数据驱动教师精准研修的实践探索

【摘要】数据是精准教学的核心，而大数据时代提供了便捷的技术支撑。本文以阅卷数据为载体，从“取”数据、“理”数据、“析”数据、“用”数据、“思”数据五个维度，将“靶心”指向学生检测反馈出的直接数据，映射教师在课堂教学、作业辅导、个性化诊断等过程中的方式和方法。教师在备课组研修中“活化”静态数据，实现优质教学手段和资源的共享，赋能后续的精准教学。【关键词】数据驱动；精准研修教师研修是促进教师专业发展的重要途径。随着时代的发展，教师研修的外部环境和内生需求发生了重大变化，传统教师研修在实践中出现了许多问题。如教师需求错位、工学矛盾凸显及交流反馈迟滞等。较为突出的问题是研修效能低下，这归根结底是教研数据的运用存在瓶颈[1]。学校教师研修也存在着同样的问题，主要表现在教研主题不清、教研主体参与意识不强、教研模式粗放、教研资源短缺等问题[2]。数据驱动教师精准研修，是基于信息技术环境收集多模态数据进行分析和应用，以支持课堂教学改进、教学行为优化的一种研修形态[3]。利用技术对各类数据进行采集和分析，可以揭示数据中隐含的教学问题，并能精准诊断和定位研修需求，解决传统教研中无法准确分析教师“隐性需求”的问题。基于数据驱动的教师研修有三个环节：一是数据分析要结合案例研究，二是问题归因要跳出“就题论题”陷阱，三是问题解决要问策常态教学。基于此，学校希望通过对分、题、师、生、教、学等内容的研究，佐证与探索高效、优化的教师教学策略，从而实现教师对课堂教学难度的精准把控、对学生分层诊断与辅导和对学生的个性化辅导。依托每一次考试后的备课组研讨，从学生的数据中发现教师教学行为中的亮点，并在接下来的研究时间内，多学科、多教师共研究，通过数据实证，优化教学策略，改进教学行为。具体操作流程如图1所示。阅卷系统“取”数据：指标量化，多元采集数据的处理，包括平均值、优秀率、合格率，重点是对试题的得分明细，每道题的年级段得分率、班级得分率、学生得分率，并且和平均得分率进行比较，计算出均差，为了研究方便，可以将百分数的均差放大进行数据的分析和对比。考前，教师统一对试卷的难度系数进行预估，对四分位点以及需要的分层统计研究使评价更加具体、全面、客观。这些位点学生的分析可以帮助教师更好地认识班级总体情况、不同层次学生的人数和后起力量，从而为下一步有针对性地辅优、补差或挖掘中端力量，做出数据上强有力的佐证。在日常教学、作业批改、网络阅卷等工作中，教师也可以统计、收集数据，并进行处理和分析，为日常教学诊断与教学调整提供科学依据。如果教师对数据进行精细化深度分析，就可以精准地发现并纠正学生容易出现的各种问题。建模统计“理”数据：纵横对比，个体剖析根据网络阅卷系统提供的数据，备课组对年级段的12个平行班级的数据进行多元化、个性化的建模统计处理。如按学校、班级、任课教师、学生进行建模，或分层分块、前后跟踪对比建模。设置班级每题的得分均差表，通过每题的班级得分率均差，反映班级对该题学习结果的优势、劣势情况。如用题目得分率均差值（S）来评价班级学生学习结果：当题目得分率均差值（S）显正值时，为优势题目，且S越大，越具优势；当题目得分率均差值（S）显负值时，为劣势题目，且S越小，越显薄弱。在多维数据中，对一线教师来说，最具有实用性、最重要的是各班得分率和率差比较表。备课组在此基础上可以绘制各类题型的各班得分横向比较表和各班优、劣题目排序表。对具体的数据进行纵向、横向比较，分析学生失分的原因和教师教学上的遗漏点，聚焦每一层面鲜活的学生个体，找准切入口，研讨改进措施。一是横向对比，把脉学生优劣处。以考试为例，组内协作取得第一手数据之后，教师进行年级段数据的精准统计和分析，从而知道整个年级段各个层面的不同题目得分情况。如初中科学学科各类题型各班得分横向比较表，就是对四种题型的得分情况进行各班横向对比，并给出每一小题的各班得分情况与均差，以及本题考查的教学难度；教师还可以把本班学生在填空题的得分情况、平均分的差距和年级段的平均得分、各平行班得分和均差进行对比，进而进行经验总结和找到学生优劣题型。二是纵向对比，找准教学精准点。横向对比可找到学生的欠缺之处，而纵向对比能帮助教师发现自己教学中的闪光点和薄弱点，对自身教学准度有更加客观的评价和认识。如可以与过去学习的数据进行比较，分析班级、学生的阶段性学习变化情况，教师不仅能知道任教班级每道题与其他班的差距，还能对答题情况进行分析，思考平时教学中的细节，找准教学精准点。如错题二次检测后的数据分析及错因分析等。诊断问题“析”数据：数据研讨，策略交流在备课组的研讨会上，每位教师针对自己班级得分率较高的题目进行详细的分析，从而对自己教学较为得心应手的方式方法进行分享，由此拓宽每一位教师的教学技能和教学方法。