从数据素养到数据智慧：教学决策的实践脉络与绩效追问

林书兵 陈思琪 张学波

摘要：随着教育大数据时代的来临，数据逐渐成为教育领域的火爆热词，“量化一切”“让数据发声”等口号成为新时代教育的风向标，数据密集型科学范式俨然已成为教育研究的主流范式，数据驱动的教学决策模式也备受一线教师推崇成为教育实践领域的流行趋势。但数据在教育领域的应用并非一蹴而就的过程，数据驱动的教学决策过程受教师个体数据素养的提升、团队数据智慧的建构等多种因素和条件影响。当前，该领域存在着简单、线性和片面化等数据思维倾向，相关误解亟待辩清，还需从理论基础、动力机制与文化内核等方面理清实践脉络，并应强调从实证角度关注实际成效。为此，笔者试图梳理美国该领域20年的先行经验和实践启示，以期为国内这一热点实践领域提供深入推进的思路和方法。

关键词：数据素养；
数据智慧；
教学决策

中图分类号：G434 文献标识码：A

本文系国家社科基金重大项目“信息化促进新时代基础教育公平研究”（项目编号：18ZDA334）研究成果之一。

一、引言

长期以来，以经验和直觉作为主要支撑的教学决策过程因为没有凭证缺乏依据不够客观比较随意等问题而饱受诟病，而数据驱动的教学决策（Data-driven Decision Making，以下简称DDDM）模式逐渐为一线学校所推崇成为流行趋势。但在将数据引入教育教学过程中存在着拿之便用一用即灵的现象，相关实践对其实际效用避之不谈或是寥寥数语，以毋庸讳言和默许定性的方式主观设定其巨大成效。另一方面，任何外部推动力量在教育领域的介入都不是一蹴而就立竿见影的过程，从历次教育运动风潮的反思来看，不求甚解，蜂拥而上和矫枉过正恰是我国教育教学领域尤需警惕的过往启示。当前，数据是否真的成了教育教学改进的灵丹妙药、数据驱动的教学决策主要受哪些因素和条件影响、具体有效性如何等等，这些问题值得教育学术和实践领域认真去审视和回应。

二、有关DDDM的先天误解

1.数据驱动就一定有效吗

随着大数据在其它行业应用价值的逐步凸显，教育领域对数据的应用也形成了迫切期待。在大数据急速推进形势下，现实的教育应用中容易涌现忽略背景条件限制的功能假象。Coburn等人曾指出，所有促进数据使用的干预措施都根植于这样一种信念，即认为只要收集和分析正确的数据，它们将为关键的教育问题提供答案，并为行为者的决定提供信息，随后将产生更好的教育结果[1]。但事实上，DDDM应用受多种因素影响。首先从数据的来源范畴来看，数据的量有大小之分，大數据和小数据在呈现自然全态和客观实情方面存在着本质的差距，其处理程序和分析流程也不尽相同，对决策的指导价值当然也有着天然差别。从当前业界普遍公认大数据的5V特征出发，业界专家们普遍认为真正意义上的教育领域大数据应用实则非常奇缺，大部分是基于局部或便利情形采集的“大量”数据而非大数据，由此而开展的推理、判断和分析等决策行为，其效力本身存疑。其次，数据的品质有优劣之别，除了众所周知的数据的真假可靠性因素之外，数据采集技术的限制，如教育领域某些特定情形下只能基于收集的自我报告和回顾性数据做出简单推理和分析，这些因素也决定了大多时候我们只能在相对客观的基础上做出尽可能真实地分析处理。此外，由于数据呈现方式的掣肘，如系统输出过于复杂繁琐的报告从而使得教学者无法解读，或只是简单告知教学情况的不足和缺陷，而对教学细节和补救措施却只字不提，凡此种种，劣质不良数据的作用形同无物。再者，从类型上看，数据的冰山模型显示了当前大部分数据应用仍然局限于规范标准的结构性数据，隐藏在冰山脚下的大量的非结构化数据（如教学视频、学术报告、课堂讨论记录等）目前还未找到较好的处理方式和分析方法。因此，从总体上来看，基于片面数据的简单分析势必会影响到最终的决策精准性。除此之外，迫于压力的数据问责和评估，违背伦理的数据滥用、缺乏素养的数据误用以及追求个人利益的数据伪造等等，这些行为都会给基于数据的教学决策效果蒙上了阴影。

