基于大数据的精准教学模式探究

摘要：精准教学自诞生以来，受限于技术条件，无论是理论研究还是实际应用都不容乐观。信息技术的发展特别是大数据的兴起，为精准教学的发展提供了机遇。在此背景下，文章梳理了精准教学的理论方法、研究现状及其应用困境，分析了大数据对精准教学的影响。随后，文章从教学目标确立、教学过程框架设计、教学评价与预测等三个维度，构建了基于大数据的精准教学模式。最后，文章针对教学主体关系、数据伦理、安全保障等问题，对基于大数据的精准教学进行了反思。文章的研究，推动了大数据技术在精准教学领域的应用，有助于激发精准教学的活力，进一步提升精准教学的有效性。

关键词：大数据；精准教学；教学目标；教学过程；教学评价与预测

一 精准教学的理论方法

精准教学（Precision Teaching）是Lindsley[1]于20世纪60年代根据Skinne的行为学习理论提出的一种教学方法。起初，精准教学面向小学教育，旨在通过设计测量过程来追踪小学生的学习表现并提供数据决策支持，以便“将科学放在学生和教师的手中”[2][3]；后来，精准教学发展为用于评估任意给定的教学方法有效性的框架[4]。历经50余年的发展，精准教学现已形成了自身的一套理论方法。

1 精准教学的理论依据——Skinne的行为学习理论

Skinne[5]是美国新行为主义心理学的创始人之一，他认为人类行为主要是由操作性反射构成的操作性行为，操作性行为是作用于环境而产生结果的行为。人类的一切行为几乎都是操作性强化的结果，人们有可能通过强化作用的影响去改变别人的反应。在学习情境中，操作性行为更有代表性，因此操作性反射在学习过程中尤为重要。1954年，Skinne将这一理论引入教学，认为教学就是提出学生应达到的目标并对学习过程进行控制，辅以训练、反馈和纠正性补救等措施，形成所要求的行为即达到目标并立即给予强化；对于那些偏离目标或未达到目标的行为，则在不强化的前提下进行纠正[6]。

2 精准教学的衡量指标——流畅度（Fluency）

精准教学中的最大“精准”在于教学评价，而衡量教学是否达到目标、学生是否真正掌握知识或技能，关键在于检测学生学习的行为过程及其反应。基于此，精准教学引入流畅度指标，用于衡量学生的学习质量。流畅度涵盖了“准确度”和“速度”两个方面，也就是说，学生的学习质量既包括对知识或技能的准确掌握，也包括运用知识或技能的速度。流畅度具有五大属性：持久性（Maintenance）、耐久性（Endurance）、稳定性（Stability）、应用性（Application）和生成性（Generativity）[7]。其中，持久性是指在无额外练习的情况下，学生根据需求执行任务的能力；耐久性是指为了满足真实需求，学生在长时间内持续执行任务的能力；稳定性是指在有干扰的情况下，学生能够继续实施一项技能的能力；应用性是指学生容易将知识或技能应用于新情境的能力；生成性是指在没有明显的指导下，学生出现复杂行为技能的能力[8]。

3 精准教学的程序方法——练习与测量

精准教学的程序方法要求学生日常练习并精准测量其学习表现，即每天花费一定时间（1分钟或几分钟）进行练习与测量。练习是测量的基础，且这一过程需要长期开展并持续记录。一般来说，测量得到的频率数据将由教师记录于标准变速图表中，该图表可以精确预测学生的知识或技能何时能够达到流畅度的要求，以判定当前学生的学习表现随时间的推进是否进步明显、是否需要修改干预措施。在教学过程中，教师可以根据学生日常的练习、测量与记录情况，并通过频繁监测学生的学习行为状态采集相应的数据，以获得学生的发展情况[9]。

二 精准教学的研究现状及其应用困境

1 精准教学的研究现状

国外的精准教学研究尽管已历经半个多世纪，但进展缓慢，主要集中于通过教学实验来评估精准教学的效果。如Downer[10]、Griffin等[11]的研究表明，精准教学可以显著提高学生的阅读能力；Gallagher[12]、Str?mgren等[13]在数学教学中进行了精准教学实验研究，结果表明精准教学对于数学学习困难的学生有显著作用。

我国的精准教学研究则刚刚起步。在中国知网以“精准教学”为篇名、关键词进行检索，检索日期截至2016年12月31日，所得文献仅为