大数据赋能新时代教育评价转型：技术逻辑、现实困境与实现路径

张志华 王丽 季凯

[摘   要] 大数据为新时代教育评价转型发展提供了重要机遇，促进大数据与教育评价融合创新是深化新时代教育评价改革的必然要求。据此，文章立足于新时代教育评价转型的多维诉求，厘清大数据赋能新时代教育评价转型的技术逻辑：数据海量驱动结果评价更加客观、数据功能驱动过程评价更为立体、数据关联驱动增值评价更具发展、数据技术驱动综合评价更富效率。剖析赋能过程中数据统筹、共享、人才培养和伦理上的现实困境，并提出具体实践路径：树牢数据治理思维，增强大数据助力教育评价转型紧迫感;夯实数据资源，注重大数据支撑教育评价转型客观性;完善数据标准，提高大数据服务教育评价转型精准度;提升数据效用，推进大数据赋能教育评价转型智慧化。

[关键词] 大数据; 教育评价; 技术逻辑; 现实困境; 实施路径

[中图分类号] G434            [文献标志码] A

[作者简介] 张志华（1970—），男，四川大竹人。教授，博士，主要从事教育信息化研究。E-mail：zhangzh@njupt.edu.cn。

一、引   言

教育改革方向的把握和教育成果的检验都离不开教育评价。作为一项有效的教育质量监督管理手段，教育评价在推进我国教育现代化过程中取得了诸多成绩，但同时也表现出与新时代教育事业内涵式发展和高质量建设不相适应的问题，教育评价转型和改革势在必行。2020年10月13日，中共中央、国务院印发了指导教育评价改革的纲领性文件——《深化新时代教育评价改革总体方案》，首次明确提出“坚持科学有效”导向，将改进结果评价、强化过程评价、探索增值评价和健全综合评价的“四个评价”作为改革重点，为促进新时代教育评价转型提供了良方[1]。与此同时，伴随着新一代信息技术的创新发展，大数据的研究和应用也渗透到教育领域，高质量教育体系的构建依赖于教育数字化转型[2]。新时代教育评价的转型发展迫切需要先进技术支撑，而大数据为教育评价转型提供了重要技术逻辑和实践方向。

二、新时代教育评价转型的多维诉求

（一）改进结果评价：呼唤全面的评价内容

结果评价是教育教学、管理服务和学习结果等的效果评价，主要侧重于学生学习效果、教师教学质量和学校管理服务水平的最终评判。结果评价一般以目标为导向，用统一的标准来衡量具有个性化特征的人，以较为单一的指标来框定复杂个体。较长时期以来，我国对学生學习效果评价上多以标准化测试分数作为主要标准，以鼓励竞争、重视选拔、区分优良为显著特征，一定程度上忽视人的个性化发展，片面的结果评价无法促进教育系统良性发展[3]。在教师教育质量评价上多数评价标准虽综合了“德、能、勤、绩”等维度，但实际操作中，教学成绩仍占很大比例。在对学校的评价上往往依据升学率、平均分、就业情况等将学校分为三六九等。无论是对学生、教师还是学校的评价上，过去的结果评价涵盖的内容都尚未全面，主要表现为：数据数量较少，所收集的评价内容局限于小规模抽样数据或部分数据，在基础教育阶段表现为学生对学科知识的测评，只评价大纲内的内容忽视其他非考试性知识;数据类型单一，受技术限制，采集数据多为以分数、等级等易保存的书面材料为主，对于教师教学过程中生成的视频、音频等非结构化数据获取较少;在时间上，以片段化、阶段性数据为主，无法获取连续性数据;在空间上，采集非自然状态以及物理空间的数据，数据获取过程的科学性难以保证。结果评价的改进需要全面的评价内容作为支撑，片面的评价内容会削弱结果评价的客观性和科学性。

