大规模教育考试评价的变革与发展趋向

/大规模教育考试评价的变革与发展趋向【摘要】聚焦于国际大规模教育考试的演变趋势，文章探讨了教育考试为适应未来人才选拔与培养需求所进行的多方面变革。通过梳理近年来国际组织及各国在大规模教育考试中的理念和技术革新，阐述了教育考试理论、构念、命题以及交互式、个性化测试方法的发展情况。尤其是在人工智能技术深度融入的形势下，大规模教育考试面对诸多争议，在信度与效度等方面也面临新挑战。文章还强调了数字化环境中构建教育考试标准和规范的重要性，为推进我国教育考试现代化提出参考建议。【关键词】教育考试；大规模考试；构念；命题；教育测量标准；教育评价改革

在全球知识经济与人工智能技术迅猛发展的背景下，如何调整以中高考为代表的大规模教育考试，选拔出符合未来需求的人才，成为世界范围内教育考试和评价领域共同关注的问题。随着职业结构的变迁，现有近半数职业面临消失或重大转变[1]，低技能岗位逐渐被市场淘汰[2]，并呈现出工作岗位的两极分化和空心化现象[3]。与此同时，科技进步和社会变革也催生了前所未有的新职业机会。教育考试必须相应调整方向，以适应未来不断变化的社会形态与人才需求。 近十年来，国际上大规模教育考试评价体系经历了深刻变化与调整。科技进步驱动着教育考试理论与技术变革，考试面临的风险与挑战也发生着巨大变化。 一、教育考试理论的变革：演绎与归纳的交汇 在教育考试领域，最根本的理论支撑源于教育测量学的三大支柱理论，即经典测试理论(ClassicalTestTheory，CTT)、项目反应理论(ItemResponseTheory，IRT)以及认知诊断评估(CognitiveDiagnosticAssessment，CDA)。这些理论不仅为学术研究、政府决策和考试管理提供了共同的话语基础，也界定了对教育考试与评价事实理解的基本框架。CTT构建了一个自上而下的测量理论范式，它假设观测目标是一个随机变量，并通过难度、区分度和信效度等概念对其进行解析。这一过程从定义测量目标开始，到收集和分析数据，最终实现将抽象特征进行数字化表达的目的。相比之下，IRT和CDA虽然基于不同的假设，但在测量范式上都是事先建立理论假设，再基于理论框架与测量模型对收集的数据进行分析与解释。 随着信息技术的发展，教育考试评价实践正经历着一场由技术驱动的变革。这种技术性变革表现为一种自下而上的做法：利用虚拟环境中产生的海量数据进行概括和归纳，进而提炼出有关学习成就的关键信息。因此，当传统教育测量理论遇到计算机科学范式时，两者之间的碰撞与互动成为当前教育考试研究与实践的焦点。 为了实现演绎式的理论驱动范式与归纳式的数据驱动范式的融合，不仅需要时间来验证不同理论嵌入及方法的有效性与适用性，还需建立一种能够获得广泛认可的现代教育考试理论框架。国际上的大规模教育考试，如国际学生评估项目(ProgrammeforInternationalStudentAssessment，PISA)、国际数学与科学教育成就趋势调查研究(TrendsinInternationalMathematicsandScienceStudy，TIMSS)和国际阅读素养进展研究(ProgressinInternationalReadingLiteracyStudy)等项目已经走在前列，不仅实现了考试形式的电子化，还试图超越传统教育测量理论的限制，通过更广泛的信息收集来更加全面地评估学生能力。当教育考试不再局限于特定的时间点，而是贯穿于整个学习过程中，就能够促进教育考试从单一的分数导向转向多维度的学生能力评价，进而为个性化考试与学习提供理论支撑。 