大数据赋能教育评价的悖论及消解

摘要：从媒介理论视角出发，构建分析框架，识别了教育评价中的认知、技术与媒介特性三重困境。认知悖论揭示了感知增强与理解削弱之间的矛盾；技术悖论展现了智能化的延伸与认知负荷超载的冲突；而媒介特性悖论则反映了冷媒介深度与热媒介表面化的矛盾。悖论出现的原因包括视觉至上引致的感官失衡、技术发展与认知适应的非线性张力、作为“热媒介”的数据缺陷。为了解决三重困境，提出了从技治向善治转变的三条路径：首先是深化信息筛选，提升教育评价主体的信息素养；其次是构建技术整合的教育文化，打造均衡的教学生态；最后是革新治理理念，坚持工具理性与价值理性的统一。

关键词：大数据；教育评价；媒介理论；技术悖论

中图分类号：G434 文献标识码：A

*本文系国家社会科学基金项目“国家教育体系适应人口结构变化的战略管理研究”（项目编号：20AGL030）研究成果。

2020年10月，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》明确提出“要借助人工智能、大数据等现代信息技术来创新评价工具，不断提高教育评价的科学性、专业性、客观性”。教育评价与人工智能的深度融合，正成为新时代教育评价改革的新方向。其中，数据作为人工智能技术的基础[1]，在教育评价领域得到了广泛应用。当前，学界对大数据赋能教育评价的研究呈现蓬勃发展的态势。一方面，大数据的引入被认为能够使结果评价更趋客观，过程评价更加全面，增值评价更富发展性，综合评价更高效[2]。然而，与此并行的是对大数据局限性的深刻反思，特别是其可能忽略的“人的发展的内在性、唯一性和完整性”的问题，这种担忧愈发受到重视[3]。技术本身，作为一种具有逆转性的媒介[4]，不只是信息传递的载体，也具有改变信息接收和处理方式的力量。长期应用技术可能导致一些始料未及的后果，与最初的目标南辕北辙。人工智能技术在提高教育评价的科学性、专业性和客观性的同时，也不可避免地带来了由其固有不确定性所引发的悖论问题。尽管如此，目前鲜有研究集中探讨以大数据为基础的智能技术在赋能教育评价中所蕴含的悖论。这种研究的缺失不仅限制了教育研究者和实践者对智能技术的全面认知，也削弱了教育评价的治理功能。在这一背景下，麦克卢汉的媒介理论提供了一个独特的视角，使我们能够重新审视大数据在教育评价中的应用。故而，本研究旨在深入探讨信息技术赋能教育评价的悖论，探索消解其负向价值、发挥正向价值的策略。这对于提升教育评价效能、推动评价体系的创新与发展，以适应新时代教育需求，具有深远意义。

一、媒介理论：构建人工智能技术赋能教育评价的分析框架

本研究以马歇尔·麦克卢汉（Marshall McLuhan，1911—1980年）的媒介理论为理论视角，深入探析大数据如何赋能并塑造教育评价的未来趋势。麦克卢汉，作为加拿大著名的传播学者和媒介思想家，他提出的媒介（Media）概念几乎泛指一切科学技术[5]。其媒介理论概括为三个核心观点：

一是媒介即“人的延伸”，用麦克卢汉的话来说，就是“媒介对人的感知具有强烈的影响”[6]，具体而言，媒介使人类感官的形貌发生了变化，改变了人类接收知识的方式。

二是“媒介即讯息”，即媒介或技术不仅仅是信息、知识、内容的载体，不仅是讯息传播的工具；媒介与内容不可分割，“媒介对内容发挥着塑造与控制的作用”[7]；媒介本身与其承载的内容一样重要，其重要性甚至有过之而无不及。

三是“冷热媒介特质论”。这为理解技术与社会、技术与人之间的关系提供了独特的视角。所谓“热媒介”，是指那些信息清晰度高、细节丰富，从而较少需要受众参与填补信息、具有较少主观解读空间的媒介。相对而言，“冷媒介”则指那些信息清晰度较低，需要受众更多参与和主观解读，以填补信息空白的媒介[8]。

首先，依据麦克卢汉“媒介即人的延伸”的观点，一方面智能技术作为评价者感知能力的延伸，显著提高了教育评价的全面性和客观性。传统教育评价受限于时间和资源，难以深入了解每个学生的学习状况。而智能评价系统能够实时收集、存储和分析学生的学习数据，如学习时长、互动频率、学习路径、作业完成情况等，为教师提供了更为丰富、全面的评价依据。这种延伸使得教师能够更准确地把握学生的学习状态，进而提供更为精准的评价和指导。另一方面智能技术作为评价者认知能力的延伸，通过先进的数据分析算法，自动识别学生的学习模式和问题所在，为教师提供即时的反馈和建议。这种即时反馈有助于教师及时调整教学策略和方法，以更好地满足学生的学习需求。这一过程中，智能技术不仅提高了教育评价的效率，也促进了教育教学的持续改进。

