科学学科质量分析精选(九篇)

前言：一篇好文章的诞生，需要你不断地搜集资料、整理思路，本站小编为你收集了丰富的科学学科质量分析主题范文，仅供参考，欢迎阅读并收藏。

第1篇：科学学科质量分析范文

[关键词] 学习分析学； 智慧教育； 设计框架； 学习分析系统

[中图分类号] G434 [文献标志码] A

[作者简介] 祝智庭（1949—），男，浙江衢州人。教授，博士生导师，主要从事教育信息化理论、系统架构与技术标准、教师专业发展、技术文化等方面研究。E-mail：。

一、引 言

随着信息技术在教育领域的深入应用，智慧教育成为信息化教育应用的一个新范式。[1]智慧教育主张借助信息技术的力量，创建具有一定智慧特性（如感知、推理、辅助决策）的学习时空环境，旨在促进学习者的智慧全面、协调和可持续发展，通过对学习和生活环境的适应、塑造和选择，以最终实现对人类的共善（对个人、他人、社会的助益）。智慧教育充分体现了“以学习者为中心”的思想，强调学习是一个充满张力而又平衡的过程，揭示了“教育要为学习者的智慧发展服务”的深刻内涵。

智慧学习环境的一个基本特征是：基于学习者的个体差异（如能力、风格、偏好、需求）提供个性化的学习诊断、学习建议和学习服务；并记录学习历史数据，便于数据挖掘和深入分析，数据结果用于评估学术过程、预测未来表现和发现潜在问题。因此学习数据分析成为智慧学习不可或缺的条件。

学习分析学（Learning Analytics，简称LA）涉及科技和社会学科的多个学术领域，包括计算机科学、社会学、学习科学、机器学习、统计学，以及“大数据”。[2][3]LA的定义随着相关研究的进展而演变，尽管研究方向不尽相同，大部分学者认同如下定义：“学习分析学是使用智能数据、学习者数据，以及分析模型来发现信息和社会性联系，并以此为依据进行学习预测和提供建议。”[4]Siemens 于2012年对相关定义进一步提炼之后提出，LA是“关于学习者以及他们的学习环境的数据测量、收集、分析和汇总呈现，目的是理解和优化学习以及学习情境”。[5]

其他学者、机构也有一些类似的关于LA的定义。尽管各个定义在用词和着重点上存有细微区别，但基本都反映了LA的本质，即首先发现特定用户的需求，利用技术方法获取数据，分析数据，帮助教师、学生、教育机构等解读数据，并根据数据结果采取干预措施，从而达到提高学习和教学成效的目的。[6]同时这些定义也指出，LA所用、所处理的数据是已经存在的、机器可读的“大数据”（Big Data），这些数据是不适合人工处理的。[7]

LA在国际上被称为是“自从学习管理系统（Learning Management System，简称LMS）问世以来，教育技术大规模发展的第三次浪潮”。[8]2005年 EDUCAUSE的文章就预示了LA的出现。[9]此后与学习分析学相关的国际学术会议，例如学习分析学与知识国际会议（LAK，The International Conference on Learning Analytics & Knowledge）于2011年召开第一次会议，于2012年召开了第二次会议，而且会持续下去。学习分析学研究社会（SoLAR，The Society for Learning Analytics Research） 也于2011年夏天成立，一方面主持召开会议，同时致力于LA方面的研究和发展，并提供学者、教育专家、学生等进行信息交流和互相合作的机会。另外，教育技术和社会学术期刊（Journal of Educational Technology and Society）也与2012年出版了关于学习分析学的特刊。由此可见，学习分析学已经成为高等教育界尤其是以教育技术为基础的远程在线学习领域内的一个研究热点。

LA 在教育领域内迅速发展有多种原因。下面我们将从它的出现、回答的问题、研究框架模型等方面加以详尽介绍。

二、学习分析学研究的缘起以及相关技术

多位学者专家探讨过LA出现并成为热门研究课题的必然性，并且总结出几个原因。

第一个原因是大数据（Big Data）的出现。[10]Greller和Drachsler认为学习分析学的起源在于网络大数据的出现，包括政府类数据。[11]随Web 2.0出现的社交网络数据（Twitter、You Tube、Fliker，Facebook等）、移动终端数据，如GPS 定位数据等。随着此类数据的出现，有些公司如Google、Amazon、Yahoo等，分析利用此类数据，并将其结果作为扩张市场的依据或者提供个性化服务的方向，因此公司得以快速成长。大数据的出现和潜在的价值也引起了各国政府的关注。例如，奥巴马政府2012年宣布，每年将花费超过2亿美元在大数据研究应用方面，以致力于科学探索、环境、生物医学、教育和国家安全方面的研究。[12]在远程教育领域LMS，如Blackboard 和 Moodle等的应用也越来越广。这些系统每天都记录大量的学生交互信息、个人数据、系统数据等。[13]如何从这些数据中获取信息成为LA出现的一大契机。

第二个原因则可以归结为在线学习或者教育技术的发展。[14]随着教育技术的发展，在线学习成为传统学校教育和终生教育的一个重要模式。在线学习提供给学习者不受时空限制的学习机会，同时也带来一定的挑战，例如学生有可能缺少与老师和同学的联系，又可能遇到技术问题或者失去学习动机等。[15]此外，教师也由于网上学习环境中缺少视觉线索，因此难以判断学生是否感到课业太容易、感到内容乏味枯燥或者学习上有困难等。因此，学者们认为，教师难以评判学生的参与度和学习质量，而攻克这个问题则成为LA的另外一个契机。[16]

第三个原因则与教育机构自身对数据的需求有关。很多国家，包括美国政府，都力图提高整个国家人口的教育程度，比如如何提高学生的学习成绩、入学率以及毕业率等，而这些都需要大量数据来发现和验证。[17]传统上，教育机构、学校获得学生学习数据的主要方式为调查问卷及访谈等，由此带来诸多方面的限制，如花费大、耗时多、规模小等。由于数据挖掘可以追踪用户的电子信息使用记录，并且自动分析整体数据，而不需要选样，因此新的数据经济大潮使得学校在数据收集方面不再需要花费大量人力和财力；并且获得的数据反映了所有用户的全部信息，并非选取的一部分；同时数据在自然状态下获得，不需要利用访谈、观察等方式，使得数据更加真实可靠。[18]

第四，LA起源于其他几个已经相对成熟的领域，如商务智能（Business Intelligence）、网站分析（Web Analysis）、学术分析（Academic Analysis）、行动分析（Action Analysis）、教育数据挖掘（Educational Data Mining）、运筹学（Operational Research）[19][20]以及社会网络分析（Social Network Analysis）等。这些研究领域已经相对成熟，对LA的迅速发展应用起到一定的促进作用。

Siemens认为，与LA密切相关的是学术分析学（Academic Analytics， 以下简称AA）和教育数据挖掘。[21]学术分析学是为了高等教育机构的运营和财务方面的决策而提供所需数据的过程，[22]如发现影响学生毕业率的影响因子等。教育数据挖掘是指为更好地理解学生以及他们所处的学习环境，从教育数据中获取知识和发现，针对教育环境内独特的数据类型而进行的获取数据、整理数据、形成分析报告等研究方法方面的研究。[23]Siemens认为，教育数据挖掘是LA和AA的共通支撑技术。[24]他描述了三者之间的关系以及三者针对的层次和关注对象，如表1所示。

三、LA 回答的问题

LA 对智慧教育的重要性体现之一在于它可以使用大范围数据，回答关于学习和教学的不同问题。Cooper采纳了Davenport等对“Analytics ”能够阐释和回答的问题的总结，[25]并根据其时间线（过去、现在、将来）和回答的深度（信息型、洞悉型）对问题作了归类。[26]我们认为其问题矩阵同样适用于LA（见表2）。

Cooper总结归纳了LA可能回答的问题类型。[27]

信息和事实性问题：

发生什么了？LA产生报告并提供描述性数据（过去）；

正在发生什么？LA对现状的提醒（现在）；

趋势，走向如何？过去的数据被当作推断的根据（将来）。

深度理解和洞察性问题：

这些为什么发生，如何发生的？LA可建立模型并加以解释（过去）；

可以采取的最好措施是什么？LA提供一个或多个干预措施（现在）；

可能发生什么？LA可以预测、模拟其他措施的效果，确认最优举措（将来）。

因此LA 可以描述和解释过去的现象，例如为什么选同一门课的学生成绩普遍偏低？原因可能包括缺乏相关基础知识；可以预警和干预正在发生的学习，例如学生得到信息，他/她很可能某门课会通不过，教师可引导学生进行补救、提供学习材料等；LA还可以推断发展趋势和预测将来，例如由于以往某一学习活动对不同学习风格（Learning Style）的学生的影响有所不同，可以推断针对不同学习风格设计的学习活动能提高学生成绩；同时，不同学习风格、学习活动和成绩之间的相关性分析和预测模型有助于发现最适合特定学习风格学生的学习活动。此外LA可以将各方面的关于学生的分散式信息整合梳理，提供给教师，使其对学生有更可靠、更清晰的认识，在此基础之上采取的措施将更加有效。此外，LA 不止可以提供关于学生学习方面的信息，也可以用来评估某一课程、院系以及整个学校。它可以参与评估整个学校的教学，用于决定是否需要采取更先进的教学方法；它还可以提供信息给学生，以便学生自我评价学习过程和结果等。由此可见，LA的使用可以使得教育方法得以提升，促使教育向智慧教育方向发展。

四、LA的设计研究框架、资源

过程模型及重要环节

多位学者试图从整体架构、所涉纬度、过程环节等方面描述LA，以基于对LA的整体认识，引导LA系统设计过程。本文主要讨论两个LA模型和LA的重要环节，目的是对如何设计开发LA系统有全面的、清晰的认知。

（一）LA通用设计框架

Greller&Drachsler根据他们对学习分析学现存文献的梳理，提出了具有六个纬度的LA通用设计框架，即关益者（包括学生用户、教师用户等）、目标（包括使用数据的目的，如预测等）、数据（包括受限数据和公开数据等）、工具（分析数据的依据，包括教学理论等）、外部限制（如用户隐私）、内部限定（包括分析解读数据结果的能力等）。[28]这六个纬度反映了在应用LA研究学习、开发LA系统时应该考虑的基本因素。图1反映了该设计框架，包括每个纬度的例子，以下我们对每一纬度进行说明。

1. 关益者

关益者包括数据使用者和数据提供者。使用者指应用数据并根据数据结果制定对策的人，如教师；提供者指以自己的系统浏览和互动行为产生数据的用户，如学生。在特定情形下，使用者和提供者是一体的，比如学生本身的行为信息反馈给学生自己而不是老师的时候，这两者是统一的。关益者除了包括学生、教师以及教育机构外，研究人员和政府机构等也可看作关益者的一部分。

