“雨课堂”教学模式的“IDCNN+”结构化分析与实证研究
| 全文共16946字，建议阅读时长16分钟 |
本文由《远程教育杂志》授权发布
作者：刘玉成 王传生 杨晶
摘要
随着“人工智能+”研究思维与方法水准的螺旋式上升，“Neuro+”与教育教学的深度融合水到渠成，并逐渐炉火纯青。于是，改进型深度卷积神经网络（Improved Deep Convolutional Neural Network,IDCNN）方法与教学研究的融合，使得“如何算出每个影响‘雨课堂’等智慧教学模式的核心要素及其权重，如何挖掘证实在线教学资源、互动性行为及教学效果之间存在的逻辑关系，如何准确地量化得出‘雨课堂’等教学模式的教学效果”等系列问题的解决，成为可能。IDCNN提取互动性行为层面的7类低维度特征数据，进行各指标数值及模型的运算，进而深析并实证在线教学资源、互动性行为、教学效果之间的内在联系和本质规律。实证研究结果表明：1.“雨课堂”中每个核心要素及其一级、二级指标权重和教学效果，均可实现数值化；2.在线教学资源、互动性行为及教学效果三者，两两之间，存在弱正比例线性逻辑关系；3.并非所有在线教学资源，都正向影响师生间的互动性行为；也并非所有的互动性行为，均正向决定“雨课堂”的教学效果。它们分别对应着不同系数（正负值）的函数关系。
关键词：“雨课堂”教学；影响规律；质量管理；IDCNN；结构化分析；智慧教学；Neuro+
一、引言
美国教师乔纳森·伯尔曼（Jonathan Bergmann）和亚伦·萨姆斯（Aaron Sams）发明的智慧教学模式之“翻转课堂”，很快受到TED、Yale及可汗学院等高校的青睐与追捧，并迅速在全球得到“野蛮”生长和跨越式发展。如今，移动互联网教学已成为信息化教学的新趋势[1-2]。2014年8月，“翻转课堂”V0.4.1版本上市并取得成功；2017年初，“雨课堂”V2.0版本问世；到了2018年5月，“雨课堂”V2.2版本进入高校课堂。“雨课堂”V2.2教学模式最显著的特征是移动性、在线性和互动性，它将手机、电脑、多媒体、教室和师生等无形地联结起来，以使得真正立体化的智慧教学模式变成现实，并广泛应用于高校教学。
从软件应用的角度来看，“雨课堂”V2.2是集微信、PPT、雨APP于一体的三维教学新模式。它不仅是提升高校教学效果的新“利器”，而且是任课教师提高信息化教学水平的新途径。从融合技术的角度理解，“雨课堂”V2.2是将“云端”的数据库技术、“云雨”结合的网络通信技术、“雨声落地”的信息处理技术、奇思妙想的APP软件技术和异想天开的教育理念等，融合成“五位一体”智慧教学模式的新探索。它的“春风化雨”和“落地生根”，有利于数据驱动教学，实现科学教学；同时，也有益于提升教学效果，实现教学科学。
“雨课堂”V2.2丰富了在线教学资源分享的途径和方式，提高了在线教学资源的总量和水准。在高校实际教学中，智慧课堂增强了教师与学生之间的互动性行为；有效促进高校教学效果得到较大提升；并进一步革新了传统教学的既定模式和理念。
然而，“雨课堂”等智慧教学模式的教学效果，到底提高了多少？成效到底怎样？决定智慧教学模式之教学效果的核心要素是哪些，作用大小如何？它们的逻辑关系和内在规律又是什么？目前，国内外学者对此类课题的系统性研究甚少。所以，至今这些问题的答案，在学术界还没有形成一致结论。
二、研究现状与发展
聚焦信息化条件下 “高效课堂”、“翻转课堂”和“雨课堂”等智慧教学模式及其教学效果的研究，发现该领域研究已从 “大数据+”到 “AI+”再提升到“Neuro+”的高度，开始结合神经教育学向智慧课堂的“深水区”挺进，并逐步走向成熟[3-4]。2016年，李祎等人基于支持向量机探讨了智能课堂的教学研究[5]，并有效地评价了小学智慧教学特定课程的教学效果。2017年，薛胜兰运用数据挖掘技术，一方面，揭示了智能手机融入具体课程教学存在的问题[6]；另一方面，阐述了在线互动教学模式中智能终端运用的多方面优势。随后，杜世纯等人基于综合学习平台[7]，采用知识图谱法对智慧教学模式在高校教学中的应用，做出了实际教学效果的一般性评价。2017年，Thai基于生物专业实践课程展开深度学习研究[8]，对比“翻转课堂”教学模式与一般教学模式的教学效果，证明了前者具有较大优势。同年，Kostaris在理工类专业教学中，借助卷积神经网络测试了智慧教学模式的应用效果[9]，实验结果与Thai的研究结论基本一致。
