术语卡片：素养发展追踪（Competency Development Tracking）

一、术语定义

素养发展追踪，是指通过持续记录与分析学生在真实情境中多维素养的动态发展过程及其证据，为每个学生提供个性化成长评价与支持的评价理念与方式。 通俗说，它不再把评价理解为"一次考试排出名次"，而是当成一条跟随学生成长的"能力发展轨迹记录"——持续观察学生素养怎么长、长在哪、还差什么，给出伴随式的反馈与进阶指引。它是生成式人工智能推动教育评价转型的核心方向之一，其提出直接呼应了政策层面对"全过程纵向评价、全要素横向评价"的倡导。关键要义是：评价的目的从"划分高下"变成"推动成长"，从"看秀出来的结果"变成"看走过的过程"。

理解这个概念，需要先看清它背后的政策与时代坐标。 中共中央、国务院印发的《深化新时代教育评价改革总体方案》明确提出，要"创新评价工具，利用人工智能、大数据等现代信息技术，探索开展学生各年级学习情况全过程纵向评价、德智体美劳全要素横向评价"——《总体方案》中"全过程纵向评价、全要素横向评价"的关键表述，正是素养发展追踪的政策源头之一。此后，《教育强国建设规划纲要（2024—2035年）》要求"建立基于大数据和人工智能支持的教育评价和科学决策制度"，教育部等九部门《关于加快推进教育数字化的意见》进一步提出"全面推进智能化，赋能教育评价改革"。这些政策文件共同指向同一个方向：评价要突破"纸笔测试难评高阶能力、终结性考核遮蔽动态轨迹"的双重困境，走向数据驱动、过程导向、素养本位的评价方式。 素养发展追踪，正是把这一政策方向转化为教育理念与技术路径的落点。

二、通俗但专业的解释

可以把"素养发展追踪"想成运动手环的记录逻辑，而不是运动会的排名逻辑。

运动会排名只关心你"这场跑第几"；运动手环却每天记录你的步数、心率、配速变化，还会告诉你"这周比上周进步了、明天该练什么"。素养发展追踪就是教育领域的"运动手环"——它不是盯着一场考试的名次，而是长期记录学生在沟通、协作、批判性思维、问题解决等素养维度上的变化，识别发展趋势与薄弱环节，再给出个性化的进阶方案。

它与传统评价的根本区别，是评价观的重心位移。传统评价往往"甄别诊断"——把学生分成三六九等、比较高低；素养发展追踪则"素养发展"——更关心每个学生在原有基础上前进了多少、下一步往哪里进阶。这背后同时牵动评价的"五大基本问题"（为何评、谁来评、评什么、如何评、评后怎么用）一起转变，因此被看作系统性评价转型，而非某个环节的小修小补。

这一转变有深刻的现实背景。 传统的"评价即测量"理念一度把素养窄化为可量化的知识与技能指标，导致三方面问题：一是评价维度窄化，忽视高阶思维与情感态度；二是评价功能异化，过度关注分数名次，让短期的"育分"遮蔽了长期的"育人"；三是个性化支持缺位，教师疲于应付重复考评，难以为每位学生提供针对性指导。素养发展追踪正是针对这些偏差提出的校正方案——它要回答的，不只是一个"分数"，而是"这个学生正成长为怎样的一个人"。

需要说明的是，素养发展追踪的落地很大程度上依赖生成式人工智能——它要靠AI的动态诊断、情境理解与个性化内容生成能力，才能把多轮互动、多模态行为数据转化为连续的素养证据链。生成式AI具有多模态内容生成、逻辑推理、情境适应性交互与自动化学习等特征，正好匹配素养追踪对"持续采集、动态分析、个性化反馈"的需求。从"数据"到"成长轨迹"的转化链路如下：

这张图表明：素养发展追踪的落点，是把采集的数据"翻译"成能指导下一步学习的成长轨迹与反馈。

三、典型应用场景

场景一：贯穿"五大基本问题"的五个转向——新评价长什么样

素养发展追踪并非孤立概念，而是一整套评价转型的缩影。它通过对评价五个基本问题的重新回答，推动评价理念、主体、内容、方法与结果的整体转向。集中体现在五个方向的变化上：

