数据驱动课堂教学决策的分析框架与实践案例解析

摘要：随着教育教学数字化转型发展日益深入，使用数据提升教学决策的精确性和有效性成为教师的必备数据素养。数据驱动教学决策过程分为四个阶段：数据转变为信息、信息跃升为知识、知识升华为智慧、智慧落实于实践。该分析框架可以为教师开展数据驱动教学实践提供脚手架支持，使教师更方便地分析类似教学案例和开展数据支持下的教学活动。

关键词：数据驱动;教学决策;教学智慧;教师行为

有效的教学基本等同于合理的教学决策^[1]，教师教学决策能力是影响教学效果和提高教学质量的关键因素。数据对于决策的价值得到越来越多的认可，未来的决策将日益基于数据和分析而非经验和直觉做出^[2]。研究显示，学校和教师对数据的有效利用能提升学生的学业成就和学校的教学水平^[3]。但在实际教学中，要从数据中提炼出教学智慧不是件容易的事，让教学从基于经验转向基于数据实证是个漫长的过程。当中亟须解决的关键问题是如何从数据中提炼出应有的教育价值和学习证据，以及基于课堂实践正确解读相关数据。

一、数据驱动教学决策的研究分析

基于数据的教学决策模型大多以阿科夫的智慧层级结构（DIKW）为基础构建，包括数据、信息、知识和智慧四个层级^[4]（如图1）。

马什等通过研究一个为期6年的数据驱动教学项目，构建了数据驱动教学决策流程框架，包括数据采集、信息分析、信息转变为知识、根据知识做出相关决策并实施、实施结果反馈^[5]。斯德卡普等的数据驱动教学决策流程包括界定目标、获取数据、形成信息、提炼知识、转变为行为，并对行动结果进行评估^[6]。曼迪纳契将教师的教学知识与数据驱动教学决策能力进行融合，强调数据分析结果与教师教学知识经验的结合，构建出数据驱动教学决策的五大步骤：问题界定、数据使用、将数据转变为信息、将信息转变为决策、评估实施结果^[7]。

上述研究构建的数据驱动教学决策框架将DIKW模型中各层级根据教学决策流程开展的时间次序有机地融入决策的步骤，前一步骤任务的实现为后一步骤的实施奠定了基础。每个步骤虽然有所侧重，但也并非完全分割开来，后一步骤的实施效果都可向前面进行反馈，以便针对性调整。整个流程就是一个循环迭代的过程。

曼迪纳契等特别强调，开展数据驱动教学过程中，教师除了要具备一定的数据素养，还要具备相当的学科内容知识、教学法知识等^[8]。数据只有与特定的学习进程相关，才会被教师积极使用，发展出数据应用决策力。也就是说，教师数据应用决策力是与学科内容知识、教学法知识融合，共同作用于具体的学习事件，在其处理与发展中逐步形成和发展的（如图2）。

二、数据驱动教学决策的分析框架

基于对阿科夫层级结构的理解和相关数据驱动教学决策流程的分析，参考彭红超等的数据智慧机制^[9]，我们构建了如图3所示的数据驱动教学决策过程框架，并以此为基础设计出教学决策行为分析框架。

数据驱动教学决策过程分为四个阶段：数据转变为信息、信息跃升为知识、知识升华为智慧、智慧落实于实践。四个阶段的分析操作要紧扣教学活动，面向具体的学习情境，包括学科内容、教学法知识、学生基础、认知特点等。

（一）由数据转变为信息的流程分解

数据与信息的本质差别在于，其是否具有意义。离散的数据因缺少情境和解释而没有意义;信息则通过描述分析和可视化表征，表达出“何人、何时、何处、何事”等浅显事实，具有情境意义。数据转变为信息可分解为三个步骤：界定问题、建立数据解释维度、数据提炼与分析。

界定问题主要是设定与教学相关的假设。起始阶段，教师最好能预测他们的哪些教学措施且如何影响学生的学习行为和进度^[10]。目前，很多学习系统通过记录学生的学习行为和结果自动生成具有浅显事实的信息图表，对此教师可直接利用，也可通过分析与解读这些基础信息表界定问题。建立数据解释维度是指进一步细化教学假设，尝试把一个教学实践问题定义成数据可分析问题，通过数据变量的形式来呈现，即核心诉求是什么，设定与核心诉求可能存在关系的自变量有哪些^[11]。数据提炼与分析是指根据数据维度提炼出相关数据集，进行数据清洗，删除冗余、重复数据，修正不一致数据，增加遗漏数据等;然后通过统计和数据可视化技术，对整理好的数据集进行描述性分析与可视化表征，使数据变成具有情境意义的信息。

