【世界教育之窗】

　　作者：劉軒（南京工業(yè)大學副教授，教育學博士）

　　　近年來，隨著教育評價理念的不斷更新和測試技術的快速發(fā)展，國際上諸多大規(guī)模教育測試把關注的重心放到了測試結果上。就像到醫(yī)院體檢后會得到一份詳細的“診斷報告”一樣，參加大規(guī)模教育測試的學生也會得到相應的結果報告——用來分析自己水平高低或能力強弱及其背后的成因，從而實現(xiàn)精確診斷和快速改進的目的。

　　　結果報告成為大規(guī)模教育測試的關鍵環(huán)節(jié)

　　從心理學的角度來看，大規(guī)模測試就是通過一系列外部刺激來收集被試的行為反應，并進一步推斷其潛在特質水平的過程。之所以稱這種特質是“潛在的”，是因為它無法和物理測量中的身高、體重那樣被直接觀測和度量。不同的測試，其測量的潛在特質是不一樣的，它可以是能力、成就、個性傾向、人格態(tài)度、價值觀等，也可以是教育領域中的學業(yè)水平、學術成就。當我們用一定數(shù)量的試題來收集學生的作答反應，并把不同考生的水平用數(shù)量化的方式描繪出來時，這就是考試。由于測量目標、功能等方面的差異，不同測試在處理考生作答時采用的統(tǒng)計分析方法很不一樣，這導致測試最后提供的結果報告也各不相同。有些結果報告非常簡單，就給出一個分數(shù)或等級，有些則經(jīng)過極其復雜的分數(shù)轉換來給出詳細的描述。

　　對廣大被試或考生來講，參加考試最重要的就是得到一個體現(xiàn)自己真實水平的結果。在實踐領域，測試結果常常被用于各種重要決策，如高校選拔、升學鑒定、優(yōu)劣評判等。這不得不讓研究者和從業(yè)者高度重視結果報告的科學性、公平性?！叭绻鲆暳藴y試的結果報告，那之前的所有努力都將白費”，這已經(jīng)成為國際測試行業(yè)的共識。目前，國際上最權威的行業(yè)標準——《教育與心理測試標準》就多次提到了結果報告的重要性，甚至對一些具體的技術指標做出了明確規(guī)定：如測試機構應該負責提供關于測試結果的正確解釋；結果報告的信息應該包括內容范圍、測試結果的含義、精確性、結果使用等；結果報告要給出每個分數(shù)或等級的測量誤差，并且提供與結果解釋有關的信息。教育是大規(guī)模測試應用最為廣泛的領域。每年全世界都有數(shù)以億計的考生參加各種考試。受《教育與心理測試標準》等國際行業(yè)標準的影響，當前大規(guī)模教育測試在結果報告上呈現(xiàn)出了以下幾個新趨勢。

　　　趨勢一：結果報告經(jīng)過相應的分數(shù)轉換

　　無論什么樣大規(guī)模測試，最后都要呈現(xiàn)一個數(shù)字化或等級化的結果來對測試群體的水平進行區(qū)分。在教育考試中，這個結果一般體現(xiàn)為分數(shù)或等級。出于科學性和公平性的考慮，目前國際上知名的考試如SAT、ACT、TOEFL、IELTS以及大規(guī)模測試項目如PISA、TIMSS，其結果都是經(jīng)過復雜的統(tǒng)計處理而得出的，這個過程通常都涉及必要的分數(shù)轉換。以TOEFL為例，作為一個面向全球的考試，它需要滿足來自不同國家和地區(qū)的考生，在不同時間參加不同版本試卷測試的需求。而在申請大學時，TOEFL的分數(shù)又必須是準確一致和高度穩(wěn)定（成績兩年內有效）。這必然要求考試設計者采用相應的考試技術，以確保各次考試分數(shù)盡可能不受試題難度的影響。如果某次TOEFL考試的試題過難或過易，那對參加該次考試的考生就非常不公，高校在選拔學生時也會無法評估考生的真實水平。備受關注的PISA，其測試使用的試卷并不是全球都完全一樣，而是有多種試題組合并形成不同版本的試卷。PISA在全球幾十個國家和地區(qū)測試時就面臨與TOEFL一樣的問題。分數(shù)轉換是對考試結果進行技術處理后的一個必要環(huán)節(jié)，它使得測試結果更加科學公平和更容易解釋。因而，轉換后的分數(shù)，因其操作過程的模式化和結果的穩(wěn)定性，常被認為是一種具有相應標準的分數(shù)。

