人工智能背景下教师教学决策的心理依赖、依据与依循

人工智能驱动的智能教学平台为教师提供了自动化分析支持，然而，其预设算法逻辑无法替代教师教学决策规律的探究，教师亦不宜过度依赖平台提供的统计分析结果。针对教师如何深化信息分析以制定针对性教学决策，其理论依据及可依循的认知规律问题，本研究综合运用出声思维法与扎根理论，揭示了教师数据驱动决策的心理机制，构建了一个涵盖数据感知、归因方式、阈值标准及教学内容知识等多因素的认知过程解释模型。基于此，研究从实践层面提出了人机协同决策的优化路径建议，旨在为智能时代教师教学决策提供理论指引与实践参照。

关键词：数据驱动的决策；人机协同；心理机制

集数据统计、处理、挖掘和分析等技术于一体的智能教学平台，能够自动采集与记录学习者各类学业表现数据，快速呈现相关数据图表和生成各类学情报告，为智能时代的教学决策提供了极佳的数据凭证。然而，不断发展的人工智能技术在教学中的应用仍然处在探索摸索期。以错题累积、数据概览和自动推送为主要技术逻辑的智能教学平台所做出的“机器决策”，在一定程度上可以显著提升教师对学情的基本认识，但其维度单一、算法模糊等特性易引发教师对技术的盲目依赖，甚至导致决策主体性的弱化。因此，以自动呈现作为主要特征的机器决策并不能取代教师对教学所做的进一步深入调整，在从教学信息呈现到教学调整的决策空间中，教师需在智能分析基础上，跨越从数据到教学洞见的认知鸿沟，依据教学情境、学生特质以及自身的教学风格作出更为精细的人为决策和判断。这一过程并非简单的信息执行, 而是一个需要建立“场独立”心理自信、避免技术仰仗, 并遵循人机协同原则的复杂实践。与此同时, 教师还需进一步根据教学数据的迭代反馈, 验证调整的有效性, 形成“决策—行动—评估—再决策”的循证闭环, 以实现精准干预。此外, 机器决策的快速和直观为教学决策的执行提供了极大的便利, 在一定程度上也造成了一线教师对智能技术的决策依赖。教师如何基于数据开展教学分析和决策, 这本身是智能时代教师专业发展中一项重要的素养, 但一直以来该问题作为数据驱动教育实践领域的一个模糊空间, 鲜少有深入的理论探究与实践追问, 更多的是采用隐晦的描述和经验之词来概括这一极其关键的教学作用环节, 导致一线教师实际的教学决策行为无所依从。

本研究通过文献梳理发现, 基于人工智能技术采集的各类数据进行教学决策的过程, 本质上是一个数据驱动的决策过程 (Data Driven Decision Making, DDDM)。国外在这一领域已开展了多年的实践研究, 形成了一系列较有启示的研究结论。有关 DDDM 的知识和技能数据使用的过程通常被描述为一个包括四个环节的循环和迭代的过程, 即评价分析学生成绩、为每个学生设定学习和表现目标、确定实现这些目标的教学策略, 以及执行计划的教学策略。最后在课堂上实施教学计划往往是最具挑战性的一步, 教师在没有接受过专门培训的情况下很难做到这一点 (见图 1), 而 DDDM 有效性很大程度上取决于教师在多大程度上拥有或发展分析和解释绩效反馈, 以及将绩效数据转化为改进教学的策略。再者, 从阿克夫 (Ackoff) 提出“数据—信息—知识—智慧”的数据认知过程来看, 智能教学平台提供的多为以数据为主要形式的统计结果, 但数据本身是中立的, 没有任何价值倾向, 只有通过进一步编码、图示和结构化等认知操作, 才会被赋予意义, 从而转变成信息, 并可能成为决策过程中有价值的信息源。需要特别说明的是, 教师理解分析数据与将数据应用于课堂决策所需的技能是不同的, 知道如何解释数据和知道如何以影响课堂实践的方式使用信息是教师专业发展中必须解决的两个独立的技能集。特别是后者, 根据数据分析结果制定教学决策是 DDDM 的最终应用环节, 也是决定其是否能够发挥效用的关键环节。因此, 在智能分析的基础上, 教师的教学决策还存在很大的人为空间, 需要进一步思考如何深入细化相关教学改进措施。

