“数据驱动的精准教学”何以可能？ *——基于培养教师数据智慧的视角

彭晓玲 吴 忭

（华东师范大学教育信息技术学系，上海 200062）

在这个万物互联的时代，大数据、云计算、人工智能等新技术为重构评价体系、颠覆教学模式、创新教育决策等方面赋予了新的驱动力，教学范式呈现出科学化、精准化、智能化、个性化的趋势（杨现民，骆娇娇，刘雅馨，陈世超，2017）。许多国家，如美国、澳大利亚、加拿大、荷兰、西班牙、南非和新西兰等相继实施数据驱动决策的教育改革举措，例如美国的数据质量运动（Data Quality Campaign，DQC）建立了州纵向数据系统，美国州首席教育官员理事会制定了用于教师数据素养评估的InTASC标准。我国的《中国基础教育大数据发展蓝皮书（2016—2017）》也将主题聚焦为数据驱动的精准教学，旨在探究数据如何支撑教学的创新与变革。由此可见，数据驱动精准教学的教育理念日益受到重视，其主要原因是我们期望教师做出高质量的决策，这要求他们的决策不能单靠直觉和经验，更要基于可靠的数据（Schildkamp，Poortman，Luyten，& Ebbeler，2014）。那么，“数据驱动的精准教学”何以可能？这是数据时代教育领域需要回应的重要问题，本文试从“培养教师数据智慧”的视角回答该问题。

一、数据驱动精准教学的机遇与困境

（一）智能时代的数据赋能

任何时代，人类在活动过程中都会产生数据，直到技术的发展使得数据的电子化储存、记录成为可能，数据对各行各业的价值才得以突显。教育领域也不例外，教育数据指的是在整个教育教学活动过程中所产生的以及根据教育需要采集到的，一切用于教育发展并可创造巨大潜在价值的数据集合（杨现民，唐斯斯，& 李冀红，2016）。从数据内容上看，教育数据曾主要指教育测评数据，包括高考、中考、各学期期中和期末的测试题目和测评结果数据。随着技术赋能教育，传统的黑板、粉笔、课本转变为电子白板、多媒体课件、平板电脑，在线教育日益普及，新兴技术走进课堂。在线学习时长、学习资源浏览、讨论话语等过程性数据被自动收集，同时，眼动、脑电、表情、姿势等数据被应用于教学，数据的类型和量级不断增加。教育的信息化变革和由此产生的教育大数据为教师开展基于证据的教学提供了可能。

在传统的教学过程中，教师往往根据自身的教学经验进行判断，这种方式严重依赖于教师的专业水平，且容易造成主观偏见，忽视不常出现的细节，难以将不同种类、不同时间维度的数据关联起来进行判断。随着教育科学化的兴起，循证教学走进了学者们的视野。循证教学打破了经验主导型教学和主观性教学的桎梏，同时消除了实证主义教学过于强调预设、量化，忽略教学情境复杂性、学习者动态性的弊病，强调教师个体经验、教学智慧与教学证据的有机融合（郑红苹，崔友兴，2018）。研究表明，和基于经验的教学相比，基于证据的教学更有助于提高学生成绩、元认知水平等（Mcnaughton，Mei，&Hsiao，2012；李士平，赵蔚，刘红霞，2018）。以体育课为例，在上海市闵行区大力推进教育信息化的背景下，平南小学针对学校学生肥胖率偏高的难题，让学生在上体育课时佩戴运动手环，及时采集学生的心率、肺活量、步数等数据，并与教师手机端和操场电子大屏幕同步数据传送。形成课前根据学习环节预设预警值，课中基于数据监控实时提醒，课后分析整堂课数据推送个性化作业、评估教学质量，真正实现了精准运动干预。例如对心率超过或低于阈值的学生进行调控，有效规避运动损伤或督促缺乏运动倾向的学生。“过去体育老师主要凭经验，看学生的脸色是红是白，出的汗是热汗还是冷汗，以此来判断学生体育课的运动状况，但现在则是用学生实时的生理数据及时调控运动量，用大数据说话。”（邵炯，2016）平南小学体育教师的这一番话，道出了数据如何赋能教学。运动手环实现了运动数据的自然、动态、持续采集，为个别学生（如肥胖儿童）的体质干预，包括普及运动知识和膳食管理，提供了证据支持。仅半年，平南小学的学生体重率百分之百达标，两年后，在全区学生体质健康数据监测中优良率名列前茅，这得益于技术的应用和数据的支持。数字设备在学校的普及和人工智能技术的发展降低了多模态学习数据的收集、分析难度，使得数据驱动的个性化教育成为可能。但数据本身并不会促进教学，其价值在于决策。教师需要从基于经验的教学转向基于证据的教学，从发展评估素养转向发展数据素养，以应对教育数据的多模态、个性化、全过程发展。

