摘要：教育评价的现实困境与历史形成的教育评价功能失衡密切相关：甄别选拔不断强化、育人退居其后。选拔型教育评价的形成和扩展，至少受到两个历史前提的支撑，即高等教育机会的稀缺性和标准化认知能力的高回报。随着高等教育普及化和人工智能的发展，这两个前提已经改变，但甄别选拔的制度惯性仍因路径依赖、协调成本和信任约束而持续强化，压力向低学段和非考试领域扩散，教育评价聚焦个体成绩及其聚合，忽视了教育与社会流动、区域发展和产业变迁的内在关联。易测性遮蔽了“值得测试”，高利害使用降低了测量效度。多学科考察表明，这是量化选拔型评价的结构性困境。教育评价改革应着力于功能的分层与解绑、选拔的适当外移与后移、社会信任的渐进重建，并为难以测量之物保留制度空间，使评价真正服务于人的发展。
李永智，男，中国教育科学研究院教育公平研究中心主任、研究员，博士。刘芳，女，上海师范大学教育学院研究员。
基金信息： 国家自然科学基金2023年度面上项目“大数据技术融合同行评议的科技人才分类分层评价模型研究”（62377043）。
我国已建成世界上规模最大的教育体系，九年义务教育实现高水平巩固，基础教育质量在多项国际比较中达到发达国家平均水平，高等教育进入普及化阶段，“双一流”建设成效显著。然而，与规模和水平持续提升形成反差的是，社会教育焦虑却在加剧。升学竞争的激烈程度不降反升，学业压力向低学段传导，学生身心健康水平令人担忧，教育支撑社会经济发展和培养拔尖创新人才的能力仍有不足，区域、城乡、校际差异较为明显，这些问题的症结常可以溯源至教育评价机制。
作为对教育活动的价值判断，教育评价通常承载五种功能：通过形成性反馈支持教与学改进，通过甄别选拔配置稀缺教育机会，通过激励形成行为导向，形塑社会对教育、政府对学校、学校对教师的绩效约束，并通过文凭向劳动力市场传递能力信号。育人与选拔之间的结构性张力是任何评价制度设计都必须直面的前提性约束。
以标准化测量为基础的教育评价机制建立在两个相互支撑的历史前提之上，一是教育机会的稀缺性，二是标准化认知能力显著且稳定的人力资本回报。然而，随着高等教育迈向普及化以及人工智能不断对常规认知劳动进行替代，上述两个前提发生重要变化，前提已变而制度存续，教育评价便可能由手段僭越为目的，表现为选拔功能持续极化，并对教育的育人本体功能形成系统性的遮蔽。
一、失效抑或异化：选拔功能的历史合理性及其消解
当教育评价需要以最高治理层级来纠偏时，其问题便不宜再被理解为局部性技术失灵。在“破五唯”业已成为政策共识的当下，一个前提性的概念问题仍有待澄清，我们忧虑的对象究竟是一件已经失效的工具，还是一种业已异化的力量？失效与异化蕴含不同的改革逻辑。失效意味着工具因时代变迁而丧失功能，需要替代或升级，异化意味着工具已反噬其所服务的目的，需要扬弃与重建。若只是失效，改变教育评价的任务是技术更新；若已是异化，教育评价改革则必须指向结构层面的重置。
（一）稀缺条件下选拔功能的历史合理性
19世纪末，教育评价经历了测量学转向。1905年比奈(Alfred Binet)和西蒙（Theodore Simon）编制了智力量表，1908年桑代克(Edward L. Thorndike)编制标准化教育测验，20世纪我国学者俞子夷编制国内最早的标准化测验。标准化测验因高效、统一与可比，迅速嵌入现代教育体系，这是多重条件共同作用的产物。工业革命对人才的规模化需求、教育向大众的扩张、社会流动的制度化安排，共同构成了选拔功能凸显的历史条件。
具体到分析我国改革开放初期的教育评价制度，需要引入一个更具约束力的前提，即高等教育供给的稀缺性。一是高等教育机会稀缺，高等教育毛入学率不足2%；二是人力资本稀缺，各行各业面临人才断层，国家急需在最短时间内识别高素质人才；三是识别机制稀缺，社会缺乏可信的大规模人才识别机制。三重稀缺叠加约束下，1977年恢复高考的意义愈加凸显。高考以统一的学业标准重建“知识改变命运”的社会信念，以最低成本识别为可堪造就的人才打开了社会流动的制度化通道。1977年全国报考人数达570万，实际录取新生仅27.3万，录取率不足5%。[1]这一悬殊比例和长期以来极高的社会认同，反映了在资源极度稀缺的历史条件下，教育评价的甄别选拔功能所作出的重要历史贡献。
这种贡献体现在效率、公平与秩序三个维度。就效率而言，标准化考试提供了最广覆盖面的人才识别方案，将多维个体禀赋压缩为可比较的一维指标，信息损失不可避免，却是信息处理能力有限时获得可操作性的必要代价。更重要的是，该机制与当时的经济发展需求高度匹配，工业生产所需要的正是具备标准化知识基础、遵循操作规范且产出可预测的劳动者。就公平而言，统一考试提供了程序与形式公平，其匿名性、程序性与可复核性构成了有效的制度屏障。就秩序而言，高考长期运行中所积累的社会公信力，是历经数十年形成的稀缺制度资源，一旦损耗极难重建。由此，才能理解教育评价改革所面临的深层张力，任何显著削弱制度的抗干预能力的教育评价方案，无论理念多么先进，都将面临难以承受的社会阻力。守护这一制度资源，并非出于保守，而是出于对教育制度公信力稀缺性及其重建成本的审慎考量。
（二）前提之一的消解：从数量稀缺到结构性稀缺
凸显教育选拔功能的第一个前提在于高等教育机会的数量稀缺已发生根本性变化。按照特罗（Martin Trow）的高等教育发展阶段理论，高等教育毛入学率超过50%即进入普及化阶段。[2]当前，我国高等教育毛入学率已超过60%，高等教育整体进入普及化阶段。“能否上大学”的数量约束已不再构成具有分配意义的问题。
然而，教育供给总量的扩张并未相应降低竞争烈度，关键在于数量稀缺转向结构性稀缺，前者源于教育资源供给总量的不足，后者产生于教育质量分层及层级间的回报差异。高等教育普及化并未消除稀缺，而是使其发生结构性位移，顶尖高校的容量相对刚性，而竞争者总量与准备程度持续上升，竞争烈度因而不降反升。只要位次结构存在，排序所生产的结构性稀缺无法通过扩大供给而消除。这也解释了为何增设优质学校、扩大重点高校招生等政策举措均难以从根本上缓解教育焦虑。
选拔功能建立在稀缺性之上的合理性由此弱化，教育评价所分配的对象已不再是“接受教育的机会”这一外生给定的稀缺资源，而蜕变为“相对位次”这一由评价系统自身生产的稀缺，换言之，教育评价的功能已由分配数量稀缺转向分配结构性稀缺。
（三）前提之二的消解：人工智能与传统能力回报的弱化
凸显教育评价选拔功能的第二个前提更为根本，即标准化认知能力具有较高的社会回报。传统教育评价所测量的，主要是结构化知识的记忆与提取、标准算法的执行、既定题型的识解，以及在限定时间内高速完成规范化任务等认知能力。这组能力之所以曾经具有极高的选拔价值，是因其在劳动力市场上稀缺且回报丰厚，因而形成了评价所奖励的能力与市场所需求的能力之间的功能对应。
人工智能的发展正从根本上改变这一对应关系。传统教育评价所倚重的能力与人工智能快速进入的例行认知任务存在较高重合，由此使这些能力原有的劳动力市场稀缺性与选拔价值受到冲击。[3]其一是选拔效度受到侵蚀。教育评价的选拔效度建立在所测能力能够稳定预测个体未来价值表现的前提之上，当某种能力可以被技术低成本替代时，围绕该能力的测量便会丧失其预测效度。这并不意味着相关能力失去教育价值，它们仍是理解和认识世界的重要基础，但其作为选拔指标的效力正在下降，教育评价因而不得不重新回答“究竟应当测量什么”这一根本问题。其二是教育测量困境的凸显。在作业、论文与报告均可获得人工智能辅助时，基于学习产出的评价将难以区分学生自身能力与技术工具的贡献。[4]严格监考通过隔绝技术维持传统评价范式，已与真实工作情境渐行渐远；依赖检测技术则面临可靠性不足与师生关系监控化的问题。这表明，问题的症结已不再是如何在技术变迁中维持旧的教育评价，而在于旧评价所依据的能力观本身正在失去其适切性。
教育评价所实际测量的标的与教育应当培养的目标之间的偏差，正在由可容忍的局部错位转变为结构性断裂。过去，纸笔考试仅能覆盖教育目标的一部分，但因所测能力与劳动力市场的需求高度相关，其偏差尚可接受，人工智能则正在削弱这种相关性，使传统评价的选拔合理性失去重要支撑。
