中小学教师数据可视化素养测评体系研究秦雁坤

2022 届研究生硕士学位论文分类号：学校代码：密级：学号： 10269 51194108021 _ _ East China Normal University 硕士学位论文 MASTER’S DISSERTATION 论文题目：中小学教师数据可视化素养测评体系研究 _ 院系：教育信息技术学系专业：教育技术学研究方向：教育信息化指导教师：闫寒冰教授学位申请人：彭红超助理研究员秦雁坤 2022 年 5 月 15 日 Dissertation for Master’s Degree in 2022 University code: 10269 Student ID: 51194108021 East China Normal University Title:Research on evaluation system of data visualization literacy of primary and secondary school teachers Department/School: Education Information and Technology Major: Educational Technology Research direction: Educational Information Supervisor: Professor Yan Hanbing Candidate: Research Assistant Peng Hongchao Qin Yankun May, 2022 华东师范大学学位论文原创性声明郑重声明：本人呈交的学位论文《中小学教师数据可视化素养测评体系研究》，是在华东师范大学攻读硕士/博士（请勾选）学位期间，在导师的指导下进行的研究工作及取得 √ 的研究成果。除文中已经注明引用的内容外，本论文不包含其他个人已经发表或撰写过的研究成果。对本文的研究做出重要贡献的个人和集体，均已在文中作了明确说明并表示谢意。作者签名日期 2022年 5 月 15 日华东师范大学学位论文著作权使用声明《中小学教师数据可视化素养测评体系研究》系本人在华东师范大学攻读学位期间在导师指导下完成的硕士/博士（请勾选）学位论文，本论文的著作权归本人所有。本人同意 √ 华东师范大学根据相关规定保留和使用此学位论文，并向主管部门和学校指定的相关机构送交学位论文的印刷版和电子版；允许学位论文进入华东师范大学图书馆及数据库被查阅、借阅；同意学校将学位论文加入全国博士、硕士学位论文共建单位数据库进行检索，将学位论文的标题和摘要汇编出版，采用影印、缩印或者其它方式合理复制学位论文。本学位论文属于（请勾选）（）1.经华东师范大学相关部门审查核定的 “ 内部 ” 或 “ 涉密 ” 学位论文 *，于年月日解密，解密后适用上述授权。（√）2.不保密，适用上述授权。导师签名作者签名日期 2022年 5 月15 日 * “涉密”学位论文应是已经华东师范大学学位管理办公室或保密委员会审定过的学位论文（需附获批的《华东师范大学研究生申请学位论文“涉密”审批表》方为有效），未经上述部门审定的学位论文均为公开学位论文。此声明栏不填写的，默认为公开学位论文，均适用上述授权）。秦雁坤硕士学位论文答辩委员会成员名单姓名职称单位备注华东师范大学教育徐显龙副研究员学部教育信息技术学系华东师范大学教育冯翔副研究员学部教育信息技术学系华东师范大学教育孟玲玲副教授学部教育信息技术学系主席摘要随着数据在教育中的不断应用，人们逐渐意识到了数据可视化的价值。数据可视化通过图像、图表等形式展现数据，使人们可以高效地阅读和理解数据。教师的数据可视化能力是数据时代教师的必备素质。目前，教学过程中反映出中小学教师数据可视化素养有待提高。测评可以准确把握教师数据可视化素养的不足之处，进而有效提升教师的数据可视化素养。然而，发展性、本土化和专业化的教师数据可视化素养测评体系还未形成。综上，本研究以中小学教师为研究对象，在素养测评的视野下进行中小学数据可视化素养测评体系的设计、开发和应用。本研究基于教师日常工作情境，探究中小学教师数据可视化素养的基本构成，形成中小学教师数据可视化素养的理论模型，并开发中小学教师数据可视化素养测评工具及分析模板，提出相关应用建议。围绕研究目标，本研究重点解决四大问题：1.中小学教师数据可视化素养测评体系如何构建？2.中小学教师数据可视化素养测评体系的理论模型如何构建？3.中小学教师数据可视化素养测评工具如何开发？4.中小学教师数据可视化素养的测评体系结果如何分析？为解决上述研究问题，本研究开展了以下研究工作：首先，本研究对已有的测评案例进行分析得到了的数据可视化素养开发的启示。研究遵循科学的流程构建中小学教师数据可视化素养测评体系，体系包括数据可视化素养的理论模型、数据可视化素养测评工具以及对测评结果进行分析的测评模板。然后，本研究采用文献分析，从文献中梳理了中小学教师数据可视化素养的应用情境和教师数据可视化素养体系的开发原则。接着，本研究结合已有的数据可视化模型、教师数据素养框架、影响图形理解的因素和以往研究中的与可视化相关的要素梳理出关键要素和能力。在进行两轮专家咨询修改后得到中小学教师数据可视化素养理论模型，包括数据可视化素养的三级维度、以知识维度和能力维度为横纵轴的框架 I 和知识点。在此基础上，本研究根据理论模型形成试题双向细目表，编制原创试题后进行两轮试测，并运用经典测量理论对测试题的质量开展验证，最终修订成包含 22 道题的测试试卷。测评工具包括测评试卷和基本信息的调查。最后，研究对教师的数据可视化素养测评工具进行了应用。本研究给出数据可视化素养测评工具结果的分析模板并对所调查的教师数据可视化素养的水平进行分析，发现教师群体部分属性、学校之间存在差异等结论，并根据这些问题与差异提出教师数据可视化素养培训的建议。最后，本研究进一步提出了面向本研究开发的中小学教师数据可视化素养测评体系在教师培训、个人发展和学校信息化发展方面的应用建议，以进一步推进教师数据可视化素养的专业化提升。研究的创新之处在于立足于教师日常工作情境，开发了符合教师的话语体系的中小学教师的教师数据可视化素养测评体系，测评方式简单，快速，具有较高的推广价值。关键词：数据可视化素养，测评，中小学教师 II ABSTRACT With the continuous application of data in education, people gradually realize the value of data visualization. Data visualization explains the data in the form of images, charts, etc., and improves the efficiency of reading and understanding data. Teachers' data visualization ability is an essential quality for teachers in the data age. At present, primary and secondary school teachers’ data visualization literacy needs to be improved in the teaching process. The evaluation can accurately grasp the shortcomings of teachers' data visualization literacy, so as to effectively improve teachers' data visualization literacy. However, a developmental, localized and professional evaluation system for teachers' data visualization literacy has not yet been formed. To sum up, the research object of this study is primary and secondary school teachers. This study develops and applies the data visualization literacy evaluation system for primary and secondary schools from the perspective of literacy evaluation. Based on teachers' daily work situation, this study explores the basic composition of primary and secondary school teachers’ data visualization literacy, forms a theoretical model of primary and secondary school teachers’ data visualization literacy, develops evaluation tools and analysis templates of primary and secondary school teachers’ data visualization literacy, and puts forward relevant application suggestions. Focus on the research objectives, this study focuses on four major issues: 1.how to construct the evaluation system of primary and secondary school teachers’ data visualization literacy? 2. how to construct the theoretical model of the evaluation system of primary and secondary school teachers’ data visualization literacy? 3.how to develop data visualization literacy assessment tools for primary and secondary school teachers? 4.how to analyze the results of the evaluation system for data visualization literacy of primary and secondary school teachers? III In order to solve the above research problems, this study carried out he following research work: Firstly, the enlightenment of data visualization literacy development is obtained from the analysis of existing evaluation cases. The research follows the scientific process to construct the evaluation system of primary and secondary school teachers’ data visualization literacy, which includes the theoretical model of data visualization literacy, the evaluation tool of data visualization literacy and the evaluation template to analyze the evaluation results. Then, this study adopts literature analysis to sort out the application situation of primary and secondary school teachers’ data visualization literacy and the principles of developing teacher data visualization literacy system. Then, this study combined the existing data visualization model, teacher data literacy framework, factors affecting graphic understanding and visualization-related elements in previous studies to sort out the key elements and abilities. This study had two rounds of expert consultation. After modification, this research formed the theoretical model of data visualization literacy of primary and secondary school teachers, including three-level dimensions of data visualization literacy, frame with knowledge dimension and ability dimension as horizontal and vertical axes and knowledge points. On this basis, this study formed a two-way list of questions according to the theoretical model. When compiling the original questions, two rounds of test were carried out, and the classical measurement theory was used to verify the quality of the assessment tool, and finally revised into a test paper containing 22 questions. Assessment tools include assessment papers and surveys of basic information. Finally, the research applies the data visualization literacy assessment tool of teachers. This study provides an analysis template for the results of data visualization literacy assessment tools and analyzes the level of data visualization literacy of surveyed teachers. The results show that there are differences in some attributes of teacher groups, among schools and so on, and according to these problems and differences, some suggestions on teacher data visualization literacy training are put forward. Finally, this study further puts forward suggestions on the application of the evaluation system of primary and secondary school teachers’ data visualization literacy in teacher training, personal development and school informatization development, so as to further enhance the professional improvement of data visualization literacy IV for teachers. The innovation of the research lies in that, based on the teachers' daily work situation, the evaluation system of teacher data visualization literacy for primary and secondary school teachers is developed in line with the teachers' discourse system. The evaluation method is simple and fast, and has high promotion value. Keywords: [Data visualization literacy][assessment][primary and secondary school teachers] V 目录摘要 .................................................................................................. I ABSTRACT.................................................................................... III 图目录 ............................................................................................IX 表目录 ............................................................................................. X 第1章绪论 ...................................................................................... 1 1.1 研究背景 ........................................................................................... 1 1.1.1 数据可视化素养是教师在数据时代的必备能力 .................... 1 1.1.2 中小学教师数据可视化素养测评的现实需求 ........................ 2 1.1.3 以发展为导向的现代教育评价理念带来精准的提升 ............ 3 1.2 研究设计 ........................................................................................... 3 1.2.1 研究目标 .................................................................................. 3 1.2.2 研究问题 .................................................................................. 4 1.2.3 研究内容 .................................................................................. 4 1.2.4 研究方法 .................................................................................. 6 1.3 研究意义 ........................................................................................... 7 1.4 论文框架 ........................................................................................... 8 第2章研究综述与理论基础 ......................................................... 10 2.1 研究综述 ......................................................................................... 10 2.1.1 数据可视化与教育数据可视化 ............................................. 10 2.1.2 数据可视化素养及其测评现状 ............................................. 12 2.1.3 教师数据可视化素养及测评现状 ......................................... 15 2.1.4 经典测评及可视化测评的案例分析...................................... 17 2.2 理论基础 ......................................................................................... 19 2.2.1 经典测量理论 ........................................................................ 19 2.2.2 影响教师图形理解的因素 ..................................................... 20 2.2.3 教师数据素养DLFT框架 ....................................................... 20 第3章中小学教师数据可视化素养测评体系概述 ...................... 22 3.1 中小学教师数据可视化素养测评体系的主要内容 ....................... 22 3.1.1 中小学教师数据可视化素养的测评目标 .............................. 22 3.1.2 中小学教师数据可视化素养的测评对象 .............................. 22 3.1.3 中小学教师数据可视化素养测评体系的内容 ...................... 22 3.2 中小学教师数据可视化素养测评体系的设计原则 ....................... 23 3.2.1 中小学教师数据可视化素养测评体系的设计原则 .............. 23 3.2.2 中小学教师数据可视化素养测评工具的设计原则 .............. 24 3.3 中小学教师数据可视化素养测评体系所依据的情境.................... 26 VI 3.4 中小学教师数据可视化素养测评体系的开发流程 ....................... 28 第4章中小学教师数据可视化素养理论模型的开发 .................. 29 4.1 中小学教师数据可视化素养理论模型的论证 ............................... 29 4.1.1 核心概念界定 ........................................................................ 29 4.1.2 中小学教师数据可视化素养理论模型的构建依据 .............. 30 4.1.3 中小学教师数据可视化素养初步模型.................................. 35 4.1.4 中小学教师数据可视化素养的初步框架 .............................. 36 4.1.5 中小学教师数据可视化素养的内容...................................... 37 4.2 中小学教师数据可视化素养理论模型的检验与优化.................... 40 4.2.1 基于德尔菲法的第一轮理论模型修正.................................. 40 4.2.2 基于德尔菲法的第二轮理论模型修正.................................. 44 4.3 中小学教师数据可视化素养理论模型........................................... 49 4.3.1 中小学教师数据可视化素养的内涵与维度 .......................... 49 4.3.2 中小学教师数据可视化素养框架 ......................................... 52 4.3.3 中小学教师数据可视化素养测评体系的水平划分 .............. 54 第5章中小学教师数据可视化素养测评工具的开发 .................. 57 5.1 研究设计 ......................................................................................... 57 5.2 中小学教师数据可视化素养测评工具的开发与修正.................... 57 5.2.1 中小学教师数据可视化素养测试题的编制和题型 .............. 57 5.2.2 专家审议与工具修正............................................................. 59 5.2.3 中小学教师数据可视化素养测试题的检验与优化 .............. 60 5.2.4 中小学教师数据可视化素养测试题的修正 .......................... 63 5.3 中小学教师数据可视化素养测评工具........................................... 66 第6章中小学教师数据可视化素养测评体系的应用分析........... 69 6.1 中小学教师数据可视化素养测评分析模板 ................................... 69 6.2 中小学教师数据可视化素养测试结果的整体分析 ....................... 69 6.2.1 维度之间得分的分析............................................................. 69 6.2.2 对应框架下的水平分析 ......................................................... 70 6.2.3 每小题的正确率统计............................................................. 72 6.3 中小学教师数据可视化素养的群体差异分析 ............................... 72 6.3.1 不同教师个人之间的比较 ..................................................... 73 6.3.2 不同学校属性之间的比较 ..................................................... 78 6.3.3 教师数据可视化经验和态度与数据可视化素养关系分析 ... 80 6.4 结果与建议 ..................................................................................... 82 6.4.1 结果分析 ................................................................................ 82 6.4.2 提升建议 ................................................................................ 83 第7章思考与展望 ......................................................................... 85 7.1 研究成果 ......................................................................................... 85 7.1.1 析出了教师数据可视化素养的测评体系的开发原则........... 85 7.1.2 开发了中小学教师数据可视化素养的理论模型 .................. 85 VII 7.1.3 研发了中小学教师数据可视化素养评价工具 ...................... 86 7.1.4 分析了中小学教师数据可视化素养的水平 .......................... 86 7.2 中小学教师数据可视化素养测评结果的应用建议 ....................... 86 7.2.1 用于数据可视化素养的培训 ................................................. 86 7.2.2 用于教师的自我提升............................................................. 87 7.2.3 助力学校提升信息化水平 ..................................................... 87 7.3 研究创新点 ..................................................................................... 87 7.4 不足与展望 ..................................................................................... 88 7.4.1 研究的不足之处 .................................................................... 88 7.4.2 研究展望 ................................................................................ 88 参考文献 ....................................................................................... 90 英文文献 ................................................................................................. 90 中文文献 ................................................................................................. 93 附录 ................................................................................................ 97 附录 1 附录 2 附录 3 附录 4 附录 5 附录 6 附录 7 中小学教师数据可视化素养测评第一轮专家评估表 ............... 97 中小学教师数据可视化素养理论模型第二轮专家评估表.......103 中小学教师数据可视化素养测试卷（试测版 1 节选） ..........109 中小学教师数据可视化素养测试卷（试测版 2 节选） .......... 113 试测基本信息调查 .................................................................... 116 中小学教师数据可视化素养测试工具节选.............................. 118 中小学教师数据可视化素养测评体系应用分析模板 ..............124 致谢 .............................................................................................. 128 攻读硕士学位期间所取得的科研成果 ........................................ 129 VIII 图目录图 1-1 研究内容思路图 .................................................................................. 5 图 1-2 研究框架 .............................................................................................. 9 图 2-1 DLFT 模型 .......................................................................................... 21 图 3-1 中小学教师数据可视化素养测评体系 .............................................. 23 图 3-2 中小学教师数据可视化素养开发流程 .............................................. 28 图 4-1 回路型的信息化可视化参考流程 ..................................................... 31 图 4-2 可视化循环模型 ................................................................................ 31 图 4-3 构建可视化而采取的步骤 ................................................................. 32 图 4-4 中小学教师数据可视化素养的初步能力模型 .................................. 36 图 4-5 第一轮修订后的中小学教师数据可视化素养的模型图 ................... 44 图 4-6 教师数据可视化素养模型 ................................................................. 49 图 5-1 测评工具的开发过程......................................................................... 