　　　趨勢二：結果報告具有診斷和改進功能

　　對于一個大規(guī)模測試來說，分數(shù)或等級是結果報告的主要呈現(xiàn)形式。但如果僅僅局限于這樣一些數(shù)字，那顯然是不夠的。隨著測評技術的發(fā)展，診斷性的結果報告在實踐中產(chǎn)生了深遠影響。與傳統(tǒng)單一的“分數(shù)條”相比，診斷性結果報告的內容更加豐富、細致，對測試者的能力、水平的剖析也更加精準。例如，在PISA公布的測試結果中，我們不僅可以看到各國或地區(qū)在各個素養(yǎng)上的總分，還可以進一步了解在某個素養(yǎng)的次級維度上的表現(xiàn)以及在某個維度上的不同水平，這使得測試結果具有相應的診斷功能，也更有利于參測的國家或地區(qū)深入分析成績的歸因并采取有針對性的改進措施。在教育考試領域，SAT、ACT的結果報告在內容上不僅更加豐富，而且還按需提供給多個利益相關者，其中包括大學、中學、政府甚至媒體和公眾。其中，SAT提供給學生的結果報告包括總分、分項成績、分測驗分數(shù)、跨學科分數(shù)、子維度分數(shù)以及相對應的百分位數(shù)。在面向其他對象的結果報告中，SAT提供了更為詳細的結果，包括在國家或者州參照群體中的位置、在各類問題上表現(xiàn)、作答情況、原始分數(shù)等等。ACT的結果報告同樣豐富而且涉及范圍更廣，除了各種分數(shù)、百分位數(shù)、水平等級等基本的統(tǒng)計結果之外，還包括學生的高中、大學、職業(yè)、專業(yè)選擇和生涯規(guī)劃的信息。這些結果綜合了考生的背景、學習狀況、學科能力、個性傾向、興趣愛好等等，基于此對學生做出的評價顯然更加全面和深入，也有利于學生提升自我認知水平，有利于高校提高人才選拔成效，有利于中學改進日常教學和管理工作。

　　　趨勢三：在真實情景中對結果報告進行描述和解讀

　　從統(tǒng)計測量的角度來進行分數(shù)解釋豐富了結果報告的內容，完善了測試的功能，但僅僅圍繞這些統(tǒng)計數(shù)字來分析仍舊是有局限的。舉個簡單的例子，只要有一把尺子，我們就很容易測量出一個成年男性的身高，比如170cm，這是一個客觀測量值，但這樣的身高究竟意味著什么，則在很大程度上取決于測量目的。如果說為了選拔國家籃球隊的運動員，這個身高恐怕遠遠不夠。但在日常生活中，對這樣的身高也不能輕易得出個頭矮的結論。測評領域的專家早就認識到：一系列統(tǒng)計分析后的結果可以用來判定優(yōu)劣和區(qū)分測試者，可無論這些結果多么豐富，還是無法解釋其背后深層次的含義。近年來，國際測試行業(yè)開始結合測量目標本身來嘗試新的結果解釋方式。通俗地講，就是在原來描述測試結果“是什么”和“怎么樣”的基礎上，進一步描述得到這些結果的測試者“能做什么”。例如，上面提到的ACT，它給考生的結果報告除了多個分數(shù)的統(tǒng)計值外，還有與這些分數(shù)相對應的行為描述，并且進一步預測學生在大學不同專業(yè)上獲得成功的概率。同樣，TOEFL考試的結果報告也有對取得該分數(shù)考生所對應能力的描述，包括水平分析、分數(shù)說明和學習建議。TOEFL閱讀部分的測試結果甚至納入藍思分級閱讀框架體系中。這個框架體系是用來評估英語閱讀能力和閱讀材料難度的一套標準，在國際上擁有較高的權威性和廣泛影響力。TOEFL的閱讀分數(shù)和它對接之后，有利于考生看到分數(shù)所代表的真實閱讀能力，并據(jù)此來選擇與自身水平相適應的閱讀材料，從而達到精準匹配的目的。

　　最后需要強調的是，國際上這些具有廣泛影響的大規(guī)模教育測試，之所以需要引入復雜的統(tǒng)計技術來對測試結果進行分數(shù)轉換，除了考試實施的客觀需求和在科學與公平上的不懈追求外，一個很重要的原因是由其特殊的結果使用方式?jīng)Q定的。大規(guī)模教育測試一般都伴隨著重要決策，但在很多國家，這些測試結果僅僅是影響決策的一個重要因素，而不是唯一因素。如SAT、ACT和TOEFL等用于升學錄取的考試，其考試結果僅僅是高校人才選拔中的眾多指標之一?？忌谏暾堖@些高校時，除了考試成績之外，一般還需要準備多方面的材料，甚至還會參加面試。大規(guī)模測試是一個并不復雜的技術活，但測試結果的使用方式背后則有著深刻的文化、制度、社會、心理等方面的成因。不管怎樣，讓測試結果更加科學、公平和精準，讓測試結果更好地發(fā)揮診斷和改進功能，是國際測試領域一個長期努力的方向。

　　　?。ū疚臑槿珖逃茖W規(guī)劃2022年度教育部重點課題《新高考結果評價改進的創(chuàng)新應用研究》〔編號：DFA220435〕的階段性成果）