《Routledge語言測試手冊》（第二版）評介

《Routledge語言測試手冊（第一版）》（編者為Glenn Fulcher和Fred Davidson，出版于2012年）深入剖析了語言測試的理論和方法，并針對效度驗證、測試設計與開發和試測等方面提供了實踐建議。隨著語言測試領域研究的發展，該學科的熱點話題已從單一屬性，如信效度研究，拓展至社會、政治、文化等多維度。近十年來，除效度驗證、構念及反撥作用等受到持續關注的議題外，測試開發、專門用途英語、診斷性評估、語言評價素養及自動評分技術等新興領域也受到了特別關注[1]。在此背景下，《Routledge語言測試手冊》（第二版）由Glenn Fulcher和Luke Harding共同編著，于2022年出版。該書集結了51位測試學各領域的學者專家，由1至3位作者撰寫每章內容，不僅全面介紹了語言測試領域的熱點議題，也對外語教、學、評方面的研究和實踐具有重要啟示。該書適合語言測試研究者、語言教師、學習該方向的學生、測試管理者、開發者及其他利益相關者研讀。本文介紹各章主要內容，并分析該書特色及不足之處，展望其對我國語言測試研究理論和實踐的啟示。

一、內容簡介

全書共分為10個部分，每個部分包含3-5章內容，共36章。

第一部分主要探討了語言測試的效度問題（第1-3章）。第一章的主題為效度的概念。Carol A. Chapelle和Hye-won Lee回顧了測試效度的概念。效度最初是指測試是否測出了意圖測量的能力，逐漸過渡到對分數的解讀和使用這一多維概念。進入21世紀，Michael T. Kane提出基于論證的效度觀（argument-based validity），將效度視為證據和理論能夠支撐對測試分數的解讀以滿足預設的測試使用用途的程度，使效度這一領域的重心從“概念”轉到“驗證”，對語言測試領域影響深遠。這反映出學者對效度認識的三個階段：分類效度觀、整體效度觀和基于論證的效度觀。第二章的主題為有效性論證。Michael T. Kane系統介紹了基于論證的效度驗證方法。該方法分為兩個過程，一個為解釋性論證（the interpretation/use argument），旨在明確分數的用途和解釋；另一個為效度論證（the validity argument），即對解釋性論證階段提出的用途和解釋進行全面評估，以證明其有效性。第三章的主題為語言測試中的預測與推測。Steven J. Ross強調了預測效度的復雜性。當通過測試分數來預測被試未來表現時，結果往往具有滯后性，分數與未來結果之間的即時聯系難以直接觀測。因此，在進行預測效度研究時，可采用縱向研究法，通過長時間的追蹤和觀察，準確了解分數與未來結果之間的關系。

第二部分為語言測試運用的重要議題，重點討論其社會屬性（第4-6章）。第四章的主題為語言測試的社會維度。Richard F. Young分析了語言測試的社會影響，包括對國家聲望的維護、語言標準的維持，但在多元文化背景下，社會主流群體和亞主流群體的話語語用具有差異性，測試可能會忽視亞主流群體的語用特征，所以語言測試在一定程度上也會抑制語言多樣性。第五章的主題為專門用途語言測試。Carol L. Moder和Gene B. Halleck以航空英語測試（aviation English testing）為例，就語言工作者如何開發和設計專門用途語言測試進行了闡述。該章指出，測試工作者應當熟知社會政策和被測領域的語域特點，從而明確測試設計和決策所產生的社會反響及政治影響。第六章的主題為移民和國籍語言測試。Antony J. Kunnan對人類移民現象、語言政策和國籍政策進行了綜述，并以美國公民入籍考試為例，探討了移民現象和語言政策及測試之間的關系。

