大數據在認知診斷中的實踐應用

田雪林

從古至今，對學生學習情況的檢測一直是教學過程中極其重要的環節，也是學生、教師、學校、家長乃至整個社會都普遍關注的事情。傳統的檢測方式主要是通過試題測驗學生的學習情況，得分高低意味著學生的知識水平高低，有的學生憑實力得高分，有的靠運氣，即使分數相同的學生，他們的認知結構也可能有很大差距。傳統檢測方式往往只關注學生的分數，不注重學生認知結構的分析，更談不上根據學生的認知缺陷，有針對性地補弱糾偏了。近年來，在認知心理學與心理測量學的基礎上發展起來的認知診斷理論[1]，不只是關注學生的測驗分數，而且更加重視學生分數與自身認知結構之間的關系，利用合適的測量模型對不同的認知結構模式進行診斷[2]。在大數據技術、人工智能技術日益成熟的今天，基于學業大數據的認知診斷將更加精準、更加高效，是傳統考試測驗與評價的改進與完善，是現代的學習評價方式。本文從江蘇省南通第一中學學業大數據應用案例入手，談一談大數據在認知診斷中的實踐應用。

一、人工智能時代的認知診斷

大體上講，認知診斷分為狹義和廣義兩大類，狹義的認知診斷是指被試者有沒有掌握所測試的知識和認知技能，并據此對被試者進行分類;廣義的認知診斷是觀察被試者測試分數與內部認知結構之間的關系，更側重于自身認知特征的分析。無論哪種認知診斷，都是以被試者的數據信息為基礎進行診斷。本文從狹義認知診斷視角剖析學業大數據在認知診斷中的實踐應用。

傳統的認知診斷主要依靠手工完成，或人工統計，或借助于計算機軟件（如Excel等）統計，往往根據一次或幾次測試數據來對被試者進行分析，數據樣本非常有限，診斷結果也不是很精準。傳統方式很難跟蹤記錄學生每次考試和作業數據，很難從大量的考試和作業數據中準確分析學生的認知水平和結構，更難做到針對每個學生給出個性化評價報告，所以，學生、教師、家長只能掌握學生的分數，不能精準掌握學生的認知特征信息，也就是說，大家都不太清楚每個學生哪些知識點掌握得較好，哪些知識點掌握得不好，也就談不上精準學習、精準教授、精準輔導。

近年來，隨著人工智能技術、大數據技術、數字化學習技術等的興起，基于學業大數據的認知診斷受到越來越多的關注。大數據用于認知診斷要具備以下兩個條件：一是要有采集學業數據的條件，包括硬件設備和寬帶網絡，比如，高速掃描儀等就能高速掃描作業、試卷等作答信息，數據及時上傳到大數據管理平臺;二是要有一個功能強大的網絡版大數據管理平臺，用于記錄、存儲、分析學業數據，智能生成評價報告，科大訊飛公司的智學網就是這樣的平臺。同時，大數據用于認知診斷具有以下幾個優勢：一是數據基礎龐大，大數據管理平臺能夠完整記錄、存儲每個學生長期的學業數據，形成數據礦山，為認知診斷挖掘出金、銀、銅、鐵、錫等個性化認知特征提供了全樣本的數據;二是智能化程度高，如智學網就融合了人工智能技術，能夠自動生成每個學生個性化的診斷報告，無須人工干預;三是學習資源推送智能化，大數據管理平臺能根據個性化診斷報告智能推送個性化學習資源，精準度高，能有效彌補學生的認知短板;四是學習指導個性化，教師能夠根據學生的個性化診斷報告對每個學生進行不同的學習指導，使學習指導更加精準。綜上所述，與傳統的認知診斷相比，基于大數據的認知診斷具有數據體量大（全樣本）、智能化程度高、精準度高等方面的明顯優勢。

基于大數據的認知診斷一般要經歷三個階段。第一階段，數據采集。利用設備采集學生的作業、考試等學業數據，并上傳到大數據管理平臺;第二階段，數據分析。利用數據挖掘技術、統計分析技術等智能分析數據，掌握數據反映出來的學情信息;第三階段，數據應用。利用大數據分析結果指導精準化教授、個性化輔導等教學活動。

二、大數據助力學生個體認知診斷

2015年4月，我校就引進了學業大數據系統，試點學業大數據管理應用。2017年9月，學校與科大訊飛全面合作，全校所有學生的日常作業和考試數據全都記錄到智學網，目前形成了龐大的數據體量。智學網在大數據技術、人工智能技術等在全樣本數據的基礎上，自動分析和生成每個學生一段時期的診斷報告，包括知識點掌握詳情、學科能力情況等。學生能分析本學年、本學期、近兩個月、近一個月、近一周甚至某次作業或考試的學情，了解自己近期的知識短板，從而調整自己的學習策略，補齊短板。教師可以查看所教班級學生的診斷報告，針對不同學生進行精準指導。智學網提供三種措施來彌補短板，一是學生下載近期的錯題再練;二是智能推送個性化學習資源再學習，如個性化學習手冊;三是教師布置個性化作業精準補短。

案例分析：

高二4班數學教師黃老師在分析最近一次周練作業學情時，在“學生學情”模塊里點開了田同學的詳細學情（見圖1），發現該同學近一周來“函數的零點與方程根的關系”知識點得分率只有16.7%，遠低于年級平均得分率54.6%，“利用導數研究函數的單調性知識點”得分率只有50%，也遠低于年級平均得分率88.8%。難道是偶然嗎？于是她又篩選了該同學近一個月來的學情數據（見圖2），發現該同學“函數的零點與方程根的關系”知識點得分率只有11.1%，仍遠低于年級平均得分率44.2%，而“利用導數研究函數的單調性知識點”得分率卻達到74.5%，略高于年級平均得分率74.1%。因此，她斷定該同學關于“函數的零點與方程根的關系”沒有弄懂，根源還在函數的零點沒搞清楚，于是她課后找田同學單獨指導，同時還給她推送了幾道變式題以鞏固提高。在接下來的月考中，該同學在函數零點的問題上沒有再

丟分。

圖1 高二4班田同學學科能力情況

圖2 高二4班田同學近期學情

大數據具有全樣本的特點，也就是說“樣本=全體”，學業大數據分析就能精準發現學生個體認知特征，便于家長了解孩子的學習問題，也便于教師針對學生的短板進行個別化指導，精準、高效補短。因此，不難理解如果每個學生都能及時補齊短板，那么班級整體的學習效果自然就能大幅提升。