? 引言
過程性評價（Process Evaluation）是新課程教學改革的重點，關注學生求知、探索和努力的學習過程。傳統的評價方式過分重視靜態的、可量化和淺層次的學習成果，評價內容片面、評價方式單一，不利于學習者的全面發展。過程性評價重視動態的、難以量化和高層次的學習過程和學習效果，通過在學習進程中對學習者進行實時評價，將評價過程與學習過程融合在一起，為學習者提供及時的反饋、引導、激勵和調節等方面的學習支持。
在2018年政府工作報告中，李克強總理明確指出“實施大數據發展行動，運用新技術、新業態、新模式，大力改造提升傳統教育產業”。大數據與教育的創新融合，為設計全面分析學習者當前或未來學習過程的評價方法提供了支持和服務，成為提高在線學習質量的關鍵。本研究從在線學習評價內容、評價環境和評價流程三個方面，設計基于大數據的在線學習過程性評價框架，為在線學習評價提供新的視角和參考。
一、大數據支持下的在線學習評價變革
大數據能從各種類型的數據中迅速獲得有價值的信息，具有數據規模大、種類多、處理速度快、易變性、真實性和價值密度低等六大特征，已經成為信息技術研究的重要領域。在線學習借助網絡學習平臺開展教學，滿足學習者多樣化、個性化、碎片化的學習需求，并產生了復雜的教育大數據。利用大數據進行在線學習評價，對學習過程做全面分析，能夠挖掘隱藏在數據間的相互關系，引導在線學習評價從經驗主義走向數據主義，從宏觀群體評價走向微觀個體評價，從單一評價走向綜合評價，進而實現數據驅動的“因材施教”，推動在線學習評價成本變革、質量變革和效率變革。
首先，大數據技術能夠對在線學習行為數據進行全程記錄和分析。全面、真實的學習數據更好地解決了在線學習評價活動中評價信息不對稱的難題，評價主體可有針對性地對學習者進行評價，大大降低了在線學習評價的成本。
其次，在虛擬的在線學習環境中，學習者有時會刻意表現出非本真狀態的行為假象或行為反常。通過大數據跟蹤記錄和邏輯分析學習者的學習行為，可以為評價在線學習提供客觀的依據，及時準確地發現學習問題，提供個性化學習干預，改善在線學習評價的質量。
最后，在線學習數據具有時效性，而網絡學習師生分離的特性，使得教學人員無法對在線學習情況進行實時監控與管理，自我管理能力欠缺的學習者容易停滯不前。通過大數據技術實時采集、批量處理和及時反饋，為評價者提供實時的評價依據，能夠提高在線學習評價的效率。
二、大數據支持下的學習過程性評價分析
過程性評價是在學習過程中完成的、建構學習者學習活動價值的過程，重視學習持續發展和變化的過程。在大數據支持下，在線學習過程性評價主要包括四個特征，如圖1所示。
圖1 大數據支持的在線學習過程性評價特征
1 強調在線學習過程性與目標性并重
在線學習過程性評價采用“過程”與“目標”并重的價值取向，關注學習者在線學習的連續性和階段性，能夠對在線學習的發展過程進行全面動態的評價。在大數據采集、分析和展示等技術的支持下，實施在線學習過程性評價，既重視學習目標的實現，又重視學習過程對評估和調整學習目標的重要作用。
2 倡導內外結合和多元的在線學習評價方法
在線學習過程性評價既注重教學者、學習同伴等對學習者的評價，也注重培養和發展學習者對自我學習行為、態度和價值觀等的內省與自我評價。利用采集的學習數據，分析學習者在線學習過程中外顯的學習效果和內隱的學習動機，將分析結果及時反饋給各評價主體，支持教學者點評、學習者自評和同伴互評等多元化的評價方式。這種內外結合的、多元的評價方式，使在線學習過程得到協調，在線學習評價功能得以彰顯。
3 重視對在線學習動機、過程和效果三位一體的評價
過程性評價以學習者的發展為根本出發點，將學習價值從學習過程中凝結并累加，綜合考慮學習者的在線學習動機、學習過程和學習效果三個維度，激勵和指引學習者的在線學習行為。
通過大數據精準分析學習者的態度、情感、價值觀等學習動機，針對其學習進度、記錄、活動等學習過程，發現學習中的困難與成就，實時關注學習者的學習發展動態，促進評價過程與在線學習過程交互融合，以激發學習者的學習動機、優化學習進程、提高學習質量。
4 主張在線學習評價主體和客體的共同參與
