本站原创关键词：隐性知识；创造力；计算机公共课
1674-9324（2013）49-0181-04
一、引言
“显性知识有余，隐性知识不足；理论知识有余，实践知识不足。显性知识方面的优势使我们在基础教育阶段与发达国家似乎难分上下，但隐性知识教育方面的劣势则致使我国高等教育阶段处于明显落后状态”[1]。这是我国学生在知识结构上的缺陷，也是我国高校的毕业生没有欧美国家高校的毕业生富有竞争力的主要理由。而根本理由是隐性知识教育的忽视导致了我们的学生欠缺创造力。关于隐性知识，波兰尼（Michael Polanyi）[2]、斯腾伯格（Robert J.Stern.berg）[3]、野中郁次郎（Ikujiro nonaka）[4]，以及国内的方明[5]、王德禄[6]、黄荣怀[7]等都从自己的学科领域进行了解释，但都有一个共同点，即隐性知识是存在于个体大脑中、在一定情景下，不好清晰表达的知识，必须通过个人的亲自体验、实践和领悟来获得。显然，隐性知识离不开个人经验，它对个人学习、做事质量的好坏有着重要的作用。隐性知识反映了个体从经验中学习的能力，应用经验的能力和追求个人价值目标的能力[7]。因此，作者通过实证调查，研究了隐性知识在高校计算机公共课教育中对教与学的影响，测量了这些影响，并进行相关性分析，然后得到帮助学生获得计算机隐性知识的策略和途径。
二、研究检测设
根据瓦格纳（Wagner）给出的3维隐性知识模型结构[8]，如图1所示，隐性知识包含内容、背景和定位交叉的具体情境中的知识。其中，内容维度包括自我管理、他人管理和任务管理三方面的隐性知识，背景维度包括局部和全局两个角度的应用背景，定位维度包括理想主义和实用主义的应用定位。图1中各维度的各层次与计算机隐性知识维度对应起来，具体是：自我管理对应获得学习成效的自我激发和自我组织的知识。如：如何克服生活懒散、听课不专心的坏习惯，如何做课程学习规划，以什么样的态度参与实践探究学习等。他人管理表现为与同伴或老师沟通合作的知识。任务管理对应处理学习任务中遇到常见理由的隐性知识。如：选择何种参考书进行学习，到哪个网站去咨询和下载资料。局部背景表现为在短期实践探究学习过程中，专注于当前的学习任务，忽视了名誉、职业理想和人生的长远规划。全局情景指比较重视人生的长远规划，能将长远目标和当前情况进行比较分析。理想主义表现为对课程的态度和期望。如，认为这门课的价值在于“为将来找工作增加筹码”。现实主义表现为学习课程的实际目标。如，主动学习这门课是为了期终考试成绩合格，能够通过等级考试，进而可以顺利毕业和取得学位证书。针对以上对应关系设置特定的情境，每个情境构建一定量的理由来设计问卷。通过问卷调查验证以下检测设：计算机公共课的隐性知识在各维度存在主观感受成功与否的差异、性别差异、文理科差异、生源地差异、课程起点差异以及受父母文化程度影响的差异。
三、研究策略
作者以接受过“大学信息技术基础与实验”或高级语言程序设计（VB/VC/VFP）这两门计算机公共课学习的大学一年级新生作为研究对象。对其中26名同学进行了深入访谈，根据访谈结果和瓦格纳的隐性知识模型结构[8]对文献[9]中的《计算机公共基础课学习中隐性知识调查问卷》进行再次修改。问卷题目回答均采用5点量表，然后进行小范围试测。对试测收集的答卷进行信度分析、并对问卷进行重新修订，形成正式问卷。然后对390名同学采用网络匿名问卷调查。为了保证答卷的真实性和客观性，在问卷实测期间，受测者在填答问卷时，施测者在现场辅助解答任何理由，并且受测者填写完毕后，确定受测者提交答卷。经过条件筛选后，有效答卷共计219份，样本母体设计理工科、文科等必修信息技术基础、VB或VC的大学一年级新生。四、调查结果分析
论文以SPSS18.0作为调查数据的资料分析软件，采用了信效度分析、描述性统计分析、单因素方差分析、t—检验等策略。1.基本资料分析。本次调查中，对219位有效样本对象按照人口学变量进行分类，具体数据如表一和图2～图5所示。可见，其中男女性别比例适当，理工与文科比例适当，计算机已经得到了广泛的普及，只有4.57%的样本对象在上大学以前未曾使用过计算机，三分之二的学生来自于集镇和乡村，样本对象父亲的文化程度稍高于母亲。
2.信效度分析。测量问卷的质量高低，常用的策略是信度与效度检测。通过SPSS18.0分析信度，问卷量表Cronbach’s Alpha信度考验如表二所示，问卷中单选题86项的整体信度为0.960>0.9，说明信度为优。
根据因素分析原理，对收集的数据进行KMO和Bartlett检验，有关变量之间的相关性，分析结果如表三所示：其中KMO=0.872>0.6，说明因子分析的效果很好；Bartlett 球形检验值为13865.560，Sig.=0.000<0.001，说明各变量之间的相关矩阵不是单位矩阵，各变量间具有一定的相关性，可以进行因子分析。对86项原有变量进行因子提取，结果是：其中一项共同度是0.552，其他各项的共同度在0.610至0.845之间，平均共同度是0.715>0.60，说明问卷的各项题目建构是比较令人满意的。
根据“主成份分析法”抽取公共因素，估计各因素对因变量的贡献负荷，当选择特征值>=1时提取了19个成份，累积方差为71.477%，如图6所示。经过分析旋转后的成份矩阵，某些成份可以合并组合到特征值>2的因子中，所以最终确定七个特征值>2的成份为构成计算机公共课隐性知识的来源因素，其累计方差为52.852%。对这七个公共因素重新命名，按照方差贡献率降序排列后如表四所示。隐性知识在计算机公共课中的实证相关范文由写论文的好帮手www.shuoshilunwen.com提供,转载请保留.