数据并不能完美展示出学生的喜好和表现

点击阅读英文原文

在大数据时代，高校正在向“个性化”迈进。其目的是让学生和教职工了解学生活动及其对学习成绩的影响，从而鼓励正面的行为，并以个性化的方式支持学生的求学生涯。

这种个性化的数据是强大且重要的。它让用户和机构得以做出明智的决定，但其作用也是有限的。

例如，虽然学生们表示他们想要线下授课的体验，但任何在高等教育领域工作的人现在都会感到在空荡荡的教室里讲课的痛苦。虽然数据显示，高校开设的课程应该很受欢迎，但选课人数没有达到指标。

这是一个危险的问题：试图预测人们会说自己想要什么，但却发现那不是他们真的想要或需要的。这是一种与自主汇报相关的已知现象。

奉行“这么做是因为我们可以”的数据科学家和奉行“这么做是因为我们应该”的教育工作者之间存在着一种天然的紧张关系。前者探索获取和检索数据的可能性，而后者探索学习和教学的潜力。当然，两者之间存在重叠，但越来越多的问题需要用更广泛的视角来审视。

预测分析就是一个很好的例子。数据可以基于一系列与学生参与度相关的指标，预测课堂上的成功或失败，这可以告诉学生他们取得好成绩的可能性。这听起来是一个好主意，但如果你和大多数教育工作者提起这个功能，他们会震惊地问：“你为什么要告诉一个学生他们可能会不及格？”

大量的研究告诉我们，学生们会提高至（或降低至）我们对他们的期望值。这让我们想到皮格马利翁效应（Pygmalion effect）和魔像效应（Golem effect）。对于参与度的构成以及历史指标的实际价值，尤其是这两者在后疫情时代的混合学习中的价值，人们也有不同的观点。

第二个例子是规划。作为高等教育机构，我们的决策基于揭示活动、资源、班级和学习管理系统使用模式的数据。然而，在一个混乱的环境中，这些数据存在一个问题。

我们可以根据过去或现在的历史，向学生们展示我们认为他们将需要、使用和获得的观点。这在一定程度上是有效的，但我们也越发频繁地受到个人沉默或缺席的挑战：这来自那些消失、不参与互动或缺席课堂的学生。我们认为他们不感兴趣、不投入，也不学习。但这基于一个假设，即学习只发生在教室或我们创造的学习环境中。我们无法看到这些空间之外发生了什么。

换句话说，我们忽视了能动性，即人们在有能力的情况下，对自己的生活环境做出有意识的贡献或引导。能动性让人们变得不可预测。无论我们对未来行动的预测多么有信心，每个人都可以而且也确实做出了不同的选择。

又或许我们根本不知道该如何应对这种能动性，因为它与权力有关。我们看到能动性在职场的影响，在工作方式、地点和时间方面的能动性的增强正在改变基本结构和过程。这种偏好不会出现在疫情前的职场数据中，部分原因是没有人询问大家是否愿意在家工作，因为人们认为这不是一个可能的选项。

在高等教育中，我们设计了较短的在线课程，因为数据告诉我们，学生们只看了长课程的前几分钟。但随后学生们就抱怨课程过短。这仿佛是一场无法获胜的比赛。

数据是好东西。我们需要信息来做出决定。但我们需要提醒自己，当涉及到个性化和能动性之间的关系时，我们处在一个转折点。我们可以随心所欲地预测高等教育的未来，但还需要更多的研究来充分理解能动性在课堂上的影响。这包括了解影响学生决定的社会和经济制度，以及我们如何改变自己的实践。

有些学生在调查中说他们想重返校园，但却没有返回，这让人感觉数据在说谎。但如果我们直接询问学生公共交通的便捷度和成本、儿童保育的可获得性，或他们对夜间在校园里行走的感受，我们可能可以解释这种明显的矛盾。

任何一个试图在早上9点前把孩子送到学校或日托所的人都知道，这个时间安排的课程不可能选满。仅仅是想到课后需要穿过漆黑的校园，就足以使一些学生早点回家，不管他们多么想去上课。在这两种情况下，努力的代价根本不足以激励他们落实去上课的欲望。

所以数据没有说谎。我们只是对外部因素对行动动机的影响了解不足。或许我们了解了，但没有足够注意，也没有采取足够迅速的行动进行应对。无论如何，从数据到有效个性化的道路显然不能绕过能动性。

凯特·埃姆斯是澳大利亚中央昆士兰大学（Central Queensland University, Australia）的教授和学习设计总监，科林·比尔是澳大利亚中央昆士兰大学的课程和教育开发员。

本文由陆子惠为泰晤士高等教育翻译。