智能技術賦能教育評價在計算機課程中的探索與研究

摘要：計算機課程既具有理論性，又具有實踐性，其教育評價是一個綜合性的過程。不僅需要評估學生對計算機課程知識的掌握程度，更要評估學生的實踐技能提升情況，以及他們的創新思維和問題解決能力。智能技術賦能教育評價在計算機課程中的應用具有廣闊的前景和潛力。通過充分利用智能技術的優勢，可以推動計算機課程教育評價向更加科學、精準、高效的方向發展。文章從基本架構、指標構建、系統運行3個方面，探討了智能技術賦能教育評價在計算機課程中的應用，以期促進計算機課程教育評價的科學化、精準化、多元化和個性化發展，為新時代計算機人才培養提供有力支撐。

關鍵詞：智能技術；教育評價；計算機課程；賦能

中圖分類號：G642" " " 文獻標識碼：A

文章編號：1009-3044（2025）07-0141-03

開放科學（資源服務） 標識碼（OSID）

0 引言

隨著智能技術的快速發展，其在教育領域的應用日益廣泛。教育評價作為教育質量保障的重要手段和教育改革的關鍵環節，正面臨著智能化轉型的機遇和挑戰。中共中央、國務院印發的《深化新時代教育評價改革總體方案》明確指出：“創新評價工具，利用人工智能、大數據等現代信息技術，探索開展學生各年級學習情況全過程縱向評價、德智體美勞全要素橫向評價。”在當前背景下，如何發揮智能技術優勢，推動教育評價理念與方式的迭代升級，切實扭轉不科學的教育評價導向，保障教育高質量發展，是亟待解決的重要課題。智能技術賦能教育評價，不僅可以提升評價的效率和效果，還能促進教育質量的提升和教育公平的實現，為新時代人才培養提供有力支撐。

當前，許多高校積極開展智能技術賦能教育評價改革，探索在相關課程教學評價中的應用。例如，西安交通大學建設了教學質量實時監測數智平臺，利用AI技術進行教學質量監測和評價，取得了顯著成效。一些在線教育平臺，如Codecademy、Coursera等，已成功將智能技術應用于計算機課程的教育評價中。這些平臺通過智能算法分析學生的學習數據，為其提供個性化的學習路徑和反饋建議。同時，利用智能技術自動批改作業和測試，減輕了教師的工作負擔，提高了評估的效率和準確性。因此，智能技術賦能教育評價在計算機課程中的應用具有廣闊的前景和潛力。

1 智能技術賦能教育評價

1.1 概念及其特征

智能技術賦能教育評價，是指利用人工智能、大數據、云計算等新一代信息技術，對教育評價的內容、方法、工具、主體等進行創新和優化，以實現教育評價的科學化、精準化、多元化和個性化。

其特征主要體現在以下4個方面：

1） 科學化。智能技術能夠運用數據挖掘、機器學習等技術，對海量的教育數據進行有效的收集、整理、分析和應用，從而提高教育評價的科學性和準確性。

2） 精準化。通過關聯分析、預測分析等技術，智能技術可以對教育評價的對象、內容、標準、方法等進行動態調整和優化，進而提升教育評價的精準性和有效性。

3） 多元化。智能技術能夠拓展教育評價的形式、渠道和主體，支持多種類型數據（如文字、圖像、音頻、視頻等） 的快速處理和呈現，同時支持多種角色（如學生、教師、家長、社會等） 的參與和協作。