（四）合理性消失而制度存续：异化的发生
教育评价的选拔功能在测量标的与目标适切性上已经“失效”，然而，比失效更为严峻的是异化。工具丧失效用时不会自动退场，反而可能借助路径依赖与利益固化，由手段倒置为目的。这正是当前评价危机的深层来源，也是本文使用“异化”而非“失效”来界定问题性质的根本理由。诺斯（Douglass C. North）指出，制度一经确立，便可能通过报酬递增与自我强化机制持续存续，即便其初始效率理由已经消失。[5]就教育评价而言，这种制度持续性主要来自四重锁定。
其一，已有成本锁定。教师的专业能力、学校的组织形态与时间安排，以及家庭围绕考试竞争的培训和居住投资，均与现行教育评价体系高度耦合。制度变迁的阻力并非源于主体间的合谋，而更多是分散主体基于自身利益作出的理性选择的聚合。
其二，协调失灵锁定。即使各方均意识到现有格局属于集体非理性，但单个主体率先退出仍可能使自身处于不利地位，因而无人能够独自改变系统均衡，这构成了典型的“囚徒困境”——存在更优的集体选择，却缺乏实现它的协调机制。
其三，观念锁定。制度不仅存在于正式规则中，也内化于社会成员的观念结构。“考试改变命运”观念已内化为深层的文化图式，持续塑造着家长的期待、教师的职业信念和学生的自我认知。由于观念变化通常与制度调整存在时间差，这就从文化层面解释了何以政策层面的松绑未必能同步带来行为层面的松绑。
其四，公信力的约束。现行教育评价体系最重要的制度资产，是其在长期运行中积累起来的公信力。综合素质评价、过程性评价与表现性评价尽管在理念上更为贴近育人目标，但实施均须引入专家判断，在专业共同体的自律机制尚未健全的现实条件下，专家判断的空间很容易被社会舆论理解为寻租的空间。公众的质疑通常并不指向评价者的专业能力，而是指向程序能否有效抵御干预，这也解释了何以一些同类的评价方法在其他教育体系中运行良好、移植至我国却步履维艰，差别不在技术层面，而在于配套的社会信任体系。由此形成两难选择，评价越贴近育人目标，便越依赖专家判断；而越依赖专家判断，在当前的信任体系下便越难获得社会认可。公信力顾虑所标示的并非改革的阻力，而是改革的真实边界。倘若忽视这一边界，方案设计得再精巧也难以落地。
从失效到异化，体现的是教育评价制度与历史条件之间的辩证关系。同一制度安排，在特定的历史条件下曾是问题解决方案，条件改变后却可能转化为问题本身。承认其历史贡献与指出其当下束缚，并非立场对立，而是同一分析框架中相互衔接的环节。教育评价改革的任务不是修补制度漏洞，而是重建评价制度与新的历史条件之间的适配关系，这意味着改革需要从技术改良上升至评价范式的整体调整。
二、边界的失守：选拔功能的全学段传导与闭环生成
当前，我国各学段评价的底层问题高度一致，即评价标准的外在性对成长规律的偏离，这一偏离可以用“反拨效应”来解释。教育评价不仅反映教学结果，也会反过来塑造教学行为。正向反拨指评价促进教学目标实现，负向反拨则使教学围绕评价目标运行。当教育评价结果进一步用于资源分配、学校问责与个体筛选，反拨效应往往由正转负，表现为教师聚焦考试内容、学生从追求理解转向追求分数，家长陷入“为评价而竞争”的零和博弈，由此形成目标置换。[6]
教育问题长期按学段分割讨论固然有专业上的必要性，却也容易将各学段的共性问题视为彼此独立，从而遮蔽其背后的共同机制。事实上，贯穿不同学段的评价问题共享同一结构，而这一结构只有置于全学段视野中才能完整显现。
（一）学前：预期性选拔的远端传导
学前教育本应是选拔压力最难抵达的学段，也恰恰最能显现选拔逻辑的穿透力。0—6岁是神经系统发育的关键敏感期。认知发展具有显著的多模态整合特征，多通道信息的协同加工对高级认知发展具有重要意义[7]。皮亚杰（Jean Piaget）的认知发展理论表明，学前儿童的认知建构以感知动作、游戏与社会互动为重要基础。[8]但当前学前教育存在“小学化”倾向，识字量、计算能力等可量化指标成为隐性评价标准，游戏及社会化活动的基础价值被忽视。
其危害主要有两重。其一，过早的符号化训练偏离认知发展规律，将丰富的多模态经验压缩为单一的符号输入，以超越儿童发展水平的知识训练替代感知、游戏与互动，不仅可能削弱认知发展的自然节律，也可能影响后续逻辑、注意力和认知灵活性的发展。皮亚杰主张“学习从属于发展”，揭示了学习活动必须以儿童已有认知结构为基础。[9]其二，评价导向扭曲教育行为，部分机构以提前学习制造竞争优势，将短期、可测的学业收益转化为可见的结果，而儿童发展的长期损失却难以计量，实质是以长期发展潜能换取短期评价优势。
（二）小学：显性选拔取消后的隐性重构
小学阶段教育生态的危机集中体现为“提前学”的普遍化。校外培训机构围绕标准化考试的内容与形式要求，形成与学校课程平行甚至超前的教学体系。当相当比例的学生已在校外提前掌握课堂内容时，课堂原有的“诊断—处方—改进”机制便难以有效运行，教师角色也由知识启蒙者转变为影子教育系统的巩固者。
“提前学”的影响主要体现在四个方面。一是以重复训练替代正常的认知挑战，使学生失去经历“必要难度”（desirable difficulties）的机会。比约克(Robert A. Bjork)等人的研究表明，适度的学习困难有助于深层编码、长期保持和知识迁移，流畅表现反而容易造成“已经掌握”的错觉。[10]二是导致未提前学习者在同伴比较中处于不利位置，形成心理压力。三是提前学习者的“虚假掌握”，训练熟练度不等于概念性理解。四是削弱师生教与学的内在动机，使教育异化为外在驱动的竞争博弈。“双减”政策将切断校外培训与学校评价之间的传导链条作为核心治理目标，正是试图通过抑制影子教育的过度扩张，修复学校教育的本体功能。[11]
义务教育免试就近入学政策从制度层面取消了显性的学业选拔，对促进教育机会公平具有积极意义。但选拔需求并未因此消失，而是转向更为隐蔽的替代机制，学区房溢价将学业竞争转化为住房资本竞争，校外培训与各类证书形成正规教育体系之外的信号传递系统，非公开的生源识别进一步规避制度约束。三种路径均表现出对家庭经济资本更强的依赖程度和更低的透明度，这说明在需求未得到制度性疏导的情况下，单纯取消选拔工具可能使其以更为隐蔽的方式进入教育体系。
（三）初中：分流决策的信息错配
初中阶段恰逢青春期发展的关键期，前额叶皮质经历以突触修剪和髓鞘化为特征的重要神经重塑，青春期被视为继婴幼儿期之后的又一重要发展窗口。[12]从心理社会发展视角看，埃里克森（Erik H. Erikson）将青春期界定为“同一性对角色混乱”（Identity vs. Role Confusion）的关键阶段，青少年亟须通过自主探索回答“我是谁”，兴趣发现与价值观形成应当构成初中教育的核心关切。[13]
然而，当前初中教育被中考高度捆绑，形成了“考什么教什么”的课程窄化，表现性评价所倡导的多元能力被单一纸笔测验的甄别逻辑所置换。[14]这种窄化造成的课程失衡是具体而微观的，体育异化为特定项目的应试训练，科学教育沦为实验步骤和结论记忆，探究精神与证据意识受到挤压。评价在此显示出强大的“反拨效应”，不仅测量课程实施结果，更在事实上塑造课程内容本身。
初中还是第一次实质性教育分流的节点，中考分流焦虑的强度源于社会评价的落差以及转轨通道的狭窄，而这正是选拔逻辑长期形成的结构性错配——个体正处于探索“我适合什么”的年龄，却被要求全力应对一场决定“我是谁”的考试。
（四）高中：排位与掐尖驱动的“评价性放弃”
高中阶段的评价资源呈现头部集聚效应，以顶尖高校录取为核心指标的评价体系，将教育资源高度集中于学业表现前10%至20%的学生，忽视了多数学生的增值发展，与国民综合素质提升的需求明显背离。这里存在显著的“终点放大器”效应，前序学段积累的选拔焦虑在此阶段集中释放，而高考作为“最公平的选拔机制”的社会共识，又为这种资源配置的极化提供了强有力的正当性。
