计算机公共基础课程中过程性学习评价的应用研究

摘要：在公共计算机基础课程中设计了“以作业展开学习脉络，评价贯穿教学过程”的过程性学习评价方法，学生采用等级打分加评语进行作业互评，提高了评价效率。设计了“知识-行为-态度”的过程性学习评价模型。利用机器学习和可视化分析技术实现过程性学习评价的数据分析、预测、评价结果可视化，促进学生自我导向学习，并辅助教师及时预警和决策，实时监控学情。

关键词：计算机公共基础课程；过程性学习；互评；预测；可视化

中图分类号：G642 文献标识码：A

文章编号：1009-3044（2024）04-0178-03

0 引言

2020年10月中共中央、国务院印发《深化新时代教育评价改革总体方案》，明确提出要改进结果评价，强化过程评价，探索增值评价，健全综合评价，充分利用信息技术，提高教育评价的科学性、专业性、客观性[1]。当前大数据和人工智能技术不断创新发展，成为倒逼教育评价变革与发展的颠覆性力量。基于技术的学习评价已成为研究热点。学习评价方式亟待适应新技术的变革，迫切需要全面关注学生学习过程本身的价值，挖掘隐含的教育信息规律，全面诊断，构建科学、高效、智慧的学习评价范式。

1 智能时代计算机技术为教育评价赋能

现代教育必然是数据驱动，而非纯粹经验主义的实践[2]。教学评价由经验主义向数据主义转变。不仅是对学生最终学习效果进行测量，还要收集学习能力、态度、动机、兴趣、风格等多方面数据，促使学生成为全面发展的人[3]。大数据技术可持续采集学生学习过程的全数据，挖掘数据之间的横、纵向关系，揭示学生综合素质发展特点、优势、潜能与不足[4]，纵深融入学习评价的各个环节，使基于数据的精准测评成为可能。人工智能技术运用到学习评价数据分析中，代替人力完成烦琐的计算任务。可视化学习分析通过强调计算机自动化分析和可视化优势支持人类推理和决策过程[5]。

2 过程性学习评价的理念和作用

过程性评价是在教学活动中对学生学习的各类信息加以即时、动态地解释，从而揭示当下学习与未来可能发展的关系[6]，它将评价过程与个体学习过程紧密融合[7]，是与教学同时进行的“共时性”评价。倾向于“过程”与“发展”是过程性评价的理念基础[8]。过程性学习评价不仅测量学生的最终学习效果，还考虑非智力因素影响，将学生的时间投入、兴趣需求等纳入评价范围，是对学习态度、过程和效果三位一体的评价。

“学会评价”是“学会学习”的一部分，让学生经历评价是过程性学习评价的重要理念。“评价即是学习”要求将评价活动融入学习目标分享、教学持续监控、教学活动反思、同伴评价和教学反馈等[9]。评价主张评价主体和客体整合，通过师生“民主参与、协商和交往”，共同判断学习成果的价值，通过不断反馈，使学习过程得到优化[8]。评价是师生之间的对话：学生能即时获得评价结果，发现短板，促进反思，教师也能及时肯定学生的进步，调整和改进教学措施。在评价中教师如果过多介入，容易干扰学生学习，带来更多负担。因此，“教师督评，学生互评自评”是一种较平衡的评价方式，充分体现了以学生为主体，以教师为主导的教育方式。过程评价的主要功能有导向、改进、激励、选拔、控制、研究等，应该着重选择改进、激励和研究功能[10]。过程性学习评价中每一次评分都给出评语，有利于对学生的学习动机产生激励作用。

3 过程性学习评价实证研究

“大学计算机与人工智能基础”是必修的计算机公共基础课程，上课学生有4 700多人，覆盖47个专业。课程考核方式是：总评=期末考试40%+过程性评价60%。过程性评价占主要地位，且学生自评、互评比例达到60%以上，充分体现了学生的参与权。该课程在两年中开展了两轮教学改革，取得了良好效果。

3.1 过程性学习评价流程和实施路线

总体路线是将课程内容切片并转换为课堂作业，以作业来展开学习脉络。每次围绕作业的质量、难易程度、时间投入、兴趣等评价，体现了学习态度、过程和效果的三位一体。评价结束后，师生共同进行分数确认，评分和评语公开共享。过程性学习评价流程（见图1） 借鉴了区块链技术的运作机理：在时间线上每个节点记录一次评价活动，由师生写入评价数据，进行数据广播，被评者只需确认数据即可，最终让评价者和被评者达成“共识”。随着时间的推移，数据在时间线中保持恒定不变，任何评价参与者都可以验证数据。这种由师生共同维护评价数据的机制体现了评价主体的平等，也能有效保持评价数据前后一致、公开透明、真实可信、不被篡改。

