基于GINI-PCC分析方法的批判性思維培養(yǎng)的探索

王梅， 康美玲

(東北石油大學， 計算機與信息技術學院， 黑龍江， 大慶 163318)

0 引言

批判性思維作為一種合理、反省的思維，已成為創(chuàng)新人才必不可少的品質之一，對學生的培養(yǎng)質量有重要影響[1]。2016年發(fā)布的《面向未來：21世紀核心素養(yǎng)教育的全球經驗》中列出了最受經濟體和國際組織重視的七大素養(yǎng)，批判性思維為其中之一[2]。美國“深度學習聯(lián)盟”指出：21世紀社會生活必備技能的核心是批判性思維、問題解決能力、溝通能力、合作能力以及創(chuàng)造革新能力[3]。2019年OECD發(fā)布的《培養(yǎng)學生的創(chuàng)造力與批判性思維》中提出一套關于創(chuàng)造力和批判性思維的通用教學標準[4]。由此可見，批判性思維對于學生知識和智能的協(xié)調發(fā)展起著非常重要的作用。

隨著互聯(lián)網的高速發(fā)展，計算機在教育中的應用變得越來越廣泛。教育信息化2.0指出：在教育信息化過程中，要立足教育事業(yè)發(fā)展實際需求，充分發(fā)揮云計算、人工智能等技術，提高教育教學效果[5]。然而，當前有關學生批判性思維與計算機相關的研究還比較匱乏。本研究旨在通過基尼指數(shù)確定學生批判性思維能力各個特征的重要性，并采用皮爾遜相關系數(shù)找出與重要特征相關性最強的特征，針對這些特征進行側重培養(yǎng)，以期提高學生的批判性思維。

1 批判性思維

批判性思維由思維技能和思維傾向兩方面構成。一個人若具備較強的批判性思維傾向，一般來說能更好地運用批判性思維技能，即批判性思維技能與批判性思維傾向呈正相關[6]。決定一個人的批判性思維傾向的因素包括尋求真理意識、思想開放性、分析能力、系統(tǒng)能力、自信度、求知欲、認知成熟度[7]。目前，有部分學者采用不同的分析方法對批判性思維展開研究。柳晨晨等[8]采用定量內容分析和滯后序列分析，探究在線學習中學生互動討論模式對批判性思維的影響。汪洋等[9]運用多元線性回歸分析方法研究性別對批判性思維能力的影響。鄒鳳瓊[10]采用方差分析的方法，研究文理科學生與批判性思維傾向的關系。

2 數(shù)據(jù)采集與數(shù)據(jù)預處理

2.1 數(shù)據(jù)采集

數(shù)據(jù)采集部分主要包括問卷設計、數(shù)據(jù)來源兩部分。

問卷設計部分采用羅清旭等[11]制定的CCTDI(《批判性思維能力(中文版)測量表》)，該量表是測量批判性思維傾向的有效工具，在國內權威性較高、信效度較好。問卷共70道選擇題，每10道題為一個特征維度，并采用Likert 6分制計分方法，從非常贊同到非常不贊同分別記1～6分[12]。

數(shù)據(jù)來源部分。本研究面向一所高校的計算機專業(yè)研一學生，選擇“人工智能及其應用”課程發(fā)放問卷。為了保證問卷的質量和真實性，本研究主要采用紙質問卷。本研究發(fā)放問卷121份，回收有效問卷117份，有效率為96.6%。

2.2 數(shù)據(jù)預處理

數(shù)據(jù)預處理能降低數(shù)據(jù)的復雜度，提升數(shù)據(jù)分析的準確性。對每個特征的題目進行分值處理，形成最終的數(shù)據(jù)集。此時的數(shù)據(jù)集形態(tài)為117行8列的數(shù)據(jù)，前7列對應每個學生樣本的特征值，最后一列為學生的批判性思維能力得分，部分數(shù)據(jù)如表1所示。

表1 批判性思維數(shù)據(jù)集

特征值是連續(xù)性數(shù)據(jù)，對每個特征進行離散化處理，此時學生的批判性思維數(shù)據(jù)集中包括117條數(shù)據(jù)、7個特征、3個類別。

根據(jù)量表評分標準，將批判性思維能力中每個特征劃分為較弱、良好、較強三個等級，分別用0、1、2表示，對應分值區(qū)間為[0，39]、[40，49]、[50，60]。CCTDI總分作為類標簽，用于描述學生批判性思維能力分布情況，對應分值區(qū)間為[0，279]、[280，349]、[350，420]，分別用0、1、2表示較弱、良好、較強。由此得到特征屬性集和類別標簽，離散化處理結果如表2所示。

