胡晓露
教育评价改革是教育综合改革的重点和难点，也是推动教育高质量发展、构建良好教育生态的“方向盘”“指挥棒”，对于加快推进教育现代化具有重要导向作用。当前，人工智能正加速融入教育教学与评价体系，推动传统教育评价方式由经验判断向数据驱动转变。“十五五”规划纲要强调：“促进人工智能助力教育模式变革”“深化教育评价改革，建立差异化管理和评价机制”。教育部等五部门近期联合印发的《“人工智能+教育”行动计划》要求：“利用人工智能赋能教育治理。”在教育数字化转型的背景下，如何发挥新一代数字技术优势，推动教育评价理念与方式的“迭代升级”，为教育高质量发展保驾护航，是一个必须答好的时代课题。宁波作为长三角南翼重要的区域中心城市，近年来在教育数字化与高等教育发展方面持续推进，为人工智能赋能教育评价提供了良好基础。推进人工智能教育评价改革，既是教育数字化转型的重要内容，也是提升区域教育治理现代化水平的重要抓手。面向未来，要依托地方高校资源与产业数字化优势，进一步探索人工智能与教育评价深度融合路径，在科学建构评价要素、优化技术应用过程、持续监测评价结果、完善协同治理框架等方面共同发力，让人工智能更好服务教育公平、质量提升和治理现代化，在基础教育、高等教育、职业教育等领域形成可复制、可推广的治理经验，为提升区域教育治理现代化水平提供有力支撑。
科学建构评价要素，夯实智能评价根基
人工智能赋能教育评价，首先要解决“评什么”的问题。与传统评价相比，人工智能能够整合学习过程、课堂互动、作业表现、能力发展等多维数据，为更加全面、连续、立体地观察教育过程提供可能。而技术优势能否真正转化为评价优势，关键取决于评价要素是否科学、合理、适切。
在具体实践中，应结合不同学段、学科和培养类型，系统梳理评价内容与评价维度。学生评价既要关注知识掌握，也要关注能力发展、学习过程和综合素养；教师评价既要关注课堂效果，也要关注教学设计、育人成效和学生成长支持。人工智能可以提升数据采集和分析效率，但评价指标的价值判断仍需教育测评专家、一线教师和管理人员共同参与，避免把容易量化的因素简单等同于教育质量。
在此基础上，探索建立多方参与的指标建构机制，通过专家论证、教师反馈、学生体验和实践检验等方式，提升评价要素的科学性、透明度和公信力，推动评价要素从经验型设计走向科学化建构，使人工智能更好服务学生全面发展和教育质量提升。
优化智能技术应用，提升教育评价效能
人工智能进入教育评价领域，能够有效提升评价效率和分析精度，推动评价方式由单一结果判断转向过程性、发展性分析。通过对学习行为、课堂表现、作业完成、能力变化等数据的综合研判，智能技术可以帮助教师更及时地发现学生学习中的问题，也能为学校改进教学管理提供更有针对性的依据。
教育评价不应是单纯的技术计算。技术应用越深入，越需要在数据来源、指标权重、算法规则和结果解释等关键环节加强规范，防止技术逻辑取代教育逻辑。例如，学生的平台使用频率、作业提交次数、在线互动记录等，可以作为过程性参考，但不能简单等同于学习质量；教师评价中的学生反馈、课堂数据、教学成果等，也应综合分析，避免片面化、标签化。
为此，要在发挥技术赋能作用的同时，建立人机协同机制。人工智能可以辅助发现规律、识别趋势、提供参考，但不能替代教育主体作出最终判断。对于涉及学生发展、教师考核、资源配置等重要事项的评价结果，应设置人工复核、结果解释和反馈申诉机制，使智能评价既有效率、有精度，也有温度、有边界。
加强结果持续监测，促进评价动态优化
人工智能评价的优势，不仅在于一次性生成结果，更在于能够通过持续数据积累，帮助教育评价从静态判断走向动态改进。评价系统投入使用后，可以对不同阶段、不同群体、不同场景中的评价表现进行跟踪分析，为学校及时调整教学策略、优化管理方式提供支持。
在实际应用中，一方面要关注评价结果是否与教育目标一致，是否能够真实反映学生成长和教学改进情况；另一方面，也要关注不同群体之间的评价差异，特别是城乡、性别、学科基础、学习条件等因素可能带来的影响。如某一群体在智能评价中长期处于不利位置，就需要进一步分析差异来源，判断其是来自真实表现差异，还是评价指标、数据采集或模型规则本身存在偏差。
在此基础上，学校和教育管理部门应建立反馈与优化机制，根据教学实际、师生意见和数据表现，对评价指标、算法参数和应用规则进行适时调整。对于新引入的智能评价工具，可先小范围试点，再逐步推广，形成试点、反馈、修正、再应用的闭环机制，让人工智能评价在持续优化中更好服务教育改革实践。
完善协同治理框架，保障技术赋能落地
人工智能赋能教育评价改革，既需要技术创新，也需要制度保障。只有建立清晰的治理框架，明确各方责任，才能让人工智能在教育评价中用得好、用得稳、用得负责任。治理的目的不是限制技术发展，而是为技术更好服务教育改革提供制度支撑。
进一步明确教育主管部门、学校、技术服务机构、教师和学生等不同主体的责任边界。教育主管部门应加强统筹指导，学校应承担具体应用和管理责任，技术服务机构应保障系统安全、数据合规和模型稳定，教师和学生则应拥有必要的知情权、参与权和反馈权。同时，要围绕数据采集、数据保护、算法使用、结果公开、人工复核等环节，形成可操作的规范要求，让智能评价有章可循。
（作者单位：宁波大学科学技术学院）