发布时间: 2024-09-25 来源: 中国教育信息化
摘 要： 数字教育监测评估是推进和深化教育数字化转型的一个重要环节，大数据作为新一代信息技术能够深入呈现数字教育状态的要素特征和结构关系，为实现多维化和细粒度的教育监测评估提供了技术保障。数字教育监测评估经历了从教学绩效测量、数据驱动评价到认证模式创新、增值效益提升的理念进阶，形成以主体发展需求、动态生成数据、智能融合分析、增进管理效益为支撑的多元价值取向。数字教育监测评估是以场景化数据为支点，以课堂大数据、在线大数据、双线混融大数据为应用情境，通过物理感知、数字感知、情境感知开展教学现象监测、人机交互监测与活动事件监测。在评估方式上，数字教育评估演化为基于集中式数理统计的终结性教育评估、基于伴随式数据挖掘的过程性教育评估和基于生成式人工智能的预测性教育评估。大数据驱动教育监测评估的实践路径包括建立数据监测评估体系、实施全链路数据监测、开展差异化发展评测、创新数据治理模式、构建反馈决策机制，以更好地促进教育评价高质量发展。 关键词： 大数据；数字教育；教育监测评估；评估模式；实践路径 中图分类号： G434 文献标志码： A 文章编号： 1673-8454（2024）06-0054-08 作者简介： 牟智佳，江南大学“互联网+教育”研究基地副教授，博士(江苏无锡 214122)；冯西雅，江南大学“互联网+教育”研究基地硕士研究生(江苏无锡 214122)；苏福根，通讯作者，教育部教育管理信息中心研究处副研究员，博士（北京100816）；刘珊珊，江苏省锡山高级中学实验学校教师，硕士（江苏无锡 214177） 基金项目： 教育部教育管理信息中心教育管理与决策研究服务专项2023年度委托课题“数字教育监测评估国际比较研究及其数据库建设”（编号：MOE-CIEM-20230018）；2022年度江苏省教育科学规划重点课题“多模态大数据支撑下的个性化学习活动设计与评价研究”（编号：B/2022/01/167） 一、数据赋能教育监测评估的历程 美国于2002年颁布《不让一个孩子掉队法》（No Child Left Behind Act）。该法案强调数据可以为不同学段、不同目标指向的教育评价提供直接、客观的评价依据，以提升学校问责制的执行实效[2]。2016年，为解决教育区域发展不平衡等问题，俄罗斯批准了《现代数字教育环境建设项目（2016—2025年）》（Digital Education Environment Construction Project 2016-2025）。该项目提出建立基于大数据技术的自动评估系统，用于改善在线课程质量[3]。美国教育部教育技术办公室发布的《重新构想技术在教育中的角色：2017年国家教育技术计划更新版》（Reimagining the Role of Technology in Education：2017 National Education Technology Plan Update）中，重申教育工作者应积极利用评估数据以持续改善学习[4]。为了提升各国教育监测评估能力并强化具体实践，联合国教科文组织发布《全球教育监测报告（2017/8）——教育问责：履行我们的承诺》（Global Education Monitoring Report 2017/8—Accountability in Education: Meeting Our Commitments），从数据来源、质量标准、收集方法、框架设计、指标设计以及实施计划方面进行监测评估的规划设计[5]。2023年，经合组织发布了《过程数据在大规模教育评估中的应用》（The uses of process data in large-scale educational assessments）报告。该报告从过程数据的定义、作用、有效性、应用实例等方面强调过程数据在大规模评估中的实践效益[6]。 