【摘要】數據是精準教學的核心，而大數據時代提供了便捷的技術支撐。本文以閱卷數據為載體，從“取”數據、“理”數據、“析”數據、“用”數據、“思”數據五個維度，將“靶心”指向學生檢測反饋出的直接數據，映射教師在課堂教學、作業輔導、個性化診斷等過程中的方式和方法。教師在備課組研修中“活化”靜態數據，實現優質教學手段和資源的共享，賦能后續的精準教學。【關鍵詞】數據驅動；精準研修教師研修是促進教師專業發展的重要途徑。隨著時代的發展，教師研修的外部環境和內生需求發生了重大變化，傳統教師研修在實踐中出現了許多問題。如教師需求錯位、工學矛盾凸顯及交流反饋遲滯等。較為突出的問題是研修效能低下，這歸根結底是教研數據的運用存在瓶頸[1]。學校教師研修也存在著同樣的問題，主要表現在教研主題不清、教研主體參與意識不強、教研模式粗放、教研資源短缺等問題[2]。數據驅動教師精準研修，是基于信息技術環境收集多模態數據進行分析和應用，以支持課堂教學改進、教學行為優化的一種研修形態[3]。利用技術對各類數據進行采集和分析，可以揭示數據中隱含的教學問題，并能精準診斷和定位研修需求，解決傳統教研中無法準確分析教師“隱性需求”的問題。基于數據驅動的教師研修有三個環節：一是數據分析要結合案例研究，二是問題歸因要跳出“就題論題”陷阱，三是問題解決要問策常態教學。基于此，學校希望通過對分、題、師、生、教、學等內容的研究，佐證與探索高效、優化的教師教學策略，從而實現教師對課堂教學難度的精準把控、對學生分層診斷與輔導和對學生的個性化輔導。依托每一次考試后的備課組研討，從學生的數據中發現教師教學行為中的亮點，并在接下來的研究時間內，多學科、多教師共研究，通過數據實證，優化教學策略，改進教學行為。具體操作流程如圖1所示。閱卷系統“取”數據：指標量化，多元采集數據的處理，包括平均值、優秀率、合格率，重點是對試題的得分明細，每道題的年級段得分率、班級得分率、學生得分率，并且和平均得分率進行比較，計算出均差，為了研究方便，可以將百分數的均差放大進行數據的分析和對比。考前，教師統一對試卷的難度系數進行預估，對四分位點以及需要的分層統計研究使評價更加具體、全面、客觀。這些位點學生的分析可以幫助教師更好地認識班級總體情況、不同層次學生的人數和后起力量，從而為下一步有針對性地輔優、補差或挖掘中端力量，做出數據上強有力的佐證。在日常教學、作業批改、網絡閱卷等工作中，教師也可以統計、收集數據，并進行處理和分析，為日常教學診斷與教學調整提供科學依據。如果教師對數據進行精細化深度分析，就可以精準地發現并糾正學生容易出現的各種問題。建模統計“理”數據：縱橫對比，個體剖析根據網絡閱卷系統提供的數據，備課組對年級段的12個平行班級的數據進行多元化、個性化的建模統計處理。如按學校、班級、任課教師、學生進行建模，或分層分塊、前后跟蹤對比建模。設置班級每題的得分均差表，通過每題的班級得分率均差，反映班級對該題學習結果的優勢、劣勢情況。如用題目得分率均差值（S）來評價班級學生學習結果：當題目得分率均差值（S）顯正值時，為優勢題目，且S越大，越具優勢；當題目得分率均差值（S）顯負值時，為劣勢題目，且S越小，越顯薄弱。在多維數據中，對一線教師來說，最具有實用性、最重要的是各班得分率和率差比較表。備課組在此基礎上可以繪制各類題型的各班得分橫向比較表和各班優、劣題目排序表。對具體的數據進行縱向、橫向比較，分析學生失分的原因和教師教學上的遺漏點，聚焦每一層面鮮活的學生個體，找準切入口，研討改進措施。一是橫向對比，把脈學生優劣處。以考試為例，組內協作取得第一手數據之后，教師進行年級段數據的精準統計和分析，從而知道整個年級段各個層面的不同題目得分情況。如初中科學學科各類題型各班得分橫向比較表，就是對四種題型的得分情況進行各班橫向對比，并給出每一小題的各班得分情況與均差，以及本題考查的教學難度；教師還可以把本班學生在填空題的得分情況、平均分的差距和年級段的平均得分、各平行班得分和均差進行對比，進而進行經驗總結和找到學生優劣題型。二是縱向對比，找準教學精準點。橫向對比可找到學生的欠缺之處，而縱向對比能幫助教師發現自己教學中的閃光點和薄弱點，對自身教學準度有更加客觀的評價和認識。如可以與過去學習的數據進行比較，分析班級、學生的階段性學習變化情況，教師不僅能知道任教班級每道題與其他班的差距，還能對答題情況進行分析，思考平時教學中的細節，找準教學精準點。如錯題二次檢測后的數據分析及錯因分析等。診斷問題“析”數據：數據研討，策略交流在備課組的研討會上，每位教師針對自己班級得分率較高的題目進行詳細的分析，從而對自己教學較為得心應手的方式方法進行分享，由此拓寬每一位教師的教學技能和教學方法。