2.完全抛弃直觉和经验吗

数据进入教学领域带着客观科学有效的天然光环，也承担着改变教师直觉和经验依赖的重大责任，但是否有了数据之后就可以完全摒弃教师的直觉和经验呢？显然，这一做法是不现实也是不可取的。从DDDM开展的现实困境来看，数据的全面采集和分析往往需要耗费教学者大量的时间和精力，而且需要数据的质量保障和教学者的专业素养护航，才有可能做出相对客观的决策判断。但Kahneman等人认为，教师和所有人一样，倾向于看到证实自己已有信念的东西，并不自觉地拒绝指向相反方向的数据[2]。因此，教学领域历来特别崇尚灵机一动的直觉闪光时刻和长期依赖经验累积的思维惯性，这些障碍会驱使着教师在基于数据和基于直觉经验之间做出抉择，而出于决策效率和经济性上的考虑，他们往往会认为数据没有直觉省事，没有经验可靠，或者认为数据虽然揭露了现实，却不能呈现原因，所以对于解决问题也无济于事。此外，直觉经验同数据驱动之间并非非此即彼的关系，相关研究揭示了数据和直觉之间存在相互作用，在决策过程中直觉指导着对数据的搜索，直觉不仅可以用于理解数据，而且决定了哪些数据受到关注。正因为直觉的作用，人的决策过程往往呈现出享乐主义倾向，这也是用数据驱动挑战直觉判断如此困难的重要原因之一[3]。事实上，基于洞察力的直觉、基于经验累积的知识和基于量化处理的数据，它们都是实践信息来源的渠道之一。决策相关理论表明，基于数据驱动的理性策略特别适合解决允许固定程序的结构良好的问题[4]。但许多教育问题是复杂的，在现实不断变化的情况下往往涉及多种影响因素，因此教育者的经验和专业判断非常重要，但它们必须与数据结合使用，才能应对愈加复杂的教学新情境和新情况。从教育决策的实际应用情况来看，直觉可能存在陷阱，经验也不一定可靠，使用数据也绝不是屡试不爽。因此，现实中人们往往接受由理性和直觉双重指导的决策过程。

3.成绩和分数就是全部吗

对DDDM的误解还存在于对数据的来源渠道和最终目标的狭隘界定，特别是由于不同教育背景下的问责制压力，导致教学领域大多数时候只关注学生的考试成绩和分数，并且片面地以成绩分数数据作为依据，从而做出较为肤浅的教学理论假设。虽然以学生成绩数据作为数据源符合教学实践领域的便利性原则，但基于成绩分数的来源数据，教师通常无法做到全面客观的理解和评价学生。教师往往需要相关背景性信息的支撑来辅助理解每个学生（如需要哪些先前知识，学生已经掌握了哪些，犯了哪些错误以及可能的原因是什么，如何更好地教学才能适应学生的需求等），并以告知他具体如何设计教学步骤的方式来帮助该学生。当前，教育工作者急需从基于考核成绩数据的单边线性求证思维转向来自三方或更多数据源（如人口统计、出勤、健康、交通、司法、动机、家庭环境（无家可归、寄养、潜在虐待、贫困）和特殊指定（残疾、语言学习者、欺凌等））的三角互证思维，从而更加全面地了解学生的表现和行为，这些其它数据来源并不是为了取代学生表现的基本数据，而是为了提供解释和背景，帮助教育者更好地理解和解释数据的深层含义。

4.仅凭数据分析技能可行吗

随着大数据时代的快速来临，教育数据的不断丰富和多元，如何让教师能够充分利用这些数据以达到改进教师教学实践促进学生个性化成长的目的，教师的数据运用能力显得尤为重要。Gummer和Mandinach于2015年开创性地提出了一个有关“教师数据素养”的定义，即通过收集、分析和解释所有类型的数据（评估、学校氛围、行为、印象、纵向、动态等）将信息转化为可操作的教学知识和实践的能力，以帮助确定教学步骤。它将对数据的理解与标准、学科知识和实践、课程知识、教学内容知识以及对儿童学习方式的理解结合起来[5]。在借鉴舒尔曼提出的整合技术的学科教学知识（TPACK）框架的基础上，Gummer等人也提出了一个相应的教师数据素养结构框架，具体包括三个领域，即用于教学的数据、学科内容知识和教学内容知识，如图1所示。他们认为教学数据素养是与学科内容知识、教学内容知识、对学生发展以及对学校教育背景的理解紧密交织在一起的一个综合领域，因此在强调教师掌握最基本的数据分析处理能力基础上，还需要关注学科知识和实践领域以及教学内容知识领域，体现在实践能力层面则具体包括应用数据发现教学问题的能力，即教师在树立全新教育数据观的基础上，充分结合教学实际识别与发现教学问题的能力，是教师应用数据改进教学能力的起点所在；
数据交流能力，即“用数据说话”的能力，也就是使用数据与教学利益相关者对教学相关主题进行交流的能力；
应用数据进行教学决策的能力，是以数据为基本依据展开教学问题假设与教学干预论证，做出更为客观、合理和指向教学发展教学决策的能力等。因此，任何专业发展或培训都应该侧重于数据的实际使用，而不仅仅是数据分析技术技能的练习，应尽可能地帮助教师学习如何将数据转化为可操作的教学步骤，同时整合他们的内容和教学知识，从而改变他们的教学实践。

