学生电子学档教师教学反思

导语：学生电子学档教师教学反思一文来源于网友上传，不代表本站观点，若需要原创文章可咨询客服老师，欢迎参考。

摘要：教师专业发展是教育质量提升的保障。教师的教学反思是其获得实践性知识的重要途经，是教师自我发展进入良性循环的推动力。有效的教学反思能帮助教师理解和学习教学经验，并重新建构教学实践，从而提升培养人才的效果。该研究基于学生的电子学档数据，建构基于学生电子学档的教师教学反思路径。基于教师教学反思的思维过程，将大数据支持的教师教学反思流程分为反思数据量化表达、反思影响因素判别、反思分析、基于反思的归因和基于反思的实践。在此基础上，设计基于学生电子学档的教师教学反思模型。包括基于学生电子学档的学情数据获取、基于关联规则算法的教学反思因素集判别、基于支持向量机的问题反思、基于结构方程模型的教学反思归因及基于用户协同过滤算法的教学修正方案推荐五个部分。研究探索了教学反思过程中利用学生学习档案数据，解决教师个体反思能力和反思层次差异的问题，以期帮助教师进行智能化决策。

关键词：电子学档；教学反思模型；教育大数据；关联规则算法；支持向量机；结构方程模型

一、引言

《中国教育现代化2035》将利用现代技术实现规模化与个性化人才培养，建设教师专业发展体系作为重要的教育现代化战略任务。教师专业发展长期以来存在两种截然不同的范式：“技术熟练”型教师发展和“反思实践”型教师发展[1]。随着划一、被动、个人主义倾向的学习观向个性、能动、合作的学习观转变，“反思实践”型教师培养成为趋势。信息技术支持的教育数据采集，生成数据丰富的学生电子学档给教师的教学反思提供了新思路。如何将学生电子学档的内容与教师教学反思建立起相关关系，帮助教师及时准确掌握学习过程中的学生状态和学习质量，实现教学反思的个性化与智能化指导，提升教学质量与教师专业发展，成为了一个重要的研究问题。

二、研究现状

教学反思思潮自上世纪80年代在欧美兴起，迅速影响世界教师专业发展的理论和实践。(一)反思与教学反思模型。“吾日三省吾身”，儒家采用的朴素的“内省”式反思，至今仍是反思的最一般模式。反思成为一个哲学概念，由约翰•洛克开始，他提出反思是观念的来源之一[2]，是一种以思维过程为对象的元认知活动。SchonDonald提出“反思性实践”的概念，消解了教育理论与实践的二元对立，建立了理论与实践循环互动、“修辞框架-活动框架”不断重建的反思模式[3]。埃拜基于杜威和柯尔伯格的理论，构建了“反思性计划、反思性教学、反思性评价”周期模型，模型以计划为相对起点。爱德华兹和布朗托则构建了包含个体到集体、个人到社会的二维四象限的教学反思模式。马克斯•范梅南构造了直线型模式，包括“行动前反思—行动中反思—智慧性行动—行动反思”四个阶段。以上教学反思模型以经验反思观为基础，反思路径多指向教师内省及课堂教学的教师行为。实施过程主要通过对教学过程的忠实记录或教学情境回忆的思考，而基于学生角度的数据支持的教学反思研究较少。(二)技术支持的教学反思。基于个案或小样本的主观反思受教师反思能力和水平影响，利用大数据等新一代技术和工具分析教学行为促进教学反思的研究成为新热点。用作反思数据来源的主要是反思日志文本和教学视频两类。王佳莹等从练习证据、分析框架和支持协作方面分析了视频标注工具在教学反思中的应用[4]。有学者通过收集课中、课后的学生学习行为数据预测学习效果[5]，进而支持教师的教学反思；大数据技术的出现，让教师能获得多模态、低价值度的教学大数据作为反思参照要素，而对MOOC等开放课程资源应用大数据技术进行教学分析，是普遍采用的方法。邱欢堂等使用余弦理论比较反思文本与语料库文本的差异，根据最大相似度预料文本的等级及阈值，构建反思模型实现反思内容自动评估[6]。吴清等人使用决策树、贝叶斯网络、神经网络和支持向量机构造了不同的在线学习成绩预测模型，基于学习预测信息进行教学反思。综上，大数据技术、学习分析技术等信息技术支持了教师的教学反思。但缺乏从学生的学习视角分析教学反思问题的研究。(三)电子学档数据的挖掘。学生的学习行为与学习效果之间存在相关性。教学只有通过作用于学生的学习行为，才能影响学习。通过分析记录学生学习数据的电子学档，可以分析判断教师教学行为的有效性。已有部分研究通过采用大数据、人工智能、社会网络分析等方法分析电子学档数据。李国军等利用BP神经网络挖掘学生教学目标掌握程度，利用K-means对学生学习效果分类[7]；魏顺平等以Moodle平台的在线课程为样本，使用SSAS、UCINET等进行话语分析、社会网络分析等，开展基于学习过程记录的在线教学反思研究[8]。刘革平等提出将数据挖掘技术引入到电子学档的评价中，运用文本挖掘技术对电子学档中的信息进行关联分析，对照预先制定的评价量规得出对学生学习过程的评价结果，实现学习过程评价的自动化[9]。Feldman等采用朴素贝叶斯分类器利用学习者在线行为数据判断学习者的学习风格[10]。综上，通过对学生电子学档的数据挖掘，可以掌握学生的学习状态，进而推演出教师的教学状态，帮助教师教学反思。但缺乏将学生电子学档的数据挖掘与教师的教学反思建立映射关系的研究，还没有系统地建立基于学生电子学档的教师教学反思路径。本研究将基于学生电子学档中积聚的学生学习行为数据，利用大数据处理工具、算法和关联规则挖掘，研究学习效果影响因素，设计基于因素集判别的教师教学反思路径，建构基于学生电子学档的教师教学反思模型。解决教师教学反思中反思内容不全面、教学问题分析不深入、原因归纳不系统、决策执行不到位等反思能力、反思层次和反思维度的问题。

