指向深度学习的高中人工智能项目式学习表现性评价模型

摘要：本文聚焦指向深度学习的表现性评价体系构建，基于情境感知（E）、行动贡献（A）与挑战思维（C）模型，借助过程性画像分析、工程笔记测评、高阶思维答辩，实现对学生认知能力、思维素养、价值观的全面评价，探索高中人工智能项目式学习优化样态。

关键词：表现性评价；E-A-C模型；深度学习；项目式学习；人工智能

中图分类号：G434  文献标识码：A  论文编号：1674-2117（2025）01-0091-04

《中小学人工智能课程指南》提出：“强化过程评价，加强课堂观察，分析学生的学习行为，如讨论、展示、操作等，建立学生日志，收集过程性学习数据……也可以通过标准化测试和项目实践活动相结合的评价方式，获取相对充分的反馈信息，支持进一步的有效学习与教学。”[1]这充分说明了构建人工智能项目式学习表现性评价体系的必要性。而表现性评价要求在近似真实的情境中，对学生完成复杂任务的过程表现做出判断，强调评价与学习同步进行，通过评价积极地影响学生的课堂学习[2]，推动群体型课堂教学中学生个性化需求的实现，从而促成深度学习的发生。

基于深度学习理念提炼高中人工智能项目式学习表现性评价的三个维度

深度学习主要包括六个方面，即掌握核心的学术内容、用批判性思维解决复杂的问题、协同工作、有效沟通、学会学习和发展学术见解[3]，就高中人工智能教学而言，深度学习可以归结为“AI思维发展”“AI问题解决”“AI学术见解”三个维度。那么，表现性评价该如何针对这三个维度展开？美国的K12表现型评价体系中提出了四种类型，即表现性任务评价、嵌入课堂式评价、档案袋表现性评价、综合评价系统。[4]

这四种类型各有优势，其内涵主要包括学习证据实时收集、数据评估、模型归类三个流程，而最终的目的是依据归类后的模型做出相应的教学优化决策。

基于发生认识论建构项目式学习表现性评价的E-A-C模型

皮亚杰指出，智慧活动的目的在于取得主体与外部（自然与社会）的协调，最终实现主体在活动中对外部环境的选择、改变，纳入主体新的内化。E-A-C模型（如下页图1）正是基于该理论提炼而成，具体是指包含情境感知（Engage）、行动贡献（Action）、挑战思维（Challenge）三个视角的表现性活动评价。情境感知，即学习主体对外部环境的体验与选择，是学习真实发生的基础条件；行动贡献是系列化的探索活动，是从适应到改变外部环境的具象化行为；挑战思维是学习主体最终建构新的内化（思维或认知）的抽象化过程，是主体的同化内在活动。

（1）情境感知（E）强调项目式学习主体的感悟而非教师的创设，涉及物理环境、心理感受、社会交互等多方面的因素。[5]在人工智能项目式学习中，真实的情境有利于学生快速进入最近发展区，直接影响表现性评价中对学生“AI问题解决”维度的态度行为的评估，也作为项目实施前对学生挑战思维（C）的评估。

（2）行动贡献（A）关注的是项目式学习主体的探究性行为及其在团队协作中的贡献，包括语言与动作两类表现，是探究行为评价维度的重要观测来源。从教育学的角度来看，这个阶段是学生与外部情境产生共鸣，并尝试利用已有认知和技能在最近发展区中建立新的认知区域的过程，也是表现性评价应该重点关注的阶段。行动贡献阶段的表现性评价，应能实时反馈给教师及学生，帮助改进当前的学习问题。在高中人工智能项目式学习中，主要的观测点是学生“AI问题解决”以及“AI学术见解”两个维度的探究性表现行为，当然，学生在项目式学习中的“AI思维发展”维度的思维性表现行为也可得到初步评估。

（3）挑战思维（C）评价聚焦项目式学习活动中学生的思维活跃度和深度，是课堂高质量教学的凭证，也是行动贡献评价有效反馈进而促进自适应型深度学习的表象。该阶段由学生思维行为获得评价数据，主要评估其“AI学术见解”“AI思维发展”两个维度的表现。现有研究表明，思维评价将会遇到诸多困难，但是借助人工智能技术，尤其是在佛兰德斯互动分析理论支持下的语言（语音或文本）分析技术支持下，思维评价可以得到普及性的实践。