二、教育考试技术的创新：由形到质的数字化变革 (一)测量构念的演变 在探讨教育考试的质量时，不可避免地会遇到一个核心问题：究竟应该考什么？从测量学的角度来看，这一概念被称为构念(construct)[4]，即希望通过考试来测量的具体特质。它属于教育测量的核心概念。构念是设计考试内容和形式的基础，界定了考试的目标和方向。近年来，全球范围内大规模教育考试的构念经历了显著变化，主要体现在新构念的出现、构念内涵的深化以及构念范围的拓展上。 一是新构念的出现。传统的教育考试长期以来主要以测查学科知识和技能的掌握为目标，这种类型的考试在很长一段时期内是相对稳定的。然而，为了适应未来社会需求的快速变化，国际上的大规模考试开始引入并强调一系列新的构念。在个体层面，这些新构念不仅涵盖了高阶认知能力，如理性思维、批判性思维、创新能力及问题解决能力，还包括来自心理学领域的概念，如韧性、社会意识和社会情感能力等，都逐渐成为考查内容的一部分。在群体层面，国际上的大规模考试开始重视团队合作，通过小组合作的形式来评估考生团体的合作模式和合作能力，从而评估特定群体的表现。在组织层面，学校环境和社会制度筹更宏观的因素逐渐成为考试关注的重点[5]。例如，学生的学业表现是在什么样的教育环境中产生的？教育和考试环境因素以及学生背景构成等组织层面的因素对于理解和评价学生的成就变得愈加重要。 以PISA为例，为测量学生适应未来发展的能力，PISA在过去二十年间推出了一系列新的构念，不仅引领了全球范围内的考试评价趋势，还影响着世界组织及各国的教育政策制定。PISA在每次测试中都会引入一些新的构念，特别是传统考试中不常测量或难以测量的能力，如财经素养、全球胜任力、创造性思维等。2024年的测试新增外语素养与数字世界中的学习素养等内容。新构念的出现反映出教育考试正朝着更加全面、复杂的方向发展，对测量的技术要求和潜在风险也大大超过了仅考查知识掌握的传统教育考试。这既有助于改变公众对教育质量的理解，也对教育评价理论和技术的发展提出了更高要求。 二是构念内涵的深化。考试要测查的构念从基本能力向更高阶的能力过渡。以写作能力为例，过去无论是人工主观评分还是机器自动评分，对写作能力的评价主要集中在语法和语义层面，即主要指向文通字顺。在大模型的广泛使用与倒逼下，写作评价将会更加注重写作中的高阶能力，如谋篇布局、论证组织、新颖性等，以及通过写作所反映出的人格特质。虽然同样是以考查写作能力为目标，但考查的构念已从浅层特质深化至写作加工时的元认知等深层特质。 三是构念范围的拓展。传统的基于结果的考试通常以学生的最终表现为载体，即通过“产品”来定义和分析构念。在大数据技术的支持下，定义和考查构念时加入过程性数据与信息已成为可能[6]。这一转变使得考试不仅关注最终产出的结果，更强调产生这些结果的过程。通过收集和分析过程性数据，考试构念从过去仅以固定的产出为评价对象，转向更加注重产品生成过程的评估。具体来说，研究人员可以从考生的真实行为过程中提取具有测量意义的行为序列，并将这些行为与创造性、批判性思维等深层构念的表现和规律相联系。通过对这些行为序列的建模和分析，能够更全面地理解和评价学生的能力和发展潜力。 (二)命题模式与技术创新 从国际上大规模教育考试的测试方式来看，近年来教育考试在命题模式、命题导向和命题技术方面不断迭代，考试命题更加贴近教学，并且朝着情境化和智能化的方向迈进。 首先，命题紧密围绕学业质量标准展开。国际组织及各国教育改革目标指向核心素养评价，并基于课程标准构建了核心素养评价框架[7]。在美国，SAT考试经历了从单纯衡量学术潜能到更贴近中学教育内容的转变，力求反映学生在接受系统化教育过程中真实学业水平的发展情况。