57 图 5-2 试题示例 ............................................................................................ 68 图 6-1 数据可视化素养测试卷得分的频率分布直方图和正态分布曲线 ... 70 图 6-2 框架表现的雷达图 ............................................................................ 72 IX 表目录表 3-1 中小学教师应用数据可视化情境 ..................................................... 26 表 4-1 相关文献中有关提取、关联和解释的内涵汇总表 .......................... 33 表 4-2 中小学教师数据可视化素养框架 ..................................................... 37 表 4-3 中小学教师数据可视化素养所要考察的知识点初稿....................... 39 表 4-4 中小学教师数据可视化素养考察点初稿 .......................................... 39 表 4-5 第一轮专家咨询维度与框架得分的集中程度统计表....................... 41 表 4-6 第一轮专家咨询知识点得分的集中程度统计表 .............................. 43 表 4-7 第二轮专家咨询维度与框架得分的集中程度统计表....................... 45 表 4-8 修订后的中小学教师数据可视化素养所要考察的知识点 ............... 48 表 4-9 第二轮专家咨询知识点得分的集中程度统计表 .............................. 48 表 4-10 中小学教师数据可视化素养的框架结构 ........................................ 52 表 4-11 中小学教师数据可视化素养所要考察的知识点 ............................ 53 表 4-12 中小学教师数据可视化素养考察点................................................ 53 表 4-13 中小学教师数据可视化素养的水平划分表 .................................... 55 表 5-1 第一轮试测试题可靠性统计表 ......................................................... 61 表 5-2 第一轮试测试题 KMO 和巴特利特检验 .......................................... 61 表 5-3 第一轮试测试题难度统计表 ............................................................. 62 表 5-4 第一轮试测试题区分度统计表 ......................................................... 63 表 5-5 第二轮试测试题可靠性统计表 ......................................................... 64 表 5-6 第二轮试测试题 KMO 和巴特利特检验 .......................................... 65 表 5-7 第二轮试测试题难度统计表 ............................................................. 65 表 5-8 第二轮试测试题区分度统计表 ......................................................... 65 表 5-9 数据可视化素养测评双向细目表 ..................................................... 66 表 6-1 二级维度得分情况 ............................................................................ 70 表 6-2 三级维度的得分统计表 ..................................................................... 71 表 6-3 框架得分统计表 ................................................................................ 71 X 表 6-4 各题目的正确率 ................................................................................ 72 表 6-5 不同性别被试数据可视化素养水平的描述性统计 .......................... 73 表 6-6 不同性别被试数据可视化素养独立样本检验 .................................. 73 表 6-7 不同年龄被试数据可视化素养水平的描述性统计 .......................... 74 表 6-8 不同年龄被试数据可视化素养水平的方差齐性检验....................... 74 表 6-9 不同年龄被试数据可视化素养水平的 ANOVA 分析 ...................... 74 表 6-10 不同年龄被试数据可视化素养水平的 LSD 多重比较 ................... 74 表 6-11 不同学历被试数据可视化素养水平的描述性统计......................... 75 表 6-12 不同学历被试数据可视化素养水平的方差齐性检验 ..................... 75 表 6-13 不同学历被试数据可视化素养水平的邓尼特 T3 多重比较 ........... 75 表 6-14 不同职称被试数据可视化素养水平的描述性统计......................... 76 表 6-15 不同职称被试数据可视化素养水平的方差齐性检验 ..................... 76 表 6-16 不同职称被试数据可视化素养水平的 ANOVA 分析 .................... 76 表 6-17 不同角色被试数据可视化素养水平的描述性统计......................... 77 表 6-18 不同角色被试数据可视化素养水平的方差齐性检验 ..................... 77 表 6-19 不同角色被试数据可视化素养水平的邓尼特 T3 多重比较 ........... 77 表 6-20 不同学段被试数据可视化素养水平的描述性统计......................... 77 表 6-21 不同学段被试数据可视化素养水平的方差齐性检验 ..................... 78 表 6-22 不同学段被试数据可视化素养水平的邓尼特 T3 多重比较 .......... 78 表 6-23 不同学校类别被试数据可视化素养水平的描述性统计 ................. 78 表 6-24 不同学校类别被试数据可视化素养水平的独立样本 T 检验 ......... 79 表 6-25 不同教学环境被试数据可视化素养水平的描述性统计 ................. 79 表 6-26 不同教学环境被试数据可视化素养水平的独立样本 T 检验 ......... 79 表 6-27 不同培训经验被试数据可视化素养框架下的描述性统计 ............. 80 表 6-28 不同培训经验被试数据可视化素养独立样本 T 检验 .................... 80 表 6-29 不同态度和经验教师的数据可视化素养统计表 ............................ 81 表 6-30 相关性检验 ...................................................................................... 82 XI 华东师范大学硕士学位论文第1章绪论数据可视化在从海量数据中发现事物规律、增强数据表现、提升交互效率方面具有重要作用[1]，是数据科学与数据素养教育的一个重要方面。本章主要阐明进行中小学教师数据可视化素养测评体系研究的背景，说明中小学教师数据可视化素养测评体系的研究设计，明确具体研究目标、问题、内容和方法，阐述研究的理论和实践意义并梳理了论文框架。 1.1 研究背景从改进学校到改进课堂教学，数据在教育中的重要性日渐凸显，提供了认识和理解教学的新视角[2]。近年来，国内也着手启动数据驱动教学相关计划[3]，体现了数据在当今时代社会发展中的重要作用。数据可视化是数据素养中的一环。人们希望查看和探索数据，从数据中获取有用信息，并直观地表示发现。数据可视化将数据或数据分析的结果以直观、具体的图或表展现，能够解决人们在面临大量数据时无从下手的难题，帮助人们直观地感受大量结构复杂或无序的数据所包含的信息。个人阅读、了解和解释数据化的能力会影响沟通，也就是说，可视化素养正变得和阅读及理解文本的能力一样重要。 1.1.1 数据可视化素养是教师在数据时代的必备能力数据可视化是一种有效的信息传播媒介。从生物学角度来说，大部分的人都是视觉学习者，人脑传输的信息的 90%为图像信息，人对图像的记忆力要远高于对文字的记忆力[4]。数据可视化能够直观形象地表达信息和观点，增加信息传播的速度和广度。一些计算机还附加了算法，在收集各类教育场景数据的同时，也刘滨,刘增杰,刘宇,李子文,陈莉,孙中贤,王莹,张一辉,赵佳盛,张红斌,刘青.数据可视化研究综述[J].河北科技大学学报,2021,42(06):643-654. 2 祝智庭,魏非.面向智慧教育的教师发展创新路径[J].中国教育学刊,2017(09):21-28. 3 杨现民 , 骆娇娇 , 刘雅馨 , 陈世超 . 数据驱动教学 : 大数据时代教学范式的新走向 [J]. 电化教育研究,2017,38(12):13-20+26. 4 张开智 , 万向 , 陈亚民 . 关于数据大屏可视化的设计流程与发展趋势的分析研究 [J]. 科技创新导报,2019,16(27):130-133. 1 1 华东师范大学硕士学位论文会绘制出各类图表。数据可视化可以改善教育教学。随着大数据技术等先进技术不断融入教育教学领域，使得学习有迹可循，教师的教学有据可依。记录下来的数据拥有使用价值，可以利用数据进行交流、解决问题或做出决策。使数据最大化的帮助教师优化教育教学成为了关键。在这种情况下，数据可视化提供了进行决策的抓手，成为改善教育教学和做出科学教育决策的工具。学校管理层或教师基于收集的学习数据为学生和学校的发展提供策略支持。比如智慧教育环境下，学习管理系统生成了学生的作业完成数据图、讨论数据图、学习次数图和多模态信息图等图表，可以帮助教师改善在线教学。 1.1.2 中小学教师数据可视化素养测评的现实需求评价可以起到激励和导向的作用，对数据可视化素养的评价可以帮助教师提升数据可视化素养的水平。通过文献梳理发现，我国数据可视化素养的测评目前处于发展的初期阶段，针对教师群体的可视化素养测量的研究还较少。因此产生了现实问题。教师群体处于数据丰富的教育教学环境当中，从而有机会接触可视化数据。但这些可视化的数据，教师是否愿意用，是否会用，能否用好的问题还值得探究。关于是否愿意用的问题，学者李新对中小学教师对数据素养培训的需求做了调查，结果显示，有 67.16%的教师希望能够得到数据分析报告解读的培训[5]。这表明，教师在日常工作中存在数据可视化的需求。但是，在有关数据可视化素养的培训中，很少有针对性的、经过验证的科学评价方式全面评价教师的数据可视化素养，以供培训者根据参训教师水平开发针对性的课程，为培训效果的提升带来了障碍。这也进一步导致，数据可视化作为能够表征和解读信息的方式和资源，其价值还未在教师工作生活中真正的得以充分发挥和利用。同时，数据可视化常常用在教师日常汇报工作、解读各类数据报告的情境中。随着数据的不断丰富、今后可能会出现数据大屏等可视化呈现数据的技术和方式，其使用的场景会越来 5 李新,杨现民.中小学教师数据素养培训课程设计与实践研究[J].中国电化教育,2020(05):111-119+134. 2 华东师范大学硕士学位论文越丰富和多样，这些技术是否可以发挥真正效用，有赖于了解教师数据可视化素养的水平。因此，从现实需要来说，有必要依据相应的科学评价理论、设计评价指标和流程、组建框架，合理选择恰当的评价素材，开发数据可视化素养的测评量表[6]或工具。 1.1.3 以发展为导向的现代教育评价理念带来精准的提升传统的教育评价以结果为导向，评价规则简单，评价结果以判断为导向，无法支持水平的提升。在国家倡导和新型教育理念的呼唤下，评价理念也与时俱进。以问题导向的价值诉求，强调精准诊断和预测问题；效能导向的价值诉求强调评价即发展。因此，本文的价值导向为发展提升而不仅仅是判断。现代教育评价是全面性、情境性、诊断性和发展性的评价。强调测评能够促进和发展被评价者的数据可视化素养，指出被评价者在数据可视化素养方面的问题，并提出具体提升数据可视化素养的建议和措施，以促进教师数据可视化素养的进步。中小学教师数据可视化素养测评体系的建立是测评教师数据可视化素养的一种有效方式，可以诊断教师数据可视化水平，更能对教师数据可视化的知识技能提升等起到启示作用，成为重要的参考依据。 1.2 研究设计 1.2.1 研究目标通过研究背景的论述已经明确，数据可视化对于教育科学决策具有重要意义，是数据时代教师的必备能力之一。以发展为理念的数据可视化素养测评对于教师专业能力发展具有应用价值，能够为教师培训提供课程设计的依据。本研究的研究对象为中小学教师。基于现代教育评价的理念，遵循数据可视化的原则，采集切合中小学教师日常的数据和情境，进行中小学教师数据可视化素养测评体系的开发、验证及应用。 6 霍朝光,卢小宾.数据可视化素养研究进展与展望[J].中国图书馆学报,2021,47(02):79-94. 3 华东师范大学硕士学位论文 1.2.2 研究问题为了实现中小学教师数据可视化素养测评体系的开发，本研究以“如何构建中小学教师数据可视化素养评价体系”为核心议题，其具体包括以下几个分问题：（1）中小学教师数据可视化素养测评体系如何构建？该问题从实践应用角度出发，中小学教师数据可视化素养测评体系目标、内容、设计原则和开发流程是什么？（2）中小学教师数据可视化素养测评体系的理论模型如何构建？中小学教师数据可视化素养测评体系的理论模型包括哪些方面的内容，应当如何构建？（3）中小学教师数据可视化素养测评工具如何开发？如何根据现代评价理念开发中小学教师数据可视化素养的测评工具？中小学教师数据可视化素养的测评工具的质量如何？（4）中小学教师数据可视化素养的测评体系结果如何分析？该研究问题主要想探讨如何对中小学教师的数据可视化素养数据进行分析，与此同时，通过应用了解目前教师数据可视化素养的水平。 1.2.3 研究内容本研究以中小学教师数据可视化素养测评体系开发为主要研究内容。通过文献梳理，确定研究现状和研究的入手点。接着确定中小学教师数据可视化素养的理论模型，具体包括中小学教师数据可视化素养内涵和概念的界定，维度的确定和素养框架的确定。研制出中小学教师数据可视化素养的测评工具，以期精确地把握教师在数据可视化素养上的不足。本研究进行了试测，一方面为完善数据可视化素养的评价体系和完成对测评工具的质量评价，另一方面，对当前中小学教师的数据可视化素养进行应用型评估。研究内容梳理见图 1-1。 4 华东师范大学硕士学位论文研究问题研究内容研究目的中小学教师数据可视化素养测评体系如何构建？中小学教师数据可视化素养测评体系的目标、内容、原则、流程构建确定研究主要内容中小学教师数据可视化素养测评体系的理论模型如何构建？基于数据可视化流程、教师数据素养（DLFT）框架、图形理解的要素等构建模型确定体系的理论模型中小学教师数据可视化素养测评工具如何开发？构建中小学教师数据可视化素养的测评工具形成测评工具中小学教师数据可视化素养的测评体系结果如何分析？构建中小学教师数据可视化素养的测评体系应用模板进行应用分析文献研究法文献研究法德尔菲法德尔菲法问卷调查法数理统计法图 1-1 研究内容思路图具体而言，本研究的研究内容细化为如下四个方面：（1）明确中小学教师数据可视化测评体系的主要内容该研究内容主要回答第一个研究问题。这一阶段的研究重点是明确测评体系如何开发，确定体系开发的目标、对象、测评体系所包含的主要内容和整个体系的开发的流程。根据开发的目标、中小学教师的特征、测评内容形成测评的设计原则。通过文献梳理中小学教师应用数据可视化的情境，为构建中小学教师数据可视化素养测评体系提供视角。具体来说，首先根据教师特征，从学校中的不同教师角色入手，分析不同角色主要的工作任务和环节，以及教师在工作过程使用数据可视化的目的，作为数据可视化素养测评工具的情境基础，以符合对素养类测评的要求。一方面从侧面回答了研究数据可视化素养的必要性，另一方面启示笔者在开发中小学教师数据可视化素养理论模型和测评工具的过程中要考虑不同情境下的数据可视化的应用，为构建数据可视化素养测评体系提供视角。该部分内容对应研究的第 3 章。（2）构建符合教师角色的数据可视化素养理论模型该部分研究主要回答第二个研究问题。因此，该部分内容主要为中小学教师数据可视化素养理论模型的开发，可见论文的第 4 章。该部分也是本研究的核心内容之一。首先，初步构建模型，根据数据可视化的流程模型、以往研究中提出的可视化素养所必备的要素、教师数据素养的模型和影响图形理解的因素形成初步模型。再根据 PISA 科学素养的测评框架的编制理念和文献，形成中小学教师 5 华东师范大学硕士学位论文数据可视化素养框架和框架中的具体指标。最后，从数据可视化构建原则、可视化的视觉特征和图表类型等方面归纳出理论体系中所包含知识点。然后，为保证理论模型的科学性，进行专家咨询，归纳整理专家意见，结合文献进行修正。接着，进行第二轮专家咨询，最终确定符合本研究的理论模型。该内容对应论文的第 4 章。（3）构建针对中小学教师的数据可视化素养测评工具该部分研究内容主要回答第三个研究问题，是本研究的第二个核心内容。根据上述理论模型，开发中小学教师数据可视化素养的测评工具。编制双向细目表。根据双向细目表，开发试题。试题一共进行了三轮修正，第一轮为专家审议，以提高其内容效度。第二、三轮进行一定范围内的试测，通过经典测量理论评估工具的质量。该部分内容见文章的第 5 章。（4）基于中小学教师数据可视化素养分析模板的应用该部分研究内容主要回答第四个研究问题，也对应教师数据可视化素养测评体系开发的第三个内容。研究将开发一套对测评结果进行应用分析的模板，并根据模板进一步分析参加试测的教师的数据可视化素养：对参与测评教师的整体情况进行分析；对各级维度和框架得分进行分析；进行试题的正确率分析；对参与测评教师的数据可视化素养的群体间差异进行分析，包括个人差异分析、学校差异分析、数据可视化态度与经验和数据可视化素养的相关分析。最后，根据应用分析的结果提出针对该群体提升教师数据可视化素养的建议以及整个测评体系的应用建议。 1.2.4 研究方法本研究采用了多种研究方法来构建和验证中小学教师数据可视化素养的测评体系。（1）数理统计法使用 SPSS 23.0 软件对测评工具的调查结果进行整理、录入和数据统计，对中小学教师数据可视化素养测评各项指标进行平均数、标准差以及 T 检验分析。 6 华东师范大学硕士学位论文探究中小学教师数据可视化素养的水平。（2）文献研究法为本文提供了理论基础。在文献综述部分以及构建中小学教师数据可视化素养理论模型的部分均使用到了文献研究法。首先，在文献综述阶段，重点解决数据可视化的定义和数据可视化素养、教师数据可视化素养国内外研究现状。通过查找，阅读大量关于“数据可视化素养”以及“数据可视化素养测评”类文献，了解和归纳相关概念、内涵、应用或理论等，了解目前中小学教师数据可视化素养及测评方面的研究现状。其次，在构建中小学教师数据可视化素养理论模型的研究环节利用文献研究法对国内外的数据可视化素养的标准进行梳理。（3）德尔菲法该方法是利用专家的学术专长和经验，以专家不记名的方式进行多次专家问卷和访谈，以达成对某一特定问题的共识[7]。该方法在我国各类师生能力或素养标准研制中得到了广泛的应用。本研究采用德尔菲法进行中小学教师数据可视化素养测评体系的修订工作。（4）问卷调查法问卷调查是对所研究的问题进行度量。本研究在开发数据可视化素养测评体系的工具后，编制测试题和问卷。对中小学教师开展试测和调查。根据调查的数据进行分析。 1.3 研究意义本研究的理论意义是构建中小学教师数据可视化素养的测评体系，能够为数据可视化素养评价方面的研究提供理论和标准层面的支持；其次，在所构建的可视化素养评价体系中，基于测评理论和教师实践提出教师数据可视化素养的基本要素、应用情境和设计原则能够为教师数据可视化素养评价类的研究提供理论参考。本研究的实践意义是本研究研发的基于情境的数据可视化素养评价工具，可 7 DALKEY N，HELMERO．An experimental application of the Delphi method to the use of experts[J]. Management science, 1963, 9(3):455-468. 7 华东师范大学硕士学位论文以提升数据可视化素养诊断的精确性、发展性，对于数据可视化素养培训者而言具有较高实践价值；可以帮助培训者了解参训人员的实际水平和培训效果，对于改善培训有较大的意义。在设计、开发和验证数据可视化素养测评体系的过程中，充分考虑了一线教师的教学实践，从实践角度考察和验证了中小学教师数据可视化素养测评体系的有效性，增强了研究结果的实践性操作意义。 1.4 论文框架本研究聚焦中小学教师数据可视化素养测评体系这一研究主题，研究内容共分为一下几个模块。第 1 章绪论。首先，本章论述了数据可视化素养是人们在数据时代的必备能力之一。在现代教育评价理念下，适合我国中小学教师的数据可视化素养测评待建立。后指出本研究的研究问题、内容和方法。接续论述本研究对于理论研究和可视化素养提升的意义。最后一部分梳理了本研究的框架和过程。第 2 章研究综述与理论基础。首先梳理了数据可视化的内涵、教育数据可视化的应用、数据可视化素养的定义与内涵。接着从测评的角度，讨论教师数据可视化素养测评的国际研究现状，重点梳理目前关于数据可视化素养评价的已有成果和应用局限。本研究探究了已有测评体系的设计框架和内容、测评对象和评价标准，阐述了这些案例对本研究的启示。最后，研究将梳理本研究的理论基础。第 3 章中小学教师数据可视化素养测评体系的概述。本部分主要论述了中小学教师数据可视化素养测评体系的主要内容和开发流程。包括测评目标的论述、研究对象的特征描述。测评体系主要包括测评的理论模型、测评工具和测评结果的应用分析模板。基于中小学教师的日常工作场景，结合文献梳理出学科教师、班主任和学校领导三个角色应用数据可视化的情境。结合素养测评的理念、中小学教师角色的特点等，明确在开发中小学数据可视化素养理论模型和测评工具时要依据的设计原则。最后，梳理开发测评体系的流程和理论逻辑。第 4 章中小学教师数据可视化素养理论模型的开发。本部分主要论述了中小学教师数据可视化素养测评体系中理论模型的开发过程。包括根据研究所依据 8 华东师范大学硕士学位论文四个理论视角，进行教师可视化素养维度的确定、测评中框架及指标的设计、测评内容的设计。接着通过德尔菲法对理论模型进行论证和优化，保证测评体系模型的科学性和合理性。最终提出中小学教师可视化素养的理论模型。第 5 章中小学教师数据可视化素养测评工具的开发。本章主要进行测评工具的开发、检验与优化。基于测试题开发的原则，根据模型框架开发测试题，选取样本进行预试，评估测评工具的质量，然后对测评工具进行修正，并再次进行试测。最终提出中小学教师可视化素养测评工具。第 6 章中小学教师数据可视化素养测评体系的应用分析。该部分首先提出了测评结果的分析模板，描述了如何对测评体系进行应用的过程。探究了部分教师的数据可视化素养的现状，进而分析数据可视化素养应用过程中发现的中小学教师数据可视化素养中的问题。本研究针对性地提出了提升数据可视化素养的策略和建议。第 7 章不足与展望。第 7 章主要梳理了研究主要发现的结论、研究成果的应用建议，研究的创新点和后续研究者可以补充探讨的内容。在最后，文章展望了未来中小学教师数据可视化素养研究的方向。以上内容梳理为研究的框架见图 1-2。图 1-2 研究框架 9 华东师范大学硕士学位论文第2章研究综述与理论基础数据可视化素养是教师数据可视化素养的上位概念，所以对教师数据可视化素养测评的研究要追溯到数据可视化素养及其测评，借鉴数据可视化素养研究成果，有助于指导教师数据可视化素养测评的研究。因此，本章系统全面地综述了数据可视化、数据可视化素养、教师数据可视化素养等关键概念及研究现状，同时为更好地指导中小学教师数据可视化素养测评的开发，对经典的可视化测评的案例进行了分析。本章还详细地论述经典测量理论、影响教师图形理解的因素、教师数据素养 DLFT 框架等研究的理论基础。 2.1 研究综述 2.1.1 数据可视化与教育数据可视化（1）数据可视化数据可视化，一方面是指使用图像来表示信息[8]的过程，即广义的数据可视化，凡是将数据以某种视觉形式加以展现，均可视为数据可视化[9]。它对所使用的数据没有严格的要求，处理数据及呈现数据的方式也多种多样。另一方面是指一系列从数字数据到视觉图像的映射 [10]的方法和技术，即狭义的数据可视化，具体来说，是运用计算机图形学知识和图像处理技术，以可交互图形图像的方式来展现数据的理论、方法和技术[11]。本研究所关注的是广义视角下的数据可视化。（2）教育数据可视化及应用现状目前，研究者多借助数据可视化提高数据决策的质量。这主要是由于视觉辅助工具可以放大人们的认知和分析能力，让人们能够利用庞大而复杂的数据完成任务，从数据中提取有意义的信息和模式，并借助可视化从中获取见解，进而做 8 Few S, Edge P. Data visualization: past, present, and future[J]. IBM Cognos Innovation Center, 2007. 陈志云. 数字媒体基础与实践[M].上海:华东师范大学出版社, 2020. 10 Wright R. Data visualization[J]. Software Studies: a lexicon, 2008, 209:78. 11 陈为, 张嵩, 鲁爱东. 数据可视化的基本原理与方法[M].北京:科学出版社, 2013. 10 9 华东师范大学硕士学位论文出决策。近年来，数据可视化在多个领域获得广泛的应用。教育领域拥有庞大的师生数据，教育数据可视化在其中开始表现出巨大价值，更好地支持教育教学。教育情境中有关可视化的应用包括教育大数据可视化，可视化分析技术等。第一个应用是教育大数据可视化。教育大数据可视化直观地呈现复杂、抽象的教育数据，帮助各类人员推断有价值的信息，如认知规律、行为模式、教育现象或未来的学习趋势等[12]。杨现民等人设计了包括多种可视化形式的区域教育大数据结果的可视化展示 [13]。不难发现，数据可视化是教育大数据价值变现的最后一环[14]。可视化在教育中的另一个领域是可视化学习分析。可视化的形式便于读者理解学习分析报告，启发教育管理者进行教育决策，支持读者的探索、解释、假设、验证等动态的推理过程 [15]。可视化学习分析目前已用于支持教育者反思的课堂话语分析、帮助学生进行探究性学习项目的想法绘图和帮助研究者进行认知网络分析等场景。应用可视化分析技术可以发现蕴含在考试数据中的时序规律、异常原因及相关性[16]。学者刘迎春提出学习测评数据可视化模式，充分发挥了可视化在视觉上的优势，实现了精准定位[17]。传统的统计可视化技术，如条形图和散点图，仍然是学习分析情境中最常用的，而更先进或新颖的技术很少使用，虽然有些研究采用了复杂的可视化，有些深入研究了教育理论，但缺乏将两者结合起来的研究[18]。此外，教育工作者还想直观地表示他们的分析结果和发现。目前主要应用的场景有：利用思维导图等可视化工具促进学生的元认知发展；呈现学习分析的结果以辅助教师监督学习过程、了解学生学习特点促进个性化学习；帮助管理者提邓烈君,王小根,王露露,范水娣.可视化教学生态化发展的知识图谱分析[J].中国远程教育,2016(12):15-21. 杨现民,郭利明,邢蓓蓓.区域教育大数据分析架构与展示设计研究——以江苏省A市为例[J].电化教育研究,2020,41(05):66-72. 14 李振, 周东岱, 董晓晓, 等. 我国教育大数据的研究现状、问题与对策——基于 CNKI 学术期刊的内容分析[J].现代远距离教育, 2019(1): 46-55. 15 胡立如,陈高伟.可视化学习分析:审视可视化技术的作用和价值[J].开放教育研究,2020,26(02):63-74. 16 纪连恩,等.面向多主体的大学课程成绩相关性可视探索与分析[J].计算机辅助设计与图形学学报，2018 (1) : 45. 17 刘迎春 , 谢年春 , 高瑱涛 . 精准教学视野下基于学习测评数据的可视化反馈研究[J]. 黑龙江高教研究,2020(12):39-44. 18 Vieira C, Parsons P, Byrd V. Visual learning analytics of educational data: A systematic literature review and research agenda[J]. Computers & Education, 2018, 122:119-135. 11 12 13 华东师范大学硕士学位论文升科学决策的水平；教育数据挖掘结果的呈现等。 2.1.2 数据可视化素养及其测评现状（1）数据可视化素养的界定与发展从广义的数据可视化角度讲，数据可视化素养可以追溯至视觉素养。视觉素养强调理解、应用图形进行沟通交流的一系列技能，旨在指导、教育读者利用视觉素养开展有效的视觉应用[19]。Boy 首次提出可视化素养概念，不同于根植于符号学的视觉素养。可视化素养强调利用可视化工具和材料高效地处理信息的能力 [20] 。Börner 认为数据可视化素养是对数据可视化中的模式、趋势、相关性等解读和意义构建的能力。该定义中提出了可视化素养所需的技能[21]。学者 Lee 等人定义数据可视化素养为一种阅读和理解数据，并从中抽取有效信息的能力[22]。 2019 年 Börner 提出的数据可视化素养强调对数据的解读和运用数据驱动可视化和大数据决策能力[23]。从数据可视化的发展历程上来看，可以发现视觉素养、图形素养、可视化素养和数据可视化素养之间的关系。视觉素养更偏向于从视觉符号中发现和解读图像。而图形能力（Graphical Competence）兼具了图形和统计，并且更突出强调人们在图形理解过程中的意义建构。Friel 等人总结了以往关于学生阅读和解释图表的研究，产生了图表理解的定义，即读者从他人或自己创建的图表中获得意义的能力，他们将图理解的发展描述为渐进的，通过在问题情境中重复构建和使用各种图，理解这些图需要学习者理解数据[24]。而针对可视化素养，Boy 强调的是利用可视化工具去处理信息的能力 [25]。数据可视化素养的定义与图形素养所强调的内涵是基本一致的，都是对可视化表征（即可视化图像）的理解，从上文霍朝光,卢小宾.数据可视化素养研究进展与展望[J].中国图书馆学报, 2021,47(02):79-94. Boy J, Rensink R A, Bertini E, et al. A principled way of assessing visualization literacy[J]. IEEE transactions on visualization and computer graphics, 2014, 20(12):1963-1972. 21 Börner K, Maltese A, Balliet R N, et al. Investigating aspects of data visualization literacy using 20 information visualizations and 273 science museum visitors[J]. Information Visualization, 2016, 15(3):198-213. 22 Lee Sukwon,Kim SungHee,Kwon Bum Chul. VLAT: Development of a Visualization Literacy Assessment Test.[J]. IEEE transactions on visualization and computer graphics, 2017, 23(1):551-560. 23 霍朝光,卢小宾.数据可视化素养研究进展与展望[J].中国图书馆学报,2021,47(02):79-94. 24 González M T, Espinel M C, Ainley J. Teachers’ graphical competence[J]. Teaching statistics in school mathematics-Challenges for teaching and teacher education. Springer, Dordrecht, 2011:187-197. 25 Boy J, Rensink R A, Bertini E, et al. A principled way of assessing visualization literacy[J]. IEEE transactions on visualization and computer graphics, 2014, 20(12):1963-1972. 12 19 20 华东师范大学硕士学位论文所叙述的数据可视化广义和狭义的定义来讲，数据可视化素养是图形素养的继承与发展，强调对信息的处理。数据可视化素养的内涵可以分为两类，要素类和过程类。第一类是要素类的素养内涵。这一类的数据可视化素养主要分析数据可视化素养所需的能力及维度。如，从广义的数据可视化来看，图形素养也可以被理解为数据可视化素养的一部分。González 将图形能力定义为三种不同的能力，如能够从不同类型的图形中提取数据，并通过读取显示的数据之间、之外和背后的信息来解释它们的含义，以形成关于图形中表示的现象的假设；为特定情况选择和创建适当的图形的能力，以及批判性地评价图形和区分特定图形表示的相对优势和局限性的能力[26]。有学者以四种基本技能的形式总结了这些能力：读取图形：直接从一个或多个图形中提取数据，并通过使用一个或多个图形中明确显示的数据进行计算来生成信息；解释图形：对一个或多个图形成意见；构建图形：以图形形式呈现和编辑数据；评估图形：评估图形的准确性和有效性[27]。可以看出，上述的要素类的素养强调对数据的读取、解释、构建和评估。第二类是面向图形理解过程与水平的素养内涵。这一类的数据可视化素养关注人们理解数据可视化的认知过程，这也一直是图形理解领域关注的问题。从认知过程视角研究内涵，往往由表及里，层层深入，形成了种种层次结构。这类数据可视化素养的层次结构，也包含了认知过程的水平。如近期的有关图表阅读的文献讨论了一个术语来描述阅读和解释图表的能力：“图形理解能力”。这一词被定义为阅读者从图形中获得意义的能力，它包括三个关键部分：从图形中提取数据的能力，即从表面上阅读数据的能力；对图表数据进行整合和解释的能力，即能够看到图表中呈现的各种数据组件之间的关系；评估数据并在特定背景下解释数据的能力[28]。还有学者提出了视觉、数据和含义的三个层次，视觉：对纯视觉元素的引用；数据：将可视元素重新归纳到它们表示的数据，尝试对数据进 González M T, Espinel M C, Ainley J. Teachers’ graphical competence[J]. Teaching statistics in school mathematics-Challenges for teaching and teacher education. Springer, Dordrecht, 2011:187-197. 