龔大胃 麥陳淑賢 金 檀 劉 力

（香港教育學(xué)院，香港，999077；香港中文大學(xué)，香港，999077；樹童國(guó)際語言教育研究院，廣州，511400；香港中文大學(xué)，香港，999077）

香港考試及評(píng)核局（Hong Kong Examinations and Assessment Authority，簡(jiǎn)稱為HKEAA）于2012年在香港公開考試中開始大規(guī)模實(shí)施網(wǎng)上評(píng)卷（Onscreen Marking，簡(jiǎn)稱為OSM），以此取代傳統(tǒng)的紙質(zhì)評(píng)卷方式（Paper-based Marking，簡(jiǎn)稱為PBM）。網(wǎng)上評(píng)卷是指運(yùn)用計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)和電子掃描技術(shù)將紙質(zhì)答卷掃描生成圖像，客觀題由計(jì)算機(jī)對(duì)考生填涂的信息點(diǎn)比對(duì)標(biāo)準(zhǔn)答案自動(dòng)給分，主觀題通過網(wǎng)絡(luò)隨機(jī)分派給各終端的評(píng)卷教師進(jìn)行評(píng)閱（趙建寧、厲浩2012）。

本文系統(tǒng)綜述香港考試及評(píng)核局針對(duì)網(wǎng)上閱卷實(shí)施情況所開展的一系列驗(yàn)證性研究，主要分為以下三個(gè)部分：首先，簡(jiǎn)要回顧網(wǎng)上評(píng)卷在國(guó)際上的實(shí)施背景及其研究現(xiàn)狀；其次，基于國(guó)際背景，從香港視角縱覽網(wǎng)上評(píng)卷的實(shí)施過程，并系統(tǒng)梳理針對(duì)香港中學(xué)會(huì)考（Hong Kong Certificate of Education Examination，簡(jiǎn)稱為HKCEE）英文科目網(wǎng)上評(píng)卷所開展的實(shí)證研究。最后，總結(jié)香港網(wǎng)上評(píng)卷的實(shí)踐經(jīng)驗(yàn)，并展望日后網(wǎng)上評(píng)卷的研究方向。

1.網(wǎng)上評(píng)卷實(shí)踐：國(guó)際視角

1.1 研究背景

雖然研究者和測(cè)試開發(fā)者對(duì)網(wǎng)上評(píng)卷的實(shí)施所持意見仍褒貶不一，但大規(guī)模公開考試中使用網(wǎng)上評(píng)卷的優(yōu)點(diǎn)已顯而易見。因此，國(guó)際范圍內(nèi)諸多研究者都致力于考查網(wǎng)上評(píng)卷的實(shí)施情況。

英國(guó)劍橋大學(xué)考試委員會(huì)（Cambridge Assessment）投資數(shù)百萬英鎊同英國(guó)RM 國(guó)際教育公司簽訂合同開發(fā)網(wǎng)上評(píng)卷系統(tǒng)。在2011至2014年期間，RM公司將向劍橋考試委員會(huì)旗下的三個(gè)公開考試部門提供網(wǎng)上評(píng)卷服務(wù)：牛津、劍橋和英國(guó)皇家藝術(shù)學(xué)會(huì)考試局（Oxford Cambridge and RSA Examinations，簡(jiǎn)稱為OCR）、劍橋大學(xué)國(guó)際考試部（University of Cambridge International Examinations）以及劍橋大學(xué)英語考試部（Cambridge ESOL）。與此同時(shí)，北愛爾蘭教學(xué)大綱、考試與評(píng)估委員會(huì)（The Council for Curriculum，Examination and Assessment）也表達(dá)了在其公開考試中大規(guī)模實(shí)施網(wǎng)上評(píng)卷的意向。

2009年，澳大利亞新南威爾士州政府教育委員會(huì)（The Government Board of Studies，NSW Australia）在當(dāng)?shù)丶s百分之十的公開考試中引入網(wǎng)上評(píng)卷系統(tǒng)。2010年，新南威爾士州近五分之一的公開考試已實(shí)施了網(wǎng)上評(píng)卷。

我國(guó)考生數(shù)目眾多，需要大量評(píng)分員來完成試卷的評(píng)閱工作，因而網(wǎng)上評(píng)卷在各類重要考試中得以廣泛使用（馬世曄2004；羅友花、劉鐵明2009）。自2005年起，我國(guó)大陸高等教育入學(xué)考試（簡(jiǎn)稱為“高考”）的所有試題形式（客觀題和主觀題）均采用網(wǎng)上評(píng)卷技術(shù)。其中，廣西省于1999年率先對(duì)高考英語科目實(shí)施網(wǎng)上評(píng)卷。自此，網(wǎng)上評(píng)卷在中國(guó)大陸以前所未有的規(guī)模展開，多數(shù)省份（自治區(qū)、直轄市）陸續(xù)開始使用網(wǎng)上評(píng)卷對(duì)高考不同部分試題進(jìn)行評(píng)分。截至目前，全國(guó)已有29個(gè)省份（自治區(qū)、直轄市）采用網(wǎng)上評(píng)卷，除少數(shù)小語種科目外，網(wǎng)上評(píng)卷已基本實(shí)現(xiàn)全科目覆蓋（參見http：∥news.xinhuanet.com/society/2011-06/16/c_121546140.htm）。