选拔导向的评价实际上构成了对多数学生的“评价性放弃”，他们被持续标记为“不优秀”，发展潜能和真实教育需求被低估。罗森塔尔（Robert Rosenthal）与雅各布森（Lenore Jacobson）的实验表明，教师期望会经由日常互动转化为学生的实际表现[15]，当评价体系持续传递“只有少数学生值得关注”的信号时，教师可能无意识地降低了对多数学生的期望，并通过各种反馈渠道传递给学生，使“后进”的标签被学生内化。由此，教育评价不再只是测量既有差异，而成为制造和再生产差异的机制。
新高考改革旨在扩大选择权、促进个性发展，但家长和学生的选科选择却往往转向对等级赋分规则的策略计算，学科兴趣与能力适配退居其次。其背后反映出一条制度规律，只要评价的核心功能仍是选拔，改革所引入的自由度就会迅速转化为新的博弈维度。这种策略性响应正是参与者个体在既定激励结构下的理性选择，折射出改革工具与深层治理结构之间的不匹配。
高中教育不应被窄化为单纯的备考阶段。教育的社会收益不仅局限于拔尖人才的创新，也来自全体劳动者素质普遍提升所带来的生产率增长。若相当比例的学生成为升学竞争的“陪跑者”，不仅会损害其个人发展，也会削弱国家的人才基础。[16]“县中塌陷”是这一逻辑在空间维度上的表现，优质生源与师资向少数高声望学校集中，使部分县域中学失去了为地方社会积累人力资本的基础功能。
（五）高等教育：绩点内卷与教育评价的同构异化
部分学生在标准化评价体系中表现优异，进入自主驱动的学术环境却出现目标迷失。与此同时，高等教育评价还面临另一重困境，即过度关注短期、可测的学业产出，课程考核、论文评价等难以有效承载认知挑战、批判思维和创新能力的培养。
绩点竞争进一步强化了选拔逻辑。推荐免试保研资格、奖学金评定、出国申请与就业机会分配均不同程度地参考绩点排序，学生遂采用相应策略性响应，主动规避具有认知挑战性但可能拉低绩点的课程。高校本应容纳的试错性探索、跨学科学习和对复杂问题的长期投入，反而因“不确定回报”而被理性地放弃。
这一现象与基础教育的应试化具有明显的同构性，以可测的替代性指标取代难以测量的实质目标，并在替代过程中发生目标置换，最终诱导行为主体追求指标本身。由此可见，问题并非某一学段的具体制度设计，而是贯穿教育体系的功能性结构，当评价的选拔功能持续扩张，教育便容易将“可比较”置于“值得培养”之上。
（六）职业教育：被建构为“选拔的剩余”
职业教育本应是一种与普通教育地位同等的类型教育，近年来在贯通培养、职教高考与本科层次职业教育等方面已取得了实质性进展。然而，社会认知与制度设计之间存在显著落差。当整个教育体系以升学竞争为主导逻辑时，无论政策文本如何重申其类型地位，职业教育在社会认知中都被解读为未能通过学术选拔的被动归宿。这一认知图式具有自我强化的内在机制，因社会认同度低而难以吸引优质生源，生源结构又印证并加固了既有教育评价，由此形成相互强化的闭环。
职业教育的困难并非源于其自身办学缺陷，而是整个教育评价体系的结构性投影。系统内部的改革虽必要却难以扭转社会认知，只要教育评价的逻辑仍以位次排序为核心机制，职业教育便难以摆脱“选拔剩余”的处境。在这一结构中，被遮蔽的不仅是职业教育的育人功能，还有其对国民经济体系的支撑功能。制造业转型升级对高素质技术技能人才有着刚性需求，而选拔逻辑将具有较好实践潜质的个体导向单一学术轨道，其结果是人力资源供给与经济结构需求之间的深层错配，一端是技术技能人才的结构性短缺，另一端是高学历学术人才的相对过剩。
（七）传导机制、主体困境与“评价铁笼”
教育评价异化并非孤立地停留在某一特定学段，而是呈现清晰的跨学段传导。这一传导机制呈现三个特征。一是下移，压力沿学段不断前移，家长的提前投入通常可以快速获得相对优势，进而使每个学段的教育任务都被更高学段的选拔要求改写。二是弥散，选拔从考试环节向非考试领域扩散。显性选拔取消后转为隐性选拔，扩大选择转化为策略博弈。选拔不再是教育中的一个环节，而成为渗透各环节的元逻辑。三是闭环，选拔逻辑生产社会竞争预期，预期驱动提前投入，抬高竞争烈度，烈度又强化选拔的重要性，这也是单点改革难以奏效的结构性原因。
在传导链条中，学生、家长与教师三重主体均发生适应性改变。学生的时间预算和注意力向考试准备集中，阅读、玩耍、交往与探索受到挤压。家长从教育的合作者转变为竞争优势的经营者。教师从育人者转变为评价执行者，专业判断让位于数据指标，教学活动更多围绕考点和升学结果展开。由此，评价不仅改变教育行为，也重塑了教育关系。
评价由教育活动的内在环节，异化为外在目的。从价值立场看，由促进发展的手段异化为筛选淘汰的工具。从制度逻辑看，由服务教学改进的反馈机制异化为支配资源分配的权力机制。从社会结构看，影子教育等评价替代机制又使其由促进流动的通道异化为固化差异的屏障。三重异化相互强化、循环累积，形成一个自我维持的“评价铁笼”。
三、评价对象的错置：从孤立个体到教育与社会的关联
对教育评价功能的追问，必须回到评价对象这一原点。现行体系将评价对象锁定于学生个体在标准化任务上的学业表现，这造成了某种遮蔽效应，把教育从其所嵌入的社会结构、历史进程与政治经济脉络中抽离出来，压缩为一个自我封闭的“黑箱”。我们必须“跳出教育看教育”，将教育评价置于社会整体中加以审视。
（一）聚合与排序：“指标依赖”的三重代价
作为信息加工的基本方式，聚合与排序深植于教育领域的信息与激励结构之中。教育产出具有多维度、长周期、难验证的特征。在各相关方存在严重的信息不对称的条件下，聚合与排序逻辑被奉为唯一框架，这会带来三重结构性代价。
其一是聚合谬误。整体层面的性质，无法由个体层面的数据简单加总而得。个体层面的改善目标一旦被普遍化至整体层面，便成为逻辑上无法实现的要求。当评价体系对每一所学校施加“提升升学率”的压力时，围绕相对位次的竞争便容易呈现零和博弈特征。
其二是关系的不可见。学生的社会化过程本须在自然多元的社群之中完成，各具个性的同伴对于其健康成长具有不可替代的意义，而分层编班恰恰打破了这一自然生态。同伴之间的智识激发、学校文化对个体志向的塑造、师生信任对学习投入的影响，这些“关系性资产”皆为教育效果的真实来源。教育活动的参与者将资源投入可见的个体指标，却消耗着不可见的“关系性资产”，分层编班的代价是同伴关系多样性的丧失，竞争排名的代价是合作关系的削弱。
其三是时间尺度的截断。教育的效果往往须在较长的时间尺度上方能显现，如公民素养、终身学习能力、职业适应性等等[17]，而现行评价所测量的仅是一个时段内可测得的表现，这意味着评价系统对教育的长期效果几乎处于无知状态。我们精确地知道学生在考试中的位次，却不知道教育是否使他们成长为更有能力、更能承担责任的人。这种精确与无知之间的反差，正是评价对象错置最为直观的症候。
（二）被遮蔽的“森林”：四个维度盲区
如果说个体成绩只是“树木”，那么被遮蔽的“森林”究竟是什么？就教育的社会功能而言，至少有四个维度处于现行评价框架的盲区之中。
其一，教育与社会流动的关联。教育被社会期待为促进流动的核心机制，然而现行体系并不评价教育在这一维度上的实际表现。我们评价学校的升学率，不评价学校对不同背景学生的增值贡献；评价高校的生源质量，不评价生源结构在如何反映社会结构，也不评价毕业生的去向在多大程度上改变了原有的阶层分布。教育在何种程度上成为社会流动的通道，又在何种程度上是分层再生产的装置，这一关乎教育社会功能之根本的问题，恰恰不在现行评价的范围之内。
其二，教育与区域发展的关联。教育对区域社会的支撑作用在现行评价中被简化为向外输送升学人才的能力。也就是说，对于一个县域而言，教育成功的实际效果近乎人力资本的净流失。“县中塌陷”很少被表述为一个评价问题。“教地适配”良性循环机制的形成，既符合区域社会经济发展规律，也符合教育发展规律。[18]然而，现行框架使“对本地发展的贡献”根本不进入教育评价视野，也缺乏促使地方教育系统关注本地产业需求与文化传承的机制。
其三，教育与产业结构的关联。提升人力资本结构与经济所需的人才结构的匹配度，乃是教育最重要的社会功能之一。当前，特定学历层次的就业压力与技术技能人才短缺并存，正是这种匹配出现问题的集中表现。高校指标以学科排名、科研产出为主，就业质量方面的指标权重与精细度不足以形成有效的引导，基础教育更完全不涉及这一维度。长此以往，教育系统在培养结构上便屏蔽了来自社会需求的反馈信号，其结构调整只能依赖行政规划，无法实现自我校准。