图1 DDDM的结构模型

国内许多关注这一问题的相关学者分别从教师数据素养和测评素养、增强教学主动性（从被动分析测评数据转变为主动创造多模态数据)，加强教学设计（在粗略的分析结果方面考虑如何进一步细化措施，如资源、知识、活动、方法和评价等角度)进行了相关论述，但总体来看，我们对教师具体如何使用数据来指导教学实践过程知之甚少，包括教师考虑什么类型的数据、如何作出决策以及受到哪些因素的影响等。

综上，相关研究主要集中在教学决策的技能、素养和策略层面的探讨，缺少从教师数据使用心理的视角为一线教师教学决策环节提供具体的可供参考的认知操作指南。以数据智能呈现为鲜明特质的精准教学凸显了智能技术和设备的应用过程，使得教学决策的重心停留在依赖技术平台功能改进的思路上。此外，科伯恩（Coburn）等通过对国外DDDM 的多项元分析发现，这一领域的研究主要侧重于数据使用干预与结果之间的直接联系，以及描述数据干预的外部活动形式，较少关注数据的具体使用和解释过程，即教师如何在课堂环境中解释数据并将其转化为可操作的知识的过程。因此，我们很少知道学校教师具体是如何与数据互动的（解释它、对它作出反应或忽略它），以及这些反应是如何产生各种令人感兴趣的数据分析结果的。了解结果而不了解产生结果的机制，意味着我们无法确知重新设计数据采取干预措施以增加其在实践中的影响过程。再者，人工智能辅助下的教师教学决策过程本质上是一个教师对统计数据进行心理感知的过程。从心理学角度来看，这一过程实则是一个由教师信念、过去的经验和当前环境动态交互作用所形成的一个非常复杂的意义建构过程。教师如何理解、分析以及根据数据作出教学反应是这一过程的核心问题。因此，在智能技术应用背景下，教师如何根据智能分析结果制定进一步的教学调整策略，或是为学习者设计科学精准的个性化干预措施，这一决策过程的心理依据是什么、主要影响因素有哪些、需要遵循哪些教学规律，对这些问题的回应将给一线教师的数据化决策行为提供直接指引。

当前，学术理论界有关人机协同决策的理论假设对机器和人的分工做了精妙的论述，如机器负责数据计算和部分推理工作，人负责机器力所能不及的选择和决策等工作，从而能够发挥各自的优势，实现人机整合。但这一理论构想需要教师建立高度的自觉心理和自醒意识，能够充分意识到人工智能在决策和判断过程中的算法逻辑和伦理缺陷，并且充分发挥自身的反思能力、直觉力、洞察力和同情心等专业本能。当前，人工智能技术以具有自身存在和固有逻辑的自在本体角色参与教学实践，大大弱化了教师的角色参与，甚至呈现出模拟甚至取代教师工作的发展趋势，再加上企业对商业运行逻辑的大肆宣传和智能技术功效的过度渲染, 一线教师也对这一模式产生了极高的期待, 人机协同逐渐演变成了教师单向地对技术的主观依赖。理论学术界原本预设的人机协同教学决策的理想架构, 在实践中却退变为教师笃信智能分析结果的局面。