（二）强化过程评价：诉诸立体的评价手段

过程性评价是指在一段时间内对学生及教学活动执行情况进行多次、连续性评价，对学生情感、态度等非认知因素的形成性评价，对教师的教学效果进行评价，其主要特征是关注学习过程、重视非预期结果。自布莱克与威廉提出过程性评价以来[4]，对于过程性评价的实施引起了人们极大的关注。陈秋仙从社会文化视角分析了我国以应试为导向的评价文化和儒家传统尊卑观念导致过程性评价实施的适切性较弱[5];曹明指出了思想政治课中过程性评价的目的难统一、标准难界定，开展难持续等问题[6];邵朝友认为大量资金与研究人员的需要、较长的评价周期等因素限制了过程性评价的开展[7]。面对过程性评价的多重困境，需要寻求多样化的评价手段突破其发展的瓶颈期。以往过程性评价难以深度发展的原因在于：一是过程性数据的搜集和管理难度大。过程性评价需要教师收集多样化的评价信息，包括考试成绩、作业情况、课堂表现等方方面面，仅靠教师一人力量很难收集到较为全面的数据，不同类型的数据也给教师的整理工作带来一定难度。二是过程性评价的功能发挥有限。过程性评价的目的在于帮助教师提升教学效果，促进学生的学习过程。但作为学习主体的学生，其主体性并未得到很好体现，教师仍然占据评价主体中的重要比重，评价仍注重学生测评而教师教学优化不足。三是过程性评价的工具自身存在缺陷。随着越来越多新奇评价工具的出现，其质量参差不齐、稳定性较差、耗时过长等问题也日益显露。

（三）探索增值评价：渴盼开阔的评价思路

增值性评价是指向学习结果的评价，但它不只是注重对当下考试成绩的评定，而是更关注学习的原有起点和进步幅度，多应用于以学生成绩的变化程度衡量学校效能和教师绩效。增值评价作为一种尚在不断发展中的新评价，自身仍有不足，主要体现在：第一，评价指标选择问题。评价指标是否科学有效一直是增值性评价的一个争议点，即基于增值模型计算出的数值是否真实代表了包括学生教师在内评价对象的进步程度。有研究者从统计模型本身出发，认为常用的增值评价模型无法破解优秀学生因增值空间有限而较难获得较大进步的天花板效应[8]。第二，评价内容窄化问题。目前大多数的增值评价仍是基于考试成绩的模式，缺乏对学科成绩外其他能力的分析，如学生的表达能力、社交能力等。有学者指出，为了提高评价的精确度，应加大对历史、语文等科目客观题的考察，但这可能无法测出该学生在该学科的关键能力[9]。第三，评价结果认可问题。由于增值评价多基于统计模型，它不如平均分、升学率等指标清楚明了。比如对教师效能的增值评价，公众对其含义、计算过程、是否可信等理解存在一定的难度。

（四）健全综合评价：寻求多样的评价技术

综合评价是用多个指标对教育行为进行的整体性评价，采用较为规范、系统的方法综合考查学生的考试成绩、平时成绩以及综合素质评价等内容，以此作为升学的重要依据。具体实施过程中，综合评价逐渐暴露出相关问题。其一，评价数据质量难保证。综合评价的评价内容包含大量要素指標，不仅要测量学科知识，还要测量学科背后的学科素养，综合素质评价成了打破“一考定终身”，优化高考的重要方式，但在高中阶段的综合素质评价中质性评价仍以鼓励表扬形式为主，重复的夸赞语言很难让人了解语句背后蕴藏的真实含义，对数据质量是否可靠，也很难深究。其二，评价等级难界定。对于学生个人品质及学科成绩的等级评定比较模糊。比如，存在不同办学水平学校用同等比例划分等级的问题。其三，评价手段难客观。在具体的评价环节中，虽然施评者依照一定的评判指标或标准进行评价，但仍存在对评价指标或标准理解主观性，不同施评者会基于主观理解或自身经验做出自认为客观的主观评价等问题。

