理工类大学生小组活动参与度预测分析
梅婷婷，钟树达，邓勇飞
(1.武汉工程大学 土木工程与建筑学院，湖北 武汉 430074；
2.武汉工程大学 资源与安全工程学院，湖北 武汉 430074)
2020年10月颁布的《深化新时代教育评价改革总体方案》关于高等学校评价的改进应当包括“改进本科教育教学评估”、“改进学科评估”和“探索建立应用型本科评价标准，突出培养相应专业能力和实践应用能力”[1]，这一政策表明国内传统教学考核已难以满足时代要求，需要进行相应的教学改革[2]。
小组活动是一种老师引导、学生合作完成共同任务的团体活动，自上世纪70年代已开始作为一项教学考核标准广泛应用在西方国家[3]，90年代初期引入国内课堂教学[4]。在小组活动开展过程中，一方面学生的团队合作能力、集体荣誉感得到提升[5]，实现自我表现需求[6-7]进而促进反思性成长[8]；
另一方面教学目标在小组成员的互教互学中得以实现[9]。加上国内传统的教学考核方式难以满足国家政策及时代发展要求，因此小组活动往往被高校教师广泛应用于当代教学活动中[10]以培养21世纪社会所需要的高综合素质的新型创新人才。
目前，国内大学中小组活动主要应用于英语、语文等语言类课程教学活动之中，在理工类课程教学之中应用较少，理工类大学生对于小组活动缺乏足够的接触。2016年的一项研究表明，国内理工类大学生在总体大学生中占比接近1/3[11]，然而中国知网(CNKI)上“理工类小组活动”相关研究较少。理工类学生作为小组活动的主体，学生是否积极参与小组活动往往会对小组活动的最终教学效果产生决定性影响。近年来，学界一般采用参与度作为衡量学生参与小组活动积极性的尺度[12]。理工类大学生小组活动参与度的提高对于小组活动成为理工类课堂考核标准至关重要[13]。
本文基于多元线性回归分析的理论，以问卷形式调查理工类学生的观点和看法，以SPSS为工具构建学生参与度与影响因素之间的多元回归模型，旨在研究各类影响因素对理工类大学生参与度的影响方式及影响大小，为提高理工类大学生小组活动参与度提供一定实际意见和依据，进而使得能够通过小组活动效果合理评价理工类大学课堂教学效果以及学生学习效果[14]，以期改进大学理工类课程教学评价标准并推动小组活动在理工类课堂中的广泛应用。
回归方程作为一种应用广泛的数据分析模型，能描述和反映事物之间的统计关系[15]。多元回归分析是以变量相关关系分析为基础进行的变量间数量变化规律考察，并以回归方程形式描述多个自变量和因变量之间的关系。涉及n个自变量的多元线性回归模型可表示为：
Y=a0+a1X1+a2X2+……+anXn+ε
(1)
式中，ε代表随机误差，ε取值范围为N(0，σ2)；
a0，a1，a2，…，an是待定参数，a0为回归常数，a1，a2，…，an是偏回归系数，待定参数的值利用最小二乘法估计。
此模型可用于解决以下问题：1)通过样本估计待定参数的近似值，构建因变量和自变量之间的线性关系表达式；
2)通过统计检验准则判断自因素对于因变量的影响是否显著，酌情剔除不显著的影响因素；
3)将自变量数值带入数学模型预测因变量取值并对比因变量实际值判断模型预测精度。
2.1 影响因素识别
理工类大学生小组活动参与度影响因素的识别是分析学生小组活动参与度的前提，对构建合理回归模型意义重大。通过查阅相关文献、参考师生意见、结合实际教学经验发现，小组活动开展过程中学生参与度会受到学生对小组活动的了解程度、教师开展小组活动频次、小组活动开展形式以及参加小组活动目的等诸多因素的影响[16-18]，因此最终将理工类大学生小组活动参与度的影响因素指标总结为表1。
表1 小组活动参与度影响因素
2.2 问卷调查
本调查以“问卷星”为问卷设计、下发和回收工具，以本科院校在读理工类本科生以及研究生为调查对象，问卷链接为https://www.wjx.cn/jq/98110463.aspx。本次调查共回收问卷632份，剔除65份无效问卷，有效问卷一共567份，问卷有效率为89.72%，较高样本量的代表性使其达到统计学要求。
2.3 描述性统计
回收有效问卷选择500份问卷用于回归构建，剩余67份问卷分为两组进行模型检验。选择“性别”及“年龄”作为分析问卷样本数据真实性的指标。两项指标值样本分布情况如表2所示。参与本次问卷调查的学生男女比例约为2:1,较之郭丛斌等[19]的调查结果有明显上升，调查发现近十余年性别平等意识的普及有效提高了理工类学生中女性比例[19-20]，因此本次问卷数据男女性别比符合实际情况；
受访者的年龄分布主要集中于20岁以下以及20～24岁之间，与实际大学生年龄分布状况大体一致。由此可见，问卷数据具有实际参考价值。
