學習證據源自何處
——大數據時代的學習與評價
大數據技術已逐步進入學校教育當中。數據量的大小不是我們判斷其是否為“大數據”的唯一依據，我們還應從數據收集源頭、數據節點規模、測量對象、機器作用及數據分析者職責等角度對其進行綜合認識。
數據收集源頭
得益于信息技術的迅猛發展，人們可以將學習證據的收集嵌入到整個學習過程中。這些嵌入式數據節點可能很小，或是為學習者提供的反饋；或是個性化學習環境中為個別學生下一步學習做出的決策；它們或聚合到更高層次，為學習者特征分析提供依據；或在學校、班級、小組、個體層面生成數據，為教育管理中的問責服務。
坐擁更全面的數據源，人們有可能超越傳統的測試手段。嵌入式評估將模糊形成性評價與總結性評價的界限。當學習過程嵌入了數據收集功能時,人們可以追蹤學習者的學習活動、記錄學習過程、分析學習成果的成因和品質。學習分析與數據挖掘可以歸納出學習進展的總結性信息；它同時又能全方位地深入到具體項目以及學習者所產生的任何一個數據節點中，瀏覽過程性信息。在此背景下，“反思性教學法”將取代傳統的“教學—評價”二元教學法。傳統的形成性評價與總結性評價是不同目的、不同形式的數據收集方式；未來，我們可能需要“前瞻式學習分析”與“回顧式學習分析”，它們所處理的不是不同批次的數據，而是針對同一批數據從前瞻或回顧的角度進行分析和利用。
數據節點的規模
與大教育中大數據的“大”一樣重要的是，其數據節點的“小”。事實上，這是數據變得更“大”的唯一原因。“小”節點可能表現為學習者回答的一個問題、在模擬情境中的一個動作，或在論壇當中的一次評論。更“小”的形式，還可能是一次按鍵、一個時間戳、導航路徑中的一次點擊、維基百科或博客中的某次編輯歷史。學習本身并沒有變得更“大”，只是我們可以附著記錄的學習事件變得更“小”了,它們的總和也因此前所未有地變大，以至于如果沒有計算機綜合技術的支持，人類是難以處理和駕馭它們的。
測量的對象
經典測試大多沿襲以下路線:學習中的認知發展——測試中的觀察——將測試結果作為認知的證據進行解釋。傳統的測試對象單獨位于學習過程之后，并支持回顧式解釋。然而,在以機器為中介的學習中，人們對學習證據的關注點已經轉移到真實的知識人工制品上，并傾向于記錄學習者利用學科知識所進行的實踐，因為知識表征可能存在于學科知識實踐的人工制品及其建構過程之中。換句話說,我們分析的重點不在于學習者所能思考的內容，而在于他們所做的知識表征。
這些人工制品含納了許多復雜認知的表現，具體如科學實驗報告、人類或社會現象報告、歷史學論文、帶有注釋的藝術品、視頻故事、商業案例研究、發明或設計的物品、數學或統計案例、田野研究報告或根據用戶故事編寫的可執行的計算機代碼等。這些人工制品是可識別的、可評估的、可衡量的。它的源起是可被驗證的，其構建過程中的任何一個步驟都是可被追溯的。圍繞知識加工展開的數據收集范圍也被極大地拓展：自然語言處理、任務所花時間、同行或自我回顧、同行評議、編輯歷史和導航路徑等。
機器的作用
大數據并不完全依賴由機器生成，盡管機器可以通過人格化的用戶界面表現出非凡的智力。計算機僅是一種人類溝通的技巧、對原有文本結構的擴展。它是人類認知的補充體、社會思想的延伸、文明傳承史中的一部分。在大數據時代,通過收集和計算大量前人的判斷，人類的智慧得以放大。數以百萬計的、微小的人類事件被記錄在可以聚合的數據節點之中，為教師、教育項目設計師或研究人員提供重要證據。機器看起來十分聰慧,但它們聰慧的意義僅限于它們所收集并計算的眾多人類智慧,就像書籍、圖書館和教師過去所做的那樣，只不過它們比真人教師和學習者所能處理的數據量更大罷了。計算機的智慧是有限的，它們只不過是記錄和外化人類思想的機器而已。
數據分析師職責
現如今，人人都是數據分析師。在軟件工程師和用戶界面設計師創造的環境中，用戶沒有必要掌握其中的模糊統計公式，因為突出的學習信息將以可視化的方式呈現，用戶可以利用它們深入追溯具體的學習序列。教師通過訪問數據來了解學生并調整教學。在這種證據化的環境下，教師可以也應該是位研究者。這可能需要他們具備一種新型的數據讀寫能力，掌握數據分析知識，以支持基于證據的決策。這些數據也可以呈現給學生，有助于他們進行迭代反饋、形成性評價和進展概述，學生將成為掌控自己學習進程的研究者。此外，專業研究者也可以使用同批數據。大數據時代，傳統的研究者與實踐者、觀察者與被觀察者之間的區別逐漸模糊。這種特性彰顯的是大數據的可訪問維度,在某種程度上也決定了數據的外觀、形式與目的。
京公網安備 11010502049343號