從數據到知識：數據驅動教學決策的理論模型與能力提升

張學波 林書兵 孫元香

[摘? ?要] 為順應時代發展，世界各國都在調整教師教育和教師專業發展政策以培養卓越教師，而數據驅動的教學決策是實現這一目標的重要手段和途徑。文章通過對數據驅動教學決策相關理論模型的深入分析和原理解讀，認為從數據到知識的教學決策模型不僅為教師的數據應用提供了行動框架，同時也為數據時代教師專業能力的發展和提升指明了方向。當前，針對數據驅動的教學決策研究應從一般層面的技術和階段視角，逐步深入到教育數據應用研究的過程和能力視角，并在全面公平等數據應用倫理的指引下實現數據時代教師的專業發展。

[關鍵詞] 數據驅動; 教學決策; 決策模型; 決策能力

[中圖分類號] G434? ? ? ? ? ? [文獻標志碼] A

[作者簡介] 張學波（1975—），男，浙江龍游人。教授，博士，主要從事媒介素養、新媒體傳播、數據驅動的教學決策研究。E-mail：zhangxb@126.com。

一、數據驅動的教學決策發展背景

近些年來，國家出臺了多個相關文件來強調將數據驅動作為新時期的教育發展理念，充分發揮數據作為新型生產要素的作用，推動教育數字轉型。早在十幾年前，北美和歐洲一些國家就開始對教師管理工作作出了審慎的調整，如經合組織基于對數據在教育中應用價值的重新認知，向其成員國提供了關于如何更有效地評估教師的幫助和建議[1]。當前，一些國家也著手開展試驗并通過使用學生測評數據來實現這一目標[2]。在教育領域，數據驅動的教學決策是指使用數據為教育決策提供信息的過程[3]。它主要是通過將數據轉化為可用知識，使數據具有可操作性，并超越數字及其統計屬性，從而使其具有現實意義。

當前，隨著數據驅動的決策理念向教育領域的滲透，它不僅成了教學實踐的哲學基礎，也變成了學校變革的重要戰略[4]。對于教育研究者而言，他們也可以通過教師數據的應用視角，激勵教師使用評價和考試等各類數據，了解教師具體是如何使用學生成績數據來改進其教學的，從而可以獲得數據驅動下的教師專業發展原理和方法。但現實面臨的問題是，盡管有相應行政要求或政策指令，學校和教師通常對于此類行動準備不足、缺乏重視，大規模開展數據應用課堂實踐的做法還未出現，學術界對于利用各類教學數據改進教學的過程關注較少，基于數據的教學決策過程原理和能力架構尚不明晰[5]。為此，本研究通過系統梳理國外相關數據驅動的教學決策理論模型，分析其理論演變的主要脈絡，揭示教師數據應用能力提升的主要困境，以期為數據時代下的教師專業發展提供方向指引。

二、數據驅動教學決策理論模型和原理

（一）數據驅動教學決策的主要理論模型架構

Mandinach等最早提出了數據驅動教學決策的理論框架，他們設想技術工具可用于支持、啟用和促進數據驅動的決策，試圖通過技術開發協助教學者使用數據驅動教學決策模型（如圖1所示）。他們認為，在數據驅動的決策中使用技術的附加值會越來越明顯，它們可以協助實現數據挖掘和意義提取的功能，從而成為DDDM行動的有利手段[6]。

1. 數技協同

與許多技術創新應用一樣，在回答“技術是否有效”或“技術的影響具體如何”的問題時，總會有工具“依賴”的效果爭議部分。美國國家自然科學基金評估框架項目的工作人員在過去兩年來審查數據時討論的一個重要問題就是，數據和工具是否可以分離。一些學者認為，數據嵌入工具中是密不可分的，因此，必須將它們放在一起處理。而另一些學者則認為，雖然這些工具影響現有數據，或數據影響使用工具的選擇，但應將其視為獨立實體。鑒于教師通常通過各類工具提供的數據來協同發揮作用，因此，Mandinach認為它們之間存在復雜的交互關系。這些互動涉及一個地區的教育背景和理念，也決定了特定種類數據的重要性以及對這些數據進行調查的技術工具類型，即技術的可承受性應方便工具的使用，并與數據的類型、周邊環境以及數據和工具使用的目標保持一致。Light等技術開發者強調了影響工具使用方式的若干功能特性，包括：（1）可訪問性;（2）反饋回路的長度;（3）可理解性;（4）靈活性;（5）對齊;（6）與教學的聯系等[7]。工具的功能特點將促進或阻礙數據的使用，如一個工具的勞動密集程度過高，個人可能不會輕易使用該應用程序。