其四，教育与社会凝聚的关联。教育承担着传承文化、培育公民与形成社会共识的功能，这些功能在课程标准中虽有明确的表述，但在评价体系中却几乎不可见，结果是这些功能虽被反复强调，却因缺乏评价支撑而在实践中处于弱势地位。
（三）双层结构：个体评价与系统评价的分离
教育评价的真正对象究竟是一个个孤立的个体，还是教育与社会发展的深层关联？诚然，学生的学习状况必须被了解，否则教学无法进行。但个体评价应服务于个体发展，不应被简单聚合为对系统的评价，系统评价则需要不同的对象、方法与指标。
现行评价体系混淆了这两个层次，以个体测量的聚合代替系统评价。这一混淆同时损害着两端。在个体端，个体测量因承担了分配功能而被扭曲，诊断价值让位于比较价值；在系统端，系统评价因依赖个体数据的聚合而只能看到最表层的特征。因此，评价改革的方向不应仅仅“改进个体评价的技术”，而应是“重构评价的对象层次”。具体而言，是建立双层结构，个体层次回归诊断与改进，弱化比较与分配的功能；系统层次建立以教育—社会关联为对象的独立评价，指标不是成绩的聚合，而是关于流动性、匹配度、区域贡献的直接测量。
（四）错置的根源：治理约束重于技术约束
教育评价对象错置的背后，值得关注的是技术约束和治理约束，其中技术约束仅居次要地位。诚然，教育与社会关联的测量在技术上远比个体测量困难，它涉及长周期追踪、跨部门数据整合与因果推断等一系列复杂问题，这些挑战是真实存在的，但并非不可克服。大规模追踪调查、行政数据连接、准实验方法在国际研究中已有积累，真正的瓶颈在于治理约束。系统层次的评价一旦建立，便必然触及敏感问题，诸如不同学校对不同背景学生的贡献差异、教育在阶层再生产中的实际作用、区域投入的实际回报等。这些信息一旦生产出来，就会对现有的资源格局与声望结构构成挑战。此外，系统评价在责任归属上具有天然的模糊性，教育与社会的关联取决于教育、经济、人口、就业等多个系统的合力，难以归因于单一主体，这与治理结构对“权责清晰、可考核”的要求存在张力。
治理约束与公信力约束密切相关，唯有信任得以逐步积累，治理结构才可能容纳模糊归因与专业裁量。现行评价之所以锁定个体成绩，是因为这一对象最符合治理结构的功能要求。教育评价内容的重构意味着治理方式的调整，而调整的前提是建立充分的社会信任。
四、教育评价异化的技术归因：可测试性对值得测试的僭越
教育测量构成教育评价的重要基础，但二者在问题域上存在本质区别。教育评价追问的是什么样的教育具有教育价值、教育在何种程度上回应了社会需求；教育测量则是用量化工具描述教育现象的技术操作，回答的是“有多少”和“到什么程度”的事实性问题。测量为评价提供依据，评价为测量赋予方向。教育评价的异化源于二者关系的倒置，测量的技术可能性反过来规定了评价的价值取向，“能测什么”决定了“该教什么”，评价丧失了为测量赋予方向的能力，转而被测量所定义，这便构成了异化的技术起点。
（一）三重区分的混淆与技治主义
教育评价异化产生的深层机制之一，是可测试性对值得测试的僭越。测试技术的可能性取代了教育价值的正当性。这源自卡梅伦（W. B. Cameron）的一个经典命题，并非所有可教的都是可测的，并非所有可测的都是值得测的，更非所有不可测的都是不值得教的。当代教育实践恰恰混淆了这三重区分，以可测试性定义内容的重要性，以测量难度定义价值的等级。选拔是评价的既定功能，但不应支配其他功能，一项内容值得教授，理由应该在于它的教育价值，而不在于它的测量便利，测量的便利性开始决定教育的内容时，便构成了手段对目的的僭越。
此种僭越的后果在课程领域集中表现为考试学科与非考试学科的分化，德育、体育、美育、劳动教育被“注意力”边缘化。其原因不是这些领域缺乏育人价值，而是这些价值难以被现有技术所捕捉，审美体验的深度与劳动观念的成熟度皆为情境化、个性化、难以量化的维度。这种僭越本质上是一种“技治主义”，技术的边界决定了价值的范围，而非价值的需求引导技术的方向。因此，异化不仅源于外部压力，也内生于测量活动自身的内在逻辑。若异化全由外部压力造成，压力的消解即可带来异化的消除；倘若异化存在内生机制，即便外部压力缓解，只要测量逻辑不变，异化仍会以新的形式不断再生。
（二）异化的测量学根源：信度对效度的挤压
可测试性的霸权源于技术惯性，经典测量理论强调信度、效度、区分度等技术指标，而这些指标天然偏好可量化、可标准化、可大规模施测的认知领域，对具身性与表现性的素质存在结构性的测量盲区。测量技术在提升精确性的同时，悄然窄化了可测范围，越来越倾向于测量那些本来就易于测量的项目。[19]
在某些复杂能力的评价中，提高标准化程度与扩大构念覆盖范围之间可能存在张力，信度与效度之间并非一般意义上的对应关系。提高信度的常规手段是增加标准化程度、减少主观判断、聚焦评分一致性高的题型，而这些手段都以牺牲对复杂能力的覆盖为代价。客观题的信度高于论述题，论述题的信度又高于开放性项目，题型与认知层次之间并不存在一一对应关系。评价对可辩护性的极端要求，不自觉地推动测量向低认知层次收敛，这不是命题者的水平问题，任何可能引发争议的题目都构成必须规避的风险。
（三）构念低度代表与构念无关变异
梅西克（Samuel Messick）在效度理论中区分了两类威胁：构念低度代表（construct underrepresentation）与构念无关变异（constructirrelevant variance）。[20]构念低度代表指测量覆盖的范围窄于所要测量的构念。以数学能力为例，它包含建模、表征、猜想与论证、在非结构化情境中识别数学结构等多个维度。纸笔测验主要覆盖已结构化问题的求解与计算准确性，测验并未测错，只是测得太窄。当这一窄化的测量被用作数学能力的代表，教育实践便向被测量的部分收敛。构念无关变异指测量受到所要测量的特质无关因素的影响。以数学能力测试为例，考生成绩的差异一部分来自真实的数学能力，另一部分来自应试技巧、答题速度、考试焦虑、对题型套路的熟悉以及训练强度等因素。这些因素与数学能力本身无关，却极易影响成绩。由此产生的后果是，当应试训练能显著提升分数却不提升实际能力时，这种投入在评价框架内反而会被判定为完全“有效”。更严重的是，评价体系不仅无法识别这种投入的真实无效，还会通过分数奖励机制主动激励此类应试行为，从而进一步扭曲评价结果。这两个概念共同刻画了异化的测量学归因，测量所覆盖的范围小于教育目标，而影响测量结果的因素大于教育目标。这一偏差不是随机误差，而是稳定存在的测量偏差，且会因行为主体的策略性响应而放大。
值得关注的是，当代效度理论已转向一种更为审慎的立场，效度不是测验的属性，而是对分数的特定解释与使用的属性。同一测验用于此目的可能有效，用于彼目的却可能无效。换言之，测量学不再承诺“我们能准确测量能力”，而是主张“任何测量的使用都须被单独论证”。将分数用于诊断学习困难，与将同一分数用于决定升学机会，是两种需要各自论证其正当性的使用方式。现行评价实践的普遍问题恰恰在于，为一种目的开发的测量，被不加论证地用于另一种目的。
（四）坎贝尔定律与古德哈特定律：高利害自毁效度
如果说测量学所滋生的是静态的偏差，那么以下两条定律所揭示的则是偏差的动态自我强化机制。坎贝尔（Donald T. Campbell）在研究社会指标时提出，一个量化指标被用于社会决策的程度越高，它就越容易受到腐蚀，也越可能扭曲它本应监测的社会过程。[21]古德哈特（Charles Goodhart）在研究货币政策时提出结构相同的命题，任何统计规律性一旦成为政策目标，都将趋于崩溃。[22]人类学家斯特拉森（Marilyn Strathern）将其通俗地表述为，当一个指标成为目标，它就不再是一个好指标。[23]
以上定律的共同机制在于，任何指标都是对不可直接观察的目标之替代物。替代之所以有效，是因为在指标被用作目标前，二者存在稳定的相关关系。一旦指标被赋予实质性的利害后果，行为主体便获得了直接优化指标的激励，而优化指标最经济的路径通常不是提升实质目标，而是利用指标与目标之间的缝隙。
