夏小娜 戚萬學 禹繼國 鄒 麒

?

學習分析視角下的課程群體協(xié)作行為*——以“高級軟件工程”課程為例

夏小娜1,2,3戚萬學1,3禹繼國2鄒 麒2

（1．曲阜師范大學 統(tǒng)計學院，山東曲阜 273165；2．曲阜師范大學 信息科學與工程學院，山東日照 276826；3．曲阜師范大學 中國教育大數據研究院，山東曲阜 273165）

群體協(xié)作是工程性課程教學的重要組織行為。文章以山東省Q大學2015、2016級兩屆計算機類研究生課程“高級軟件工程”為例，從學習分析的視角對課程群體協(xié)作行為進行了研究：首先分析了群體協(xié)作的行為關聯(lián)、知識關聯(lián)、映射序列和教與學的行為需求，隨后構建了課程群體協(xié)作行為模型，最后進行了群體有效協(xié)作效果的實證分析與論證。文章指出，從不同方面發(fā)揮課程群體協(xié)作行為的作用，尊重和引導學生個體的興趣，對于建立深化合作、全面提高課程成績等具有一定的促進作用。

學習分析；群體協(xié)作行為；高級軟件工程

引言

群體協(xié)作是大數據時代重要的工作和學習組織形式[1]。通過不同規(guī)模的群體協(xié)作，將任務進行有效分解，通過制定群體協(xié)作的方案和規(guī)范將人員合理分工，在執(zhí)行課程設計的群體協(xié)作過程中遵循整體目標統(tǒng)一、局部技術自主解決的原則，可在一定周期內完成任務目標[2]。在培養(yǎng)工程應用型專業(yè)人才時，既需提高人才自主實踐的能力，更需引導和強化人才的自覺群體協(xié)作意識。當前社會中“在線應用”、“數據驅動”和“軟件APP”的盛行，對高等院校軟件專業(yè)的人才教育教學模式提出了挑戰(zhàn)[3]。這就需要高?；趯I(yè)特色和人才特點，將專業(yè)建設和人才培養(yǎng)目標作為高學歷人才教育教學的驅動力[4]，建立以數據為驅動的雙向回路學習和調優(yōu)機制[5]。

如何在日常的課堂教學和課程設計中充分貫徹群體協(xié)作的理念？如何做到動態(tài)、適時地獲取人才特征？這些問題的解決需要教師將群體協(xié)作確立為人才培養(yǎng)策略的調優(yōu)機制，并在教學的過程中利用已有的數據和相關的學習工具，科學認識人才的成長規(guī)律。學習分析（Learning Analytics）就是這樣的一種支持學習、教學和教育決策的技術手段，是近幾年來教育大數據的熱點研究方向，可為教學雙方提供更多可靠的、可供參考的實證實據[6]。本研究以“高級軟件工程”課程為例，運用學習分析方法，分析并論證了群體協(xié)作行為對課程學習效果的關聯(lián)性影響

一 群體協(xié)作行為的關聯(lián)分析

1 群體協(xié)作行為的關聯(lián)關系

“高級軟件工程”課程的開展，需要多方資源的共同參與[7]，實現線上線下、課堂和實驗室等并行參與。這既涉及學生與學習內容的交互、學生和授課教師（不僅包括直接參與課程授課的教師，也包括線上課程資源的講授者）的交互、學習與實踐的交互、實踐之間的交互等，也涉及授課教師之間的交互、教師和不斷變更的教學內容的交互、前后教學內容和知識點的交互等——這些交互組成了課程組織過程中的群體協(xié)作，而課程設計和工程實踐的協(xié)作質量將會直接影響課程的教學效果。課程的群體協(xié)作行為關聯(lián)關系如圖1所示。課程中的不同交互行為之間相互影響、相互關聯(lián)，以共同實現以交互為主要行為方式的課程群體協(xié)作，這需要教師適應性地調整和變更角色，即從知識的傳授者變?yōu)橹R的引導者、指導者和關聯(lián)者。也就是說，在課程的教、學和實踐三個層面，教師應發(fā)揮協(xié)作引導、有效指導和關聯(lián)驅動的作用。

圖1 群體協(xié)作行為的關聯(lián)關系

圖2 知識關聯(lián)和群體協(xié)作行為映射序列關系

2 知識關聯(lián)和群體協(xié)作行為映射序列關系

在群體協(xié)作行為的有效關聯(lián)過程中，要解決的問題主要如下：①在教、學、實踐過程中，教師的教學行為如何影響學生的群體學習行為，兩者之間的關聯(lián)與映射關系是什么？②教與學過程中的實際行為與師生交互行為之間如何關聯(lián)？應實現什么樣的關聯(lián)？關聯(lián)的條件是什么？③高級軟件工程多資源融合的教學驅動模式對師生的交互行為將產生何種影響？其影響程度與關聯(lián)強度之間存在怎樣的因果關系和實際應用依據？

