高校自建与公共教学云平台的教学效果比较研究

    邱实 罗元盛

    

    

    

    摘?要:基于云平台的教学方式扩展了教与学的时空,延长了学生的学习过程,使得学生能充分利用碎片化的時间进行学习。本文运用数据包络分析(DEA)模型对比研究了自建教学云平台和公共教学云平台在高校教学中的教学效果,研究结果表明自建云平台的教学效果较好。然后分别从技术效率、规模效率等角度分析了自建和公共云平台教学中存在的问题,为基于云平台的高校教学改革提供了改进思路。

    关键词:云平台; 教学效果; 数据包络分析

    中图分类号:G642.0

    文献标识码:A?文章编号:2095-5995(2020)09-0093-05

    一、引言

    基于云的教学平台扩展了教师教学的时空环境,延长了学生的学习过程,并且增加了学生学习的宽度和深度。然而,高校教学还无法完全在云平台上实行。已有教学云平台主要是自建云平台,作为高校课堂教学的补充,帮助教师与学生更好的进行课后的学习和交流。同时,也可以用于记录学生的学习过程和教师的教学过程,为各个高校基于教学大数据的教师绩效评价与监管提供帮助。

    今年,受新冠肺炎的影响,很多高校完全采用公共云平台进行在线教学,使得在线教学正式成为传统课堂教学的替代方式。新冠肺炎大流行期间的公共云平台教学与以往的自建云平台教学存在很大不同。Dai等人研究了新冠肺炎大流行期间南京的两所中学里实行在线教学的情况。通过分组对比两所中学的情况,他们认为利用自建在线教学平台进行教学的学校取得了更好的教学效果[1]。为了应对新冠肺炎大流行期间停课不停学的需求,北京师范大学编写了三份指导手册。这三份指导手册分别提供了7种灵活的在线教学策略,为学生在学校关闭期间自学提供指导,以及为高校教师提供在线教学方面的指导[2]。

    如上所述,针对自建云平台与公共云平台教学效果,目前相关的研究较少,已有的研究工作也没有针对高校教学云平台的教学效果进行分析。基于此,本文研究运用DEA模型比较自建和公共云平台的教学效果,为高校基于云平台的教学提供经验指导。

    二、研究现状

    教学是教师和学生互动的过程。学生作为教学对象,其预期的学习效果能最有效的反映教师的教学效果。所以,本文通过学生的学习效果来比较自建和公共云平台的教学效果。由于学生学习过程的复杂性和难测性,已有的对学生学习效果的评价重结果而轻过程[3]。而对学生学习过程的评价更能反映教师的教学效果,并促进教师对教学过程的改进。已有的过程性评价也存在对教学过程渗透性不足、评价过于主观等问题[4-5]。数据包络分析方法(Data Envelopment Analysis, DEA)定量分析学生学习的投入和产出以构建学习的最优前沿面,用于评价学生学习的相对有效性。这样基于学生学习过程的评价能得到教师教学效果的形成性评价,也能更客观和更准确的反映教师的教学效果。

    数据包络分析法已经广泛运用于评价教学效果。袁莺楹、刘红梅、葛文璇(2013)运用DEA方法评价了高校课程学习的教学效果,并分析了原因[6]。晋兴雨等(2018)运用DEA方法对高校的教学和科研绩效进行了评价[7]。卢紫荆(2019)运用DEA方法对学生在线学习效率进行了评价[8]。而本文则是首次采用DEA方法对高校自建云平台教学和公共云平台的教学效果进行对比分析,为进一步实施基于云平台的教学提供实践经验,也可以为未来基于云平台的教学改革提供借鉴。

    教学效果的评价除受教师个人教学水平影响外,还受到学生学习态度、学习能力、学习兴趣等诸多因素的影响。所以,本文构建DEA模型进行教学效果评价时,充分考虑了上述因素的影响。殷安生(2016)从教学过程的角度选择课堂讨论、专题讨论等要素作为评价教学效果的评价指标[5]。文学舟(2019)通过构建结构模型研究了高校教师教学的影响因素,研究结果发现学生的学习行为对教师的教学效果有显著正向影响,比如学生学习时间的安排、学生的学习努力程度等[9]。基于上述研究,自建云平台方面选择了学生的云平台使用情况(登陆次数、在线时长等)和平时成绩作为学生努力程度的反映,即DEA模型的投入指标;公共云平台方面,本文选择视频观看次数、课堂讨论等作为DEA模型的投入指标。

    学生对教师教学效果的评价可以为教师改进教学内容和方式提供反馈信息,最终提高教师的教学效果。郑勤华等(2013)认为除学习成绩外,应该将学习满意度、学习兴趣等也作为教育产出[10]。Fuenters等(2015)使用DEA模型研究高等教育的教学效果,以学生的满意度作为输出指标,研究结果显示学生对课程的满意度是影响教师教学表现的重要因素[11]。Javalvand(2017)通过将学生满意度、自学的过程(学习压力等)作为DEA模型的输出变量,测量了在线学习的效果[12]。所以,本文选择学生的满意度、学习信心和兴趣、学习压力等作为DEA模型的产出指标。

    在已有的研究成果的基础上,本文以学生的学习投入和产出为研究对象,运用数据包络分析方法的BBC和CCR模型对自建和公共云平台的教学效果进行了评价和分析。该模型从过程评价的角度对教学效果进行评价,主要解决以下几个问题:

    1.如何确定基于DEA模型的教学效果评价的投入和产出指标?