（二）教师的数据智慧现状难以支撑精准教学

循证教学作为有效教学的新范式，逐渐得到共识，如上述案例所呈现的，不少学校也开始探索如何基于数据实现精准教学。但研究和实践表明，真正利用数据有效解决教育问题并大规模推广和长期使用的教学实践活动仍然面临着诸多挑战（Data Quality Campaign，2014；祝智庭，孙妍妍，彭红超，2017）。教学实践中显露出以下问题：一是聚焦测评数据，缺乏多维视角。无论是科大讯飞的智慧教育产品、北师大未来教育高精尖创新中心开发的智慧学伴，还是极课大数据平台，这些产品中的“问题诊断”“精准教学”“个性化”大都基于学生的作业和考试数据，对教学决策支持不足。记录并分析全过程的测评数据固然重要，但单维度的数据驱动带有以偏概全的局限性。运用多模态数据能够更加全面、精准、互补地分析，例如Mudrick等开发了一个MetaMentor系统，实时收集学习过程和学习结果数据：屏幕录制、大声思考、眼动追踪、日志文件、面部表情、生理数据、前后测、迁移能力考试、人机交互、学生-导师对话等。对学生的认知、情感、元认知和动机过程进行多维度分析，从而更好的理解学习者的自我调节学习过程，提供个性化的学习支架和自适应学习反馈（Mudrick，2018；吴忭，彭晓玲，胡艺龄，2019）。二是技术导向，而非问题出发。技术支持下的精准教学，相对于传统的精准教学，解决了数据获取困难、数据分析繁琐等问题。不少学校错误地认为，数据驱动的精准教学就是引入新兴技术，如在线学习平台、穿戴式设备、试卷扫描与分析系统等。这种技术导向的思维严重影响对“数据驱动精准教学”的理解，片面地认为只要引进技术，精准教学就实现了一半。而数据驱动的精准教学的本质在于发现并针对性地解决教学问题，即采用问题导向的视角，收集与问题相关的数据，使用指向解决问题的分析方法，基于分析结果做出精准决策。

教师是教学的关键，循证教学谋求的是教师智慧与最佳证据之间的融合，该理念下的数据驱动精准教学更强调数据赋能和精准决策，上述问题的出现很大程度上是因为教师缺乏数据智慧。首先，教师对数据如何作用于教学缺乏理解，即教师对利用数据解决教学问题缺乏认识，或者将数据的作用局限于评定学生表现和识别成绩不佳的学生，较少用于促进学生发展或改进教学（Gelderblom，Schild kamp，Pieters，& Ehren，2016）；其次，教师欠缺解读和分析数据的基本技能。例如，澳大利亚的一项调查表明约有三分之一的教师对考试成绩报告中箱形图的含义存在误解（Pierce et al.，2014），一些教师难以正确解读不同形式表现的测量误差（Zapatarivera，Zwick，& Vezzu，2016）；最后，教师不会将信息转化为教学决策这一数据驱动精准教学的后半阶段，即基于数据采取行动，一些教师缺乏针对数据显示的结果制定并采取相应教学策略所需的知识（Reeves & Chiang，2018）。因此，许多教师面对海量学生数据存在一定的无力感、甚至恐惧感（Data-phobia，Erickson & Nosanchuk，1992），认为数据是负担而不是有效教学的工具。

培养教师的数据智慧是实现数据驱动的精准教学的基础，如果缺乏对教师数据智慧培养模式和有效途径的研究，数据驱动的精准教学仍只停留在理念层面，无法真正落地到课堂教学。教师和教育管理者需要认识到数据本身不能解决问题，它只为教师提供了基于证据改进教学的一个新的视角，让他们更好地思考和理解学习。如果教师缺乏洞悉这个“视角”、将教育数据转变为教学智慧的能力，教育大数据时代对他们而言只不过是“数据丰富而信息匮乏”的时代，数据驱动的精准教学便无从谈起。

