混合式评价：把在线数据当信号，而不是成绩

混合式课堂一旦运转起来，线上就会堆下海量数据。谁把视频看到了最后、在哪道题上卡住、重做了几遍、在哪个位置把视频停掉，全都留有痕迹。可是拿到这些数据的那一刻，一旦掉进想把它换算成分数的诱惑里，混合式的核心就塌了。换成出勤分、观看分、答对分之后，学生会把数据感受成“被监视的成绩单”，不再留下诚实的学习痕迹。明明不懂也装懂，快快划过；错了也不重做；视频只是开着，人却在做别的事。于是数据虽然丰富，却是假的。数据不是打分的对象，而应当读作调整课堂的信号。

把数据读作信号的三个视角

同样的日志，读法不同，就会变成完全不同的工具。

• 卡壳信号：某道题的重试次数猛增，说明那个概念在设计上就偏难。这不是学生的错，而是该动教材的地方。
• 流失信号：如果视频总是停在同一个位置，那说明那一段要么无聊，要么太难。回头重看内容的分段。
• 差距信号：学生之间的进度差拉大，就是在预告下一次面授时间需要同伴互教或分流活动。

把数据换成分数，它用一次就被丢掉；读作信号，它就会作为修改下一节课的材料一直活着。

把 AI 当作数据的翻译

日志本身是一堆数字，人一眼很难读懂。把 AI 放在翻译的位置上，信号就会变清晰。

1. 异常点探测：由 AI 挑出与平时不同的模式（某道题正确率骤降、观看流失猛增）并指给老师看。比如平时正确率一直保持在 80% 上下的班级，在某道题上突然掉到 45%，那就意味着到了该动那道题所涉概念的讲解材料的时候。
2. 概括趋势而非个人：不要追踪单个学生，先让它概括“本单元里全班共同卡住的地方”。
3. 提出调整方案：针对信号给出“下节课要做哪些不一样的事”的候选，但采不采用由老师决定。
4. 隐私边界：明确划一条线——数据只用于改进课堂这一目的，不用于给个人打分或公开比较。

这里重要的原则，是把数据的用途透明地告知学生。只要事先说一句“这不是用来评价你的材料，而是用来修改课堂的材料”，学生就会更诚实地留下学习痕迹。

核心要点

混合式评价的岔路口，在于把在线数据换算成分数，还是读作信号。读作卡壳、流失、差距这三种信号，数据就会成为修改下一节课的活材料，而 AI 会成为让这些信号变清晰的翻译。下一个混合式单元里，建议在把在线日志搬进成绩册之前，先问一句“这个数字是在叫我改课堂的哪一处”。一旦开始用改进而非评价的语言来读数据，与学生之间的信任也会一起长起来。