中国教育评价改革落地的探索

文_张勇 北京市公众教育科学研究院院长

教育评价的历史发展

迄今为止，人类教育评价走过了这样一条历史逻辑途径：从观察 →测量→测量与质性研究并重+给出诊断和意义以及价值判断，并经历了三个较大的历史时代：观察历史时代，测量历史时代，评价历史时代。

观察历史时代，大约公元前400年至1840年前后，主要是通过观察人的行为和察看人的认知（写作）； 测量历史时代，大约1845年前后～1940年前后，主要特征是追求测量与其结果的客观性、标准化等；评价历史时代，大约是1940年至今，主要特征是测量数据如何分析、应用，并开拓了心理测量之外的、对人的研究与评定；主要任务是：如何利用数据去分析诊断、去做过程考察、去发现知识是如何形成的、能力是如何养成的——去发现和利用数据、事实背后的意义和价值。评价历史时代又分为：测量时期、描述时期、判断时期、建构时期、综合时期。

人类发展至上个世纪70年代，在现有的心理理论下，基础测量已发展到较高水平——其中成就测量、能力测量、人格测量这三大体系已发展比较完备。1979年，质性研究引入教育——“育人”。正是认知建构理论应用和质性评价的开始，导致人类在教育上同时重视了“教学”和“育人”，也由此开始了对教育评价的形成性、诊断性、过程性的研究——人类走入了综合评价时期。

张勇，北京市公众教育科学研究院院长

我国2015年颁布的考试制度改革意见，提出了“两依据一参考”的模式，回顾它的历史萌芽，智力测验导致了后来能力测试的发展，成就测验的发展导致了后来学业水平考试和学业评价，人格测验导致了后来综合素质评价。

从19世纪后半期到20世纪30年代，是教育测验（考试）发展阶段，历时80多年；20世纪30年代后，逐渐进入了教育评价的发展历史时期。

从1845年尝试开始试卷（量表）测验，距离现在有170多年。在此之前人类没有学科试卷和心理测验量表，在这1901年至1920年，大量试题和部分心理测验量表开始出现——教育评价史上称为“大测验运动”。

在20世纪30年代开始，教育评价的概念被提了出来，主要来源于1933年到1940年美国“八年研究”。美国教育专家泰勒提出教育评价概念，又在八年研究基础上提出了“泰勒原理”，也称“评价原理”——现代教育评价学由它诞生并发展。

四代教育评价

根据教育评价的历史发展，从20世纪初至20世纪80年代人类一共发展了四代教育评价。

第一代教育评价叫“测量”，主要追求测量与测量结果的标准化、客观化，主要是以真分数理论为基础的测量技术与手段大量应用。这个特征目前仍是我们国家努力的基础、主流方向之一，目前正在进行的大量题库建设，都在为追求测量与其结果的标准化、客观化而努力。

第二代教育评价是“描述”， 主要注重以教育目标为基础的对测验与考试结果的描述，这也是今天我国大量教师所做的事情，对每次测验与考试的结果进行描述、或描述性分析——描述学生掌握知识所达成的目标程度。但其测验包括分析评价手段，仍停留在第二代教育评价上——“双基”测验与考试，而“双基”测验与考试，正是导致“应试”的技术源头。

第三代教育评价叫“判断”，“价值判断”是主要特点，其主要工作是制定价值判断标准，以能力倾向判断学生发展的项目反应理论产生。“描述”针对于目标而言，描述具有统一性，而学生是多元化的、个性化的，所以在判断学生价值上就出现了冲突。在研究这种判断标准上，追求了对学生认知的多元化——这就导致了必须以多元化的价值标准来判定学生的发展。

这个时期，产生了大量跨世纪的人物，他们奠定了今天的各种教育评价的、教育考试的方式和方法。最关键的有两人：一是美国学者斯塔弗尔比姆，他把教育评价从教育评定（即管理角度）的思考下做了突破，提出了“评价最重要的意图不是为了证明而是为了改进”，这个观点也是影响我国今天教育评价改革的一个重要观点；同时他还提出了以决策为中心的CIPP评价模式，通过找出“实际是什么”与“应该是什么”之间的差异来为决策者服务——这个教育评价模式正是我们国家于2015年正式启动的教育质量监测的思想、理论的来源。一是斯克瑞文，除了既定的教育评价目标外，目标的扩张化或目标游离这个也是他提出的。

20世纪80年代，第四代教育评价——“建构”时代开始。这种评价认为：第一，它不认为用管理的思想来评价学生和老师是优化的；第二，它不认为在不尊重学生和老师的情况下——评价在不经过他们充分参与的情况下是合格的；第三，评价的有效性和可靠性，应是参与评价各方的共同“协商”，达成共识。

美国教育专家泰勒（Ralph W. Tyler）提出了教育评价概念，又在八年研究基础上提出了“泰勒原理”，也称“评价原理”，现代教育评价学由它诞生并发展

它主张用“全面参与、共同协商、积极回应”的价值观点看待教育评价——也就是共同建构。它从教育评价方法和模式上走向了一个从单向评定，到通过积极的回应和协商达成共识，这是教育评价的一个巨大进步。正是基于这种思想，用于“建构”和“补救”的认知诊断理论，和用于多重能力判断的多维项目反映理论得到了飞速发展。在这轮国家教育评价改革上，有一条是“要指导学校正确运用评价结果，改进教育教学，发挥以评促建的作用……要逐步将评价结果向社会公布，接受社会监督。”这句话明确要求建立一种回应和全面参与的协商机制。

