随着人工智能技术的发展，其在教育领域的应用已越来越广泛。教育评价作为教育改革的风向标，在人工智能时代面临着新的挑战和机遇。当前，教育评价方式主要是以学业成绩为中心，侧重于对学生知识掌握的量化评估。随着信息技术的进步，传统评价方法已经不能满足党和国家对人才培养选拔的需求，不足以为教育现代化提供有力支撑。2020年10月，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》（以下简称《总体方案》）明确指出，要借助人工智能、大数据等现代信息技术创新评价工具，不断提高教育评价的科学性、专业性、客观性[1]。教育评价与人工智能深度融合已成为教育评价改革的主流趋势，这种融合不仅是一种创新实践，更是未来教育改革发展的重要方向。尤其是在教育强国建设的时代背景下，如何利用人工智能技术提升教育评价水平，是迫切而又现实的问题。

一、人工智能技术在教育评价应用中的发展历程

（一）计算机辅助教育评价的发展渊源

自20世纪60~70年代起，随着计算机技术的发展，人们开始探索如何将该技术应用于教育领域[2]。早期尝试更多地集中在如何将传统的教育内容和方式与计算机技术相结合。这一时期，计算机在教育中的主要作用是作为教学辅助工具，主要被用于呈现和管理教育内容。当时流行的教育软件，如课程教学程序（CAI, Computer Assisted Instruction）和计算机辅助教育（CAL, Computer Aided Learning）都是线性的，类似于数字化教科书或幻灯片演示[3]。学生主要通过计算机屏幕获得知识，再通过一系列测试和练习检查学习进度。这种方式的主要局限是没有充分利用计算机的互动性和定制能力。当时计算机辅助教育的内容大多是固定的，不能根据学生的个体差异进行调整。这意味着所有学生都被期望按照相同的节奏和方式学习，忽视了他们的知识基础、学习速度和兴趣。此外，计算机辅助教育评价的互动性也较为有限，学生与计算机之间的交互大多限于单选题、填空题和简单的点击[4]。

总体而言，20世纪60~70年代的计算机辅助教育在提供远程学习和自主学习的机会等方面，为教育带来了一些新的可能。然而，由于技术和理念的局限，它真正的潜力并没有得到有效的挖掘和利用。随着科技进步和教育研究的纵深发展，人们开始探索如何更好地利用计算机技术支持教育，在一定程度上助推了以后的教育技术变革。

（二）自适应学习助力教育评价的特色发展

随着计算机技术在教育领域应用的逐渐深入，研究者们开始寻求更高级、更个性化的方法来满足学生的多样化学习需求。于是，自适应学习系统应运而生，它是一种使用算法来监控学生的学习进展并根据学生的反馈和表现实时调整学习内容和路径的学习平台，为学生提供了一种根据自身个性化能力和需求定制学习内容和教学策略的教育体验[5]。

自适应学习具有三个主要特点：1）个性化路径，系统会根据学生的预先知识、学习速度和偏好来选择最适合他们的学习路径；2）实时反馈，学生可以立即获得关于自身学习进展的反馈，从而了解自己的优势和弱点；3）数据驱动，这些系统不断收集和分析学生的学习数据，以优化个性化的学习体验。自适应学习系统的应用范围很广，从小学到高等教育，从语言学习到STEM领域（科学、技术、工程和数学教育），都有其身影。此类系统为学生提供了一个更加专注和针对性的学习环境，可以提高学习效率和效果。同时，也为教育者提供了有关学生学习习惯、策略和成果的深入洞察，有助于更好地辅助教学与评价。

自适应学习系统具有很大的发展潜力，但也面临一些挑战[6]。首先，为了有效运转，这些系统需要大量的高质量数据。此外，随着技术的发展，确保数据的隐私和安全性也成为重要问题。再者，对于缺乏现代技术背景的教育者来说，理解和运用这些系统可能会存在困难。总体而言，自适应学习系统为教育提供了更加个性化和高效的学习环境，同时为充分利用其潜力，也需要克服一些技术和实践上的难题挑战。

（三）大数据与学习分析在教育评价中的应用

21世纪初，教育领域开始积累大量与学习相关的数据。从在线学习平台到数字化教室，每一个计算机与学生交互的细节都可能被记录和存储。这种现象引发了大数据在教育中的广泛应用，而学习分析则成为这一领域的重要研究方向[7]。