2. 數據組織

從數據到知識連續體的定義涵蓋了對決策過程至關重要的六項認知技能。在數據層面，兩個相關技能是“收集”和“組織”;在信息層面是“分析”和“總結”;在知識層面則是“綜合”和“優先”。不論是教師，還是校長或是地區教育主管，都面臨著一個相關的數據問題，必須決定要收集哪些數據，也就是說，必須就如何為問題提供信息作出決定。個人也可以決定收集新的數據或咨詢現有的數據來源。對于一位教師而言，這意味著給學生一個任務或活動來突出一個特定的學習問題。對于數據系統管理員而言，這意味著深入到地區數據倉庫或調查家長來回答一個特定的問題。一旦收集了數據，就有必要以某種系統的方式對數據進行組織，以便使數據形成意義。然而，從未經合理整理的原始數據中提取意義一般是困難的，甚至是不可能的，這種組織過程需要教育工作者能夠將原始數據轉換為可以施加意義的信息。

3. 執行決策

教師可以分析課堂練習或考試的結果，校長可以在期末或統考中對某一年級的成績進行考察，地區教育主管也可分析不同學校或組別學生的表現趨勢，以決定他們是否有機會達到預期成績。分析的范圍可以是廣泛的，也可以是有限的，這取決于調查的類型和決策者的位置。無論深度和廣度如何，教學工作者們都需要對所積累的信息進行某種總結。此外，教育工作者通常面臨著來自各個方向和來源的信息。因此，至關重要的是，必須為他們提供簡明和針對性的信息摘要，他們才能將其轉化為有用的知識，這是教學決策連續作業的最后階段。為了將信息轉化為知識，教育工作者必須要將現有信息進一步綜合和提煉。最后一步就是確定知識的優先級，通常需要教師對積累的信息和知識進行價值判斷，然后確定信息的輕重緩急和可行辦法，解決學生的迫切問題;校長可以根據教師的反應和學生的表現，決定把重點放在某一個課程上，而不是放在另一個課程上;教育部門也可據此決定將資源不成比例地分配給最有需要的學校，以此最大限度地激發經濟欠發達地區學生縮小成績差距的潛力。總之，確定優先次序使決策者能夠形成什么是基本原則，即優先解決最重要和最緊迫的，并且用最謹慎和合理的辦法去解決問題。從數據到信息再到知識是一個決策過程，通過執行該決策，或在某些情況下由于其他外部原因，如缺乏資源，可能導致無法執行。執行工作會產生某種結果或影響，根據相應影響，決策者可能會決定回到六個認知步驟中的其中一個，從而創建一個反饋循環。教育工作者可能需要收集更多的數據，重新分析信息，或者重新調整知識。由于這種反饋循環，數據驅動的決策過程被視為一個迭代過程，數據導致決策和決策的執行，隨后確定影響，以及折返再次通過六個過程中的一部分或全部過程。

（二）基于公平視角的數據驅動教學決策概念模型

能否利用“數據驅動決策”的概念和工具有效解決學校根深蒂固的結構性差異，而不是掩蓋或再現這些差異，以及這種方法有什么潛在價值和威脅？針對這些問題以及教育數據應用領域倡導的將公平置于數據使用前沿的呼吁[8]，重視和利用數據來對學校的課程、教學、政策和實踐作出有影響力的決定已經成為學術界的共識。為了促進數據驅動決策過程中的客觀和中立，Dodman提出了批判性數據驅動決策模型（Critical Data-Driven Decision Making，以下簡稱CDDDM）（如圖2所示），并指出，如果不鼓勵批判性的自我反思，沉浸在隱性偏見和結構性壓迫的理解中，教師不太可能通過使用數據充分證明差距原因（如課外課程、學校政策、教師缺陷思維和資源分配不公），從而也就不能實現他們所宣稱和期望的公平結果。學校需要讓教師了解并參與學校一級的結構性決策，這些決策將會影響到他們在數據使用過程中公平問題的解決[9]。因此，CDDDM推動數據使用的問題從“什么將彌補這些差距”，轉移到“什么將增加和深化學校的公平”的層次，CDDDM鼓勵收集數據，以闡明造成和維持學校不平等的體制機制（如社會網絡、學科數據和人員統計等）。它通過對教學和學習采取批判性的系統觀點，對文化響應型數據素養進行補充。不僅要求接受不公平和對自身的質疑，而且要求接受教學和學習的政治和社會背景。

