《教育数据智能：构建学校改进的循证决策体系》-教育硕士（学校管理方向）研究生专业必修课教学设计

  《教育数据智能：构建学校改进的循证决策体系》——教育硕士（学校管理方向）研究生专业必修课教学设计

一、课程顶层设计：理念、目标与核心素养

本课程是面向教育硕士（学校管理方向）研究生开设的一门高阶专业必修课，旨在回应新时代教育治理现代化与学校内涵式发展的迫切需求。课程植根于“循证教育”与“学习科学”的坚实理论土壤，跨越教育测量、统计学、信息技术、组织行为学及教育领导力等多个学科边界，致力于培养能够驾驭复杂教育数据、引领学校系统性变革的未来教育领导者。

（一）核心理念

1.从经验直觉到循证智能：推动学校管理决策的文化范式转型，将基于个体经验、模糊感知的决策模式，升级为以多源证据、系统分析为核心的“数据驱动决策文化”。

2.从孤立数据到生态系统：打破学生成绩、考勤等传统结构化数据的藩篱，构建融合过程性学习数据（如课堂互动、作业轨迹）、非结构化行为数据、环境数据及教师专业发展数据的全景式“教育数据生态系统”。

3.从描述统计到预测干预：超越对过去事实的描述（“发生了什么”），重点训练运用诊断性分析（“为何发生”）与预测性模型（“可能发生什么”），以支持精准的早期预警与个性化干预。

4.从技术工具到伦理领导：在掌握数据分析技术的同时，深度嵌入对教育数据伦理、算法公平性、隐私保护及数字鸿沟的批判性反思，塑造负责任的“教育数据领导者”。

（二）课程学习目标

完成本课程后，学习者将能够：

1.知识建构：阐释教育数据驱动决策（DDDM）的核心概念、理论框架及其在学校改进循环（识别问题-提出假设-收集数据-分析解释-制定干预-评估效果）中的关键作用；辨析描述性、诊断性、预测性和规范性分析在教育情境中的应用场景与局限。

2.技能发展：熟练运用至少一种专业教育数据分析平台（如TableauforEducation,PowerBI）或编程工具（如R的tidyverse,Python的pandas），对多源教育数据进行清洗、整合、可视化与初步建模；设计并实施一个完整的微型学校改进数据项目。

3.思维养成：形成“证据导向”的系统思维习惯，能够批判性地评估各类教育数据报告与研究结论的质量；具备将复杂的教育问题（如学生参与度下降、不同群体学业成就差距）分解为可测量、可分析的关键变量的能力。

4.价值塑造：在所有的数据分析与决策建议中，自觉遵循教育公平、学生福祉最大化和隐私保护等核心伦理原则；能够制定并倡导符合伦理规范的校本数据使用政策。

（三）指向的核心素养

本课程旨在培养研究生形成“教育数据智慧”，这是一种整合了以下维度的综合性高阶素养：

1.数据素养：查找、理解、创造并批判性沟通数据作为信息的能力。

2.教育测量素养：理解教育评估的基本原理、信效度概念，能合理选择并解读各类测评工具的结果。

3.统计推理素养：在不确定条件下，基于数据做出合理推断与决策的思维模式。

4.技术应用素养：恰当、高效且创新地运用数字工具处理教育问题的能力。

5.伦理领导力素养：在数据收集、使用及决策过程中，秉持公平、公正、透明原则，并推动组织形成健康的数据文化。

二、学习者分析与教学策略

（一）学习者特征分析

本课程的学习者通常为具有3年以上一线教学或管理经验的中小学在职教师或中层干部。他们具备以下特点：

1.优势：拥有丰富的教育实践情境知识，对学校运作的真实问题（如课堂管理、教研活动、家校沟通）有深刻体认；具备强烈的专业发展动机和解决实际问题的导向。

2.挑战：可能对定量研究和数据分析存在畏难情绪或固有偏见；信息技术技能水平参差不齐；习惯于定性、叙事性的思维方式，系统性的证据思维有待建立；时间与精力因在职学习而受限。

