大数据支持下师范生学习评价模式探究
摘要：本文通过分析学习评价的现状，找到传统学习评价的典型问题，提出全流程学习评价体系，通过实例研究形成了基于大数据支持的师范生学习评价模式。文章最后还提出了需要进一步研究的方向与问题。
关键词：大数据;师范生;学习评价
中图分类号：G434 ?文献标识码：A ?论文编号：1674-2117（2019）22-0105-04
学习评价的现状与问题
近年来，随着国家教育信息化的不断推进、智慧教学环境与在线学习平台的搭建，学习过程中的行为数据海量增加，这也标志着教育大数据时代的来临。
学习评价是根据学习目标、学习内容对学习过程及结果进行价值判断并对学习活动现时的或潜在的价值作出判断的过程。“积极开展学生学业质量评价，不仅是顺应教育改革与发展趋势的内在要求，也是提升与改善学校教育教学质量、促进学生全面可持续发展的现实诉求，具有重要的意义”。[1]传统的学习评价存在如下问题：①评价主体单一。目前，师范生学习评价在实施过程中仍然是以教师的评价为主体，评价主体的单一化使得其与评价对象之间的互动反馈不足，评价结果也不够客观与全面。②评价方式单一。传统的学习评价往往采用纸笔测试的总结性评价为主，仅仅关注试卷成绩，对学生的高阶思维能力没有办法有效评估。③评价内容单一。在学习评价的过程中往往只注重认知目标的达成度评价，而忽略能力目标、情感目标等评价。仅以认知目标来评价并不能反映出学生的真实学习能力水平。针对现有问题，笔者提出，可利用大数据构建全流程学习评价体系，对学生学习进行全流程评价，并最终形成基于大数据支持的师范生学习评价模式。
大数据支持下的全流程学习评价体系
学习评价的目的一方面在于全面了解学生的学习情况，另一方面在于为之后的学习活动指导提供依据。“大数据支持下的学习评价是将现代信息技术嵌入学习全过程，对学习活动的信息流与运行轨迹作出观测、解释和反馈，并利用描述性反馈信息实现教学相长和学生发展的过程”。[2]大数据支持下的学习评价应贯穿于整个学习生态过程，因此，笔者提出“课前—课中—课后”全流程的学习评价体系（如下页图1），即课前预测驱动有效教学，课中监测实现个性化学习，课后检测加强学习效果，以期让大数据支持下的学习评价在不同的学习活动开展阶段达到不同的效果。
1.课前预测
课前预测即课前学情分析。在大数据支持下，教师对学生的前置学习情况进行判断，并通过分析数据调整教学内容与教学策略来有效提升学生的学习效率。可以说，课前预测是教师在教学设计阶段的重要依据，也是开展针对性教学的关键。
2.课中监测
课中监测是学习评价中的核心环节，也是实施过程性评价的关键。根据Margaret Heritage设计的评价环模型——“明确学习进程—描述学习目标—提出成功标准—获取学习证据—解释证据—诊断差距—给予反馈—教学调整—搭建支架—缩小差距”[3]，学习过程评价最重要的是能够实现以“数据重构课程生态”，教师能够根据数据适时调整教学，同时以“数据生发个性学习”，根据每位学生的学习数据推送个性化学习资源，帮助学生有效提升学习效率。
3.课后检测
课后检测即学生学习结果评价，它是“教师探究学生学习需求、改进教学方法与策略、提升教学效率的重要手段，其终极目标是将评估结果用于改进后续的学习和教学，是质量认证标准中不可或缺的内容”。[4]综合运用多元回归分析、关系挖掘、多层模式分析、可视化等技术对海量的学习数据进行分析处理，不仅能直观呈现全体学生的学习情况，还能对学生的学习发展进行预测与建议。
大数據支持的学习评价模式建构
通常来看，在教育中有两类教育大数据，一类是数据挖掘，另一类是学习分析。其应用领域主要包括学生个人信息建档、学生的学习行为和学习路径建模、学生的专业知识建模、学生的学习趋势分析等。因此，笔者从成都师范学院教育教学与信息技术融合的实际情况出发，以2017级师范生为研究对象，尝试建构大数据支持下适合所在学校师范生的学习评价模式。
1.研究对象
本次研究对象为成都师范学院2017级师范生，参与学生数1257人，班级数12个。
2.学习数据与类型
学习数据包括研究对象从大一到大二的所有学习数据，如考试、平台作业、课堂参与、互动讨论等（如下表）。通过采集学生的相关学习数据，构建学生的个人学习档案，通过数据分析学生的认知特点，以期提供个性化的学习方案，促进有效学习。
3.建立学习评价模型
成都师范学院大数据中心通过与网络教学平台数据库集成，实时获取师生教学过程中的行为数据;利用网络阅卷中心、教育大数据中心开展学习评估、测量与诊断。由于师范生培养的特殊性，笔者建立了基于大数据支持的师范生学习评价模型（如上页图2），主要采集、分析学生的教学行为和学习行为的相关数据，为信息化推进、提高教学质量、探索新的教育模式、摸索新的教育规律，提供评价分析、行为预测、决策参考等服务。
