论人工智能化数据分析在学业质量监测中的应用

桂双军

【摘要】深圳市龙华区自2017年开始，对全区中小学教学质量进行统一动态监测和评价，用教学视导、学业质量监测、师生发展状况专项调研等措施，在义务教育阶段对学校教学质量监测与评价方面进行了大胆的实践与探索，并逐步形成了具有该区特色的中小学教学质量监测与评价体系，建立了相应的规章制度。实践证明，这一探索对于区公、民办学校学生的学业质量能实行有效的监测、诊断和反馈。

【关键词】人工智能化；数据分析；学业质量；监测与评价

深圳市龙华区自2017年开始，对全区中小学教学质量进行统一动态监测和评价，为了科学、客观、及时、全面地了解和掌握该区中小学校的教学质量及其发展状况，促进区域内义务教育均衡发展和优质发展，动态地了解每个学校的教学质量变化，甚至从各个维度细化到每个年级、学科、备课组和每个学生在每个学期中的教学质量和成绩的变化过程。学业质量动态监测系统是龙华区在全区公、民办学校中全面推广的基于全面详实的教育大数据。通过专有的“自适应测试”专利技术和“Ra-sch”分析模型，系统能高效精准地为区域教育与学校教学诊断出教育教学中存在的问题，为学生的学习诊断出学习盲区与知识漏洞，并自动生成全面精准的诊断报告，为教育教学的调整与学习的改进提供决策依据。

一、每学期考试成绩及教学质量分析中存在的问题

首先，以往每次学校期中考试和期末考试后，各年级各班都会统计学生成绩分数，进行质量分析讨论。这虽然达到了一定的效果，但细细梳理下来，没有具体的数据对比，对于每一个学生在某个知识点的掌握程度上无法具体了解；对于每一个知识点来说学生掌握的整体程度也是无法具体了解。另外，学校教务部门对于每次考试中每科的知识点和得分点的掌握情况比较凌乱和分散，无法准确掌握科任老师在不同学期的教学效果以及准确分析科任老师教学过程的针对性和有效性。

二、人工智能化数据分析在学业质量监测中的应用

学业质量动态监测系统采用绝对评价、相对评价和个体内差异评价相结合的评价标准，配以基于常模参照测验和基于标准参照测验以及综合测量相结合的方式，全面地应用教育统计学、教育测量与教育评价学的理论和方法，实现与计算机及网络技术的有机结合和对基础数据的深度挖掘，横向比较、纵向跟踪学业质量，进一步实现对学业质量及时有效的监测、诊断和反饋。具体到学校层面，在人工智能化数据分析阶段有如下应用。

第一，为学校构建多层次动态评价指标体系，开展数据挖掘、分析，实施标准化、精细化、智能化的教育管理和科学决策。分别从总体学情、教学详情、重点关注对象、发展性分析、绩效管理这几个方面展开指标评价。

第二，为老师提供学生成绩数据分析诊断报告，让老师了解学生各知识点的掌握情况，有针对性地为学生提供个性化分析报告和学习方案。在教学详情模块里，分别从知识模块、能力、分析与讲评、总结与提升这几个方面来展开分析；在成绩报表里，分别从试卷分析、学情总览和基本参数三个维度方面对每道题的知识点的得分分析及展示学生得分的比率。

第三，为学生提供知识薄弱点的分析和诊断，以便于学生了解自身知识的结构差距。学生通过系统对本人各题的诊断从而了解自己对知识点的掌握情况，以及本班学生对某个知识点的整体掌握情况。

第四，为校领导、教务部门、各年级、各个学科、各备课组分别提供查看本权限内的统计数据，以便于精确的质量分析。系统分别提供给校领导、教务主任、系统管理员、年级长、科组长、备课组长、科任老师、学生帐号等各种权限不同的帐号。

第五，为了便于精确的统计和分析，在发展性分析模块里，有均分的发展、B值的发展、优良等值的发展和后进值的发展，优良等值的动态图示可以直观地反应每个班的优等生比例。

第六，B值指标可以看到每位老师在不同学期所任学科的平均分的变化，B值越大，说明超出区平均的程度越高，从B值的指标变化就能看到一位老师在几年里的教学效果的动态变化过程。

第七，进一步对B值进行加工，可以直观地反映年级、科组、备课组在不同学期的集体成绩动态变化过程，客观地反映本集体的学期成绩效果和目标。

第八，在绩效管理模块里，分别从学科贡献分析、班级贡献分析和教师贡献分析三个维度进行绩效值的分析。以柱形状直观显示各学科、各班级和各位教师对本校整体成绩的贡献占比。

总之，学业质量动态监测系统，是基于对基础教育常态化学业数据的采集和运用，它从不同维度对学生期中和期末考试成绩指标进行大数据归类、整理和智能化分析，以整体评价区域内学校某一时段的教学质量及其发展状况、影响因素，形成成绩数据分析诊断报告，为教育教学管理者进行整体教学质量总结，为教师提供各班教学诊断的详情和建议，有针对性地为学生提供个性化分析报告和学习方案，帮助学生进行薄弱分析和个性化学习。