同样考了80分，两名学生的能力一定一样吗？

一道题有80%的学生答对，它就是一道“好题”吗？

一份英文测试翻译成中文以后，如果意思基本正确，却明显变得更容易，这两个语言版本的成绩还能直接比较吗？

这些问题背后，都是：

Educational Assessment

教育测评。

教育测评真正关心的，并不只是：

学生得了多少分。

更重要的是：

我们究竟测量了什么？

分数是否稳定？

能否支持我们想作出的判断？

不同学生是否获得了公平的测量机会？

根据这些结果作出的教育决策是否合理？

这也是为什么专业的教育测评翻译、心理测量翻译和国际教育会议口译，不仅需要理解教育，还需要进入统计、心理测量、考试设计和教育科技等专业领域。

心译翻译曾为教育测评国际峰会相关活动提供专业语言支持，协助专家分享测评理论、研究成果、评价工具和实践经验。

【内链：教育测评国际峰会举行，聚焦评价创新与教育质量提升】

一、Assessment、Measurement和Evaluation为什么不能全部翻成“评价”？

教育领域中，这几个词经常一起出现：

Assessment

测评 / 评价；

Measurement

测量；

Evaluation

评价 / 评估。

但三者关注重点并不完全相同。

Measurement｜测量

更强调：

用一定规则获得测量结果。

例如：

一名学生在阅读能力量表上得到某个分数。

Assessment｜测评

通常范围更广。

它可能综合：

测试；

任务表现；

课堂观察；

作品；

学习数据

等证据，对学生的知识、技能或学习状态作出判断。

Evaluation｜评价

则往往进一步关注：

一个课程、项目、教学方法或教育政策的效果和价值。

例如：

评价一个新课程是否改善学生学习成果。

所以：

Test Score

考试分数

只是教育测评体系中的一种信息。

并不等于：

教育评价的全部。

二、一份考试真正想测量的是什么？

任何测评工具背后，都存在一个非常重要的概念：

Construct

构念。

例如我们可能希望测量：

阅读能力；

数学推理；

科学素养；

批判性思维；

创造性思维；

语言能力。

这些能力本身无法像身高一样直接拿尺子测量。

我们只能通过：

题目；

任务；

学生反应

去推断。

于是测评实际上形成了：

Construct

想测量的能力

↓

Task / Item

题目或任务

↓

Response

学生表现

↓

Score

分数

↓

Interpretation

对分数进行解释。

真正专业的教育测评，最重要的问题不是：

这份试卷出了多少道题？

而是：

这些题目提供的证据，能不能支持我们对学生能力所作的解释？

OECD最新版PISA框架同样首先定义各领域希望测量的知识、技能以及应用情境，再据此设计具体测评。2025轮PISA除阅读、数学和科学外，还首次加入了“Learning in the Digital World”这一创新测评领域。

【外链建议：OECD — PISA 2025 Assessment and Analytical Framework】

三、Validity为什么不能简单理解成“这份考试准不准”？

教育测量中最核心的术语之一就是：

Validity

效度。

日常语言里容易把效度理解成：

这份考试准不准？

但现代教育测量更关注：

有没有足够证据支持某种分数解释和用途。

也就是说：

并不是简单给一份测试盖章：

“有效”