二、教师数据智慧的内涵和实现路径

（一）教师数据智慧的内涵

要培养教师的“数据智慧”，首先必须理解“数据智慧”是什么以及“数据智慧”如何支持精准教学。数据智慧的内涵建立在DIKW（the Data–Information–Knowledge–Wisdom hierarchy）层级结构的基础上。在信息管理和知识管理领域，数据、信息和知识之间的转化经常被引用，Ackoff（1989）在《从数据到智慧》一书中首次提出了数据、信息、知识、理解和智慧的层级结构，并认为前四个层级都是在处理过去或已知的事物，只有智慧融合了愿景和设计，才能创造未来。随后，Bellinger等（2004）重新阐述了该层次结构，认为理解并不是单独的层级，而是支持每个阶段到下一个阶段的过渡；Chaffey在此基础上增加了意义和价值的维度；Jashapara提出了数据、信息、知识、智慧、真理；Choo绘制了信号、数据、信息、知识图（Rowley，2007）。尽管不同学者的解读存在差异，但从他们论述的共同点可以看出，数据智慧的关键要素是数据、信息、知识和智慧；层级顺序基本相同，尽管存在些许层级或额外信息的差异；较高的层级由较低的层级转化而来，智慧在层级结构的最顶端。因此在教育领域，数据智慧的内涵在于数据、信息、知识、智慧的递进转化，即首先将分离的、缺乏意义的符号（数据）转化为面向教学目的而处理的关联数据（信息），其次综合多种信息来源，结合领域知识、教学情境、教学经验等将其内化为知识，最后将其运用于解决现实的教学问题，逐渐形成教师个体的独特智慧。

彭红超和祝智庭（2018）认为智慧是一种高阶思维能力和复杂问题解决能力，其离不开基础知识技能，但更关注如何辨析判断、主动创造的能力，是人机协同的共生性交互过程中出现的一种新质。教师的数据智慧关注的是如何运用学习数据解决教学问题，改变主观臆断、经验本位的倾向，基于证据提出教学决策和实施教学实践。多项研究表明，有效的数据驱动教学不仅需要统计思维，更需要从被动分析测评数据转变为主动创造多模态数据，以及结合学科知识，理解数据分析结果中显示的认知冲突、迷思概念、元认知水平等学生信息，并运用教学法理论，制定教学改进的计划策略（Coburn & Turner，2011；Schildkamp et al.，2014；Young & Kim，2010）。在这个过程中，Pierce等人（2014）认为教师需具备两方面的知识：一个是专业知识，涉及“与读取、比较、分析数据集相关的专业知识”，例如统计术语的含义；另一个是情境知识，包括“关于产生数据的情境或背景知识”，例如学校所处的社会经济环境等。只掌握专业知识的教师能够从技术层面理解数据，但可能不了解数据背后的含义。Mandinach（2012）把教师将数据转化为满足特定学生需求的教学策略的能力，称之为教学数据素养（pedagogical data literacy）。随后，她又提出了教学数据素养模型，包括舒尔曼的七种知识，即学科知识、一般教学法知识、课程知识、学科教学法知识、学习者及其特点的知识、教育情境知识、教育目的及价值的知识，以及数据使用的五个要素，即识别问题、使用数据、将数据转化为信息、将信息转化为决策、评估结果。显然，教师的数据智慧不是单一的数据分析能力或教学能力，而是一种高级的综合能力。

2010年，Drew Conway发表了数据科学文氏图，显示出合格的数据科学家应将三方面的技能融会贯通，即“黑客”技术（如网络数据爬取、数据挖掘等）、数学统计知识和领域知识。在数据科学文氏图的启发下，结合学习科学、学习分析和信息化教师专业发展三大前沿领域的互惠关系，本文认为教师应具备的数据智慧是教学实践经验、数据分析技能、学习科学理论三者的有效整合（图1）。具体来说：（1）学习科学理论是教师数据智慧的基石。学习科学整合了教育学、心理学、认知科学等多学科领域理论与方法，掌握了学习科学理论才能深入认识“人是如何学习的，怎样才能促进有效的学习”这个本质问题，进而基于数据改进学习过程和学习环境设计；（2）数据分析技能是教师数据智慧的保障。基于证据的教学范式不仅包括对教育测评数据的统计分析，更关注讨论话语、生理表征等过程性数据分析，教师应具备必要的数据分析技能以应对教育数据的多模态、个性化、全过程发展；（3）教学实践经验是教师数据智慧的支撑。一方面，教师已有的经验可以帮助发掘教学中存在的现实问题，理解数据情境，制定符合学情的教学计划和策略，另一方面，新的证据和发现又可以检验和修正教师原有的经验和认知。在三者的发展过程中，不同领域的融合催生了学习设计、学习分析、循证教学的发展（杨甲睿，黄甫全，2013）。教师需要秉承循证教学的理念，创造数据生成环境，采用学习分析技术收集、分析、解释数据，进而基于数据结果改进学习设计，在数据驱动的教学问题解决过程中养成数据智慧。如上所述，数据智慧是整合了教学实践经验、数据分析技能、学习科学理论的更高阶的能力，是问题导向的多领域交叉融合创新，也代表了教师精准教学个体化理论（personal theorizing）的生成。

