基于學生電子學檔的教師教學反思方法研究

吳鵬澤　劉廣

摘要：教師專業(yè)發(fā)展是教育質(zhì)量提升的保障。教師的教學反思是其獲得實踐性知識的重要途經(jīng)，是教師自我發(fā)展進入良性循環(huán)的推動力。有效的教學反思能幫助教師理解和學習教學經(jīng)驗，并重新建構教學實踐，從而提升培養(yǎng)人才的效果。該研究基于學生的電子學檔數(shù)據(jù)，建構基于學生電子學檔的教師教學反思路徑?；诮處熃虒W反思的思維過程，將大數(shù)據(jù)支持的教師教學反思流程分為反思數(shù)據(jù)量化表達、反思影響因素判別、反思分析、基于反思的歸因和基于反思的實踐。在此基礎上，設計基于學生電子學檔的教師教學反思模型。包括基于學生電子學檔的學情數(shù)據(jù)獲取、基于關聯(lián)規(guī)則算法的教學反思因素集判別、基于支持向量機的問題反思、基于結構方程模型的教學反思歸因及基于用戶協(xié)同過濾算法的教學修正方案推薦五個部分。研究探索了教學反思過程中利用學生學習檔案數(shù)據(jù)，解決教師個體反思能力和反思層次差異的問題，以期幫助教師進行智能化決策。

關鍵詞電子學檔;教學反思模型;教育大數(shù)據(jù);關聯(lián)規(guī)則算法;支持向量機;結構方程模型

中圖分類號：G434 文獻標識碼：A 文章編號：1006-9860（2021）02-0089-08

一、引言

《中國教育現(xiàn)代化2035》將利用現(xiàn)代技術實現(xiàn)規(guī)?；c個性化人才培養(yǎng)，建設教師專業(yè)發(fā)展體系作為重要的教育現(xiàn)代化戰(zhàn)略任務。教師專業(yè)發(fā)展長期以來存在兩種截然不同的范式：“技術熟練”型教師發(fā)展和“反思實踐”型教師發(fā)展"。隨著劃一、被動、個人主義傾向的學習觀向個性、能動、合作的學習觀轉(zhuǎn)變，“反思實踐”型教師培養(yǎng)成為趨勢。

信息技術支持的教育數(shù)據(jù)采集，生成數(shù)據(jù)豐富的學生電子學檔給教師的教學反思提供了新思路。如何將學生電子學檔的內(nèi)容與教師教學反思建立起相關關系，幫助教師及時準確掌握學習過程中的學生狀態(tài)和學習質(zhì)量，實現(xiàn)教學反思的個性化與智能化指導，提升教學質(zhì)量與教師專業(yè)發(fā)展，成為了一個重要的研究問題。

二、研究現(xiàn)狀

教學反思思潮自上世紀80年代在歐美興起，迅速影響世界教師專業(yè)發(fā)展的理論和實踐。

（一）反思與教學反思模型

“吾日三省吾身”，儒家采用的樸素的“內(nèi)省”式反思，至今仍是反思的最一般模式。反思成為一個哲學概念，由約翰。洛克開始，他提出反思是觀念的來源之一以，是一種以思維過程為對象的元認知活動。

SchonDonald提出“反思性實踐”的概念，消解了教育理論與實踐的二元對立，建立了理論與實踐循環(huán)互動、“修辭框架-活動框架”不斷重建的反思模式。埃拜基于杜威和柯爾伯格的理論，構建了“反思性計劃、反思性教學、反思性評價”周期模型，模型以計劃為相對起點。愛德華茲和布朗托則構建了包含個體到集體、個人到社會的二維四象限的教學反思模式。馬克斯。范梅南構造了直線型模式，包括“行動前反思-行動中反思-智慧性行動-行動反思”四個階段。

