▲点击图片购买本书
从“理论驱动”到“数据驱动”的范式转变
教育领域的范式不是一成不变的,旧的范式在科学研究的进程中可能得到发展完善,也可能退出历史舞台,而新的范式会出现,补充或取代旧的范式。这一动态的过程可能形成范式的转变,进而拓宽人们思考教育的视角,从本质上促进教育领域的变革。整体来看,教育范式在信息化进程中出现了从传统的“理论驱动”到“数据驱动”的转型。之所以教育范式发生了从“理论驱动”到“数据驱动”的转变,是因为一些问题在传统的理论视角下得不到满意的答案,而学习分析技术带来的希望,激励着人们去寻求新的研究视角来解答这些问题。
从字面上理解,“理论驱动”和“数据驱动”范式的区别在于解决教育相关问题的过程中,“驱动力”的不同。“理论驱动”范式指的是将“理论”作为解决教育问题的驱动力,即先根据已有的教育理论建立假设,再进行验证。“数据驱动”范式指的是将“数据”作为解决教育问题的驱动力,即不再仅凭个人经验,也不需要提出理论假设,而是直接从海量的数据中进行归纳,发现规律,从而得到解决方案。
从这个例子可以看出,传统理论驱动的范式往往通过假设检验来解决问题,依据理论建立假设的过程可能会受到前人经验和个人价值观的影响,而数据驱动的范式则倾向于直接从海量数据中发现关系,平台记录的所有数据都可以被收集用于进一步分析,这有助于减少主观认识的干扰,更加全面地了解并预测学习效果。由于数据驱动的研究范式具有这些独特的优势,教育者们对应用数据驱动变革传统教育展现出了浓厚的兴趣。在此背景下,旨在理解和促进教学的学习分析技术应运而生。
学习分析促进的教学变革
学习分析在教育范式向数据驱动转变的过程中占据了核心地位,它能够提供具体的技术应用方案,助力教师重新理解和设计学习,通过辅助教育管理者、教师和学习者促进教育的变革。
现代化教育治理是学习分析带来的变革之一,教育治理是多元主体共同管理教育公共事务的过程,其最终目标是建立高效、公平、自由、有序的教育新格局,进而更好地支持学习。运用学习分析技术,可以通过测量、收集、分析和报告等方式,将分散在不同时间、不同地点的学习数据应用于教育决策。现代化教育治理实现了从结果性监管转向基于数据的过程性动态监管,管理者利用数据平衡教育资源配置,实现对师资力量、学校经费、软硬件设备的精准配置,最大限度地保障学习,例如,北京市基于学习分析技术进行了师资配置改革的尝试——“双师服务”。
对于教师来说,学习分析作为教育领域系统变革的工具,促进了教学从“基于经验的拍脑袋”进步到“用数据说话”的循证教学。循证教学指的是教学的各个环节都遵循证据进行,数据分析结果提供的证据有助于规避教师主观独裁,强化教学的科学性和客观性。传统教学大多依据教师的自我主观判断,容易忽视学生的真实需求,甚至造成教学目标偏移。在数据驱动的范式指导下,学习分析技术辅助的循证教学着眼于课前、课中及课后全流程学习数据的利用。
课前,传统教学设计中的学情分析主要采用经验性和印象式判断,缺乏准确性且忽视了学习者的差异。学习分析技术进行预测的目的便是成为教师的“望远镜”,在掌握学习者学习情况的基础上,预测其对课堂教学效果的影响,寻找达成教学目标的最佳方案。课中,学习分析技术实现了追踪学生的学习轨迹,据此进行的实时预测为教师提供了及时的信息反馈,从而帮助其调整课中各种教学干预措施。课后,对于那些希望改善自己的教学的教师来说,数据支持下的教育评价改变了以考试分数和升学率为唯一评价指标的局限性,学习分析的实时记录能够实现对学生的动态评价,使教师能够更加全面地衡量学生的优势和不足。
学习分析促进的教学变革同样体现在帮助学习者理解自己的学习情况,特别是当在线学习中缺少教师监督的情况下,实现技术支持下的自主学习。学习分析技术可以预测学生的发展趋势,帮助识别出学生在学习过程中的潜在问题以及预测未来问题出现的可能性,给予学生反馈。学生可以根据自己的学习情况报告调整学习进度和学习活动,做出最适合自身发展的决策。
学习分析借助数据驱动的技术优势使得过去在科幻作品中才会出现的场景成为可能实现的课堂现实。可以说,学习分析的意义绝不在于纸上谈兵的教育想象,而是体现在丰富的教育实践中。
多范式并存的教育实践
尽管我们在前面介绍了从理论驱动到数据驱动的范式转变,但这并不意味着在目前或未来的教育实践中将彻底抛弃理论驱动的范式。相反地,教育实践中,从来都是多范式并存的,也许在某个时期存在一个占据主要地位的范式,但从未有过只有一个范式存在而其他范式完全退出的情况,图1-14描绘了数据驱动和理论驱动互相补充而形成的多范式并存的教育实践。学习分析技术聚焦“学习”这一教育中永恒不变的话题,通过关注以学习者为中心的教学活动,实现了数据驱动和理论驱动的融合。
正如图1-14描述的那样,开展有效教育实践的关键在于技术和经验的相辅相成。图1-15描绘了学习分析技术支持下的教学实践是一个以学习者为中心的系统循环过程,包括了数据收集、存储、清理、分析、可视化、实施六个阶段,这一学习分析的应用流程蕴含了理论经验和学习分析技术的共同作用。
在数据收集阶段,需要明确使用学习分析技术的目的,并选择目标数据来源(例如,数学课堂、慕课平台、学习管理平台等);在数据存储阶段,面对多源、异质、海量数据,既需要考虑存储方式(例如,采用集中存储还是分布式存储),确保涉及许多隐私信息的教育大数据的安全性和身份验证机制,还要能够提供以不同方式高效检索数据的接口引擎;在数据清理阶段,面对视频、文本等非结构性数据,需要根据不同的分析目标设计编码(例如,标注学生记笔记的行为,同伴沟通中提出反对意见的话语等);在数据分析阶段,围绕分析预测选择合适的工具和方法;在可视化阶段,将结果以何种形式(例如,代表结果的静态图表、突出过程变化的动态图表等)展示给哪些相关者(例如,教师、学生、家长等);在数据实施阶段,需要解读数据分析结果的报告并对学习者的学习进行反馈和干预,此阶段涵盖了教学策略的设计和对下一循环教育实践迭代方向的思考,集中体现了理论经验在基于学习分析的教育实践中发挥的重要作用。
人工智能与智能教育丛书
袁振国 主编
传播智能教育融合发展先锋理念
▲点击图片购买
PS:不知道大家有没有注意到,近期微信改变了推送规则,不是按照时间顺序来排序。
要想第一时间看到我们的好内容,可以每次读完后点个【在看】,或者把我们的公众号设为【星标】哦!这样你就不会错过我们的每一篇文章啦!
联系客服