表2 批判性思維離散化數(shù)據(jù)集

經過離散化處理后得到可輸入算法的數(shù)據(jù)集，以便對學生進行特征重要度和特征相關性分析。

3 基于Gini指數(shù)的批判性思維特征重要度分析

批判性思維樣本集合中有尋求真理意識(A)、思想開放性(B)、分析能力(C)、系統(tǒng)能力(D)、自信度(E)、求知欲(F)、認知成熟度(G)7種特征。本研究采用基尼指數(shù)算法作為其貢獻度的衡量指標，根據(jù)分析結果確定特征重要度。

其算法思想：假設A是n個樣本的集合，將A按照類屬性劃分，可產生m個子集Ai(i=1,2,…,m)，其中,第i個子集包含了樣本集合A中所有類屬性值為Ci(i=1,2,…,m)的樣本，樣本數(shù)記為ai(i=1,2,…,m)，則數(shù)據(jù)集A的基尼指數(shù)為

(1)

若按照樣本屬性進行劃分，可將數(shù)據(jù)集A劃分為k個子集Aj(j=1,2,…,k)，子集樣本數(shù)記為aj(j=1,2,…,k)，則分裂后的基尼指數(shù)為

(2)

其中,k是樣本屬性個數(shù)。Aj即第j個屬性的樣本集合。

針對批判性思維能力的7種特征分別計算其基尼指數(shù)，結果如下：Gini(A)=0.654 8，Gini(B)=0.546 4，Gini(C)=0.545 0，Gini(D)=0.430 3，Gini(E)=0.389 3，Gini(F)=0.499 7，Gini(G)=0.564 2?；嶂笖?shù)越小，其特征重要性越高。因此，自信度的特征重要性最高，對學生批判性思維能力的影響最大。

4 基于PCC的批判性思維特征相關性分析

在實際的教學過程中，應從多方面進行教學過程的實施，需要研究各個特征與自信度特征的相關性。本研究采用皮爾遜相關系數(shù)來衡量其線性相關程度。

皮爾遜相關系數(shù)可以反映2個變量間線性相關程度的強弱。對于隨機變量X=(x1,x2,x3,…,xi)，Y=(y1,y2,y3,…,yi)，其皮爾遜相關系數(shù)的定義為

(3)

(4)

其中，cov(E,A)為自信度特征E與尋求真理意識特征A之間的協(xié)方差，δE為自信度特征E的標準差，δA為尋求真理意識特征A的標準差。

根據(jù)式(4)，可計算出各特征與自信度特征的皮爾遜相關系數(shù)分別為REA=0.21，REB=0.04，REC=0.28，RED=0.31，REF=0.54，REG=0.02。皮爾遜相關系數(shù)越大，兩特征的線性相關性越高。根據(jù)結果可知，與自信度特征相關性最大的特征為求知欲特征，兩者最容易產生相互影響。

5 學生批判性思維培養(yǎng)的實踐成效

根據(jù)上述對學生批判性思維能力的特征重要度分析及相關性分析，本研究采用不同的教學策略側重培養(yǎng)學生的自信度及求知欲，進而提高學生的批判性思維，具體采用的教學策略如表3所示。

表3 教學策略

經過一學期的教學實驗后，再次對這批學生進行問卷調查，以驗證該教學策略是否能夠有效提高學生的批判性思維能力。對收集到的數(shù)據(jù)進行分析得出，在教學培養(yǎng)前，批判性思維較強的學生占比最少，僅為18.8%，較弱的學生則占比最多，高達44.5%；在教學培養(yǎng)后，較強的學生占比達到32.5%，較弱的學生占比則減少到26.5%，學生的批判性思維得到了顯著提高。因此，在著重培養(yǎng)自信度、求知欲等方面，對學生批判性思維的提高具有正向作用。

6 總結

本研究采用基尼指數(shù)進行特征重要性分析，確定自信度特征是對學生的批判性思維影響最大的特征，采用皮爾遜相關系數(shù)進行相關性分析，得出求知欲特征與自信度特征相關性最強。因此，本研究認為對學生自信度和求知欲進行側重培養(yǎng)，能夠更好地提升學習者的批判性思維。

本研究的研究對象僅選擇于一所高校，數(shù)據(jù)來源可能并未覆蓋所有學習者特征，對于數(shù)據(jù)的采集面還需進一步完善。在后續(xù)的工作中，應繼續(xù)完善數(shù)據(jù)，并不斷對算法進行優(yōu)化，以提高數(shù)據(jù)分析的準確性，為學生批判性思維的培養(yǎng)提供更加準確的參考和指導。