基于监测大数据构建数字化教育生态

罗强

【摘 要】苏州市教育质量监测中心依托“义务教育学业质量监测项目”，通过构建结构化的教育生态指标、指数化的教育生态数据空间、可视化的教育生态健康图谱以及基于监测大数据开展基础性教育实证研究等路径，形成了对区域、学校教育生态全方位的数据描述和优化改进。

【关键词】义务教育学业质量监测;大数据;教育生态

【中图分类号】G434 【文献标识码】A

【论文编号】1671-7384（2021）02、03-037-03

2020年10月，中共中央、国务院印发《深化新时代教育评价改革总体方案》，为新时期的教育质量监测工作提供了战略方针和实施路径。

自2015年起，苏州启动了“义务教育学业质量监测项目”，经过六年多的实践，已初步构建了具有国际视野、国家标准和苏州特色的立体化、全学段、追踪式义务教育质量监测体系。

构建结构化的教育生态指标体系

教育是一个多重变量控制下的、多要素竞争共生的复杂生态系统。苏州监测构建了包含学业水平、学生相关因素和教师相关因素三个方面并具有多维结构的教育质量监测指标体系。我们采取了“学校全覆盖、学生全参与、学科等比例抽样”的方式，以2020年为例，七、八、九年级共有28.8万学生参加了苏州市第六次义务教育学业质量监测。

在学业测评方面，以“基于课标、关注素养;对接国际、着眼未来”为原则，从知识维度、能力水平和核心素养三个方面构建语文、数学、英语和科学四门学科的测评指标。测评内容既重视学生的学业知识，同时更加关注学生的能力和素养，我们称之为“介于PISA和统考之间的一种学业测评”。

相关因素测评包含学生相关和教师相关两个部分，监测内容覆盖了学生个体、家庭、教师、学校和社会等多个不同层面，构建了多维度、立体化反映苏州基础教育生态发展状况的结构化数据模型。以学生相关因素为例，苏州监测基于“追踪监测、周期监测、热点监测”的原则，从历年监测以及实证研究积累的大量数据中，提炼出与学业成绩密切相关或变动明显的重要因素进行追踪测查，例如近视、睡眠等;对其他指标则隔年测查，构建周期性监测，例如自尊、焦虑等;对往年监测中出现的问题，进行动态改进和完善，并新增热点话题，例如电子设备使用、字迹、家长陪伴等。

通过六年的实践，基于这套具有多维结构的教育生态健康指标体系，苏州监测已经追踪采集了海量的、高质量的、结构化且相互关联紧密的监测大数据。我们希望这个指标体系能够让基于大数据的教育质量监测成为教育政策的航向灯、教育健康的体检仪、教育评价的刻度尺、教育生态的气象站、教育行为的红绿灯以及教育质量的助推器。

构建指数化的教育生态数据空间

在监测数据分析中，我们构建了适合苏州教育的增值评价模型和学业生态健康指数，实现了由“单一分数”到“多元指标”、由“水平判断”到“增值评价”的发展性评价。

对学生的语文、数学、英语、科学四科的学业成绩，首先通过项目反应理论进行等值化加工，在得到学生的能力分后进行标准化，并转换成平均分为500、标准差为100的量尺分数，进而再转换成百分等级，从而使得同一年度中以及不同年度间完成不同题本学生的分数具有可比性。依托苏州监测对学生初中三年连续追踪的优势，我们可以计算出每所初中学校、每门学科百分等级的差值，以此来描述各区域、各学校的学业水平增值状况，实现了“从起点看终点，从入口看出口”，对各区域、各学校学业水平进行增值评价的目标。

相关因素问卷工具研制采用国际流行的指数研究三步法展开，即“概念化→指标化→指数化”，研究过程中首先明确其概念，然后从概念中依据一定的逻辑建立层层递进的指标体系，再进一步明确观测点，之后依据观测点采集数据并折算成具有常模参照的指数，进而转化成教育生态的数字画像。

经过指数化加工后的教育质量监测大数据，可以构建出一个包含宏观、中观、微观三个层面的立体化的教育生态数据空间，教育管理者可以居高临下、航拍全景，俯瞰教育生态的全貌;也可以透视细节，精准挖掘，发现教育生态的真相;还可以让教育管理者追溯历史，基于起点，评价教育发展的状况，全视角透视。

