魏署光 杜鑫 陈敏 | 研究型大学本科生就读经验及学习效果差异的类型学分析——以H大学为例

DOI:10.16298/j.cnki.1004-3667.2020.01.08

摘　要

本科生类型学研究是本科生学习与发展研究领域的重要内容。基于2016年对某研究型大学9988名本科生的学习与发展调查，以本科生就读经验中的学生期望值和学生投入度为分类基准，对学生进行分类，并比较就读经验及学习效果的类型差异。研究得出六种学生类型，分别命名为卓越型、跟进型、平衡型、高需求型、社交型和游离型。六类学生在就读经验、学习效果及时间管理等方面，存在明显差异。学生类型呈现一定的历史稳定性和时代发展性。六类学生在学习效果及时间管理方面的差异，呈现某种一致性。学校要尊重学生类型间差异，促进学生类型间的良性转化，提高学生学习效果；通过大数据技术及学习分析，实施个性化教育。

关键词

本科生；就读经验；学习效果；类型学

2014年，教育部开始开展对高校的审核评估，并且更关注教学过程及学生的学习效果，要求高校在自评报告中阐述学生学习效果。在此背景下，H大学启动了本科生学习与发展调查项目，设计调查问卷对全校本科生进行调查，为审核评估提供相关数据。在完成这一功能的基础上，项目组开始对H大学本科生的学习与发展展开研究，期望通过研究，为学校对本科生的精准指导与有效咨询提供支持。基于此，本研究以H大学本科生学习与发展调查数据为基础，将本科生就读经验中的学生期望值和学生投入度作为分类基准，通过数据挖掘方法，对学生进行分类，并比较不同类型学生的就读经验及学习效果差异。本研究关注的研究问题是：第一，如何基于学生期望值和学生投入度，对学生进行有效分类？第二，不同类型学生的就读经验、学习效果及时间管理是否存在显著差异？

一、相关研究述评

（一）本科生学习效果的构成要素及测量

教育研究领域对学习及教育目标的关注，推动着本科生学习效果构成要素及其测量的研究。教育目标分类学的提出者、著名教育心理学家布鲁姆将学习分为认知、情感和动作技能三个领域。阿斯汀、厄威尔、特伦兹尼等基于布鲁姆的教育目标分类学，结合高等学校的组织特性，提出了本科生学习效果的分类及测量方式。阿斯汀将本科生学习效果分为三个维度：效果类型、数据类型及时间维度。其中，效果类型分为认知性效果和情感性效果。厄威尔将学习效果分为知识、技能、态度与价值观、行为四个层次。特伦兹尼借用厄威尔的分类，将评估层次、评估目的及评估对象三个维度考虑在内，构筑学习效果评估立方体。以上学者的研究，虽然学习效果的分类标准稍有差异，但仍主要在布鲁姆教育目标分类框架内，尝试将布鲁姆的教育目标分类操作化。

学术界对本科生学习效果测量的研究，大多集中于对学生认知和情感收获的考察。本科生学习效果界定较为容易，但如何测量，学术界存在争论。马彦利、胡寿平曾列举了除标准化考试之外的13种测量学生认知性学习效果的方法，可以通过两种方式来测量学生学习效果。第一种是采用学生调查，让学生自评自己的认知和非认知方面的学习效果。其中，以全美大学生投入度调查（NSSE）的影响最大。尽管有人质疑学生自我报告的教育收获缺乏有效性，但研究者认为，让学生自我报告其教育收获，仍旧是有意义的，能够有助于我们了解学生就读经验及教育效果。第二种是使用心理测量和有效量表来直接测量学生的学习效果。如大学生学习效果评价（CLA）。通过认知和情感收获测量的分析，可发现，相对于认知性效果测量来讲，情感性效果测量的技术还相对落后。但通过开发问卷和量表，可以较为容易地对情感性效果进行测量。相比之下，对认知性效果的测量则受很多条件的限制。