第三部分探討了課堂測評及其反撥作用（第7-11章）。第七章的主題為課堂測評。Janna Fox、Nwara Abdulhamid以及Carolyn E. Turner闡明了語言發展、師生在課堂上的角色轉變和科技進步對課堂測評的定義及實踐有著不同程度的影響。目前，課堂測評逐漸和診斷性測試相結合，形成一種新型的測評方式：基于課堂的診斷測評（classroom-based diagnostic assessment）。教師可根據課堂診斷測評的結果為學生提供更加科學、系統且具有針對性的指導。第八章的主題為反撥作用。Liying Cheng和Nasreen Sultana首先回顧了反撥作用模型的發展歷程，其次指出了效度驗證與反撥作用的緊密聯系，還說明了近10年來反撥作用研究的三項重要變革：地理范圍的擴大、測試和教育背景的聯系以及概念和理論框架的多樣性。第九章的主題為評估低齡學習者。Yuko G. Butler指出，在評估低齡外語學習者時，不僅要考慮外部環境因素（全球化趨勢和科技發展），還要考慮學習者內部因素（認知能力和年齡）。第十章的主題為動態測評（dynamic assessment）。Marta Antón和Próspero N. García概述了動態測評和語言學習之間的聯系、研究角度和方法。該章指出，動態測評根植于維果斯基的認知發展理論[2]，以最近發展區（zone of proximal development）為核心。同時，動態測評還受到了20世紀20年代和30年代歐美心理學的影響。第十一章的主題為診斷測評（diagnostic assessment）。Eunice E. Jang和Jeanne Sinclair介紹了診斷測評在課堂中的應用，包括診斷測評的特點、反撥作用和診斷結果的使用，并以社交軟件Whatsapp為例，介紹了其在診斷測評中的應用。

第四部分聚焦四項語言基本技能的測評（第12-15章）。第十二章的主題為口語測評。Fumiyo Nakatsuhara、Nahal Khabbazbashi和Chihiro Inoue回顧了20世紀初到21世紀口語測評的發展歷程，詳細論述了口語測評任務構念、測試方式、評分模型及主要研究方法。第十三章的主題為聽力測評。Elvis Wagner首先介紹了聽力測試形式的轉變，即由分離式測試到交際性測試或綜合性測試，并就二語聽力測評領域的重點話題（互動式聽說和真實語料的使用等）和研究方法（經典測試理論、回歸分析和項目反應理論等）進行了詳細介紹。第十四章的主題為寫作測評。Ute Knoch指出寫作測試的最早紀錄可追溯至中國歷史上的西周時期（公元前1046-公元前771），該測試用來選拔官員，并論述了寫作測試如何收集證據、評分及解釋和使用分數。第十五章的主題為閱讀測評。Tineke Brunfaut討論了閱讀的定義、構念、如何測評閱讀能力、影響閱讀準確率的因素和測評方法。

第五部分聚焦語言測試設計和實施中的重要方法及原則（第16-19章）。第十六章的主題為測試說明。金艷以高風險測試和中低風險測試（課堂測試）為例，解釋了測試說明（test specification）在測試中所發揮的作用：作為測試開發和設計的藍本（blueprint），它不僅影響了測試目的、構念及設計，為“測什么”以及“怎樣施測”提供了指南，還為效度驗證提供依據。第十七章的主題為以證據為中心的語言測試設計（evidence-centered design）。Chengbin Yin和Robert J. Mislevy從目標域、概念性評價框架的設計及主要研究方法等方面詳細介紹了以證據為中心的語言測試設計。第十八章的主題為測試調整。Jamal Abedi探討了在測試時如何為英語為非母語的學習者進行調整，如增加考試時間、使用定制詞典或簡化語言等，并介紹了在調整后如何確保信效度的方法。第十九章的主題為評分員和面試官培訓。Larry Davis指出，評分員確保分數的準確性、可靠性和公平性絕非易事；同時，詳細介紹了直接影響分數解釋和效度的三個因素：評分員的篩選、培訓和評分表現。

第六部分聚焦項目和任務的編寫方法及原則（第20-22章）。第二十章的主題為試題編寫和命題者。Dongil Shin探討了四種主要的試題編寫方法：心理測量法（psychometric approach）、真實測評法（authentic approach）、系統測評法（systematic approach）和批判測評法（critical approach）。心理測量法追求客觀化和標準化，以多項選擇題、判斷正誤和匹配題為主，但往往忽視語言的實際使用能力；真實測評法旨在評估學習者的語言應用能力，但面臨評分標準主觀和測試實施困難等問題；系統測評法使用證據中心設計等框架來增強測試的有效性論證，并從社會政策角度審視測試的負面影響，關注測試的誤用問題。本章還探討了命題者的具體工作，指出命題不僅是一個創造性的過程，還涉及許多煩瑣的決策和編輯任務。第二十一章的主題為編寫復合型任務。Lia Plakans從任務特征和構念等角度介紹了復合型任務，并從需求分析、明確構念、任務類型、文本選擇、指令措辭和評分標準這六個維度為開發和設計復合型任務提供了思路。第二十二章的主題為應試策略和任務設計。Andrew D. Cohen指出，應試策略分為測試管理策略（test-management strategies）和測試智慧策略（test-wiseness strategies）：測試管理策略是指被試借助考試形式的某些特點更有效地做出回答；測試智慧策略是指被試沒有經歷一定語言、心理和認知加工過程，利用測試題的特點得到答案。本章還介紹了應試策略對任務設計和效度驗證的啟示。

