原标题：大数据时代学生综合素质评价：方法论、价值与实践导向

　　作者简介：杨鸿，西南大学数学与统计学院副研究员，博士后，研究方向为教育考试与评价，yangabc@swu.edu.cn；重庆市教育考试院。重庆 401147；朱德全，长江学者特聘教授，西南大学教育学部博士生导师，研究方向为教学论，zhudq@swu.edu.cn。重庆 400715；宋乃庆，西南大学基础教育研究中心教授，博士生导师，研究方向为教育统计学，songnq@swu.edu.cn。重庆 400715；周永平，重庆市教育科学研究院副研究员，研究方向为职业教育考试与评价，yzh7881@126.com。重庆 400015

　　内容提要：为深入推进学生综合素质评价改革，有效解决学生综合素质评价中的现有问题，该文章从大数据的视角探寻学生综合素质评价的改革方略。研究发现，大数据的整体思维、复杂思维和相关思维是方法论的变革，正引领着学生综合素质评价的范式转型。大数据对学生综合素质的全面诊断、精准预测可以促进学生的生命成长，实现教育价值的回归。大数据对学生综合素质评价的全域关照、立体全息和主体增值，可以推进“以学生为中心”智慧评价体系的构建。

　　关 键 词：大数据 学生综合素质评价 方法论变革 价值回归 实践导向

　　标题注释：本文系全国教育科学“十二五”规划2014年度教育部重点课题“大数据时代我国考试评价的机制创新与发展战略研究”(课题编号DGA140208)的研究成果。

　　中图分类号：G434 文献标识码：A 文章编号：1006-9860(2018)01-0027-08

　　一、方法论变革：大数据思维驱动学生综合素质评价范式转型

　　维克托·迈尔-舍恩伯格(Viktor Mayer Schonberger)在《大数据时代》中指出：“大数据的价值就像漂浮在海洋中的冰山，第一眼只能看到冰山的一角，绝大部分都隐藏在表面之下。只要善于、敢于发掘，就会带来无穷的价值。”[1]大数据不是随机样本，而是全体数据，即“样本=总体”。大数据并不要求精确性，而是接受混杂性和模糊性；大数据关注相关关系，不仅仅拘泥于因果关系[2]。由于大数据对数据的规模、规格和关系逻辑有独特的主张，形成了独具一格的大数据思维，并引动了教育评价的方法论革命，驱动着学生综合素质评价范式的转型。

　　(一)从样本到总体：强调全体数据的整体思维

　　近代科技革命以来，数据是科学研究的关键要素，搜集数据与分析数据是科学研究的核心工作之一。由于受到数据采集与处理能力的限制，研究者只能借助抽样方法去获取有代表性的样本数据，根据样本数据去推断总体数据的特征。而样本数据往往只能反映事物的部分特征，并不能揭示总体概貌与具体细节，降低了研究的信度与效度。大数据以全样本为研究对象而非小样本。从哲学的观点来看，小样本反映的是强调孤立、封闭、静态的机械论自然观，终结研究对象自身的动态发展与演化过程。全样本反映的是倡导联系、开放、动态的整体论系统观，注重研究对象与环境之间的物质、能量和信息交流，肯定研究对象自身的动态发展与演化的可能性。即，全样本与小样本不仅是数量上的差异，更是整体性与非整体性之间的差异。整体性是研究对象存在的本质特性，只有以整体性思维去关注与把握研究对象，才能真实揭示研究对象的本质与规律，动态把握研究对象的发展与趋势。因此，大数据特别强调全样本的整体思维，重视全体数据的搜集与保存，强调全体数据的挖掘与分析，从整体上把握研究对象。

　　传统学生综合素质评价的数据采集主要通过抽样间接测量获得，通过监测学生某些方面的表现来推断学生综合素质整体水平。这种评价依据一次性采集的小样本信息，是“以小见大”式评价，其评价依据相对单一，评价结果比较简单片面。基于大数据的学生综合素质评价采用常态化、智能化的数据采集技术，获取的数据从学业成绩拓展为学生每学期、每门课程、每节课、每次作业、每次活动的情况，数据采集场域从课堂延伸到图书馆、食堂、宿舍、家庭、社区等，对评价对象的判断经历了从局部到整体、从表象到本质的持续分析过程，对评价对象的认识是整体的、深刻的，所作出的评价比较准确。当然要获取关于学生综合素质的“全体数据”不现实也不具有实际意义，因为“数据小于某个阈值，问题解决不了；达到某个阈值，就可以解决以前解决不了的大问题；而数据规模超过某个阈值，对解决问题也没有更多的帮助”[3]。在评价分析阶段，大数据学生综合素质评价善于挖掘与分析反映学生的离散的海量数据，分析的目的并不是为了证实或证伪“预设命题”，不是判断学生的好与差，而是在于揭示隐藏在海量数据之间的关系或特点，全面多元地发现与培育学生的优势与特点，准确判断学生的整体素质水平与潜能特质。综合素质评价的对象是综合性、整体性素质，不是多个素质的简单“组装”。大数据学生综合素质评价推崇数据采集的全样本，从整体思维的视角来认识、发现学生，善于在“量大质散”“持续跟踪”的大数据中过滤、挖掘隐含的特点与规律，揭示学生在特定时空中综合素质变化的过程与特征，从而整体把握学生发展过程、发展特点与发展趋势。

　　(二)从精确到模糊：强调数据来源的复杂思维

　　随着牛顿经典力学的成功，精确性被确定为自然科学的基本原则之一，这一思想逐渐渗透到哲学及人文社会科学领域。研究者进行随机样本分析时，采用各种办法确保单次抽样尽可能准确，并排除那些“不准确”的样本，减小错误发生的概率。其哲学前提是“单次随机抽样结果越准确，推断结果就越准确。”[4]这样的假设与操作受限于当时的数据采集、储存、传输、分析的技术与工具，数据仅限于精确化、结构化的数据，而大量混杂化、非结构化的数据被抛弃，只能采用“以小见大”的思维进行推理判断，也是精确思维的经典操作范式。然而，大数据时代人们拥有了采集、储存、传输、挖掘、分析混杂与非结构化数据的技术与工具，不同来源、不同类型、不同结构的海量数据成为主要来源，逐渐形成“以大观小”数据分析逻辑。这种“以大观小”的逻辑与技术接受混杂、模糊数据，通过对大量模糊数据进行集约与建模，尝试在数据之间建立联系，从宏观上、整体上把握和判断事物发展的规律以及事物之间的关系，从而揭示研究对象的本质特征与整体规律。

　　学生综合素质是一个比较复杂的系统，素质众多且结构复杂。多数素质潜藏于内，难以外显，由此评价学生的综合素质情况是极其困难的，很难用明确的评价标准来考量素质的发展水平。在评价的实践上存在评价指标的分解与合成、评价标准的模糊与精确以及评价结果的软参考与硬挂钩等“两难”问题[5]。故而，采用传统的精确测量式评价很难进行量化。如今，借助大数据的模糊思维，在数据采集上完全可以接受和容纳接受混乱和不确定性的各类形态的数据，允许数据来源的纷繁混杂。同时，在数据挖掘分析上，不刻意追求一对一的精确关系，运用复杂思维和模糊思维，从整体上关注学生综合素质的发展和变化。可以预见，这将对学生全面发展与综合素质发展水平作出整体性、科学性的判断，避免出现“只见树木、不见森林”的评价困境。