其次，“媒介即讯息”有助于探讨智能技术如何重塑教育评价的内容与形式。大数据作为智能技术的核心，其广泛收集与深度分析为教育评价带来了前所未有的机遇。通过对海量学习数据的分析，教师能够获得更为细致、全面的学生表现数据，这些数据不仅丰富了教育评价的内涵，也使得评价更加个性化、精准化。此外，智能技术还通过其独特的媒介特性，对教育评价的内容发挥着塑造与控制的作用，进一步推动教育评价的创新与发展。

最后，麦克卢汉的“冷热媒介”理论区分了媒介在信息传递时给予受众的参与度和主观填补空间。大数据在教育评价中的应用，可以视为一种“热媒介”的体现，它通过提供高清晰度和丰富的数据细节，减少了教育评价过程中的主观性，提升了评价的客观性和精确度，从而进行更为科学的决策。然而，正如“热媒介”可能减少受众的参与度，大数据的这种高效率和信息丰富性也可能导致教育者对数据的过度依赖，忽视了教育评价中不可或缺的人文关怀和学生个体的多样性。大数据在教育评价中的应用应当寻求一种平衡，既要发挥其作为“热媒介”的强大信息处理能力，也要融入“冷媒介”的参与性和创造性。

麦克卢汉的媒介理论为我们提供了一个分析框架，帮助我们理解大数据如何重塑教育评价的实践。在评价标准的重塑上，大数据推动了从结果导向向过程和能力导向的转变，要求评价者关注学生的多维度发展。在评价内容的扩展与深化上，大数据技术使得评价不再局限于学科知识和技能，而是包括了学生的非认知因素。而在评价方式的创新上，大数据的实时、动态和互动特性，为教育评价提供了深入的视角，同时也带来了数据泛滥和信息过载的挑战。

二、大数据赋能教育评价的悖论

人工智能技术的引入，如同麦克卢汉所言的媒介革命，不仅重塑了教育评价的工具和方法，更深刻地影响了我们的认知结构和价值观念。从认知角度来看，人工智能技术通过其算法和数据分析能力，将教育评价推向了一个高度量化和标准化的新时代。然而，这种转变也引发了认知上的困境，即我们可能过分依赖于数据驱动的决策，而忽视了教育评价的复杂性和多维性，这与麦克卢汉关于媒介如何塑造人类感知方式的理论相呼应。技术困境则体现在人工智能的不透明性和不可解释性上，这些问题可能导致教育评价的公正性和有效性受到质疑，反映了麦克卢汉所强调的技术对社会和文化具有深远影响的观点。至于媒介特性困境，人工智能作为一种新型媒介，其自动化、实时性和可扩展性的特性，虽然极大地提高了教育评价的效率，但也可能导致教育评价的目的和价值观发生偏移，从关注学生的全面发展转向过分强调量化指标和短期表现，这与麦克卢汉关于媒介形式对社会结构和文化价值观具有决定性影响的理论相一致。因此，人工智能在教育评价中的应用，不仅仅是技术层面的革新，更是一场涉及认知、技术和媒介特性的深层次变革，这场变革要求我们重新审视和定位人工智能技术在教育评价中的角色。

（一）认知悖论：感知的增强与理解的削弱

大数据通过其海量的数据集捕捉学生行为的细微变化，为教育者提供了传统评价方法无法企及的观察深度和广度。换言之，现代化信息技术工具能够对人类在决策过程中的有限理性形成补充[9]。在过去的教育评价实践中，由于数据采集技术和分析方法的局限，评价方式主要依赖一种基于假设的“小数据”模式。这种评价模式往往受限于评价者的主观臆断，或是依赖于基于理论假设的小规模抽样统计，在成本、数据规模、时效性等诸多方面受限[10]。而现在能够追踪学生在数字环境中从点击率到在线停留时间，从互动频率到学习成果的每一个微小波动。全时空场域数据无损采集为评价提供坚实的数据支撑；多元方法的数据融合分析推动了教育评价的精准化判断；直观可视化结果的及时反馈增强了评价的有效性[11]。在实践中，口语数据的自动采集与评价系统的应用，实现了对不同语言听说水平的智能化测评[12]，大大减轻了教师的工作负担。基于人工智能的教学质量实时评价系统能够精准刻画学与教的实时动态互动模式[13]，为教育者提供了及时、准确的反馈。对在线学习数据的动态挖掘[14]进一步推动了教育评价的精细化与个性化。由此观之，大数据技术的延伸极大地拓宽了教育评价的边界，使其能够更加全面、深入地了解学生的学习状况，为教育决策提供了更为科学、精准的依据。

