“课程思政”视域下高校教学质量量化评价研究

来源 :大学·研究与管理 | 被引量 : 0次 | 上传用户:wxm2000
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
  摘  要:本文在梳理“课程思政”引领下高校教学质量评价问题的基础上,采用德尔菲法构建高校教学质量量化评价指标体系,引入云模型和熵权理论构建高校教学质量量化评价模型与方法,结合具体案例进行实证分析,能较好解决指标权重分配和定性指标量化问题,为高校教学质量评价提供了一种新思路和方法。
  关键词:课程思政;教学质量评价;德尔菲法;云模型;熵权法
  中图分类号:G640    文献标识码:A    文章编号:1673-7164(2021)10-0042-02
  习近平总书记在全国高校思想政治工作会议上强调,要坚持把立德树人作为中心环节,把思想政治工作贯穿教育教学全过程,实现全程育人、全方位育人。2020年,教育部印发的《高等学校课程思政建设指导纲要》强调高校人才培养是育人和育才相统一的过程,必须将思想政治工作体系贯通其中,必须抓好课程思政建设,解决好专业教育和思政教育“两张皮”问题。传统的教学理念专注于专业教育,在知识传授的过程中忽略了价值引领重要作用。专业课程设置没有深入挖掘课程思政元素,育人和育才未能有机融合。教师队伍建设未能强化育人意识,教师课程思政的能力有待提高。教学评价标准以知识、技能、素养为重点,缺乏融入“课程思政”的立体化教学过程评价标准,未能起到积极的激励作用 [1]。
  高校围绕立德树人这项根本任务,构建“课程思政”融合的多维度教学质量评价体系,是高校教育教学创新改革的重要途径,是推进专业教育与思想政治教育协同育人的重要手段,将有力促进教学质量和育人质量的提升。赵宝江 [2]在高校教学质量评价现状分析的基础上,从多角度的评价主体、多维度的评价内容,以及多渠道的反馈方式上,构建以岗位胜任力为核心的高校教学质量评价新体系。黄煜栋 [3]在课程评价中引入思政环节,梳理了课堂教学质量存在的问题,并提出了“课堂思政”优化的策略。但是,现有的研究工作定性研究多,量化研究少,特别是“课程思政”视域下的高校教学质量评价尚未发现量化评价相关研究工作。因此,面对新时代“课程思政”的新任务、新要求,从系统科学角度入手,结合高校教学规律,建立科学、客观、可行的量化评价方法,对发挥其强大的育人主体作用 [4],提升高校教学质量具有重要意义。
  一、高校教学质量量化评价指标体系构建
  “课程思政”视域下的高校教学质量评价是一项涵盖多指标、多角度全方位的复杂教学活动,利于促进高校思政课程 教学目标的达成 [5]。结合高校“课程思政”的目标要求,采用Delphi法构建高校教学质量量化评价指标体系。选取了15位从事高校教学管理和思想政治教育工作5年以上的专家,从教师素质、教学设计、教学实践、教学效果等方面进行指标筛选。经过3轮咨询,专家对各项指标意见趋于一致,建立了涵盖4个一级指标和12个二级指标的高校教学质量量化评价指标体系。其中,一级指标教育培养F1包含:基本素质f1、教育教学能力f2、教学发展f3等3个二级指标;教学设计F2包含:教学目标f4、教学内容f5、学习资源f6等3个二级指标;教学实践F3包含:教学方法f7、教学过程f8、学习过程f9等3个二级指标;教学效果F4包含:教学目标达成f10、考核与评价f11、指导学生获奖f12等3个二级指标。
  高校教学质量量化评价的二级指标还包含相关评价观测点。基本素质:重点考察教师仪表、授课的热情和课前准备是否充分等情况。教育教学能力:重点考察教师组织教学的能力、应变能力和课堂把控能力;是否具备先进的教学理念和教学改革精神等教学风格的情况。教学发展:主要考察教师外出培训学习、参加学术交流、参加各类教学比赛等情况。教学目标:主要教学目标是否与课程标准符合,是否渗透“课程思政”育人理念,是否注重培养学生创新能力、工匠精神等情况。教学内容:主要考察教学内容是否与教学目标吻合,实践教学内容设置情况,知识结构是否反映学科专业领域前沿动态等。学习资源:主要考察教材是否符合国家和专业要求,是否配备自主学习平台,课程资源和教学视频建设情况。教学方法:主要考察教学方法的多样性,是否注重培养学生创新能力、沟通表达能力等。教学过程:主要考察教学情境和学习氛围,师生的互动,学生分析、讨论、总结的情况和辅导学生答疑的情况。学习过程:主要考察学生参与教学活动的情况,是否有助于学生能力的培养等。教学目标达成:主要考察教学目标达成度的情况,学生、社会、用人單位满意度等。考核与评价:主要考察考核标准和评价方法是否反映学生客观的学业表现,考核项目和考核标准是否合理等。指导学生获奖:主要考察教师指导后学生参加比赛获奖的情况。
