從“群體決策”到“個性化分析”

[摘 " 要] 循證教育是教育科學化的產物。傳統循證教育研究范式在證據體系的劃分、研究方法的應用等方面一直存在矛盾與爭議。隨著人工智能等技術的發展，基于古典統計學思想的第一代循證教育也必然隨之進化和發展。文章從循證教育內涵、各國實踐路徑與研究范式出發，通過追溯、推理、反思與技術轉換，探討了智能技術支持下由群體決策到個性化分析的新一代循證教育研究模型，沿著問題發現、群體證據分析、個性化證據分析、循證決策生成的路徑，提出利用知識表示和推理技術支持情境性證據生成、基于數據索引技術的群體循證干預、基于學習數據的個性化精準預測與推斷、基于機器學習算法輔助生成教育決策的循證教育范式轉向。

[關鍵詞] 循證教育； 人工智能； 教育證據； 研究范式； 教育決策

[中圖分類號] G434 " " " " " "[文獻標志碼] A

[作者簡介] 張惠麗（1976—），女，黑龍江哈爾濱人。副教授，博士研究生，主要從事教育人工智能、數據支持的教育決策研究。E-mail：hnuhl@126.com。

一、引 " 言

“循證”作為一種教育理念和實踐方法，自20世紀90年代初提出以來，一直與有效教學、教育評估、教育公平、教育政策制定等議題緊密關聯，得到了教育界的廣泛關注，成為現代教育體系中重要的實踐范式。2003年世界經濟合作與發展組織（OECD）提出用“證據來改進實踐”，美國的《不讓一個孩子落后法案》、英國的循證教育決策、澳大利亞的教師認證制度、歐盟的《以證據促成政策和實踐的同伴學習活動》、EDUCAUSE地平線報告等都提出了教育科學化、“循證教育”的觀點，其目的是在研究與教育實踐之間建立更緊密的聯系，促進教育的高質量發展。循證教育已經成為當代教育領域一種有力的思潮與運動。基于證據的教育科學化發展是賦能中國教育現代化、促進教育強國建設的必然選擇。

作為一種實踐范式，循證教育將科學研究與教育實踐統一到同一框架內，它是教育領域的一場“科學化”革命，其秉持的科學理念及操作性特征成為提高教師實踐智慧的有效手段，其概念特征、存在方式、生成手段與傳播可能性為教育研究與實踐提供一種擬合視角。而近些年人工智能、大數據等技術與循證教育理念的融合，為傳統循證教育提供了當代的智能化解決方案。本文旨在探討技術變革對傳統循證教育的影響，突破原有循證教育研究的局限性，探尋從“群體決策”到“個性化分析”的新型循證教育范式轉型路徑。

二、循證教育的內涵與發展

（一）循證教育的科學本質

循證教育源于科學教育的研究理念，最早由牛津大學的戴維斯（Philip Davies）教授提出。循證教育強調將科學方法中獲得的最佳證據應用于教育決策的實踐，是直覺或經驗指導的教育實踐的替代方案[1]。自20世紀90年代初以來，循證教育定位于基于證據的教育（Evidenced -based Education，EBE）、教育知情實踐（Evidence-informed Practice in Education，EIP），或以證據為基礎的教育實踐（Evidence-based Practice，EBP）。教育實踐中教育者不能僅基于自己的經驗進行教育決策，更需要結合相關的教育研究成果、教育者的教育智慧與教學情境，為教育提供最佳的解決策略[2]。

教育領域循證理念所強調的外部科學證據+教育情境+教育經驗的干預模式雖然不能對每個學生有效，但可以解決大概率事件。類似于醫學中的非因果關系，如青霉素的臨床使用并不能保證對被試的絕對有效性，一些個體可能會對青霉素具有耐藥性，但醫生仍將它視為一種有效方法繼續使用，并拯救了無數生命，因為它對大多數人是有效的。同樣，循證教育在遵循教育科學化的理念下，其因果關系指向的是概率事件而非絕對意義。