关益者之间如何使用学习分析信息交流可以用层次模型来表示（如图2所示）：最直接的途径是通过LMS 获取学生信息，提供给教师；教师可以根据此信息制定干预措施或者调整教学策略等；教育机构则可以根据学生和教师提供的信息进行教职工培训或者制定措施保证教学质量等；研究人员尽管不直接参与学习过程，但他们可以利用学生和教师数据，评估教学质量或者学习服务措施是否到位；最后政府机关可以汇总、分析，并利用多所院校的学习分析数据来测评整个教育系统。此外，已有研究者们强调，在各个层次，关益者都可以利用本层数据进行自我反思，如学生可以根据自己的学习记录、互动行为等来思考自己是否实现学习目标等。

2. 目标

学习分析学开辟了一个新的领域，可以发现并研究利用原本隐藏的教育信息，提供给各个层次的使用者。通过分析比较学习信息和社会互模式，为学习者提供新的视角，同时提高组织性效率和效益。也就是说，学习分析学提供的信息不仅有助于个体学生，对支持更高层次的知识流程的管理（如政府层次）也有所裨益。Greller和 Drachsler主要提出并讨论了两种目标：反思与预测。[29]反思是指数据用户根据与自己相关的数据，获取知识并进行批评性自我评价，有学者称之为“量化自我”，也就是观察测评自己的学习记录数据，并根据数据结果进行自我修正等。[30]反思也可以根据别人的数据记录进行，如教师可以根据学生的交互行为，反思自己的教学风格是否适合学生等。学习分析学同样可以用来预测模拟学生的学习活动、行为等。如根据过往的学生反馈信息，可以预测某种教学设计有助于学生的学习，据此可以重新设计教学活动，提高学生学习成绩；亦可降低或增加内容难度，从而降低学生放弃课程的比例。

3. 数据

学习分析学所用数据大多来自LMS以及其他教学系统，同时教育机构本身拥有大量学生数据。然而很多数据是非公开的，因此对教育数据公开化的要求越来越迫切。[31]

4. 工具

学习分析学通过信息检索技术获取数据，如教育数据挖掘、机器学习、传统统计分析以及社会网络分析等。同时，研究者将理论建构以及算法等处理数据、从数据中发现信息的概念工具也包括进来。

5. 外部限制

外部限制包括伦理、法律、社会、组织机构、管理以及LA过程方面的限制。如使用个人隐私数据有可能触犯法律等。

6. 内部限定

内部限制与能力相关，指解读数据、解释数据，从而根据数据提高学习效果的能力。据调查，只有很少的学习者能够解读结果并据此采取有效的干预措施。

（二）LA资源过程模型

学者们认为，分析是人脑和机器的混合加工的过程，[32]LA具有认知性、技术性和社会性。[33]综合多种看法，Elias认为电脑（软硬件技术）、理论、人员和机构构成了LA的四种技术资源，同时也成为LA的核心。[34]四种资源以及数据运作的过程构成一个LA的模型。

1. 电脑技术

远程在线学习的普及以及LMS 的应用，说明大量关于学生的数据已经被收集，如果这些信息可以和其他与学生有关的数据相结合，我们可以得到更详尽的关于学生的学习体验、教师的教学效果等信息。而随着数据的收集，进行信息加工时，尤其需要用来做数据分析报告和预测结果的软件工具。这类工具，Elias 列举了资讯可视化（Visualization）、神经网络、回归分析、机器学习以及人工智能等。[35]Elias 尤其强调了可视化技术的重要性，并列举了仪表盘（Dashboard）和社会网络分析（Social Network Analysis）两种常用的资讯可视化技术。

2. 理论基础

Elias 认为，LA涉及的理论非常广泛，包括与分析学相关的知识以及其他领域的知识。前者如推荐理论基础协同过滤算法（Collaborative Filtering Algorithm）、贝叶斯神经网络（Bayesian Network）、基于知识的推荐（Knowledge-Based Recommendation）等；后者则包括学习科学、教学法、学习动机学、学习共同体（Community）、学生毕业率（Retention）等。然而这方面的文献很少，相关人士很难确认哪些变量对教学有参考意义。也就是说，很难分辨哪些测量学生网上活动的变量真正影响到他们的学习和成绩。[36]

3. 人员

虽然现代技术的应用使得电脑软件和硬件可以取代人的努力，但是在很多方面人类的知识、技能和能力是保证结果有效性的重要因素。虽然教师可以通过使用资讯可视化技术、回归等来反思自己的教学设计和教学活动的有效性，评估是否达到教学目的，如学习共同体的建立。然而有效的后续干预很大程度上取决于教师本身解决问题以及决策方面的认知思考能力，而不是完全依赖LA技术以及统计软件。

4. 机构

Elias 认为，LA过程中的社会资本（Social Capital）或者社会性最容易被忽略掉。然而LA本身不能回避这方面的问题，例如：谁参与了LA项目，他们的决策是如何被支持的，项目成员之间如何沟通和互动。同时，无论LA 项目如何成功，要使得其研究成果在现实中付诸实施，则需要教育机构，如大学的领导层采取措施，支持以LA结果为基础的文化和教学模式方面的改革，从而达到LA提高学生学习成绩和改善教学效果的目的。因此，机构资源显示了LA的社会性。

在讨论LA技术资源的基础上，Elias 提出了LA的模型，其核心是电脑（软件硬件技术）、理论（统计、算法、教学法、学习科学等）、人员（相关人员如教师等）、机构（社会资本属性等）等四种科技资源。这四种资源参与并推动三个环节（收集数据、信息加工、结果应用），使之形成一个循环发展的过程，从而推动学习和教学的持续性提高（如图3所示）。

（三）LA的重要环节

Brown在2012 年召开的ELI（EDUCAUSE Learning Initiative）两次学术会议（ELI 2012 Spring Focus Session和LAK12）基础上，总结讨论了LA研究中出现的主题：数据指标的选取、资讯可视化技术，以及干预和反馈方式。[37]这些也可以看作是在实际研究中应该考虑的LA的重要环节。

他首先指出，LA定义的一个重要特点是对以下两方面的区分：一是实现LA的技术，另一方面是LA的目的。也就是说，所有LA项目都要包括这两方面，一方面要具备获取并分析数据的技术，另一方面要根据分析结果制订有效计划进行决策。

数据分析方面，Brown 强调在LA中，指标数据的选取直接影响到预测结果的准确性和数据分析的有效性。他提出，在LA研究中经常涉及两类数据指标：个性特点指标（Dispositional Indicators）和行为表现指标（Activity and Performance Indicators）。其中个性特点指标一般为事实性变量，可以量化，如年龄、性别、种族、平均分、学习经验等；行为表现指标主要反映学生在网络学习环境中的数字行为痕迹，如他们登录LMS 的次数、在学习网站上的时间、发帖的次数、测验分数等。凤凰城大学使用这两种指标预测学生是否能通过某一课程。比较有趣的是，他们发现有些指标不具备预测作用，如选修课程数量、性别、种族等。另外，密歇根大学的前期预测LA系统只选用了行为指标。Brown认为，大部分LA 项目都采用了混合指标来提高预测准确度。也有些学者认为分析学生作品（如作文、视频作品等）可以作为LA的指标，但这种方法不太常见。

资讯可视化被视为LA 的重要组成部分，一般以两种方式出现：一是呈现数据分析结果（图表等），二是仪表盘。可视化面板也有不同的呈现方式，一种是多个小窗口并列，而各种数据结果呈现在小的窗口中；另外一种是只呈现一个数据窗口，用户可以通过下拉菜单等获取更详细的数据。Borwn强调了可视化技术和用户界面设计在数据呈现中的重要性。

LA的终极目的是提高学习和教学成效，因此根据数据分析结果进行有效干预显得非常重要。Brown发现两种干预方式：一是系统自动反应，不需要或较少需要教师参与，例如普渡大学的Signals[38]系统给学生简单明了的红、黄、绿信号；另一种是半自动反应，LA发现学习模式（不喜欢某些学习活动）或者症状（学生缺乏学习动机等），需要教师专家分析之后作出决策，进行干预。

五、LA过程维度模型

Greller&Drachsler的模型注重于LA的纬度，强调了在设计LA系统时应该考虑到的各方面的因素，如从关益者到数据等，但没有突出设计LA的过程。Elisa 的LA模型突出了认知性、技术性和社会性（理论、电脑技术、人员和机构），同时强调LA过程的循环性和改进性，但是过程过于简化，例如信息加工涵盖了所有的数据处理分析过程以及数据结果呈现，没有具体纬度。这两个模型倾向于理论化，但对具体开发LA的指导性不强。Brown则着重强调了LA在实际应用中应该注重的两个方面：LA技术本身以及其目的。同时他根据实际应用中的LA系统，总结出LA研究中的具体环节和因素，如不同的数据指标的选择和应用、数据可视化技术以及干预的方式。

结合以上的两个模型和Brown的见解，笔者认为LA设计模型应该明确其过程环节，每个环节涉及的纬度要素可能重合。LA设计过程应该包括三个环节：首先是LA目标的确立；其次是LA本身的开发，主要是针对数据的操作、分析、呈现等；最后是干预。将目标作为一个重要环节的主要原因是，在设计开发LA系统之前，必须要有明确的方向：是提高学生动机、提高学生参加学习活动的频率，还是评估该教学活动是否适合所有学生等。有了主导方向，才能根据学习理论和相关研究等确定数据指标、预测模型等，明确数据来源（LMS或者其他数据库）获取数据；同时根据学习理论教学法等，确立统计分析方法，如描述性统计数据、相关性分析、回归预测模型等。数据分析的结果同样可以检测理论基础是否合理，如发现有些数据指标为非显性因子，因此可以进一步简化提炼理论基础。数据结果一般用可视化技术呈现，如可视化面板等。干预措施则建立在整个数据分析结果之上。为确认采取的干预措施是否有效，可以与LA目标对照。而目的本身也将影响干预措施的选择和实施。图4 中LA过程模型呈现了我们对智慧教育中LA的过程、相关因子及其相互之间关系的理解。

以下我们基于Greller & Drachsler的六个纬度来说明LA设计开发中每一环节涉及的重要纬度（见表3）。

六、LA应用现状及面临挑战

LA已成为教育领域，尤其是高等教育和远程网络教育的热点。美国西部州际高等教育委员会教育技术合作部（WICHE，WCET，Western Interstate Commission for Higher Education，Cooperative for Educational Technologies）的教育LA大数据分析项目，其预测分析报告（PAR，Predictive Analytics Reporting）于2011年获得比尔及梅琳达·盖茨基金会资助。[39]PAR的主要目的是确认影响学生退学以及是否能够毕业的因子。该项目目前已经涉及六所大学64万学生，320万门选课的数据分析，初步发现32个影响学生学习以及退学的普通变量（多为学生特点变量），包括性别、种族、学位种类、多种专业、课程数量、班级人数等。其他发现如学生的性别、年龄以及种族与该生是否会退出某门课没有关系。该研究仍在继续。