（二）本科生学习效果的影响因素

本科生学习效果影响因素的相关研究，主要见于学生学习与发展研究中院校影响力理论或学生投入理论。该理论较早由汀托和阿斯汀提出。汀托提出的学生融合模型，将学生辍学原因归结为学术融合和社交融合两个要素。阿斯汀将学生学习效果视为学生投入与学校环境的函数，进而提出学生发展的IEO（投入-环境-产出）模型。之后，学生投入理论在横向和纵向两个方面得到发展。在横向方面，日益考虑学校结构特征及非学校因素的影响，如帕斯卡雷拉提出的学生变化的综合影响模型包含了学生背景、学校组织特征、社会化互动、学校环境、学生努力的质量等五组影响学习效果的变量。其中，“学生努力的质量”指学生在时间和努力方面的投资/投入。在纵向方面，日益考虑学生的整个发展过程，如库提出的学生参与理论，将学生学习效果影响因素概括为学业挑战度、主动合作学习水平、生师互动、教育经验丰富程度和校园环境支持度。

综上，现有模型所包含的学生学习效果的影响因素越来越多，模型越来越复杂。汀托对此提出质疑，他认为，现有研究提出了很多理论上非常具有吸引力的概念，但这些概念没有很好地转化为行动纲领。基于此，汀托2012年正式提出“学生成功的院校行动模型”,阐述了学校可以采取的行动类型及政策措施。其实，所有这些模型可归纳为学生努力度和学校融入度两个要素，即大学的影响在很大程度上取决于学生个人努力的程度，以及融入到学校所提供的学术、社交和课外活动等氛围之中。

（三）本科生类型学研究

本科生类型学研究已经有50余年的历史。阿斯汀认为，“如果不借助类型学视角，几乎不可能就美国本科生研究展开有意义的对话和交流。”库等人认为“根据学生态度及行为的不同，可以将学生划分为几种类型。对学生分类进行研究，有助于我们了解学生的时间分配，解释同伴对大学教育效果所产生的影响。”早期侧重从概念和理论层面研究学生分类，如克拉克及特罗以学生对学校的认同及学生对各种观点的接纳程度为分类基准，将学生分为学术型、学院型、职业型及另类型。20世纪90年代后，出现了学生分类的量化研究，比较有影响的是以下几项研究。1993年，阿斯汀根据学生的价值观、自我概念、人生目标、行为、态度和期望，利用加州大学的学生调查数据，使用因子分析，将学生分为七类。2000年，库恩、胡寿平和维斯帕以学生在教育目的性活动中的努力质量为分类基准，并通过大学生就读经验调查来收集数据，通过因子分析和聚类分析将学生分为十类。2011年，胡寿平和麦考密克根据NSSE中的五项指标，通过聚类分析将学生分为七类，分别是学术型、非传统型、游离型、社交型、大化效用型、书虫型、传统型。东京大学金子元久根据学生对大学教育的期望以及他们对自我和社会的认识两个维度，将大学生分为高度匹配型、独立型、被动顺应型和排斥型。近几年，我国学者开始利用调查数据进行学生分类研究，如傅承哲等通过聚类分析和面板数据分析，将学生学习状态分为卓越型、社交型、研究型、阅读型、游离型、懒惰型六种类型。

通过考察美国、日本及中国学者关于本科生类型学的研究，可以发现本科生类型学研究的基本特点表现在四个方面。其一，分类基准主要集中于学生态度和行为，当然也有拓展到学校的组织环境支持，以胡寿平和麦考密克的分类基准所涉及的变量最多；其二，分类方法经过了早期的因子分析向近年来的聚类分析转变；其三，分类所利用的数据大多来自学生问卷调查；其四，分类后的学生类型从四种到十种不等。

（四）文献评论

综上，从本科生学习效果的构成要素及测评方法的分析，到学习效果影响因素的考察，再到本科生的分类问题，都有着一个较为清晰的研究脉络，为后续研究奠定了基础。但仍然存在较大的研究空间。