获取如何将数据转化为教学改进的知识并不容易，这需要教师利用他们的专业智慧来理解数据。这一领域通常存在这样的误解，即认为当教师与同事合作时，这些知识就会自然而然地被分享和掌握。然而，这种情况是否会真正发生，在很大程度上取决于团队内部的组织结构以及协作机制，以及是否有足够的时间来钻研教学。因此，如何促成教师应用数据改进教学的“知”“思”“行”三者间的良性循环，积极开展集体数据对话，以进一步营造学校协作型的数据文化氛围，这就涉及下篇讨论的数据智慧培育问题。

三、教师数据智慧的养成机制

我们对DDDM的先天误解缘于教学实践中对DDDM中的数据、技能、知识和经验等相关元素的线性式处理和简单化分割。事实上，结构完整而又全面精确的数据，完美娴熟的教师数据分析和处理技能，专业深厚的学科教学知识、整合数据的教学内容知识以及通过教师自身的敏感直觉、清晰洞见和丰富的经验所形成的对学生发展的认知以及对学校教育背景的综合理解，教学者只有将这些元素紧密交织融合在一起，才能真正在具体的教学实践当中，将抽象的教学数据素养转化为具体情境中基于数据的教学决策能力，并通过实践當中创造性地运用，不断累积教师数据智慧，从而最终提升教学决策的精准性和有效性。需要特别指明的是，从教师数据素养到数据智慧的提升和飞跃过程，并非单靠教师个人的一己之力所能实现，而是需要教学者在学校数据驱动的教育变革生态中不断吸收给养，积攒动力和协同合作才有望达成。为此，有必要就DDDM系统的理论基础、动力机制和团队文化做进一步深入探析。

1.正本清源：认清DDDM的理论基础

DDDM中对数据应用速效式的目标追求和基于成绩数据的片面式目标关注，主要缘于数据使用早期倡导的新行为主义和认知主义，在这一理论指引下，DDDM强调数据使用与教学绩效的简单联结，注重快速达到预设的目标，但并不关注教学和学习发生的实际环境和背景，这也导致了对成绩数据的狭隘关注，从而使成绩分数成为数据的唯一来源[6]。显然，这种思路在实践中是会不断受阻的，因为事实上教师使用数据的过程是复杂和多层次的，并时刻会受到教师的理解和社会互动的影响。Spillane等人认为大多数教学者对自己认为重要的数据证据给予了“选择性的关注”，并对“我们从经验中抽象出来的心理表征”形成的特定想法进行“歧视”和“优待”，即我们相信数据告诉我们什么，以及它如何与其它数据和实践相关联，是由教师以前的经验所决定的。这些信念被存储为“知识表示”，也被称为“图式”。它们塑造了我们的数据解释过程[7]。Coburn等人进一步指出，教师的数据理解过程还受到语境的影响，人们倾向于搜索和看到支持他们的信念、假设和经验的数据，甚至没有注意到可能与这些观念相矛盾或挑战的数据，这种感知过程可能发生在无意识层面，教师的数据解释过程不仅仅是教育者先前知识和信念的功能体现，也是他们与他人社会互动输出的结果[8]。因此，当前DDDM有必要从单纯的刺激反应式的封闭研究模式转向一个更加强调社会文化的范式，不断适应学习环境，考虑学习者的需求和个人特征，不仅仅是承认背景的影响或控制背景条件，而应强调在特定背景中的数据使用过程，以此促进和优化学习过程。

2.追根溯源：识别DDDM的动力机制

美国DDDM实践中最大的批评来自于对评估和问责制的回应，这种数据使用的外部压力模式可能产生的负面影响包括敷衍应付性对待、在测试中作弊以达到某个基准或问责指标、为考试而授课、边缘化某些较弱学生将其排除在考试之外，甚至是鼓励表现不佳的学生中途辍学[9]。此种模式绝非DDDM运行的长久之道，有关学者认为学校从业人员在决策过程中有效使用学校数据并不是有组织的、理性过程的产物，也不是简单地通过输入干预获得改进的过程[10]。因此，教学者为何使用数据和哪些因素会影响教师的数据使用意愿是当前DDDM实践当中迫切需要回答的两个问题，而解决DDDM动力问题的一个重要途径就是通过让教师和学生积极参与整个决策过程来获取他们对学校评估计划的认可。要做到这一点，DDDM需要采取一种自下而上的方法，通过将教师、学生和其他学校利益相关者的观点纳入评估内容和结果使用的决策当中，最大限度地减少数据使用的强制问责压力。

