智慧学习研究院

评价是以学习目标为依据，通过一定的标准和手段对学习活动及其结果给予价值上的判断，即对学习活动及其结果进行测量、分析、评定和指导的过程。

首先，评价发展的第一个要求是素养指向。要能够对学生某一心理特质、学科特质开展评价。通过这套体系对面向21世纪的学生进行评价，包括他们的协作能力、创新能力、批判思维能力等，这也是我们未来评价工作的一个核心方向。

其次，在数据驱动评价过程中，要强调数据的真实性。不是为了评价而评价，为了数据驱动而去驱动，要在伴随式、无感式非切入的状态下，对学生真实客观的数据进行掌握。对这些数据进行掌握后，也期待能够通过数据采集、汇聚、处理、分析后，去回答学校最为关心的学生方方面面的真实评价。

再次，在结果公平方面，会带来很多数据驱动中往往容易忽视的问题，那就是由于所处不同的区域、家庭环境和学校场景中，教和学的环境、时空环境以及教师资源方方面面都存在巨大差异。由于是基于数据的评价，数据往往是冰冷的，如果不能有效地和更多变量及其他要素形成有机整体，那么评价可能会是不公平的。

最后，评价的目的是为了发展。以发展为导向的评价并非对学生做一个简单的价值判断，而是希望通过评价结果干预教学、资源、环境、设施等，共同围绕更好地发展提供评价结果和导向。

以美国的New Model学生评价体系为例，它是通过采集学生在学校的学习过程中方方面面的真实数据，然后把这一系列的真实数据汇聚后建立起来的评价模型。该模型的指向并不是简单的认知结果，而是类似于我国的德、智、体、美、劳。从分析和创造思维、复杂沟通能力、领导力及团队合作能力等角度，建立起对应关系进行相应评价。

二、数据驱动的流程

第一，对数据进行积累汇聚。教育信息化发展到今天，“数据孤岛”现象愈演愈烈，教育信息化从业者们期待有一套技术和方法能够把数据，特别是与学生相关联的方方面面的有效数据进行汇聚。

第二，在数据汇聚基础上，进行模型构建。北京师范大学基础教育大数据应用研究院（以下简称“研究院”）构建了“教育大数据模型”，提出把领域知识和机器学习进行有效结合，包括监测模型、评价模型、诊断模型、预测模型和配置模型。通过这一系列的模型，就可以从教育科学和数据科学两个角度进行融合。

第三，在评价创新方面，包括个性化发展、适应性教学和标准化管理。

此外，研究院还打造一套敏捷建模的工具体系——DMTS。DMTS是人机增强智能支持下的敏捷模型引擎。DMTS平台通过建立协同机制，充分发挥人机协同、领域协同的力量，平台支持以教育模型构建为核心业务的适应性学习、科学决策、精准管理、区域教育治理，全方位、系统化地有效构建教育模型问题，为教育大数据应用提供支持。DMTS在教育大数据生态体系中位于中间层，底层是大数据平台，上一层是基于建模之后的应用体系。

三、人机协同时代的智能素养

未来，人工智能时代要培养人们人机协同的能力。我们将其定位为智能素养，包括知识、能力、思维、应用、态度等维度，不论是教育工作者，还是心理学工作者等，都能从中提炼出有价值的信息。

从理论模型到指标体系，其核心就是在教和学的场景中学生产生的方方面面的数据。下一步，就是进行数据采集，以大数据平台为支撑，汇聚和筛选数据，建立符合建模规则的数据集。在平台层面，教育学方面的专家或者教师可以围绕数据，选择拖拽方式，实现对应关系，并根据参数估计的结果，形成稳定的算法模型。

最后是形成支持发展的评价结果，对学者的智能素养进行介绍，整体水平进行诊断，并形成预警、监测、诊断等一套模式。

总体而言，数据驱动是理论和技术不断迭代的过程，需要根据需求去设计理论模型，然后采集相应数据展开智能分析，形成素养指标及相应算法，实现数据驱动教育评价的目标。