去年10月13日，党中央国务院发布新时代改革教育评价的总体方案。《总体方案》明确了教育评价改革的指导思想和改革的原则要求。完善立德树人体制机制，扭转不科学的教育评价导向，坚决克服唯分数、唯升学、唯文凭、唯论文、唯帽子的顽疾，提高教育治理能力和水平，加快推进教育现代化、建设教育强国、办好人民满意的教育。
如何建立科学的评价体系，这一直是学界关注的话题。上海自从首次参加经济合作与发展组织（OECD）的PISA测试至今，已经多次参加包括PISA、TALIS、TALIS Vi deo St udy等在内的多种教育国际测评。
这些测评让我们看到了中国上海基础教育的发展成就、上海教师的贡献和教育体制的优势，增强了我们的自信。也吸引了世界的目光，许多发达国家派出大批教育行政官员、专家和教师来上海学习探秘，还邀请上海教师到英国去示范教学、合作交流。
然而，从国际测评中我们获得的启示更加丰富。我们不仅看到了上海教育的长板和短板，还学会如何科学设计测评方案，并且通过测评大数据的使用，来为教育发展的施策提供更多参考依据。
国际测评让我们意识到教育中的不足，包括教育评价的落后
上海已经参加过多次PISA测试，这些测评让我们看到，我们的学生在阅读、数学和科学等基础素养（literacy）方面非常优秀，甚至达到全球第一。但是，测评也显示出我们的学生在“可迁移的跨学科素养（胜任力）”方面成绩不够好，折射出我们对这一素养既不善教，也不会评。
从2003年起，经合组织在PISA测试中，增设了“21世纪可迁移的跨学科素养（胜任力）”测试。首先设立了“问题解决能力”测评；2012年增设 “在计算机上解决问题”的测试和“财经素养”测试；2015年测评学生的“协作性问题解决”的能力；2018年测评学生的“全球胜任力”；2021年还将测评学生的创新能力。这都对我们的教学和评价提出巨大的挑战。
比如，众所周知“解决问题”的能力重要，但是测评反映出我们的老师会教语文、数学、外语，却不会教学生解决问题，也很少有人学习和研究“解决问题”的过程、结构、技能、态度要素。
那什么是解决问题的能力？如何测评解决问题的能力？
专家发现：问题解决能力就是在没有明确的解决办法的前提下，个人有意愿投入认知过程，以认识、理解和解决问题情境和解决问题的能力。这种能力包含了人的意愿和认知的过程。
研究团队还发现，问题种类很多，但至少可分为“静态问题”和“动态问题”。所谓“静态问题”就是纸笔测试中，应有条件、必要条件都已具备，并且没有虚假条件的问题，只要学生选择正确有用的方法、并作某些计算和选择，就可以解答。
但 “动态问题”或者说 “互动问题”，则需要人与外界或者与计算机互动，通过学生收集充分信息、剔除无关、虚假信息，创造必要条件后，再加以思考、计算、处置才能够解决的问题。考试中的问题多半是 “静态问题”,而真实世界的问题往往是动态、互动的问题。如果不关注动态问题，不培养学生解决动态问题的能力，学生就容易变得“高分低能”。
了解了问题的分类，还要教学生认识解决问题的一般过程和要素。PISA将解决问题的过程分为四个阶段：探究与理解、表征与构思、计划与执行和监测与反思。每个阶段，都需要有不同的认知和制作技能要素的参与。
问题解决的过程还要有坚持性、开放性。比如治理河水污染，未必通过生物、化学的办法解决，也可以通过经济杠杆比如高额处罚来阻断污染源，这就是开放性，即很多问题并非单一学科来解决的。
我们对 “问题解决”这一跨学科、可迁移素养的研究不足，也导致我们教学中这一素养的欠缺以及评价的缺失。