此外，传统教学决策研究视野中，决策者的教师与决策对象（教学中的人和事）之间是一种认知、理性和逻辑的关系，侧重强调教学决策的理性认知过程，但教学决策实则也有感性认知的一面[11]。DDDM的相关研究发现[12-15]，教师进行数据化决策受到多种因素的影响。有些属于个体层面的问题，如数据素养，教师心智、知识和技能和态度等，干预和调整起来相对比较容易，而有些则属于学校系统构建层面的问题，如技术性基础设施的构建、数据的可访问性，系统维护能力不足，学校领导、数据文化和学校内部合作，改善起来费时费力。有关学者认为当前对DDDM影响因素的研究，一方面比较分散、缺乏系统性整合，另一方面也缺乏对教学决策本身的审视，较多地将视野放在了数据的技术应用层面上[16]。因此，基于具体情境加强DDDM的动力机制研究和设计，才能从根本上解决其实践走向的问题。

3.饮水思源：探寻DDDM的数据文化

由前所述，DDDM并非一个教学个体簡单的采用数据改变教学的简单作用过程，而是教学者基于一定社会文化情境通过团队协作的方式对教学数据做出合理解读的过程。因此，DDDM本质上是一种社会情景学习模式，需要非常重要的团队及其文化支撑。探寻这背后的文化内核及架构，有助于各类学校在DDDM实践中构建基于数据的学习型组织，从而保障DDDM应用的持久不息。数据文化是学校或学区内的一种学习环境，包括态度、价值观、目标、行为规范和实践，并裹挟着领导层对数据使用的明确愿景，以及期望数据给决策过程带来的重要影响[17]。积极的数据使用文化一般体现为数据团队的集体责任和信任、使用数据进行持续改进的决心、共享数据使用的美好愿景和形成数据使用的迫切期望，以及尊重教师在数据使用过程中的自主权。拥有积极的数据使用文化和氛围通常有助于学校实现共同愿景，并能够促进教师使用数据来改进教学实践[18]。

作为数据文化承载核心的数据团队，是否拥有适当的组织技能和知识，使用什么样的查询流程来进行什么样的决策，以及是否有足够的时间和资源来支持协作查询和感知决策流程，这些因素都是参与的教师个体快速成长的关键。在这样的系统架构中，数据教练的作用同样不容忽视，他通常由校长、教学领导或有经验的老师来承担，可以领导一个数据团队，或者围绕一个教师协作小组开展数据检查，也可以是从每个学校挑选的人员接受数据技术培训，然后为教师提供数据分析服务。数据团队的协作需要以促进数据使用为目的，以数据使用成就为导向。对于具体如何推动团队协作，有学者认为当存在一个共同的主题或愿景时，团队协作会比较容易实现。在相互信任的氛围中，团队成员可以批判性地看待数据、反思并且当数据显示需要他们改变相应做法时，他们也愿意这样做[19]。同时，学校领导也应努力确保他们向教师提供的支持是基于数据的精确反馈，即在实施任何推荐做法之前，首先确保获得关于教师对数据驱动决策的详细看法和意见，让教师的声音成为决策过程的一部分。唯有如此，数据使用才有可能真正成为学校教育文化的一部分。

四、美国DDDM实践的主要经验与启示

自2001年《不让一个孩子掉队》（NCLB）法案问世以来，美国要求各州、地区、学校、校长、教师和学生为标准化评估中的学习者表现负责。NCLB法案鼓励管理人员、教师以及学生使用数据来衡量学习者基于目标标准的学习状况，同时也鼓励教师利用数据做出教学决策，目的是通过确定学生的具体学习需求，确保学生达到国家评估所要求的目标；
2005年美国开启了数据质量运动，旨在建立全国性的纵向教育数据库，便于政策制定者和教育者获取和利用有效的教育数据信息，这一实践也为美国DDDM的全面铺开奠定了基础。2015年颁布的《每一个学生成功法案》（ESSA）强调教师需要有确凿的证据来支持教育决策，而不是依靠轶事和直觉，进一步推动了教师迈向基于循证和数据驱动的职业。20年来，美国一系列有关数据使用的教育法案以年度评估考核的方式铸就了一种饱受批评的教育问责文化，但也引起了社会各界对通过使用学生数据从而改善学校状况的关注，同时也推动了DDDM学术研究的蓬勃发展。当前，DDDM理念和行动在世界范围内的教育领域蔚然成风，利用数据来改善学校的教育实践已经成为一种流行的学校变革趋势，数据驱动决策的理论和实践研究也在不断增长。

相比美国，国内教育领域的教育数据应用主要始于近20年来各地的数字化校园建设浪潮以及各类教育信息管理系统的构建过程。自2012年起，伴随着大数据技术的飞速发展，国内教育领域开始关注各类信息技术应用过程中累积的海量数据资产。直至近年来，各地开始着眼于将 DDDM技术应用于教育管理、评估和决策等领域，也涌现了一批典型的区域教育大数据应用案例，如浙江丽水地区的数据驱动精准教学、上海地区基于大数据综合素质评价等。相关学术界研究视野更多的是从宏观技术层面关注教育大数据和学习分析技术在教师专业发展、在线教育和个性化学习等方面的应用，而对一线中小学具体教学实践中的教师数据使用过程较少涉猎，特别是未从学校变革的基本实际出发，深入探究数据驱动教学的有效经验和规律。本研究通过对美国近年来DDDM相关研究进行系统回顾发现，美国的DDDM实践经历过一些曲折，但早已从强制推行的试水阶段逐步迈入教研人员自觉探究的深水区，这其中有诸多值得其它地区借鉴的有益经验和启示，笔者具体梳理如下：

