數據驅動的電氣工程因材施教育人模式研究

張琴　周福娜　向陽

［摘 要］ 大數據正在成為推動教學創新的關鍵力量，提出數據驅動的電氣工程因材施教育人模式。首先以終為始制定新工科下創新型電氣工程師的培養目標；課前采用Kolb學習風格量表建立學生的學習風格模型，開展五階段混合式教學和分組分層教學，促進學生全員進步；采用基于關系的遷移學習智能算法，將大數據挖掘的優勢領域中的邏輯知識和能力關系遷移到薄弱領域，教師給予個性化指導，最終實現以數據驅動的大規模因材施教。

［關鍵詞］ 數據驅動；華盛頓協議；因材施教；Kolb學習風格；遷移學習

［基金項目］ 2021年度上海市教育科學研究一般項目“科教融合的未來港口物流智慧孿生仿真平臺及其應用”（C2021072）；2022年度上海高校市級重點課程“‘現代控制理論基礎線下課程建設”（2022192）

［作者簡介］ 張 琴（1982—），女，山西陽泉人，博士，上海海事大學物流工程學院講師，主要從事智能控制研究；周福娜（1978—），女，河南魯山人，博士，上海海事大學物流工程學院教授，主要從事故障診斷研究；向 陽（1966—），男，四川綿陽人，碩士，上海海事大學物流工程學院高級工程師，主要從事智能控制研究。

［中圖分類號］ G642.0 ［文獻標識碼］ A ［文章編號］ 1674-9324（2024）07-0145-04［收稿日期］ 2023-01-03

錨定2035年建成教育強國、人才強國的目標，立足于建設高等教育高質量發展體系，《上海市教育發展“十四五”規劃》深入強化數字技術雙線支撐，“四新”學科建設進行全面智能化轉型。大數據技術已成為推動教育系統創新和變革的科學力量，是實施因材施教的精準教學建設的必然選擇。

一、國內外的數據驅動教學模式

國際動態主要體現在數據驅動教學模式的智能化和教學評價的合理化。Alammary［1］研究了應用于“編程導論”課程的五種不同混合學習模式，其靈活性可以幫助學生取得更好的成績。Gu［2］提出通過改進神經網絡對教學質量評價的預測精度和收斂速度進行實用的高校教學質量評價方案。

數據驅動下的教學能提升學生元認知水平和學習成績，在學習效果與能力方面均具有促進作用［3］。郭利明等［4］研究人機協同，強調個性發展，秉承因材施教，由知識傳授向上延伸至能力塑造和素質培養的上位層精準教學。但是精準育人若要實現智慧干預與決策，須在教學干預設計、教學改進策略上做到準確無誤［5］。如何通過技術應用實現個性化因材施教，是在實踐中須要解決的問題［6］。

面向大數據驅動下現代化教育教學改革形式，基于電氣工程新工科因材施教的必要性分析，提出了大數據驅動下的電氣工程新工科因材施教育人模式。

二、數據驅動電氣工程因材施教模式框架

為落實立德樹人根本任務和新工科建設目標，針對多“材”如何施“教”問題，立足《華盛頓協議》以終為始培養創新型電氣工程師的教學目標，利用過程性大數據分析教學學情和學習分格，驅動設計因材施教教學模式，采用人工智能技術補齊學生薄弱知識點，實現學生個性化學習，最終凝練大數據驅動下電氣工程新工科因材施教育人模式。

（一）制定教學目標

新工科下創新型工程師培養需要通過學校工程教育獲得教育資格，我國作為國際本科工程學位互認協議《華盛頓協議》的正式會員，基于成果導向教育OBE理念制定了工程教育認證畢業要求標準?；诠こ陶J證來設計教學目標，針對專業工程問題，學生能設計控制系統、優化復雜工程、仿真工程應用，具備自主終身學習、問題思辨能力和團隊合作能力，最后能秉持嚴謹科學的態度、遵守職業道德、扛起科技興國的使命擔當。在知識引領、能力塑造、素質培養的目標下，培養學生德智體美勞的全面發展。