以上教學反思模型以經(jīng)驗反思觀為基礎，反思路徑多指向教師內(nèi)省及課堂教學的教師行為。實施過程主要通過對教學過程的忠實記錄或教學情境回憶的思考，而基于學生角度的數(shù)據(jù)支持的教學反思研究較少。

（二）技術支持的教學反思

基于個案或小樣本的主觀反思受教師反思能力和水平影響，利用大數(shù)據(jù)等新一代技術和工具分析教學行為促進教學反思的研究成為新熱點。

用作反思數(shù)據(jù)來源的主要是反思日志文本和教學視頻兩類。王佳瑩等從練習證據(jù)、分析框架和支持協(xié)作方面分析了視頻標注工具在教學反思中的應用。有學者通過收集課中、課后的學生學習行為數(shù)據(jù)預測學習效果5，進而支持教師的教學反思;大數(shù)據(jù)技術的出現(xiàn)，讓教師能獲得多模態(tài)、低價值度的教學大數(shù)據(jù)作為反思參照要素，而對MOOC等開放課程資源應用大數(shù)據(jù)技術進行教學分析，是普遍采用的方法。邱歡堂等使用余弦理論比較反思文本與語料庫文本的差異，根據(jù)最大相似度預料文本的等級及閾值，構建反思模型實現(xiàn)反思內(nèi)容自動評估。吳清等人使用決策樹、貝葉斯網(wǎng)絡、神經(jīng)網(wǎng)絡和支持向量機構造了不同的在線學習成績預測模型，基于學習預測信息進行教學反思。

綜上，大數(shù)據(jù)技術、學習分析技術等信息技術支持了教師的教學反思。但缺乏從學生的學習視角分析教學反思問題的研究。

（三）電子學檔數(shù)據(jù)的挖掘

學生的學習行為與學習效果之間存在相關性。教學只有通過作用于學生的學習行為，才能影響學習。通過分析記錄學生學習數(shù)據(jù)的電子學檔，可以分析判斷教師教學行為的有效性。

已有部分研究通過采用大數(shù)據(jù)、人工智能、社會網(wǎng)絡分析等方法分析電子學檔數(shù)據(jù)。李國軍等利用BP神經(jīng)網(wǎng)絡挖掘?qū)W生教學目標掌握程度，利用K-means對學生學習效果分類7;魏順平等以Moodle平臺的在線課程為樣本，使用SSAS、UCINET等進行話語分析、社會網(wǎng)絡分析等，開展基于學習過程記錄的在線教學反思研究[8]。劉革平等提出將數(shù)據(jù)挖掘技術引入到電子學檔的評價中，運用文本挖掘技術對電子學檔中的信息進行關聯(lián)分析，對照預先制定的評價量規(guī)得出對學生學習過程的評價結果，實現(xiàn)學習過程評價的自動化[9]。Feldman等采用樸素貝葉斯分類器利用學習者在線行為數(shù)據(jù)判斷學習者的學習風格[10]。

綜上，通過對學生電子學檔的數(shù)據(jù)挖掘，可以掌握學生的學習狀態(tài)，進而推演出教師的教學狀態(tài)，幫助教師教學反思。但缺乏將學生電子學檔的數(shù)據(jù)挖掘與教師的教學反思建立映射關系的研究，還沒有系統(tǒng)地建立基于學生電子學檔的教師教學反思路徑。

本研究將基于學生電子學檔中積聚的學生學習行為數(shù)據(jù)，利用大數(shù)據(jù)處理工具、算法和關聯(lián)規(guī)則挖掘，研究學習效果影響因素，設計基于因素集判別的教師教學反思路徑，建構基于學生電子學檔的教師教學反思模型。解決教師教學反思中反思內(nèi)容不全面、教學問題分析不深人、原因歸納不系統(tǒng)、決策執(zhí)行不到位等反思能力、反思層次和反思維度的問題。

