(黔南布依族苗族自治州都匀第一中学,贵州 都匀 558000)
摘要:本文以黔南州民族地区的两所高三年级学生群体为样本,构建一套基于《课程标准(2017)》的学生数据分析素养评估体系,并开发了一套相应的测试问卷。研究发现:学生的整体数据分析素养较好,有91.9%的学生达到了水平一及以上。数据分析素养水平与学生的年龄和性别无显著相关性,但在学校、学科方向和民族背景上存在显著差异。进一步分析表明,数据分析素养与学生的统计活动经验、计算机工具使用经验以及平时成绩相关联。基于以上研究结果,建议教师采取以下教学策略:首先,教师需要加强学生对数据分析素养重要性的认识,明确该素养与年龄和性别无关,以提升学生的自信心,并激励他们通过后续努力来提高自身能力。其次,教师应根据学生的学科方向和民族背景实施个性化的教学策略和辅导。最后,教师应为学生创造更多的参与统计活动的机会,以提升他们对数据分析的兴趣和参与度。
关键词:民族地区;高三学生;数据分析素养;教学建议
一、问题提出
2014年3月30日,中国教育部颁布了《关于全面深化课程改革落实立德树人根本任务的意见》,首次提出“学生核心素养”的概念,并启动相关工作,制定学生发展的核心素养体系以及学业质量标准[2]。该核心素养体系包括个人修养、社会责任感、家国情怀,以及自主发展、合作参与和创新实践等方面,以适应终身发展和社会进步 [2] [3]。
2017年,教育部发布了《普通高中数学课程标准(2017年版)》(下文简称《课标2017》),其中阐述了数学学科的六大核心素养,数据分析素养是其中之一[1]。
《课程标准(2017)》指出:“数据分析是指针对研究对象获取数据,运用数学方法对数据进行整理、分析和推断,形成关于研究对象知识的素养[1]。数据分析过程主要包括:收集数据,整理数据,提取信息,构建模型,进行推断,获得结论[1]。数据分析主要表现为:收集和整理数据,理解和处理数据,获得和解释结论,概括和形成知识[1]。这种素养是在数学学习和实践活动中逐步培育和完善的[1]。
随着大数据时代的到来,人们越来越需要对各种信息形式进行数字化处理,如网络、文本、声音和图像,这极大地拓展了数学的研究和应用范围[1]。数据分析的重要性日益凸显,并逐渐形成了一种新的数学语言[1]。尽管学科核心素养的研究广泛,但对于特定群体,如民族地区的高三学生,数据分析素养的研究仍然很少,特别是针对贵州省黔南州民族地区高三学生的研究还是空白。因此,深入研究数据分析素养,以满足时代发展的需求,显得尤为重要。
二、研究方法
(一)研究对象
本研究的对象是黔南州两所学校,省级一类示范高中A学校、省级二类示范高中B学校的高三学生,共发出300份问卷,最后回收240份,剔除8份无效问卷,有效问卷232份。
(二)测试工具
1.测试卷评价体系。
如图2-1所示。本文借鉴《课标(2017)》构建的模型及于川等人的研究成果[4],建立如下测量评价模型:将数据分析素养水平分为三个水平,每一个水平则是通过情境与问题的复杂程度进行表述,即分为熟悉情境、关联情境和综合情境,简单问题、较为复杂问题、复杂问题[1]。如表2-1、表2-2分别是题目框架与分值分布。
图2-1数据分析素养水平评价模型
表2-1
表2-2
2.测试卷信度与效度。
本研究采用了克隆巴赫系数()作为衡量试卷内部一致性信度的工具,计算结果如表2-3:
表2-3可靠性统计
测得各题目间的
系数为
,一般认为
时不可信,而
表示信度系数较好,本次测试信度系数为
,说明该测试题具有一定的可信度,即测试卷的测试结果真实可靠。
利用SPSS24.0软件对问卷数据进行KMO(Kaiser-Meyer-Olkin)检验和巴特利特(Bartlett)球形检验,结果如表2-4所示。
表2-4 KMO 和巴特利特检验结果
一般情况下,如果KMO值大于0.6,这表明数据适合进行因子分析。本次分析中,KMO值为0.624,可以认为数据适合进行因子分析。巴特利特(Bartlet)球形检验用于判断相关矩阵是否是单位阵,即各变量是否有较强的相关性。显著性P值<0.05时,不服从球形检验,即变量间有较强相关;P>0.05时,服从球形检验,各变量相互独立,不能做因子分析。本次P=0.000<0.05,说明适合做因子分析。
三、调查结果与分析
(一)整体得分描述
表3-1数据显示:所有水平中,每个题目都有学生取得最高分,但水平二和水平三中有部分学生未能得分;水平二的题目方差最大,表明成绩分布最为分散,而水平一的题目方差最小,说明成绩分布相对集中。
表3-2显示,将每个水平的题目满分调整为12分以便比较,发现学生在水平一的表现最佳,在水平三的表现最差。
表3-3显示:大多数人的数据分析素养水平为一和二,这两个层次的人数占总数的79.3%,而数据分析素养水平为零的人数相对较少,占总人数的9.1%。
表3-1 三个水平题目原始得分
表3-2 三个水平折合得分统计
表3-3 各水平人数、百分比汇总表
(二)数据分析素养水平的差异性分析
1.检验性别、民族、学科方向、学校是否在数据分析素养水平上存在显著差异。
