数据驱动的学生核心素养发展

[摘   要] 当前核心素养的数字化测评面临挑战，且综合素质评价重“评”而轻“育”、发展性薄弱。与数据赋能精准教学类似，学生核心素养发展也有必要基于数据驱动形成闭环，从而彰显评价的发展性功能。通过对数据驱动教学决策与学习决策的原理阐述、对现代学习评价三个维度的学理分析，研究主张从面向核心素养的教学到评测诊断、积极反馈等环节构建核心素养发展的闭环，并提出了具体的数据驱动路径，包括：整合表现性评价与伴随性数据采集技术而获得更全面、动态的核心素养数据；从学科贯通横轴、纵轴两个方向上构建核心素养的评价指标；基于证据的积极反馈与决策机制等。研究为中小学核心素养测评与发展提供了直接建议。

[关键词] 数据驱动； 核心素养； 伴随性数据采集； 学习决策； 学习评价

[中图分类号] G434            [文献标志码] A

[作者简介] 曹梅（1977—），女，江苏海安人。教授，博士，主要从事教育信息化、用户信息行为等研究。E-mail：berry1999@163.com。

一、 引   言

当前，数据驱动的精准教学作为一种典型的信息化教育应用在众多学校落地开花，但其多停留在学科基础知识与基本技能等认知目标上，某种程度上强化了标准化测验，易造成过程与方法空无、情感态度与价值观缺席的后果[1]。本质上，学习评价的理念决定了数据驱动的方向。如何改变学习评价方法的思考一直紧跟教育和社会的焦点，改进标准化测验的呼声此起彼伏，如何评价学生的通识能力、高阶思维、复杂能力成为新的挑战。

因此，我们有必要去探索数据驱动的另一个方向——数据驱动的核心素养发展，即拓展已有的标准化测验数据采集的思路，通过多元评价采集更多的核心素养评测数据，并经由精准诊断、反饋与教学干预等来驱动学生核心素养的发展。已有研究中，无论是关于数据驱动精准教学的反思[1-2]，还是技术赋能学生综合素质评价[3-4]、学生数字画像[5-6]、学习分析[7-8]等都尚未关注到这一路径，缺乏系统的思考。基于这一研究起点，本文拟分析核心素养数字化测评所面临的挑战、核心素养发展的现状与不足，在此基础上，从数据驱动决策的视角提出构建核心素养发展闭环的理论框架，并阐述基于伴随性数据采集技术的实现路径，以期突破现有的精准教学体系中的数据驱动思维，对学生核心素养测评与发展提供参考。

二、 核心素养的数字化测评面临挑战

将通识能力纳入课程学习对教师而言是一项专业挑战[9]。教师很容易基于学生的标准化测验和作业等对学生作出评判，但评判学生的通识能力并不容易，往往需要在非标准化的真实学习中展开，例如，项目化学习中合作完成一个关于垃圾分类的社区调查，除了学科核心知识之外，还可考察学生在科学精神、团队协作、问题解决、技术应用等方面的核心素养。

就已有的课程改革实践来看，很多中小学都建设有自己的学生核心素养发展测评体系（或综合素质评价体系）。以上海市某学校“七彩大拇指”学生综合素质评价为例[10]，它基于“五育并举”从德育、智育、体育、音乐、美术、自然、劳动等方面发展出若干二级指标，贯穿到日常教学活动与学科课程教学中。例如：学生日常行为表现，映射到德育指标；学生课堂表现、阅读平台数据、作业、英语口语测评等映射智育的不同指标；劳动实践参与、网上画展、打击乐学习、国学乐歌等活动的数据，映射到劳动、美术、音乐等指标之中。这个案例反映学校数字化综合素质评价中存在一些关键性问题亟待解决[10]，如部分指标较难采集到有效数据，学生留言和评论等非结构化数据较难转化为量化指标；学生作品、获奖信息，教师日常对学生学习过程的拍照、视频等电子档案袋里的质性内容也很难转化为量化指标，即教育教学过程中存在大量非结构化数据，智能分析有很大的难度，数据难以转化为支持决策的智慧。另一方面，学习分析领域的研究者一直以来强调数字化大数据作为学习的衍生品，并不一定是更好的数据[11-12]。大数据的数字痕迹能否用于构建学习指标，或者它们能否有效地反映学习成果，这一关键性的问题尚未得到令人信服的回答[9]。