27 Wu Y. Singapore secondary school students’ understanding of statistical graphs[C]. 10th International Congress on Mathematics Education. Copenhagen, Denmark. 2004:1-7. 28 Van den Bosch R M, Espin C A, Chung S, et al. Data-based decision-making: Teachers’ comprehension of curriculum‐based measurement progress‐monitoring graphs[J]. Learning Disabilities Research & Practice, 2017, 32(1):46-60. 13 26 华东师范大学硕士学位论文行情境的关联和理解；含义：意见或假设超越了简单的观察，通常需要事先了解数据[29]。与上述定于不同的是，该模型关注了数据可视化素养中的视觉元素，并强调要事前对数据有一定的了解。图形理解中使用的最广泛的模型确定了理解图表的四个阶段，它既可以被视为能力的层次结构，也可以被视为在可视化情境中解决问题的框架，这四个阶段是：读取数据，即专注于从图形中提取数据；数据之间的读取，其特征在于发现数据之间的关系；阅读数据之外，即需要推断和识别关系，以便进行预测或概括；读取数据背后的内容：即寻找数据中变量之间变化的可能原因和关系[30]。Boy 综合了以往理解可视化的过程，指出其中所包含的步骤，第一步，读者有预先制定的目标来提取特定的信息；第二步，读者查看图形，格式塔进程被激活；第三步，基于这些格式塔原则，对图形的特征编码；第四步，熟悉图形后，知道要使用哪种认知/解释策略；第五步，读者提取必要的目标导向的视觉块；第六步，读者可以比较 2 个或更多的可视块。第七步，读者提取相关信息以满足目标[31]。研究者 Shah 将图形理解分为自上而下和自下而上两个过程，自上而下是指读者的先验知识会影响数据的解释，自下而上是指读者从感知直觉特征转向解释[32]，并将自上而下和自下而上的流程分别与构建阶段（construction）和整合阶段（integration）联系起来，在构建阶段，读者先激活先前的图形知识，即图形模式和领域知识，以构建可用信息的连贯概念表示，在整合阶段，不同的知识通过阅读被激活[33]。以上模型都说明了读者拥有的图形知识和领域知识对理解可视化的重要性，这将为研究设计中小学教师数据可视化素养的理论模型提供理论基础。（2）数据可视化素养的测评学者霍朝光总结了以往可视化类的测评的研究维度、研究方法和测评素材， 29 Vanhulst P, Evequoz F, Tuor R, et al. A descriptive attribute-based framework for annotations in data visualization[C]. International Joint Conference on Computer Vision, Imaging and Computer Graphics. Springer, Cham, 2018:143-166. 30 Curcio F R. Developing Graph Comprehension. Elementary and Middle School Activities[M]. National Council of Teachers of Mathematics, Inc., 1906 Association Drive, Reston, VA 22091, 1989. 31 Boy J, Rensink R A, Bertini E, et al. A principled way of assessing visualization literacy[J]. IEEE transactions on visualization and computer graphics, 2014, 20(12):1963-1972. 32 Shah P. A model of the cognitive and perceptual processes in graphical display comprehension[J]. Reasoning with diagrammatic representations, 1997:94-101. 33 Freedman E G, Shah P. Toward a model of knowledge-based graph comprehension[C]. International conference on theory and application of diagrams. Springer, Berlin, Heidelberg, 2002:18-30. 14 华东师范大学硕士学位论文研究的维度有读图者的表现或经历、视觉数据分析和推理、可视化的沟通效果等；测评类研究方法包括田园观察、实验观察、案例研究或控制实验、现场记录、实验问卷、可视化质量评估等，实验材料有统计图、图形图、地理图和网络图等[34]。目前多数融入学习测评的可视化分析只在“直观展示信息”上有所建树[35]。其他具体研究现状见本章的案例分析。 2.1.3 教师数据可视化素养及测评现状（1）教师数据可视化素养的定义、内涵中小学教师数据可视化素养与数据可视化素养最大的不同，就是教育的情境。教育研究文献中，教师数据可视化素养常被认为是图形知识和技能，教师阅读和解释图表，以做出有效的决策或学生需要的干预。研究从教师应该掌握的与数据可视化相关的能力方面解析数据可视化素养。以往研究认为教师的图形理解结合了统计知识和教师的教学内容知识，总结如下：第一部分侧重于教师的图形能力，即在阅读，构建，解释和评估图形过程中教师对统计图的了解，第二部分与教师的教学内容知识有关，包括如何教授图形，预测学习者对这个主题可能具有的概念[36]。教师能够根据情境运用教师的图形能力，知道什么时候用可视化，为什么要用可视化。第一点，教师的图形能力的要素与教师数据可视化素养。在 Mandinach 和 Gummer 的教师数据素养框架中提到了关于教师理解和解释图形的素养，与之相关的有解读和使用数据表征：教师需要知道如何使用数据表征，因为数据通常以表格、图形和其他显示形式描述；评估模式和趋势，教师必须能够从数据中辨别模式和趋势，尤其是以图表和图形中显示时；教师必须能够使用简单的统计数据，例如使用集中趋势和离散度来了解学生的表现[37]。研究者还确定了教师可以用霍朝光,卢小宾.数据可视化素养研究进展与展望[J].中国图书馆学报,2021,47(02):79-94. 刘迎春 , 谢年春 , 高瑱涛 . 精准教学视野下基于学习测评数据的可视化反馈研究 [J]. 黑龙江高教研究,2020(12):39-44. 36 González M T, Espinel M C, Ainley J. Teachers’ graphical competence[J]. Teaching statistics in school mathematics-Challenges for teaching and teacher education. Springer, Dordrecht, 2011:187-197. 37 Mandinach E B, Gummer E S. What does it mean for teachers to be data literate: Laying out the skills, knowledge, and dispositions[J]. Teaching and Teacher Education, 2016, 60: 366-376. 15 34 35 华东师范大学硕士学位论文来表征学生图形理解的几种行为，包括：识别统计图中的元素（例如，轴、绘图符号和标签），评估元素的有效性和适当性；将图表中反映的关系转换为所表示的数据；识别一个图形何时比另一个图形更有用，并组织或重新组织数据以对数据进行替代表示；使用情境来理解图表中呈现的内容，并避免过多地解读观察到的任何关系[38]。学者杨现民认为描述性分析主要是回答发生了什么，主要包括识别均值等描述性的统计量[39]。第二点，教师运用图形的能力与教师数据可视化素养。可视化素养应该扩大到包括解释和创建可视化所需的原则和技能、批判性思维，并与其他能力一起考虑，注重与信息素养和数据素养等其他素养的联系。教师知道何时以及如何创建数据的视觉表示以促进信息的提取，反过来，知道如何解释视觉表示以便直接从数据中读取[40]。教师要会使用可视化描述学生的教学和学习需要，通过数据可视化发现学生学习情况发生的原因，比如，学生产生学习障碍的原因。探讨可视化数据可以促进教师的教育决策。（2）教师数据可视化素养的测评现状教师数据可视化素养测评是教师数据素养测评重要组成部分。目前，很多研究都对数据素养进行了研究。教师数据可视化素养作为数据素养的某一个部分，其测评往往也与教师的数据素养测评联系在一起，作为数据素养测评的一部分。如：学者林秀清等人构建的中小学教师数据素养的测评体系将“数据分析与解读能力”作为“数据操控能力的一部分”，强调教师能够分析数据处理的结果和可视化图表的含义，能够对数据处理结果做出合理解释和推断[41]。美国教育部将在复杂图表查找数据的能力，包括分析成绩直方图、确定成绩的发展趋势、判断成绩的分布比例等能力放入了其研发的情境访谈中[42]。这些案例，从数据素养的角度，让教师对自己的可视化素养做整体的评估，但没有深入到数据可视化的各 38 Friel S N, Curcio F R, Bright G W. Making sense of graphs: Critical factors influencing comprehension and instructional implications[J]. Journal for Research in mathematics Education, 2001, 32(2):124-158. 39 杨现民,郭利明,邢蓓蓓.区域教育大数据分析架构与展示设计研究——以江苏省A市为例[J].电化教育研究,2020,41(05):66-72. 40 Chevalier F, Riche N H, Alper B, et al. Observations and reflections on visualization literacy in elementary school[J]. IEEE computer graphics and applications, 2018, 38(3):21-29. 41 林秀清,杨现民,李怡斐.中小学教师数据素养评价指标体系构建[J].中国远程教育,2020(02):49-56+75+77. 42 Means B, Chen E, DeBarger A, et al. Teachers' ability to use data to inform instruction: Challenges and supports[J]. Office of Planning, Evaluation and Policy Development, US Department of Education, 2011:1-122. 16 华东师范大学硕士学位论文能力细节，只能做出大致的判断而不能有效促进其能力的提升。 2.1.4 经典测评及可视化测评的案例分析本章选取了目前经典的素养测评和数据可视化素养测评的项目作为分析对象，从测评项目的测评对象、设计原则或特点、测评体系的框架与内容、问题情境及评分标准方面进行分析。（1）典型的测评案例介绍 PISA 是 Programme for International Student Assessment 的简称，中文名称为国际学生评估项目，其内容是评估学生数学、阅读、科学三个学科上的表现，目的为测量学生掌握重点学科的程度。评估三年进行一次，每次评估的框架都会更新。在 2015 年 PISA 测试中，科学素养的评估框架分为四个维度，分别是情境、知识、能力和态度。其中，情境又分为个人情境、国家/地方的情境、全球的情境三个层面。知识维度分为内容知识、程序性知识和认知的知识；能力分为科学地解释现象的能力，解释数据和证据的能力，评价和设计科学研究的能力；态度包括对科学的兴趣、重视程度和环保意识。PISA 定义了评估科学素养的框架，该框架将认知层次和能力层次相互连接起来，成为一个综合的体系，解决了知识和能力有割裂、仅关注能力或仅关注知识而产生的问题。PISA 将科学素养分为低水平、中等水平和高水平[43]。（2）可视化素养的评估 Boy 等人开发了评估可视化素养的测试。测试可以了解目标受众理解可视化的能力，希望能够为对学生进行评估的教师和为可视化素养制定标准的教育政策制定者提供帮助。测试的项目通常设计 3 个部分，包括“刺激”、“任务”和“问题”三个主体内容。其中，“刺激”是使用特定的可视化图形。可视化图形有四个参数，包括样本数量、数据的内在复杂性、布局和干扰因素。样本数量是指图形编码元素的数量。数据内在的复杂性是指数据的全局的或局部的变化。布局是指图形框架的结构及其规模。干扰因素是指对正确理解可视化来说不是必要的因 43 卢镇岳.PISA科学素养评估框架的启示[J].中学生物教学,2017(21):7-10. 17 华东师范大学硕士学位论文素。“任务”则是指需要视觉智能参与的问题。问题类型分为感知类问题、高一致性问题和低一致性问题。开发者应用项目响应理论，使用 12 种静态可视化类型作为提示，用于评估可视化素养，评估包括识别最小值和最大值、检测趋势、相似性或差异、找到交叉点和给定值、估算平均值、比较不同值或趋势[44]的任务。 Lee 等人提出了可视化素养评估测试（Visualization Literacy Assessment Test, VLAT）[45]，该测验的对象为非专业数据可视化用户，测评着重于区分专家和新手。利用了心理和教育管理研究的六步迭代过程：构建测试规划、生成测试项目，评估内容有效性，测验试用和项目分析，测试项目选择和可靠性评估。该项目的特色为考虑应试者与任务相关的词汇和短语水平，排除了因为表达而对可视化素养评估结果造成的干扰。研究邀请专家进行内容有效性的评估。可视化素养评估测试（VLAT）包括数据可视化（例如线图、直方图、散射图等）和多选测试项目，涵盖多个数据可视化任务（例如检索值、识别特征分布、进行比较等），有助于通过可视化衡量参与者的普遍能力。VLAT 测试在给 191 人试用时表现出高可靠性。该研究得出得分高的参与者更有可能在不熟悉的可视化方面表现良好的结论。 Börner 开展了 DVL（Data Visualization Literacy, DVL）测试。DVL 旨在确定青年和成人在非正式学习环境中熟悉的可视化的类型。研究者使用了报纸、教科书和杂志中的 20 张可视化图表来评估 273 名科学博物馆参观者的基本数据可视化素养。被试者被要求识别熟悉的可视化，说明他们曾经在哪种场景中见过这些可视化并提供有关如何阅读可视化的信息。结果显示，参与者更熟悉基本的图表、地图等，但不太熟悉网络布局的可视化，在阅读网络可视化时表现吃力，当被问及如何解释可视化时，大多数参与者指出表面特性，比如颜色、线条或文本作为他们理解可视化的重要因素[46]。（3）对本研究的启示 44 Boy J, Rensink R A, Bertini E, et al. A principled way of assessing visualization literacy[J]. IEEE transactions on visualization and computer graphics, 2014, 20(12):1963-1972. 45 Lee Sukwon,Kim SungHee,Kwon Bum Chul. VLAT: Development of a Visualization Literacy Assessment Test.[J]. IEEE transactions on visualization and computer graphics,2017, 23(1):551-560. 46 Börner K, Maltese A, Balliet R N, et al. Investigating aspects of data visualization literacy using 20 information visualizations and 273 science museum visitors[J]. Information Visualization, 2016, 15(3):198-213. 18 华东师范大学硕士学位论文以上案例带给本研究以下启示：第一，测评应贴合测评对象的语境。在出测试题时，在保证考察有效性的前提下，语言风格应简洁明了，贴合教师工作的语言风格，以去除无关因素的干扰。第二，测评应具有情境化。能力与其应用时所处的情境密切相关，也与实际生活相联系。尤其对高阶复杂能力和素养的评估，需要结合具体内容和测评对象特征确定试题情境，将“情境”操作化。第三，测评应体现科学性。评估工具需要考虑用作刺激的情境、回答问题所需的知识和能力、以及认知需求。在数据可视化的评估过程中，需要考虑可视化本身对被试的影响，如样本的数量、复杂性、布局等问题，避免给被试造成误导。对测评的内容进行分层次，分级描述，以体现评估的科学性，增加评估结果的价值。第四，测评可用可视化考察任务。评估可以考虑设置可视化的任务，通过寻找极值、比较等任务观察评估被评估者的可视化能力。 2.2 理论基础 2.2.1 经典测量理论测量是通过某种合适的仪器或者工具确定客体在某种属性上的量的过程 [47] 。本研究遵循心理和教育测量测试开发的既定程序：测试蓝图构建、测试项目生成、内容有效性评估、测试试用和项目分析、测试项目选择和可靠性评估[48]。经典测量理论（Classical Test Theory，CTT），也可以被叫做真分数理论，是以测验实得分数为前提条件的理论[49]。经典测评理论建立在真分数（X）、误差分数（E）和观察分数（T）之上。其中，真分数是被试特征的真实值，观察分数是通过测量而获得的值。误差分数则是真分数和观察分数之间的差值。该理论的基本假设是：真分数是稳定不变的，在多次测量中变的只有误差分数。测量误差与所测特质相互独立，真分数与误差分数不相关。某种特质若用平行测验反复测量，其观察分数的平均值将等于所测特质的真值，观察分数等于真分数与误杨向东.教育测量在教育评价中的角色[J].全球教育展望,2007,No.243(11):15-25. Lee Sukwon,Kim SungHee,Kwon Bum Chul. VLAT: Development of a Visualization Literacy Assessment Test.[J]. IEEE transactions on visualization and computer graphics, 2017, 23(1):551-560. 49 余仙菊.多维与整合:从学习方式演变看教育测量理论的发展走向[J].学术论坛,2007,No.194(03):186-190. 19 47 48 华东师范大学硕士学位论文差分数之和[50]，其数学模型为 X=T+E，若存在两次测量，所得的观察分数是 X1 和 X2，使得 X1=T+E1，X2=T+E2 和 δ（E1）2=δ（E2）2，则测验为平行测验[51]。 CTT 建立了信度、效度和题目参数等分析方法，并应用于实践中[52]。经典测量理论作为试题开发的前提假设，启发本研究需要进行测试试卷的质量检测。具体方式为选取样本进行试测，验证试题的信效度、难度和区分度是否达标。 2.2.2 影响教师图形理解的因素研究者认为理解和解释可视化涉及几种类型的知识：领域知识，图形技能、解释技能 [ 53] 、图形的视觉特征（例如，格式、动画、颜色、图例的使用、大小等）、读图者对图形的了解以及读图者对图形中数据内容的了解和期望 [ 54] 。研究者 Lee 在综合了以往研究的基础上，引出了影响图形理解的因素包括图表格式、视觉特征、图的知识以及关于内容的知识。其中图表格式与任务和目的高度相关，颜色、阴影等可视化视觉特征会影响理解，关于图形的先验知识影响将信息转换成知识的过程[55]。这部分内容将作为研究构建中小学教师数据可视化模型的基础，启示本研究中理论模型的构建要考虑教师要具备有关数据可视化和教育教学的知识这一因素，并为知识维度的分类提供了思路。 2.2.3 教师数据素养 DLFT 框架 DLFT 是教师数据素养的概念框架（图 2-1）。在该模型之前，研究者们已经形成了一个教师数据素养的模型，但是他们发现为了使教师有效地使用数据，必须将数据情境化。一旦教师了解了数据相对于教学目标和学习目的的含义，他漆书青.略论心理和教育测量理论的发展历程[J].江西师范大学学报,2001(01):94-99. 余仙菊.多维与整合:从学习方式演变看教育测量理论的发展走向[J].学术论坛,2007,No.194(03):186-190. 52 余仙菊.多维与整合:从学习方式演变看教育测量理论的发展走向[J].学术论坛,2007,No.194(03):186-190. 53 Freedman E G, Shah P. Toward a model of knowledge-based graph comprehension[C].International conference on theory and application of diagrams. Springer, Berlin, Heidelberg, 2002:18-30. 54 Shah P, Hoeffner J. Review of graph comprehension research: Implications for instruction[J]. Educational psychology review, 2002, 14(1):47-69. 55 Lee Sukwon,Kim SungHee,Kwon Bum Chul. VLAT: Development of a Visualization Literacy Assessment Test.[J]. IEEE transactions on visualization and computer graphics, 2017, 23(1):551-560. 20 50 51 华东师范大学硕士学位论文们就确定了要采取的教学步骤。这意味着教师必须调用教学内容知识。因此，研究者们考虑了内容知识，教学内容知识和教学数据使用（称之为数据使用的知识和技能），并纳入了七个关键知识领域：内容知识；一般教学知识；课程知识；教学内容知识；了解学习者及其特征；了解教育背景以及教育结果，目的和价值观的知识。这些知识提供了基本信息，并传送到了 DLFT 构造的教学领域的数据使用中[56]。该理论说明了教师在使用数据过程中，必须要使用内容知识，并且成为教师数据素养的基础和支撑。该理论指出了内容知识具体包括哪些知识。本研究将其中内容知识与数据使用的关系迁移到数据可视化素养中内容知识和数据可视化使用的关系之上。内容知识也会影响教师对数据可视化的理解，因此，这些知识也将成为本研究思考中小学教师数据可视化素养理论模型中的知识维度应该包括哪些内容知识这一问题的理论基础。图 2-1 DLFT模型 56 Mandinach E B, Gummer E S. What does it mean for teachers to be data literate: Laying out the skills, knowledge, and dispositions[J]. Teaching and Teacher Education, 2016, 60:366-376. 21 华东师范大学硕士学位论文第3章中小学教师数据可视化素养测评体系概述本章重点在论述中小学教师数据可视化素养测评体系的主要内容、设计原则、测评依据的情境和开发流程。本章明确了测评的目标、对象和设计原则、明晰了测评体系的组成和开发的思路。为了更加贴合测评的对象，研究分析了中小学教师使用数据可视化的情境，作为测评工具开发的依据。第 3 章为开发测评体系绘制了蓝图。 3.1 中小学教师数据可视化素养测评体系的主要内容 3.1.1 中小学教师数据可视化素养的测评目标本研究意在研制一套中小学教师数据可视化素养的评价体系，以明晰教师数据可视化素养的水平。一方面能够为教师个体提供参考，另一方面也可以有针对性地提升中小学教师数据可视化素养，为中小学提升教师数据可视化素养和有关数据可视化的培训提供重要抓手。 3.1.2 中小学教师数据可视化素养的测评对象本研究的测评对象为中小学教师。与以往数据可视化素养测评的很大的不同在于对角色的定位。以往研究大多没有区分职业，对专业知识的要求会较低。此外，研究对象也影响了测评素材的选择。教师身份决定了数据可视化的运用目的。为了改善教育教学，数据可视化的应用的场景也应该与教师的日常工作有关。为此，研究结合理论和实践，归纳梳理了中小学教师运用数据可视化的情境。作为测评的素材来源。 3.1.3 中小学教师数据可视化素养测评体系的内容中小学教师数据可视化素养测评体系包括三个部分，中小学教师数据可视化素养的理论模型，中小学教师数据可视化素养测评工具、中小学教师数据可视化 22 华东师范大学硕士学位论文素养的评价模板，见图 3-1。首先，根据 DLFT 理论、数据可视化流程模型、影响图形理解因素和以往可视化素养的要素四个方面，开发中小学教师数据可视化素养理论模型，将指出数据可视化素养所包含的维度。借鉴 PISA 中科学素养的测评模型中给出的测评工具开发本研究所依据的框架。然后，开发中小学教师数据可视化素养的测评工具。最终通过应用，给出中小学教师数据可视化素养的评价模板。图 3-1 中小学教师数据可视化素养测评体系 3.2 中小学教师数据可视化素养测评体系的设计原则中小学教师数据可视化素养测评体系整体设计的原则为以促进教师专业发展为测评的价值取向，契合中小学不同的教师角色，符合以素养为立意的标准。三个原则的详细描述如下。此外，测评工具作为测试题，也有自己的开发的原则。本研究将分别阐述两个内容。 3.2.1 中小学教师数据可视化素养测评体系的设计原则（1）以教师发展理论为指导本测评的开发就是为了促进中小学教师在数据可视化素养上的专业发展。评价的结果将为教师培训带来抓手。尤其是在数据深入到课堂内外，可视化的数据在现在和未来将帮助教师进行决策、管理和评价的情况下，期望能够帮助提升中 23 华东师范大学硕士学位论文小学教师的数据可视化的理论素养和应用数据可视化素养的教学技能，促进中小学教师数据应用能力的专业发展。（2）遵循素养立意的原则具有某种素养的人能够在情境中运用对知识的理解来解决问题。以素养立意的试题要能够测评出这一特征。为了反映素养对于情境的强调，所开发的测评工具则依据特定的情境，体现数据可视化的学业成就是有价值的，测试题目中所蕴含的情境要科学且规范 [57] 。（3）符合教师日常工作以往的测评强调了测评对象对于测评的重要性。一方面，评价对象决定了评价体系的内容。另一方面，评价体系应符合被测者的话语体系。数据可视化素养属于高阶思维的评价。在真实的情境中，要避免因表述或情境偏差而导致的认知偏差。因为认知偏差会导致施测者和被试者对情境的理解不同，进而增大试题的不确定性。 3.2.2 中小学教师数据可视化素养测评工具的设计原则测评工具立意在现代教育评价理念导向下的素养测评之上。测评工具为一套测试题。在试题的设计上既要遵循素养类测评的原则，又要遵循数据可视化的一般原则。笔者将上述中的重点内容进行整理归纳，形成数据可视化测试工具开发的原则，以保证测评工具的科学和准确。（1）数据可视化建构的原则出于交流信息和共享的需要，数据可视化的设计必须遵循一些规范性原则。已有的关于可视化的设计规则整理如下。IBCS 协会制定了图表设计的规则与建议标准：第一，介绍的内容要有说明和证据支持；第二，涵义相同的事物要在视觉上有统一性；第三，信息尽可能在同一个页面呈现；第四，检查信息的真实性，并且以易理解的方式呈现；第五，应尽可能直观呈现需要传达的信息；第六，应避免所有过于复杂的、多余的和干扰注意力的或仅用于装饰的要素和特征；第七，邱荣槐.素养立意试题的要素特征及编制——道中考地理选择题引发的争议与思考[J].基础教育课程,2018(24):51-56. 24 57 华东师范大学硕士学位论文遵循逻辑结构，内容覆盖面广但不重复[58]。除此之外，可视化能够准确地呈现信息。可视化设计者可以通过颜色、形状等辅助手段方便读者理解数据，但不可复杂，复杂的数据可视化会加重读者在理解上的负担。（2）素养类知识测评工具的原则第一个原则，科学性原则。科学的开发过程保证了测评结果是可靠且有效的。中小学教师数据可视化的框架结构较为复杂，加之量表、问卷等形式的主观因素影响，本研究将测评工具的具体形式确定为试卷。而命制测试题要遵循科学的流程。既要遵守数据可视化的构建原则，也要遵循知识测评的开发原则。确保测评的目的、测评的内容及指标、测评的过程、评价的方式等建立在合理、科学的理论和实践基础之上，符合测试工具的特点。本研究编制的试题为原创性试题，采用从立意到情境的原创性试题的编制方式。根据中小学教师数据可视化素养的理论模型，寻找能够体现测评内容的事例素材和可视化图表等材料，将材料整理成具体的问题情境，依据情境设置问题，形成数据可视化素养的测试题[59]。第二个原则，可操作性原则。评价过程及方式具体清晰。可操作性要求测评的内容和指标明确而具体，详细且直观。首先，保证测评工具整体结构的合理性。就整个测试卷来说，应该遵循由易到难的基本逻辑，由表征到内容，由构建能力到解读能力。若试题为包含了若干小题的综合题目，那么题目之间要有逻辑性和一定的关联性，循序渐进，由浅入深。每一个小题既要有自己的独立考察点，也应该能够被串联起来，而不是互相割裂的。此外，测评工具的文字表述明确细致。文字表述的优劣会影响试题难度。试题题目中的背景信息的长度、生僻的专业术语会影响被测评者。而语言的晦涩难懂，更是会在无形中提高试卷的难度，压缩教师思考问题的时间，从而成为影响原创情境化试题的难度的因素。这就要求在编制试题时，根据教师实际工作组织题干材料，词语使用要准确、文字和标点要符合规范，避免歧义。最后，测评工具的做题要进行时限设置。测评工具的测试时长应控制在可接受的合理范围之内。第三个原则，有效性原则。试题素材尽量贴合教师的日常工作情境。试题素 58 59 郭志武.数据可视化规范简介和构成要素探讨[J].中国医院统计,2020,27(06):572-576. 王锐鹏.从流程视角谈优秀试卷的编制[J].教学与管理,2013,(16):83-85. 25 华东师范大学硕士学位论文材的选择会影响教师思考问题的过程。好的情境能带给被测者现场感，调动被测者的解决问题所需的知识、能力、方法以及态度和价值观念。但有研究者指出，尽管在题目中设置了情境，努力贴合教师的所授学科和年级，但是情境之间相互独立、缺乏关联，与真实的工作场景还是存在差距 [60] 。因此，在开发这套测试工具时，笔者为避免情境过于独立，将多个考察点融于一个情境当中。除此之外，素养中的情境应该满足以下条件：真实生活情境，赋予当事人角色，处于最近发展区[61]。这要求编制原创测试时，所涉及的情境不宜过偏、过怪或者过于简单。 3.3 中小学教师数据可视化素养测评体系所依据的情境中小学教师数据可视化应用情境的梳理为后续测评工具的开发所需素材的选取提供依据。本研究从教师日常工作中可接触到数据可视化的工作场景入手，进行分析。中小学教师的角色主要包括学科教师、班主任、年级主任或可以做出教育决策的领导。情境分析所采纳的主要视角是教师会接触到哪些数据，例如学科教师在教学中的各个环节中运用到数据可视化的具体场景；班主任在班级管理的各过程、各环节中如何运用数据可视化；学校的领导者在教学、管理、指导和组织协调方面等运用数据可视化的场景。本文通过文献分析、结合经验总结出了与教师有关的数据可视化的场景，见表 3-1，作为测试题素材的选择依据。表 3-1 中小学教师应用数据可视化情境教师角色环节情境具体描述或案例学习起点分析备课分析学情[62] 学科教师学生状态关注学习结果评估班级学习状态教研集体备课分析年级整体学习数据获取反馈根据学生行为表现做出决策 [63] 教学授课 [64] 教学内容李艳,刘淑君.国外教师数据素养测评研究及启示[J].开放教育研究,2020,26(01):37-49. 邱荣槐.素养立意试题的要素特征及编制——道中考地理选择题引发的争议与思考[J].基础教育课程,2018(24):51-56. 62 薛晨红.聚焦因材施教,优化线上教学五环节[J].上海教育,2021(12):71-72. 63 郁思怡.在线教育中教学五环节的新尝试[J].教育传播与技术,2020(06):45-48. 64 薛晨红.聚焦因材施教,优化线上教学五环节[J].上海教育,2021(12):71-72. 26 60 61 华东师范大学硕士学位论文作业统计完成度统计提交作业数量与时间，提醒部分学生打卡作业根据打卡报告，进行监督设置分层作业辅导评价 [65] 根据学生成绩或表现设置分层作业评价作业评价的统计个性化学习对个别或一类学生的学习薄弱点进行辅导考试成绩分析学科素养构建或读懂相关评估报告素质评价构建或读懂相关评估报告构建学生表现积分管理[66] 日常管理构建学生日常行为量化[67] 构建班级量化管理班主任班级管理家校互动及资源整合[68] 构建和解读可视化学生安全[69] 安全事故报告的解读督促学习解读学习系统的反馈报告德育教育[70] 构建统计图表体质构建和解读视力调查、身高体重等组织活动主题教育数据分析综合素质评价改善教学指标[71] 报告的解读与汇报教学效果分析与决策指导指导教师教研[73] 根据教学报告分析与决策组织协调[74] 组织协调授课根据数据可视化进行决策督导教学行为[75] 绩效考核、评优奖先分析行为数据报告管理 [72] 学校管理者分析综合素质评价的结果郁思怡.在线教育中教学五环节的新尝试[J].教育传播与技术,2020(06):45-48. 薛晨红.聚焦因材施教,优化线上教学五环节[J].上海教育,2021(12):71-72. 67 张发珍 , 夏秀艳 , 刘中学 . 学生日常行为管理及思想品德等级评定的改革与实践 [J]. 山东教育科研,2001(Z2):72-76. 68 杨小微,徐冬青,蓝海峰,汪建华.超越当下预演，迈向未来学习——长江沿线部分地区中小学网课调研的反思与启示[J].基础教育,2020,17(03):74-80. 69 李枢密.发挥乡村学校班主任的三重职责[J].教学与管理,2019(32):15-16. 70 耿申.《教育规划纲要》对于德育和班主任工作的新要求[J].教育科学研究,2010(11):21-23. 71 刘达.上海数学课程改革推动下的教研转型与范式生成[J].中国教育学刊,2019(11):1-5. 72 韩维东 . 教学管理人员 “ 走课 ” : 提高课堂教学质量的可行策略 [J]. 湖南师范大学教育科学学报,2013,12(05):69-72. 73 靖士明.中小学教导主任角色与职责调查报告[J].上海教育科研,2009(07):38-40. 74 靖士明.中小学教导主任角色与职责调查报告[J].上海教育科研,2009(07):38-40. 75 邓正平.教导处应强化“四导”职能[J].教学与管理,2010(02):9-10. 27 65 66 华东师范大学硕士学位论文引导教学研究[76] 推进教学研究解读各类研究报告推进教学计划[77] 监督和掌握教学计划解读教学进度计划表文化建设构建和解读社团活动智慧校园解读各类教育信息化报告校园建设在这些教育情境中，阐述了有关学生、学生群体、主题领域、课程或教学方面的实践问题。普通教师和班主任应该能够识别问题并解释问题，了解学生层面的情境，预估学生可能遇到的学习困难、行为或动机，将有助于他们更好地了解情况。学校层面的数据可视化报告的解读为寻求解决实践问题提供了广阔的视野。 3.4 中小学教师数据可视化素养测评体系的开发流程研究采用的是先验性的测评体系开发路径，即首先确定测评的目标和测评的对象，然后根据测评对象的特征，归纳测评的情境，然后通过数据可视化的模型、 DLFT 数据素养模型、影响教师理解的因素和以往可视化的要素梳理出理论模型。接着根据理论模型编制双向细目表，开发原创性试题，进行试测和质量分析，然后分析数据，形成评价的模板。整个测评体系的开发流程见图 3-2。图 3-2 中小学教师数据可视化素养开发流程 76 77 邓正平.教导处应强化“四导”职能[J].