通过梳理教育监测评估的历史进程可知，国际上对教育监测评估的关注从未间断，从早期将数据作为佐证教育问责的证据以推进教育公平，到近年来发挥数据的反馈性价值，将数据分析结果用于教育优化策略的制定以提升教育质量。随着教育信息化迈入以教育大数据为核心的教育数字化转型新时期[7]，大数据的即时性与教育监测评估的时效性相辅相成，激发了数字教育监测评估中的数据本位价值。数字教育监测评估旨在充分挖掘数据的指导性价值，使教育监测评估的目标更准确，实现用全时、全景、全量的数据刻画教育高质量发展的推进方案，能够在新的目标和需求驱动下，不断拓展教育监测评估的广度、深度与精细度，促进数字教育监测评估的效能提升。 二、数字教育监测评估的发展样态 数字教育监测评估倡导大数据思维，旨在基于全部的数据样本进行评价分析，以辅助教育决策的制定。该思维最早体现在美国政府建立的基于各州标准化测试数据的学校问责中，通过测量学校的教学绩效，为政府管理学校提供可靠依据。早期教育问责主要关注教学绩效，分为奖惩问责与扶持问责两大类。奖惩问责是由联邦政府作为监测主体，通过开展国家教育进展评估项目，将学生的考试结果数据作为评估内容，以衡量学校的教学绩效。扶持问责则是淡化联邦的参与性，由各州担任监测主体，自主制定基于州水平的评估目标，将学生的学业进步数据作为教学绩效测量的主要依据。 （二）成效之法：基于数据驱动的评价范式转型 在评价与学习同时并存的共时性评价影响下，教育监测评估方式逐渐由结果为重的终结性评价发展为学习目标、学习过程和学习效果三位一体的全流程评价。随着大规模评估从纸笔形式拓展为计算机或数字形式，评估的过程数据被有效地记录下来。过程数据的动态性、层次性、客观性等独特优势，为教育监测评估从阶段性的终结性评价向多元数据驱动的全流程评价转变提供了支持。数据驱动的教育监测评估通过分析教与学的过程留痕信息来衡量教育主体在创造、协作、社会情感方面的水平，能够为教育监测评估开展更深入的教育成效机制分析提供有效的实证依据。 （三）需求之基：基于成果转化的认证模式创新 随着数智化技术在教育系统中的融合创新与深度渗透，学习环境开始以教为中心向以学为中心转变，使泛在学习成为一种重要的学习形式。在此影响下，数字教育监测评估范围需扩大至非传统学习情境，其认证形式也从传统的封闭式认证向开放学习结果认证转变。数字教育机制下的学习结果认证是基于能力本位理念，根据学习者数据化学习轨迹、直观化学习结果、可移植学习记录进行数字凭证的认定，通过证书引擎为学习者的资历框架建立映射关系，促进学习成果积累的流动性与转换性。 （四）发展之向：基于增值评价的质量效益提升 随着教育进入高质量发展阶段，教育监测评估的理念目标也由保障教育公平逐渐转向推动师生的全面发展[8]。增值评价作为关注起点、过程、变化和结果四元一体的评价方式，其评价理念贯彻立德树人宗旨，评价目标指向主体间的协同增值，其形式分为学生增值、教师增值以及学校增值。其中，学生增值是学生在五育并举方面的涨幅，教师增值则是兼顾学生的学业成就增长与教师个人专业发展的净值，学校增值是去除不可控因素的影响，单独考察学校对学生成绩影响的净效应。增值评价的最终旨趣在于教学效益的提升，通过评价为教育利益相关者提供多维立体的评价决策方案，增大教育投入产出比值，实现教育多方效益、学校管理效益、师生集合效益的实质性提升。 三、数据驱动教育监测评估的理念遵循 （一）以主体发展需求为监测目标 人本主义强调教育的前提是完整的人和自我实现，坚持工具理性与价值理性的辩证统一，其目的是实现教育主体的全面发展与个性发展的双重旨归[9]。人本主义影响下的教育监测评估在目的上侧重于主体的发展，在评估内容上注重主体的多元表现，在评估方法上强调定性与定量评价相整合，在评估结果上强调结论用于决策。