1.提倡学生自己参与管理数据

美国的DDDM研究发现，实现数据驱动决策的主要障碍之一是师生缺乏对实践过程的认同。因此，评估数据呈现出的劣质结果，不一定是由教师教学因素所导致，也有可能是学生没有参与动机的结果。DDDM过程涉及多个利益相关者，但通常是教师或学校领导使用数据，而学生并没有参与其中。倘若增强他们的数据改进信念和动机，同时也可以促进他们自身的学习进步[20]。事实上，DDDM本质上就是一个以学习者为中心的教学工具，它通过提供信息帮助教师调整教学，以适应班级和个人的学习需求来支持差异化教学。学生如何看待数据，如何使用它，以及它在多大程度上促使学生反思自身学习，这对DDDM产生的实际影响至关重要。具体而言，老师可以通过教学生在课堂常规中使用自我和同伴批评的方式检查自身相关数据（如考试成绩和课堂作业等），并告知他们应该如何学习，协助其设定相应的学习目标；
教他们阅读、创建和管理数据集，并以制作数据报告或分享的方式增加其公开展示和传播的机会。教师对学生学习的期望也应向他们具体明确，可以向他们提供具体规范和建设性的及时反馈、有效的认知工具，使他们能够从反馈中获得启示，帮助他们理解并衡量相应的评估标准以及教师对他们成绩的期望。

让学生参与数据使用过程，满足了学习的目标设定和自我测试，以及青少年对个人表现数据关注等多种动机需求。一直以来，在我国教育侧重以教为主导的教学模式下，学生一直是作为教学数据的被动接收者而存在的。当数据成为教学变革的催化剂的时候，将学习的主动权交还给学生的呼声再次响起。让学生以恰当的方式参与管理自己的数据，实现由数据驱动的教学到数据驱动的学习转变也是当前学校教学变革的有力契机，但到目前为止，学生在数据使用过程中的作用还没有得到足够的重视和凸显，学生在数据使用过程中的功能角色和进入时机等问题还需要在实践中进行充分地探索。

2.深入探究教师的数据解释机制

数据使用行动理论表明，数据本身并不能确保有用。相反，数据必须被收集、组织和分析以成为信息，然后与利益相关者的理解和专业知识相结合才能成为可操作的知识[21]。然后，教师将这些知识应用到教学实践中。根据这一过程的结果，相同的原始数据可能会因为数据用户的情况和特征，指向非常不同的解决方案和行动。因此，数据解读是将数据分析结果转化为情境化信息的关键环节，也是做出最终决策的重要支撑过程。DDDM的相关研究表明，仅凭数据的简单应用或数据使用技能是无法有效促进教学决策的。教师必须在考虑相关学习进度或内容规范时努力去解释数据，数据才会体现其真正的价值。数据解释过程是教师在制定教学计划时，将掌握的相关数据同他们对特定内容领域的教育学知识，以及他们对学生如何才能更好地学习这些内容的观点进行相互关联，综合分析，辩证理解，由此产生的综合解读才能在相应的教学框架下转化为下一步的教学行为和决策。

Mandinach等人曾阐述了DDDM不同阶段所需的知识和技能层次框架。除了为了识别和检查可能有助于解决感兴趣的特定问题的数据，为了将数据转化为信息，教师需要理解不同数据采集目的之外，还需要理解如何解释数据，这也包括理解数据的显示和表示形式。Coburn等人曾对DDDM相关研究进行系统总结认为，大部分有关DDDM的研究都是有关数据使用干预与结果之间的简单联系以及描述数据干预的活动形式，较少关注数据的具体使用和解释过程，即教师如何在课堂环境中解释数据并将其转化为可操作的知识的过程。

由此看来，当前DDDM领域需要大量注重数据使用的研究实践，深入阐述特定情境下的教师数据解释机制，这些研究通常聚焦教师和其他人如何通过交互过程来解释数据的过程，试图理解环境、组织和群体背景在数据使用实践中的作用。而数据解读过程本质是一个反复迭代的循环周期过程，能够使学生思维清晰可见的丰富的嵌入课堂的数据，具有一定的数据解释工具和流程，积极关注专家促进和小组互动的作用，并提供反馈、分析和实践的持续机会，这些都是支持教师数据解读能力成长的关键因素。除此之外，教学数据解读还需要在宏观定量分析和微观定性分析方法之间找到一个平衡。国内有关学者据此提出了一个教学过程数据驱动下的教学解释框架，具体以教学过程机制图的形式呈现教学是如何发生的、过程进展如何以及存在哪些问题等过程性中观信息，从而判断教学是如何达成或偏离教学目标的，这一机制能从文本分析的教学细节中抽离出宏观的教学认知，同时能够弥补教学结果测量数据缺乏解释力的不足[22]。与此同时，也有学者提到现实中容易出现的数据解读困境，如由于学校数据共同体的多方成员参与，各方基于不同的思维假定容易形成的多样化的数据解读结果，不可避免的最终走向了由领导来做出决策的传统决策困境，而解决这一问题需要协调与平衡学校的数据与管理文化，构建宽松、民主和信任的数据研讨氛围，加强基于学生数据的教学策略培训等等，这些都是促进学校构建稳定教学数据解释机制的有力做法。

