远程教育中学习者行为的学习评价策略

［摘要］随着大数据、人工智能等技术的快速发展，教育智能化也逐步应用到远程教育中，远程教育中对学习者进行有效的学习评价是保证教育健康发展的有效措施。该文通过对目前远程教育中对学习者学习评价所存在的问题，以学习者在线学习行为为基础，从学习者主动性、积极性、学习效果等方面给出了基于学习者的学习评价策略，为远程教育学习评价提供了新的参考。

［关键词］远程教育;学习评价;评价指标

一、背景

随着信息技术的快速发展，以互联网、云计算、大数据、物联网、人工智能等为代表的信息技术在教育领域中的应用越来越广泛，教育行业由传统的面授模式逐步向智能化、自动化和数字化转变，慢慢形成了“时时可学、处处可学”的特质。其中，又以远程教育为代表，它推进了人才模式培养的创新，使得教育更大众化、广泛化，让更多的人能够学习知识，不断提升自我，成了成人教育的主要形式之一。伴随着远程教育的长足发展，越来越多的人参与到远程教育和成人教育中。在远程教育中对学习者进行有效的学习评价是保证教育健康发展的有效措施。学习评价不光是对学习者课程最终成绩的评价，也是激励学习者学习，促进学习者在学习过程中不断自我完善的重要依据。远程学习与传统学习最大的区别在于，学习者可以根据自己的时间随时，随地进行自主学习，教师与学习者处于不同地理环境，教学分离，在方便了学习者的同时，也对学习者的自主学习能力提出了考验，在纯粹在线的环境下，如何对学习者的学习进行综合全面的评价是在新技术环境下对学习评价提出的新课题。目前的远程教育，成人教育在学习评价方面还存在着以下问题。(一)参与人数多，但学习效果不佳。目前四川广播电视大学开放教育学生达18万多人，随着普通高校网络学院招生规模逐步缩减，开放教育学生人数还会逐年增多，但课程通过的人数两极分化比较严重。学期伊始，注册课程的学习者很多，但有部分学习者因为种种原因，没有坚持学习，最终未完成该课程。(二)重结果，轻过程。目前的评价体系仍然沿用传统教学中的考核方式，主要对期中，期末考试结果按一定比例辅以平时成绩的评价形成总评成绩。平时成绩中加入上线情况，形成性作业及任务完成情况。这种方法只看了结果，对学习的过程缺乏必要的监控和评价，有的学生在学习伊始遇到问题，或者重视程度不够，导致学习进度较慢，但这样的情况未得到及时的发现，导致因为学习吃力或者学习时间不够，最终放弃课程。(三)没有符合远程教育，特别是针对成人群体的学习评价标准。目前的学习评价标准主要参考了传统教学的评价方式，不太符合在线教育的现状。在线教育多为学生自主学习为主，但同时教学的效果是需要一个长期的跟踪和监控，学习的评价也应该是一个阶段性的工作。学习评价不仅是对学习者学习课程的一个评价，同时也为学习干预提供了重要依据，通过对学习者各阶段的学习效果评价，学习者可以根据不足，调整自己下一阶段的状态，同时教师可以根据学习者的学习状态予以及时的干预，从而增强学习者学习兴趣，提高学习质量。此外，目前对于学习者的学习评价大多都集中在学习效果中，但学习者的学习态度，学习能力等多方面因素都应该考虑到评价中，从而有利于对学习者进行多方面综合的评价。在传统教学活动中，由于老师面对面讲授，学习者的平时学习状态可以通过出勤、发言、上课听讲状态，课堂练习，作业等形式得知，教学效果也可以从试卷得分中得到，但在线环境下，老师与学习者是分离的，学习者的学习状态，学习效果只能通过在线平台的学习行为数据得知。但随着学习分析技术的发展，能获取这些基本数据，通过整理，分析加以人工智能技术，能得到关于学习者较全面的学习评价。本文就在此基础上，针对前述问题提出了基于学习状态的学习评价策略。

二、学习评价策略模型

(一)分阶段评价

评价不是目的，而是手段，通过对学习者学习的评价使得学习者在自身改进和教师教学干预的情况下对学习进行不断完善，同时，也有助于教师调整教学内容，教学形式，教学资源，从而最终达到整体教育效果的提高。因此，评价需要贯穿在学习者的整个学习过程中，根据学习者学习状态效果的综合评价对学习者学习进行监测和适时干预，减少学习者临时抱佛脚的情况，同时有利于对学习者的状态进行调整，激励初学者坚持学习。通常情况下学习评价可以以月为单位划分阶段。