4） 個性化。智能技術可以根據學生的學習特點、興趣愛好、潛能發展等因素，為其匹配合適的課程、教材、教師等資源，并提供個性化的評價反饋和激勵機制。

1.2 模式及應用優勢

智能技術賦能教育評價的模式主要有以下4種：

1） 智能輔助模式。以人為主導，機器為輔助，智能技術為人類提供數據支持和工具幫助。

2） 智能協同模式。人機協作，智能技術不僅為人類提供服務和支持，還成為與人類交互和溝通的合作伙伴。

3） 智能替代模式。以機器為主導，人為監督，智能技術直接參與或替代人類的評價決策和行動。

4） 智能創新模式。以機器為主導，人為參與，智能技術自主地創造或優化教育評價的內容、方法、工具、主體等。

其應用優勢主要體現在以下4個方面：

1） 多維度評價。智能技術能夠整合學生學習數據、行為記錄、情感反饋等多源信息，構建全面、立體的學生畫像，從而實現對學生綜合素質的多維度評價。

2） 客觀公正。基于算法和模型的評價能夠減少人為因素的干擾，提高評價的客觀性和公正性。

3） 個性化反饋。智能技術能夠根據學生的學習特點和需求，提供個性化的評價報告和學習建議。

4） 高效便捷。智能技術的自動化處理能力極大地提高了教育評價的效率，降低了人力成本[1]。

2 智能技術賦能教育評價在計算機課程中的應用

2.1 基本架構

智能技術賦能教育評價依托人工智能、大數據分析、物聯網、圖像識別等技術，采集計算機課程相關教學數據（包括課堂教學、實踐教學等） ，構建教育評價數據庫，進而進行融合分析，最后產生多維度評價結果。其基本架構包括技術支持、評價數據采集、評價系統分析、評價結果反饋4個部分，如圖1所示[2]。

2.1.1 技術支持

技術支持層面主要有智能感知、數據挖掘、數據設施3個方面。

1） 智能感知主要由物聯網（IoT） 和傳感器技術實現。通過物聯網技術，可以實現對教育環境中各種設備的連接和監控，從而收集到更加全面和準確的數據。傳感器技術則可用于監測學生的學習狀態、行為表現等，為教育評價提供更加豐富和細致的數據支持。例如，通過可穿戴設備監測學生的心率、血壓等生理指標，評估學生的健康狀況和學習壓力；通過視頻監控技術觀察學生的課堂表現，評估學生的學習態度和參與度。

2） 數據挖掘由人工智能（AI） 和機器學習（ML） 技術實現。通過處理和分析大量的教育數據，從中提取有價值的信息，為教育評價提供科學依據。例如，AI可以通過分析學生的學習行為、成果和反饋等數據，生成個性化的學習報告和評價報告，為學生提供針對性的指導和建議。機器學習算法則可以對不同類型的數據（包括文本、語音、圖像和視頻等） 進行分析，以準確表征評價對象的特征要素。

3） 數據設施功能由大數據與云計算實現。通過大數據技術，全面收集學生的學習數據、教師的教學數據以及課程相關的其他數據，并進行深度挖掘和分析，以揭示數據背后的規律和趨勢。云計算為大數據處理提供了強大的計算和存儲能力，使得大規模數據的處理和分析變得更加高效和便捷。同時，云計算還支持多種類型的教育評價數據的快速處理和呈現，支持多種角色的參與和協作[3]。

2.1.2 評價數據采集

評價數據采集是智能技術賦能教育評價的基礎。參照不同評價主體，針對學生表現、教師表現、教學觀察、綜合方面，通過智能技術收集學生的學習數據，包括學習行為數據（如點擊次數、瀏覽次數、在線時長、代碼編寫量等） 、學習成果數據（如測試成績、作業完成情況、項目實踐表現等） 和學習情境數據（如學習環境、學習資源使用情況等） 。同時，利用大數據分析技術對收集的數據進行處理，提取有價值的信息和知識，為后續的評價提供數據支撐。

2.1.3 評價系統分析

評價系統分析是架構中最重要的環節，包括數據清洗、數據整理、數據轉換、數據規約、數據分析和應用等環節。首先，對收集到的原始數據進行清洗、整理、轉換和歸約等處理，以提取出有價值的信息和知識。具體步驟包括：1） 數據清洗，去除重復數據、無效數據和異常數據，確保數據的準確性和一致性；2） 數據整理，將數據進行分類、編碼和格式化，以便后續的分析和應用；3） 數據轉換，將數據進行轉換和映射，以符合分析模型的要求；4） 數據歸約，通過數據壓縮、數據聚合等手段，減少數據的規模和復雜度，提高分析效率。其次，對經過處理的數據進行多種類型的分析，以揭示學生的學習情況和特點，并將分析得到的結果應用于多個方面，以優化計算機課程的教學和評價。具體分析方法包括：1） 描述性分析，通過統計圖表、描述性統計等手段，對學生的學習情況進行概括和描述；2） 探索性分析，通過數據可視化、聚類分析等手段，發現數據中的隱藏模式和關聯關系；3） 預測性分析，通過機器學習算法、時間序列分析等手段，對學生的未來學習情況進行預測和評估[4]。