三、基于學生電子學檔的教師教學反思路徑與流程設計

（一）基于電子學檔的教學反思路徑

學生是教師的教學對象，直接、客觀地體現(xiàn)了教師的教學效果，而學生電子學檔在材料真實性、系統(tǒng)通用性、媒體多樣性等方面具有其他數(shù)據(jù)源無法比擬的分析優(yōu)勢。本研究基于學生電子學檔，獲取學生學習過程中留下的行為和結果數(shù)據(jù)進行分析和數(shù)據(jù)挖掘，提取教師反思關聯(lián)因素集，通過對象比較，建立基于因素集判別的教師反思路徑，支持教師進行教學反思。

1.學生電子學檔的數(shù)據(jù)挖掘因素集

電子學檔是指從大規(guī)模的教學管理數(shù)據(jù)和學習過程數(shù)據(jù)中提取的多種真實學習證據(jù)的數(shù)據(jù)集合，通過數(shù)字化方式存儲和展示個人或機構的學習歷程和成果。

對于學生電子學檔的組成內(nèi)容，王佑鎂認為應該包括學習目的、學習活動、學習成果、學習業(yè)績、學習付出、學習反思等"。《電子學檔信息模型規(guī)范》國家標準提出，電子學檔組件包括需求與偏好、活動、能力、目標、資質(zhì)、作品、成績等15類。這些因素基本可分為個人基礎信息、學習過程信息和學習結果信息三大類。

基礎信息是指學生年齡、性別等生物信息和學習興趣、需求、偏好等心理信息。學習過程信息是學生學習過程中產(chǎn)生和記錄的信息，包括學習目標、學習計劃、學習活動等。學習結果信息指學習后產(chǎn)生的結果數(shù)據(jù)，包括學習作品、學習成績、學習反思等。這些信息構成了電子學檔的數(shù)據(jù)挖掘因素集。

2.基于學生電子學檔的教師反思關聯(lián)因素集基于學生電子學檔數(shù)據(jù)因素集挖掘分析，確定學生學習行為特點和學習結果水平，結合教師教學反思，確定教學問題，分析問題原因，教學反思的內(nèi)容結構組成了教師反思關聯(lián)的因素集。從時間序列上看，對應于“目標”“實施”“評價”三個連續(xù)的教學過程，Schon等提出教學反思行動前反思、行動中反思、行動后反思。從教育學的視角看，教學系統(tǒng)一般包括教師、學生、教學內(nèi)容、教學環(huán)境四要素，教學反思內(nèi)容可以分別指向這四個要素及其之間的關系。而從心理學角度看，反思作為一種特殊的思維形式，應該從多樣態(tài)、多維度、多水平描述，反思內(nèi)容作為反思的載體，可以從教學反思內(nèi)容的廣度（課堂、教師、學生、教改、人際關系）和教學反思內(nèi)容的深度（前反思、準反思、反思水平）考察[13]。

本研究中教師反思關聯(lián)因素集包括：學生、教師、知識、環(huán)境四個維度。學生維度，學生認知能力和知識水平極大影響學習效果，是首要考慮的維度，具體因素包括知識基礎、認知水平、學習興趣、學習投入度等。教師維度，教師是教學活動的策劃者、設計者、組織者、評價者，教學反思應該包括對教師自身的專業(yè)知識、教學方法和信息技術使用的合理性的反思。知識維度，知識是教學目標實現(xiàn)的載體，教學反思包括對教學目標、教學重難點、教學內(nèi)容組織和形式等進行反思。教學環(huán)境維度，教學環(huán)境是教與學活動得以開展的物質(zhì)條件和信息基礎，其中的學習資源可以直接轉(zhuǎn)換為教學內(nèi)容，資源的形式和水平影響著教學效果，是教學反思的重要方面。