第一，现有对学习效果构成要素的研究相对成熟，测量进展多集中于关注一般性或整体性学习效果，很少关注学校层面的学生学习效果。阿斯汀认为，在讨论学习效果时，要考虑所讨论的学习效果限定在哪个层次（如课堂、课程、项目及学校层次），而且任何对学习效果的测量都不可避免要基于一定的价值判断，考虑利益相关者（如教师、雇主、学生等）的价值观念或视角。本研究作为一项具有明显院校研究范式的探索，旨在对学校本科教学改革或本科人才培养有所启发，因此更关注学校层面的学习效果。学校的人才培养目标集中体现了学校希望学生在本科期间所要达到或实现的学习效果，且基于学生视角，通过学生自我报告的方式，测量学生对学校人才培养目标的感知度，有助于考察学校声明的学习效果在学生身上的实际体现程度。

第二，学生学习效果的诸多影响因素中，来自学生自身的因素，更适合纳入学生类型学研究的分类基准。根据汀托的“学生学业成功的院校行动模型”，本科生学习与发展的四大影响因素中，学生期望值和学生投入度更多属于学生方面的影响因素，学校支持度（学业支持、社交支持、校园设施支持、学生资助支持等）、考核与反馈（教师考核频繁度、教师反馈及时度等）更多属于学校方面的影响因素。根据帕斯卡雷拉和特伦兹尼的研究——大学的影响在很大程度上取决于学生个人努力的程度，以及融入到学校所提供的学术、社交和课外活动等氛围之中，本研究尝试将对本科生学习与发展影响最为重要的学生方面的因素，作为分类基准，纳入分类模型。而且，学生期望值侧重观念层面，体现了学生对自身的要求，学生投入度侧重行为层面，体现了学生在实践中的行动，两者结合，组成观念-行为系统，有助于较好地把握学生类型。另外，现有研究在对学生分类时，并没有对分类基准的重要程度进行考察。本研究在以学生期望值和学生投入度作为分类基准时，将根据各分类基准的重要性，纳入聚类分析。

第三，根据“学生努力的质量”这一概念，学生投入既包括“质”的投入，也包括“量”的投入。“质”集中体现为主动学习程度；“量”集中体现为在学习和社交等活动中的时间投入，可以通过时间管理变量测量。因此，本研究除对比不同类型学生在期望、投入及效果三个方面的差异外，还有必要分析不同类型学生在时间管理能力方面的差异。这有助于更加清晰地看到不同类型学生间的差异。

第四，学生类型学研究中，应该更多考虑数据挖掘的方法，提高分析的精度和分类的科学性。学生类型学研究所依赖的数据大多是对学生的问卷调查，这类数据是学生的自我报告数据，如何通过数据挖掘方法，科学填补缺失值，科学筛选变量，提高聚类分析的精度，在数据挖掘技术日益成熟的今天，理应得到重视。

二、研究设计

（一）数据来源

本研究的数据来自2016年H大学本科生学习与发展调查。H大学为我国“双一流”建设项目中的一流大学建设高校，以理工医为主干学科，是我国教育部直属的高水平研究型大学。2016年，H大学设计网络调查问卷，在注册中心和学工处等部门的支持和动员下，采取学生自愿填答的方式，进行了为期一个月的调查。共有12 786名全日制在校本科生完成了调查，回收率为41.6%，高于国际上同类调查的平均回收率。经严格的数据清洗，最终得到的研究样本有9 988人，其中男生占65.7%，女生占34.3%；工科类占58.5%，医科类占12.5%，经管类占11.6%，人文类占8.9%，理科类占8.5%。性别及学科分布，与总体较为接近，研究样本能够有效代表总体。

（二）问卷信效度

本研究的调查问卷是基于本科生学习与发展的经典理论及最新研究开发的。以阿斯汀的“I-E-O模型”为主体框架，将该模型中的“环境”指标细化为汀托“学生成功的院校行动模型”的四个要素——学生期望值、学校支持度、考核与反馈、学生投入度。经过统计分析，问卷具有良好的信度和效度。其中,学生期望值的信度系数为0.702；学生投入度中主动学习、课程投入、生师互动和生生互动的信度系数分别为0.868、0.852、0.930和0.741；学习效果中学科知识、人文底蕴、创新意识、国际视野和实践能力的信度系数分别为0.912、0.894、0.907、0.847和0.898；学生学习效果与学生期望值、学校支持度、考核与反馈、学生投入度的效标关联效度分别为0.476、0.570、0.350、0.617，且显著性水平达到p<0.001。

