摘 要 面臨高考改革分批進(jìn)行，大學(xué)新生知識水平、結(jié)構(gòu)差異增大，現(xiàn)有評價(jià)方案較少關(guān)注到對學(xué)生認(rèn)知具有重要影響的知識結(jié)構(gòu)，進(jìn)而較難精準(zhǔn)辨別出存在學(xué)習(xí)困難的學(xué)生。對此，本文基于學(xué)生知識掌握情況將學(xué)生在大中銜接中的類型分為銜接優(yōu)良均衡型、銜接優(yōu)良不均衡型、銜接一般均衡型、銜接一般不均衡型;分別使用單向、雙向的Apriori算法對本科新生物理學(xué)習(xí)數(shù)據(jù)進(jìn)行挖掘、生成關(guān)聯(lián)規(guī)則;之后，使用基于教材的學(xué)科知識圖譜對關(guān)聯(lián)規(guī)則進(jìn)行篩選，形成不同類型學(xué)生的個性化認(rèn)知圖譜。研究結(jié)果表明，學(xué)生在大中銜接過程中知識結(jié)構(gòu)與學(xué)生成績基本呈正相關(guān)，四種類型學(xué)生的知識結(jié)構(gòu)有明顯差異。此外，本文還基于研究結(jié)果對新高考改革背景下學(xué)生精準(zhǔn)評價(jià)策略提供建議。

關(guān)鍵詞 認(rèn)知圖譜;關(guān)聯(lián)規(guī)則;知識圖譜;機(jī)器學(xué)習(xí);個性化學(xué)習(xí)

2014年國務(wù)院發(fā)布《關(guān)于深化考試招生制度改革的實(shí)施意見》（簡稱《意見》），新高考改革逐漸在全國推行，目前，全國已有29個省份公布了新高考改革方案，將分五批完成新高考改革?！兑庖姟分袕?qiáng)調(diào)，須通過多元的考試招生模式、公平合理的體制機(jī)制實(shí)現(xiàn)各級教育的銜接與溝通，學(xué)生在不同階段取得的學(xué)習(xí)成果均可被認(rèn)可，建設(shè)終身學(xué)習(xí)的社會環(huán)境[1]。

然而，當(dāng)下大學(xué)與中學(xué)教育的銜接并不如人意，尤其對于難度較大的物理學(xué)科，第一、二批高考改革的省份實(shí)施“3+3”選考模式，選考物理人數(shù)急劇下降。吸取試點(diǎn)省份的經(jīng)驗(yàn)，后續(xù)高考改革的省份實(shí)施“3+2+1”模式，物理和歷史成為必選科目。由于不同省份的改革實(shí)施模式不同，造成生源結(jié)構(gòu)多樣化、生源質(zhì)量差異大等問題出現(xiàn)，大學(xué)入學(xué)的理工類專業(yè)學(xué)生知識水平參差不齊[2]。而大學(xué)物理作為大多理工類專業(yè)本科新生入學(xué)第一學(xué)期的課程，與高中物理在教學(xué)方式、教學(xué)理念中存在較大差異，如：大學(xué)物理課程量較大，教師以講授為主，較少進(jìn)行討論與習(xí)題講解，對學(xué)生學(xué)習(xí)習(xí)慣和自學(xué)能力都提出了更高的要求，在這種情況下，學(xué)生更容易產(chǎn)生學(xué)習(xí)困難[3]。

因此，精準(zhǔn)的評價(jià)方式才能更有效地辨別存在學(xué)習(xí)困難的學(xué)生，而目前大學(xué)物理課程較多將考試成績作為評價(jià)學(xué)生知識掌握程度的標(biāo)準(zhǔn)，較少關(guān)注到對學(xué)生認(rèn)知具有重要影響的知識結(jié)構(gòu)[4]。本研究旨在通過機(jī)器學(xué)習(xí)的方法，采用Kmeans算法基于知識掌握程度、綜合應(yīng)用能力對學(xué)生進(jìn)行聚類，發(fā)現(xiàn)四種不同大中銜接類型的學(xué)生，使用兩種Apriori算法對不同類型學(xué)生作業(yè)、考試數(shù)據(jù)進(jìn)行挖掘，生成不同類型學(xué)生的個性化認(rèn)知圖譜，通過分析不同銜接類型學(xué)生的知識結(jié)構(gòu)，為提高新高考改革背景下學(xué)生的學(xué)習(xí)適應(yīng)性，幫助學(xué)生更順利地完成大中銜接提供建議。

