“用数据说话”赋予了教育评价更多的客观性,但数据评价是否能覆盖教育的方方面面?其实质效果如何?在智慧教育乃至未来教育中,面对剧增的学习活动数据,该如何用好数据评价?

2020年出台的《关于深化新时代教育督导体制机制改革的意见》中指出,改进结果评价,强化过程评价,探索增值评价,健全综合评价,充分利用信息技术,提高教育评价的科学性、专业性、客观性。

在对这四种评价发力的过程中,不仅是对评价制度作出调整,也希望技术能够有其用武之地。其中,数据提供了非常多的可能性,而这种可能性要变成现实的解决方案,并非一蹴而就的过程。

郑勤华 北京师范大学教授、互联网教育

智能技术及应用国家工程实验室副主任

教育评价的发展要求

评价是以学习目标为依据,通过一定的标准和手段对学习活动及其结果给予价值上的判断,即对学习活动及其结果进行测量、分析、评定和指导的过程。

首先,评价发展的第一个要求是素养指向。要能够对学生某一心理特质、学科特质开展评价。通过这套体系对面向21世纪的学生进行评价,包括他们的协作能力、创新能力、批判思维能力等,这也是我们未来评价工作的一个核心方向。

其次,在数据驱动评价过程中,要强调数据的真实性。不是为了评价而评价,为了数据驱动而去驱动,要在伴随式、无感式非切入的状态下,对学生真实客观的数据进行掌握。对这些数据进行掌握后,也期待能够通过数据采集、汇聚、处理、分析后,去回答学校最为关心的学生方方面面的真实评价。

再次,在结果公平方面,会带来很多数据驱动中往往容易忽视的问题,那就是由于所处不同的区域、家庭环境和学校场景中,教和学的环境、时空环境以及教师资源方方面面都存在巨大差异。由于是基于数据的评价,数据往往是冰冷的,如果不能有效地和更多变量及其他要素形成有机整体,那么评价可能会是不公平的。

最后,评价的目的是为了发展。以发展为导向的评价并非对学生做一个简单的价值判断,而是希望通过评价结果干预教学、资源、环境、设施等,共同围绕更好地发展提供评价结果和导向。

以美国的NewModel学生评价体系为例,它是通过采集学生在学校的学习过程中方方面面的真实数据,然后把这一系列的真实数据汇聚后建立起来的评价模型。该模型的指向并不是简单的认知结果,而是类似于我国的德、智、体、美、劳。从分析和创造思维、复杂沟通能力、领导力及团队合作能力等角度,建立起对应关系进行相应评价。

数据驱动的流程

第一,对数据进行积累汇聚。教育信息化发展到今天,“数据孤岛”现象愈演愈烈,教育信息化从业者们期待有一套技术和方法能够把数据,特别是与学生相关联的方方面面的有效数据进行汇聚。第二,在数据汇聚基础上,进行模型构建。北京师范大学基础教育大数据应用研究院(以下简称“研究院”)构建了“教育大数据模型”,提出把领域知识和机器学习进行有效结合,包括监测模型、评价模型、诊断模型、预测模型和配置模型。通过这一系列的模型,就可以从教育科学和数据科学两个角度进行融合。第三,在评价创新方面,包括个性化发展、适应性教学和标准化管理。此外,研究院还打造一套敏捷建模的工具体系一DMTS。DMTS是人机增强智能支持下的敏捷模型引擎。DMTS平台通过建立协同机制,充分发挥人机协同、领域协同的力量,平台支持以教育模型构建为核心业务的适应性学习、科学决策、精准管理、区域教育治理,全方位、系统化地有效构建教育模型问题,为教育大数据应用提供支持。DMTS在教育大数据生态体系中位于中间层,底层是大数据平台,上一层是基于建模之后的应用体系。

人机协同时代的智能素养

未来,人工智能时代要培养人们人机协同的能力。我们将其定位为智能素养,包括知识、能力、思维、应用、态度等维度,不论是教育工作者,还是心理学工作者等,都能从中提炼出有价值的信息。从理论模型到指标体系,其核心就是在教和学的场景中学生产生的方方面面的数据。下一步,就是进行数据采集,以大数据平台为支撑,汇聚和筛选数据,建立符合建模规则的数据集。在平台层面,教育数学方面的专家或者教师可以围绕数据,选择拖拽方式,实现对应关系,并根据参数估计的结果,形成稳定的算法模型。最后是形成支持发展的评价结果,对学者的智能素养进行介绍,整体水平进行诊断,并形成预警、监测、诊断等一套模式。总体而言,数据驱动是理论和技术不断迭代的过程,需要根据需求去设计理论模型,然后采集相应数据展开智能分析,形成素养指标及相应算法,实现数据驱动教育评价的目标。

来源: 中国教育网络