一方面, 打着“智能”标签、披着先进光环的人工智能技术在教育教学中的应用, 为解决传统课堂教学中学情了解不及时、作业分层操作困难、反馈不及时以及教学效率低等问题, 提供了极大便利。另一方面, 人工智能技术发展实则已遇到很大的现实困境, 如智能技术对教育数据所蕴含意义的解释能力较弱, 缺乏多维视角, 主要聚焦测评数据, 存在仅限于关联判断而非因果推理判断的逻辑缺陷等问题。而且, 现阶段进入中小学的智能教学系统产品大多功能趋同, 这些被冠以“精准”“自动”“个性”和“分层”标准的技术功能背后, 隐藏着不为人知的算法逻辑, 而商业算法逻辑并不能等同于教育逻辑, 两者之间的区别和误差很有可能造成技术在教育领域应用的误判和不良后果, 如漠视信息安全、违背教育伦理和缺乏情感思维等。

相对于传统教学, 精准教学模式在一定程度上解决了教师数据获取困难、数据分析烦琐等问题, 但由于实践层面教学理念的偏离和智能技术的新奇效应, 众多一线学校对智能教学平台形成了热切期盼。不少学校错误地认为, 数据驱动的精准教学就是引入新兴技术。没有智能教学平台, 寸步难行, 有了数据智能分析, 则万事无忧。只要引进技术, 精准教学就实现了一半。这种技术导向的思维严重影响了教师对“数据驱动精准教学”的客观理解, 当前的智能应用旋风已经让很多教师对此类智能平台产生了技术依赖心理, 甚至屈从于各种技术规则, 在与智能机器的信息交互中逐渐放弃了自身独立判断、想象和思考的能力, 忽视了从智能信息到教学改进的教学规律探索。这种人为的心理懈怠和认识误区, 直接导致了教师对智能分析结果的全盘接受, 以及对智能教学功能的盲目期待。教师在教学专业思考上的懈怠和停滞, 也进一步促使针对机器分析结果所推行的教学调整更多的是基于教学经验的常规性调整, 即数据分析很到位, 但教学调整却很机械, 固守不变, 缺乏针对性。

教师对智能技术的依赖心理不仅暴露了当前教学决策中存在的维度单一、算法模糊等问题, 还揭示了教师专业判断空间被压缩的困境。这种依赖导致教学决策更多停留在技术层面的机械调整, 而非基于教育规律的深入优化。因此, 为了破解这一困局, 亟须从教师内在认知机制入手, 探究其数据驱动决策的心理依据, 从而为人机协同提供理论支撑。这一转向将有助于从根源上优化教师的决策行为，避免其过度依赖技术的片面性。

为了更好地探究教师对教学数据的理解和分析的内在心理过程，本研究利用项目合作机会在珠三角地区的中小学校邀请了30位中小学教师，采用出声思维的方式请他们对提供的教学数据样本进行解读，以此探究教师的数据认知过程。教师样本所在学校的教育信息化基础条件呈现明显的层次差异，但教师自身都具备教学数据统计和分析的相关经历，其学科、年级、职称和教龄情况覆盖面较广，基本能够代表目前中小学教师教学数据应用的实际状况。本研究主要通过提供解读案例、交代数据解读背景和详细说明解读过程等形式对教师解读过程进行培训，使其熟悉数据解读出声思维的基本流程。正式实施过程中，教师参与者被要求使用本研究提供的相关样本数据进行解读，该数据样本设计参考了当前中小学各类智能教学平台的典型数据呈现形式（包括知识点得分率统计、测试表现统计以及学习者学业表现趋势图表）。研究者通过设置引导性问题，事先向每位参与教师解释和说明了数据解读过程，使其了解整个数据解读出声思维的要求，如在执行分析数据以作出教学决策时应“大声思考”，及时表达自己内心的真实想法，包括对数据的感知、解释以及决策方式；若出现特殊中断或停顿情况，研究者会给予适当引导。30名教师的出声思维过程都以视频录像的形式被实时记录，研究者进一步对所有教师的出声思维过程进行了文本转录，采用NVivo团队协同编码的方式来探究教师评估学生测试表现并就教学和干预作出决策的过程。