技术延伸的另一面却隐含着教育者理解性的削弱。教育评价的自动化和量化可能导致教育者依赖技术，忽视教育的人文关怀和个体差异。因为一旦教育算法因其精确性和逻辑化特性被广泛接受，便可能引导师生根据算法标准优化行为，从而忽视那些真实却难以量化的教育目标[15]。随着教育评价对技术的依赖日益加深，教育者可能逐渐丧失对评价过程的主导权和反思能力。因大数据算法和模型往往成为评价中的“黑箱”，教育者在缺乏对这些算法深入理解的情况下，可能会不假思索地接受技术提供的评价结果，导致评价主体的“机器僭越”现象。在这种情境下，人工智能的工具理性可能过度强调技术的高效性和精确性，进而引发评价主体的技术依赖症。教育者可能机械地将评价数据的收集与分析、评价指标的建构以及评价决策的权力完全让渡给技术，从而颠倒评价主体与技术间的“主辅关系”[16]。这不仅削弱了教育者的专业自主性，还可能限制他们在评价过程中的创造性和批判性思维。正如海德格尔对技术与实践关系的分析，技术之所以在某些时刻不再是实践的手段，反而成为干扰活动的破坏对象，恰恰是因为在这些技术的使用中，使用者被“消散”[17]。

其次，大数据在教育评价中的应用还可能导致评价标准的单一化和同质化，进而导致认知过程被机械地简化。大数据技术的广泛应用，倾向于将关注点集中在那些易于量化、易于捕捉的指标上，如考试成绩、在线点击率、学习时长等，从而忽视教育过程中更为复杂的非量化因素。可见，大数据应用在教育评价中虽然表面上提高了评价的效率和客观性，但实则可能导致我们对学生发展的认知停留在较为肤浅的层面。教育者往往被迫在有限的数据框架内做出决策，而无法根据自身的专业知识和经验进行灵活判断。这种情况下，即使教育者拥有丰富的教学经验和深厚的专业知识，也难以在教育评价中发挥出应有的作用。在教育评价中，任何试图通过单一或同质化的评价标准来全面评价学生的尝试都可能遭遇失败。因为简化处理的合理性是有限的[18]。教育系统本身复杂且多变，包含着众多相互关联、相互影响的因素。如果忽视因素间的复杂关系，偏指一方，就可能导致评价结果的失真和误导。

（二）技术悖论：智能化的延伸与认知负荷的超载

技术的目的是通过设备简化人类的生活，但同时也使得这些设备变得更难被人类学习或使用，这是技术的悖论[19]。人工智能技术的引入标志着一种从传统人工评价方式中解放出来的理想愿景。它通过精确的算法和高效的数据处理能力，为教育者提供更为客观、真实的评价结果。然而，这一理想状态并非没有代价。技术的复杂性往往隐藏在自动化的表象之下，使得教育者在使用这些高度自动化的工具时，需要投入大量的时间去学习如何应对复杂的用户界面、理解深奥的功能选项以及适应不断更新的系统要求。这种现象揭示了技术发展中的一个内在悖论：技术在提供便利的同时，也可能因其复杂性而增加了用户的认知负担，造成认知负荷的问题。

技术的迭代更新速度远远超过了人类的认知发展速度，导致教育评价中的认知负荷失衡。教育者在追求技术带来的便利性的同时，可能会忽视技术对认知过程的影响。当智能技术的应用超出人类自然的处理极限时，信息过载便成为一个不可忽视的问题。在实践中，评价者如今需要面对的数据量已达到空前的规模。从学生的学习轨迹、课堂参与度到各种标准化的测验成绩，每一项数据都蕴含着评价学生表现的重要信息。然而，当这些数据以惊人的速度增加并汇聚在评价者面前时，他们往往会感到应接不暇，甚至力不从心。即使是经验丰富的评价者，也可能在如此庞大的信息海洋中迷失方向。技术信息的快速扩张不仅加重了评价者的认知负担，还可能引发信息过载与职业发展的焦虑。为了有效地整合和利用这些数据，教师需要从众多技术信息中筛选出与自身教学风格、学生认知水平以及课程内容特征相匹配的资源组合。这无疑增加了教师的工作负担，可能导致其身心俱疲[20]。信息过载还可能导致评价者出现“信息麻痹”的现象。面对海量数据，评价者可能会因为无法有效筛选和处理信息而陷入决策困境。

