教学评价结果长期被任课教师和高校用来作为未来课程改进的一剂良药，批判性地吸收学生意见、查看问题比例，让课堂内容更符合学生期待。这当然很好，可是，然后呢？当教评结果打破一位教师、一个学期、一门课程的限制，挖出冰山下隐藏的宝藏，教评数据的应用也能丰富起来。
1400万数据告诉你：教评也有性别歧视
美国东北大学历史学助理教授本杰明·M.施密特也许没有想到自己所做的一项名为“书虫”（Bookworm）的将大量文本实现搜索和视觉化的项目会吸引如此多关注。他在个人网站上发布的互动化教评研究工具成为教师和高等教育管理者讨论的热点。该工具将学生给出的教评按照性别和学科分类，将男教师用蓝色圆点、女教师用橘色圆点标注，用户可以用关键词搜索的方式来查看某词汇在不同性别和不同学科的教评中出现的频率。
& @4 D* D# d* v互动工具显示，学生倾向于给男教师更高的评价。当男女教师做了同一件事时，学生可能会在教评中盛赞男教师，却对女教师提出批评。学生的评价更关注女教师的外表和性格，更着重关注男教师的教学技能和智慧。比如，在所有学科中，男教师比女教师更易获得学生“天才”“聪明”“智慧”“才华横溢”“幽默风趣”的赞誉，相比之下，学生在评价女教师时更愿意使用“粗鲁”“严苛”“颐指气使”等词汇。
为了验证，本文作者在互动化教评研究工具上搜索“有趣”（funny）一词时，发现学生似乎认为心理学教师更幽默，每100万教评中，该词用来形容男性教师的次数约为1330次，用来形容女性教师的次数为673次。“有趣”出现在工程学的次数则明显较少，每100万教评中，该词用来形容男性教师的次数约为480次，用来形容女性教师的次数为210次。总体看来，学生认为男性教师比女性教师有趣得多。如果用无明显性别倾向的积极词汇进行搜索，大多数结果显示男性教师的比例高于女性，用消极词汇搜索的结果则正相反。
( S# D5 X9 [' } m& `2 t这样的教评结果引发了一场职场性别公平性的讨论。美国宾夕法尼亚大学沃顿商学院教授亚当·格兰特与首席运营官雪莉·桑德伯格在《纽约时报》上撰文，说明男性和女性在办公室中的地位：“男性没有帮助别人会被形容为‘忙碌’，女性不帮忙就‘自私’。”事实上，教评中存在的性别歧视甚至让罗格斯大学法学院副院长亚当·斯凯尔斯出面要求学生不要在学校的匿名教评中“不合时宜地、幼稚地”点评女性教师的时尚品位。
数据链接
高等教育界的性别差异在薪资收入和待遇上也有明确的体现。腾讯教育-麦可思调查显示，在参与调查的高校女教师中，超八成女教师月收入在5000元及以下（本科为77%，高职高专为89%）。其中，36%在本科学校任职的女教师和48%在高职高专学校任职的女教师月收入在3000元以下。约六成高校女教师近三年薪资有所增长（本科为62%，高职高专为58%），但薪资年均涨幅低于男教师。
在高等教育界对教评中存在的性别歧视问题开始关注的背后，是施密特教授将大数据的概念植入教学评价的创新思路。他在著名网站“评价我的教授”上搜集了高达1400万条的学生评价，将其按照学科、接受评价的教师性别以及评价内容的正负面来分类，实现搜索和数据视觉化。“很多学者都知道，女性教师在很多方面被和男性教师区别对待。我很好奇在教学评价方面这一认知是怎样的。”施密特教授如是回应他的研究动机。
6 \" U+ V# a; i: f. T- z4 ]) P来自评价我的教授网的教评一向被高校教师弃之敝屣。学生们在网站上尖酸刻薄地点评教师，让一些教师大呼受不了。可正是由于参与教评的学生众多，教评数据成为大数据资源，成为高等教育职场性别歧视问题值得研究的部分。施密特教授指出，虽然评价我的教授网与高校内部的教评系统有差别，但并不会完全不同。“很多高校内部的用于终身教职评议和职位晋升决定参考的教学评价都显示出相同的趋势。”高校应该检查教学评价和同行评价中出现的这种趋势，思考是否有其他途径能够让教评更公正。
3 y, R @; h+ V" [2 M j. J[attach]4748[/attach]
$ e7 i1 t: S2 H [% P以“天才”为搜索词，得到男女教师获得学生评价情况的示意图