本研究采用三种典型的教学数据情境样本，旨在探究中小学教师在数据驱动决策过程中的认知模式与反应机制。样本设计聚焦于实践中普遍存在的学情表征形式，以诱发教师出声思维，揭示其解读数据、诊断问题及干预决策的内在逻辑。

样本一：知识点掌握水平数据（如表1所示）

数据形式：呈现三道测试题目的学生作答统计信息，包括全对人数、全错人数及班级得分率（分别为 (30%) 、 (60%) 、 (90%) ），对应低、中、高三种典型的掌握水平。

探究目标：考察教师如何依据题目得分率及学生分布情况，诊断具体知识点的教学难点，并据此形成差异化的教学干预或调整策略。本研究通过比较不同教师对同一数据的解读与反应，分析其在数据感知阈值、问题归因倾向及干预措施选择上的个体差异，进而理解其数据驱动决策的内在依据。

表1 常见测试内容得分统计表

样本二：学生学业表现分层数据（如表2所示）

数据形式：呈现四类代表性学生的测试总分（90分、79分、61分、40分）及班级平均分（70分），分别映射学业优秀、中等、临界及格和后进四种典型层级。

探究目标：分析教师如何结合个体得分与班级整体水平（平均分），对不同学业层次学生的表现进行诊断性评价。重点在于揭示教师评价的标准（如与平均值的比较、绝对水平判定）、归因视角（如能力、态度、教学因素），以及由此衍生的个性化教学诊断意见与干预措施构想，从而透视其教学理念与数据应用逻辑。

 表2 常见不同层次学生测试表现统计数据

样本三：学生个体学业发展轨迹数据（如图2所示）

数据形式：以趋势图形式展示一名学生连续九周的学习成绩变化，包含基准线、目标线、班级平均线、实际成绩趋势线等关键可视化信息，并标注了特定时间点的外部教学干预。

探究目标：考察教师如何解读动态的学业发展数据。探究其关注焦点（如趋势走向、干预点效果、与目标/平均线的差距）、分析逻辑（如联系干预措施解释波动、判断学习状态变化）以及基于此轨迹进行学情诊断与未来教学决策（如调整目标、优化干预策略）的认知过程，理解教师对时序数据的整合分析与预测性决策模式。

本研究邀请了研究团队的三位博士生对教师的转录文本进行了独立分析。首先，围绕研究关注的如教师基于数据的反应标准、决策类型、如何归因、理解模式以及背景知识等核心问题，对转录文本进行分解和提炼，并采用NVivo软件逐句编码。对于文本内容理解不一致的部分，通过集体协商和讨论的方式解决，以尽量客观和全面的方式生成详尽节点，并通过多轮迭代和演绎得出初始概念。在编码过程中，本研究遵循扎根理论的理论饱和度原则，进一步邀请备用教师样本进行补充发声，直至未发现有任何新晋概念出现。因此，本研究认为，上述概念编码过程已接近饱和，应进一步对初始概念进行合并和归纳，逐步完成范畴化界定，如表3所示。

表3 教师出声思维的开放式编码示例片段

主轴编码阶段主要是对开放式编码中获得的初步概念进行分类，发现和建立概念之间的各种联系，将其划分在一起，并分析范畴之间的关联关系。本研究根据研究目标及关注的主要问题进行了深入分析和比较，对上一阶段获得的多个范畴进行了比较总结，同时参考该领域相关文献的理论构建结果，最终提炼形成包括阈值标准、归因方式、心智模型、教学内容知识和教学决策在内的五个主范畴，相应范畴的结构及其内涵解释如表4所示。