三、基于学生电子学档的教师教学反思路径与流程设计

(一)基于电子学档的教学反思路径。学生是教师的教学对象，直接、客观地体现了教师的教学效果，而学生电子学档在材料真实性、系统通用性、媒体多样性等方面具有其他数据源无法比拟的分析优势。本研究基于学生电子学档，获取学生学习过程中留下的行为和结果数据进行分析和数据挖掘，提取教师反思关联因素集，通过对象比较，建立基于因素集判别的教师反思路径，支持教师进行教学反思。1.学生电子学档的数据挖掘因素集电子学档是指从大规模的教学管理数据和学习过程数据中提取的多种真实学习证据的数据集合，通过数字化方式存储和展示个人或机构的学习历程和成果。对于学生电子学档的组成内容，王佑镁认为应该包括学习目的、学习活动、学习成果、学习业绩、学习付出、学习反思等[11]。《电子学档信息模型规范》国家标准提出，电子学档组件包括需求与偏好、活动、能力、目标、资质、作品、成绩等15类[12]。这些因素基本可分为个人基础信息、学习过程信息和学习结果信息三大类。基础信息是指学生年龄、性别等生物信息和学习兴趣、需求、偏好等心理信息。学习过程信息是学生学习过程中产生和记录的信息，包括学习目标、学习计划、学习活动等。学习结果信息指学习后产生的结果数据，包括学习作品、学习成绩、学习反思等。这些信息构成了电子学档的数据挖掘因素集。2.基于学生电子学档的教师反思关联因素集基于学生电子学档数据因素集挖掘分析，确定学生学习行为特点和学习结果水平，结合教师教学反思，确定教学问题，分析问题原因，教学反思的内容结构组成了教师反思关联的因素集。从时间序列上看，对应于“目标”“实施”“评价”三个连续的教学过程，Schon等提出教学反思行动前反思、行动中反思、行动后反思。从教育学的视角看，教学系统一般包括：教师、学生、教学内容、教学环境四要素，教学反思内容可以分别指向这四个要素及其之间的关系。而从心理学角度看，反思作为一种特殊的思维形式，应该从多样态、多维度、多水平描述，反思内容作为反思的载体，可以从教学反思内容的广度(课堂、教师、学生、教改、人际关系)和教学反思内容的深度(前反思、准反思、反思水平)考察[13]。本研究中教师反思关联因素集包括：学生、教师、知识、环境四个维度。学生维度，学生认知能力和知识水平极大影响学习效果，是首要考虑的维度，具体因素包括知识基础、认知水平、学习兴趣、学习投入度等。教师维度，教师是教学活动的策划者、设计者、组织者、评价者，教学反思应该包括对教师自身的专业知识、教学方法和信息技术使用的合理性的反思。知识维度，知识是教学目标实现的载体，教学反思包括对教学目标、教学重难点、教学内容组织和形式等进行反思。教学环境维度，教学环境是教与学活动得以开展的物质条件和信息基础，其中的学习资源可以直接转换为教学内容，资源的形式和水平影响着教学效果，是教学反思的重要方面。3.基于因素集判别的教师教学反思路径建立教师反思关联因素集与学生电子学档数据挖掘因素集的映射关系，是实现学生电子学档支持下教学反思的前提条件，由此形成完整的教师教学反思路径。根据学生电子学档数据挖掘因素集，提出学生学习情况数据表征指标，表征指标和教师反思关联因素形成关联关系，由此就可以探索学生电子学档和教师反思因素之间的相关关系，如图1所示。(二)数据支持的教学反思流程设计。随着多模态教学数据的丰富，基于数据的决策突破单一的基于经验、直觉的感性判断。