框架·标签·应用:基于数字画像的课堂教学评价

封星月

(重庆师范大学 马克思主义学院,重庆 401331)

数字化、智能化浪潮席卷,引发了教育领域的深刻革命。关乎课程建设方向的课堂教学评价,应以主动适应的姿态站稳脚跟,以数智化创变激活评价驱动力,落实改革新要求。2020年,中共中央、国务院印发的《深化新时代教育评价改革总体方案》中强调,“充分利用信息技术,提高教育评价的科学性、专业性、客观性”[1]。新时代下,数字境域的日新月异、国家政策的创新愿景、学科课程的变革诉求,不断明晰课堂教学评价的精准化发展路向,不断呼唤以技术为依托、以数据为驱动、以算力为支持的评价新范式。近年来,数字画像技术以其“促评、促教、促学”的显著优势在教育领域崭露头角,将其应用于课堂教学评价,建构全流程数据驱动的画像评价模型,形成以数促评、以评促育的证据体系,可为教学改革、教师发展、学生成长提供技术指引与价值参照。

1 如何画:基于数字画像的课堂教学评价框架设计

交互设计之父Alan Cooper最早提出“用户画像”概念,目的在于“挖掘用户特征而实现精准服务”[2],后经迁移形成“数字画像”,并逐渐延伸至教育领域。数字画像作为一种以大数据驱动、多模态信息、全方位标签为核心要素的语义化呈现[3],应用于课堂教学评价,是基于育人场域的过程解构、数据挖掘,实现了以教学、教师、学生为主体的精准刻画,形成了以可视化标签为表征的画像评价模型,可激发评价效果转化、本质回归。

1.1 基于数字画像的课堂教学评价框架设计的基本遵循

课堂教学评价是“对教学过程中所关涉主体及要素进行价值研判,以期为学赋能、为教增值的过程”[4]。基于数字画像的课堂教学评价框架设计,需立足教育任务、技术规控的双重向度,保障框架设计的方向性与科学性。

1.1.1 教育之维:以“立德树人”为价值旨归

党的十八大以来,“立德树人”作为教育推进的行动指南,是不同学段、学科教学一以贯之的根本遵循。画像评价的框架设计,一方面应基于对“立什么德”的回应,描摹画像育人底色,以立德为逻辑起点,重视考量学生“明大德、守公德、严私德”的素质状况,落实课程思政的发展要求,强化课程、技术与思政的有机融合,着力推动画像构建与应用的价值释放,捍卫课程的德育方向。另一方面应基于对“树什么人”的回答,明晰画像育人取向,以树人为最终归宿,其所树之人包含了担当民族复兴大任的时代新人、社会主义建设者和接班人、德智体美劳全面发展的人,以及学科核心素养和三维目标综合发展的人。标签体系的设计应涵盖树人的取向要求,回答“培养什么人”的根本问题。

1.1.2 技术之维:以“主体本位”为伦理规约

数字文明强势来袭,虽刻绘了教学评价的精准化前景,但也带来了难以避免的技术伦理风险,为防止技术介入对主体精神的侵蚀与僭越,框架设计应坚持“主体本位”的伦理规约。一方面,应遵循“主体—技术”的秩序构建,框架设计的各个环节皆应以人为先,以生为本,强调以主体需求为设计伊始,以学生发展为价值归宿,进而捍卫师生的主体尊严。其中涉及的算法设计、数据建模等应由人主导、调控与监督,明确画像呈现的量化实证仅为结果的佐证素材,非决定性的终极评价,以规避过分的技术迷信所造成的评价中的人性泯灭,从而违背以评促教的初衷[5]。另一方面,应追求“工具-价值”的理性统一,强化技术的工具角色,防止滥用、误用下的“技术异化”导致的“评价异化”,深化评价的育人价值,落实评价过程的情感理性双重在场,以“人文机智”维护画像的“技术正义”。

1.2 基于数字画像的课堂教学评价框架设计的流程解构

基于精准聚焦、精准识别、精准呈现的设计思路,进行数据基础层、数据分析层、数据匹配层的架构搭建,以多模态数据、智能化算法、可视化模型为特征,包括确定数据源、数据采集、数据预处理、数据分析、画像模型、标签体系的具体流程,如图1所示。

图1 基于数字画像的课堂教学评价数智化新框架

1.2.1 多模态数据:确定数据源与数据采集

在数据基础层中,精准聚焦数据源、实现数据采集是首要工作。为确保模型输出的真实性、全面性,数据源应囊括关涉师生的教学全过程数据,进而形成全教学证据链。因此,可将智能技术、传感设备、教务系统、学工系统设定为初始数据源,通过智能技术、传感设备智能感知,采集与捕捉师生在课堂中的动态数据,如教师授课、学生学习及师生互动中产生的行动、声音、表情、姿态、情绪等表现性数据;通过教务系统、学工系统收集师生的静态数据,如姓名、性别、年龄、年级等结构化数据,并将其经脱敏处理后统一储存于数据仓库中,以定期增量迭加实现数据仓库的动态化更新,构成不断驱动画像描摹与运转的数据原动力。

