教师教育数智评价的发展图景、问题挑战与应对策略

数智技术被广泛应用于教师教育评价,数智技术与教师教育评价相融合,呈现出多元共参、数智融合、数据循证、提质增效及价值增值的新图景,增强了教师教育评价的主体互动性、方式丰富性以及手段科学性等。当前,教师教育数智评价存在理念分歧、制度缺位、行动受限、技术掣肘以及伦理失范等问题。基于此,需坚守教师教育数智评价本真价值、强化教师教育数智评价的制度建设、提升教师教育数智评价主体的数智素养、构建科学且高效的教师教育数智测评系统、维护安全且向善的教师教育数智评价秩序。

“劳励方”:小学生劳动素养数智评价的校本创新

针对劳动教育评价“体系不全、路径不清与平台不通”等瓶颈,依托数字技术开发劳动素养数智评价平台,整合劳动岗位、劳动课堂、劳动竞赛和家务劳动等教育与评价内容,通过“劳励方”劳动评价平台,以校家社协同参与的评价过程,形成“导向儿童主动成长”的劳动评价模式,以劳动评价的数智化探索创新劳动实践体系,助力劳动素养养成。

“紫藤悦家长”数智评价体系的构建与实践

《中华人民共和国家庭教育促进法》的颁布,让家庭教育生态的重构势在必行,家校协同育人机制和数智评价也带给学校新的思考和挑战。本文从教育大环境,新学校家校“危机”,“紫藤悦家长”数智评价体系的构建、实践与成效来阐述学校如何指导家长以立德树人为根本任务实施优质的家庭教育,为未成年人创造健康成长的家校共育环境。并于实践后提出思考和下一步的目标,将“紫藤悦家长”培养项目课程化、常态化,达到家校协同育人的最优化。

数智教育评价范式转变动因、特征与实现路径研究

数智技术的广泛应用推动了教育评价范式从数据评价向数智评价的转变。首先,从第四研究范式出现、教学与学习范式转变以及大数据驱动等三个层面出发,剖析了数智教育评价范式转变的动因;其次,凝练出数智教育评价范式的基本特征包括留存个体生命成长全过程的基本信念、融合大数据驱动人工智能算法的技术路径以及人机协同评价的参照范例;最后,从政府、学校、教师、学生和家长层面提出了数智教育评价范式促进教育高质量发展的实现路径。

数智化表现性评价内涵、现实困境及应用策略——以中小学体育课程为例

新颁布的《义务教育体育与健康课程标准(2022年版)》与《义务教育课程方案(2022年版)》中都对学业评价提出构建多元综合的评价形式的要求。表现性评价是学业评价中的重要类型之一,能呈现学生在真实的学习情境中解决问题的具体表现。在数智化教学的大趋势下,教师要尝试将学生的表现数值化,构建数智化的表现性评价逻辑框架,针对当前中小学体育教学表现性评价面临的现实困境,以定性、定型、定标的策略实现体育与健康学科的表现性评价,提升学业评价效果,构建“学—练—评”一致的高效课堂。

高职院校档案数智化评价目标体系研究

文章结合当前高职院校档案数智化现状,分析了高职院校档案数智化的呈现,并从强化目标体系顶层设计、运用正确导向引导、将工作特色融入其中、构建数智化评价目标体系等四个方面,研究高职院校档案数智化评价目标体系构建的实践路径,不断优化档案智慧管理。

高校人事档案数智化评价目标体系的构建

文章结合高校人事档案的纸质阶段、数字化档案阶段和数智化档案阶段的不同特点,通过设置评价的一级指标、二级指标、主要参数及得分,构建高校人事档案数智化评价目标体系,促进人事档案智慧管理得到升级和优化。

数智多维评价创生学生素质发展新样态——以江苏省常州市局前街小学智慧校园建设为例

随着现代信息技术的发展,人工智能和大数据在校园的应用不断深入,智慧校园建设向数据化、人工智能化迈进了一大步。江苏省常州市局前街小学构建的“晓易学生综合素质发展平台”,通过系统核心评价体系的建立、数据采集系统的完善等,创生学生综合素质发展评价体系,以数智多维评价促进学生的个性化发展,切实推进立德树人根本任务的实现。

Model of Land Suitability Evaluation Based on Computational Intelligence

A novel model of land suitability evaluation is built based on computational intelligence (CI). A fuzzy neural network (FNN) is constructed by the integration of fuzzy logic and artificial neural network (ANN). The structure and process of this network is clear. Fuzzy rules (knowledge) are expressed in the model explicitly, and can be self-adjusted by learning from samples. Genetic algorithm (GA) is employed as the learning algorithm to train the network, and makes the training of the model efficient. This model is a self-learning and self-adaptive system with a rule set revised by training.