三、大数据赋能新时代教育评价转型的技术逻辑

（一）数据海量驱动结果评价更加客观

大数据具有数据量大、类型多、处理速度快、真实性强等特点，利用大数据海量特征可以获取并挖掘更多自然状态下大量真实可靠的教育数据信息，极大地拓展了教育评价的内容。首先，大数据拥有巨大数据量，丰富了教育评价数据来源。教育大数据的源头有很多，但主要还是来源于教育过程中的人和物，人包括教师、学生、管理人员等，物包括信息系统、校园网站、服务器、多媒体等各种教育设备[10]。多样化数据来源可以支撑教育评价的进行，例如美国就建立了国家级、州级、学区级，以及校级的各级各类教育数据系统，为教育评价的数据获取提供了基本的依托[11]。其次，大数据拥有繁多数据类型，能够容纳多种类型教育数据。教育活动是个复杂的过程，不仅会产生许多能够存储于数据库的结构化数据，也会产生大规模非结构化数据，例如师生互动的音频、视频等，这些都是教育评价的重要内容。通过语音识别、图片识别等技术将非结构化数据转换成结构化数据，将非结构化数据纳入到评价内容之中，使评价内容更加充实。再次，大数据便于高速处理，有利于获取多状态评价数据。随着移动网络的发展，人们对数据的时效性应用需求更加普遍，传统静态数据已经不能完全满足人们的需求，大数据可获取的动态数据能够在教育平台上为学习者提供及时的反馈。最后，大数据具有真实性，可提供真实教育评价数据。与传统方式获取的“当前结果”相比，大数据可以获得实时、真实的信息，如学生在各种传感器上留下的学习、生活等活动信息及时间分配等，真实性的数据驱动结果评价更加客观。

（二）数据功能驱动过程评价更为立体

数据是过去、现在和未来的连接，将其特有功能运用于过程评价中，将有助于师生了解过去、把握现在、预见未来。其一，大数据总结过去，便于成果总结。过程性数据分散在教育系统的各个部分，需要教师及时整合。过往的过程性评价大多是在某个学习过程完成之后进行评价，这在很大程度上降低了过程性评价的及时性，大数据的及时反馈功能能够对学生的学习过程及时监测和反馈，提高了过程评价效率。其二，大数据驱动现在，激励学生学习。课堂教学是过程评价的重要评价内容，教师应重视对课堂教学这一重要渠道进行把握[12]。通过大数据技术对学生学情实时监管与监测，督促学生按时打卡。通过大数据技术支持学生的自主学习，教师需充分利用相关技术，安排学生阅读课外读物、观看课外学习视频，通过对学生在线学习时间、答题准确率等进行过程性评价，及时了解学生薄弱之处，提供反馈建议，驱动学生自主学习。其三，大数据预测未来，优化评价工具。预测是大数据的重要功能[13]。过程性评价量表是过程性评价的重要工具，利用大数据技术开发电子学档，不仅可以记录学生学习的全过程，更可以通过对相关指标的分析，预测学生学习倾向，帮助师生在评价的同时摸清前进方向。

（三）数据关联驱动增值评价更具发展

“大数据”不仅指数据集本身的绝对大小，还指数据集内部的复杂性和相关分析的复杂性[14]。增值评价是一种基于大数据的发展性教育评价模式，大数据从精确性到复杂性、从样本到全体、从因果关系到相关关系的思维模式可以为增值评价带来新的评价思路。一是拥抱混杂性，回归人的自然发展。增值评价是一种基于模型分析的量化评价方式，对于模型的选择有着极高要求。但在现实情景中很难构建有超高精准性的模型，因此，我们必须接受数据的混杂性，允许不精确的数据存在，尝试利用简单易懂的增值模型，减少等值换算的难度。例如，英国就已经开始放弃复杂的增值模型开发，转而采取了更加方便简单的均值计算方法[15]。同时，对于有差异的增值也要予以关注。学习本身就不是线性发展的，增值评价过程中可能会出现非线性、不连续性等特点，为避免不公平现象出现，增值评价应关注差异化的增值。二是关注海量特点，尽可能获取全体数据。以往由于技术的限制，增值评价的内容较为单一，人们只能利用随机抽样获得少量的教育数据，而大数据采用所有数据的方法，从宏观到微观，及时了解、把握评价对象的整体情况，可以获得较为全面的评价内容。三是放下对因果关系的深究，利用相关关系“发声”。增值评价中线性的因果关系评价思维和主观的经验判断影响了增值评价的科学发展，由于教育的复杂性，单纯的因果分析很难发现结构性不强的数据，利用大数据的优势，通过对相关关系的分析，可以提高人们对事物之间联系的敏锐度，人们可以比以前更容易、更快捷、更清楚分析事物。利用相关关系的“发声”捕捉学生的最新动态，构建个性化学生数字画像。