学习分析是指测量、收集、分析和报告学生学习数据的过程，旨在优化学生的学习体验和环境。其主要特点包括：1）数据驱动决策，通过分析大量学习数据，教育者可以更加客观地做出关于课程设计、教学策略等的教育决策；2）实时反馈，学习分析工具可以为教育者和学生提供即时反馈，帮助识别学习障碍和潜在挑战；3）预测分析，通过使用先进算法，预测学生的未来表现和需求，从而提前进行干预。

大数据与学习分析技术在教育中的重要应用场景主要包括：1）早期预警系统，许多学习分析工具可以预测学生是否有可能掉队或失败，从而使教育者能够及时采取行动；2）个性化学习，通过分析与学生学习相关的数据，教育者可以为学生提供更为个性化的学习资源和路径；3）课程优化，可以揭示哪些课程内容有效，哪些需要改进，进而帮助教育者优化教学策略。

尽管大数据与学习分析技术在教育中有广泛的应用前景，但也存在一定的局限和挑战[8]。首先是隐私和伦理问题，收集和分析学生数据涉及数据隐私和伦理保护，特别是在未经当事人同意的情况下。其次是数据解释问题，虽然大数据提供了丰富信息，但如何正确解释和使用这些数据仍是一个挑战。此外，技术和培训也是推广的重要瓶颈，并非所有的教育机构都有资源和条件来实施学习分析。

（四）深度学习与智能分析对教育评价的影响

随着近年深度学习在多个领域取得显著进展，教育领域也开始探索如何将这一先进技术应用于学习评价中[9]。深度学习，尤其是神经网络技术，为教育评价带来了全新的视角和工具。深度学习是机器学习的一个子领域，通过多层神经网络模拟人脑神经元的结构和功能来处理信息。

在教育评价中，深度学习与智能分析的优势包括三个方面：1）复杂数据处理，深度学习可以处理大量、多模态数据，如文本、声音、图像等，从而为多种类型的学习任务提供评价；2）自动特征提取，不需要显式的编程或规则定义，深度学习可以自动从数据中学习和提取特征；3）高度准确性，在适当的配置和大量数据支持下，深度学习模型可以使评价准确性大幅提升。

深度学习与智能分析对教育评价的影响主要体现在三个方面。一是在开放性问题的评价上，传统的计算机辅助评价主要针对选择题和填空题，但深度学习使计算机能够自动评估开放性问题和书面回答。二是体现在学生作品分析中，深度学习可以用于分析学生的艺术作品、编程任务或其他非结构化作品，从而提供更加全面的评价。三是在学生的情感和行为评价中，通过分析学生的行为和声音，深度学习可以对情感状态和学习动机进行识别。

深度学习与智能分析对教育评价具有深刻影响，但也存在一定的发展瓶颈。如面对海量的数据需求，通常需要大量标注数据进行训练，这在教育评价中可能是一种限制。同时模型透明度也是应用的局限所在，深度学习模型被视为“黑箱”，决策过程难以理解和解释，在评价中可能会引发伦理和信任问题。此外，深度学习与智能分析存在一定的技术门槛，实施和维护深度学习模型需要专业的技术知识和资源。

二、基于认知心理学视角的人工智能技术分类

（一）认知心理学信息处理模型与人工智能技术的关系

自20世纪50年代以来，人们一直试图通过机器模拟人的思维和学习能力，标志着人工智能（AI）思想的出现。与此同时，认知心理学家通过对人类的思维、记忆和知觉进行深入探究，希望揭示这些复杂过程背后的科学原理[10]。在此背景下，认知心理学信息处理模型应运而生。它视人脑为一个信息处理系统，包括输入、处理和输出的各个环节。这种模型不仅为人类认知过程提供了框架，也为AI的发展提供了理论基础。探索认知心理学与AI之间的关系，可以发现两者如何进行相互启发、相互塑造，以及如何为理解人类和机器各自的智能提供新的视角[11]。

针对运用计算机解决问题的过程，美籍匈牙利科学家约翰·冯·诺依曼（John von Neumann）于1946年提出了计算机对程序的存储模型，即把程序看作数据，如同程序所处理的数据一样存储。同时，确定了运用计算机解决现实问题的要素及基本思考过程，即冯·诺依曼体系结构（也称冯·诺依曼理论结构）[12]，见图1。半个多世纪以来，计算机技术已发生日新月异的变化，但冯·诺依曼体系结构仍沿用至今，冯·诺依曼本人也被称为“计算机鼻祖”。

