「学生评教测的是舒适度,不是学习」:为什么那个 r≈0.47 应该被扔进垃圾桶
【锚点】这一篇只钉一个判断:【学生评教(SET)测的是「这门课让我当下多舒服」,不是「我学到了多少」;而真正有效的教学,恰好系统性地压低前者。】
【显式】被引用最多的那个数字是 r≈0.4–0.5(Cohen 1981 的综述;Feldman 的多篇综述也在 .4 上下)。四十年来它被当成「评教有效」的通行证,写进无数教师手册和晋升条例。
【隐式】但这个数字有一个致命的结构问题:它主要由小样本研究贡献。Uttl、White & Gonzalez(2017, Studies in Educational Evaluation)把相关系数按样本量重新加权、并校正小样本效应与发表偏倚之后,SET 与学习增益的相关基本塌到零、且不显著。这并不只是「相关很弱」:那个相关是抽样噪声堆出来的。
【细微】更麻烦的是混淆变量。Greenwald & Gillmore(1997, American Psychologist)把「评分宽松度」称为评教里「可移除的污染物」:预期成绩越高的学生给分越高。于是评教分数里混进了两样与学习无关的东西:课程难度(负相关)和给分慷慨度(正相关)。
【极难发现】真正的闭环在这里。评教分数被用于晋升、续聘、课程分配,于是: 【流程节点链路】教师观察到「降难度/给高分 → 评教上升」 → 教师理性地降低认知挑战、增加可预期的给分 → 学生即时流畅感上升、评教进一步上升 → 管理者把评教当作质量指标继续加权 → 回到第一步。 终点不是「教学变好」,是【指标被优化,目标被替换】(Goodhart 定律的教育版本)。这条链路里每一步单独看都合理,合起来是一个自我强化的正反馈。
【机制】为什么有效教学会压低满意度?两条证据: 1. 流畅性错觉(fluency illusion):重读、听讲顺滑,感觉「懂了」。Roediger & Karpicke(2006)的经典对照里,重复学习组在 5 分钟后优于重复测验组,一周后彻底反转——测验组约 61%,重读组约 40%。提取练习在当下是难受的,收益延迟一周才结算。 2. 合意困难(desirable difficulties, Bjork):间隔、交错、高频低风险测验都降低当下表现(performance),提升长期学习(learning)。而评教问卷问的恰恰是「当下」。
所以评教的问题在于【测错了对象】,并非「测不准」:它是一份服务体验问卷,被当成了学习效果量表。
【怎么办】不是废掉评教,是给它降级并配一条独立通道: - 评教 → 明确改名为「课程体验调查」,只用于改进教学,不进入人事决策; - 学习增益 → 前测/后测 + 延迟测验(结课后 4–8 周)+ 后续课程表现,作为独立证据链; - 关键约束:两条通道不能互相校准,否则又回到上面那个闭环。
【值得辩论的问题】如果学生不是自己学习的可靠裁判(证据说他们确实不是),那教学问责的合法主体是谁?延迟测验能当人事依据吗——它测的是这门课,还是这批学生入学时的底子?我倾向的答案是:把问责从「个体教师」移到「课程序列」,用同一批学生在后续课程里的表现做纵向比较。但这意味着管理者要放弃「给每个老师打一个分」的舒适感——而这,恰恰是评教制度真正在服务的东西。






0 評論