（四）数据技术驱动综合评价更富效率

大数据技术是由诸多技术组成的一个组合体，基于大数据的基本处理流程，产生了数据采集技术、存储技术、分析处理技术以及可视化技术等。毛刚等学者认为教育大数据技术能够极大地提高评价的效率和品质[4]，在综合评价中运用大数据技术也将在很大程度上提高效率。首先，大数据采集技术提高数据的真实性。大数据无损采集技术将为综合评价提供真实可信的评价内容，与以往采集不同之处在于可以在教育现象发生过程中采集数据，具有及时性和准确性的特点。为了更加精准地采集到教育数据，毕夏安等学者面对精准教学构建了能够整合学生数据与教学数据的大数据采集分析平台[16]，为整合教育数据、促进全面学情分析做出贡献。其次，大数据处理技术提升数据质量。综合评价数据的采集通常有多个数据源，这些数据源由于端口不同可能会出现数据缺失、数据冲突等问题，大数据处理技术能对这些尚待完善的数据预处理、清洗、集成以及转换，提升评价数据的总体质量。预处理技术可以将异构性评价数据转化为标准化格式以达到快速处理的目的。大数据清洗可将评价中无关紧要的数据和错误的干扰性数据去除，从而得到有效的评价数据。再次，大数据可视化技术使评价数据更为直观。可视化技术有助于分析和探索大规模复杂评价数据，对公众理解和发现教育规律起到极大作用，是教育价值最直接的呈现形式。借助文本可视化技术对学生的知识点和学生知识体系进行评估，能帮助教师了解学生知识掌握情况和个人知识体系的发展状态[17]。刘海等对“师大云课堂”在线教育平台进行可视化技术分析，发现大数据可视化技术可以帮助学生进行自我评估[18]，对英语测试进行可视化分析，帮助学生找出失分题型。

四、大数据赋能新时代教育评价转型的现实困境

（一）数据统筹规划不充分

当前，教育领域相关的大数据运用统筹规划尚不充分。一方面，数据驱动教育评价转型的思维尚未真正确立。在教育评价的转型过程中，教师没能像其他行业那样拥护数据驱动的理念，这将导致教师无法全面认识并充分发挥大数据思维在教育评价中的价值。另外，轻视数据与数据万能的观点依然存在。另一方面，数据驱动教育评价结果的解读也有误区。主要体现在两点：一是只重视评价最终结果，忽视评价结果产生的机制。数据解读是复杂的非线性过程，数字排名不能代表绝对结果，数字大小不能看出相对意义。二是以最终评价结果为终点，缺乏进一步数据挖掘。教育领域中不同主体对于数据解读的需求不同，学生想通过数据解读了解学习成效，家长想通过数据解读了解学生学习状态，教师希望了解教学效果，这些都需要精细化的评价结果解读来实现。学校、教师未能对评价结果进行充分挖掘将影响数据驱动功能的发挥。

（二）数据共享机制不完善

首先，数据孤岛仍然存在。现有教育数据挖掘与分析往往仅限于特定的系统和平台，数据来源单一，尚未构建跨系统、跨平台的“教育大数据”，各类数据分布零散，彼此孤立，形成数据孤岛。比如实行增值评价大多需要類似中、高考这种具有高度可比性的测试成绩，但这些数据多由教育考试机构管理，教师、学校的数据又由相关机构管理，完整获取这些来自不同数据库的评价数据难度较大。其次，信息资源利用程度较低。数据虽多，利用程度却较低。譬如，招生考试中的大量数据因为隐私性、安全性等原因无法公开使用，教学中的活动数据因为量多杂乱也少有人问津。再次，采集技术尚未突破，造成信息缺失。现有的采集技术无法满足对教育全场景数据采集的需求，造成了信息缺失，制约了教育大数据采集的广度和深度。比如，线下教育需全面记录和刻画教学过程，需要实现对教学主体的自动识别、对物理空间中交互对象的信息和其内涵的信息提取，以及对交互过程的智能感知和准确描述，这对数据采集的技术要求更高。