然而，尽管LA工具已经在世界各地一些大学被开发和应用，学者们认为，LA在教学应用方面的研究和相应的LA技术研发和系统开发尚处于初始阶段[40][41]。Simens等认为教师缺乏可以用来评估多方面学生成绩以及对学生进行对比分析的LA工具，学生也难以追踪与自己的网上活动和成绩方面的信息。[42]因此他们提出了开放性学习分析平台项目，目的是开发集成的可扩展的LA工具集，以供教师和教育机构对学生的活动进行评估，并以此为基础决定干预措施，从而提高学习效果。同时，学生也可以查看个人的学习进展。该平台预期将开发四种工具和资源：（1）LA 引擎；（2）自适应内容引擎；（3）干预引擎，包括干预措施推荐和系统自动支持；（4）仪表盘、报告以及资讯可视化工具。

现有的已经开发出的LA系统大多是针对具体课程，目的是根据学生的表现、活动成绩等实施干预措施，以提高学生成绩，改善学习体验等。类似LA系统如普渡大学的Course Signals、密歇根大学的M-Reports Dashboard、马里兰大学-巴尔的摩县（UMBC，University of Maryland-Baltimore County）的Check My Activity，以及亚琛工业大学（RWTH Aachen ）的eLAT（Exploratory Learning Analytics Toolkit）等。

尽管有很多系统已经在使用中或者正在开发，但是LA的开发和研究同样面临着诸多挑战。我们以Signals[43]和eLAT[44]为例，来说明这个问题。

与很多大学相类似，普渡大学开设了很多入门课程，这些课程往往有很多学生经常对他们的学习状况不是很了解。为了能够及时提醒和通知学生在某一特定课程中的表现和成绩，普渡大学开发了Signals 系统。该系统通过数据挖掘和统计预测模型，根据多个变量（表现指标包括：现有平均分和努力程度，如学生LMS的交互频率；个性特点指标包括学术准备，如高中平均分和各项标准考试成绩，以及学生特点，如是否为美国居民、年龄和选修学分）来预测学生是否能够完成/通过该课程。Signals 在课程进行的过程中，以交通信号指示灯的方式，让学生了解自己的学习状况：课业良好（绿色）、课业中度危急（黄色），或者课业严重危急（红色）。同时教师可以给学生提供有效的反馈信息，引导学生使用合适的资源等来提高成绩。[45]Signals 的使用取得了很多正面效果，如在使用Signals的班级，成绩为A和B的学生比没有使用班级的学生多，而成绩为C 和D 的学生则少于对照班级。另外，研究还发现，参加至少一门使用Signals 的课程的学生比没有使用Signals的课程的学生的四年毕业率高四个百分点。[46][47]

在RWTH Aachen 大学，Dyckhoff等[48]开发了eLAT ，帮助教师在使用L2P、网上教学学习系统时，更好地反思他们的教学方法和成效。通过eLAT，教师可以根据个人兴趣探究内容使用，用户特征、用户行为、测评结果等是否相关以及相关程度等。他们强调LA 工具应该具有动态性和灵活性，这样教师可以根据自己的兴趣查看相关信息，确认教学方法是否有效，以及不同特点的学生对同一教学内容是否有不同反映等。eLAT 的主要目的是帮助教师自我评价他们的课程以及支持他们做相关研究，因此更多关注的是学生作为一个群体的表现、活动、成绩等，而不是个体学生的信息。即便如此，该系统的设计非常注重保护学生个人隐私，以Hash 函数（注：一种用杂凑函数产生随机数的算法）取代学生姓名。此外，他们认为LA 工具呈现的数据应该简单易读，因此资讯可视化非常重要。eLAT使用四类指标：文档使用指标、成绩测评指标、用户活动指标和互动交流指标。每类指标包括多种具体指标，如最频繁使用的10个文档属于文档使用指标，教师可以根据指标信息发现学生最喜欢使用的文档，如学生可能喜欢一个具体例子超过课堂讲稿。另外，根据用户活动，他们用不同颜色表示三组用户类型：非常活跃用户（蓝色）、活跃用户（红色）以及非活跃用户（黄色）。如果学生大部分都不够活跃，那么教师可能需要发现原因，考虑如何改进教学内容及方法等。

Signals 的成功是显而易见的，然而研发人员也提出了他们遇到的问题和困难。首先是数据。除了LMS 数据容易获取，Signals 的预测模型需要的学生个性特点数据是分散的，由不同的相关学校部门分别持有。在开始阶段，聚合汇编数据花了一年多的时间。其次是Signals 的使用方面。研究证明早期干预和频繁干预对学生成绩的影响最为正面，然而大部分教师工作负荷很重，多次干预会加重他们的工作负担。最后，研发人员发现，他们很难向学生解释如何得到他们的学习状况危险指数。为此他们专门作了视频，解释了他们的算法和公式。

在挑战和困难方面，eLAT研发人员提到了数据指标的选择。他们选择了用户活动指标等，然而很难确认哪些对改进教学有指导意义，也很难确认它们是否包含了所有影响学生成功或失败的指标，因此需要更多的实证研究来验证。此外，研发人员认为数据指标过于简单，只传达一般信息和容易理解的信息，然而，加入一些教师们不熟悉的指标等，可能会给他们解读数据带来困难。

因此LA在实际的开发过程中，技术的、伦理的、人员有关的以及实际情况的限制等各方面的问题都可能出现。

七、LA与智慧教育

随着技术的发展，人类社会进入数据化时代，计划决策等无不以数据为依据。教育也将逐渐成为智慧教育模式，即以学习者为中心，进行个性化学习，为学习者提供各方面支持，将教和学的效果提升到一个新的层次。学习技术如电子课本和移动学习等正处于发展上升期，预计一到两年之内会有广泛应用[49]。这意味着更多的数据可以纳入LA 研究的范围。LA 以学习科学、教学理论、课程设计理论和已有研究结果为基础，选择学习者特点、网上交互活动频率等变量，分析并监测学生学习情况，评估教学活动教学质量，及时发现学习中存在的问题，从而保证智慧教育的实施。因此，学习分析学应该成为我国教育技术研究者特别关注的新领域。

[参考文献]

[1] 祝智庭，贺斌. 智慧教育：教育信息化的新境界[J].电化教育研究，2012，（12）：1～13.

[2] Learning and Knowledge Analytics[DB/OL].[2013-01-10].http：///？p=174.

[3] 顾小清，张进良，蔡慧英.学习分析：正在浮现中的数据技术[J].远程教育杂志，2012，（1）：18～25.

[4] Siemens，G..What are Learning Analytics？[DB/OL].[2012-12-20].http：///blog/2010/08/25/what-are-learning-analytics/.

[5] Siemens，G..Learning Analytics a Foundation for Informed Change in Higher Education[DB/OL].[2013-01-17].http：///gsiemens/learning-analytics-educause.

[6] Verbert， K.， Manouselis， N.， Drachsler， H. & Duval， E.. Dataset-Driven Research to Support Learning and Knowledgeanalytics[J]. Educational Technology & Society，2011.

[7] [10] [14] [16] [17] [45] Ferguson， R.. The State Of Learning Analytics in 2012： A Review and Future Challenges[DB/OL].[2012-12-11]. http：//kmi.open.ac.uk/publications/pdf/kmi-12-01.pdf.

[8] [37] Brown， M. Learning Analytics： Moving from Concept to Practice[DB/OL].[2012-12-21].http：//educause.edu/library/resources/learning-analytics-moving-concept-practice.

[9] [20] [26] [27] Cooper， Adam. A Brief History of Analytics A Briefing Paper[DB/OL].[2012-12-15].http：//publications.cetis.ac.uk/wp-content/uploads/2012/12/Analytics-Brief-History-Vol-1-No9.pdf.

[11][18][28][29] Greller， W.& Drachsler， H..Translating Learning into Numbers： A Generic Framework for Learning Analytics[J]. Educational Technology & Society，2012，15（3）：42～57.

[12] White House Ostp. Obama Administration Unveils “Big Data” Initiative： Announces $200 Million in New R&D Investments[EB/OL].[2012-03-29]. http：//whitehouse.gov/sites/default/files/microsites/ostp/big_data_press_release_final_2.pdf.

[13] Mazza，R.，& Milani，C..GISMO： a graphical interactive student monitoring tool for course management systems[DB/OL].[2012-01-10].http：//linux3.dti.supsi.ch/～mazza/Web_area/Pubblicazioni/TEL04/TEL04.pdf.

[15] Mazza， R.&Dimitrova， V.. Visualizing Student Tracking Data to Support Instructors in Web-Based Distance Education[DB/OL].[2013-01-10].http：///WWW2004/docs/2p154.pdf.

[19] [34] Elias， T..Learning Analytics： Definitions， Processes， Potential[DB/OL].[2012-12-10].http：///LearningAnalytics DefinitionsProcessesPotential.pdf.

[21] [24] Siemens， G..Learning and Knowledge Analytics[DB/OL].[2012-12-28].http：///？p=131.

[22] Barneveld， A.， Arnold， K.E.& Campbell， J.P..Analytics in Higher Education： Establishing a Common Language[DB/OL].[2013-01-18].http：//net.educause.edu/ir/library/pdf/ELI3026.pdf.

[23] Siemens， G. & Baker， R.. Learning Analytics and Educational Data Mining： Towards communication and collaboration[A]. Simon， B.S.， Dragan， G. & Rebecca， F.. LAK’12 Proceeding of the 2nd International Conference on Learning Analytics and Knowledge[C]. USA： ACM New York，2012：252～254.

[25] Davenport， T. H.， Harris， J. G. & Morison， R.. Analytics at Work： Smarter Decisions， Better Results[M].Boston： Harvard Business Press，2010.

[30] Wolf， G..Know thyself： Tracking Every Facet of Life， from Sleep to Mood to Pain， 24/7/365. Wired Magazine[DB/OL].[2012-12-05].http：///medtech/health/magazine/17-7/lbnp_knowthyself？currentPage=all.

[31] Drachsler， H.et al. Issues and Considerationsregarding Sharable Data Sets for Recommender Systems in Technology Enhanced Learning[J]. Elsevier Procedia Computer Science，2010，1（2）：2849～2858.

[32] Dron， J.，Anderson，T.. On the Design of Collective Applications[A].Proceedings of the 2009 International Conference on Computational Science and Engineering - Volume 04（CSE’09）， Vol. 4. IEEE Computer Society[C]. Washington， DC， USA，2009： 368～374.