1.2.2 智能化算法:数据预处理与数据分析

在数据分析层中,借助智能化算法,基于数据的预处理展开对数据的精准分析是框架构建的关键环节。从多来源采集到的多模态数据量大庞杂,常有不规范、不完整等问题,因此不可直接提取用于画像,而需经过数据预处理,实现数据“去伪存真”与“去粗取精”。可通过数据集成、数据清洗、数据矫正和数据规约等操作,对数据仓库中的缺失值、冗余值、异常值进行检测、识别、变换、剔除、加工与存储,消除数据“噪声干扰”,进而形成符合分析算法的标准化数据。而后通过运用聚类分析、离群分析、关联分析等对数据进行解析、分类、聚合处理,并利用回归分析、决策树等对数据展开深度挖掘,提炼教学过程中的师生属性特征,同画像标签建立映射关系,为画像模型生成奠定基础。

1.2.3 可视化模型:画像建模与标签刻画

在数据匹配层中,以画像建模、标签刻画达成画像评价模型精准呈现是框架构建的最终目的。可通过对数据的分析与挖掘,提取出数据的主成分,教与学的主特征,从多维度对画像进行划分,生成教学画像、教师画像与学生画像,并借助直方图、雷达图、标签云、词云图等可视化方法呈现画像评价模型。而后,基于教学属性、教师属性、学生属性3个维度逐级细分标签体系,涵盖事实标签、模型标签、预测标签3个层次,形成完整的画像评价标签模型,如图2所示。其中,处于底层的事实标签可细分为教学角度(教学基本信息、教学组织、教学过程、教学效果)、教师角度(教师基本信息、教学技能、教学风格、专业素养)、学生角度(学生基本信息、学习表现、素养基础、课堂行为)。

图2 基于数字画像的课堂教学评价标签模型

2 画什么:基于数字画像的课堂教学评价标签体系构建

面向实际应用的课堂教学评价标签体系是在课堂教学数据的基础上,通过合理有效的算法和模型为教学过程中的教师、学生、教学打上的数字化语义标签集,是数据-标签的映射过程。画像评价秉持系统性与操作性、普适性与方向性、立体性与动态性相统一的原则构建标签体系,并从事实、模型、预测的三重标签属性描述指标的层级细分(见图3),回应数字画像究竟“画什么”的问题。

图3 基于数字画像的课堂教学评价标签体系结构

2.1 基于数字画像的课堂教学评价标签体系的构建原则

2.1.1 系统性与操作性相统一

标签体系的构建,要求指标既要有内在的规定性,也应有外在的关联性,应秉持系统性原则,遵循综合宏观设计,力求以一脉相承的线索,形成相互联系、有机统一、层次分明的逻辑整体。同时,标签体系以实践为最终指向,可操作、可量化、可评价是其意义彰显的必要前提。为此,坚持操作性原则进行指标设计,应契合师生实际,与教学目标保持一致,涵盖教学过程的关键要素,达到简洁、明确、可观测、可采集的基本要求。

2.1.2 普适性与方向性相统一

标签体系构建应重点考量教育共性与课程个性的耦合张力,以普适性与方向性的统一,显示课程的关联性、学科的规定性。普适性即顺应统一的教育规律与要求,彰显育人的共性要素,体现教育对学生发展的总要求,促使课堂教学评价与学生综合素质评价相得益彰。同时,明确的方向性也是体现课程特色的应有之义,标签体系构建应在坚持中国特色社会主义方向,落实立德树人根本任务的基础上,依据课程标准的要求体现学科特性。

2.1.3 立体性与动态性相统一

评价标签体系的生成包括横向维度与纵向层级的统合架构。坚持立体性原则,强调以多维度、多层级的标签细分助推画像的精准刻画,可为课堂教学评价提供更为科学、客观、全面的数据实证[6]。同时,课程的时代性、教学的变化性、学生的发展性、评价的周期性,无不驱动评价的动态化取向,要求标签体系应在动态中优化与完善,实现评价模型的持续修正,形成师生画像的变化轨迹,增强画像的精准性与实效性,助力发展性评价体系的切实落地。