三、 核心素养的发展性评价薄弱

学生综合素质评价希望改变以往“唯分数”衡量学生发展的单一倾向，鼓励和引导学生全面而有个性的发展[13]。但是，研究者已经注意到，实践中学生综合素质评价过于强调与考试、升学等高利害评价相关联，使得其整体认知侧重于对学生的“评”，而忽略对学生的“育”的定位[3]，致使其发展性功能彰显不足。双减政策之下，中小学逐步弱化标准化测验，更多地采用表现性评价的方式来评价学生的核心素养和综合素质。学校一般成立专门的教师团队，在原定的期中/期末考试期间开展集中性的表现性评价活动[14]，包括丰富的展示交流，评分以教师人工评分为主，而后专人录入系统之中，结合班主任、学科教师的过程性测评数据，最终生成学生核心素养发展报告。其终结性评价的味道依旧很浓，很难发挥出评价诊断、反馈并促进学生相关核心素养的功能。

另一方面，就很多学校的综合素质测评系统来看，学生并非能够经常性地感知自身发展的过程性数据，也很难得到来自教师的及时反馈。课堂教学情境中平台和数据对学生而言也不具备随时的可用性，除非教师及时开展一些针对性的反馈，数据很难到达学生端，触动学生改进并调整自己的行为。一方面是核心素养数据的过程性采集与数字化很难保证，平时的学生积分一般会集中性地兑换或录入系统，学生作品、过程表现的图片等档案袋内容也需要经量化转换到系统之中，这些都不能及时响应。虽然班主任会以班会为载体对学生日常行为表现和核心素养的相关维度进行反馈与引导，但学科教师依然习惯于学业成绩的诊断与反馈，对核心素养的测评与反馈意识还相对薄弱，特别是复杂能力的测评，例如：一个学生在化学课堂表现出良好的解决问题的能力，是否能够得到及时测评与反馈？一个学生在课前三分钟演讲中所表现出的论证能力和批判思维能否得到跟踪诊断与干预引导？

因此，总体上学生核心素养的发展性薄弱，数据在核心素养发展体系中的驱动性还不够强。以评促学是评价的核心理念，正如数据赋能精准教学所体现出的那样，教师通过对学生的认知表现的检测诊断→及时反馈→教学干预，从而形成教学闭环，推动学生的学习不断向前。那么试问：面向核心素养发展，数据驱动核心素养发展的闭环在哪里？

四、 构建学生核心素养发展的闭环

（一）数据驱动教与学的决策

1. 精准教学的教师驱动

基于数据的教学决策由来已久，体现在宏观和微观两个层面。数据的宏观决策支持作用已受到业界认同；微观上的代表当属当前富有活力的数据驱动的精准教学和面向教师专业发展的循证式教学。从决策的主体来看，教师处于决策的中心，基于数据的教学决策主要发生在教师与数据、测评结果之间的认知交互上，强调教师因此而进行的教学干预或教学改进，教师的数据智慧受到广泛关注，也从侧面反映了这一认知现状。

当前数据驱动的精准教学系统中，往往忽视学生的主体地位，而将其作为被采集数据的对象。张瑶、杨现民等对数据驱动的教育决策描绘如图1所示[15]，学生看似处于中心，但并非决策的中心，而是被决策、被观察、被施教的中心。在技术带来的教学决策新样态中，“被决策者”的学生自身可能或可以发生的主体性活动、行为与认知的改变很容易被忽略。就当前技术参与教学决策的方式而言，技术或许能够完成全方位、全过程的记录，但是在人类外显学习行为与大脑内在意识与思维的动态关联与映射上却仍面临巨大的挑战，从这个角度来看，技术对于学习决策的内涵式参与需要被关注[16]，即如何激发学生作为被决策者在数字化学习环境中的自适应性和主体性，积极地与自身数据展开对话，促进反思性学习的发生。