首先,通过Kolmogorov-Smirnov检验来判断数据分析素养水平的分布是否为正态分布,如表3-4,结果显示,P值小于0.05,因此拒绝零假设,表明数据分析素养水平的分布不是正态分布,不能使用传统的t检验。
表3-4单样本K-S检验汇总表
接着,使用非参数的独立样本Mann-Whitney U检验、独立样本Kruskal-Wallis检验和独立样本Jonckheere-Terpstra检验进行检验。
如表3-5,结果显示,所有检验的P值都大于0.05,这些检验都支持零假设,表明在性别类别上,数据分析素养水平的分布没有显著差异。
表3-5检验汇总表
如表3-6、表3-7,结果显示,所有检验的P值都小于0.05,这些检验都决绝零假设。表明在民族、学科方向、学校类别上,数据分析素养水平的分布有显著差异。
表3-6检验汇总表
表3-7检验汇总表
表3-8 检验汇总表
2.检验年龄是否在数据分析素养水平上存在显著差异
因为年龄是连续性变量,所以在SPSS24.0中进行卡方检验,如表3-9,结果显示P值0.177>0.05,故接受零假设,表明在年龄类别上,数据分析素养水平的分布没有显著差异。
表3-9 卡方检验结果
(三)数据分析素养水平的相关性分析
表3-10、表3-11、表3-12数据显示,学生的数据分析素养水平与学生使用计算机或计算器处理数据、参加统计活动频率、平时成绩均存在显著的正相关性,并且皮尔逊相关系数依次减少,表明使用计算机软件工具对数据分析素养影响最大,其次是参加活动频率,最后是平时成绩。
表3-10
表3-11
表3-12
(三)其他调查
问卷的第三部分还调查学生对概率统计的兴趣程度、重视程度、学习方法的认知的调查。结果如图3-1,、图3-2和图3-3
,数据显示:
对概率统计感兴趣的学生超六成,不感兴趣的学生不足一成。说明高三学生普遍对概率统计课程保持着积极的态度。
大多数学生认为概率统计是一门重要的学科,但是也有近一成的学生认为其重要性较低。这种分歧可能源于部分学生对数据分析在现代社会中价值的认识不足,这可能会降低他们学习概率统计的积极性,进而影响他们的数据分析能力。
近一半的学生(46.67%)觉得这两种学习的差异很大,另外几乎同样数量的学生(45.33%)认为差异轻微,而只有极少数学生(8%)认为两者在学习上没有差异。
图3-1对概率统计的兴趣程度分布图
图3-2对概率统计的重视程度分布图
图3-3对概率统计的学习方法认知分布图
四、结论与建议
本研究通过问卷调查对贵州省黔南州两所中学的高三学生进行了数据分析素养水平的测试。结果显示:
(1)超九成(91.9%)学生的数据分析素养处于较高水平(水平一及以上),近一成(11.6%)的学生能够在复杂情境中创造性地应用概率统计知识。
(2)数据分析素养在性别和年龄上没有显著差异,可能是因为同龄学生接受的课程和教育内容相似。
(3)数据分析素养在民族、学科选择和学校之间存在显著差异,汉族学生高于少数民族,物理方向学生高于历史方向,不同学校之间也有差异。推测可能原因是少数民族学生从小语言环境上的差异,导致在理解题目、获取信息上不如汉族,学校选科方式因素和学校生源因素也可能会有影响。
(4)学生的数据分析素养与其平时成绩、统计活动经验、使用计算机或计算器工具经验相关,成绩好和活动经验丰富、使用信息计算工具频繁的学生数据分析素养往往更高。
根据以上结论,建议教师围绕提高学生的数据分析素养,避免性别和年龄的刻板印象,采用适合不同学科方向和民族的的教学策略,丰富学生的统计活动经验,提高学生对概率统计的兴趣,具体如下:
(1)摒弃性别和年龄的刻板印象:教师应避免在教学中产生关于性别和年龄的刻板印象;强调数据分析素养在性别和年龄上无显著差异;鼓励学生通过勤奋努力提高自己的素养,而不是归咎于性别或年龄。
(2)差异化教学策略:针对不同学科方向采用适宜的教学方式;对不同民族的学生要深入了解他们的需求,确保信息获取和题意理解准确。
(3)增加统计活动经验:教师应提供更多机会让学生参与统计活动和数据分析处理;利用现代信息技术如计算器、计算机等手段,提高学生的数据分析能力。
(4)激发概率统计兴趣:教师可通过真实或现实情境,强化数据分析的应用,以激发学生对概率统计的兴趣。
参考文献:
[1]中华人民共和国教育部.普通高中数学课程标准(2017 年版2020年修订)[M].北京:人民教育出版社,2020
[2]中华人民共和国教育部,教育部关于全面深化课程改革落实立德树人根本任务的意见(教基二[2014]4号)[EB/OL].[2014-04-08]
http://www.moe.gov.cn/srcsite/A26/jcj_kcjcgh/201404/t20140408_167226.html
[3]林崇德.中国学生核心素养研究[J].心理与行为研究,2017,15(02):145-154.
[4] 于川,朱小岩,邬楠,徐晶,王成丽,刘庆利,曲全.高中生数学学科核心素养水平调查及分析[J].数学教育学报,2018,27(02):59-64.