基于證據的教育是從研究的角度來看待實踐問題，通過研究能夠表明某些策略比其他策略更有效、更持久[3]。例如，什么樣的教學方法更有效，某種教育決策是否應該進行社會推廣，學科課程應該如何設置？當這些問題被基于良好設計的科學實驗證實并應用于實踐時，更能提高教育質量。相反，缺乏科學視角的教育實踐將阻礙教育體系的系統改進，阻礙教師的職業發展[4]。循證教育存在的意義在于避免偏見，盡可能科學地作出教育決策。

同時，依靠證據進行有效教學的一個必要但不充分的條件是：教育研究與教育智慧不是對立的，教育研究可以指導和優化教育者的專業智慧，教育者的觀點和經驗可以改進教育研究，它們是互相促進迭代的共生關系。

（二）循證教育的實踐框架

審慎的教育實踐是以“研究證據”和“專業智慧”為指導的，依據研究證據所得出的客觀結論為教育政策、教育管理、教師發展、教學決策等提供策略支持[5]。實踐過程中，循證教育分為兩個層次：一是以來自全球現有的教育研究和文獻為證據，與自己的教育需求及環境結合，解決目前面臨的教育問題。這要求教育者具有信息檢索能力、嚴格的評估分析和判斷能力。二是在缺乏現有證據或證據性質可疑、不確定或薄弱的情況下建立可靠的證據。在這一級別上循證教育的研究者和實踐者需要能夠結合社會科學、自然科學以及人文科學等方法，有計劃地開展和發布符合科學規范和較高評估標準的研究結果，為有需求的人提供證據。

普拉斯（Debbie Plath）的循證教育框架描述了循證教育決策的過程，在實際運用中分為線性的五個階段（如圖1所示）：確定教育實踐問題—收集證據—評價證據—進行教育決策—評估循證過程與結果[6]。這并不是一個孤立的過程，而是一個持續、系統和周期的改進過程。高質量的研究證據可以幫助教育者提高理性判斷能力并在教育決策中獲益，目前教育界最著名的兩個綜合性系統評價和元分析證據是海蒂的教學方法效應值研究和莫扎洛的系統評價。新西蘭教育家海蒂通過整合800多項元分析（涵蓋5萬多項獨立研究，約2.4億學生數據），利用效應值的方法對教學方法、教學時間、學習動機等影響因素進行比較，總結出各種教學策略的有效性，為教師在選擇教學策略時提供理性參考[7]。

圖1 " 循證教育決策框架

循證教育正如循證醫學一樣，并不是萬能的靈丹妙藥或解決教育需求的唯一方案，而是一套賦能教育政策和教育實踐的理念和方法，是作出專業判斷和實踐部署的底層邏輯和知識基礎。盡管循證教育有不完美之處，但邏輯的、客觀的和迭代的科學過程為教育提供了最值得信賴的有效方法。

（三）循證教育的各國實踐路徑

教育領域循證運動的第一個重要實踐是1998年美國的《卓越閱讀法案》，該法案試圖彌合研究和課堂實踐之間的鴻溝，要求只有根據嚴格的研究標準證明有效的項目才能獲得聯邦資助，這種項目被界定為：具有嚴格界定的樣本，樣本數量要足夠大，足以支持所得出的一般結論；依靠符合既定信度和效度標準的測量方法；在多種理論存在的情況下，對研究進行多維測試；在結果發表之前接受同行審查。這些標準也體現了循證教育的理念，即強調教學中所采用的證據盡可能客觀、經過多方驗證且科學有效。基于對循證教育理念的重視，各國根據本國的實際情況采用了不同的循證教育發展路徑。

1. “自上而下”政策驅動型

“自上而下”策略體現了政策驅動和強制要求對循證教育的推動，例如，英國政府將循證教育納入教育政策，要求學校和教師采用基于證據的教學方法。英國的政策與實踐信息證據協調中心（EPPI）通過制定廣泛的概念框架，系統地審查各種類型的研究證據，并為相關人員提供發展循證政策和循證能力的幫助與培訓[8]。加拿大的循證教育主要也是政策驅動的，2004年成立了加拿大學習委員會（CCL），其主要目的是為了促進學習伙伴間的知識與信息交流，通過定期通報加拿大在學習方面的研究進展，提供基于證據的教育信息以縮小教學實踐者間的知識鴻溝，促進教育實踐者終身學習。有學者認為科學知識不能自上而下運行，它扼殺了實踐智慧，以及對社會文化背景的敏感性，而應該加強對科學知識本身的研究，從而獲得有效的專門知識[1]。