数据解释机制的探究对当前教育实践的启示在于，学校在推行数据驱动的教学变革实践过程中不应仅仅关注片面的数据来源和强调分割式的教师数据处理技能，特别在开展相关教学培训的过程中，不能抽离教师的实际教学情景而训练其单项的数据应用能力，应重点关注他们数据应用实践中的问题和困惑，加强其基于数据提出问题和质疑的能力，以及正确分析系统输出数据和提供差异化课堂教学技能的能力。学校领导者应着重加强制定明确、具有挑战性和可行的学校绩效目标的能力，学校数据团队也应具备监测目标实现程度的技能和知识，及时评估策略实效，并在此基础上不断推进数据驱动进程。

3.构建教育数据智慧的知识管理机制

数据相关的专业学习本质上一种组织学习过程，Supovitz将数据使用置于一个持续改进的循环中，并假設学校的数据组织通过四个有序的过程来移动，如图2所示[23]。

首先，在数据捕获中，教育工作者指定衡量学习和其他结果所需的数据类型，以及收集、存储和访问这些数据的过程，个体可以通过创建新的数据形式、准备图形显示和验证现有数据的形式为组织做出贡献。其次，教师开展基于数据的意义建构，使用他们自己的意义建构，社会互动和地区或学校为基础的惯例来决定这些数据中包含的信息将如何影响实践。在这一过程中，个体和集体对数据进行解读，并在实践中决定后续的变化，组织可以以多种方式支持意义建构，例如协作的时间和空间或提供支持人员帮助其解释数据和做出决策。参与者的意义是通过培育更有效、更知情的实践者来回馈组织。第三，信息共享，允许组织成员与其他人员分享他们积累的知识，一旦个人和集体通过数据捕捉和意义建构获得了实践学习，这种学习应该与整个组织的其他成员分享。组织可以通过建立有利于知识转移的结构、机制和过程来支持信息共享，包括围绕特定问题将教育者或学校联系起来的活动，或使教育者能够分享实践的各种媒体形式。信息共享有助于向团队现有成员传播专业知识，并通过向集体介绍新颖的想法的方式来促进创新。第四，知识编纂，这是一个允许知识嵌入到学校和地区的常规规范的过程和实践。即使学习内容在组织中是普遍共享的，也不能保证其过程会被保存下来，除非它被编纂成描述持续创造和嵌入日常实践过程的创造性条规。个人和集体会从知识编纂中受益，因为编纂提供了新的思想和内容严密性保证。组织之所以受益，是因为新的学习不是孤立于产生这种学习的个人或集体之中，而是在整个组织中广泛传播。这一过程中，信息的传递和保存至关重要，它们不仅使教育工作者能够在之前的学习基础上继续学习，而且还能通过借鉴组织其它部分的想法来丰富自身学习。通过将专业学习与组织结构结合起来，该框架使一个团队成员在浏览完整的数据使用过程时提供其所需的帮助。

从数据的组织学习过程来看，“数据捕获”和“意义建构”主要解决个人和集体获取实用知识的方式问题，而“信息共享”和“知识编纂”主要处理信息的转让和保存问题。当前，大部分DDDM研究主要涉及前两者。然而，组织学习相关研究表明，如果没有后两者，知识获得通常存在于孤立的教师个体身上，几乎没有对整个组织形成贡献。此外，当个人离开组织时，知识往往会丢失。而专业学习是一种互惠的努力，这种互惠关系贯穿于框架的四个阶段，通过迁移和保存，知识变得丰富：它使个体能够建立在自己先前的学习之上，并向其他个体提供新的学习。知识不是局限于少数人使用，而是为整个组织服务。个人与组织知识这种永不间断的循环累积过程，在数据团队中成为决策的智慧资本，有助于教学工作者做出正确的决策，学校或学区因此也会变得“更聪明”。

