刘珊
摘 要:大数据集理论研究与应用研究融为一体,教育测量与评价中运用大数据是对教学的归纳,也是“因材施教、有教无类”的基础。在此基础上,文章分析了大数据背景下教育测量与评价的常见应用模式,并对未来进行了展望。
关键词:大数据;教育策略;教育评价
中图分类号:G434
文献标识码:A
大数据集理论研究与应用研究融为一体,在技术层面和思维层面覆盖了社会的多个领域。我国教育大数据运用在教育测量与评价领域尚处于发展初期,对提升教学测量的效率和实现教育评价的有效性也将产生重要的影响。与其他领域相比,由于教育策略与评价对数据的依赖性、应用性和复杂性,大数据对教育测量与评价的贡献是显而易见的。大数据构建了教育测量与评价的基层数据,融入了学生个性化学习,渗透了日常的教学研究。一个属于教育测量与评价的大数据时代即将到来,从学生个体需求切入,影响到学校日常管理,最终驱动教育的改革,使教育测量与评价真正服务于每一个学生个体。
教育测量与评价中运用大数据是对教学的归纳,教育测量与评价是运用教育学、心理学和统计學对教学数据的搜集、整理、评估、推断等的一篮子工作。教育大数据可以客观反映教育测量与评价事实,通过数据推断展现真实教育现状,为教育改革者提供参考。在美国,教育大数据分析已经在公共教育测量与评价中得到了较好的应用,推动了教学的改革。
教育大数据是从教学客观实践中搜集出有关教育活动的原始材料,根据特定的研究目标按一定的数理形式加以整理,根据统计学规律,找出其中的内在关联,从而评估教育活动。与传统数据相比,教育大数据在大规模在线学习平台评估、学习者模型构建、教学者模型反馈等各项研究中,其研究结论更加贴近教育活动的本质。美国联邦政府教育部于2012年投入2亿美元,实施公共教育大数据计划,旨在通过运用教育大数据分析来提升教育质量。应该说,随着更多数据的搜集、处理、分析和评估,我们对教育的本质认识将更趋全面和精确化。
教学工作者需要面对的是活生生的、有个性的,甚至是叛逆期的学生们,教学目标的实现、个体的成长都离不开有针对性的因材施教。由于教育大数据的“5V”特点:Volume(大量)、Velocity(高速)、Variety(多样)、Value(低价值密度)、Veracity(真实性),可以不用随机分析法(抽样调查)这种捷径,而采用所有数据进行分析处理,从而关注学生的个性发展。这是教育大数据的独特优势:通过对教育活动或行为数据的搜集、处理、分析和反馈,可以不断修订教育计划,做到教学相长,在数据的支撑下实现“有教无类、因材施教”,如打靶一样精准于学生个体的成长。
大数据研究专家舍恩伯格曾指出:“个性化建立在大数据反馈的基础上。”“在学习的环境下,大规模个性化的实现,需要有更丰富的反馈数据流向教师和管理人员。”教育测量和评价的大数据分析能够给学习者在迷茫中了解自身学习规律,给教育者提供学习个体在学习过程中所体现出来的共性的学习态度、知识缺陷、需求结构等信息,从而提供有更有针对性的学习指导。
在大数据时代,研究者基于针对学习者在学习平台中产生诸多数据碎片的分析,运用教育云计算,发现其学习过程的模式与特点,从而为学习者推送个性化的学习服务建议,目前常见的应用模式见下图。教育者和研究者借助强大的大数据分析手段,了解在“四屏时代”中个性化资源的推荐服务、学习活动服务、学习评价服务等。学习者可以通过数据从原有的依赖教育者的有限理性判断,发展为个性化资源推荐服务、资源予以检索服务和学习工具服务对自己学习的适应性数据化分析。评价者则可以通过对学习者学习过程的关注与跟踪,在大数据技术的支持下提供更客观、准确、个性的分析和评价,使传统的经验式评价转向基于数据和社会认知网络的过程性评价。
教育测量与评价的过程可以运用大数据进行修改,更加接近教育的初心和本质,但教育大数据的确不是万能的。正如舍恩伯格所说的:“我们对潜在后果和概率性结果的预测有加大教育不平等的可能。全面教育数据带来的首个重大威胁,并不是信息的发布不当,而是束缚于我们的过去,否定我们进步、成长和改变的能力。”
[1]周 玲.多维视角下MOOC学习分析发展机制与分析框架建构[J].电化教育研究,2017(4):41-46.
[2]林 红,彭 坚,田凌晖.基于大数据的“科学取向”小学教学模式构建[J].教育发展研究,2017(4):76-80.
[3]张华华,汪文义.“互联网+”测评:自适应学习之路[J].江西师范大学学报(自然科学版),2016(5):441-455.
[4]张 羽,李 越.基于MOOCs大数据的学习分析和教育测量介绍[J].清华大学教育研究,2013(4):22-26.
[5]苏 芃,罗 燕.技术神话还是教育革命?——MOOCs对高等教育的冲击[J].清华大学教育研究,2013(4).