或者：

“无效”。

真正应该问的是：

我们准备根据这个分数作出什么判断？

例如一份测试本来用于了解：

初中生数学学习情况。

如果后来有人用同一份考试决定：

一个学生是否适合从事某项职业，

原有证据未必能够支持这种新的用途。

美国AERA、APA和NCME联合制定的《教育与心理测试标准》把效度、信度/精度、公平性以及合理使用测试结果作为教育和心理测量的重要专业基础。

【外链建议：Standards for Educational and Psychological Testing】

四、为什么“测到了东西”还不够？

假设我们说：

这是一份英语阅读测试。

但题目特别复杂，学生必须拥有大量专业科学知识才能答对。

那么最后的分数究竟主要反映：

英语阅读能力，

还是：

科学背景知识？

这里可能出现：

Construct-Irrelevant Variance

构念无关变异。

也就是：

一些本来不是我们主要想测量的因素，却显著影响了分数。

反过来，如果一份测试声称测量：

“完整的写作能力”，

却只测试：

拼写和词汇选择，

就可能出现：

Construct Underrepresentation

构念代表不足。

也就是说：

真正想测量的能力没有被充分覆盖。

这也是为什么：

出题

并不是简单地提出几个问题。

它需要持续判断：

题目提供的证据是否与测量目标一致。

五、Reliability为什么不能直接翻译成“可靠”然后结束？

另一个核心概念是：

Reliability

信度。

它关注的是测量结果的：

一致性和稳定程度。

例如：

同样能力水平的学生，在合理条件下重复测量，结果是否会出现非常大的随机波动？

如果一份考试今天判断一个学生能力很强，

明天在类似条件下又判断他能力很弱，

这样的结果就很难支持重要决策。

NCME最新的《Educational Measurement》第五版仍然把Validity and Validation与Reliability in Educational Measurement分别作为核心章节，同时强调现代测评环境下信度需要结合实际分数和决策方式进行分析。

【外链建议：NCME — Educational Measurement, Fifth Edition】

因此：

Validity

关注的是：

结果能不能支持我们想作出的解释；

而：

Reliability

更关注：

结果是否具有足够的一致性和精度。

两者相关，

但绝不是同一个概念。

六、一份考试信度很高，就一定是一份好考试吗？

不一定。

举一个极端例子。

假设一份考试每次都非常稳定地测量：

学生的记忆速度。

它可能具有很高的一致性。

但如果这份考试本来声称测量的是：

批判性思维，

那么结果再稳定也没有解决真正的问题。

所以：

Reliability is necessary, but it does not by itself establish validity.