[33] Hackman， J.R.，Woolley， A. W.. Creating and leading analytic teams[A]. R. L. Rees & J. W. Harris， A handbook of the psychology of intelligence analysis： The human factor. Burlington[C]. MA： CENTRA Technology， in press.

[35] Corbitt， T.. Business Intelligence and Data mining[J].Management Services，2003，（12）：18.

[36] MacFayden， L.P. & Dawson，s..Mining LMS Data to Develop an “Early Warning System” for Educators： A Proff of Concept[J].Computers & Education，2010，54（2）：588～599.

[38] [43] [46] Pistilli， M.D.， Arnold， K.， & Bethune， M.. Signals： Using Academic Analytics to Promote Student Success[DB/OL].[2012-10-08].http：//educause.edu/ero/article/signals-using-academic-analytics-promote-student-success.

[39] Boulder，CO（PRWEB）.. WCET Predictive Analytics Reporting （PAR） Framework Project DeliversMillions of Course Records for Review and Analysis[DB/OL].[2011-10-17].http：///pdfdownload/8882165.pdf.

[40] [49] Johnson， L.， Smith， R.， Willis， H.， Levine， A. & Haywood， K.. The 2011 horizon report[DB/OL].[2012-05-09].https：//waynedev.uakron.edu/dotAsset/d252d696-2a99-4102-8010-4fc103846b0d.pdf.

[41] Johnson， L.， Adams， S.， & Cummins， M.. The NMC horizon report： 2012 higher education edition[DB/OL].[2012-05-09].http：//net.educause.edu/ir/library/pdf/HR2012.pdf.

[42] Siemens， George， et al. Open Learning Analytics： An Integrated & Modularized Platform： Proposal to Design， Implement and Evaluate An Open Platform to Integrate Heterogeneous Learning Analytics Techniques[DB/OL].[2012-12-01].http：//sites.ewu.edu/elearningservices/files/2012/06/Open-Learning-Analytics-an-integrated-modularized-platform.pdf.

第2篇：科学学科质量分析范文

关键词：不良行为 原因 方法

中图分类号：G712 文献标识码：C DOI：10.3969/j.issn.1672-8181.2013.18.050

我校是一所规模较大、教学设施齐备的中等职业技术学校，在校学生的年龄大多在16～18岁之间，正处在青春期，因而，其身上就会出现青春期的一些特征，比如个性强、冲动、好奇、自我约束力差和情绪波动大等。要将学生培养成一名合格的中职学生，纠正他们身上的不良习性，使他们成为对社会有用的人才，需要付出极大的心血，需要一个漫长的指导、关心、爱护和纠正的过程，绝非一早一夕就能完成的。

中职学校的体育课通常具有人际交往频繁，师生互动环节多，学生个性暴露充分，不良行为习惯表现明显等特点。笔者对我所承担体育课的多个班级的学生在上课期间、练习期间所暴露出的不良行为进行了较长时间的调查、资料收集，结合本门课程的特点，查看和翻阅了大量的心理学与组织教育行为学的相关理论知识，对各个班级中不良表现较为突出的学生，进行了耐心、细致的心理指导和沟通，并及时对谈心的过程进行总结，找到了一些解决的方法和思路，对完成学校的教学意图，满足学生个人的需要，进一步完善体育课的教学和日常体育锻炼工作，提供了有益的帮助。

1 中职学生体育课中不良行为的类型

通过学习《教育心理学》和多年从事体育课教学的经验，笔者通过观察、搜集和整理，将中职学生不良学习行为的表现归纳为以下八种类型：①散漫型；②吵闹型；③主动攻击型；④躲避型；⑤违纪型；⑥邀功型；⑦不诚实型；⑧心理不健康型。在罗列出来的这八种类型中，散漫型、吵闹型和主动攻击型居多，这比较符合中职学生问题行为倾向，说明这些不良的学习行为是目前中职学校学生比较突出的问题，也是在教学过程中发生概率相对大些，影响更为严重的问题，这应该引起广大教师的高度重视，并在教学过程中要时刻加以注意，将突发事件控制到一定的安全程度。

2 中职学生在体育课中不良行为发生时段

通过对不同年龄、不同年级和不同班级上体育课时表现出的不良行为的现场观察，以5分钟为时间间隔，将观测到的数据按课的年均频次分类描述如下：

散漫型在各个时间段上发生的频次均处于较高水平，说明该行为带有普遍性；吵闹型分别在10分钟、25分钟和40分钟达到高峰，说明该行为较易在课程内容转换期发生；主动攻击型的高峰期出现在教学过程的练习阶段，这个阶段主要是由学生自行完成相关教学任务，属于相对自由阶段；躲避型等行为出现的频次较前三种行为而言，发生的概率要小些，通常出现在教学过程的开始和结束阶段。对上述各种不良行为的综合分析，我们可以更加深刻理解中职学生在教学过程中出现不良行为的原因和规律，对于我们在具体的教学过程中，如何防范于未然提供一些参考，并能更好地实施教学，达成教学目的。

3 中职学生体育课不良好行为产生原因

笔者通过长时间的教学实践和观察，找到了导致中职学生在上体育课时不良行为频发的主要原因，概括如下：

第一，学生方面：学习态度不端正，组织纪律观念淡漠，体育兴趣低落；班干部责任心不强，缺乏集体意识，同学之间不够团结，互差等，这诸多原因汇集在一起，形成了一种不好的班风，对每个身在其中的学生来说，或多或少产生了不好的影响。

第二，教师方面：个人组织教学能力缺乏，心理素质较差，与学生沟通不畅，对人不够诚信，没有威信，教学内容枯燥乏味，教学安排缺乏新意、不科学、不合理，不能有效调动学生的积极性，导致学生不良行为的出现。

第三，外界环境：当今社会是个信息大爆炸的年代，新生事物层出不穷，新知识、新概念不断涌现，学生得到的信息越来越多，这对我们这些从事教育的教师来说，无疑提出了更大的挑战，如果我们还是沿用原来那些陈旧的教学资源和教学方法，不转变自己的观念，学生在课堂上出现不良的行为也就不奇怪了。

4 中职学生不良行为解决方法

第一，目标明确法：在进行体育课教学时，一定要向学生交代清楚本节课的教学目标，让学生明白为什么要学？学什么？有何作用？只有当受众明白自己在干什么时，他们才能对你所讲授的内容产生兴趣。中职学生的学习积极性本就不高，对任何涉及学习的东西，都有一种本能的抵触，如何打消学生这种消极情绪，使他们能够学到知识，目标明确是很重要的。

第二，兴趣培养法：作为体育教师，在教学过程中，一定要最大限度地发挥学校现有的器材和设施的作用，充分发挥自己的聪敏才智，不断改进自己的教学方法和手段，引进新的模式、新的理念，丰富教学内容，特别要将教学的内容与学生的具体要求紧密结合，激发学生的兴趣，使学生能够在学习过程中得到乐趣，得到快乐，使课堂真正成为学生的天堂。

第三，团队精神法：体育课是一类比较好培养学生团队意识的课程。作为中职学校的教师，我们的首要任务是教会学生的生存能力和生存技巧，而在其中，培养学生的团队意识，使学生们能够真正懂得团队精神、团队力量和团队合作的重要性，才能够使我们培养出来的学生具有真正的竞争能力。体育课中的接力跑、球类比赛和团体操等内容，都是很好的培养学生团队意识的手段。

第四，骨干引领法：作为中职学校的教师，在承担班级教学任务中，应该注意在班级中树立若干典型，打造一批在班上有影响力的骨干分子，让这部分学生带领班级其余学生，积极参与教学过程，真正实现学生是教学主体的目标，让学生成为学习的主人，而不是学习的奴隶。

第3篇：科学学科质量分析范文

• 学生成绩分析

本次考试平均分86分；24人及格，及格率70%；18人优秀，优秀率53%；特优12人，特优率35%，3人过差。这次考试试题相对比较容易，重点考查基础知识，考查能力题目并不多。由学生得分情况来看，低分人数较多，特秀人数较少，说明学生对基础知识掌握很不扎实。

存在的问题

教师的教学中存在的问题：

教师没有对有希望的特优生把握准确，对他们要求不严格，导致好几个有希望的特优生在基础题上丢分。

数学本身比较枯燥，学生学起来兴趣不高，教师也没有花精力研究如何调动学生的积极性，让学生主动学习。

课堂管理不到位，导致部分学生在课堂上跑神，听课效率差。

对临界生的关注度不够，没有及时了解这些学生对知识点的掌握情况，导致他们学习的一知半解。

改进措施

要在提高特优率和优秀率上下功率，对待他们要让他们多见题多练题，并且培养他们善于思考问题的习惯。

对于有希望及格的和处在及格边缘的学生狠抓基础，并且多鼓励他们。

第4篇：科学学科质量分析范文

关键词： 本科教学 质量评价 统计分析 关键因素

一、引言

人才培养是研究型大学工作的有机组成部分，也是研究型大学发展的重要环节。随着知识经济的到来，国际竞争的不断加剧，国家社会发展战略实为人才发展战略，近年来，作为人才培养的关键环节――课堂教学已经纳入到各高校的质量评价体系中。教学质量的评价为高校提升教学水平，提高人才培养质量，掌握课堂教学的基本情况提供了很好的途径。浙江大学理学部承担着浙江大学数学、物理、化学等公共基础课，是浙江大学本科教学的主体力量。本文通过对浙江大学理学部2006―2010年的教学评价数据统计分析，研究教学过程中的相关主体与教学评价结果的相关性，在此基础上给出提高教学质量的建议。

二、浙江大学本科教学质量评价简介

浙江大学在九十年代就开始实行课堂教学质量评价，通过多年实践和总结不断对课堂教学质量评价办法进行了修订和完善，使本科课程课堂教学质量评价办法具有较好的可行性。

参加评价的人员由学生和同行及管理人员两部分组成，学生评价权重占70%，同行及管理人员评价权重占30%。

评价由现代教务管理系统进行，先剔除每一个评价对象即“人・课”的最高5%和最低5%学生评价分，再与同行及管理人员评价分汇总，经过加权统计，得出综合评价分，并按综合评价分按类另由高到低排序，以5分制为计分标准，综合分低于3.0的评价为不合格，优秀的比例为20―30%（2008年前为20%，现在为30%），良好的比例为60%，合格的比例为10―20%（2008年前为20%，现在为10%）。竺可桢学院的课程因评价指标不同，不计算在内。

三、课程评级结果分析

（一）基本情况。

八个学期共对3651个对象进行评价，其中优秀781人次达21.4%，良好2239人次达61.3%，合格631人次达17.3%，没有不合格对象；正高级职称1395人次占38.21%，副高级职称1851人次占50.70%，中级职称405人次占11.09%；进校25年869人次为23.80%；综合课1095人次为29.99%，理论课1725人次为47.25%，实验课831人次为22.76%。