3.基于因素集判別的教師教學反思路徑

建立教師反思關聯(lián)因素集與學生電子學檔數(shù)據(jù)挖掘因素集的映射關系，是實現(xiàn)學生電子學檔支持下教學反思的前提條件，由此形成完整的教師教學反思路徑。根據(jù)學生電子學檔數(shù)據(jù)挖掘因素集，提出學生學習情況數(shù)據(jù)表征指標，表征指標和教師反思關聯(lián)因素形成關聯(lián)關系，由此就可以探索學生電子學檔和教師反思因素之間的相關關系，如圖1所示。

（二）數(shù)據(jù)支持的教學反思流程設計

隨著多模態(tài)教學數(shù)據(jù)的豐富，基于數(shù)據(jù)的決策突破單一的基于經(jīng)驗、直覺的感性判斷。斯德卡普等構建了目標-數(shù)據(jù)-信息-知識-行動-結果-反饋的數(shù)據(jù)驅(qū)動決策框架。管鈺琪等將其分為數(shù)據(jù)驅(qū)動、數(shù)據(jù)啟發(fā)兩種類型。其中數(shù)據(jù)啟發(fā)教學決策過程包括構建數(shù)據(jù)、確認問題、分析原因、制定決策、決策效果[15]。本研究將數(shù)據(jù)支持的教學反思決策制度流程分為如下步驟。

1.反思數(shù)據(jù)的量化表達

教學反思首先要對學生電子學檔中多維大數(shù)據(jù)采集、預處理及因素集量化表達?；谙到y(tǒng)工程理論，從學生電子學檔的數(shù)據(jù)挖掘因素和學生學習情況數(shù)據(jù)表征指標兩個角度分析學生電子學檔內(nèi)容組織特點，構建面向?qū)W習全過程的大數(shù)據(jù)采集框架。學生電子學檔的數(shù)據(jù)挖掘因素包括學生的基礎信息、學習過程信息和學習結果信息三個因素集，并據(jù)此提出了學生學習情況數(shù)據(jù)表征指標。針對電子學檔復雜性高、類型多的數(shù)據(jù)特征，以教師、學生、知識、環(huán)境四維度的教師反思關聯(lián)因素為導向，獲取多維電子學檔數(shù)據(jù)并對其進行預處理;量化表達學生的學習效果及其主要影響因素指標。

2.反思影響因素判別

判別反思影響因素包括兩個步驟。首先，利用數(shù)據(jù)分析技術判別學習效果的主要影響因素。依托大數(shù)據(jù)分析支持平臺，以學習效果和已處理的學生電子學檔數(shù)據(jù)為輸人，通過Gini增益系數(shù)的判別確定影響學習效果的主要因素。其次，基于關聯(lián)規(guī)則挖掘的因素數(shù)據(jù)對比。針對隨機森林算法無法解決因素相互影響引起的關聯(lián)性誤辨現(xiàn)象，關聯(lián)規(guī)則算法可辨別因素間關聯(lián)關系的特點，挖掘因素數(shù)據(jù)與學習效果的關聯(lián)關系，辨別關聯(lián)因素影響學習效果的間接性與直接性，并基于此結果依據(jù)關聯(lián)因素的影響程度序列對比因素數(shù)據(jù)與已設閾值的差距，根據(jù)差距可接受的范圍確定反思關注的因素集合。

3.教學問題反思分析

進行反思影響因素判別后，對確定的反思關注因素集合，需要給出其所屬的類別、程度等，通過各種過程特征對可能的反思類別進行預測。而相關機器學習方法中，支持向量機SupportVectorMachine，SVM）相對效果較好，區(qū)別于感知機，基本模型是定義在特征空間上的間隔最大的線性分類器?；诮處煼此加绊懸蛩丶系奶崛?、量化，使用反思特征輸人樣本和反思類型數(shù)據(jù)構成模型訓練樣本，獲得學習者整體目標掌握程度情況，經(jīng)過與預設教學目標對比，判定學習者整體目標的達成度。