本研究采用案例分析法，以山東省Q大學2015、2016級計算機類研究生課程“高級軟件工程”為例，展開相關數據采集和效果分析。該課程的教學過程分為兩個系列：理論教學和實踐應用。在該課程中，教師的群體協(xié)作行為包括備課、教學指導、實踐指導、興趣引導等，學生的群體協(xié)作行為包括閱讀、學習、反饋、實踐、自學等。此外，該課程與其它同期開設的課程之間也存在著一定的知識關聯(lián)和協(xié)作關系?；诖?，本研究構建了以“高級軟件工程”課程為中心、不同課程相關聯(lián)的協(xié)作與映射關系，得到整個課程的知識關聯(lián)和群體協(xié)作行為映射序列關系，如圖2所示。

3 教與學的群體協(xié)作行為需求關系

圍繞圖2課程中的知識關聯(lián)點，針對教與學的群體協(xié)作行為需求關系，本研究設計了如下需求內容：RC1——教師的備課行為正向影響學生的閱讀行為；RC2——教師的教學指導和教師之間的協(xié)作溝通行為正向影響學生的學習行為、反饋行為；RC3——教師的實踐指導行為正向影響學生的實踐行為和實踐效果；RC4——教師的興趣引導行為正向影響學生的自學行為，同時正向創(chuàng)建以興趣為驅動的自學行為；RC5——教師行為本身存在自我的正向影響行為；RC6——反過來，學生群體協(xié)作行為會正向影響教師的授課行為、影響師生互動過程的交互行為，學生的自主參與行為同樣存在自我內化的正向引導行為，形成相互影響的遞歸過程；RC7——采取不同的教學驅動策略，都將帶來群體協(xié)作行為的差異和變動。

教師“教”的行為活動和協(xié)作能力，對學生“學”的主動意識和執(zhí)行過程具有一定的正向影響；同樣，學生實際“學”的過程和結果，也對教師“教”的準備和調整產生正向作用。基于課程實施的需求內容，本研究分析了兩屆計算機類研究生在課程教學活動中的群體協(xié)作行為，根據需求內容的幾個論證層次，得到教與學的群體協(xié)作行為需求關系，如圖3所示。

圖3 教與學的群體協(xié)作行為需求關系

圖7 堅持完成在線課程學習的學生成績分布雷達圖

二 課程群體協(xié)作行為模型構建

本研究采集了兩屆計算機類研究生的學習行為數據來評估教學效果，并適時調節(jié)學習過程和實踐過程中的內容、知識點、策略、活動等；當遇到狀況時，對學習行為數據進行有效跟蹤和適當干預，并合理體現教學目標的進步性和前沿性，達到增量式遞進的教學效果；對于在線課程學習中的學生，提倡自選，建議自主自學，并完成在線考核；同時，在教學中引入斯坦福大學的“機器學習”作為任意在線選修課程，以加強學生對現代交互式軟件系統(tǒng)的自主認知、適應反饋和及時決策。此外，本研究針對這兩屆學生均進行了分組課程案例設計，每組設置4～6人并指定負責人，做好人員分工，要求各組根據學期實踐時間的安排，選擇合適的軟件過程模型，在學期末提交一個在線交互系統(tǒng)。在實踐的過程中，在遵循軟件工程研發(fā)的技術需要和資料規(guī)范的前提下，各組還需一并完成與系統(tǒng)研發(fā)過程相關的各類項目文檔資料。

圖4 課程群體協(xié)作行為模型

基于上述工作，本研究構建了課程群體協(xié)作行為模型如圖4所示，其運作過程如下：①由教師群體發(fā)起課程組織的群體協(xié)作，根據課程知識點的邏輯關系實現自組織關聯(lián)；②系統(tǒng)將與該課程有關的其它關聯(lián)課程設置為一個參與群體，并根據知識點的需求進行適當篩選和關聯(lián)；③知識驅動采取多樣的課程組織形式，實現關聯(lián)課程教學組織的群體協(xié)作；④根據不同的學習任務和課程知識掌握程度，學生自組織實現分組協(xié)作，不同組之間也根據不同的學習需求進行適時或臨時的交叉協(xié)作，即隱性協(xié)作。

