qinjiaohua@163.com。
引文格式：谭 云，秦姣华，向旭宇. 基于数据挖掘的新工科教学决策模式探索 [J].计算机教育,2023(2)：87-91.
转自：“计算机教育”微信公众号
如有侵权，请联系本站删除！