本文作者与麦可思研究院副院长周凌波进行了沟通。他认为，类似的教评分析的数据可以来自两种渠道：“一种是公开的数据，比如评师网，……可以把评师网的数据下载下来进行清理和分析。还有一种是从公众网站抓取，比如贴吧、人人网。”通过对教评的文本分析、词频分析和情感分析得出一些有一定意义的结论。
9 i# f8 X5 e. i+ g" k7 u8 L“打碎”教学评价表
施密特教授制作的互动工具是在海量教学评价数据基础上进行的深度数据挖掘。数据挖掘，是指从数据库的大量数据中，通过算法搜索揭示出隐含的、先前未知的并有潜在价值的信息的过程。目前有很多领域都在进行数据挖掘研究。教学评价几乎是每所高校的每一门课程都要完成的重要环节，通过学生评价分数对教师教学效果进行评价，每一年都会积累大量数据。不过当前，大多数学校仅对评价进行简单的数据统计，最终结果主要呈现评价分值总数、评价优秀、良好和及格率等基础指标。教评数据在深入挖掘后能发挥出怎样的潜能？或许很多人都不清楚。
; M3 f6 }; {. k2010年，三位来自加州大学河滨分校的学者尝试将教学评价表按题目分类、重选，通过数据分析来研究学生学习情况与教评的关系。他们选择了数学补习课程，在2007年到2009年间，这门课程共有33名教师指导，开设过97次，超过1100名学生修过该课程。这门课程的特点是，学生会在课程结束前完成教学评价，然后参加难度较高的期末考试。如此就规避了学生根据期末成绩的高低来评教的问题，使教评结果真实反映学生的感受。而难度较高的期末考试则成为学者衡量学生学习情况的标尺，不同于文科课程，数学考试的评分标准较为一致，难以出现考试分数注水问题。
结果显示，学生提供的课程评价的确与教学质量和学习情况有正向关系。教评分数每提高0.05~0.07（总分为1~5），学生的学习方差就提高1。当考试分数真实地反映出学生的知识掌握程度，教评结果如实反映出教学质量，始终用考试分数通胀来指责“教评无用”的声音自然而然被驳斥了，教评在教学中的意义得以凸显。
分析还表明，教评中的以下三道问题最能反映学生学习情况和知识掌握度：
' J$ U* r- \ u# v; k% [请按1~5分评价
● 教师讲述清晰，让人容易理解；
●补充材料（如电影、幻灯片、视频、客座教授讲座、网页等）信息丰富；
● 作为学习体验的一部分，这门课整体非常好。
6 e8 @) X; Z; ^* t0 |8 l, \5 @以下三道问题则和学生学习情况基本无关：
请按1~5分评价
●课程大纲清晰地解释了课程结构；
●考试题目反映了课程教学的内容；
●教师充分尊重学生。
这一发现为教学评价问卷的设计提供了新思路。通过对大量教评数据进行挖掘，寻找规律，问卷题目能够更科学合理地安排，以真实反映出学生学习情况并用于改善教学质量。同时，高校在对教评结果进行考核时，也能够分清主次，有的放矢。
探索教评数据挖掘，难在哪儿？
0 t |2 ^+ m. W" @深入挖掘教评数据能够为未来教学改进和高效管理带来更多的可能，不过目前在该领域进行更多的数据分析仍存在不小的困难。在数据深挖所需要的数据二次整理、搜索和算法、模型创建以及指标和统计科学性等方面，仍存在专业人才的缺乏和数据挖掘认知不够深入等问题。
! S/ t! z0 v3 I5 S不过，国内高校也可以像加州大学河滨分校的学者那样，通过对教评内容进行拆分、重组，迈出探索教评大数据的第一步。比如，香港中文大学曾使用学科与教学评估问卷的数据从课程规模、教学方法和学生投入程度等方面对通识教学成果进行分析。研究结果用于协助该校通识教育部制定更切合学生需要的课程安排。
2 m/ r5 |" q+ x) X4 `0 _麦可思研究院副院长周凌波也指出，挖不动大数据时，也可以挖掘一个班级、一堂课的“小数据”。“教学数据分析实际上不一定是要由他人建立一个非常大的数据库才能进行分析，有一些小数据也能够做分析。”周老师还提出，不止是教学评价领域，未来在学生行为分析方面，深入的数据挖掘大有可为。
微信搜索：zjteachers，关注公众号，阅读更多精彩文章~
$ U$ [4 R' D- a) O' I| 欢迎光临 广东人社区 (http://www.gdinnet.com/) | Powered by Discuz! X3.2 |