教育數據解讀的認知解密與技能解鎖

林書兵 張學波

(1.北京師范大學 人文和社會科學高等研究院，廣東珠海 519087；2.華南師范大學 教育信息技術學院，廣東廣州 510631)

一、引 言

數據在教育領域應用的創新范式與變革成效，讓廣大一線教師成為數據驅動教學決策應用的忠實擁躉。教育數據應用涵蓋從數據收集、分析、解釋以及決策行動等一系列技能子集，印證著艾可夫(Ackoff，1989)的數據—信息—知識—智慧的數據認知金字塔。在將抽象數據解釋成具體信息的過程中，如何識別教育數據呈現的內隱問題，如何基于現實語境解讀數據的內涵意指，如何基于數據分析提供教學改進的實施策略和行動指南等是實現從數據到價值的核心階梯，也是一線教師數據應用必須跨越的認知鴻溝。一直以來，教學實踐領域常將聚集效應等同于價值凸顯，將教育數據應用過程簡化為數據采集加工和處理，而對如何識別和解讀數據避而不談。因此，本研究從教育數據應用的心理機制和過程原理角度，總結數據解讀的心理過程，提煉教育數據解讀的一般操作技能框架，以期為教師數據應用能力提升指明方向。

二、數據解讀困境

教學決策是教育領域由來已久的研究領域，通常指教師為了實現教學目標與完成教學任務，通過對教學實踐的預測、分析和反思，確定最有效的教學方案。隨著大數據技術在各領域的應用以及不斷凸顯的預測、分析和決策價值，教育領域也期待數據能夠推動自身從以經驗和直覺為主要教學依據的模式，向基于證據的決策范式轉變。當前，數據驅動的教學決策理念和行動在世界范圍內蔚然成風，利用數據改善學校教育實踐，已成為學校變革趨勢之一，數據驅動的教學決策理論和實踐研究也在不斷增長。然而，相關研究顯示，數據驅動的教學決策應用成效尚無定論。在從教學數據獲取到教學決策輸出的價值蛻變過程中，數據、教師、團隊和學校等境脈性特征都會對教育數據應用成效產生實際影響(Marsh，2012；Mandinach & Gummer，2015; Faber & Visscher，2021)，教學者如何從抽象數據中解讀出有價值的信息，恰為這一過程最關鍵的一環。

(一)數據聚集不能等同于價值呈現

數據存在和數據使用之間往往存在巨大差距。達文波特等(Davenport & Prusak, 1998)曾將數據定義為“關于事件的一組離散、客觀的事實”，即數據不提供判斷或解釋，也不顯示可持續的行動基礎。庫森等(Cousins & Leithwood,1993)指出，數據難以直接體現價值，需要對其進行人為解釋。在教育領域，數據必須轉換成學校可以使用的信息才可能對變革起支撐作用。達特諾等(Datnow et al.,2007)研究顯示，相對于收集數據，閱讀和使用數據更難。數據雖可以突出教學實踐的優缺點，但不能直接提高學生學習效果，中間需要教學者對數據的認知、解釋和理解。

首先，數據解讀是一個涉及教師多維知識綜合應用的過程。數據驅動教學決策研究著名專家曼蒂納克(Mandinach & Gummer, 2016)提出教學數據素養定義時，特別強調教師需要將數據的理解與標準、學科知識和實踐、課程知識、教學內容知識以及對學習者學習方式的理解結合起來,才能應對復雜的數據驅動的教學決策實踐。無論是定性的還是定量的數據，教師都必須在特定內容領域進行解釋，并與后續教學實踐相聯系。在解讀數據的過程中，教師必須考慮相關的學習進展或內容規范。在制定教學計劃時，教師將這些數據、他們在特定內容領域的教學知識及其對學生如何更好地學習這些內容的理解整合起來，通過聯系教師的教育學知識轉化為教學行動。而且，當基于數據的解釋拒絕了教師最初的教學假設時，或者教師收到錯誤無效的行動反饋時，數據收集工作必須重新開始，直至教學工作者認為數據足夠可靠和有效(Marsh，2012)。其次，數據使用也是復雜的非線性過程，常涉及多個反饋回路。科伯恩等(Coburn et al，2005)指出，數據驅動的教學決策研究大多關注數據使用干預與結果之間的簡單聯系，或是僅僅描述數據干預的活動形式，較少關注數據的具體使用和解釋過程，即教師如何在課堂環境中解釋數據并將其轉化為可操作的知識。因此，我們很少知道教師如何與數據互動的——解釋數據、對數據做出反應、忽略數據——以及這些反應如何促成他人感興趣的解讀結果。了解結果但不了解產生結果的機制，意味著我們對如何重新設計數據、使用干預措施增強數據的實踐影響知之甚少。