图1 数据科学文氏图（左），教师数据智慧关系图（右）

（二）数据智慧促进精准教学的实现路径

20世纪60年代，Lindsley基于斯金纳的行为主义学习理论，尤其是操作性条件反射理论中的“反应率”和“累积反应记录”的概念，提出了精准教学的概念（Lindsley，1991）。最初，精准教学指的是学生持续性的记录自己的学习表现（例如每分钟正确读对以及读错的单词数量），基于这些数据判断学习成效、预测未来学习表现、在目标导向下调整学习方式。因此，精准教学这个概念自提出起就是数据驱动的。不同的是，Lindsley对精准教学的研究集中于如何使用“流畅度”（Fluency，包括准确率和速度）衡量学生的个性化学习发展，对“如何基于数据制定教学策略”关注较少（Lindsley，1991）。而数据时代为精准教学带来了新的发展契机，我国学者对精准教学的实践也提出了新的见解，超越了最初的评价范畴。例如万力勇等基于教学活动实施的一般流程提出了大数据驱动的精准教学操作框架，包括精准教学目标设定、精准教学内容推送、精准学习活动设计、学习行为记录与测评、精准决策与干预（万力勇，黄志芳，& 黄焕，2019）；祝智庭等人（2016）从教学模式角度设计了信息技术支持的精准教学模式，包括精准确定目标、开发材料与教学过程、计数与绘制表现、数据决策。由此可见，从目标设计到评价反馈，精准教学贯穿于教学全过程，单一的评估素养无法支撑精准教学，而教师数据智慧作为多领域的融合，可以促进精准教学的实现。

如果将教师的数据智慧看作形而上谓之道的上位概念，那么其形而下谓之器的实现路径则是教师的数据探究循环。数据探究是一个迭代循环的系统性分析解决问题的过程，包括八个环节（图2）。其实践的关键在于：一是问题驱动。提出问题是循证实践的第一步，教师若缺乏捕捉教学中出现的分歧，将教学困惑转换成具体教学问题的问题意识，即便具备获取海量数据的机会，也无法进行循证教学（茹秀芳，2016）。与被动地对现实中已经生成的教育数据进行统计分析，主要用于终结性评估不同，数据探究应当起始于培养教师适应性专长所强调的对教学实践的反思（reflection on action），并在教学法信念上认同数据能够帮助教师更精准地认识学习、实现促进学习的目的，应积极发掘教学问题并设计创新方案，主动引导数据的生成、关联，以获取目的明确、针对性强的学习数据，实现数据环境下的教学实践创新。二是将分析结果转化为可操作的教学实践。数据实践主要包括两类：一类是面向分析的任务（analysis-oriented tasks），即对数据进行分析，例如测试分数的描述性统计、检查学生的学习制品（learning products）以确定错误认知模式等；另一类是面向行动的任务（action-oriented tasks），即根据分析结果采取行动，包括向学生提供及时反馈、选择要关注的学生或教授的内容等（Reeves & Chiang，2018）。数据探究关注如何结合学科内容知识、教学法知识和教学内容知识等实现分析和行动两者之间的转化。三是循环式评估反馈。基于数据的决策是否解决了最初提出的教学问题，需要通过评估进行验证。同时，在此过程中，需要不断进行评估反馈，以保证数据精准、分析精准、干预精准，进而达到持续性地精准解决教学问题的效果。

图2 数据智慧的实现路径（Schildkamp et al.，2014）

三、教师数据智慧的培养路径

（一）教师数据智慧培养的核心内容

数据智慧是一个多维度的综合性概念，其实现路径在一定程度上回应了“培养什么”的问题。数据驱动的精准教学需要教师有能力完成数据探究的全过程。具体包括以下几个方面：

第一，养成数据驱动的问题意识。教师要在认同数据价值的基础上，打破固有认知，对教育相关数据具有敏感性，能够感知到学生留下的“数据痕迹”所暴露的问题。目前精准教学的实践主要集中在作业环节，对于课堂教学中的教学目标达成、教学内容选择和学习活动设计等缺乏基于数据的决策，教师要养成数据驱动教学全过程的意识，精准把握学情，教其所需。

