为纵深推进教育数字化战略行动，深入发展智慧教育，促进智慧教育领域经验总结和互学互鉴，加强优秀案例分享和国际传播，在教育部科学技术与信息化司指导下，“智慧教育示范区”创建项目专家组秘书处与教育部教育信息化战略研究基地（北京、华中、西北）开展了智慧教育优秀案例征集活动。
经过申报或推荐、案例撰写培训和修改、专家遴选、公示等环节，共确定324个智慧教育优秀案例，其中区域发展类74个、学校实践类226个、解决方案类12个、研究成果类12个。
本期为您带来研究成果类智慧教育优秀案例：数据驱动的教学设计优化迭代实践
原文标题：数据驱动的教学设计优化迭代实践
原文作者：万寒 高小鹏 钟梓皓、虚拟现实技术与系统全国重点实验室、北京航空航天大学
针对能力培养中的评价与过程控制问题，以计算机专业在线训练为基础，依托在线平台采集的学习行为数据，形成多维度层次化的评价指标体系及多回路过程控制模型，从而以可控方式达成能力培养目标。依托北京航空航天大学“计算机组成”课程进行混合式教学实践，为开展数据驱动的教学设计优化提供有效经验。
一、工作基础
(一)虚实融合软硬件综合在线实验平台
近年来计算机类专业逐步将课程训练体系从线下迁移到线上，从而向学生提供丰富的在线学习资料以及小时实践学习服务。更进一步，通过在线实验平台全程记录学生的学习过程，从而提供丰富的细粒度学习过程数据，并及时获取学生反馈，使得更精细的基于数据驱动的过程控制与量化评价成为可能。
图1 虚实融合软硬件综合在线实验平台
截止目前，北京航空航天大学计算机学院搭建了如图 1 所示的综合在线实验平台，支持软件类实验，FPGA 硬件实验、嵌入式实验及网络类实验。学生可以随时、随地基于互联网进行学习及训练，并及时获得实验反馈;教师可远程进行指导与考核，师生与生生间交互方式变得更丰富与及时。
(二)基于学习行为数据的多维度层次化评价指标体系
为从微观角度量化评价训练效果，结合在线训练的不同阶段特点与需求，制订了较为通用的评价指标体系。如图 2 所示，该指标体系包含训练参与度、训练完成度和完成质量 3 个一级指标。
图2 基于学习行为数据的多维度层次化评价指标体系
(三)数据驱动的多回路实验训练过程控制机制
通过对计算机专业能力进行划分，提出双通道层次式反馈机制，从课程和学生两个通道来收集教学过程数据，反馈所发现的问题，多门课程协调教学改进。依托层次化评价体系，构建了如图 3 所示的数据驱动的多回路实验训练过程控制机制。将每个在线实验改造为若干可观测与可控制的细分阶段，其中观测点采集学生实验的参与度、通过率、完成度和中间过程数据;控制点则对教学活动进行调节与控制，如作业完成质量的分级阈值的调控等;从而通过收集学习行为、分析学习效果，及时调整教学活动。这里教学活动指相应的知识点设置、训练设置、授课活动、实验训练及实验训练结果分析等。
图3 数据驱动的多回路实验训练过程控制机制
二、课程实践
“计算机组成”课程是北京航空航天大学计算机专业“系统能力”培养首门课程。课程结合主流计算机系统结构讲授计算机硬件系统组成，各部件结构、工作过程及工作原理，并以开发CPU为挑战性学习成果培养学生掌握基于模型的 CPU 开发方法，进而具备分析、设计和开发计算机硬件系统的基本能力。
课程每轮次授课学生规模350余人，包括计算机学院、高等理工学院、北京学院、国际学院计算机科学与技术专业的二年级学生。课程由 64 理论学时的授课环节，及48学时的实验教学环节构成，强调通过系统性训练达成系统能力培养的教学目标。
为了培养学生解决复杂工程问题的能力，具体到课程，即培养学生具备软硬件协同设计能力、掌握基于模型的系统形式建模方法，进而开发大规模指令集流水线CPU。针对能力培养要求，反向设计了实验体系。构造了12周完成9个闯关实验的过程体系，训练难度呈现梯度层次。实验体系包含面向数字电路设计、支持8条 MIPS 指令的单周期CPU设计、支持11条指令的流水线CPU以及支持50条指令的流水线CPU设计，再到支持中断与异常处理的微架构设计。
(一)教学周/教学学期采集的行为数据驱动的教学活动调整
2020秋季12月5日的课上训练过程中，平台监测 2020秋与2019秋课程同期的训练达成情况。发现2020秋在前1个半小时某道题目的评测通过率过低，通过分析学生提交情况，发现是学生阅读英文指令集出现了误解读。通过平台释放提醒，要求学生通过模拟器运行指令以理解指令行为，从而修正课上设计。即，根据历史数据发现课上训练的异常，从而调整教学活动。并记录平台日志，帮助新一轮教学的训练监测。此外，通过对论坛交互数据的分析，观察讨论热点并分析成因，进而做出教学改进。
(二)依托学习行为数据评估教学干预效果
实验课程的1-5周是教程学习阶段，通过平台学情数据识别可能存在学习风险的学生，并推送学习参与情况做提醒干预。基于2017至2019秋季学期的数据，根据特征与学生最终成绩的斯皮尔曼等级相关系数进一步对特征进行筛选。“题目通过数量”、“讨论区活跃度”、“在线总时长”、“课程资源访问次数”、“题目提交数量”等5个特征相关系数最高。选取这5项特征进行学情推送，使学生了解自身的学习参与度，同时使用这 5 项特征进行学情监测和教学干预。
作者：万寒 高小鹏 钟梓皓
来源：2023年度智慧教育优秀案例