4.基于反思的歸因

確定學生整體學習目標達成度后，使用結構方程模型（StructuralEquationModeling，SEM）通過對已有的數(shù)據(jù)進行統(tǒng)計，分析導致教學問題的原因來源，進而實現(xiàn)基于反思的歸因。結構方程模型是教育科學領域量化研究的重要統(tǒng)計方法，融合傳統(tǒng)多變量分析中“因素分析”和“線性模型的回歸分析”技術，對因果模型進行模型辨識、估計與驗證和修正。從教師、學生、內(nèi)容、環(huán)境四個維度的教師反思關聯(lián)因素方向，明確教學問題，確定教學問題產(chǎn)生的原因。

5.基于反思的教學實踐

基于前述確定的教學問題和歸因分析，根據(jù)學生電子學檔和教師反思綜合而成的教學情境類型、特點，在教學情境庫中找出學習效果良好的學生對教師、同伴、知識等的偏好及相應的教學方案，教師根據(jù)系統(tǒng)提供的教學方案范本改進自己的教學實踐，實現(xiàn)教學經(jīng)驗的重構與教學效果的提升。

綜上，大數(shù)據(jù)支持的教師教學反思流程首先對學生電子學檔中多維大數(shù)據(jù)采集、預處理及首選因素量化表達;接著依據(jù)內(nèi)容指向收集相關數(shù)據(jù)，構建適合后續(xù)分析的數(shù)據(jù)基礎并進行數(shù)據(jù)的判別;然后采用智能化工具篩選和分析數(shù)據(jù)，確認存在的教學問題反思和歸因分析;最后，依據(jù)歸因的結果，尋求解決方案，做出決策并進行教學實踐檢驗。

四、基于學生電子學檔的教師教學反思模型與算法

設計基于學生電子學檔的教師教學反思路徑，建立教師反思關聯(lián)因素集與學生電子學檔數(shù)據(jù)挖掘因素集的映射關系，獲取學生學習情況的數(shù)據(jù)表征指標，解決了支持教師教學反思的對象、因素問題。根據(jù)教師教學反思路徑，從學生電子學檔內(nèi)容結構中獲取學生學習數(shù)據(jù)，設計數(shù)據(jù)支持的教師教學反思流程，解決了基于數(shù)據(jù)的教學問題反思及成因分析。在此基礎上，設計學生電子學檔驅(qū)動的教師教學反思模型，如下頁圖2所示。系統(tǒng)解決學生電子學檔內(nèi)容表征與教師教學反思自省決策的問題。模型包括基于電子學檔的學情數(shù)據(jù)獲取、基于關聯(lián)規(guī)則算法的教學反思因素集判別、基于SVM的學習者掌握度判別與問題反思、基于結構方程模型的反思歸因、基于用戶協(xié)同過濾算法的教學方案推薦。

（一）基于學生電子學檔的學情數(shù)據(jù)獲取

學生電子學檔是教師教學反思的基礎數(shù)據(jù)來源，從電子學檔獲取學情數(shù)據(jù)包括確定電子學檔數(shù)據(jù)采集框架、對數(shù)據(jù)進行預處理與存儲、按因素指標進行量化表達。

首先，基于系統(tǒng)工程理論，結合在線學習過程結構特征，確定學生電子學檔數(shù)據(jù)采集框架。將學生電子學檔數(shù)據(jù)的結構按電子學檔數(shù)據(jù)挖掘因素進行歸結，包括基礎信息、過程信息和結果信息等三類。然后，借助網(wǎng)絡爬蟲工具從電子學檔系統(tǒng)中，對電子學檔數(shù)據(jù)下載、過濾、分析、存儲，挖掘，再利用ETL大數(shù)據(jù)處理工具平臺按照預設采集方案抽取爬蟲工具得到的數(shù)據(jù)，對其進行清洗、轉(zhuǎn)換、裝載等預處理操作，然后進行數(shù)據(jù)分類并以SQL與NoSQL方式區(qū)分儲存。最后，按照上述基于因素集判別的教師教學反思路徑，對其進行指標量化表達，輸入經(jīng)過預處理的電子學檔數(shù)據(jù)得出各指標量化結果。