1） 评价实施方法

同伴互评能够提高学生的学习成绩、激发学习动机[11]，也是一种高效的评价方式——学生即评价工具。所有学生必须把作业互评当作必须完成的任务。

评语是作业互评活动中提升学生学习质量的关键要素。评语相比分数对促进学习有更大的潜力[12]。对于被评者而言，高质量的评语能对其学习起到正向促进作用。学生互评必须写15字以上的评语，并指出被评者的优点、存在问题和修改建议。如果同伴的评价意见大多是真实客观的，那么会吸引学生继续参与到互评中来，形成良性的激励。

2） 作业评分方法

采用等级制打分能让学生在短时间内有效互评。等级打分属于模糊评分法，操作简单、快速高效。虽然等级分数的结果不够精确，但可以降低打分差距。为保证评分公正，学生每人随机批改三份作业，最后取平均值为最终分数。匿名随机评分使得每次的评价者都不一样，确保了评分的真实有效。

对学生作业互评效果展开问卷调查，得到的结果是：38%的学生希望作业匿名互评，26.7%的学生希望实名互评，21%的学生希望教师评分，14.3%的学生希望作业自评。学生反映“匿名评分更有效，实名评分很容易得罪人”“实名容易出现带有私人感情的打分”。对于作业互评的态度，17.3%的学生表示不太喜欢，总体来说大多数学生喜欢或不反对该评价方式。65.2% 的学生会去认真查看评价结果和评语，仅3.7%的学生表示不太留意评价结果。50%的学生认为作业评语能指出自身问题，对自己有所帮助，仅8%的学生觉得有不好的体验。67%的学生希望作业评语能指出自己存在问题和毛病，23.7%的学生希望从评语中得到表扬和鼓励，9.7% 的学生希望了解自己的优点和长处。66.3%的学生认为作业互评对学习反思有帮助，仅6% 的学生认为花费时间和精力，没什么作用。86.3%的学生在作业互评时会认真参照标准权衡打分，2.3%的同学打分比较随意，10%的学生喜欢都打高分。75% 的学生认为作业分数能体现自己的学习效果和水平。

研究表明：作业互评可有效提高评价效率，减轻教师工作量，提高评价准确性；随机互评能提高评价的公平性；采用等级制比百分制打分更高效；匿名互评比实名互评更受学生欢迎；写评语对学生的自我反思和学习激励有促进作用；作业互评能让学生发现自身不足，同时帮助同学改正问题，共同进步，以满足以评促学的需求。

3.2 过程性学习评价模型设计

学生画像是一种可视化学习分析技术，在分析学生数据的基础上，从不同维度全面、细致地对学生信息全貌进行抽提和刻画，能直观呈现学生的学习表现和特征[13]。通过文献和需求调研，借助人物画像方法构建评价模型，分成知识、行为和态度三个一级维度。“知识”是评价的核心内容，分为知识面、知识深度和知识迁移转化度三个子维度[14]（见表1） 。

3.3 过程性学习评价的数据分析、预测及可视化表征

以本校2021级237名英语专业学生为对象展开研究。数据均从对分易平台获取（直接下载excel文件），数据采集过程中不需要学生刻意配合，评分数据不做校准。将学生在线练习和作业成绩数据（不包含作业评语）通过运行Python脚本自动汇总、格式变换和数据清洗后进行预测和可视化表征。

1） 学生作业、在线练习与总评成绩的相关性

基于样本的相关分析结果表明，学生作业、在线练习得分与总评成绩均呈显著正相关。作业、练习得分与总评成绩之间呈正相关的线性趋势。通过计算Pearson相关系数（记为r） 得出作业与总评呈现高相关 （r=0.615） ，练习与总评呈现高相关 （r=0.603） ，作业与练习呈现中等相关 （r=0.482） 。

2） 回归模型评估与学习结果预测

基于Python环境，通过回归算法建立回归模型，预测学生的总评成绩及课程的通过率。模型的R2系数为0.59，RMSE为5.06，MAE为3.92。模型对成绩的预测值与真实值结果见图2。模型预测准确率为94% （误差分数在8分以内），预测出学生课程通过率是96%，总评成绩预测结果见图3。

