数据驱动的电气工程因材施教育人模式研究

张琴　周福娜　向阳

［摘 要］ 大数据正在成为推动教学创新的关键力量，提出数据驱动的电气工程因材施教育人模式。首先以终为始制定新工科下创新型电气工程师的培养目标；课前采用Kolb学习风格量表建立学生的学习风格模型，开展五阶段混合式教学和分组分层教学，促进学生全员进步；采用基于关系的迁移学习智能算法，将大数据挖掘的优势领域中的逻辑知识和能力关系迁移到薄弱领域，教师给予个性化指导，最终实现以数据驱动的大规模因材施教。

［关键词］ 数据驱动；华盛顿协议；因材施教；Kolb学习风格；迁移学习

［基金项目］ 2021年度上海市教育科學研究一般项目“科教融合的未来港口物流智慧孪生仿真平台及其应用”（C2021072）；2022年度上海高校市级重点课程“‘现代控制理论基础线下课程建设”（2022192）

［作者简介］ 张 琴（1982—），女，山西阳泉人，博士，上海海事大学物流工程学院讲师，主要从事智能控制研究；周福娜（1978—），女，河南鲁山人，博士，上海海事大学物流工程学院教授，主要从事故障诊断研究；向 阳（1966—），男，四川绵阳人，硕士，上海海事大学物流工程学院高级工程师，主要从事智能控制研究。

［中图分类号］ G642.0 ［文献标识码］ A ［文章编号］ 1674-9324（2024）07-0145-04［收稿日期］ 2023-01-03

锚定2035年建成教育强国、人才强国的目标，立足于建设高等教育高质量发展体系，《上海市教育发展“十四五”规划》深入强化数字技术双线支撑，“四新”学科建设进行全面智能化转型。大数据技术已成为推动教育系统创新和变革的科学力量，是实施因材施教的精准教学建设的必然选择。

一、国内外的数据驱动教学模式

国际动态主要体现在数据驱动教学模式的智能化和教学评价的合理化。Alammary［1］研究了应用于“编程导论”课程的五种不同混合学习模式，其灵活性可以帮助学生取得更好的成绩。Gu［2］提出通过改进神经网络对教学质量评价的预测精度和收敛速度进行实用的高校教学质量评价方案。

数据驱动下的教学能提升学生元认知水平和学习成绩，在学习效果与能力方面均具有促进作用［3］。郭利明等［4］研究人机协同，强调个性发展，秉承因材施教，由知识传授向上延伸至能力塑造和素质培养的上位层精准教学。但是精准育人若要实现智慧干预与决策，须在教学干预设计、教学改进策略上做到准确无误［5］。如何通过技术应用实现个性化因材施教，是在实践中须要解决的问题［6］。

面向大数据驱动下现代化教育教学改革形式，基于电气工程新工科因材施教的必要性分析，提出了大数据驱动下的电气工程新工科因材施教育人模式。

二、数据驱动电气工程因材施教模式框架

为落实立德树人根本任务和新工科建设目标，针对多“材”如何施“教”问题，立足《华盛顿协议》以终为始培养创新型电气工程师的教学目标，利用过程性大数据分析教学学情和学习分格，驱动设计因材施教教学模式，采用人工智能技术补齐学生薄弱知识点，实现学生个性化学习，最终凝练大数据驱动下电气工程新工科因材施教育人模式。

（一）制定教学目标

新工科下创新型工程师培养需要通过学校工程教育获得教育资格，我国作为国际本科工程学位互认协议《华盛顿协议》的正式会员，基于成果导向教育OBE理念制定了工程教育认证毕业要求标准。基于工程认证来设计教学目标，针对专业工程问题，学生能设计控制系统、优化复杂工程、仿真工程应用，具备自主终身学习、问题思辨能力和团队合作能力，最后能秉持严谨科学的态度、遵守职业道德、扛起科技兴国的使命担当。在知识引领、能力塑造、素质培养的目标下，培养学生德智体美劳的全面发展。

（二）构建学生模型

通过大数据进行“教—学”学情分析，能抓住教学中教师教的痛点和学生需求的痛点问题，有针对性地解决这些痛点能更好地促进教师发展和学生成长。学生在学习过程中表现出来的个别差异不仅是智力、兴趣和动机等的不同，更重要的表现在学习风格的不同。分析教育大数据可建立学生的学习风格，从而使教学策略的运用适合不同的学生，更能发挥学生的学习潜能，真正做到因材施教。

（三）创新教学模式

充分利用网络环境和信息技术，深度发挥优质教学资源的作用开展混合式教学，调动学生深入参与学习全过程。基于新工科的工程认证需求，开展产学研实践学习，企业导师导入产品和项目，由行业大数据的实际需求而驱动学生主动学习。依据问卷调查学生的学习风格进行分组，基于实验平台，引入实际系统和学科竞赛项目，设计分层的项目式教学，满足不同学生的学习和科研需求。