第七部分為原型測試（prototyping）和現場測試（field tests）（第23-25章）。第二十三章的主題為新題型原型化。原型化是指在實施測試設計之前對新的材料進行測試以評估其適用性。Susan Nissan和Elizabeth Park指出原型測試樣本量的大小取決于問題數量和性質，同時還要考慮時間、成本和資源等實際因素。第二十四章的主題為前測試（pre-operational test）。前測試是指在測試正式實施之前，收集證據以支持關于測試分數使用和解釋的有效性主張的系統過程。Benjamin Kremmel、 Kathrin Eberharter和Franz Holzknecht以TOEFL和TOEIC為例來說明新題型原型化過程中如何完善測試構念、任務類型和評分標準。第二十五章John Read以詞匯測試為例，全面具體地展示了詞匯測試應如何試測、演化及推廣。

第八部分為語言測試的測量理論（第26-29章）。第二十六章的主題為經典測試理論（classical test theory）。James D. Brown指出盡管新的測試理論和方法不斷涌現，如項目反應理論（item response theory）和概化理論（generalizability theory），但經典測試理論仍然是語言測試領域的基礎及重要組成部分。第二十七章的主題為項目反應理論和多面納什測量模型（multi-facet Rasch measurement）。Gary J. Ockey指出項目反應理論旨在評估個人的潛在能力，將可觀測到的測試表現與看不見的潛在能力聯系起來。該理論有三種模型，分別是單參數模型（single parameter model）、雙參數模型（two?parameter model）以及三參數模型（three?parameter logistic model）。考生在測試中的表現不僅取決于能力和項目難度，還取決于其他因素，如評分員和評分標準，多面納什模型應運而生。該模型用來衡量評分員的寬松程度和評分一致性、修正由評分員造成的評分差異及檢測考生能力，評分員和項目難度等因素間存在的交互效應。第二十八章的主題為信度和可靠性（dependability）。Xun Yan和Jason Fan指出信度常用于常模參照測試，指測試在多大程度上受測量誤差的影響或分數在多大程度反映了考生的能力，與測量誤差相關。可靠性通常用于標準參照考試，指被試在多次測試中獲得等級的一致性，與分數的解釋和一些外部標準有關。第二十九章的主題為成績測試的評分。Evelina D. Galaczi和Gad S. Lim針對評分的要素，即任務、評分標準、評分員的決策方式、人口統計背景及評分經驗等進行了詳細敘述，并對量表開發及自動評分技術的可行性進行了探討。

第九部分為信息時代的語言測試技術（第30-32章）。第三十章的主題為效度和成績測試的自動評分。席小明討論了自動評分技術在二語成績測試中的使用和效度驗證，并指出分數的使用決定了效度驗證的優先等級。第三十一章的主題為計算機輔助測試。Yasuyo Sawaki指出，計算機輔助測試的優點是提高效率，創新任務設計和考試模式及統籌教學、學習與評估。作者還論述了虛擬現實技術和多媒體在語言測評中的應用以及計算機輔助口語測試的可行性。第三十二章的主題為語料庫語言學和語言測試。Sara T. Cushing將語料庫應用于語言測試領域，介紹了語料庫的基本定義、類型、分析工具和方法，并且論述了語料庫在語言測試開發和驗證中的用途。

第十部分為語言測試中的道德、公平性和政策性問題（第33-36章）。第三十三章的主題為道德和公平性。F. Scott Walters從理論和實踐的角度論述了道德和公平在語言測試中的表現和應用。第三十四章的主題為語言能力標準。Bart Deygers指出語言能力標準主要包括三種，分別是教育績效指標（educational performance indicators）、語言能力框架（language proficiency framework）和大規模測試（如TOEFL和IELTS）。教育績效旨在對相關政策產生影響；語言能力框架旨在衡量二語能力，即基于特定標準考生所具備的能力。作者以大規模考試TOEFL和IELTS為例，闡述了兩者在制定語言能力框架方面的作用。第三十五章的主題為測試開發和實施的質量管理。Nick Saville和Sarah McElwee指出質量管理包含質量控制（quality control）和質量保證（quality assurance）。質量控制側重于檢測測試的開發、設計、評分和培訓等環節是否符合規定的標準；質量保證聚焦于監測和調整的過程。該章以課堂測評和大規模考試為例，闡述了測試中質量管理的適用性。在本書最后一章中，編者Luke Harding和Glenn Fulcher總結了貫穿本書的四個主題：科技的作用、測學結合、語言測試的復雜性和社會屬性。同時指出，未來測試的發展方向需聚焦于“效果驅動”（effect-driven）原則，強調測評應為考生和社會帶來積極影響。

