数据分析对于提高教与学效果的重要性

在所有教师做完素养评价后，后台便有了很多数据，学校就可以据此做一些数据分析，其目的是改进教与学。下面是一个数据的雷达图显示的例子，其中实线是全班的平均数据，虚线是这位学生的表现，相信每一位教师读到这一幅图后都会立刻对学生形成整体的“画像”，并思考如何帮助这位学生取得更好的发展和成长。

图4-1　素养评价个例画像

这种数据留在学生综合评价系统内对于新老教师的交接也很有帮助。当教师接手一个新班级时，若没有素养画像数据留存在系统中的话，这个过程耗时而且略显杂乱。现在只要打开学生综合评价系统，就能立即见到学生以前的有关学习和素养的有效信息。就示例中的学生而言，我们可以看到，他（或她）在创造性和思维习惯（批判性思维）方面做得比较好，但在沟通、协作和数字素养方面，得分并不是那么高。所以老师大概知道，这位未曾谋面的学生的数学思路比较清楚、开放、活跃，但也许需要帮助这位同学提高交流和表达数学知识的能力，也许他（她）需要提高计算器或电脑的应用水平。通过积累和获取这些数据，教师可以帮助学生获得更好的学习体验。

我们还可以藉此做很多其他的数据分析，比如，将学生放在学校历史上所有学生库中进行比较；我们可以把学生自己的发展情况进行时间纵向上的比较，从而看出学生自身的成长；还可以把不同年级同一阶段的相应的数据进行比较；也可以把同一年级不同教学班级的数据进行比较；等等。

下面是一些比较的例子：

图4-2　11年级SEA评价数据雷达图

从图4-2上SEA的评价数据雷达图可以看到各个数学班级的表现情况，从而针对性地了解各个教学班级的具体情况，减少风险，及时帮助学生改进学习。比如，从图4-2得知，AP微积分班级的其他部分得分都可以，但课堂理解部分得分较低，从而需要进一步关注该班级的情况；类似的，A-Level班级的课堂理解部分得分也偏低，需要关注。

图4-3　10年级各水平素养因子数据

从图4-3可以看出10年级各个班级的素养发展情况，并且可以发现一些值得关注的情况，比如，S班级决策力和风险承担与管理两项得分相对偏低，与此同时，S班级合作意识和能力、数字素养和全球视野都得到相对比较高的分数。对这些数据进行深挖有助于学校更好地了解S班学生群体的学习情况。

图4-4　高中9—12年级素养得分分布(www.xing528.com)

图4-4给出了各个年级同一批次的各素养得分的分布情况，总体来看，各组数据比较均匀，但11年级在七个指标中的得分为四个年级中最低。这是一个偶然的现象还是每一届的11年级都会出现的现象呢？假以时日，对这些数据的深入分析会非常有趣。

图4-5　H学生数学科目SEA雷达图

图4-6　H学生数学素养因子雷达图

上面两幅雷达图给出了某一个特定的H学生分别在“学生投入度分析”（SEA）和“数学学科素养发展”两个评价体系的得分情况。容易看出，H学生在常规学习评价方面似乎表现尚可，雷达图显示，除了“课堂理解”外，各项得分均远高于年级平均得分。然而，在数学学科素养方面，教师在各个指标上给出的评价，除“主动性”一项外，全部低于年级平均分，与SEA评价形成了比较鲜明的对照。这样的数据的获得，不仅有助于学生对自己数学学习方法、学习发展状况的认识，也有助于数学教师、班主任教师等角色更好地为学生提供针对性的学习建议，帮助学生提高。

图4-7　12年级素养因子数据可视化

图4-7给出了12年级各个数学班级素养因子的评价结果。教学管理者，如数学教研组长需要认真阅读数据并进行分析比较。

基于目前的科技发展水平，笔者不认为有可以非常精确地描述刻画学生的方法。即便科技真有这样的水平，是否也会带来评价的伦理性等问题呢？尽管如此，对学生的数学学科综合评价，特别是数学素养的评价是数学教学评价的前进方向，因为它有助于通过数据驱动实现教与学的提高。

目前，上中国际部高中段正在积极使用成绩等第、SEA评价与素养评价“三位一体”的综合评价方法，从不同角度评价学生的学习发展状况。同时，将对这套体系对学生评价的科学性和有效性进行持续跟踪研究。学校也将积极研究利用信息技术改进SEA评价和素养评价的方法，比如把学生在Blackboard平台的学习活动数据、测试题的标签化数据等作为信息源，构建学生学科综合评价的大数据库。期待通过基于大数据技术的数据收集、数据分析和数据可视化，构建一套科学的过程评价体系和系统实现方式，不断解决学科教学过程评价和学生能力分析的缺失问题。上中国际部有责任在教学评价理论与实践的发展中勇当排头兵。

【注释】

[1]案例部分由上海中学国际部的数学组教师提供，笔者有所修改.