    2.如何运用DEA模型对自建教学云平台教学效果进行评价?

    3.如何运用DEA模型对公共教学云平台教学效果进行评价?

    三、研究设计

    (一)研究数据

    本文自建教学云平台采用长沙学院的网络教学平台。该平台创建于2011年,由清华大学教育技术研究所提供技术支持。自建教学云平台主要为师生的教与学提供辅助支持,包括课件发布、作业布置、网上答疑、在线讨论等。本文以2019年3月-2019年7月参与审计学课程学习的214名16级财务管理学生为研究对象,并获得其在自建教学云平台上的学习数据。

    受新冠肺炎疫情的影响,本校学生通过中国大学MOOC和超星慕课平台进行全在线学习。所以,公共教學云平台选择2020年3月-2020年7月在中国大学MOOC上参与审计学课程学习的136名17级财务管理专业学生为研究对象,并获得其在中国大学MOOC上的异步SPOC课程的视频观看数据和慕课堂在线课堂的学习数据。

    (二)研究指标

    由于自建云平台只是作为课堂教学的辅助手段,在构建DEA的教学效果评价模型时,需要同时考虑课堂教学和网络教学云平台的学习数据。本文选择平时成绩、系统登陆次数、课堂进入次数、阅读公告次数、资料下载次数、作业提交次数和在线时长(分)为模型的投入指标,课程考试成绩、学习满意度、学习信心和学习兴趣为产出指标。其中,平时成绩和课程考试成绩取自教师课堂教学记录;系统登陆次数、课堂进入次数、阅读公告次数、资料下载次数、作业提交次数和在线时长的数据取自自建教学云平台;学习满意度、学习信心和学习兴趣的数据通过问卷调查获得,具体定义见表1。

    如表2所示,在投入指标方面,学生平时成绩较高,均值达到85.86分;自建云平台中学生系统登陆次数、课堂进入次数、阅读公告次数、下载资料次数、作业次数以及在线时长的波动较大(各变量的标准差大于或接近于均值)。产出指标方面,考试成绩较差,均值为68.56;而学生的学习满意度和学习兴趣较高,平均值达到最高值的80%;学习的学习信心还有些低,均值接近最高值的70%。

    由于疫情影响,本文公共教学云平台承担了教师的全部教学任务,即全在线教学。所以,本文只考虑了中国大学MOOC上的学习数据。中国大学MOOC的学习数据包括异步SPOC视频课程和慕课堂在线课堂两部分,本文选择视频观看次数、视频观看时间(秒)、出勤率、课堂练习、课堂讨论5个作为DEA模型的投入指标,学习压力、理解力和学习过程3个为产出指标。具体定义和计算依据见表3。

    如表4所示,在SPOC课程视频观看次数和观看时长方面,学生间的差距比较大。慕课堂的在线课程中,学生的出勤率较高,均值达到最大值的95%;学生课堂讨论和课堂练习的平均参与度不够,均值不到总分的80%。最后,与课堂教学相比,学生在公共平台的学习压力和学习难度更大(均值小于2),而学习过程较方便(均值大于2)。

    三、研究结果

    根据DEA模型得到自建云平台和公共云平台的教学效果的技术效率、规模效率和纯技术效率。其中,规模效率乘以纯技术效率等于技术效率。

    (一)技术效率分析

    技术效率反映了总教学效果。技术效率为1时,说明学生学习效果为有效;技术效率小于1且大于0.8时,学生学习近似有效;技术效率小于0.8说明学生学习是无效的。如图1所示,自建云平台的技术效率无效占比36%,而公共云平台的技术效率占比为54%,这说明自建云平台的教学效果较优,公共云平台(全在线教学方式)的教学还没有办法完全替代课堂教学。

    (二)非DEA有效单元的分析

    图2反映了自建云平台的和公共云平台的非DEA有效的学生的对比分析。在图2中,规模无效指的是学生的纯技术效率为1,而规模效率不为1;纯技术无效则是学生的规模效率为1,而纯技术效率不为1;无效说指学生的纯技术效率和规模效率都不为1。上述三种情况都会导致学生的总技术效率为无效。在自建云平台上,学生学习无效的主要原因纯技术无效(纯技术无效40%+无效54%),即学生的学习技巧和学习方法需要改进。在公共云平台上,有70%的学生由于规模无效导致学习效率为无效,即学生的在线学习的努力程度存在问题。