此外，Ikemoto等試圖對教師參與DDDM的情況進行分類，他們將DDDM描述為一個過程，在這個過程中，使用多種形式的原始數據進行解釋、分析和判斷，從而產生信息，進而轉化為可操作的知識，隨后由這些知識支持決策。隨著決策得到執行，相應影響也將進一步得到監測。這個過程不是線性的，反饋信息會影響到DDDM各個階段的運行。通過他們的分析，教育工作者把原始數據轉化為信息，從數據分析中得到了意義和價值。這一階段受到各種因素的影響，通常涉及教師的假設、學校和地區政策以及機構和教學實踐。教師在這個階段創造的信息就變成了可操作的知識。在這個模型中，知識被認為是立馬可以應用的語境性信息。然后，教師利用這些情境約束的、可操作的知識來完成教學決策。當決策執行后，教師也會進一步收集相關數據，以監測決策執行的結果和影響，當教師質疑這種影響時，這個數據周期又將開始新一輪的循環。

（三）數據驅動教學決策模型的改進原理

1. 掣肘學校數據應用的現實原因

一些研究表明，教育工作者對于基于“不一定可靠和準確的數據”能夠影響學生績效的數據驅動教學決策采納猶豫不決，問題在于教師在如何利用數據來提高學生成績方面缺乏相應的培訓，這是一個教學實踐當中長期面臨的問題，教師很少對教學實踐和學生成績之間的關系進行批判性思考[10]。此外，我們對教師將數據轉化為可用信息和實踐的認知策略也知之甚少[11]。而且，正如上文所指出的，學校大量出現的由數據驅動的決策工具并不能提供學生的詳細數據，從而也就不能幫助教師收集有關特定教學策略有效性的系統證據，這是目前數據應用不受教學一線重視的主要原因，也是我們研究的出發點。

如果數據或數據驅動教學決策是非常有益的，那為什么沒有更多的學校使用數據呢？原因可能是，長期以來學校里的決策基本都是學校領導根據一些信息或對知情的直覺，或以個人經驗或軼事信息作出決策。這些決策是在沒有數據的情況下實行的，因為查看和解釋數據通常是一項非常花時間和需要專業知識的工作，在沒有時間又缺乏知識的情況下，很少有人愿意去做這項工作。但是，查看數據并不一定意味著使用大量和復雜的統計數據。數據分析的目的并不是積累大量數據，而是獲取和提煉有價值的信息[12]。因此，僅通過關注手頭最相關的決策數據，學校就可以集中精力開展研判。教育工作者可以最大限度地利用他們的時間，而不會被埋在無關的信息中。

2. 學校可獲取的數據類型

許多學校主要專注于考試成績，各類考試成績從而成為唯一的數據來源。這些數據雖很重要，但必須對它們進行分解（如按性別、年級、智力和認知水準等進行分類）并與其他數據相關聯，才能幫助學校合理規劃教學改進路徑[13]。通過檢查其他數據來源，包括有關學校和家庭等數據的情境或脈絡信息（如課程計劃、學生作業示例和家長調查結果等），我們才能開始了解考試分數的情況，然后確定可以改進的教學領域。例如，學生可能在學校閱讀成績測試方面的表現低于標準，因為他們錯過了很多在校學習機會，沒有完成家庭作業，或缺乏父母關愛等，學校有很多非常有用的背景數據來源。這些隨時可用的數據在各級各類（從科目到年級再到學校類別）學校作出決策時非常有用。