（二）不同职称的差异分析。

统计表明正高级职称中优秀率为22.23%，良好为62.29%，合格为15.48%；副高级职称优秀率为22.31%，良好为60.67%，合格为17.02%；中级职称优秀率为14.32%，良好为60.99%，合格为24.69%。（见图1）

由图1可以看出，不同职称的课程评级不同。其中，正高级和副高职称的“优秀率”较高，而中级职称的“优秀率”则较低。χ检验显示，三种职称之间存在显著的差异（χ=26.548，p=0.000）。

（三）不同进校时长的差异分析。

统计表明，教师进校时间25年优秀率为24.28%，良好为62.26%，合格为13.46%。（见图2）

从图2可以看出，不同来校时长的课程评级不同。其中，“25”的“优秀率”则较高。（2检验显示，四种来校时长之间存在显著的差异（（2（6）=26.746，p=0.000）。

四、对教师的评价结果分析

按5分制对教师评价，我们获得教师评价平均数为4.73。对不同职称教师、不同进校时长教师的评价进行了分析。

从表1可以看出，对高级和副高职称的评价分数较高，而对中级职称的评价分数相对较低。单因素方差分析显示，三种职称之间存在显著的差异（F=5.265，p=0.005）。进一步经LSD检验发现，正高级与中级（p=0.011）和副高与中级（p=0.007）之间的差异均达到显著性，而正高级与副高的差异不显著（p=0.234）。

从表2可以看出，随着来校时长的增加，对老师的评分也上升。单因素方差分析显示，四种来校时长之间存在显著的差异（F（3，3647）=11.603，p=0.000）。进一步经LSD检验发现，除“15―25”与“>25”之间不存在差异外（p=0.706）外，其他各对平均数的差异均达到显著性，显著性水平从0.000到0.010不等。

五、提高本科教学质量的建议

教师是教学工作的重要主体之一，良好的师资队伍配置是创新型拔尖人才培养的必要条件。从上述对课程评价信息的分析，可以看出一支高水平、经验丰富的专业师资队伍是培养一流人才的关键，在现有的基础上进一步加快建设教学队伍，需要做好以下几点工作。

（一）结合分类聘岗改革，提高教学队伍层次。

课堂教学质量的好坏与职称的高低有着直接的关系，特别是理论课程，与教师的职称高低及学术水平的高低密切相关，中级职称的评价分数相对较低，业务素质有待提高。通过教师分类管理，结合岗位聘任，制定合理的薪酬和激励制度，形成引导和教师热爱教学、专心教学的良好机制，高级职称的教师必须承担相应的本科课堂教学任务，特别是公共基础课和专业基础课的课堂教学任务，确保教学效果好、深受学生欢迎的优秀教授、副教授能走上教学一线岗位。

（二）完善新教师培养制度，提高新进教师的教学质量。

第5篇：科学学科质量分析范文

摘 要 学校的课间操是学校体育管理工作的一部分，是反映学校学生的一面镜子，目前大多数的学校利用大课间的时间段采用做广播操的形式以达到促进学生锻炼的目的，众所周知，通过上午课间20分钟的锻炼，可以缓解学生学习过程中的疲劳，防止身体身体畸形，有效提高学习效率，调节学生的学习生活有积极的作用。同时课间操对提高班级的凝聚力和形成良好的校风具有特殊的意义。但是，现实的课间广播操学生懒懒散散，不感兴趣，敷衍了事，做操的动作不到位，路线不正确，不跟着节奏做，甚至边做边说话，虽然学校对课间操的管理也采取了一系列的措施，但没能治标治本，稍微好点后，没过多久又回到原来的样子，究其原因，不是学生做操不会做，而是学生的做操态度不认真，在深入一步思考，为什么学生会做操不认真呢，仅仅通过加强管理，就可以使学生改变不认真的现状吗，可能还存在着其他方面的一些问题，那么针对出现的这些问题，如何采取有效的措施加以改进，以提高广播操的做操质量。在此，本人就广播操质量不好的成因谈谈自己的观点，并提出自己的一些粗浅的想法。

关键词 课间操 问题成因 对策

一、原因分析

学生的广播操质量不好，有很多原因，学校管理上的原因，有班级管理上的原因，有体育教师在教学与管理上的原因，有学生自身的原因，只有从多角度多方位去分析产生这种现象的原因，从多渠道去寻找解决的办法，逐步的提高学生的锻炼意识，才能有效改变课件广播操懒散的局面。

（一）学生在思想上不够重视，对课间操目的、意义没有明确的认识。

现在的学生普遍都是独生子女，家庭生活环境的影响，部分学生怕苦怕累以及体育锻炼和健康的意识薄弱，没有认识和体会到课间操锻炼所带来的作用和效益，甚至有的学生认为课间操是学校的例行公事，是要求每个学生必须要做的，从小学到中学以至大学，年复一年，日复一日，只知道例行完成任务，但并不清楚课间出操的真正作用在哪里，不清楚它的真正的锻炼价值所在。

（二）课间操的锻炼氛围的影响。

学校课间活动锻炼的良好的氛围对学生做操有很大的影响，一个学校建立了课间身体锻炼风气后，能形成集体的影响，集体中多数学生能耳濡目染、潜移默化形成一致的态度和行为方式，而且据心理学家研究，人的态度在群体中会有类化现象，个人会受到群体其他人的影响，所以学校多数人包括学生和老师对课间操锻炼的态度，尤其是班级中既有榜样作用和具有一定影响力的个别学生的做操态度，会成为效仿和跟风的巨大力量，最后蔓延至所有人对出操和做操的淡漠的态度，它的影响更大也更广。少数人会以共同一致的方式与周围的环境协调，从而转化为集体的力量，因此课间操的锻炼是因为多数人的淡漠影响了氛围的形成，久而久之，学生的个人行为能力就被同化了，做的好的学生，想做的学生就被做的不好的氛围同化了。因此，风气的形成很重要。

（三）课间操是在室外集体进行，遇到炎热的夏天或寒冷的冬天，学生就特别不情愿；

每个学期的学期末阶段，也是天气寒冷和炎热的阶段，加之期末阶段学习任务的繁重，考试的频繁，学生的学习负担相对较重，学生的精力都集中到了迎接期末的复习迎考，课间的锻炼的意识相对比较薄弱，学校的其他的常规礼仪方面在此阶段也有相应的弱化现象，另外期末临近，学生的思想上已经没有了开学初期的兴奋和活力，同样的一套操天天做，时间长了，学生难免会失去兴趣和新鲜感，在学校的管理上就相对要难。

（四）课间操组织形式死板，内容枯燥，形式单一，同样一套操，不同的学习阶段都是一样的，学生难免感到单调乏味。虽然新的广播操已经融入了现代健身操的一些元素，但是由于还没有很好的被学生接受，甚至部分学生感觉到本套操别扭，做起来动作上难以很好的协调，不美观带来的难为情，使其在动作上始终不敢放开，缩手缩脚。另外本节操的音乐节律相当快，在短时内学生还不是很熟练的情况下，很难跟得上音乐的节奏，越到后面的几节操，越是难度加大，整体的做操整齐度就越差。

（五）现代健美操、韵律操的快节奏对现代意识较强的中学生具有强大的吸引力；本套操虽然已经融入了现代健身操的动感元素和快节奏的特点，，但是由于对学生的协调性等要求比较高，学生在学习结束后，还不是很巩固和不熟练的情况下很难协调而准确的做到动作到位，在练习中寻找和体验不到美的感觉，于是做操的厌烦情绪可想而知。

二、解决的对策

那么，针对出现的这些问题，如何改进课间操，加大课间操的管理力度，有效的锻炼学生的身体，提高课间操的做操质量呢？我想从以下几方面谈谈改变这一现状的几点建议。

（一）加强课间操的锻炼价值的宣传力度，让学生认识到课间操的锻炼作用，向班级发放课间操锻炼的目的、意义的宣传资料等，充分利用各班体育委员，一起讨论提高的方法等；也可以利用学生会的组织，通过黑板报、校内媒体等形式报告宣传。

（二）学校领导不仅对课间操加强监督，而且要督促更多的教师参与锻炼。

学校领导不仅督促各部门和相关老师对课间操的管理力度，还有组织督促其他任课教师走出办公室，利用课间15分时间到操场与学生一起出操，以自身的楷模去感染、带动和督促学生认真做操，锻炼身体，营造师生共同参与，共同锻炼的和谐共处的良好生态环境。

（三）体育教师做好组织和管理工作。

体育教师在课间操上要做好组织工作，带领专项组学生进行广播操的总体评分，并安排

一名体育教师或动作示范优美的学生上台领操，并且要求学生做到动作规范到位，要体现广播操的力与美的结合，使学生产生一种不得不认真模仿的感召力。另外，其他的体育教师带领专项组同学深入到学生队伍中，参与监督管理和评分。

（四）发挥班主任的作用。

班主任对班级学生有很大的表率作用，是学生的直接管理者，也是学生最信任的人，学生最容易受班主任的感染，所以班主任老师如果也能够认真的参与做广播操，整个的广播操的氛围可能会在班主任的感召下一起做起来，课间操的纪律会有改善，做操的质量也会有所提高。

第6篇：科学学科质量分析范文

高等学校的根本任务是培养人才,教学工作是学校中心工作,教学质量关系到未来人才培养的素质,也关系到学校的生存与发展。传统的外科医学教学模式存在理论与实践相脱节的问题，且学生存在综合分析、实际动手、临床思维能力较差等缺陷［1］。只有应用型、创新型医学人才才能应对激烈的国内外竞争。以下浅谈如何提高外科学临床教学质量。

1提高教师的教学责任心

教师是教学活动过程的主体,也是提高教学质量的关键。外科临床教学均由具有中、高级职称的医务人员专职负责,他们具有多年的临床和教学工作经验,或经过研究生教育培训,具有精湛的专业理论知识和技能,但更应强调是带教老师对教学的态度和责任心。见习带教是一项单调枯燥的工作,特别是扩招后教学时数增加,有时1个月有近100学时的课程,同样的授课内容,要重复好几次。只有当带教老师能正确认识到教学工作的重要性和意义,他才能以最佳的精神面貌,全身心地投入到教学中。由于学生数量和见习班组增加,合适的带教病例和示教病例不足的矛盾逐渐突出,除课前理论准备外,带教老师在课前常需花很大的精力准备合适的病例,并做好病人及其家属的思想工作,争取他们的配合和支持。同时,带教老师必须非常熟悉入选病例的情况。若没有对教学和学生高度责任心,选择病例和示教就可能流于形式,不利于学生见习学习,教学质量就无法保障。同时,应建立一套行之有效的教学评估体系和奖惩制度,对带教老师的教学工作和效果进行科学地管理和监督。