（三）变量选择

根据文献综述，本研究选取本科生学习效果四个影响因素中的学生期望值和学生投入度作为类型学的分类基准，选取以H大学的本科人才培养目标为依据，设计学习效果指标。根据汀托的“学生成功的院校行动模型”，学生期望值的具体变量为学生对自己学业的期望和对自己就业的期望；学生投入度的具体变量为学生主动学习程度、课程投入程度、生师互动水平和生生互动水平。具体理论依据可参见以往相关研究。

根据文献综述中学习效果的层次及价值判断，本研究以H大学人才培养目标作为依据，设计学生学习效果测评指标。我们考察了H大学的人才培养目标，并从学校所有专业的培养计划中随机抽取68个专业的培养计划，进行深入分析。经过分析，并参考相关研究，提炼出“学科知识”“人文底蕴”“创新意识”“国际视野”及“实践能力”等作为“学习效果”的下一级指标。由此，得到本研究的分析框架，如图1所示。

（四）分析过程

1.处理缺失值。本研究涉及学生期望值和学生投入度下属六个分类基准的题目共有52个，每个题目均为4分Likert变量。IBM SPSS Modeler软件提供了C＆RT算法，对缺失值进行预测填补。此类基于推理和决策树归纳的方法是数据挖掘中最为流行的策略。与传统方法相比，它使用已有数据的大部分信息来预测缺失值，通过考虑其他变量的值，有更大的机会保持变量之间的联系。针对每个缺失区域，将会生成一个单独的C＆RT模型，以及一个用模型预测的值替换空白和空值的Filler节点。

2.检查六个分类基准与学生学习效果的关联程度。此过程主要运用R语言作为数据挖掘工具。随机森林（Random Forests, RF）算法是一个基于树型分类器的组合算法，由Breiman于2001年提出。当因变量为分类变量而自变量含有多个分类变量或分类变量水平较多的情况下，经典统计基本上都无能为力，而RF能很好地处理这样的问题。而且RF自带OOB（Out-Of-Bag）交叉验证，给出了各个分类基准在回归中的重要性以及对学习成果的影响。通过RF，从影响学习效果的六个分类基准的45个项目中，选取28个重要项目进入下一步分析，并针对六大分类基准对学习效果的影响程度进行排序。RF在对变量进行筛选时，仅删除了对学校效果影响程度较小的项目，未有某个维度被完全删掉的情况。分类基准、学习效果题目处理情况，以及内部一致性系数见表1。

3.对聚类分类基准变量和学习效果变量进行加总平均。分别将六个分类基准变量的题目进行加总平均，得到聚类分析的输入变量。本研究总结了每个分类基准的项目，然后取平均值以生成聚类分析的输入。并将六个分类基准分数转换为标准分数（即Z分数），以备K-均值聚类分析之用。对学生学习效果的测量题项进行探索性因子分析，得到5个学生学习效果二级变量，分别为学科知识、人文底蕴、创新意识、国际视野、实践能力。在此基础上，将5个学生学习效果二级指标进行二次加总平均，得到学生学习效果一级指标。

4.确定学生类型的数量。遵循K-均值聚类分析的一般步骤，本研究尝试了3~8种学生类型，并从理论和方法角度考虑，最终确定学生类型的数量。从理论层面，我们希望本研究的分类与以往研究具有连续性，便于学生类型的对比分析。从方法层面，我们分析了聚类中心的描述性特征以及群体之间的距离，并通过轮廓系数（Silhouette Coefficient），评价聚类效果。如果我们使用RF算法进行变量选择，聚类的轮廓系数为0.3；如果不使用RF算法，轮廓系数为0.2。因此，本研究结合RF算法进行K-均值聚类，效果更佳。经过分析，最终确定六种学生类型。

