算法与数据结构学习兴趣影响因素分析.docVIP

算法与数据结构学习兴趣影响因素分析 　　摘要:文章对算法与数据结构课程的学习兴趣调查结果进行了分析,提出采用自编学习兴趣量表测量学生的学习兴趣,总结学生的基础课程学习情况以及对课程教学的看法。分析结果显示:学生的学习兴趣受专业基础课程成绩和对课程学习重要性认识的影响,增加实践性教学和以案例为先导的理论课教学方式更有利于提高学生的学习兴趣。 　　关键词:算法与数据结构;学习兴趣;影响因素;实践性教学 　　 　　算法与数据结构是一门处于计算机学科核心地位的技术基础和主干必修课,着重于培养学生的数据结构与算法设计能力、程序设计和实现能力。学生通过对数据结构设计方法的系统学习与研究,理解、掌握、设计和应用数据结构的主要方法,培养对算法的计算复杂性进行正确分析的能力,为独立地设计算法和对给定算法进行复杂性分析奠定坚实的理论基础。这些能力对从事计算机系统结构,系统软件和应用软件研究与开发的科学工作者是非常重要和必不可少的。 　　福州大学算法与数据结构课程是国家级精品课程,课程建设的一个重要目标是有效地提高教学效果,激发学生的学习兴趣。围绕这个目标,我们在课程建设过程中进行了以下教学改革:(1)加强了课程的实践性环节;(2)采取师生互动式教学;(3)建立课程成绩的综合评价模型。 　　显然,这些教学改革措施与学生学习兴趣之间是互相影响的,好的教学方法对提高学生的学习兴趣有一定的作用,但学生的学习兴趣对教学改革的效果也会有一定的影响。学生的学习兴趣与环境因素有一定的关系[1],探索和分析对学习兴趣有影响的因素是教学理论和实践中的一个重要课题。为了更好地做好算法与数据结构的教学改革工作,有效地激发学生的学习兴趣,了解学生对于目前的教改方案的看法,我们对福州大学计算机专业本科生进行了学习兴趣及相关因素的调查和分析。 　　1方法 　　1.1调查方法 　　数学与计算机学院2007级本科生在二年级上学期学习算法与数据结构课程,课程教学于2008年12月结束。课程教学小组教师于2009年3月向2007级全体本科生发放调查问卷,于一周后回收问卷,共有学生281人,问卷回收281份,回收率100%。 　　1.2调查内容 　　调查内容分为三部分:(1)学生的基本情况、专业基础课学习情况。专业基础课主要指数学分析、线性代数、高级程序设计语言和离散数学。(2)对算法与数据结构教学改革的评价。(3)课程学习兴趣量表。 　　学习兴趣量表是参考物理学习兴趣量表[2]编制而成的(见表1)。量表共有17个条目,将每个条目的得分相加得到量表的总分。以量表的总分作为反映学生对于算法与数据结构课程的学习兴趣指标。得分≥13分者为“学习兴趣很高”,得分在8～13分者为“学习兴趣较高”。该量表用于281名学生的学习兴趣测量,得到其Cronbach可靠性系数 =0.8465,说明该量表能够有效地测量学生对于算法与数据结构课程的学习兴趣。 　　 　　1.3分析方法 　　对各因素与学习兴趣之间的关系用描述性统计分析和Wilcoxn秩和检验进行比较,采用多元回归[3]的方法分析影响学习兴趣的主要因素。全部检验采用双侧,以P0.05作为统计学显著性标准。全部的统计分析采用SAS9.0统计软件包[4]进行。 　　2结果分析 　　2.1学生的基本情况及学习兴趣 　　在本次调查的281名学生中,男性239人(占85.05%),女性42人(占14.95%),平均年龄20岁。学生的家庭居住地分布见表2。在课程开始之前的学期中曾参加过“国际大学生ACM程序设计竞赛”培训的学生有57人,占20.28%。 　　 　　在281名学生中,学习兴趣量表的平均得分是8.12分,标准差是4.37分。有16.01%的学生的得分超过13分(学习兴趣很高),有39.15%的学生的得分在8～13分(学习兴趣较高)。 　　2.2学习兴趣与课程成绩的关系 　　在281名学生中,“算法与数据结构”课程综合评价成绩在优(≥85分)、良(70～84分)、及格(60～69分)和不及格(60分)的学生分别占12.81%、57.30%、25.62%和4.27%。成绩为“优”的同学的学习兴趣平均分最高,成绩为“不及格”的同学的学习兴趣平均分最低(见表3)。方差分析的结果表明四组同学学习兴趣平均分的差别有高度显著性(P0.0001)。这说明课程成绩与学习兴趣之间存在关联性,二者之间的相关系数 ,P=0.0001。 　　 　　2.3与学习兴趣有关的因素 　　男生和女生的学习兴趣平均分分别为8.24分和7.40分,差别无显著性(P0.05)。城市、县、乡以及农村生源的学习兴趣平均分分别为8.69分、7.88分和8.05分,差别无显著性(P0.05)。在课程开始之前曾参加过“国际大学生ACM程序设计竞赛”