教学与管理,2010(02):9-10. 靖士明.中小学教导主任角色与职责调查报告[J].上海教育科研,2009(07):38-40. 28 华东师范大学硕士学位论文第4章中小学教师数据可视化素养理论模型的开发本章重点解决中小学教师数据可视化素养测评体系的基础问题。本章明确了中小学教师数据可视化素养的理论模型。研究主要内容是通过文献梳理，构建教师数据可视化素养的维度、框架和知识点。具体流程为形成素养理论模型的各级维度及具体指标，然后进行中小学教师数据可视化素养框架的开发。在数据可视化素养理论模型初步拟定之后，进行了两轮的专家论证，以修订和优化理论模型及其具体指标的构建和描述。 4.1 中小学教师数据可视化素养理论模型的论证 4.1.1 核心概念界定何为素养？素养意味着在不同情境下运用高级技能，利用和调动各种资源以满足复杂需要的能力。素养类的概念界定包括实务型界定和理念型界定，两者各有优缺点。理念型的界定方式可以指出素养内涵的共同属性。如经济合作与发展组织（OECD）认为素养是特定情境、技能和知识的综合[78]。实务型的界定则是通过领域来定义素养，强调实用价值，根据不同的人、目的和情境来界定素养[79]。本研究中所讨论的教师数据可视化素养，则是理论和实务型界定的集合。理论模型的构建考虑了不同人、目的和情境下的共有的能力，也强调教师角色和情境所要求有的知识。PISA 中对素养测评的指标体系的建构方式包括情境、能力、知识和态度，这对我国素养类的评价具有启发意义。从有关图形素养和数据可视化素养的内涵辨析和数据可视化素养内涵要素的分析（见本文第 2 章）中得到启示，数据可视化素养最根本的是读图的能力，包括视觉素养中的阐释、评价、运用和创造图形的认知过程，综合信息，进行解释和决策的过程。基于以上论述，笔者将数据可视化素养定义为：能够利用合适的工具将数据进行可视化以及从可视化表征中提取、关联、解释数据的综合能力。 78 79 张华.论核心素养的内涵[J].全球教育展望,2016,45(04):10-24. 邵朝友.基于学科素养的表现标准研究[M].上海:华东师范大学出版社, 2017:67-68. 29 华东师范大学硕士学位论文教师数据可视化素养则是指在教育教学中，教师能够选用合适的图表，处理数据并进行可视化以及从可视化表征中提取、关联、解释信息的综合能力。其中，数据特指教育数据，是系统收集的有关学校、学生和教师等人群各方面信息，既包括教学测评的定量数据，也包括访谈、课堂观察、人口统计学等类型的定性或定量数据[80]。该教师数据可视化素养的定义强调在特定情境中利用数据可视化发现或识别问题和解释并解决问题的能力。教师可以构建简单的可视化表征，利用可视化初步感知数据之间的特征和关系，读懂各级各类教育报告中的数据可视化图表，处理、分析和展示在教育教学工作中接触的数据，从中发现问题或找到解决问题的方式，也可以在教学中使用可视化授课、使用可视化帮助自己更好汇报工作，表达观点等。 4.1.2 中小学教师数据可视化素养理论模型的构建依据对任何形式的素养进行有意义的衡量，有必要从较深的层次开始了解所涉及的各个组成部分。基于对文献的梳理和对教师数据可视化素养所下的定义，在本研究构建的中小学教师可视化素养测评体系中，强调遵循数据可视化素养内涵的过程观。研究面向数据可视化的模型、数据可视化构建过程和数据可视化的理解过程，从中发现与数据可视化素养相关的要素，并进行归纳、总结和提炼。（1）数据可视化的流程模型视角教师数据可视化素养面向整个数据可视化的过程，在确定数据可视化素养之前，笔者首先分析了数据可视化的过程是什么。 Jark Van wijk 等人提出的回路型的信息化可视化参考流程，见图 4-1，读图者与可视化的交互可以出现在任何阶段[81]。 80 81 李艳,刘淑君.国外教师数据素养测评研究及启示[J].开放教育研究,2020,26(01):37-49. Van Wijk J J. The value of visualization[C].VIS 05. IEEE Visualization, 2005. IEEE, 2005: 79-86. 30 华东师范大学硕士学位论文图 4-1 回路型的信息化可视化参考流程可以发现，在可视化的流程模型中包括了数据到可视化和读者理解可视化两个部分。可视化循环模型包括了搜索数据、寻求可视化方法、实现可视化方法、发现知识、行为和任务六个环节[82]，见图 4-2。可视化循环模型强调人是工作的核心，每一步的进行都有人的协作与信息反馈。其中，前三个环节可以视为构建可视化表征的过程，后三个环节可以强调根据可视化的内容发现知识，产生行动。图 4-2 可视化循环模型从上述两个模型可知，数据可视化中数据、人和任务的交互产生在不同的环节当中。综合这些环节，可以看出数据可视化涉及到了两个过程，包括构建可视化和理解可视化。可视化构建周期（VCC）描述了人们如何创建可视化。在可视化构建周期（VCC）中，参与者首先创建可视化规范，系统根据该规范将数据进行可视化之后，参与者解释可视化并完善规范[83]。可视化规范由数据表，可视化模板和可视化映射组成，见图 4-3。 82 Card M. Readings in information visualization: using vision to think[M]. San Francisco: Morgan Kaufmann, 1999:10-11. 83 Grammel L, Tory M, Storey M A. How information visualization novices construct visualizations[J]. IEEE transactions on visualization and computer graphics, 2010, 16(6):943-952. 31 华东师范大学硕士学位论文图 4-3 构建可视化而采取的步骤（2）以往的理论要素人们如何理解数据可视化是一个一直在探讨的问题。尽管一些可视化研究人员最近开始探索可视化素养的评估方法，但很少有研究仔细描述读者如何理解他们第一次遇到的可视化图表[84]。在理解可视化的研究之前，研究者们在如何理解图形方面已经做了较多的研究。学者 Lee 指出了以往研究中提出的理解图框架的三个层次：第一个级别是图形阅读者可以读取图形中特定值的基本级别（例如，能够读取条形图中条形的高度）；第二级是中间层次，可以读取图中的关系或趋势（例如，能够比较条形图中两个条形的高度或辨别折线图中两个点之间的斜率）；第三个级别是高级水平，可以读取超出图形呈现的内容（例如，能够预测折线图中的未来趋势）。但是正如 Lee 所说，根据该框架所开发的测试题，大多数是多项选择题目和简答题目，没有涵盖各种数据可视化任务 [85]。理解图的三个层次不仅相当简单，无法用高级可视化来解释更全面的认知任务，而且研究也没有清楚地解释新手读者如何通过不熟悉的可视化达到初级水平。Lee 又提出了 NOVIS 模型，指出了人们接触不熟悉的可视化的五个认知活动：第一，看到可视化图表时的认知活动；第二，读者尝试构建框架（对可视化的理解）以理解给定可视化图表时的认知活动；第 84 Lee S , Kim S H , Hung Y H , et al. How do People Make Sense of Unfamiliar Visualizations?: A Grounded Model of Novice's Information Visualization Sensemaking[J]. IEEE Transactions on Visualization & Computer Graphics, 2015, 22(1):499-508. 85 Lee Sukwon,Kim SungHee,Kwon Bum Chul. VLAT: Development of a Visualization Literacy Assessment Test.[J]. IEEE transactions on visualization and computer graphics, 2017, 23(1):551-560. 32 华东师范大学硕士学位论文三，探索可视化，即读者与可视化图表互动的认知活动，从中发现事实和见解；第四，质疑框架，读图者开始质疑构建的框架或试图验证框架的认知活动；第五，在理解可视化图表的过程中遇到困难，即无法进行认知活动[86]。笔者理解第四步的含义是，人们有一定的判断和识别能力，读图者可以从数据可视化中判断数据来源是否真实，制作是否合理等。有学者探讨了可视化的另一分支，信息可视化的理解过程。学者提出了心智模型和可视化之间存在内化、处理、增强和创造四种高级动态活动关系[87]。与此相对应，Friel 等表明理解信息包括三种任务：定位、整合和生成信息，其中定位任务是指需要读者找到一个基于给定信号的信息，整合任务是指需要读者综合信息，生成任务不仅要求读者处理给定的信息，还需要读者基于文档去推论或利用个人知识[88]。笔者总结 NOVIS 模型和各位学者所提出的可视化的认知过程，得出理解数据可视化的过程包含提取信息、关联信息和解释信息三个步骤。提取是读取给定信号层面的。关联是整合任务层面的。解读是更高级层面的，是最高级的图形理解的继承和发展。研究进一步从文献中梳理出关于提取、关联以及解释含义或要求，形成表 4-1。表 4-1 相关文献中有关提取、关联和解释的内涵汇总表维度相关文献读者可以从图表中提取一些基本信息提取。 [89] 读者可以解释地图上的抽象符号系统，或者识别符号系统如何用于传达有关现实世界的信息[90]。读者可以看到数据，识别重要的图形元素，例如轴上线条或数字的形状和方向[91]。读者可以感知斜率、曲率，维数和连续性[92]。 86 Lee S , Kim S H , Hung Y H , et al. How do People Make Sense of Unfamiliar Visualizations?: A Grounded Model of Novice's Information Visualization Sensemaking[J]. IEEE Transactions on Visualization & Computer Graphics, 2015, 22(1):499-508. 87 Liu Z, Stasko J. Mental models, visual reasoning and interaction in information visualization: A top-down perspective[J]. IEEE transactions on visualization and computer graphics, 2010, 16(6):999-1008. 88 Boy J, Rensink R A, Bertini E, et al. A principled way of assessing visualization literacy[J]. IEEE transactions on visualization and computer graphics, 2014, 20(12):1963-1972. 89 Shreiner T L. Framing a model of democratic thinking to inform teaching and learning in civic education[M]. University of Michigan, 2009. 90 Shreiner T L, Dykes B M. Visualizing the teaching of data visualizations in social studies: A study of teachers’ data literacy practices, beliefs, and knowledge[J]. Theory & Research in Social Education, 2021, 49(2): 262-306. 91 Shreiner T L, Dykes B M. Visualizing the teaching of data visualizations in social studies: A study of teachers’ data literacy practices, beliefs, and knowledge[J]. Theory & Research in Social Education, 2021, 49(2): 262-306. 92 Correll M, Albers D, Franconeri S, et al. Comparing averages in time series data[C]. Proceedings of the SIGCHI Conference on Human Factors in Computing Systems. 2012: 1095-1104. 33 华东师范大学硕士学位论文读者必须理解元素之间映射以确定其含义，例如识别具有x轴和y轴变量的网格上的向上倾斜线表示加速关系[93]。读者必须能够在图形表示与其情境之间建立关联[94]。关联阅读多模式信息源的学生还需要学会跨语言和视觉模式整合信息，在与任务相关的数据之间建立联系[95]。读者应该阅读数据以外的内容，将数据可视化与正在调查的问题联系起来，或者集成其他信息来源[96]。解释读者可以解释模式、趋势和相关性的能力[97]。读者可以解释为数据域中的属性[98]。从文献中来看，提取是指能从可视化表征中搜索和查询特定的有效信息，关联是指能理解可视化表征中特定信息的关系模式（特征、规律和趋势），解释是能够能完整、清晰、准确地表述数据可视化中的关键信息，并结合情境、理论和教育教学经验对原因进行分析。（3）影响教师图形理解的因素科学地解释数据可视化，就需要正确使用数据可视化需要的知识。以往的数据可视化素养的内涵主要聚焦于教师可视化的解读能力，但没有将影响理解可视化的因素放入其中。前文谈到在 Lee 提出的 NOVIS 模型中，指出了人们接触不熟悉的可视化时，理解可视化的过程其实是认知过程。在教师数据可视化素养中发展知识和技能在阅读、解释和做出决定时是必要的。因此可视化的意义建构需要教师具备知识支持。Shah 在回顾以往研究的基础上，考虑了三个主要因素对图形理解的作用：图形的视觉特征（例如，格式、动画、颜色、图例的使用和大小等）、读者对图形的了解以及读者对图形中数据内容的了解和期望[99]。Shah 也提出领域知识、图形化技能和解释技能[100]与图形理解有关。Shah 又对两个问 93 Shreiner T L, Dykes B M. Visualizing the teaching of data visualizations in social studies: A study of teachers’ data literacy practices, beliefs, and knowledge[J]. Theory & Research in Social Education, 2021, 49(2):262-306. 94 Shreiner T L, Dykes B M. Visualizing the teaching of data visualizations in social studies: A study of teachers’ data literacy practices, beliefs, and knowledge[J]. Theory & Research in Social Education, 2021, 49(2):262-306. 95 Shreiner T L, Dykes B M. Visualizing the teaching of data visualizations in social studies: A study of teachers’ data literacy practices, beliefs, and knowledge[J]. Theory & Research in Social Education, 2021, 49(2):262-306. 96 Shreiner T L, Dykes B M. Visualizing the teaching of data visualizations in social studies: A study of teachers’ data literacy practices, beliefs, and knowledge[J]. Theory & Research in Social Education, 2021, 49(2):262-306. 97 Börner K, Maltese A, Balliet R N, et al. Investigating aspects of data visualization literacy using 20 information visualizations and 273 science museum visitors[J]. Information Visualization, 2016, 15(3):198-213. 98 Börner K, Bueckle A, Ginda M. Data visualization literacy: Definitions, conceptual frameworks, exercises, and assessments[J]. Proceedings of the National Academy of Sciences, 2019, 116(6):1857-1864. 99 Shah P, Hoeffner J. Review of graph comprehension research: Implications for instruction[J]. Educational psychology review ,2002, 14(1):47-69. 100 Freedman E G, Shah P. Toward a model of knowledge-based graph comprehension[C].International conference on theory and application of diagrams. Springer, Berlin, Heidelberg, 2002:18-30. 34 华东师范大学硕士学位论文题进行了深入研究，分别是个人的先验知识（包括对主题熟悉度、图形学和图形素养技能）如何与格式相互作用以影响读者对图表的解释？图形格式在多大程度上影响了多变量数据理解中的事实检索和推理生成？这两个问题的深入研究解释了关于图形的先验知识和对内容的熟悉度会影响读者对图形的理解[101]。Lee 将其总结为图形格式、视觉特征、图的知识以及关于内容的知识[102]。该四个影响因素的提出，从图形知识和内容知识两个角度解释了意义建构可视化所需的知识。考虑到前三者有一定的交叉内容，按照简约易懂的原则，将图表类型、视觉特征和图表知识合并为表征知识。那么，教师数据可视化知识分为：表征知识和内容知识。其中，表征知识是指关于图表的基础知识；图形格式的知识包括不同图形格式的特点和功能；视觉特征的知识包括可视化当中关于的视觉特征的知识，如颜色、大小等；图表知识是指关于图表的先验性知识、任务和操作过程的知识。内容知识是指可视化表征中包含的学科知识、教学及相关情境知识。其中，可视化素养中的学科知识是指可视化中呈现的教学内容知识。教学及相关情境知识包括有关学习者及其特点的知识、课程知识、一般教学知识、教育背景知识以及教育目的和价值观的知识。 4.1.3 中小学教师数据可视化素养初步模型从数据可视化流程模型中有关可视化能力组成要素和数据可视化周期过程来看，可视化包括由数据到可视化、再由读者感知信息、生成知识的过程，即包括构建可视化、提取可视化当中的信息、对可视化进行分析以及解释数据可视化四个部分。其中，构建可视化是指能选择或制作恰当可视化表征呈现数据，包括根据数据寻找实现可视化的方法和实现可视化，也包括数据属性、选择可视化的模板和视觉映射规则三者的相互联系。研究借助以往可视化理论中图形理解的水平和过程分析，进一步明确了提 101 Shah P, Freedman E G. Bar and line graph comprehension: An interaction of top‐down and bottom‐up processes[J]. Topics in cognitive science ,2011, 3(3):560-578. 102 Lee S , Kim S H , Hung Y H , et al. How do People Make Sense of Unfamiliar Visualizations?: A Grounded Model of Novice's Information Visualization Sensemaking[J]. IEEE Transactions on Visualization & Computer Graphics, 2015, 22(1):499-508. 35 华东师范大学硕士学位论文取、关联和解释对应的具体的内涵。至此，形成数据可视化的第一个维度，能力维度。它包含构建、提取、关联和解释四个能力，见图 4-4。构建数据关联提取可视化信息解释结论现实问题图 4-4 中小学教师数据可视化素养的初步能力模型接着，研究关注素养的另一维度，知识维度。受到影响图形理解因素的启发，将知识维度归为表征知识和内容知识。其中表征知识包括图形格式、视觉特征和图表知识。为进一步探究教师数据可视化素养中内容知识的具体内涵，笔者受到 DLFT 框架的启发，根据 DLFT 中提到的教师要掌握的知识，形成内容知识维度。具体的内涵解释见附录 1。 4.1.4 中小学教师数据可视化素养的初步框架接着笔者分析体系中不同维度之间的结构关系，继而构建中小学教师可视化素养的框架。情境要求教师具备数据可视化的能力，而数据可视化能力受到数据可视化知识的制约，数据可视化知识和数据可视化能力蕴含在数据可视化的整个过程中。认识心理学认为，技能或能力包含在程序性知识之中，掌握了知识并能用于解决与知识相关问题，则是一种技能；面对复杂问题判断知识该怎么运用，何时运用，哪些知识应该组合运用就是能力[103]。PISA2015 科学素养以科学素养能力标准和知识类型的认知需求构建了科学素养的框架，体现了素养类的测评的特征，即测评蕴含在一定的情境中。其中，知识和能力不可分割，情境则作为部分题目的背景。因此，本文借鉴 PISA 构建科学素养框架的思路，对可视化的能力和知识进行测评，以数据可视化素养知识为纵轴，以能力为横轴，从具备数据可视化素养的人可以做什么的角度对数据可视化素养进行了更为细致地界定和描述，建立起中小学教师数据可视化素养的框架，阐明知识与能力素养之间的关联。数据可视化素养知识是教师数据可视化能力的基础，知识面向的是可视化的内容。而数据可视化素养能力是在具备一定量的知识之后，在结果和过程中所表现出来的，包括判断如何运用数据可视化知识、何时运用数据可视化知识以及综 103 喻平.数学关键能力测验试题编制:理论与方法[J].数学通报,2019,58(12):1-7. 36 华东师范大学硕士学位论文合运用数据可视化知识。能力面向的是与数据可视化交互的过程。框架能够对不同能力所需要的知识进行了细分，解决教师具备知识却不会应用的问题。最终的可视化框架见表 4-2 所示：表 4-2 中小学教师数据可视化素养框架知识点构建提取关联解释表征知识能够结合图形格借助可视化工具，制作合适能够比较与整合将视觉模式解释式、视觉特征、图类型的图表、编辑可视化表多元的有效信息，为数据域中的关表知识搜索和查征的视觉特征。识别关系模式。键信息。询有效信息。内容知识能够根据任务和目的，结合具体教学情境，以恰当地方式设置图表中的标题、标签和其他文本的内容。从图表中的标题、标签和其他文本信息中提取图表的关键教学信息。结合与内容相关的实践或理论知识去理解关系模式。可以结合教学经验与理论、学科教学内容等解释关系模式或问题产生的原因。 4.1.5 中小学教师数据可视化素养的内容在确定了教师数据可视化素养框架之后，需要确立考查的主要内容，作为制作测试题具体的依据。考察的主要内容为数据可视化的知识。第一部分为表征知识里的内容，包括有关数据类型的知识、可视化中常见的图表、可视化的视觉特征。第二部分为内容知识。作为测评体系的知识点和考察点。（1）数据的类型数据是对目标的观察和记录。不同记录的主体会使数据有不同的类型。不同的角度会有不同的划分类型，不同的数据类型又和呈现数据可视化时选择的图表类型有关。按照测量的标度，数据一般被分为四类，定类数据、定序数据、定距数据和定比数据。数据还可以按来源分为点计数据和度量数据 [104] 。此外数据不仅包含数字，还包含文本、地理信息、时间序列信息等形式和类型。根据分析的目标数据类型，选择合适的图表。（2）可视化中常见图表数据可视化包含不同的图表类型。不同图表类型都有自己的特点和优势，它 104 祝中录.小学数学中数据的种类[J].湖北教育,1995(12):36. 37 华东师范大学硕士学位论文们可以表达不同的数据、信息和内容。不同图表所要表达的重点不同，想要强调的内容也不同。中小学教师的日常工作中的图表类型也是丰富多样的，因此所开发的测评体系也将不同的图表类型作为考察的主要内容。下面介绍几种美国发布的数据可视化标准中提到的不同的数据可视化的类型及作用[105]：条形图：更适合显示分类数据，用于比较单个或多个数据类别。柱状图：显示分类数据，其矩形的长度或高度对应于每个数据点的值。直方图是按范围显示数值数据，其中每个条形表示数字落入特定范围的频率。饼图呈现部分在整体中的比例。折线图是显示由线段连接的一系列数据点的图表，可以用于显示数据如何随时间变化。散点图显示两个变量之间关系的二维图表。除了以上的一些常用的图表之外，还有堆积柱状图、堆积条形图和旭日图等。为满足呈现日渐复杂的数据关系和分析需求，人们又增加了特殊的图表的类型，如矩形树图和仪表盘图等。（3）可视化的视觉特征可视化的视觉特征主要包括可视化当中的元素和视觉映射，反映为图表中的各要素的颜色、文字等的大小、透明度等视觉属性。这些视觉特征的组件可以帮助人们创建美观、读者友好的数据可视化，通过非常直观的方式帮助读者更好地理解可视化。常见的组件有以下几个：轴为读者提供了重要的参考信息，将数据点和值相关联，特别是当数据点直接在图表中标记时；坐标轴标题提供有关给定轴刻度线的有用情境信息；刻度线用于指示图表中给定的参考值。颜色可以展示数据排序的信息或用于呈现没有固定顺序的分类数据。还可以引起人们对于数据中重要内容的关注。网格提供了有用的参考线。标签使用文本来强化视觉概念，可以使读者更容易理解数据可视化效果。图表标题使读者能够清楚地了解数据可视化的内容。字体排版是向读者传达数据含义的最有效工具之一。在构建数据可视化时，建立清晰的排版元素层次结构并使用易于阅读的字体系列将有助于读者更好地理解数据并与之交互。（4）内容知识具备内容知识的教师可以将可视化中所蕴含的数据以外的内容联系起来，如 105 An official website of the United States government. Data Visualization Standards [EB/OL].2022-3-10. https://xdgov.github.io/data-design-standards/visualizations/. 38 华东师范大学硕士学位论文思考并解释可视化中呈现的某种现象是否与某项教育政策或学校实行的某项活动有关。中小学教师数据可视化素养的内容知识包括教学知识和学科知识。（5）知识考察将以上内容整理为数据可视化素养所要考察的知识点，见表 4-3。表 4-4 则展示了根据这些知识点所形成的考察内容。表 4-3 中小学教师数据可视化素养所要考察的知识点初稿一级维度表征知识二级维度三级维度具体知识点图形格式图表类型表格、折线图、散点图、条形图、气泡图、饼图和组合图等图的功能特征和作图要求图形元素轴、标签、标题、图例视觉元素颜色、透明度、数据密度视觉特征关于图表的知识搜索最大值、最小值、异常值、范围、分布探询变化、衍生值、比较、过滤、排序、相关性操作过程利用可视化工具建构可视化表征学科知识可视化中呈现的教学内容知识教学知识一般教学知识；课程知识；有关学习者及其特点的知识；教育背景知识；以及教育目的和价值观的知识内容知识表 4-4 中小学教师数据可视化素养考察点初稿二级维度三级维度知识点图形格式关于图表的知识搜索探索编号表格功能特征：适合呈现全部数据值 A 线图功能特征：更适合检索趋势和交互 B 功能特征：条形图更适合表示独立类别，比较数据值的巨大变化时作图要求：条形图应始终从零开始 C 功能特征：促进比例判断 D 散点图功能特征：显示两个变量之间的强度和关系类型作图要求：标题应解释分析单位 E 气泡图功能特征：会传达变量之间关系的强度、类型和比例 F 复合图组合图 G 最大值查找属性的最大值 H 最小值查找属性的最小值 I 异常值判断属性中的意外值 J 范围判断：一个属性的范围 K 分布确定某一属性在数据中分布情况等 L 变化检测数据中的趋势、相似性或差异 M 识别和计算平均数、总数、中位数。 N 条形图图表的功能特征或作图要求考察点饼图衍生值 39 华东师范大学硕士学位论文比较比较不同值或趋势 O 过滤哪些数据案例符合要求 P 排序根据某一属性对数据进行排序 Q 两个不同的属性之间的关系 R 利用可视化工具建构可视化表征 S 轴用户提供重要的参考信息，以便将数据点与值关联在一起轴标题提供了有关给定轴的测量单位的情境信息 T 标签数据标签显示数据点或数据类别的价值使用数据标签时，您可以省略相应的轴，以减少冗余 U 标题标题可让用户清楚地了解数据可视化的内容标题应是水平、内容简短、可读 V 图例识别数据可视化中各种元素的含义 W 颜色功能特征：不同的颜色会引起人们对数据中一个关键点的关注 X 透明度功能特征：不同透明度可以表征数据值之间的大小和位置关系 Y 相关性操作元素操作过程视觉元素视觉特征 4.2 中小学教师数据可视化素养理论模型的检验与优化 4.2.1 基于德尔菲法的第一轮理论模型修正（1）第一轮专家小组的确定进行第一轮专家咨询，主要包含两类专家，第一类是博士、具有教授或副教授以上的职称的专家，其中部分专家有数据可视化相关的培训和研究经历。第二类是中小学教师。（2）维度与框架的第一轮专家咨询第一轮专家咨询共发放了 14 份专家咨询问卷，回收到了 14 位专家的相关数据，专家的积极系数为 100%。专家意见集中程度通常可以通过平均数、中位数、满分率、四分位数差等参数进行表示。结果见表 4-5。其中平均值越大，则表明这一要素越为重要，可以看出，除了教学知识这一维度外，其余维度均在 4 分之上。四分位数差则表明专家意见的集中程度。除小部分维度之外，其余四分位数差的数值小于 1.25，可以认为专家意见的集中程度较高。从变异系数来看，除了构建维度、内容知识维度、 40 华东师范大学硕士学位论文图形格式维度、关于图表的知识维度、学科知识和教学知识维度，探询维度和内容知识与能力的关联的维度之外，大部分的维度的变异系数小于 0.20。表 4-5 第一轮专家咨询维度与框架得分的集中程度统计表 50 75 （Q +）四分位数差众数 4.00 5.00 5.00 1.00 5.00 0.93 4.00 5.00 5.00 1.00 5.00 50.00% 1.21 3.00 4.50 5.00 2.00 5.00 0.14 71.43% 0.63 4.00 5.00 5.00 1.00 5.00 4.64 0.11 64.29% 0.50 4.00 5.00 5.00 1.00 5.00 解释 4.86 0.07 85.71% 0.36 5.00 5.00 5.00 0.00 5.00 图形格式 4.43 0.21 64.29% 0.94 4.00 5.00 5.00 1.00 5.00 表征知识视觉特征 4.79 0.09 78.57% 0.43 4.75 5.00 5.00 0.25 5.00 关于图表的知识 4.29 0.25 64.29% 1.07 3.00 5.00 5.00 2.00 5.00 内容知识学科知识 4.07 0.25 42.86% 1.00 3.00 4.00 5.00 2.00 5.00 教学知识 3.93 0.35 50.00% 1.39 2.75 4.50 5.00 2.25 5.00 图形格式图表的功能特征和作图要求 4.64 0.14 71.43% 0.63 4.00 5.00 5.00 1.00 5.00 视觉特征图形元素 4.64 0.14 71.43% 0.63 4.00 5.00 5.00 1.00 5.00 视觉元素 4.64 0.11 64.29% 0.50 4.00 5.00 5.00 1.00 5.00 关于图表的知识搜索 4.50 0.19 71.43% 0.86 3.75 5.00 5.00 1.25 5.00 探询 4.36 0.23 64.29% 1.01 3.75 5.00 5.00 1.25 5.00 4.64 0.11 64.29% 0.50 4.00 5.00 5.00 1.00 5.00 4.07 0.20 28.57% 0.83 4.00 4.00 5.00 1.00 4.00 上级维度知识能力该级维度均分变异系数满分率标准差 25 （Q）表征知识 4.50 0.17 64.29% 0.76 内容知识 4.36 0.21 57.14% 构建 4.07 0.30 提取 4.64 关联构建表征知识提取关联解释构建内容知识提取关联解释本研究进行了专家文字意见的梳理。从整体上看，专家们普遍认为现有的数据可视化素养理论模型的一级维度合理性较高，二级维度需要再做进一步的细化。专家们的意见大致分为三类：第一，修改能力维度下的二级维度，如“构建” 41 华东师范大学硕士学位论文与其他维度不属于同一层级。第二，修订部分维度的内涵与描述，如对“内容知识”的理解存在偏差，需要进一步的斟酌与思考。具体来说：第一，专家指出“构建”部分存在问题。“构建”涵盖内容宽泛，包含选择与制作等含义，现有表述不合适，不应该和“提取”、“关联”、“解释”放在一起，因为其他三个维度都是观察可视化图表的能力，“构建”是要从无图到有图。“构建”能力维度涵盖教师根据数据分析目的进行的图表选择、数据处理、图表制作与美化，因此建议将“构建”作为一级维度，并划分二级维度； “提取”、 “关联”、“解释”均为读图的能力，建议增加上级维度，这三者作为新增维度的子能力。此外，“表征知识”维度中，里面的内容应该有权重差异。表征涵盖宽泛，建议再细分。“表征知识”的二级维度“图形格式”和“视觉特征”，需要进行一些理论研究推导过程，使其更全面。有专家认为，“图表知识”和“图形格式”似乎两个概念是交叉的，“图表知识”更偏重操作性知识。此外，“图形格式”似乎不是很准确。“内容知识”中学科知识和教学知识与可视化素养的关联没有表达清楚。第二，修订内涵与表述。“内容知识”维度的定义和划分方式存疑。“教学及相关情境知识”的表述不合适，应该是在“可视化情境”中进行表述。第一个 “学科知识”的概念界定是“可视化中呈现的教学内容知识”，建议在这个界定中体现学科特色。此外，“表征知识”层面的“关联”的“关系模式”词语表述理解困难，建议修改。其次，现有框架的表述方面存在以下问题：“内容知识” 层面的“构建”在理解上存在偏差，图表的构建不仅包括所表述的内容。“关于图表的知识”下的三级维度“操作过程”所涉及的内容与其他内容表述风格不一致。“关于图表的知识”下的三级维度“探询”命名难以理解，且具体内容没有和“搜索”区别开来，需要进一步解释清楚。结合各位专家关于其他指标的描述的意见，笔者做出以下修改：第一，命名的修订与描述的修改。修改“表征知识”的二级维度，将“图形格式”修改为“图表类型”、“关于图表的知识”修改为“图表中的统计知识”。 “图表类型”指不同图表类型的特点和功能和适用情境。“图表中的统计知识” 42 华东师范大学硕士学位论文指可视化认知任务相关的统计知识。第二，修改能力维度的二级维度。“构建”再细分为“选择”、“处理”和 “制作”。将原来的“提取”、“关联”和“解释”降为三级维度，提炼二级维度为“解读”。“构建”的具体含义为：能够选择或制作恰当的图表呈现数据。第三，将原“内容知识”修改为：能够运用一般教学常识、各类工作场景等知识分析图表包含的情境和任务；能够运用教学知识，包括教学法、学习者特征、教学规律等教学知识探讨图表数据关系和趋势等信息。去除表征知识维度下的三级维度。（3）知识点的第一轮专家咨询第一轮专家咨询共发放了 14 份专家咨询问卷，采集到了 12 位专家的相关数据，专家的积极系数为 85.70%。