大数据时代的学习与评价：学习证据源自何处

大数据技术已逐步进入学校教育当中。数据量的大小不是我们判断其是否为“大数据”的唯一依据，我们还应从数据收集源头、数据节点规模、测量对象、机器作用及数据分析者职责等角度对其进行综合认识。

数据收集源头

得 益于信息技术的迅猛发展，人们可以将学习证据的收集嵌入到整个学习过程中。这些嵌入式数据节点可能很小，或是为学习者提供的反馈；或是个性化学习环境中为 个别学生下一步学习做出的决策；它们或聚合到更高层次，为学习者特征分析提供依据；或在学校、班级、小组、个体层面生成数据，为教育管理中的问责服务。

坐 拥更全面的数据源，人们有可能超越传统的测试手段。嵌入式评估将模糊形成性评价与总结性评价的界限。当学习过程嵌入了数据收集功能时,人们可以追踪学习者 的学习活动、记录学习过程、分析学习成果的成因和品质。学习分析与数据挖掘可以归纳出学习进展的总结性信息；它同时又能全方位地深入到具体项目以及学习者 所产生的任何一个数据节点中，浏览过程性信息。在此背景下，“反思性教学法”将取代传统的“教学—评价”二元教学法。传统的形成性评价与总结性评价是不同 目的、不同形式的数据收集方式；未来，我们可能需要“前瞻式学习分析”与“回顾式学习分析”，它们所处理的不是不同批次的数据，而是针对同一批数据从前瞻 或回顾的角度进行分析和利用。

数据节点的规模

与 大教育中大数据的“大”一样重要的是，其数据节点的“小”。事实上，这是数据变得更“大”的唯一原因。“小”节点可能表现为学习者回答的一个问题、在模拟 情境中的一个动作，或在论坛当中的一次评论。更“小”的形式，还可能是一次按键、一个时间戳、导航路径中的一次点击、维基百科或博客中的某次编辑历史。学 习本身并没有变得更“大”，只是我们可以附着记录的学习事件变得更“小”了,它们的总和也因此前所未有地变大，以至于如果没有计算机综合技术的支持，人类 是难以处理和驾驭它们的。

测量的对象

经 典测试大多沿袭以下路线:学习中的认知发展——测试中的观察——将测试结果作为认知的证据进行解释。传统的测试对象单独位于学习过程之后，并支持回顾式解 释。然而,在以机器为中介的学习中，人们对学习证据的关注点已经转移到真实的知识人工制品上，并倾向于记录学习者利用学科知识所进行的实践，因为知识表征 可能存在于学科知识实践的人工制品及其建构过程之中。换句话说,我们分析的重点不在于学习者所能思考的内容，而在于他们所做的知识表征。

这 些人工制品含纳了许多复杂认知的表现，具体如科学实验报告、人类或社会现象报告、历史学论文、带有注释的艺术品、视频故事、商业案例研究、发明或设计的物 品、数学或统计案例、田野研究报告或根据用户故事编写的可执行的计算机代码等。这些人工制品是可识别的、可评估的、可衡量的。它的源起是可被验证的，其构 建过程中的任何一个步骤都是可被追溯的。围绕知识加工展开的数据收集范围也被极大地拓展：自然语言处理、任务所花时间、同行或自我回顾、同行评议、编辑历 史和导航路径等。

机器的作用

大 数据并不完全依赖由机器生成，尽管机器可以通过人格化的用户界面表现出非凡的智力。计算机仅是一种人类沟通的技巧、对原有文本结构的扩展。它是人类认知的 补充体、社会思想的延伸、文明传承史中的一部分。在大数据时代,通过收集和计算大量前人的判断，人类的智慧得以放大。数以百万计的、微小的人类事件被记录 在可以聚合的数据节点之中，为教师、教育项目设计师或研究人员提供重要证据。机器看起来十分聪慧,但它们聪慧的意义仅限于它们所收集并计算的众多人类智 慧,就像书籍、图书馆和教师过去所做的那样，只不过它们比真人教师和学习者所能处理的数据量更大罢了。计算机的智慧是有限的，它们只不过是记录和外化人类 思想的机器而已。

数据分析师职责

现 如今，人人都是数据分析师。在软件工程师和用户界面设计师创造的环境中，用户没有必要掌握其中的模糊统计公式，因为突出的学习信息将以可视化的方式呈现， 用户可以利用它们深入追溯具体的学习序列。教师通过访问数据来了解学生并调整教学。在这种证据化的环境下，教师可以也应该是位研究者。这可能需要他们具备 一种新型的数据读写能力，掌握数据分析知识，以支持基于证据的决策。这些数据也可以呈现给学生，有助于他们进行迭代反馈、形成性评价和进展概述，学生将成 为掌控自己学习进程的研究者。此外，专业研究者也可以使用同批数据。大数据时代，传统的研究者与实践者、观察者与被观察者之间的区别逐渐模糊。这种特性彰 显的是大数据的可访问维度,在某种程度上也决定了数据的外观、形式与目的。