表4 主轴编码结果

选择性编码是研究者形成理论模型的阶段, 主要任务是发现核心类属, 并将其他概念或类属联系起来, 整合已有各范畴之间的关系, 形成完整的故事线并完善故事叙事逻辑。通过整合已有编码内容, 本研究先从中识别出相关的隐含数据线并加以描述 (见表 5)。基于编码分析, 本研究梳理出了主范畴之间的关系, 并从已有资料中挖掘出如下故事线: 教师的心智模型体现了其有关数据使用的认知结构, 它既是教师基于数据获取信息的过滤器, 也是其追寻信息的向导, 帮助个体理解数据以及指导问题解决。该模型直接决定了教师的数据感知方式, 进而影响教师对数据背后问题的归因方式, 而不同的归因方式又会导致教师采取不同的教学决策行动。例如, 若教师将学生成绩差归因于教学效果, 便很有可能有动力去改进教学; 但如果将其归因于学生本身的问题, 认为他们是“学习缓慢的人”, 则其改善教学的动机就会大大降低。教师的归因方式与其所采用的教学决策之间受两个中介变量影响: 一是阈值标准, 体现了教师对数据反应的心理门槛, 决定了教师是否会采取决策行动; 二是教学内容知识, 体现了教师结合专业知识和教学原理解决问题的能力, 会直接影响教师采取什么样的教学决策。

表5 核心范畴关系描述

图3 DDDM认知过程解释模型

技术的精确并不能代表教学的精准, 人们对技术应用优越性的关注往往掩盖了对教育教学本质规律的探索, 从数据统计呈现到教学行动的落地还需要经过教师的人为决策分析过程。当前, 中小学校盛行的精准教学模式强调收集学习者的相关数据, 其核心目的在于根据这些数据为学生的知识获取提供相关建议和便捷服务。该模式强调路径预设、重复训练和结果预知的功能特性, 仍然遵循知识教学和科学主义教学范式, 对学习者学习过程的生成性和过程性特征则不作过多关注。因此, 这种教学模式存在“知其然而不知其所以然”的教学思维僵化隐患, 即教师如果不对导致教学现状的因果缘由做出进一步的思考和判断, 也就无法据此作出合理决策并最终达到个性化且灵活的教学调适目的。

因此, 在机器数据统计分析的基础上, 教师如何进一步制定精细化的教学决策是智能时代教师专业发展面临的重要课题。譬如, 在教学分层设置环节, 可以深入分析分层方式的多样性 (并非简单地按照成绩高低进行排列) 以及不同分层方式对各类学生的进一步影响; 在资源推送环节, 不应仅强调重复多练的题海策略, 而应尝试给学习者提供包含知识、资源、活动、评价以及指引在内的一揽子解决方案, 做到对学习者问题的系统性诊断; 在学习反馈环节, 避免以教师的教学代替学习者的思维发展和知识理解过程, 及时给予学习者学习表现的针对性反馈和解释, 促使其加强对自身学习的反思; 在教学方法的选择上, 应尝试更多方式, 而非停留在简单机械的重复讲授层面。除了从知识角度给出符合知识结构和逻辑的教学路径建议外, 还应尊重学生学习的个体差异性, 努力将数据分析结果的科学性与教师教学智慧的灵活性相结合, 形成具有弹性的教学选择, 并以教学方法与学生发展水平是否匹配作为最终选定标准。

从数据感知的角度来看, 教学决策具有双重通道, 即基于直觉的策略和基于理性的策略。在传统教学决策时代, 教师的判断主要基于直觉策略, 即基于学习和经验构建的个人知识框架, 在日常实践中自发地收集数据。这种个人专长使教师能够识别周围的数据模式, 并在搜索数据时引导其注意力。教师对数据的认知将产生对未来结果的预期, 并使其无需经过深思熟虑就能得出看似合理的结论。但基于直觉的数据收集过程可能会因为错过质疑其假设的重要数据而导致判断不够客观。带有教师个人偏见的决定可能会导致确认偏差, 这对学习者而言也不公平。考虑到人类直觉的偏颇性, 教师的理性决策模型描述了一个由预设目标或问题引发的有目的的循环过程, 该过程遵循由预先定义目标启动的一系列步骤。教师首先决定他们需要什么数据来回答这个问题,并考虑收集数据的计划或方法。在作出任何决定之前,需要对数据进行仔细地搜索、分析和解释。如果收集到的数据不能为问题提供充分的答案,教师将启动一轮新的循环过程。教师通过这种方式来评估替代方案,即寻找能质疑先前信念和假设的对比解释,评估似是而非的对立解释以质疑先验假设,从而提升决策有效性。