进行专家意见集中程度分析。如下表所示，所有知识点的专家得分中，大部分的知识点的均分都在 4.50 之上，表明维度较好，少数平均分在 4.25 到 4.50 分之间。此外，知识点的众数为 5.00 分，满分率在 50.00%及之上。专家的集中程度的四分位数差的数值小于 1.75，可以认为专家意见的集中程度较高，详细数据见下表 4-6。除操作过程（S）和透明度（Y）之外，变异系数均小于 0.20。表 4-6 第一轮专家咨询知识点得分的集中程度统计表编号均分变异系数满分率标准差 25 （Q-） 50 75 （Q+）四分位数差众数 A B C D E F G H I J K L M N O 4.75 4.67 4.67 4.75 4.75 4.5 4.75 4.92 4.92 4.83 4.83 4.75 4.92 4.83 4.83 0.09 0.14 0.14 0.09 0.09 0.15 0.13 0.06 0.06 0.08 0.08 0.09 0.06 0.08 0.08 75.00% 75.00% 75.00% 75.00% 75.00% 58.33% 83.33% 91.67% 91.67% 83.33% 83.33% 75.00% 91.67% 83.33% 83.33% 0.45 0.65 0.65 0.45 0.45 0.67 0.62 0.29 0.29 0.39 0.39 0.45 0.29 0.39 0.39 4.25 4.25 4.25 4.25 4.25 4.00 5.00 5.00 5.00 5.00 5.00 4.25 5.00 5.00 5.00 5.00 5.00 5.00 5.00 5.00 5.00 5.00 5.00 5.00 5.00 5.00 5.00 5.00 5.00 5.00 5.00 5.00 5.00 5.00 5.00 5.00 5.00 5.00 5.00 5.00 5.00 5.00 5.00 5.00 5.00 0.75 0.75 0.75 0.75 0.75 1.00 0.00 0.00 0.00 0.00 0.00 0.75 0.00 0.00 0.00 5.00 5.00 5.00 5.00 5.00 5.00 5.00 5.00 5.00 5.00 5.00 5.00 5.00 5.00 5.00 43 华东师范大学硕士学位论文 P Q R S T U V W X Y 4.5 4.83 4.75 4.33 4.92 4.92 4.83 4.67 4.83 4.25 0.15 0.08 0.09 0.25 0.06 0.06 0.08 0.10 0.08 0.20 58.33% 83.33% 75.00% 66.67% 91.67% 91.67% 83.33% 66.67% 83.33% 50.00% 0.67 0.39 0.45 1.07 0.29 0.29 0.39 0.49 0.39 0.87 4.00 5.00 4.25 3.25 5.00 5.00 5.00 4.00 5.00 3.25 5.00 5.00 5.00 5.00 5.00 5.00 5.00 5.00 5.00 4.50 5.00 5.00 5.00 5.00 5.00 5.00 5.00 5.00 5.00 5.00 1.00 0.00 0.75 1.75 0.00 0.00 0.00 1.00 0.00 1.75 5.00 5.00 5.00 5.00 5.00 5.00 5.00 5.00 5.00 5.00 本研究对专家提出的文字意见进一步整理得到知识点的修改意见：关于维度划分的意见，如“关于图表的知识”的操作需要进一步分解；“分布”是否要放在维度“探索”之下。“透明度”的价值没有交代清楚且与其他维度不匹配。“线图”、“衍生值”等词表达模糊。“操作过程”的定义含义界定因用词不当而导致范围过广。根据专家意见，寻找可参考的文献对知识点的文字表述、专业名词等做进一步的完善与修订，避免词意模糊、范围不明确等问题的出现。对类似“线图”、 “衍生值”等因外文翻译不恰当的词语进行修正。第一轮结束后，中小学教师数据可视化素养的模型如下图所示：图 4-5 第一轮修订后的中小学教师数据可视化素养的模型图 4.2.2 基于德尔菲法的第二轮理论模型修正（1）第二轮专家小组的确定在结合文献对模型进行修正后，本研究进行了第二轮的专家咨询，第二轮的专家咨询提纲详见附录 2。第二轮专家咨询所征求的专家为 7 位，7 位专家参与了第一轮的理论模型的专家咨询。 44 华东师范大学硕士学位论文（2）维度与框架的第二轮专家咨询第二轮专家咨询共发放了 7 份专家咨询问卷，采集到了 7 位专家的相关数据，专家的积极系数为 100%. 计算专家意见集中程度。第二轮专家咨询的数据分析结果如表 4-7 所示。在一级维度的论证中知识维度和能力维度平均分在 4.70 分以上，众数均为 5.00 分，满分率为 85.71%，且四分位数差均为 0.00，变异系数小于 0.20。表明专家的意见集中程度较高，因此不再做进一步的修改。在二级维度中的平均分得分在 4.50 以上，众数较第一轮专家咨询来说，提升较为明显。所有的二级维度的满分率除内容知识之外均在 70.00%以上。在四分位数差均小于或等于 1.00，变异系数小于 0.20。可以发现专家意见的集中程度较高。其余维度无需再做修订。从数据可视化素养框架得分情况上来看，各知识维度和能力维度的二级维度对应关系的平均分均在 4.00 分以上。满分率方面，除部分等于 57.14%外，其余均大于 70.00%。大部分维度的四分位数差小于或等于 1.00。结果显示，大部分的专家意见的集中程度较高。表 4-7 第二轮专家咨询维度与框架得分的集中程度统计表上级维度均分变异系数知识维度 4.71 能力维度该级维度 50 75 （Q+）四分位数差众数 5.00 5.00 5.00 0.00 5.00 0.38 5.00 5.00 5.00 0.00 5.00 满分率标准差 25 （Q-） 0.16 85.71% 0.76 4.86 0.08 85.71% 知识表征知识 4.86 0.08 85.71% 0.38 5.00 5.00 5.00 0.00 5.00 内容知识 4.57 0.12 57.14% 0.54 4.00 5.00 5.00 1.00 5.00 能力构建 4.71 0.10 71.43% 0.49 4.00 5.00 5.00 1.00 5.00 解读 4.86 0.08 85.71% 0.38 5.00 5.00 5.00 0.00 5.00 表征知识图形类型 4.71 0.10 71.43% 0.49 4.00 5.00 5.00 1.00 5.00 视觉特征 4.71 0.10 71.43% 0.49 4.00 5.00 5.00 1.00 5.00 图表中的统计知识 4.86 0.08 85.71% 0.38 5.00 5.00 5.00 0.00 5.00 教学知识 4.00 0.29 42.86% 1.15 3.00 4.00 5.00 2.00 5.00 内容知识 45 华东师范大学硕士学位论文构建选择 4.57 0.12 57.14% 0.53 4.00 5.00 5.00 1.00 5.00 构建处理 4.71 0.10 71.43% 0.49 4.00 5.00 5.00 1.00 5.00 构建制作 4.86 0.08 85.71% 0.38 5.00 5.00 5.00 0.00 5.00 提取 4.86 0.08 85.71% 0.38 5.00 5.00 5.00 0.00 5.00 关联 4.86 0.08 85.71% 0.38 5.00 5.00 5.00 0.00 5.00 解释 4.86 0.08 85.71% 0.38 5.00 5.00 5.00 0.00 5.00 表征-选择 4.86 0.08 85.71% 0.38 5.00 5.00 5.00 0.00 5.00 表征-处理 4.57 0.17 71.43% 0.79 4.00 5.00 5.00 1.00 5.00 表征-制作 4.29 0.26 57.14% 1.11 4.00 5.00 5.00 1.00 5.00 表征-提取 4.71 0.10 71.43% 0.49 4.00 5.00 5.00 1.00 5.00 表征-关联 4.57 0.17 71.43% 0.79 4.00 5.00 5.00 1.00 5.00 表征-解释 4.57 0.12 57.14% 0.53 4.00 5.00 5.00 1.00 5.00 内容-选择 4.71 0.10 71.43% 0.49 4.00 5.00 5.00 1.00 5.00 内容-处理 4.43 0.18 57.14% 0.79 4.00 5.00 5.00 1.00 5.00 内容-制作 4.71 0.10 57.14% 0.49 4.00 5.00 5.00 1.00 5.00 内容-提取 4.71 0.10 71.43% 0.49 4.00 5.00 5.00 1.00 5.00 内容-关联 4.86 0.08 85.71% 0.38 5.00 5.00 5.00 0.00 5.00 内容-解释 4.71 0.10 71.43% 0.49 4.00 5.00 5.00 1.00 5.00 表征-图表类型的内涵表述 4.57 0.17 71.43% 0.79 4.00 5.00 5.00 1.00 5.00 表征-视觉特征的内涵表述 4.86 0.08 85.71% 0.38 5.00 5.00 5.00 0.00 5.00 表征-图表中的统计知识的内涵表述 4.43 0.12 42.86% 0.53 4.00 4.00 5.00 1.00 4.00 内容知识-教学知识的内涵表述 4.00 0.29 42.86% 1.15 3.00 4.00 5.00 2.00 5.00 构建-选择的内涵表述 4.71 0.10 71.43% 0.49 4.00 5.00 5.00 1.00 5.00 构建-处理的内涵表述 4.86 0.08 85.71% 0.38 5.00 5.00 5.00 0.00 5.00 构建-制作的内涵表述 4.71 0.10 71.43% 0.49 4.00 5.00 5.00 1.00 5.00 解读-提取的内涵表述 4.86 0.08 85.71% 0.38 5.00 5.00 5.00 0.00 5.00 解读-关联的内涵表述 4.71 0.10 71.43% 0.49 4.00 5.00 5.00 1.00 5.00 解读-解释的内涵表述 4.57 0.12 57.14% 0.53 4.00 5.00 5.00 1.00 5.00 解读 46 华东师范大学硕士学位论文为进一步改进，研究对专家文字意见进行梳理。笔者对专家提出的文字意见进行了归纳总结，分析部分维度得分较低的理由。从整体上看，一级维度、二级维度以及框架的划分上，专家的认可度较高。专家的意见集中于各维度的文字表述方面。在“表征知识”中，专家们认为应当将“图表类型”的内涵增加不同图表类型的使用情境；“视觉特征”的内涵可以进一步细化，如突出显示、颜色等；建议三级维度表述为“图表的一般统计知识”或“图表统计的一般知识”。“图表中的统计知识”可以考虑线型、字型的作用和区别。同时，专家指出，对含义不明的名词进行解释，如“任务”。 “内容知识”维度中，专家们建议再思考三级维度。一是，维度不够全面，只包含“教学知识”有些片面。二是，对“教学知识”的理解存在偏差。“教学知识”的内涵，可以从是否包含本体知识入手，也可进一步分解或增加解释。此外，对于“构建”中的二级维度，专家们建议“选择”应该是根据分析目的选择图表而不是任务。“构建”中的二级维度，专家们认为“制作”重点不在于美化，而是要简洁、清晰地表达。在中小学教师数据可视化素养框架部分上，专家的主要意见梳理如下，第一，注重表征知识层面和内容知识层面的差别。如：表征知识层面的“处理”和“内容知识”的“处理”从内涵中没有看出区别，表述需要更改。第二，专家们表示在理解内容知识层面的“选择”的内涵上存在困难，所谓的“学生、学生群体、主题领域、课程或教学方面的问题”是否可以概括全部，应当进一步思考。经过修改后，将中小学教师数据可视化素养的内容知识分为理论知识和实践知识。其中，理论知识是指涵盖 PCK 在内的构成教学的知识基础的七类知识。教师要有一般教学法知识、教育情境知识。如果情境是针对某一学科的具体问题，那么教师还需要一定的学科内容知识和学科教学知识。如果是授课教师，则还需要课程知识和课程管理知识。如果想挖掘可视化图表的价值，那么还需要关注教育目标及价值的知识、针对学习者的知识等。实践知识是可视化情境相关的教师工作场所的实践性知识，包括教师经验，教师智慧，根据经验形成的知识，去分 47 华东师范大学硕士学位论文析可视化背后的内容。结合第二轮的专家的文字性意见，大部分维度无需再进行修改，但具体的内涵表述需要进一步的修正。比如“表征知识”的二级维度的内涵，“内容知识” 及其二级维度的内涵和“选择”和“制作”的内涵。框架整体不需要进一步的调整。但需要修正其框架内的具体表述。尤其是表征知识层面和内容知识层面在“处理”层面的相似性。（3）知识点的第二轮专家咨询按照第一轮专家的意见，根据文献对知识点进行修正，得到修正后的知识点，见表 4-8。在第二轮的专家咨询中，对知识点也进行了意见的征询，得到了 7 位专家的反馈。所有知识点的专家得分中，见表 4-9，大部分的知识点的均分都在 4.50 之上，表明维度较高，教学知识得分较低，平均分为 4.29。此外，绝大部分知识点的众数为 5.00 分，满分率在 70%之上。专家意见的集中程度的四分位数差大部分为 1.00。整体来看，可以认为专家意见的集中程度较高。知识点合格。表 4-8 修订后的中小学教师数据可视化素养所要考察的知识点维度知识点编号图表类型表格、折线图、散点图、条形图、气泡图、饼图和组合图等图的功能特征和作图要求 1 轴、标签、标题、图例 2 颜色、透明度、数据密度 3 极值、异常值、范围、分布 4 变化、衍生值、比较、过滤、排序、相关性 5 能够运用一般教学常识、各类工作场景等知识分析图表包含的情境和任务；能够运用教学知识，包括教学法、学习者特征、教学规律等教学知识探讨图表数据关系和趋势等信息。 6 视觉特征图表一般的统计知识教学知识表 4-9 第二轮专家咨询知识点得分的集中程度统计表编号均分变异系数满分率标准差 25（Q -） 50 75 （Q+）四分位数差众数 1 4.86 0.08 85.71% 0.38 5.00 5.00 5.00 0.00 5.00 2 3 4.57 4.71 0.17 0.10 71.43% 71.43% 0.79 0.49 4.00 4.00 5.00 5.00 5.00 5.00 1.00 1.00 5.00 5.00 48 华东师范大学硕士学位论文 4 5 6 4.71 4.86 4.29 0.10 0.08 0.18 71.43% 85.71% 42.86% 0.49 0.38 0.76 4.00 5.00 4.00 5.00 5.00 4.00 5.00 5.00 5.00 1.00 0.00 1.00 5.00 5.00 4.00 文字意见的整理：专家建议增加“误差线”、“网格线”、“趋势线”等图表元素，设置“数据系列格式”的考点（如图形填充的类型、是否含箭头，标记的类型、边框等）。综上所述，知识点中除了“教学知识”外，大部分已合格。 4.3 中小学教师数据可视化素养理论模型经过两轮修订后，最终形成的中小学教师数据可视化素养的理论模型。 4.3.1 中小学教师数据可视化素养的内涵与维度最终的教师数据可视化素养的理论模型，见图 4-6，共有能力和知识两大层面，能力分为构建能力和解读能力，其中构建又分为选择、处理和制作三个能力，解读分为提取、关联和解释。知识分为表征知识和内容知识。表征知识包括关于图表类型的知识、关于视觉特征的知识和图表知识。内容知识分为理论知识和实践知识。接下来，本文将论述各维度的具体内涵。图 4-6 教师数据可视化素养模型构建可视化，即遵循可视化的一般的流程，能够选择或制作恰当可视化表征呈现数据。在有或没有技术支持的情况下，为特定情况选择和创建适当图表的能力和批判性地评估图形并区分特定图形表示相对优势和局限性的能力[106]。通过以往数据可视化的生成流程模型，探究构建可视化的具体过程和相对应的能力。 González M T, Espinel M C, Ainley J. Teachers’ graphical competence[J]. Teaching statistics in school mathematics-Challenges for teaching and teacher education. Springer, Dordrecht, 2011:187-197. 49 106 华东师范大学硕士学位论文本研究将从数据到图形的模型归纳为了三个过程：选择图像、处理数据和制作图表，分别对应选择、处理和制作的能力。第一个维度，选择，是指根据原始数据和分析目的选择恰当的图表类型。即可以根据情境，判断多个图表类型之间哪一个可以更有用。当教师拿到原始数据之后，需要对自己所面临情境中的任务和问题进行分析，确定使用可视化的目的。例如，描述一段时间内学生阅读能力的变化情况，教师就需要选择折线图来预测未来的能力走向，又或者一名班主任比较该班级不同学科之间的差异，可以使用柱状图。第二个维度，处理，是指根据分析任务，对原始数据进行规范化和合理化处理使其能够制图。规范化是指，原始数据的数据格式、数据单位、数据缺失、数据乱码等需要根据分析任务和目标图形进行规范化的处理。合理化是指，组织或重新组织数据以对数据进行转换。有时，已有数据不能解决分析目标或表达观点，需要教师对数据进行二次加工处理。比如比较不同班级之间的语文素养，在原始数据的统计单元为学生的情况下则需要计算班级的语文素养的均分，再进行制图。第三个维度，制作，是指能够使用可视化工具制作图表，根据分析任务编辑图表元素或视觉特征，使其清晰简洁地表达信息。制作是对可视化更高层次的要求。重点在于强调中小学教师应该知道如何通过添加或减少视觉元素使想要表达的关键信息可以被读者快速地抓取，但又不会造成认知偏差或认知负荷。比如，在比较合格与不合格的数据时，将合格线标注出来。恰当的信息不仅可以增强图的美观性，也增加了其可读性。选择、处理和制作是构建数据可视化的三个关键的环节，层层递进，紧密联系。教师数据可视化素养的第二大部分为数据可视化的解读。解读数据可视化，包括读取图表、关联和解释图表之间及图表之外的信息。第一个维度，提取，是指能够从可视化表征中识别与判断特定的有效信息。包括基本信息、图形符号所蕴含的信息等。结合上文的文献综述，从可视化中教师可 50 华东师范大学硕士学位论文以明白该可视化想要表达的数据关系的类型、与数据有关的任务，如寻找极值、判别趋势、识别交集、计算平均值、进行比较、检索特定的值等。第二个维度，关联，是指能够在可视化表征中比较多样信息并推断出特定的数据关系与趋势。包括识别元素之间的关系并整合信息。这个关系包含数据之间的关系、与情境建立起的关联和与真实问题建立起的关联等。第三个维度，解释，结合具体情境和相关理论对特定的数据关系与趋势进行合理化分析与推理。强调教师需要读懂数据背后所隐藏的含义和信息。通过分析可视化表征呈现某种模式、趋势或表现出相关性等重要关系的原因去分析存在的问题。从提取信息到关联信息再到可以解释可视化表征，理解的深度层层递进的关系，理解的深度也不断加深。知识维度包括表征知识和内容知识。其中，表征知识包括有关可视化表征的类型、视觉特征和统计学的相关知识。具体包括三个方面：关于图表类型的知识，即教师知道不同图表类型的特点、功能和适用情境。教师需要知道在教育场景中，常见的图表类型的作用以及功能。为不同的数据构建合适的可视化表征。可以快速掌握不同可视化表征所要表达的是哪一种类型的数据关系。关于视觉特征的知识，即教师知道可视化当中的颜色、元素的功能及作用。可视化表征不仅包括基础的图表，还包括了标记、颜色、文字、符号等元素。这些元素可以表达关键信息，是人们正确理解可视化的辅助。如果使用不当，极易产生认知偏差。图表知识，即教师知道可视化表征中所包括的对比、分布、联系和构成等关系信息。可视化表征中包含了不同种类的数据关系。掌握不同数据关系可以帮助读者挖掘更深层次的内容。除表征知识之外，中小学教师数据可视化知识还包括内容知识。即可视化表征中所包含的学科、相关情境的知识以及解释信息所需要的教学理论和实践知识。一方面可以作为教师联想可视化以外内容的基础，扩展教师阅读可视化的广度，另一方面可以帮助教师解读可视化中包含的信息，增加阅读可视化的深度。 51 华东师范大学硕士学位论文在专家的意见的基础上，进一步思考其内涵，将其分为理论知识和实践知识。理论知识具体是指可视化情境相关的教师知识，PCK 中所包含的知识。实践知识具体是指可视化情境相关的教师工作场所的实践性知识，包括教师经验、教师智慧等对良好教学实践至关重要的知识形式。表征知识和内容知识是教师构建和理解可视化的基础。 4.3.2 中小学教师数据可视化素养框架在构建中小学教师数据可视化素养维度之后，接着分析不同维度之间的关系，继而构建中小学教师数据可视化素养的框架。数据可视化素养是建立在一定情境上的知识、能力的统一体。素养测评是在一定的情境中，对可视化的能力和知识进行测评。因此，形成数据可视化知识、能力的框架结构为（表 4-10）：表 4-10 中小学教师数据可视化素养的框架结构维度构建表征知识内容知识选择根据原始数据的类型（定量、定性）、属性、分析任务或目的选择恰当的可视化工具和图表类型。依据情境，选择要呈现地有价值的教与学问题，明确数据之间的关系，在图表类型中选择恰当的图表。处理对原始数据进行规范化和合理化精简、转换、使其能够成为制图的可理解的数据。根据分析任务，确定、转换或重构为可理解的数据。制作根据可视化设计的原则，制作图表并编辑图表的元素、视觉特征等。根据分析内容的目标和特征，校准可视化表征，利用视觉逻辑表达突出关键信息，避免认知偏差。提取结合图形类型、视觉特征、图表中的统计知识能够进行诸如识别图的类型、元素、极值；区分结合图表和文本信息，理解数据含义，识别类别和交集；进行基础统计量的和提炼能够解决情境问题最重要的信息。计算从而生成信息等认知任务，进而提取数据信息。关联结合与内容相关的实践或理论知识以某种理解单图之内的或多图之间的有意义的方式去分析数据之间相关关系和关系、比较与整合可视化当中多信息、趋势，组合数据来整合数据和信息，样的有效信息，关联数据关系、从而进行有意义的决策或推断教学信息或趋势，得出结论。情境中存在的教学问题，以形成关于可视化表征中所呈现现象的假设。解释认识到创建图形涉及对原始数解读根据相关理论和经验对特定的数据关系与 52 华东师范大学硕士学位论文据的解释[107]，通过可视化中情境和信息对数据关系、趋势或现象进行合理化分析。趋势进行合理化分析与推理，阐明推论和结论，试图解释其行为、表现或情况发生的原因。该框架总结了不同的知识维度相对应的能力的具体表现。两者的结合详尽地描述了教师在构建可视化表征和在解读可视化表征时的过程，剖析了阅读可视化表征、阅读可视化表征之间的信息、阅读可视化表征之外和背后信息的详细过程。数据可视化素养的表现，对应着相应的能力和知识。该框架将作为开发数据可视化素养测评工具的主要依据。基于对以上内容的分析，形成数据可视化素养知识点的内容框架表，见表 4-11。表 4-12 为知识点的详细阐述，并作为出题的考察内容。表 4-11 中小学教师数据可视化素养所要考察的知识点一级维度二级维度具体知识点图表类型表格、折线图、散点图、条形图、气泡图、饼图和组合图等图的功能特征和作图要求优化可视化表征的样式，包括轴、文字、标题、标签、图例、线条、数据系列格式和注释等。表征知识视觉特征图表知识包括可视化和要素的形状、元素的颜色、各要素的大小、各要素面积比例、长度、文字和标签的角度、各要素的位置、各要素的方向、线条粗细、字体、密度等。极值、异常值、范围、分布变化、衍生值、比较、过滤、排序、相关性理论知识具体是指可视化情境相关的教师知识，PCK中所包含的知识。实践知识具体是指可视化情境相关的教师工作场所的实践性知识，包括教师经验、教师智慧等对良好教学实践至关重要的知识形式。内容知识表 4-12 中小学教师数据可视化素养考察点知识点表格考察内容表格的功能特征：适合呈现全部数据值。表格的作图要求：表格需要包括数据名称。折线图折线图的功能特征：适合检索趋势和交互。折线图的作图要求：如果有多条线，则标识每条线。条形图条形图的功能特征：条形图更适合表示独立类别，比较数据值的巨大变化。条形图的作图要求：条形图应始终从零开始。饼图饼图的功能特征：促进比例判断。饼图的作图要求：要直接包含图例或标签；最好有序排列。散点图散点图的功能特征：显示两个变量之间的强度和关系类型。 González M T, Espinel M C, Ainley J. Teachers’ graphical competence[J]. Teaching statistics in school mathematics-Challenges for teaching and teacher education. Springer, Dordrecht, 2011:187-197. 53 107 华东师范大学硕士学位论文散点图的作图要求：标题应解释分析单位。气泡图气泡图的功能特征：会传达变量之间关系的强度、类型和比例。气泡图的作图要求：切勿使小的气泡被覆盖。组合图构建和解读组合图。极值查找属性的最大值、最小值。异常值判断属性中的意外值。范围判断一个属性的范围。分布确定某一属性在数据中分布情况。变化检测数据中的趋势、相似性或差异。推算识别或计算平均数、总数、中位数等统计值。比较比较不同值或趋势。过滤判断哪些数据案例符合要求。排序根据某一属性对数据进行排序。相关性轴判断和分析两个不同属性之间的关系。轴的作用：读者提供重要的参考信息，以便将数据点与值关联在一起。轴标题的作用：提供了有关给定轴的测量单位的情境信息。标签数据标签的作用：显示数据点或数据类别的价值。标题标题的作用：标题可让读者清楚地了解数据可视化的内容。图例图例的作用：识别数据可视化中各种元素的含义。形状形状的作用：几何形状、比例、尺寸、边框、阴影等突出信息。颜色颜色的作用：编码数据的分类或定序。不同颜色的透明度可以表征数据之间的大小和位置关系。线条线条的作图要求：避免出现双线或者虚线[108]。线条的作用：误差线、网格线、趋势线等帮助理解。字体字体的作用：建立清晰的排版元素和层次结构并使用易于阅读的字体系列帮助读者更好地了解和与数据进行交互。字体的作图要求：字体大小、间距、排版用于呈现元素层次结构，增强其可读性。数据系列格式线条的作图要求：根据需求选择图形填充的类型、确定是否含箭头，标记的类型、边框等理论知识具体是指可视化情境相关的教师知识，PCK中所包含的知识。实践知识具体是指可视化情境相关的教师工作场所的实践性知识，包括教师经验、教师智慧等对良好教学实践至关重要的知识形式。 4.3.3 中小学教师数据可视化素养测评体系的水平划分素养评估是通过学生完成任务的外在表现而实现的。因此，可以开发对应外在表现的等级标准。等级标准设计对外在表现的描述应该清晰而明确。建立起结构化、等级化的体系，以比照和推断教师的可视化水平。为进一步完善体系，划 108 沈迪修.二维动画设计对数字化技术的利用[J].喜剧世界(下半月),2020(12):70-71. 54 华东师范大学硕士学位论文分中小学教师数据可视化素养的水平。 PISA 将试题区分为了低、中、高三级。其中，低水平的含义是只有一个简单的程序，如想起一个概念或单个信息。中等水平的含义是被试可以使用知识去描述、解释信息，组织呈现图表或做出选择或决策。高水平的含义是被试可以处理信息和数据、组织、评价并进行推理论证等。鉴于在低水平和中等水平只在程序步骤上有差别，因此将低水平和中等水平进行合并为简单水平。其具体内涵为教师能够做出一步到两步或以上的程序，可以识别到一个或多个事实、信息或组织，并可以对现象进行描述。高水平，即较难的水平，其含义为教师可以构建或分析复杂的可视化，对给出的可视化进行处理、推理或解决真实问题。对应到框架内可得教师数据可视化素养水平划分的表现，形成表 4-13。此水平划分也作为出题时难度的划分。表 4-13 中小学教师数据可视化素养的水平划分表一级维度二级维度图表类型视觉特征图表知识能力选择制作提取表征知识处理图形格式、视觉特征和图表知识的整合关联解释选择内容知识理论知识和实践知识的整合处理制作水平水平描述简单知道图表的功能特征、可以根据数据之间关系选择合适类型的图表较难可以根据情境和目的选择合适类型的图表简单知道颜色、元素的功能特征、可以根据复杂情境判断元素是否缺少较难可以根据读图的精确度，判断添加哪些要素简单可以提取多个信息较难多个任务简单进行数据完整性的处理、进行规范化处理使之符合作图要求较难根据任务重构数据简单一个属性之间的关联、读出可以比较的元素、并做出判断较难关联多个信息做出判断简单判断两类数据的因果、相关性较难结合图中的信息进行合理性分析简单结合内容说明该图表功能，根据情境选择合适的图表类型较难根据特定任务选择合适的图表类型简单根据情境，判断数据是否符合要求、计算新变量较难根据任务，判断是否需要处理成新的数据简单根据情境，判断图制作是否正确、突出某项信息较难避免认知偏差、可以评价可视化表征的效果 55 华东师范大学硕士学位论文提取关联解释简单简单信息提取较难在复杂情境、图中的提取信息简单关联简单教学常识和教学经验较难关联多种教学专业性知识简单图中展示的属性是否是原因之一较难综合阐述多种原因 56 华东师范大学硕士学位论文第5章中小学教师数据可视化素养测评工具的开发本章的研究核心在于构建中小学教师数据可视化素养的测评工具。本章根据现代教育评价体系的理论指导，遵循数据可视化素养类测评工具的原则，设计并开发中小学教师数据可视化素养测评工具。测评工具主体为一套测试题，通过两轮试测来验证测试题的质量。 5.1 研究设计测评工具的开发遵循教育和心理测评的一般方法。上一章建构了测评的模型。接下来，进行具体测评工具的开发，具体过程如下：首先，确定测评工具的形式后生成测试项目。基于中小学教师数据可视化素养理论模型开发具体的测试题。然后，评估内容有效性。邀请专家对测评工具进行审议。最后，进行试测和质量分析，目的为验证测试题的质量，包括分析试题的信度、效度、难度和区分度。开发的具体流程见图 5-1。图 5-1 测评工具的开发过程 5.2 中小学教师数据可视化素养测评工具的开发与修正 5.2.1 中小学教师数据可视化素养测试题的编制和题型（1）试题编制的依据与目标开发的测评工具的形式为一套数据可视化素养测试题。本测评工具遵循试题 57 华东师范大学硕士学位论文和可视化的设计原则，基于中小学教师数据可视化素养的理论模型和水平的划分，将框架内具体指标转变为双向细目表。根据双向细目表，编制中小学教师数据可视化素养测评的试题，力求可以在整体上测出教师数据可视化素养，也可以较为精准地指出中小学教师数据可视化素养的不足之处。（2）拟定命题计划在每一版模型开发后会同时进行试卷的开发。研究采用双向细目表的方式进行编制。双向细目表是试题编制的参考依据，其结构模式蕴含一系列有机合成的技术指标和变量参数，这些参数如试题总数目、分值、难度、知识与能力水平的试题分布和时限设置等可以有效地控制着试卷质量 [109] 。第一版的试题包括 10 个情境题。第一题，只有一问。第二到第十题，分别包含了 3、3、8、6、7、6、2、9、7 道小题。每一道小题，对应一个知识维度的和能力维度的一项。试题分为简单题、一般题和难题。题目大多设置为选择题。后续试题在此基础上做修订。（3）科学命制试题第一，试题素材的选取。笔者根据考察目标和上文总结的中小学教师数据可视化素养的情境，选取恰当、优质的素材。试卷中的素材来源于三个部分：一是从报告、论文中获取。本研究搜集针对有关中小学学生的研究报告或学术论文，对其研究结果中呈现的数据和可视化表征进行直接引用或进行改编。因为学术论文的内容具有科学性，可视化表征和数据等也很丰富。公开发表的报告大多紧跟教育政策热点，内容新颖，所调查的内容贴合教师工作的情境。二是从新闻热点、影视资料等媒体中收集和筛选事例。三是根据整理的情境要素，搜寻真实案例的可视化表征。在确定素材后，充分挖掘素材的内容价值，匹配考查的角度，着重考查教师在具体情境中运用数据可视化素养的能力。第二，试卷的题型。试卷初步拟定为客观题题型，大部分试题为选择题。选择题的题干要做到精炼，不用复杂用语或难以理解的句型。此外，选择题的试题尽量不用否定结构的陈述。干扰项具体并且具有一定的迷惑性，保证一定的似真 109 沈南山,杨豫晖,宋乃庆.数学学业成就评价测查试题编制研究[J].教育研究,2009,30(09):57-63. 58 华东师范大学硕士学位论文性。试题每个选项之间保持相互独立。笔者在编制包含多个题目的情境题时，在题目中呈现解决问题所出现的必要的信息和数据，使被试在阅读完情境陈述后可以理解自己应该做什么。试卷还有少量是非题，让被试判断一个陈述句的正误。这类试题在编制时，避免在细枝末节做文章。第三，试题编制的过程。每一题的编制都经历了以下的过程：笔者搜集资料，出试题原稿。自己试测，对被试作答答卷的时间进行预估，并对试题的难易程度进行预估，修订试卷中的错误。展现给所依据课题的项目小组，项目小组审议、提意见、修订。笔者再次返还修订稿件后，确定终稿。 5.2.2 专家审议与工具修正按照设计原则形成第一版试题时需要进行初步的评判。本研究采取了专家审议的形式。专家审议的主要内容有：第一，测试题是否符合测评中小学教师数据可视化素养的目的；第二，测试题的内容是否符合试题编制原则和计划；第三，题目是否科学、有效；第四，题文的表达、情境以及试题是否科学、完整及简练；第五，是否存在暗示答案等干扰作答的情况。笔者寻找到 6 位专家进行试答。该部分专家从事与教师培训相关工作或研究，部分专家参与教师数据可视化素养的培训工作和研究，对中小学教师在数据可视化素养方面的表现较为了解，可以为测试工具的开发提出有价值的建议。笔者对作答的情况进行了整理分析，包括各专家的做题时长、正确试题的数目以及试题内容给出的建议。可以发现以下问题：第一，作答时长较长。部分专家做题时长较长，侧面反映出题目数量较多。第二，题目表述不合理。对专家易错的题目进行分析，可以发现易错题目的原因是题目表述不清晰合理，给专家造成了误解。在表述时笔者对部分概念尤其是专业类名词的把握不精准。第三，可视化不正确。部分题的可视化表征容易给人造成误解，规范程度不高。第四，部分考点设置较为模糊，不明确。针对试测专家提出的问题修改后，研究邀请了一线教师和教育研究院的专家共 4 位专家进行专家讨论会。得到以下专家的建议： 59 华东师范大学硕士学位论文第一，有关试题素材的选择。选择的试题情境或者素材关系到的教师思考问题的过程，这就要求笔者要考虑情境是否符合考纲要求。好的学习工作场景可以锻炼教师数据可视化的能力和思维，帮助教师提升利用数据可视化解决问题的能力。第二，有关试题与知识点的契合性。测试题应该能够测评出所要测评的特质，即测试题应该具有内容上的有效性。一方面要保证测试题与考察知识点的一一对应，另一方面要保证该对应是有效的。第三，有关试题的编排。一个情境同时涉及到了构建和解读，这就造成各小题之间的逻辑关系混乱，容易给教师造成困惑，扰乱了教师的答题思路，无形中增加了做题的困难程度。结果得到以下主要的改进方向：第一，在选择具体试题情境时，可以从教师角色、情境对于教师的意义的角度考虑情境。增加对情境的预设，对某些题目的细节，尤其是在与知识点的联系上加以精进。第二，笔者需要重新架构试题的结构，编排试题的顺序。因此，考虑将构建维度和解读维度分开考察。以上的编制建议也成为编制最终版测试题所注意的内容要素。 5.2.3 中小学教师数据可视化素养测试题的检验与优化笔者根据专家的意见，按照最终版的中小学教师数据可视化素养的模型开发了测试题。编制之后，需要测试质量，可在一定范围内进行试测，根据经典测量理论分析试卷质量，检验其可靠性和有效性。（1）测评工具发放面向中小学教师发放测评工具。测量工具包括前期开发的测试题的测试和基本信息的调查。测试卷节选可见附录 3。（2）测试卷的质量分析试题的质量分析是保证试卷质量的关键环节。本研究采用经典测量理论鉴定试题的有效性和质量。本次样本数量为 1828，排除做题时间与预设范围相比过大（超过 40 分钟）和过小（不到 5 分钟）的教师和排除调查过程中参与的幼儿园教师的样本，测试题部分有效样本量为 1213。分析内容主要包括信度、效度、难度和区分度这四个指标。 60 华东师范大学硕士学位论文信度反映了测量结果的可靠性。测验本身抗干扰能力强，测验实施过程各方面误差因素都控制得好，那么测试的一致性就较高[110]。