3. 基于數據的教師決策過程

假如不借助數據分析工具，由教師來收集和分析數據，數據驅動教學決策就演變成為一個教師個體的數據素養和技能問題。那么，如果使教師具備這種素養，同時，通過收集數據和分析數據，了解問題的因果關系，這將為教師合理應用數據開展決策、科學地判斷應用場景起到非常重要的作用。因此，問題發展成為如何讓教師利用數據進行決策，而不是用技術來替代教師的分析過程，這也進一步引發了一系列疑問：（1）教師如何通過教師評估獲得的數據來改進他們的實踐？（2）該過程涉及哪些步驟？（3）什么條件促進或阻礙這些數據的使用？針對這些問題，一些研究者在上述模型基礎上開發了數據使用模型，利用這些模型，可以準確地回答有關數據驅動教學的基本問題。Mandinach和Honey開發了數據驅動的決策模型來描述幫助教師學習如何使用數據來改進教學的實踐（如圖3所示）。

在該模型中，前三個階段——數據、信息和知識——中的每一個都需要兩項任務，Mandinach將其視為一個認知過程。第一階段，從教師收集數據開始，這些數據包括學生作業樣本或考試、人口統計或行為數據。然后以他們可以理解并將其置于背景中的方式（如以圖形）來組織這些數據[14]。Mandinach指出，在這個階段，數據本身只是數字，它們仍然是需要轉化為決策的原始材料。第二階段，通過兩個任務將數據變成信息。首先，通過檢查績效趨勢、查看項目級數據或書面作業中類似錯誤的模式來分析數據，以了解成績差距出現的位置，尋求績效趨勢與其他數據之間的相關性。然后，教師總結個人或團隊行為常見的誤解。第三階段，信息轉化為知識。首先，教師綜合信息以建立關于學生在學習這些任務和主題時的優劣以及問題的知識庫。接下來，教師對合成信息進行優先排序。一旦教師掌握了某個問題的知識，他就可以確定一個行動方案并加以實施，以理想的方式對其進行評估，以便 DDDM 過程實現遞歸運轉并繼續指導行動。

這一模型凸顯了教師評估數據的幾個優點。首先是它提供了一個可以構建和輔助分析的序列;其次是它顯示了每個階段發生的決策過程，如組織或總結數據。但該模型并非沒有問題，它給教學實踐帶來的誤解是容易忽視教師專業學習這一重要環節，也就是它強調決策制定結果多于教師的專業學習過程[15]。因此，利用技術工具替代教師進行分析會減少教師的學習機會，這也是需要建立改進模型的原因之一。此外，這一模型代表了一種通用模式，但Tuytens等認為這些步驟中一些環節是可能存在的，不是所有步驟都必須得到實施，而且該模型也沒有驗證一個步驟如何影響下一個步驟的信息[11]。

對教師而言，最大障礙是他們不懂得如何分析數據，由于缺乏此類知識，他們往往忽視或不理解數據的分布、抽樣變化和統計差異等基本概念。Confrey等發現，新手教師通常傾向于關注個別學生的數據、平均分數和通過率，而忽略數據的整體分布[13]。能夠將一個數據分布作為一個整體來考察，而不只是專注于個別學生，這是一項關鍵的分析技能。雖然綜合的衡量標準（如平均水平）更能代表整體分布水平，但它有可能會導致一定風險，如一些成績差的學生被其他成績好的學生所“平均”，因為平均水平并不是變異性的標志。這里舉一個簡單例子來說明上述問題。在制定教學目標時，由于去年某班平均分數是85分，而今年是84.6分，從分數來看，似乎是沒有什么變化，也就是說，無論從經驗和理論的角度來說差異都是不顯著的。因此，教師會認為明年的教學可以沿用今年的做法，或制定教學目標時可以延續今年制定的目標。但實際上通過審查分布、變異量等數據后發現，原來是今年成績好的學生分數降低了，而差生分數提升了，導致平均值沒有太大變化，但變異量有變化，而這是由于今年教學目標定得過低所導致的結果。所以，教師應該據此調整教學目標，要實現讓好學生成績更好，差學生成績也能變好，這才是根據數據進行教學決策的最佳選擇。

