教育评价理论

#课程与教学#教育评价#反馈

一句话定位：评价理论研究"如何知道学生学到了什么"以及这个"知道"如何反过来塑造学习本身；从斯克里文的形成性/总结性区分到凯恩的效度论证，它是教学系统中杠杆最长、也最常被草率对待的一环。

历史脉络

现代教育测量诞生于 20 世纪初的心理测验运动，长期由信度、常模与标准化考试主导。1963 年格拉泽（Robert Glaser）提出标准参照测量，把"与他人比"和"与标准比"区分开来。1967 年斯克里文（Michael Scriven）在课程评价语境中创造了形成性（formative）与总结性（summative）这对术语，布卢姆随即将其引入对学生学习的评价。效度理论在同期完成三次跃迁：从内容/效标/建构三分，到梅西克（Samuel Messick）1989 年的统一建构效度观，再到凯恩（Michael Kane）的论证取向。1998 年布莱克与威廉（Paul Black & Dylan Wiliam）的证据综述《在黑箱之内》（"Inside the Black Box"）把形成性评价推上全球教育政策议程。2000 年代以来，高等教育评价研究的重心转向反馈的学生端——从"教师给出好反馈"转向"学生能否使用反馈"。

核心原理与概念

评价目的三分：of / for / as

对学习的评价（assessment of learning）在学习之后认证成就，服务于成绩、学位与问责；促进学习的评价（assessment for learning）在学习之中收集证据以调整教与学；作为学习的评价（assessment as learning，厄尔（Lorna Earl）2003 年强调）让学生通过自我监测与自我评价发展元认知能力——评价活动本身就是学习。三者的区别不在题型而在功能：同一次测验，用于调整下周教学是 for，用于登分是 of。健康的课程三者兼备且比例得当；现实中 of 几乎总是挤占另外两者。

形成性评价的证据与机制

布莱克与威廉 1998 年综述约 250 项研究得出结论：课堂形成性评价是已知效应量最大的教学干预之一（其汇总的效应量在 0.4–0.7 之间，后续研究对此数字有修正但方向稳固）。机制不神秘：让学习目标与优秀标准对学生可见；用提问与随堂任务持续暴露理解状况；给出指向改进的反馈而非仅有分数——研究中最反直觉的发现是，分数加评语的效果不如只给评语，因为分数会吞噬学生对评语的注意。形成性评价的本质是把教学从"按计划推进"改为"按证据调整"。

反馈理论

哈蒂与蒂姆珀利（John Hattie & Helen Timperley）2007 年的《反馈的力量》给出经典框架：有效反馈回答三个问题——我要去哪里（feed up）、我现在何处（feed back）、下一步怎么走（feed forward）；并区分四个层次——任务层、过程层、自我调节层、自我层（针对个人的表扬）。证据显示过程层与自我调节层反馈迁移最好，自我层反馈（"你真聪明"）平均效应接近零甚至为负。尼科尔与麦克法兰-迪克（Nicol & Macfarlane-Dick, 2006）把反馈重心移向学生的自我调节，提出七原则（澄清何为好表现、促进自我评价、提供高质量信息、鼓励对话、激励动机与自尊、提供缩小差距的机会、反哺教学）。卡莱斯（David Carless）进一步提出反馈素养（feedback literacy）：反馈的成败最终取决于学生理解、消化并行动的能力——反馈不是教师发出的信息，而是学生参与的过程；只发不收的"反馈"只是评语写作。

效度理论的演进

早期效度是测验的属性清单：内容效度（题目覆盖领域）、效标效度（预测外部标准）、建构效度（测到理论构念）。梅西克 1989 年将其统一：效度是一个整体判断——针对测验分数的特定解释与使用，证据与理论后果在多大程度上支持它；测验使用的社会后果（如某项考试导致课程窄化）也进入效度考量。凯恩 2013 年的论证取向使之可操作：先明确陈述从作答到决策的解释/使用论证链（评分→概括→外推→决策），再逐环节收集证据检验最薄弱的推理。要点常被误记，值得强调：效度不是测验的属性，而是分数解释与使用的属性——"这份卷子有效度吗"是个不完整的问题。信度（分数的一致性与稳定性）是效度的必要非充分条件，专业规范见 AERA/APA/NCME 的《教育与心理测量标准》（2014 年版）。

标准参照、常模参照与量规

常模参照把学生与学生比（排名、正态化给分），标准参照把表现与预定标准比。按曲线给分（grading on a curve）的问题是结构性的：成绩由同伴分布而非学习达成决定，人为制造零和竞争，抑制合作，且不同班级的同一等级不可比。量规（rubric）是标准参照的日常工具：分析式量规按维度分列等级描述，反馈信息量大、评分者一致性更好；整体式量规单一综合判断，效率高但诊断性弱。琼森与斯温比（Jonsson & Svingby, 2007）的综述表明：量规提升评分信度的前提是配合评分员校准（moderation），且把量规提前交给学生本身就有学习价值。

真实性评价与高利害考试的反拨

真实性评价（authentic assessment，威金斯 1989 年倡导）要求评价任务逼近领域内真实实践——写给真实读者的报告、面对真实约束的设计，其效度直觉是：想知道能否做某事，最好的测验就是让他做这件事。反面是高利害考试的反拨效应（washback）：当考试后果重大，教学会向考试题型收缩，未考的目标从课堂消失，并催生应试产业与作弊压力——这正是梅西克后果效度关切的现实版。反拨本身中性，设计精良的考试可产生正反拨；但高利害与窄题型的组合几乎必然扭曲课程。