(二)评价指标的确定

1．数据来源和选择

多元化的在线学习平台给数据收集提供了基础，利用计算机，移动终端的在线学习平台，能记录学习者的行为，这些行为从不同方面反映了学习者的学习状态和效果。记录的多种不同的行为为总结学习者的不同学习状态和效果提供了重要的数据支持，使得评价更为立体。在从学习平台中收集了学习者的学习数据后，需要对数据进行清理。数据清理是指对数据重新审查和校验，清除异常数据、纠正错误数据和统一数据格式，实现数据的一致性。数据集成能把多个数据源中的学习数据整合起来，统一存储到数据仓库中，减少数据冗余行为。在在线环境下的学习评价中，特征的选择也很重要，特征选择(属性选择)是进行关联分析，分类，预测等操作的基础。但如果将每一个学习行为数据都作为一个特征进行评价判断，也会造成不必要的冗余和计算的复杂性。在众多特征数据中选择哪些数据参与评价呢?可以根据经验，或者找到该领域懂业务的专家，给出目标评价所需要的特征，再在平台中寻找是否有合适的数据可以对应。或者可以通过统计学的方法来对相关特征进行筛选。选择与制定评价目标相关度高的数据作为特征，这样的特征选择方法有很多，例如在weka中使用filter(过滤法)按照发散性或者相关性对各个特征进行评分，设定阈值或者待选择阈值的个数，选择特征。或者使用皮尔逊系数，通过计算各个特征对目标值的相关系数以及相关系数的P值，得到衡量相关性，但这类相关性只能衡量线性关系的相关性。例如:在目前实施的国家开放大学的学习平台或我校现有的学习平台中，按照多元化评价的目标，从现有系统中首先不需要加入评价的数据指标，例如:“是否停用”“下载次数”“学习中心标号”“课程名称”等数据，同时，使用过滤法和经验结合，最终选择了“在线时长”“学习时间”“作业次数”“作业分数”“发帖数”“回帖数”等数据作为学习评价的指标。

2．评价指标的考量

按经验和相关性的反复验证，我们拟定从学习效果，学习主动性，学习自主性三个方面来对学习者进行评价。学习效果即为常见的阶段性成绩，包括作业分数，半期成绩，期末成绩等指标，由于是按阶段给予学习者评价，若该阶段进行了半期成绩则记录半期成绩，若该阶段有期末成绩则记录期末成绩，若只有作业分成绩，则将作业成绩的平均值作为该阶段的学习效果值;学习主动性是指是否该阶段学习者积极主动参与到学习中的程度，主要反应在答疑和论坛上，学习的主动性用活跃度(activity)来表示，可以看作是发帖和回帖的线性关系。学习自主性主要参考学习者在线时长、学习时长、完成作业次数等指标。通过对得到的主动性，学习效果，积极性三个数据的标准化操作，得到该阶段该学习者的评价度(线性关系)。

3．模型构建

学习者评价模型的构建。其中包括数据来源，数据分析，评价结果展示，评价结果反馈四个部分。在某一个阶段先从学习平台手机学习者相关行为数据，通过数据预处理，按不同的评价指标，得到该阶段该学习者的评价值。评价的结果和相关数据以报告形式展示和反馈给学习者和教师，学习者可以根据评价值调整自己的学习状态，教师可以根据评价值给需要干预的学习者予以适当的教学干预，包括调整下一阶段进度，对上一阶段不足处增加练习和学习的时间等。各阶段的评价值通过加权线性关系在最后一个阶段，得到最终评价值，此时的权重需要考虑学习积极性，学习主动性，学习效果的所占比例，以及各评价信息点的分值转换进行设定，以帮助多方评价主体对学习者参与的在线学习活动质量进行全面分析和评价。

三、小结

本文所提出的针对学习者行为的学习评价策略，从学习的整个过程分阶段对学习者各个方面进行评价。通过评价，能够发现问题，及时调整，使得学习者能坚持学习，优化学习进程，提高学习质量。学习者评价的反馈，有利于学习者的自我改进，对学习者自主学习能力提高提供了指导。在接下来的工作中，将具体量化该评价策略，将其应用到目前的远程教学平台中。目前整个学习评价采取的都是显性特征，在后续研究中将加入学生学习动机等隐性特征，多渠道挖掘可供进行过程评价的指标，改进模型，使其真正能反应学习者的学习成果，同时有效地改善学习者学习效果。

参考文献:

［1］洪宣容，洪涛．成人在线学习的研究现状与发展趋势［J］．成人教育，2019(2)．

［2］王涛涛，毛晨蕾．基于学习分析的在线课程学习效果评价研究［J］．中国成人教育，2018(17)．

［3］廖诗艳．当代远程教育学习绩效评价探索［J］．中国成人教育，2018(16)．

［4］郭莹，李继梅，吴莎莎．远程教育学生学习激励机制现状与优化研究———以北京开放大学为例［J］．高教学刊，2019(3)．

［5］上超望，韩梦，杨梅．基于大数据的在线学习过程性评价涉及研究［J］．现代教育技术，2018，28(10)

作者：王力洪 徐维 王祖俪 单位：四川广播电视大学 成都信息工程大学