（二）基于關聯(lián)規(guī)則算法的教學反思關聯(lián)因素集判別

從學生電子學檔數(shù)據(jù)獲得的各量化指標，經(jīng)過關聯(lián)規(guī)則算法的運算，最后形成匹配的教學反思關聯(lián)因素集。包括利用Gini增益判別學習效果主要影響因素、利用關聯(lián)規(guī)則算法比對并確定最終影響因素集合。

1.利用Gini增益判別學習效果主要影響因素機器學習中，信息熵是衡量一個系統(tǒng)的信息含量的量化指標，以其為基礎計算的信息增益，常用于衡量特征與結果之間的影響程度。而Gini指數(shù)與信息熵類似，且計算更為簡單，通過Gini指數(shù)得出Gini增益，以實現(xiàn)更高效率的因素相關性計算。對于反思關聯(lián)因素X及其相對概率p（x），其Gini指數(shù)Gini（X），如公式（1）所示，在給定學生電子學檔特征v下對x的Gini指數(shù)Gini（X）形式化為公式（2）：

基于上式與信息增益定義，可進一步得出Gini增益OGini（X;X）為：

對于某一學生，若已知其電子學檔獲知的學習效果等級為L，第i個潛在關聯(lián)因素數(shù)據(jù)序列為Vv.3）2....，則該用戶的最終成績等級與各潛在關聯(lián)因素間的Gini增益集合△Gini（L;V）可表示為：

檢驗模型的預測效果，進而判別出學習效果的主要影響因素。Gini增益越大，表明其關聯(lián)性越強。使用QuickSort快速排序算法對集合△Gini（L;V）進行排序，即可從各關聯(lián)因素中找出最終學習效果的主要影響因素，通過選取主要影響因素作為訓練樣本特征，從而實現(xiàn)預測模型的構建。

2.利用關聯(lián)規(guī)則算法比對并確定最終教師反思關聯(lián)因素集合

首先，利用Apriori關聯(lián)分析算法檢索上一步驟中產(chǎn)生的學習效果及其主要影響因素集合中的所有頻繁項集，即支持度不低于設定的最小支持度（Suppor）閾值的項集。其次，由頻繁項集構造出滿足用戶最小置信度（Confidence）的關聯(lián)規(guī)則，辨別影響因素與學習效果的關聯(lián)性，以此確定最終影響因素集合，即教師教學反思的關聯(lián)因素。

（三）基于支持向量機的問題反思

支持向量機是最常用的機器學習算法之一，它在解決非線性和高維特征模式識別場景下具有許多優(yōu)勢。本研究基于支持向量機來實現(xiàn)學習者的整體目標達成度判定。其基本思路為：給定一組反思特征輸人樣本x，以及推斷的反思類型y，構成模型需要的訓練樣本（x，y），構建低維空間到高維空間的轉(zhuǎn)換表達，形式化表示如下：

其中中（x）是核函數(shù)，核函數(shù)的選擇有多種，這里使用常用的高斯核函數(shù)來計算高維特征空間下的特征向量點積。針對該目標進行優(yōu)化取極值有：

并給出約束條件：

其中，C為懲罰因子，而ξ與;為松弛因子，用于控制模型的復雜度與回歸精度。

而為了提高非線性樣本的分類精度，需要基于核函數(shù)完成數(shù)據(jù)從高維到低維的轉(zhuǎn)換，基于常用的徑向基核函數(shù)，構建SVM模型的決策函數(shù)f（x）為：