信息处理模型认为，人类的认知和心理过程可以被比喻为计算机系统的信息处理过程，包括输入、处理和输出。在这个模型中，认知过程被看作是从感知输入、注意力、工作记忆、长期记忆等模块中获取信息，并对这些信息进行处理、存储和检索的过程。这些模块可以被看作是人类认知系统的基本组成部分，也是人工智能系统中的重要组成部分，见图2。因此，本文以该模型为基础，对人工智能技术进行分类。

（二）从认知心理学视角分析教育评价的意义

教育评价首先要了解学生认知能力的发展水平，其次要了解教师教学与学生认知的匹配情况。从认知心理学角度来看，教育评价可以系统深入地了解学生的认知状态和学习表现，从而更好地指导教学实践和改进教学策略[13]。

从认知心理学角度分析教育评价具有重要的现实意义。第一，有助于激发学生的学习动机。通过认知评价，能够及时发现学生学习中的问题和难点，针对性地给出指导和建议，从而增强学生学习的自信心和动机。第二，可以促进学生学习能力的提高。认知评价也能够帮助学生了解自己的学习状态，及时调整学习策略和方法，从而提高学习效果和学习成绩。第三，有助于更好地满足学生的学习需求。通过认知评价，还可以了解学生的学习风格和认知状态，从而针对性地设计教学内容和策略，更好地满足学生的个性化学习需求。第四，有助于促进教师的教学改进。通过认知评价，可以了解学生对教学的反馈和意见，从而帮助教师改进教学策略和方法，提高教学质量。第五，有助于优化教育资源配置。通过认知评价，可以了解学生的整体学习环境，从而提升教育资源的配置效率，优化教育效果。

（三）基于认知心理学信息处理模型的人工智能技术分类

认知心理学的信息处理模型为理解和描述人类的认知过程提供了一个框架。在该模型中，信息被认为是通过一系列环节进行处理的，从感知、编码到存储和检索，每一阶段都涉及信息的收集、加工和响应。近年来，随着AI技术的发展，可以发现这些技术与信息处理模型中的不同阶段有许多相似之处。参照已有研究，本研究基于认知心理学的信息处理模型对现有的AI技术进行分类[14]，如图3所示。

综合考虑这些分类时，可以看到从基本的感知任务到复杂的推理和语言处理，AI技术是如何模拟和扩展人的认知过程的，而且每个类别都具有独特的功能特征和内涵。

1）感知系统。该系统模拟人的感知能力，如视觉和听觉，以捕获外部信息。例如，计算机视觉技术可以识别和分类图像，而语音识别系统可以解读音频信息。

2）人机交互系统。该系统侧重于模拟和增强人与机器的互动体验。例如，用触摸界面和虚拟现实技术模拟人类的手势和空间互动。

3）智能代理系统。智能代理可以自主运行，不需要持续的人为指导。自主导航的无人机和自适应的智能家居设备都是此类系统的应用例证。

4）学习推理系统。该系统使用算法来学习和推断，从而做出决策或预测。深度学习模型如神经网络，是在大量数据基础上进行训练后，解决复杂任务的例证。

5）自然语言处理系统。该系统专注于理解和生成人类语言，如机器翻译工具和聊天机器人，都是基于自然语言处理的技术。

通过将AI技术与认知心理学的信息处理模型相结合，可以更好地理解这些技术的工作原理和目标，为深入理解AI技术的发展和应用提供有意义的框架。

三、人工智能技术在教育评价中的实践应用案例

新技术为教育评价带来了更多的可能性，在相关研究及实践中，已有一系列优秀的技术应用案例，为教育评价改革拓展了领域与路径。

（一）自适应学习及个性化学习应用案例

自适应学习和个性化学习已成为现代教育的重要组成部分，为学生提供了更加精准和高效的学习体验，在现代教育中占据了越来越重要的位置[15-16]。如Carnegie Learning Mathia和Duolingo均采用自适应学习技术为学生在数学和语言学习中提供个性化学习体验[17]。Coursera为在线教育领域带来了创新，Khanmigo利用GPT技术为学习者解决疑问[18]。在实际应用中，Knewton、松鼠学院和网易有道精品课采用了大数据和机器学习技术，根据学生的学习习惯和能力为其推荐课程[19]。同时，Smart Sparrow、智慧树、Cognii和Thinkster Math等工具也都在为提供更加个性化的学习体验而不断改进技术[20]。这些应用案例均证明，自适应学习和个性化学习正逐步成为教育的未来方向。这些技术不仅赋予了学习者更大的主导权，还使教育者能够更加精准地识别和满足每位学生的学习需求。随着更多的技术进入教育领域，未来的学习体验将更加智能、高效和人性化。