2. 資助發展型

資助型發展策略旨在通過提供資金支持和資源傾斜，推動循證教育的研究與實踐創新。2001年，美國的《不讓一個孩子掉隊法案》，以及依此修改的《中小學教育法案》等要求聯邦政府資助計劃必須以“科學研究”為基礎[9]。2016年9月，美國教育部發布了關于循證教育的非監管指導方針，澄清和擴展了基于證據改進教學的規范水平，制定了循證教育研究指導方案，并提供了一套初始工具以幫助各州和地區理解、計劃和實施基于證據的教育實踐[10]。新加坡在“思想型學校，學習型國家”的政策愿景中強調推廣基于循證教育的政策與規劃，并于2002年撥款建立教育學與實踐研究中心（CRPP） 。CRPP所追求的目標即為：描述和測量新加坡學校的課堂教學模式（課程、教學和評價）、測量教學實踐對學習結果的影響、通過精心設計的循證干預策略改進教學實踐[11]。

3. 循證能力驅動型

該路徑通過提供基于證據的教育方法培訓、相關工具和資源支持，提升教育者的循證實踐能力。如澳大利亞的主要做法是通過開展教師發展培訓，在系統化培訓中融入循證教育的核心技能與實踐理念[12]。墨爾本大學科騰斯（Peter Cuttance）教授認為：“教師培訓中應該形成一種研究文化，對教師尋找和評估證據的能力進行培訓。”[13]新西蘭通過迭代“最佳證據綜合方案（Best Evidence Synthesis，BES）”項目在教育中開發和使用證據，要求教育政策制定者、研究者和教師共同開發和使用迭代證據，生成具有一致性共識的證據綜合方案[11]。

4. 政策引導下的科研+實踐協同型

這種路徑體現為政策驅動下科研、實踐、教育評估的反饋循環，旨在推動教育科研成果與實際教學的緊密協同。例如，我國在國家支持下的大中小學循證教育研究項目日益增多，在循證教育模式、循證教育評價、循證教育治理等方面進行了多維探索。2023年，北京市朝陽區建立了全國首個循證教育試點區域，圍繞循證教育治理、循證教師隊伍建設、數字化賦能循證高質量發展等展開研究。近年來，隨著人工智能、教育大數據、智能教學設備等的發展，我國學者更多地通過對學習者學習過程和學習環境數據的分析，構建學習行為模型，對學習者進行畫像，實現對學習者的認知、情感分析，為循證教育提供了豐富的實踐案例與研究思路。

三、“群體決策”型循證教育的問題審思與挑戰

循證教育一直強調證據與具體教學情境結合解決具體問題，強調來源于大樣本的基于嚴謹實驗的教育證據。無論是海蒂的教學方法效應值，還是莫扎洛的系統評價，所作出的教育決策本質上是基于問題適切性的群體決策，關注的是群體的平均效應。隨著研究方法、技術工具以及教育理念變革的不斷升級，循證教育的研究思路和方法也面臨新的挑戰。

（一）關于證據等級的邏輯思考

“證據”作為一個專業術語，是對事件進行判斷的依據。在循證教育中尤其強調證據的可靠性，根據專業規范和科學標準來定位“證據”。因此，選取證據時需要考慮所選證據的研究類型、證據的樣本數量、證據的質量、證據與教育情境的適配性等問題。

傳統循證教育中按研究方法的嚴格程度對證據進行分級[14]，形成一個類似于金字塔形式的證據層級。證據的級別從高到低依次為系統評價和元分析、隨機對照實驗、準實驗研究、相關性研究、定性研究、案例研究等。這一分級邏輯隱含著對實證主義范式的偏好，即優先采納基于大樣本、可量化、因果推斷明確的證據類型，而將質性研究視為補充性或探索性證據。