由于其龐大的考生數(shù)目，中國(guó)大陸經(jīng)網(wǎng)上閱卷評(píng)閱的試卷具體數(shù)目難以估算。網(wǎng)上評(píng)卷工作通常在多個(gè)閱卷中心進(jìn)行，各個(gè)省份（自治區(qū)、直轄市）自行負(fù)責(zé)考生試卷的評(píng)閱工作，例如，上海市的閱卷中心僅負(fù)責(zé)本地考生的高考評(píng)卷工作。據(jù)估計(jì)，2008年約有3000名評(píng)卷員參與江蘇省高考閱卷工作，2010年約有2580名評(píng)卷員參與浙江省高考閱卷工作（參見http：∥www.pxdgc.com/new1353.html）。

1.2 國(guó)際研究進(jìn)展

網(wǎng)上評(píng)卷的應(yīng)用雖具有一定的實(shí)踐基礎(chǔ)，但許多研究者仍對(duì)其實(shí)施持有不同的看法和建議。Adam（2005）回顧了英國(guó)最大考試機(jī)構(gòu)—英國(guó)資格評(píng)估與認(rèn)證聯(lián)合會(huì)（The Assessment and Qualifications Alliance，簡(jiǎn)稱為AQA）使用網(wǎng)上評(píng)卷的經(jīng)驗(yàn)，并表達(dá)了對(duì)網(wǎng)上評(píng)卷的信度和效度的擔(dān)憂。他呼吁進(jìn)行更多的效度研究和有用性研究，采用“謹(jǐn)慎的方法”確保重要相關(guān)人員，尤其是政策制定部門和教師，能夠接受網(wǎng)上評(píng)卷所帶來的相應(yīng)變化。

在亞洲，香港研究者也針對(duì)這些研究熱點(diǎn)開展了一系列實(shí)證研究，主要關(guān)注紙質(zhì)評(píng)卷和網(wǎng)上評(píng)卷評(píng)分信度的比較（Coniam 2009ab，2010abc；Eowles 2008；Johnsonet al.2010）。Zhang等人（2003）的研究結(jié)果表明，使用上述兩種評(píng)分模式所得的考生平均分呈現(xiàn)顯著性差異，并且分?jǐn)?shù)差異基本一致。進(jìn)一步研究得出這兩種評(píng)分模式下的評(píng)分員一致性無顯著差異。因此，研究者認(rèn)為網(wǎng)上評(píng)卷同紙質(zhì)評(píng)卷的評(píng)分結(jié)果是具有可比性的。

其他國(guó)家和地區(qū)也針對(duì)評(píng)卷模式進(jìn)行了不同規(guī)模的評(píng)分研究，香港則是首個(gè)在其全部公開考試系統(tǒng)實(shí)施網(wǎng)上評(píng)卷的地區(qū)。自2012年，香港所有科目均實(shí)施網(wǎng)上評(píng)卷。正是由于評(píng)分模式的巨大轉(zhuǎn)變，香港研究者開展了一系列效度研究，這對(duì)其他國(guó)家和地區(qū)開展網(wǎng)上評(píng)卷起到一定的借鑒和啟示作用。

1.3 網(wǎng)上評(píng)卷的利弊

香港網(wǎng)上評(píng)卷的實(shí)施主要分為以下兩個(gè)步驟：（1）評(píng)卷前：考生完成考試后，所有試卷將集中送至評(píng)卷中心進(jìn)行掃描并存儲(chǔ)為圖像，然后通過系統(tǒng)分發(fā)給評(píng)分員。（2）評(píng)卷中：評(píng)卷中心為評(píng)卷員提供專用工作站，以確保評(píng)分員使用具有安全保障的局域網(wǎng)開展評(píng)卷工作。在進(jìn)行網(wǎng)上閱卷時(shí)，評(píng)分員可以對(duì)單個(gè)試題評(píng)分，也可以對(duì)試卷進(jìn)行批注，以確保二次評(píng)分時(shí)評(píng)分員不會(huì)受到第一位評(píng)分員的影響，而這種情況在紙質(zhì)評(píng)卷時(shí)卻無法避兔。

與傳統(tǒng)紙質(zhì)評(píng)卷的方式相比，基于計(jì)算機(jī)技術(shù)的網(wǎng)上評(píng)卷的優(yōu)點(diǎn)主要有以下五個(gè)方面：第一、安全性。采用網(wǎng)上評(píng)卷，評(píng)分員無需自己收集試卷，這也避兔了考卷丟失情況。第二、質(zhì)量監(jiān)控。網(wǎng)上評(píng)卷系統(tǒng)實(shí)時(shí)監(jiān)控評(píng)分員的評(píng)卷質(zhì)量，并對(duì)評(píng)分員不可靠的評(píng)分行為做出預(yù)警和實(shí)時(shí)補(bǔ)救措施。第三、數(shù)據(jù)性。網(wǎng)上評(píng)卷系統(tǒng)會(huì)生成和提取考題層面的統(tǒng)計(jì)數(shù)據(jù)，以用于研究和分析。因此，教育部門可以獲得關(guān)于學(xué)生表現(xiàn)的數(shù)據(jù)回饋。第四、目標(biāo)性。由于網(wǎng)上評(píng)卷能夠?qū)崿F(xiàn)單個(gè)試題層面的評(píng)分，因此題目分配具有一定靈活性。不同的試題可以根據(jù)需要分配給特定的評(píng)分員評(píng)閱，這也增加了評(píng)分的準(zhǔn)確性和效度。第五、準(zhǔn)確性和有效性。網(wǎng)上評(píng)卷系統(tǒng)會(huì)自動(dòng)檢查評(píng)分準(zhǔn)確性，評(píng)分員不用自己計(jì)算分?jǐn)?shù)，這也消除了人工算分可能產(chǎn)生的誤差。