在線學習過程性評價強調評價主體與客體的交互作用和共同參與，使學習者從評價的被動接受者轉為積極參與者。大數據能夠收集到作業測試、學習反思和主題討論等各種數據，并將數據分析結果反饋給各評價主體，不僅有利于教學者對學習者的評價、學習者對自己的評價，而且促進了評價者和評價對象共同參與評價活動，商定學習發展目標。
綜上所述，學習大數據采集、學習數據分析和過程性評價數據結果展示等技術，能夠充分發揮過程性評價的優勢，促進學習者在線學習質量的提升。
三、基于大數據的在線學習過程性評價內容設計
在線學習過程性評價內容與評價目的緊密相關，強調知識與能力并重、結果與過程兼顧、質與量相結合。相較于其它評價，過程性評價更加關注以下三個方面的內容：
1 在線學習學習方式評價
學習方式是學習動機和學習策略的整合，決定著在線學習的效果。在線學習是螺旋式上升的過程，學習者在學習認知上的發展變化會表現出不同的學習動機和學習策略，成就不同的學習方式。通過關注學習者對學習內容價值的認知、對學習任務的興趣程度、對自我學習能力的主觀推測和對在線學習結果的成就歸因等動機內容，促使學習者不斷調整學習策略和學習方法，找到適合自己的學習方式，激發在線深度學習。
2 在線學習過程性學習結果評價
在線學習的過程性結果是面向過程并考核在線學習效果的重要指標，影響著學習者對于知識與技能、過程與方法、情感態度與價值觀的建構。
不同于在期末考試中對學習考察的總結性評價，過程性評價更加關注反映學習者在學習過程中素質發展的過程性學習結果。通過考察與學科學習密切相關的獨立思考能力、團隊協作能力、創新創造能力等智能因素，促使學習者不斷完善學習策略和方法，達到更高層次學習目標。
3 在線學習非智力因素評價
學習者的在線學習過程和效果受多種因素影響，其中與在線學習密切相關的非智力因素占據著重要的地位。過程性評價將學習者的學習習慣、學習過程的情感態度以及對待學習任務的積極性等非智力因素列入評價的范疇，及時將相關信息反饋給學習者，促進學習者的反思和總結，及時發現自身存在的問題，并采取有效的解決措施，提高在線學習效率和質量。
四 基于大數據的在線學習過程性評價環境設計
大數據作為新的數據處理和分析工具，能有效促進過程性評價的實施，幫助教學者與學習者獲得及時準確的在線學習反饋信息?；诖髷祿脑诰€學習過程性評價環境設計如圖2所示。
圖2 基于大數據的在線學習過程性評價環境設計
1 在線學習數據采集
在線學習數據是過程性評價的基礎，既包括靜態的學習風格、學習偏好和學習習慣等，也包括動態的學習行為數據，如在線討論、資源交互、協作學習、瀏覽日志和學習評價等。
當學習者利用計算機、iPad、手機等各種終端進行在線學習時，數據采集通過網絡爬蟲或網站公開API等方式，按照一定的規則，自動獲取學習者在學習平臺上瀏覽的文字、圖片、音頻、視頻、文件等結構化或非結構化數據信息，將其存儲為統一的本地數據文件并建立索引，以便后續查詢和檢索。同時，利用Hadoop的Chuwa、Cloudera的Flume等收集學習者在線學習平臺上的日志信息、搜索記錄、學習內容和交流討論等學習行為數據，滿足每秒數百MB的數據采集和傳輸需求，解決了海量數據采集的問題。
2 學習數據處理
原始數據既包含大量有研究價值的信息，也包含與研究無關的數據。學習數據處理是過程性評價系統的后端功能，通過數據清理、集成、轉換、歸約和存儲對原始數據進行預處理，以模式識別、數據挖掘和學習分析作為數據分析的核心，在專業人員的技術支持下，將動態的在線學習過程展示出來，為評價者提供更多智能的、有價值的在線學習過程性評價信息。
數據清理是指對數據重新審查和校驗，清除異常數據、糾正錯誤數據和統一數據格式，實現數據的一致性。數據集成能把多個數據源中的學習數據整合起來，統一存儲到數據倉庫中，減少數據冗余。數據轉換利用聚集、平滑、概念化等手段規范數據，將其變換成適用于數據挖掘的形式。數據歸約將得到數據的歸約表示，降低信息內容損失。數據存儲方式大多采用分布式架構[9]，實現一個分布式文件系統（Hadoop Distributed File System，HDFS）。HDFS架構基于一組特定的節點構建，存儲在HDFS中的文件被分成塊，并復制到多個計算機中，由HDFS內部提供元數據服務進行文件更新操作，具有高容錯性、高可靠性和高吞吐量的特點。