以此進行模型的訓練，獲得學習者整體目標掌握度情況，并與預設的教學目標進行對比，從而完成教師反思過程。

（四）基于結構方程模型的教學反思歸因

結構方程模型是基于變量的協(xié)方差矩陣來分析變量之間關系的一種統(tǒng)計方法。它具有諸多優(yōu)點，最顯著的特點是能夠評價多維和相互關聯(lián)的關系，并且能夠發(fā)現(xiàn)某些關系中沒有察覺到的概念關系，因此本研究采用結構方程模型來對教師教學反思進行歸因分析。結構方程模型如圖3所示。

圖3各個變量之間的關系形式化表示如下：

對于圖3（a）的β與X，Y的關系為：

對于圖3（b）的β與X，Y的關系為：

其中X是因，Y為果，左邊等式代表X與Y之間的量化關系，Ux表示影響變量X的所有未被觀測的外部因子，Uy表示影響Y的所有未被觀測的外部因子。

結構方程模型分析過程可以分為模型構建、模型擬合、模型評估以及模型修正四個步驟。

1.模型構建

首先根據(jù)教學問題反思的目標達成度、重難點把握度等相關指標來初步確定各個潛變量如教學目標、教學重難點等之間的相互關系以構建理論上的初始結構方程模型。

2.模型擬合

模型擬合主要是對上一步構建的初始模型進行模型參數(shù)估計。參數(shù)估計的方法有多種，本方法使用最大似然估計（MaximumLikelihood）來計算參數(shù)，因為它在數(shù)據(jù)分布較為均勻的情況下能夠計算更加精確（方差最?。┑慕Y果。結構方程模型的擬合度指標分為模型內(nèi)的結構擬合度與整體模型擬合度，模型內(nèi)的結構擬合主要通過潛變量組成信度進行評判，而卡方擬合指數(shù)則是整體擬合度的評價依據(jù)。

3.模型評估

經(jīng)過模型參數(shù)求解步驟后，這里還需要對參數(shù)結果進行評估。結構方程模型一般以最小化觀察到的和估計的協(xié)方差矩陣之間的差異為目標來估計總體的參數(shù)，最小化目標函數(shù)F形式化表示如下：

其中s是數(shù)據(jù)向量（觀察到的樣本協(xié)方差矩陣所堆疊而成的向量），o是估計的總體協(xié)方差矩陣的向量（再次堆疊為一個向量），“（日）”表示o是來源于SEM模型的各種參數(shù)（回歸系數(shù)，方差和協(xié)方差）。W是對樣本與估計的總體協(xié)方差矩陣之間的平方差進行加權的矩陣。

4.模型修正

對結構方程模型進行修正的主要目的是提高模型的擬合度使得結果更具有現(xiàn)實性和解釋性。模型修正的方法主要有兩個方面，一方面添加模型新路徑來提高模型的擬合度;另一方面是刪除或限制部分路徑以提高模型的可識別性。這里使用AMOS提供的模型修正指標對模型進行修正，直到模型的擬合度滿足擬合度指標為止。最后我們根據(jù)結構方程模型的最終結果對與教學問題反思存在因果關系因子進行分析。

（五）基于用戶協(xié)同過濾算法的教學修正方案推薦充分使用反思的教學稱之為反省性教學，反思性教學實踐根據(jù)反思作用于本次還是下次教學分為兩類，不管哪一類，都需要完成問題反思和反思歸因后，修改原有教學方案，制定改進型教學方案應用于本次或下次教學實踐。協(xié)同過濾推薦算法是誕生最早、較為著名的預測和推薦算法。算法通過對原有學習效果良好的學習者歷史數(shù)據(jù)挖掘，確定不同學習者對教師、環(huán)境、同伴等的偏好，并進行度量和打分。通過基于用戶的協(xié)同過濾算法，確定與新學習者相似的學習者和相應的推薦教學方案，以此作為改善教學質(zhì)量的方案依據(jù)。

