大数据支持的深度学习活动设计研究

摘要：以技术促进学习为出发点，以促进学习者深度学习为目标，梳理影响深度学习的要素关系，解析具有大数据特色的深度学习场域模型，并基于此模型提出深度学习活动设计的实践思路与应用原则，以“WEB应用技术”课程为例，介绍基于深度学习场域模型的课程教学实践，最后从问卷后测分析、访谈情况分析及过程性学习数据分析三个层面探索实施效果。

关键词：深度学习；大数据；学习活动设计；课程实践

中图分类号：G718    文献标识码：A    文章编号：1672-5727（2023）02-0086-05

基于互联网的在线学习平台是目前教育教学改革实践中的一股强劲的新生力量，在线学习和传统课堂学习二者相互融合，由此混合式学习得到了诸多教育者的热衷，从E-learning到MOOC、再到SPOC，在各层次教育领域的应用探索遍地开花，也催生了翻转课堂等一批教学新理念与学习新方式。面对日新月异的技术创新和瞬息万变的知识世界，学习者需要更高效的组织思维、更有效的意义建构，以实现对知识更深层次的理解。深度学习强调对知识的深度理解，而不只是机械记忆、简单运用，更体现关注学习过程中的高阶思维活动。研究构建具有大数据特色的深度学习场域是智慧教育的时代机遇和现实追求，大数据支持深度学习是智慧教育发展的客观需求，大数据促进深度学习是智慧学习深入实践的现实依据，全民数智学习时代的构建也需要学习者具备深度学习能力。

一、深度学习场域模型的构建与解析

通过对深度学习相关理论概念的分析，基于现有的深度学习研究成果，构建大数据背景下的深度学习场域模型，如图1所示。该模型以深度学习理论为基础，从时间维度看，主要包括导入、主体和评价三个学习阶段，分别对应知识传递的内化、知识迁移的转化及高阶思维的运用；从深度学习场域的空间维度来看，学习目标不仅关注学习者的认知领域，还兼顾人际领域的协作沟通能力，以及个人领域的元认知能力及学习毅力的培养，在导入、主体和评价阶段均已达成该三维目标为导向。

学习活动主要包括导入阶段的自主学习活动，主体阶段的协作、探究等个性化学习活动及评价阶段的批判、反思及创新活动。深度学习目标的达成要求学习者必须保持积极的学习动机，充分发挥自我能动性投入到高阶思维活动中，并对学习过程及学习成果进行深入有效的反思[1]。在导入阶段，自主学习要求学习者对自己的学习活动负责，在导学单的作用下，学习者能够及时调控自己的学习行为，能够明显提升学习者的学习动机和自我效能感，有利于学习者认知技能的发展、情感价值观的重塑。在主体阶段，教师设计相应的学习活动来持续激发学习者的动机，并进一步促进学习者积极应用高阶思维能力，以批判的眼光分析问题，以创新的思路设计解决方案，并在协作探究的活动过程中实现对问题的有效解决。评价阶段的学习活动主要以学习者的自评、互评及反思迭代为主，充分利用线上互动工具的优势，创设高度自由的评析环境，充分调动学习者的元认知潜能，确保学习者能够深入反思，在自我冲突中获得全面发展[2]。

二、深度学习活动设计的实践思路与应用原则

基于深度学习场域模型的学习活动设计是将深度学习的核心理念渗透到学习过程中的各个要素，在导入、主体和评价阶段要关注学习目标的多维度、学习内容的核心概念及其知识结构，学习策略选择要针对不同场景在问题化、项目化、参与性、协作性等方面的设计，并重点强调评价体系赋予学习者的发展性要求。