稳定的测量并不自动意味着：

测对了想测量的东西。

这也是教育测量为什么不能只看到：

一个漂亮的统计指标

就判断：

“这份测试很好”。

七、Measurement Error为什么意味着“分数不是绝对精确值”？

任何测量都可能存在：

Measurement Error

测量误差。

学生考试表现可能受到：

题目抽样；

当天状态；

考试环境；

评分误差；

测试长度

等因素影响。

因此一个测试分数并不能被理解成：

对真实能力的绝对精确测量。

教育测量还会使用：

Standard Error of Measurement

测量标准误

等指标来描述测量精度。

这也意味着：

一个学生考了79分，

另一个学生考了80分，

并不一定说明：

第二个学生的能力具有实质性更高水平。

如果测量误差本身远大于这1分差距，

过度解释排名就可能产生问题。

所以教育测评真正强调的并不是：

Score Only

只有分数，

而是：

Score + Uncertainty + Interpretation

即：

分数 + 不确定性 + 合理解释。

八、一道题难不难，是不是只看答对率？

在最直观层面：

答对人数越少，

题目通常越难。

但现代考试分析远不止这一项指标。

还可能关注：

Item Difficulty

题目难度；

Item Discrimination

题目区分度；

Distractor Functioning

干扰项表现；

Item Fit

题目与测量模型的拟合；

Differential Item Functioning / DIF

题目差异功能。

例如：

一道题如果高能力学生和低能力学生几乎同样容易答错，

它可能并不能很好地区分学生能力。

又比如：

一道数学题本身并不难，

却因为用了某个文化群体特别熟悉的场景，

导致不同群体表现差异。

这时候就需要进一步判断：

差异究竟来自目标能力，

还是来自题目本身。

九、为什么公平性不是“所有学生做完全相同的题”？

教育测评中的：

Fairness

公平

并不简单等于：

所有人接受一模一样的条件。

真正需要考虑的是：

测评中是否存在与目标能力无关、却系统性影响某些群体表现的因素。

NCME把公平与透明列为教育测量的重要专业原则，并强调测评应该尽量避免与测量目的无关的因素影响后续判断。

【外链建议：NCME — Professional Principles / Assessment Standards】

例如对于有特定障碍的学生，

合理的：

Testing Accommodation

考试便利措施

可能包括：

额外时间；

辅助技术；

不同呈现方式。

这些调整的目标并不一定是：

“降低考试难度”。

而是减少：

与目标构念无关的障碍。

十、为什么Formative Assessment不是简单的“小测验”？

教育领域越来越强调：

Formative Assessment

形成性评价。

它很容易被理解成：

“平时的小考试”。

其实核心并不在考试规模。

真正关键的是：

结果怎样被用于下一步教学和学习。

例如教师发现：

大多数学生没有理解某个概念。

于是改变：

教学内容；

练习方式；

反馈；

下一节课安排。

这就是测评信息进入：

Instructional Decision

教学决策。

NCME的课堂测评标准也强调：

对学生表现的分析应当服务后续教学，并提供及时、有用的反馈，支持持续学习。

【外链建议：NCME Classroom Assessment Standards】

所以可以理解为：

Assessment

收集学习证据

↓

Feedback

反馈

↓

Instructional Adjustment

调整教学

↓

Learning

继续学习。

这也是形成性评价最核心的价值。

十一、Summative Assessment又解决什么问题？

与形成性评价相对应的是：

Summative Assessment

总结性评价。

它通常在：

一个单元；

学期；

课程；

教育阶段

结束以后，对学习成果进行总结判断。

例如：

期末考试；

毕业考试；

课程最终成绩。

因此，两者最大的区别不一定是：

考试题型。

而是：

Purpose

使用目的。

同一项任务，

如果结果主要用于：

改进下一阶段教学，

可能具有形成性功能。

如果主要用于：

对完成阶段后的学习成果进行总结，

则更多体现总结性功能。

所以教育翻译不能简单地把：

formative assessment

理解成：

平时考试；

summative assessment

理解成：

大考试。

十二、Computerized Adaptive Testing为什么会“因人出题”？

传统纸笔考试通常是：

所有学生拿到相同题目。

但：

Computerized Adaptive Testing / CAT

计算机自适应测试

采用不同思路。

系统可以根据考生前面题目的表现，

动态选择后续更合适的题目。

简单理解：

如果前面表现较好，

后续可能出现更困难的题。

如果表现较弱，

系统可能选择难度较低、但更有助于估计当前能力水平的题目。

PISA已经实际采用这种方法：OECD说明，PISA 2025的科学测评使用了自适应测试；此前阅读和数学领域也已逐步采用相关设计。

【外链建议：OECD — PISA Frequently Asked Questions】

所以：

不同学生做的题不完全相同

并不自动意味着：

不公平。

关键在于：

系统能否基于科学测量模型产生可比较的能力估计。

十三、IRT为什么在现代测评中频繁出现？

现代教育测量中经常出现：

Item Response Theory

项目反应理论，

简称：

IRT。

与只关注：

“学生总共答对多少题”

