2026年11月18日 星期三
组卷:用好考试数据
张雨石

    一次考试提供的信息往往比多数人预想的要多。考后,平台会给出每道题的得分率、平均分、难度和区分度,教师据此进行讲评,这套流程已驾轻就熟。难点在于再进一步:如何根据考试暴露的问题,决定下一份试卷的关注点及考查方式。数据虽在,若试卷依旧老样子,这段“从数据到决策”的路径,正是用好人工智能的关键。

    理想状态下,考后系统应自动生成分析,显示下一份试卷要在哪些板块聚力、学生欠缺什么,教师只需要负责判断与取舍。一次,我们学科组尝试智能组卷,问题恰恰出在反馈断层。命题工具按内容标签和难度要求生成试卷,结果成绩分布中间层扎堆。教师排查单题发现,两道大题的区分度几乎为零:高分与低分学生的表现相差无几。这类题目无法有效区分学生水平。

    教研会上,教师找到了原因:“这两道题太绕了”“题干里的条件给得太多”。可惜,这些判断仅停留在口头,随即消散。下一份卷子生成时,系统仍按照原模板出题,学生依然做不动,数据依旧不理想。问题在于系统不知道上次发生了什么,这与计算能力无关。数据经过研讨却未记录,下次自然无法调取,改进链条就此断裂。

    要接上这一环,首先要看清一件事:考试数据中最有价值的并非平均分和难度系数等“漂亮数字”,而是错误的具体形态。学生是概念不清、审题漏条件、计算方向错误,还是根本无从下手?不同的错误类型,对应不同的补救策略。上次那份卷子之所以无效,正是因为有一道题堆砌了过多要兼顾的条件,超出了学生的处理能力,而这在单纯的得分率上难以体现。

    要接上这一环,关键在于教师先把判断记录下来。多数教研组都做过类似总结,但若仅止步于此,出卷时往往还是会回到凭感觉的老路。真正的改进必须落实到具体动作上,指望工具自动变聪明是不现实的,比如下一份试卷提高某类题的比例,或者去掉超纲题中的某个条件,将其换成更贴近生活的情境。

    数据本身也有门槛。有的平台只提供一张表和一个折线图,有的虽给出了难度系数和区分度,但指标含义并不清晰。工具负责计算数据,而数据代表什么、是否合理仍需教师解读。此外,时间也是现实制约:哪一块该加力、哪道题该改都要先想清楚,而这很耗时。时间不够时,最省事的选择是按老套路出题。更根本的问题在于,日常考试常被沿用终结性考试的选拔逻辑,导致数据偏向筛选。建议先从最好用的部分入手:重点关注哪些题全班都错、错法是否一致。

    让链条转起来,依靠的是具备数据解读意识的教师。这更像是一种习惯,而非强制机制:每次考完,挑一道错误最多的题认真分析错因,并记入备课本。记录的内容还要能衔接后续教学:这类错误下次要加强练习,那道题要换个问法。只有写的人心里有数,出卷的人才能用得上。

    考试的价值在于向师生呈现真实的学习状态。卷面反馈比零散问卷更可信,但表格里的曲线不会自动改变教学。只有将数据转化为几道新试题、一次有针对性的重讲或一段相应的辅导,这次考试才算完成了诊断。下一次智能组卷能否更精准,关键在于是否有人愿意把观察到的细节记录下来。

中国教师报