（三）数据人才培养跟不上

首先，精通大数据与教育评价的人才稀缺匮乏。一方面，社会对大数据人才的需求显著增长。根据人力资源和社会保障部于2020年5月份发布的数据显示，预计2020年中国大数据行业的人才需求规模将达到210万，2025年前大数据人才需求仍将保持30%～40%的增速，需求总量在2000万人左右[19]。另一方面，不同行业的供需不平衡。赛迪智库报告显示大数据人才在行业层面分布不均匀，主要集中在互联网、政府、金融和电信行业，而在教育领域中，大数据人才缺口巨大。其次，人才总体上结构性不合理。一方面，结构性缺失。相关人才和初级人才多，高层次高水平人才、领军型人才稀少。另一方面，人才结构不合理。计算机、金融等前沿行业是人才的聚集地，大数据产业的发展也需要高层次、高水平人才来保障，然而，目前从全国范围来看，大数据人才中本科学历占比达到67%，硕士及以上学历占比仅22%[20]，这不利于形成可信的、完整的或者较好的大数据解决方案团队。再次，人才培养计划和方案亟待优化。近些年来，人们对大数据人才以及应该具备的技能和素质缺乏统一认知，导致人才培养计划和方案模糊不清。对于掌握教育学、数学、统计学、数据分析等多方面知识的综合性人才，能够培养的院校或者培训单位不足以满足用人单位的需求。

（四）数据隐私和伦理面临挑战

劳拉哈基米等提出了教育大数据的四大主要伦理问题类别：隐私、知情同意和数据所有权;数据和算法的有效性和完整性;道德决策和采取行动的义务;以及治理和问责制[21]。研究发现，大数据的采集、存储、使用的过程中都可能产生隐私泄露等问题。首先，多方位的数据收集可能会存在泄露安全隐患。精准化的学习推荐建立在大量数据分析的基础之上，教学过程中产生的数据是否都可以被分析，理论上要获得评价对象的同意，但现实情况是评价对象为了获得个性化服务而不得不以牺牲个人隐私为代价，本该从大数据中获益却也因此丢失人格尊严[22]。其次，数据处理可能会导致数据完整性和有效性的缺失。当数据被捕获时，许多数据需要广泛的过滤、分类和标准化来将数据转换为数据库，以及复杂的数据表示方式，不同机构不同的处理方式和处理技术，可能影响数据的有效性、完整性。再次，数据解读可能增加对某些学习群体的偏见和歧视。一些学者认为，算法决策可能会造成某些特殊群体处于不公平的不利地位。例如，如果色盲或从事课外体育运动的儿童在计算机任务上表现不佳，如果算法预测对他们不利，这可能不利于他们的教育前景。

五、大数据赋能新时代教育评价

转型的实现路径

（一）树牢数据治理思维，增强大数据助力教育评价转型的紧迫感

大数据作为驱动教育改革的新动力在教育领域备受重视。《加快推进教育现代化实施方案（2018—2022年）》中提出要重视数据对教育治理的作用，开展数据支撑下教育治理模式的创新与变革。聚焦到教育评价领域，新时代教育评价转型涉及多个主体、多个流程、多个维度，同样需要各个主体树牢数据治理思维，利用数据驱动评价转型。一方面，数据治理思维必然加速大数据与教育评价的融合。《中共中央关于制定国民经济和社会发展第十四个五年规划和二〇三五年远景目标的建议》中高度肯定了大数据的重要功能，强调数据治理和数据要素潜能的释放。大数据与各行各业融合已成为不可逆转的趋势，在教育评价中，大数据从理论上重构了教育评价的权利分配体系，在实践中开发利用眼动仪等设备捕捉学生的好奇、乏味等情绪[23]。无论是社交数据、生理数据还是视频音频数据都从不同维度助力了大数据与教育评价的深度融合。另一方面，数据治理思维将倒逼教育评价转型和改革进程。新时代教育评价改革的任务重、要求高、阻力大，不能以固化的评价思维去看待新时代教育评价，需要树牢数据治理思维倒逼教育评价本身转型升级，因为数据治理思维在改进教育评价工具，促使评价工作更加准确、快捷的同时，还将进一步优化教育评价管理，助力全过程自动化评价。

