王浩 林文明
合肥市第四十八中学 合肥市第三十二中学 安徽省 合肥市 230051
摘要：大数据分析模式下的教学评价，就是在学校常规教学评价中，通过采集的不同方面的数据进行长期的、有针对性分析，从而让学校管理层能够积极应对已经及即将开始的中、高考综合改革，精准的做出适合本学校生源结构、师资力量、文化氛围等方面提升性决策，学校真正实现从经验性管理走向数据化管理。
关键词：大数据分析 数据化管理 精准决策
大数据是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。首先，中学教学管理中使用大数据技术的意义，不仅在于积累多年来学校不同方面的数据信息，更在于对这些含有意义的数据进行目标化处理，从而让学校管理层能够积极应对已经及即将开始的中、高考综合改革，精准的做出适合本学校生源结构、师资力量、文化氛围等方面适应性决策。其次，学校常规教学评价中采集的数据并不在“大”，而在于“有用”,通过数据分析可以促使学校管理者对目前学校教学管理工作的成效作出直接的分析，学校管理者面对在一系列的多角度数据分析结果，可以认真的思考如何在新的教育环境下让学校的品牌价值进行二次提升。最后，伴随着即将来临的第四次教育革命，大数据分析融入学校教学常规管理工作已经成为人工智能改变教育不可缺少的必要条件。
笔者先后在高、初中从事教育教学管理工作数十年，对于学校常规教学评价的大数据分析体系构建已经初具规模。该数据分析体系基本能够通过数据分析，覆盖学校常规教学评价的大部分，确保学校教学管理模式借助于大数据分析体系从经验管理走向数据化管理。下面介绍一下该体系中的一部分数据分析方式：
一、基于大数据分析的学校生源质量分析
九年一贯制义务教育的初中阶段学生主要以学区内两至三所学校相对集中学生组成，每所学校的校园文化以及对学生学科素养的培养都有着不同的变化。初中学校对入学新生做统一语、数、外三科基本素养测试后作为基本参数，三年后中考成绩达全市普高录取线的学生分，按照其小学毕业校集中后对语、数、外三科做数据比对分析，
.png)
分析结论：经过三年数据分析发现两所学校的生源在不同学学科中存在着学科差异，由于均衡化分班后实行学科普适性教学，很难做到精准化教学目标。C小学相比较D小学语文学科生源整体入学测成绩较强，学科素养高，毕业提高率高。数学学科D小学生源整体入学测成绩较好，但学科素养养成性不高，毕业提高率较C小学低。英语学科C、D两所小学的整体学科素养发展性基本持平。
二、学校中考成绩的大数据化分析评价方式
近几年因为政策原因学校所能获得的中考评价数据官方数据极少，学校只能利用有限的数据客观公正的评价学校的整体学科教学质量水平，及时发现在中、高考的综合改革中出现的学校教学质量变化，结合本校生源特色做出合理的研判。借助于大数据分析结果，通过一系列的改革如课程设置、师资队伍的调整、教研活动目标变化等一系列措施积极应对。下面介绍两个维度的数据分析方法：
维度一：利用每年全市不同分数段的所占百分比差值进行纵向比较。具体数据分析如下：
.png)
分析结论：A学校的高分段优势在逐渐减小，而B学校的中分段的优势在逐渐增大，A学校教学管理者的可以根据数据分析结果思考优势减少的原因，进而对薄弱学科的进行诊断，采取有效措施提高学科成绩。具体薄弱学科的分析方法，可以采取学科有效达线分析法等多种方法分析。
维度二：以近三年H市中考10000-20000名区间均分作为全市均分参考样本，计算出各学科中高段与市均分的差值，计算分差率。具体数据分析如下：
.png)
分析结论：A学校的三个级部团队，2017年毕业团队在高分段数学、物理学科优势明显，中分段英语和政治学科较弱。2018年毕业团队高分段语文、化学学科较薄弱，中分段政治、历史学科较弱。2019年毕业团队的物理、历史、英语学科有一定优势，数学学科明显薄弱。三年整体来看，A初中中、高段均分均高于H市均分，物理学科优势明显，教学管理者针对三个年级部在不同层次段的学生出现薄弱学科，统筹安排，在各级部的课程设置、教师安排中将有针对性的补齐短板，均衡中分段和高分段的教学资源配置。
三、服务于级部制管理的大数据常规教学评价方式