(二)技術進步不能代替人的解讀

教育大數據及其相關技術的出現，為教育領域的個性化、公平等難題的解決提供了可能。但另一方面，大數據的大肆炒作，使業界出現盲目的迷戀與跟風，一味地追逐數據的規模化效應和技術復雜性，忽視教育數據應用的根本目的，即通過數據驅動改進教學。然而，技術的進步無法總帶來有用的結果。首先，技術應用并非完美的，一些數據平臺和系統號稱能夠實現教學數據的自動采集、處理和分析，但輸出的報告要么過于復雜，超出教學者理解的能力，耗費教學者的大量時間和精力；要么過于簡單，僅顯示學習者表現的數字排名，對具體缺陷和細節只字不提。因此，教師和學生無法據此提出準確的補救措施。為了將數據轉化為信息，教師往往需要對數據進行系列轉換操作，如添加便于解釋的代碼、圖例或框架。教師需要理解數據的顯示和表示形式，對學生的表現數據和評價標準進行比較，從而得出關于問題性質、初始判斷或將要采取的行動的結論，這些都需要人為的心理操作。其次，在技術學習領域，教師數據素養的培養已被相關教育機構提上日程，但教育數據處理能力的訓練呈簡單化傾向，如認為教師只要掌握數據統計分析技能，自然就能勝任數據驅動的教學決策實踐并發揮數據的教學推動作用。在這一理念的主導下，教育數據應用培訓往往以統計、算法和計算技能為主題，將數據分析技能簡化為以計算機技術為基礎的數據操作處理技能。然而，對于教師而言，單純抽象層面的數據統計和操作技能并不難掌握，真正的難點在于，在具體教學情境下如何選擇恰當的統計方法理解和解讀數據，也就是不僅要知道“是什么”，且要回答“為什么要使用這些技術”的問題，而這需要學習者的親身實踐和反思認知(Velleman，1997)。

此外，大多數研究沒有提供數據分析的詳細描述，只關注研究結果和影響。統計學和計算機科學領域的研究者雖然開發了數據分析工具，然而前者通常側重于個別技術的數學屬性，后者重于算法效率，很少有研究明確涉及具體的數據分析過程(Mallows，2006；Grolemund & Wickham，2014)。原因在于技術是由不同領域處理數據的研究人員開發的，技術知識通常局限于具體領域(Huber ，1997)。其結果是數據分析思想被統計學、計算機科學、經濟學、心理學、化學等數據收集和解釋領域割裂了，數據分析主題也比較分散，限制了自上而下的數據分析理論描述。當前，教育數據研究已形成了教育數據挖掘、學習分析和數據驅動的教學決策等多個熱門研究領域，特別是隨著前兩者的不斷發展，教育數據處理能力不斷增強，似乎已經達到解構各種教育難題的程度，但到目前為止，人們依然沒有回答如何解釋數據這一根本問題。教育研究領域對教師數據應用實踐過程的漠視，導致缺乏數據分析理論，教育數據應用的認知黑箱依然存在。