（二）由信息跃升为知识的发生机制

对于教学决策来讲，事实类信息具有一定作用，但更有价值的是事实背后隐含的模式，即事实的发生机制，包含意义理解和模式解释。意义理解主要指教师根据经验从各类可视化的教学信息图表中得到的对整体教学状况的理解，如学生当前的学习状态、能力水平等。模式解释主要是进一步洞悉教学现状产生的来龙去脉，明确教学结果是如何发展的见解。

（三）由知识升华为智慧的关键要点

发生了什么是信息，如何发生的是知识，都是对已发生或正发生事情的理解，有助于对类似问题的处理，但还不足以应用到新的情境中，知识仍须进一步跃升为智慧，满足精准决策的需求^[12]。它主要包含三个要点：专家端倪、价值判断、决策生成。其中，专家端倪是指在模式解释的基础上，对学生的学习是否存在问题或潜在问题，以及是否需要变换学习支持或提供干预措施的判断，是一种专家探究法，分为三步：联想、推理和归因^[13]。价值判断是指决断何时、何种服务的综合价值是最高的，形成一系列的学习服务准则。决策生成是指关于是否提供服务、何时提供服务、提供何种服务、如何服务等决策的具体化呈现，具有一定的可操作性。

最后，将决策的结果在实践中加以执行，进而形成教育智慧。如在实践中产生了新的数据，又将依此形成新一轮数据分析过程。当然，在实践分析中，每一步的界限很难分得很清楚，会有交叉，有时还会返回前面进行修订。在一些简单的决策中，不需要所有步骤都包含，基于对一定的信息加以分析也可进行有效决策。根据上述分析与解释，可形成如表1所示的分析框架。

三、数据驱动教学决策的实践案例解析

（一）实践案例背景信息

案例“数据揭示课堂教学的盲区”选自图书《课堂里的数据会说话》^[14]。该案例以一篇与七年级下学期单元学习程度相当的300个单词左右的英语课外阅读文章为载体，教学目标为：（1）语言知识目标，理解六个单词或词组的意思;（2）学会三种基本的阅读方法，即略读、跳读和细读。基于培养学生的阅读理解能力，一位教师对此开展专题式的研究课教学，同一教研组的其他教师进入课堂观察、分析和诊断，通过专业会诊交流，提出实践改进方向和策略，并在同一年级不同班级连续几轮的课堂上改进，以达到较好的教学效果，分析影响学生阅读理解能力的原因，形成相应的教学策略。

（二）梳理提炼影响英语学习成效的信息

1.问题界定

此环节主要是建立与教学相关的假设，包括：（1）课堂教学环节的时间分配会影响教学效果;（2）教师的提问指向会影响教学效果;（3）教师的提问类型会影响教学效果;（4）教师的指导行为会影响教学效果。

2.建立数据解释维度表

根据上述问题的界定，我们将建立的假设转变为数据模型量表。本案例的核心诉求，即因变量是要提升学生的英语学习成效，通过当堂检测题的方式来获得，检测题的正确率用于衡量班级学生的当堂学习成效。结合本节课的教学目标，设计的测量评价题目如表2所示。根据前面的假设，影响学习成效的因素如表3所示。

3.数据提炼与可视化分析

同一教研组的其他所有教师进入该课堂观察、分析和诊断，归纳整理相关数据。其中，衡量教学成就略读水平测评全部正确;跳读水平测试题目中，题目1的正确率为65%，题目2的正确率为44%，题目3的正确率为50%，题目4、题目5的正确率皆为47%;细读水平测试各等级的人数占比中，比较全面的占5.9%，提及部分的占44.1%，笼统无物的占11.8%，未作答的占35.3%。

对于影响教学成就的自变量，教师课堂上不同类型提问的个数情况如图4所示。

同时，深入追问行为次数为2，质疑反问次数为1，补充拓展次数为2，方法提供次数为3。不同课堂教学环节占用时间中，铺垫热身为10分钟，略读为5分钟，跳读为12分钟，细读为13分钟。