當(dāng)然，網(wǎng)上評(píng)卷也存有潛在的弊端。首先，評(píng)分員需要到特定的評(píng)卷中心進(jìn)行閱卷，并根據(jù)評(píng)卷中心的固定開放時(shí)間調(diào)整評(píng)卷時(shí)間。其次，由于評(píng)卷工作都在計(jì)算機(jī)上完成，評(píng)分員需要長(zhǎng)時(shí)間面對(duì)計(jì)算機(jī)工作。另外，評(píng)分員需要使用評(píng)分系統(tǒng)錄入數(shù)據(jù)，并使用評(píng)卷系統(tǒng)中固定建立的批注符號(hào)（包括對(duì)號(hào)、半對(duì)號(hào)等），潦草的批注是無法錄入系統(tǒng)的。

2.網(wǎng)上評(píng)卷實(shí)踐：香港視角

基于以上的研究和實(shí)踐背景，本文將回顧一系列香港研究者針對(duì)英文科目網(wǎng)上評(píng)卷的效度驗(yàn)證研究，研究方法既包含量化分析也有質(zhì)化探討，主要圍繞以下四個(gè)研究假設(shè)：

（1）采用紙質(zhì)評(píng)卷和網(wǎng)上評(píng)卷的所得分?jǐn)?shù)具有可比性；

（2）采用網(wǎng)上評(píng)卷不會(huì)影響考生分?jǐn)?shù)，即：網(wǎng)上評(píng)卷和紙質(zhì)評(píng)卷獲得的考生分?jǐn)?shù)應(yīng)具有可比性；

（3）評(píng)分員掌握了足夠的計(jì)算機(jī)技術(shù)，能夠有效使用網(wǎng)上評(píng)卷系統(tǒng)；

（4）評(píng)分員對(duì)于使用網(wǎng)上評(píng)卷還是紙質(zhì)評(píng)卷模式?jīng)]有偏倚。

考生分?jǐn)?shù)在統(tǒng)計(jì)意義上的可比性一直是考察評(píng)分模式效度及測(cè)試公平性的核心議題，因此下文將分別針對(duì)以上提及的四個(gè)研究假設(shè)進(jìn)行討論，主要關(guān)注前兩個(gè)研究假設(shè)。

2.1 研究背景

本研究主要數(shù)據(jù)源于2007年香港中學(xué)會(huì)考英文科目寫作分卷，當(dāng)年共有99，771名考生參加考試。寫作分卷測(cè)試要求考生完成兩個(gè)寫作任務(wù)：任務(wù)一要求考生根據(jù)給定材料寫一篇約150字的描述性文章；任務(wù)二是開放性試題，要求考生論述聰明和美貌的重要性或闡釋喜歡在時(shí)尚界工作的理由。考生可在兩個(gè)話題中任選其一撰寫一篇250字的論述文（HKEAA 2007：18）。寫作測(cè)試采用分析性評(píng)分量表，涵蓋四個(gè)子維度和相應(yīng)的等級(jí)描述語（HKEAA 2007：104）。每個(gè)維度分為六個(gè)等級(jí)，分別對(duì)應(yīng)1-6分（6分為最高分），總分為24分。所有的寫作試卷均采用雙評(píng)形式，若兩個(gè)評(píng)分員所評(píng)定分?jǐn)?shù)的差異大于等于5分，則由第三名評(píng)分員進(jìn)行評(píng)分。

研究者主要通過以下三種方式來確保寫作試卷的評(píng)分效度：（1）評(píng)分員一致性；（2）寫作分卷同其他分卷分?jǐn)?shù)的一致性；（3）寫作分卷同整個(gè)英文測(cè)試分?jǐn)?shù)的一致性（King 1994：6）。2006年香港中學(xué)會(huì)考采用傳統(tǒng)紙質(zhì)評(píng)卷方式，其評(píng)分員一致性為0.79（共188名評(píng)分員，每人約評(píng)閱800份試卷），寫作分卷得分同整個(gè)英文測(cè)試分?jǐn)?shù)的一致性為0.89。2007年采用網(wǎng)上評(píng)卷方式后，試卷隨機(jī)分發(fā)給評(píng)分員進(jìn)行評(píng)閱，如果兩個(gè)評(píng)分員出現(xiàn)評(píng)分差異，系統(tǒng)會(huì)自動(dòng)將試卷分發(fā)給第三個(gè)評(píng)分員進(jìn)行評(píng)分，因此網(wǎng)上評(píng)卷系統(tǒng)不能夠直接對(duì)評(píng)分員一致性進(jìn)行計(jì)算。表1呈現(xiàn)了2007年香港中學(xué)會(huì)考英文寫作分卷同其他分卷的分?jǐn)?shù)一致性。

表1 2007年中學(xué)會(huì)考英文科目寫作分卷同其他分卷成績(jī)之間的相關(guān)系數(shù)