这在教育领域的表现极为典型。成绩最初确实是学业水平的良好替代，因为在没有针对性训练的情况下，成绩差异确实反映能力差异。然而，成绩一旦被用于高利害决策，针对性训练便成为行为主体的理性选择，此类训练对实质能力的提升远小于对成绩的提升。经过这种所谓的“策略性优化”，成绩与能力的相关性被稀释，考试由“能力的测量”退化为“应试准备程度的测量”，指标与目标之间的关联由此断裂。评价的高利害会增加效度受到侵蚀的风险，技术不能完全消除这种风险，但可以通过扩大分层抽样，采用多元证据等方式缓解。因此效度风险可能来自技术缺陷，也可能来自高利害使用所附带的后果。
（五）麦克纳马拉谬误：不可测者的消失
如果说上述两条定律描述的是被测量之物如何扭曲，那么麦克纳马拉谬误（McNamara Fallacy）描述的是未被测量之物如何消失。这一谬误展开的四个步骤在教育中的对应链条清晰可见。第一步，测量成绩、升学率、论文数量与就业率。第二步，好奇心、审美感受力、道德素质、合作能力以及面对困难的韧性难以测量，于是被搁置或以粗糙形式勉强纳入。第三步，评价不涵盖这些内容，学校与教师的激励结构中便不包含它们，久而久之便形成“这些是软的、次要的”的实践共识。第四步，系统的信息生产不涉及这些维度，关于它们的实际状况便越来越没有可靠信息，相关讨论无法基于事实展开。
未被测量之物的“消失”不需要任何人有意否定这些价值，每一步都局部合理，整体的荒谬由累积而生成。这也是它难以纠正的原因，不存在一个可以被指认的错误决策，而是一系列合理决策的累积性后果。多重机制共同作用，形成一套完整的排除机制。可测的被测量，并因高利害而扭曲；不可测的被搁置，并因不被激励而萎缩。教育系统实际生产的，既不是被测量的实质能力，也不是未被测量的重要品质，而是一种专门适应于评价系统的特殊产物——应试能力。
（六）教育内容的结构性窄化
“不可测者消失”在教育内容层面呈现为一种结构性窄化。当评价系统只承认可预先设定、可量化测量的目标时，课程结构便被迫向目标导向收缩。艾斯纳（Elliot W. Eisner）对课程目标的经典区分，恰好揭示了这一收缩发生的内在机理。他区分了目标导向与过程导向的课程，并指出后者允许“浮现性目标”的产生，教育中许多最有价值的收获事先无法预料，事后难以测量。现行体系以目标导向为框架，对过程导向及其伴随的“浮现性目标”缺乏容纳空间，课程中的“创造性偏离”被压制，教学沦为对预设目标的机械执行。[24]
这一逻辑在学科层面展开为清晰的降维链条。审美体验与创造性表达难以量化，艺术教育被压缩为可考核的技能指标；体育被窄化为体能测试的达标训练，终身运动习惯与意志品质因无法纳入评价框架而被搁置。这些学科在评价层面的“失声”，直接传导为课时安排与资源配置上的“失权”。当教育内容被裁剪至仅保留可测维度时，学校所传授的便不再是面向完整生命成长的知识，而是面向评价系统的信息——内容的结构性窄化，最终指向人的结构性窄化。
（七）工具理性对价值理性的僭越
国内学界围绕这一话题已积累了相当的研究成果。韦林翠揭示了课堂评价存在三重异化：学习功能缺失、反馈功能变质、竞争筛选功能挤占。[25]刘继萍揭示，标准化思维把人简化为“数字人”，导致“有评价无教育”的悖论。[26]伍辉燕借助马克思劳动异化理论，指出评价已由促进发展的手段蜕变为控制的权力。[27]石中英则从体系层面指出，评价结果使用的功利化使评价偏离了立德树人的本体价值。[28]上述研究共同揭示了评价由育人工具向规训权力转化的过程。
这种状态的哲学本质是工具理性对价值理性的压制。韦伯（Max Weber）指出，工具理性的扩张会把价值问题表述为技术问题，从而使目的的正当性不再成为可讨论的对象。他警告“铁笼”困境，工具理性的膨胀导致意义世界的萎缩。哈贝马斯（Jürgen Habermas）以“系统对生活世界的殖民”进一步刻画这一过程。[29]这一警告在教育领域已成现实，评价的技术日益精密，教育的目的日益模糊；测量的数据日益丰富，成长的意义日益贫乏。
教育的目的是一个价值问题。要培养什么样的人，什么样的能力值得培养，此类问题只能通过公共讨论加以回答，不可能由技术裁决。然而，评价体系一旦支配实践，教育目的便不再由公共讨论确定，而事实上由指标确定。关于“应当培养什么”的价值争论，被替换为“如何提升指标”的技术讨论。这一转换的隐蔽处在于，它并不以否定价值讨论的形式出现，但真正规定行为的是指标。于是形成了一种双轨结构，理念轨道上讨论育人，实践轨道上运行选拔。这种分裂本身就是异化的症候，它使反思变得困难，任何对现状的批评都可以被理念层面的正确表述所回应，而理念与实践的脱节被视为“执行问题”。
破局之道在于回归价值理性。斯塔克（Robert E. Stake）提出的回应性评价（responsive evaluation）提供了重要的理论资源，评价应回应教育方案的内在价值与多元诉求，评价者应深入现场理解具体情境。[30]“值得测试”应优先于“可测试性”。这意味着评价再设计必须包含价值审议环节，哪些素养对终身发展至关重要，即使测量技术尚不成熟，也应保留其课程地位？由此可以得出四点方法论含义。其一，不存在“完美的测量”这一解决方案。构念低度代表无法完全避免，高利害必然引发策略响应。靠技术改进彻底解决问题，在原理上不成立。其二，降低利害比改进测量更为根本。效度的主要敌人是利害本身，减轻单一评价的分配后果，比设计更精巧的工具更有效。改革重点应从“评什么、怎么评”转向“评价结果被用于什么”。其三，须为不可测之物建立制度保护。保护的方式不是“把它们也测量起来”，而是在制度上保留不受评价支配的空间——不被考核的课程时间、不计入评价的探索活动。其四，价值问题须以价值方式解决。当社会无法就教育目的达成共识，指标便会填补空白，以技术中立的外观行使实质的价值裁决权。
五、量化评价局限特征的多学科印证
用纯量化逻辑衡量复杂的生命系统，本质上是一种降维操作，把多维的、情境依赖的成长过程简化为单维的、去情境化的数值序列。正如气象学家无法用温度这一个指标描述生态系统的健康，教育评价也无法用分数这一个维度描述一个人的发展。降维后的数值看似客观而精确，实则是一种经过多重简化的知识赝品，它提供了确定性，而其代价是真实性。引入多学科视角源于方法论目的，检验诊断是教育学一家之言还是有跨学科支持。若多个学科从各自独立的理论出发得到结构一致的诊断，可靠性便大大增强。需要说明的是，本文的反思对象是量化逻辑的过度扩张与不当使用，而非量化本身。量化方法是现代教育治理不可或缺的工具，在识别系统性问题、监测教育公平、支持循证决策方面具有的不可替代的作用，问题在于量化的边界划在何处、结果被赋予何种程度的权威、是否取代了本应由专业判断承担的功能。
（一）经济学：信号功能与文凭通胀
围绕教育回报的性质，存在两种经济学理论解释。人力资本理论认为，教育提升了个体的生产能力，其回报来自能力的实际增加。信号理论与筛选假说则认为，教育回报至少有相当部分源于文凭作为能力信号的功能，雇主据此筛选。[31][32]教育回报中相当一部分可能来自信号，而非能力的实际提升。这对教育政策设计有一定的借鉴意义，倘若教育回报主要来自文凭信号，那么个体层的教育投资仍然理性，而社会层的扩张效率却可能下降。因为信号的价值在本质上是相对的，当所有人都获得更高文凭时，信号的区分度随之下降，而社会付出的资源是实实在在的，这就是所谓的文凭通胀（credential inflation）。
当评价的主导功能是选拔而非育人时，教育便在很大程度上退化为信号生产装置，其社会效率随规模扩张而递减。人工智能的介入使这一问题更趋尖锐，倘若文凭信号所代表的能力恰恰是正在被技术替代的能力，那么这一信号的信息价值本身也处在贬值之中。
（二）社会学：表演性文化与分层再生产
社会学以社会结构、制度运作与权力关系为核心关切，因而是剖析教育评价之社会维度与政治维度的极好工具，社会学对论题的贡献可以归纳为如下两个方向。