對證據等級的劃分，一些學者主張應采取更具包容性和非等級性的方式概念化證據，認為實踐和研究不是對立的，而是相互支持的，循證教育應尊重實踐和研究的雙重作用[15]。因此，實踐智慧、隱性知識和其他形式的知識應該受到同等重視。在具體實施中，雖然一些典型的項目如美國的WWC專門側重于旨在產生因果關系的研究設計上（隨機對照實驗、準實驗研究等），但一些項目如英國的EPPI-Centre則考慮更廣泛的研究類型，包括定性訪談等。美國國家研究委員會在對數學課程有效性進行評估時，強調實驗與準實驗研究、內容分析、比較分析和案例研究等多種研究方法的結合[16]。這些不同證據方法的運用體現了對循證教育中證據的作用和范圍的不同看法。隨著多模態數據采集技術的發展，來源廣泛的個性化證據豐富了傳統教育證據的來源。美國學者愛普斯坦（Epstein）認為，“所有形式的研究、信息收集和解釋都將受到批判性的評估，應受到同樣的重視”[17]。

（二）系統評價、元分析的方法學缺陷

循證研究中將系統評價和元分析置于最高級別的研究證據。系統評價是針對某一具體問題，系統全面地收集已有研究，嚴格篩選出符合標準的文獻，分析、整理和綜合原始文獻，通過元分析等方法得出綜合結論[18]。元分析起源于心理學家格拉斯開創性工作之后的教育研究，是循證系統綜述中常用的一種統計方法。事實上，格拉斯在元分析方面的工作被描述為一種文獻綜述的形式，它不是為了檢驗一個假設，而是為了總結一系列研究的特征和結果。在方法學上，教育研究中的元分析與醫療保健研究中的元分析存在同樣的問題，例如要確保不同樣本的可比性、研究設計的嚴格性、結果和過程的測量、混雜因素和偏差的識別以及對干預效果的評估等。隨機對照實驗很難嚴格地在教學效果評估中進行，基于隨機對照實驗的元分析在教育方面比在醫療保健中更難實現。另外，研究者在研究時所選擇的實施方案具有情境依賴性。因此，循證實踐者會對元分析中所得出的判斷和結論產生質疑。

（三）隨機對照實驗應用于教育的局限性

隨機對照實驗等研究方法受到許多研究人員、政策制定者和教育管理者的青睞，被看作科學嚴謹性的黃金標準。隨機對照實驗是將個體隨機分配到實驗組和對照組，要求實驗的樣本量足夠大，在任何維度上達到實驗組和對照組分布一致。它為教育提供了可量化的實證方式，得出了諸如基于學習成績的一般性研究結論。但現實中因為影響教學效果的因素眾多，簡單的隨機分組在邏輯上并不能保證眾多參量的均衡分配。由于一些個體不可控的影響因素，難以實現真正的隨機正態分布，這些因素將會構成維度高達上萬的超高維空間[19]。面對個體差異，雖然隨機對照實驗體現了重要的實證功能，但將其結果歸納或復制到真實教學情境或學習者個性化學習時會遇到一些困境。因此，這類研究的結果往往具有情境依賴性和群體平均效應，在利用這類證據時需要審慎地了解該“證據”的實驗設計、實驗結果和具體應用情境[20]。

鑒于學習和教學的主體間性，需要學習者和教師之間的自愿互動以及學習成果與教學背景密切相關，教育需要一種更細致入微且透明的方法，結合教師的反思和參與，為學習者的積極改變提供個性化證據。

（四）新技術、新方法對傳統研究證據的挑戰

作為教育研究“科學化”的一種重要應用，循證教育的本質就在于技術工具賦能教育教學實踐。無論是隨機參照實驗、準實驗研究還是相關性研究，其方法論背后的哲學邏輯并沒有改變：以促進學習者的發展為主線，利用工具或技術對實驗數據進行收集與處理，并對其內部所反映的機制進行分析和判斷，進而支持教育教學。近年來人工智能、大數據等技術迅猛發展，其方法論已經對教育研究的實踐領域產生了影響。技術是變革教育的重要驅動力量，復雜的教育問題隨著技術的發展重新予以詮釋，因此，基于古典統計學思想的第一代循證教育必將隨之進化和發展。現代智能技術為教育行業帶來了新的支持手段和應用場景，從證據生成到證據應用，在對數據的采集、深度挖掘和適應性處理上，在證據的可檢驗性、可重復性上，在生產和應用決策及自身優化上，賦予了循證教育新的思路與方法。