本测评工具内的所有试题测量都在测量中小学教师数据可视化素养这一种性质，因此使用克隆巴赫系数评估测评试卷的可靠性。当试卷的克隆巴赫系数大于 0.70 时，试卷信度合格[111]。见表 5-1，本研究中克隆巴赫系数在 0.430，结果并不理想，信度需要提升。表 5-1 第一轮试测试题可靠性统计表克隆巴赫 Alpha 项数 0.430 24 效度是指测验能够正确地测量出它所要测量内容的特性或功能的程度[112]。测评试卷效度低则说明无法真正测量出想要测量的内容。本研究主要是研究测评试卷结构效度，分析中小学教师数据可视化素养的各结构是否被有效地测验到。KMO 的值大于 0.50 时才具有意义，巴特利特球形检验用于检验数据的分布以及变量间的独立性，当球形检验值 P（Sig）小于 0.05，表明测评工具有意义[113]。表 5-2 第一轮试测试题KMO和巴特利特检验 KMO 取样适切性量数巴特利特球形度检验近似卡方自由度显著性 0.636 962.217 276 0.000 由表 5-2 可得测评试卷的 KMO 系数为 0.636，0.636>0.5，巴特利特球形度检验 P（Sig）值为 0.000，0.000<0.05。因此该测试卷的结构效度良好。难度是衡量试题或试卷的难易程度的指标[114]。高质量的测评工具具有适宜的难度。二分法试题用通过率来表示难度[115]：其中，P 为实际的通过率，R 为通过项目的人数，N 为参加该项目测试的总 110 111 112 113 114 115 林文广. 刘新平, 刘新平, 赵金玉. 刘新平, 赵金玉. 高等教育自学考试命题导论[M].福建人民出版社, 2005:195. 张运良. 教育统计与测评导论.第3版[M].北京:科学出版社, 2020:140. 张运良. 教育统计与测评导论.第3版[M].北京:科学出版社, 2020:149. 聚焦大概念的高中生物学生命观念素养的评价体系研究[D].金华:浙江师范大学,2020:56. 张运良. 教育统计与测评导论.第3版[M].北京:科学出版社, 2020:153. 聚焦大概念的高中生物学生命观念素养的评价体系研究[D].金华:浙江师范大学,2020:57. 61 华东师范大学硕士学位论文人数。但是在选择题中可能会因为被试者猜对等偶然因素给难度的计算带来干扰。吉尔福特提出的难度校正公式减弱了备选选项数量对难度的影响。通常，试题的难度系数在 0.30-0.70 之间比较合适，高于 0.70 则题目偏简单，低于 0.30 则表示题目偏难[116]。难度校正公式：其中，CP 为校正后的通过率；P 为实际得到的通过率；K 为备选答案的数目[117]。表 5-3 显示，简单题目数、难度合适的题目数和偏难的题目数的比例为 2:2:20。可以发现，整体试卷的比例难题所占的比较较大，难度分布不合理，需要进一步的修改。表 5-3 第一轮试测试题难度统计表题目难度系数是否合适题目难度系数是否合适 1 2 3 4 5 6 7 8 9 10 11 12 0.84 0.05 0.92 -0.17 0.29 0.19 0.44 0.04 0.27 0.17 0.18 0.02 偏简单偏难偏简单偏难偏难偏难合适偏难偏难偏难偏难偏难 13 14 15 16 17 18 19 20 21 22 23 24 0.11 0.14 0.10 0.14 -0.25 0.09 0.36 0.20 0.19 0.16 0.17 -0.09 偏难偏难偏难偏难偏难偏难合适偏难偏难偏难偏难偏难区分度是指测试题可以区分要测量的特质与属性的程度，以及测试题能够在多大程度上有效区分高水平或低水平的受测者[118]。题目区分度高时，能够表现出能力高的人，得分高，能力低的人，得分低。选择题的区分度计算公式为：公式中的 D 为试题的区分度，PH 是高分组的项目难度，PL 是低分组的项目 116 117 118 赵金玉. 聚焦大概念的高中生物学生命观念素养的评价体系研究[D].金华:浙江师范大学, 2020:58. 刘新平, 张运良. 教育统计与测评导论.第3版[M].北京:科学出版社, 2020:154. 胡中锋.教育测量与评价[M].广州:广东高等教育出版社, 2006:46. 62 华东师范大学硕士学位论文难度。区分度的取值范围在-1 到 1 之间。D 值越大，区分度越好。D 等于零时，该题目无区分作用。D 高于 0.40 的题目区分度很好；若在 0.30-0.39 之间，表示区分度较好；若在 0.20-0.29，区分能力尚可，需要修改；区分度低于 0.19 的题目区分能力差，应该删除[119]。从表 5-4 可以看出，试卷的大多数题目的区分度尚可，还有进一步改进的空间。表 5-4 第一轮试测试题区分度统计表题目区分度是否合适题目区分度是否合适 1 2 3 4 5 6 7 8 9 10 11 12 0.20 0.17 0.06 0.34 0.37 0.32 0.20 0.30 0.45 0.29 0.31 0.21 尚可建议删除建议删除较好较好较好尚可较好很好尚可较好尚可 13 14 15 16 17 18 19 20 21 22 23 24 0.50 0.26 0.44 0.18 0.03 0.23 0.50 0.48 0.48 0.32 0.24 0.15 很好尚可很好建议删除建议删除尚可很好很好很好较好尚可建议删除 5.2.4 中小学教师数据可视化素养测试题的修正（1）结果分析通过上述分析可以发现，该测试题的信度较低，效度合格，难度偏高，区分度有待改进。因此有必要对测试题进行进一步的修正。为更好地提升这四个指标，笔者对四个质量指标之间的关系进行了分析。首先，效度的最大值受到信度的限制，信度提升，效度也会有所改善，在必要时刻，可以牺牲一些信度[120]。信度与难度之间也存在着这样一种关联，试题难度较大时，被测者的得分相对来说普遍较低，这样会使大家都处于低分段，则整个试题呈正偏态（右偏态）分布[121]。这也是本测试题出现的情况，测试题的分布范围 119 120 121 刘新平, 张运良. 教育统计与测评导论.第3版[M].北京:科学出版社, 2020:159. 刘新平, 张运良. 教育统计与测评导论.第3版[M].北京:科学出版社, 2020:152-153. 刘新平, 张运良. 教育统计与测评导论.第3版[M].北京:科学出版社, 2020:156. 63 华东师范大学硕士学位论文和试题之间的差异都很小，则使得实得分数的方差变小，信度系数随之下降。难度与区分度之间也存在着一定的联系，当难度在保持在 0.3-0.7 之间时，试题区分度则较为理想，信度随区分度的提高而得到改善[122] 。因此想要改善信度，可以尝试提高试题的区分度。综上所述，结合测试题的各项指标的得分，笔者将主要从降低试题难度这一角度出发，改善试题的区分度，从而提升试题的信度和效度。其次，在此基础上，邀请专家就试题进行讨论，获得修改意见。（2）试题的修正除了有意识地降低难度之外，还包括以下内容的修订：修订题目的表述。由于测试题需要科学准确，因此测试题中题项的文字表述应该准确而规范。修改文字表述错误、题目信息不全和表述不通顺等问题。修订错误题目。一些题目因个体理解和经验差异容易造成争议。修改这些题目的题项，规避问题。还有一些题目，因笔者的主观臆断，造成教师无法做出正确的判断。还要更改题目中存在的不恰当的选项。修改题目的做图。部分试题的可视化表征目前也存在争议。修订可视化表征的问题，替换清晰度较低的可视化表征、替换不恰当的图表类型、修订所添加的模糊标注。题目的试题的形式问题。题目的排版和格式在教师做测试题时，也产生了较大的影响。更改测试题的排版和格式。（3）第二次试测与结果分析本次试测收集样本数量为 407，在排除做题时间与预设范围相比过大（超过 40 分钟）和过小（不到 5 分钟）的教师和幼儿园的教师的样本后，测试题剩余有效样本量为 297 份。测试题的样题见附录 4。再一次对信度、效度、难度和区分度进行分析。结果如下：表 5-5 第二轮试测试题可靠性统计表显示了修改后测试题的克隆巴赫系数为 0.713，结果大于测试题对信度的要求，表示测试的可靠性较高。表 5-5 第二轮试测试题可靠性统计表克隆巴赫 Alpha 项数 0.713 24 由表 5-6 得测评试卷项目的 KMO 系数为 0.740，0.740>0.5，巴特利特球形 122 刘新平, 张运良. 教育统计与测评导论.第3版[M].北京:科学出版社, 2020:164. 64 华东师范大学硕士学位论文度检验 P（Sig）值为 0.000，0.000<0.05，达到标准，该测试卷的结构效度有所提升。表 5-6 第二轮试测试题KMO和巴特利特检验 KMO 取样适切性量数。 0.740 近似卡方巴特利特球形度检验自由度显著性 746.570 276 0.000 沿用难度校正公式，计算后，得到每道题的 CP 值如表 5-7 所示。简单题、中档题（合适）和难题（偏难）的比例为 2:15:7。整体试卷的比例较好。表 5-7 第二轮试测试题难度统计表题目难度系数是否合适题目难度系数是否合适 1 2 3 4 5 6 7 8 9 10 11 12 0.85 0.21 0.92 0.04 0.51 0.38 0.62 0.27 0.58 0.48 0.13 0.21 简单偏难简单偏难合适合适合适偏难合适合适偏难偏难 13 14 15 16 17 18 19 20 21 22 23 24 0.41 0.33 0.35 0.60 0.60 0.39 0.62 0.51 0.42 0.34 0.11 -0.03 合适合适合适合适合适合适合适合适合适合适偏难偏难接着，计算试卷的总体难易程度。试卷总体的难易程度与试卷中的每个题目的难易程度有关。其计算公式如下所示：式子中，W 是试卷的满分值，Pt 和 Wt 分别为第 t 道题的难度和满分值，N 是试卷题目的总数[123]。接着，计算试题的总体的难度为 0.57，难度中等偏简单。试题的区分度的结果如表 5-8 所示，结合难度可以发现，第 1 题和第 3 题是因为过于简单而不合适。其余试题的区分度已合格。表 5-8 第二轮试测试题区分度统计表题目 123 区分度是否合适题目区分度刘新平, 张运良. 教育统计与测评导论.第3版[M].北京:科学出版社, 2020:156. 65 是否合适华东师范大学硕士学位论文 1 2 3 4 5 6 7 8 9 10 11 12 不合适较好不合适尚可较好很好较好很好很好很好尚可较好 0.18 0.36 0.00 0.29 0.39 0.41 0.31 0.51 0.51 0.49 0.29 0.39 13 14 15 16 17 18 19 20 21 22 23 24 很好很好很好较好很好尚可很好很好很好很好尚可较好 0.66 0.49 0.56 0.39 0.50 0.21 0.46 0.58 0.78 0.50 0.23 0.35 5.3 中小学教师数据可视化素养测评工具本研究形成了中小学教师数据可视化素养测试卷，见附录 6。测评工具包含测试题和基本信息。基本信息主要包括教师的性别、年龄、教学经验、数据可视化经验、任教学科、任教学段、任教时间、职称以及在学校中的角色等关键信息。测试卷一部分为基础知识题目，一部分为情境题。对应的是中小学教师数据可视化素养框架内的知识和能力的指标，体现为具体的知识点。基础知识的题目分别考察了表征知识层面的选择、处理、制作所对应的指标。情境题分为三类，分别为表征知识层面对应的解读能力，内容知识层面对应的构建能力和内容知识层面对应的解读能力。一个情境下包括三道题目，分别对应于构建能力中的选择、处理和制作和解读能力中的提取、关联和解释。同时，每一个指标按照前期的水平划分进行，分为简单和困难两个层级（表征知识层面的选择和表征知识层面的处理删除了简单题）。因此，在基础知识题目方面，表征知识层面的选择、处理各一道题，表征知识层面的制作有两道题，则基础部分共有 4 道小题。每一类情境题为一道大题。一共有六道大题，18 道小题。测评工具的整体结构如表 5-9 所示：表 5-9 数据可视化素养测评双向细目表知识维度题型题号表征知识图视内容知识图理难易程度能力维度实构建选 66 处解读制提关解简单困难分值华东师范大学硕士学位论文表类型选择判断选择选择选择选择选择选择选择选择选择选择选择选择选择选择选择选择选择选择选择选择 1 2 3 4 情境一.1 情境一.2 情境一.3 情境二.1 情境二.2 情境二3 情境三.1 情境三.2 情境三.3 情境四.1 情境四.2 情境四.3 情境五.1 情境五.2 情境五.3 情境六.1 情境六.2 情境六.3 觉特征表论知识践 √ 择理作取联释 √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 每一情境题由背景事件及情境任务、背景信息和考察内容三个要素构成，结构严谨，文本准确、简练，试题中的数据可视化表征严谨、准确。图 5-2 为试题示例。该情境题对应的是内容知识层面的构建维度。第一小题对应的是构建能力下的选择能力，主要考察教师在教学中可以根据原始数据的特点和任务目标选择合适的可视化的图表类型。第二小题对应的是构建能力中的处理能力，主要是考察教师在制作可视化表征前的数据处理过程，每一个选项，对应一个数据处理的知识。A 选项为数据的标准化处理，B 选项需要根据需求重新构造数据。C 选项考察教师对异常值的处理的能力。D 选项考察教师对数据关系的理解。第三小题对应的是构建能力中的制作能力，主要考察教师在制作可视化表征时如何添加正确的元素。这里选取了坐标轴为例，考察坐标轴的数值范围的选取。三道题的难度相当，具有独立性且在逻辑上属于层层递进的关系。 67 华东师范大学硕士学位论文图 5-2 试题示例 68 华东师范大学硕士学位论文第6章中小学教师数据可视化素养测评体系的应用分析为了保证测评体系构建的完整性和可行性，研究的最后一个环节对测评体系进行了应用与分析。本章研发了中小学教师数据可视化素养测评分析模板，并选取了模板中的部分内容对参与试测的教师的数据可视化素养的测评结果进行应用分析，包括参加测试的教师的整体水平的分析，群体间差异分析等，根据结果提出提升教师数据可视化素养的建议。 6.1 中小学教师数据可视化素养测评分析模板研究进一步说明所开发的测评体系的应用方式和方法，开发了测评体系结果的分析应用模板，同时分析现有的教师数据可视化素养的水平。该模板提供了应用分析的框架和内容，对测评结果进行描述性和差异性分析，提出针对该测评群体的数据可视化素养的改进建议。模板一共包含四个部分。第一部分为测试结构的整体分析，分析平均分，标准差、最高分、平均做题时长、平均得分率、分数分布的形态等，以了解结果的基本情况。第二部分包括各维度的得分情况和素养框架内各项指标的平均分、得分率的统计表和统计图，得出该群体的优势和弱项。第三部分为各小题的正确率情况，以供各教师进行对比分析。第四部分是群体的差异性分析，以掌握该群体中需要特别关注的人群。最后总结问题，给出针对该群体的教师数据可视化素养的提升策略。数据可视化素养应用分析模板样式详见附录 7。 6.2 中小学教师数据可视化素养测试结果的整体分析 6.2.1 维度之间得分的分析从第二次试测的数据中选取样本，数据总量为 407 份，排除做题时间与预设范围相比过大（大于 40 分钟）和过小（小于 5 分钟）的人数，排除幼儿园的教师，再排除基本信息中填写不一致的人数，此次参与测评应用分析的样本数量为 69 华东师范大学硕士学位论文 248 份。笔者进行了教师数据可视化素养整体结果分析，一共有 22 个小题。满分 22 分，教师的平均分为 11.89 分，平均得分率为 54.03%，最高分 21 分，标准差 3.98 分，平均做题时长为 20 分钟。利用 SPSS 软件分析测试题得分并绘制成频率分布直方图以及正态分布曲线，结果如下图所示：图 6-1 数据可视化素养测试卷得分的频率分布直方图和正态分布曲线由图 6-1 可知，教师得分大部分落在[7,17]中间，位于两端的得分区间[1,7) 和(17,22]的样本少。其中，13 分和 15 分的样本量最多。一级维度所对应的题目相同，分数也相同。因此，研究对二级维度的平均分和得分率进行对比分析，结果见表 6-1。从中可以得到，维度之间的差异较小，说明能力较为均衡，但各方面都有提升的空间。相较之下，知识维度下，表征知识的得分率最高，得分率达到了 56.29%。能力维度下，得分率最高的是解读能力，得分率达到了 54.70%。表 6-1 二级维度得分情况一级维度知识维度能力维度二级维度满分平均分得分率表征知识内容知识构建解读 10 12 10 12 5.63 6.26 5.32 6.60 56.29% 52.15% 53.23% 54.70% 6.2.2 对应框架下的水平分析为了进一步明晰教师数据可视化素养的整体水平，还需要将知识维度和能力 70 华东师范大学硕士学位论文维度结合起来一起分析。分析的主要内容按照中小学教师数据可视化素养框架来进行，分为表征知识层面的构建能力（表征-构建）的水平、表征知识层面的解读（表征-解读）水平，内容知识层面的构建能力（内容-构建）水平和内容知识层面的解读（内容-解读）水平。从表 6-2 中可以发现，表征知识层面，掌握较差的是构建可视化表征的能力。结合表 6-3，可以看出，根据表征知识来选择图表和处理数据是根据表征知识去构建可视化表征中得分较低的两项。从表 6-2 中可以发现，根据内容知识去解读可视化表征的部分得分较低，结合表 6-3，可以看出，根据内容知识来关联可视化表征中的信息和解释信息是较弱的两项。表 6-2 三级维度的得分统计表知识维度能力维度总分平均分得分率构建 4 2.08 52.12% 解读 6 3.54 59.07% 构建 6 3.24 53.97% 解读 6 3.02 50.34% 表征知识内容知识表 6-3 框架得分统计表知识维度表征知识内容知识二级能力维度总分平均分得分率选择 1 0.39 39.11% 处理 1 0.51 50.81% 制作 2 1.19 59.27% 提取 2 1.25 62.70% 关联 2 1.22 61.09% 解释 2 1.07 53.43% 选择 2 1.35 67.54% 处理 2 1.08 54.23% 制作 2 1.09 54.44% 提取 2 1.23 61.49% 关联 2 1.00 49.80% 解释 2 0.79 39.72% 71 华东师范大学硕士学位论文图 6-2 框架表现的雷达图 6.2.3 每小题的正确率统计计算各小题的得分率，将结果填入正确率统计表，得表 6-4。可以发现，该部分教师特别需要关注的题目为第 1 题、第 9 题、第 21 题和第 22 题。表 6-4 各题目的正确率题目正确率题目正确率 1 39.11% 50.81% 12 50.00% 53.63% 63.31% 55.24% 71.77% 14 15 2 3 4 5 6 7 8 9 10 11 45.16% 69.35% 63.31% 34.68% 39.52% 56.05% 13 16 17 18 19 20 21 22 69.35% 72.18% 53.23% 72.98% 64.92% 58.87% 50.00% 34.68% 20.56% 6.3 中小学教师数据可视化素养的群体差异分析本节重点分析因教师个人差异而产生的教师数据可视化素养水平的差异，包括性别、学历、角色、职称等个人差异，也探讨了学校差异、教学环境之间的教师数据可视化素养的差异，以及在数据可视化方面的经验与态度与教师数据可视 72 华东师范大学硕士学位论文化素养的相关分析。 6.3.1 不同教师个人之间的比较性别在之前的素养类的测评中是经常被考虑的因素。因此，研究首先探讨了中小学教师数据可视化素养在性别方面是否存在差异。参与测试的男性共计 69，女性共计 179。如表 6-5 所示，男教师的数据可视化素养的各方面得分高于女教师。对男女教师数据可视化素养的平均分的进行独立样本 T 检验，结果得表 6-6，可以发现，P=0.244>0.05，说明男女教师之间的数据可视化素养并不存在显著差异。表 6-5 不同性别被试数据可视化素养水平的描述性统计总体男性女性总人数总平均分构建均分解读均分表征知识均分内容知识均分表征-构建均分 248 11.89 5.32 6.60 5.63 6.26 2.08 69 12.36 5.64 6.73 5.97 6.39 2.32 179 11.70 5.20 6.50 5.50 6.21 1.99 表征-解读均分 3.54 3.65 3.50 内容-构建均分 3.24 3.32 3.21 内容-解读均分 3.02 3.07 3.00 表 6-6 不同性别被试数据可视化素养独立样本检验莱文方差等同性检验 F 总假定等 0.040 分方差显著性平均值等同性 t 检验 t 0.841 1.169 差值 95% 置信区间显著性（双平均值标准误差自由度尾）差值差值下限上限 246 0.244 0.66 0.563 -0.451 1.768 * 平均值差值的显著性水平为 0.05。笔者分析年龄差异对教师数据可视化素养的影响。此次参与测试的没有 20 岁以下教师，因此不放入统计之中。参与测试的教师的数据可视化素养的描述性统计差异如表 6-7 所示，可以发现，21-50 岁教师的数据可视化素养水平较高，并且不同年龄之间差距较小。对不同年龄段的教师的数据可视化素养进行方差齐 73 华东师范大学硕士学位论文性检验，结果显示（表 6-8）P=0.458>0.05，表明方差齐性。ANOVA 结果显示（表 6-9），P=0.020<0.05，说明不同年龄被试数据可视化素养水平之间存在显著性差异，多重比较后发现，见表 6-10，50 岁以上的教师和各年龄段的教师的数据可视化素养之间存在显著差异。表 6-7 不同年龄被试数据可视化素养水平的描述性统计总体 21-30岁 31-40岁 41-50岁 50岁及以上总数总平均分构建均分解读均分表征均分内容均分表征-构建均分表征-解读均分 248 11.89 5.32 6.60 5.63 6.26 2.08 3.54 54 12.24 5.54 6.70 5.63 6.61 2.17 3.46 75 12.20 5.48 6.72 5.89 6.31 2.15 3.75 86 12.16 5.38 6.78 5.78 6.38 2.13 3.65 33 9.88 4.45 5.42 4.64 5.24 1.70 2.94 内容-构建均分内容-解读均分 3.24 3.02 3.37 3.24 3.33 2.97 3.26 3.13 2.76 2.48 表 6-8 不同年龄被试数据可视化素养水平的方差齐性检验莱文统计自由度 1 自由度 2 显著性 0.869 3 244 0.458 表 6-9 不同年龄被试数据可视化素养水平的ANOVA分析组间组内总计平方和自由度均方 F 显著性 153.732 3757.106 3910.839 3 244 247 51.244 15.398 3.328 0.020 表 6-10 不同年龄被试数据可视化素养水平的LSD多重比较 (I)年龄 50岁及以上 (J) 角色平均值差值 (I-J) 标准误差显著性 21-30岁 -2.362* 0.867 31-40岁 -2.321* 41-50岁 -2.284* 95% 置信区间下限上限 0.007 -4.070 -0.654 0.820 0.005 -3.936 -0.707 0.803 0.005 -3.867 -0.701 * 平均值差值的显著性水平为 0.05。教师的学历可能影响教师的数据可视化素养，不同学历被试的数据可视化素养的描述性统计如表 6-11 所示，可以发现，高中学历的教师数据可视化素养分数较高，在各方面的表现也较好。由于高中和大专做题人数与其他学历的人数之间存在较大的差异，不排除人数对结果造成的影响。结果显示，见表 6-12，方 74 华东师范大学硕士学位论文差齐性检验中，P=0.045<0.05，表示方差不齐，进行方差不齐的事后检验，见表 6-13 ，大专学历和本科学历的教师之间数据可视化素养的差异显著（P=0.000<0.05），大专学历和研究生学历的教师之间数据可视化素养存在显著性差异（P=0.000<0.05）。表 6-11 不同学历被试数据可视化素养水平的描述性统计总人数总平均分构建均分解读均分表征均分内容均分表征-构建均分表征-解读均分内容-构建均分内容-解读均分总体高中大专本科硕士及以上 248 11.89 5.32 6.60 5.63 6.26 2.08 3.54 3.24 3.02 3 15.67 7.67 8.00 7.00 8.67 3.00 4.00 4.67 4.00 5 6.60 3.00 3.60 3.20 3.40 1.20 2.00 1.80 1.60 193 11.68 5.25 6.42 5.55 6.13 2.04 3.51 3.22 2.91 47 13.06 5.70 7.36 6.13 6.94 2.32 3.81 3.38 3.55 表 6-12 不同学历被试数据可视化素养水平的方差齐性检验莱文统计自由度 1 自由度 2 显著性 2.727 3 244 0.045 表 6-13 不同学历被试数据可视化素养水平的邓尼特T3多重比较 (I) 学历高中大专本科硕士及以上 (J) 学历平均值差值 (I-J) 标准误差显著性大专本科硕士及以上高中本科硕士及以上高中大专硕士及以上高中大专本科 9.067 3.988 2.603 -9.067 -5.079* -6.464* -3.988 5.079* -1.385 -2.603 6.464* 1.385 1.540 1.481 1.550 1.540 0.584 0.743 1.481 0.584 0.611 1.550 0.743 0.611 0.054 0.306 0.568 0.054 0.000 0.000 0.306 0.000 0.146 0.568 0.000 0.146 95% 置信区间下限上限 -0.274 -6.417 -6.522 -18.407 -7.128 -8.667 -14.392 3.030 -3.036 -11.728 4.261 -0.266 18.407 14.392 11.728 0.274 -3.030 -4.261 6.417 7.128 0.266 6.522 8.667 3.036 * 平均值差值的显著性水平为 0.05。研究还分析了不同职称教师之间的数据可视化素养的差异，从表 6-14 可以看出，未评级和初级教师的数据可视化素养较高，各有擅长的数据可视化的能力 75 华东师范大学硕士学位论文和知识。应用 ANOVA 的方法对不同的教师进行差异分析，表 6-15 结果显示 P=0.858>0.05 ，说明方差齐性，表 6-16 显示 P=0.763>0.05，说明不同职称教师的数据可视化素养之间不存在显著性差异。表 6-14 不同职称被试数据可视化素养水平的描述性统计总体未评级初级教师中级教师高级教师正高级教师总人数总平均分构建均分解读均分表征均分内容均分 248 11.89 5.32 6.60 5.63 6.26 10 12.90 6.00 6.90 5.50 7.40 61 12.20 5.46 6.74 5.80 6.39 117 11.88 5.26 6.62 5.69 6.19 59 11.42 5.20 6.22 5.36 6.07 1 11.00 5.00 6.00 5.00 6.00 表征-构建均分 2.08 2.30 2.15 2.07 2.02 2.00 表征-解读均分 3.54 3.20 3.66 3.62 3.34 3.00 内容-构建均分 3.24 3.70 3.31 3.19 3.19 3.00 内容-解读均分 3.02 3.70 3.08 3.00 2.88 3.00 表 6-15 不同职称被试数据可视化素养水平的方差齐性检验莱文统计自由度 1 自由度 2 显著性 0.255a 3 243 0.858 a. 在针对总分计算方差齐性检验时，将忽略只有一个个案的组。表 6-16 不同职称被试数据可视化素养水平的ANOVA分析组间组内总计平方和自由度均方 F 显著性 29.568 3881.271 3910.839 4 243 247 7.392 15.972 0.463 0.763 * 平均值差值的显著性水平为 0.05。不同角色的教师在工作中接触到的数据可视化的内容和频率之间存在差异。因此，研究对普通教师、班主任、年级组长、学校中层（教务主任、科研主任等）和学校领导（正副校长）的数据可视化素养进行了分析。研究结果如表 6-17 所示。可以发现，学校领导的数据可视化素养最高，班主任的数据可视化素养最低，这里不排除因学校领导人数较少而对结果产生的影响。学校领导和年级组长或教研组长相比与其他教师更擅长数据可视化的解读。其中，年级组长是各类教师中最擅长构建数据可视化的教师。班主任的各项能力还需进一步的提升。对不同角色进行了方差分析，方差齐性检验结果显示 P=0.003<0.05，方差不齐，见表 6-18，通过邓尼特 T3 多重比较进行事后检验，结果显示，见表 6-19， 76 华东师范大学硕士学位论文班主任和年级组长或教研组长的数据可视化素养差异的显著性 P=0.009<0.05，说明班主任和年级组长或教研组长之间的数据可视化素养存在显著差异。表 6-17 不同角色被试数据可视化素养水平的描述性统计总体普通教师班主任年级组长或教研组长学校中层学校领导总人数总平均分构建均分解读均分表征均分内容均分表征-构建均分 248 11.89 5.32 6.60 5.63 6.26 2.08 110 11.67 5.51 6.16 5.48 6.19 2.23 38 9.97 4.37 5.61 4.82 5.16 1.63 53 13.19 5.66 7.53 6.32 6.87 2.19 42 12.43 5.29 7.14 5.88 6.55 1.98 5 12.80 5.20 7.60 5.60 7.20 2.20 表征-解读均分 3.54 3.25 3.18 4.13 3.90 3.40 内容-构建均分 3.24 3.28 2.74 3.47 3.31 3.00 内容-解读均分 3.02 2.91 2.42 3.40 3.24 4.20 表 6-18 不同角色被试数据可视化素养水平的方差齐性检验莱文统计自由度 1 自由度 2 显著性 4.099 4 243 0.003 表 6-19 不同角色被试数据可视化素养水平的邓尼特T3多重比较 (I) 角色 (J) 角色平均值差值 (I-J) 标准误差显著性年级组长或教研组长班主任 3.215* 0.927 0.009 95% 置信区间下限上限 0.535 5.895 * 平均值差值的显著性水平为 0.05。对不同学段的教师的数据可视化素养进行分析，结果如下表，可以发现，高中教师的数据可视化素养最高，小学教师次之。高中教师最擅长数据可视化的解读，他们在内容知识方面的掌握情况比其他各学段教师要好。表 6-20 不同学段被试数据可视化素养水平的描述性统计总体小学初中高中总人数总平均分构建均分解读均分表征均分内容均分 248 11.89 5.32 6.60 5.63 6.26 85 11.59 5.09 6.49 5.53 6.06 128 11.46 5.20 6.27 5.40 6.06 35 14.17 6.34 7.83 6.71 7.46 表征-构建均分 2.08 1.94 2.05 2.54 表征-解读均分 3.54 3.59 3.34 4.17 77 华东师范大学硕士学位论文内容-构建均分 3.24 3.15 3.14 3.80 内容-解读均分 3.02 2.91 2.92 3.66 对不同学段教师的数据可视化素养进行单因素方差分析，方差齐性检验结果显示，见表 6-21，P=0.016<0.05，因此通过邓尼特 T3 多重比较发现，见表 6-22，高中与小学教师的教师数据可视化素养差异的显著性 P=0.001<0.05，说明两者之间存在显著差异，高中教师与初中教师数据可视化素养差异的显著性 P=0.000<0.05，说明两者之间存在显著差异。表 6-21 不同学段被试数据可视化素养水平的方差齐性检验莱文统计自由度 1 自由度 2 显著性 4.188 2 245.000 0.016 表 6-22 不同学段被试数据可视化素养水平的邓尼特 T3多重比较 (I) 学段高中 (J) 学段平均值差值 (I-J) 标准误差显著性小学 2.583* 0.673 初中 2.711* 0.650 95% 置信区间下限上限 0.001 0.941 4.225 0.000 1.121 4.299 * 平均值差值的显著性水平为 0.05。 6.3.2 不同学校属性之间的比较研究收集了学校的类别信息，将学校分为公立学校和私立学校。对公立学校和私立学校的教师的数据可视化素养进行分析，结果如表 6-23 所示，私立学校教师数据可视化素养的总体水平优于公立学校的教师。尤其是在表征知识和构建可视化图像方面。将两类学校教师的数据可视化素养进行独立样本 T 检验，结果显示，见表 6-24，P=0.703>0.05，说明两类学校教师的数据可视化素养之间并不存在显著性差异。表 6-23 不同学校类别被试数据可视化素养水平的描述性统计总人数总平均分构建均分解读均分表征均分内容均分总体公立私立 248 11.89 5.32 6.60 5.63 6.26 242 11.87 5.31 6.56 5.60 6.27 6 12.50 5.83 6.67 6.83 5.67 78 华东师范大学硕士学位论文表征-构建均分 2.08 2.06 3.00 表征-解读均分 3.54 3.54 3.83 内容-构建均分 3.24 3.25 2.83 内容-解读均分 3.02 3.02 2.83 表 6-24 不同学校类别被试数据可视化素养水平的独立样本T检验莱文方差等同性检验 F 总分假定等 0.004 方差显著性平均值等同性 t 检验 t 自由显著性（双平均值差标准误差度尾）值差值 0.948 -0.381 246 0.703 -0.628 1.647 差值 95% 置信区间下限上限 -3.873 2.617 * 平均值差值的显著性水平为 0.05。由于数据可视化产生与信息技术环境当中，研究对学校的教学环境进行了区分。多媒体教学环境是指多媒体设施设备支持的环境。混合学习环境是指有网络、移动或智能等设备支持的环境。对两类学校进行分析，结果如表 6-25 所示。混合学习环境中教师数据可视化素养的水平高于多媒体教学环境下教师的数据可视化素养的水平。从独立样本 T 检验结果来看，见表 6-26，P=0.005<0.05，表明两类教学环境中的教师的数据可视化素养存在显著差异。表 6-25 不同教学环境被试数据可视化素养水平的描述性统计总人数总平均分构建均分解读均分表征均分内容均分表征-构建均分表征-解读均分内容-建构均分内容-解读均分总体多媒体教学环境混合学习环境 248 11.89 5.32 6.60 5.63 6.26 2.08 3.54 3.24 3.02 177 11.44 5.11 6.32 5.43 6.01 2.04 3.39 3.07 2.93 71 13.01 5.85 7.17 6.13 6.89 2.20 3.93 3.65 3.24 表 6-26 不同教学环境被试数据可视化素养水平的独立样本T检验莱文方差等同性检验平均值等同性 t 检验 79 华东师范大学硕士学位论文显著性 F t 自由显著性（双尾平均值差标准误差度）值差值总假定等方 1.264 0.262 -2.866 246 分差 0.005 -1.579 0.551 差值 95% 置信区间下限上限 -2.664 -0.494 * 平均值差值的显著性水平为 0.05。 6.3.3 教师数据可视化经验和态度与数据可视化素养关系分析有 25 名教师参与过教师数据可视化素养的培训。研究对他们之间的差异进行了分析。从表 6-27 中可以看出，参与过培训的教师的数据可视化素养略高于未参加过培训的教师。但从独立样本 T 检验分析的结果来看，见表 6-28，参加过培训和为参加过培训的教师之间差异显著性 P=0.520>0.05 ，说明两者之间差异不显著。表 6-27 不同培训经验被试数据可视化素养框架下的描述性统计总体参加过培训未参加过培训总人数总平均分构建均分解读均分表征均分内容均分 248 11.89 5.32 6.60 5.63 6.26 25 12.28 5.68 6.6 2.04 3.64 223 11.84 5.62 6.22 2.09 3.53 表征-构建均分 2.08 3.52 3.21 表征-解读均分 3.54 3.08 3.01 内容-建构均分 3.24 12.28 11.84 内容-解读均分 3.02 5.56 5.30 表 6-28 不同培训经验被试数据可视化素养独立样本T检验莱文方差等同性检验 F 总分假定等方差 3.016 平均值等同性 t 检验显著性显著性（双尾）平均值差值标准误差差值 0.084 0.520 246.000 0.604 差值 95% 置信区间下限上限 0.437 0.840 * 平均值差值的显著性水平为 0.05。