3.学习需求：渴望获得能直接应用于其学校场景的、操作性强的工具与方法；期待理论与实践的深度结合，而非单纯的软件操作培训；需要在高阶认知挑战中获得足够的支架支持。

（二）差异化教学策略

1.情境锚定与问题驱动：所有教学案例、数据任务均来源于真实的学校改进项目（经匿名化处理），如“提升初中生科学课程深度学习参与度”、“优化小学课后服务资源配置”等，确保学习与学员的工作情境高度相关。

2.认知学徒制与专家示范：教师作为“专家实践者”，通过“思维外化”的方式，全程演示自己面对一个教育问题时的完整数据决策流程，包括如何将模糊问题转化为研究问题、如何选择数据指标、如何解读可视化图表背后的教育意义。

3.协作建构与同行评议：组建异质学习小组（混合不同学科背景、技术能力的学员），通过小组数据工坊、相互评审数据分析报告等形式，促进知识的社会性建构与技能互补。

4.技术工具分层支持：提供从“无代码/低代码”可视化工具（如Excel高级图表、数据透视表）到“代码驱动”分析工具（R/Python）的多条技术路径，允许学员根据自身基础选择，并设置“技术伙伴”互助机制。

5.形成性反馈循环：设计多轮迭代的数据项目里程碑，为每个阶段（如问题定义书、数据收集方案、可视化初稿、分析报告草稿）提供详细、及时的书面与口头反馈，强调过程性成长。

三、教学资源与环境

（一）核心学习资源

1.主教材与学术文献：

1.2.《数据驱动的学校改进：路径与实践》（国际学校改进学会推荐读物）

2.3.《学习分析：测量、收集、分析和报告有关学习者及其情境的数据，以理解和优化学习及发生环境》（经典论文集）

3.4.《教育中的统计思维》在线开源课程（Coursera/edX平台）

4.5.精选近三年SSCI期刊中关于教育数据挖掘、学习分析实证研究的论文。

6.数据资源库：

1.7.模拟校本数据库：包含虚构但高度真实的学校全学年数据，如学生人口学信息、各科历次考试成绩（含小题分）、图书馆借阅记录、食堂消费记录、体育测试数据、学生问卷（学习动机、校园归属感等）、教师听课评课记录。

2.8.公开教育数据集：如PISA、TIMSS国际测评数据中国样本；国内某些区域公开的教育质量监测数据；Kaggle平台上的教育相关数据集（如慕课学习行为数据）。

9.工具平台：

1.10.数据分析与可视化：MicrosoftPowerBI（教育版免费），TableauPublic（免费），JASP（开源统计软件），RStudioCloud（在线编程环境）。

2.11.协作与项目管理：Notion或腾讯文档（用于小组协作撰写报告、管理项目进度）；GitHub（用于版本控制、代码分享，面向高级学员）。

3.12.伦理审查模版：提供简化的校本研究数据伦理审查申请表模版。

（二）学习环境

1.物理/线下环境：配备可移动桌椅的智慧教室，支持小组研讨；每小组配备大型显示屏，便于共享和讨论数据可视化成果；墙面为白板或玻璃墙，便于张贴思维导图与数据分析流程图。

2.数字/线上环境：依托学校LMS（如Canvas，Moodle），建立课程主页，集成所有资源链接、作业提交、在线讨论区（按专题和项目小组划分）、同伴互评系统及视频会议工具（用于课外辅导和嘉宾讲座）。

四、教学评价体系

本课程采用“基于表现的综合评价”，注重过程性证据与终结性成果的结合，权重分配如下：

（一）形成性评价（40%）

1.课堂参与与贡献（10%）：评估点在质量而非仅是数量。包括：在案例研讨中提出的有洞察力的问题；在数据工坊中分享的有效的数据清洗技巧或可视化创意；对同伴作业提出的建设性批判意见。