  二、基于云模型和熵权法的高校教学质量评价模型
  云模型通过云的数字特征期望(Ex)、熵(En)和超熵(He)可以实现定性概念和定量特征的转换 [4],而熵权法可以通过计算信息熵确定评价指标权重,因此结合云模型和熵权法的高校教学质量评价能规避人为因素影响,具有较强的客观性。
  基于云模型和熵权法的高校教学质量量化评价方法包括以下步骤:
  1. 计算指标权重。利用熵权法计算高校教学质量评价指标的权重,赋权步骤如下:
  首先,构建评价指标初始矩阵并归一化处理。设有m个专家对n个评价指标进行评价,则初始矩阵为:A=[Aij]m×n。式中,Aij为第i个专家对第j个指标的评价值。再对初始矩阵A进行归一化处理得到标准矩阵B=[Bij]m×n。然后,根据信息熵的公式计算第i个指标的熵值Hi和熵权qi。
  2. 计算云模型的数字特征值:期望(Ex)、熵(En)和超熵(He)。
  3. 建立标准评价云。本文将高校教学质量评价指标分为“优秀”“良好”“合格”“基本合格”和“不合格”等5个标准等级,评价等级对应的区间值为:[4,5],[3,4],[2,3],[1,2],[0,1]。   4. 建立综合评价云。根据指标权重q和指标数字特征,采用加权平均计算得到高校教学质量综合评价云数字特征及综合评价云图。
  三、实证分析
  下面结合实例介绍该模型方法的应用,具体评价过程如下:
  根据构建的评价指标体系采用李克特量表(Likert scale)设计高校教学质量量化评价表,邀请15名专家进行评价打分,每项指标的分值区间为[0,5]。
  根据专家评价表数据和熵权法公式计算高校教学质量量化评价各指标、各维度的权重为:基本素质f1=0.0743,教育教学能力f2=0.0979,教学发展f3=0.2173,教学目标f4=0.0524,教学内容 f5=0.0535,学习资源f6=0.1497,教学方法f7=0.0981,教学过程f8=0.0276,学习过程f9=0.0981,教学目标达成f10=0.0341,考核与评价f11=0.0538,指导学生获奖 f12=0.0432。
  2. 计算标准评价云
  根据标准评价云公式计算得到标准评价云的数字特征,并利用Python的matlib包绘制标准评价云的云图。
  3. 计算综合评价云
  首先,根据专家评价表数据和云模型计算公式,计算得到各评价指标的数字特征。
  然后,根据综合评价云公式计算得到高校教学质量综合评价云数字特征和综合评价云图。综合评价云数字特征为:期望(Ex)=3.9768,熵(En)=0.7789,超熵(He)=0.3022,其对应的综合评价云图如图1所示。
  在高校教学质量综合评价云图中的黑色部分为最终的评价结果。对比标准评价云图可以发现最终评价结果处于“优秀”等级与“良好”等级之间,与“良好”等级存在较多的重合,综合评价结果为“良好”。
  四、结论
  本文结合“课程思政”视域下的高校教学质量评价的目标要求,利用Delphi法从教师素质、教学设计、教学实践、教学效果等方面构建高校教学质量量化评价指标体系。为规避人为主观因素影响和定性指标无法量化的问题,本文提出基于云模型和熵权理论的高校教学质量量化评价模型和方法,并进行了实例分析与验证,表明该模型和方法能较好解决指标权重分配和定性指标量化问题,为“课程思政”视域下的高校教学质量评价工作提供了一种新思路和方法。
  参考文献:
  [1] 王慧芳. 新时代高校“课程思政”创新改革背景下教学质量监控与保障体系研究[J]. 现代职业教育,2019,12(10):10-11.
  [2] 黄煜栋,徐莉君. “课程思政”下的课堂教学质量量化评价研究[J]. 科技通报,2019(10):225-229.
  [3] 叶琼,李绍稳,张友华,等. 云模型及应用综述[J]. 计算机工程与技术,2011,32(12):4198-4201.
  [4] 黄煜栋. “课程思政”视域下课堂教学质量评价融入“思政元素”的探索与实践[J]. 现代职业教育,2019(24).
  [5] 陈言. “課程思政”视域下高校课堂教学融入思政元素的实践探索[J]. 昭通学院学报,2020,42(04):13-17+23.