（二）夯实数据资源，注重大数据支撑教育评价转型的客观性

首先，加强基础设施建设。目前，在基础设施建设上，各地区建设水平存在一定差异，加强薄弱地区基础设施建设势在必行。基于数据驱动的教育评价基础设施包括专用网络、专用数据库以及数据采集设备等多种类型，只有搭建夯实数字底座，才能助力教育评价更好转型发展。其次，共享资源消除数据孤岛。既需要制定正确的管理和监控策略，开发有效的架构和流程，科学分析和维护数据，比如，为解决地域间数据不平衡的问题，积极开展“东数西算”工程，进一步优化数据中心布局，又需要基于有效工具拓展数据源，构建允许多元主体可以从中获取和输入数据的“通用池”[24]。先选择一个试点区域来建立互联的教育大数据系统，开展教育评价，在试点成功的基础上再逐步推广。再次，确保科学评价依据。加强工具开发队伍的专业性， 确保工具开发的科学性， 提高评价目标、评价工具、评价结果的一致性， 从而以客观、公正的依据来进行价值判断。

（三）完善数据标准，提高大数据服务教育评价转型的精准度

数据标准体系的建设是教育信息化建设过程中的重要一环，能够有效支撑和保障数据应用，并提高大数据服务教育评价转型的精准度和可信度。首先，加速大数据标准化建设。借鉴国际教育大数据相关标准制定思路并参考我国其他行业大数据标准制定规则，建设教育领域的大数据标准化体系。既要包括教育数据采集标准、处理标准以及安全保障标准等，也包括教育评价中的学习分析类型的标准、可视化的标准以及参与者的使用标准等，以标准为行动框架，促进精准化评价措施落地。其次，加强教育大数据标准宣传推广。一方面通过各种宣传途径广泛宣传，让参与教育评价的各个主体了解到制定数据标准的重要性;另一方面通过加强对大数据标准的宣传推广，有助于吸引更多的教育工作者参与到需求调研、研究编制等工作中。再次，推动大数据标准的国际化进程。标准是国际大数据竞争的重要战场之一[25]。承办或参加相关国际化的教育大数据活动、会议，学习其他国家数据驱动教育评价的经验，加强我国与数据标准化组织的联系，努力完善教育大数据标准。

（四）提升数据效用，推进大数据赋能教育评价转型的智慧化

首先，基于数据做到“真用”。各级部门、各类评价主体应在评价方案、指标体系中体现大数据使用情况，明确客观数据的使用比重，对可以使用的数据做到“真用”。其次，培养人才做到“会用”。一方面，优化人才培养目标和措施。通过通识培养、专项培养、按需培养、跨学科培养以及联合培养等多种培养方式，根据初级、中级、高级等不同等级培养目标和市场需求，培养大数据教育评价的复合型人才;另一方面，整合包括高校、企业、科研院所在内的相关资源，推动创新人才和创新环境的培育，建立強大的数据科学基础，注重多学科的交叉培养模式，切实培养“会用”教育大数据的相关人才。再次，科学评判做到“善用”。一方面，要明确教育大数据并不能等同于真实完整的教育世界，大数据所展示的思维方式和以前的各种思维方式相比并不是替代性、万能的，只是对原有认识方式的补充和丰富。在利用数据驱动教育评价转型时，需要把握好使用的“度”，避免对数据的过度推崇，让教育评价的价值回归到育人的价值而不是片面的工具价值。另一方面，在充分挖掘大数据对教育评价转型价值提升的前提下，通过建立教育大数据伦理文化共同体等方式，善用大数据驱动教育评价转型，在正确质量观的引领下，通过数据采集、分析挖掘、问题诊断、研究细化、反馈改进等路径，将数据驱动教育教学改进行为落实到实践中，并形成常态机制。

六、结   语

教育评价是教育的重要构成要素，是对教育活动及其现象做出的价值判断，发挥着导向、鉴定、调控和反馈等一系列功能。在新时代里，我国的教育事业向着更高的阶段迈进，对教育质量有着更高的要求，改革是教育发展的内在动力，而教育评价又对整个教育事业的前进方向起着导向作用，深化新时代教育评价改革无论是在理论建设还是教育实践中都具有深远的意义。“四个评价”即改进结果评价、强化过程评价、探索增值评价、健全综合评价为新时代教育评价改革指明了方向，每个评价的具体落实都离不开智能技术的支持，厘清大数据赋能新时代教育评价转型的技术逻辑，强化人们在教育评价中的数据治理思维，对构建精准、个性、灵活的教育服务体系意义深远。但在利用智能技术赋能教育评价时也须认识到任何技术的双面性，要利用技术谋福利赋动能，做到真正为“人”服务。

[参考文献]

[1] 龚方红，刘法虎.彰显类型特征的职业教育评价新蓝图——《深化新时代教育评价改革总体方案》解读[J].国家教育行政学院学报，2020（11）：26-33.