2.每周数据日志（15%）：学员需每周提交一份简短的反思日志，记录：（a）本周学习内容与自身工作经验的联结；（b）尝试应用某项技术或概念时遇到的挑战与解决方案；（c）对阅读材料中某一观点的批判性思考。旨在促进元认知与持续反思。

3.微型技能任务（15%）：分散在整个课程前半段，例如：给定一份混乱的学生成绩表，完成数据清洗并生成一份描述性统计报告；针对一个预设的教育问题，设计一份包含至少5个关键指标的数据仪表盘草图；对一篇运用了预测模型的教育研究论文进行方法学评析。

（二）终结性评价（60%）

核心产出：一个完整的“校本循证改进项目方案”设计与模拟分析报告（小组作业，占45%）及个人反思报告（占15%）。

项目方案需包含以下部分，并接受答辩：

1.问题界定与理论框架：清晰定义学校改进的具体问题，并引用相关学习科学或组织变革理论作为分析框架。

2.多源数据收集方案：详细说明将收集哪些数据（量化与质性）、来源、工具、抽样方法及伦理考量（附伦理审查表）。

3.数据分析计划：阐明将采用的分析方法（如相关分析、聚类分析、生长模型等）及其理由，并展示对模拟数据的实际分析过程与关键可视化结果。

4.决策建议与干预设计：基于数据分析结果，提出具体、可操作、指向根本原因的改进建议或干预措施。

5.评估方案：设计如何监测和评估该干预措施效果的数据收集与评估方案，形成决策闭环。

6.个人反思报告：每位成员需单独提交一份报告，阐述自己在项目中的核心贡献、对数据驱动决策认识的变化、遇到的最大挑战及克服过程，以及对未来在实践中应用此方法的设想。

五、教学实施过程（核心环节详案）

本课程共设16次课，每次3学时，总计48学时。教学实施过程分为四个阶段：意识唤醒与伦理奠基、数据工坊与技术筑基、整合应用与项目孵化、综评展示与文化生成。

第一阶段：意识唤醒与伦理奠基（第1-3次课）

第1次课：破冰与导论——我们为何需要“数据智慧”？

1.锚定情境：展示两份风格迥异的“学校年度教学质量报告”：一份是传统的文字描述与简单表格；另一份是交互式数据仪表盘，能动态呈现不同班级、群体、知识模块的长期趋势与关联。引导学员对比观察、提问。

2.核心活动“决策剧场”：呈现一个真实的教育两难场景（如：“是否应根据上学期期末考试成绩，重组初二年级的数学分层教学班级？”）。学员分组，分别扮演校长、教师、学生家长、数据专家，进行快速辩论。辩论后，引导思考：各方观点依据是什么？是轶事、传统、压力还是证据？缺少什么证据？

3.概念建构：引出“循证实践”与“数据驱动决策”的定义。通过一个简化但完整的学校改进案例（如：通过分析图书馆借阅数据与语文成绩的关联，推动阅读课程改革），初步展示DDDM的闭环流程。布置首次数据日志：反思自己工作中最近一次重大决策，其依据是什么？

4.技术初探：无需安装任何软件，利用在线预制数据，引导学员在10分钟内，通过拖拽操作，在PowerBI或TableauPublic中创建一个简单的学生出勤率趋势图，感受“让数据说话”的即刻体验。

第2次课：教育数据的全景图——我们拥有什么，还能收集什么？

1.数据生态系统地图绘制：小组竞赛。各小组在一张大海报上，以“学生成长”或“教师发展”为中心，尽可能多地罗列一所学校中已经存在或可能收集的数据源，并分类（结构化/非结构化；过程性/结果性；客观/主观）。之后进行画廊漫步与整合，形成班级的“教育数据全景图”。

2.关键绩效指标与平衡计分卡：引入教育领域的KPI概念。批判性讨论“唯分数论”的局限。介绍“学校平衡计分卡”框架（财务、客户/学生与家长、内部流程、学习与成长四个维度），让学员尝试为虚构的学校设计一套包含学业成就、社会情感学习、教师专业度等多个维度的初步指标体系。