基于评价的可观测需求建构E-A-C模型实施的“目标—评价”条件

可观测的“目标—评价”系统设计是表现性评价实施的先决条件。它要求学生学习目标及对其表现评价的标准具有明确性、具体性、可操作性和可观测性等特点，从而确保表现性评价活动能够得到真实有效的执行，以准确反映学生的学习成果，推动学生的学习进步和发展。

（1）目标的可观测可评估指的是学生学习目标采用“行为主体+行为条件+行为动词+行为程度”的表述方式，其中关键的行为动词要具体、明确、可观测。学生学习目标的预设可结合“AI思维发展”“AI问题解决”“AI学术见解”三个维度进行可观测性描述。

（2）评价的每个维度都应该着眼于行为而非结果。行为指的是学生在学习活动中所体现出来的外在语言、动作、表情等，这些外在表象反馈了学生内在认识的真实发生，可被观察、被评估，包括态度行为（如充满自信、乐于思考、主动发言）、探究行为（如参与讨论、动手制作、查阅资料）、思维行为（如提出质疑、提出新观点、分析评价）。

基于E-A-C模型设计高中人工智能项目式学习表现性评价的实施策略

1.设计适配E-A-C模型的评价工具

在E-A-C模型中，整合美国的K12表现性评价体系中提出的四种类型，创设适配高中人工智能项目式学习的E-A-C模型评价工具，包括基于智能平台数据的探究行为评价、基于工程笔记的态度行为评价、基于工程答辩的思维行为评价。通过这三类工具，综合体现学生“AI思维发展”“AI问题解决”“AI学术见解”三个维度的发展情况。

（1）基于工程笔记的评价工具。工程笔记是有效的表现性评价工具，可以贯穿应用于情境感知（E）、行动贡献（A）、挑战思维（C）三个维度。较之档案袋，工程笔记强调从项目构思、设计、实施到反思的全过程，更能凸显学生在团队协作中参与问题分析、方案规划、团队讨论等态度行为性数据。高中人工智能项目式学习工程笔记设计应该包括工程规划（AI问题解决）、进度检测（AI问题解决）、讨论记录（AI思维发展、AI学术见解）、实验（探究）记录（AI问题解决、AI学术见解）、团队评估（AI学术见解、AI思维发展、AI问题解决）等。

（2）基于项目答辩的评价工具。答辩是展示与解释的过程，是思维输出的具体体现，重点实施学生在挑战思维（C）维度的表现性评价。优秀的答辩活动能较好地通过答辩过程中的问题回答、观点阐述、方案展示等环节，关注学生对复杂问题的拆解能力、对技术创新的敏锐度以及对未来趋势的预判能力，不仅考查学生新认知内化的程度，更能评估学生思维表现，尤其是联结思维和辩证思维。答辩工具分为微答辩和综合答辩两类，微答辩应用于行动贡献阶段，即学生的探究过程，综合答辩应用于挑战思维阶段，即项目展示评估过程。高中人工智能项目答辩的评价工具以问题为主要呈现形式，围绕人工智能项目的核心观念、解决方案、创新应用三个角度展开设计，聚焦“AI思维发展”维度。

（3）基于智能平台的综合评价工具。通过实时、细致地记录学生在平台上的每一个实验学习操作、AI实训操作、编程操作等，分析应用使用时长、任务完成率、作品创作数量等多维度数据，同时可以实现跟踪阶段性检测成绩，统计不同环节的习题完成情况，主要应用于学生行动贡献（A）维度的表现性评价。不同的智能平台各有特色，如何利用其功能特色考核“AI思维发展”“AI问题解决”“AI学术见解”三个维度表现，则需要教师灵活应用系统进行综合分析。一般而言，智能平台主要功能包括数据采集自动化、即时学情分析、可视化指引等。

2.依托三类工具实施基于E-A-C模型的评价流程

E-A-C模型的创新与成型，为建构人工智能项目式学习表现性评价体系，实施“AI思维发展”“AI问题解决”“AI学术见解”每个维度的表现性评价提供依据，也为教育改革制订了创新框架。模型是应用范式的框架、标准，其应用策略应能完好体现模型的理念与要求，主要体现在四个流程中，即目标量规、探究跟踪、工程监测、答辩评估，如图2所示。下面，笔者以“人工智能基础算法及应用”单元教学为例进行论述。