（二）構建學生模型

通過大數據進行“教—學”學情分析，能抓住教學中教師教的痛點和學生需求的痛點問題，有針對性地解決這些痛點能更好地促進教師發展和學生成長。學生在學習過程中表現出來的個別差異不僅是智力、興趣和動機等的不同，更重要的表現在學習風格的不同。分析教育大數據可建立學生的學習風格，從而使教學策略的運用適合不同的學生，更能發揮學生的學習潛能，真正做到因材施教。

（三）創新教學模式

充分利用網絡環境和信息技術，深度發揮優質教學資源的作用開展混合式教學，調動學生深入參與學習全過程?；谛鹿た频墓こ陶J證需求，開展產學研實踐學習，企業導師導入產品和項目，由行業大數據的實際需求而驅動學生主動學習。依據問卷調查學生的學習風格進行分組，基于實驗平臺，引入實際系統和學科競賽項目，設計分層的項目式教學，滿足不同學生的學習和科研需求。

（四）精準教學反饋

針對學生平時學習參與度不高而期末突擊學習的問題，為了激勵學生深度參與學習全過程，過程性評價比例提高至60%。采用“五元過程性”評價體系，包括簽到隨堂練習、視頻學習、課后作業、PBL實驗項目、翻轉課堂，并采用四級評價規則促進學生的高階性學習。對于大數據反饋的學生學習狀況數據，運用遷移學習智能算法，將學生的優勢智能學習方法遷移到薄弱環節，個性化優化學習過程并給予指導。

三、數據驅動下的電氣工程因材施教育人路徑

數據驅動大規模因材施教育人路徑與模式的基本思路為：以2021年版《華盛頓協議》工程認證為導向設計教學目標，滿足新工科建設要求；深入了解學情和學生，利用教學平臺大數據分析學生痛點問題；通過Kolb學習風格風量表的四象限法，建立學生的學習風格模型；針對痛點問題開展混合式教學和產學研實踐，依據不同學習風格引導分組分層教學；最后通過五元過程性評價進行個性化遷移學習，及時反饋因材施教的效果并進一步改進教學方法。

（一）基于《華盛頓協議》制定教學目標

2021年版《華盛頓協議》增加了新的工程認證要求，創新型工程師需將可持續發展價值觀和目標融入工作之中。為此，工程教育需要關注更廣泛的跨學科復雜工程問題，分析社會和可持續發展問題，并運用學科知識和技術手段解決問題；關注新工程能力需求以及應對可持續發展挑戰的新趨勢，注重培養學生創造性學習和思考能力、解決復雜問題的能力、跨學科和國際合作能力及合乎道德規范的態度；推進工程教育方式方法改革，由以教師為中心的方法轉變為以學生為中心和基于問題的學習方法。系統分析《華盛頓協議》的工程認證標準，本項目進行電氣工程專業工程教育改革及創新，為綜合培養21世紀新工科未來工程師，制定知識、能力和素質（knowledge， skill and attitude， KSA）“三位一體”的教學目標。在“自動化儀表與過程控制”課程中，學生學過了“自動控制原理”“模擬電子技術”“控制系統仿真與CAD”等專業基礎課，面臨將學科知識融合、將理論知識聯系實際應用的迫切需求，所以在教學中引入了實際的工程應用和先進的技術應用，用來激發學生的興趣并引發思考，同時培養正確的價值觀，從科技產品中感受“中國制造”的發展，培養善于質疑的科學態度。

（二）構建Kolb學習風格模型

電氣工程教學內容交叉融合了多門學科基礎課和專業課，學生對理論應用實際的需求迫切。當前的學情是學生對專業理解還不夠深入，不知道畢業后在社會承擔的角色；課程內容理論多、實踐少，學生持續學習的動力不足；學生知識構建程度不同，對課程理論推導、應用實踐等需求也是多種多樣的，不變的教學內容和方法滿足不了學生的多樣化要求。故要因材施教，必先識別多樣類型。