2. 认识主体数据成为新的学习资源

沈书生将反映学习者主体特征、学习过程感知数据与测评结果数据等定义为学习者认识主体的数据[17]，指向的是学习者在学习过程中所采用的具體行为方式、行为过程和结果，这是学习者作为认识主体在学习的实践活动中产生的数据如学生阅读学习材料、观看教学视频、学习时间投入、测试成绩等多来源数据。这些数据支持教师精准“洞察”学生，有助于学生“看见”自己从而量化自我，因此都是“有意义的大数据”[18]。

从建构主义的学习环境设计理论来看，学习者处于学习环境的中心，问题空间、相关实例、信息资源、认知工具、同伴会话与协作等都是学生可交互的学习资源，甚至教师对学习者而言也作为外部资源隐身在指导策略、支架策略、建模策略之后，通过精心的教学设计为学生学习“托起”一个学习环境。大数据和人工智能技术融合到教学之后，教学决策的过程由隐性的思维活动向显性的可视化活动转向，教学过程中关于认识主体的数据得以可视化、显性化，这些认识主体数据给教师和学生都带来了新的认识客体。对教师的作用不再赘述，对学生而言，这些关于自我的数据成为数据驱动的学习环境中支持学生认知发生与转变的新的学习资源。由此，我们建构了如图2所示的数据驱动的学习环境设计框架，认识主体数据作为学生与各种学习对象和资源交互而留下的轨迹，是大数据支持下的学习环境中新的不可或缺的学习资源，它们是学生认识自身的重要客体，学习者与这些数据的交互可以推动学生与自身的交互而发生认知的调节和转变，支持学生的学习决策，促进学习。

3. 数据驱动的学习决策

从数据的驱动力来看，数据固然首先会驱动教师进行教的决策，但不可忽视的是，数据同样可以驱动学习者自身的学习决策，这一驱动力是指向自身的、指向了学习者的自我认知理性。根据马扎诺的人的学习行为模式，学生的学习行为经由四个系统而运行，分别是自我系统、元认知系统、认知系统和知识系统[19]。面对一个新任务，自我系统决定是否需要介入，一旦决定介入，则由元认知系统进一步明确相关目标、制定学习策略，接着进入认知系统，对相关信息和材料进行认知加工。其中，自我系统在人的学习行为中起到了决策的作用，学生自我认知理性的激发，取决于自我系统的启动和元认知系统的跟进，这是认知发生的基础。自主学习的若干教学理念如自我调节、自我导向，其起点都在于学生的自我认知理性。用数据激活学生的自我认知理性，这是数据驱动学习决策的理论前提。

决策是学习主体的关键责任，从决策的视角来理解学习，“我们可以将学习看作是学习者在面对认识对象的过程中所进行的持续决策的过程，是一组有关联的决策所形成的决策链”[17]。学生的学习决策同样是基于数据的、证据导向的，是一种选择性的思维活动，善于学习的学生不仅会利用学习环境中的各种资源来进行认知加工获得新知，还会借助认识主体数据来进行元认知层面的互动、反馈与确认，进而调控自己的学习，实现学习决策。

当然，数据驱动的学习决策的前提在于学习者对自我数据的及时感知，即学习者要有机会与数据驱动的学习环境中产生的数据进行交互。这里可能会存在两个问题：一是学生对平台与数据的可用性；二是即使可用，学生对自我数据感知也可能会选择主动忽略或逃避，有研究表明，在线教学中大学生共同面临自我感知度和后设认知自我调整力较低的问题[20]。客观或主观的原因都可能会阻塞数据支持学习决策的通道，让数据“漂浮”在学习环境之中，成为一种想当然的存在。