（四）精准教学反馈

针对学生平时学习参与度不高而期末突击学习的问题，为了激励学生深度参与学习全过程，过程性评价比例提高至60%。采用“五元过程性”评价体系，包括签到随堂练习、视频学习、课后作业、PBL实验项目、翻转课堂，并采用四级评价规则促进学生的高阶性学习。对于大数据反馈的学生学习状况数据，运用迁移学习智能算法，将学生的优势智能学习方法迁移到薄弱环节，个性化优化学习过程并给予指导。

三、数据驱动下的电气工程因材施教育人路径

数据驱动大规模因材施教育人路径与模式的基本思路为：以2021年版《华盛顿协议》工程认证为导向设计教学目标，满足新工科建设要求；深入了解学情和学生，利用教学平台大数据分析学生痛点问题；通过Kolb学习风格风量表的四象限法，建立学生的学习风格模型；针对痛点问题开展混合式教学和产学研实践，依据不同学习风格引导分组分层教学；最后通过五元过程性评价进行个性化迁移学习，及时反馈因材施教的效果并进一步改进教学方法。

（一）基于《华盛顿协议》制定教学目标

2021年版《华盛顿协议》增加了新的工程认证要求，创新型工程师需将可持续发展价值观和目标融入工作之中。为此，工程教育需要关注更广泛的跨学科复杂工程问题，分析社会和可持续发展问题，并运用学科知识和技术手段解决问题；关注新工程能力需求以及应对可持续发展挑战的新趋势，注重培养学生创造性学习和思考能力、解决复杂问题的能力、跨学科和国际合作能力及合乎道德规范的态度；推进工程教育方式方法改革，由以教师为中心的方法转变为以学生为中心和基于问题的学习方法。系统分析《华盛顿协议》的工程认证标准，本项目进行电气工程专业工程教育改革及创新，为综合培养21世纪新工科未来工程师，制定知识、能力和素质（knowledge， skill and attitude， KSA）“三位一体”的教学目标。在“自动化仪表与过程控制”课程中，学生学过了“自动控制原理”“模拟电子技术”“控制系统仿真与CAD”等专业基础课，面临将学科知识融合、将理论知识联系实际应用的迫切需求，所以在教学中引入了实际的工程应用和先进的技术应用，用来激发学生的兴趣并引发思考，同时培养正确的价值观，从科技产品中感受“中国制造”的发展，培养善于质疑的科学态度。

（二）构建Kolb学习风格模型

电气工程教学内容交叉融合了多门学科基础课和专业课，学生对理论应用实际的需求迫切。当前的学情是学生对专业理解还不够深入，不知道毕业后在社会承担的角色；课程内容理论多、实践少，学生持续学习的动力不足；学生知识构建程度不同，对课程理论推导、应用实践等需求也是多种多样的，不变的教学内容和方法满足不了学生的多样化要求。故要因材施教，必先识别多样類型。

Ko1b认为，学习风格是一个人偏好的感知与加工信息的方法。感知方法有具体经验和抽象推理，信息加工方式有积极主动实践和反思观察两种，这两个维度的组合构成想象型、理论型、务实型和行动型四种不同学习风格的模型。通过问卷星“Kolb学习风格量表”测试学生学习策略并多类型四人组队，分别以应用为主、理论为主、小组讨论为主等方式展开教学过程，达到目标不变形式多样、知识不变层级多样的精准教学。

“自动化仪表与过程控制”课程的学生中务实型占50%，可见大多数学生是喜欢将理论知识用于实际用途和执行任务，31%的学生是想象型，理论型占9.5%，行动型占9.5%。根据不同学生的学习风格，需要调整教学方案，线上课视频会议时，多请理论型学生讲解模型公式的意义，线下课的时候以小组讨论项目式学习以及翻转课堂为主，让学生查找实际应用案例，并将所学应用系统解决问题，同时将理论知识消化吸收。经过不同学习风格的学生合作，生生互学将理论知识消化吸收，促进学生综合能力的提高。

（三）创新五阶段混合式教学和分组分层模式

在知识、能力、素质三个维度创新编排教学设计。在知识维度，由单一的教材教具，整合优质的课程资源，如高质量期刊和信息化平台，应用于混合式课程；引进先进的实验设备，引领学生将抽象的控制流程图，具象为实际工厂系统，如发电厂加热炉的蒸汽控制系统；引用实际应用需求，拓展学生思考如何将传统仪表升级为智能仪表，如负压舱的负压检测，为了减轻医护人员负担，将弹簧管压力计升级为能远程监控的数字化仪表。由单一到整合、由抽象到具象、由传统到智能，持续保证了课程内容的先进性和前瞻性。