从更深层次来看，技术悖论还涉及到教育评价的本质和目标。教育评价不仅仅是数据的收集和分析，更是对学习过程的理解和反思。人工智能技术可能在无意中将评价过程简化为数据的机械处理，而忽视了评价这一核心目的。这种简化不仅限制了教育评价的深度和丰富性，而且可能影响到教育的质量和效果。

（三）“媒介特性悖论”：冷媒介的深度与热媒介的表面化

媒介的固有属性对人类的感知与认知方式产生了深远的影响。大数据作为当代教育评价领域的新兴媒介，其特性游走于冷媒介与热媒介之间，构成了一种引人深思的“冷热悖论”：它既有深化教育评价层次的潜力，又隐含着使评价浮于表面的风险。

从冷媒介的角度看，大数据要求教育者进行高度参与和深度解读。这一媒介形式鼓励教育者深入挖掘数据背后的多层含义与复杂维度，以便更细致地理解学生的行为差异和学习进程。在这一过程中，教育者不仅扮演评价者的角色，更是数据的诠释者和学习进程的剖析师。然而，大数据所蕴含的这种深度参与的可能性，同时也伴随着表面化的潜在风险。在当前的教育监测实践中，仍存在将学科的监测等同于传统统考的情况。这种方式忽视了对学生品德修养、劳动态度、情感态度、艺术素养以及诸如创造力、问题解决能力等全面发展所必需的关键能力的评估[21]。这说明在实际应用中，大数据的直观展现和算法的简化可能导致教育者仅对数据进行浅层次的解读，而忽略了数据背后的丰富意蕴和错综复杂的关联性。

从另一方面来看，大数据的热媒介特性则体现在对即时反馈和效率的追求上。在教育评价领域，大数据技术的应用常常强调快速反馈和结果的直接呈现。然而，这种做法可能导致教育者过度关注短期的学习成果，而忽略了长期的学习过程和学生的全面发展。这种表面化和即时性的评价方式可能会削弱教育者对教育本质的深入探索，从而限制了教育评价的深度和广度。尽管如考试等技术性评价在当今教育中仍然普遍存在，但必须认识到，测量仅仅关注事物的量化特征，期望通过一系列纯粹的数据来揭示事物的本质，却忽视了事物的质性方面的重要性[22]。具言之，当某个算法广泛应用于教育实践时，其固有的话语和量纲可能扭曲教育评价体系。以分数排名为例，历史上的排名算法往往基于人们对教育质量的主观想象，通过寻找可测量的变量并赋予其数学权重来构建排名体系[23]。然而，这种方法的科学性值得商榷，因为它可能忽视了教育的复杂性和多元性。

三、大数据赋能教育评价的悖论何以生成

在探讨大数据如何赋能教育评价的同时，不得不正视其带来的悖论与挑战。这些悖论不仅源于技术的固有局限性，更涉及到教育实践中人的因素。

（一）主观原因：视觉至上引致感官失衡

从历史维度审视，技术革新不断推动着人类感官体验的演变。早期的口语交流依赖于听觉，而随后文字的发明和印刷术的普及则逐渐将重心转移到视觉。进入电子媒介时代，尤其是当前的数字时代，视觉文化得到了空前的发展，进一步巩固了视觉感官在信息接收中的主导地位。在后工业时代，视觉文化的迅猛发展更是加剧了这种感官失衡的现象，使得视觉成为了我们感知世界的主要途径[24]。在教育评价的领域内，智能评价系统的引入标志着从传统人文主义方法向数据驱动方法的转变，这种转变在教育评价中体现为对数据图表和量化结果的偏好，而其他感官体验，如学生的语言表达和情感交流，则相对边缘化。这种感官失衡的现象，不仅在日常生活中日益凸显，更在教育评价领域引起了广泛关注。

首先，从评价方法的角度来看，智能评价系统通过数据化手段，将学生的学习表现转化为可量化的指标，这种方法虽然提供了一种客观的衡量标准，但也可能导致评价内容的单一化。在数据的主导下，学生的个体差异和独特学习方式往往被忽视，学生的全面发展和个性发展受到了限制。这种一刀切的评价方式忽视了学生作为独特个体的多样性和复杂性，无法真实反映每个学生的实际情况。