（二）现代学习评价的三维模型

在现代学习评价理念与方法的发展与革新中，有两个维度十分明显。一是从面向学习结果走向关注学习过程，主张过程性评价，即突破对学生阶段性学习结果的终结性判断或总结，而重视学生的学习过程，利用持续的形成性评价来了解学生的学习掌握情况，并基于评价证据来改进教和学。过程性评价的核心内涵在于“评价即教学”，评价被视为教学过程的必然组成成分[21]，强调以过程中精心设计的评价活动来优化教与学的进程。二是多元评价的理念，即评价内容从单一的认知目标走向多元智能，评价方式从标准化测验走向表现性评价。主张评价内容的多元，面向学生宽泛而完整的智力发展领域；强调表现性评价技术的运用，评价学生在“真实”的学习环境中问题解决或创造产品过程中所表现出来的智能；鼓励评价方式的多元，采用学生完成作品或任务、团体合作计划、实验、表演、口头演说、写作、展示等“另类评价”方式来评估学生的多维表现[22]。

在数据驱动的学习环境之中，有必要增加另一个维度——决策，如图3所示。虽然，过程性评价中已经蕴含了发展性的思想，但从决策的视角来看，过程性评价更侧重于支持教师操作，包括教师主体参与的评价、教师的教学决策两个方面，而对学生的学习决策方向有所忽略。多元评价的理念中也主张评价主体的多元，即鼓励学生主体参与自评或互评，为什么呢？有研究者认为，“对学生评价要由多方面的评价主体作出，从而可以使我们对儿童的评价尽可能做到全面和客观”[23]。这一观点表明，学生参与评价能带来某种程度的“三角验证”，折射出对评价结果的重视。实践中，教师经常会质疑学生自评或互评的数据是否客观和有效，其本质上也反映了过于关注评价结果而忽略这个评价过程对学生内在学习决策与认知发展的作用。事实上，学生自评和互评更倾向于一种基于建构主义学习观之上的教学活动，其目的在于引导学生的反思性知识建构，其通过积极反馈而促进学生认知改变的作用大于数据结果本身。从这个意义上说，Z轴的增加有助于深化学习评价中的“学生为本”要旨，强化评价之于学生的驅动力，强化学习评价支持学习决策的作用方向。

（三）核心素养发展的闭环

学生核心素养的发展与形成是一个不断变化、循序渐进的过程。与认知领域的教学一样，在核心素养的培养上，教师也应当从核心素养培养目标出发，有意识地设计教学活动，评价与诊断学生并支持进一步的教师的教学决策与学生的学习决策，促使教师和学生共同规划、逐步发展相应的能力，从而形成学生核心素养发展的闭环。

核心素养发展闭环的形成取决于三个关键环节：第一是面向核心素养目标的教学活动。与认知目标的教学有所不同，面向通识能力和复杂技能的学习任务往往是跨学科的、面向真实问题解决的，其学习方式往往是探究的、合作的、建构的，而这一点并非每个教师都能驾驭。第二是核心素养的评测与诊断，这是当前学习评价中最具挑战的部分[9]。核心素养的数据如何采集，素养指标如何映射到表现性评价中所采用的观察记录、评价量规、考核表、学习档案袋等不同手段或工具之中，仍然存在很多操作上的困境[5]。这直接决定了能否对学生的核心素养进行精准诊断，识别出学习者的素养特征与水平。第三是积极反馈技术，即通过呈现学生发展的证据以及设计恰当的反馈与交流活动，推动评价数据向着教师和学生两端流动，触发决策机制，这是形成闭环的关键步骤，也是核心素养发展中最容易忽略的一环。在面向认知目标的精准教学体系中，无反馈不教学，练习与反馈总是如影随形。但是，对于学生的核心素养表现，教师的反馈并不总是发生，倾向于零散而随意，或缺乏具体的指向性，可能的原因是教师在设计相关任务时对核心素养目标设定并不十分明确，往往将其作为知识掌握之外的一个副产品。另一方面，学生对自身核心素养发展状况的感知也远没有学业表现那样清晰。学生的数字画像或雷达图固然能可视化呈现发展状况，但所涉指标过于笼统，数据滞后，也会大大影响反馈的及时性和针对性。