学习活动设计基于深度学习场域模型的理论基础，分别对学情分析、目标设计、任务设置、形式选择、学习支持及评价等活动要素进行规范化设计，如图2所示。

在学习活动设计时，首先要确保学习活动与深度学习要求及课程实施标准保持高度一致，学习活动设计的理论支撑是深度学习的具体要求，学习活动设计的内容趋向要依据课程标准的规范描述。作为学习者有效学习的实践载体，学习活动既要基于深度学习理念优化设计各活动要素，又要通过学习活动来引导认知过程及思维方式不断指向深入[3]。课程学习活动是课程标准的落脚点，不同维度的目标要求是通过学习活动序列的多样化组织来实现的。从学习活动的结果上看，深度学习主动关注学习者对知识的有意义学习，即在有效联结新旧知识的基础上，能够自主实施对知识的有意义建构，而不是死记硬背或者零散关联。从学习活动的过程上看，深度学习指向学习者积极主动的学习，要求学习者在学习活动中能够保持较高的投入水平，在认知投入、情感投入及行为上均有积极的表现。从学习活动的方式上看，倾向于使用深度学习方式的学习者普遍熟练掌握元认知策略，擅于主动建立新旧知识间的联结、积极寻求知识的规律、有效联系生活现实及职业背景，更多地运用批判、创新、反思等高级思维能力来实现知识学习的价值。从学习活动要求的能力范畴看，学习者深度学习能力的养成，包括但不限于人际沟通与协作、批判与创新、认知与学习发展及信息素养等多元智能。因此，设计深度学习场域中的学习活动要从目标、任务、资源、策略、成果运用、评价规则等多个要素入手，在学习的主体阶段，为学习者进行有意义的深度学习而铺路搭桥[4]。

三、基于深度学习场域模型的“WEB应用技术”课程实践应用

（一）实验设计

实验目的是为了将研究构建的深度学习场域模型应用到五年制高职“WEB应用技术”课程中，通过开展深度学习实践应用，以问卷评测、访谈调研及学习分析技术实践等方法来验证构建的深度学习场域模型能够有效促进五年制高职学生的深度学习，以量化分析和质性研究认知交互的方式来检验深度学习过程中学生认知质量、思维水平等方面的变化，为后续微观课堂层面的深度学习研究提供参考。

选取我校五年制高职智能医疗装备技术专业学生为研究对象，其中1801班为对照组，1901班为实验组。对照组采用传统的学习方式开展“WEB应用技术”课程开展学习，而实验组应用问题探究式的深度学习方式开展学习，两个班级由同一位教师授课，学科前置知识及学习能力基本相同。职校高年级的学生好奇心强，对新的学习工具、新的学习方法充满期待，愿意参与实验并尝试应对改变。

（二）实验过程

对在“WEB应用技术”课程中“网页布局”部分的学习内容进行深度学习活动设计与实践应用。在导入阶段，学习者根据教师提供的导学单进行自主学习，主要是通过学习微课、练习测验、讨论提问等进行初步的知识建构，实现知识的有效传递。在主体阶段，学习者在问题情境中通过一系列结构化的任务进行协作探究，在问题解决的过程中完成对新知识的吸收内化和迁移应用。在评价阶段，学习者根据拟定的问题解决方案来完成创作，并将作品提交到指定的线上平台，并对问题解决的过程及创作实践的成果进行评价与批判，在反思的基础上实现知识的拓展与创新，促进高阶思维能力的有效运用，达成深度学习的既定目标[5]。

对照组使用传统的学习理念开展课程学习，实验组应用基于深度学习场域模型的探究式学习活动进行，学习过程充分突出学生的主体地位，全力保障学生的自主学习，将问题探究式的学习理念贯穿到学习的整个过程。实验组的学习活动设计见表1。

基于上述的深度学习活动过程方案，以多媒体教室和泛雅学习平台为学习环境，充分运用导学单、深度学习实施方案及学习评价工具等实验素材，经过半个学期的实践应用，课程学习过程中积累了大量的实验作品及过程数据，为后续实验效果的分析检验提供可靠的资源。实验组的学生数量、作业次数、课程活动数量及话题讨论等都做了细致的记录，取得了丰富的实验成果。在“网页布局”章节学习完成后，学生提交了设计完成的网页作品。

四、“WEB应用技术”课程深度学习实践效果分析

（一）访谈情况分析

笔者随机选取了实验班的8名学生依据访谈提纲进行了实地访谈，通过对访谈内容的整理和分析之后，可以得出如下结论。受访的学生普遍认为基于深度学习场域模型的“WEB应用技术”课程更加能够激发学习动机，课前导学单对学生的自主学习具有积极的指导意义，能够让学生在结构化的知识地图中实现由浅入深的认知发展，且主体阶段的问题探究式学习非常贴近学生的生活现实及职业背景，启发性、趣味性的学习情境更能激发学生的探究热情，既有益于学生进行高强度的交互学习和人际沟通，也有助于学生运用高阶思维能力来分析和解决问题。在评价阶段，线上线下融合的多样化学习评价工具，开放式的评价机制和启发式的评价体系，能够有效发挥学生的元认知能动性，在创作中感受知识的价值，在反思中体验学习的乐趣[6]。