2紧密联系实践工作，增加新理论、新知识

首先必须明确教科书中疾病的诊断治疗总体原则是每位实习生应该掌握的。比如，骨折的分类、如何对骨折患者的受伤部位进行固定、转移运送，对神经、血管损伤的诊断、处理原则等。其次，不能忽视书本，单纯去追求高科技、新材料、尖端技术［2］。正确的方法是在大学本科教学中，在保证完成统一、规范的教学内容的前提下，兼顾骨科新发展，某些已成熟的技术和理念应及时加入到骨科教材内容中，同时还可加入一些小故事或小引言，介绍其发明、发现、发展的过程，潜移默化地激发学生敢于创新、敢于实践的精神，最终培养出创新型人才。具体做法是选择有针对性而又短小精炼的补充内容和引言，这样既有利于学生记忆课本内容，增强学习兴趣，又有利于学生了解目前骨科的发展现状，收到事半功倍的效果。就目前而言，无论何种教学方法和手段最终均要落实到考试上，带教老师要向学生解释的是补充内容不考，仍以教科书为主。选择补充内容的目的：(1)为了更好地理解、记忆教科书内容；(2)向学生灌输创新意识，培养创新人才。教科书需要更新，教师在教学中要注意将书本和临床结合、对比，让学生了解不同观点的优劣，为临床实际工作积累经验、总结教训。

3加强对学生的管理和指导，上好见习课

医学生的学习任务繁重为众人所知,由于见习课无具体的考核制度,可使刚走出教室到病房的学生感到一丝轻松,从而易造成放松自己，故在实际工作中能课前预习的同学并不多见,有的甚至不知道本次课的具体内容。见习课不是理论课的重复,也不仅是获得对理论课的感性认识。临床医学是一门实践科学,对于临床学习的第一步,见习课在培养学生临床思维能力、实际操作能力和提高学生综合素质等方面具有重要的作用。带教老师在加强组织纪律的同时,更应向学生指出见习阶段学习的重要性和学习方法。同时应指导学生处理好见习课和理论课,考试和学习,理论水平和实践操作能力,内科见习和外科见习,外科专科见习和普通外科见习之间的关系,强调临床见习学习的整体性和延续性,强调它们共性的东西,使他们能够珍惜每次向老师、向同学、向病人学习的机会。

4充分利用多媒体教学技术

在教学活动中引入多媒体技术、可给学生创造一个逼真的学习环境，结合集文字、声音、图像、动画等于一体的多媒体进行教学，能极大地激发和满足学生的求知欲望，实现课堂教学由以教师为中心向以学生为中心的转变，发挥学习者的认知主体作用。多媒体教学对突出重点及开阔视野、拓展知识很有帮助。由于在骨科教学中，很多疾病的临床表现复杂多变，涉及解剖学范围广，必须有较扎实的专业知识才能较好地理解和掌握该门功课。因此发挥多媒体的全方位、多视角、多层次、多变化的特点，使学生在短时间内对所学疾病建立感性认识，有利于知识的吸收和消化。它对教学重点、难点、标题等的演示效果可能比其他教学手段更为有效。同时，结合授课内容，选用清晰的挂图、模型等，创造一个对学生反复刺激的环境，更能增强学生的记忆［3］。

5采取师生互动的教学方法

为了达到教学目标和完成教学任务，师生间需要进行交流、对话和沟通。多年来的教学模式使学生习惯了你教我学的形式，也使学生养成了只听不问的习惯。为此，采取互动式的以问题为中心的教学方法，鼓励学生大胆提问题和回答问题，对学生提出的问题教师要正面、清楚地回答，以示尊重，即使暂时无法回答的，也要在课后弄清楚，下次课给予解答。另外对学生的问题，无论看起来有多简单，均应予以表扬，使其有信心敢于再提问题。只有这样，才能保证教的效果和达到最终的课堂教学目标；也只有这样，学生才能切实体会到教师的关怀和教育的温暖，才会以学习主体的姿态积极、主动地投入到课堂教学中去，才会积极地配合好教师的教学活动［4］。带教以提问和示范为主，可尝试教学互换的教学方式。例如骨科的体格检查法是见习教学的重点和难点，要想方设法地让学生理解并掌握各种检查方法。首先由学生模拟病人，教师示教准确的检查手法，第二步由学生之间互相模拟检查，练习手法，最后选择相关病例，由教师进行床边示教，结合具体病例分析其临床意义。经过这些步骤，学生可理解、记忆繁杂的体格检查法。根据学科特点，多种教学方法相结合，提高学习兴趣，层层深入，带动学生按临床医生的思路考虑问题，不仅使学生对该病记忆深刻，更重要的是培养了学生的临床思维能力。

走出旧的经验医学教育模式,开辟崭新的领域,在临床实践中培养新世纪医学生的综合能力,加强普及循证医学教育,从实践中提出问题和解决问题,培养一批适合当今社会发展需要的优秀医学毕业生，这是临床教学工作的目标。

【参考文献】

1杨进顺，黄文驿.骨外科临床教学改革的探索与实践.实践与学习（卫生职业教育）,2007,25(12):116～118.

2叶正旭，朱锦宇，王军，等.关于骨科临床实习教学的几点体会.山西医科大学学报（基础医学教育版）,2004,6(4)：384～386.

第7篇：科学学科质量分析范文

关键词：教育评价;课堂教学;质量评价;教师评价

课堂教学是普通高校授课的主要形式，也是教师和学生直接交流的关键环节。目前各个高校为了提高课堂教学质量，结合人才培养特点制定并推出了不同形式的课堂教学质量评价系统。国外高校评价采用对学生进行问卷调查或者师生双向评价的形式；国内高校教学质量评价以往多采用专家评教、同行评教、或者领导评教的形式[1-2]。目前，越来越多的高校借鉴国外高校管理方法，采用学生评教的方式对课堂教学质量进行评价。研究课堂教学质量的影响因素，对合理设计教评手段、提高课堂教学效果有重要意义。

1教评应考虑大学生身心发展特点

在初高中阶段，学校和教师对学生管理和约束较多，学生没有形成完善的人生观世界观。进入大学后，大学生更多的是自我教育和管理，在实践中对社会有了看法和认识。大学生高考后进入普通高校会有一定的适应成长期，从大一到大四，不同年级的学生有不同的心理特点。大一、大二的学生刚进入高校，经常以高中的标准来看待大学的课程学习。大学课程一学期往往有七、八门甚至十几门课程，需要短时间学量知识，许多课程教师讲授核心重点内容，其他需要学生自主学习。大三、大四的学生经过两年多学习后，会更适应大学课堂教学风格。在学生年纪增长过程中，对待教学评价的观点和态度也会发生变化，相同的课程不同年级学生可能会有不同的评价，教评设计应考虑大学生身心发展特点。

2教评应考虑课程类型和设置特点

大学课程教学具有多样化的特点。不同专业、相同专业不同年级、相同年级不同课程设置不同。比如，大一大二一般是全校公共基础课，大三大四一般是各专业的专业课程。按授课形式分类，有以教授原理为主的课、有讨论为主的课、有以实验为主的课程、有以操作实练为主等；按考核形式分类，不同课程有闭卷考试课、开卷考试课、考察课等类；按难易程度，基础理论课往往难度较大，考核严格，专业选修课往往采用考察形式，容易通过。公共课材授课和考核内容相同，方便对教学质量评价比较；专业课，少的十几人，多的几十人一门课，授课教师之间很难客观的评价比较。如何把不同专业、不同特点的课程统一量化评价，是教评设计应该考虑的难点。

3指标设置和权重比例

目前，国内外教学质量评价指标和权重设置没有统一的标准。有研究提出应该从教学过程和效果两方面进行评价，也有人认为目标、过程、条件等内容都要考虑。国内有研究从教学态度、教学内容、教学方法以及教学效果等四个角度进行评价[3]。评价指标的选择和权重系数的设置，会直接影响评教体系的效果。选用不同的评价指标，要具有可操作性，可量化打分反馈评价。确定教学质量评价指标是一项系统工程，要考虑到方方面面的问题。多数高校教学质量评价采用专家评价、同行评价、学生评价等相结合的方式。专家、同行评价往往采用随机抽样听课的方式，学生是教学活动的受众，一直参与课堂教学，专家和学生的分数如何设置权重比例是教评需要考虑的问题。合理设置不同评价指标所占的比例，避免出现教师得分过于集中，区分度低，随机误差反而成了影响教师评价结果的主要因素。如果主要参数设置较高的权重，可能导致区分度低；如果次要参数设置较高权重，可能导致课堂教学质量评价舍本逐末。在评价制度的设计时，既要重视教师课堂教学过程，也要重视课堂教学效果。不能唯分数论，也不能不关注教学效果，只在意学生教学过程的体验。教学效果评价，往往需要较长周期，比如培养学生思考问题、解决问题的能力，培养学生创新能力，长远看来，一些能力的培养只有走上工作岗位才能体现出来区别。

4要有合理机制保证评分客观

英国2001年对1991年的《教育（学校教师评价）条例》进行修订，提出评价者必须是接受过专门训练并且是评价对象可以接受的人选[4]。国内高校进行教学质量评价，学生是评价的主体。国内目前已经实施学生打分为主的教学评价体系的高校发现学生打分存在一些不客观的情况。由前面的分析可以看出，大学生现在的身体心理还在成长中，世界观人生观不够成熟，导致评价的时候不够客观。一般来说，班级里成绩优异的学生对教师上课教学质量评价较高，班级里成绩不理想的学生，往往对教师上课质量评价较低。有些学生根据个人好恶，拉着其他同学不从教学实际效果出发，一起打感情分、报复分。要有合理的机制来保证学生能够客观评价课堂教学质量，而不是应付了事。课堂教学质量评价能正确反映教师课堂教学效果的前提是学生打分真实有效。教师和学生在教学中是一对矛盾体。教师一方面负责教育学生，提高学生认知水平，另一方面要考核学生对学生的学习效果进行打分评价。这样，就形成了教师可以给学生打分，学生可以给教师评分的关系。按照博弈论的原理，教师、学生互相利益攸关，教师控制着学生的课程成绩，学生控制着教师的教评分数。二者看似独立，却因为教师、学生的互评关系变成高度相关。这个时候，很容易发展成教师迎合学生降低教学要求，学生回馈教师给教师教学效果好评。国外甚至有研究指出，学生参与评价教学质量，会引起分数膨胀、课程教学贬值等现象。