（三）正确理解影响英语学习成效的因素

在整理课堂学习数据、提炼相关信息的基础上，正确理解影响英语学习成效的相关因素。

意义理解层面，发现当堂课的检测反馈中，学生在目标词汇的理解方面表现相对较好，非目标词汇以及句子的理解方面表现明显偏弱，特别是对语篇的整体理解尤为欠缺。

模式解释，即结果成因解释方面，从教学侧重点来看，在培养学生阅读理解能力方面，教师把词语理解作为教学和指导的重点（6个问题），并以词义识记（9个问题）为主，而对句子理解（1个问题）和语篇理解（2个问题）的关注不够。从教学实效来看，教师课堂上花了12分钟引导学生理解目标词汇，弱化了对课文中其他一些看似普通但学生却未理解到位的词汇的学习;在相关词汇尚未理解清楚的前提下进行拓展，处理不妥，如对题目5中“these”具体指代判断错误的学生达到53%（正确率不到一半）;在句子理解方面，教师提了一个问题，但停留于文本已有的解释，对句子所传达的多种言外之意没有挖掘，导致句子方面的测试普遍不理想;在语篇理解方面，教师用了5分钟让学生快速阅读全文，只是在讲授后让学生做简单比较，没有让学生概括大意，造成语篇理解的促进作用有限，学生整体测评效果不理想。

（四）提出英语教学改进的策略和思路

这主要是对发现的问题或潜在问题提供改进措施。该案例具体表现为两个方面：一是改变教学环节的时间分配，压缩10分钟的课堂导入时间，留出充裕时间让学生细读文本，并针对重要句子用学生熟悉的词语解释，而不仅仅停留于目标词汇认知的过关上。二是尝试在全文词句疏通的基础上，以思维导图的形式揭示语篇的行文脉络，以此促进学生对整个语篇的完整理解。

（五）基于教学改进策略进一步开展教学实践并评估实施效果

在上述分析的基础上，同一教师针对另一班级开展了第二次授课实践活动，发生的变化如图5、图6所示（蓝色为第一次，红色为第二次）。教学环节上，增加了思维导图促进学生理解语篇的环节，缩减了铺垫热身导入环节时间，对跳读和细读环节的时间分配也有所变化。

两次课堂跳读测试题目的正确率对比情况如下：题目1的正确率从65%提升至80%，题目2的正确率从44%提升至65%，题目3的正确率从50%提升至51.4%，题目4、题目5的正确率从47%分别提升至53.3%、54.1%，整体水平有所上升。细读水平测试各等级的人数占比中，比较全面的从5.9%提升至8.1%，提及部分的从44.1%提升至51.4%，笼统无物的从11.8%降至5.4%，未作答的从35.3%降至35.1%。

在此基础上，还可对教师的教学提出进一步的改进建议，如精简学生较易掌握的词汇，增强思维导图在促进学生理解整体语篇上的作用等。本文主要通过拆解数据驱动教师决策行为的过程，构建支持教师理解、更易开展相关实践的脚手架，使其获得螺旋式的自我提升与发展。今后，将在教师培训实践中使用该框架模型构建相关的培训课程体系，并根据实践反馈不断修正与完善。

参考文献

[1] Hunter M. Knowing， Teaching and Supervising. In P. Hosford（Ed）. Using What Know about Teaching. Alexandria， VA： Association for Supervision and Curriculum Development，1984：198.

[2] 朱书堂.从卜筮到大数据：预测与决策的智慧[M].北京：清华大学出版社，2017.

[3] Schildkamp K， Ehren M. From“Intuition”to “Data”-based Decision Making in Dutch Secondary Schools？ In Data-based Decision Making in Education， Springer， Dordrecht，2013：49-67.

[4] Ackoff R L. From Data to Wisdom[J]. Journal of Applied Systems Analysis，1989，16（1）：3-9.

[5] Marsh J A. Farrell C C. How Leaders Can Support Teachers with Data-driven Decision Making： AFramework for Understanding Capacity Building. Educational Management Administration & Leadership， 2015，43（2）：269-289.

[6] Schildkamp K， Poortman C. Factors Influencing the Functioning of Data Teams. Teachers College Record， 2015，117（4）：4.

[7][8][10][12][13]Ellen B. Mandinach， Edith S.Gummer. What Does It Mean for Teachers to be Data Literate： Laying Out the Skills， Knowledge and Dispositions. Teaching and Teacher Education， 2016，60：366-376.

[9] 彭红超，祝智庭.人机协同的数据智慧机制：智慧教育的数据价值炼金术[J].开放教育研究，2018（2）：41-50.

[11]王汉生.数据思维：从数据分析到商业价值[M].北京：中国人民大学出版社，2017.

[14]胡庆芳等.课堂里的数据会说话[M].上海：华东师范大学出版社，2018.

（作者黄炜系上海市电化教育馆应用推进部主任，中学一级教师;王昭君系华东师范大学出版社编辑;李锋系华东师范大学教育信息技术学系副教授）

责任编辑：孙建辉