智能技术赋能教育评价在计算机课程中的探索与研究

摘要：计算机课程既具有理论性，又具有实践性，其教育评价是一个综合性的过程。不仅需要评估学生对计算机课程知识的掌握程度，更要评估学生的实践技能提升情况，以及他们的创新思维和问题解决能力。智能技术赋能教育评价在计算机课程中的应用具有广阔的前景和潜力。通过充分利用智能技术的优势，可以推动计算机课程教育评价向更加科学、精准、高效的方向发展。文章从基本架构、指标构建、系统运行3个方面，探讨了智能技术赋能教育评价在计算机课程中的应用，以期促进计算机课程教育评价的科学化、精准化、多元化和个性化发展，为新时代计算机人才培养提供有力支撑。

关键词：智能技术；教育评价；计算机课程；赋能

中图分类号：G642      文献标识码：A

文章编号：1009-3044（2025）07-0141-03

开放科学（资源服务） 标识码（OSID）

0 引言

随着智能技术的快速发展，其在教育领域的应用日益广泛。教育评价作为教育质量保障的重要手段和教育改革的关键环节，正面临着智能化转型的机遇和挑战。中共中央、国务院印发的《深化新时代教育评价改革总体方案》明确指出：“创新评价工具，利用人工智能、大数据等现代信息技术，探索开展学生各年级学习情况全过程纵向评价、德智体美劳全要素横向评价。”在当前背景下，如何发挥智能技术优势，推动教育评价理念与方式的迭代升级，切实扭转不科学的教育评价导向，保障教育高质量发展，是亟待解决的重要课题。智能技术赋能教育评价，不仅可以提升评价的效率和效果，还能促进教育质量的提升和教育公平的实现，为新时代人才培养提供有力支撑。

当前，许多高校积极开展智能技术赋能教育评价改革，探索在相关课程教学评价中的应用。例如，西安交通大学建设了教学质量实时监测数智平台，利用AI技术进行教学质量监测和评价，取得了显著成效。一些在线教育平台，如Codecademy、Coursera等，已成功将智能技术应用于计算机课程的教育评价中。这些平台通过智能算法分析学生的学习数据，为其提供个性化的学习路径和反馈建议。同时，利用智能技术自动批改作业和测试，减轻了教师的工作负担，提高了评估的效率和准确性。因此，智能技术赋能教育评价在计算机课程中的应用具有广阔的前景和潜力。

1 智能技术赋能教育评价

1.1 概念及其特征

智能技术赋能教育评价，是指利用人工智能、大数据、云计算等新一代信息技术，对教育评价的内容、方法、工具、主体等进行创新和优化，以实现教育评价的科学化、精准化、多元化和个性化。

其特征主要体现在以下4个方面：

1） 科学化。智能技术能够运用数据挖掘、机器学习等技术，对海量的教育数据进行有效的收集、整理、分析和应用，从而提高教育评价的科学性和准确性。

2） 精准化。通过关联分析、预测分析等技术，智能技术可以对教育评价的对象、内容、标准、方法等进行动态调整和优化，进而提升教育评价的精准性和有效性。

3） 多元化。智能技术能够拓展教育评价的形式、渠道和主体，支持多种类型数据（如文字、图像、音频、视频等） 的快速处理和呈现，同时支持多种角色（如学生、教师、家长、社会等） 的参与和协作。