主要侧重分析以下五个方面。一是“析”难度：难度系数偏差性。难度系数，不仅是评价试题和考试效果的重要参数，更反映了考生对考核内容的掌握程度。预估难度系数，是教师在学生实考前根据试题内容、基于学情，在综合考虑各种影响因素后，评估得出的试题难度。教师对试题难度系数的预估体现了其对教学难度和学情的把握，预估值与实考值之间的差距反映了教师对学生和试题的了解程度、对课标及教材的掌握程度以及教学重难点的落实情况等。如果出现了较大的偏差，说明教师缺乏对班级学情的准确判断，需进一步进行学情调查及其数据分析，精准难度才能精准教学。二是“析”知识：学科概念内隐性。如科学知识是科学学科考查的一个主要内容，在一些基本操作流程和实验题中，都蕴藏着大量的基本知识和基本概念。对于这一块内容得分率较高班级的几位教师，就分享了自己的日常教学经验：关注概念的理解，对内涵与外延的拓展和变式的辨识，复习课也可以采用实验教学方法等，方法不同，却都能强化学生对于基本概念的掌握和理解。三是“析”方法：教法学法多样性。科学方法是学科教学的重要手段，也是学生解决问题的重要途径。掌握了有效的方法，可以事半功倍，并且不会出现误解或有歧义的理解。如目前的科学学科考查中，读图能力和科学探究能力都占了很大的比重，其中图像题目中还有各种类型，如曲线图、扇形图、流程图等，如何进行有效分析就显得尤为重要。由此还可以迁移到表格类的题目中，紧抓表头进行变化和趋势的分析。探究题目中的方法也很多，对于解决这一类题型的方法M教师有自己独到的建议：首尾呼应，不跑题。从一个探究的问题开始，就要找到最关键的句子，与假设、方案、结论呼应起来。考查假设可以从结论里去找，考查结论就可以从假设里去找。关键句，就是探究题的一把关键“钥匙”。四是“析”技巧：建构模型辅助性。模型法是科学发展史中的重要方法，大到天体和宇宙星系，小到原子分子和细胞，再到精细化的眼球和耳的结构，都离不开模型的建立。模型可以帮助学生有效、便捷地理解难以亲眼看见的事物。以此类推，在解决问题的过程中，模型法也可以进行有效的迁移，如滑动变阻器有效长度，C教师用描黑有效部分的方法建立模型；再如海风和陆风的模型建立，F教师分享的教学方法就是让学生自己绘制海风和陆风的风向模型，从而加深学生的理解和认识。五是“析”班情：班级个体差异性。在备课组的研讨会上还发现，即使是同一位教师任教的两个平行班级，也会有同一道题得分率相差极大的情况。这时教师就需要从班级差异入手，考虑是否应该针对不同的班级和学生，调整自己的教学风格和策略，因材施教。教学行为“用”数据：数据证实，精准教研备课组对网络阅卷系统所提供的学科检测大数据进行一定的处理、分析，寻找高效学习的亮点，溯源课堂教学行为，发现行为与结果的相互对应，同时开展进一步的数据实证研究，发现不同学习方式的学习效益确实存在显著的差异，同时运用教育理论进行诠释，并将其方法应用于教学改进。如科学备课组在研修时，通过数据研讨后最终溯源课堂教学行为，进一步实证研究发现教师的某些行为与结果存在如图2所示关系。网络阅卷系统数据显示，把课堂还给学生，让学生动手、动口、动脑，让学生相互评价和辩论，这种生“动”学习方式充分体现“学为中心”的教学理念，真正实现了知识在学生头脑中的意义建构。这样的学习是真实的，是高效的，也是与学习金字塔理论完全吻合的[4]。这是教育理论在教师自己的教育实践中的亲身体验，对教师来说是一种通过实践的方式学习教育理论，更是一种主动学习理论的方式，是理论和实践的有机结合。这能够有效地改变教师想在课堂上讲得多、讲得快来提高学生学习有效性的教学行为。评价体系“思”数据：资源整合，优化策略科学的本质是一种建制，是一种方法，它“活化”了静态的科学知识。同理，对数据的分析相当于“活化”了静态数据，每位教师都有自己教学的独到之处，在分析完学生展示的数据之后，可以进行组内的归纳和总结，然后针对学科题型、策略和针对学科教法的策略也就应运而生了。如在科学学科的学习中，课堂教学让学生亲自动手实践的学习方式，选择题的多角度多方法解题、填空题的多变辨识、探究题多从文本资料本身去找资源和突破口、解答题的多拓展应用，都是学习经验的展现。而针对学法的指导，回归课本、关注实验等都被数据佐证为有效的教学手段。备课组研修，把“评最优”改为“评亮点”，把“笼统评价”改为“数据精准评价”，把“单一评价”改为“多元评价”，把“权威式评价”改为“研讨式评价”，把“终结性评价”改成“过程性评价”，从看重结果性数据走向结果性与过程性数据并重。数据为教育教学的诊断与改进提供证据支持。量表技术让每一位教师都有获得感，从而树立“数据赋能教育，评价促进改进”的基本理念。总之，精准教研的最终目的，就是为了立足学生，进行