五、 数据驱动的路径

从上述核心素养闭环形成的三个环节来看，第一个环节关乎教师教学理念与方式的变革，非一文所能涵盖。本文仅从二、三环节入手，沿着核心素养发展的证据采集、指标体系构建、基于证据的积极反馈与决策等过程，阐述数据驱动核心素养发展闭环形成的路径。

（一）表现性评价中的伴随性数据采集

伴随性数据采集是数据驱动的教学体系中的一个关键技术，是指数据采集的过程伴随在教育教学活动之中的，不干扰学生正常的学习过程，不干扰教师正常的教学过程，不增加额外的数据采集负担。精准教学系统中的学习测评作为一种嵌入式评价能够实现学业评价数据的伴随性采集，这一点很容易理解，但显然伴随性数据采集不仅停留于此。表现性评价作为核心素养评价的重要方式，也可以在其中嵌入一定的技术实现核心素养数据的伴随性采集，实现对相关指标评测数据的有力补充。

1. 课堂表现的实时评价

教师利用“班级优化大师”“西沃白板软件”等学习平台对学生的课堂表现进行实时评分，关注学生积极参与课堂互动、回答问题、合作表现等，评价指标可设定为“积极参与”“表达清晰”“思维活跃”“善于合作”“善于反思”“敢于质疑”等方面，映射到核心素养的不同维度，教师的实时评价会带来及时反馈，给学生以激励和引导，这种形成性评价发生在课堂内教与学相倚的瞬间[24]，最能发挥促学作用。不仅如此，基于每节课的实时评价数据，长时间积累即可得到全班同学的核心素养测评数据，这种伴随性采集可以做到“教学无感”。

2. 基于学生展示的数字化同伴互评

学科教学中经常鼓励学生进行一些课堂展示，如地理课上请学生探究几个国家的地理知识，进行班级PPT汇报；项目化学习中鼓励学生展示作品等。这样的学生展示交流活动中可以恰当地嵌入互评活动，例如，要求学生针对同伴的课前3分钟时事热点讲演进行基于评价量规的互评，可通过网络互评技术（如网络互评表单）实现，内嵌评价量规，深入到“主题明确、分析深入、批判思维、表达清晰、姿态大方”等反映核心素养的具体指标。

3. 在线展示与互评激活学生的作品档案

很多学校都有专门的物理空间展示学生的优秀作品，如美术、绘画、作文、手工制作、创客作品、获奖证书等，这些作品只能作为学习档案保存，更多的“不太优秀的”作品也已没入尘埃或进入沉睡的学生档案袋。如何激活这些作品档案而将其转化为核心素养的评价数据？一个可行的思路是通过互评来获得相关评测数据，如学校教师会组织阶段性成果展示，让学生通过自评或互评方式，对各自的书画作品进行星级评定[15]。另一方面，可利用学习空间在线展示学生的作品，鼓励学生对同伴的作品进行简单评分或发表评论，通过智能分析能够获得一定的评价数据。

（二）学科贯通的核心素养评价指标体系

学生的核心素养发展可生成数字画像，科学合理且符合教育实际的全指标体系正是学生数字画像刻画精准的关键所在，而如何构建则是当下一个重要的实践难题[6]。基于“五育并举”的指标体系构建在中小学较为常见[10][25]；另一类是以核心素养为框架，以活动为载体，跟踪学生学习表现背后反映的能力，如余明华等聚焦项目化学习、研究性学习中的问题解决能力[26]、学习风格、学习意志、兴趣偏好[7]等。这两种方式在操作上都容易导致指标割裂，即部分学科、教师或部分活动负责部分指标，难以形成全面、多维且贯通的整体评价框架。反之，核心素养属于一种通识性的能力，在不同的学科中学生都会有或多或少的表现，同时又不是空中楼阁，而是通过学科核心素养、学校课程目标来逐步落实。学校课程与学科教学是核心素养发展的首要载体，评价指标体系的纵横交错、学科贯通是十分必要的。