读这张表的关键是：素养发展追踪不是"换一种打分方式"，而是把评价的整个逻辑从"选拔"转向"育才"——这正是它在当下被反复强调的深层意义。下面把这五个转向分别展开，便于理解每个方向"到底变在哪里"。

第一个转向，评价理念从"甄别"到"发展"。 这是最根本的变化。传统评价侧重通过测验与量化指标进行等级划分与横向比较，追求客观性与可比性；素养发展追踪则强调通过持续记录、分析学生在真实情境中多维素养的动态发展过程，促进个性化成长。借助生成式AI的多轮对话与场景模拟，可以采集学生认知、表达、协作等多方面数据，识别素养发展趋势与证据链，帮助教师洞察培育的薄弱环节与个体差异，再综合学生实时表现与预设目标之间的差距，调整策略、给出个性化进阶方案。

第二个转向，评价主体从"教师主导"到"人机共生共同体"。 传统评价由教师独立完成数据采集、分析与反馈，容易造成教师负担过重、学生主体性被遮蔽、反馈滞后。生成式AI以智能体的形态代理评价导师、数据分析助手等角色，构建"教师—学生—同伴—智能体"的共生型评价共同体：智能体服务学生个人评价、辅助教师批改与评讲、作为技术中介支持协商式评价、为同伴互评提供框架与偏差检测。四方互动，让评价不再是教师单方的"一言堂"。

第三个转向，评价内容从"单一知识"到"综合素养"。 传统评价长期聚焦学生对知识的记忆与复现，知识点测试仍占重要地位，容易让学生陷入解题技巧训练，难把握学科体系与关联。素养发展追踪借助AI创设贴近现实世界的开放问题情境，在人机交互中分析学生的思考踪迹与问题解决过程，评价不仅看知识点掌握，更聚焦批判性思维、问题解决等素养表现。素养还被"解构—重组"为可观测的指标——先由教师建立框架性指标，再由智能体生成细颗粒度指标，经协商形成评价指标体系，进而在真实任务情境中综合观测学生重组素养解决问题的能力。举例来说，一次"为社区设计低碳出行方案"的任务，既可能考察学生对交通知识、数据处理的掌握，也同时牵动其环保意识、沟通表达与创新设计——素养追踪要捕捉的就是这种"一题多素养"的综合表现，而非孤立的知识点得分。

这里用一个例子说明"素养解构—重组"怎么做：比如要评价学生的"合作素养"，可先与AI协商把它解构为"愿景认同、责任分担、协商共进"三个可观测指标，作为评价的观测点；接着在虚拟现实构建的动态沉浸式任务情境中，让学生合作完成一个实验项目——由于情境动态且多样，学生必须不断灵活重组相关素养、调整策略、重新分配角色、协商新方案；过程中通过动作捕捉、语音记录等实时采集多模态行为数据，最终由AI可视化地呈现学生综合运用素养完成任务的全程。这样，抽象的"合作素养"就从"一句评语"变成了"一段可以被追踪、被见证的真实过程"。

第四个转向，评价方法从"标准化测验"到"人机协作的多元方法"。 标准化测验能快速比较数据、减少主观偏差，但仅凭测验易忽视个体差异与情境多样性。素养发展追踪倡导多种方法并用——人机协作的测验（自适应难度、采集细粒度答题数据）、对话式评价（把评价嵌入交互与研讨过程）、表现性评价（在多智能体系统的情境中对复杂任务表现作判断），由多种方法的结果相互校准、彼此补足，形成更全面的评价报告。

第五个转向，评价结果从"静态等级"到"个性化轨迹与反馈"。 以静态等级呈现结果便于快速了解水平，但把复杂认知发展简化为分数排名，易导致评价与改进脱节。素养发展追踪整合静态结果与实时行为数据，生成个性化学习发展轨迹（以时间轴呈现不同阶段的连续成长证据与关键事件），并动态生成个性化反馈——既提供"回溯式反馈"解释瓶颈成因，也提供"前瞻式反馈"指明下一步路径，让学生在知道"学到哪了"的同时，更清楚"该怎么往前走"。