其一为鲍尔（Stephen J. Ball）在《教师的灵魂与表演性的恐怖》（The teacher's soul and the terrors of performativity）一文中引入的“表演性”概念，用以描述一种特殊的规训机制。表演性不同于传统的纪律规训，后者通过监视与惩罚作用于身体，前者通过指标与排名作用于自我。在量化体系下，个体不再是自主的探究者，而沦为被动的表演者，大量精力被用于维护数据、填写表格、对齐指标与美化呈现，这些行为不创造真实价值，却构成了“我正在努力工作”的景观。表演性文化制造了虚假的繁忙，而真实的改变却微乎其微。更深的影响在于自我理解的改变——教师不再以“我是否促进了学生成长”定义职业身份，转而以“班级平均高于年级平均”来确认自身的专业价值。[33]在教育实践中表现为师生共同“表演学习”，课堂互动指向评分标准而非求知本身，作业完成服务于指标达成而非能力建构。这一分析与福柯（Michel Foucault）对考试的考察彼此呼应。福柯指出，考试把个体转化为“可描述、可分析的对象”，并通过持续的记录与排序建立起关于每个人的档案。其效果不只是外在控制，更在于主体的塑造，个体逐渐学会以评价的标准来理解和管理自身。[34]当一个人长期在排序中被定义，其自我认知便难以摆脱位次的框架，这一影响在离开学校之后仍将会持续。
其二为布迪厄（Pierre Bourdieu）的分层与合法化理论。该理论指出，学业评价所测量的并非纯粹的“能力”，而在相当程度上是家庭文化资本与学校要求之间的契合度。其中的关键机制在于“符号暴力”，评价把出身带来的优势重新表述为个人天赋与努力的结果，使不平等的再生产获得了合法外观。[35]在现实生活中，这一再生产不仅是符号层面的，还往往通过马太效应获得强化，早期的微小优势经评价识别后被追加额外资源（重点校、竞赛名额、荣誉），转化为更大的优势，评价所测得的差距有相当部分是评价系统此前的分配所造成的。
（三）心理学：内在动机的挤出
从心理学的视角看，过度量化会引起外部奖赏对内在动机的干扰。德西（Edward L.Deci）通过实验发现，当学生原本出于兴趣从事智力拼图，一旦引入外部奖励后，其在自由时间继续该活动的内在动机就会显著下降。[36]这一发现后来发展为自我决定理论。[37]德西与瑞安（Richard M.Ryan）进一步指出，外部奖励之所以削弱了内在动机，是因为它改变了个体对行为原因的归因，从“我做这件事因为我喜欢”转变为“我做这件事为了获得奖励”。[38]量化评价本质上是制度化的外部奖励体系，其链条越精密，对内在动机的侵蚀越彻底。其核心机制在于对自主感的剥夺，当一个人觉得自己“为了指标而活”，就从主体降级为客体。大量研究证实，问责、截止日期、强加目标与竞争同样会削弱个体的内在动机。[39]
选拔型评价的心理学诊断可以从两个互补视角来理解。德韦克（Carol Dweck）认为，以排序和标签为核心的评价传递“能力固定”的隐含信息，塑造固定型心智模式，使个体回避挑战、将失败归因于能力不足。[40]成就目标理论进一步区分掌握目标与表现目标：前者导向深层学习与坚持，后者导向表层策略与焦虑，而强调排名的评价环境则可能诱发表现目标。二者共同构成一种因果论证。选拔型评价不仅遮蔽育人功能，还可能形塑与育人目标相冲突的学习心理；当自我价值被锚定于一个必然产生失败者的排序系统时，心理风险便不是个别现象，而是结构性的。
（四）知识哲学：默会知识与失败的价值
教育中最宝贵的东西往往无法量化。波兰尼（Michael Polanyi）的默会知识概念指出，人类知识中存在大量“我们知道的比我们所能言说的更多”的领域。那些难以言传、需要长期浸润、依赖情境感知的直觉与技艺，都属此类。经验丰富的教师对课堂氛围的感知，科学家对研究方向的直觉，艺术家对形式美的把握，都属于默会知识。波兰尼认为，所有知识要么是默会的，要么植根于默会知识。[41]由此可见，若教育评价只能测量显性知识的掌握，便忽略了更为根本的默会知识的生成机制。而默会知识不可充分编码、难以被标准化测试，因此在以标准化测试为核心的体系中处于弱势。[42]
教育中失败的价值同样难以量化，却至关重要。科学史表明，重大突破往往源于此前大量“数据极差”的探索。爱迪生试验了千余种灯丝材料，居里夫人从数吨矿石中提炼微量的镭——此类工作在量化体系下都会被视为效率低下，但正是这些短期指标上的“失败”，构成了突破不可或缺的积累。就此而言，失败看似浪费资源，实则是在探索边界；成功看似节约成本，实则固化路径。量化评价体系对失败的低容忍，实质上构成了对创新的系统性压制。
（五）伦理学：优绩主义的道德后果
伦理学所追问的是评价体系所隐含的正义观。现行体系的正当性建立在优绩主义之上，机会应依据才能与努力进行分配。相对于依据出身或特权的分配，这无疑是历史进步，然而政治哲学对这一原则提出了深刻的批评。
桑德尔（Michael Sandel）的批评集中于道德后果。优绩主义(meritocracy)认为，竞争起点是公平的，因而结果反映了个人的应得。而在桑德尔看来，这一前提并不成立——现实中的竞争起点从未真正公平；更重要的是，即便起点完全公平，天赋的分布，以及社会恰好奖赏何种天赋，都不足以构成“应得”的基础。优绩主义把结构性的不平等转化为对个人的道德评判，成功者相信其成就全然出于自身努力，因而产生道德优越感；失败者则内化“我不够好”的评价，承受着比物质匮乏更为沉重的尊严损伤。[43]桑德尔将这种状况称为“优绩的暴政”。
罗尔斯(John Rawls)指出，即便机会形式上平等，个体的天赋与家庭环境仍是“道德上任意的”，没有人应得其天赋，也没有人应得其出身。纯粹依据才能分配利益的原则，在道德上并不比依据出身分配更具正当性。[44] 罗尔斯进而认为依既定规则所得到的多寡属于“合法期望”（legitimate expectation），而非“道德应得”。其结果不具有道德意义，个人的位次说明了其表现，并不能证明其价值。
由此可得一个结论，评价体系不只分配机会，还分配尊严；不只测量表现，还裁定价值。而后一种功能从未被明确纳入评价体系的设计之中，它是选拔功能极化之后的溢出效应，这或许是“异化”一词最为沉重的含义。
以上五个学科对量化评价的诊断在结构上呈现出高度的一致性，说明选拔功能对育人功能的遮蔽，并不是我国教育的特殊现象，也不是执行层面的偏差，而是量化选拔型评价在多种制度环境都会面临的结构性风险。我国教育评价的特殊性不在问题的性质，而在规模、烈度以及评价在治理结构中所处的核心位置。
六、教育评价范式转型的必要、可能与治理条件
对教育评价异化机制的考察，意旨不是否定量化评价本身，而是在历史的纵深之中辨认它的边界与代价。教育评价的本质不是流水线上的成品检验，而是促进整全生命的长期涵养。那些无法精确计量的好奇心、共情力与判断力，恰恰构成了人之为人的核心。承认这一前提，教育评价转型的必要性便不言自明。评价必须回归“诊断”的本意，它应当是一种持续的、开放的、指向可能性的理解活动，不是一次性的、决定命运的终极判断。
（一）指标累加与价值耗散的悖论
量化崇拜是现代性困境在评价领域的投影。当评价被简化为可计数的符号，实践便面临一个悖论，指标的无限累加与价值的持续耗散同步发生。真实价值不等于指标的线性加总，当指标累积趋于繁复而缺乏有意义的内核时，真实价值反而趋于空疏。这一现象在经济学中称为边际效用递减，在教育评价中可称为指标通货膨胀——新增指标的边际贡献递减，而评价成本却边际递增。
苏皮欧（Alain Supiot）曾批判以数字进行治理的现代趋势，指出其实质是以计算取代判断。[45]穆勒（Jerry Z. Muller）以“测量的暴政”为题，考察了绩效指标在教育、医疗与警务中的泛滥及其反功能后果。[46]二者的共同警示是，这种治理方式试图把人训练成高效的算法执行者，却忽略了人最核心的能力恰恰是那些看似无用的好奇、犹豫、反思与试错。