（二）自动测评应用案例

在教育评价领域，自动测评已逐渐成为一种重要的技术手段，通过高度精准的技术解决方案为教育者和学生提供实时、精确的评估和反馈。E-rater和Cogito都采用了自然语言处理技术，前者为学生的作文进行深入的句法、语义和结构分析，后者则能分析学生的情感状态，从而帮助教育者更好地了解学生的认知心态[21]。另外，QuillBot和Grammarly为写作领域带来革命性变化，前者帮助用户改写文本以提高行文流畅性，后者则能检查文本中的语法和拼写错误，并为用户提供写作建议[22]。先进的自动测评工具和应用案例都凸显了计算机技术在现代教育评估中所起的重要作用，不仅为学习者和教育者提供了更加精准的评估工具，而且大大提高了教育效率和效果。

（三）情感分析应用案例

在现代化教育环境中，对学生的情感状态进行分析和识别已成为一种关键技术，旨在优化教学方法并提升学生的学习体验。如Affectiva和Emotient都采用了计算机视觉和机器学习等人工智能技术对学生的面部表情进行分析，以准确识别学生的情感状态，为教育者提供有关学生情绪和参与度的反馈[23-24]。Woebot心理辅导机器人结合了自然语言处理NLP和认知行为疗法CBT技术，为用户提供及时的心理支持和建议，帮助他们管理情绪和心理健康[25]。基于人工智能的情感分析工具正在教育领域发挥越来越重要的作用，为教育者提供深入了解学生情绪和需求的新方法。

（四）智能答疑应用案例

随着教育技术的发展，智能答疑已经成为帮助学生解决疑难问题的关键工具，实现了更为高效和准确的学习支持[26]。如科大讯飞的星火大模型、Querium、Socratic和小象问答都采用了自然语言处理和知识图谱技术为学生提供问题解答服务[27-28],通过先进技术理解学生的问题，并为其提供相应的解决方案，也为学生提供在线教育支持，使他们能够与其他学生和老师互动，获取更全面的学习资源。智能答疑应用不仅提供了准确的问题解答服务，也为学生创造了充满互动和支持的学习环境。

（五）教育大数据分析应用案例

随着技术进步和大数据时代的到来，教育领域开始利用先进的AI技术对学生数据进行深入分析，为教育决策提供有力的数据支持[29]。这些分析工具不仅有助于了解学生的学习表现和需求，还可以为教育者提供改进教学方法和优化资源分配的建议。如IBM Watson Analytics for Education运用机器学习和分类方法分析学生、教师和课程数据，帮助教育者更好地理解学生的学习情况[30]。Panorama Education通过大数据技术分析学生的学习数据，提供关于学生学习成果和需求的有价值见解[31]。Civitas Learning专注于高等教育，利用机器学习和数据挖掘技术为高校提供有关学生学术表现和留校率的分析。先进的教育大数据分析工具为教育评价研究打开了新视角，使教育者能够更精准地了解学生的需求并做出明智的决策。

四、人工智能时代教育评价的核心要素

随着人工智能的兴起和广泛应用，教育领域正在经历前所未有的变革。传统的教育评价方法不再适用于快速发展的AI时代。因此，需要重新审视和定义教育评价的核心要素。在AI的影响下，教育评价不仅要考量学生的知识掌握程度，还要关注他们的创新能力、批判性思维以及与机器协作的能力，这使得教育评价需要适应和涵盖更多的时代特点。