随着学校扁平化管理模式的进一步推进，各级部的常规性学业水平测试需要一套系统性较强、有针对性的评价标准。为了解决每次考试难度系数不同、内容不同等诸多评价不合理因素，学校教学管理者可以借助大数据分析思想制定较为合理的模板，让各级部统一使用。下面介绍两个模板的使用：
模板一：以均分差率进行同年级同层次横向评价。具体数据分析如下：
.png)
指标说明：计算公式为：学科提高率 = (上次均分-本次均分)/上次均分，提高率差值 = 班级学科提高率 - 年级学科提高率。不同层次的班级之间不具有可比性，但与全校均分的差率，具有可比性。提高率的差值反映了两次测试之间各学科成绩变化的幅度，也能够较好地屏蔽了两次考试总体难易度的差异。
分析结论：B校语、数、外学科相对比较稳定，政史物化学科波动较大，A层次3班政、史、学科变弱；B层次4班的化学、政治变弱。可以通过这些指标，找到不同班级的学科强弱变化，指导授课教师及时找到原因改变教学思路。
模板二：以历年模考成绩变化，对不同级部之间进行纵向比较。具体分析数据如下：
.png)
分析结论：近几年毕业班全区历次模考中，各学科的难度系数基本稳定，学校可以在其稳定性较高的基础之上利用分差率借助前几届数据的积累，做好纵向评价，对当届的学生做一个及时精准的评价，让各学科教师对学情在比较中有一个直观的认识，从而对各教研组下一步复习目标及时进行调整。
四、数字化的分科评教方式
传统的常规学生分科评教方式往往以学生座谈、班级抽样等方式进行，无法做到对教师教学规定动作评价的全覆盖及所有学生评教的全覆盖，评价存在随机性和不确定性。实行数字化评价后，真正实现了全覆盖，同时经过大数据的积累，让级部之间、班级之间的比较成为现实。
.png)
五、以学生“学科成长性”为核心思想的数据评价体系
学生的学科成长性是学科素养培养中必须面对的问题，学生在目标引领下，学习主动性会极大地增强。教学管理者，也可以通过大量的完整的学生学科成绩变化，探寻如何解决学生学科均衡化发展的方法。下面介绍两种方法：
方法一：针对学生个人的增量目标评价体系。具体分析数据如下：
.png)
计算说明：均分差率= （本人成绩 - 班级均分）/班级均分；阶段分差率目标 = 本次分差率 + 按名次递增的上浮一定百分点；分差率上浮参考值：1-3名0.5%；4-7名1%；8-13名2%；14-20名3%；21-30名4%；31-41名5%；41-49名6%；49名以下5%；达标条件：本次分差率>上次目标分差率或者名次进步20%以上；报表仅供学生设定阶段性学习目标参考。
分析结论：传统的名次排名缺乏鼓励性、目标性，改良后的学生个人成绩分析加强了学生学习主动性，真正提升了考试的目标性。为不同层次的学生都提供阶段性的目标，每次测试后即时反馈是否达成目标，增加学生的目标意识，提高阶段性学习成就感。
方法二：初中是小学和高中之间的关键学段，学生在初中成长过程中的不同时间的学科素养变化既有不同也有共性，通过大数据的收集整理，可以发现一些共性问题从而在日常的教育教学中指导学生及时调整，有效提升。具体数据分析如下：
.png)
A初中从七年级入学开始，记录学生历次学业测试的成绩，绘制名次变化图，对每个学生进行跟踪分析。此表仅班主任和教师分析使用，公布给学生的是屏蔽了历次考试难度差异的等级，赋分规则是：全年级按750人计算，5% A等级，15% B等级，40% C等级，30% D等级，10% E等级，分数相同时，取最优排名计算。
以上五个方面进行的大数据分析，只是学校常规教学评价的一部分。学校教学评价是以教学目标为依据，按照科学的标准，运用一切有效的技术手段，对教学过程及结果进行测量，并给予价值判断的过程。伴随着中、高考的综合改革对学校数字化教学管理要求越来越高，伴随着人工智能化教学、云技术等新教育方式的变革，每所学校从经验性管理逐步走向数据化管理，借助于大数据分析常规教学评价方式也将在新技术的发展中得到不断提升。
参考文献：
[1]陈庆华.大数据分析在教学评价体系中的建议与实践[J].汉江师范学院学报,2020,40(03):91-94.
[2]董岩林.大数据视域下教学评价研究[J].基础教育论坛,2020(16):3-5.
[3]刘葆中.新高考制度背景下“走班制教学”的实践与思考[J].天津教育,2020(25):41-42.