不同，

IRT进一步研究：

考生能力；

题目特征；

作答概率

之间的关系。

不同模型可能考虑：

题目难度；

区分度；

猜测等参数。

因此，现代大型考试可以进一步进行：

量尺构建；

题库管理；

等值；

自适应测试。

这也是为什么教育测评会议有时候会突然从：

教学问题

进入：

统计模型。

对于译员而言，这类会议实际上横跨：

Education + Psychology + Statistics + Technology

即：

教育 + 心理学 + 统计 + 技术。

十四、为什么一个学生的“能力值”不一定等于他的原始分数？

传统考试中最直观的是：

Raw Score

原始分数。

例如：

100道题答对80道，

原始分就是80。

但大型标准化测评往往需要进一步形成：

Scale Score

量表分数

或者：

Proficiency Estimate

能力估计值。

原因之一是：

不同考生可能面对不同试题；

不同年份的试卷也可能需要保持一定程度的可比性。

因此现代教育测量还涉及：

Scaling

量尺化；

Equating

等值；

Linking

链接。

这些术语如果全部笼统翻成：

“分数转换”，

就很难体现真正的统计意义。

十五、为什么数字化测评并不只是“把纸质试卷搬到电脑上”？

真正的数字化测评可以改变：

题目呈现方式；

作答方式；

数据采集方式；

评分方式。

例如数字环境可能记录：

学生选择了什么；

修改过几次答案；

用了多长时间；

进行了什么操作；

以什么顺序完成任务。

于是测评数据不再只有：

Final Answer

最终答案。

还可能包括：

Process Data

过程数据。

这为研究者提供了新的分析可能。

但同时也产生新的问题：

这些行为究竟代表什么？

鼠标点击多，

一定说明学生思考更充分吗？

停留时间长，

是认真思考，

还是根本没有操作？

因此：

More Data ≠ Better Interpretation

数据更多，

并不自动意味着解释更准确。

十六、为什么AI自动评分仍然需要验证？

教育科技发展以后，

越来越多测评开始探索：

自动作文评分；

口语评分；

自然语言分析；

AI反馈。

优势非常明显：

速度快；

规模大；

成本可能下降。

但真正进入高风险测评以后，还必须回答：

模型评分与人工专业判断是否一致？

不同群体是否公平？

算法是否偏向某种表达方式？

模型更新以后结果还能否保持一致？

《教育与心理测试标准》已经把计算机测试、自动评分以及复杂算法带来的透明度和评价问题纳入专业测评讨论。

因此：

Automated Scoring

自动评分

并不等于：

“让AI自己决定”。

它仍然需要：

Validation + Monitoring + Human Oversight

即：

验证 + 持续监测 + 人类监督。

十七、为什么一份英文测试不能“翻译完就直接给中国学生做”？

这是这篇文章和语言服务最直接相关的专业问题。

普通文件翻译主要考虑：

Semantic Accuracy

语义准确。

但教育和心理测试翻译还必须进一步考虑：

Measurement Equivalence

测量等效性。

例如英文原题中使用一个非常普通的词。

译成中文以后，如果译员选择了一个：

极其生僻；

更加书面；

或者明显更容易理解

的表达，

题目难度就可能发生变化。

于是：

原来想测的是：

数学推理。

最后却因为翻译问题，

额外测量了：

中文词汇能力。

这就是为什么：

Test Translation

测试翻译

并不是普通文本翻译。

十八、Translation和Test Adaptation为什么也不能混为一谈？

国际测评领域更常强调：

Test Adaptation

测试适配。

因为测试进入另一种语言和文化以后，

有些内容不能简单逐字翻译。

例如一道题写：

一场棒球比赛……

如果目标地区学生几乎不了解棒球规则，

这项文化背景可能无意中提高题目难度。

因此测试适配需要同时考虑：

Language

语言；

Culture

文化；

Construct

测量构念；

Item Difficulty

题目难度；

Administration

施测条件。

International Test Commission专门制定了《测试翻译与适配指南》，其目标就是帮助心理和教育测评工具跨越不同语言和文化环境后仍尽可能维持公平、有效和可解释的测量。

【外链建议：International Test Commission — Guidelines for Translating and Adapting Tests】