与此同时，该领域在相关研究技术和方法方面也是水涨船高，获得了较大进步。2017年，姚洁等人运用问卷调查的方法[10]探索了“雨课堂”应用的初步教学成效。同年，Hutt等人利用Bayesian Network[11]提取人体形态学特征，识别了影响教学效果的核心要素和规律。次年，Liu和Koedinger等人基于上述Bayesian Network，并应用Factor Model[12]收集梳理相关数据，归纳总结了教学效果等规律性的部分结论。2018年，赵利堂等人采用传统统计学的方法[13]，分析阐述了 “雨课堂”三段式教学实践中教学效果的水平。之后，李彤彤等人运用元分析法[14]，定量分析了不同类型教学的应用效果，初步找出了不同学科和不同类型学生之间教学效果的差异，以及影响教学效果的关键要素和作用关系。刘邦奇[15]等人基于SPSS软件的因子分析法，从某个层面实证分析了智慧教学模式的资源要素、互动行为及教学方式等三者之间的关系。
上述研况表明，前人在智慧教学模式之教学效果方面的研究，已取得一定的基础和进展。然而，对影响教学效果的核心要素及其相互关系和内在规律方面的知识，却是知之甚少。简单分析，原因有三：一是智慧教学模式发展迅速且变化较快；二是影响智慧教学模式的核心要素较多，且要素之间关系错综复杂；三是传统的研究方法普遍存在各种缺陷或不足。而纵观传统研究方法的特点，可归纳以下共性：虽然涉及了信息化手段的应用，但却很少合理地运用智能化的研究方法与“人工智能+”式的研究思维。
三、研究框架与内容
（一）研究方法
有鉴于此，本研究依据“雨课堂”等智慧教学模式中小样本数据的处理要求，以及教育数据呈线性和非线性共存的特点，在继承深度卷积神经网络优势[16-17]的基础上，提出了改进型深度卷积神经网络（Improved Deep Convolutional Neural Network，IDCNN）的结构化数据分析的方法。利用该方法，进一步挖掘影响“雨课堂”等智慧教学模式的核心要素，理清相互关系和规律。首先，在IDCNN法运算后，应用AHP法计算互动性行为指标及其权重[18-19]，并沿用C.R检验特征数据的有效性；接着，对指标权重作互动性系数转化；然后，进行数值统计与对比分析；最后，完成“雨课堂”等智慧教学模式互动性行为层面的综合研究，并得出较为科学的研究结果。此外，有关IDCNN与AHP等研究方法的架构解释与运行规则，将在实证研究部分具体应用时一并阐释。
“IDCNN+”结构化方法，善于处理复杂的多维度教育数据和小样本数据；并在低维度数据与高维度数据之间转化时，能最大限度地保持高维度教学数据的核心要素和本质特征。而且它具有解决线性关系与非线性关系混合问题的能力和优势，因而，对处理教育大数据具备较强的适用性和优越性。
（二）研究问题
本研究创新性地提出“IDCNN+”结构化数据分析方法，研究的主要问题是“怎样深度挖掘影响‘雨课堂’等智慧教学模式的核心要素；怎么深入研析在线教学资源、互动性行为、教学效果之间的内在联系和本质规律”，以期较好地解决如下具体的问题：第一，如何算出每个影响“雨课堂”等智慧教学模式的核心要素及其权重问题；第二，如何科学实证在线教学资源、互动性行为及教学效果三者，两两之间是否存在严格的正比例线性逻辑关系；第三，如何准确地量化得出“雨课堂”等教学模式的教学效果。
（三）研究内容
本研究以影响“雨课堂”等智慧教学模式的核心要素、相互关系和内在规律等为研究内容；以“雨课堂”V2.2版本的高校实际教学数据为主要研究对象；并选取“翻转课堂”V0.4.1和“雨课堂”V2.0版本为参照样本，以相同高校的实际教学数据为研究对象；进行对比分析与综合研究（三者之间的联系和区别见参考文献2和5，这里不再赘述）。
值得指出的是，本实证研究中的在线教学资源包括：慕课、微课、网络视频等显性要素；教师点评等隐性要素；以及课堂红包等双性要素。课堂红包是任课教师奖励学生积极答题的创新型方式，也是一种互动模式的物质与精神双激励要素。教师点评则更多是促进师生间积极互动的“心灵鸡汤”，有着教与学互动向心力的作用和功效，属于较为有效的隐性在线教学软资源。