构建可视化的教育生态健康图谱

1.教育生态健康指标

苏州监测坚持把立德树人成效作为根本标准，对多维结构的教育质量监测指标进行了二次指标筛选，构建了以学生学业发展为核心的具有“结构意义”的学业生态健康指标体系（表1）。该指标体系包括学业表现、学业增值、学生相关因素和教师相关因素四个一级维度下共24个关键指标，指标选取突出典型性、多维性、过程性和发展性，将区域和学校的学业生态纵向全过程、横向全要素一体化呈现。典型性，即选取学业水平、身心健康等与学业生态密切相关的重要质量指标;多维性，即从影响学生发展的个体、家庭、教师、学校等多个维度选取重要影响因素指标;过程性，即呈现初中全学段连续追踪的监测指标;发展性，即呈现学业增值等发展性指标。

2.教育生态健康图谱

学业生态健康指标体系采用指数化方式呈现，苏州监测将全市所有学校学业生态健康指标体系中各维度的得分作为总体，由高到低划分成9个水平来构建各维度的指数得分，占比分别为4%、7%、12%、17%、20%、17%、12%、7%、4%。9个水平分别着色，绿色越深表明区域（或学校）在某指标上表现越好，红色越深表明区域（或学校）在某指标上表现越弱。

以某校学业质量生态健康图谱为例，该校2018级、2019级和2020级学生各科的学业表现均处于较高位置，2018级和2019级学生的各科学业增值均处于中等偏下。从相关因素各项指数来看，除学业负担外各指标均较好，但是客观学业负担三个年级都是2，主观学业负担在初二和初三时都变成3。通过这样一个可视化的教育生态图谱，我们为该学校勾勒了一个比较直观的学业质量画像的特征——高质重负（表2）。

基于监测大数据开展基础性教育实证研究

监测大数据作为优质的教育大数据，具有覆盖完整、维度全面、准确性和关联性优异、价值密度大等特点，可以将复杂的教育生态转化为拟真的数据化形态，从而为教育实证研究提供了良好的载体，特别有利于开展追踪评价、增值评价和关联研究，这样的监测数据有助于明晰教育发展的“真状况”，找准“真问题”，为区域和学校提升教育质量把脉。

开展基础性的教育实证研究是充分发挥监测大数据价值的关键，也是精准还原教育过程、诊断教育问题、评估教育发展、揭示教育规律、助推教育质量提升的重要手段。近年来，苏州监测基于问题导向，开展了诸如抗逆被逆学生、跃进跃退学生、不同学业负担学生、男女生等多项基于监测大数据的基础性实证研究。我们主要采用的是分类特征数据分析、影响因素相关性分析和可控變量筛选等方式挖掘影响教育的内隐机制。

比如，前10%和后10%学生的差别在哪里？苏州监测通过分类特征数据分析，将前10%和后10%学生在相关因素各个维度上的得分和表现情况呈现出来。可以看到，前10%学生和后10%学生在学习习惯、学习方法、学校归属感、学习动力等维度上都有一个比较显著的差异。前10%学生在上述指标上均远高于后10%学生，而且前10%的学生学业投入也是比较大的。二者唯一没有差异的是主观学业负担，也就是不管优秀学生还是后进生，他们的主观学业负担都是类似的。

以监测大数据构建数字化教育生态

自2015年启动义务教育学业质量监测项目以来，苏州监测始终抓住“监测大数据”这一重要支点，旨在打造区域教育生态健康的超大型“体检仪”，从教育生态的视角俯瞰教育生态全貌，并进一步打开苏州教育的灰箱，诊断区域教育的“时代病”。随着新时代教育评价改革的不断深化，监测评估已经成为教育评价改革的一支生力军，用数据思维、用数据诊断、用数据说话、用数据决策、用数据改进已经成为我们认识教育规律和教育真相，评价教育质量发展的利器。我们坚信：对区域、学校教育生态全方位的数据描述，能为我们打开认识教育活动、教育过程和教育结果的全新视角，形成教育理念与教育行为的全新迁跃，也能更好地推进教育治理体系和教育治理能力的现代化。

作者单位：江苏苏州市教育质量监测中心