第二，数据的主动获取能力。传统教师讲授式教学模式在向以学生为中心的、富媒体环境的创新教学模式的转变过程中，教育数据也从单一的测评数据向多模态学习数据发展。教师需要理解数据的类型、现有数据对现存问题的解决程度以及不同数据如何支持精准教学；了解常见的数据采集技术，如图像识别类（点阵扫描、在线阅卷等）、平台采集类（日志文件、网络爬虫等）、视频监控类（智能录播、表情识别等）、可穿戴类（眼动追踪、智能手环等）；并借鉴逆向设计理论（目标—>证据—>评价）从证据的视角思考如何为解决问题进一步“创造”数据。从被动的统计现有数据转向立足于目标和问题导向下的精准分析。

第三，掌握教育大数据的典型分析技术。与传统的数据分析相比，大数据科学改变了数据的来源、模态和量级，也影响了数据分析模式。教师需要掌握数据整理（如异构向同构的转换、无效数据的清洗）、量化数据和质性数据的分析方法（如分类聚类算法、会话分析等）、数据的可视化呈现等技术，学会使用工具辅助分析。尽管数据分析正在朝自动化、智能化发展，但唯有教师掌握必要的教育大数据分析技术，才能批判性评价数据本身，并理解数据中可能存在的误差以及所采用的数据分析方法的局限性，不至于迷失在追求更复杂数据挖掘方法的迷思之中。

第四，理解教育数据背后的意义建构。除运用学习科学理论和教学实践经验解释数据结果，进一步剖析隐藏的原因和可能的问题外，学习分析可以反过来促进教师的理论建构（Chen，2015），即在分析过程中形成学习分析和学习理论的互惠关系，促进学习科学理论的发展，而非单向的理论指导分析。

第五，熟知常见的数据改进教学实践。教师要明晰数据能干什么，不能干什么，避免盲目的趋从。从基于数据的学习评价到证据支持的决策干预，学者们总结出了27种数据驱动的教学实践，例如在授课前后，确定学生的学习水平；识别学生的思维模式（错误理解、学习缺陷）；改进教学计划（学习活动、知识表征）；识别需要个别辅导或增大学习挑战的学生等（Reeves & Chiang，2018）。教师要掌握典型的干预策略，如同质或异质分组、差异化教学等，以便快速准确地将数据转化为教学智慧。此外，教师需要引导学生参与数据的处理和使用，例如自己记录和分析学习成效、参与教学内容选择和个体目标设定等教学决策，在减轻教师压力的同时发展学生的学习责任心和元认知。

（二）教师数据智慧的培养模式

教师数据智慧的培养是一个复杂的、动态的、多方联动的问题。其不仅仅是教师个人的专业发展问题，而且关系到教师所在教育系统的观念更新和体制改变，是一个教育系统构建数据智慧生态的过程，也是数据文化扎根课堂的实践强化过程，覆盖了职前准备到职后发展的整个专业学习周期。

1. 职前：革新师范生课程体系，创设多元教学环境

职前师范教育是培养未来教师的预备阶段，注重的是理论内化和技能习得。从数据智慧的理论基础中可看出，教师的数据智慧是多学科的融合，不能机械等同于不同学科的知识累加。要培养教师的数据智慧，需要在职前阶段全面升级课程体系，强化学习科学和数据科学的联系，而非单方面强调人工智能等技术的学习。例如学生的迷思概念和概念转变等是学习科学的内容范畴，但可以指导教师更好地理解学生的学习数据，并进一步转化为教学决策。除了学科间的整合外，传统的课程体系也需要顺应数据时代的发展，更新课程内容。以数据科学相关课程为例，大多数学校的师范专业开设了“教育测量与评价”，课程内容包括常见的统计分析方法和教育评价类型，倾向于培养师范生的评估素养。此类课程缺乏从大数据和改善教学的视角洞悉教育数据和探究过程，需向培养师范生的数据素养拓展，增添除测评数据外其他结构化非结构化数据的处理分析以及数据支持的精准教学策略设计等内容。