如上所述，這些模型的基礎是基于Ackoff提出數據、信息和知識連續體，其中數據被轉化為信息，并最終轉化為可用于決策的知識[16]。數據以原始狀態存在。它們本身沒有任何意義，因此，可以以任何形式存在。數據是否成為信息取決于人們對數據的理解。信息是鏈接到背景時被賦予意義的數據，也是用來理解和組織我們環境的數據，揭示了對數據和背景之間關系的理解。然而，它本身并不對今后的行動產生任何影響。知識是收集的被認為有用的信息，并最終用來指導行動。知識是通過一個連續的過程創造出來的。在考試信息方面，教師能夠看出學生在不同項目技能和課堂教學中的得分之間的聯系，然后對其采取行動，這就代表了知識。例如，在一次數學課堂考試中，一名學生得分為85分，教師根據這一數字進行分析，85分對這名學生來說成績低了一點，應該比這個成績高才對;怎樣理解這個85分呢？就解題技能來說，教學中，這名學生對教師提問的回答情況來看，他回答了教師的問題，教師確認過，他懂得這種解法，那為什么做錯了呢？應該是大意了，所以采取的教學決策是，提醒他，做完題要仔細檢查一遍答案。教學決策連續體提供了從獲取原始數據并將其轉化為可用知識的邏輯過程。它根植于課堂、學校和區域的背景中，所有這些都將以不同的方式使用不同的數據來做出決定。

另外，教育工作者必須決定要收集哪些數據。也就是說，必須就如何為問題提供信息作出決定。例如，針對農村的一所學校，教育工作者可以廣泛收集各種模式或形態的數據，如考試試卷分數、學生的作業和課堂練習等，發現學生的常見思考方式和錯誤模式，以及在年級考試、區考、市考和高考中該校學生出現的共同性和特殊性問題;在教學中，教育工作者可以收集教師與學生的互動（提問、討論、眼神、表情、行為）、學生間互動等大量非結構化數據;此外，教師還可以收集外出聽課心得、公開課、讀書筆記、教參、考綱分析等數據。通過教研活動，教師集思廣益、相互啟發、相互補充，最終決定要收集的數據類型，從而開展學生學習規律的研究。一旦收集了數據，就有必要以某種系統的方式對數據進行組織，以便使數據具有意義。這種組織方案使教育工作者能夠將原始數據轉換為可以施加意義的信息，而對于數據具體如何組織是非常值得深入研究的課題。

三、數據驅動教學決策的能力提升困境

DDDM突出了教師評估數據使用方面的幾個優勢，它可以提供一個構建和輔助分析的序列，并突出了數據使用每個階段發生的意義建構過程。但DDDM也存在一些現實問題需要未來在研究中加以解決。

（一）DDDM中教師數據解讀的漠視

如上所述，技術工具雖可用于支持、啟用和促進數據驅動的決策，如我們可以通過教育數據挖掘和分析技術以及多模態數據組織技術解決數據的收集、組織、分析、總結四個環節工作。但數據的合成、優先排序等環節還不能通過技術得到解決。此外，Mandinach等在提出的教師數據素養概念框架中確立了DDDM的五個不同階段：（1）確定問題和框架問題;（2）使用數據;（3）將數據轉化為信息;（4）將信息轉化為決策;（5）評估結果[17]。這些不同階段也要求教師熟練掌握不同的知識和技能，其中兩項是解釋數據和制定決策。教師必須能夠從各種形式的數據表達中建構意義。教師還必須能夠在現有數據的支持下得出關于學生認知的結論，這些能力將影響教學決策的適當性、規范性和正當性，當然也是教師與各種受眾進行溝通時不可或缺的。

但截至目前，這些細節還沒有一個明確的技術方案，這個問題本質上是一個教學問題，而不是技術問題。同時，由于缺乏對過程和分析細節的了解，教師通過技術解讀數據，總結成為信息，往往這一過程中存在一定的困難和認知偏差。因此，我們建議使用從數據應用的視角來了解教師如何分析和使用他們的評估數據，如探索教師在不同背景下理解不同類型數據的過程[18]，以及促進實施鼓勵教師使用數據的計劃條件[19]。從數據角度看教育問題，也即分析數據結果建構信息的意義或建構知識，這是數據科學在教育中應用的一個方面。數據科學的目標是應用數據挖掘技術，從數據中提取知識，從數據的角度發現專業或領域的問題。但數據科學必須沿用因果分析基本原則，而不是相關關系。這一點對教育工作者來說非常重要，因為只有知道了原因，我們才能對癥下藥。因此，傳統上的數理統計和分析方法的因果分析法是基礎，它包括可視化的數據方法，如因素分析法、主成分分析和差異分析法等。另外，還需要一些啟發式方法，如直覺、創造力和常識等。