该类监测评估以主体的个性化需求为前提，以评价的发展性功能为核心，通过厘清教育主体与发展需求间的内在联系，实现学生发展、教师队伍和学校办学的量与质并进增长[10]。 （二）以动态生成数据为监测过程 实证主义采用数据统计和建模处理教育信息，以数据和证据为基础探究教育规律[11]。实证主义影响下的教育监测评估以量化、联通的数据为基础，将隐性的过程数据与显性的监测目标相关联。该类评估形式可分为预测和描述两大类，预测类监测评估通常以教育主体在课程系统的进展数据来预测最终的课程结果，并给予及时干预[12]。描述类监测评估是以客观事实的生成性数据为基础，对教育现象或事物展开观察和描述，目的是了解教育现象的特征、规律和效果，为教育决策制定提供全局证据。 （三）以智能融合分析为监测技术 工具主义突出了教育的工具性职能，将技术、工具和方法视为解决教育问题和实践的主要手段。工具主义影响下的教育监测评估从实际的教育需要和绩效要求出发，追求教育效能同技术的协同与平衡。智能技术能够全面分析数字教育中的全时域布局数据，形成从评估主体的分析洞察，到可视化呈现评估结果的全链路智能融合分析。其中包括面向多主体行为的交互式下钻分析，通过整合教育监测主体的多源数据以洞察主体特征，能够实现从人到场的全视角评价分析与决策。 （四）以增进管理效益为监测结果 管理主义通过设立明确的管理目标、实行教育问责的方式把控教育质量，从而强化教育评价的监督机能，整体上追求效率和效益的最大化。管理主义影响下的教育监测评估既表现出鉴定、问责和改进的教育管理功能，也表现出作为一项独立的教育改革项目或教育政策的功用[13]。作为教育质量保障的有效手段，该类评估以提升教育质量为目标[14]，旨在简化评价内容、提升评价精度、扩大评价范围，通常以计算机测验为主要形式，适用于大规模的学业水平测试中。通过计算机测验的自动评分和分段反馈功能降低纸笔测验伴随的诚信风险，能够解决区域性评估中的测试反馈时效和评价效率等难题。 四、数据化教育监测评估的模式与技术 1.面向课堂大数据的教育监测评估 课堂大数据是在真实的课堂情境下，伴随师生或生生双向知识创生过程，生成高度同步课堂教学流程与教学生态的数据集。面向课堂大数据的教育监测评估模式是以全景课堂为窗口，以智能终端与传感器为端口，以课堂主体的行为、目标、事件为切入口，通过常态化捕获课堂全要素的全向互动关联数据，阐释课堂活动背后的教与学规律。该模式作为大数据技术与课堂教育监测评估的深度融合形式，通过课堂情境串联教学活动与监测数据，能够厘清教育监测评估主体、客体和需要三者间的关系，从实践层面解决师生在多样课堂教学场景中的需求识别问题。 2.面向在线大数据的教育监测评估 在线大数据是师生基于数字化教育平台，通过双向互动的教育资源建立协作联结，并在关系联结过程中生成的数据集。面向在线大数据的教育监测评估模式是基于师生在线教育云平台的序列数据，从教学、管理、服务、资源等方面对在线过程数据进行运行状态监测，进而为提升在线教育质量的针对性提供证据指向。该模式基于在线教育的分层结构划分评价层次，内嵌于在线教育的多分段事件触点中，立足于更强的生成意识和交互体验，能够连续呈现在线教育要素的活动状态信息。 3.面向双线混融大数据的教育监测评估 双线混融大数据是遵循教学事件逻辑，将面对面教学与在线学习共时并存的显性化结果类数据、隐性化过程性数据进行交叉印证和相互补偿，从而生成多源数据混融的数据集。面向双线混融大数据的教育监测评估模式是在遵循线上与线下差异化共生发展的基础上，将虚实两种时空的教学活动进行历时性分工和共时性交叉，结合活动的外部特征和内在建构属性，围绕教学环境、教学过程、教学效果、学习成效等方面的变化进行虚实场景的持续监测。该模式将线上与线下的环境、资源、方法等要素融合贯通，能够实现以多元监测评估工具兼顾虚拟时空与物理时空的信息流动。 （二）感知化数字教育监测技术 1.