四、基于智能技術“個性化分析”的循證教育

實踐轉向

循證教育的核心在于有效干預的理念。第一代循證教育模式的有效證據多來源于隨機對照實驗等因果關系解釋模型，智能技術的參與意味著教育研究擁有了更豐富的研究手段。在實踐中通過審慎地評估數據類型，利用機器學習尋求數據間的內在模式與規律，從而獲得樣本數據的結構特征，并利用機器學習算法輔助進行教育診斷或決策。這種利用數據和算法實現對學習者真正“個性化”證據分析與干預的方式擴展了循證教育的研究路徑。據此，循證教育的研究范式從基于隨機對照實驗等證據的群體決策轉向基于智能技術的個性化分析，形成了具有精準性和預測能力的新一代循證教育實踐模型（如圖2所示）。

圖2 " 從“群體決策”到“個性化分析”的循證教育模型

（一）問題發現：基于知識表示和推理技術的教育情境分析

循證教育的首要環節是要發現問題，結合專家意見、教育教學經驗和教育情境分析，界定教育問題。在對具體教育情境的分析上，可以利用多模態教育數據采集方式對多維教育情境進行輔助分析，提升教育問題診斷的科學性、精準性[21]。建立情境性證據的關鍵挑戰是如何使教育實踐者以他人可檢查、可重復、低難度的方式生成自己的實踐證據，即教育實踐者獨立于研究人員，從不同的學科領域使用不同策略，以不同的粒度水平生成實踐證據[22]。為了支持這種創新，需要專門的方法和技術以表征學習和教學的多樣性、交互性和情境性，使實踐者能夠檢查、復制、比較，與他人共享，促進問題發現和創新自己的教育實踐。人工智能中的知識表示與推理技術為教育者提供了必要的工具，輔助獲得和形成情境性證據，剖析存在的教育問題。

人工智能專家蘭德爾·戴維斯（Randall Davis）強調，知識表示和推理技術是一種思考工具，是幫助我們了解內部和外部經驗復雜性的方法[23]。作為一種工具，知識表示和推理技術通過以下四種方式為基于證據的教育服務：第一，通過幫助教師將教學信息及其關聯的隱性知識顯性化，使教師明確教學中的問題，并分析教學實踐的優先事項。第二，知識推理允許對同一現象創造不同的知識表征并進行智能推理，推理是人工智能的核心，也是教育實踐的關鍵，它與理解教育行為與外部世界的關系密切相關。第三，通過規則建模、因果推理等幫助教師模擬并評估不同決策的潛在影響，形成更嚴密的邏輯推斷。通過這種實用而有效的技術媒介，知識表示技術為我們提供了一個可以完成思考并預測結論的環境。第四，知識表示技術允許與他人分享不同知識表征，對不同的觀點產生豐富的批判性反思，從不同的視角豐富、更新原有觀點。知識顯性化、智能推理、預測能力、可共享性和可檢查性使知識表示和推理技術成為支持教育中循證實踐的重要概念工具。基于知識表示與知識推理的可共享元認知交流平臺可隨時隨地按需提供這種比較、預測、模擬，多維度執行和評估功能，為教學中的問題發現和可視化表征提供支持。例如，基于AI知識表征與知識推理的學習設計師（Learning Designer，LD）系統[24]，作為一種循證教學支撐環境，LD支持教師利用數據可視化工具預測和評估教學需求和效果，導入現有的設計，使用其他教師的建議和指導，考慮替代設計，以及調整方案以適應教學環境，在具體教學情境性證據生成過程中促進教師的自我反思、表達、設計和分享。

（二）群體證據分析：基于數據檢索技術的循證干預

證據的獲取和評估，即如何獲得嚴謹、系統、專業的教學研究證據一直是循證教育的重點。各學科相關教育證據種類繁多、來源廣泛、質量參差不齊，教育者需要訪問、搜索和批判性評估，以確定是否與學生、學校、教育需求相關。要做到這一點，教育研究文獻需要被更高質量地注冊、索引、分類、評估，并方便研究人員和教師進行個性化訪問。