（四）总体框架
在此，本研究采用总体框架的形式，来模型化阐释研究方法、内容、规律与结论，如图1所示。
图1 研究框架示意图
四、实证研究：某省高校智慧课堂教学模式应用实例
实证研究部分主要是运用结构化分析法，对互动性行为层面进行研究与阐释。在相关课题的研究中，我们已经完成对“雨课堂”等智慧教学模式的多层面、全方位的系统性研究。它涵盖多层面、全方位和系统性地影响“雨课堂”等智慧教学模式的核心要素、相互关系和内在规律等研究内容。这里考虑到整个系统性实证研究的内容非常繁多，并且结构化数据分析方法所产生的实验数据十分巨大，若要完整地呈现将受限于论文篇幅。于是，本研究仅选取了高校师生间互动性行为层面的实证研究来阐述。该层面是“雨课堂”等智慧教学模式最具代表性的特征之一，对其实际教学数据的研究，有效地解决了本研究提出的主要问题，同样得出了一些规律性的重要结论。
（一）特征指标的转化
在对国家级权威数据库NIER.Database（国家创新教育研究）的数据采集中，本研究随机选取了江苏省高校实际教学的真实数据（“翻转课堂”V0.4.1、“雨课堂”V2.0和“雨课堂”V2.2等三类数据，下同）为研究样本。
在前期的准备工作中，我们已对随机采集的高校教学互动性行为原始数据做了预处理工作。通过预处理，得到实证研究所需要的互动性行为的过程性数据，此时该数据可以直接代入转化运算。与研究相关的预处理数据，如“课件推送”部分的截取与展示，如表1所示。
表1 “课件推送”信息数据表
1.精益数据的选取
对随机采集的实际教学原始数据，进行特征数据筛选等预处理后，分别选取三组师生间教与学互动行为层面的28种6000个相关具体教学数据，作为样本（限于篇幅，展示省略）。为了确保提取的教学特征数据不失真，本研究采用“IDCNN+”结构化方法进行处理。IDCNN的模型结构及工作过程（图2），可用工作流程图的形式阐述如下。
图2 IDCNN工作流程图
IDCNN从6000个教与学互动性行为大数据中，尝试对28种行为互动大数据，进行线性和非线性的混合关系映射，最终，较好地归集选取了教学互动性行为层面的7大类2000组精益数据（即，合成因子样本）。本研究中线性和非线性混合关系，是指原始互动指标之间存在一对多、多对一、多对多等相互作用和影响所形成的对应数学关系，并且这些关系以线性和非线性的形式交织混合于一体。这里以二级指标“微课视频质量”为例，来阐述该混合关系的含义。如，“微课视频质量”与一级指标“学习资源数量类”之间呈现线性关系，与一级指标“学习强度类”指标之间显示半对数关系，但与一级指标“学习态度类”存在N（N＞1）次方的对应关系等。
2.合成因子的确定
教与学合成因子的确定，即精益数据的提取过程，也即互动性教学行为指标的浓缩提取[20]。它所确定的有限多个合成因子，必须满足三大基本要求：一是自身结构简洁、含义清晰、信息简明、数据维度低；二是能最大化地体现相关二级特征指标的信息和能量；三是相互之间的重叠成分较少，相互影响效应较小。
本研究基于以上IDCNN方法运行的过程，并按照三大基本要求，对28种原始互动性行为特征指标进行提取。最后，确定了具有本质性、代表性与完整性特征的7大类合成因子，具体表示如下：（1）学习资源数量类；（2）学习强度类；（3）评价与参与度类；（4）学习资源质量类；（5）教与学互动类；（6）教师激励类；（7）学习态度类。
3.完整性比率的计算
我们对IDCNN法所确定的7类合成因子，及其反映教与学互动性行为特征信息量的完整性比率，采用数理统计中的协方差分析和因子分析法进行验证计算[21]。验证过程运用SPSS软件工具，解析7大类合成因子与28种特征指标之间的映射关系，并用协方差、方差贡献率及累计贡献率等指标，来表达与显现。合成因子1-7的具体指标数值，如表2所示。
表2 合成因子指标数值
表2中协方差、方差贡献率及累计贡献率等相关数值显示：（1）7类合成因子累计贡献了原始特征指标96.715%的信息和能量，表明完整性比率较高；（2）协方差的数值均较小，反映了自身结构简洁、含义清晰、信息简明的特征；（3）协方差数值也反映合成因子间的重叠成分较少，相互影响效应较小。由此可见，IDCNN法所确定的合成因子，满足实证研究中的三个基本要求。