Ko1b認為，學習風格是一個人偏好的感知與加工信息的方法。感知方法有具體經驗和抽象推理，信息加工方式有積極主動實踐和反思觀察兩種，這兩個維度的組合構成想象型、理論型、務實型和行動型四種不同學習風格的模型。通過問卷星“Kolb學習風格量表”測試學生學習策略并多類型四人組隊，分別以應用為主、理論為主、小組討論為主等方式展開教學過程，達到目標不變形式多樣、知識不變層級多樣的精準教學。

“自動化儀表與過程控制”課程的學生中務實型占50%，可見大多數學生是喜歡將理論知識用于實際用途和執行任務，31%的學生是想象型，理論型占9.5%，行動型占9.5%。根據不同學生的學習風格，需要調整教學方案，線上課視頻會議時，多請理論型學生講解模型公式的意義，線下課的時候以小組討論項目式學習以及翻轉課堂為主，讓學生查找實際應用案例，并將所學應用系統解決問題，同時將理論知識消化吸收。經過不同學習風格的學生合作，生生互學將理論知識消化吸收，促進學生綜合能力的提高。

（三）創新五階段混合式教學和分組分層模式

在知識、能力、素質三個維度創新編排教學設計。在知識維度，由單一的教材教具，整合優質的課程資源，如高質量期刊和信息化平臺，應用于混合式課程；引進先進的實驗設備，引領學生將抽象的控制流程圖，具象為實際工廠系統，如發電廠加熱爐的蒸汽控制系統；引用實際應用需求，拓展學生思考如何將傳統儀表升級為智能儀表，如負壓艙的負壓檢測，為了減輕醫護人員負擔，將彈簧管壓力計升級為能遠程監控的數字化儀表。由單一到整合、由抽象到具象、由傳統到智能，持續保證了課程內容的先進性和前瞻性。

在能力維度，將學科交叉的研究前沿、實踐經驗、服務社會納入教學內容。融入教師新能源發電的科研項目，響應碳達峰、碳中和的“雙碳”目標。通過講解控制儀表的原理，滿足海上風機安裝風葉時的穩定性需求；結合以科技服務社會為目的的學科競賽，引導學生思考如何設計控制系統；采用多種傳感器和“人工智能”，實現無人物流小車的精準作業服務，助力疫情；基于工程事故積累的實踐經驗，優化選擇控制和安全閥等構成的“安全控制”方案，防范危險的發生。每個章節都有對應的增設內容，拓寬學生視野，激發學習興趣，提高工程素養，增強工程和生態環境的共同體意識。依托專業，服務社會。

在素質維度，有機融入思政教育，結合課程內容，挖掘專業背景及應用前景，了解中國制造的發展及差距，結合科學家精神，夯實學生的職業愿景，增強學生民族自豪感和科技報國的使命擔當，同時教師拆解儀器儀表，以身作則嚴謹治學，切實做到立德樹人。多方位培養學生的專業精神和素質品質，解決學生“學習宗旨不明確”的問題。

針對3個維度的教學設計創新，采用多樣化和信息化的學習通教學資源開展五階段的混合式教學。線上視頻自學和騰訊會議分享兩階段完成基本知識自學和思維導圖分享后，線下開展實驗—翻轉—編程的三階段深度學習，動手實踐驗證所學及理解是否到位，完成從理論知識到實際應用的關聯思考。選拔感興趣的學生參加科創項目和學科競賽，通過學生全過程深度參與理論和實踐的結合，綜合培養其知識、能力和素質。同時，和相關企業開展產學研教學，由企業導師通過大數據講解行業發展趨勢、產品應用前景、領域需求和問題等，進一步培養新工科下學以致用的創新型人才。