PISA则专注于阅读和数学素养测评，设计了一系列基于素养结构和发展的题目[8-9]。我国课程改革的重要举措之一，就是将学业质量标准正式纳入课程标准当中。学业质量标准是连接教育目标与评价工具的桥梁[10]，它对学生在各个阶段所需具备的素养及其发展水平的描述指导着素养导向的命题设计。这不仅是政策导向的要求，也是确保考试发挥引领作用、实现教—学—评一体化的关键所在。 其次，命题注重情境化。尽管专家们对于素养的定义及其分类可能存在不同见解，但对素养本质的普遍共识是学生能否将其在学科学习中获得的知识和技能应用到现实情境中，以解决实际问题。这种对素养的理解为考试改革指引了方向，即考试内容与题目设计必须构建于真实的、贴近学生生活的场景之上，将理论知识与社会实践紧密结合。学生在情境、观念和结果之间建立的关联更具有内在性，调动和整合文化观念、工具、方法和资源的深度、广度和灵活性也在逐渐提升，表现为在素养上的不同发展水平[11]。考生需要在一个模拟的真实情境中进行探索，展示解决问题的思维过程及结果。这不仅检验学生的基础知识和技能，更强调他们在不同场景中灵活运用这些知识的能力。因此，情境化题目设置已成为各类考试的共同选择。TIMSS等大型在线测试中创新的情境化测评形式尝试超越传统的文字描述，在测评基调上更加重视问题解决的情境及过程[12]，而依据真实生活场景设计的综合性题目，使测评内容更加多元、开放且生动。近几年，我国各类型试卷的文本阅读量逐渐增多，这一变化也体现了对情境化命题要求的积极回应。 最后，题目的自动生成也是一大趋势。对于国际上大多数考试来说，考试题目编制已经逐渐从传统的由少数专家精心设计和打磨，转变为更加依赖技术的在线协作或自动化生成模式。早在二十世纪六七十年代，已有研究者开始探索题目自动生成技术，以基于模板的自动命题最为常见。随着技术的进步，特别是大模型应用于考试命题后，不仅能够生成题目材料，还能创建备选答案、阅读材料、案例分析、情境描述，甚至设计探究性任务，覆盖的题目类型越来越多。例如，Duolingo的语言能力测试和我国高考都在命题过程中不同程度地使用了大模型[13]，并呈现深度学习算法与传统测量算法相融合的趋势[14-15]。需要注意的是，专家在这一过程中仍然起到关键作用，负责对自动生成的题目材料进行审查、调整与优化，确保题目内容的合理性与适用性。当前，自动化方法已渗透到考试命题的各个环节，包括题目的生成、筛选、分类以及管理，显著提升了命题的质量和效率。 (三)人机交互测评的应用 人机交互式测评源自于专家系统中的智能化引擎对学生与系统互动的考虑，是教育考试中人机合作的早期雏形。当前，国际教育考试中常见的人机交互式测评大体分为两种类型。一种是以计算机为媒介，实现考生之间的远程协作，即人—人协作。例如，由英特尔、微软等公司资助的21世纪技能评估与教学(AssessmentandTeachingof21stCenturySkills)项目基于在线平台，将不同终端的考生分配到同一个合作任务中，通过设定信息共享模式、制定任务规则以及设计协作流程，共同完成一系列挑战，从而评估考生的合作能力和解决问题能力。另一种则是考生直接与计算机进行互动，即人—机协作。以PISA为代表，通过事先设计好的测试路径和流程，根据考生的作答提供即时的操作反馈，形成一个连续的人机互动序列[16]。 人机交互式测评的开发与组织实施，往往需要学术界与工业界的紧密合作。相较于传统考试，人机交互式测评能够留存考生的作答记录及多维度的行为数据，涵盖行为层面、生理层面乃至生物分子层面的信息，如光标的移动、眼动轨迹、考生的声音和肢体动作等。