本研究涉及的2015、2016級兩屆計算機類研究生對應的選課學生數量分別為29人（含學術型研究生26人、專業(yè)型研究生3人）和30人（含學術型研究生26人、專業(yè)型研究生4人）。本研究通過跟蹤線下課堂、在線課程的設計與開展過程，適時了解課程的進展情況，跟蹤記錄學習任務的完成情況，對相關的測量指標進行了群體協(xié)作行為的因子分析，并施以理論指導。本研究將圖3中教與學的群體協(xié)作行為需求關系作為教師、學生需求的潛在變量，其涉及的子因素及相關測量指標如表1所示。相關測量指標值越大，表明群體的行為越活躍。根據表1所列各項，采集適合的考量數據，基于課程群體協(xié)作行為模型和多維數據關聯(lián)性問題分析，本研究勾畫出課程的群體協(xié)作網絡拓撲結構，以對課程的群體有效協(xié)作效果進行驗證。

表1 教師、學生需求的潛在變量及相關測量指標

三 群體有效協(xié)作效果的實證分析與論證

群體有效協(xié)作的效果檢驗采取網絡建模方法，對比2015、2016級計算機類研究生“高級軟件工程”課程教學過程的群體協(xié)作行為關聯(lián)結果，來分析不同的需求內容對執(zhí)行效果的影響。在建模中，本研究對協(xié)作的交叉性進行了相應的權重劃分，基于樣本估計良好的模型，對不同的數據樣本進行獨立分析，以實現良好的擬合結果。為有效分析四種“教師需求”和五種“學生需求”在分析中的關系映射及其對模型效果的影響，本研究通過數據的學習分析和擬合，來完成群體有效協(xié)作效果的論證。

針對2015級計算機類研究生的課程學習成果涉及課堂筆記、分組答辯、課程考試、專業(yè)論文閱讀和綜述論文撰寫等五個方面，均為指定完成的內容。而針對2016級計算機類研究生，結合人才市場對于實際案例參與力度的需求，將課堂筆記定位為學生的自覺學習意識——統(tǒng)計結果顯示，有29人（共30人）堅持提交隨堂筆記，成為學習常態(tài)；1人為在職研究生，存在筆記不完整現象，雖然該生沒把課堂筆記作為必須提交的一項學習成果，但也已經養(yǎng)成了做筆記的學習習慣。因此，針對2016級計算機類研究生的課程學習成果涉及系統(tǒng)研發(fā)、課程考試、課程英語考查和專業(yè)外文資料閱讀等四個方面。此外，本研究還在全部學術型研究生中展開了以興趣為驅動的在線“機器學習”課程選修，有12人參與了學習，其中有8人完成了全部課程，4人中途放棄。

在實驗過程中，本研究對2015級計算機類研究生五個方面的課程群體協(xié)作行為進行了關聯(lián)分析。為建造有效的課程群體協(xié)作行為模型，本研究對課程學習成果的數據進行了分析，并運用統(tǒng)計學指標進行度量；為得到最理想的精確值，運用試錯法對實現過程的參數不斷訓練調優(yōu)——在此基礎上，對每一個課程學習成果和總體指標進行檢驗，得到訓練實現的協(xié)作行為網絡信息，如表2所示。通過執(zhí)行關聯(lián)算法，得到課程群體協(xié)作行為網絡結構（如圖5所示），其中學生類型和學生分組被定義為輸入層因子，學生本人的關鍵信息被定義為協(xié)變量，而課程考察的五個指標被定義為輸出因變量。表2的檢驗結果顯示，除了綜述論文撰寫，其它四個方面的訓練誤差均滿足要求。究其原因，主要在于論文撰寫需要文獻查閱和獨立撰寫，屬于學生的獨立行為，體現了個體對課程和知識點的自我感知，更適合進行偏向于個性化學習的訓練。

表2 2015級訓練實現的協(xié)作行為網絡信息

注：a由檢驗數據條件確定為隱藏單元的“最佳”數目，即在檢驗數據中產生誤差最小的數目。

表3 2016級訓練實現的協(xié)作行為網絡信息

注：b表示檢驗樣本中的因變量可能是常量；4.263E-33和5.836E-33是科學計數法，分別表示4.263×10-33、5.836×10-33。

圖5 2015級課程群體協(xié)作網絡拓撲結構

圖6 2016級課程群體協(xié)作網絡拓撲結構

針對2016級計算類研究生的在線課程自學設置環(huán)節(jié)是少數人的任選，屬于個體行為。在群體協(xié)作網絡拓撲分析中，輸出因變量沒有設置在線課程，而是將它作為個性化分析；課程學習成果的協(xié)作關聯(lián)分析落腳于四個方面，同樣運用模型構建和統(tǒng)計學指標度量的方法，得到訓練實現的協(xié)作行為網絡信息（如表3所示）和相應的課程群體協(xié)作拓撲結構（如圖6所示）。