五、研究總結

學生的電子學檔中有大量的多模態(tài)學習行為與過程數(shù)據(jù)，利用好這些數(shù)據(jù)能為教師的教學反思提供有意義的教學指導，促進教師專業(yè)發(fā)展。本研究提出基于電子學檔復雜多類型數(shù)據(jù)的教師教學反思關聯(lián)因素分析方法，突破教師教學反思途徑單一，主要依據(jù)主觀經(jīng)驗反思的問題。同時，通過深人挖掘?qū)W生電子學檔的數(shù)據(jù)，建立基于Gini增益與關聯(lián)規(guī)則的大數(shù)據(jù)關聯(lián)性分析方法，突破了教師教學反思忽略對學生學習檔案大數(shù)據(jù)加工利用的限制。最后，提出教師教學反思模型和具體算法，運用基于支持向量機和結構方程模型的方法，幫助教師進行智能化決策，解決了教師反思能力和反思層次差異的問題。隨著對電子學檔與教師教學反思的進一步深人研究，后續(xù)可以通過建構語義技術支持下基于電子學檔的教師教學反思智能體，突破教師教學反思與后續(xù)教學行為改進缺乏持續(xù)智能監(jiān)督的問題，最終形成以教師教學反思智能體為核心的教師專業(yè)發(fā)展系統(tǒng)，實現(xiàn)基于學生電子學檔大數(shù)據(jù)，運用形式化語義執(zhí)行智能化教師教學反思，提升教育教學效果的目的。

參考文獻：

[1]佐藤學.教育方法學[M].北京：教育科學出版社，2016.

[2] LockeJAn Essay Conceming Human Understanding [M]-London：Penguin Classics，1997.

[3] Schon，D.The Reflective Practitioner：How Professionals Think inAction[M].北京：北京師范大學出版社.2018.

[4]王佳瑩，郭俊杰.視頻標注工具：支持教師的教學反思[J].中國電化教育，2013，（7）：111-117.

[5]Wang.D.Ding.X.Interctive Learning Behavior Analysis of Wisdom assoomobasaed o Big Data[ZJ-QingdaoERSS.2018.

[6]邱歡堂，何聚厚等.教學反思內(nèi)容自動評估模型研究[J].計算機技術與發(fā)展，2012，22（9）：173-176+180.

[7]李國軍，鐘志強.基于數(shù)據(jù)挖掘技術的學生電子檔案袋評價[J].鞍山師范學院學報，2012，14（2）：46-50.

[8]魏順平，韓艷輝等.基于學習過程數(shù)據(jù)挖掘與分析的在線教學反思研究[J].現(xiàn)代教育技術，2015，25（6）：89-95.

[9]劉革平，黃智興等.基于數(shù)據(jù)挖掘的遠程學習過程評價系統(tǒng)設計與實現(xiàn)[J].電化教育研究，2005，（7）：67-69.

[10] FeldmanJ.Monteserin，Aet al.Detecting students' perception style by using games [J]. Computers & Education，2014，71：14-22.

[11]王佑鎂.電子學檔：信息化教學的新思路]中國電化教育，2002，（10）：18-22.

[12]GB/T36366-2018，電子學檔信息模式規(guī)范[S].

[13]申繼亮，劉加霞.論教師的教學反思[J].華東師范大學學報（教育科學版），2004，（3）：44-49.

[14]馮仰存.數(shù)據(jù)驅(qū)動的教師教學決策研究綜述[J].中國遠程教育，2020，41（4）：65-75.

[15]管玨琪，孫一冰等.智慧教室環(huán)境下數(shù)據(jù)啟發(fā)的教學決策研究[J].中國電化教育，2019，（2）：22-28+42.

作者簡介：

吳鵬澤：教授，博士，博士生導師，研究方向為教師信息化應用能力提升、教育信息化。

劉廣：工程師，在讀博士，研究方向為教師信息化應用能力提升、教育信息化。

收稿日期：2020年12月25日

責任編輯：李雅煊