1 相關(guān)理論研究

1.1 新手學(xué)習(xí)者和專家具有不同的知識結(jié)構(gòu)

建構(gòu)主義的學(xué)習(xí)觀認(rèn)為學(xué)生學(xué)習(xí)是在原有經(jīng)驗(yàn)的基礎(chǔ)上主動進(jìn)行意義建構(gòu)的過程，在此過程中，學(xué)生通過同化、順應(yīng)完成學(xué)習(xí)過程，形成自己的知識結(jié)構(gòu)，而區(qū)分專家和新手學(xué)習(xí)者的一大關(guān)鍵要素就是知識結(jié)構(gòu)的連通性[5]。Chi等[6]發(fā)現(xiàn)，專家和新手學(xué)習(xí)者具有不同的知識結(jié)構(gòu)，并且該結(jié)構(gòu)在解決問題時(shí)發(fā)揮作用，對于專家而言，其知識結(jié)構(gòu)中包含潛在的問題解決方案。具體到物理學(xué)習(xí)中也是如此，物理學(xué)專家認(rèn)為物理是由一些最基本的定律構(gòu)成，大量的概念和原理都以這些基本定律為核心，在學(xué)習(xí)物理時(shí)必須理解概念、原理和基本定律之間的本質(zhì)聯(lián)系，當(dāng)學(xué)生在學(xué)習(xí)物理時(shí)先思考這些本質(zhì)聯(lián)系的時(shí)候，學(xué)生就向?qū)＜倚退季S轉(zhuǎn)變了。[7]Hammer等[8]認(rèn)為研究人員應(yīng)該向教師提供關(guān)于學(xué)生知識之間連通重要性的本質(zhì)理解，學(xué)生對物理知識之間的推理能力直接影響學(xué)生的學(xué)習(xí)結(jié)果，正如部分學(xué)生在高中階段形成的思維定式使得一些學(xué)生認(rèn)為物理概念之間是孤立的，學(xué)習(xí)物理只需要機(jī)械地記憶模型和公式，而成熟的學(xué)習(xí)者通常會反思學(xué)習(xí)內(nèi)容并且主動將新知識與已有知識經(jīng)驗(yàn)相結(jié)合，以一種“建構(gòu)主義”的方式去理解學(xué)習(xí)資源而不是將其視為一種“傳播材料”。Chen等[5]發(fā)現(xiàn)中國大部分大學(xué)生知識結(jié)構(gòu)正處于新手學(xué)習(xí)者和專家學(xué)習(xí)者過渡的早期階段，因此把握好大學(xué)階段幫助新手學(xué)習(xí)者形成主動在學(xué)習(xí)中建立知識結(jié)構(gòu)的思維模式非常重要，如果這一階段沒有得到重視很可能會使新手學(xué)習(xí)者在面臨更困難、更深入的學(xué)習(xí)資料時(shí)產(chǎn)生學(xué)習(xí)困難，從而降低學(xué)習(xí)積極性，甚至形成學(xué)業(yè)不適。

1.2 認(rèn)知圖譜相關(guān)研究

認(rèn)知圖譜在2019年被應(yīng)用到了計(jì)算機(jī)科學(xué)領(lǐng)域推理中，相較于知識圖譜對知識進(jìn)行編碼、檢索，認(rèn)知圖譜強(qiáng)調(diào)對問題進(jìn)行推理[9]。具體到教育領(lǐng)域，余勝泉等[4]認(rèn)為教育領(lǐng)域認(rèn)知圖譜的內(nèi)涵應(yīng)與計(jì)算機(jī)科學(xué)領(lǐng)域有所區(qū)別，提出了學(xué)習(xí)認(rèn)知圖譜的概念：學(xué)習(xí)認(rèn)知圖譜是在教育知識圖譜的基礎(chǔ)上疊加學(xué)習(xí)者認(rèn)知狀態(tài)要素，可以看作是學(xué)習(xí)者知識結(jié)構(gòu)及其知識狀態(tài)的認(rèn)知表征與推理。其中，知識結(jié)構(gòu)指知識之間的關(guān)系，知識狀態(tài)指學(xué)習(xí)者有關(guān)知識的認(rèn)知層次及掌握程度。