那些在指标中表现最完美的学生与教育机构，有时会显出创造力贫血。他们精于在既有框架内优化表现，却怯于挑战框架本身、质疑前提、探索未知。达克沃斯（Angela Duckworth）所推崇的坚毅，在指标化语境中被窄化为“对长期目标的持久努力”，忽略了对目标本身是否值得追求的反思。[47]真正的坚毅应包含战略性退出的智慧，即知道何时坚持、何时转向，而这恰恰难以被标准化评价所测量。创造力贫血不是个体的性格缺陷，而是评价制度长时间筛选的结果。评价奖励对给定问题的快速解答，惩罚了对问题本身的重新定义；评价肯定对标准答案的精准复现，抑制了对替代方案的探索。此种筛选经过多代人的累积，形成了“优秀但缺乏想象力”的普遍性困境。
（二）人工智能提供的评价技术条件
随着人工智能技术突破和应用普及，教育评价中一些长期停留在理念层面的主张开始具备付诸实践的现实可能。
从结果走向过程。过程性评价长期难以落地的主要障碍之一在于成本，持续观察与记录需要巨大的资源、特别是人力投入。数字化环境使学习痕迹自然留存，智能体技术则使得对这些痕迹的分析变得方便可行，评价因此能够关注问题解决的路径、修改的历程以及遇到困难时的策略选择，而这些过程信息对诊断的价值远高于最终答案的对错。
从单一走向多元。传统评价受制于成本约束，不得不把复杂的育人目标压减为少数可批量测量的维度，智能多模态分析则使对复杂表现的评价——项目作品、口头论证、协作过程——在成本上变得可行。当更多有价值的维度变得可以评价时，评价被迫向便利性妥协的程度就可以相应降低。
从排序走向诊断。传统评价不得不以粗糙的排序替代精细的诊断，部分原因是后者在大规模条件下不具备可行性。人工智能则使大规模的个性化诊断成为可能，从而削弱了“因为无法为每个人提供反馈，所以只能排序”这一长期约束条件。
从考试走向伴随。当评价融入学习过程之中，从“事件”还原为“过程”，当测量嵌入学习、持续伴随而非独立开考时，低利害属性使其免于诱发应试策略，却依然能提供丰富的诊断信息。考试作为高利害独立事件的必要性下降，效度所受的威胁也随之减轻。
（三）转型的实质：从分配装置回归教育环节
教育评价范式转型，可以概括为若干组相互关联的转变，这些转变不是技术的替换，而是评价在整个系统中功能定位的重构。就目的而言，从确定位次转向支持成长——这是核心所在，其余转变皆由此派生。就时机而言，从学习之后的总结转向学习中的伴随。就内容而言，从可标准化的知识技能转向包含判断、创造、协作、责任的复杂素养。就情境而言，从人为隔绝工具的封闭情境转向允许人机协作的真实情境，相应的评价对象应当包含如何使用工具、如何验证工具输出、如何在协作中保持判断主体性。就主体而言，从单一的外部评价者转向包含自评、互评与技术辅助的多元结构。自我评价能力本身成为培养目标。就结果呈现而言，从单一分数与排名转向反映多维状况与发展轨迹的画像。
这一系列转变的实质，是把评价从分配装置还原为教育环节。在选拔范式中，评价是教育之外的裁决机构，教育为其服务。在育人范式中，评价是教育内部的信息回路，为教育服务。这就是异化的扬弃在评价领域的具体含义。
（四）技术不自动带来解放：四重警告
教育评价范式转型的前景需要加以严肃的限定。技术提供了转型的条件，但并不保证转型发生。存在几种现实的可能性，即技术非但没能化解反而深化了原有的问题。
其一，量化的深化而非扬弃。技术使更多行为可以被记录，这既可用于丰富评价维度，也可用于把量化逻辑扩展至此前不受其支配的领域，如注意力的实时监测、学习行为的持续评分、情绪状态的自动识别。如果这些能力在选拔范式下部署，结果不是解放，而是一种可称为“数字泰勒主义”的全面控制，就将造就比传统考试更彻底的规训。
其二，算法权威的不可申诉。传统评价尽管存在种种问题，其标准是公开的、可讨论的、可申诉的。基于复杂模型的评价则可能形成新的权威形态，结果由不透明的过程产生，依据难以解释，结果难以质疑。当评价从“可争辩的判断”变为“不可解释的输出”时，可问责性就受到削弱。此外，模型从历史数据中学习，可能将既有偏见编码并放大，而这一过程比人为偏见更难识别。
其三，数据权力与画像固化。伴随式评价意味着行为数据的持续采集，规模与颗粒度远超以往。数据的归属、使用边界与保存期限构成了严峻的治理问题。尤须警惕画像的固化效应，一份基于早期数据形成的画像如果被长期保存并影响后续机会，实际效果就是把个体锁定在过去的表现之中，这与发展性评价的初衷完全相悖。
其四，技术无法回答价值问题。教育应当培养什么样的人，这是一个价值问题，不能由技术裁决。如果社会未就教育目的达成共识，技术就会更高效地实现现有目标，包括那些已被证明有问题的目标。就此而言，技术乐观主义的主要谬误，是期待技术解决属于价值与治理领域的问题。
（五）治理条件：功能解绑与信任重建
教育评价转型不可能作为系统内部的技术升级而完成。它需要若干治理条件，而这些条件的建立远比技术的成熟更困难。
其一是功能的分层与解绑。当前困境很大程度上源于同一套评价同时承担诊断、改进、选拔、问责等多重功能，而这些功能的要求彼此冲突。诊断需要充分暴露问题，选拔则促使被评价主体掩盖问题；改进需要低风险的试错，问责则抬高试错成本。改革的第一步应当是解绑，用于诊断的评价不应承担分配后果，用于选拔的评价应明确限定范围并承认局限，用于问责的评价应以系统而非个体为对象。
其二是选拔功能的外移与后移。教育系统之所以承担了过重的选拔任务，部分原因是社会缺乏其他可信的能力识别机制。如果能发展出更成熟的职业资格体系、更完善的能力认证制度以及更看重实际表现而非文凭信号的用人机制，教育的选拔负荷就可相应减轻。这显然已远超教育部门的职权，而是涉及劳动人事制度乃至收入分配结构的调整，这正是“动评价约等于动整个治理结构”的具体所指。
其三是社会信任的重建，这是前述各项约束的共同前提。教育评价改革的核心两难是“越全面则越难可信，越简单则越偏离目标”，而突破的唯一路径是提升社会对专业判断的信任，而信任的建立依赖程序透明、结果可申诉、共同体自律与长期积累。这是一个以年代计的过程。认识到这一点，便意味着承认教育评价改革必须是渐进的、可验证的、允许局部试错的，任何激进的全面替换都将因信任不足而失败。
其四是为不可测量之物保留空间。保护那些难以测量却真正重要的价值，其方式不是把它们纳入测量，而是为其在制度层面保留不受量化评价支配的空间。教育评价改革应当在守住公平筛选底线的同时，承认有些内容在它的光谱之外——不可编码、情境嵌入、长周期生成，需要新的评价机制加以承接。
与此同时，还有许多需要解答的问题。例如，综合素质评价能否识别关于素养的“过度包装”？过程性评价在资源不均衡的现实中，会不会演变为另一种阶层区隔？真实项目学习所依赖的科学与文化资源能否抵达经济欠发达地区的县域和乡镇学校？这些问题涉及治理的深层重构，更涉及一个根本性的追问，我们是否准备好接受一种“不那么客观、不那么统一”的人才识别方式？
在我国，教育评价牵动着整个教育治理结构，这一判断既解释了改革的难度，也界定了改革的性质，教育评价改革不是教育系统内部的技术升级，而是一场牵动资源配置、权责界定、社会信任与用人制度的全面变革，任何单点突破都将因其结构补偿机制而被拉回原点。承认这一难度，并非为教育评价改革的迟滞辩护，而是为了使努力落在真正的着力点上。教育评价改革最终要面对的不只是技术的精进，更是价值的抉择，这一抉择的目标可以概括为一句话：让评价重新成为教育的一部分，而不再是教育为之服务的对象。
参考文献
［1］中国教育报. 恢复高考30年大事［EB/OL］. 教育部官网，(2008-10-08)［2026-05-25］, http://www.moe.gov.cn/jyb_xwfb/xw_zt/moe_357/s3580/moe_2448/moe_2450/moe_2451/tnull_39627.html
［2］Trow, M. (1974). Problems in the transition from elite to mass higher education. In Policies for higher education (pp. 51-101). OECD.