在能力维度，将学科交叉的研究前沿、实践经验、服务社会纳入教学内容。融入教师新能源发电的科研项目，响应碳达峰、碳中和的“双碳”目标。通过讲解控制仪表的原理，满足海上风机安装风叶时的稳定性需求；结合以科技服务社会为目的的学科竞赛，引导学生思考如何设计控制系统；采用多种传感器和“人工智能”，实现无人物流小车的精准作业服务，助力疫情；基于工程事故积累的实践经验，优化选择控制和安全阀等构成的“安全控制”方案，防范危险的发生。每个章节都有对应的增设内容，拓宽学生视野，激发学习兴趣，提高工程素养，增强工程和生态环境的共同体意识。依托专业，服务社会。

在素质维度，有机融入思政教育，结合课程内容，挖掘专业背景及应用前景，了解中国制造的发展及差距，结合科学家精神，夯实学生的职业愿景，增强学生民族自豪感和科技报国的使命担当，同时教师拆解仪器仪表，以身作则严谨治学，切实做到立德树人。多方位培养学生的专业精神和素质品质，解决学生“学习宗旨不明确”的问题。

针对3个维度的教学设计创新，采用多样化和信息化的学习通教学资源开展五阶段的混合式教学。线上视频自学和腾讯会议分享两阶段完成基本知识自学和思维导图分享后，线下开展实验—翻转—编程的三阶段深度学习，动手实践验证所学及理解是否到位，完成从理论知识到实际应用的关联思考。选拔感兴趣的学生参加科创项目和学科竞赛，通过学生全过程深度参与理论和实践的结合，综合培养其知识、能力和素质。同时，和相关企业开展产学研教学，由企业导师通过大数据讲解行业发展趋势、产品应用前景、领域需求和问题等，进一步培养新工科下学以致用的创新型人才。

基于学习风格分组和OBE成果导向教学，设计了基础级、挑战级、拓展级的分层项目式教学来满足学生多样化的需求。面向全部学生要求完成课前预习内容、分组讨论自主设计方案、通过教师审核后在课堂动手实操、课后分析结果等基础级任务，解决学生对教学活动参与不深入的问题，达到有效巩固理论知识的目的；鼓励学生结合其他课程，挑战工程仿真编程，解决学生对多门课程融合不深入的问题，达到灵活应用知识的目的；拓展学有余力的学生优化控制方案，解决学生对知识应用不深入的问题，达到运用创新思维解决复杂问题的目的。

（四）数据驱动过程性评价及个性化查漏补缺

借助学习通平台数据强调过程性评价，将其比例提高至60%，激励学生深度参与学习全过程。进行丰富的“五元过程性”评价体系，其中又侧重于考核综合能力的PBL项目和翻转课堂，并采用“优、良、中、加”四级评价规则促进学生的高阶性学习。充分的同伴互评和自评，创造同伴互学的机会，促进组内合作和互学。通过邀请科创竞赛获奖学生进课堂分享、颁发奖状等激励方式，肯定了学生的工作和成果，增强学习积极性。

綜上，以数据驱动大规模因材施教，探索以学生为中心的大数据运用方法，加强数据分析与资源应用，利用人工智能等技术解决学习追踪、学习者个性精准分析、学习的智能辅导等方面取得系统化突破是可行的。

结语

面向大数据驱动下现代化教育教学改革形式，基于电气工程新工科因材施教的必要性分析，提出了大数据驱动下电气工程新工科因材施教的育人模式。建立新工科背景下以《华盛顿协议》工程认证为依据的教学目标，针对电气工程高年级学生的学情和痛点问题，采用线上两阶段、线下三阶段的五阶段混合式教学，并基于Kolb学习风格量表构建的学生模型进行分组分层教学，解决学生学习动力不足的问题，促进学生深入参与学习全过程。而后分析大数据挖掘学生的优势学科，并用迁移学习个性化指导弱势学科，促使学生全方位进步。

参考文献

［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，赵蔚，刘红霞.数据驱动下的学习支持设计与实践［J］.电化教育研究，2018， 39（3）：103-108+114.

［4］郭利明，杨现民，张瑶.大数据时代精准教学的新发展与价值取向分析［J］.电化教育研究，2019，40（10）：76-81+88.

［5］王超，顾小清，郑隆威.多模态数据赋能精准教研：情境、路径与解释［J］.电化教育研究，2021，42（11）：114-120.

［6］秦丹，张立新.问题与优化：课堂精准教学实践的现实审视与反思［J］.电化教育研究，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