（二）特征指标及权重计算
教与学互动性行为指标及权重的计算，主要是应用层次分析法（AHP）来完成[22-23]。AHP能够科学确定各个原始特征指标的各级载荷权重，确保涵盖教学效果与教学行为之间相互关系的合成因子，最为精准、合理和高效。运算的简要步骤与环节如下：
1.特征数值矩阵化
将“雨课堂”等智慧教学模式的特征指标进行多级化处理，并将特征指标数值赋值于矩阵形式。一级矩阵（准则层）共为1组（矩阵A），即互动性行为数值矩阵。它表示“学习资源数量类”等7类合成因子的重要性属性的比值关系。通过以 “学习资源数量类”为基准，其它一级指标与其相除，得出一级矩阵的全部数值结果，如下所示：
2.一致性检验
“雨课堂”等智慧教学模式研究所涉及的特征指标数据，必须接受C.R检验，以确保特征指标等计算数据的有效性。这里以B1为例，根据C.R的检验方法和计算 （计算过程略），得到如下结果：CIB1=0.0101；R.I=0.52。
在得到C.I与R.I的数值后，便可进行特征数据的一致性检验运算，公式如下：
那么，依据上述 B1的相关计算结果：λB1max=3.0202；可得出：
同理，可得出：
CRA=0.0296/1.36=0.0218；CRB2=0.0268/1.26=0.0213；CRB3=0.0101/0.52=0.0194；CRB4=0.0268/1.26=0.021；CRB5=0.0184/0.89=0.0207；CRB6=0.0267；CRB7=0.0188/0.89=0.0211。
我们遵循C.R＜0.10为有效的原则，来验证以上各矩阵C.R的数值，发现每个C.R值都远小于0.10，这证明本研究提取的“雨课堂”等特征指标数据，均符合有效性原则。
3.权重计算与排序
之后，我们计算“雨课堂”等各级特征指标的权重，并依据算出的权重实施特征指标的多层次排序。一级指标权重形成及排序的过程，如下所示：（1）根据一级矩阵A中第一列数值，可知特征向量为W0=[1，2/3，3/2，1，1/2，1，1]；（2）参照 W0的数值，归一化可得 W=[0.150，0.100，0.225，0.150，0.075，0.150，0.150]；（3）形成一级特征指标权重之矩阵数值的排序表（见表 3）。
表3 一级矩阵权重与排序
采用同样的方法，首先根据矩阵B的数值，得到二级指标的W0值；接着，算出W的归一化值；然后，形成二级指标 B1，B2，...，B7 的权重。
最后，整合形成如下 B1，B2，...，B7 的二级权重排序表（见表4系列）。
表4-1 二级矩阵权重与排序
表4-2 二级矩阵权重与排序
表4-3 二级矩阵权重与排序
表4-4 二级矩阵权重与排序
表4-5 二级矩阵权重与排序
表4-6 二级矩阵权重与排序
表4-7 二级矩阵权重与排序
基于上述教与学互动性行为的权重和层次的分配，本研究将整个互动行为的具体指标层、合成因子层和目标层，架构为经典的三层结构模型。模型结构沿用层次分析法的架设规则，即第一层次为目标层；第二层次为准则层；第三层次为具体措施层（方案层）。不同层次有着各自的作用和意义，简单来说：目标层就是对应的教与学互动性行为程度（频率）的目标；准则层对应于“学习资源数量类”等7大类合成因子；最后的具体措施层则对应师生间互动的具体行为，如，慕课分享数量、微课分享数量、网络视频网址共享次数等，共有28种。
我们通过对各层次权重及具体互动行为特征的综合运算，并进行归一化处理后，得到师生间互动性行为的权重模型（表5）。为方便起见，模型中省略了第一层次的目标层（A层）。因此，准则层为7个一级指标（B层）；措施层则由28个二级指标（C层）构成，具体如表5所示。
表5 互动性行为指标权重模型
注：单排序权值指处于二级指标中的权重值，总排序权值指一级与二级权重的加权平均值。
（三）互动性系数转化
根据上述教与学互动性行为特征指标权重运算的结果，运用以下公式进行转化计算[24]，将各权重转化为“雨课堂”V2.2、“翻转课堂”V0.4.1及“雨课堂”V2.0等研究所需的互动性系数。计算公式（2）中的Wi、Wij、Xi分别代表一级权重、二级权重和具体互动行为频次（数值）。具体表达形式，如下所示：