在群體證據的獲取方面，可以借鑒循證醫學的經驗，包括原始研究證據的索引和二次研究證據索引。原始研究證據索引有利于對相關研究進行后續的系統評價和元分析。二次研究證據索引是指對已經完成系統評價、元分析的證據進行整理和索引，以便更高效地獲取和利用高質量的證據，為需求者制定科學決策提供支持。內容分類系統和搜索技術是構建上述證據門戶網站的關鍵組件，這些技術有助于對存儲庫中的材料進行查找、訪問和使用。在信息資源組織分類上可以結合知識圖譜技術，制定統一的分類標準，提高資源共享程度。基于人工智能的信息檢索技術不再滿足于標準化、單一化的檢索需求，數據檢索技術融合了數據挖掘、潛在語義、學習排序、圖像分類、特征提取、機器學習、文本解析等技術，具有及時挖掘新信息和及時鏈接新增信息、多途徑檢索等功能，能更好地理解用戶的顯性或隱性意圖。

教育領域典型的循證索引數據庫是美國的有效教學策略網（WWC）、英國教師培訓資源庫（TTRB）、坎貝爾協作組織的坎貝爾合作庫等[25]。在對研究證據進行信息收集、科學評價和分級時主要通過建立科學證據的共享數據庫為教育管理者、研究者、教師、學生、家長提供相關問題的最佳證據。隨著人工智能技術的發展，知識資源優勢與大數據、機器學習、事理圖譜等技術融合，形成機器智腦，通過知識規則或深度學習模型提升搜索的高效性及智能性，開放式數據庫中的信息檢索變得更加智能化、個性化、專業化，為可靠性證據的獲取提供可行性干預方案。

（三）個性化證據分析：基于學習數據的精準分析

傳統教育證據主要源于隨機對照實驗（RCT）等進行的因果效應推斷，為了減少實驗過程中混雜因素的存在，通常是采用控制變量的方法。然而RCT的應用有其局限性：一是其費時費力，代價昂貴，可能涉及倫理問題；二是RCT通常關注群體的平均效應，很難對個體行為進行判斷。在真實情境的教學中，學習者學習風格、學習能力、思維方式存在差異，群體化教育干預的針對性、有效性和時效性都存在爭議。因此，因果關系模式并不能成為教育中有效價值判斷的單一解釋維度。

智能技術為教育的精準分析和干預提供了可能，在引入機器學習模型后大幅提高了預測的準確率，并通過深度表征學習的方法，對混雜變量進行調整，解決數據偏差問題。當前的機器學習方法追求的是預測的高精度，與大數據結合解決因素相關性和可解釋性等問題是一種有益的嘗試。如在網絡教學中，影響學習效果的因素眾多，包括教師、教學內容、平臺功能、頁面導航設置、頁面設計、自身心理因素、社會因素的影響等，眾多影響因素導致無法建構一個穩定的因果關系鏈，亦無法精確地控制某個變量以得出結論。這時可以根據學習者大數據利用貝葉斯網絡進行系統結構相關分析、建模，利用學習過程數據對學習者進行認知診斷、學習分析和精準畫像。這種個性化證據有效地豐富了循證教育的證據鏈，是傳統循證教育研究方法的補充和完善。例如，Knewton在線適應性學習系統，其個性化學習工具的設計采用了基于貝葉斯推理的人工智能系統，用于評估學生在數學、英語語言、藝術和生物方面的精細概念進展[26]。教師可以快速、按需和系統地了解學生的成績和困難，利用學習分析和評估技術形成的個性化證據，根據特定學生需求定制教學計劃，并允許教師和家長創建教學內容或重復使用。同時，決策中產生的新的教學知識表征可形成新的證據，供其他用戶查詢和利用。

（四）循證決策：機器學習算法輔助生成教育決策

人類的決策主要是通過感覺系統接收傳入的信息，由大腦的不同系統進行處理并作出決定。著名人工智能專家西蒙認為，人類解決問題即是作出“決策”的過程，它是一個信息搜索的過程，通過搜索外部信息和內部經驗來獲得“答案”[27]。如今的數字時代，我們所面臨的是信息過剩所導致的“信息爆炸”，在這種“信息爆炸”的情境下，如何集中精力，利用高質量、有效的教育證據輔助生成教育決策是實踐中的難點。