另一方面，考虑到态度和经验因素会对教师数据可视化素养产生影响，研究 80 华东师范大学硕士学位论文还采用五级量表的形式调查了教师对数据可视化是否感兴趣、是否认可数据可视化对教育教学的价值以及是否在工作中有用数据可视化的意识以及使用频率。结果显示，见表 6-29，在教师对数据可视化的兴趣方面，对数据可视化非常感兴趣的教师得分最高，认为数据可视化对教育教学有比较大的价值的教师得分最高，在工作中有比较强烈的数据可视化的意识的教师得分最高，在工作中很多时候有用到数据可视化的教师得分最高。将以上四个方面与数据可视化素养分数进行皮尔逊相关性分析，见表 6-30，可以发现总分和认可度的皮尔逊相关系数为 0.326，P=0.000<0.05；与兴趣之间的相关系数为 0.375 ， P=0.000<0.05 ；与意识之间的相关系数为 0.284 ， P=0.000<0.05；与使用频率之间的相关系数为 0.343，P=0.000<0.05。因而可以说明数据可视化素养和教师对数据可视化的兴趣、认可度、使用数据可视化的意识和频率有着显著的正相关关系。表 6-29 不同态度和经验教师的数据可视化素养统计表内容对数据可视化的兴趣（兴趣）认可数据可视化对教育教学的价值（认可度）在工作中有用数据可视化的意识（意识）在工作中有用到数据可视化（使用频率）类别人数（人）平均分（分）非常感兴趣 78 12.96 比较感兴趣 93 12.52 一般 56 11.11 比较不感兴趣 9 8.00 完全不感兴趣 12 6.60 非常大 108 12.57 比较大 86 12.66 一般 39 9.90 比较小 9 8.44 非常小 6 6.50 非常强烈 44 12.46 比较强烈 79 12.85 一般 71 12.18 比较薄弱 36 10.53 非常薄弱 18 7.83 几乎每天都会用到 13 11.89 很多时候会用到 53 13.68 一般 91 12.93 很少情况下用到 62 10.58 几乎不会用到 29 8.45 81 华东师范大学硕士学位论文表 6-30 相关性检验总分总分认可度兴趣意识使用频率 1 0.326** 0.375** 0.284** 0.343** 0.000 0.000 0.000 0.000 皮尔逊相关性显著性（双尾） **显著性水平为 0.01, *显著性水平为 0.05。 6.4 结果与建议若将上述的结果填入附录 7 的表格中，可以直观清晰地看到参与测评的人群的优势能力以及有待提高的能力维度。 6.4.1 结果分析（1）整体分析结合描述性指标和分数的分布情况来看，测试教师数据的可视化素养的水平不是很理想，测试人群总体的数据可视化素养还有很大的提升空间。（2）维度与框架要素分析从不同维度的结果上来看，教师在表征知识上的得分率高于内容知识，在解读能力上的得分率高于构建知识。但是，二级维度框架显示表征知识层面的构建维度得分低导致表征知识得分较低，而其中，表征层面的选择能力得分低是最主要的原因。表征知识选择图表的能力具体是指根据原始数据的类型、属性、分析任务或目的选择恰当的可视化工具和图表类型。在设置这一考点时，主要考察各类图表的适用范围和注意事项，因此也说明教师要加强学习各类图表的使用目的和注意事项，以提高制图的规范性。此外，内容层面的解读能力得分较低，深入框架分析发现，主要是因为内容知识层面的解释能力稍弱。内容知识层面的解释强调根据相关理论和经验对特定的数据关系与趋势进行合理化分析与推理，阐明推论和结论，试图了解其行为、 82 华东师范大学硕士学位论文表现或情况发生的原因。可以看出，教师能够很好地从可视化图像中提取出信息，但是在结合实践去分析这些信息，判断出趋势，推断教学信息方面掌握不足。尤其是结合实践和理论知识去解释这方面信息，教师很难将在课堂中发生的现实情况与可视化图像中呈现的信息进行相关联。（3）正确率分析题目的正确率是可供教师或数据可视化培训者等人使用的参照之一，可以发现上述分析出的维度较弱的题目的正确率也不高。结合试题的双向细目表，对正确率进行分析，比如内容方面的处理和制作的能力有得分很低的项目，说明这方面的能力仅基础较好，可以做简单的题目，但难以应对复杂的题目情境。（4）群体间差异分析群体间的差异分析可以帮助学校找到在数据可视化运用方面存在困难的群体，重点帮扶。在分析中，可以发现，教师在年龄、学历、学校角色、教师教授的学段之间均存在显著差异。学校应重点帮助 50 岁以上的教师、班主任、初中教师、大专学历的教师。从学校层面来说，信息化环境越为丰富，教师的数据可视化素养越高。本研究发现教师对数据可视化的兴趣、认可数据可视化价值的程度、使用数据可视化的意识和频率与总分相关，说明改善教师的对数据可视化的态度、提升使用频率是提高数据可视化的方式。 6.4.2 提升建议针对从教师数据可视化水平的整体分析、群体分析和相关分析中得出的结论，本研究针对性的提出以下建议。从数据分析结果来看，教师数据可视化素养中表征知识层面的构建能力和内容知识层面解读能力较低。因此，可以组织学习这一方面的专业知识。而且较低层次的知识大多教师已经掌握。教师需要提升的是如何规范地使用数据，制作出更加优化、标准的数据可视化的能力以及深层次解读可视化的能力。从目前的分析结果来看，教师的数据可视化素养在年龄、学历、教师角色、学段之间存在显著差异，应对他们其中的部分群体提供帮助。同时本研究也发现不同特性的群体 83 华东师范大学硕士学位论文大多都有自己的优势能力，可以在教育教学中互相帮助，共同提升。此外，可以提高学校的整体信息化水平。信息化水平的提升不仅可以提升教师的信息化应用能力还可以提升教师对数据、信息和技术的敏感度。根据教师对数据可视化素养的兴趣、认可度和使用数据可视化的意识与数据可视化素养成正相关的结论，建议通过培训、讲座、专题学习等改善教师对数据可视化的态度和使用情况，树立起阅读和运用数据可视化的意识。 84 华东师范大学硕士学位论文第7章思考与展望本研究以中小学教师为研究对象，依据现代教育评价理念，遵循数据可视化的原则，采集切合中小学教师日常的数据和情境，进行数据可视化素养评价体系的开发、实践及验证。全文从数据可视化素养综述、中小学教师数据可视化素养的体系开发、体系中的理论模型开发、工具和分析模板等方面进行了研究，本章系统阐述了研究成果、成果的应用建议、研究创新点和不足之处，最后提出后续论文的改进方向。 7.1 研究成果 7.1.1 析出了教师数据可视化素养的测评体系的开发原则研究在对中小学教师数据可视化素养的关键内容进行了系统梳理之后，提出了教师数据可视化素养的定义与内涵，并在本研究的第 3 章提出了教师数据可视化素养测评体系的开发目标、内容、设计原则和开发流程。主要内容包括中小学教师数据可视化素养理论模型、测评工具和测评结果分析模板。设计原则包括体系的设计原则，即需要以教师发展理论为指导、遵循素养立意的原则、符合教师的日常工作。工具的设计原则包括遵循数据可视化的建构原则，素养类知识测评工具的原则：科学性、可操作性和有效性。为贴合教师角色，研究从文献中析出教师数据可视化的应用情境。最后，综合可视化素养评估、VLAT 测试、DVL 测试中的测评开发的流程，提出了教师数据可视化素养测评体系的开发流程。 7.1.2 开发了中小学教师数据可视化素养的理论模型依照设计原则，结合数据可视化素养的内容等，根据数据可视化流程模型、以往可视化素养的要素、影响图形理解的因素和教师数据素养框架（DLFT）提出了教师数据可视化素养的维度。借鉴 PISA 测试中针对素养测评的框架，确定了中小学教师数据可视化素养的框架。进一步给出中小学教师数据可视化素养中 85 华东师范大学硕士学位论文的知识层面所包含的知识点，作为下一步开发工具时的设计基础。通过两轮专家咨询对模型进行进一步的优化和和修正，确保了模型的科学性。 7.1.3 研发了中小学教师数据可视化素养评价工具根据与上述开发的教师数据可视化素养的理论模型，结合教师数据可视化素养的应用情境，形成双向细目表后，开始编撰试题。研究还采取专家咨询和试测的方式来验证测评工具的有效性，评估试题的质量，并对测试题进行了优化和修正，形成了一套质量可靠的教师数据可视化素养测评工具。在开发教师数据可视化素养测评体系中的测评工具时，笔者特别注意了数据可视化素养知识与中小学教师实际工作的联系，工具设计注重考察教师运用数据可视化知识解决具体问题的能力。测评试卷具有启发性和探索性，能够在教师日常工作中推动教师将知识内化应用到具体实践中去解决具体问题，避免死记硬背，生搬硬套。 7.1.4 分析了中小学教师数据可视化素养的水平在形成了中小学教师数据可视化素养测评工具之后，对参与试测的教师的数据进行应用分析。一方面可以作为教师数据可视化素养体系中测评结果分析的方式参考，另一方面对教师数据可视化素养的水平进行分析，并提出提升教师数据可视化素养的建议。将测评结果与教师的基本信息、对数据可视化的态度等进行了关联分析，结果发现：不同群体教师在年龄、学历、学段方面、角色方面存在显著差异。学校环境和属性也会对教师的数据可视化素养产生影响。教师数据可视化素养与兴趣、认可度和使用数据可视化的意识和频率有关。基于前期的结论和分析，为教师数据可视化素养的提升提供了可行的建议。 7.2 中小学教师数据可视化素养测评结果的应用建议 7.2.1 用于数据可视化素养的培训本研究所开发的中小学教师数据可视化素养的测评体系可用于有关数据可 86 华东师范大学硕士学位论文视化和数据素养的培训过程中。在培训开始之前，用于测评教师的水平，通过分析维度和框架内各个方面，可以精准地了解教师在数据可视化上的薄弱能力或群体。如上节所分析的结果，参评教师可能在年龄、学段和学历上会表现出差异、教师整体会在某一维度上表现欠佳。测评体系可以帮助培训者了解教师的优势和弱势，以便培训者设计更加个性化的、具有针对性的课程，提升教师培训的有效性。如助力教师信息化能力提升工程中针对教师数据可视化素养的培训。或者用于培训之后，进行横向和纵向的比较，帮助培训者了解数据可视化的培训效果。 7.2.2 用于教师的自我提升在数据丰富的时代，教师会接触到各类数据报告。该测试题可用于自测，以便帮助教师了解个人数据可视化素养的水平，对照标准进行自我评价，有意识地进行自我提升，助力教师个人专业化成长。 7.2.3 助力学校提升信息化水平学校的信息化水平不断提高要求教师拥有较高的数据素养，以便学校更好地利用信息化开展教育教学活动。本测评为想要了解教师数据可视化素养的学校，提供了数据可视化素养的测评工具，可以便捷地掌握学校教师的数据可视化素养的水平。 7.3 研究创新点本研究围绕中小学教师数据可视化素养测评展开。随着信息化、智能化地不断深入，数据、数据可视化也将不断地出现在教师的工作之中，对学校教育决策的制定、教师专业发展等方面将产生重要的影响。而当前，国内对于数据可视化素养的研究还只是作为数据素养的一部分，基于此背景，本研究的创新之处有以下两方面：在理论创新方面，研究借鉴了权威的针对素养进行测评的研究，如 PISA 和针对数据可视化素养的测评等，从知识、能力两个维度对数据可视化素养进行分 87 华东师范大学硕士学位论文解，并将可视化情境作为应用知识和能力的背景因素，开发了中小学教师数据可视化素养理论模型。该理论模型以素养为立意，强调教师在利用数据可视化和自身对教育教学的理解去解决实际具体问题时的外在表现。为以后教师数据可视化素养的测评提供参考。深入的研究可以帮助教师了解自身数据可视化水平和不足之处，也为教师数据可视化素养的培训提供理论上的指导。在工具创新方面，总结了中小学教师数据可视化的应用情境，开发了一套中小学教师的教师数据可视化素养测试题。测试题贴合教师的日常生活情境，符合教师的话语体系，关注教师的构建与解读可视化的应用能力，测评方式简单，快速，具有较高的推广价值。 7.4 不足与展望 7.4.1 研究的不足之处测评所依据的理论模型是数据可视化素养测评的重要理论指导，而工具则是实施测评的手段与方法。本研究尽力完善测评体系，使其更加全面。但在完成本项目的研究过程中，由于时间、对象的限制，本研究仍有不足，具体表现在以下两个内容上：（1）研究工具还未形成大规模的测试题库中小学教师数据可视化素养的测试题是了解教师数据可视化素养水平的重要工具。在开展该项目的过程中，因为参与测评对象数量和一套测试题的篇幅等条件限制。未能进行大规模的测试题题库的开发与验证。因此本研究成果还需要进一步的大规模的开发与验证。（2）测评还未形成常模由于研究条件的限制，测评的人数还不成一定规模，未能形成教师数据可视化素养的常模。 7.4.2 研究展望基于本研究的不足之处，为了更好地提升教师数据可视化素养，研究提出了 88 华东师范大学硕士学位论文以下未来研究可以深入研究的方向。根据研究所提出的针对中小学教师数据可视化素养测评体系的应用建议，进一步深入分析和探讨，尤其是分析其在教师培训中的应用效果，发挥该测评体系的实际效用。数据可视化在教育中的应用会更加广泛而深入，将在提质增效、减轻学生作业负担，定期检测与监管等各个方面发挥更大的作用。到时，采集到的数据会更加丰富和多样，未来会呈现出更加多元的数据之间的关系，数据可视化将会日趋复杂、丰富和动态。因此，未来针对数据可视化素养的测评，应当更加关注信息化发展给数据可视化带来新变化，随时代的发展而更新测评的具体内容。 89 华东师范大学硕士学位论文参考文献英文文献 [1] An official website of the United States government. Data Visualization Sta ndards [EB/OL].2022-3-10. https://xdgov.github.io/data-design-standards/visual -izations/. [2] Börner K, Bueckle A, Ginda M. Data visualization literacy: Definitions, conceptual frameworks, exercises, and assessments[J]. Proceedings of the National Academy of Sciences, 2019, 116(6):1857-1864. [3] Börner K, Maltese A, Balliet R N, et al. Investigating aspects of data visualization literacy using 20 information visualizations and 273 science museum visitors[J]. Information Visualization, 2016, 15(3):198-213. [4] Boy J, Rensink R A, Bertini E, et al. A principled way of assessing visualization literacy[J]. IEEE transactions on visualization and computer graphics, 2014, 20(12):1963-1972. [5] Card M. Readings in information visualization: using vision to think[M]. San Francisco: Morgan Kaufmann, 1999:10-11. [6] Chevalier F, Riche N H, Alper B, et al. Observations and reflections on visualization literacy in elementary school[J]. IEEE computer graphics and applications, 2018, 38(3):21-29. [7] Correll M, Albers D, Franconeri S, et al. Comparing averages in time series data[C]. Proceedings of the SIGCHI Conference on Human Factors in Computing Systems. 2012: 1095-1104. [8] Curcio F R. Developing Graph Comprehension. Elementary and Middle School Activities[M]. National Council of Teachers of Mathematics, Inc., 1906 Association Drive, Reston, VA 22091, 1989. 90 华东师范大学硕士学位论文 [9] DALKEY N，HELMERO．An experimental application of the Delphi method to the use of experts[J]. Management science, 1963, 9(3):455-468. [10] Few S, Edge P. Data visualization: past, present, and future[J]. IBM Cognos Innovation Center, 2007. [11] Freedman E G, Shah P. Toward a model of knowledge-based graph comprehension[C]. International conference on theory and application of diagrams. Springer, Berlin, Heidelberg, 2002:18-30. [12] Friel S N, Curcio F R, Bright G W. Making sense of graphs: Critical factors influencing comprehension and instructional implications[J]. Journal for Research in mathematics Education, 2001, 32(2):124-158. [13] González M T, Espinel M C, Ainley J. Teachers’ graphical competence[J]. Teaching statistics in school mathematics-Challenges for teaching and teacher education. Springer, Dordrecht, 2011:187-197. [14] Grammel L, Tory M, Storey M A. How information visualization novices construct visualizations[J]. IEEE transactions on visualization and computer graphics, 2010, 16(6):943-952. [15] Lee S , Kim S H , Hung Y H , et al. How do People Make Sense of Unfamiliar Visualizations?: A Grounded Model of Novice's Information Visualization Sensemaking[J]. IEEE Transactions on Visualization & Computer Graphics, 2015, 22(1):499-508. [16] Lee Sukwon,Kim SungHee,Kwon Bum Chul. VLAT: Development of a Visualization Literacy Assessment Test.[J]. IEEE transactions on visualization and computer graphics, 2017, 23(1):551-560. [17] Liu Z, Stasko J. Mental models, visual reasoning and interaction in information visualization: A top-down perspective[J]. IEEE transactions on visualization and computer graphics, 2010, 16(6):999-1008. [18] Mandinach E B, Gummer E S. What does it mean for teachers to be data literate: 91 华东师范大学硕士学位论文 Laying out the skills, knowledge, and dispositions[J]. Teaching and Teacher Education, 2016, 60: 366-376. [19] Means B, Chen E, DeBarger A, et al. Teachers' ability to use data to inform instruction: Challenges and supports[J]. Office of Planning, Evaluation and Policy Development, US Department of Education, 2011:1-122. [20] Shah P. A model of the cognitive and perceptual processes in graphical display comprehension[J]. Reasoning with diagrammatic representations, 1997:94-101. [21] Shah P, Hoeffner J. Review of graph comprehension research: Implications for instruction[J]. Educational psychology review, 2002, 14(1):47-69. [22] Shah P, Freedman E G. Bar and line graph comprehension: An interaction of top ‐ down and bottom ‐ up processes[J]. Topics in cognitive science, 2011, 3(3):560-578. [23] Shreiner T L, Dykes B M. Visualizing the teaching of data visualizations in social studies: A study of teachers’ data literacy practices, beliefs, and knowledge[J]. Theory & Research in Social Education, 2021, 49(2): 262-306. [24] Shreiner T L. Framing a model of democratic thinking to inform teaching and learning in civic education[M]. University of Michigan, 2009. [25] Van den Bosch R M, Espin C A, Chung S, et al. Data‐based decision‐making: Teachers ’ comprehension of curriculum ‐ based measurement progress ‐ monitoring graphs[J]. Learning Disabilities Research & Practice, 2017, 32(1):46-60. [26] Van Wijk J J. The value of visualization[C]. VIS 05. IEEE Visualization, 2005. IEEE, 2005: 79-86. [27] Vanhulst P, Evequoz F, Tuor R, et al. A descriptive attribute-based framework for annotations in data visualization[C]. International Joint Conference on Computer Vision, Imaging and Computer Graphics. 2018:143-166. 92 Springer, Cham, 华东师范大学硕士学位论文 [28] Vieira C, Parsons P, Byrd V. Visual learning analytics of educational data: A systematic literature review and research agenda[J]. Computers & Education, 2018, 122:119-135. [29] Wright R. Data visualization[J]. Software Studies: a lexicon, 2008, 209:78. [30] Wu Y. Singapore secondary school students’ understanding of statistical graphs[C]. 10th International Congress on Mathematics Education. Copenhagen, Denmark. 2004:1-7. 中文文献 [1] 陈为, 张嵩, 鲁爱东. 数据可视化的基本原理与方法[M].北京:科学出版社, 2013. [2] 陈志云. 数字媒体基础与实践[M].上海:华东师范大学出版社, 2020. [3] 邓烈君,王小根,王露露,范水娣.可视化教学生态化发展的知识图谱分析[J].中国远程教育,2016(12):15-21. [4] 邓正平.教导处应强化“四导”职能[J].教学与管理,2010(02):9-10. [5] 耿申.《教育规划纲要》对于德育和班主任工作的新要求[J].教育科学研究,2010(11):21-23. [6] 郭志武 . 数据可视化规范简介和构成要素探讨 [J]. 中国医院统计,2020,27(06):572-576. [7] 韩维东.教学管理人员“走课”:提高课堂教学质量的可行策略[J].湖南师范大学教育科学学报,2013,12(05):69-72. [8] 胡立如,陈高伟.可视化学习分析:审视可视化技术的作用和价值[J].开放教育研究,2020,26(02):63-74. [9] 胡中锋.教育测量与评价[M].广州:广东高等教育出版社, 2006:46. [10] 霍朝光 , 卢小宾 . 数据可视化素养研究进展与展望 [J]. 中国图书馆学报 , 2021,47(02):79-94. [11] 纪连恩,等.面向多主体的大学课程成绩相关性可视探索与分析[J].计算机辅 93 华东师范大学硕士学位论文助设计与图形学学报，2018 (1) : 45. [12] 靖士明 . 中小学教导主任角色与职责调查报告 [J]. 上海教育科研,2009(07):38-40. [13] 李枢密.发挥乡村学校班主任的三重职责[J].教学与管理,2019(32):15-16. [14] 李新,杨现民.中小学教师数据素养培训课程设计与实践研究[J].中国电化教育,2020(05):111-119+134. [15] 李艳 , 刘淑君 . 国外教师数据素养测评研究及启示 [J]. 开放教育研究,2020,26(01):37-49. [16] 李振, 周东岱, 董晓晓, 等. 我国教育大数据的研究现状、问题与对策——基于 CNKI 学术期刊的内容分析[J].现代远距离教育,2019(1): 46-55. [17] 林文广. 高等教育自学考试命题导论[M].福建人民出版社, 2005:195. [18] 林秀清,杨现民,李怡斐.中小学教师数据素养评价指标体系构建[J].中国远程教育,2020(02):49-56+75+77. [19] 刘滨,刘增杰,刘宇,李子文,陈莉,孙中贤,王莹,张一辉,赵佳盛,张红斌,刘青.数据可视化研究综述[J].河北科技大学学报,2021,42(06):643-654. [20] 刘达. 上海数学课程改革推动下的教研转型与范式生成 [J]. 中国教育学刊,2019(11):1-5. [21] 刘新平 , 张运良 . 教育统计与测评导论 . 第 3 版 [M]. 北京 : 科学出版社 , 2020:140. [22] 刘新平 , 张运良 . 教育统计与测评导论 . 第 3 版 [M]. 北京 : 科学出版社 , 2020:149. [23] 刘新平 , 张运良 . 教育统计与测评导论 . 第 3 版 [M]. 北京 : 科学出版社 , 2020:152-153. [24] 刘新平 , 张运良 . 教育统计与测评导论 . 第 3 版 [M]. 北京 : 科学出版社 , 2020:153. [25] 刘新平 , 张运良 . 教育统计与测评导论 . 第 3 版 [M]. 北京 : 科学出版社 , 2020:154. 94 华东师范大学硕士学位论文 [26] 刘新平 , 张运良 . 教育统计与测评导论 . 第 3 版 [M]. 北京 : 科学出版社 , 2020:156. [27] 刘新平 , 张运良 . 教育统计与测评导论 . 第 3 版 [M]. 北京 : 科学出版社 , 2020:159. [28] 刘新平 , 张运良 . 教育统计与测评导论 . 第 3 版 [M]. 北京 : 科学出版社 , 2020:164. [29] 刘迎春,谢年春,高瑱涛.精准教学视野下基于学习测评数据的可视化反馈研究[J].黑龙江高教研究,2020(12):39-44. [30] 卢镇岳.PISA 科学素养评估框架的启示[J].中学生物教学,2017(21):7-10. [31] 漆书青 . 略论心理和教育测量理论的发展历程 [J]. 江西师范大学学报,2001(01):94-99. [32] 邱荣槐.素养立意试题的要素特征及编制——道中考地理选择题引发的争议与思考[J].基础教育课程,2018(24):51-56. [33] 邵朝友 . 基于学科素养的表现标准研究 [M]. 上海 : 华东师范大学出版社 , 2017:67-68. [34] 沈迪修 . 二维动画设计对数字化技术的利用 [J]. 喜剧世界 ( 下半月),2020(12):70-71. [35] 沈南山,杨豫晖,宋乃庆.数学学业成就评价测查试题编制研究[J].教育研究,2009,30(09):57-63. [36] 王锐鹏.从流程视角谈优秀试卷的编制[J].教学与管理,2013,(16):83-85. [37] 薛晨红.聚焦因材施教,优化线上教学五环节[J].上海教育,2021(12):71-72. [38] 杨现民,郭利明,邢蓓蓓.区域教育大数据分析架构与展示设计研究——以江苏省 A 市为例[J].电化教育研究,2020,41(05):66-72. [39] 杨现民,骆娇娇,刘雅馨,陈世超.数据驱动教学:大数据时代教学范式的新走向 [J].电化教育研究,2017,38(12):13-20+26. [40] 杨向东 . 教育测量在教育评价中的角色 [J]. 全球教育展望,2007,No.243(11):15-25. 95 华东师范大学硕士学位论文 [41] 杨小微,徐冬青,蓝海峰,汪建华.超越当下预演，迈向未来学习——长江沿线部分地区中小学网课调研的反思与启示[J].基础教育,2020,17(03):74-80. [42] 余仙菊.多维与整合:从学习方式演变看教育测量理论的发展走向[J].学术论坛,2007,No.194(03):186-190. [43] 郁思怡.在线教育中教学五环节的新尝试[J].教育传播与技术,2020(06):45-48. [44] 喻平.数学关键能力测验试题编制:理论与方法[J].数学通报,2019,58(12):1-7. [45] 张发珍,夏秀艳,刘中学.学生日常行为管理及思想品德等级评定的改革与实践[J].山东教育科研,2001(Z2):72-76. [46] 张华.论核心素养的内涵[J].全球教育展望,2016,45(04):10-24. [47] 张开智,万向,陈亚民.关于数据大屏可视化的设计流程与发展趋势的分析研究[J].科技创新导报,2019,16(27):130-133. [48] 赵金玉. 聚焦大概念的高中生物学生命观念素养的评价体系研究[D].金华: 浙江师范大学,2020:56. [49] 赵金玉. 聚焦大概念的高中生物学生命观念素养的评价体系研究[D].金华: 浙江师范大学,2020:57. [50] 赵金玉. 聚焦大概念的高中生物学生命观念素养的评价体系研究[D].金华: 浙江师范大学,2020:58. [51] 祝智庭 , 魏非 . 面向智慧教育的教师发展创新路径 [J]. 中国教育学刊,2017(09):21-28. [52] 祝中录.小学数学中数据的种类[J].湖北教育,1995(12):36. 96 华东师范大学硕士学位论文附录附录 1 中小学教师数据可视化素养测评第一轮专家评估表尊敬的老师：您好，非常感谢您能够抽出宝贵时间参与专家论证。虽然熟悉可视化的人数在不断增加，但仍很难估计任何人阅读图表和图表的能力。考虑到，数据技能（称之为教学数据使用）必须与其他知识来源相结合，特别是内容知识和教学内容知识。因此，本研究目的在于开发教师数据可视化素养的测评体系。本测评需要各位教师专家贡献智慧，对目前本研究的教师数据可视化素养的框架和能力表述情况进行打分和修订。请各位教师专家结合自己的教学与研究经验，从以下几个方面考虑提出修改建议，并对目前各能力维度的内容适切性进行打分： 1.是否遵循客观科学、规范，不含偏见。 2.测评结果应该是发展性的，整个试题的目标是要能够指出被测者的现有水平（整体和不同维度）、优势和缺点。能够根据结果提出明确和细致的改进方向。 3.是否符合中小学教师的职业情境和要求。 4.是否符合对素养的测评。 5.对框架及其各个维度的评估请您考虑：是否包含了与测评主题相关的重要方面、是否遗漏；是否删除； 6.各个维度、知识点的描述是否表达准确、含义清晰、是否具有倾向性、双重含义。评估内容如下表所示，打分时“1”分代表这个能力对于教师的数据可视化素养而言非常不合适，“5”分代表这个能力教师的数据可视化素养非常合适。维度评估框架评估表述评估对二级维度进行评估知识维度的指标评估对三级维度进行评估 97 华东师范大学硕士学位论文对所包含知识点进行评估在前期的研究中，本研究确定了数据可视化的结构有知识和能力两大维度，知识维度将作为考察的主要内容，能力维度将作为考察的水平。第一，知识维度。影响图形理解的四个因素：图形格式、视觉特征、图表知识和内容知识。考虑到前三者有一定的交叉内容、按照简约原则，将图形格式、视觉特征和图表知识合并为表征知识。（1）表征知识：关于图表的基础知识。图形格式：不同图形格式的特点和功能。视觉特征：可视化当中的视觉特征。图表知识：关于图表的先验性知识、任务和操作过程的知识。（2）内容知识：可视化表征中包含的学科、教学及相关情境知识。学科知识：可视化中呈现的教学内容知识教学及相关情境知识：一般教学知识;课程知识;学习者的知识及其特点;教育背景知识;以及教育目的、和价值观的知识。第二，能力维度：构建：能选择或制作恰当图表呈现数据。提取：能从可视化图像中搜索和查询特定的有效信息。关联：能理解可视化图像中特定信息的关系模式（特征、规律和趋势）。解释：能完整、清晰、准确地表述数据可视化中的关键信息，并结合具体情境和相关理论对数据呈现原因进行分析。一、数据可视化素养框架评估（一）维度评估：对框架是否从下列维度出发进行评估，对适切性和概念提出修改意见。表 1 数据可视化素养知识维度适切度评估表知识维度非常不合适1 不合适2 重要程度一般3 表征知识内容知识 98 合适4 非常合适5 修改意见华东师范大学硕士学位论文表 2 数据可视化素养能力维度适切度评估表能力维度非常不合适 1 不合适 2 重要程度一般 3 合适 4 非常合适 5 修改意见构建提取关联解释表 3 数据可视化素养维度修改意见您觉得上述的维度是否有缺失、出现重叠、表述不清晰的情况，如有，请指出。请您阅读后对每一项维度的具体描述进行简单的评价和修订。