场景二：个性化学习轨迹与反馈——"看得见的成长"

依托生成式人工智能，素养发展追踪可以落地为两个具体成果。一是生成个性化学习轨迹：整合学习管理系统、智能穿戴设备等多模态数据，经清洗与整合形成全息数据集，再利用AI的语言处理与情感计算能力进行关联分析，揭示认知、情意、社会互动、自我调节等维度素养之间的关系，帮助教师在多维素养网络中定位学生坐标；最终以时间轴呈现不同学习阶段与领域的连续性成长证据，把隐性学习历程转化为可追溯、可解读的成长轨迹。二是动态生成个性化反馈：在给出评价等级的同时，通过深度理解学生的交流信息，既做回溯式反馈（解释能力发展遭遇瓶颈的原因），也做前瞻式反馈（把诊断结果转化为下一步改进方案）。需要强调的是，反馈能否真正起作用，取决于学生如何理解与使用——主动验证、批判审视AI反馈的学生，更能把外部反馈转化为内在认知与决策。

若想进一步理解个性化轨迹与反馈的技术底座，有三条值得关注的实现路径。其一是多模态数据的融合与治理。 学生的成长证据散布在文本、语音、视频、生理信号等不同模态中，AI需要先对数据进行清洗、去重、对齐与标准化，再借助跨模态注意力机制把"同一素养在不同载体上的表现"关联起来——例如把一次课堂发言的语音转写、一份小组项目杰作中的协作记录、一段实训操作的视频切片，统一映射到"沟通协作"这一素养节点上，避免"数据多却拼不成图"的尴尬。其二是基于大模型的动态诊断推理。 传统评价多依赖人工设定的规则，而大模型能根据对话上下文灵活推断学生的能力边界与认知盲区，通过多轮追问逼近真实的素养水平，输出带有置信度与证据支撑的诊断结论。其三是可解释的反馈生成。 反馈不能止于"给你60分"，而应说明"你的论证结构松散、举例缺乏针对性"，并把结论、证据与建议编排成师生都能复核的记录，既便于学生理解与行动，也便于教师把关与纠偏。这三条路径共同决定素养追踪从"采集数据"迈向"产生价值"的质量上限。

场景三：素养发展图谱——一张"能追踪"的专业地图

素养追踪要落地，常需要一张"能放数据"的结构化地图，这就是素养发展图谱。它通过结构化、语义化与可视化方式，整合知识单元、学科能力与素养水平，形成多维关联的网状结构，主要功能包括建立知识点层级关系、标注知识点对应的素养标签，以及根据学习行为数据实时更新图谱。对追踪而言，这张图谱就是"标定学生发展坐标"的依据。 图谱的构建与运行，可以从三个维度来理解。

数据维度：图谱的"燃料"。 素养追踪依赖数据，而图谱的价值之一，正是为来源庞杂的数据提供一个可归位的框架。实际操作中，需要融合三类数据源：一是生成式AI与学生交互产生的对话数据；二是智能终端、可穿戴设备等采集的语言、表情、生理信号等多模态学习过程数据；三是在线学习平台、跨学科活动、课堂互动、测试等多场景的表现数据。借助AI的语言理解与多模态处理能力，对这些复杂数据进行解析，才能为图谱的构建与更新提供源源不断的"燃料"。

结构维度：图谱的"骨架"。 图谱的核心，是建立知识、能力、素养之间的结构化映射，形成纵横关联的素养网络。一方面，AI通过分析课程标准、教材与教案等资源，提取知识单元并关联相应的素养标签，利用自然语言处理对"知识—素养"关系做语义标注，建立"资源/活动—知识—素养"的动态映射——例如教师设计一个"解释当汽车急刹车、转弯时车内可能发生的现象，讨论系安全带等保护措施必要性"的教学活动时，AI能识别出该活动关联的知识点是"惯性"，并进一步关联到"科学态度与责任""物理观念"等素养，为后续评价设定清晰目标。另一方面，通过分析学习行为模式与表现数据，图谱还能识别不同素养维度之间的内在关联与协同发展关系，让素养的"网络"而非"孤岛"被看见。