(三)從數據到信息需要跨越解釋的鴻溝

數據驅動的教學決策研究得出的主要結論是，應強調解釋的核心作用，數據不能說明一切。人們必須積極理解數據的含義，并由此構建行動計劃。科伯恩等(Coburn et al.，2011)提出的數據使用過程模型(見圖1)認為，解釋是數據使用過程的核心部分。同時，解釋過程(注意、解釋和構建行動的含義)由個人信念、知識和動機形成，受社會互動的性質和模式的影響。當數據獲得解釋時，它才可能被轉換為信息。與數據不同，信息有意義、相關性和目的性。數據可以通過語境化、分類、計算、連接和總結轉換成信息(Davenport & Prusak，1998)。數據的應用價值，可通過解釋數據將數據轉換成信息，并以此作為決策的基礎。

然而，教師的數據解釋技能培養需要長期修煉。許多研究表明，教師分析和解釋數據時表現得特別糾結，還沒有準備好，或是僅關注測試結果，不了解學習者是如何進步的及其在學習中遇到了哪些困難(Confrey et al.,2004；Roxette et al.,2017)。教師常使用不完整甚至錯誤的數據做決策，通常喜歡將學生的弱點(如考試的錯誤答案)與教學內容聯系起來，不能很好地將學生的誤解和教學策略聯系起來(Lma et al., 2020)。教師可以很容易地完成某些任務，如在表格中定位數據，但在數據解釋任務中常常缺乏自我效能(Chick & Pierce, 2013; Dunn et al., 2013)，如不能恰當地解讀圖表的特定含義。一些教師傾向于依賴中心趨勢的度量(如均值、模式)，很少考慮離差的度量(如范圍、標準差)。對于某個特定的數據評估結果是否值得回應，教師的心理認定門檻也有所不同，對于什么是適當的表現并沒有合理的解釋(Means，2011)。這表明，教師通常無法順利地理解、解釋和應用數據做出教學決策，教師在數據解讀過程中運用的知識和技能還有很大的提升和改進空間，這就亟需從微觀認知過程的角度加強教師數據解讀研究。

三、教育數據解讀的認知過程解密

數據解讀是通過檢查數據提取關于現實的知識、信息和見解的過程，這是一個非常復雜的認知過程，因為決策者通常不完全了解他們在解讀過程中的思維過程。這就需要數據分析理論的介入和指導，回答數據分析的目標是什么、如何實現這些目標，以及為什么解讀會失敗等關鍵問題。數據驅動的教學決策研究更多的是從數據操作的外部以階段假設式的方式理解數據，尚未深入剖析和總結數據分析和解釋的共同規律，以揭示數據解讀的認知黑箱，為人類提供能夠理解的知識產品。此外，缺乏數據分析理論的支撐，導致教師數據解讀的隨意化、主觀化和刻板化，回到了以經驗和直覺主導的感性道路。

(一)模式建構與認知偏差

數據解讀過程的認知模式構建符合我們對理論的實用主義追求，它為數據分析提供了解釋框架，可以綜合可用信息，對數據分析任務進行預測。認知模型便于我們理解專家的實踐方式。這是因為僅僅依靠統計培訓，新手必須經過多年的實踐經驗，才能適應專業的數據分析實踐。相比之下，認知模型尋求最大限度地減少理論和現實之間的差異，可以從一開始就指導新手開展數據分析。因為人們很容易接受這樣一種觀點，即頭腦以一種與生俱來的方式進行思考，而這一任務也會受到認知、邏輯和認識論障礙的阻礙，當這些問題出現并被克服時，數據分析的細節就出現了。心理學研究認為，數據解讀過程傾向于兩種認知模式：意義建構和框架分析。