主要側重分析以下五個方面。一是“析”難度：難度系數偏差性。難度系數，不僅是評價試題和考試效果的重要參數，更反映了考生對考核內容的掌握程度。預估難度系數，是教師在學生實考前根據試題內容、基于學情，在綜合考慮各種影響因素后，評估得出的試題難度。教師對試題難度系數的預估體現了其對教學難度和學情的把握，預估值與實考值之間的差距反映了教師對學生和試題的了解程度、對課標及教材的掌握程度以及教學重難點的落實情況等。如果出現了較大的偏差，說明教師缺乏對班級學情的準確判斷，需進一步進行學情調查及其數據分析，精準難度才能精準教學。二是“析”知識：學科概念內隱性。如科學知識是科學學科考查的一個主要內容，在一些基本操作流程和實驗題中，都蘊藏著大量的基本知識和基本概念。對于這一塊內容得分率較高班級的幾位教師，就分享了自己的日常教學經驗：關注概念的理解，對內涵與外延的拓展和變式的辨識，復習課也可以采用實驗教學方法等，方法不同，卻都能強化學生對于基本概念的掌握和理解。三是“析”方法：教法學法多樣性。科學方法是學科教學的重要手段，也是學生解決問題的重要途徑。掌握了有效的方法，可以事半功倍，并且不會出現誤解或有歧義的理解。如目前的科學學科考查中，讀圖能力和科學探究能力都占了很大的比重，其中圖像題目中還有各種類型，如曲線圖、扇形圖、流程圖等，如何進行有效分析就顯得尤為重要。由此還可以遷移到表格類的題目中，緊抓表頭進行變化和趨勢的分析。探究題目中的方法也很多，對于解決這一類題型的方法M教師有自己獨到的建議：首尾呼應，不跑題。從一個探究的問題開始，就要找到最關鍵的句子，與假設、方案、結論呼應起來。考查假設可以從結論里去找，考查結論就可以從假設里去找。關鍵句，就是探究題的一把關鍵“鑰匙”。四是“析”技巧：建構模型輔助性。模型法是科學發展史中的重要方法，大到天體和宇宙星系，小到原子分子和細胞，再到精細化的眼球和耳的結構，都離不開模型的建立。模型可以幫助學生有效、便捷地理解難以親眼看見的事物。以此類推，在解決問題的過程中，模型法也可以進行有效的遷移，如滑動變阻器有效長度，C教師用描黑有效部分的方法建立模型；再如海風和陸風的模型建立，F教師分享的教學方法就是讓學生自己繪制海風和陸風的風向模型，從而加深學生的理解和認識。五是“析”班情：班級個體差異性。在備課組的研討會上還發現，即使是同一位教師任教的兩個平行班級，也會有同一道題得分率相差極大的情況。這時教師就需要從班級差異入手，考慮是否應該針對不同的班級和學生，調整自己的教學風格和策略，因材施教。教學行為“用”數據：數據證實，精準教研備課組對網絡閱卷系統所提供的學科檢測大數據進行一定的處理、分析，尋找高效學習的亮點，溯源課堂教學行為，發現行為與結果的相互對應，同時開展進一步的數據實證研究，發現不同學習方式的學習效益確實存在顯著的差異，同時運用教育理論進行詮釋，并將其方法應用于教學改進。如科學備課組在研修時，通過數據研討后最終溯源課堂教學行為，進一步實證研究發現教師的某些行為與結果存在如圖2所示關系。網絡閱卷系統數據顯示，把課堂還給學生，讓學生動手、動口、動腦，讓學生相互評價和辯論，這種生“動”學習方式充分體現“學為中心”的教學理念，真正實現了知識在學生頭腦中的意義建構。這樣的學習是真實的，是高效的，也是與學習金字塔理論完全吻合的[4]。這是教育理論在教師自己的教育實踐中的親身體驗，對教師來說是一種通過實踐的方式學習教育理論，更是一種主動學習理論的方式，是理論和實踐的有機結合。這能夠有效地改變教師想在課堂上講得多、講得快來提高學生學習有效性的教學行為。評價體系“思”數據：資源整合，優化策略科學的本質是一種建制，是一種方法，它“活化”了靜態的科學知識。同理，對數據的分析相當于“活化”了靜態數據，每位教師都有自己教學的獨到之處，在分析完學生展示的數據之后，可以進行組內的歸納和總結，然后針對學科題型、策略和針對學科教法的策略也就應運而生了。如在科學學科的學習中，課堂教學讓學生親自動手實踐的學習方式，選擇題的多角度多方法解題、填空題的多變辨識、探究題多從文本資料本身去找資源和突破口、解答題的多拓展應用，都是學習經驗的展現。而針對學法的指導，回歸課本、關注實驗等都被數據佐證為有效的教學手段。備課組研修，把“評最優”改為“評亮點”，把“籠統評價”改為“數據精準評價”，把“單一評價”改為“多元評價”，把“權威式評價”改為“研討式評價”，把“終結性評價”改成“過程性評價”，從看重結果性數據走向結果性與過程性數據并重。數據為教育教學的診斷與改進提供證據支持。量表技術讓每一位教師都有獲得感，從而樹立“數據賦能教育，評價促進改進”的基本理念。總之，精準教研的最終目的，就是為了立足學生，進行