时间维度：图谱的"生命力"。 图谱不是一副静态的挂图，而是贯穿学生全过程的"活地图"——学习过程数据实时匹配至图谱节点，既持续丰富图谱信息，又即时评价学生学习水平、提供个性化学习指引，让学生走到哪里、图谱就"跟"到哪里。

读懂这张表的要点是：数据给图谱"供料"，结构给图谱"定型"，时间给图谱"续命"——三个维度缺一不可，共同支撑素养发展追踪的持续运行。

场景四：方法嵌入教学过程——让评价与学习"长在一起"

素养发展追踪还强调把评价嵌入教学过程、实现"教学评一体化"，解决评价方法"游离于教学、期末才堆砌"的问题。一方面，借助AI分析课程标准、教学内容与学情数据，辅助设定教学目标，并基于素养发展图谱生成匹配目标的学习活动矩阵，针对不同目标推荐相应评价方法组合——例如针对知识性目标，推荐随堂测验等活动、配套选择性反应评价与书面论述式评价；针对技能性目标，推荐探究性活动、配套表现性评价与个别交流式评价。另一方面，把评价应嵌入课前、课中、课后各环节——备课阶段分析往届数据、预测当前班级学习难点，辅助设计分层教学目标与评价方法；课中将评价融入学习活动，教师通过观察评价学生表现，并指导学生把自身探究步骤与AI生成的思维逻辑链比对，直观识别思维差异；课后通过协商式评价，引导学生制订个性化的自我调节学习方案，主动觉察、反思与调节学习过程。这样评价不再是"学完之后额外做的一次测试"，而是与日常学习融为一体的伴随式反馈。

在此基础上，还可以借助AI来"共建评价标准"，让学生把标准内化为自己的学习意图。一个可操作的示范是：在任务开始前，师生可以输入"好的成果有哪些核心标准""请分析该成果获得高分的关键要素并按重要性排序"等提示词，让AI反馈一份评价标准，并同步生成自查学习清单、正例与反例等资源；学生在完成任务过程中时时对照这份标准审视自己的水平，实现"边做边评、反思改进"，从而把外在的教学目标、评价标准，转化为内在的学习意图与学习标准。

场景五：进阶式情境活动——让素养"在全景中生长"

素养具有情境性，只有通过真实或拟真的活动才能被观测，但单一、断裂的"拼盘式"活动又容易窄化素养评价。对此，更有效的做法是设计递进的进阶式情境活动——横向融合多学科素养维度，纵向追踪素养在难度递增任务中的发展。

一个典型的落地过程包含三步。第一步，创设沉浸式学习情境：教师输入活动情境与要求，AI据此生成多模态的虚拟场景——例如借助视频生成模型与虚拟现实/增强现实技术创建高度逼真的虚拟实验环境，让学生在安全的空间中"具身体验"，系统实时监控学生的实验状态、操作数据与情绪变化；又如利用对话模型创设模拟社交情景，通过虚拟团队项目、在线合作等方式，评价学生沟通、协作与化解冲突的能力，同时AI分析学生在情境中的交互与表现数据，精准定位其当前素养发展水平。第二步，设计进阶式活动：依据学业质量标准的素养进阶要求，人机协同把素养目标细化为具体活动目标，据此设计难度提升、复杂度加大的连续活动序列——当学生在虚拟场景中完成连续进阶活动时，其所展现的不仅是单一技能，更是知识迁移、创新思维与团队协作等素养要素在多场景中的整合性表现。第三步，生成全景分析报告：AI综合分析学生在连续活动中产生的连续多源证据，生成涵盖多维度素养表现的分析报告，支持教师对素养发展水平作全景式判断。进阶式活动解决的核心问题，是让素养在"连贯、递进的真实任务"里被看见，而非在割裂的小活动里被简并。