4） 个性化。智能技术可以根据学生的学习特点、兴趣爱好、潜能发展等因素，为其匹配合适的课程、教材、教师等资源，并提供个性化的评价反馈和激励机制。

1.2 模式及应用优势

智能技术赋能教育评价的模式主要有以下4种：

1） 智能辅助模式。以人为主导，机器为辅助，智能技术为人类提供数据支持和工具帮助。

2） 智能协同模式。人机协作，智能技术不仅为人类提供服务和支持，还成为与人类交互和沟通的合作伙伴。

3） 智能替代模式。以机器为主导，人为监督，智能技术直接参与或替代人类的评价决策和行动。

4） 智能创新模式。以机器为主导，人为参与，智能技术自主地创造或优化教育评价的内容、方法、工具、主体等。

其应用优势主要体现在以下4个方面：

1） 多维度评价。智能技术能够整合学生学习数据、行为记录、情感反馈等多源信息，构建全面、立体的学生画像，从而实现对学生综合素质的多维度评价。

2） 客观公正。基于算法和模型的评价能够减少人为因素的干扰，提高评价的客观性和公正性。

3） 个性化反馈。智能技术能够根据学生的学习特点和需求，提供个性化的评价报告和学习建议。

4） 高效便捷。智能技术的自动化处理能力极大地提高了教育评价的效率，降低了人力成本[1]。

2 智能技术赋能教育评价在计算机课程中的应用

2.1 基本架构

智能技术赋能教育评价依托人工智能、大数据分析、物联网、图像识别等技术，采集计算机课程相关教学数据（包括课堂教学、实践教学等） ，构建教育评价数据库，进而进行融合分析，最后产生多维度评价结果。其基本架构包括技术支持、评价数据采集、评价系统分析、评价结果反馈4个部分，如图1所示[2]。

2.1.1 技术支持

技术支持层面主要有智能感知、数据挖掘、数据设施3个方面。

1） 智能感知主要由物联网（IoT） 和传感器技术实现。通过物联网技术，可以实现对教育环境中各种设备的连接和监控，从而收集到更加全面和准确的数据。传感器技术则可用于监测学生的学习状态、行为表现等，为教育评价提供更加丰富和细致的数据支持。例如，通过可穿戴设备监测学生的心率、血压等生理指标，评估学生的健康状况和学习压力；通过视频监控技术观察学生的课堂表现，评估学生的学习态度和参与度。

2） 数据挖掘由人工智能（AI） 和机器学习（ML） 技术实现。通过处理和分析大量的教育数据，从中提取有价值的信息，为教育评价提供科学依据。例如，AI可以通过分析学生的学习行为、成果和反馈等数据，生成个性化的学习报告和评价报告，为学生提供针对性的指导和建议。机器学习算法则可以对不同类型的数据（包括文本、语音、图像和视频等） 进行分析，以准确表征评价对象的特征要素。

3） 数据设施功能由大数据与云计算实现。通过大数据技术，全面收集学生的学习数据、教师的教学数据以及课程相关的其他数据，并进行深度挖掘和分析，以揭示数据背后的规律和趋势。云计算为大数据处理提供了强大的计算和存储能力，使得大规模数据的处理和分析变得更加高效和便捷。同时，云计算还支持多种类型的教育评价数据的快速处理和呈现，支持多种角色的参与和协作[3]。

2.1.2 评价数据采集

评价数据采集是智能技术赋能教育评价的基础。参照不同评价主体，针对学生表现、教师表现、教学观察、综合方面，通过智能技术收集学生的学习数据，包括学习行为数据（如点击次数、浏览次数、在线时长、代码编写量等） 、学习成果数据（如测试成绩、作业完成情况、项目实践表现等） 和学习情境数据（如学习环境、学习资源使用情况等） 。同时，利用大数据分析技术对收集的数据进行处理，提取有价值的信息和知识，为后续的评价提供数据支撑。

2.1.3 评价系统分析

评价系统分析是架构中最重要的环节，包括数据清洗、数据整理、数据转换、数据规约、数据分析和应用等环节。首先，对收集到的原始数据进行清洗、整理、转换和归约等处理，以提取出有价值的信息和知识。具体步骤包括：1） 数据清洗，去除重复数据、无效数据和异常数据，确保数据的准确性和一致性；2） 数据整理，将数据进行分类、编码和格式化，以便后续的分析和应用；3） 数据转换，将数据进行转换和映射，以符合分析模型的要求；4） 数据归约，通过数据压缩、数据聚合等手段，减少数据的规模和复杂度，提高分析效率。其次，对经过处理的数据进行多种类型的分析，以揭示学生的学习情况和特点，并将分析得到的结果应用于多个方面，以优化计算机课程的教学和评价。具体分析方法包括：1） 描述性分析，通过统计图表、描述性统计等手段，对学生的学习情况进行概括和描述；2） 探索性分析，通过数据可视化、聚类分析等手段，发现数据中的隐藏模式和关联关系；3） 预测性分析，通过机器学习算法、时间序列分析等手段，对学生的未来学习情况进行预测和评估[4]。