目前，在国内的教育部中小学教育质量综合评价改革实验区所采用的基于“三维目标”（学科素养）的“ACTS学业评价”、基于表现性评价的“ICTS综合素质评价”和基于能力测试的“PCTS发展潜能评价”，能被教育界共同认可的一个关键的原因，就是对教育局、学校、老师、学生实施评价后所给出的评价报告，由学生、家长、教师、学校、官员等参与积极解读和响应——通过对ACTS、ICTS和PCTS的评价报告单的解读这一媒介，参与各方都能得到交流、互动，能就不同的问题和困难通过积极的“协商”和“回应”，达成共同建构。

第五代教育评价

2009年，哈佛大学校长联合400多所高校签名发起的 “反SAT运动”，成为标志性事件。

“反SAT运动”认为，标准化考试已不足以承担对学生评定和预测。在此之后，全球主要国家都开始采用“学业水平考试+能力测试+综合素质评价”——这种三位一体化的综合评价。这种综合评价开启了从过去以心理测验这种量化研究为主，到量化研究与质性研究并重，到学生的认知、能力、素养增长，包括各种潜能挖掘、全面综合发展的研究时代——即所谓“第四代教育评价后”或“第五代教育评价”。

我国这轮教育评价改革明确提出：以人为本，强调全面、综合和个性化发展，这和国际教育评价改革发展完全是一致的。我们看到，今天种种教育改革背后都是采用个性、多元、全面发展的模式，这与国际教育评价的历史走向基本一致。

教育评价改革是一个巨大的系统工程，要建立指标体系、评价标准、方式方法，还要科学运用评价结果；协同教学改革、课程改革、育人改革、考试招生制度改革等等必须互相配套，否则就会失败。在这点上，我们与成都市教育局和教科院的思想不谋而合，得以推进成都市教育质量综合评价改革的发展。2016年10月27日，教育部在成都市实验区召开了“全国中小学教育质量综合评价改革实验工作现场交流会”，对成都市中小学教育质量综合评价改革取得的成就给予了肯定。

在本轮改革中，国家明确提出了决策性评价改革——2015年正式启动的质量监测；2013年，启动了教育质量综合评价改革实验，即认定性评价，主要是提供管理、考核两种基本功能；所以，国家在应用上把教育评价进行了分化：一个是决策性评价（教育质量监测），一个是认定性评价（教育质量管理、考核性评价），再一个是服务性评价（诊断、甄别还有教学育人服务）。

评价改革落地的深层问题

我国2015年颁布的考试制度改革意见，提出了“两依据一参考”模式，支持学生的多元化发展

但要把教育评价改革落地，还要坚守三个原则：一、国家原则是第一位的。必须坚守国家的制度、意见，不能偏离；二、特别重要的是现实原则，就是教育评价及其结果，老师一定得用起来，学生和家长能接受，对学生的成长和学习有直接作用。三、科学原则，就是有效性、可靠性原则（即正确性原则），我们尽量不要创造，而是把已成熟的思想、理论和技术拿来使用，因为国际上一套成熟的评价体系，研发+实测期就会长达十几年。如果要全新创造一套体系，一是国内研发特别落后和弱小，二是时间上来不及。

现在的教育目标和之前不同，它既关注教育的目标和结果，又关注过程与方法、情感与价值等。所谓学科素养就是把知识、技能、观念、方法提炼为关键能力，把情感、价值、态度、提炼为必备品格——所以，教育目标不再仅是结果目标，而是我们所谓三维目标，即来源于此。这就要求学业评价改革必须是基于“三维目标”或学科素养，这是非常严重的技术挑战。

我国现在各地学业测试和学业水平考试，仍建立在“双向细目表”分析上的“双基”考试，还是结果的描述——一个知识点加一个语境（题型），然后描述和分析学生考试所达成的目标程度，仍停留在目标描述时期——第二代教育评价上。

但这轮教育评价改革要求，已不是一个简单的双基测量与考试，而是要求建立在“三维目标”基础之上测量与评价；对学业测量的数据处理也不能再是过去简单的算术加法和排列。划出了多种属性的知识、方法与思维模型（多元化数据），多种属性的不同特质，就需要对学生、教师等做出多元多维的评价和诊断。所以，对统计学、分析学的依赖，包括对大数据分析的依赖越来越重。

教育目标在深度、广度与延展度的变化，导致教育测量发生巨大变化，评价变得更复杂，这就要求测量与评价技术的底层变革。我们已走到了要求测量和评价技术突破的程度，这个挑战难度很大。

几年教育评价改革下来，很多深层问题凸显出来。一是观念和思想比较落后，差不多主流还停留在50年以前；一是人才稀缺，我们到现在还没有教育评价专业，是很大的问题；一是制度落后，一项改革首先应该是制度驱动，但我们至今还没形成与新型教育评价配套的相关制度；最后是测评技术落后——仍然停留在欧美国家上世纪四五十年代的理论与技术水平上。这些问题正是阻碍教育评价发展改革的基础性关键问题。所以，我们还有很长一段路要走，很多制度性、技术性、观念性的困难需要一一解决。

2009年，哈佛大学校长联合400多所高校签名发起的 “反SAT运动”，认为标准化考试已不足以承担对学生评定和预测