代表人物与经典文献

• 斯克里文（Michael Scriven）："The Methodology of Evaluation"（1967）
• 布莱克与威廉（Paul Black & Dylan Wiliam）："Assessment and Classroom Learning" 及 "Inside the Black Box"（1998）
• 哈蒂与蒂姆珀利（John Hattie & Helen Timperley）："The Power of Feedback"（Review of Educational Research, 2007）
• 尼科尔与麦克法兰-迪克（David Nicol & Debra Macfarlane-Dick）："Formative assessment and self-regulated learning"（Studies in Higher Education, 2006）
• 梅西克（Samuel Messick）："Validity"，载 Educational Measurement 第3版（1989）
• 凯恩（Michael Kane）："Validating the Interpretations and Uses of Test Scores"（Journal of Educational Measurement, 2013）
• 法尔奇科夫与戈德芬奇（Nancy Falchikov & Judy Goldfinch）："Student Peer Assessment in Higher Education: A Meta-Analysis"（Review of Educational Research, 2000）

理论间关系

• 建构性对齐：反拨效应是对齐框架的发动机——评价才是学生真正的课程，两条目互为表里。
• 教育目标分类学：目标层级决定题目应测什么，双维表是试卷质量分析的工具。
• 元认知与自我调节学习：作为学习的评价与自我调节反馈原则直接建基于该条目的理论。
• 行为主义：即时反馈与掌握学习的评价传统源于此，形成性评价保留了其可用部分。
• 质量保障与认证体系：院校层面的学习成果评估（assessment）是本条目原理的制度放大版。
• 教学评价与改进实践：本条目的理论在该条目落地为课程与教师层面的操作方案。
• 以学生为中心的教学：把学生变成评价的参与者而非对象，是该理念在评价维度的体现。

在高等教育中的实践应用

一考定成绩是中国高校的常见病：单次期末考承载全部认证功能，形成性功能为零，且单一情境采样的概括性（凯恩链条第二环）先天薄弱。改进方向是持续性评价设计：将成绩分散到多次多样任务（阶段测验、项目、展示、反思写作），每次任务都附带可用于下一次的反馈——注意工作量陷阱，任务数量增加必须以单次批改精度换取，否则师生俱疲。口试与答辩是被低估的高教评价形式：追问能穿透背诵直达理解，且天然抗 AI 代写，代价是评分者信度需靠结构化问题清单与双评维护。同伴互评的证据比多数教师想象的乐观：法尔奇科夫与戈德芬奇 2000 年对 48 项研究的元分析发现同伴评分与教师评分平均相关约 0.69，条件是量规清晰、经过校准练习、基于全局判断而非机械分项；互评的最大价值不在减负而在让学生内化质量标准。管理层面：教务规则（如强制正态分布）可能与标准参照的课程改革直接冲突，评价改革是制度工程而非教师个人功课。

批评与局限

形成性评价的光环需要冷却：贝内特（Randy Bennett, 2011）指出其定义漂移严重——从提问技巧到整套系统都叫 formative，0.4–0.7 的经典效应量出自异质研究的粗略汇总，政策化推广（如英国的国家战略）效果远逊于小规模研究。反馈研究同样存在"信息传递残留"：大量实践仍把反馈当成教师单向输出，学生不使用则归咎学生。效度论证取向被批评在实践中过于繁重，日常课程评价几乎无人真正执行凯恩链条。真实性评价面临规模化与信度的两难；同伴互评在高利害场景的可靠性仍不足以独立承担认证功能。更根本的张力：评价同时服务学习与问责，两个主人经常打架——为问责而设计的评价系统性地伤害为学习而评价的空间，这不是技术问题而是制度政治问题。

前沿动态

2010 年代以来的主要动向：反馈研究完成"从信息到过程"的范式转移，反馈素养成为高教研究热词（Carless & Boud, 2018 后文献爆发）；医学教育提出的程序性评价（programmatic assessment，范德弗勒滕（Cees van der Vleuten）等）主张单次评价只采样、高利害决策基于长期多点证据组合，正向其他专业教育扩散；学习分析试图用过程数据做持续低利害评价，伴随隐私与效度争议；生成式 AI 同时冲击评价的两端——传统课外书面作业的认证效度骤降，而 AI 辅助反馈的质量与边界成为活跃研究区。评价重造（转向口试、现场任务、过程档案、真实项目）已从改革选项变成生存问题。

延伸阅读

• Black, P., & Wiliam, D. "Assessment and Classroom Learning" (Assessment in Education, 1998)
• Hattie, J., & Timperley, H. "The Power of Feedback" (Review of Educational Research, 2007)
• Kane, M. T. "Validating the Interpretations and Uses of Test Scores" (Journal of Educational Measurement, 2013)
• Carless, D., & Boud, D. "The development of student feedback literacy" (Assessment & Evaluation in Higher Education, 2018)
• AERA, APA, & NCME. Standards for Educational and Psychological Testing (2014)
• Boud, D., & Falchikov, N. (eds.) Rethinking Assessment in Higher Education (2007)

相关条目：建构性对齐 教育目标分类学 元认知与自我调节学习 质量保障与认证体系 教学评价与改进实践 以学生为中心的教学 课程与教学大纲设计实操 AI时代的教与学