（二）过程性学习数据分析与评析

在实验过程中，实验组学生积极参与知识点测验、技能训练、头脑风暴、小组讨论交流、集体创作活动及分享评论等任务，针对在线学习平台上记录的过程性学习数据，笔者开发了若干python脚本，经过对脚本自动化提取的数据进行规范化处理后，选择了在导入、主体和评价阶段均有完整记录的学习过程数据进行了结构化处理，并利用SOLO分类理论进行了质性编码分析，SOLO适宜于对学习者的思维结构进行质性评价，可以通过评价学习过程来判断学习者思维结构的复杂程度，从而客观地分析深度学习的水平。关于深度学习的思维层次划分及学习过程表现，见表 2。

笔者选取了实验组10名学生，分别用T1—T10来表示，并针对“WEB应用技术”课程中“网页布局”章节的6个序列化的学习活动进行统计编码，结果如图3所示。

由图3可知，深度学习活动实验开展之前只有极个别学生处于前结构水平状态，说明大多数同学能够避免无关信息的干扰，有效控制自己的学习状态。实验开始后，随着学习活动的接受度不断加强，新旧知识的联系引发学生认知结构的冲突再平衡更加频繁，有意义的知识迁移和转化应用对于高阶思维能力的要求不断提升，处于单点结构水平的学习者数量持续减少，而多点结构水平的学习者数量迅速增加并保持稳定，表明学习者已然掌握浅层次学习的能力，并有趋向深度学习阶段。图中的关联结构曲线和抽象拓展结构曲线由低到高的稳定性增长也证实，随着实验活动的持续进行，学习者的高阶思维活动逐渐活跃，课程学习也随之走向更深层次[7]。

通过上述对于学习过程性数据的编码处理和质性分析，本次实验证实了基于深度学习场域模型设计的课程学习活动能够有效促进学习者深度学习的发生。

综上所述，深度学习场域模型能够有效指导五年制高职学生的深度学习实践，从实验组前后测调查数据的T检验结果来看，相比对照组而言，实验组学习者在课程学习投入程度及深度学习的各个构念维度上均表现出显著的优势，借助大数据在微观学习层面的有利支持，丰富的数字化学习资源为学习者的自主学习创造了具有启发性和趣味性的学习情境，并能基于大数据知识发现工具来开展富有意义的头脑风暴，从冲突再平衡的认知结构动态优化中实现知识的有效建构，能够帮助学习同伴间建立深层次的交互关系，通过不同的问题情境来引导学习者运用批判理解、知识创新等高阶思维能力，促成深度学习的发生，实现深度学习的目标。

参考文献：

[1]彭培环.智慧学习环境下的深度学习分析及模型构建[J].中国教育信息化，2021（1）：10-14.

[2]王娟，李涵，李卓珂.“互联网+”环境下大学生深度学习影响因素及模型建构研究[J].终身教育研究，2020（4）：44-54.

[3]李洪修，丁玉萍.深度学习视域下在线教学的审视与思考[J].课程·教材·教法，2020（5）：64-70.

[4]李东瑾.基于深度学习的智慧课堂设计与应用研究[D].石家庄：河北师范大学，2020.

[5]马芸.基于MOOC的混合式教学促进大学生高阶学习的研究[D].长春：东北师范大学，2019.

[6]彭红超.智慧课堂环境中的深度学习设计研究[D].上海：华东师范大学，2019.

[7]陈德鑫，占袁圆，杨兵.深度学习技术在教育大数据挖掘领域的应用分析[J].电化教育研究，2019（2）：68-76.

（责任编辑：刘东菊）

Abstract： With technology promoting learning as the starting point and promoting learners' deep learning as the goal， this paper sorts out the relationship between the elements that affect deep learning and analyzes the deep learning field model with the characteristics of big data. Based on this model， practical ideas and application principles of deep learning activity design are proposed. Taking WEB application technology course as an example， course teaching practice based on deep learning field model is introduced. Finally， this paper explores the implementation effects by data from three aspects： questionnaire post-test analysis， interview analysis and process learning data analysis.

Key words： deep learning; big data; learning activity design; course practice