二、特色與不足

《Routledge語言測試手冊》（第二版）具有以下特色。

第一，兼具科學性與人文性。科學性體現在測試構念的界定、效度驗證、任務設計與編寫、試測流程以及評分標準的制定。人文性則體現在以人為本，重視“人”這一主體。課堂測評聚焦于以評促教、促學。具體來說，測試幫助教師了解學生的現實情況，并針對現狀進行教學；測試促使學生學會批判性思考，最終達到自主學習的效果。高風險測試要考慮到被試不同的教育背景和語言使用規范等。雖然ChatGPT的發展引發“人工智能替代論”[3-4]，但Yuko G. Butler強調教師角色的不可替代性。教師應利用科技進行反饋和個性化評估。教師所需要解決的問題是如何正確且高效地利用這些信息來支持學生的學習。因此，教師要正確認識自身，找準角色定位[5]。

第二，話題全面且與時俱進。本書共十個部分，每一部分著眼于不同的議題，涵蓋了語言測試領域的核心話題。不僅從微觀層面上對語言測試領域的話題，如效度、項目開發和設計、語言能力測評及課堂測評等，進行了詳細介紹，還將其置于更宏觀的社會背景中，例如聚焦國家語言政策、公民身份和語言測試之間的關系，探討測試的道德或公平性等問題。橫向來看，每章都在某一時間段介紹了該領域的發展狀況及未來發展方向。縱向來看，每個時間點之間并不是孤立存在的，厘清了語言測試領域的概念、理論及實踐的發展脈絡。

第三，理論更深和應用更廣。與第一版相比，第二版著作在內容的更新擴展、概念的明晰化、跨學科視角的融合方面更加完善。首先，內容更新擴展。新增了“語言能力測評”部分，全面涵蓋說、聽、寫、讀四種語言技能。每章都從基本概念、發展歷程、評估方法及應用場景入手，深入探討了語言技能測評的研究現狀。這一變化不僅為讀者提供了全面的理論框架，還有助于更準確地理解語言技能評估的核心要素，為預測未來發展方向提供了堅實的理論基礎。這一更新反映了語言教學和測試領域的最新發展，強調了語言能力測評在語言測試中的重要地位。其次，課堂測評概念的細化。第一版中，Carolyn E. Turner簡單地提出了終結性評價和形成性評價[6]。第二版則進一步細化了終結性評價和形成性評價的概念，清晰界定了兩者的功能和應用場景：終結性評價主要在學習周期結束時測量學習成果，而形成性評價則貫穿于學習過程，注重提供及時反饋，以支持學習的可持續性進步。此外，新增了對以測促學策略的深入探討，包括對學習的評價（assessment of learning）、為學習的評價（assessment for learning）和作為學習的評價（assessment as learning），不僅闡釋了它們各自的特點和作用，還強調了學生在評價過程中的主體地位。最后，應用價值增強。語料庫與語言測試相結合，在命題、效度驗證和教學等方面具有較強的應用價值。Alderson首次提出語料庫在語言測試中的應用[7]，豐富了語言測試領域的理論和實踐基礎。但在第一版中，只是在索引部分提及了語料庫，文章中并未涉及具體內容。第二版則詳細闡述了語料庫在語言測試領域的應用。語料庫用于收集與實際語言使用相符的測試內容，分析學習者語料庫有助于識別不同水平學習者的常見搭配模式，為命題者提供參考。語料庫還可用于效度驗證，為測試內容和方法提供檔案，幫助解決比較、評分及標準制定等問題，提高測試效度。此外，語料庫的應用為課堂教學和評估提供了理論實踐基礎，加深了教師和學生對語言習得、發展、教學、學習和評估的理解，為教學和學習提供了實際依據。