美国DDDM实践当中，数据小组和团队的构建为教师、管理员以及相关服务人员提供了一个独特的学习和交流机会。数据团队允许没有数据分析技能的员工从更有经验的同事或数据教练那里学习如何收集、分析和应用数据。新老成员可以在课堂或学校相关问题背景下协作讨论学生的需求和进步，并根据评估结果来做出小组设定和跨年级教学调整的决定。美国学校的教育数据协作组织学习模式为国内的中小学数据变革提供了借鉴，通过教师个体数据素养的提升，其作用效果往往是局部的、临时的和短暂的，要实现学校整体范围基于数据的教学改进，必须将一个个教师个体累积的数据处理知识和技能联结成集体智慧，努力构建学校教育数据智慧的知识管理机制，才是学校数据驱动变革的长远之道。数据的组织学习视角为教师的DDDM专业发展提供了一个行动指引，通过积极构建学校的数据协作型团队，围绕数据的采集、分析、解读以及改进等专题形成紧密协作机制，在促进教师专业技能提升的同时，也促进教师对自身教学的反思，同时教师在不断的个体进步过程中为学校的数据文化建设贡献自己宝贵的经验和智慧，学校的数据资产累积机制也将成为每一位新进教师成长的重要阶梯。

4.重视DDDM的决策效能

虽然美国的DDDM研究实践已经形成了一个热门专题，DDDM也被广泛认为是对挣扎中的学习者加强干预的最佳实践，但在实践中有关这种行动有效性的经验证据却很少见。从DDDM的相关研究回顾来看，教育领域对学生成绩数据的关注和获取的增加，并没有直接推动学生学习效果的大规模改善，且很少有研究深入关注学校DDDM运行过程、支撑机制以及这些努力在多大程度上与教学和学生成绩的提高相关联。大部分已有的研究主要是基于案例研究、描述性研究和专家意见得出的主观判断，很少有关于数据使用效果的明确结论。此外，相关研究的重点通常涉及学校组织环境的各个单独因素，如领导力、学校特征、政策环境和政治环境等，但是对这些环境因素之间的相互作用知之甚少，而且学者们主要依靠自我报告和回顾性的方式收集数据，数据的使用往往没有在真实的学校环境中进行验证。总体而言，当前关于数据使用效果的因果推论很少，因此也就不能为我们提供数据使用干预何时以及在何种条件下导致最终结果——为何能提高学生成绩的答案。此外，在多项有关DDDM有效性的元分析当中[24-28]，DDDM的实际应用效果好坏不一没有定论，个别研究确实描述了数据用于指导决策的过程，但仍然没有详细说明使用了什么数据，数据收集和使用周期如何，以及使用了什么规则来做出决策，也缺少相应的数据使用专业发展干预模型建构。因此，总体来看，DDDM有效性研究数量较少，缺乏细节，限制了其结论推广的力度。

对于DDDM研究而言，漠视过程的结果会导致数据验证和解释过程的无力，而忽视绩效的盲目实践又会流于数据应用的表象。如果学校DDDM实践团队要实现许多专家认为的对学生成绩产生重大影响的潜力，他们需要对决策的具体步骤给予持续关注，并且对干预执行力度进行不断跟踪和监视，将关键细节的反馈融入到数据团队的常规操作当中产生持续调节作用。当前，国内的教育数据应用实践将主要思路和精力放在了提高教师数据使用应用能力上，进而期待其提高教学决策水平，而对数据驱动的具体效果鲜少进行评价，也没有形成相对完整与合理的评价体系，教师基于数据的教学决策有效性仍需实证检验。因此，未来需要加强对教师和学生直接施加DDDM干预的影響验证以及相关教学决策模式有效性的研究，淡化DDDM过程中片面强调数据技术应用的属性特征，回归教育教学决策的效果属性探讨，才能真正从实践层面提供有价值的学校改进路线。

五、结语

数据驱动为未来的学校教育变革提供一种强有力的行动范式。当前，在吸收美国在DDDM教育行动中的有益经验基础上，结合我国教育的实际，建议一线学校避免数据应用的简单线性思维，充分预估DDDM项目实施的曲折性、迂回性和迭代性。从教师数据素养的提升到团队数据智慧的累积，学校的数据变革需要从技术到方法，从过程到结果，从动机到能力，从模式到文化等多方面进行通盘考虑和系统设计，在现实可行的条件下，识别优先问题，集中优势资源，采用实证思维，加强评估机制，才能保障DDDM应用行稳致远。

参考文献：

[1] Coburn，C.E.，Turner，E.O..The practice of data use：
An introduction [J]. American Journal of Education，2012，118（2）：99-111.

[2] Kahneman，D.，Frederick，S.A model of heuristic judgement.In J. H.Keith，R.G.Morrison（Eds.），Cambridge handbook of thinking and reasoning [M].Cambridge：Cambridge University Press，2005.

[3] Vanlommel K，Gasse R V，et al.Teachers decision-making：Data based or intuition driven [J].International Journal of Educational Research，2017，83：75-83.

[4] Epstein，S.Demystifying intuition：What it is， what it does，and how it does it [J].Psychological Inquiry，21（4）：295-312.