其次，评价标准在智能评价系统中趋向于统一化和标准化，这可能导致评价体系忽视学生的个性化需求。传统的教育评价标准是根据学生的个性化表现来制定的，而智能评价系统则将这些标准简化为几个固定的量化指标，从而无法充分考虑学生的个体差异和情感体验。这种标准化的评价标准可能抑制学生的创造力和个性发展，影响学生的自我实现。再者，评价手段的创新带来了数据解读的挑战。智能评价系统提供了自动化评分和学习行为分析等新工具，这些工具虽然提高了评价的效率和覆盖面，但也带来了数据解读的难题。如何确保算法的公正性、如何解读数据背后的含义，以及如何整合教师的专业判断和学生的主观体验，成为智能评价系统需要解决的问题。此外，过度依赖数据化评价可能导致教育的狭隘认知，忽视了教育作为情感交流、价值观塑造和人格培养的多维性。

（二）客观原因：技术发展与认知适应的非线性张力人类的认知能力是经过长期进化形成的，其发展速度远远跟不上技术的迭代更新。技术的飞速发展无疑在教育评价领域掀起了一场认知革命，但这一进程并非均质化地惠及所有教育者。首先，技术熟练者与非熟练者之间的“数字鸿沟”不仅凸显了技术接受度的差异，更深刻地映射出教育者在技术应用能力上的显著分化。尽管中国网民规模已达到10.92亿人，但仍有超过3亿民众未能充分享受到数据权利[25]。这种数字鸿沟不仅揭示了社会成员在获取数据方面的差异，更暴露了由于知识积累、生活经验等因素所导致的资源分配不均。在这种背景下，重要资源往往集中在少数具有较高知识水平的群体手中。对于广大未能接触到数据的群体来说，他们缺乏获取、掌握、筛选和分析数据的能力，这无疑将成为他们在教育评价中有效应用信息技术的重重障碍。

其次，教育者在理解和应用大数据技术方面的能力不足，暴露了人力资本缺失。这种技能匮乏并非单纯的技术操作问题，而是一种对数据驱动决策的深层次理解和应用的不足。它不仅限制了技术在教育评价中的有效应用，更对教育评价的质量和效率产生了直接影响。教育数据应用人员在对数据进行分析时，应重点关注学生真实的学习情况和需求，而非仅停留在分数和通过率上。要实现这一目标，必须正视当前教育领域在数据解读方面所面临的专业知识和技能挑战。许多教师和教育工作者虽然意识到数据的重要性，但由于缺乏系统的数据分析和解读能力，往往难以深入挖掘数据背后的深层含义。进一步观察大数据人才的行业分布，发现教育领域的大数据人才缺口尤为显著。这一缺口不仅体现在人才数量的不足上，更体现在人才结构的不合理上。一方面，高层次、高水平的大数据人才稀缺[26]。这限制了教育领域在数据分析和应用方面的创新和发展；另一方面，大数据人才的学历结构也呈现出不合理状态，本科学历占比过高，而硕士及以上学历的人才相对较少[27]。这种学历结构的不合理不仅影响了大数据解决方案团队的整体素质和能力，也限制了教育领域在数据驱动下的教育评价改革进程。

（三）源发性原因：作为“热媒介”的数据缺陷

首先，大数据的量化特性在教育评价中可能导致对质的忽视。在追求效率和标准化的今天，大数据往往侧重于对学业成就、论文发表等量化指标的评估，而忽视了对学生情感、态度、价值观等质化维度的考量。然而，教育评价的本质在于全面、准确地评估学生的综合素质，这要求关注量化数据的同时，也要注重对学生个体差异和内在特质的深入挖掘，避免陷入唯分数论的误区。更值得注意的是，大数据的量化特性及其背后的算法和模型可能存在偏见和局限性。哈耶克在《知识的僭妄》中深刻指出，“有可能存在这样的‘科学’证据，它们更倾向于支持错误理论而非有效解释[28]，仅仅因为它们在形式上更为‘科学’”。这一观点在教育评价领域同样适用。例如，在华盛顿特区基于学生考试成绩的IMPACT教师评估模型，清理了评分较低的教师后，引发了对模型公正性和准确性的质疑[29]。这种评价方式既可能忽视了教师的专业素养和教学质量，还可能加剧教育资源的不平等分配，对弱势背景学生造成不公平待遇。如果过度依赖大数据提供的量化指标，例如学生的家庭背景、学校所在地区等，而忽略了个体的实际表现、努力程度和潜在能力，将导致教育评价忽视人文关怀以及决策的事实判断力，陷入技治主义无法自拔。

其次，大数据的即时性和高清晰度使得我们更容易关注那些易于量化和获取的数据，而忽视了那些难以用数据表达的复杂学习过程和教育成果。这种对即时、明确结果的偏好可能导致我们忽视对教育现象深层次的理解和探究，从而使教育评价变得表面化和狭窄化。因此，我们需要警惕大数据对教育评价深度与广度的限制，以及可能带来的反思、讨论和批判性思维的缺失。