研究表明：线性回归算法能较好进行预测。该算法模型易实现，数据收集便捷，操作简单，可作为一种实施性强的推荐方案。成绩预测可辅助教师尽早发现问题，及时预警作出决策。教师可将预测结果推送给学生，为其提供个性化指标，促进学生自我导向学习。

3） 评价模型可视化表征

全景加细节是信息可视化设计的重要原则，即先看全景，再缩放/筛选，最后按需呈现细节[15]。把评价数据转换为可视化图，能直观呈现全局关系，筛选重要信息，从而实时监控学情。图4展示了个人和班级评价结果的对比差距。图5是详情呈现，显示该生的成绩变化，并与全班平均水平作比较。数据可视化技术更好地帮助学生纵、横向比较，了解自己水平变化趋势和排名情况，促进学生自我反思和学习调控。利用箱型图和散点图的整合再现了学习过程，帮助教师监控班级和个体的学习过程变化，提升教学干预的质量。教师可将评分有异常的学生名单导出，及时发现“问题”学生，并进行有针对性的指导。

4 总结与展望

本研究利用智能时代的计算机技术，在实践中引领过程性评价的智慧运行。借鉴区块链的运作机理构建了过程性学习评价流程。以“作业展开学习脉络，评价贯穿教学过程、学生匿名随机互评”作为过程性评价的实施路径和方法，采用学生画像方法设计评价模型，基于Python环境，利用大数据、机器学习和可视化分析技术来实现过程性学习评价的数据采集、分析、结果预测和可视化呈现。和传统的评价方法比较，本研究利用作业互评和智能分析技术，能有效提高评价效率，减轻教师作业批改负担，帮助教师分析教学过程，降低数据认知负荷。学习结果预测能辅助教师发现问题学生，提高问题响应和教学干预效率。

后续研究中将主要关注两方面：1） 进一步完善过程性评价的学习激励机制，通过同步推送过程性评价结果和智能评语，帮助学生更好地自我导向；2） 进一步提高评价监控的敏感度，通过收集更多学生学习过程的个体差异数据，从而丰富干预手段，提高以评促改的效果；3） 基于学生过程性学习评价的历史数据进行诊断，并提供教学反馈和个性化资源。进一步提高评价平台的交互性，通过AI技术基于学生的知识水平、兴趣及需求实现个性化学习分析和指导。

参考文献：

[1]国务院.深化新时代教育评价改革总体方案[R].北京：国务院，2020.

[2] 杨5-开11城. .教育何以是大数据的[J].电化教育研究，2019，40（2）：

[3] 刘通，杨进中.基于区块链技术的高等教育学习评价探究[J]. 软件导刊，2020，19（5）：242-246.

[4] 杨鸿，朱德全，宋乃庆，等.大数据时代学生综合素质评价：方法论、价值与实践导向[J].中国电化教育，2018（1）：27-34.

[5] 胡立如，陈高伟.可视化学习分析：审视可视化技术的作用和价值[J].开放教育研究，2020，26（2）：63-74.

[6] 张曙光，.过程性评价的哲学诠释[J].齐鲁学刊，2012（4）：69-73.

[6] 上超望，韩梦，刘清堂，大数据背景下在线学习过程性评价系统设计研究[J].中国电化教育，2018（5）：90-95.

[8] 高凌飚.过程性评价的理念和功能[J].华南师范大学学报（社会科学版），2004（6）：102-106，113-160.

[9] 毛刚，周跃良，何文涛.教育大数据背景下教学评价理论发展的路向[J].电化教育研究，2020，41（10）：22-28.

[10] 丁念金.学习过程评价的基本构架[J].教育测量与评价（理论版），2012（6）：29-32，53.

[11] 汪琼，欧阳嘉煜，范逸洲.MOOC同伴作业互评中反思意识与学习成效的关系研究[J].电化教育研究，2019，40（6）：58-67.

[12] 李梅，刘英群，周潜.同伴评价的可信度与特点分析[J].电化教育研究，2016，37（9）：48-54.

[13] 余明华，张治，祝智庭.基于可视化学习分析的研究性学习学生画像构建研究[J].中国电化教育，2020（12）：36-43.

[14] 战锐.教师整合技术的学科教学知识（TPACK）模型研究[J].知识管理论坛，2019，4（4）：197-204.

[15] SHNEIDERMAN B.The eyes have it：a task by data type tax⁃onomy for information visualizations[C]//Proceedings 1996IEEE Symposium on Visual Languages. Boulder， CO， USA.IEEE Comput.Soc.Press， 1996：336-343.

【通联编辑：王 力】