1.意義建構模式

意義建構將數據分析過程看作是個體的認知過程，即基于外界感知信息和內在圖式賦予數據意義。人們通過將新信息放入預先存在的認知框架并構建理解，這些框架通常被稱為“工作知識”。工作知識塑造了個人如何將數據解釋為決策過程的一部分，而且它會隨著數據解讀過程不斷更新和重構。工作知識主要由心理最基本的認知結構——圖式構成，這些圖式是對所有先前觀察結果的充分總結。數據感知過程圍繞圖式和現實之間的差異展開。為了理解數據，大腦首先選擇相關的模式。一旦大腦將數據及反映的問題與該模式聯系起來，就使用該模式訪問與該問題相關的未被觀察到的信息。在圖式的協助下，大腦使用這些信息賦予感官輸入以意義，并預測數據點之間的關系。隨著新信息的不斷構建，大腦試圖將其融入圖式。如果相關信息未被感知到，這個模式可能被認為有功能缺陷。如果有新的洞察，大腦會更新圖式，或者完全放棄原有圖式。大腦通過洞察力和圖式指導新數據的選擇，只要有進一步的信息，這個過程就會不斷重復(Grolemund & Wickham，2014，見圖2)。

然而，在直覺和經驗的作用下，人們傾向于搜索和關注已知和期望找到的數據，甚至忽視挑戰人們信念的異類數據。工作知識會影響人們如何解釋數據。不同信念的人不僅可以用相反的方式解釋相同的數據，而且當數據不支持已有信念或行為時，會表現出強烈的認知沖突。意義建構模式認為，數據解讀過程本質是社會性的。當數據小組一起工作時，人們通過互動、標記和協商等方式賦予數據意義，這樣數據解釋的共同理解就出現了，并成為工作知識的一部分。這些知識可以決定個人和群體如何解釋各種形式數據的意義和內涵。

圖2 數據解讀的意義建構模式

由于人們認知結構的差異，意義建構的主觀結果可能因人而異或因時而異，這是因為人們分析信息時使用了不同的認知模式。因此，缺乏理論指導，意義建構會有增加數據解讀主觀性的風險。當人們試圖理解不確定的數據時，會出現可預測的偏見，如習慣于采用固有的甚至是錯誤的認知圖式。通常情況下，圖式不會發生變化，直到個體經驗違背了預期結果，達到令人震驚的程度，個體才會通過檢查自己的信念，創造一種與錯誤的圖式相矛盾的認知體驗，進而啟動圖式改變。認知的本質傾向于破壞檢測錯誤圖式的感知機制，因為原有圖式決定了注意力放在哪里，以及如何解釋觀察結果。所以人們通常只關注環境中的一小部分信息，圖式將注意力指向這些信息，那些與圖式矛盾的信息不太可能受到注意、正確解釋或回憶。因此，大腦容易保留不正確的數據解讀圖式。此外，解讀者通常容易使用錯誤的認知邏輯，這些邏輯通常建立在前提和結論之間不合理的推理基礎上。其中，最常見的一類邏輯錯誤就是錯把原命題理解為逆命題或否命題，如基于數據的決策過程采用如下解讀模式：如果模式P為真，那么q為真；數據看起來像q，因此，模式P為真。這其實是人類思維感知時的常見運作方式，類似的認知偏差還有很多。如果數據分析不能用邏輯證明其結論，就不能完全消除決策的主觀性，但相應的缺陷可通過輔助手段得到彌補。

2.框架分析模式

數據解讀的第二種經典模式是框架分析模式，這是一種在社會互動和協商過程中解釋數據的方法，即通過定義問題框架的形式體現社會情境的復雜性和多面性。個體可以注意、加標注和信息組塊化的方式將數據反映的事件框架化為問題，使其形成解釋結構，賦予事件相應的意義。具體的數據解讀過程一般包括兩種框架活動：診斷和預測。診斷框架包括定義問題和責任歸咎。定義問題能夠確定個人或團體對問題的責任，從而明確教學改進的目標。預測框架包括闡明問題的建議解決方案，提出特定目標及相應策略。診斷和預測框架不僅是解釋性的，通常是戰略性的，即通過定義問題和制定目標，塑造團隊成員的意義。個人和數據團體試圖構建問題的解決方法，從而與他人達成共識。在決策情境下，這種共鳴激勵其他成員采取行動，加入支持政策解決方案的行列(Coburn et al.，2005)。