5避免师生协作、分数膨胀，评价结果区分度下降

设置以学生为中心的课堂教学评教体系，一定程度上可以激励教师提高自身授课技能，另一方面也可能会带来师生协同对待教评打分。国外已有研究指出，学生评价会引起分数膨胀、课程教学贬值等问题[2]。教师为了评价好，就降低教学和考核难度，提高课程分数；相应的，学生投桃报李，给教师打高分。真正专职于教学的教学可能分数反而不如师生默契放水的教师，教评分数并不能反映教学质量，也不能带来提高教学效果。最后劣币驱逐良币，师生对待质量评价形成恶性循环，课程水涨船高，教师之间得分区分度低。

6明确教评的目的，设置合理的奖惩机制，避免滥用教评结论

对教学质量进行评价，直接目的是促进教师职业发展，提高课堂教学质量。目前国内的课堂教学质量评价，往往附带基于评价分数的奖惩机制，将教评分数无限和职称等挂钩，评教的重点从提高教学质量，变成了行政奖惩工具。以学生为中心的课堂教学质量评价，应该符合鉴定-选拔-激励、诊断-改进、反馈-调节的流程[5]。教评的重点，应该是让教师从评价结果中发现问题，解决问题，采用合适的教学手段提高课堂教学效果，而不是单纯的打出分数，进行比较。教评结果和职称挂钩、奖金挂钩，是本末倒置。教评的目的出发点不同，重点应该是提高教学质量，评价是手段不是目的。不适合搞末位淘汰。

总之，建立以学生打分为中心的课堂教学质量评价体系，需要考虑大学生身心发展、课程设置与类型、指标权重、合理客观、避免分数膨胀和滥用教评结论。

作者:张宗卫 单位:中国民航大学航空工程学院

参考文献：

[1]陈飞虎,黄胜,邹立君.中美两国大学课程教学一体化之比较、启示与思考[J].高等农业教育,2013,(7):113-116.

[2]蓝江桥,冷余生,李小平等.中美两国大学课程教学质量评价的比较与思考[J].高等教育研究,2003,(2):96-100.

[3]蔡红梅,许晓东.高校课堂教学质量评价指标体系的构建[J].高等工程教育研究,2014,(3):177-180.

第8篇：科学学科质量分析范文

关键词：学科竞赛；就业质量；跟踪调查

中图分类号：G640 文献标识码：A 文章编号：1001-828X（2013）11-0-03

随着社会经济的发展和高校教育教学改革的不断深化，当代大学生就业面临着前所未有的竞争与挑战。要想彻底解决大学生的就业难问题，离不开国家政策的推动以及社会各界的关心与扶助，更关键的是要从大学生自身的能力出发，只有大学生具备了够硬的专业素质，才能在这社会激流中找到自己的立足之地。在社会经济高度发达的今天，企业需要的不仅是掌握了专业知识的人才，还需要他们具有创新意识和实践能力。这种随经济社会的发展而产生的时代需求，使得培养具有丰富基础知识、熟练操作能力、独特创新能力和良好综合素质的应用型人才成为目前高等教育的主要任务。各高校纷纷举办了各式各样的学科竞赛，让学生们了解到参加学科竞赛是提高自身综合能力的一条重要途径。

为了实际了解大学生参加各类学科竞赛和就业质量之间的关系，本课题小组发放了200份调查问卷，收回189份，提出无效问卷19份，共有效回收170份；涉及对象为江苏理工学院2013届毕业生；通过计量分析拟对常州地区大学生参加学科竞赛与大学生就业质量的关联度进行实证校验。本研究地域限定在常州，该地域处于长三角地区，是我国经济发达、信息交流便捷、人才需求量大的金融贸易繁华区。从而学科竞赛对大学生就业发展的影响显著，研究便于深入，研究对比度大。

一、大学生参加学科竞赛现状分析

所谓学科竞赛，是在紧密结合课堂教学或新技术应用的基础上，以竞赛的方法培养学生综合能力，引导学生通过完成竞赛任务来发现问题、解决问题，并增强学生学习兴趣及研究的主动性，培养学生的团队协作意识和创新精神的系列化活动。以下是本课题小组在调查问卷的数据基础上所进行的大学生参加学科竞赛的现状，问卷调查的每个因素从低到高分布在1到3范围内。

（一）大学生参赛水平及一般特点

通过对样本大学生总体参赛水平的平均得分和标准差的计算可知，大学生参赛水平的平均得分为1.7，水平中等偏低。在参赛水平的3个纬度中，参赛频率、获奖情况、参赛收获的分值分别是：1.67、1.69、1.73。

在参赛水平的3个纬度中，得分相差不大，其中参赛频率最低，参赛收获得分最高，可见大学生在总体上说更看重参与竞赛的过程而非结果，即使没有荣誉，也能在竞赛过程中充实自我，但对于学科竞赛的关注度、参与度较低，这跟学生学习为主的传统思想有关，也考验了竞赛举办方的宣传力度。

（二）大学生参赛情况的文理科差异

因调查所涉及专业众多，我们将样本分为文理两科，以观察不同专业对参赛水平的影响，在单因素方差分析中样本数据方差不齐且组间比较的sig.=0.874>0.05，所以文理科大学生参赛水平无显著性差异。其均值分别为1.7059、1.6902，可见理工类专业大学生参赛综合水平略低于文史类，鉴于文科学生在经验总结和沟通能力上略高于理科学生，理科生在动手能力等方面略胜于文科生，所以不能推论到整体。

（三）大学生参赛情况的男女差异

在对样本数据中性别差异对大学生参赛水平的影响的独立样本T检验结果中，因F=0.406，sig=0.525>0.05，可以认为两者方差具备齐性。则假设方差相等，此时sig值为0.025

（四）参加学科竞赛的原因分析

在对样本大学生参赛原因分布的分析中，42.01%的大学生参加学科竞赛是期望积累经验，提高综合素质，只有23.67%的学生是为了兴趣爱好参加竞赛，值得注意的是，34.32%的学生参加竞赛是为了获得学分和实习机会，诚然学分和实习机会的奖励在初期可以鼓励学生参与竞赛，但长此以往就为学科竞赛蒙上了功利化色彩，使得大学生过分看重结果而忽视了竞赛过程中对自我能力的评估与锻炼，挫折承受力减弱。

（五）参加学科竞赛类别分析

通过对样本大学生参加学科竞赛的类别分布的分析可以看出，43.31%的学生参加过英语类竞赛，34.65%的学生参加过创新类竞赛，而对于最能锻炼大学生实践技能，积累社会经验的实践类竞赛只有8.66%的大学生参与，可见大学生对不同类别竞赛的参与程度差异很大。

二、大学生就业质量调查分析

由于本次研究着重于对2013届江苏理工学院毕业生的跟踪调查，因此我们在初次调查后针对已就业的样本毕业生于3个月后进行了第二次调查，并对各阶段毕业生就业质量特点进行规律探析。

（一）就业质量的一般描述

就业质量的量化主要从客观指标和主观满意度来衡量，对调查的数据采用描述性的方法。其中，我们将客观指标按照社会所一般认可进行细分并按等级赋值，主要由工作与专业的对口度、月薪、工作环境、发展空间、保险购置这五个方面组成。等级的安排则是按照弱则少、强则多的原则，程度最弱则等级最低，记为1分，依次递增。再有研究主观满意度，非常满意为4分，依次递减。

调查结果显示，对口度的平均分为2.82，月薪的平均分为2.17，工作环境和发展空间的平均分都为2.87，保险购置的平均分为3.11。由此，我们可以看出样本毕业大学生大体的就业情况。从计算数据得知，总的就业质量均值为2.77，其他各项得分也超过了所在项的中位，说明就业的工作质量总体平均超过社会认可的平均水平。

在关于就业质量的评定中，个人的主观满意度也是非常重要的。我们把满意度细分到每一个指标上。在对样本就业质量的主观满意度调查结果中，对单位的满意度均值为2.43，对薪水的满意度均值为2.06，对工作环境的满意度均值为2.69，计算得出整体主观满意度均值为2.39。我们可以看出对单位、对薪水、对工作环境的满意度都超过了中分点（2分），其中对薪水的满意度最低，说明大学毕业生在一定程度上对薪酬的期望值相对其他条件显得更高。

（二）就业质量的量化统计

我们将对客观质量和主观满意度两方面的调查结合起来对样本就业质量进行统计描述，其中客观和主观的均值分别为2.77和2.39，计算得出就业质量均值为2.58。从样本的整体就业质量来看，分数超过了中位点，说明无论是从客观评价还是主观满意度来看，样本大学生的就业质量总体来说中等偏上。

（三）就业质量的性别差异和专业差异

考虑到实际就业过程中对就业质量的影响因素众多，本文就性别和专业两个不同因素对就业质量主客观方面引起的差异进行讨论。通过对调查结果进行独立样本T检验，得出性别差异对就业质量、客观质量和主观满意度的t值分别为0.021、-0.371、0.347，但均未达到显著性水平。由此我们可知，性别差异对就业质量及其主客观方面没有显著差异。专业差异所对应的t值分别为1.426、1.816、0.81，但只有对就业的客观质量影响显著性达到0.075，可见用人单位在对不同专业人才的需求量上有一定差异，但整体来说，专业差异对就业质量引起的差异影响并不显著。

（四）就业质量跟踪结果分析

为了进一步探究参赛情况与就业质量的关系，我们对毕业时已就业的54名大学生于2013年9月进行了第二次调查，并进行量化统计得到以下结果：没有参加过竞赛的毕业生的客观质量、主观满意度、就业质量的均值分别为2.94、2.28、2.61，参加过竞赛的毕业生的对应类别的均值分别为3.19、3.15、3.17。我们可以看出，有过参赛经历的样本大学生在三个月的工作后就业质量在主客观方面均有大幅提高，而没参加过竞赛的样本较毕业时在客观方面有小幅提高，主观满意度上有所下降。将所有不论在校期间有没有参加过学科竞赛的毕业生作为一个整体来说，三个月后的就业质量均值为2.9846，可见其就业水平仍是处于中等偏上。

三、相关分析

（一）参赛水平与毕业时就业质量的关系

表8是对参赛水平与毕业时就业质量的相关分析，为了研究的深入性，将就业质量分为客观质量与主观满意度，分别进行相关分析。可以看出，参赛水平与客观质量、主观满意度和整体就业质量的皮尔逊（pearson）相关系数分别为-0.11、0.008、-0.051，相关系数的显著性分别为0.431、0.954、0.712，均大于0.01，说明参赛水平与就业质量在主观客观两方面均不存在显著相关关系。

再看客观质量与主观满意度，两者相关系数为0.574，显著性指数为0.00

（二）专业与参赛水平和毕业时就业质量

表9是专业与参赛水平和毕业时就业质量的spearman相关系数的分析。由表可知专业与参赛水平和就业质量的相关系数分别为-0.08、-0.206，但均未达到显著性水平。可见专业与参赛水平与就业质量没有相关性关系。