此外，大数据的静态和历史性特性还可能对教育评价的动态性和发展性造成限制。教育评价是一个动态的过程，需要根据学生的成长和学习环境的变化而不断调整。然而，大数据的静态和历史性特性可能使教育评价变的僵化，无法及时反映学生的最新发展和需求。数据稳定性和静态特性可能导致我们忽视教育评价过程中的变化和发展。正如阿尔文·托夫勒（Alvin Toffler）所言，在计算机的辅助下，同样的数据可以用许多不同的方式进行“切割”或重新分类，与信息采集相比，理解、诠释信息更为重要[30]。换言之，必须认识到大数据在教育评价中的局限性，并警惕其可能带来的偏见和歧视问题。

四、从技治到善治：大数据赋能教育评价的悖论消解

《深化新时代教育评价改革总体方案》明确指出，教育评价改革的核心目标是提升教育治理能力与水平。将教育评价与教育治理紧密结合，意在加强两者间的联系。现代教育评价以技治主义为核心，体现了治理和管理的技术化思维。技治主义主导下的现代教育评价强调信息收集与处理技术，以便对教育实态和价值做出准确判断。然而，这种高度信息化和数量化的评价方式也带来了包括伪科学化、价值观独断和结构僵化等风险[31]。为实现教育评价的“善治”目标，即治理的最高境界，需要不断推动教育评价向更加科学、民主和灵活的方向发展。

（一）深化信息筛选机制，加强教育评价主体的信息素养

在大数据时代，信息筛选和信息素养教育的重要性愈发凸显。信息筛选是教育评价中的关键环节，它要求教育者能够从大量数据中提炼出对学生学习和教学过程有实际指导意义的信息。这不仅需要技术层面的数据处理能力，更需要教育者具备深入分析数据背后含义的批判性思维。教育评价过程中的信息筛选不应仅限于技术层面的数据处理，更应深入到数据背后的含义和教育价值的挖掘。信息技术并不是直接决定组织或制度变革的唯一因素，而是作为一个赋能者，为变革提供了可能性和手段。个体对信息技术的感知和使用对变革的成败至关重要。因此，在推动技术执行时，需要重视人的因素，提高个体的认知水平和操作技能[32]。

深化信息素养教育作为解决认知悖论的关键，要求超越基础的工具使用和数据处理技能，致力于培养一种深层次的批判性思维能力。这种能力的核心是对信息的全面评估，包括对信息来源的可靠性、内容的真实性、与教育目标的相关性以及信息本身的教育价值进行深入分析和审慎判断。这种能力要求教育者能够全面评估信息的可靠性、真实性、相关性和教育价值，发展出元认知能力，对自己的认知过程进行认识和调控。以便教育者能够在数据泛滥的环境中保持清晰的思路，识别和抵御可能的认知偏差。对于教育数据应用人员而言，应深刻认识到数据本身并非终极追求，其背后所揭示的问题及解决策略才是核心所在。数据分析并非完全依赖于技术手段，它依赖于共同评价标准的建立与共享，以确保数据质量和分析结果的实效性。在进行数据分析时，关注点应转向学生实际的知识掌握情况及其学习中的不足，而非仅仅局限于分数或通过率。更为重要的是，数据分析应与教学实践深度融合，通过改革工作方式和策略，支持学生实现更大进步。此外，教育数据应用人员还需持续提升自身的数据应用反思能力，以更好地适应教育信息化的快速发展，为教育决策提供有力支持[33]。由此可知，深化信息素养教育、培育批判性思维能力、提升元认知能力及数据应用反思能力，对于解决认知悖论、促进教育数据的有效应用具有重要意义。

（二）构建技术整合的教育文化，打造均衡的教学生态系统

在教育评价实践中，技术的融入不应被视为简单的工具应用，而是一个深层次的文化转型过程，这要求重新审视教育评价的本质和目标，构建技术整合的教育文化。首先，技术的使用必须与教育哲学和教育目标紧密结合。确保技术的使用与教育的根本目的即人的发展保持一致。根据布鲁纳的螺旋课程理论，教育应当是一个不断上升的螺旋，技术的应用应当支持学生在认知、情感和社交各方面的连续发展。教育评价不仅仅是评估学生的知识掌握程度，更重要的是促进学生包括认知、情感和社交能力在内的全面发展。因此，技术的整合应支持这一目标，通过提供个性化的学习路径和反馈，助力学生自我实现。