一般認(rèn)為相關(guān)系數(shù)大于等于0.80時(shí)，兩變量之間呈高度相關(guān)（Hatch&Lazaraton 1991：441）。如表1所示，總體來說，寫作分卷和其他分卷的分?jǐn)?shù)之間具有較高相關(guān)關(guān)系。其中，寫作分卷和口語分卷之間的相關(guān)系數(shù)相對(duì)較低（r=0.72），但和校本評(píng)核的分?jǐn)?shù)相關(guān)系數(shù)較高（r=0.83）。并且寫作分卷的分?jǐn)?shù)同2007年整個(gè)英文科目測(cè)試分?jǐn)?shù)相關(guān)系數(shù)高達(dá)0.90，同2006年的數(shù)據(jù)（r=0.89）具有可比性。顯而易見，采用網(wǎng)上評(píng)卷模式對(duì)整體測(cè)試信度并未產(chǎn)生影響。

2.2 研究設(shè)計(jì)和資料分析

2007年共有196名評(píng)分員參加香港中學(xué)會(huì)考英文科目寫作分卷的閱卷工作，其中117名評(píng)分員（占評(píng)分員總數(shù)59.7%）具有豐富評(píng)卷經(jīng)驗(yàn)（簡(jiǎn)稱為“老手評(píng)分員”），79名評(píng)分員（占評(píng)分員總數(shù)40.3%）是首次參與評(píng)卷工作（簡(jiǎn)稱為“新手評(píng)分員”）。研究者從196名評(píng)分員中選擇46名作為研究對(duì)象，主要基于兩方面標(biāo)準(zhǔn)：第一、所選評(píng)分員在2007年香港中學(xué)會(huì)考寫作試卷的評(píng)分工作中具有較好評(píng)分表現(xiàn)，即：評(píng)分員一致性系數(shù)較高、寫作試卷分?jǐn)?shù)和客觀評(píng)定的閱讀試卷分?jǐn)?shù)之間的一致性較高等。第二、所選評(píng)分員在性別、資歷、教學(xué)和評(píng)分經(jīng)歷方面具有一定代表性。可以看到，本研究的研究對(duì)象既包括老手評(píng)分員也有新手評(píng)分員，目的是為了比較兩類評(píng)分員的評(píng)分表現(xiàn)：老手評(píng)分員具有豐富的紙質(zhì)評(píng)卷經(jīng)驗(yàn)，卻沒有網(wǎng)上評(píng)卷經(jīng)驗(yàn)；而網(wǎng)上評(píng)卷則是新手評(píng)分員唯一的評(píng)閱經(jīng)驗(yàn)。最終，有30名評(píng)分員參與本研究，包括25名老手評(píng)分員（83.3%）和5名新手評(píng)分員（16.7%），有關(guān)評(píng)分員的具體背景，可參見Coniam（2009a）的研究。研究者要求每個(gè)評(píng)分員評(píng)定2007年香港中學(xué)會(huì)考的100份試卷①，并告知他們可能會(huì)遇到先前評(píng)閱過的試卷，但并未告訴這些評(píng)分員他們將再次評(píng)閱先前已評(píng)閱過的100份答卷。類似數(shù)據(jù)收集方法的可行性已在先前的實(shí)證研究中得到驗(yàn)證：兩次評(píng)卷時(shí)間相隔九個(gè)月，當(dāng)評(píng)分員再次看到答卷時(shí)，會(huì)當(dāng)作從未評(píng)閱過這些答卷（Coniam 1991）。

研究中使用的試卷共3000份，其中2145份是不同考生的答卷。研究者也采取了一定措施確保所選答卷的分?jǐn)?shù)能夠代表各個(gè)不同等級(jí)的考生表現(xiàn)（1至6級(jí)）。本研究的數(shù)據(jù)分析方法采用經(jīng)典測(cè)量統(tǒng)計(jì)，主要分析評(píng)分員一致性、不同試卷間分?jǐn)?shù)的一致性等（King 1994：6）。此外，研究者還使用T檢驗(yàn)來比較新手、老手評(píng)分員的評(píng)卷表現(xiàn)。數(shù)據(jù)分析主要分為以下兩個(gè)步驟：第一，分析評(píng)分員一致性以及英文科目不同分卷分?jǐn)?shù)之間的一致性；第二，分析兩種評(píng)分模式下分?jǐn)?shù)具有統(tǒng)計(jì)性差異的試卷。

2.3 結(jié)果及討論

2.3.1 評(píng)分一致性

如上文所提及，考生可在所給的兩個(gè)寫作題目?jī)?nèi)任選其一。先前研究結(jié)果顯示，選擇題目二的考生整體英語能力較高（Coniam 2009a）。T檢驗(yàn)的結(jié)果表明，兩種評(píng)分模式下兩個(gè)題目所得分?jǐn)?shù)之間沒有顯著性差異，因此可以推斷出，寫作題目并不是導(dǎo)致評(píng)分誤差的因素。然而，選擇兩個(gè)題目的考生的平均分呈現(xiàn)顯著性差異，這可能是由考生語言能力的差異所致。在本研究中，評(píng)分員信度是按照整個(gè)英文測(cè)試信度來計(jì)算的，并且控制了寫作任務(wù)因素。如表2所示，2007年評(píng)分員一致性系數(shù)為0.88，遠(yuǎn)高于2006年的評(píng)分員一致性系數(shù)（r=0.79）。