以高职"电商直播运营"课程为例，可以直观看到进阶式设计长什么样。 第一层（基础感知活动）：AI创设模拟直播间，学生完成商品介绍与开场话术演练，重点观测语言表达与临场应变；第二层（协作情境活动）：学生分组建构一场带脚本策划、分工协作的完整直播，AI分析各成员在策划、控场、互动中的角色贡献，观测沟通协作与组织协调；第三层（复杂问题活动）：AI动态注入"突发投诉""限时改品""主播突发状况"等干扰事件，考查学生在压力下的问题解决与情绪调节；第四层（迁移创造活动）：学生为一款真实的新品独立设计并执行一场直播，综合运用所学，AI生成覆盖策划、执行、复盘的多维素养全景报告。这样一个由易到难、由单点到整合的任务链，让"沟通协作""问题解决""职业规范"等素养在不同难度情境中被连续、完整地观测，远比四次互不关联的小活动更能还原真实的素养水平。

场景六：可视化过程叙事——让成长"讲故事"

素养数据再多，若无法被理解就难以发挥作用，"可视化过程叙事"正是把数据"讲成故事"的技术路径。它指利用AI动态整合多模态学习数据，生成蕴含时间维度与因果逻辑的成长故事，并以图表、时间线、故事板、漫画、视频等形式呈现。

其运作通常经历四个阶段。分析阶段：处理原始数据，整合多源信息，运用检索增强生成技术补充背景知识，提升数据质量与可用性，再通过人机交互分析数据所反映的学生学习特征；叙事阶段：把整个学期的学习轨迹转化为时间线叙事，标注关键事件，清晰呈现学生的痛点、难点与盲点，并给出因果解释，同时可按需调整叙事风格——生成详细的数据分析报告、激励性动画提示或进展概览；可视化阶段：AI根据叙事内容智能推荐合适的图表等视觉元素，辅助师生梳理信息间的逻辑关联、纠正错误，并通过优化视觉编码与布局提升表达的准确性；交互阶段：师生与可视化内容交互、深化理解，甚至融入课堂观察与个别交流的体感内容，实现"叙事共创"。

过程叙事的意义在于：它把抽象的数据转化为"读得懂、说得清"的成长图景，既能帮助学生直观看见自己的轨迹，也能支撑教师与管理者据此推荐学习增值路径——更进一步，教师可在叙事基础上计算增值、判断学生"已增之值"，并推荐资源帮助其实现"可增之值"。

场景七：人机协同的"角色分工"——谁做什么要清楚

素养追踪的顺利进行，离不开清晰的人机协同分工。合理的角色安排通常是：教师作为"专业研判者"，负责专业引导与判断，关注AI难以评价的隐性素养，对智能结果保留最终解释权并及时纠偏——因为智能体可能对逻辑推理与论证深度评价失准，也会在无法回答时给出模糊答案；学生作为"反思性参与者"，应先独立思考、视智能反馈为参考而非标准答案，通过多轮追问参与知识建构，发展自我反思与评价能力；同伴作为"协作支持者"，在教师指导与AI框架下开展互评；智能体作为"辅助执行者"，承担评语生成、语法纠错等事务性评价任务，即时提供进度提示与个性化反馈。

在此基础上，还需构建"人机共评、功能互补"的协同机制——把教师评价、学生自评、同伴互评与智能体评价结合，并依托"技术透明、素养提升、伦理约束"三位一体的保障，让评价既高效又可靠。

四、坚守素养追踪要面对的五道坎

素养追踪看起来美好，落地时却有五道现实的坎，理解它们有助于院校提前预判、少走弯路。

第一道坎：碎片化数据难以反映素养整体。 学生素养发展是复杂、连续、多维度交织的动态过程，而生成式AI存在对话记忆有限的问题——当对话超出阈值，可能丢失中间信息，导致同一学生同一素养的连续记录被拆散成离散片段；源于海量数据的生成内容又是离散信息的集合，若缺乏整合框架，各素养维度的内在关联易被割裂，难以还原全貌。

第二道坎：人机协同的角色边界亟待厘清。 若过度追求效率与量化，可能让人产生技术依赖，智能体从辅助工具变成隐性决策主体，师生把评价权力让渡给技术，成为被动接受者；师生若对智能结果盲目信任，还可能造成能力退化；同时人机责任归属不明，机器评价失误该由谁负责难以界定。这些都需要通过明确的协同分工机制来厘清。