在实施层面，构建技术整合的教育文化需要教育政策的支持和引导。政策制定者应通过相应的政策，鼓励学校和教育机构采用创新性技术手段，同时确保这些技术的应用符合教育伦理并保护学生隐私。有学者提出了教育大数据应用的四大主要伦理问题类别：隐私保护、知情同意与数据所有权、数据和算法的有效性与完整性、道德决策与行动义务，以及治理与问责制[34]。这些问题应当成为推进技术整合过程中不可忽视的考量因素，以确保技术的运用能够以全面、公正、充满人文关怀的方式服务于教育评价。同时，教育工作者的专业发展也至关重要。教育机构应当为教师提供持续的技术培训和专业发展机会，帮助他们掌握技术整合的教育文化所需的知识和技能。最后，构建技术整合的教育文化还需要社会各界的共同努力。家长、学生、教育工作者和技术开发者应当共同参与到教育评价的改革中，形成一个开放、合作、共享的教育生态系统。

（三）革新治理理念，坚持工具理性与价值理性的统一

在智能技术迅猛发展的当代，教育评价的治理理念亟需一场深刻的革新，旨在实现工具理性与价值理性的有机融合与和谐统一。热媒介，以其高清晰度和即时性，虽然在吸引受众注意力方面具有无可比拟的优势，但在教育治理中，过度依赖此类媒介可能会导致治理理念过度倾斜于工具理性。这种倾斜强调了效率和控制，有时可能会牺牲教育过程中的人文关怀和深层价值导向。相对地，冷媒介的特性在于其对受众参与和解读的要求，这种要求促进了深度思考的产生。在教育治理中，冷媒介的这一特性鼓励我们重视价值理性，即注重教育的内在价值和长期目标，如培养学生的批判性思维和创造力。工具理性在教育评价中的体现，是对智能技术的精准运用，这包括但不限于数据分析、机器学习和自然语言处理等先进技术的应用。这些技术能够高效地处理和分析海量的教育数据，揭示学生学习过程的深层规律，为教育决策提供科学的依据。然而，单纯的工具理性可能忽略了教育评价中的人文关怀，导致评价过程过于机械化和表面化，甚至可能偏离教育的本质。因此，教育评价的治理理念需要在工具理性的基础上，融入价值理性的考量，确保评价过程既高效又富有人文关怀，既科学又关注学生的全面发展。为了解决这一问题，需要在教育评价中明确并凸显价值理性。价值理性强调教育评价的人文主义原则，关注学生的个体差异、情感需求和全面发展。它要求教育评价不仅关注学生的认知发展，更要关注学生的个性、兴趣、价值观和社会责任感等非认知因素。

为了实现工具理性与价值理性的统一，需要采取一系列措施。首先，评价标准应全面而多元，包含认知和非认知因素，以全面反映学生的能力和潜力。其次，加强教育评价的伦理审查，确保数据收集、处理和使用符合伦理标准，保护学生的隐私和权益。同时，通过专业培训和教育提升教育者的伦理意识和人文关怀能力。此外，鼓励和发展多元化的评价方法，如定性评价、同伴评价和自我评价等，以丰富评价的维度和视角。最后，促进利益相关者的参与和对话，包括学生、家长、教育者、政策制定者和技术开发者等，共同推动教育评价的设计和实施过程，实现不同观点的交流和融合。

参考文献：

[1] 史爱武.智能时代的三要素──数据、算法和算力[N].中华读书报，2021-09-15（18）.

[2] 张志华，王丽等.大数据赋能新时代教育评价转型：技术逻辑、现实困境与实现路径[J].电化教育研究，2022，43（5）：33-39.

[3] 金生鈜.大数据教育测评的规训隐忧──对教育工具化的哲学审视[J].教育研究，2019，40（8）：35-43.

[4] 何道宽.媒介即文化──麦克卢汉媒介理论批评[J].现代传播（中国传媒大学学报），2000，（6）：25-31.

[5][6][7][8] [加]马歇尔·麦克卢汉.何道宽译.理解媒介：论人的延伸[M].北京：商务印书馆，2000.

[9] [美]赫伯特 A.西蒙.詹正茂译.管理行为[M].北京：机械工业出版社，2004.17.

[10] 刘涛雄，尹德才.大数据时代与社会科学研究范式变革[J].理论探索，2017，（6）：27-32.

[11] 朱德全，吴虑.大数据时代教育评价专业化何以可能：第四范式视角[J].现代远程教育研究，2019，31（6）：14-21.

[12] Wang YP.Detecting Pronunciation Errors in Spoken English Tests Based on Multifeature FusionAlgorithm [EB/OL].http：//doi. org/10.1155/2021/6623885，2024-10-20.

[13] TS A，Guddeti R M R.Automatic detection of students’ affective states in classroom environment using hybrid convolutional neural networks [J]. Education and information technologies，2020，25（2）：1387-1415.