[2] 祝智庭，胡姣.教育数字化转型的实践逻辑与发展机遇[J].电化教育研究，2022，43（1）：5-15.

[3] 刘志军，徐彬.教育评价：应然性与实然性的博弈及超越[J].教育研究，2019，40（5）：10-17.

[4] 毛刚，周跃良，何文涛.教育大数据背景下教学评价理论发展的路向[J].电化教育研究，2020，41（10）：22-28.

[5] 陈秋仙.论形成性评价在中国的文化适可与挪用[J].山西大学学报（哲学社会科学版），2016，39（3）：80-90.

[6] 曹明.过程性评价的应用困境及对策[J].思想政治课教学，2020（3）：81-84.

[7] 邵朝友.基于学习进程的形成性评价：难为与可为[J].教育发展研究，2013，33（20）：41-45.

[8] 杨志明，彭丽仪，李洋.增值评价中的天花板效应及其破解思路[J].教育测量与评价，2020（12）：3-7.

[9] 边玉芳，孙丽萍.教师增值性评价的进展及在我国应用的建议[J].教师教育研究，2015，27（1）：88-95，112.

[10] 郑燕林，柳海民.大数据在美国教育评价中的应用路径分析[J].中国电化教育，2015（7）：25-31.

[11] 陈明选，王诗佳.测评大数据支持下的学习反馈设计研究[J].电化教育研究，2018，39（3）：35-42，61.

[12] 维克托·迈尔—舍恩伯格.大数据时代[M].盛楊艳，周涛，译.杭州：浙江人民出版社，2013.

[13] 沈忠华.新技术视域下的教育大数据与教育评估新探——兼论区块链技术对在线教育评估的影响[J].远程教育杂志，2017，35（3）：31-39.

[14] CLAYTON M， HALLIDAY D. Big data and the liberal conception of education[J]. Theory and research in education， 2017，15（3）： 290-305.

[15] 尤铮，王璐.英格兰基础教育增值评价的实施与效用探究[J].外国教育研究，2019，46（7）：42-53.

[16] 毕夏安，邢兆旭，胡溪，周雯燕.面向精准教学的教育大数据采集分析平台设计[J].软件工程，2021，24（9）：48-50，54.

[17] 李葆萍，周颖.基于大数据的教学评价研究[J].现代教育技术，2016，26（6）：5-12.

[18] 刘海，李姣姣，张维，张昭理，易泽顺.面向在线教学平台的数据可视化方法及应用[J].中国远程教育，2018（1）：37-44.

[19] 中华人民共和国人力资源和社会保障部.新职业——大数据工程技术人员就业景气现状分析报告[R/OL].（2020-04-10）[2022-01-04].http：//www.mohrss.gov.cn/SYrlzyhshbzb/dongtaixinwen/buneiyaowen/rsxw/202009/t20200923_390933.html.

[20] 中国大数据产业生态联盟.2021中国大数据产业发展白皮书[R/OL].（2021-07-28）[2022-01-24].https：//www.bdinchina.com/article/1379/196.html.

[21] HAKIMI L，EYNON R，MURPHY V A. The ethics of using digital trace data in education： a thematic review of the research landscape[J]. Review of educational research，2021，91（5）：671-717.

[22] 庞茗月，胡凡刚.从赋能教育向尊崇成长转变：教育大数据的伦理省思[J].电化教育研究，2019，40（7）：30-36，45.

[23] 骆方，田雪涛，屠焯然，姜力铭.教育评价新趋向：智能化测评研究综述[J].现代远程教育研究，2021，33（5）：42-52.

[24] 方海光.教育大数据：迈向共建、共享、开放、个性的未来教育[M].北京：机械工业出版，2016.

[25] 中国电子技术标准化研究院.大数据标准化白皮书（2020版）[R/OL].（2020-09-21）[2022-01-24].http：//www.cesi.cn/202009/6826.html.