香港考試與評(píng)核局使用客觀評(píng)定的閱讀試卷分?jǐn)?shù)作為評(píng)分信度標(biāo)準(zhǔn)（King 1994：6），因此，本研究也分析了寫作分卷分?jǐn)?shù)同閱讀分卷分?jǐn)?shù)之間的一致性系數(shù)，以及與英文科目其他分卷分?jǐn)?shù)（除寫作試卷）的一致性系數(shù)。結(jié)果表明，采用兩種評(píng)分模式所得分?jǐn)?shù)之間的相關(guān)系數(shù)均大于0.80，這說明評(píng)分員使用兩種評(píng)分模式的評(píng)分表現(xiàn)都十分可靠和穩(wěn)定。

表2 相關(guān)分析結(jié)果

2.3.2 評(píng)分員評(píng)閱經(jīng)歷

本研究采用T檢驗(yàn)來比較不同評(píng)閱經(jīng)歷評(píng)分員的評(píng)分表現(xiàn)。如表3所示，新手評(píng)分員和老手評(píng)分員評(píng)定的分?jǐn)?shù)之間沒有呈現(xiàn)顯著性差異。

表3 評(píng)分員評(píng)閱經(jīng)歷描述性統(tǒng)計(jì)

2.3.3 評(píng)分模式差異分析

通常情況下，評(píng)分員使用六分制評(píng)分標(biāo)準(zhǔn)進(jìn)行評(píng)分，若兩人所評(píng)分?jǐn)?shù)差異大于等于一分，將會(huì)進(jìn)行二次評(píng)分（例如，使用第三個(gè)評(píng)分員）（Attali&Burstein 2005：13）。2007年香港中學(xué)會(huì)考英文科目寫作分卷所設(shè)定的二次評(píng)分基準(zhǔn)是：兩個(gè)評(píng)分員的評(píng)分差異大于等于5分（總分為24分）。根據(jù)該基準(zhǔn)，同年寫作試卷的分?jǐn)?shù)差異率約為10%（香港考試局，網(wǎng)上評(píng)卷資料個(gè)人交流，2007年7月）。表4呈現(xiàn)了本研究使用兩種評(píng)分模式所得分?jǐn)?shù)的差異率，其中正數(shù)表示紙質(zhì)評(píng)卷的分?jǐn)?shù)高于網(wǎng)上評(píng)卷分?jǐn)?shù)，負(fù)數(shù)表示紙質(zhì)評(píng)卷分?jǐn)?shù)低于網(wǎng)上評(píng)卷分?jǐn)?shù)。

表4 網(wǎng)上評(píng)卷和紙質(zhì)評(píng)卷的分?jǐn)?shù)差異

同2007年寫作分卷的分?jǐn)?shù)差異率比，本研究使用兩種評(píng)卷方式所得的整體分?jǐn)?shù)差異率略低（8.1%）。網(wǎng)上評(píng)卷的分?jǐn)?shù)差異率（4.6%）略高于使用紙質(zhì)評(píng)卷的分?jǐn)?shù)差異率（3.5%），這也驗(yàn)證了T 檢驗(yàn)的結(jié)果，即：兩個(gè)寫作題目的試卷分?jǐn)?shù)之間出現(xiàn)正負(fù)5分差異的概率也相類似。雖然采用兩種評(píng)卷模式的評(píng)分員表現(xiàn)并沒有呈現(xiàn)有統(tǒng)計(jì)意義的差異，但以上的數(shù)據(jù)表明評(píng)分員在網(wǎng)上評(píng)卷時(shí)可能更為寬松。

2.3.4 分?jǐn)?shù)差異試卷分析

本研究也分析了網(wǎng)上評(píng)卷出現(xiàn)分?jǐn)?shù)差異的試卷，其研究假設(shè)為：出現(xiàn)差異的寫作試卷具有明顯的特征，這些特征能夠區(qū)別相同分?jǐn)?shù)等級(jí)的其他試卷，并且評(píng)分員也能夠發(fā)現(xiàn)這些特征，即：具有分?jǐn)?shù)差異的寫作試卷有更大的非擬合值（數(shù)據(jù)分析使用多層面Rasch模型，簡(jiǎn)稱為MERA②）。

數(shù)據(jù)收集：本研究的測(cè)試工具包括兩組寫作試卷，每組各30份。第一組為分?jǐn)?shù)差異大于等于5的試卷，第二組為評(píng)分員評(píng)定分?jǐn)?shù)完全相同的試卷。兩組試卷的分?jǐn)?shù)等級(jí)范圍從2級(jí)（5-8分）到5級(jí)（17-20分）（見表5）。

表5 兩組試卷的分?jǐn)?shù)差異

共12名評(píng)分員參與該項(xiàng)子研究，評(píng)分員在培訓(xùn)后分為兩組：第一組（評(píng)分員1-6）和第二組（評(píng)分員7-12）。本研究采用交叉評(píng)分設(shè)計(jì)，即：第一組評(píng)分員在網(wǎng)上評(píng)閱編號(hào)為1的試卷集（101-115號(hào)），第二組評(píng)分員采用紙質(zhì)評(píng)卷方式來評(píng)閱編號(hào)為2的試卷集（201-215號(hào)）。隨后，兩組評(píng)分員互換試卷進(jìn)行評(píng)閱。在評(píng)分員進(jìn)行閱卷時(shí)，研究者會(huì)詢問他們是否留意到哪些試卷比較容易評(píng)閱或是不容易評(píng)閱，并讓他們?cè)谶@些試卷上進(jìn)行簡(jiǎn)要批注。評(píng)卷結(jié)束后，研究者結(jié)合評(píng)分員所做的批注，就其評(píng)分過程以及評(píng)閱過程中遇到的問題進(jìn)行半結(jié)構(gòu)式訪談。