注：n的取值范围是0-6000；k代表组别，取值范围是1-3。
互动性行为数据样本是随机选取的三组（k值）不同的行为频次，数据总和，均为6000组。其中Wij*Xi表示2000组映射数据，即具体教学互动行为层面的7大类2000组精益数据。
此时，将“雨课堂”V2.2的具体行为数据代入公式（2）中，得到第一组互动性系数值（即，互动性程度量化数值）数组的表达形式（3）。如下所示：
注：k=1，其它参数同公式（2）。
同理，得到第二组互动性系数值数组，并用y2来表示；第三组用y3表示。相同的方法应用于“翻转课堂”V0.4.1和“雨课堂”V2.0，得到相应的互动性系数值。
在计算出师生间互动行为的互动性系数之后，再将其作标准化百分制折算，进而得出0-100之间相应数值的数组形式。这里参照何晓群、刘文卿在《应用回归分析》一书中采用的分位数法模式，将互动性系数折算值对应的程度等级，依次定义为优、良、中与差4个等级。各组程度等级及部分对应数值，如表6所示。
2.数值转化
对 “雨课堂”V2.2、“翻转课堂”V0.4.1及 “雨课堂”V2.0的系数进行折算后，我们得出三组互动性系数值数组，分别用三种折线来表示，如图3所示。
从图3的形状可以直观看出：师生间互动性行为的互动性系数值，整体呈现“斜坡式”分布。“雨课堂”V2.2的坡度基本均匀，“翻转课堂”V0.4.1的坡度先大后小，而“雨课堂”V2.0则大致处于两者之间。
（四）互动性系数分析
1.分位数法分析
针对互动性系数数值在折线图中的分布特征，本研究运用分位数的方法，对互动性系数作初步解析[25]。简要步骤如下：
表6 系数值折算表
注：第一组为 “雨课堂”V2.2数值（部分）；第二组为 “翻转课堂”V0.4.1；第三组则为“雨课堂”V2.0。
图3 系数折线图
注：横坐标代表不同教学模式等级，纵坐标代表互动性程度的数值。
表7 互动性系数结果分位表
图4 系数均值与分布
图4 表明，分布在“高”等级互动性行为频率的互动性系数算术平均值，分别为：83.029、47.248和63.266；“中”等级频率的互动性系数算术平均值，分别为：51.799、14.007 和 30.603；“低” 等级频率的系数算术平均值，分别为：21.274、5.249和16.042。
将标准化百分制折算后得出的互动性系数与在线教学资源相关原始数据进行比较研究，发现师生间的互动性系数和在线教学资源数之间，显示弱正比例线性逻辑关系（非严格性，下同）。具体如图5所示。
图5中多组带平滑线和数据标记的散点图一致呈现出：互动性系数和在线教学资源数的弱正比例线性逻辑关系。不同的是，各组平滑线体现了各自函数的不同系数（斜率），这表明智慧教学模式的教学效果，也受到其它因素的影响。
从微观数值层面深度解析，上述逻辑关系可得到以下更有说服力的客观数据支撑：以 “雨课堂”V2.2数据为样本，当互动性系数算术均值为83.029（系数值为：68.229＜α≤92.375）时，任课教师分享的慕课、微课、网络视频等基本要素式在线教学资源数均值是21.5（每门课×学期×班级）；课堂红包、点评数等激励要素式资源数则分别是36.2个和70.7个。“雨课堂”V2.2其余组位对应的数值、“翻转课堂”V0.4.1及“雨课堂”V2.0的相关佐证数据，经统一归集，如表8所示。
图5 在线资源-互动性系数散点图
注：横坐标为资源数；纵坐标为互动性系数均值。2.2基本式，即“雨课堂”V2.2的基本要素式资源数与互动性系数均值的函数平滑线，其他类似；“翻转课堂”V0.4.1无红包激励项，故没有平滑线显示。
表8 在线资源-互动性系数关系表
注：在线教学资源数为每门课×学期×班级的均值；激励式数1为课堂红包数，数2为教师点评数。
表8中的对比数据，可以充分说明：在通常情况下，如果高水准的在线教学资源越多，那么，师生间互动性系数就会越高；两者之间满足弱正比例线性逻辑关系的规律。
（五）教学效果分析