（1）制订目标量规。量规以自评活动为主，师生借鉴实时评估结果调整教学活动。量规的制订要求是可通过“关键行为表现”得到观测或衡量，能指引评价者在学生学习表现中找到具体行为证据，如“学生能列举对比案例回答机器学习中监督学习和非监督学习的区别”“学生能够正确处理和准备数据，以满足算法训练的需求”，该流程在教学设计阶段完成，可在情境参与教学环节引导学生理解量规。

（2）分析探究跟踪。借助智能平台对学生学习隐形表现进行跟踪、分析，隐形表现包括自主学习时长、线上有效发言次数、参与他评次数、体验任务进度及用时等。教师借助平台既可以把控全班学习情况，也可关注学生个体数据，由此适时提供教学援助。

（3）跟进工程检测。借助学生小组工程笔记工具落实行动贡献（A）维度评估。由于具备全面评估学生对人工智能基础算法的学术见解、围绕人工智能算法思维抽象情境问题、应用智能算法技术解决问题三维表现的功能，其是项目式学习表现性评价的核心过程。学生在“人工智能基础算法及应用”工程笔记中系统地留痕回顾，记录每个学习阶段的思考和成果，定期进行阶段性自我评估，总结本小组的学习进展和存在的问题，可以为项目的后续学习提供借鉴。教师则可以在单元总结前通过工程笔记评估学生应用智能算法技术解决问题的能力，如在实际项目中如何运用所学算法进行数据处理、模型训练等。

（4）开展答辩评估。教师组织学生以小组形式聚焦挑战思维（C）维度开展学生互评。全体学生依据各组工程笔记面向所有小组进行问辩活动。各小组代表（组长）依据笔记内容，提出针对性问题挑战其他小组。被问小组需清晰阐述观点，展现算法理解深度及应用能力。问辩过程可以促进学生间的知识交流与思维碰撞，教师通过适时引导，确保问辩聚焦于核心算法与应用，并通过总结点评，强化对“AI学术见解”“AI思维发展”的培养。

结束语

在深度学习活动中，表现性评价能够把脉学生的学习过程，提供及时而有效的反馈，给予可解释的实证性参考依据，帮助学生进行学习改进与提高。[6]本文围绕深度学习理念，依据E-A-C模型，从“AI思维发展”“AI问题解决”“AI学术见解”三个维度，设计并通过四个基本评价流程有效实施高中人工智能项目式学习中的表现性评价，形成由态度行为、探究行为、思维行为构成的完整的学生画像。通过构建基于表现评估的工程笔记设计、基于高阶思维评估的工程答辩以及基于综合数据评估的智能平台三个工具，实现了对学生全面而深入的评价，促使学生进入自适应学习、高阶思维培养的状态，即促使深度学习的真实发生。

参考文献：

[1]江波.中小学人工智能课程指南[J].华东师范大学学报：教育科学版，2023，41（03）：121-134.

[2]王虎.将表现性评价融入课堂深度学习[J].新教师，2018（06）：45-46.

[3]周文叶，陈铭洲.指向深度学习的表现性评价——访斯坦福大学评价、学习与公平中心主任Ray Pecheone教授[J].全球教育展望，2017，46（07）：3-9.

[4]韩芳，杨盼.美国K-12表现性评价的内涵与特征[J].中小学教师培训，2019（02）：68-72.

[5]刘清堂，刘瑶瑶，郑欣欣.跨学科主题学习中学习方式的影响因素研究——基于情境学习理论的视角[J].中国电化教育，2024（07）：46-54.

[6]钱旭升.论深度学习的发生机制[J].课程·教材·教法，2018，38（09）：68-74.

基金项目：广东省哲学社会科学“十三五”规划2020年度学科共建项目“智能教育领航名校长的特质及培养体系研究”（项目编号：GD20XJY02）；广东省教育科学规划2025年度中小学教师教育科研能力提升计划项目“基于省级教研基地的高中信息科技教育数智化改革实证研究”（项目编号：2025YQJK0560）；东莞市教育科研2022年度专项课题“高中人工智能教育项目学习过程评价设计与应用研究”（项目编号：2022GCZX21）。