數(shù)據(jù)分析和結(jié)果：本研究使用基于多層面Rasch模型開發(fā)的統(tǒng)計(jì)工具EACETs（Linacre 2004）分析評(píng)卷過程中不同因素的擬合統(tǒng)計(jì)量（fit statistics），結(jié)果表明模型擬合度較高。研究者預(yù)測(cè)第一組考生試卷（101-115）中會(huì)有較多不符合模型假設(shè)的情況。然而，實(shí)際分析結(jié)果并非如此：在三個(gè)非擬合模型假設(shè)的考生中，最不符合模型假設(shè)的試卷出現(xiàn)在第二組試卷中。研究者進(jìn)一步分析EACETs的“非預(yù)期反應(yīng)”也未能預(yù)測(cè)該結(jié)果。此外，評(píng)卷模式和寫作題目因素分析后的輸出數(shù)據(jù)呈現(xiàn)出相似的數(shù)據(jù)分布，符合預(yù)期的分析結(jié)果，即：“非預(yù)期反應(yīng)”的評(píng)分員的非擬合統(tǒng)計(jì)量（infit statistics）最差。綜上所述，評(píng)分模式和寫作題目因素對(duì)評(píng)卷結(jié)果沒有產(chǎn)生影響。

2.3.5 容易評(píng)分和不易評(píng)分試卷

基于訪談和評(píng)分員批注，研究者分析了評(píng)分員認(rèn)為容易或不易評(píng)分的試卷，并總結(jié)出四類試卷類型來闡釋造成網(wǎng)上評(píng)卷差異的因素，即：“與構(gòu)念無關(guān)的變量”（construct irrelevant variance）。表6通過節(jié)選部分評(píng)分員訪談和批注，對(duì)這四類試卷進(jìn)行解讀。

表6 四類影響評(píng)閱的因素

2.3.6 評(píng)分員的計(jì)算機(jī)能力和對(duì)網(wǎng)上評(píng)卷所持態(tài)度

在評(píng)分結(jié)束后，研究者對(duì)評(píng)分員進(jìn)行問卷調(diào)查，主要關(guān)注評(píng)分員對(duì)于網(wǎng)上評(píng)卷和紙質(zhì)評(píng)卷所持的態(tài)度。問卷主要分為三部分：第一部分是評(píng)分員個(gè)人信息和背景；第二部分有關(guān)評(píng)分員的計(jì)算機(jī)使用能力，例如，使用鼠標(biāo)、放大/縮小屏幕圖像、調(diào)整桌面高度和屏幕分辨率等。第三部分主要關(guān)注評(píng)分過程，例如，兩種評(píng)分模式的準(zhǔn)確性、視力疲勞程度以及短暫休息的頻率等。該部分問卷還詢問了評(píng)分員對(duì)于使用評(píng)分模式的和選擇評(píng)分地點(diǎn)的傾向（在家或評(píng)卷中心）。

問卷采用李克特量表，6分表示“非常同意”，1分表示“非常不同意”。評(píng)分員也可以寫下有關(guān)網(wǎng)上評(píng)卷過程的任何評(píng)論。問卷中第二部分共13個(gè)問題，信度為0.85。分析結(jié)果表明，評(píng)分員認(rèn)為自己具有較強(qiáng)的計(jì)算機(jī)操作能力。其中，26名評(píng)分員（共30名，占86.7%）認(rèn)為自己整體計(jì)算機(jī)能力較好，26名評(píng)分員（86.7%）認(rèn)為自己使用鼠標(biāo)進(jìn)行翻頁能力較強(qiáng)，27名評(píng)分員（90.0%）認(rèn)為自己進(jìn)行放大/縮小屏幕圖像能力較強(qiáng)。分別有29名評(píng)分員（96.7%）以及25名評(píng)分員（83.3%）認(rèn)為自身使用鼠標(biāo)或鍵盤鍵入符號(hào)能力較強(qiáng)。

由于網(wǎng)上評(píng)卷要求評(píng)分員面對(duì)屏幕工作較長(zhǎng)時(shí)間，問卷也調(diào)查了評(píng)分員對(duì)于人體工學(xué)因素（例如：屏幕高度和分辨率等）的態(tài)度。有25名評(píng)分員（83.3%）認(rèn)為屏幕高度適中，27名評(píng)分員（90.0%）認(rèn)為屏幕分辨率較好。仍有21名評(píng)分員（70.0%）覺得對(duì)著屏幕閱讀不太舒適。