本書雖然在理論和實踐上反映了語言測試領域的熱點和研究趨勢，亦存在一些不足之處。首先，本書在內容安排上存在欠妥之處。第八部分的主題為語言測試的測量理論，但其中的第29章主題為成績測試評分，與該部分的主題并不完全契合。評分與任務、評分標準和評分員的決策方式等因素有關，第19章的主題為評分員和面試官培訓，因此安排在第19章后更為恰當。此外，第八部分未對概化理論進行詳細介紹。其次，盡管本書設有專欄探討科技在語言測試中的應用，但未涉及居家語言測試這一新興趨勢帶來的挑戰和機遇。居家語言測試并非現有紙筆考試或網絡考試版本的簡單轉化，其在考試技術、考試安全、考試公平、考試倫理等諸多方面都面臨著獨特的挑戰[8]。研究該類測試有助于為教育評估提供更加全面和有效的解決方案，推動語言教育領域的進步和發展。最后，近年來，全球化背景下多語言測試和評估領域迅速發展[9]，但本書的焦點主要聚焦于英語測試，未涵蓋非英語語言測試和多語言環境的測試理論與實踐。

三、啟 示

該書對我國語言測試研究具有以下啟示。第一，本書強調語料庫與語言測試研究的接口。但目前國內對于語料庫在語言測試領域的應用不夠重視，同時因大規模考試的風險性和機密性導致信息難以獲取，考試設計方面的研究與國外研究相比存在差距[10-11]。對此，可根據實情，將語料庫應用于課堂測評等低風險測試中，以提高課堂測評的效率。效度驗證方面的研究亦較為匱乏，多以驗證評分量表效度和任務效度為主[12-13]，研究深度和廣度尚需加強。研究者們可選取具有代表性的語料庫如英語國家語料庫（British National Corpus）和美國當代英語語料庫（Corpus of Contemporary American English）對評分標準進行效度驗證。第二，該書強調了語言測試在語言教學和評價中的重要性，并提供了豐富的理論和方法。目前，科技在我國教學評價中的作用尚未充分發揮，需轉變評價觀念，構建符合中國特色社會主義的多元評價體系，以評促教促學。教學評一體化不僅限于課堂，還應擴展至學校和社會[14]。為此，應以形成性評價為核心，構建融合質性評價和量化評價的電子成長檔案。由學生、教師、家長、學校、教育管理部門以及用人單位協同合作、相互配合[15]，構建多元評價體系。

參考文獻：

[1] 張培欣，范勁松，賈文峰.國際語言測試研究熱點與趨勢分析（2008-2018）[J].外語教學與研究，2021，53（04）：618-627.

[2] Vygotsky L S，Cole M. Mind in Society：Development of Higher Psychological Processes [M]. London：Harvard University Press，1978.

[3] 王天平，李珍.智能時代教師技術焦慮的形態、動因與對策[J].電化教育研究，2022，43（10）：110-115.

[4] 郭順峰，李光，鄒紅軍. ChatGPT引發的“以人為師”合法性危機與應對——基于技術批判理論視角[J].電化教育研究，2023，44（11）：28-35.

[5] 錢鵬雁，陸道坤.ChatGPT沖擊下教師的角色危機與重塑[J].繼續教育研究，2024，（01）：25-31.

[6] Turner C. E. Classroom Assessment [M]. // FULCHER J.，DAVIDSON F. The Routledge Handbook of Language Testing. New York：Routledge，2012：65-78.

[7] Alderson J. C. Do Corpora Have a Role in Language Assessment [M]. // Thomas J. A.，Short M. H. Using Corpora for Language Research. London：Longman，1996：248-259.

[8] Isbell D R，Kremmel B，Kim J. Remote Proctoring in Language Testing：Implications for Fairness and Justice [J]. Language Assessment Quarterly，2023：1-19.

[9] De Angelis G. Multilingual Testing and Assessment [M]. PA：Multilingual Matters，2021：1.

[10] Choi I C，Moon Y. Predicting the Difficulty of EFL Tests Based on Corpus Linguistic Features and Expert Judgment [J]. Language Assessment Quarterly，2020，17（1）：18-42.

[11] 鄒紹艷.語料庫在語言測試中的應用：回顧與反思[J].中國海洋大學學報（社會科學版），2016，（06）：109-114.

[12] 李迪.語言測試公平性檢驗量表研制與效度驗證[J].外語界，2021，（01）：88-95.

[13] 姜秀娟.英語教師證書考試文學素養測試任務效度研究[D].北京：北京外國語大學，2021.

[14] 吳晗清，高香迪.“教·學·評”一體化理念偏差與實踐困境及其超越[J].教育科學研究，2022，（02）：54-58.

[15] 劉建達，楊滿珍.試論外語考試的中國式現代化[J].中國考試，2023，（02）：11-18.

（責任編輯：吳茳）