这正说明：

Test Localization

不是普通意义上的：

“本地化得越自然越好”。

还必须避免：

本地化本身改变测量对象。

十九、为什么PISA特别重视翻译质量？

国际大型教育测评面临一个非常特殊的问题：

不同国家学生使用不同语言，

但结果又需要进行一定程度的国际比较。

因此：

语言版本必须既自然，

又尽可能保持测量等效性。

OECD介绍PISA方法时明确指出，其测评材料会投入大量工作保证文化与语言方面的广度和平衡，并对：

翻译；

抽样；

数据收集

实施严格质量保证程序。

同时，大型跨文化测评还必须持续关注：

同一个构念在不同文化中是否具有相近含义；

题型是否对某些群体更加熟悉；

内容和翻译是否造成额外差异。

【外链建议：OECD PISA Assessment Framework】

这也是教育测评翻译中非常高级的一项要求：

翻译不仅不能错，最好还不能偷偷改变测试本身。

二十、为什么测评结果不能脱离用途解释？

假设一份测评工具设计用于：

帮助教师了解学生知识薄弱环节。

它可能非常适合：

课堂反馈。

但这并不意味着同一个结果一定适合：

决定学生是否能够进入某所大学。

因为：

Low-stakes Use

低风险用途

与：

High-stakes Use

高风险用途

需要的证据强度并不相同。

当测评结果将影响：

升学；

资格认证；

毕业；

奖学金；

就业

等重要机会时，

对于：

效度；

信度；

公平性；

测试安全；

标准制定

的要求通常都会更高。

所以一个专业测评项目真正应该问的不是：

这个测试好吗？

而是：

这个测试是否适合这个用途？

二十一、教育测评为什么最终必须回到“决策”？

教育测量并不是为了生产更多数字。

最终目的通常是支持：

Decision Making

决策。

例如：

学生需要什么帮助？

课程哪里需要改进？

教学方法是否有效？

学校哪些群体需要更多支持？

教育政策是否产生预期结果？

这也是为什么测评真正完整的逻辑应该是：

Construct

明确测量目标

↓

Assessment Design

设计测评

↓

Data Collection

收集证据

↓

Measurement

形成测量结果

↓

Interpretation

解释结果

↓

Decision

作出决策

↓

Action

采取行动。

如果最后没有人知道：

这些分数究竟意味着什么，

再精密的测量技术也无法自动改善教育。

二十二、教育测评会议翻译应该怎样准备？

这一类会议建议至少分五层准备。

第一层：教育理论

准备：

学习成果；

能力；

课程；

教学评价；

形成性与总结性评价。

第二层：心理测量

准备：

效度；

信度；

测量误差；

量表；

IRT；

等值。

第三层：考试设计

准备：

题目难度；

区分度；

题库；

评分；

标准制定。

第四层：数字技术

准备：

CAT；

自动评分；

学习分析；

过程数据；

AI测评。

第五层：公平与政策

准备：

公平性；

无障碍；

跨文化适配；

结果使用；

教育政策。

这样才能在：

教育专家；

心理测量专家；

统计学者；

EdTech企业

之间快速切换专业语言。

二十三、教育测评机构需要怎样的语言服务？

国际教育测评项目的语言需求可能远远超过一次会议。

包括：

• 教育测评峰会同声传译；

• 心理测量及统计研究翻译；

• 测评框架翻译；

• 考试题目翻译与适配；

• 测评工具说明；

• 技术报告；

• 评分标准；

• 教师培训材料；

• 数字测评平台内容；

• 国际研究报告；

• 研究论文；

• 双语新闻稿；

• 国际学术传播。

尤其对于跨国考试和测评工具，

语言服务还需要逐渐建立：

Assessment Terminology

测评术语库；

Construct Definitions

构念定义；

Item Style Guide

试题语言指南；

Scoring Terminology

评分术语；

Translation Memory

翻译记忆库。

结语：真正专业的教育测评，不是把学生变成一个分数

考试结束以后，

我们最容易看到的是：

85分。

但专业教育测量真正看到的应该是：

这个分数测量了什么？

它有多稳定？

存在多少测量误差？

不同学生是否被公平测量？

这个结果适合支持什么判断？

又不适合支持什么判断？

因此，教育测评真正重要的并不是：

Score

分数本身。

而是：

Evidence → Interpretation → Decision

即：

证据 → 解释 → 决策。

专业的教育测评翻译也是如此。

它不能只做到：

“英文是什么意思，中文就写什么意思。”

尤其在测试工具和跨文化测评中，还需要进一步考虑：

翻译有没有改变题目难度；

有没有加入新的文化负担；

有没有改变原本想测量的构念；

不同语言版本还能不能进行合理比较。

心译翻译通过教育测评会议同声传译、心理测量与教育研究翻译、测评工具翻译与适配、研究报告、数字测评内容及国际学术传播服务，帮助教育机构、科研院校、考试机构和教育科技企业准确传递专业测评理念与研究成果。

因为真正专业的教育测评，

不是为了：

给学生贴上一个数字。

而是为了：

用尽可能科学、公平和可解释的证据，更准确地理解学习。