從基于規則升級到基于機器學習的智能輔助決策系統可以憑借強大的處理能力和效率補充傳統循證決策方面的不足，通過機器學習技術對數字化的教育證據進行樣本歸納、類比推理，實現知識挖掘、計算和持續迭代更新，體現了適應性、動態性和演化性的智能體理性決策特征。智能決策支持系統不僅能實現整個教育決策過程的自動化，還能實現方案選擇、效果跟蹤、評估與反饋的自動化，并能根據具體情境推薦方案并持續優化生成新的方案。在不確定的情況下，機器學習通過識別多因素間的關系，利用數據驅動的統計推斷方法推斷每個選項的結果概率，進而實現預測分析，輔助生成教育決策。例如，美國的研究人員使用北卡羅萊納州公共教育部的縱向學生記錄數據，應用機器學習技術，整合了3至8年級的74項預測指標，包括學業成績、行為指標以及社會經濟和人口統計特征等，預測有風險學生的輟學趨勢，并提供相應的干預建議[28]。

五、結 束 語

“群體決策型”循證教育促進了教育決策科學化，但難以滿足日益多樣化和個性化的教育需求。智能技術擴展了循證教育的研究邊界，作為當代循證教育局限性的現代解決方案，使教育更接近“個性化”愿景，這標志著循證教育實踐范式向智能技術所支持的“深度教學”轉變。當然，循證教育不是一套從外部強加給學校用來指導決策的規則或標準，證據作為輔助教育者的科學工具，只是影響教育決策的眾多因素之一。教育者并非完全由證據或數據驅動，大數據和高強度的軟件計算在根本上是一個“無理性的知性外化”過程[29]，需要結合教育者的“教育智慧”和教育情境，將理性重新引回到教育系統之中，并結合自己的專業判斷作出決策。

[參考文獻]

[1] DAVIES P． What is evidence-based education？[J]． British journal of educational studies，1999，47（2）：108-121．

[2] 薛二勇，李健，田士旭. 循證教育政策研究：一個應然命題的實然問題[J]. 教育研究，2022，43（12）：141-150.

[3] PLATH D． Implementing evidence-based practice：an organisational perspective[J]． British journal of social work，2014，44（4）：905-923．

[4] 裴淼，靳偉，李肖艷，等． 循證教師教育實踐：內涵、價值和運行機制[J]． 教師教育研究，2020，32（4）：1-8．

[5] 楊文登． 循證實踐：一種新的實踐形態？[J]． 自然辯證法研究，2010，26（4）：106-110．

[6] PLATH D． Engaging human services with evidence-informed practice[M]． Washington，D.C.：NASW Press，2017．

[7] 約翰·海蒂. 可見學習：對800多項關于學業成就的元分析的綜合報告[M]. 彭正梅，鄧莉，高原，譯. 北京：教育科學出版社，2015：7-20.

[8] OAKLEY A， GOUGH D， OLIVER S， et al． The politics of evidence and methodology： lessons from the EPPI-centre[J]． Evidence amp; policy，2005，1（1）：5-32．

[9] 鄧敏杰，張一春，范文翔． 美國循證教育的發展脈絡、應用與主要經驗[J]． 比較教育研究，2019，41（4）：91-97．

[10] SYLVIE H， LENAY D， NIKOLA F， JOHN R. Evidence-based improvement： a guide for states to strengthen their frameworks and supports aligned to the evidence requirements of ESSA[EB/OL]. （2015-04-11）[2023-04-15]. https：//www.wested.org/resources/evidence-based-improvement-essa-guide-for-states/.

[11] OECD. Evidence in education linking research and policy centre for educational research and innovation[EB/OL]. （2007-06-12）[2023-04-25]. https：//doi.org/10.1787/9789264033672-en.

[12] HEMPENSTALL K． What does evidence-based practice in education mean？[J]． Australian journal of learning disabilities，2006，11（2）：83-92．

[13] CUTTANCE P. "Education research “irrelevant”[J]. The age， 2005（5）：5-6.