近年來，教育領(lǐng)域出現(xiàn)較多關(guān)于使用認(rèn)知圖譜將知識與學(xué)習(xí)者認(rèn)知狀態(tài)結(jié)合起來表征的研究。周東岱等[12]構(gòu)建了刻畫學(xué)生核心素養(yǎng)的認(rèn)知圖譜，每位學(xué)生在單元測試后系統(tǒng)會形成特定的時(shí)間戳，根據(jù)該時(shí)間學(xué)生各學(xué)科素養(yǎng)的形成程度構(gòu)建認(rèn)知圖譜，包含結(jié)合知識元落實(shí)的核心素養(yǎng)之間的關(guān)系和學(xué)科核心素養(yǎng)之間的關(guān)系;余勝泉等[13]將學(xué)習(xí)者認(rèn)知狀態(tài)要素疊加在學(xué)科知識點(diǎn)上，形成個性化學(xué)習(xí)認(rèn)知地圖，認(rèn)知地圖上既呈現(xiàn)知識點(diǎn)之間的關(guān)系，也呈現(xiàn)某學(xué)習(xí)者對知識點(diǎn)的掌握情況，分為薄弱知識點(diǎn)、優(yōu)勢知識點(diǎn)和未學(xué)知識點(diǎn)，對于未學(xué)知識點(diǎn)將采用知識追蹤模型診斷預(yù)測學(xué)習(xí)狀態(tài)，并以不同灰度在個性化學(xué)習(xí)認(rèn)知地圖中可視化;Lv等[14]基于專家標(biāo)注建立的學(xué)科知識圖譜表征知識點(diǎn)之間的前驅(qū)后繼關(guān)系，并根據(jù)學(xué)生的答題記錄標(biāo)記學(xué)生每個知識點(diǎn)的掌握程度，將個體學(xué)生的知識點(diǎn)掌握程度與專家標(biāo)注的學(xué)科圖譜融合形成加權(quán)知識圖譜，這個知識圖譜是學(xué)生學(xué)習(xí)個性化結(jié)果的表征，也可以看成個體學(xué)習(xí)者的認(rèn)知圖譜;Hao等[12]認(rèn)為教育知識圖譜應(yīng)該與個性化學(xué)習(xí)者特征相結(jié)合，表征個體學(xué)生學(xué)習(xí)過程中涉及的知識點(diǎn)，每個學(xué)習(xí)者的個性化認(rèn)知圖譜以其學(xué)習(xí)過程中的第一個知識點(diǎn)為起點(diǎn)、最后一個知識點(diǎn)為終點(diǎn)形成一個有向無環(huán)圖，其關(guān)系為知識點(diǎn)之間的前驅(qū)、后繼、廣義前驅(qū)、廣義后繼等關(guān)系。

綜上所述，教育領(lǐng)域構(gòu)建認(rèn)知圖譜的研究主要可以分為兩類：將知識與學(xué)習(xí)者認(rèn)知狀態(tài)結(jié)合起來表征的研究，較多為專家標(biāo)注學(xué)科圖譜疊加學(xué)習(xí)者認(rèn)知狀態(tài)，即在人工標(biāo)注的知識圖譜上顯示學(xué)習(xí)者學(xué)習(xí)狀態(tài)[4];另一類研究關(guān)注個性化學(xué)習(xí)者特征的研究，即個體學(xué)習(xí)者的學(xué)習(xí)狀態(tài)和知識點(diǎn)掌握情況，形成個體學(xué)生認(rèn)知圖譜[10]。這些研究大多應(yīng)用于學(xué)習(xí)者模型構(gòu)建，為學(xué)生提供更完整的學(xué)習(xí)者畫像，從而促進(jìn)學(xué)生使用學(xué)習(xí)平臺個性化學(xué)習(xí)。本研究將認(rèn)知圖譜應(yīng)用于教育評價(jià)中，并結(jié)合聚類算法，探索不同大中銜接類型學(xué)生知識結(jié)構(gòu)，結(jié)合學(xué)生認(rèn)知圖譜對學(xué)生進(jìn)行精準(zhǔn)化評價(jià)。