針對(duì)評(píng)卷地點(diǎn)的分析得出，新手評(píng)分員（M=3.00）認(rèn)為專門去評(píng)卷中心閱卷并不是問題，而老手評(píng)分員對(duì)此并不持特別樂觀的態(tài)度（M=2.46）。該結(jié)論呼應(yīng)了評(píng)分員對(duì)于評(píng)卷地點(diǎn)傾向的分析結(jié)果：比起老手評(píng)分員（M=2.28，p＜.05），新手評(píng)分員更傾向在評(píng)卷中心進(jìn)行閱卷（M=4.40）。相比紙質(zhì)評(píng)卷，新手評(píng)分員對(duì)于網(wǎng)上評(píng)卷持有積極態(tài)度（M=3.80），而老手評(píng)分員卻并不那么認(rèn)同（M=2.26）。

在使用計(jì)算機(jī)方面，新手評(píng)分員比老手評(píng)分員態(tài)度更加積極，他們認(rèn)為網(wǎng)上評(píng)卷不會(huì)造成太嚴(yán)重的視疲勞（M=3.40），而老手評(píng)分員卻覺得眼睛十分疲勞（M=3.96）。在問及是否紙質(zhì)評(píng)卷會(huì)帶來視疲勞時(shí)，新手（M=4.00）和老手評(píng)分員（M=3.96）都認(rèn)為網(wǎng)上評(píng)卷比紙質(zhì)評(píng)卷對(duì)視力的要求更高。此外，老手評(píng)分員認(rèn)為網(wǎng)上評(píng)卷更需要間歇休息時(shí)間（M=3.60）而新手評(píng)分員并沒有如此強(qiáng)烈的認(rèn)同（M=2.92）。有關(guān)是否紙質(zhì)評(píng)卷也需要間隔休息，所有評(píng)分員的回饋同網(wǎng)上評(píng)卷的分析結(jié)果類似（M=4.00）。表7歸納了評(píng)分員的總體評(píng)價(jià)。

表7 評(píng)分員對(duì)網(wǎng)上評(píng)卷所持態(tài)度

如表7所示，新手評(píng)分員均積極評(píng)價(jià)評(píng)卷中心的環(huán)境，他們認(rèn)為“控制”試卷有助于對(duì)評(píng)分進(jìn)行標(biāo)準(zhǔn)化。然而，老手評(píng)分員普遍對(duì)于網(wǎng)上評(píng)卷過程持有負(fù)面評(píng)價(jià)（16個(gè)負(fù)面評(píng)價(jià)，4個(gè)中肯評(píng)價(jià)），主要包括四個(gè)方面：不習(xí)慣往返評(píng)卷中心，更習(xí)慣在家閱卷（13人）；降低評(píng)卷的靈活性（5人）；紙質(zhì)評(píng)卷更容易（3人）；評(píng)卷系統(tǒng)限制了評(píng)分員在試卷上批注（2人）。另一方面，在評(píng)卷時(shí)評(píng)分員并沒有被要求必須對(duì)試卷進(jìn)行批注，然而，他們卻清晰地表明想要進(jìn)行批注，主要基于以下兩點(diǎn)：第一、外審專家檢查評(píng)分時(shí)可作為參考；第二、可以標(biāo)注需要同外審專家進(jìn)行討論的問題。

僅有3名老手評(píng)分員對(duì)網(wǎng)上評(píng)卷給予了正面評(píng)價(jià)。與此同時(shí)，我們也應(yīng)該注意到，老手評(píng)分員也意識(shí)到了網(wǎng)上評(píng)卷的益處，而不是僅僅認(rèn)為新的評(píng)卷系統(tǒng)只能帶來一系列的問題和缺點(diǎn)（Ealvey&Coniam 2010）：

（1）“網(wǎng)上評(píng)卷有很多優(yōu)點(diǎn)，例如，評(píng)分員不用一直等到具體數(shù)據(jù)出來就可以直接開始評(píng)閱第二批試卷。”（評(píng)分員76）

（2）“我認(rèn)為網(wǎng)上評(píng)卷是很好的，因?yàn)樵u(píng)分員在某種控制之下，如果他們不認(rèn)真閱卷，他們將會(huì)繼續(xù)接受培訓(xùn)。我認(rèn)識(shí)這對(duì)于考生來說是十分公平的方式?！保ㄔu(píng)分員110）

（3）“我十分喜歡網(wǎng)上評(píng)卷，因?yàn)橄到y(tǒng)會(huì)定期對(duì)試卷進(jìn)行監(jiān)控以檢查你的評(píng)分是否是連續(xù)的。這點(diǎn)在紙質(zhì)評(píng)卷是不能實(shí)現(xiàn)的。”（評(píng)分員140）

3.結(jié)語

本文回顧和梳理了針對(duì)香港中學(xué)會(huì)考英文科目網(wǎng)上評(píng)卷實(shí)施情況的實(shí)證研究，主要關(guān)注兩方面：（1）網(wǎng)上評(píng)卷和紙質(zhì)評(píng)卷的量化比較；（2）評(píng)分員對(duì)兩種評(píng)卷模式所持態(tài)度的質(zhì)化分析。前者主要考查評(píng)卷模式是否會(huì)影響考生分?jǐn)?shù)，以及兩種評(píng)卷模式的評(píng)分員一致性是否具有可比性。研究結(jié)果表明，無論采取何種評(píng)卷模式，考生所得分?jǐn)?shù)都是可靠的。后者主要關(guān)注評(píng)分員是否具有一定計(jì)算機(jī)能力來運(yùn)用新的評(píng)卷模式進(jìn)行閱卷，以及評(píng)分員對(duì)網(wǎng)上評(píng)卷的態(tài)度，以驗(yàn)證評(píng)分員對(duì)評(píng)卷模式?jīng)]有偏倚。

