评估的目的是提供数据来修改教学计划。
在了解学生理解的内容时，老师可以根据评估结果（数据），规划学生学习的最佳途径。
任何形式的评估都存在固有的缺陷，所以它得到的数据也有局限性。
如果你想更好地理解数据，利用它提高自己的教学水平，南希·洛夫（Nancy Love）的书《使用数据来提高所有人的学习（Using Data to Improve Learning for All）》，是个很好的起点。
但事情并没有那么简单。
数据不仅是学校改进的催化剂，更是教育改革的生力军。以前我们谈“不让一个孩子掉队”，现在我们为乡村学校搭建数据团队和专业学习社区，数据成了科学和光明的使者，被期待着改变“一潭死水”的学校。在许多学校和地区，数据不仅仅是一种工具，它还代表了每个人的表现，每一项努力。
尽管目前评估设计远远落后于学习内容、环境和工具的设计，但数据带来的狂热，依然会造成一定损害。是否将数据视为有价值的教学工具已经不是最重要的了，重要的是在追求更好的评估设计和数据提取实践方面，要理解数据的局限性，尤其是在使用数据比较频繁的课程和教学设计中。
那么，数据都会以哪些方式破坏你的教学呢?
1. 评估不精确
考试、测验、项目和其他评估中，程序性知识含量高，无法发现学生对内容和标准的了解程度，这些评估不仅没有帮助，而且对学生有害，并在总体上阻碍了学生的学习。
当考试比内容、学生或老师更重要时，就会出现问题，就会造成评估的不精确。
2. 基于评估结果的推论是有限的或错误的
即使有良好的评估，数据也只能在特定的情况下发挥作用，即教育者根据数据最好地修改教学计划。
在项目中，通过学生回答问题推断出错的地方，是一个漫长又痛苦的过程，评估结果充其量是一种良好的猜测。让你笨手笨脚完成任务的评估，就不是一个好的方法，至少对学生来说是一种不平衡的、令人沮丧的学习方式。
3. 评估很少
每种测试，包括课中测验、课后测验、思维导图、对话、观察等，都提供了学生对内容是否理解的依据。但是，如果评估很少，反映学生进步和熟练掌握的机会就有限。学生在考试中挣扎的原因有很多，这些原因有些与内容知识无关，却会让他们焦虑地度过糟糕的一天。所以，与内容相关的评估越频繁越好。
4. 评估时间不合适
在错误的时间进行正确的评估就是错误的评估。在理想的环境中，每个学生都会得到完全个性化的评估路径——正确的内容需要在正确的时间得到，所以正确的评估也必须在正确的时间做出。
这在公立学校是一个挑战，教育工作者可能要写评估报告，做计划指导、修改指导、项目分析、数据提取等繁重的工作。即使在纯“数据团队”，无论学校和老师多么能干，都很难坚持下去。
5. 数据已过时
在正确的时间给出正确的评估，甚至得出正确的推论，如果不立即使用，那也无济于事。理解放在大脑中是不牢固的，会随着学生的进步和时间的推移而淡忘。过时的数据就像是变质的牛奶一样。
6.“知识的深度”没有被考虑在内
大多数教育者都很清楚知识深度的重要性，如布鲁姆分类法。但是，如果考试没有刻意使用这些方法——从低层次的回忆到更高层次的批判性思维——那么得到的数据，作用同样是有限的。
7. 数据不透明或其他人无法访问
老师们总想承包学生的整个学习过程。这不仅不切实际，对学生也有害。毕竟，学习过程需要多元化的社会帮助。其他内容领域的教师、学校管理人员、家长、家庭、导师甚至社区成员对学习者的表现了解得越多，学生支持系统就越具有包容性。
8. 数据来源并不多样化
从课尾测试到课后测试，从项目到计算机评估，从自我评估到同行评估，从地区评估到国家评估，数据来源越多样化，就越能得到相对正确的结果。
9. 数据获取不灵活
如果课程照本宣科，讲课节奏混乱，内容僵化、静态，评估也是预先制定和包装好的，那么数据不容易获取和使用，从而影响对学生的学习需求做出及时反应。
10. 数据太多了
南希·洛夫在她的书中说：“仅仅提供大量数据是不够的。整个学校会淹没在数据中。造成的结果就是数据......泛滥成灾。”
太多的数据比没有数据更糟糕。
原文链接：
https://www.teachthought.com/pedagogy/10-ways-data-can-sabotage-your-teaching/
来源：Teach Thought
作者：Terry Heick
智能观 编译
—完—
扩展阅读：
数据共享在教育领域呼声日高，学校如何解决整合数据的3个困难？
亲爱的朋友：
了解数据的局限性才能便于我们更好地分析和利用数据。
有人说，人工智能时代，数据就是资源。
如何开发出利于学生发展、推动行业进步的数据，避免因数据失误引起的蝴蝶效应，是我们需要思考的问题。
希望本文对你有所帮助。
祝安！
PS:为了方便与读者探讨，特意注册了一个专用号。如果你也是我们的铁杆读者，想探讨交流，可以加微信：znglmym。
智能观 灵米
2018-9-11 于北京中关村
想知道AI加教育领域有哪些最新研究成果？
想要AI领域更多的干货？
想了解更多专家的“智能观”？
请前往：www.智能观.com。
想交流沟通，请加负责人微信：znglmym
声明：
编译文章旨在帮助读者了解行业新思想、新观点及新动态，为原作者观点，不代表智能观观点。
网友评论