如有需要修改的点，烦请您指出。表征知识维度修改意见能力知识维度修改意见（二）表述评估：表 4 为数据可视化素养的框架，该部分请对该框架进行评估，主要针对该知识维度下不同能力水平表述适切度进行打分，并对表述或其他内容提出修改意见。表 4 数据可视化素养框架知识点表征知识内容知识构建提取关联解释借助可视化工具，制作合适类型的图表、编辑可视化表征的视觉特征。能够根据任务和目的，结合具体教学情境，以恰当地方式设置图表中的标题、标签和其他文本的内容。能够结合图形格式、视觉特征、图表知识搜索和查询有效信息。能够比较与整合多元的有效信息，识别关系模式。将视觉模式解释为数据域中的关键信息。从图表中的标题、标签和其他文本信息中提取图表的关键教学信息。结合与内容相关的实践或理论知识去理解关系模式。可以结合教学经验与理论、学科教学内容等解释关系模式或问题产生的原因。表 5 框架中对该知识维度下不同能力水平表述适切度评估表知识维度图表知识内容知识能力维度的表述维度表述的合适程度非常不合适 1 不合适2 构建提取关联解释构建提取关联解释 99 一般3 合适4 非常合适5 修改意见华东师范大学硕士学位论文表 6 框架中对该知识维度下不同能力水平表述修改意见框架内容表述的整体意见您觉得上述的框架是否有缺失或出现重叠的情况，如有，请指出。请您阅读后对每一项维度的具体描述进行简单的评价和修订。如有需要修改的点，烦请您指出。二、知识维度的等级维度评估（一）二级指标评估请对框架中所包含的知识维度的二级维度的适切性和表述提出修改建议。各维度的表述如下：（1）表征知识：关于图表的基础知识。图形格式：不同图形格式的特点和功能。视觉特征：可视化当中的视觉特征。图表知识：关于图表的先验性知识、任务和操作过程的知识。（2）内容知识：可视化表征中包含的学科、教学及相关情境知识。学科知识：可视化中呈现的教学内容知识教学及相关情境知识：一般教学知识;课程知识;学习者的知识及其特点;教育背景知识;以及教育目的、和价值观的知识。表 7 知识点框架图一级维度表征知识二级维度三级维度图形格式图表类型视觉特征关于图表的知识图形元素视觉元素搜索探询操作过程知识点表格、折线图、散点图、条形图、气泡图、饼图和组合图等图的功能特征和作图要求轴、标签、标题、图例颜色、透明度、数据密度最大值、最小值、异常值、范围、分布变化、衍生值、比较、过滤、排序、相关性利用可视化工具建构可视化表征学科知识可视化中呈现的教学内容知识教学知识一般教学知识;课程知识;学习者的知识及其特点 ;教育背景知识;以及教育目的、和价值观的知识内容知识（注：专家实际打分时,表 7 还会在对二级维度、三级维度和对知识点进行打分时出现，以方便专家查看。这里只展示一次，之后便不再赘述）表 8 二级维度适切性打分表一级二级指标重要程度 100 修改意华东师范大学硕士学位论文指标表征知识内容知识非常不合适 1 不合适 2 一般3 合适4 非常合适 5 见图形格式视觉特征关于图表的知识学科知识教学知识表 9 二级维度修改意见表二级指标修改意见您觉得上述的维度是否有表述不清晰或出现重叠的情况，如有，请指出。请您阅读后对每一项能力的具体描述进行简单的评价和修订。如有需要修改的点，烦请您指出。（二）知识维度的三级维度评估请对三级指标的适切性进行评估，并提出修改建议。表 10 三级维度适切性打分表一级指标二级指标图形格式表征知识视觉特征关于图表的知识三级指标非常不合适1 重要程度不合一般合适 3 4 适2 修改意见非常合适5 图表的功能特征和作图要求图形元素视觉元素搜索探询表 11 三级维度修改意见表三级指标修改意见您觉得上述的指标是否有缺失、出现重叠、表述不清晰的情况，如有，请指出。请您阅读后对每一项维度的具体描述进行简单的评价和修订。如有需要修改的点，烦请您指出。（三）三级维度下的知识点评估该部分主要作为测试题的知识点的评估，表 12 介绍了不同知识点的考察重点。请对所包含知识点是否合适进行评估，并对考察点的设置提出建议。表 12 知识点设置打分表二级三级知识点考察点 101 非常不合重要程度不一合合般适适 3 4 2 非常合适修改意见华东师范大学硕士学位论文适 1 表格线图图形格式图表的功能特征或作图要求条形图饼图散点图气泡图搜索关于图表的知识探索操作复合图最大值最小值异常值范围分布变化衍生值比较过滤排序相关性操作过程轴视觉元素元素标签标题图例视觉特征颜色透明度 5 功能特征：适合呈现全部数据值功能特征：更适合检索趋势和交互功能特征：条形图更适合表示独立类别，比较数据值的巨大变化时作图要求：条形图应始终从零开始功能特征：促进比例判断功能特征：显示两个变量之间的强度和关系类型作图要求：标题应解释分析单位功能特征：会传达变量之间关系的强度、类型和比例组合图查找属性的最大值查找属性的最小值判断属性中的意外值判断：一个属性的范围确定某一属性在数据中分布情况等检测数据中的趋势、相似性或差异识别和计算平均数、总数、中位数。比较不同值或趋势哪些数据案例符合要求根据某一属性对数据进行排序两个不同的属性之间的关系利用可视化工具建构可视化表征用户提供重要的参考信息，以便将数据点与值关联在一起轴标题提供了有关给定轴的测量单位的情境信息数据标签显示数据点或数据类别的价值使用数据标签时，您可以省略相应的轴，以减少冗余标题可让用户清楚地了解数据可视化的内容标题应是水平、内容简短、可读识别数据可视化中各种元素的含义功能特征：不同的颜色会引起人们对数据中一个关键点的关注功能特征：不同透明度可以表征数据值之间的大小和位置关系表 13 知识点的设置的整体修改意见知识点设置修改意见您觉得上述的知识点及其考察点是否有缺失、出现能力重叠、表述不清晰的情况，如有，请指出。请您阅读后对知识点的具体描述进行简单的评价和修订。如有需要修改的点，烦请您指出。 102 华东师范大学硕士学位论文附录 2 中小学教师数据可视化素养理论模型第二轮专家评估表尊敬的老师：您好，非常感谢您能够抽出宝贵的时间参与第二轮专家咨询。本测评需要各位专家贡献智慧，对第一轮修订后的教师数据可视化素养的框架进行评估。请各位专家结合自己的教学与研究经验，对目前框架内容适切性进行评估并提出修改建议。该评估表包括四大部分。第一部分，对框架进行评估；第二部分，对指标进行评估；第三部分，对知识点进行评估；第四部分，填写您的基本信息。在每部分的评估前我会向您说明所要评估的内容，之后，您可在其后的评估表内，填写相应的得分和修改意见。打分采用五级量表，“1”分代表评估内容非常不合适，“5”分代表评估内容非常合适。您可从以下几个方面考虑：第一，理论模型是否客观、科学、规范并不含偏见。第二，测评结果应该是发展性的，测试的目标是能够指出被测者的现有水平、优势和不足。能够根据测试结果提出明确而细致的改进方向。第三，测评是否符合中小学教师的职业情境和要求。第四，测评是否可以达到对“素养”进行测评的要求。第五，对框架及其各个维度的评估是否涵盖了与测评主题相关的重要方面；是否有遗漏或多余。第六，测评当中的框架、指标和知识点等描述是否表达准确、含义清晰、含倾向性或具有多重含义等问题。现在正式开始评估。一、框架评估第一部分为框架评估，包括对一级维度、二级维度和三级维度的评估。（一）一级维度的评估说明：一级维度包括知识维度和能力维度。其中，知识维度是指在构建和解读可视化表征的过程中，所用到的基础知识。能力维度是指构建和解读可视化的能力。请您根据以上说明，对一级维度进行评估：表 1 一级维度评估表适切程度一级维度 1 2 3 4 修改意见 5 知识维度能力维度 103 华东师范大学硕士学位论文（二）二级维度的评估说明：知识维度的二级维度包括有表征知识和内容知识。其中，表征知识是指：关于图表的基础知识。内容知识是指可视化表征中包含的学科、教学及相关情境知识，以及解释信息所需要的教学知识。能力维度的二级维度包括有构建和解读。其中，构建是指能够选择或制作恰当的图表呈现数据，解读是指读取和解释图、图之间和图之外的信息。请您根据以上说明，对二级维度进行评估：表 2 数据可视化素养二级知识维度适切度评估表知识维度 1 2 适切程度 3 4 5 修改意见表征知识内容知识表 3 数据可视化素养二级能力维度适切度评估表能力维度 1 适切程度 2 3 4 修改意见 5 构建解读表 4 其他修改意见如您觉得上述内容还存在其他问题，请指出。知识维度的其他修改意见能力维度的其他修改意见（三）三级维度的评估说明：二级知识维度“表征知识”包括图形格式、视觉特征、图表中的统计知识。其中，图形格式是指不同格式可视化表征的特点和功能。视觉特征是指可视化表征中的视觉元素，图表中的统计知识是指图表中的统计学任务。二级知识维度“内容知识”包括教学知识。教学知识是指一般教学常识、教学法、学习者特征、教学规律等与教育教学相关的知识。二级能力维度“构建”包括选择、处理和制作。其中，选择是指根据原始数据和分析任务选择恰当的图表类型。处理是指对原始数据进行规范化和合理化处理使其能够制图。制作是指能够使用可视化工具制作图表，根据分析任务编辑图表元素或视觉特征，进行美化。 104 华东师范大学硕士学位论文二级能力维度“解读”包括提取、关联、解释。其中，提取是指能从可视化表征中识别与判断特定的有效信息。关联是指能从可视化表征中比较与整合多样信息并推断出特定的数据关系与趋势。解释是指结合具体情境和相关理论对特定的数据关系与趋势进行合理化分析与推理。请您根据以上说明，对三级维度进行评估：表 5 知识维度三级维度评估表二级维度表征知识内容知识构建解读三级维度 1 适切程度 2 3 4 5 1 内涵表述 2 3 4 5 修改意见图表类型视觉特征图表中的统计知识教学知识选择处理制作提取关联解释表 6 其他修改意见如您觉得上述内容还存在其他问题，请指出。知识维度的其他修改意见能力维度的其他修改意见（四）指标评估：接下来，将进行第二部分的评估。该部分主要对数据可视化素养的指标进行评估。说明：该指标体系如下表所示。知识维度为横轴，能力维度为纵轴。各单元格包含对各指标的具体描述。表 7 框架下的具体指标描述维度选择构建处理制作表征知识根据原始数据的类型（定量、定性）、属性、分析任务或目的选择恰当的可视化工具和图表类型。将原始数据进行转换、构造，以备制图。制作图表并编辑图表的元素、视觉特征等。内容知识依据情境，选择要呈现的学生、学生群体、主题领域、课程或教学方面的问题，在图表类型中选择恰当的图表。根据分析任务，将原始数据转换、重构为可理解的目标数据。根据分析任务，校准可视化表征，突出关键信息，避免认知偏差。 105 华东师范大学硕士学位论文提取解关联读解释结合图形类型、视觉特征、图表中的统计知识提取有效信息。比较与整合多样的有效信息，识别数据关系和趋势。通过图中情境对数据关系和趋势进行合理化分析。从图表和文本信息中提取图表的关键教学信息。结合与内容相关的实践或理论知识去分析数据关系和趋势。根据相关理论和经验对特定的数据关系与趋势进行合理化分析与推理。请您根据以上说明，对各个指标的描述的适切性进行评估。第一列“指标” 的编号与中各指标前的编号一一对应。表 8 指标描述适切性评估表指标 1 2 适切程度 3 4 修改意见 5 1 2 3 4 5 6 7 8 9 10 11 12 表 9 指标表述的其他修改意见如您觉得上述内容还存在其他问题，请指出。二、知识维度包含知识点的适切性评估说明：研究将知识维度所包含的知识点进行了梳理。该部分您将对知识维度下的所包含的知识点的适切性进行评估。表 10 和表 11 将作为评估时的参考资料。表 10 为知识维度所包含的具体知识点，展示了不同维度所包含的知识点。表 11 则向您说明不同知识点所要考察的具体内容。表 10 知识维度所包含的具体知识点一级维度二级维度图表类型表征知识视觉特征图表中的统计知识内容知识教学知识具体知识点表格、折线图、散点图、条形图、气泡图、饼图和组合图等图的功能特征和作图要求轴、标签、标题、图例颜色、透明度、数据密度极值、异常值、范围、分布变化、衍生值、比较、过滤、排序、相关性能够运用中教学常识、各类工作场景等知识分析图表包 106 华东师范大学硕士学位论文含的情境和任务；能够运用教学知识，包括教学法、学习者特征、教学规律等教学知识探讨图表数据关系和趋势等信息。表 11 知识点所对应的考察内容知识点表格折线图条形图饼图散点图气泡图组合图极值异常值范围分布变化衍生值比较过滤排序相关性轴标签标题图例颜色考察内容表格的功能特征：适合呈现全部数据值。表格的作图要求：表格需要包括数据名称。折线图的功能特征：适合检索趋势和交互。折线图的作图要求：如果有多条线，则标识每条线。条形图的功能特征：条形图更适合表示独立类别，比较数据值的巨大变化。条形图的作图要求：条形图应始终从零开始。饼图的功能特征：促进比例判断。饼图的作图要求：要直接包含图例或标签；最好有序排列。散点图的功能特征：显示两个变量之间的强度和关系类型。散点图的作图要求：标题应解释分析单位。气泡图的功能特征：会传达变量之间关系的强度、类型和比例。气泡图的作图要求：切勿使小的气泡被覆盖。构建和解读组合图查找属性的最大值、最小值。判断属性中的意外值。判断一个属性的范围。确定某一属性在数据中分布情况。检测数据中的趋势、相似性或差异。识别或计算平均数、总数、中位数等统计值。比较不同值或趋势。判断哪些数据案例符合要求。根据某一属性对数据进行排序。判断和分析两个不同的属性之间的关系。轴的作用：是用户提供重要的参考信息，以便将数据点与值关联在一起。轴标题的作用：提供了有关给定轴的测量单位的情境信息。数据标签的作用：显示数据点或数据类别的价值。标题的作用：标题可让用户清楚地了解数据可视化的内容。图例的作用：识别数据可视化中各种元素的含义。颜色的作用：不同的颜色会引起人们对数据中某一个关键点的关注。不同颜色的透明度可以表征数据之间的大小和位置关系。现在，请您根据以上说明，对三级维度下的所包含的知识点的适切性进行评估。表 12 知识维度所包含的知识点评估表修改三级维度适切程度具体知识点意见 1 图表类型表格、折线图、散点图、条形图、气泡图、饼图和组合图等图的功能特征和作图要求 107 2 3 4 5 华东师范大学硕士学位论文轴、标签、标题、图例视觉特征颜色、透明度、数据密度图表中的统计知识教学知识极值、异常值、范围、分布变化、衍生值、比较、过滤、排序、相关性能够运用中教学常识、各类工作场景等知识分析图表包含的情境和任务；能够运用教学知识，包括教学法、学习者特征、教学规律等教学知识探讨图表数据关系和趋势等信息。表 13 知识点的其他修改意见如您觉得上述内容还存在其他问题，请指出。基本信息 1. 请填写以下信息。您的性别是（）。您的学历是（）。您的职称是（）。 2. 您做出以上判断的依据是（） A.参考相关理论资料 B.从事相关实践活动 C.直觉感知 D.其它 3. 您对以上内容的熟悉程度是（） A.非常不熟悉 B.不太熟悉 C.熟悉 D.比较熟悉 E.非常熟悉评估到此结束。十分感谢您的宝贵建议，祝您工作顺利! 108 华东师范大学硕士学位论文附录 3 中小学教师数据可视化素养测试卷（试测版 1 节选）一、数据可视化基础题示例 1.（单选）下列哪种图表可以表示学生能力随时间的发展变化。（） A.折线图（正确答案） B.条形图 C.饼图 D.环图 2.（判断）在用柱状图可视化呈现每个年级的人数时，需要先将学生按年级归类。（对） 3.（判断）在评估初一各班各学科的平均教学质量时，可以不考虑个别缺考学生的数据。（对） 4. 下图是某个学校，课后延时服务期间学生参加各个社团的人数，图中（）是制作图表过程中必须要补充的。 A.图例 B.数据标签 C.坐标轴 D.图表标题（正确答案） 5.（单选）下图是在线学习时小明观看视频时长与次数的统计图，不规范的地方是：（） 109 华东师范大学硕士学位论文 A.标题 B.所选统计图的类别 C.坐标轴及名称（正确答案） D.图例二、情境题示例情境一：学期末，班主任李老师要组织召开家长会，向家长介绍本学期的班级教学和学生表现情况，在准备过程中，李老师想利用迟到早退、出操、卫生、板报和课堂纪律等数据对全班同学的表现进行展示汇报，请您帮助李老师解决他遇到的以下问题：班级教学与学生表现情况统计表出操卫生板报迟到早退课堂纪律（得分）（得分）（得分）（扣分）（扣分） 38 50 8 -2 -3 第1周第2周 43 45 9 -3 -7 第3周 39 30 7 2 -5 … … … … … … 46 45 6 -4 -2 第16周注释：出操、卫生每天检查一次，每次满分 10 分。板报每周检查一次，每次满分 10 分。迟到早退与课堂纪律每天检查一次，每次最多扣 10 分。时间 1.（单选）李老师想在一副图中展示上表中所有方面的变化情况，可以选用什么类型的图表？（） A.折线图（正确答案） B.直方图 C.雷达图 110 华东师范大学硕士学位论文 D.散点图 2.（单选）在制作图表之前，对数据进行的处理，以下说法错误的是（） A.如果出操、卫生、板报的满分是不一样的，那么它们的得分差异不具有可比性，除非进行标准化处理。 B.如果想展示一个学期以来上表中所有方面的水平，需要计算各方面的平均分。 C.表中“迟到早退”一列存在异常数据，可以将异常值剔除。 D.需把上表中的负数全部转换为正数，以便得到班级每周的整体表现。（正确答案） 3.（单选）李老师想展示班级每周卫生表现情况，制作图表时，下列坐标轴的最优取值范围是（） A.0~10 B.-20~20 C.0~50 （正确答案） D.-50~50 情境三：期中考试结束以后，王老师对高一（3）班化学考试成绩进行分析。他收集了班级整体和整个高一年级在各个章节内容的考试数据以及在基础题、中档题和难题三个难度水平的考试数据。王老师想了解班级与年级在知识掌握上的差距，请你帮助他提取并分析下列图表中所包含的信息。 111 华东师范大学硕士学位论文 4.（单选）王老师查看了本班学生在各章节的得分情况，下列选项是他提取出的信息，正确的是（）。 A. 高一（3）班在“金属及其化合物”方面的得分率最高。 B. 高一（3）班在各章节内容的得分率范围为 0.4-0.8。 C. 高一（3）班各章节得分率皆低于年级得分率。 D. 高一（3）班在“化学物质及其变化”方面的掌握最差。 5.（单选）下列关于本班学生和全年级学生在各章节内容的掌握情况，错误的是（）。 A. 高一（3）班在“化学实验基本方法”方面的得分率最接近年级整体得分率。 B. 高一（3）班各方面得分的均衡性比全年级差。 C. 相对来讲，该年级最需要提高的章节是“非金属及其化合物”。 D. 该年级只有在“化学实验基本方法”章节的得分率优于全年级。 6.（单选）基于以上两幅图，王老师得出以下结论，其中推断合理的是（）。 A. 高一（3）班下半学期应该将难题作为提分的重点。 B. 班级与年级在中档题得分率差异主要来源于“化学实验基本方法”的得分率差异。 C. 非金属及其化合物”章节的内容一定比“金属及其化合物”章节的内容难。 D. 由于缺少必要的条件，无法得出上述三个选项的结论。 112 华东师范大学硕士学位论文附录 4 中小学教师数据可视化素养测试卷（试测版 2 节选）一、数据可视化基础题示例 1.（单选）下列哪种图表可以表示学生能力随时间的发展变化？ A. 折线图（正确答案） B. 饼图 C. 条形图 D. 环形图 2.（单选）下图是某个学校课后延时服务期间学生参加各个社团的人数，图中（）是制作图表过程中必须要补充的。 A. 图例 B. 数据标签 C. 坐标轴 D. 图表标题（正确答案） 113 华东师范大学硕士学位论文二、请根据下列情境题示例情境一：班主任李老师要在学期末的家长会上向家长介绍本学期的学生表现情况，要用到出操、卫生、板报、迟到早退和课堂纪律等方面的数据，如下表所示。注：出操、卫生每天检查一次，每次满分 10 分。板报每周检查一次，每次满分 10 分。迟到早退与课堂纪律每天检查一次，每次最多扣 10 分。请您帮助李老师解决他遇到的以下问题： 3.（单选）李老师想在一副图中展示上表中所有方面的变化趋势，可以选用什么类型的图表？ A. 折线图（正确答案） B. 直方图 C. 雷达图 D. 散点图 4.（单选）在制作图表之前，需要对数据进行处理，以下说法错误的是（）。 A. 如果“出操”、“卫生”、“板报”的满分是不一样的，那么它们的得分差异不具有可比性，除非进行标准化处理。 B. 如果想展示一个学期以来上表中所有方面的水平，需要计算各方面的平均分。 C. 表中“迟到早退”一列存在异常数据（如扣分出现正数），可以将异常值剔除。 D. 需把上表中的负数全部转换为正数，以便得到班级每周的整体表现。（正 114 华东师范大学硕士学位论文确答案） 5.（单选）李老师想展示班级每周“卫生”表现情况，制作图表时，下列坐标轴的最优取值范围是（）。 A. 0~10 B. -20~20 C. 0~50 （正确答案） D. -50~50 115 华东师范大学硕士学位论文附录 5 试测基本信息调查基本信息请在相应的○上打√。 1.您的性别是？ [单选题] ○男 ○女 2.您的年龄是？ [单选题] ○20 岁以下 ○21-30 岁 ○31-40 岁 ○41-50 岁 ○50 岁及以上 3.您的教龄为？ [单选题] ○1-2 年（不足两年） ○2-3 年（不足三年） ○3-4 年（不足四年） ○5-8 年（不足八年） ○8 年及以上 4.您所属学校的形式是？ [单选题] ○公立 ○私立 5.您的学历是？ [单选题] ○高中 ○大专 ○本科 ○硕士及以上 6.您所教学的学段是？ [单选题] ○幼儿园 ○小学 ○初中 ○高中 ○其他 7.您主要任教的学科是？ [单选题] ○语文 ○数学 ○英语 ○地理 ○历史 ○政治 ○物理 ○化学 ○生物 ○信息技术 ○科学技术 ○通用技术 ○劳动技术 ○美术 ○道法 ○幼儿园 8.您的职称是？ [单选题] ○未评级 ○初级教师 ○中级教师 ○高级教师 ○正高级教师 9.您在学校中的角色是？ [单选题] ○普通教师 ○班主任 ○年级组长或教研组长 ○学校中层（教务主任、科研主任） ○学校领导（正副校长） 10.您所在的学校属于？ [单选题] ○市级教育信息化应用标杆培育校 ○区级教育信息化应用标杆培育校 116 华东师范大学硕士学位论文 ○两者皆是 ○两者皆非 11.您最常使用的信息化教学环境是？ [单选题] ○多媒体教学环境（即有多媒体设施设备支持的环境） ○混合学习环境（即有网络、移动或智能等设备支持的环境） 12.您是否参加过数据可视化素养的培训？ [单选题] ○是 ○否 13.您是否对数据可视化应用于教学感兴趣？ [单选题] ○非常感兴趣 ○比较感兴趣 ○一般 ○比较不感兴趣 ○完全不感兴趣 14.您对认为数据可视化对教育教学的价值？ [单选题] ○非常大 ○比较大 ○一般 ○比较小 ○非常小 15.您在工作中有用数据可视化（用数据制成的图、表）的意识？ [单选题] ○非常强烈 ○比较强烈 ○一般 ○比较薄弱 ○非常薄弱 16.您在工作中有用到数据可视化（用数据制成的图、表）？ [单选题] ○几乎每天都会用到 ○很多时候会用到 ○一般 ○很少情况下用到 ○几乎不会用到 17.您用到数据可视化的场景是什么？请您简单描述一下 [多选题] □日常教学工作（上课、备课） _________________ □非教学事务：如学校日常事务等） _________________ □还未使用过 117 华东师范大学硕士学位论文附录 6 中小学教师数据可视化素养测试工具节选一、数据可视化基础题。请根据题项的描述做出正确的选择或判断。 1.（单选）下列对图表特点描述错误的表述是（）？ A. 柱形图--通过柱高等展现某个变量的大小 B. 散点图--散点图用来表示相关性时，数据量越大，效果越明显 C. 雷达图--维度数大于 15 时不利于进行对比 D. 气泡图--通过 x 轴、y 轴和气泡的颜色来展示三个变量之间的关系（正确答案） 2.（单选）在评估初一各班各学科的平均教学质量时，可以不考虑个别缺考学生的数据。 A. 对（正确答案） B. 错 3.（单选）下图是某个学校课后延时服务期间学生参加各个社团的人数，图中（）是制作图表过程中必须要补充的。 118 华东师范大学硕士学位论文 A. 图例 B. 数据标签 C. 坐标轴 D. 图表标题（正确答案） 4.（单选）下图是在线学习时小明观看视频时长与讨论次数的统计图，不规范的地方是：（）。 A. 标题 B. 所选图表类别 C. 坐标轴名称（正确答案） D. 图例二、请根据下列情境，回答问题。情境一：班主任李老师要在学期末的家长会上向家长介绍本学期的学生表现情况，要用到出操、卫生、板报、迟到早退和课堂纪律等方面的数据，如下表所示。 119 华东师范大学硕士学位论文注：出操、卫生每天检查一次，每次满分 10 分。板报每周检查一次，每次满分 10 分。迟到早退与课堂纪律每天检查一次，每次最多扣 10 分。请您帮助李老师解决他遇到的以下问题： 5.（单选）李老师想在一副图中展示上表中所有方面的变化趋势，可以选用什么类型的图表？ A. 折线图（正确答案） B. 直方图 C. 雷达图 D. 散点图 6.（单选）在制作图表之前，需要对数据进行处理，以下说法错误的是（）。 A. 如果“出操”、“卫生”、“板报”的满分是不一样的，那么它们的得分差异不具有可比性，除非进行标准化处理。 B. 如果想展示一个学期以来上表中所有方面的水平，需要计算各方面的平均分。 C. 表中“迟到早退”一列存在异常数据（如扣分出现正数），可以将异常值剔除。 D. 需把上表中的负数全部转换为正数，以便得到班级每周的整体表现。（正确答案） 7.（单选）李老师想展示班级每周“卫生”表现情况，制作图表时，下列坐标轴的最优取值范围是（）。 A. 0~10 120 华东师范大学硕士学位论文 B. -20~20 C. 0~50（正确答案） D. -50~50 情境三：期中考试结束以后，王老师要对高一（3）班化学考试成绩进行分析。他收集了班级整体和整个年级在各章节内容以及在不同难度水平上的得分率。王老师想了解班级与年级的差距，请您帮助他提取并分析下列图表中所包含的信息。 8.（单选）王老师查看了高一（3）班在各章节的得分情况，下列选项是他提取出的信息，正确的是（）。 A. 高一（3）班在“金属及其化合物”方面的得分率最高。 B. 高一（3）班在各章节内容的得分率范围为 0.4-0.8。 C. 高一（3）班各章节得分率皆低于年级得分率。 D. 高一（3）班在“化学物质及其变化”方面的掌握最差。（正确答案） 9.（单选）下列关于高一（3）班和全年级学生对各章节内容的掌握情况，错误的是（）。 A. 高一（3）班在“化学实验的基本方法”方面的得分率最接近年级整体得 121 华东师范大学硕士学位论文分率。 B. 高一（3）班各方面得分的均衡性比全年级差。 C. 相对来讲，该年级最需要提高的章节是“非金属及其化合物”。（正确答案） D. 高一（3）班只有在“化学实验基本方法”章节的得分率优于全年级。 10.（单选）基于以上两幅图，王老师得出以下结论，其中推断合理的是（）。 A. 高一（3）班下半学期应该将难题作为提分的重点。 B. 高一（3）班与年级在中档题得分率差异主要来源于“化学实验基本方法” 的得分率差异。 C. 非金属及其化合物”章节的内容一定比“金属及其化合物”章节的内容难。 D. 由于缺少必要的条件，无法得出上述三个选项的结论。（正确答案）基本信息请在相应的○上打√。 1.您的性别是？ [单选题] ○男 ○女 2.您的年龄是？ [单选题] ○20 岁以下 ○21-30 岁 ○31-40 岁 ○41-50 岁 ○51 岁以上 3.您的教龄为？ [单选题] ○1-2 年（不足两年） ○2-3 年（不足三年） ○3-4 年（不足四年） ○4-8 年（不足八年） ○8 年及以上 4.您所属学校的形式是？ [单选题] ○公立 ○私立 5.您的学历是？ [单选题] ○高中 ○大专 ○本科 ○硕士及以上 6.您所教学的学段是？ [单选题] ○小学 ○初中 ○高中 ○其他 122 华东师范大学硕士学位论文 7.您主要任教的学科是？ [单选题] ○语文 ○数学 ○英语 ○地理 ○历史 ○政治 ○物理 ○化学 ○生物 ○信息技术 ○科学技术 ○通用技术 ○劳动技术 ○美术 ○道法 ○音乐 ○体育 ○其他 8.您的职称是？ [单选题] ○未评级 ○初级教师 ○中级教师 ○高级教师 ○正高级教师 9.您在学校中的角色是？ [单选题] ○普通教师 ○班主任 ○年级组长或教研组长 ○学校中层（教务主任、科研主任） ○学校领导（正副校长） 11.您最常使用的信息化教学环境是？ [单选题] ○多媒体教学环境（即有多媒体设施设备支持的环境） ○混合学习环境（即有网络、移动或智能等设备支持的环境） 12.您是否参加过数据可视化素养的培训？ [单选题] ○是 ○否 13.您是否对数据可视化应用于教学感兴趣？ [单选题] ○非常感兴趣 ○比较感兴趣 ○一般 ○比较不感兴趣 ○完全不感兴趣 14.您对认为数据可视化对教育教学的价值？ [单选题] ○非常大 ○比较大 ○一般 ○比较小 ○非常小 15.您在工作中有用数据可视化（用数据制成的图、表）的意识？ [单选题] ○非常强烈 ○比较强烈 ○一般 ○比较薄弱 ○非常薄弱 16.您在工作中有用到数据可视化（用数据制成的图、表）？ [单选题] ○几乎每天都会用到 ○很多时候会用到 ○一般 ○很少情况下用到 ○几乎不会用到 17.您用到数据可视化的场景是什么？请您简单描述一下 [多选题] □日常教学工作（上课、备课） _________________ □非教学事务：如学校日常事务等） _________________ □还未使用过 123 华东师范大学硕士学位论文附录 7 中小学教师数据可视化素养测评体系应用分析模板一、整体情况分析测试卷共 22 道题目，一道题 1 分，满分 22 分。此次参与测试的教师为 XX 人，教师平均得分 XX 分，标准差 XX 分，最高分 XX 分。平均做题时间为 XX 分钟，在正常做题时间范围内。平均正确率为 XX%。（一）各维度情况分析表 1 各维度得分情况一级维度知识维度二级维度表征知识内容知识构建能力维度平均分满分 10 12 12 解读得分率 12 图1 框架分析的模拟图（二）素养框架得分情况下表是数据可视化素养的理论框架，为知识维度和能力维度的关联表，展示了框架下不同指标的具体内容和得分率。可以看出，……。表2 教师数据可视化素养理论框架维度构建选择表征知识根据原始数据的类型（定量、定性）、属性、分析任务或目的选择恰当的可视化工具和图表类型。得分率内容知识依据情境，选择要呈现地有价值的教与学问题，明确数据之间的关系，在图表类型中选择恰当的图表。 124 得分率华东师范大学硕士学位论文处理制作提取解读对原始数据进行规范化和合理化精简、转换、使其能够成为制图的可理解的数据。根据可视化设计的原则，制作图表并编辑图表的元素、视觉特征等。结合图形类型、视觉特征、图表中的统计知识能够进行诸如识别图的类型、元素、极值；区分类别和交集；进行基础统计量的计算从而生成信息等认知任务，进而提取数据信息。关联理解单图之内的或多图之间的关系、比较与整合可视化当中多样的有效信息，关联数据关系、趋势，得出结论。解释认识到创建图形涉及对原始数据的解释，通过可视化中情境和信息对数据关系、趋势或现象进行合理化分析。根据分析任务，确定、转换或重构为可理解的数据。根据分析内容的目标和特征，校准可视化表征，利用视觉逻辑表达突出关键信息，避免认知偏差。结合图表和文本信息，理解数据含义，识别和提炼能够解决情境问题最重要的信息。结合与内容相关的实践或理论知识以某种有意义的方式去分析数据之间相关关系和信息、趋势，组合数据来整合数据和信息，从而进行有意义的决策或推断教学信息或情境中存在的教学问题，以形成关于可视化表征中所呈现现象的假设。根据相关理论和经验对特定的数据关系与趋势进行合理化分析与推理，阐明推论和结论，试图解释其行为、表现或情况发生的原因。（三）各小题得分情况分析下表展示了不同题目的正确率，可供各教师对照参考。表 3 各小题正确率统计表题目 1 2 3 4 5 6 7 8 9 10 11 正确率题目 12 13 14 15 16 17 18 19 20 21 22 正确率二、群体差异分析表 4 教师数据可视化素养差异分析汇总表变量性别年龄类别人数（人）女男 20岁以下 21-30岁 31-40岁 125 平均分（分）是否存在显著差异华东师范大学硕士学位论文 41-50岁 51岁以上 1-2年 2-3年任教时间学历职称在学校中的角色任教学科学段学校信息化环境以往是否参与过培训 3-4年 4-8年 8年及以上高中大专本科硕士及以上未评级初级教师中级教师高级教师正高级教师普通教师班主任年级组长或教研组长学校中层（教务主任、科研主任）学校领导（正副校长）语文数学英语地理历史政治物理化学生物信息技术科学技术通用技术劳动技术美术道法音乐体育其他小学初中高中多媒体教学环境混合学习环境是否 126 华东师范大学硕士学位论文表 5 不同教师的态度与经验和数据可视化素养总分之间的相关性分析表变量对数据可视化的兴趣认可数据可视化对教育教学的价值在工作中有用数据可视化的意识在工作中有用到数据可视化类别人数（人）非常感兴趣比较感兴趣一般比较不感兴趣完全不感兴趣非常大比较大一般比较小非常小非常强烈比较强烈一般比较薄弱非常薄弱几乎每天都会用到很多时候会用到一般很少情况下用到几乎不会用到 127 平均分（分）变量与总分之间的相关性华东师范大学硕士学位论文致谢我的求学生涯至此要告一段落。回顾其中，有很多的感慨。感谢时光给予的一切。感谢我的导师闫寒冰教授。可以成为闫老师的学生是我的幸运。在学习中，不断感受到闫老师的为人师表的魅力、扎实的学识与能力，成为我的学习的榜样。在做老师课程助教的期间，老师也给我了很多的鼓励与肯定。三年期间，老师也会经常询问关心我的学习和生活，毕业找工作期间，更是给予很多关心。平时经常给我答疑解惑，给予我很多的教诲。感谢老师撰写毕业论文期间的指导和帮助。非常高兴能够成为闫老师的学生，感谢老师三年来的帮助。有幸加入到闫传身教的团队，成为有爱的大家庭的一员。感谢师兄师姐三年来对我的照顾，不厌其烦的帮我，鼓励我。你们的耐心热情的帮助与包容让我的校园生活更加温暖。感谢我华东师范大学开放教育学院教师培训部的教师，应邀成为专家后，以专业的角度提出建议。感谢参与到这项研究的各位中小学教师，他们的认真作答，帮助验证了测评工具的效果。感谢彭红超老师、汪维富师兄、欧阳慧英、杨淑婷在研究过程中，提出的各种修正建议。非常感谢大家耐心的参与和专业的建议。感谢我的研究生同学，在学习上的无私帮助。感谢我的室友们，在遇到挫折和失败时我们互相鼓励。感谢一直以来的支持我求学的家人。你们的支持，成为我坚持下去的动力和源泉。感谢华东师范大学，提供了一个可以奋斗、勤学的一方天地。美丽的校园、静谧的图书馆，我留下了美好的校园回忆。求实创造为人师表的校训将激励我前行。 128 华东师范大学硕士学位论文攻读硕士学位期间所取得的科研成果 [1] Qin Y, Yan H. A Study on Pre-Service Teachers' Self-Efficacy and Satisfaction with Online Cooperative Inquiry Course during the COVID-19 Pandemic[C]//Society for Information Technology & Teacher Education International Conference. Association for the Advancement of Computing in Education (AACE), 2021: 239-245. [2] Qin Y, Yan H. Practice Project-based learning in blended learning to Improve the Teaching Design Ability of Normal University Students[C]//Society for Information Technology & Teacher Education International Conference. Association for the Advancement of Computing in Education (AACE), 2021: 624-629. [3] 柳立言,秦雁坤,闫寒冰.信息化促进教育公平典型案例分析：基于可持续发展的视角 [J]. 电化教究,2021,42(05):32-39.DOI:10.13811/j.cnki.eer.2021.05.005. 129 育研

中小学教师数据可视化素养测评体系研究秦雁坤

Products

Support

中小学教师数据可视化素养测评体系研究 秦雁坤

Add this document to collection(s)

Add this document to saved

Suggest us how to improve StudyLib

中小学教师数据可视化素养测评体系研究秦雁坤