3.数据质量挑战：分组讨论常见的数据质量问题（缺失值、异常值、录入错误、标准不一等）及其对决策可能造成的灾难性影响。通过一个充满“数据陷阱”的趣味小练习，强化“垃圾进，垃圾出”的意识。

第3次课：数据的阴影——伦理、公平与隐私的深度对话

1.案例研讨“算法分班的罗生门”：深入分析一个使用多源数据（成绩、行为记录、教师评价）通过算法推荐分班的案例。探讨：算法可能或放大哪些现有偏见？（如对特定行为模式的过度惩罚，教师主观评价中的隐性偏见）。数据聚合如何可能抹杀个体特殊性？

2.伦理原则框架学习：系统学习FERPA（《家庭教育权利和隐私法案》精神）、GDPR（《通用数据保护条例》）相关原则，以及教育领域特有的“学生福祉最大化”伦理准则。分组制定“校本教育数据使用伦理章程（草案）”的若干核心条款。

3.角色扮演“数据请求模拟”：模拟场景——一位研究人员希望获取本校学生社交媒体数据用于研究“网络行为与学业表现的关系”。学员分别扮演校长、数据保护官、家长委员会代表、研究人员，进行模拟听证会，权衡研究价值与隐私风险。

4.布置第一阶段微型任务：针对一个给定的教育研究问题，评估其数据收集方案中的伦理风险，并提出改进建议。

第二阶段：数据工坊与技术筑基（第4-9次课）

本阶段采用“技术沉浸工作坊”模式，讲练结合，每个工具或方法学习后立即应用于一个微型教育数据集。

第4-5次课：从混乱到清晰——数据整理与描述的艺术

1.重点技能：数据清洗（处理缺失值、异常值、格式标准化）、数据合并（纵向与横向）、创建衍生变量（如计算标准分、增长率）。

2.教育场景：使用包含多个Excel表格的“跨学年学生成绩与基本信息”模拟数据。

3.教学活动：教师演示使用PowerQuery（在Excel或PowerBI中）进行数据整理的完整流程。学员跟随操作，并挑战解决数据中故意设置的若干“脏数据”问题。随后，学习使用数据透视表进行多维度交叉描述性统计（如：分性别、分年级的数学平均分与标准差；各科成绩之间的相关性矩阵）。

4.可视化启蒙：学习选择合适图表的原则（“图形语法”基础）。练习创建基本的柱状图、折线图、散点图、热力图，并重点强调为图表添加有教育信息量的标题、标注。

第6-7次课：超越平均数——差异分析与群体洞察

1.重点技能：t检验、方差分析（ANOVA）的基本原理与应用场景；效应量的计算与解释（强调教育实践显著性vs.统计显著性）。

2.教育场景：分析“不同教学方法（项目式学习vs.传统讲授）对学生科学成绩的影响”；或“不同家庭背景学生群体在阅读能力上的差异”。

3.教学活动：避免陷入复杂的公式推导。使用JASP等直观统计软件，通过点选菜单完成分析。重点放在：（1）如何正确提出研究假设；（2）如何解读软件输出的p值、效应量（如Cohen‘sd）和置信区间；（3）如何用通俗的教育语言报告结果（例如：“采用项目式学习的班级，其科学平均分显著高于传统班级，差异约为0.8个标准差，这属于中等至大的效应量，意味着在实践中可能具有重要价值”）。

4.延伸讨论：分组辩论“统计显著但效应量极小的差异，在学校决策中是否值得关注？”

第8-9次课：发现模式与预测可能——相关、回归与聚类初探

1.重点技能：理解相关与因果的区别；建立并解释简单线性回归与多元线性回归模型；进行K-means聚类分析。

2.教育场景：探究“学生每周自主学习时间、课堂参与度与期末成绩的关系”；或“基于学生的学习行为数据（登录频率、作业提交时间、论坛发言），识别不同的学习模式群体”。