（一）多元化评价

随着教育技术和理念的进步，多元评价应运而生，强调使用多种方法和工具对学生的学习进展进行全面、有效的评价[32]。多元评价的特点主要包括两个方面：1）多种评价方式并存，除了传统的考试和作业评价，多元评价体系还包括项目评价、口头报告、实际操作、同行评价、自我评价等；2）多维度评估，不只关注学生的知识掌握程度，还评估其团队合作、批判性思维、解决问题的能力，以及其他非认知技能。多元评价可以更全面地考查学生多方面的能力和潜质，从而提供更真实、公正的评价结果。它鼓励培养学生多种技能和才华，而不是仅仅追求考试分数，同时也有助于培养学生的自主学习和自我评估能力。教育者可以根据教育目标、学生特点和教学环境选择最合适的评价方式。

（二）个性化评价

传统教育评价体系往往采用标准化的方法评估所有学生，这种“一刀切”的方式无法充分捕捉到每位学生的独特个性和潜在能力。随着教育领域对多样性和包容性的重视程度日渐提升，个性化评价受到更多关注。这种评价方式尊重学生的差异，为每位学生提供针对性评估，以更好地促进他们的学习和发展。

个性评估主要包括两个特点：1）定制化的评价标准，即不再为所有学生设定统一的评价标准，而是根据每位学生的学习背景、能力和需求为其制定个性化的评价标准；2）强调反馈和沟通，个性评价不以单纯对学生进行评估为目标，更重要的价值在于为学生提供具有针对性的反馈意见，帮助他们了解自己的长处和短处，并制订个性化的学习计划。

个性评估具有针对性的评价和反馈特点，可以帮助学生更有效地学习，增强其学习动机。同时这种评价方式侧重于关注学生间的差异，并充分尊重和珍视这些差异，如不同的背景、经验和潜在能力，为每位学生提供公平公正的评价。

（三）大数据驱动的评价

在教育领域，尤其是评价环境中，大数据已成为关键词。传统的教育评价方式往往依赖于单一来源的数据，如期末考试成绩及作业表现。而大数据通过多个来源和渠道收集数据，获得对学生学习更深入的理解[33]。

大数据驱动评价的主要特点包括：1）数据的丰富性，覆盖了从学习管理系统到在线学习平台的所有学习行为数据；2）数据的实时性，大数据可以提供实时反馈，帮助教育者做出及时决策。大数据驱动的评价可以为教育者提供深入的学习洞察，使教育者深入了解学生的学习习惯、策略和存在的问题；教育者还可基于数据分析结果为每位学生提供个性化的教学和评价。

（四）侧重过程的评价

当前的教育评价理念已从过去主要关注学习的最终结果转向更加重视学习过程[34]。这种关注过程的评价方法关心学生在学习过程中的独特体验，如问题解决技巧、团队合作和自我调节能力。

学习过程评价的显著特点包括：1）持续性，即评价不只在学习结束时进行，而是伴随学生的整个学习过程；2）建构性，即注重为学生提供及时的、建设性的反馈，帮助他们在学习过程中不断调整和提高。学习过程的评价旨在促进更深层次的学习，鼓励学生不再机械地记忆知识，而是真正理解和应用所学。更重要的是，这种评价方法可以帮助学生培养自我调节和自主学习能力，使他们根据反馈信息调整学习方式和策略。

（五）以高阶思维能力为核心的评价

在日益复杂和多变的社会环境中，面向高阶思维能力的评价受到广泛关注。这种评价方法旨在超越传统的知识和技能评估，更加关注学生的批判性思维、问题解决和创造性思维等能力[35]。

高阶思维能力评价的主要特点包括：1）超越基础知识，即超越对知识的记忆和重复，强调应用和整合知识的能力；2）评估多维度的技能，除了知识掌握程度，这种评价更关注学生的决策能力、团队合作、创新思维以及逻辑推理能力。以高阶思维能力为核心的评价方法能够为教育者提供学生过程性思维活动的清晰反馈。这种评价方法强调学生解决现实生活中复杂问题的能力，促进学生终身学习，努力提高自我评估和自主学习能力。选择和实施这种评价方式需要教育者根据教学目标、学生特点以及具体教学环境进行调整和决策。