5.分析学生类型特征并进行命名。本研究采用方差分析及群组比较，考察学生的学习效果差异情况；通过描述性分析（如交叉表），考察各类学生在不同活动中的时间投入情况，以及各类学生在六大分类基准上的差异。本研究采用0.05的显著性水平，考察群组之间的差异。为更好地把握学生的主要特征，根据主要特征进行分类，以及对每一类学生进行命名，首先，通过SPSS Modeler提供的“sort inputs by within-cluster importance”功能，生成分类基准重要性排序图，可得分类基准的重要程度由大到小为：学术期望>就业期望>生师互动>生生互动>课程投入>主动学习。其次，分析每一类学生在学生期望值、学生投入度及学生学习效果方面的差异情况，参照以往研究的成果，分析学生类型特征。最后，将学生命名为六种类型，分别为：卓越型、跟进型、平衡型、高需求型、社交型和游离型。六类学生在期望、投入及效果方面的差异，如图2所示。

三、研究结果

（一）各类学生在学生期望值、学生投入度方面的差异

为更好理解六类学生差异，本研究制作了各类本科生的就读经验差异表。（见表2）

1.卓越型：学生期望值最高，学生投入度最高。在就读经验方面，此类学生在就读期望及投入的六个分类基准上均高于平均值，其中学术期望、主动学习、课程投入及生师互动更是高于平均值1个标准差，故命名为卓越型（Maximizers）。卓越型学生占学生总体的14.4%。

2.跟进型：各方面表现优秀但自我期望值低。在分类基准方面，此类学生在主动学习、课程投入、生师互动、生生互动方面的投入程度高于平均值，其中生生互动位列第一，主动学习、课程投入、生师互动位列第二。但他们在学术期望及就业期望方面位列第三，学术期望值低于平均水平，就业期望值略高于平均水平。该类学生表现优秀，但就读期望值低，大多跟进其他优秀学生，故命名为跟进型  （Follow-ups）。该类学生类似德雷谢维奇所指的“优秀的绵羊”（excellent sheep），即他们大都聪明、有天分、斗志昂扬，但同时又充满焦虑，对未来一片茫然，缺乏目标感。这类学生占学生总体的16.6%。

3.平衡型：各方面表现为平均水平。在分类基准方面，该类学生在课程投入、生师互动方面位列第三，在学术期望、主动学习方面位列第四，在就业期望和生生互动方面位列第五。该类学生对自己期望不高，学术及社交投入也处于平均或平均水平以下。因此，该类学生在各个方面表现平衡，难以称得上非常优秀，但又不至于表现太差，可命名为平衡型（Balanced）。这类学生占学生总体的20.8%。

4.高需求型：各方面处于平均水平但自我期望值高。在分类基准方面，该类学生的学术期望和就业期望都高出平均值很多，位列第二，尤其学术期望几乎高于平均值近1个标准差。主动学习程度也稍高于平均值，位列第三。其他指标如课程投入、生生互动、生师互动低于平均值，位列第四。此类学生的学习效果提升程度与平衡型不相上下，在主动学习、课程投入、生师互动、生生互动等方面也不相上下，但学生的学术期望和就业期望均位列第二，而且显著高于平均值，故命名为高需求型（High Expectations）。这类学生占学生总体的15.3%。

5.社交型：生生互动水平高，积极参加各种活动。在分类基准方面，该类学生在生生互动方面，远高于平均值，位列第二。但在其他方面均低于平均值，就业期望位列第四，学术期望、主动学习、课程投入、生师互动等位列第五。因此，该类学生的特征十分鲜明，学术与就业期望不高，学习投入较少，与老师互动不多，但与同学互动很多，积极参加各类社会实践活动等，可以命名为社交型（Sociality）。这类学生占学生总体的16.2%。

6.游离型：各个方面均表现最差。该类学生在所有六个分类基准上的分数均低于平均值，均位列最后，尤其在课程投入、生师互动和生生互动方面，更是低于均值1个标准差。该类学生特征非常明显，基于游离在大学边缘，学习和社交投入都非常少，学习效果最差，故命名为游离型（Disengaged）。这类学生占学生总体的16.7%。