在教学模式和学习环境方面，职前教育需要从“离境”的知识内容呈现，转向融合“实境”的数据探究问题创设，使师范生在真实境脉中形成数据智慧，促进对数据驱动精准教学的理解。具体可行的学习模式如案例教学或认知学徒式教学等。案例教学通过重现数据驱动教学的案例，引导学生分析问题，在独立思考、观点碰撞的过程中深入理解缺乏证据的教学的局限以及数据促进精准教学的具体做法；认知学徒式教学则强调知识是用来解决复杂现实问题的，导师要通过示范、辅导、支架、表达、反思、探索等策略，培养师范生解决复杂数据探究问题的能力（Collins，Brown，& Newman，1987）。同时，为弥补职前阶段师范生缺乏实际教学经验的不足，可运用信息技术手段模拟真实教学场景或采集课堂的学习数据，创设数据环境，通过基于项目/问题的学习将数据探究整合到协作学习过程中，培养数据驱动的精准教学所需的高阶思维和复杂能力。

以美国天普大学的一门本科《数据科学》通识类选修课程为例，该课程旨在激发“基于证据”的思维方式，涵盖信息素养，批判性思维，沟通技巧，检索、组织和分析数据的能力，理解技术如何促进探究过程，以及利用数据思维解决日常生活中的问题六大目标。课程内容包括四个单元：我们日常生活中的数据（数据、信息和知识之间有什么区别、如何对数据提出假设、如何评估数据质量等）、用数据讲述故事（何时需要可视化数据、如何交流数据结果等）、在现实世界中处理数据（什么是脏数据、如何清理或合并数据等）、分析数据（结构化数据和非结构化数据有什么区别、如何进行情感分析和预测分析等）。尽管该课程不是专门面向师范生的数据智慧培养，但其课程设计仍然值得借鉴。例如该课程连接了识别、收集、交流、准备和分析数据全过程，学习形式包括课堂体验式学习（包括个人探索和小组合作），课堂讨论（包括小组展示和分享交流）。在数据实践中，课程通过小组项目（每组4～5名学生）鼓励团队协作，例如从开放数据网站获取数据进行探索，分析新闻中的数据可视化示例，选择专业相关的数据完成小组最终项目等。该课程超越了传统的统计技术课程，专门面向非技术专业学生，认为数据智慧是21世纪人才的核心素养，在教师指导和数据实践中培养本科生的数据智慧（Schuff，2018）。

2. 职后：创新专业发展模式，构建数据实践共同体

入职后，教师从职前的储备式学习转向实践导向学习，在个人经验获得的基础上对个体知识不断重新加工。面对教师在实施数据驱动的精准教学过程中出现的具体问题，需要提供精准有效的支持。Desimone（2009）认为有效教师专业发展包括五个核心特征：内容的聚焦性、学习的主动性、培训的连贯性、时间的持续性、参与的集体性。传统的教师专业发展模式以教师在非教学时间（如寒暑假）集中参加讲座式教师培训为主，其被动性、离身性、短时性难以满足培养教师数据智慧的需求。因此，在职教师的数据智慧培养需要创新模式，构建实践共同体，以促进数据驱动的精准教学实现。具体做法包括：（1）聘请数据教练，提供及时、持续的反馈和支持，帮助教师在分析数据、理解学生思维和设计精准教学决策等方面走向专业化；（2）构建数据教研团队，实行协作数据探究和反思性精准教学实践，在分布式认知和学校自身教育问题的解决过程中培养教学专长，发展群体性知识和集体智慧，研究表明数据团队对教师理解、信念和实践有积极影响（Farrell & Marsh，2016）；（3）整合多方资源，开展定期参与式数据驱动精准教学能力提升培训，分阶段将新手教师逐渐培养为专家型教师，例如与高校专家合作，了解学习理论和分析技术的发展动态，与企业面对面，掌握产品的使用和功能的筛选等。