相對于意義建構模式，框架分析模式雖然提供了由數據生成的問題解釋結構，但未觸及數據在問題框架中扮演的角色。所以，在給定的數據和問題診斷之間，在對問題的理解和解決方案之間，決策者總會有自由解釋的空間。決策者會利用他們先前的工作知識——尤其是他們的內容知識，將數據與工作知識聯系起來，賦予其實際意義，這其實又回到了意義建構的解釋模式。此外，問題框架的定義通常會有爭議。當其他人提出不同的情況描述或問題解決途徑時，問題框架就受到了挑戰，從而形成反框架，這通常會對數據團隊的角色、責任和資源使用產生影響。面對這種情況，決策者常以闡述自身問題框架或當前解決方案優點的方式，支持和合法化問題解決方案。在這一過程中，教學內容知識將起到決定性支撐作用。此外，面對相互沖突的解釋時，教育機構領導者通常求助于政治手段，如以結構性闡述、縮小參與范圍和使用權力的方式制定教學決策。由此看來，數據解讀過程存在諸多外界影響因素。

(二)影響因素與輔助中介

1.影響因素

無論是意義建構還是框架分析過程，都建立在個體的認知結構基礎上，都受組織和文化背景影響。組織結構可以通過影響個體發展的社會互動模式，塑造工作知識和共享彼此的理解，組織文化可以促使數據組織內不同角色利用資源支持自身的立場，尋求特定的解釋，如數據教練的指導或數據團隊的分工協作機制。數據解讀過程影響因素如表一所示，此外，個體的內容知識、資源限制等都可能對教師的數據解釋和行動產生重大影響。

表一 數據解讀影響因素(Schildkamp & Kuiper，2010)

內容知識，即個體對主題的性質、什么構成“好的”教學以及對學生如何學習特定主題的理解，可以決定數據感知過程中工作知識的結構和基本屬性，在教學決策中起著特別重要的作用。依據意義建構理論，個體通過其工作知識建構數據意義。教師如果認為自身的教學理念與其解釋框架之間有關系，內容知識就會發揮作用。同樣，內容知識在數據團隊成員之間的解釋和說服過程中起著特殊作用。在問題框架的爭議中，當缺少指向高質量教學或學習者如何學習的假設時，內容知識將提供討論的基本依據，因為它決定了決策者如何解釋數據的意義和含義，以及他們認為什么是適當的解決方案。

此外，數據資源短缺也會限制決策效率，關于某一特定問題的討論會出現反復、懸而未決的狀態，而且常常由于更為緊迫的事項的出現而被擱置或遺忘，因此，教學決策軌跡容易被中斷或拉長。只有再次面對同樣問題或最后期限截止前，這些問題才會又一次呈現。于是，由于時間緊迫，最后一刻做出決策會變得非常常見，決策人員也傾向于將熟悉的情況或以往的常規操作作為解決方案的基礎。資源約束也容易導致更保守的決策，即有限的資源和時間使得決策不太可能深入涉及教學研究的相關概念，也不可能共享團隊成員的數據理解，決策者可能只是象征性地使用數據，數據使用也會從實質性轉向隱蔽，這也限制了通過深入對話揭示和檢查潛在假設的可能。隨著實質性解釋證據的減少，證據的政治性使用增加，數據解釋最終走向以權力為主導的境地。

2.輔助中介

數據使用比倡導者描繪的理想化畫面更加復雜。教師既可以通過為個人或學生群體設定目標、跟蹤學生進步、調整內容順序、修改課程材料或對學生進行干預支持，也能以不顯著改變教學實踐的方式對數據做出反應。有時出于方便，教師可能根本不使用數據，而是偏向通過直覺和軼事做出判斷。但面對數據的隨機性、復雜性和多樣性，教師并非無能為力。人類早已進化到借助外部人工工具思考。這些輔助中介以知識的外部表征形式引導感知者的注意力，從而降低感知的主觀性，并提供一種感知者之間可以共享的認知形式，使得感知更客觀、科學。