2.1.4 评价结果反馈

评价结果反馈直接关系到学生能否及时调整学习策略、教师能否有效改进教学方法。主要有以下几种形式：1） 即时反馈，实时生成评价结果并反馈给学生和教师，有助于学生及时调整学习策略，教师及时进行针对性的教学指导和干预；2） 个性化/精准化反馈，根据学生的学习特点和需求，提供个性化的评价结果和学习建议，实现因材施教；3） 全面性/多维性反馈，整合多种类型的学习数据，从多个维度对学生的学习情况进行评价和反馈，有助于学生更全面地了解自己的学习情况；4） 互动性/参与性反馈，通过智能技术平台，促进师生之间的互动和参与，使评价结果反馈更加有效[5]。

2.2 指标构建

在构建智能技术赋能教育评价的指标体系时，既要确保评价体系的科学性和全面性，又要兼顾可操作性和动态性。关键指标包括：1） 学习成果指标，包括学生的知识掌握程度、技能水平、创新能力等，可通过智能技术进行实时跟踪和测量；2） 学习态度指标，包括学生的学习动机、学习兴趣、学习投入等，可通过分析学生的学习行为数据来评估；3） 创新能力指标，包括学生的问题解决能力、批判性思维能力、跨学科能力等，可通过分析学生的作品、项目实践报告等来评估；4） 教学质量指标，包括教师的教学内容、教学方法、教学效果等，可通过分析教师的教学行为数据、学生的学习成果数据等来评估；5） 教育过程指标，关注教育过程中的各个环节，如课堂参与度、师生互动、教学资源利用等，可通过智能课堂观察系统、在线教学平台等工具进行实时采集和分析[6]。

2.3 系统运行

评价系统按照构建的模型，沿着“数据采集—数据处理—模型训练与评估—评价实施—结果反馈与调控”的路径来运行：1） 数据收集，通过传感器、物联网、可穿戴设备等技术手段，实时采集学生在学习过程中的各类数据；2） 数据处理，对采集到的数据进行清洗、整合和预处理，以确保数据的准确性和完整性；3） 模型训练与评估，利用机器学习算法对处理后的数据进行训练，构建评价模型，并对模型进行评估和优化；4） 评价实施，根据构建的评价模型，对学生的学习成果、学习过程和学习策略进行客观、准确的评价；5） 结果反馈与调控，将评价结果以可视化、交互式的方式呈现给用户，并根据评价结果提供个性化的学习建议和辅导，同时根据学生的学习进展和反馈动态调整评价模型。

此外，智能技术赋能教育评价是一个持续迭代和优化的过程。在运行过程中，需要不断收集和分析学生的学习数据，对评价体系进行验证和改进，以适应教育发展的需要。同时，还需加强教育部门、学校和教育机构之间的合作与交流，共同推动教育评价的智能化改革和创新发展。

3 结束语

本文系统探讨智能技术在计算机课程教育评价中的应用。从基本架构、指标构建、系统运行3个方面，分析了如何利用智能技术提升教育评价的科学化、精准化、多元化和个性化水平。研究表明，智能技术的应用能够有效促进计算机课程教育评价的改革，为新时代计算机人才培养提供有力支撑。

未来，智能技术在计算机课程教育评价中的应用，还需关注并应对数据安全与隐私保护、算法偏见等挑战。应加强对智能技术的规范管理，确保其在教育评价中的健康发展。同时，进一步深化研究，探索更为完善的评价模型和方法，不断提升教育评价的质量和效果。

参考文献：

[1] 刘嘉.多元教育评价助力创新人才培养[J].人民教育，2020（21）：22-29.

[2] 刘邦奇，袁婷婷，纪玉超，等.智能技术赋能教育评价：内涵、总体框架与实践路径[J].中国电化教育，2021（8）：16-24.

[3] 吴立宝，曹雅楠，曹一鸣.人工智能赋能课堂教学评价改革与技术实现的框架构建[J].中国电化教育，2021（5）：94-101.

[4] 张生，王雪，齐媛.人工智能赋能教育评价：“学评融合”新理念及核心要素[J].中国远程教育，2021（2）：1-8.

[5] 刘邦奇，喻彦琨，袁婷婷.智能技术赋能过程评价：目标、路径与典型场景[J].现代教育技术，2022，32（5）：14-23.

[6] 郑永和，王一岩，杨淑豪.人工智能赋能教育评价：价值、挑战与路径[J].开放教育研究，2024，30（4）：4-10.

【通联编辑：闻翔军】