通过深度分析与挖掘这些丰富的多模态数据，进而对想要测查的构念进行建模。这一过程通过探查纸笔考试难以触及的更高阶思维的外显行为表现，揭示考生复杂的认知和非认知能力。过去被认为是不可测量的能力，随着测评技术的进步而有了更多的可能性。在我国教育强国建设的宏观政策背景下，教育考试技术的创新迭代是教育管理者、考试机构和从业者共同面临的挑战，协同教育学、心理学、学习分析、教育大数据挖掘等领域研究者与一线工作者的合力攻关，显得尤为重要和迫切。 (四)考试结果的多样化呈现 随着考试反馈机制的不断进化，教育考试结果反馈的速度、诊断性以及交互性也在不断提升，以多样化的方式揭示教育考试的结果全貌。 首先，考试结果反馈的及时性和效率显著提升。过去，各类考试在完成之后通常需要一段时间来进行分数计算和统计分析，人工阅卷成本高，考生等待成绩时间长。近年来，随着自动化分析技术和评分系统的日益成熟，借助先进的技术手段，这一过程已被大幅简化。 其次，考试结果反馈的诊断性显著增强。考试结果不局限于提供一个简单的分数或等级，而是一张“化验单”。其主要特征包括三个方面。一是考试结果呈现出更细致的能力剖面图，对考生在不同知识和技能领域的表现进行细粒度评价，提供更为丰富的信息以识别其优势与不足。二是结果呈现更加注重考生的非认知特征，如兴趣、情绪状态等，以全面了解考生的整体能力和潜力。三是诊断性的结果反馈能够增强考生的信心与动机。 再次，考试结果反馈的交互性显著提高。在线考试平台允许用户根据个人需求灵活定制和修改考试结果的呈现形式。例如，在线报告界面允许点击参加特定测评项目的国家或地区标签，即时查看该地区的成就情况，并且可以点击查看项目内各部分的具体结果，以理解成就的背景和含义。当前，在线交互式报告系统已经非常成熟，PISA、NAPLAN等项目均已实现了交互式反馈机制，考生和教育工作者能够在线选择并动态呈现考试结果，极大地提升了考试结果获取的便捷性和实用性。 最后也是最重要的，构建了个性化的考试结果报告体系。面向学生、家长、教师、学校及各级政府部门等不同利益群体，考试结果报告正朝着高度个性化的方向发展。从国际趋势来看，国家或地区层面的教育质量监测结果反馈已经开始根据不同使用者的需求定制化呈现。各类考试结果的使用者都能获得符合其特定需求的报告。目前，我国的国家和区域级教育质量监测项目已经在每个评估周期内将结果反馈给相关方。 (五)迈向大规模个性化考试 在追求教育考试公平与效率的进程中，标准化考试经历了从统一命题到大规模个性化测试的演变。从国际上看，个性化考试更加注重考生差异，主要有两种实现形式。一是考生主导型。在此模式下，学生能够根据自己的兴趣和能力自主选择考试范围及题目，实现个人化的考试体验，其核心在于赋予考生更多的自主权。二是以自适应测评为代表的技术驱动型。借助先进的算法和技术，考试系统智能化地向学生推荐最适合其能力和进度的题目。 需要注意的是，从大规模标准化考试向个性化考试的转型，首先需要过渡到数字化测试。我国在这方面面临着一个严峻挑战，即传统的纸笔考试模式需要一定时间来进行调整和准备。在政策宏观推进的过程中，必须通过小范围的模拟与试点来逐步完善组织和实施方案。实际上，计算机自适应考试(ComputerizedAdaptiveTesting)技术已经非常成熟，从基于IRT到CDA的技术也已经很成熟[17]。当前的关键在于政策层面决策和实际条件准备，尤其是考试的组织与管理方面需要得到重点关注和稳步落实。在政策支持上，政府和教育行政部门需制定明确的政策框架，以指导并推动考试模式的转变。在基础设施建设上，要确保所有考生都能获得平等的数字化资源，包括可靠的互联网连接和必要的软硬件设备。