首先，數據分析比較依賴數學和邏輯，后者是信息處理的外部中介系統，一般通過規定從哪些事實中得出哪些相應結論，允許人類在外部進行推理以減少數據分析的主觀性。在這一過程中，我們可以檢查數據解讀的錯誤和偏見，特別是利用數學方法。數據可以存儲為物理符號(如書寫的數字)、嵌入在物理配置中的關系(如算珠或地圖上的線)、規則和約束系統(如代數定律，可以協助自動提取和轉換知識)。這些外部表征使抽象信息可以被決策者直接訪問，也可以擴展人的記憶容量并永久地存儲大量數據。數據和邏輯主要通過減少表征選項的數量，降低認知任務的難度(Zhang, 2000)。這樣我們可以一次處理更多的數據，執行更復雜的認知操作，減少錯誤。

數據分析理論認為將數據轉換成類似模式或模型也是有用的。大腦中的圖式，通常涉及抽象層面的各種數據概念，很少涉及具體可測量的數字。將數據轉換成模型，降低了圖式與數據之間差異比較的難度。因為模式通常只描述數據的一個特征，如平均值、最大值或方差，或是側重于從數據中導出變量，如密度=質量/體積。將數據轉換成熟悉的形式，數據也會變得更加容易感知，例如，人類善于在線性尺度上感知差異，而不是彎曲的尺度。因此在數據分析過程中，決策者可以將“彎曲”散點圖采用對數變換的形式展平，以類似線性散點圖的方式呈現，以有利于模式比較和搜索。此外，模式比較不一定停留在決策者現有的認知存儲結構，也可以通過統計學常用的各種模型推導出來，從而實現精確的預測。總之，人類更容易解釋熟悉的情況，在已有圖式和預測模型之間進行反復檢索和比較是所有數據分析過程的共同特點。

可視化是另一種數據轉換方式，可以為數據解讀者提供更強的感知能力。俗話說，一圖勝千言。可視化確保數據以有用和有意義的方式呈現，可以有效地交流和揭示變量的結構、模式和趨勢。常見的可視化技術包括網絡、時間線、空間、表格和統計圖等(見表二)。可視化技術可以在一些領域為教師提供支持，如為教師提供交互式可視界面和儀表板，促進教師對教學預處理和精細教學活動的認知和反思；系統網絡體系結構可支持教師確定不同群體如何與課程資源互動；通過識別不同學生群體交互模式的差異可能導致不同學習結果、解讀課程成功學生群體與不成功學生群體訪問模式的不同之處，使教師識別可能需要幫助的學生群體，由此協助教師為表現不佳學生提供學習方法建議。

表二 常見可視化技術(Ndukwe & Daniel，2020)

(三)解讀陷阱與規避方法

1.數據解讀陷阱

數據分析的認知模型可預測一系列可能破壞數據分析實踐的問題，即大腦使用意義建構的方式建立對世界的認識，但是這個過程存在缺陷，如傾向于保留錯誤的圖式、采用無法證明其結論的邏輯可能陷入常見的分析陷阱(見表三)。

表三 常見數據解讀陷阱

2.常見規避方法

為了防止錯誤的認知圖式對數據解讀的影響，我們可以通過建立預防錯誤認知習慣(如錯誤的關注、過早的數據拒絕等)的機制，消除相應影響。在數據解讀過程中，我們可以通過關注所有可能的模式來避免錯誤，即考慮是否已經找到了所有數據類型，未出現的其它數據是否可能推翻現有基本假設。其次，我們應謹慎地拒絕任何數據。當數據不符合個體先前觀點和看法時，我們通常傾向于拒絕“錯誤”數據，這也可能阻止我們發現基本假設是錯誤的可能。因此，我們應警惕數據清理過程中隨意過濾數據，盡量將數據拒絕行為提前至數據收集或生成階段。此外，在對數據表征的可能性進行推理和擴展時，數據解讀者容易被主觀偏見所影響。此時我們可以借用統計模型，以最大似然估計的方式選擇最有可能的解釋，但一開始不應假設模型是真實的，通過承認數據分析的溯因性避免陷入推理的絕對性麻煩，也可以收集新數據，直到得到更可信的模式，做出最終決策。