圖7的雷達圖顯示了堅持完成在線課程“機器學習”的8個學生的自學成績情況。圖7顯示，這8個學生除了在這門自修課程取得良好的成績，其它相關聯(lián)的課程也取得了相對較好的學習成果，這與學生自身的內在知識群體協(xié)作關聯(lián)能力直接相關。

四 小結

本研究以“高級軟件工程”課程為例展開學習行為分析研究，通過運用模型構建和統(tǒng)計學指標度量的方法，得到了群體協(xié)作行為會對課程學習效果產生關聯(lián)性影響的結論：從不同方面發(fā)揮課程群體協(xié)作行為的作用，尊重和引導學生個體的興趣，對于建立深化合作、全面提高課程成績等具有一定的促進作用。后續(xù)研究將聚焦于群體協(xié)作和個體偏好的扶持、引導、融合，并展開更深入的研究和論證。

[1](英)維克托?邁爾-舍恩伯格,肯尼思?庫克耶著.趙中建,張南燕譯.與大數據同行:學習和教育的未來[M].上海:華東師范大學出版社,2014:5-7.

[2]Lu O H T, Huang J C H, Huang A Y Q, et al. Applying learning analytics for improving students engagement and learning outcomes in an MOOCs enabled collaborative programming course[J]. Interactive Learning Environments, 2017,(2):220-234.

[3]Tempelaar D T, Rienties B, Nguyen Q. Towards actionable learning analytics using dispositions[J]. IEEE Transactions on Learning Technologies, 2017,(1):6-16.

[4]Best M, MacGregor D. Transitioning design and technology education from physical classrooms to virtual spaces: Implications for pre-service teacher education[J]. International Journal of Technology and Design Education, 2017,(2):201-213.

[5]張家華,鄒琴,祝智庭.學習分析視角下在線學習干預模型應用[J].現代遠程教育研究,2017,(4):88-96.

[6]Pecaric M, Boutis K, Beckstead J, et al. A big data and learning analytics approach to process-level feedback in cognitive simulations[J]. Academic Medicine, 2017,(2):175-184.

[7]夏小娜,曹寶香.《軟件工程》教學的“三段論”定位與“能力驅動”[J].現代教育技術,2007,(8):109-111.

The Group Collaborative Behavior of Curriculum under the Perspective of Learning Analytics——Taking the Course of “Advanced Software Engineering” as an Example

XIA Xiao-na1,2,3QI Wan-xue1,3YU Ji-guo2ZOU Qi2

Group collaboration is an important organizational behavior of the engineering course teaching. Taking the “advanced software engineering” course for the two-term computer postgraduate students of the grade 2015 and 2016 in Shandong Q University as an example, this paper analyzed the group collaboration behavior of curriculum from the perspective of learning analytics. Firstly, this paper analyzed the behavior association, knowledge association, mapping sequence of the group collaboration and the behavior demands of teaching and learning. Then, the group collaboration behavior model of curriculum was constructed. Finally, the empirical analysis and demonstration of the effectiveness of the group effective collaboration were carried out. This paper pointed out that making the role of group collaboration into play from different aspects, respecting and guiding the students’ individual interests, had certain promotive action to the establishment and deepening of collaboration, and the comprehensive improvement of course performance.

learning analytics; group collaborative behavior; advanced software engineering

G40-057

A

1009—8097（2018）09—0047—07

10.3969/j.issn.1009-8097.2018.09.007

本文受山東省自然科學基金“社會化服務推薦的決策機制研究與應用”（項目編號：ZR2016FM45）、“Architecture-centric服務分簇研究及服務路由驅動的ac-OA平臺演化”（項目編號：ZR2012FQ011）、山東省研究生教育創(chuàng)新計劃項目“‘雙一流’目標驅動的計算機學科協(xié)同創(chuàng)新培養(yǎng)體系深化與實施”（項目編號：SDYY16092）資助。

夏小娜，曲阜師范大學信息科學與工程學院副教授，曲阜師范大學統(tǒng)計學院在讀博士，研究方向為教育大數據、社交網絡、軟件工程，郵箱為xiaxn@sina.com。

2018年1月14日

編輯：小米