（六）创新导向的评价

伴随全球知识经济的加速和教育领域对创新能力的日益重视，创新性导向的评价逐渐崭露头角。这种评价方法注重学生的创造性思维、问题解决能力和跨学科知识整合能力[36]。

创新导向评价的主要特点包括：1）超越传统框架，鼓励学生打破传统的思维模式和学习方法，勇于发现问题，打破常规地尝试和探索新的问题解决方法；2）跨学科学习，鼓励学生融合不同学科的知识和技能来实现和获得更高层次的创新成果。这种评价方式能更加精准地反映学生的创新能力和实际应用技巧，提供更为真实全面的评价结果；同时还可以提升对学生创新精神的评估水平，从而为教育者提供更加多元的反馈，帮助他们更好地调整教学策略和方法。

五、未来展望

技术进步为人类带来了诸多可能性，也让教育评价面临一系列新的问题和挑战。随着人工智能技术在教育领域的深入渗透，教育评价体系中的学生、教师以及评价方式都迎来了新的变革契机。传统评价模式和对教师、学生的能力要求正面临AI引发的深刻革命。这种变革不仅涉及教学方法和资源的更新，更关乎学生与教师在学习方式上的再造，也影响着评价方式的革新。

（一）学生与教师的能力结构面临整体变革

人工智能快速发展的当下，学生和教师的能力结构正面临重塑的要求。学生不仅需要掌握传统的学科知识，更要发展包括计算机操作、编程思维、数学逻辑、数据分析、创新思维、计算思维、团队合作、批判性思维以及对AI伦理和社会责任的理解力等一系列关键能力。这些能力有助于他们在大数据时代高效利用人工智能进行科学决策和预测，尝试不同的解决方案和开放思维，批判地审视AI生成的内容，区分事实和偏见。同时，教师的角色也从传统的知识传递者转变为学习促进者和创新引导者。他们需要具备使用AI技术进行教学设计和评估的能力，了解并掌握最新的教学理念、技术和工具，发展跨文化和跨学科的教学能力，进行科技创新和教育研究，不断学习和提升自我，以适应快速变化的技术环境。这种整体能力结构的变革，对学生和教师在人工智能时代中的成功至关重要。

（二）教育评价公平值得深度思考

随着AI和相关技术在教育中的广泛应用，教育公平问题成为不可回避的重要议题。评价技术应用的广泛性和深入程度往往与经济条件和地域发展水平密切相关，可能导致资源分配不均，加剧教育不平等。因此，无论学生的社会经济背景如何，都有必要采取措施确保所有学生无论在硬件还是软件方面均能获得高质量的教育评价资源和技术支持。这不仅包括在政策层面推动资源均衡分配，更要在实践中开发适应各种教学环境的技术工具，以支持教育的平衡和高质量发展。

（三）终身学习成为常态

在信息技术高速发展的当代，知识更新的速度前所未有。时代特点要求个人必须坚持终身学习，以适应持续变化的社会和职业要求。终身学习不仅是个人发展的需要，也是社会进步的动力，教育部门应当支持和鼓励终身学习的理念，并为学生提供灵活多样的学习途径和有效资源。此外，教育技术的发展应致力于支持个性化学习和自我驱动的学习方式，以适应不同学习者的需求。

（四）引发教育评价根本性转变

随着人工智能技术的深入渗透和应用，教育评价正在经历一场前所未有的变革。这种变革不是技术层面的转型升级，而是教育评价的形态和功能都将产生根本性转变。借助AI技术，教育评价正在变得更加个性化和可追溯，AI针对每个学生的学习进度和习惯进行细致分析，以提供符合个人实际需求的评价建议。同时，评价过程也由过去静态的一次性评估转变为实时、持续的过程，教育者能够及时了解学生的学习状况并做出相应调整。此外，利用深度学习模型，评价系统能够更深入地分析学生的学习模式，提供更加具体精细的评估结果。AI还拓展了评价维度，从传统的知识掌握评价转变为包括情感、行为和认知在内的多维度评价，进而提供全面、有效的学习反馈。基于评价结果的智能诊断与干预、自主学习评价的推进以及评价公正性与透明性的提高等也在迅速发展，AI技术正在不断赋予教育评价以新的特性。不仅如此，AI评价系统还与虚拟现实、增强现实等教育技术相融合，为学生提供更多沉浸式、交互式的评价体验。这些进步不仅提高了教育评价的效率和精准度，也为教育评价体系的现代化和创新发展开辟了新的道路。

参考文献：

（来源：中国考试/罗海风，清华大学教育研究院博士后，助理研究员；刘坚，北京师范大学中国基础教育质量监测协同创新中心教授）