[14] Chan M C E，Ochoa X， Clarke D.Multimodal learning analytics in a laboratory classroom [A].Maria Virvou，Efthimios Alepis，et al.Machine learning paradigms：advances in learning analytics [C].Berlin：Springer：2020.131-156.

[15] [美]罗素.张羿译.AI新生：破解人机共存密码——人类最后一个大问题[M].北京：中信出版集团股份有限公司，2020.110.

[16] 鹿星南，高雪薇.人工智能赋能教育评价改革：发展态势、风险检视与消解对策[J].中国教育学刊，2023，（2）：48-54.

[17] [美]唐·伊德.韩连庆译.技术与生活世界：从伊甸园到尘世[M].北京：北京大学出版社，2012.36.

[18] [德]施特凡·格雷席克.胡凯译.混沌及其秩序 走近复杂体系[M].上海：百家出版社，2001.8.

[19] Norman D.The design of everyday things：Revised and expanded edition [M]. New York：Basic books，2013.

[20] Fernández-Batanero J M，Román-Graván P，et al.Impact of educational technology on teacher stress and anxiety：A literature review [J].International journal of environmental research and public health，2021，18（2）：548.

[21] 田伟，杨丽萍等.科技赋能教育监测与评价：现状与前瞻[J].中国远程教育，2022，（1）：1-11+92..

[22] 杨彩菊，周志刚.西方教育评价思想嬗变历程分析[J].国家教育行政学院学报，2013，（5）：50-54.

[23][29] [美]凯西·奥尼尔.马青玲译.算法霸权[M].北京：中信出版集团，2018.

[24] 郭缨.移动传播时代听觉回归研究[D].武汉：华中科技大学，2018.

Q5QmdonnLQ/OUhsFz1s2S0Lg9MZIDKUDgwJP/Ej+XaA=[25] 中华人民共和国中央人民政府.我国网民规模达10.92亿人[EB/OL]. https：//www.gov.cn/yaowen/liebiao/202403/content_6940952.htm，2024-03-22

[26] 中国大数据产业生态联盟.2021中国大数据产业发展白皮书[EB/OL]. http：//www.cbdio.com/BigData/2021-12/21/content_6167398.htm，2021-12-21.

[27] 张志华，王丽等.大数据赋能新时代教育评价转型：技术逻辑、现实困境与实现路径[J].电化教育研究，2022，43（5）：33-39..

[28] [英] 冯·哈耶克.邓正来译.知识的僭妄[M].北京：首都经济贸易大学出版社，2014.192.

[30] [美] 阿尔文·托夫勒.黄锦桂译.权力的转移[M].北京：中信出版集团股份有限公司，2018.326-327.

[31] 余清臣.现代教育评价的技治主义及其限度[J].山西大学学报（哲学社会科学版），2019，42（1）：103-109.

[32] 田进.网络行政研究[M].湖北：武汉大学出版社，2012.233.

[33] Ronald S.Thomas.My Nine‘Truths’of Data Analysis [EB/OL].https：// www.edweek.org/technology/opinion-my-nine-truths-of-dataanalysis/2011/06，2011-06-14.

[34] Hakimi L，Eynon R，et al.The ethics of using digital trace data in education：A thematic review of the research landscape [J].Review of educational research，2021，91（5）：671-717.

作者简介：

卢秀：在读博士，研究方向为教育评价。

柳斯邈：讲师，博士，研究方向为教育管理、学生评价。

邢克：在读硕士，研究方向为基础教育质量监测。

Paradoxes and Dissolution of Big Data Empowering Educational Evaluation

—An Analysis Based on the Perspective of Media Theory

Lu Xiu， Liu Simiao， Xing Ke

School of Education， East China Normal University， Shanghai 200062

Abstract： From the perspective of media theory， an analytical framework is constructed to identify the triple dilemmas of cognition， technology and media characteristics in educational evaluation. The cognitive paradox reveals the contradiction between enhanced perception and weakened understanding； the technological paradox demonstrates the conflict between the extension of intelligence and cognitive overload； and the media characteristic paradox reflects the contradiction between the depth of cold media and the superficiality of hot media. The reasons for the emergence of the paradox include the sensory imbalance caused by the supremacy of vision， the non-linear tension between technological development and cognitive adaptation， and the defect of data as a "hot medium". In order to solve the triple dilemma， three paths are proposed to change from technological governance to good governance： first， deepen the information screening and improve the information literacy of the subject of educational evaluation； second， build a technologically integrated educational culture to create a balanced teaching and learning ecosystem； and lastly， innovate the concept of governance， insisting on the unity of instrumental rationality and value rationality.

Keywords： Big data； educational evaluation； media theory； technological paradox

收稿日期：2024年7月31日

责任编辑：李雅瑄