在队伍建设上，为教育考试工作者提供足够的培训和支持，使他们能够有效地利用新技术，并帮助学生适应新的考试形式。在公众沟通上，加强与家长、学生和社会各界的沟通，提高对新型考试模式的理解和支持度。通过各方协同努力，在政策引导、资源配置和实施细节等方面做好工作，确保每位考生都能在一个公平且高效的环境中参与评价。 三、教育考试面临的挑战：局限、效度与标准问题 (一)标准化考试的局限 教育考试机构以及考试工作者常常面临一个核心问题：教育考试，特别是标准化大规模考试的真正价值何在？西方近年来对标准化考试的质疑逐渐增多，大学招生采用的标准化考试被认为在一定程度上影响了某些地区或群体学生进入高等教育的机会。因此，自2008年起，在废除SAT等标准化考试的呼声中，美国各州调整了招生和考试政策，许多大学开始宣传替代标准化考试的新方案[18]。2021年，英国也取消了以往作为大学入学考试的普通教育高级证书(GeneralCertificateofEducationAdvancedLevel)考试。但是，最近一两年来，面对SAT选考自由导致STEM教育领域人才培养力度弱化等问题[19]，一些知名大学又开始重新审视并恢复标准化考试，在招生过程中重新引入这些测试以提升学生的区分度[20]。这揭示了一种现实冲突，即社会对考试的依赖与对其负面效应的担忧之间存在复杂的矛盾关系。一方面，大家都认为考试评价很重要；另一方面，对于考试本身所带来的负面效应，公众也存在不同看法。 教育考试犹如一把客观的标尺，这把标尺对于人才的选拔与评价具有重要的规范与约束作用。无论是我国还是世界范围内的教育考试发展变化都表明，研制并合理运用这把“标尺”，较之简单地将其废止，更具有深远的意义和价值。特别是在我国，高考已经成为维护社会公平正义的重要制度之一。在理解教育考试局限性的基础上，要持续优化中考和高考的制度设计与考试技术，维护其权威性，使之能更加有效地服务于未来的人才选拔目标。因此，确保教育考试这把“标尺”的质量至关重要。 (二)新型考试的信度与效度 信度与效度是保障大规模考试质量的关键。长期以来，信度与效度始终是各考试机构关注的重要问题。在当前社会背景下，这里涵盖了两个层面考虑。 第一，考试必须符合教育测量框架下对信度和效度的严格要求。在进行效度分析时，要充分考虑考试使用者、学生及其他利益相关方的需求与关切。对于高等教育入学考试来说，如若其声称能够有效预测学生在大学的学业表现，应审视实际情况是否与之相符，这正是检验高考对学术潜能预测的效度问题，检验考试所选拔的学生是否真正具备在大学学习的能力，以及选拔过程的公正性。例如，SAT考试的效度需检验基于SAT成绩的不同地区和族裔的子群体在大学中的学业成绩。我国教育考试机构在阐释高考是否能选拔出适合进入大学学习的学生时，基本也是沿用这一分析方法，并进行长期的跟踪分析等作为考试效度的证据。 第二，在大规模数字化考试逐渐成为主流的趋势下，思考数字化考试效度显得尤为迫切。教育测量学的效度研究历经了漫长的发展历程，从二十世纪初期基于标准的效度，到内容效度、结构效度，直至基于证据和论证的效度。目前，数字技术在教育考试领域的深入应用，似乎再次将效度研究带回了标准参照效度这一效度研究的原点[21]。以SAT数字化考试为例，为了确保数字化SAT能够全面覆盖必要的内容，其效度分析除了要检验数字化SAT分数与大学成绩之间的相关性之外，检验数字化SAT与纸笔SAT分数之间的关联也非常重要。同时，还要检验数字化SAT与州级标准测试在技能和知识层面的一致性、数字化SAT考试的最适宜长度和时间，并将学生的意见和反馈融入整个数字化SAT的设计流程，以考查数字化SAT能够