（三）性别与参赛水平和毕业时就业质量

表10是性别与参赛水平和毕业时就业质量的相关分析，由表可知性别与参赛水平和就业质量的相关系数分别为-0.173、-0.004，可知性别与参赛水平显著相关，而性别与就业质量的sig.=0.979>0.05，所以两者不存在相关性。

（四）参赛情况和就业质量的跟踪结果

表11是样本大学生参赛情况和其就业质量跟踪结果的相关分析，由表可知参赛情况与样本毕业三个月后的就业质量的相关系数高达0.656，并达到显著性水平，且样本毕业三个月后就业与其三个月后主观满意度的相关系数0.935高于与其客观质量的相关系数0.828，说明主观满意度对就业质量的影响更大，与上文结论相符。

四、结果说明

根据以上数据分析，我们可以归纳出大学生参与学科竞赛情况与就业质量的基本情况和其他变量的关系及影响情况。其结果如下：

（一）样本大学生参赛水平中等偏低，且参与类别差异大

从学生参赛水平分布图来看，样本大学生参赛水平均值仅1.7，且参赛频率与获奖情况的得分都未超过均值，说明样本大学生的参赛水平中等偏低。考虑到样本基数不大，不能推论到全江苏大学生参赛水平。从我校来看，该结论还是合理的。我校为常州地区省属普通本科院校，在对学科竞赛的重视程度和生源水平上都有所欠缺。但仍然可以看出，在对参赛收获的总结上，样本均分是高于1.7的，可以说相比获奖，样本大学生对参赛过程中的收获是更重视的。从参赛类别来看，样本对于比赛类型的选择差异很大，英语类公共基础课程的竞赛所占比例很高，而相对更能考验学生能力的专业类竞赛却所占无几。这和高校的课程安排不无关系，专业课程通常在大三大四扎堆出现，而此时学生往往忙于毕业论文、考研或实习单位的寻找，参加学科竞赛自然不是上选。闻道有先后，术业有专攻，每个大学生都应该在自己擅长的专业领域尽力发挥自己的才能，在有关学术和前途的事业上不能轻言失败，放手一搏也是对自己能力的锻炼。

（二）性别差异对参赛水平影响颇大，对就业质量无显著影响

通过独立样本T检验可以看出性别对参赛水平有显著影响，男生的参赛水平均值高达1.81，高于样本整体参赛水平，而女生只有1.59，尚未达到中等水平。值得注意的是，尽管女生参赛水平明显低于男生，但在参赛收获与各自参赛频率和获奖情况的对比中，女生参赛收获的均值高于后者，而男生却与之相反，说明女生总结和省视参赛过程的能力高于男生。因为女性逻辑思维能力较男性差，但直觉能力却明显优于男性，且女性思维总是从经验、印象出发，因而作出分析判断的速度较快，准确度也较高。从就业质量来看，男女生不存在显著差异。传统观念中不同的角色期待和双重标准无疑是女性就业上的“拦路虎”，而近年来，男女平等这一话题正不断得到关注，事实也证明，女性在语言表达能力、形象思维和考虑问题的全面性上比男性更具优势，所以这样的结论是合理的。

（三）文理科专业差异对参赛水平和就业质量的影响不大

从样本数据的均值差异来看，理工科学生在参赛水平和就业质量上都略低于文科学生，但两者sig.值均超过0.05，专业差异对参赛水平和就业质量的影响不显著，不能推论到整体。在参赛水平中，文科在参赛频率和获奖情况上均高于理科，在参赛收获上略低于理科。从就业质量来看，文科整体质量也优于理科。一方面，面向理科的竞赛往往针对性较强、难度大，相对于文科，参与的门槛也更高；另一方面，理科学生更多研究的是物，较之文科生，他们在管理能力、社交能力等软实力上比较薄弱；而文科类专业的可替代性也为其就业增添了筹码。当然，针对不同院校，调研结果也可能有所不同，且因为样本容量限制，结论不具备普遍性。

（四）从主观和客观角度衡量就业质量，样本毕业时就业质量处于中等水平

“就业质量”不单单指觅得一份待遇优厚、前景乐观的好工作，更多的是应该立足现实，从个人素质和单位情况综合考虑。同时，“就业质量”也成为了衡量大学生个人价值和高校办学水平和就业指导工作的新标准。5从客观角度说，衡量指标包括起薪、工作环境、单位福利等；从主观来看，则有对各项指标的满意度等。根据样本数据统计结果，大学生就业的客观质量均分为2.77，主观满意度均分为2.39，总就业质量的均分为2.58，整体水平中等偏上，且主观满意度与就业质量的相关系数为0.907，相关性高于客观质量，可见主观满意度更能影响就业质量。说明大学应届毕业生一方面能找到较称心的工作，另一方面也说明大学生能正确自我定位，在社会中找到适合自己的位置。在今年“最难就业季”的浪潮中，国家、政府，社会对就业政策的不断改善，学校对就业指导力度的加强也与之密不可分。当然，由于样本容量受限，以上结论只能说明我校2013届毕业生的就业状况。

（五）大学生参赛水平与其毕业时就业质量相关度不大

在对样本参赛水平和毕业时就业质量的相关分析中可以看出，相关系数为-0.051，但未通过显著性检验。说明在就业初期用人单位无法从单纯的参赛情况看出大学生能力的高低，在用人单位的立场上，一些竞赛的知名度、含金量不高，无法得到重视；从应届毕业生的角度上说，准确的自我定位和良好的心态更能在激烈的求职竞争中得到招聘人员的赏识，得到更多更好的就业机会，不能因为看似光彩的获奖经历就自诩不凡，眼高手低。这也启示举办方和赞助者对社会和企业要加强竞赛宣传力度，不要让高校浓厚的学习氛围得不到大多数人的认可与赞同。

（六）参赛经历对大学生就业质量的发展影响很大

从参赛情况和跟踪结果的相关分析来看，参赛经历的有无和样本就业发展显著相关。根据跟踪结果的量化统计显示，有参赛经历的样本大学生在参加工作三个月后就业质量均分从2.55上升到3.17，其中主观满意度的上升幅度最大。究其原因，在就业初期，样本大学生可能因为其参赛经历并未取得相应就业优势而造成心理落差，但经过三个月的工作，由其参赛经历带来的竞争力在工作过程中逐渐体现，使其客观就业质量得到提升，之前的心理落差也转而变成主观满意度的提升。而没有参赛经历的样本，由于客观质量的提高没有达到其心理预计，造成了主观满意度的下降。可见参赛经历对大学生就业质量的发展影响很大。如今，专业知识面窄、实践技能缺乏、沟通能力不强已成为当前制约本科生就业的主要因素，每项学科竞赛都能极大地激发大学生的求知欲、学习的积极性，提高其实践创新能力、团队协作能力从而增强就业竞争力。

五、结束语

当前我国就业形势依然严峻，劳动力供需矛盾突出，大学生因各种原因成了当前形势下的微妙群体，而学科竞赛作为一种新型的创新人才培养模式，其与大学生就业质量发展的关系更成了现今应给予高度关注的一个话题。国内外分析大学生就业质量影响因素的论文屡见不鲜，笔者在前人的基础上，通过对大学生在校期间参加学科竞赛情况的实证分析来窥测以及论证其对日后就业质量的影响。

调查结果表明，大学生参加学科竞赛的水平与其后来的就业质量是有一定关联的，参赛经历对大学生工作的获得和发展都有百利而无一害。这不仅证明了本文的科学性，也为当代大学生找到了一个提升个人职场竞争力的筹码，更为广大学者们日后相关的研究工作添砖加瓦。

参考文献：

[1]张亚利.关于大学生情商水平与就业质量的相关研究.

[2]孟大虎，苏丽峰，李璐.人力资本与大学生的就业实现和就业质量：基于问卷数据的实证分析[J].人口与经济，2012（03）.

[3]骆建建.略论现代高校就业制度，以常州信息学院跟踪调查为例.

[4]朱斌.以学科竞赛为抓手提升工科大学生工程素质.电脑知识与技术2011（07）.

[5]樊月珍.提高学科竞赛水平的途径分析.中国林业教育，2009（06）.

[6]查贵勇.浅析学科竞赛与应用型人才培养[J].市场周刊，2012（04）.

[7]陈永刚.依托阶梯式学科竞赛模式培养GIS专业创新人才的实践与思考.河南农业·综合版，2010（14）.

第9篇：科学学科质量分析范文

【关键词】课堂教学；氛围；教学方法

随着学生年龄的增长，依据科学研究的结论，学生注意力集中的时间也逐渐延长，因此从最初的小学生40分钟到现在的大学生50分钟每节课。而且，目前我国大部分高校都采取连续两个50分钟连上，作为一次课的安排的教学。为了达到更好的教学效果，本文作了详细的分析和研究，具体情况如下。

首先，如果想要学生们上课能精力充沛，有两个前提条件必须得到保证。充足的睡眠和吃早餐是必要的。从生理学，医学还有营养学来看，已经有许多研究证明这两个因素直接影响人的学习工作状态。所以这也是两个影响听课状态的重要因素。

其次，课堂教学一定要在轻松平和的氛围中进行。 心理学研究表明，人的注意力一方面很难长时间集中，另一方面易受外界环境以及内心情绪波动的干扰而“走神”。在英国，上著名大学的竞争激烈。大家可能以为由于这个原因，大学生都会专注学业。可是研究显示，英国大学生，上课听讲时集中注意力的平均时间只有10分钟。有些人在一定时间内高度集中注意力学习，因为他们一方面把学习当作是非常感兴趣的事情，另一方面是他们内心和谐，心理冲突相对少的缘故。因此，和谐的学习环境，平和的心态主要由老师组织并帮助建立起来，其中最主要的是老师本身要先树立起教育权威，在知识和道德休养两方面都得到学生认可。只有得到学生认可，被学生真正接受的教师才能够在学识上进一步教授学生，才会减少教与学的矛盾，促成教学相长，相得益彰的教学氛围。

最后，提高课堂教学水平，还需要利用多种教学手段。之所以把这一点放在最后说并不是不重要，而是这一点相对好实现。主要是经济上的设备更新和教师对现代技术的应用能力的提高。电脑，投影仪，放音设备是硬件。软件就是教师从各种来源获取大量的优秀的影像资料作为课堂教学的辅助，丰富课堂教学的内容，用声音和影像全方位调动学生的感官。将听，说读写译充分溶入课堂教学，激发学生的学习热情。

综上所诉，课堂教学质量确实有待提高，经过分析论证许多方法是切实可行的。有些人把课堂教学的质量比喻成蜂窝煤，热利用率刚刚到30%。大量的时间和精力浪费掉实在是可惜。因此，提高课堂教学质量，提高课堂教学利用率迫在眉睫，需要学生和教育工作者们共同努力。