表2 样本分布情况
统计因变量各值的频数，“1，2，3”三值的频数分别为78，271，151，数据大体符合正态分布。学生参与度与各影响因素之间的关系大多表现为线性，在涉及样本数量较多的情况下，选取多元一次函数作为回归模型可达到较高的回归精度。
2.4 信度分析
利用SPSS检验回收问卷信度。α值(Cronbach’s alpha)的大小与量表的信度成正比，当α>0.9时，数据信度检验的效果非常好[21]；
若α>0.7，数据信度检验的效果相当好[22-23]；
若0.5<α<0.7，数据信度检验在可接受范围[22]。用于分析的500问卷总体信度检验α值大于0.7，小组活动学生参与度相关题项最终信度检验α值为0.574，数据信度检验合格。
2.5 回归模型检验
1)相关性分析。相关性分析主要分析变量之间相关性。皮尔逊系数(Pearson)作为评价因素相关性的指标，其值越接近1，因素之间相关程度越高、联系越紧密。对小组活动参与度和影响因素进行相关分析，发现小组活动了解程度、小组活动开展频次、感兴趣以及强制性要求与学生参与度之间的皮尔逊系数分别为0.43，0.39，0.31和-0.22，绝对值均大于0.2，它们之间存在较强的相关性[24]。
2)拟合优度检验和残差自相关检验。利用SPSS分析构建线性回归模型整体拟合效果。模型的拟合优度系数R值为0.574，判定系数R2为0.330调整后的判定系数R2为0.309。本研究样本数量与指标数的比值为500：15，尝试下调两者比值后发现R2值有明显提升。查询文献对比其他学者研究中两者比值以及R2值，发现本研究构建模型R2值为0.330检验合格[25-26]，小组活动学生参与度与所选影响因素之间线性关系较为显著，模型拟合效果好。R2值意味着自变量Xi(i=1，2，……15)可以联合解释小组活动学生参与度30%的变化原因。
3)显著性F检验。所有自变量与因变量之间的线性关系是否显著可以通过F检验结果反映出来。本研究样本数据F值为15.886，显著性水平P值为零，说明所有自变量共同以较为显著的线性关系影响因变量。
4)回归系数的显著性t检验。t检验是检验每个自变量对因变量的影响，不显著的自变量常采取剔除的处理方式。如表3所示。
表3 影响因素显著性检验及回归分析(系数a)
此回归模型学生对小组活动了解程度、活动开展频次、小组模拟招投标、感兴趣、强制性要求的t值较大，检验的显著性水平值小于0.05，故这几个变量对小组活动学生参与度的影响比较显著，按照常规的做法应当只保留这几个自变量。
剔除不显著变量后再次利用SPSS对五百份问卷数据进行分析检验，发现此时模型的拟合优度判定值R2值发生小幅下降，拟合效果不佳;方差的F检验与原模型结论相同，自变量与因变量之间线性关系显著;与原模型相比，仍有变量X5未通过显著性t检验，若要继续剔除，则小组活动开展形式对于学生参与度的影响便无法分析。为保证小组活动学生参与度影响因素分析的全面性，不剔除t检验不显著变量的线性回归模型更为合理。
由上述分析结果可得自变量Y和因变量Xi(i=1，2，……，15)之间的多元线性回归模型，Xi与Y之间的多元线性回归方程式为：
(2)
Xi含义：X1——对小组活动了解程度；
X2——教师开展小组活动频次；
X3——小组讨论；
X4——小组辩论；
X5——情景再现；
X6——小组作业；
X7——小组调查；
X8——小组游戏；
X9——小组同伴互评；
X10——感兴趣；
X11——获取较高平时成绩；
X12——强制性要求；
X13——课堂表现欲望；
X14——从众心理；
X15——同伴邀请。
由相关性分析可知小组活动学生参与度影响因素之间存在一定内在相关性，参与度与各影响因素之间并非完全呈现线性关系，而在自变量较多的情况下选用二次回归模型可达到较高回归精度[27]。因此同时建立多元二次非线性回归模型以检验多元一次线性回归模型。
构建多元二次非线性回归模型，Xi与Y之间的多元线性回归方程式为：
(3)
式(3)中变量Xi含义同式(2)。
将剩余67份问卷自变量Xi的实际值分别带入线性回归模型和非线性回归模型中得到各自因变量预测值，对比实际值进而得到预测值和实际值的对比曲线图，如图1和图2所示。
图1 第一组数据预测值与实际值对比图
图2 第二组数据预测值与实际值对比图
对比图1和图2两组数据的三条拟合曲线，发现线性回归方程预测值的拟合效果更贴近实际值，且拟合曲线的波动范围要小于非线性回归方程的拟合曲线。由此可见，构建的多元线性回归方程拟合度更好，能更好地反映各个影响因素和小组活动学生参与度之间的影响关系。