［3］李永智,〔德〕安德烈亚斯·施莱歇尔.跨文化对话:人工智能时代人类关键能力的培养［J］.比较教育研究,2026,48(7):3-14.
［4］UNESCO. (2023). Guidance for generative AI in education and research. UNESCO: 37.
［5］〔美〕诺思. 制度、制度变迁与经济绩效［M］. 刘守英, 译. 上海: 上海三联书店, 1994: 126.
［6］Hughes, A., & Hughes, J. (2020). Testing for language teachers (3rd ed.). Cambridge University Press: 3.
［7］Huttenlocher, P. R., & Dabholkar, A. S. (1997). Regional differences in synaptogenesis in human cerebral cortex. The Journal of Comparative Neurology,387(2),167-178.
［8］Piaget, J. (1962). Play, dreams and imitation in childhood. C. Gattegno & F. M. Hodgson, Trans. W. W. Norton & Company: 3, 5.
［9］〔瑞士〕皮亚杰. 皮亚杰教育论著选［M］. 卢濬, 译. 北京：人民教育出版社，2015：5,8,52.
［10］Bjork, R. A. (1994). Memory and metamemory considerations in the training of human beings. In J. Metcalfe & A. P. Shimamura (Eds.), Metacognition: Knowing about knowing (pp. 185-205). MIT Press.
［11］周洪宇,齐彦磊.“双减”政策落地：焦点、难点与建议［J］.新疆师范大学学报(哲学社会科学版),2022,43(1):69-78.
［12］UNICEF. (2017).The adolescent brain: A second window of opportunity. UNICEF Office of Research-Innocenti, 8-12.
［13］〔美〕埃里克·H.埃里克森. 同一性：青少年与危机［M］. 孙名之, 译. 北京: 中央编译出版社, 2015：1-24.
［14］周文叶. 学生表现性评价研究［D］. 上海: 华东师范大学, 2009:18 .
［15］〔美〕罗森塔尔, 雅各布森. 课堂中的皮格马利翁: 教师期望与学生智力发展［M］. 唐晓杰, 崔允漷, 译. 北京: 人民教育出版社, 2003: 106.
［16］王红,张倩.中小学学生评价异化的回归路径——基于幸福教育视角［J］.中小学德育,2020,(4):53-56.
［17］朱德全,曹渡帆.新时代教育评价改革的本质释义与路向定位——新时代我们需要什么样的教育评价［J］.教师教育学报,2024,11(2):29-38.
［18］陈先哲,曾晓.嵌入城镇化进程的县域普通高中的塌陷与振兴——基于东中西5省6县的调查［J］.教育研究,2023,44(8):91-101.
［19］Cronbach, L. J. (1984). Essentials of psychological testing (4th ed.). Harper & Row: 175.
［20］ Messick, S. (1989). Validity. In R. L. Linn (Ed.). Educational measurement (3rd ed.） （pp. 13-103). Macmillan.
［21］Campbell, D. T. (1979). Assessing the impact of planned social change. Evaluation and Program Planning, 2(1),67-90.
［22］Goodhart, C. (1981). Problems of monetary management: The U.K. experience. In A. S. Courakis (Ed.), Inflation, depression, and economic policy in the West (pp. 111-144). Mansell.
［23］Strathern, M. (1997). “Improving ratings”: Audit in the British university system. European Review,5(3),305-321.
［24］ Eisner, E. W. (1982). Cognition and curriculum: A basis for deciding what to teach. Longman: 74.
［25］韦林翠. 基础教育阶段课堂评价: 功能“异化”及价值回归［J］. 当代教育科学, 2021(10): 43-50.
［26］刘继萍. 基础教育评价的教育性反思: 人的异化与回归［J］. 中国人民大学教育学刊, 2020(3): 105-113.
［27］ 伍辉燕. 马克思劳动异化理论对教育评价纠偏的逻辑与昭示［J］. 中国考试, 2024(7): 28-35.
［28］石中英. 回归教育本体——当前我国教育评价体系改革刍议［J］. 教育研究, 2020, 41(9): 4-15.
［29］〔德〕哈贝马斯. 交往行为理论·第二卷：论功能主义理性批判［M］. 洪佩郁, 蔺青, 译. 重庆: 重庆出版社, 1994:457.
［30］Stake, R. E. (1991). Excerpts from: “Program evaluation, particularly responsive evaluation”. Evaluation Practice,12(1),63-76.
［31］Spence, M. (1973). Job market signaling. The Quarterly Journal of Economics, 87(3),355-374.
［32］Arrow, K. J. (1973). Higher education as a filter. Journal of Public Economics, 2(3),193-216.
［33］ Ball, S. J. (2003). The teacher’s soul and the terrors of performativity. Journal of Education Policy, 18(2),215-228.
［34］〔法〕福柯. 规训与惩罚: 监狱的诞生［M］. 刘北成, 杨远婴, 译. 北京: 生活·读书·新知三联书店, 2019: 199-205，219,224.
［35］〔法〕皮埃尔·布尔迪厄，〔法〕 J.-C.帕斯隆. 再生产: 一种教育系统理论的要点［M］. 邢克超, 译. 北京: 商务印书馆, 2002: 12.
［36］Deci, E. L. (1971). Effects of externally mediated rewards on intrinsic motivation. Journal of Personality and Social Psychology,18(1),105-115.
［37］Deci, E. L. (1975). Intrinsic motivation. Plenum Press: 38.
［38］［39］Deci, E. L., & Ryan, R. M. (1985). Intrinsic motivation and self-determination in human behavior. Plenum Press, 282-285, 54-58.
［40］〔美〕卡罗尔·德韦克.努力的意义：积极的自我理论［M］.王芳，左世江，等译.北京：中国人民大学出版社，2021: 50.
［41］Polanyi, M.(1966). The tacit dimension. New York: Doubleday & Company, 4.
［42］杨太文.数字时代的默会知识何以生产［J］.探索与争鸣,2026(2):42-56.
［43］〔美〕桑德尔. 精英的傲慢: 好的社会该如何定义成功?［M］. 曾纪茂, 译. 北京: 中信出版集团, 2021:40-42 .
［44］〔美〕罗尔斯. 正义论［M］. 何怀宏, 何包钢, 廖申白, 译. 北京: 中国社会科学出版社, 2009: 99-101, 103，311.
［45］Supiot, A. (2017). Governance by numbers: The making of a legal model of allegiance. S. Brown, Trans. Hart Publishing: 97.
［46］〔美〕杰瑞·穆勒.指标陷阱：过度量化如何威胁当今的商业、社会和生活［M］. 闾佳,译. 上海：东方出版中心，2020：2.
［47］〔美〕达克沃思. 坚毅: 释放激情与坚持的力量［M］. 安妮, 译. 北京: 中信出版集团, 2017: 41.