在2012年的PISA测试中，我们同样发现很多国家学生的数学、阅读、科学的成绩与解决问题的能力成正比，但是我们却恰恰相反，而且差距还比较大。
国际测评也让我们发现，虽然我们的学生成绩很好，但是学生的学业负担也很重。2012年上海15岁学生平均每周的作业时间是15个小时。作业效果的最佳临界点却是10小时，超过以后，再多的时间对成绩提升的作用也很有限，反而占据了学生发展个性、锻炼身体的时间和空间，甚至还会造成学生厌学。
技术+大数据，为教育评价提供更多可参考的维度
信息技术、大数据和人工智能的发展，为我们的教育测评增加了更多的维度。以PISA测试为例，80个国家60万名左右15岁的孩子参加测评后形成的大数据，包括了学科、学校、教师、国家以及学生家庭的情况，这些为我们提供了很多分析的资源。
分析这些大数据，我们可以发现教学中的短板。比如，我们的老师不善于使用信息技术让学生自主学习。调查发现，44个国家中有52.7%左右的老师每周都用信息技术让学生完成作业，而我们的这一比例只有24.3%。
同时，TALIS的视频研究，让8个国家的近千名数学教师 “同课异构”，来分析教学中的长短。同一节“一元二次方程”课，同样用“课堂管理” “社会情感支持”和“教学质量”三大维度去评价。我们可以看到，成绩较优秀的国家，老师都关注 “课堂管理”，其中上海教师做得最好，按四级评分，90%以上的教师都集中于3-4区间。但我们在课堂教学中给予学生的“社会情感支持”方面仅处中等水平，同时教师个体间的差异也很大。而日本教师不仅课堂管理出色，对学生的情感支持也比我们高很多。另外，我们在学生认知参与度和师生课堂互动对话等方面也还有巨大的改进空间。
国际测评还告诉我们，我们中小学教师的学位低、男教师少、学习的自主性积极性低。经合组织成员国初中教师硕士学位比例已经高达44.6%。芬兰更是达到92%，而上海只有12.6%。同时，发达国家的男教师占33%，我们只有27%。
再看教师的专业化要素，这主要包括教师的知识技能、教师同侪互助协作和专业自主性，以及社会给予教师的专业发展机会和社会地位与尊重。我们教师的专业自主性、特别是教师自主学习的积极性比较低。
在四分等级的国际比较框架中，芬兰教师的平均值为2.9，上海教师的平均值仅为1.1。这提示我们，原因可能与当下的教师培训组织有关，我们的培训进修几乎都是由行政部门和学校规定。久而久之，教师就不再考虑自己应该学习什么，怎么学习了。而教师自主学习积极性低，还会影响教师对学生自主学习精神和习惯的培养。
通过教育的综合评价和过程评价，消解“黑箱”效应
各类国际测评的数据让我们深刻认识到，教育是一个复杂的系统，要通过综合评价和过程评价，改变教育过程的“黑箱”效应。
现在的教育仿佛“黑箱”，大家只看到一个个小孩进去再出来。但是在这个过程中究竟发生了什么？我们往往过于关注教育的输入，也关注这个“黑箱”中出来的结果，但是“黑箱”中究竟哪些因素、究竟如何影响教育，却缺乏研究。
一些国际测评也给了我们启示。比如，PISA测评中的阅读、数学和科学测试也许能够表现一个国家或者地区的教育发展和学生学业的水平，而学生和校长的问卷却能解释其原因与路径。问卷涵盖了学生个人学习投入的时间与方法、学校之间的差异与学校内部的要素、家庭经济社会教育的影响与家庭迁徙的影响以及政府财政的投入程度与投入方式等。
世界银行组织的 “SABER” （教育成就系统评估研究）给我们提供了一个有益的框架。
这个框架告诉我们，对学生、学校和教育的质量的评价不仅要看学生的成绩，还要考虑教育过程“黑箱”中的要素，如政策层面的教育制度、教育财政、学校职权、教师政策，教育机构层面的学校经费、学校课程、教师发展等，督导问责层面的政府职责、学校条件、教师效能和学生评价等。