同样地，将权威数据库NIER.Database中教学效果源数据的转换值，与标准化百分制折算后的互动性系数做进一步研析[26]，发现体现教学效果的原始数值和互动性系数值之间，显示出相似的弱正比例线性逻辑关系。而在 “雨课堂”V2.2、“翻转课堂”V0.4.1及 “雨课堂”V2.0三种不同的教学模式下，对比考核成绩、学习态度、学生满意度、专家评价和教师评价等主要教学效果的指标数值，也显示了教学效果和互动性系数之间，呈弱正比例线性逻辑关系的规律。一般表现为：互动性系数均值较高的教学模式，其主要效果指标的得分就高；反之亦然，系数均值低，得分就低。互动性系数—教学效果相关的平滑线和数据散点图，如图6所示。
图6 互动性系数—教学效果散点图
注：横坐标为教学效果百分比数值；纵坐标为各段互动性系数均值。
有关互动性系数—教学效果（整体）的关系对应表和教学效果对比表，如表9和表10所示。
显而易见，教学效果和互动性系数对应的数值，满足以下规律或结论：（1）如果师生间互动性系数值越高，那么教学效果就越好；（2）从教学效果的具体指标数值来看，“雨课堂”V2.2的教学效果，明显高于其它两种教学模式，这恰好反证了只有高水平的互动性行为，才能更高效地正向影响智慧课堂的教学效果。
表9 互动性系数-教学效果（整体）关系表
注：本表为“雨课堂”V2.2数据，每行总比率：100%。
表10 教学效果表
注：源数据为本研究随机采集的江苏省高校实际教学数据统一样本；每列得分已归一化处理。
（六）结论
师生间教与学的互动性系数指标，是“雨课堂”等智慧教学模式的本质特征之一，也是促进普通高校教学效果提升的核心要素之一。因本研究的最终目的是提升高校教学效果，故采用结构化分析的方法，架构了探索和研究“雨课堂”等教学模式之教学效果的体系模型。从该体系模型的互动性系数指标维度出发，挖掘影响高校教学效果的具体核心要素，并深度剖析在线教学资源、互动性系数及教学效果三者之间的相互作用和关系。最后，我们将高校实际教学数据代入模型，实证了在线教学资源影响教学效果的机制与规律；解决了所提的主要研究问题；同样得出了一些系统性的规律与结论。
实证研究的分析结果证明，在普通高校教学实践中，教学效果、标准化互动性系数及在线教学资源之间存在如下客观事实：如果标准化互动性系数越高，那么教学效果就会越好；而在互动性系数越高的情况下，“雨课堂”等教学模式中的在线教学资源就越呈现出针对性、丰富性、优质性和新颖性等特点。
具体地：（1）每种智慧课堂的教学效果，均使用模糊综合的方法实现了量化；且其每个核心要素一级、二级指标的作用大小，也都运用多极化矩阵的方法，并使用权重的指标实现了数值化。这有利于针对性地优化智慧课堂结构设计，从而为提升智慧课堂的教学效果精准发力。（2）结构化方法证实了在线教学资源、互动性行为及教学效果三者，两两之间，存在弱正比例线性逻辑关系。（3）并非所有在线资源都会正向影响师生间的互动性行为（系数）；也并非所有的互动性行为均正向决定智慧课堂的教学效果。而且它们的贡献程度也是大相径庭，分别对应着不同系数的函数关系。（4）实证结果通常符合纯粹性属性，即三者之间反映出较为明显的一致性和相承性，并体现了比较严格的弱正比例逻辑关系；从完备性属性来看，研究结果也满足大数定理规律。
当然，实证数据结果在显示“雨课堂”V2.2教学效果相对优越的同时，也反映出任课教师在 “雨课堂”等教学平台、共享网络视频等在线教学资源量（质量和数量）的绝对数值方面的不足，从而导致师生间教与学行为互动性水平不高的情况。而教与学行为的互动性水平不高，又直接降低了高校的教学效果。这种现象以表10中“考核成绩”和“学习态度”两项指标的变化结果，表现得最为明显。所以，在“雨课堂”等智慧教学模式中，任课教师应将互动性行为这一核心要素，贯穿于课前、课中及课后学习的全过程。通过共享符合针对性等特征的在线教学资源，并不断完善“雨课堂”在线互动性的教学方式，来精准“刺激”学生的学习兴趣及师生间高质量的互动交流，进而提高教与学全过程高水平的互动性，以最终提升普通高校的教学效果。
需要指出的是，在“雨课堂”V2.2与“翻转课堂”V0.4.1和 “雨课堂”V2.0教学模式的实证研究中，“IDCNN+”结构化分析的方法没有设置独立的变量控制环节，而是沿用整体自适应平衡性的设计。因此，本研究的下一阶段工作将对比分析两种不同设计所得出的结果，消除可能存在的局限性。
五、结束语