斯德卡普等构建了目标—数据—信息—知识—行动—结果—反馈的数据驱动决策框架[14]。管钰琪等将其分为数据驱动、数据启发两种类型。其中数据启发教学决策过程包括构建数据、确认问题、分析原因、制定决策、决策效果[15]。本研究将数据支持的教学反思决策制度流程分为如下步骤。1.反思数据的量化表达教学反思首先要对学生电子学档中多维大数据采集、预处理及因素集量化表达。基于系统工程理论，从学生电子学档的数据挖掘因素和学生学习情况数据表征指标两个角度分析学生电子学档内容组织特点，构建面向学习全过程的大数据采集框架。学生电子学档的数据挖掘因素包括学生的基础信息、学习过程信息和学习结果信息三个因素集，并据此提出了学生学习情况数据表征指标。针对电子学档复杂性高、类型多的数据特征，以教师、学生、知识、环境四维度的教师反思关联因素为导向，获取多维电子学档数据并对其进行预处理；量化表达学生的学习效果及其主要影响因素指标。2.反思影响因素判别判别反思影响因素包括两个步骤。首先，利用数据分析技术判别学习效果的主要影响因素。依托大数据分析支持平台，以学习效果和已处理的学生电子学档数据为输入，通过Gini增益系数的判别确定影响学习效果的主要因素。其次，基于关联规则挖掘的因素数据对比。针对随机森林算法无法解决因素相互影响引起的关联性误辨现象，关联规则算法可辨别因素间关联关系的特点，挖掘因素数据与学习效果的关联关系，辨别关联因素影响学习效果的间接性与直接性，并基于此结果依据关联因素的影响程度序列对比因素数据与已设阈值的差距，根据差距可接受的范围确定反思关注的因素集合。3.教学问题反思分析进行反思影响因素判别后，对确定的反思关注因素集合，需要给出其所属的类别、程度等，通过各种过程特征对可能的反思类别进行预测。而相关机器学习方法中，支持向量机(SupportVectorMachine，SVM)相对效果较好，区别于感知机，基本模型是定义在特征空间上的间隔最大的线性分类器。基于教师反思影响因素集合的提取、量化，使用反思特征输入样本和反思类型数据构成模型训练样本，获得学习者整体目标掌握程度情况，经过与预设教学目标对比，判定学习者整体目标的达成度。4.基于反思的归因确定学生整体学习目标达成度后，使用结构方程模型(StructuralEquationModeling，SEM)通过对已有的数据进行统计，分析导致教学问题的原因来源，进而实现基于反思的归因。结构方程模型是教育科学领域量化研究的重要统计方法，融合传统多变量分析中“因素分析”和“线性模型的回归分析”技术，对因果模型进行模型辨识、估计与验证和修正。从教师、学生、内容、环境四个维度的教师反思关联因素方向，明确教学问题，确定教学问题产生的原因。5.基于反思的教学实践基于前述确定的教学问题和归因分析，根据学生电子学档和教师反思综合而成的教学情境类型、特点，在教学情境库中找出学习效果良好的学生对教师、同伴、知识等的偏好及相应的教学方案，教师根据系统提供的教学方案范本改进自己的教学实践，实现教学经验的重构与教学效果的提升。综上，大数据支持的教师教学反思流程首先对学生电子学档中多维大数据采集、预处理及首选因素量化表达；接着依据内容指向收集相关数据，构建适合后续分析的数据基础并进行数据的判别；然后采用智能化工具筛选和分析数据，确认存在的教学问题反思和归因分析；最后，依据归因的结果，寻求解决方案，做出决策并进行教学实践检验。

