算法素养的多维分级评价体系研究2
1算法素养的多维分级评价体系
1.1 算法素养评价的维度构建
本研究通过对现有文献中的算法素养界定出发,构建算法素养评价的维度。在本文中,将意识和知识分为两个单独的维度,即意识维度和理解维度,从而形成算法素养的5个维度:
1)意识即意识到算法存在哪些软件、领域以及其之间的关系。
2)理解即理解算法的机制、内涵。
3)评估即对于算法对于自身、社会的影响进行判断、评估。
4)应对即正确处理算法带来的各种问题。
5)创造即具有选择、开发、设计算法相关的能力。
1.2 算法素养评价的等级构建
在算法素养的评价中,针对评价对象的不同,算法素养在各维度上的要求也不同。对于不同的评价对象,其在算法素养不同维度上的目标存在差异性,例如对于普通社会大众而言,对其在算法素养创造维度上的水平要求低于开发者。因此,在对不同对象进行算法素养评价时,需要考虑算法素养评价的等级问题。
本研究通过归纳皮亚杰认知理论各个阶段的特点并结合现在的素养评价实践,总结了算法素养不同维度的4个等级评判标准及其特点:
1)感知与经验:个人的、经验性的、即时的、具体的。
2)总结与归纳:个人的、经验性的、累积的、具体的。
3)可逆与扩展:群体的、预见性的、扩展的、具体的。
4)形式与抽象:群体的、预见性的、扩展的、抽象的。
其中,从感知与经验到形式与抽象,各个等级的内涵从认知发展的不同阶段中提取,也反映了算法素养水平的由低到高。
1.3 算法素养不同维度与不同等级的结合
算法素养的5个维度是对算法素养内容的解构,算法素养评价的4个等级则是对发展程度进行区分,对于算法素养评价中的维度,其中每个维度不仅包含算法素养各方面的内涵,也要考虑其程度差异,因此需要将算法素养的不同维度与不同等级结合,构建算法素养的多维分级评价体系。在算法素养的多维分级评价体系中,算法素养评价的5个维度对算法能力的各个方面进行区分,评价对象在不同维度上的能力要求差异通过各维度上的等级来体现。
2 实证研究
2.1 测验设计与数据收集
实验以算法素养中的典型对象社会大众为例,对其进行算法素养的多维分级评价。本次研究的测评标准如表3所示。
测验通过网上问卷的形式进行,共收集问卷204份,剔除异常问卷19份,最终有效问卷185份。
2.2 信效度检验
信度检验能够考察问卷的可靠性,对于测量结果的内部一致性程度进行了解,本文使用Cronbach's α(克隆巴赫)系数法来检测数据信度是否达标,一般认为问卷的Cronbach's α系数大于0.8说明其信度较好。本次问卷中5个维度的信度均大于0.8,证明问卷具有良好的可靠性。
效度检验用于检验问卷的有效性,其反映了测量工具预测目标测量变量的准确性。测量结果与目标变量越吻合,效度则越高。本文对于问卷结果进行KMO检验与巴特利特球体检验。一般认为,KMO检验系数大于0.8,P值(巴特利特球体检验的x2统计值的显著性概率)小于0.05,问卷才有结构效度。本问卷中的5个维度的KMO检验系数均大于0.8,P值均小于0.05。
2.3 IRT分析
在算法素养评价中,项目反应理论能够将测验问卷中的实际得分通过项目特征模型转化为样本的潜在能力估值。本研究中采用项目反应理论的双参数模型(2PL),2PL模型能够分析测验项的区分系数α和难度系数β。难度系数β体现了受测对象正确回答测验题项的难度,区分系数α体现了该测验题项对于样本的区分能力。
在计算出各维度下的所有题项的项目反应模型后,汇总得到各维度的测验特征曲线[29],如图1所示。测验特征曲线反映了实际测验分数与算法素养在该维度的潜在估值之间的关系,特征曲线在零点处的潜在能力估值对应的真实分数越高,说明测验题项难度越大,特征曲线越陡峭,说明测验题项区分能力越强。
2.4 权重计算
在获得各个维度的估值后,为了获得算法素养上的整体潜在能力估值,需要根据熵权法计算各个维度的权重,
2.5 结果讨论
在本次测验中,首先通过项目反应理论计算出算法素养各个维度潜在能力估值结果。
3 总 结
算法社会不仅仅是算法单方面地发挥作用,同时强调人的因素,算法技术的发展与社会中各类主体算法素养的提高均是推动算法社会进步的重要动力。本研究结合素养评价中的层次评价体系与皮亚杰认知阶段理论,通过分析算法素养评价的不同维度与等级,提出了多维分级的算法素养评价体系。该评价体系结合层次评价体系的维度划分,有助于了解不同主体的算法素养水平,针对性地制定算法素养培养策略,从而帮助形成多主体共建共治的算法社会。