随着数据应用价值日益凸显,教师决策领域一直强调应从以经验和直觉作为主要支撑的教学决策过程转向以数据驱动的理性教学决策过程,但教师的数据使用并不是一个完全理性的简单过程,它也涉及个人的专业判断[24]。即使是以深思熟虑和系统的方式收集数据,教师也往往会用个人标准来解释并得出结论,这使得整个数据使用过程难以做到完全客观。因此,从教育决策的实际应用情况来看,直觉可能存在陷阱,经验也不一定可靠,使用数据也绝非屡试不爽。在此背景下,假设理性和直觉过程都是影响教师判断的两个平行且并发的系统似乎是合适的。理性系统使教师能够有意地收集和处理数据,而直觉系统则涉及自发的数据收集和处理。直觉并不是理性的对立面,在实践中,理性和直觉的过程是相互交织和彼此影响的。数据的使用和经验之间需要平衡。譬如,当你去看医生时,你希望对方对你的情况有所了解,并基于此作出判断,而不仅仅依靠感觉。而同时,你也希望医生运用多年的经验来作出决定,教育工作者亦是如此。

数据使用是一种感知行为,受到教师过去经验和信念的影响。教师在进行数据驱动的决策时,往往带着一套关于证据价值的已有信念。与此同时,教师对现在的感知可能会影响其信念以及他们对过去(如学生成绩等)的理解。作为个体决策者,教师个人的先前经验和信念(数据感知的图式)塑造了其解释过程。一方面,他们通过自己的认知透镜和个人经验过滤数据,试图将数据放入一个认知框架中,以确认已经存在的信念。个人直觉和确认偏差在这一过程中也起到了非常重要的作用,进而导致相同数据对不同的人产生了不同的含义。另一方面,由于教师个体在信息处理方面的时间和认知能力十分有限,其对数据的理解也受到是否发生在群体中以及群体互动的性质等语境因素的影响,所以学校有机会通过培训、协作和互动等方式帮助教师重塑关于数据的心智模型。

数据理解的这种建构性特征和解释性现象,决定了对教师数据驱动教学决策信念进行纠正和改造的必要性。当前,数据在学校的使用往往是基于教师个体形式进行的,学校内部较少正式公开地开展“数据讨论”,教师主要根据个人情况决定如何改进教学。上述理论表明,教师通过积极与他人互动、协商以及构建值得注意的信息,可以加强其对数据的理解,拓宽教学决策逻辑基础,从而支持自身数据使用信念和行动的改变。教育领导者也应将学校数据使用特权模式转向强调协作探究的模式,促使教师从个人决策转向集体合作的模式。教育部门也可以选择行动研究或合作探究来重新构建教师的数据使用路线,关注数据使用过程中的教师个人负面信念和片面性倾向,推动教师教学理念从消极到积极的变化,同时增强其对数据驱动决策过程的认可。通过促进教师数据使用共享心智模型的构建,建立数据团队的共同愿景和协作学习模式,最终助推学校DDDM文化的构建。

归因是数据感知的一个重要方面,它会影响教师如何理解过去、现在和未来的数据,并重构或具体化他们的信念,包括对学生群体的期望。不同的归因方式导致了教师对学生数据所呈现问题的不同看法,进而决定了教师所采取的教学调整措施。在教学问题的诊断中,首先应强调客观归因,即尽量通过数据分析找出教学设计、学生理解、测试性质以及学生特点等方面客观真实的原因。但是,学习者的问题往往是由多方面的原因造成的,其关系错综复杂且存在交互效应。如果在数据诊断过程中,教师一味强调外部的客观原因,将问题归结为家庭背景、资源、环境和条件等不可控的外部限制,这种"客观决定论"可能会导致教师产生教学"无为"心态,进而不会触发教师采取实质性的改进行动。