四、基于学生电子学档的教师教学反思模型与算法

设计基于学生电子学档的教师教学反思路径，建立教师反思关联因素集与学生电子学档数据挖掘因素集的映射关系，获取学生学习情况的数据表征指标，解决了支持教师教学反思的对象、因素问题。根据教师教学反思路径，从学生电子学档内容结构中获取学生学习数据，设计数据支持的教师教学反思流程，解决了基于数据的教学问题反思及成因分析。在此基础上，设计学生电子学档驱动的教师教学反思模型，如下页图2所示。系统解决学生电子学档内容表征与教师教学反思自省决策的问题。模型包括基于电子学档的学情数据获取、基于关联规则算法的教学反思因素集判别、基于SVM的学习者掌握度判别与问题反思、基于结构方程模型的反思归因、基于用户协同过滤算法的教学方案推荐。(一)基于学生电子学档的学情数据获取。学生电子学档是教师教学反思的基础数据来源，从电子学档获取学情数据包括确定电子学档数据采集框架、对数据进行预处理与存储、按因素指标进行量化表达。首先，基于系统工程理论，结合在线学习过程结构特征，确定学生电子学档数据采集框架。将学生电子学档数据的结构按电子学档数据挖掘因素进行归结，包括基础信息、过程信息和结果信息等三类。然后，借助网络爬虫工具从电子学档系统中，对电子学档数据下载、过滤、分析、存储，挖掘，再利用ETL大数据处理工具平台按照预设采集方案抽取爬虫工具得到的数据，对其进行清洗、转换、装载等预处理操作，然后进行数据分类并以SQL与NoSQL方式区分储存。最后，按照上述基于因素集判别的教师教学反思路径，对其进行指标量化表达，输入经过预处理的电子学档数据得出各指标量化结果。(二)基于关联规则算法的教学反思关联因素集判别。从学生电子学档数据获得的各量化指标，经过关联规则算法的运算，最后形成匹配的教学反思关联因素集。包括利用Gini增益判别学习效果主要影响因素、利用关联规则算法比对并确定最终影响因素集合。1.利用Gini增益判别学习效果主要影响因素机器学习中，信息熵是衡量一个系统的信息含量的量化指标，以其为基础计算的信息增益，常用于衡量特征与结果之间的影响程度。而Gini指数与信息熵类似，且计算更为简单，通过Gini指数得出Gini增益，以实现更高效率的因素相关性计算。对于反思关联因素X及其相对概率p(x)，其Gini指数Gini(X)，如公式(1)所示，在给定学生电子学档特征v下对x的Gini指数Giniv(X)形式化为公式(2)：基于上式与信息增益定义，可进一步得出Gini增益ΔGini(X;XV)为：对于某一学生，若已知其电子学档获知的学习效果等级为L，第i个潜在关联因素数据序列为Vi(i=1,2,......,v)，则该用户的最终成绩等级与各潜在关联因素间的Gini增益集合ΔGini(L;V)可表示为：检验模型的预测效果，进而判别出学习效果的主要影响因素。Gini增益越大，表明其关联性越强。使用QuickSort快速排序算法对集合ΔGini(L;V)进行排序，即可从各关联因素中找出最终学习效果的主要影响因素，通过选取主要影响因素作为训练样本特征，从而实现预测模型的构建。2.利用关联规则算法比对并确定最终教师反思关联因素集合首先，利用Apriori关联分析算法检索上一步骤中产生的学习效果及其主要影响因素集合中的所有频繁项集，即支持度不低于设定的最小支持度(Support)阈值的项集。其次，由频繁项集构造出满足用户最小置信度(Confidence)的关联规则，辨别影响因素与学习效果的关联性，以此确定最终影响因素集合，即教师教学反思的关联因素。(三)基于支持向量机的问题反思。支持向量机是最常用的机器学习算法之一，它在解决非线性和高维特征模式识别场景下具有许多优势。本研究基于支持向量机来实现学习者的整体目标达成度判定。其基本思路为：给定一组反思特征输入样本x，以及推断的反思类型y，构成模型需要的训练样本(x,y)，构建低维空间到高维空间的转换表达，形式化表示如下：其中Φ(x)是核函数，核函数的选择有多种，这里使用常用的高斯核函数来计算高维特征空间下的特征向量点积。针对该目标进行优化取极值有：并给出约束条件：其中，C为惩罚因子，而ξi*与ξi为松弛因子，用于控制模型的复杂度与回归精度。