例如美国哈佛大学教育研究生院的“数据智慧”教师专业发展项目，基于Boudett团队提出的“数据智慧改进教学过程”（Data Wise Improvement Process，DWIP）模型（Boudett，City，& Murnane，2013），设置了从数据智慧入门到数据教练认证的系列课程，支持教育工作者通过协作数据探究推动教与学不断改进。项目包括线下课程和线上课程，以edx平台上的在线课程为例。在线课程鼓励4位或4位以上人员组成的校队参加，包括一名校长，两名或两名以上的教师以及其他担任领导职务的教育工作者；并且将ACE思维习惯融入教师专业发展，即将行动（Action）、协作（Collaboration）、证据（Evidence）的思维习惯作为学校文化转变的一部分。项目包括八个步骤的详细介绍、Leasure小学数据团队的案例、丰富的学习材料等，教师可通过观看视频、实践、反思、讨论、自我评估等进行学习。图3呈现了该在线课程的设计结构，从图中可看出：该项目提供了在线研修的专业发展模式，构建了资源丰富的虚拟社区，并在课程中提供了教学实录视频和模范学校数据团队实践的视频案例，支持教师结合内容讲解进行实践演练，并示范如何开展协作数据探究。该项目自开展以来不断调整以适应教师的实际需求，例如DWIP模型的步骤二、四、五分别更改为发展数据素养、挖掘数据、检查自身实践，项目重点从促进教师理解数据驱动的价值，转变为支持教师使用数据监测学生、改进教学等。

图3 美国哈佛大学“数据智慧”项目在线课程架构

自2006年起的十多年来，“数据智慧”项目一直在支持学校数据团队，项目负责人兼讲师Boudett认为“协作是关键”，芝加哥就是一个成功的案例。该市的James Monroe学校的教师参加了在线课程，与哈佛在校课程相比，在线课程费用更低，且无需机票和住宿费，这使得学校大量教师集体参与成为可能。该校数据团队每周会收到视频课程、会议议程、模板、日程安排等材料，且有专门的数据教练进行指导。其在芝加哥公立学校的表现评级中上升了两个等级，且学生出勤率、家长反馈和标准化考试分数均为学校历史最高。类似的还包括美国技术教育研究中心（Technology Education Research Center，TERC）提出的“使用数据”（Using Data）项目、荷兰特温特大学组织的“基于数据的决策”专业发展项目等。我国江苏师范大学智慧教育研究中心也在2019年开设了《中小学教师数据素养》MOOC课程，作为国内第一门面向中小学教师与师范生的数据素养培训课程，旨在有效提升学习者的数据意识、数据知识、数据技能以及数据思维。

四、教师数据智慧的影响因素和作用机制

了解教师数据智慧的影响因素，可支持上文提到的数据智慧培养的有效性。Schildkamp等人（2014）认为基于数据的决策受到数据、数据使用者、学校组织的共同影响，随后，其在此基础上添加了协作因素，并提出了四个因素和数据使用目的（教学改进、教学问责、学校发展）之间的关系（Schildkamp et al.，2014）。Dunn等（2013）在提出的数据使用框架中强调了组织和政治环境的影响，Hoogland等（2016）通过文献综述以及对专家和中小学教师的访谈，总结了九个在课堂教学实践实施基于数据的决策的先决条件：协作、数据领导力、数据文化、资源和时间、教师知识和技能、学校外部因素、专业发展、数据使用态度、工具和流程。除此之外，有学者从教师个体的层面进行了更加微观的研究，如Datnow（2016）等认为工作文化（尤其是信任文化）和政策环境是影响教师信念的主要因素；Dunn等（2013）认为教师的信念、自我效能感、焦虑等非认知因素会影响教师实施基于数据的教学行动。通过梳理，本文认为，除外部环境影响，如政策导向、问责压力等之外，教师的数据智慧主要受到三个层面的影响：数据层面、教师层面、学校层面（图4）。三个因素均会对数据智慧产生直接影响，且学校组织可能通过影响教师个体和数据特征、数据特征可能通过影响教师间接影响数据智慧。

图4 数据智慧的影响因素和作用机制

从数据层面来看，教育数据的全面、自然、持续采集是实现精准教学的基础性和先导性工作，其难度在于学习过程数据的无痕采集、多模态数据的无缝集成，以及学生的线下学习数据无法获取或人工采集工作量大等。教师应有权力获取准确及时的数据，实现智能化、个性化的数据分析。在教师层面，除上文提到的多领域知识和技能外，教师的自我效能感和焦虑已经被证明分别促进和制约了数据驱动的精准教学，且教师对数据指导实践的价值和数据驱动教学的有效性的消极信念也被视为培养数据智慧的障碍；研究表明，参与协作探究，即围绕如何使用数据促进学习与专家、教师的协作有利于培养教师的数据智慧（Datnow，Park，& Kennedy-Lewis，2013）。从学校层面来看，学校领导应为数据驱动创造一个共同的愿景，强调基于数据的持续探究、学习和改进，而非问责目的；其次，采取分布式领导，赋予教师决策自主权，培养对数据实践的主人翁意识，如尊重学科负责人基于数据调整课程结构的权力；此外，学校领导应营造信任、协作的数据文化，为教师发展数据智慧提供资源时间支持和专业发展支持。

