基于数据挖掘技术的大学英语教学评估设计
一、引言
随着信息技术的迅猛发展，大学英语教学也日益多媒体化和网络化。移动学习也由于智能手机的出现，不再仅仅是遥不可及的构想。网络技术对于大学英语教学的影响主要表现为学习资源的极大丰富和时空的不受限制。语言学习与其它学科不一样，它对于多媒体资源的需求要更为强烈。文本、声音、图像和视频等多种形式的资源可以构成外语学习者的潜在语言输入源头。网络赋予学习者以海量的学习资源，使他们可以根据自己的学习需求进行个性化地选择学习。由于能够随时随地获取和使用网络学习系统中的教学资源，外语学习安排受到时间和空间的制约也要小得多，从而变得更加自由灵活。
可见，网络教学环境使大学英语学习资源极为丰富，学习活动也可以更加灵活，摆脱一定的时空限制。这两个特点使网络自主学习成为可能，但也引发了一系列相关问题。首先是学习资源的选择问题。许多学生面对大量的英语教学资源，往往不知道从何下手学习，其结果是要么不知所措，要么是漫无目的、深陷其中，收效甚微。如果老师对他们进行详细指导，则难免介入过多，无法达到培养自主学习能力的目的。其次是学生自主学习过程中的监控与评估。高校学生基本都是从小学开始就长期接受应试教育，教师干预全部学习过程，主动学习精神大多受到抑制，如果在大学阶段突然实行自主学习，没有教师的直接管理，他们往往不能主动学习，也不能主动学习。
二、大学英语网络自主学习教学评估
教育部2007年颁布的《大学英语课程教学要求》明确提出了大学英语教学的改革发展方向，其中提出了计算机和课堂相结合的教学模式以及形成性评估与终结性评估相结合等重要内容。本研究中所提及的大学英语教学评估主要是指这种计算机加课堂教学条件下的多元评估。随着个人计算机的大量普及和高校大学英语网络自主学习平台的广泛建设，大学英语网络自主学习成为许多高校大学英语教学中的重要组成部分。相应地，网络自主学习的教学评估问题就日益突出。
教学评估具有重要的导向作用，它可以引导教学方向，反馈教学信息。但是，当前教学评估模式已经不能满足当前网络自主学习加课堂的教学模式。第一，由于条件所限，传统的教学评估侧重于终结性评估，不能反映学生的学习过程，无法掌握学习的全貌，很难用于指导后续教学。第二，现在有些系统能够记录学生的在线网络学习状况（包括学习时间、学习内容、测试成绩等），采用了一定的形成性评估手段，但这些评估还尚停留在异步模式。评估结果不能实时反馈给学习者，无法用于同步跟进和指导学习。第三，教学评估还停留在静态模式。大学英语网络自主学习平台记录的在线学习状况只是一种静态数据，不能用于系统进行自动学习资源推送服务。静态数据需要学生或者教师自己进行分析加工，才能对教学产生作用。这样带来的不足之处就是，评估结果在时效性方面会受到影响，造成一定的滞后性，而且由于形成性评估数据量一般较大，没有专门的工具和专业的手段，其作用也会大打折扣，造成数据浪费。
大学英语网络自主学习模式的推行一方面要求改革教学评估手段，另一方面也为实施先进的教学评估提供了物质基础。充分利用网络自主学习平台，进行计算机支持下的教学评估创新具有重要的现实意义。采用计算机软件进行教学评估并辅助教学可以进一步挖掘网络自主学习平台的教学潜力。简单说来，可以有以下几个创新方向。第一，利用数据挖掘技术深度挖掘形成性评估数据的教学价值。数据挖掘技术能够自动发现不为普通人所注意到一些模式和规律。比如成功的学习者或者失败的学习者，所表现出来的学习模式有何差异，可以具体到学习内容及时间的分布等细节。这些模式和规律能够用于指导后续教学。第二，结合教学评估实现动态推荐学习内容和给出个性化指导。通过自动数据分析，计算机能够发现热门学习资源，掌握学生的学习兴趣和动向。根据这些信息，自主学习平台可以自动推荐学生可能感兴趣的学习资源，以便学生及时使用；教师就或者网络管理员也能够有针对性地动态调整学习内容的布置，并做到更新相应学习资源。第三，使用数据挖掘技术可以即时分析教学评估结果，并将结果反馈到后续学习指导之中，从而实现真正意义上的评估教学相结合。
三、基于数据挖掘技术的教学评估设计
（一）数据挖掘技术
数据挖掘（Data Mining）又称数据库知识发现（KDD， 即Knowledge Discovery in Database），它将计算机与统计学相结合，通过一定的算法，可以从大量的原始数据中找出隐含的、有价值的知识。由数据挖掘技术所发现的规律和模式对于市场营销中锁定潜在客户等商业决策很有帮助，因此得到较广泛的应用。目前，数据挖掘技术在教育领域尚没有得到足够的重视，但是也有少量的相关研究（比如：刘飞兵， 2006；丁卫平 et al.， 2009；吴羊， 2010）。大学英语网络自主学习平台可以记录大量的学习行为数据，如果这些数据不作加工，就直接导出给普通大学英语教师，它们很难发挥应有的作用。数据挖掘技术可以从学生的形成性评估数据中发现隐含的、有价值的信息，从而促进大学英语教学。