基于學習風格分組和OBE成果導向教學，設計了基礎級、挑戰級、拓展級的分層項目式教學來滿足學生多樣化的需求。面向全部學生要求完成課前預習內容、分組討論自主設計方案、通過教師審核后在課堂動手實操、課后分析結果等基礎級任務，解決學生對教學活動參與不深入的問題，達到有效鞏固理論知識的目的；鼓勵學生結合其他課程，挑戰工程仿真編程，解決學生對多門課程融合不深入的問題，達到靈活應用知識的目的；拓展學有余力的學生優化控制方案，解決學生對知識應用不深入的問題，達到運用創新思維解決復雜問題的目的。

（四）數據驅動過程性評價及個性化查漏補缺

借助學習通平臺數據強調過程性評價，將其比例提高至60%，激勵學生深度參與學習全過程。進行豐富的“五元過程性”評價體系，其中又側重于考核綜合能力的PBL項目和翻轉課堂，并采用“優、良、中、加”四級評價規則促進學生的高階性學習。充分的同伴互評和自評，創造同伴互學的機會，促進組內合作和互學。通過邀請科創競賽獲獎學生進課堂分享、頒發獎狀等激勵方式，肯定了學生的工作和成果，增強學習積極性。

綜上，以數據驅動大規模因材施教，探索以學生為中心的大數據運用方法，加強數據分析與資源應用，利用人工智能等技術解決學習追蹤、學習者個性精準分析、學習的智能輔導等方面取得系統化突破是可行的。

結語

面向大數據驅動下現代化教育教學改革形式，基于電氣工程新工科因材施教的必要性分析，提出了大數據驅動下電氣工程新工科因材施教的育人模式。建立新工科背景下以《華盛頓協議》工程認證為依據的教學目標，針對電氣工程高年級學生的學情和痛點問題，采用線上兩階段、線下三階段的五階段混合式教學，并基于Kolb學習風格量表構建的學生模型進行分組分層教學，解決學生學習動力不足的問題，促進學生深入參與學習全過程。而后分析大數據挖掘學生的優勢學科，并用遷移學習個性化指導弱勢學科，促使學生全方位進步。

參考文獻

［1］ALAMMARY A. Blended learning models for introductory programming courses： a systematic review［J］.PLOS ONE，2019，14（9）：e0221765.

［2］GU Q. Research on teaching quality evaluation model of higher education teachers based on BP neural network and random matrix［J］. Mathematical Problems in Engineering，2022：1-13.

［3］李士平，趙蔚，劉紅霞.數據驅動下的學習支持設計與實踐［J］.電化教育研究，2018， 39（3）：103-108+114.

［4］郭利明，楊現民，張瑤.大數據時代精準教學的新發展與價值取向分析［J］.電化教育研究，2019，40（10）：76-81+88.

［5］王超，顧小清，鄭隆威.多模態數據賦能精準教研：情境、路徑與解釋［J］.電化教育研究，2021，42（11）：114-120.

［6］秦丹，張立新.問題與優化：課堂精準教學實踐的現實審視與反思［J］.電化教育研究，2019，40（11）：63-69+77.

Research on Data-driven Educating Model in Electrical Engineering

ZHANG Qin， ZHOU Fu-na， XIANG Yang

（Logistics Engineering College， Shanghai Maritime University， Shanghai 201306， China）

Abstract： Big data is becoming a key force to promote teaching innovation， a data-driven educating model in electrical engineering is proposed. First， the teaching goals for training innovative electrical engineers under the New Engineering and Technical Disciplines is set; before the class， the Kolb Learning Style is used to establish students， learning style model; then the five-stage mixed teaching and grouped hierarchical teaching are carried out to promote the progress of all students; The relationship-based transfer learning method is used to migrate the logical knowledge and ability relationships in the advantageous areas to the weak areas. So teachers can give supervised personalized guidance， and finally the effect of large-scale data-driven educating model in electrical engineering is realized.

Key words： data-driven; washington accords; educating model; Kolb learning style; transfer learning