3.教学活动：

1.4.相关与回归：通过散点图矩阵直观感受变量间关系。构建预测学生成绩的回归模型。重点理解回归系数、R方的教育含义。开展“预测大赛”：各小组使用相同的变量集，尝试构建预测模型，比拼模型的解释力（R方），并解释各自模型的教育学意义。

2.5.聚类分析：这是一个高亮点。使用经过标准化的学生多维度数据（如各科成绩、出勤、课外活动参与），进行聚类。引导学员解读聚类中心特征，为每个群体“画像”（例如：“全面发展型”、“理科优势但文科薄弱型”、“潜在风险型”），并讨论针对不同群体应有的差异化支持策略。强烈警示：强调聚类结果是描述性和探索性的，绝不能用于给学生贴固定标签。

第三阶段：整合应用与项目孵化（第10-13次课）

此阶段重心从技术学习转向问题解决，学员以小组形式，在教师指导下，逐步推进其期末项目。

第10次课：从问题到方案——项目开题与数据计划

1.结构化项目提案：小组基于前期的兴趣，确定一个具体的校本改进问题。使用提供的模板，撰写初步项目提案，包括：问题背景与意义、核心研究问题、初步的理论框架、拟收集的数据清单与来源、潜在的伦理问题及应对。

2.同行评议工作坊：小组间互换提案，按照“具体性、可测量性、可行性、伦理性”标准进行评议，并提供书面反馈。教师巡回指导，对各组提案的关键假设和测量操作性进行质询。

3.数据收集工具设计：如果需要调查问卷，学习设计高质量的里克特量表问题，避免引导性、双重含义等问题。如果需要访谈或观察，则设计半结构化提纲。

第11-12次课：数据深潜与故事讲述——分析与可视化冲刺

1.数据工坊（两节课连上）：各小组获得与其项目主题相匹配的、更丰富的模拟数据集。在课堂上，小组集中进行数据整理、探索性分析和可视化创作。教师与助教作为“顾问”，在各组间流动，提供技术支持和分析思路的启发。

2.“数据故事”叙事训练：分析不只是产出图表，而是讲述一个关于“发生了什么及其可能原因”的、有说服力的故事。学习“数据叙事”的结构：设定情境（背景）、引入冲突（发现问题）、展开旅程（分析过程）、揭示启示（核心发现）、提出行动（建议）。观看并解构优秀的教育数据故事案例（如某些学区公开发布的数据报告）。

3.仪表盘设计原则：学习设计有效管理仪表盘的原则：为特定受众（校长、教师、家长）设计；突出关键指标；提供适当的交互功能（如下钻、筛选）；保持视觉清晰。

第13次课：从洞见到行动——制定干预与评估方案

1.基于证据的干预设计：引导小组反思：分析结果指向的根本原因是什么？有哪些经过研究验证的、可能有效的教育干预策略（如针对阅读困难的特定教学法、针对学生归属感的学校活动）？干预设计必须与数据分析发现的“病因”直接挂钩。

2.构建逻辑模型：学习使用“逻辑模型”工具，清晰地描绘出从投入（资源）、活动（干预措施）、产出（直接可观测的结果）到短期/长期成果（预期改变）的整个项目因果链。这有助于使干预方案更具逻辑性和可评估性。

3.设计评估方案：思考如何知道干预是否有效？需要哪些后续数据？（如前测-后测设计、对照组比较、过程性追踪数据）。确定评估的时间点和关键成功指标。至此，完整的“决策闭环”形成。

第四阶段：综评展示与文化生成（第14-16次课）

第14次课：模拟决策听证会（项目预答辩）

1.各小组准备15分钟的项目陈述，面向由教师、助教及少数特邀嘉宾（如资深校长）组成的“模拟学校董事会”进行汇报。

2.“董事会”成员从决策者的角度进行质询，问题尖锐且实际，例