第三道坎："拼盘式"活动窄化素养内容。 若把学生在单一活动中的"活动素养"直接等同于"整体素养"，或把不同活动的碎片化表现简单相加推断整体水平，就会窄化、简并素养评价。真正能承载素养评价的活动，应是情境连贯、水平递进的进阶式任务，而非彼此脱节的"活动拼盘"。

第四道坎：评价方法综合应用存在壁垒。 多元方法常出现"为多样而多样"的随意选用，或把"综合运用"退化为期末堆砌方法。要突破，需教师深入思考"为何而评"，把方法与教学融为一体，让评价贯穿教与学全过程。

第五道坎：决策过度依赖静态评价结果。 长期形成的思维惯性、过程数据解读困难、决策者智能素养不足，都可能导致评价结果即使转为动态轨迹，仍被当作静态等级来用，使育人增值效应难以释放。这提醒我们，评价转型不仅是技术问题，更是认知与素养问题。

跨越五道坎的应对方向

理解了坎在哪，就可以对症下药。针对上述挑战，实践中逐渐形成了几条已被验证有效的应对方向。

方向一，用"素养发展图谱"对抗数据碎片化。 通过结构化、语义化、可视化方式把知识单元、学科能力与素养水平组织成多维关联的网状结构，为散落的数据提供整合框架，让离散的对话片段、行为数据都能"挂"到图谱对应节点上，从而还原素养发展的整体轮廓。

方向二，用"角色分工机制"厘清人机边界。 明确"教师—学生—同伴—智能体"各自的功能边界与协作规则，让教师做专业研判、学生做反思参与、同伴做协助互评、智能体做辅助执行，并在"技术透明、素养提升、伦理约束"三重保障下运行，避免主客倒置与责任不清。

方向三，用"进阶式活动"替代"活动拼盘"。 以难度递进、情境连贯的连续任务承载素养评价，让学生在真实且关联的任务链中综合运用素养，而不是在彼此脱节的活动中点状观测，从源头避免"素养窄化"。

方向四，用"教学评一体化"化解方法壁垒。 将评价方法嵌入课前、课中、课后各环节，使评价与教学融为一体，让"综合运用多种评价"成为贯穿教学过程的内在逻辑，而非期末的临时堆砌。

方向五，用"评价素养培养"改变决策惯性。 提升教师与管理者的数据解读、可视化理解与叙事化思维素养，帮助他们把动态轨迹中蕴含的信息转化为促进学生发展的具体行动，让评价结果的育人增值真正释放。

这五条方向与五道坎一一对应，形成"问题—对策"的完整闭环，也构成了素养发展追踪从理念走向实践的落地路线图。

澄清三个常见误解，别把概念理解偏了

无论是初次接触还是已经开始试点，对"素养发展追踪"都有必要澄清三个容易跑偏的理解，以免方向使错。

误解一："素养发展追踪'就是'给每个学生建一份成绩单档案。 不少人以为只要把历次考试、作业、表现数据堆进一个系统，就算追踪了。实则不然。成绩单档案是"结果的陈列"，关注的是做了什么、得了几分；素养发展追踪则是"过程的整合与解释"，关注的不只是记录，更在于把这些零散证据"串"成能说明"素养如何发展、何处遇阻、如何进阶"的动态叙事。数据只有经得起"为什么变、朝哪个方向变"的解释，才算真正进入追踪的范畴。

误解二："素养越多追踪越全面。" 有的院校把评价维度越铺越宽，从知识、技能一路延伸到礼仪、审美，恨不得面面俱到。恰当的颗粒度才是关键——维度过粗，容易流于空泛、难以观测；过细，又会让教师不堪重负、数据采集成本失控。务实的做法是：面向课程的核心素养，聚焦三到五个能可靠观测、对职业成长有真正导向作用的维度先行试点，跑通机制后再逐步扩展，而不是一开始就追求"大而全"。