Pond Cove小学作为“数据智慧”项目的成功学校案例，在两次截然相反的实践中揭示了不同层次影响因素的交织（Thomas，2007）。Pond Cove小学经历了一次州自上而下实施的形成性测试项目的失败经历，该项目开发了一个形成性测试系统为教学提供反馈，支持学校问责。然而，频繁的测试消耗了教师的大量精力，导致测试成了焦点而非使用测试数据作为改进教学方式的证据。面对教师的挫败感和焦虑情绪，该州暂停了项目。但该校校长Tom认为测试结果已经揭示了需要提升的领域，例如该校四年级学生有21%的阅读成绩低于标准，有22%的学生的数学成绩低于标准。问题在于教师缺乏系统的方法使用数据识别和定位学生差距，制定改进教学的策略。因此，在校长的组织下，该校通过自主招募和定向聘请组建了“数据爱好者团队”，包括学校管理者、专业发展负责人、媒体专家、技术专家、学科教师等。该团队每月举行会议，通过剖析数据质量及用途、对教师进行专业发展规划、发现教学问题、协调跨学科团队和指导教师采取行动解决问题等，来监控数据驱动精准教学的进展，并为持续性的数据改进教学奠定基础。组建数据团队是该数据计划和之前失败项目的区别之一，Tom希望教师秉承“主人翁”意识，积极、主动参与数据驱动教学而非被迫。对新组建的数据团队而言，取得全校教师的信任是其第一个挑战，尤其是数据团队有很多人是管理者。

在经历过一次“自上而下、外部干预、过于形式化”的失败项目后，部分教师认为“数据是给管理者的，对教学实践没有影响”。为此，该校努力培育一种有支持的、协作的、非惩罚的数据文化，并以分析和讨论学生阅读成绩数据为例揭开数据运动。以往的误区之一在于，教师往往在没有仔细剖析问题的情况下匆忙提出不成熟的举措，在这次实施过程中，该校的每一步都建立在坚实的基础上。首先，数据团队从数据源、学科、收集时间、年级、可访问对象、当前数据使用情况等方面梳理了学校所有类型的数据，例如考试数据、成绩单、写作文本、调查数据等，并且该校认识到有数据是不够的，重要的是教师能够方便地获取到所需的信息，为此数据团队的技术专家开发了学生信息管理系统，并考虑到数据易访问可能带来的隐私和伦理问题；其次，该校聚焦于与教师相关的数据，让教师意识到数据智慧是教学基础，而非现有教学工作中的“附加任务”，以阅读成绩数据为例，数据团队与阅读教师开展了研讨会，探讨阅读成绩数据的用处和局限性，以及教师已有的教学实践策略等；最后是数据驱动教学的实践，即“数据智慧改进教学过程”模型的探究和行动阶段。从Pond Cove小学学校层级的数据实践中可看出，教师的数据智慧是多方作用的结果，需要采用联合视角制定培养策略。

五、结语

数据驱动教学并不是一个新事物，在教育中运用证据来做决定的探索也毫不新奇。多年来，政策制定者和教育工作者一直在研究数据，例如统计测试成绩。但这一过程既没有系统化，也没有更多理论的指导，且大数据的激增、学习分析技术和个性化教育理念的发展给教师带来了更大的挑战。本文认为，培养教师的数据智慧是实现精准教学的关键。与此同时，大数据不是“万能钥匙”，“纯数据驱动”只会走向另一个极端。正如爱因斯坦所说，“不是所有有价值的东西都能被计算出来，也不是所有可以计算的东西都有价值”。对于教育领域而言，除了大数据，厚数据也同等重要，大数据分析可从海量的薄数据中发现普遍性规律，厚数据则是指对包含丰富情境信息的小样本数据进行深描，弥补大数据分析缺乏学习理解深度的局限。从数据收集的角度看，如果跨越了伦理的“边界”，不仅不能为有效教学提供数据基础，甚至会危害学生成长，例如监控学生在课堂的表情。从数据实践的角度看，掌握数据分析结果不等于掌握了教学的精髓，关键在于如何转化为精准的教学决策，且使用数据是为了促进所有学生的发展，而不仅仅是用于教育分类或关注成绩提高容易的学生。教师要善用数据智慧，在智慧的引领下，警惕大数据迷思，避开数据驱动教学的“陷阱”。