量化分析結(jié)果表明：（1）同一個(gè)評(píng)分員使用兩種評(píng)卷模式所得試卷的分?jǐn)?shù)與不同評(píng)分員評(píng)閱相同試卷所得分?jǐn)?shù)具有可比性；（2）評(píng)分員一致性系數(shù)表明，兩個(gè)評(píng)分員使用兩種評(píng)分模式閱卷的分?jǐn)?shù)也具有可比性；（3）同紙質(zhì)評(píng)卷相比，網(wǎng)上評(píng)卷的寫作成績(jī)同閱讀成績(jī)以及同整個(gè)英語科目的分?jǐn)?shù)之間的一致性系數(shù)也具可比性。因此可以得出，兩種評(píng)卷模式的評(píng)卷環(huán)境相似，使用任何一種評(píng)分模式對(duì)考生分?jǐn)?shù)不會(huì)產(chǎn)生影響。差異分?jǐn)?shù)的分析結(jié)果也驗(yàn)證了該結(jié)論。

在計(jì)算機(jī)能力方面，評(píng)分員普遍認(rèn)為自己具有較好的計(jì)算機(jī)能力。無論從技術(shù)還是從效率方面看，所有評(píng)分員都認(rèn)為使用計(jì)算機(jī)評(píng)卷不存在任何困難。因此可以認(rèn)為，在技術(shù)操作層面，網(wǎng)上評(píng)卷方式對(duì)評(píng)分員不具有影響。

從對(duì)網(wǎng)上評(píng)卷的態(tài)度來看，評(píng)分員總體持積極態(tài)度，新手評(píng)分員比老手評(píng)分員的評(píng)價(jià)更為積極；有部分評(píng)分員認(rèn)為應(yīng)當(dāng)在特定階段對(duì)網(wǎng)上評(píng)卷系統(tǒng)重新進(jìn)行評(píng)估。目前，網(wǎng)上評(píng)卷系統(tǒng)的開發(fā)更多的是從技術(shù)人員而不是從評(píng)分員的角度出發(fā)的。因此，網(wǎng)上評(píng)卷系統(tǒng)的有用性以及用戶友善性有待日后進(jìn)一步考察。

本文沒有涉及其他學(xué)科的網(wǎng)上評(píng)卷實(shí)施情況，但另有一系列的研究主要針對(duì)香港通識(shí)教育學(xué)科的網(wǎng)上評(píng)卷實(shí)施情況（Coniam&Yeung 2010；Coniam 2010b）。其量化分析結(jié)果與本研究類似。由此可以看到，同紙質(zhì)評(píng)卷相比，網(wǎng)上評(píng)卷在信度和測(cè)試公平性方面更勝一籌。在通識(shí)教育學(xué)科的評(píng)卷研究中，評(píng)分員對(duì)于網(wǎng)上評(píng)卷的態(tài)度比英文學(xué)科更為積極，說明評(píng)分員對(duì)網(wǎng)上評(píng)卷系統(tǒng)具有更高的接受度。

2012年香港公開考試的所有學(xué)科都已大規(guī)模采用網(wǎng)上評(píng)卷，因此，確保評(píng)卷信度具有重要的實(shí)踐意義。本文所回顧的一系列實(shí)證研究也恰好驗(yàn)證了網(wǎng)上評(píng)卷的信度。在國(guó)際范圍內(nèi)，網(wǎng)上評(píng)卷系統(tǒng)還處于初期實(shí)施階段，并未完全成為公開考試的評(píng)分規(guī)范，亟待日后研究進(jìn)一步考查。香港首次中學(xué)文憑考試（Hong Kong Diploma of Secondary Education，簡(jiǎn)稱為HKDSE）于2012年舉行，所有18個(gè)科目均采用網(wǎng)上評(píng)卷。研究者將在評(píng)分前后階段對(duì)所有參與閱卷的教師評(píng)分員（N=4，000）進(jìn)行問卷調(diào)查，所使用的問卷也根據(jù)科目和題型等進(jìn)行了相應(yīng)改編。該項(xiàng)研究對(duì)于網(wǎng)上評(píng)卷的評(píng)估涵蓋了所有可能的測(cè)試題型，綜合考查了評(píng)分員對(duì)網(wǎng)上評(píng)卷的態(tài)度。

附注

①本研究的理想樣本是：新手、老手評(píng)分員的分布能夠同香港中學(xué)會(huì)考的評(píng)分員分布相似。但是這一點(diǎn)未能在研究中得以實(shí)現(xiàn)，主要有兩方面原因：第一、老手評(píng)分員有相對(duì)較好的評(píng)分?jǐn)?shù)據(jù)表現(xiàn)，因此更“有資格”參加本研究；第二、相比老手評(píng)分員，新手評(píng)分員的參與積極性稍低。

②近十年來，多面Rasch分析作為主要統(tǒng)計(jì)分析方法之一，在表現(xiàn)型語言評(píng)估中得以廣泛使用。該方法能夠?qū)η榫骋蛩剡M(jìn)行建模，包括評(píng)分員嚴(yán)厲度，任務(wù)難度等（Bond&Eox 2007；Weir 2005）。