為避免數據解讀的邏輯問題，有研究者(Santiago-Delefosse,2015)提出 “邏輯”解釋數據分析通用原則:以相互依賴的方式分析話語數據，將每個分析單位與其他單位聯系起來；比較不同方式收集的數據,有助于將問題還原到社會和文化背景中，如三角測量可能有助于更好地理解與具體生活條件相關的心理現象；考慮不同生活領域(如工作、家庭、社會生活等)、不同社會群體(同齡人、朋友、家人等)和多樣化機構的差異等,將分析范圍擴大到其他情境。參考這些原則，教師應以全面、綜合、對比、聯系、發展和批判的眼光，有意識地關注數據來源、標準和使用范圍，注意數據的不同變化(亮點、突變點、問題點和潛力點)及其與學校政策、家庭背景和學習者個體等的聯系。教師還應加強基于數據的學習過程問題和原因的反饋，并能夠提出針對性改進意見和方法，避免陷入對學生個體表現主觀刻板的偏見和膚淺的判定。具體而言，對于考試成績解讀，教師不僅應對過程性要素進行分析(試卷特點、測試情況、書寫、習作等細微之處)，還要對結果性要素進行全面總結(成績縱向和橫向、單科和總體對比情況)；在探討原因時，教師既要看到智力因素(觀察力、記憶力、思維力、想象力等)的突出表現，也要考慮非智力因素(意志品質、興趣、習慣、情緒、責任心等)和環境因素(如學校條件、師生關系，親子溝通等)的影響。對學生的改進意見，教師既要鼓勵，又要提示進步空間，特別是要從聽課、復習、作業和考試的方法方面給予針對性指導，告知學生具體該怎么做。

四、教師教育數據解讀能力提升的行動框架

如上所述，數據驅動的教學決策研究雖然關注教師數據解釋技能缺乏的問題，但很少解釋教師如何理解數據，以及這些定義不明確的技能如何影響學生成績。筆者認為，當前不僅需要從認知角度了解教育數據解讀運行規律，還需在實踐層面指明教師能力提升的行動方向。除了眾多學者提及的教師數據素養概念涉及的數據解讀的基本技能，如理解基本數據指標、統計概念和分析模型，筆者認為應將教師的數據解讀能力提升同日常教學、數據交流活動和教學設計過程緊密聯系起來。

(一)基于常規數據提升整合化數據解讀能力

數據認知的相關理論揭示了一條重要規律，即人們對同一數據的認識，會因為個體認知結構、心理動機、知識基礎和經驗累積等因素的不同，產生不同的解讀結果，對數據的理解也會因為具體情境的不同而產生較大差異。考慮到數據解讀的多面性，教育工作者應有意識地加強教學數據的互動和交流，通過整合集體智慧修正數據理解的偏頗、刻板和局限。學校可以組建數據團隊或數據小組，定期探討教學數據反饋存在的問題和改進策略。教師也可以協作互助，不斷吸收教學共同體的集體共識和有益灼見，提升教學數據解讀能力。其次，教師數據分析培訓應強調統計分析技術與教學實際的整合，不應僅關注片面的數據來源和分割式的數據處理技能，不能抽離教師的實際教學情景訓練其單項抽象的數據應用能力，應重點關注教師的數據應用實踐和相關困惑，強調整合數據、理解，推動教師將數據解讀滲入日常教學常規數據，有意識地加強數據解讀訓練。

此外，學術界應加強教師數據認知規律研究。皮爾斯等(Pierce et al.,2014)曾就數據轉化為信息所必需的技能結構提出了分層框架，可供教師開展能力評估。第一個層次是“讀取值”，包括理解鍵、比例和圖表類型等特征，以及讀取圖表中特定數據點的能力。第二個層次是“比較值”，包括關注圖形的多個方面、一個或多個表示(圖形或表格)。第三個層次是“分析數據集”，包括能夠將數據作為整體，觀察和解釋變化、趨勢隨時間或其他變量的變化。該框架還涵蓋兩方面背景知識：一是專業背景知識，涉及與專業相關且解釋數據集所需信息，包括專業術語的含義等；二是情境知識，即有關數據的背景知識，如學校的社會經濟背景或地方事件等。