1.3 關(guān)聯(lián)規(guī)則算法在教育領(lǐng)域應(yīng)用的相關(guān)研究

數(shù)據(jù)挖掘（data mining）是從大量真實(shí)數(shù)據(jù)中提取隱含信息、知識的過程。教育領(lǐng)域應(yīng)用數(shù)據(jù)挖掘可以從教師教學(xué)、學(xué)生學(xué)習(xí)過程中分析出有用的信息。關(guān)聯(lián)規(guī)則挖掘算法是數(shù)據(jù)挖掘的重要方法之一，其中Apriori算法是關(guān)聯(lián)規(guī)則算法中最經(jīng)典的一種，也是教育領(lǐng)域應(yīng)用較多的算法[13]。算法通過每一層的迭代找出數(shù)據(jù)中項(xiàng)集之間的關(guān)系進(jìn)而形成關(guān)聯(lián)規(guī)則，主要包含兩步：（1）逐層迭代檢索出數(shù)據(jù)集中所有頻繁項(xiàng)集，即支持度大于用戶設(shè)定最小支持度（min support）的項(xiàng)集;（2）利用頻繁項(xiàng)集構(gòu)建滿足大于用戶設(shè)置的最小置信度（min confidence）的關(guān)聯(lián)規(guī)則。傳統(tǒng)Apriori算法中候選項(xiàng)集是逐層產(chǎn)生的，因此每產(chǎn)生一層頻繁項(xiàng)集就需要掃描整個數(shù)據(jù)庫，該過程不僅消耗大量時(shí)間還會產(chǎn)生較多頻繁項(xiàng)集[14]。因此，需要對關(guān)聯(lián)規(guī)則的價(jià)值進(jìn)行衡量，選擇對用戶有用的、有價(jià)值的規(guī)則，其中較常用的衡量方法有：數(shù)據(jù)約束、規(guī)則約束。數(shù)據(jù)約束是用戶指定對部分?jǐn)?shù)據(jù)進(jìn)行挖掘，即對生成頻繁項(xiàng)集的效率進(jìn)行優(yōu)化或篩選生成項(xiàng)集的數(shù)量。規(guī)則約束是指引入模板（template），使用模板來對生成的關(guān)聯(lián)規(guī)則進(jìn)行篩選，從而選擇我們需要的規(guī)則。在教育領(lǐng)域中，較多研究者采用數(shù)據(jù)約束的方法，通過一定的篩選機(jī)制生成更精準(zhǔn)的頻繁項(xiàng)集和更符合教學(xué)邏輯的關(guān)聯(lián)規(guī)則[15]。Yang等[16]提出了一種改進(jìn)的關(guān)聯(lián)規(guī)則算法，在生成候選項(xiàng)集時(shí)只需要掃描一次原始數(shù)據(jù)庫，節(jié)省了生成頻繁項(xiàng)集的時(shí)間，提高了算法效率，并將其應(yīng)用于課程排序中，幫助決策者制訂更合理的教學(xué)計(jì)劃;Jha等[17]提出了一種基于自底而上方法和支持矩陣的Apriori算法，該算法有效減少了頻繁項(xiàng)集生成的時(shí)間，同時(shí)還用基于標(biāo)準(zhǔn)差的函數(shù)模型代替了傳統(tǒng)Apriori算法的用戶自定義最小閾值，不熟悉數(shù)據(jù)挖掘的普通教育工作者也可以使用該模型。也有部分研究者通過規(guī)則約束的方法改善生成的規(guī)則，Zhan等[18]提出了通過引入穩(wěn)定性、難度來對生成的關(guān)聯(lián)規(guī)則進(jìn)行篩選，從而減少了不符合教學(xué)邏輯的關(guān)聯(lián)規(guī)則，提高了規(guī)則的準(zhǔn)確率。郭鵬等[13]使用引入興趣度的關(guān)聯(lián)規(guī)則算法分析不同課程學(xué)生取得成績之間的關(guān)系，結(jié)果發(fā)現(xiàn)相較于傳統(tǒng)關(guān)聯(lián)規(guī)則算法，引入興趣度算法的結(jié)果能夠得到更少誤導(dǎo)性或無意義的規(guī)則。

綜上所述，使用規(guī)則約束和數(shù)據(jù)約束都可以減少無用關(guān)聯(lián)規(guī)則的生成，生成更多有用的、有價(jià)值的關(guān)聯(lián)規(guī)則。本研究使用規(guī)則約束的方法，將教材標(biāo)注學(xué)科圖譜作為模板，對關(guān)聯(lián)規(guī)則算法的結(jié)果進(jìn)行過濾，最終輸出對有意義的規(guī)則，將這些知識點(diǎn)之間的關(guān)聯(lián)規(guī)則用于構(gòu)建學(xué)生認(rèn)知圖譜。