（二）DDDM中教師學習過程的凸顯

DDDM 之所以在實踐中受到一些批評，其原因之一是因為它強調決策制定結果多于教師學習過程[20]。在早期DDDM實踐中，它擬定了一個單獨的數據分析師的角色，在后來的演變中，它也更強調定量而不是定性數據。這一模型暗示著教師和管理人員之間各自明確的分工[18]。而最近的研究認為，DDDM過程本質上是互動的和社會性的。教師首先要理解評估數據，然后根據他們掌握的評估數據采取行動。在將這一理論應用于教師評估時，我們希望將其擴展到包括社會性學習的各個方面以及更廣泛的定性和定量數據，包括管理人員對教師教學的觀察、教師應用數據的目的和要解決的教學問題。假如教師能夠從收集數據、組織數據、分析數據和總結數據這四個環節中進行學習，那教師就會獲得更多的關于學生學習和教學的知識以及因果關系，就可以獲得更多的理解，從而作出更加科學的決策。

往往根據統計分析和工具得出的結果直接讓教師使用，致使教師不了解其原因，導致教師學習效果差。教師只有了解了原因，才能有的放矢地將這些知識應用到實際場景之中，也只有這樣才能切中核心問題。根據因果關系判斷是人類的認知技能和智力發展的基本規律，所以，必須要尊重這一規律才能獲得切實有效的應用。因此，未來的研究應重點將教師置于從數據、信息及知識中學習的過程，關注教師之間的互動學習。這些設想也為教師專業社區研究、數據團隊及教學團隊中數據使用研究提供了理論支持。關于教師學習的研究，還包括利用教師專業發展數據開展針對教師專業發展效果的研究，如通過教師效能的績效評價舉措可以識別出能力薄弱的教師，但他們很少提供關于這些教師為什么表現不佳以及需要做些什么來改進的線索，而對教師專業發展的數據挖掘或許可以回答這個問題。

（三）DDDM中教師決策能力的構建

實際上，DDDM與數據知情決策或循證教學實踐以及數據素養或評估素養這些概念有著相同的內涵和同質性，都是描述我們所說的學校數據使用的含義，但筆者認為能力和素養兩者是不同層次的概念。例如，素養往往是指基礎性和最基本的，而能力則強調更高層次的水平。因此，我們應該強調用數據驅動教學決策能力培育替代教師數據素養，將其作為教師專業發展方向。數據驅動的教學決策不僅規定了特異性、邊界和過程，還引導我們將數據作為指導性決策的驅動力。作為具有明晰程序的可操作概念，以數據驅動教學決策替代上述各種概念，教師更能在教學實踐中付諸實施。

四、結? ?語

當前，一線教師對數據的追捧和青睞，不僅觸發了學校教學變革和改進的契機，也引發了我們對新時代教師專業發展過程的關注。通過研究數據驅動教學決策過程的特殊之處，可以開啟和引導數據時代的教師學習過程。本研究通過對DDDM相關研究的回顧，發現教師數據應用過程可以增加其對數據的訪問機會、評估數據的價值、就數據進行對話、從數據中學習，進而改變其教學實踐，最終幫助學生學習達到更高的水平。未來相關研究應集中研究DDDM的應用過程分析，以了解教師如何隨時間推移作出與評估數據相關的決策。盡管最初的數據驅動決策模型并不強調教師學習的作用，但通過對教師數據使用過程的深入研究，DDDM不僅突出了教師數據感知的個體過程，而且還彰顯了教師數據應用的集體形式。可以預見，未來這一領域的研究與實踐將會更好地引導數據驅動的教師學習方向。

[參考文獻]

[1] Organisation for Economic Co-operation and Development. Teachers for the 21st century： using evaluation to improve teaching OECD publishing[EB/OL].（2013-07-01）[2021-07-07].https：//www.researchandmarkets.com/reports/2534298/teachers_for_the_21st_century_ using_evaluation.pdf.