一是纵向贯通。即同一个核心素养指标，在不同学科中都有体现，可分散到不同学科中去采集评测数据，从而相互补充与三角验证，提高评测的效度。一方面是核心素养到学科核心素养的纵向映射，例如：中国学生发展核心素养中18个基本点之一的“理性思维”可映射到不同的学科核心素养：历史学科中的“史料实证”、数学学科中“数学抽象”“逻辑推理”和“数学建模”等。另一方面是核心素养到特定教学活动的映射。例如：“自我管理”可映射到所有学科所开展的自主学习活动；“技术运用”可映射到学生数字化学习的所有学科活动，如项目化学习、研究性学习等。

二是横向贯通。即鼓励跨学科学习项目，针对性发展核心素养，从而实现评价指标的内涵建设，克服核心素养指标的片面性、浅层化等问题[6]。研究性学习、项目化学习、STEM教育、综合实践活动等都是学生核心素养发展的良好空间，教师在这些跨学科的活动设计中要精准定位相关核心素养，内化到教学目标、教学活动、学习评价中去。如某学校针对其“数字音乐”特色项目，除了发展学生的“审美情趣”之外，还可以有意识地设计教学活动鼓励学生进行歌曲创编，发展“实践创新”素养，或引导学生鉴赏和演奏不同国家的音乐，从而发展“国际理解”这一素养。横向贯通还意味着要理解不同学科之间的关联与区别。不同学科的同一教学活动，其核心素养指标也是不同的。以课堂学习表现的及时评价为例，除了一些通识能力如表达、沟通之外，学科核心素养上应该有显著的不同，对于数学课堂中的学生探究展示与语文课堂中的学生表现，前者可能反映问题解决和理性思维，而后者则侧重于批判质疑或人文素养。因此，需要结合学科的教学规律，分析每一个核心素养指标在不同学科中的映射，再将其巧妙嵌入学科教学的过程性学习评价框架之中。

（三）基于证据的积极反馈与决策

如前所述，学生核心素养发展的闭环形成的前提在于核心素养的诊断与评测，而关键环节则在于积极反馈，不仅要流向教师，还要流向学生。

对于教师端而言，首先，教师要重视学生的核心素养发展证据，主动去理解核心素养的指标体系及其对应的学习行为表现，具有相应的数据意识，关注相关的评价证据及其背后的意涵，形成对学生发展状况全面的、更准确的判断。其次，教师要有意识地针对核心素养发展进行适当的教学干预。以互动交流技能为例，教师需要在合作学习活动中关注学生是如何开展小组对话的，如何讨论的，是否积极地倾听，是否善于提问，是否掌握相应的话语技巧等，设计促进有效对话的支架，设计促进有效生成的支架等。同时，要积极提供具体的反馈，例如，“我很喜欢你这样做，你在陈述自己意见时，比较了与别人意见的不同之处，并且提供了充分的理由。”这样的反馈直接指向了学生在互动交流时需要把握的一些要点，需要鼓励的一些技能，对学生更有指导性。总的来说，当前教师对学生核心素养发展的反馈过于笼统，需要更具体的、基于证据的反馈，同时需要科学的教学决策而非随意的教学行为，演示示范、学法指导、针对性的学习支架、反思交流等都是积极教学决策的表现。