对中小学来说，尤其要关注均衡投入以及单位投入产出的测评，同时进行分层分类的评估。只有这样才能提升所有校长和教师的积极性。
我们在2012年PISA测试中发现，芬兰的学校校间的差异（方差）仅为8%，我们的初中学校有29%，高中（包括职业学校）达到了58%，初高中平均为47%。这就提醒我们，不解决学校之间的投入不平衡，家长就会想尽一切办法去择校。相反，在均衡的情况下，校长和教师的努力程度就会大幅度提高，而择校压力则会下降。
评优性评价需要减少，更应倡导政策改进性评价
更科学的测评应该是减少评优性、终结性的评估，增加过程性评估。
根据测评结果对“黑箱”中的因素分析，我们可以发现，对学校频繁的评优性评估并不能提高教育质量，反而会导致学校的生源竞争，鼓励学校加强标准化测试和外部测试的管控。
芬兰也曾遭遇过频繁的评优性评估带来的教育不均衡以及教育质量下降的问题，但是从1990年代起，他们树立了“少考试、多学习”的理念，加强校内老师的随堂检测，并且增加学生的反馈，来提升教育质量。同时，学生评价的重点也不再是考试与分数，而是描述性的学习过程的评价，包括学习行为和学习参与度。政府对教育质量的把控也不再是频繁的高利害考试和对学校教师的不断评优，而是通过抽样性外部评价来实现。芬兰政府每学期都抽样10%的学校和学生对各个方面进行评估，这既减轻学生负担，又能把控学校质量。
同时，分析“黑箱”中的因素，我们也发现，学校质量与投入有关，也与校长教师的努力创新有关。政府应根据测评结果，不断提高教育条件基准与均衡，托高底部、水涨船高，优秀者自然更优秀。
教育是一个特殊的过程，最需要的是对过程进行评价。但是，目前的评优和选拔性评价多为结果性、终结性评价。过程性评价缺失带来的是各类措施的严重滞后，因为终结性评价往往是滞后的。这会造成学生流失的时间和生命无法重复，并且浪费公共资源和私人资金。
因此，要大力倡导科学的过程监测，通过计算机、大数据和人工智能的帮助，我们可以通过教育过程监测，及时记录教育政策、教育方法、教师教学和学生学习的实施成效、特性与问题，调整政策、资源、方法，帮助教师因材施教，为学生精准投送学习资源。让基础教育更加公平优质发展、让学生全面而有个性发展。
相关链接国际测评的变迁
作为教育评价一类方法，国际教育测评始于1960年代。
1961年，国际教育成就评价协会（IEA）就着手组织开展了第一次“国际数学测评研究” （FIMS），有12个国家参加。1964年，又开始了六个学科教育国际测评研究。1977年，实施第二次数学测试（SIMS）。
1995年国际教育成就评价学会组织实施了第三次数学与科学测试（TIMSS），并改称为“国际数学与科学趋势研究” （TIMSS）。2000年，经合组织举办PISA，每三年测试一次，测评的对象为义务教育末端的15岁在校学生。测试的学习领域为：阅读、数学和科学。以后又增加了其他学习领域的测试。如问题解决、协作解决问题、财经素养、全球胜任力，等等。目前已经有79个国家/地区的60多万名学生参与测评和问卷调查。
经合组织在PISA测试中发现，教师是除了家庭以外，对15岁学生学业影响最大的单一因素。于是，经合组织又于2008年开始组织“教师教学国际调查” （TALIS)，每五年一轮，对教师进行问卷调查，44个国家/地区的26万名教师参加。
2014年，世界银行设立了SABER（教育成就的系统评价研究）。
2018年又实施了TALIS Video Study（视频研究），开展八国教师课堂教学行为进行评价研究。
图片来源：视觉中国