根据上述t检验结果以及各变量相应的回归方程系数值，可以看出，学生对小组活动了解程度、教师开展小组活动频次、感兴趣和课堂表现欲望等影响因素的显著性概率值P均小于0.05，且相应的系数值分别为0.17、0.157、0.182和0.17，均大于0.1，说明这些影响因素对小组活动学生参与度的影响均为特别显著的正向影响。而情景再现和强制性要求的显著性概率值P值均小于0.05，但相应的系数值分别为-0.124和-0.214，均小于-0.1，说明这些影响因素对小组活动学生参与度存在特别显著的负向影响。另外本研究所涉及的其他影响因素对于小组活动学生参与度也存在着或正向或负向的影响，只是影响效果不显著。
4.1 结论
通过分析样本因变量指标分布情况，利用多元线性回归模型分析影响因素对因变量的影响方式和影响程度，可以得出如下结论：
1)当前理工类大学生小组活动参与度不理想。衡量学生小组参与度指标实际值大多分布在1，2上，均值为2.132，当前理工类大学生小组活动参与度仍不理想，存在较大提升空间。
2)所构建的小组活动参与度模型具有较高适用性。利用SPSS软件建立理工类课堂小组活动学生参与度的多元线性回归模型，模型符合回归模型检验标准；
带入剩余问卷的自变量实际值所确定的因变量预测值，相较于多元二次方程预测值，回归模型预测值更接近实际值、整体误差范围更小。
3)所选影响因素都会影响小组活动参与度。本文所选取的影响因素都会对理工类大学生小组活动参与度产生或正向或负向的影响，而其中学生对小组活动的了解程度、教师开展小组活动频次、学生感兴趣、学生课堂表现欲望、情景再现以及强制性要求对理工类课堂小组活动学生参与度影响极为显著：学生对小组活动越了解，教师开展小组活动频次越高，学生对小组活动越感兴趣以及越具有表现欲望，学生整体往往会呈现较高的小组活动参与度；
而小组活动开展形式越复杂，教师开展小组活动的手段越强硬，学生整体往往会表现出较低的参与欲望。
4.2 建议
为提高理工类教学课堂小组活动学生参与度，以更好地利用小组活动考核教学效果。依据调查结果以及多元线性回归模型，提出几点提高学生小组活动参与度的建设性意见：
1)学生对于小组活动的了解程度需加强。在小组活动开展前，教师应提前向学生普及小组活动的概念、开展形式、潜在的优缺点，使小组活动对于学生而言不再是一种陌生的教学形式，增加学生对于小组活动的熟悉度与了解程度。
2)提高理工类课堂上小组活动开展频次。在日常理工类课程授课过程中，教师应该增加小组活动的开展频次，使得学生能够积累更多的小组活动参与经验。在学生得到各方面综合素质的提高后形成正向反馈，改善学生参与度。
3)合理选择开展形式。在小组活动开展时，应尽可能选择简单的、学生较为熟悉的交流合作形式，尽量避免采取情景再现等较为复杂的开展形式，很多学生对于小组活动的熟悉度尚且不足，若开展形式也是较为复杂陌生的情景再现，可能会引起学生的双重抵触，对学生参与度产生负面影响。
4)引导学生以合理动机参与小组活动。在小组活动开展前，通过合理方法激发学生对小组活动的兴趣，兴趣是最好的老师；
鼓励学生善于在课堂上表现自己，只有学生愿意表现自己，才能在小组活动中更好地表达自己的观点，与他人合作交流；
同时教师不应强制要求学生参加小组活动，不要采取过于强硬的手段开展小组活动，即使学生不配合，教师也应耐心开导学生，避免引起学生的抵触心理。
5)适当调控其他影响因素。对本次研究中尚未考虑到的其他小组活动学生参与度影响因素，在小组活动开展过程中授课教师也不能忽视，需采取适当措施进行调控，确保那些研究未涉及的影响因素能有效促进学生参与度或者避免对学生参与度产生负面影响。
猜你喜欢理工类因变量参与度提高学生课堂参与度 激活珠心算生命力小学教学研究(2022年18期)2022-06-29调整有限因变量混合模型在药物经济学健康效用量表映射中的运用中国药房(2022年7期)2022-04-14初中语文教学中如何有效提高学生的课堂参与度甘肃教育(2020年24期)2020-04-13——与非适应性回归分析的比较">适应性回归分析(Ⅳ)——与非适应性回归分析的比较四川精神卫生(2019年2期)2019-06-18鼓励自主安全活动 提升员工参与度劳动保护(2019年3期)2019-05-16偏最小二乘回归方法文理导航(2017年20期)2017-07-10分部积分法在少数民族预科理工类高等数学教学中的探索山东工业技术(2016年15期)2016-12-013300多名本科新生清华报到 理工类超八成人民周刊(2016年17期)2016-11-05对理工类职业的四个误解读者·校园版(2014年20期)2014-05-14回归分析中应正确使用r、R、R23种符号遵义医科大学学报(2013年2期)2013-01-23