对于学生端而言，要通过积极反馈技术促进学习决策的發生，引导学习者与自我数据进行对话。学习决策的本质是元认知的激发，但是，这一过程并非自然发生或者应然发生的，至少对于一部分学生而言。因此，首先，需要加强自动反馈技术，数字化测评系统定期给学生发送一封信，或者给家长推送相应的核心素养发展报告。恰当的交互中介会影响学生对自我数据的感知过程，进而影响对学习决策的支持。各种运动APP中总试图呈现一个积极的爱好运动的“我”的形象，激发用户参与运动的热情，体现的是一种促进导向型的反馈方式。而核心素养的反馈报告则可设计为促进导向型，彰显发展性。其次，引导学生参与建设其核心素养数据。某小学“致美银行”综合评价体系即提供了“积分卡”在线兑换机制，支持学生将不同种类的“积分卡”自主兑换到系统中，实时体验相关指标数据增长的快乐与成就，使学生关注并感知到自己的发展数据。再次，教师定期地针对核心素养发展开展反思与交流活动是十分必要的。一个典型应用是，学生在进行某个STEM作品的互评之后，会产生一些与核心素养相关的互评数据，教师可以引导大家一起来讨论这些互评数据或结果，引导学生反思。这样核心素养目标在学习者基于这些互评数据而展开积极反思、大胆批判和实践运用的过程中，自然地实现了经验型的意义建构。最后，要充分发挥同伴效应，需要进一步拓展学生展示的形式和空间，让学生的核心素养发展状况能够更大范围内让别人“看见”，因此，除了物理空间的墙壁展览、校园展览之外，鼓励学生利用技术手段进行创造性表达，利用电子空间、网络空间来展示学生的核心素养表现。有些学校充分利用电子班牌系统、校园互动电子屏等来展示学生的优秀作品和风采，吸引学生课间浏览观看，达成积极反馈的效果，引导学生发生认知与动机的改变，这时候积极的学习决策也就发生了。

六、 结   语

数据驱动的教学本质上是评价驱动的学生发展，是“驱动”带来的持续的发展性，数字化评价技术与现代评价理念并驾齐驱，方能形成真正的“数据驱动力”。学生核心素养发展的“数据驱动力”除了数字化评测技术之外，更重要的创新动力是多元评价、过程性评价和学生主体的学习决策，是核心素养发展闭环的形成。同时，核心素养数据的伴随采集与人工采集，反馈“驱动”的自适应与主动设计，都指向了数据驱动路径的人机协同，最终为教师和学生的主体决策服务。

[参考文献]

[1] 安富海.精准教学：历史演进、现实审视与价值澄明[J].课程·教材·教法，2021，41（8）：56-62.

[2] 白雪梅，顾小清，尹欢欢，武美玖，胡碧皓.数据驱动精准教学：实践路径、感知理解与现实困境[J].电化教育研究，2022，43（4）：77-84.

[3] 王怀波，柴唤友，郭利明，刘紫荆，郑勤华.智能技术赋能学生综合素养评价：框架设计与实施路径[J].中国电化教育，2022（8）：16-23.

[4] 冯璐，汪伟，卞崇振.基于人工智能与大数据的学生校本综合素质评价新生态[J].中国电化教育，2022（8）：118-121.

[5] 张治，刘小龙，徐冰冰，陈雅云，吴永和.基于数字画像的综合素质评价：框架、指标、模型与应用[J].中国电化教育，2021（8）：25-33，41.

[6] 崔佳峰，阙粤红.智能技术支持下的学生数字画像：困境与突破[J].当代教育科学，2020（11）：88-95.

[7] 余明华，张治，祝智庭.基于可视化学习分析的研究性学习学生画像构建研究[J].中国电化教育，2020（12）：36-43.

[8] 汪维富，毛美娟.多模态学习分析：理解与评价真实学习的新路向[J].电化教育研究，2021，42（2）：25-32.

[9] 桑德拉·米丽根，张忠华，高文娟. 大数据、人工智能与学习评价方式[J].北京大学教育评论，2019，17（4）：45-57，185.