（二）各类学生在学习效果各维度的差异

经过单因素方差分析，本科生学习效果呈现类型间差异。（见表3）按照其总体学习效果提升程度由高到低排列，分别为卓越型、跟进型、平衡型、高需求型、社交型、游离型。

第一，卓越型、跟进型及游离型三类学生的总体学习效果及具体学习效果的排序完全一致，分别位列第一、第二和第六。

第二，平衡型、高需求型及社交型的总体学习效果及各具体学习效果稍有差别。首先，平衡型、高需求型和社交型学生的总体学习效果分别位列第三、第四和第五，但具体学习效果稍有差异。除总体学习效果外，平衡型与高需求型学生在各类具体学习效果提升上差异不大，平衡型学生的人文底蕴提升程度稍差，而高需求型学生的国际视野提升程度稍差。其次，高需求型及社交型学生在某些具体学习效果方面有不错的表现。高需求型在学科知识、人文底蕴、创新意识和实践能力方面，均位列第三。社交型学生在人文底蕴和实践能力方面，分别位列第四和第三。

（三）各类学生在时间管理能力方面的差异

本研究通过单因素方差分析，检验六类学生在时间管理上的差异。研究发现，六类学生在时间管理上存在明显差异，F=289.95，p<0.001。（见表4）通过Tamhane’s T2进行多重比较后发现，各类型学生的时间管理能力提升程度由高到低分别为：卓越型>跟进型>平衡型>社交型>游离型，或者卓越型>跟进型>高需求型>社交型>游离型，即高需求型与平衡型学生的时间管理能力提升程度不存在明显差异。但两类学生与其他各类学生存在明显差异。六类学生在时间管理能力方面的差异，与学生学习效果提升程度间的差异具有相当程度上的一致性，均表现为卓越型>跟进型>社交型>游离型。

四、结论与讨论

（一）学生类型呈现一定的历史稳定性和时代发展性

首先，学生类型呈现一定的历史稳定性。不同学者的研究中，会出现相似或相同的学生类型。本研究中，有三类学生类型与以往研究相同，分别是卓越型、社交型和游离型。卓越型出现于学者胡寿平、傅承哲等人的研究，社交型出现于特罗、胡寿平等人的研究，游离型见于库、胡寿平等人的研究。

其次，学生类型呈现一定的时代发展性。一方面，因不同时间及区域高等教育发展状况的差异，学者研究得出的学生类型并不完全相同，如平衡型和高需求型。平衡型类似于胡寿平研究中的传统型（Conventional），但传统型学生的学习效果提升程度位列第二，平衡型位列第三，平衡型比传统型更能体现该类学生特征。高需求型与胡寿平研究中的学术型（Academics）较为相似，但高需求型学生的特征是高期望、低投入，在主动学习、课程投入、生生互动及生师互动方面的投入程度低于学术型。另一方面，本研究发现了“跟进型”这一新的学生类型。我国高等教育正处于由大众化向普及化过渡的时期，高等教育质量提升成为时代主题。但高等教育质量提升的政策中，更多关注的是学校和教师，而非学生。质量提升最终要落脚在学生身上，提高学生期望值和投入度。其中，“跟进型”学生是需要给以特别关注的。这类学生的高中生涯，可能大多在不停地参加各种课外活动和辅导课中度过，被父母的期望“裹挟”着走，应试成为最重要的目标，没有很好地注重培养自主学习、自强自立和适应社会的能力。进入大学后，应试的目标已经达成，学习和社交方面的高期望未能建立，只能扮演“跟进”型的角色。

（二）六类学生在学习效果及时间管理方面的差异，呈现某种一致性

六类学生在学习效果提升程度方面，呈现某种均衡性和非均衡性。一方面，卓越型、跟进型、社交型及游离型学生在总体及具体学习效果方面的差异，呈现卓越型>跟进型>社交型>游离型的依次递减差异，具有某种均衡性。这四类学生占学生总数的64%。另一方面，均衡型及高需求型学生在总体及具体学习效果方面的差异，呈现某种非均衡性，即两类学生在总体学习效果及具体学习效果方面的差异，并无明显规律可寻。这两类学生占学生总数的36%。