2.2 基于数字画像的课堂教学评价标签体系的层级架构

2.2.1 事实标签

基于原始数据,经分析处理生成的事实标签,其构建是透过既定的事实数据,以统计算法为技术支撑,对业务对象不断深入理解的基础性准备过程[7]。原始数据包括关涉课堂的教学数据、教师数据与学生数据,存在动与静两种形态,量大繁杂,且存储于数据仓库之中,经系统自动分析统合后转化为事实标签,强调对主体属性特征的关注,以定性或定量的事实描述为表征,旨在为模型标签的生成奠定基础。比如,教学中学生的学习数据,包括学生的出勤状况、抬头情况、发言次数、学习方式、学习态度等,可以转化成学生的学习表现标签。

2.2.2 模型标签

基于事实标签,经聚类集成生成的模型标签,以高度精炼的特征标识展现主体全貌,是标签体系架构的秉轴持钧。其构建借力于机器学习、自然语言处理技术等算法分析,通过对主体属性的抽象、聚类、挖掘与剖析,形成对课堂教学过程的数据化、可视化描述,旨在为实体的评估与预测提供数据参考。其中包含指向不同主体的三重模型:一是教学过程画像模型,以目标的达成度、内容的丰富性、方法的多样性、过程的流畅性为二级细分;二是教师教学画像模型,以教学技能水平、师生交互水平、专业素养情况、教师教学特征为二级细分;三是学生学习画像模型,以核心素养特征、知情意行特征、课堂交互特征、学生学习特征为二级细分。

2.2.3 预测标签

基于模型标签,经训练优化生成的预测标签,是对实体的评估与预测,进而提出教与学的趋势分析、干预策略。预测标签的构建以实际教育需求为导向,以课堂教学评价的精准化为归宿,通过算法输出更多具有概率预测和价值预测功能的标签,利于缺失标签的弥补、模型意义的延伸,能助推教学的积极改变[8]。经由趋势分析、归因聚类、因果分析而形成的预测标签,具备学习预警、学习规划、教学导航等效用,最终指向以评促改、以评促教、以评促学的应用方向。比如,通过对学生学习特征、教师教学特征的关联分析,可预测教与学的个体偏好,实现师生的精准化配对;通过对教学过程流畅度的深度挖掘,可生成教师教学组织的优化方案,助推教师的专业发展。

3 为何画:基于数字画像的课堂教学评价应用阐析

数字画像作为一种决策工具,为课堂教学评价提供量化证据,成为撬动传统评价向精准评价跃迁的核心枢纽。融合赋能思维,利用教学、教师、学生的画像评价模型,针对传统课堂的痛点、难点,展开“促改、促教、促学”三位一体的精准化课堂教学评价应用探索,以驱动教育改革、教学提质、学习增效为目标指向,从而明晰画像归处,回应数字画像“为何画”的问题。

3.1 以评促改:精准定位,保障管理者因循施策

对照画像评价模型,提高“促改”力度,精准定位课堂变革推进的切入点,落实管理者因循施策,以针对性治理、循证化管理,提高课程管理的实效性。

3.1.1 跟踪规控,实施一线教学动态治理

传统教育治理中,管理层主要以经验为决策参照,缺乏量化证据,评价存在模糊、静态、主观之弊端。为此,可以利用画像评价提供的总体性评估与预测,为管理者提供客观性、动态性的数据支撑。经过对教学全过程的深度识别与挖掘,从宏观上对课堂全程、师生发展、教学质量进行动态性地跟踪与监测,以掌握学生学情动态、教师教学动态,同时针对性地对其进行规控、调试、管理与组织,加强宏观治理的循证化、教育管理的科学化、师资配置的合理化,克服“一刀切”式的决策倾向,以流程化监管,实现管理者从“静态经验决策”走向“动态数据决策”[9]。

3.1.2 督导服务,提供教师发展适配方案

以往的教师专业发展,受困于上层设计与发展需求难以匹配之难题,受限于传统评价滞后、单一、主观之困境,教师发展低效、迟延。可以借力画像评价为其解围。上层管理者可以基于画像评价呈现的教师素质、需求等数据,以及系统预测的教师未来成长轨迹,制订与教师发展现状及发展趋势高度适配的针对性方案,依据精准诊断,落实精准服务,响应精准需求,促使教师培训的个性化、教师发展的差异化,以精准督导助推新手型教师快速成长,经验型教师加速向“专家型”转化。

3.1.3 特征分析,制订人才培养精准规划

以往的培养体系对学生的分析还停留在信息化、人工化阶段,周期长、效率低,分析结果也缺乏精准性。于是,可以利用画像评价所提供的学生课堂学习数据,为精细化学习者的特征分析提供数据服务,以呈现学生全方位、精准化、可视化的静态基础数据与动态发展数据,克服以往的“证据片面化”局限,实现对学生学习发展的动态评估与实时跟进,并以数据解释与发展预测辅助管理者定位学生成长的实际水平与现实需要,从而为人才培养制订精准规划。