[10] 黄炜，张治，胡爱花，孙磊，何秋娟.基于“五育融合”的学生数字画像构建与实践分析[J].教育发展研究，2021，41（18）：44-51.

[11] SEIMENS G， LONG P. Penetrating the fog： analytics in learning and education[J]. Educause review， 2011，46（5）：30-32.

[12] GRELLER W， DRASCHLER H. Translatiing learning into numbers： a framework for learning analytics[J]. Ecucational technology and scociety， 2012，15（3）：42-47.

[13] 肖磊，陈雪纯.论综合素质评价定位的偏差及其回归[J].教育发展研究，2020，40（22）：42-48.

[14] 周洁.郎郎丫丫有本领，小主人们向未来——南京市琅琊路小学二年级期末无纸化考核展示活动[EB/OL]. [2023-07-21]. http：//lylxx.cn/NewShow-30651.aspx.

[15] 张瑶，杨现民，冯亭亭，狄璇，张宇驰.大数据何以支撑学生的兴趣特长培育？[J].现代教育技术，2022，32（5）：24-31.

[16] 孟皎.技术参与下教学决策的时代转向与优化路径[J].中国教育学刊，2022（2）：83-87.

[17] 沈书生.聚焦学习决策：指向认知发生的数据及其应用[J].电化教育研究，2021，42（11）：13-19.

[18] 孙众，蘧征，杨现民，骆力明.有意义的大数据与教学优化改革[J].电化教育研究，2018，39（3）：43-48，61.

[19] 盛群力.旨在培养解决问题的高层次能力——马扎诺认知目标分类学详解[J].开放教育研究，2008（2）：10-21.

[20] 张紫徽，林子涵，廖会心，杨玉辉，刘艳.面向学习成功的非认知能力学生画像可视化[J].现代教育技术，2021，31（12）：94-102.

[21] 大卫·G·阿姆斯特朗，肯奈斯·T·汉森，汤姆·V·赛威治. 教育学导论（第七版）[M]. 李长华，李剑，汤杰琴，译.北京：中国人民大学出版社，2007： 224-232.

[22] 蔡永红.对多元化学生评价的理论基础的思考[J].教育理论与实践，2001（5）：34-37.

[23] 霍力岩，赵清梅.多元智力评价与我国基础教育评价改革[J].教育科学，2005（3）：28-30.

[24] BLACK P， WILLIAM D. Assessement and classroom learning[J]. Assessment in education： principles， policy & practice， 1998，5（1）：7-74.

[25] 薛耀鋒，曾志通，王亚飞，董晶晶.面向区域教育治理的学生画像研究[J].中国电化教育，2020（3）：62-68.

[26] 余明华，张治，祝智庭.基于学生画像的项目式学习评价指标体系研究[J].电化教育研究，2021，42（3）：89-95.

Data-driven Development of Students' Core Literacy

CAO Mei

（School of Education Science， Nanjing Normal University， Nanjing Jiangsu 210097）

[Abstract] Currently， digital assessment of core literacy is facing challenges， and comprehensive quality assessment emphasizes "evaluation" rather than "education" and is weak in development. Similar to data-driven precision teaching and learning， it is necessary to form a closed loop for students' core literacy development based on data， so as to highlight the developmental function of assessment. Through the elaboration of the principle of data-driven teaching decision-making and learning decision-making， and the doctrinal analysis of the three dimensions of modern learning assessment， the study advocates the construction of a closed loop of core literacy development from core literacy-oriented teaching to assessment and diagnosis， positive feedback， and proposes a specific data-driven path， including integrating performance assessment and concomitant data collection technology to obtain more comprehensive and dynamic core literacy data; constructing evaluation indicators for core literacy from the horizontal and vertical axes across disciplines; evidence-based positive feedback and decision-making mechanism. The study provides direct suggestions for the assessment and development of core literacy in primary and secondary schools.

[Keywords] Data-driven; Core Literacy; Concomitant Data Collection; Learning Decision-making; Learning Assessment