六类学生在时间管理能力方面的差异，可在某种程度上解释六类学生在学习效果方面的差异特征。六类学生中，卓越型、跟进型、社交型及游离型学生的时间管理能力依次递减，且呈现显著差异。这种差异，与学习效果间的差异，具有一致性。而均衡性与高需求型学生的时间管理能力差别极小，但标准差很大。这表明这两类学生内部仍然存在很大差异。这为以后研究指明了方向，可探索新的分类标准，对这两类学生进行进一步分类。

正如文献综述中提到的，时间管理能力代表学生投入质量的差异。这种学生投入质量的差异，在我国高等教育背景下，具有十分强烈的现实针对性。目前，教育部正在实施的《关于一流本科课程建设的实施意见》明确提出，“以激发学习动力和专业志趣为着力点完善过程评价制度；加强对学生课堂内外、线上线下学习的评价，强化阅读量和阅读能力考查。”这些评价改革是杠杆，最终要撬动的是学生的投入，体现为学生的时间管理能力。通过提高学生的时间管理能力，提升学生学习效果。但时间管理能力对学习效果的影响机制和程度如何，有待进一步深入研究。

本研究的创新之处，体现在三个方面。一是分类基准的选择方面，采用数据挖掘中的随机森林算法，进行变量筛选，对分类基准的重要性进行排序，发现学生期望比学生投入具有更强的类型识别度；二是方法精确度方面，通过更科学的缺失值插补方法和轮廓系数，衡量学生分类的效果，其中通过使用随机森林算法，使轮廓系数由0.2提高到0.3；三是发现了新的学生类型——跟进型。本研究的不足之处在于，没有探讨各类学生学习效果的影响机制，没有结合学生行为方面的大数据，进行深入分析。

五、对策建议

首先，尊重学生类型间差异，促进学生类型间的良性转化，提高学生学习效果。学校教学和管理人员要认识到学生类型间的差异，尊重学生类型差异。比如，学校可引导卓越型学生向更好方向发展，如提高其领导能力等；社交型学生具有较为明显的独特性，生生互动水平高，但创新意识提升程度并不高，如果期待此类学生在创新创业中有突出表现或成绩，学校可引导其加强课外学习投入，提高学业水平，转化为创新创业型。学生类型间存在转化的可能性，学校可为其创造条件。比如通过引导学生树立高期望，促进跟进型向卓越型转化；通过引导学生提高目标执行能力，促进高需求型学生向卓越型转化。需要指出的是，学校并不能因此放弃其他类型学生，如平衡型和游离型学生，学校要着力提升各类学生学习效果。

其次，通过大数据技术及学习分析技术，探索实施个性化教育。上述建议提出促进学生类型间的良性转化，但在学校经费及教师资源投入既定的情况下，如何实现这种良性转化？当前，大数据方法与技术的迅速发展，为学生精准化和个性化指导，提供了良好的条件。大数据改善学习的三大核心要素就是反馈、个性化和概率预测。大数据能够收集到过去无法获取的学习数据，并用于学习过程的处理。我们还能用新的方式组合数据，并充分发挥其作用以提高学习理解和学业表现，同时分享给教师和管理者以改善教育系统。相关部门可利用学生行为大数据，通过学习分析技术，进行深度数据挖掘，探究每一类学生的学习模式、学习效果及存在的问题。并且，在学生选课、活动参与、时间管理等方面，通过个性化推送、预警与评价等方式，进行精准干预，促进学生个性化发展。

作者

魏署光，华中科技大学教育科学研究院副教授，湖北武汉　430074

杜鑫，华中科技大学教育科学研究院博士研究生，湖北武汉　430074

陈敏，华中科技大学教育科学研究院教授，湖北武汉　430074

原文刊载于《中国高教研究》2020年第1期第49-56页

栏目

大学生学习与发展研究

中华人民共和国教育部主管

中国高等教育学会主办

投稿平台

http://editor.hie.edu.cn/gj/article/add

投稿邮箱

gaoyanbianjibu@163.com

《中国高教研究》编辑部

北京市海淀区学院路35号世宁大厦217室