[14] 周加仙． 走向循證教育決策與實踐[J]． 外國中小學教育，2017（6）：9-16．

[15] 柳春艷，楊克虎. 西方循證教育學推演：理論、方法及啟示[J]. 電化教育研究，2022，43（3）：25-31.

[16] CONFREY J． Comparing and contrasting the national research council report on evaluating curricular effectiveness with the what works clearinghouse approach[J]． Educational evaluation and policy analysis，2006，28（3）：195-213．

[17] EPSTEIN I． Promoting harmony where there is commonly conflict： evidence-informed practice as an integrative strategy[J]． Social work in health care，2009，48（3）：216-231．

[18] 胡曉玲，韋慕春，袁民，等． 教育領域的系統性文獻綜述：本質、價值與實現[J]． 電化教育研究，2024，45（1）：43-51．

[19] 江華，楊浩，彭謹，等． 循證醫學方法學在人工智能時代背景下面臨的挑戰[J]． 中華危重病急救醫學，2015（9）：709-711．

[20] EPSTEIN I． One last fandango Professor por favor？The potential contribution of clinical data-mining to randomized clinical trials[J]．Research on social work practice，2022，32（8）：859-862．

[21] 鄭永和，嚴曉梅，王晶瑩，等． 計算教育學論綱：立場、范式與體系[J]． 華東師范大學學報（教育科學版），2020，38（6）：1-19．

[22] PORAYSKA-POMSTA K． AI as a methodology for supporting educational praxis and teacher metacognition[J]． International journal of artificial intelligence in education，2016，26（2）：679-700．

[23] DAVIS R， SHROBE H. What is a knowledge representation？[J]． AI magazine， 1993，14（1）：17-33.

[24] LAURILLARD D. Learning designer[EB/OL]. （2015-01-01）[2024-02-21]. https：//www.Ucl.Ac.uk/learning-designer/．

[25] 楊文登． 美國心理健康教育的循證實踐：理論、實施及啟示[J]． 外國教育研究，2017，44（6）：54-67．

[26] WILSONI K， NICHOLS Z. Technical white paper[EB/OL]. （2015-01-12）[2023-12-21]. https：//www.profijt.nu/wp-content/uploads/2015/09/20150902-White-paper-The-Knewton-Platform.pdf.

[27] 赫伯特·西蒙. 人工智能科學[M]. 3版. 陳耿宣，譯. 北京：中國人民大學出版社，2023：71-76.

[28] SORENSEN L C． \"Big data\" in educational administration： an application for predicting school dropout risk[J]． Educational administration quarterly，2019，55（3）：404-446．

[29] 張一兵，貝爾納·斯蒂格勒，楊喬喻． 技術、知識與批判——張一兵與斯蒂格勒的對話[J]． 江蘇社會科學，2016（4）：1-7．

From \"Group Decision-making\" to \"Personalized Analysis\"—The Transformation of Evidence-based Education Paradigm Based on Intelligent Technologies

ZHANG Huili， "WEN Hengfu

（School of Educational Science， Harbin Normal University， Harbin Heilongjiang 150025）

[Abstract] Evidence-based education is the product of the scientification of education. The traditional paradigm of evidence-based education research has long been plagued by contradictions and controversies in the classification of evidence systems and the application of research methods. With the development of artificial intelligence （AI） and related technologies， the first-generation evidence-based education， rooted in classical statistical thinking， is bound to evolve and develop accordingly. Starting from the connotation of evidence-based education， practice paths and research paradigms of various countries， this paper has explored a new-generation evidence-based education research model through tracing， reasoning， reflection and technology transformation， which changes from the group decision-making to the personalized analysis with the support of intelligent technologies. Following the pathway of problem identification， group evidence analysis， personalized evidence analysis and evidence-based decision generation， this paper proposes the transformation of evidence-based education paradigm， which leverages knowledge representation and reasoning technologies for contextual evidence generation， group evidence-based intervention based on data index technology， personalized accurate prediction and inference based on learning data， and machine learning algorithms to assist the generation of educational decision-making.

[Keywords] Evidence-based Education; Artificial Intelligence; Educational Evidence; Research Paradigm; Educational Decision-making