数据挖掘具有各种各样的功能，关联分析是其中之一。在评估数据中，若两个或多个指标的取值之间存在某种规律性，就称为关联。关联可分为简单关联、时序关联、因果关联。关联分析的目的是找出数据库中隐藏的关联网。大学英语教学评估数据包括单项学习内容及时间（指听读等），练习内容及时间，自测时间和成绩等各项内容。作为教师，及时了解学生学业水平与不同学习内容及时间的关联性、学习安排的时序特征等等，将有助于后续教学策略实施。同时，如果网络自主学习系统能够根据数据挖掘结果动态发出学习提示和资源推荐，这样就基本实现了评估与教学的无缝对接，也达到了提升学生自主学习能力的效果。 （二）教学评估设计
为后续数据挖掘奠定基础，对教学评估内容进行设计。为体现网络自主学习中的形成性评价优势，这里侧重于形成性评价的指标设置。
1. 每个学生拥有一个ID号，将相关评价指标数据与之关联。将每个学生的数据资料建设个人学习电子档案，以此作为学生形成性学习评价的原始材料。用数据挖掘中的术语来说，每个学生的数据就是一个事务（transaction），每个指标的测量值构成了一个项（item）。
2. 在线测试记录。测试类型包括两类。（a） 单元过关测试。每一个教学单元设置单元过关测试，用于学生对前期学业内容完成情况的检测，以了解自己的学业进展，从而调整自己的学习进度，也方便教师把握学生的学习情况，以展开相应教学。（b） 自我测试成绩记录。一般性的日常语言技能练习成绩记录，如：听写单词、四级题库测试等。记录内容包括成绩、答题情况、时间等细节。
3. 网络学习痕迹评估。内容包括如下几个方面。 （a） 在线学习内容及时间记录。通过账号登录方式，电脑记录在线学习内容和时间，这些数据将成为学习过程的重要评价依据。 （b） 论坛发贴活跃情况。用英语就某些问题发贴展开讨论，其回复情况也能加以记录，根据回复内容和数量评定其活跃程度。 （c） 在线咨询记录。这是与教师互动情况记录，也可以作为形成性评价的重要依据。（d） 博客写作记录。要求用英语写作，其博客的写作情况和回复情况也可加以记录，结合博客写作水平进行综合评价。
4. 学生自评与互评记录。学生可以对自我的学习状况进行评价，同时学生之间可以直接相互就学习能力和水平加以评价，也可以以论坛回复或者评论博客甚至对帖子和博客直接加分方式进行评价。
（三）数据挖掘算法设计
根据评估与教学辅助相结合的需要，我们可以进行关联分析、分类、聚类分析和孤立点分析等等。
关联分析主要用于发现学生不同学习内容之间的关联性。采用常规的关联规则挖掘方法，详情参见数据挖掘相关书籍（比如：Tan et al.， 2006）。关联规则中的支持度和置信度由教师或者网络学习管理员根据经验进行设定。关联规则挖掘过程主要包含两个阶段：第一阶段从评估数据中找出所有被学习较长时间的学习内容，这个时间长度门槛可以自己设定，也可通过排序确定最长时间的前几名。第二阶段再由这些热门学习内容中产生关联规则（Association Rules），其中的最小信赖度（Minimum Confidence）门槛也可以根据经验自行设定。
通过数据挖掘中的分类用于发现不同水平外语学习者所呈现出来的评估数据特征模型，并可借此预测一定形成性评估数据下所反映出的外语学业水平。具体来说，可以将学习者根据期末学业成绩分成A-E五个档次，然后根据数据分析出每个档次学生在自主学习网络平台上所表现出来的学习特征。这些学习特征将有助于教师改善教学方式。
聚类分析不同于前面的分类。分类分析是先行根据学业成绩给学习者贴上标签，这种标签化未必准确。聚类分析只是根据形成性评估数据的相似性将学生进行分组。同一组内的学生在形成性评估数据方面表现出较高程度的相似性。这种分组通常很难通过人工发现。分组结果对教师教学也会有积极帮助。
另外，对评估数据进行孤立点分析可以监测出学生在自主学习平台中的舞弊行为。
四、结论
本文分析了当前网络自主学习模式给大学英语教学带来的机遇和挑战。针对需要解决的众多问题，本研究从教学评估入手，提出采用数据挖掘技术，实现评估与教学相结合，做到评估监控教学、改善教学，在评估中学习和在学习中评估。由于篇幅所限，本文仅仅是概念化陈述，停留在设计层次，具体实验及实现结果将留待另文撰写。
- 上一篇：师范美术教育中现代艺术教学之我见
- 下一篇：幼儿双语教学热的冷思考