2.1.4 評價結果反饋

評價結果反饋直接關系到學生能否及時調整學習策略、教師能否有效改進教學方法。主要有以下幾種形式：1） 即時反饋，實時生成評價結果并反饋給學生和教師，有助于學生及時調整學習策略，教師及時進行針對性的教學指導和干預；2） 個性化/精準化反饋，根據學生的學習特點和需求，提供個性化的評價結果和學習建議，實現因材施教；3） 全面性/多維性反饋，整合多種類型的學習數據，從多個維度對學生的學習情況進行評價和反饋，有助于學生更全面地了解自己的學習情況；4） 互動性/參與性反饋，通過智能技術平臺，促進師生之間的互動和參與，使評價結果反饋更加有效[5]。

2.2 指標構建

在構建智能技術賦能教育評價的指標體系時，既要確保評價體系的科學性和全面性，又要兼顧可操作性和動態性。關鍵指標包括：1） 學習成果指標，包括學生的知識掌握程度、技能水平、創新能力等，可通過智能技術進行實時跟蹤和測量；2） 學習態度指標，包括學生的學習動機、學習興趣、學習投入等，可通過分析學生的學習行為數據來評估；3） 創新能力指標，包括學生的問題解決能力、批判性思維能力、跨學科能力等，可通過分析學生的作品、項目實踐報告等來評估；4） 教學質量指標，包括教師的教學內容、教學方法、教學效果等，可通過分析教師的教學行為數據、學生的學習成果數據等來評估；5） 教育過程指標，關注教育過程中的各個環節，如課堂參與度、師生互動、教學資源利用等，可通過智能課堂觀察系統、在線教學平臺等工具進行實時采集和分析[6]。

2.3 系統運行

評價系統按照構建的模型，沿著“數據采集—數據處理—模型訓練與評估—評價實施—結果反饋與調控”的路徑來運行：1） 數據收集，通過傳感器、物聯網、可穿戴設備等技術手段，實時采集學生在學習過程中的各類數據；2） 數據處理，對采集到的數據進行清洗、整合和預處理，以確保數據的準確性和完整性；3） 模型訓練與評估，利用機器學習算法對處理后的數據進行訓練，構建評價模型，并對模型進行評估和優化；4） 評價實施，根據構建的評價模型，對學生的學習成果、學習過程和學習策略進行客觀、準確的評價；5） 結果反饋與調控，將評價結果以可視化、交互式的方式呈現給用戶，并根據評價結果提供個性化的學習建議和輔導，同時根據學生的學習進展和反饋動態調整評價模型。

此外，智能技術賦能教育評價是一個持續迭代和優化的過程。在運行過程中，需要不斷收集和分析學生的學習數據，對評價體系進行驗證和改進，以適應教育發展的需要。同時，還需加強教育部門、學校和教育機構之間的合作與交流，共同推動教育評價的智能化改革和創新發展。

3 結束語

本文系統探討智能技術在計算機課程教育評價中的應用。從基本架構、指標構建、系統運行3個方面，分析了如何利用智能技術提升教育評價的科學化、精準化、多元化和個性化水平。研究表明，智能技術的應用能夠有效促進計算機課程教育評價的改革，為新時代計算機人才培養提供有力支撐。

未來，智能技術在計算機課程教育評價中的應用，還需關注并應對數據安全與隱私保護、算法偏見等挑戰。應加強對智能技術的規范管理，確保其在教育評價中的健康發展。同時，進一步深化研究，探索更為完善的評價模型和方法，不斷提升教育評價的質量和效果。

參考文獻：

[1] 劉嘉.多元教育評價助力創新人才培養[J].人民教育，2020（21）：22-29.

[2] 劉邦奇，袁婷婷，紀玉超，等.智能技術賦能教育評價：內涵、總體框架與實踐路徑[J].中國電化教育，2021（8）：16-24.

[3] 吳立寶，曹雅楠，曹一鳴.人工智能賦能課堂教學評價改革與技術實現的框架構建[J].中國電化教育，2021（5）：94-101.

[4] 張生，王雪，齊媛.人工智能賦能教育評價：“學評融合”新理念及核心要素[J].中國遠程教育，2021（2）：1-8.

[5] 劉邦奇，喻彥琨，袁婷婷.智能技術賦能過程評價：目標、路徑與典型場景[J].現代教育技術，2022，32（5）：14-23.

[6] 鄭永和，王一巖，楊淑豪.人工智能賦能教育評價：價值、挑戰與路徑[J].開放教育研究，2024，30（4）：4-10.

【通聯編輯：聞翔軍】