3.2 以评促教:精准识别,聚焦教育者因材施教

对照画像评价模型,提高“促教”强度,以其精准识别功能助推教师专业发展、因材施教,实现教学动态设计、教育有的放矢,打造立德树人、与时俱进的特色课程。

3.2.1 数量化诊断,强化教师自我认知

一直以来,教师的自我认知往往依赖于他人评价的主观反馈,存在信度低、效度弱等弊病。而画像评价中的教师维度,经教师教学轨迹的追踪、挖掘与分析,形成教师在教育教学、专业素养、师生交互、教学技能四大维度的精准刻绘。通过对教师教学过程中的行为、语言及教学设计等的数据归纳分析,为教师精准化自我诊断提供可靠证据,强化教师深层次自我认知,为教师开展教学反思注入活水,实现以反思促发展的生命力释放,为教师的教学改进提供着力点。

3.2.2 个性化预测,推动教师专业成长

当前,教师专业发展受限于评价、反馈、施策的滞后性,带来教师内在素质与教学外在要求不同步、难同频的现实之困。基于教师教学过程深度挖掘与分析的画像评价,能够鉴别教师素质,动态式刻画教师发展轨迹,及时呈现教师教学的投入分布、成长变化,不仅为弥合其发展滞后弊端提供了工具层次的理性参考,也为增值评价的落实落地提供了技术支撑。同时,画像评价具备的预警监控功能,也能够帮助教师对照现实与目标之差距,助力教师识己所长、辨己所短,确定其成长、调控的基点,进而使其有针对性地突围。

3.2.3 可视化呈现,助力教师定制教学

传统课堂教学评价偏重学生的测验结果,抑或单一素质的发展表征,缺乏学生素质的量化支撑,导致因材施教推进缓慢。画像评价提供的关于学生的可视化数据,展示了学生的学习与发展动态,呈现了学生的可塑点、生长点、发展点,教师可以据此确定教学的出发点与落脚点,精准开展教学设计与教学实施,实现教学服务定制,助推教学供给与学生需求间的高度适配,以靶向式助推精准滴灌,落实精准导学、精准助学、精准督学,实现规模化以学定教、因材施教。

3.3 以评促学:精准对接,赋能学习者因需而动

对照画像评价模型,提高“促学”深度,助推学生评价结果由“失真”走向“归真”[10],以全面、真实、可靠的量化证据驱动学生的学习优化与个性化成长。

3.3.1 动态表征,建构学生立体化认知

画像评价的客观测量、动态监控、实时评估,能够助力学生及时把握学习状态、识别素养状况、挖掘思想特质,为其“量化自我”提供实践土壤。同时,画像的动态表征实现了对学生的实时诊断,能够及时反馈其素质在多维度中的层次水平,并精准刻画其成长变化轨迹,促使学生实现清晰化、立体化的认知建构,充分识别其优势与差距、积极落实自我调整与干预,进而捍卫学生“自主学习、主动内化、自我教育”的能动主体地位[11]。

3.3.2 系统推荐,力促学生自适应学习

传统教学中,有学生需求与供给难以适配、学习资源多与教科书绑定、外延资源利用低效等痼疾。对此,一是可以利用画像评价中的系统推荐引擎,依据算法分析出的学生学习偏好、行为规律、思想需求等,与课程资源进行深度关联,开展学习资源的精准投放,助推资源与个体的双向匹配,提升课程资源利用率;二是可以基于学生的学情动态,实现学习路径、学习内容、学习活动的精准规划,助力学生泛在学习;三是可以利用学习预警机制助推智能介入下的学生自适应学习,提高学生的学习精准性与实效性。

3.3.3 数据关联,实现师生个性化配对

教育高质量发展的背景下,“师生个性化配对”逐渐成为“个性化教育模式”的重要追求,而以师生为主体的画像关联成为其落实的有力抓手。画像评价既能描述学生的个体状态,也能跟踪发现和动态预测教师的教学水平变化,助推师生素质由“同质模糊”走向“立体精确”。通过“探寻教与学数据之间的逻辑关系”[7],经由数据关联,可实现师生在特征、风格、需求方面的个性化配对,以教师教与学生学的高度契合实现教学过程中的交互生成,促使教与学在同频共振中实现双向奔赴,提升育人成效。

4 结语

智能时代,大数据作为教育治理优化与教育教学改进的重要利器,逐渐成为教学评价全方位转型的有力支撑。以数字画像为驱动的课堂教学评价,作为适应战略要求、教育需求、育人追求的实践回应,其落实依赖理性空间场域、和谐伦理生态的滋养。因此,在重视画像框架构建与应用的过程中,还应强调以人为本的价值回归,增值评价的目的坚守,以探索评价创新、规避技术风险、突围伦理隐忧的发展进路,落实评价的“价值升华、生态优化、症结纾解”,助推课堂教学评价在数智化、精准化道路上的螺旋演替。