托卡(Tokar)等人的研究发现,拥有内部控制点,即将成功或失败归因于自身的人在教育变革过程中表现更好,更倾向于使用数据进行变革,以提升教育质量。数据可以用于挑战关于学生学习的假设,并促使教师批判性地反思教学质量。教师可以以更具动态性和灵活性的方式来适应、改变课堂级别的响应,以满足学生的需求,而不是一味地责备学生的低成就。因此,教师在进行数据诊断的过程中,更需要强调积极归因。为了能够使用数据来改善教学和学习,教师需要从外部归因转向内部归因,关注影响教学质量的"可变的内在因素",这意味着教育者应该使用数据来查看自己的教学表现。此外,归因方式作为教师建立数据应用动机和信念的主要途径,应成为教师数据专业研究中的重要内容,并且教师应有意识地建立对教学干预失败和成功的分化归因模式:教学干预成功时,更多地考虑外部客观的优势因素;教学调整失败时,更多地思考自身有待提升的空间。这种"积极"的归因方式,不仅有利于促进教师数据分析技能的不断提升,促使教学由精准走向精致,同时也有利于推动教师数据改进行动的具体落实,使教师保持强烈的教学改进动机。

精准教学更多体现的是数据应用的即刻快速准确反应,但从DDDM实际应用的情况来看,数据应用更突出体现的是周期性和迭代性特点。大多数教学决策过程并非有限的线性过程,而是一个需要不断收集、分析和解释数据的过程,以便使所获得的信息被用作决定调整教育实践的基础,并在随后评估这些调整是否产生了预期效果。教师需要不断对探究进行反思和重新规划:是否需要收集额外数据?在整个周期中是否需要进行其他迭代或进一步的分析?是否需要确定新的指导步骤或调用其他技能?从某种意义来看,教学决策没有终点,分析和使用数据的过程本质上是一个设计、测试和调整关于最有效教学实践假设的重复循环过程(见图4)。解决将教学实践与学生成绩联系起来的结构不良问题是一个反复循环的迭代过程,这个循环围绕"哪些教学事件组合最能满足学生的学习需求"这一问题不断设计、测试和调整假设。这需要教师在反思和调整教学实践的初始假设时保持开放心态,在这种情况下,模糊性往往是可以容忍的,判断可以先保留,直到有更多的证据来证明这些假设,并调整最初设想,包括收集和分析数据以确认/否定假设。

图4 数据使用循环

数据为教师提供了关于其教学方法适切性的反馈,使他们能够参与迭代和循环过程,研究自己的行动对学生学习结果的影响,并根据结果调整教学策略。然而,由于教育自身具有某些特性(复杂性、生成性、风险性和不确定性等),在一定程度上增加了教育证据获取的难度和基于证据推理的局限性。数据作为一种教学证据,从期待数据解释有用,到证明数据反馈有效,再到理解数据的价值和意义,教师不断地利用数据的反馈和迭代性来为学习者找到最适切的教育问题解决方案,这一过程体现的是教师不断探究教学规律、追求最优教学方案的过程。与此同时,数据的周期性也体现在教学绩效的显现过程中。因为改变学生行为和提升教师素养并不容易,无论是学习者从单次成绩提升到自主学习能力的增强,还是教师从数据分析技能的增强到包括教师信念在内的整体数据素养的提升,都需要遵循数据干预的基本周期规律。这并不是一个立竿见影、一蹴而就的过程,中途可能有停滞和反复,需要持续的专业发展时间保障,并受到教师教学反馈频率和内容指导差异的影响。从某种意义来看,数据驱动的教学决策是一个逐步逼近精准的过程,应强调从单点决策转向循环决策。

来源：《中国教育政策评论2025》