[2] GOLDHABER D， HANSEN M. Implicit measurement of teacher quality： using performance on the job to inform teacher tenure decisions[J]. American economic review， 2010，100（2）：250-255.

[3] MANDINACH E B. A perfect time for data use： using data-driven decision making to inform practice[J]. Educational psychologist， 2012，42（7）：71-85.

[4] DATNOW A， PARK V， KENNEDY-LEWIS B. Affordances and constraints in the context of teacher collaboration for the purpose of data use[J]. Journal of educational administration，2013，51（3）：341-362.

[5] HERMAN J， GRIBBONS B. Lessons learned in using data to support school inquiry and continuous improvement： final report to the stuart foundation（CSE Technical Report 535）. Los Angeles： UCLA center for the study of evaluation[EB/OL]. （2001-02-01）[2021-07-07]. http：//www.cse.ucla.edu/products/Reports/TR535.pdf.

[6] MANDINACH E， HONEY M， LIGHT D. A theoretical framework for data driven decision making[EB/OL]. （2006-04-09）[2021-07-07]. http：//www.cct.edc.org/sites/cct.edc.org/files/publications/DataFrame_AERA06.pdf.

[7] LIGHT D， WEXLER D， HENIZE J. How practitioners interpret and link data to instruction： research findings on New York city schools' implementation of the grow network[EB/OL]. （2014-05-17）[2021-07-07]. http：//cct.edc.org/sites/cct.edc.org/files/publications/Grow_AERA04_fin.pdf.

[8] HAMMERMAN J K， RUBIN A. Reasoning in the presence of variability[EB/OL].（2014-03-31）[2021-07-07]. https：//www.researchgate.net/profile/Andee-Rubin/publication/240209166_Reasoning_in_the_Presence_of_Variability1/links/0046353396be320530 000000/Reasoning-in-the-Presence-of-Variability1.pdf.

[9] DODMAN S L， SWALWELL K B， DEMULDER E K， VIEW J L， STRIBLING S M. Critical data-driven decision making： a conceptual model of data use for equity[J]. Teaching and teacher education， 2021，99（3）：26-37.

[10] MANDINACH E B， HONEY M.（eds）. Data-driven decision-making： an introduction[M]. New York： Teachers College Press，2008.

[11] TUYTENS M， DEVOS G. Stimulating professional learning through teacher evaluation： an impossible task for the school leader？ [J].Teaching and teacher education， 2011，27（5）：891-899.

[12] PENUEL W R， SHEPARD L A. Assessment and teaching[M]. Washington， DC： American Educational Research Association， 2016：787-850.

[13] CONFREY J， MAKER K. Secondary teachers' statistical reasoning in comparing two groups[M]. Berlin： Springer Netherlands， 2004.

[14] DAVENPORT T H， PRUSAK L. Working knowledge. how organizations manage what they know[M]. Boston： Harvard Business School Press，1998：16-78.

[15] DATNOW A， PARK V. Opening or closing doors for students？ Equity and data use in schools[J]. Journal of educational change， 2018，19（2）：131-152.

[16] ACKOFF R L. From data to wisdom[J]. Journal of applied systems analysis， 1989，16（1）：3-9.

[17] MANDINACH E B， GUMMER E S. What does it mean for teachers to be data literate： laying out the skills， knowledge， and dispositions[J]. Teaching and teacher education， 2016，60（11）：366-376.

[18] LITTLE J W. Understanding data use practice among teachers： the contribution of micro-process studies[J]. American journal of education， 2012，118（2）：143-166.

[19] HOOGLAND I， SCHILDKAMP K， VAN DER KLEIJ F， HEITINK M， KIPPERS W， VELDKAMP B， et al. Prerequisites for data-based decision making in the classroom： research evidence and practical illustrations[J]. Teaching and teacher education， 2016，60（11）：377-386.

[20] PENUEL W R， SHEPARD L A. Social models of learning and assessment[M]. New York：Wiley-Blackwell，2016.