相较于“翻转课堂”V0.4.1和“雨课堂”V2.0等其它教学模式，“雨课堂”V2.2智慧教学更加注重师生间的互动作用。为了进一步打破传统束缚，它应借助互联网上高水准的在线教学资源，并丰富在线教学资源的分享方式，以激发学生课前、课中及课后学习的积极性和师生间的互动性，进而提升高校教学效果。
令人欣喜的是，“IDCNN+”结构化分析法等层出不穷的AI技术，与高校教育的深度融合，使得高校教学模式的跳跃式发展和颠覆式革新成为现实性可能；并为智慧教学模式的优化提供了重要依据，同时，也为当前我国创新驱动发展战略下的教育创新，夯基垒台。
致谢：南大教育研究院、Kronos Research Institute of Boston。
参考文献：
[1]夏永立.“翻转课堂”的热现象与冷思考[N].中国教育报，2016-04（9）.
[2]张金磊，王颖，张宝辉.翻转课堂教学模式研究[J].远程教育杂志，2012（4）：46-51.
[3]韦钰.神经教育学对探究式科学教育的促进[J].北京大学教育评论，2011（4）：97-117.
[4]周加仙.“教育神经科学”与“学习科学”的概念辨析[J].教育发展研究，2016（5）：25-30.
[5]李祎.基于电子书包的小学数学智慧课堂构建方法及支撑工具研究[D].长春：东北师范大学，2016.
[6]薛胜兰.智能手机融入课堂教学的应用研究[J].电化教育研究，2018（1）：86-91.
[7]杜世纯.MOOC背景下混合式学习的实现路径与效果评价研究[D].北京：中国农业大学，2017.
[8]Thai N T T， De Wever B，Valcke M.The Impact of a Flipped Classroom Design on Learning Performance in Higher Education：Looking for the Best“Blend” of Lectures and Guiding Questions with Feedback[J].Computers&Education，2017：113-126.
[9]Kostaris C，Sergis S，Sampson D G.Investigating the Potential of the Flipped Classroom Model in K-12 ICT Teaching and Larning：An Ation Rsearch Sudy[J].Educational Technology&Society， 2017（1）：261-273.
[10]姚洁，王伟力.微信雨课堂混合学习模式应用于高校教学的实证研究[J].中国高等教育，2017（9）：50-54.
[11]Hutt S， Hardey J， Bixler R， et al.Gaze-based Detection of Mind Wandering during Lecture Viewing[EB/OL].[2018-01-10].http：//educational data mining.org/EDM2017/proc_files/papers/paper_64.
[12]Liu R，Koedinger K R.Towards Reliable and Valid Measurement of Individualized Student Parameters[EB/OL].[2018-01-10].http：//educational data mining.org/EDM 2017/proc_files/papers/paper_137.
[13]赵利堂,谢长法.跨界与交融：高等职业教育质量评估的跨学科协同设计[J].教育发展研究，2018（7）：28-34.
[14]李彤彤.翻转课堂教学对学生学习效果的影响研究——基于37个实验和准实验的元分析[J].电化教育研究，2018（5）：99-107.
[15]刘邦奇.基于智慧课堂的教育大数据分析与应用研究[J].远程教育杂志，2018（3）：84-93.
[16]焦李成，杨淑媛，刘芳等.神经网络七十年：回顾与展望[J].计算机学报，2016（8）：1697-1716.