4.数据分析与处理
以师范生信息化教学能力诊断为例，基于学生分析、知识点分析、认知层次分析和关键指数分析多维度对师范生信息化教学能力进行评价。
（1）学生分析
学生分析包括对学习稳定程度分析（如图3）和学习力落点分析（如图4）。
学习稳定度代表学生回答问题的稳定程度，稳定度的值越小表示越稳定。稳定的意义在于根据学生的学习程度是否正确完成了相关检测，而稳定度值越高通常表示学生有可能被误导、马虎等情况。通过率很高的学生其稳定度值则可以被忽略。
学习力落点分为A（学习良好，稳定度高）、A（粗心大意、不细心造成错误）、B（学习较稳定，需要进一步努力）、B（准备不够充分）、C（学习力不足，需要更加努力）、C（学习极不稳定）六个等级。
（2）知识点分析
师范生信息化教学能力诊断包括3个维度、9个因子、50个监测点。其一是基础知识维度，包括态度与意识、技术环境以及信息责任;其二是信息技术支持学习维度，包括自主学习、互动交流以及协作创新等;其三是信息技术支持教学维度，包括教学资源准备、教学过程设计以及实践储备等。
（3）认知层次分析
按照布鲁姆的认知领域目标分类，笔者同样将学习认知层次分为记忆、理解、应用、分析、综合和评价六个层次。在学习活动设计中，记忆、理解、应用属于初级认知问题，也叫良构型问题，一般都有明确的答案，而分析、综合、评价属于高级认知问题，通常没有标准答案。对学生的培养不能仅仅局限于初级认知，高级认知问题更能够激发学生的思维，从而培养学生的能力。
（4）关键指数列表分析
这里通常是指针对考试信息的数据分析，包括班级、人数、平均分数、得分率、标准偏差等关键指数（如上页图5）。
5.学习趋势预测
为了帮助学生提升学习效率，大数据中心收集了研究对象从大一上学期至大二下学期连续四个学期的学习数据并进行分析处理，对学生未来学习的发展趋势进行预测并给出改进建议。
总结与思考
教育大数据时代的到来使得学习评价方式与效能都发生了很大改变，通过大数据分析，学生看到的不再是只有分数的学习成绩单，而是一份包括数据、描述、评价与趋势预测的学习评价报告。
1.支持学生个性化学习评价
以往由于学生人数众多，一位教师可能同时面对上百位学生，个性化学习评价几乎不可能，对学生的针对性教学也无法实施。现在，由于有大数据技术的支持，教师可以较为容易地获取学生的学习数据甚至可视化的分析报告，让学生的个性化学习与评价成为可能。
2.支持過程性评价
过程性学习评价从关注学习目标转向关注学习过程，“强调知识学习与建构过程中反馈的及时指导性”。[5]以往由于过程性数据量太大，无法一一整理，过程性数据的采集与记录也没有统一的标准与规范，随着教育大数据时代的来临，这些问题都得到了很好地解决。
3.支持多元化评价
学生自评、生生互评和教师评价相结合的学习评价方式，一方面可从多维度对学生的学习活动进行更加全面、客观的评价，另一方面学生从单纯的评价对象变成了评价主体，增强了参与的主动性与积极性，同时还能培养学生的评价能力。在大数据技术的支持下，对多元化评价的采集与处理也变得更加方便。
当然，教育大数据与学习评价结合的探索与研究还有很长的路要走，这需要教育决策者、教育研究者、广大教师与学生以及教育技术工作者在决策、研究、实践和技术开发等各个层面通力配合，让基于大数据的学习评价实现“有用、可用、易用”。
参考文献：
[1]谢思诗，李颖.学生学业质量评价研究的回顾与展望[J].教育导刊，2015（09）：79.
[2]吴虑.大数据支持下学习评价的价值逻辑[J].清华大学教育研究，2019（01）：15-18.
[3]Margaret Heritage.Formative Assessment：Making it Happen in the Classroom[M].California：Thousand Oaks Corwin Press，2010.
[4]贾莉莉.“学生学习结果评价”：美国高校教学质量评估的有效范式[J].高教探索，2015（10）：63-67.
[5]韩叶秀，杨成.认识论视野下学习过程性评价探析[J].教育探索，2012（02）：5-7.
作者简介：王慧（1981.1—），女，汉族，四川蓬溪人，助理研究员，硕士，研究方向为教育信息化。
基金项目：成都师范学院2018年度校级教改项目“大数据背景下高校学生学业评价模式探究”（项目编号： 2018JG23）。