    (三)规模效率分析

    规模效率反映学生在云平台上的学习努力程度。如图3所示,学生在自建云平台上学习的规模报酬不变占比最大,规模报酬递减和规模报酬递增的比重接近,这反映了学生在自建教学云平台的学习努力程度较合理。而在公共云平台上,学生学习的规模报酬递减所占比重最大,达到54%,其次是规模报酬不变,规模报酬递增仅占5%。 这说明学生学习的努力程度投入不合理,主要表现为投入越多,学习效率反而越低。

    四、研究结论

    本文运用DEA模型比较分析了高校自建云平台和公共云平台的教学效果,结果显示自建云平台的教学效果要优于公共平台。针对非DEA有效的学生,自建云平台的学生需要改进学习的方法和技巧,公共云平台的学生需要进一步提高在线学习效率。最后,在规模效率方面,学生在自建云平台的学习投入程度较合理,而在公共云平台的学习努力程度存在规模报酬递减。

    五、讨论和建议

    从定量分析结果可以看到,公共云平台虽然在技术效率为1部分优于自建云平台,但是整体上的技术效率却较低。而通过非DEA有效单元的分析和规模效率分析可以看到,学生在公共云平台上的学习效率较低的原因是在线学习的努力程度不够。这说明公共云平台在线教育方式更适合于自律性较好,自我激励能力较强的学生。由于公共云平台在线教育将所有的教学资源搬到了公共云上,一方面可以让学生自由、方便的进行学习,另一方面,公共云平台不能满足不同层次学生对教学差异性的需求。虽然公共云上的大部分资源都是教育部认可的优质教育资源,但是与不同学校的教学安排、教学大纲及学生水平并不一定契合。而且由于公共云上的在线课程并不属于某个高校自己的特有课程,学生缺乏身份认同感,缺乏学习的紧迫感和严肃性。虽然高校教师可以在公共云平台上自建课程,但是如果高校有自己的私有云平台的话,这些自建课程完全可以放在私有云平台上。从资源利用效率的角度来说,公共云平台适合于资金较紧张,缺乏技术实力进行平台维护的高校。而对于有实力自建云平台的高校,从学生学习效率的角度考虑,并进一步考虑到数据的安全性、可靠性和可用性等因素,私有云平台是一种更好的选择。

    参考文献:

    [1]Dai D, Xia X. Whether the School Self-Developed e-Learning Platform is More Conducive to Learning during the COVID-19 Pandemic?[J]. Best Evid Chin Edu, 2020,5(1):569-580.

    [2]Huang RH, Liu DJ, Zhan T,Amelina N, Yang JF, Zhuang RX, Chang TW, Cheng W. Guidance on Active Learning at Home during Educational Disruption: Promoting students self-regulation skills during COVID-19 outbreak[R]. Beijing: Smart Learning Institute of Beijing Normal University, 2020:45-62.

    [3]曾云. “以學生为中心”理念下高校思政课教学效果调查研究[J]. 教师教育论坛, 2017, 30(01):51-57.

    [4]李剑欣,赵建强. 过程导向的高校教师教学绩效评价指标体系设计[J]. 河北经贸大学学报: 综合版, 2015( 1) : 93-95.

    [5]殷安生, 袁周敏. 面向过程的教师教学效果评价综合评估模型研究[J]. 黑龙江高教研究, 2016(12):67-71.

    [6]袁莺楹, 刘红梅, 葛文璇.基于DEA方法的高校课程学习评价研究[J]. 高教论坛, 2013(06):91-94.

    [7]晋兴雨, 张英姿. 于丽英.高校教学与科研综合绩效评价研究——基于DEA模型的实证分析[J]. 教育发展研究, 2018, 38(19):7-15.

    [8]卢紫荆, 刘紫荆, 郑勤华. 基于DEA的在线学习者学习效率评价[J]. 开放学习研究, 2019, 24(02):30-38.

    [9]文学舟, 梅强, 关云素. 高校本科专业教学效果影响因素实证研究[J]. 高校教育管理, 2019, 13(01):110-118.

    [10]郑勤华, 曹莉, 陈丽, 吴云峰. 远程学习者学习绩效影响因素研究[J]. 开放教育研究, 2013, 19(6):88-94.

    [11]Fuentes, R., Fuster, B., & Lillo-Bauls, A.?A three-stage DEA model to evaluate lear ning-teaching technical efciency: Key performance indicators and contextual variables[J]. Expert Systems with Applications, 2015, (48):89-99.

    [12]Jalalvand, Z.& Navabakhsh, M. Evaluation of the Performance of the systems distance learning education in Iran education system using data envelopment analysis[J]. Palma Journal, 2017(16):80-90.