[17]Ji S W，Yang M，Yu K.3D Convolutional Neural Networks for Human Action Recognition[J].IEEE Transactions on Pattern Analysis and Machine Intelligence， 2013（1）：222-234.
[18]Zimmerman H.Fuzzy Set Theory and Its Applications[M].Boston：Kluwer Academic Publishers，2015：33-58.
[19]璩晶磊，李少波，陈金坤.基于质量数据融合及规则挖掘的离散制造过程监控方法[J].计算机集成制造系统，2017（9）：1962-1971.
[20]李红.基于深度支撑值学习网络的遥感图像融合[J].计算机学报，2016（8）：1583-1596.
[21]辛督强，韩国秀.因子分析法在科技期刊综合评价中的应用[J].数理统计与管理，2014（1）：116-121.
[22]李磊，倪鹏炯，金段艳等.基于证据理论的地铁应急体系脆弱性评估研究[J].浙江师范大学学报（自然科学版），2017（3）：336-342.
[23]Vapnik V N.The Natural of Statistical Learning Theory[M].New York：Springer-Verlag， 1995.
[24]任雪松，于秀林.多元统计分析（第2版）[M].北京：中国统计出版社，2011：134-146.
[25]何晓群，刘文卿.应用回归分析（第2版）[M].北京：中国人民大学出版社，2007:317-335.
[26]张发明，刘志平.组合评价方法研究综述[J].系统工程学报，2017（4）：557-569.
“IDCNN+” Structural Analysis and Empirical Research on the Teaching Mode of“Rain Classroom”
Liu Yucheng1，Wang Chuansheng1&Yang Jing2
（1.School of Information，Capital University of Economics and Business，Beijing 100070；2.School of Business Administration，Nanjing University，Nanjing Jiangsu 210093）
【Abstract】Focusing on the spiral rise of “Artificial Intelligence+” research thinking and method level， the deep integration of“Neuro+” and education teaching “comes naturally” and gradually “becomes mature”.Therefore， the fusion of the improved deep convolutional neural network（IDCNN） method and teaching research can solve problems such as“how to calculate the core elements and their weights that affect “Rain Classroom”； “How to explore and verify the logical relationship among online teaching resources，interactive behaviors and teaching effects”； “At the same time， how to accurately quantify the‘Rain Classroom’ teaching effect”.IDCNN extracts 7 types of low-dimensional characteristic data at the level of interactive behavior，carries out calculation of each index value and model， and further analyzes and demonstrates the internal relations and essential laws between online teaching resources，interactive behavior and teaching effects.The results of empirical research show that:1.Each core element of “Rain Classroom”and its first-level and second-level index weight and teaching effect can be numerically realized；2.There is a weak direct proportional linear logic relationship between online teaching resources， interactive behaviors and teaching effects； 3.Not all online teaching resources positively affect the interaction between teachers and students；Not all interactive behaviors positively determine the teaching effect of“Rain Classroom”.They correspond to functional relations of different coefficients（positive and negative）， respectively.
【Keywords】 “Rain Classroom” Mode； Influence Law； Quality Management； Improved Deep Convolutional Neural Network；Structural Analysis； Smart Teaching； Neuro+
基金项目：本文系国家自然科学基金项目“‘双一流’战略下高校教学质量的多层面评价体系研究”（项目编号：70872046）；全国高等教育教学改革研究课题“校企深度融合背景下高校教学质量管理和人才培养模式创新”（项目编号：2018HER01067）；北京市自然科学基金项目“‘两翼’格局下北京主城区人口转移及演变趋势的计算机仿真研究”（项目编号：9182002）的研究成果。
作者简介：刘玉成，首都经济贸易大学信息学院副教授，系主任，博士，研究方向：管理科学与工程、系统分析与集成等；王传生，首都经济贸易大学信息学院教授，副校长，博导，系本文通讯作者，研究方向：信息化、管理工程等；杨晶，南京大学工商管理学院副教授，系主任，博士，研究方向：质量管理、复杂系统等。
转载自：《远程教育杂志》
排版、插图来自公众号：MOOC（微信号：openonline）
新维空间站相关业务联系：
刘老师 13901311878
刘老师 13810520758
邓老师 17801126118
微信公众号又双叒叕改版啦
快把“MOOC”设为星标
不错过每日好文☟
喜欢我们就多一次点赞多一次分享吧~
有缘的人终会相聚，慕客君想了想，要是不分享出来，怕我们会擦肩而过~
相关内容
微信扫码咨询专知VIP会员