模式識別通過綜合運用數理統計、人工智能和圖像處理等方法，對學習者的圖像、語音和文字等進行識別和分析，以實現在線學習過程數據的智能化處理。數據挖掘采用神經網絡、決策樹、遺傳算法和機器學習等技術，發現在線學習數據集中所隱藏的相關關系網，以揭示影響學習者在線學習效果的深層次原因。學習分析借助內容分析、社會網絡分析、關系挖掘與數據建模等方法的優勢，對在線學習平臺中積累的大量數據進行測量、分析和表示，以進一步發現學習的規律，預測學習者的未來表現，為學習者量身定制更有效的教育。
3 數據可視化表征
在數據處理的基礎上，評價系統后端的可視化技術能夠將過程性評價過程和結果的數據信息以圖形、圖表等形式，直觀地反饋給各個評價主體[10]?？梢暬ぞ吲c圖形圖像處理、計算機視覺、用戶界面設計等內容密切相關，如Gephi、Weka、R語言等。這些工具可以將隱藏于在線學習數據集中各種交叉的數據關系、趨勢、信息和規律，以可視化圖表的方式準確呈現，如用知識結構圖表征知識點之間的關系和學習者的知識掌握程度；用折線圖呈現學習者在一段時間內的在線學習趨勢與變化情況；用堆積條形圖可視化展示多項錯因的頻率和比例關系等。
4 過程性評價與組織反饋
依據數據分析和處理結果，通過對在線學習的學習方式、過程性學習結果評價和非智力因素評價這三方面內容的權重比例，以及各評價信息點的分值轉換進行設定，以幫助多方評價主體對學習者參與的在線學習活動質量進行全面分析和評價。
通過結構化組織與系統化呈現，將復雜的數據處理信息和過程性評價結果反饋給各評價主體，支持他們準確把握反饋中的關鍵信息，以便有效評價學習者的在線學習過程。在過程性評價反饋報告中呈現評價信息，將個性化分析報告推送至學習系統的學生端，便于學習者查看個人學習評價與分析報告。同時，教師端可以查看整體或個體學習者的分析報告，直觀地了解學習者的在線學習過程情況，并利用評價信息干預學習者的在線學習進程，優化學習路徑，促進學、教、評的有機結合。
五 基于大數據的在線學習過程性評價流程設計
過程性評價與在線學習過程密不可分，在大數據技術的支持下，在線學習過程性評價系統能夠對在線學習者的學習過程和結果進行統計分析，發現學習者在學習過程中存在的問題，為有效學習的開展提供科學依據。具體的實施流程如圖3所示，具體為：
?、賹W習者在學習平臺上注冊信息，平臺與教務系統對接，將學習者信息保存在學習者特征信息庫中。
?、诟鶕W習需求，學習者選擇在線學習系統進行學習，平臺啟動智能導學引擎，幫助學習者快速掌握相關知識技能。
?、劾脭祿粉櫦夹g，將學習者在學習過程中產生的交互數據存儲于數據庫中。
?、茉诰€學習大數據分析系統對學習者特征信息庫與在線學習數據庫中的信息進行分析，將結果反饋給自適應引擎、學習者、學習同伴、教學者等。
?、葑赃m應引擎根據分析結果，調整學習者的在線學習進度；學習者、教學者和學習同伴利用數據結果，對學習者的在線學習過程進行評價；教學者修正智能導學引擎，調整教學內容，完善學習資源。
⑥學習者根據自適應引擎反饋的在線學習進度、知識技能完成情況與在線學習過程性評價等信息，結合自身學習實際，進行自我調節；教學者根據反饋信息，及時掌握學習者的學習情況，針對學習者的特點和學習狀況，制定個性化學習的指導方案，實現精準學習指導。
圖3 基于大數據的在線學習過程性評價流程設計
六 總結與展望
大數據為分析學習者在線學習過程提供了客觀的數據支持和服務，過程性評價不過分追求學習目標的標準化和學習方法的規范化，為在線學習提供了新的評價視角。本研究提出了基于大數據的在線學習過程性評價框架，該框架從評價內容、評價環境和評價流程三方面定義了在線學習過程性評價的方法。后續研究將基于該框架開展在線學習過程性評價的系統實現與實踐應用研究，以驗證該方法的有效性和科學性，并結合具體的在線學習過程與用戶反饋，進一步完善框架的設計與應用，從而為學習者提供更優質的在線學習評價服務。