為了有效整合教師的數據知識、內容知識和教學法知識，里夫斯(Reeves & Chiang,2018)提出了在線數據解讀干預支架(見表四)。該支架針對不同分析單位，為教師提供相關圖表、表格和分數報告及需要回答的問題(位置/識別、優劣勢以及狀態和增長)。該平臺通過將參與者的回答與答案進行比較，以自動反饋、學習者與指導者協作交互的機制，不斷提升教師融合教學知識和內容知識的數據解讀能力。未來，廣大一線教師還需在包含內容知識和教學知識的教師數據素養的綜合框架下，不斷深入探索整合二者的數據解讀機制和活動，實現數據解讀從階段化、專家化走向常規化、專業化，擴展數據時代教師專業發展途徑。

表四 數據解讀干預支架

(二)利用精細數據提高個性化解讀能力

數據解讀的目的不僅是為了教師制定精準教學決策，同時也是為了更好地交流和傳播數據解讀結果，加強數據利益各方的溝通和理解。數據認知理論也反映了數據解讀過程不是個體被動識別信息的過程。個體可以主動尋求認知輔助中介，通過圖表、動畫、模型、概念和類比等促進數據認知的可視化，提升數據理解效率。當前，各類學生成績數據通常只呈現簡單的結果，很少提供原因分析或關于支持學習的有效策略，無法實現教育數據解讀的真正目的。因此，教師應關注數據解讀報告不同受眾(管理部門，學校領導、教師、學生、家長等)的信息需求，針對不同人群的閱讀視角做精細化處理，以形成個性化解讀報告，如學校領導比較關心數據能否支撐決策的正確性，教師比較重視數據能否證明教學的有效性，家長比較關心學生數據所代表的學習狀態等。數據解讀的精細化操作不僅體現了“巧數據”應用特質(祝智庭等，2017)，也體現了數據解讀服務“最后一公里”的理念。其本質是按需分析和私人定制，而不是粗略的結果呈現，更像是全面且有觀點的診斷報告。精細的學習者成績數據報告不僅可以描述學習者各科目各知識點的掌握程度，而且能對學習者個人能力做綜合評價。學習者可以據此發現不足，提高學習的針對性和有效性。教師也可以通過分段、三率、均衡度等指標，發現教學問題并及時調整。

(三)利用反饋數據開發差異化教學設計能力

個體對數據的理解會隨著數據變化而變化。因此，在將對數據的認知理解轉變成教學干預時，教師要注意數據的動態變化特性，不應依據一次數據，就對學生作最終定性；意識到數據解讀可能引起的風險，如因為個人知識結構的短缺、教學視野的狹窄，導致數據解讀的偏頗；注意數據倫理的問題，在符合教育倫理的框架下調整教學，盡量公平對待每位學生。

當前，大量教學反饋數據為教師實施個別化和差異化教學提供了契機，但差異化是一項需要特別關注才能掌握的復雜教學技能。很多學校利用學生測試數據反饋進行分組教學，將學生分成各種教學小組而不做針對性干預。教師的教學計劃還應包括設定學生表現目標和針對性教學策略。教師開展差異化教學設計，需要在教學小組之間靈活切換，根據學生學習需求不斷改變教學內容和節奏，以彌補分組對不同小組學生可能造成的不良影響。例如，教師需要及時關注落后小組的抵觸；對于個別優秀學生因為小組內的無差別教學而失去學習興趣，教師需要適當給予學習自主權和挑戰性任務，以及額外指導。為了設計適合每個學生或小組的教學策略，教師應堅持將數據分析結果、教學目標同教學和課程知識(內容知識、學習進程知識、課程結構、有效的教學策略和課程規劃等)相結合，在數據驅動的動態變化中不斷調整教學計劃，真正實現理想意義上的數據解讀價值——“因數施教”。