以关键指标为核心的区域大数据监测系统模型构建

黄德强 蔡方平

【摘 要】本文从考试的关键指标出发，论述构建区域大数据监测系统模型策略：获取关键指标，建构大数据的内核体系;指向关键指标，建构大数据的事实体系;运用关键指标，建构大数据的直观体系;补救关键指标，建构大数据的支撑体系。

【关键词】大数据 关键指标 区域 监测系统模型

【中图分类号】G  【文献标识码】A

【文章编号】0450-9889（2020）26-0068-02

21 世纪是信息的世纪，是数据的时代。无论是微观粒子的运动、宏观宇宙的变换，还是社会经济政治的各个领域，无不用数据记录、刻画信息。人们从数据中发现规律、预测趋势，数据为人们的分析、决策提供直接的科学依据。可以把“区域教学考试中获得的大数据”定义为：教师根据考试目的，选择关键的评价指标，利用特定的工具获取学生的学习结果数据以及将数据转换后的各种直观形式。本文从考试的关键指标出发，探索构建区域大数据的监测系统模型，以获取有效、有价值的大数据，帮助师生准确发现教与学存在的问题，从而精准导向教学实践。

大数据实质上是一种基于统计学的概率预测，本身具有或然性，如果大数据对应的评价指标不精确、试卷的命制和监测指标之间关联度不强，那么获得的大数据指导价值会大大下降，甚至误导教学的方向，浪费宝贵的教学时间和教学资源。因此，大数据的获取必须建立在精准把握考试评价指标的基础上，才可能精准指导教学，提升教与学的效率。课题組带领各学科骨干力量细化各学科高考评价的关键指标，并以关键指标为依据，构建“区域大数据的监测系统模型”（如图 1 所示），以便精准导向教学实践。

一、获取关键指标，建构大数据的内核体系

2019 年 12 月，教育部考试中心颁布《中国高考评价体系》，为构建大数据的关键指标体系提供了强有力的理论支撑。高考评价体系虽然在核心素养、学科素养上界定了相关的一级、二级指标，也在关键能力上划分了三大关键能力群等，但该评价体系是中国高考整体的理论建构和评价指导，并未涉及学科的具体评价指标。对于一线的教学而言，亟须界定更加具体、微观、易评价的关键指标，以便准确获取学生学科存在的问题，精准导向教师教学实践。获取考试评价的关键指标是大数据能精准指导教学的关键环节，是区域大数据监测平台的内核体系。

以生物学科为例，《中国高考评价体系》将生物学科各考试阶段的“知识板块”作为纵向维度的一级指标，将高考生物的理解能力、实验探究能力、获取信息能力、综合运用能力等四个方面作为横向维度的一级指标，并细化了每种能力要求相对应的二级指标。如将生物学科理解能力这个一级指标细分为“厘清要点、建立联系、构建网络、解释原因、举例说明、区别比较、判定推论、变换应用”八个二级指标，便于进行更有效、更有针对性的数据监测。

二、指向关键指标，建构大数据的事实体系

科学事实是通过科学观察和实验获得的并经过整理与鉴定的经验事实。考试大数据要能反映“学生学、教师教、区域研”的近况和问题，数据必须建立在科学事实的基础上。考试得到的大数据是建立在考试的基础上，考题的“质和量”构成考试大数据的事实体系。

各学科试题的命制要求严格指向提炼的考试评价的关键指标，力争构建有逻辑关联的大数据事实体系。试题的命制过程中课题组还提出“一点多标，一标多面”的监测理念，以求丰富大数据的效度。“一点多标”指围绕一个知识点从能力要求的多角度展开监测，力求全面地理解知识;“一标多面”指围绕能力的某一个指标维度，用多个知识点去开展监测，目的是对学生某项能力进行连续跟踪。如基于“一点多标”的考虑，生物学科中如果要考查学生是否理解“可遗传变异”的概念，那么可以围绕理解能力的八个指标展开，命制思路如表 1 所示（见下页）。

三、运用关键指标，建构大数据的直观体系

大数据服务于教学，要求对数据进行合理的处理，转换为师生易懂的直观模型图。作为数据处理的结果，一方面，要形象直观，便于轻松洞察数据产生的原因;另一方面，数据处理后的呈现不能太复杂、太抽象、太专业，要依据主要服务群体即学生、教师的需求和认知水平进行处理，要面面俱到。大数据转换后的直观模式图主要用表格图、柱形图、曲线图和雷达图四种类型表现。另外，从需求不同的角度考虑，课题组为学生、教师、学校、教研员等不同群体量身定做了相应的大数据报表，以求直观全面反映出学生每次考试的情况。

大数据是客观的，但指标的确定、试题编制、数据的处理过程又总会带有主观性，在使用大数据时还要走入学生群体深入调研，进一步分析问题产生的原因，使大数据的使用更有针对性。运用关键指标，建立合学情、合逻辑、合事实、合认知的大数据直观体系是发现问题的关键。

四、补救关键指标，建构大数据的支撑体系

直观的大数据体系能迅速准确洞察学生、学科、区域教学存在的问题，基于问题，从考试评价的关键指标入手，又能制定合理的补救措施，充分发挥大数据的支撑作用。就教师而言，在较好地理解数据背景的基础上，可以从强化关键指标、完善关键指标的角度制定试卷评讲策略和变式训练策略。如果学生对概念的理解是清楚的，但在变换应用过程中失分较严重，那么可以通过筛选不同类型的信息题加以变式训练，以提升信息的获取能力;如果学生在知识联系点上得分较低，则教学中可设置问题串探讨相关知识的联系，再通过绘制概念图巩固相关知识;如果学生在解释原因问题上失分较多，则课堂的补救措施可以是指导学生总结答题思路，完善表述模型，规范书写流程等。就学科而言，如果某个知识板块或者能力板块失分较为严重，则可以调整学科教研的重心，或请相关专家指导从学科场面制定相关的补救措施。

从考试关键指标出发获得大数据，分析大数据，发现真问题，又基于问题制定策略对关键指标进行补救，能充分发挥大数据对教、学、研的支撑作用，是建立区域大数据监测系统的最终价值归宿。

2019 年 2 月，国务院发布的《中国教育现代化 2035》指出，要加快信息化时代教育变革，统筹建设一体化、智能化教学管理和服务平台;要利用大数据等现代技术实现规模化与个性化培养的有机结合，保证教育管理和监测体系的精准化与科学化。在教育中运用大数据是不可阻挡的趋势，准确地界定学科考试评价的关键指标，并以此作为命题指导依据进而获得的考试数据才是有效的、有价值的，才能精准指导学校的教育教学工作。

【参考文献】

[1]楚文波.大数据背景下的教育教学改革[J].教育与教育信息化，2015（11）.

[2]张玉婷，费金有.大数据时代下中学物理教学研究[J].课程与教学，2016（10）.

[3]曾国屏，高亮华，等.当代自然辩证法[M].北京：清华大学出版社，2005.

【作者简介】黄德强（1981— ），男，汉族，籍贯四川宜宾，本科，一级教师，教研员，现就职于四川省成都市龙泉驿区教育科学研究院，研究方向为高中生物教育教学;蔡方平（1965— ），男，汉族，籍贯重庆，本科，高级教师，现就职于四川省成都市龙泉中学校，研究方向为高中生物建模教学。

（责编 刘 影）