依托物理感知的教学现象监测 物理感知技术主要面向课堂教学场景下的主客体及活动要素，以前端传感器为主要感知器件，监测教育主体的具身行为及其所在的环境信息。依托物理感知的教学现象监测常发生于技术丰富环境下的物理课堂空间，通过课堂内部的基础设施感知生理信号、语音信号、面部表情信号，能够突破以往人力监测在感知范围和感知规模上的限制，以构建物理空间各要素间的有效联系和互动机制。该类监测技术为教师提供一种情境再现式监测手段，能够基于感知设备呈现出课堂现象中人与人、人与物、人与环境、人与信息之间的多层次协同。 2.依托数字感知的人机交互监测 数字感知技术面向教学主体分离状态下的在线教育关系网，以埋点为实时接入手段，通过教育主体触发特定行为实现在线数据的自动上报。数字感知的教育监测多发生于在线教育环境，通过嵌入数据采集代码，利用数字技术自身的无感化特性实现静态开放教育资源数据与动态用户行为数据的全时段感知。该类监测技术基于双通道原则，通过多种感官刺激引发主体在交互方式和行为空间上的沉浸感，并以此探究教育主体的行为模式和交互轨迹，显现出主体潜在的行为模式，从而清晰连贯地推进教育监测评估对教与学过程的预测和优化。 3.依托情境感知的活动事件监测 情境感知主要面向线上与线下融合教学中“人—事—场”之间的作用关系，基于主体与事件、主体与场境之间的交互活动，利用移动教学设备围绕主体位置、空间与行为进行监测。情境感知的教育监测常用于主客体与知识场交互的场境化环境中，通过智能传感设备从泛在学习情境中检索活动主体与场境要素的交互状态及传感数据，实现对教育活动情境的监测。该类技术对情境学习下的预设性知识与生成性知识进行统一监测，将监测内容拓展至学生基于情境的知识建构过程，能够整合情境结构、活动属性及主体需求，定位评估主体知识经验的价值与问题所在。 （三）多元化数字教育评估方式 1.基于集中式数理统计的终结性教育评估 终结性评估作为阶段性教育质量评定的主要方式，能够为教育管理者制定政策提供高效能的集成化证据。以往阶段性采集方式存在数据采集维度少、采集速度慢等问题，难以满足当前数字教育环境下的终结性评估对数据体量与效率的需求。集中式数理统计的终结性评估是在确保教育数据的一致性与安全性的前提下，将各阶段数据进行统一搜集、整理与分组，对教育服务质量进行实证评估。该方式将教育评估作为一个整体与部分辩证联系的组织系统展开数理统计，能够基于集中式的现有资源，为终结性教育评估提供准确的定量分析数据。 2.基于伴随式数据挖掘的过程性教育评估 过程性评估是一种重视教育的非预设产出，关注目标、过程、成效三位一体的价值取向评价，能够为教育主体发展评估提供过程性的证据支持。过程性评估对于主体发展过程监测的完整性与客观性需求，决定了其评估依据不能过度零散，需结合伴随式数据挖掘为其提供持续性的监测数据。基于伴随式数据挖掘的过程性评估是以实时数据采集平台为技术支撑，以情境共存为采集标准，将教育数据生成、流转与转换的逻辑链路作为过程性评估的采集节点，为最终的结果精准反馈提供对应标签。其面向教育全过程数据展开连续追踪并加以动态评价，能够纵向挖掘教育问题的成因，解决数据与评价相脱节的盲点。 3.基于生成式人工智能的预测性教育评估 预测性评估是兼顾教育效果评估和教育风险预估为一体的集成化评估方式，能够为教育政策的实施结果、效能和影响进行建模预测，并根据预测结果进行差异化方案推荐。生成式人工智能作为一种基于概率和反馈原理设计的人机协同技术[15]，能够在静态事实与动态预测之间创造一种新的联结模式，为预测性教育评估提供精益化的预测和推荐模型。基于生成式人工智能的预测性评估是在机器学习框架的基础上，对教育主体在规定情境中的对话、文本、音视频等数据信息进行分析，进而形成该主体后续发展的预测轨迹，并根据主体需要进行启发性内容的生成推荐。 五、大数据驱动教育监测评估的实践路径