[5] Gummer，E.S.，Mandinach，E.B.Building a conceptual framework for data literacy [J].Teachers College Record，2015，117（4）：1-22.

[6] Stobart，G.Testing times：The uses and abuses of assessment [M].New York：Routledge，2008.

[7] Spillane，J.，Miele，D.Evidence in practice：A framing of the terrain[EB/OL]. http：//citeseerx.ist.psu.edu/viewdoc/download doi=10.1.1.534.1397&r ep=rep1&type=pdf，2021-07-19.

[8] Coburn，C.E.，Turner，E.O.Research on data use：A framework and analysis [J].Measurement Interdisciplinary Research and Perspectives，2011，9（4）：173-206.

[9] Hubbard，L.，Datnow，A.，Pruyn，L.Multiple initiatives，multiple challenges：The promises and pitfalls of implementing data [J].Studies in Educational Evaluation，2014，42：54-62.

[10] Ho，J.E.Cultures and contexts of data-based decision-making inschools （Doctoral dissertation） [EB/OL].https：//escholarship.org/ content/qt9nn9z1g0/qt9nn9z1g0.pdf，2021-03-01.

[11] 趙鑫.教师有效教学决策的情感基础及其实践路径[J].教育科学，2012，28（5）：91-96.

[12] Mandinach，E.B.，Gummer，E.S.Navigating the landscape of data literacy：It is complex [EB/OL].http：//datafordecisions.wested.org/ wp-content/uploads/2014/01/Gates-Data-Literacy-White-Paper. pdf，2021-07-19.

[13] Prenger R，Schildkamp K.Data-based decision making for teacher and student learning：
a psychological perspective on the role of the teacher [J].Educational Psychology，2018，（1）：1-19.

[14] Dunn，K.E.，Airola，D.T.，Lo，W.J.，Garrison，M.What teachers think about what they can do with data：Development and validation of the data driven decision-making efficacy and anxiety inventory [J]. Contemporary Educational Psychology，2013，38（1）：87-98.

[15] Steele，Jennifer L.“Using Data” to Inform Decisions：How Teachers Use Data to Inform Practice and Improve Student Performance in Mathematics.Results from a Randomized Experiment of Program Efficacy [EB/OL].https：//files.eric.ed.gov/fulltext/ED555557. pdf，2021-07-19.

[16] 冯仰存.数据驱动的教师教学决策研究综述[J].中国远程教育，2020，41（4）：65-75.

[17] Hamilton L，Halverson R，Jackson S，et al.Using student achievement data to support instructional decision making [EB/OL].http：//citeseerx. ist.psu.edu/viewdoc/download doi=10.1.1.473.7172&rep=rep1&type= pdf，2021-03-01.

[18] Hoogland，I.，K.Schildkamp，F.van der Kleij，M.Heitink，W.Kippers， B.Veldkamp，A.M.Dijkstra.Prerequisites for Data-Based Decision Making in the Classroom：Research Evidence and Practical Illustrations [J].Teaching and Teacher Education 2016，60（11）：377-386.

[19] Wayman，Jeffrey C.Involving Teachers in Data-Driven Decision Making：Using Computer Data Systems to Support Teacher Inquiry and Reflection [J].Journal of Education for Students Placed at Risk，2005，10（3）：295-308.

[20] Fletcher，A.，Shaw，G.How does student-directed assessment affect learning Using assessment as a learning process [J].International Journal of Multiple Research Approaches，2012，6（3）：245-263.

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

[22] 何文濤，黄立新等.教学过程数据驱动下的教学解释探究[J].中国电化教育，2019，（7）：38-45.

[23] Supovitz J.Knowledge-Based Organizational Learning for Instructional Improvement [M].Dordrecht：Springer Netherlands，2009.

[24] Kluger，A.N.，DeNisi，A.The effects of feedback interventions on performance：A historical review，a meta-analysis， and a preliminary feedback intervention theory [J].Psychological Bulletin，1996，119（2）：254-284.

[25] Marsh，J.A.Interventions promoting educators use of data：
Research insights and gaps [J].Teachers College Record，2012，114（11）：1-48.

[26] Faber，J.M.，Visscher，A.J.Digitale leerlingvolgsystemen：een review van de effecten op leerprestaties [EB/OL].https：//www.kennisnet. nl/uploads/tx_kncontentelements/Digitale_leerlingvolgsystemen_ Kennisnet_eindversie_20022014.pdf，2021-03-01.

[27] Mandinach，E.B.，Gummer，E.S.Data-driven decision making：Components of the enculturation of data use in education [J].Teachers College Record，2015，117（4）：1-12.

[28] Jung，P.，McMaster，K.L.，Kunkel，A.K.，Shin，J.，Stecker，P.M.Effects of data-based individualization for students with intensive learning needs：
A meta-analysis [J].Learning Disabilities Research & Practice，2018，33（3）：144-155.

推荐访问:数据 脉络 素养