而为了提高非线性样本的分类精度，需要基于核函数完成数据从高维到低维的转换，基于常用的径向基核函数，构建SVM模型的决策函数f(x)为：以此进行模型的训练，获得学习者整体目标掌握度情况，并与预设的教学目标进行对比，从而完成教师反思过程。(四)基于结构方程模型的教学反思归因。结构方程模型是基于变量的协方差矩阵来分析变量之间关系的一种统计方法。它具有诸多优点，最显著的特点是能够评价多维和相互关联的关系，并且能够发现某些关系中没有察觉到的概念关系，因此本研究采用结构方程模型来对教师教学反思进行归因分析。结构方程模型如图3所示。图3各个变量之间的关系形式化表示如下：对于图3(a)的β与X，Y的关系为：对于图3(b)的β与X，Y的关系为：其中X是因，Y为果，左边等式代表X与Y之间的量化关系，Ux表示影响变量X的所有未被观测的外部因子，Uy表示影响Y的所有未被观测的外部因子。结构方程模型分析过程可以分为模型构建、模型拟合、模型评估以及模型修正四个步骤。1.模型构建首先根据教学问题反思的目标达成度、重难点把握度等相关指标来初步确定各个潜变量如教学目标、教学重难点等之间的相互关系以构建理论上的初始结构方程模型。2.模型拟合模型拟合主要是对上一步构建的初始模型进行模型参数估计。参数估计的方法有多种，本方法使用最大似然估计(MaximumLikelihood)来计算参数，因为它在数据分布较为均匀的情况下能够计算更加精确(方差最小)的结果。结构方程模型的拟合度指标分为模型内的结构拟合度与整体模型拟合度，模型内的结构拟合主要通过潜变量组成信度进行评判，而卡方拟合指数则是整体拟合度的评价依据。3.模型评估经过模型参数求解步骤后，这里还需要对参数结果进行评估。结构方程模型一般以最小化观察到的和估计的协方差矩阵之间的差异为目标来估计总体的参数，最小化目标函数F形式化表示如下：其中s是数据向量(观察到的样本协方差矩阵所堆叠而成的向量)，σ是估计的总体协方差矩阵的向量(再次堆叠为一个向量)，“(Θ)”表示σ是来源于SEM模型的各种参数(回归系数，方差和协方差)。W是对样本与估计的总体协方差矩阵之间的平方差进行加权的矩阵。4.模型修正对结构方程模型进行修正的主要目的是提高模型的拟合度使得结果更具有现实性和解释性。模型修正的方法主要有两个方面，一方面添加模型新路径来提高模型的拟合度；另一方面是删除或限制部分路径以提高模型的可识别性。这里使用AMOS提供的模型修正指标对模型进行修正，直到模型的拟合度满足拟合度指标为止。最后我们根据结构方程模型的最终结果对与教学问题反思存在因果关系因子进行分析。(五)基于用户协同过滤算法的教学修正方案推荐。充分使用反思的教学称之为反省性教学，反思性教学实践根据反思作用于本次还是下次教学分为两类，不管哪一类，都需要完成问题反思和反思归因后，修改原有教学方案，制定改进型教学方案应用于本次或下次教学实践。协同过滤推荐算法是诞生最早、较为著名的预测和推荐算法。算法通过对原有学习效果良好的学习者历史数据挖掘，确定不同学习者对教师、环境、同伴等的偏好，并进行度量和打分。通过基于用户的协同过滤算法，确定与新学习者相似的学习者和相应的推荐教学方案，以此作为改善教学质量的方案依据。

五、研究总结

学生的电子学档中有大量的多模态学习行为与过程数据，利用好这些数据能为教师的教学反思提供有意义的教学指导，促进教师专业发展。本研究提出基于电子学档复杂多类型数据的教师教学反思关联因素分析方法，突破教师教学反思途径单一，主要依据主观经验反思的问题。同时，通过深入挖掘学生电子学档的数据，建立基于Gini增益与关联规则的大数据关联性分析方法，突破了教师教学反思忽略对学生学习档案大数据加工利用的限制。最后，提出教师教学反思模型和具体算法，运用基于支持向量机和结构方程模型的方法，帮助教师进行智能化决策，解决了教师反思能力和反思层次差异的问题。随着对电子学档与教师教学反思的进一步深入研究，后续可以通过建构语义技术支持下基于电子学档的教师教学反思智能体，突破教师教学反思与后续教学行为改进缺乏持续智能监督的问题，最终形成以教师教学反思智能体为核心的教师专业发展系统，实现基于学生电子学档大数据，运用形式化语义执行智能化教师教学反思，提升教育教学效果的目的。

作者:吴鹏泽 刘广 单位:华南师范大学教育信息技术学院