  (荐稿人:唐明靖,云南师范大学生命科学学院党委副书记,副教授)
  (责任编辑:向志莉)
其他文献
针对当前软件定义网络(SDN)在应对大量数据流时造成的流表利用率低、转发响应较慢以及当前网络调度算法容易造成网络局部拥塞和负载不均衡等问题,提出一种基于分段路由的多路径调度算法SRMF。首先,SDN控制器根据网络拓扑连接情况下发初始流表;综合考虑网络链路剩余带宽、丢包率和数据流估测带宽需求进行路径权重计算;最后,根据路径权重选择最优路径并构造分段流表下发到边缘交换机。实验结果表明分段路由转发技术在
目前,深度学习已广泛用于MR医学图像分析,然而获取大量的MR训练数据集是一项巨大的挑战。针对传统基于物理方法的数据集扩充方法(如旋转、缩放、仿射变换等)均存在较大的局限性,提出一种新的图像合成器。首先对MR图像数据集进行统一的尺寸处理,然后将每张图像分为大小相等的非重叠块,再利用自动编码器提取图像块的编码,并将图像块编码和随机噪声作为生成器的输入,最后将生成的图像块拼接成完整的MR图像。采用该方法
针对信道矩阵维度高以及接收信号复杂的情况,提出了一种适用于大规模MIMO系统上行链路信号检测的混合迭代算法,即结合自适应阻尼雅克比(damped Jacobi,DJ)算法和共轭梯度(conjugate gradient,CG)算法。首先利用CG算法为自适应阻尼雅克比迭代算法提供有效的搜索方向;随后提出切比雪夫方法消除松弛参数对信号检测的影响,在降低算法复杂度的同时加快收敛速度;最后,利用信道编译码
针对城市交通难以处理大量数据且实时性差等问题,提出了根据增量式城市交通流数据预测拥堵情况的一种基于国产处理器的L-BFGS(limited-memory BFGS)算法。该算法通过存储向量序列计算Hessian矩阵,改进Two-Loop算法求下降方向,在Spark集群中并行处理时收敛速度快,适用于实时性要求强的城市交通场景。实验结果证明,L-BFGS预测算法完全可以在国产平台上对大规模的实时交通数
SNN是更具生物可解释性的新型网络模型。针对传统SNN模型表征能力有限,难以应用于实际任务的问题,对SNN处理脑电识别任务进行了研究,提出具有长短期记忆结构的SNN模型。首先采用改进的BSA编码算法处理脑电信号;然后构建具有自适应阈值的脉冲神经元模型;在此基础上,基于Py Torch框架建立结合LSTM结构的SNN模型;最后使用替代梯度的方法克服了脉冲序列不可微分的问题,在保留神经元动态特性的同时
用于领域中业务关键型的自适应系统(self-adaptive system,SAS)需要遵从严格的质量要求,在多agent自适应系统运行过程中需要根据动态环境与需求实现自适应调整。针对上述问题,提出了一种基于马尔可夫的多agent自适应在线验证方法。首先将多agent系统中环境影响因素转换为概率形式,然后将系统形式化为马尔可夫模型,最后通过模型检查的方式进行在线验证,使系统通过验证结果对自身进行调
针对传统的K近邻算法在计算样本之间相似度时将每个属性视为同等重要的问题,提出了一种基于推土机距离的方法来计算每个条件属性的权重。首先根据近邻关系划分用于比较一致性的两个分布;之后根据推土机距离设计不一致性评价函数,用于衡量每个属性下各个样本的近邻样本集与这一集合由决策属性细化的等价划分之间的不一致性程度;最后将近邻的不一致性程度转换为相应属性的重要性,用于实现属性加权K近邻分类器。通过在多个数据集
针对现有蜂窝网络功率分配算法存在泛化能力弱、效率低等问题进行了研究,提出基于深度双Q网络(deep double Q network,DDQN)的功率分配算法。采用双神经网络结构,解决强化学习过程中易出现的维度灾难及值函数过估计问题;对状态信息进行设计并输入神经网络,输出智能体的动作行为,并设计奖赏函数反馈给神经网络,使智能体可以有效地自主学习,多次迭代得到最优的功率分配策略。仿真结果表明,所提的
人脸妆容迁移是指将参考妆容迁移到素颜人脸上,在保持面部特征不变的同时尽可能展现参考妆容的风格的一种任务。为了进一步实现人脸妆容自动迁移技术,避免现有妆容迁移方法没有充分考虑人与人之间的五官差异而导致提取的人脸信息不足等问题,提出了一种基于深度卷积神经网络的人脸妆容迁移算法。该算法首先自动定位素颜人脸和参考妆容的五官,提取重要部位的特征信息。然后通过妆容传递网络和损失函数,经过深度卷积神经网络自主训
织物的分类研究在织物生产、服装设计等领域有着广泛应用。提出织物力模型,结合多帧时序信息和图卷积神经网络,给出一种用图来描述织物运动的新方法,通过分析和提取织物视频中的运动特征,实现织物的分类。该方法使用30种不同织物在风力吹动下的视频作为实验数据集,将视频每一帧作为一个图节点,然后根据视频时序性连接同类织物节点的边。此外结合织物力模型对原视频图像作预处理以提取力流特征作为视觉单词存储,再依据视觉单