为深入推进教育数字化战略行动，进一步发展智慧教育，促进智慧教育领域经验总结和互学互鉴，加强优秀案例共享和国际传播，在科学部指导下，教育部科技信息化“智慧教育示范区”创建工程专家组秘书处与教育部教育信息化战略研究基地（北京、华中、西北）启动征集优秀智慧教育案例活动。
经过申报或推荐、案例撰写培训修改、专家评选、公示等，共评选出优秀智慧教育案例324个，其中区域发展类74个、学校实践类226个、解决方案类12个，研究成果类12项。 个人的。 （查看具体信息：）
本期为您带来基于研究成果的智慧教育优秀案例：数据驱动的教学设计优化与迭代实践
数据驱动的教学设计
优化迭代实践
高晚涵钟子豪
虚拟现实技术与系统国家重点实验室
北京航空航天大学
针对能力培养中的评价和过程控制问题，以计算机专业在线实训为基础，依托在线平台采集的学习行为数据，建立多维度、层次化的评价指标体系和多环过程控制。形成模型，以可控的方式实现目标。 能力发展目标。 依托北航《计算机作文》课程开展混合式教学实践，为数据驱动的教学设计优化提供了有效经验。
1、工作基础
（1）虚实结合的软硬件综合在线实验平台
近年来，计算机专业逐渐将课程培养体系从线下迁移到线上，从而为学生提供丰富的在线学习资料和按小时的实践学习服务。 此外，在线实验平台记录了学生的整个学习过程，从而提供丰富的细粒度学习过程数据并及时获取学生的反馈，使更精细的数据驱动的过程控制和定量评估成为可能。
图1 虚实融合软硬件综合在线实验平台
截至目前，北航计算机学院已建成如图1所示的综合在线实验平台，支持软件实验、FPGA硬件实验、嵌入式实验和网络实验。 学生可以随时随地基于互联网进行学习和训练，并及时得到实验反馈； 教师可以远程进行指导和评估，师生之间的互动变得更加丰富和及时。
(2) 基于学习行为数据的多维分层评价指标体系
为了从微观角度定量评价培训效果，根据在线培训不同阶段的特点和需求，制定了更为通用的评价指标体系。 如图2所示，指标体系包括培训参与度、培训完成度和完成质量三个一级指标。
图2 基于学习行为数据的多维分层评价指标体系
(3)数据驱动的多循环实验训练过程控制机制
通过划分计算机专业能力，提出双通道分层反馈机制，从课程和学生渠道收集教学过程数据，反馈发现的问题，协调多门课程的教学改进。 依托分层评价体系智慧网络图软件教程，构建了如图3所示的数据驱动的多环实验训练过程控制机制。 将每个在线实验转化为多个可观察、可控的细分阶段，其中观察点收集学生实验参与度、通过率、完成度和中间过程数据； 控制点对教学活动进行规范和控制，如作业完成质量评分阈值的规定等； 从而通过收集学习行为、分析学习效果，及时调整教学活动。 这里的教学活动是指相应的知识点设置、实训设置、教学活动、实验训练、实验训练结果分析等。
图3 数据驱动的多循环实验训练过程控制机制
2. 课程实践
《计算机组成》课程是北航计算机专业第一门培养“系统能力”的课程。 课程结合主流计算机系统结构，讲授计算机硬件系统的组成、各部件的结构、工作过程及工作原理，并以CPU的开发作为具有挑战性的学习成果，培养学生掌握模型——基于CPU开发方法，进而具备分析、设计和开发计算机硬件的能力。 系统的基本功能。
每期课程授课学生超过350人，其中包括来自计算机学院、高等理工学院、北京学院、国际学院计算机科学与技术专业的二年级学生。 课程由64学时的理论教学和48学时的实验教学组成，强调通过系统训练培养系统能力的教学目标。
为了培养学生解决复杂工程问题的能力智慧网络图软件教程，具体到课程中，培养学生具备软硬件协同设计能力，掌握基于模型的系统建模方法，进而开发大规模指令集流水线CPU。 针对能力培养的要求，对实验系统进行了逆向设计。 构建流程体系，在12周内完成9次破关实验，训练难度呈现梯度等级。 实验系统包括数字电路设计、支持8条MIPS指令的单周期CPU设计、支持11条指令的流水线CPU设计、支持50条指令的流水线CPU设计以及支持中断和异常处理的微架构设计。
（1）根据教学周/教学学期收集的行为数据驱动教学活动的调整
2020年12月5日秋季课程培训期间，平台同时监测2020年秋季课程和2019年秋季课程的培训成果。 发现2020年秋季某题前一个半小时通过率太低。 通过分析学生提交的材料，发现学生误解了英语指令集。 通过平台发布提醒，要求学生通过模拟器运行指令，了解指令行为，从而修改课堂设计。 即根据历史数据发现课堂训练中的异常现象，调整教学活动。 并记录平台日志，帮助监控新一轮教学的培训情况。 另外，通过对论坛互动数据的分析，可以观察讨论热点并分析其原因，从而做出教学改进。
(2)基于学习行为数据评价教学干预效果
实验课程的1-5周为辅导学习阶段。 通过平台学业数据识别可能存在学习风险的学生，推送学习参与状态，提供提醒干预。 根据2017年至2019年秋季学期的数据，根据学生期末成绩的Spearman等级相关系数进一步筛选特征。 “通过问题数”、“讨论区活跃度”、“总在线时间”、“课程资源访问数”和“提交问题数”五个特征的相关系数最高。 选择这5个特征进行学业状态推送，让学生了解自己的学习参与情况，同时利用这5个特征进行学业状态监控和教学干预。