误解三："有了AI，素养追踪就可以全自动、无需人工。" 这是最危险的一种误读。生成式AI确实能大大提升数据采集与分析的效率，但素养中大量具有价值判断色彩的成分——责任心、职业认同、价值取向——仍高度依赖教师的专业判断与长期观察。AI也并非无所不能：它对逻辑推理、论证深度的评价可能失准，在信息不足时倾向给出看似合理却未必可靠的答案。因此，追踪链条中必须有教师"把最后一道关"：审核AI的诊断结论、补充其看不到的隐性表现、把机械的评分还原为对具体学生负责任的成长判断。技术负责提效，判断始终在人。

五、在高职教育中的应用与实施提醒

把素养发展追踪转译到高职，有三点尤其值得留意。

其一，素养指标要"职业化"。 高职的素养追踪不只看学科素养，更要落在职业核心素养、岗位胜任能力上——把沟通协作、问题解决、职业规范、数字化技能等纳入追踪维度，与专业职业能力标准对接，让追踪结果直接服务于"能不能上岗"。

其二，数据来源要"过程化"。 素养追踪依赖过程数据。高职应重点采集实训操作、项目协作、技能考核、岗位实践等过程性表现，形成职业能力发展的连续证据，而非只看期末成绩。

其三，追踪目的是"发展"而非"标签"。 素养发展追踪的价值在"支持学生往哪进阶"，须避免把学生简单归类、固化标签。应配合教师的专业解读与情感关照，防止"数据决定论"——机器提供的只是证据，育人的判断始终在人。

实施上，建议采用稳妥的分步节奏：先在个别课程试点追踪工具与素养指标体系 → 跑通后扩展到专业群 → 最终打通成校级的学生素养发展平台。过程中要同步建设三样东西：一是数据底座（打通学情、实训、行为数据），二是教师的评价素养（能正确解读追踪结果并将其转化为教学行动），三是伦理与隐私保障（规范数据使用、保护学生权益）。只有把这三样配套跟上，"素养发展追踪"才不会停留在漂亮的概念上。

此处还要特别强调评价结果的"回流"闭环。 素养发展追踪的真正价值，只在评价结论能转化为教学改进与个体支持时才兑现。因此，高职应在制度层面建立"诊断—反馈—改进行动—再追踪"的回路：教师按学期或阶段查看素养轨迹后，有明确机制把结论落回课堂——为个别学生定制进阶任务，为班级暴露出的共性短板调整教学内容与方法，再将改进行动纳入下一代追踪数据，形成螺旋上升。为让回路真正转起来，建议配套激励与培训：把"会用素养数据改进教学"纳入教研课题与考核导向，避免评价工具沦为"只产生报告、不产生改变"的形式主义负担。只有当"追踪—改进"的回路打通，素养发展追踪才能从理念工具升华为提升育人质量的常态化机制。

素养追踪与"增值评价"在高职的结合

对高职而言，素养发展追踪还有一个特别值得抓住的结合点——增值评价。

要真正落地，还需要一套可执行的高职素养追踪指标体系作为抓手。 以贴近"岗位胜任"为导向，可把追踪维度大致分为四类，并结合不同的采集渠道与观测时机：

这套指标体系的价值在于两点：一是把抽象素养拆成可观测、可采集的行为点，避免"想追却无从下手"；二是把追踪落到课程与实训的真实场景，让评价发生在做事的过程中，而非考试结束之后。在此基础上，评价者可结合课程性质，为每个维度设定进阶等级（如从"模仿执行"到"独立完成"再到"优化创新"），使素养发展有了可比的"刻度"。

对高职而言，素养发展追踪还有一个特别值得抓住的结合点——增值评价。

增值视角有两层价值。 第一层，它让评价更公平——不同起点的学生，只要在自己基础上真实进步，都应被看见与肯定，这避免了"用同一把尺子量所有起点不同的学生"的偏颇。第二层，它让评价更赋能——增值评价的结果指向"下一步怎么增"，教师可据此用适切的方法计算学生在认知、情意、社会互动等维度的"增长点"，既判断"已增之值"，也推荐资源帮助学生实现"可增之值"。

在高职落地时，增值评价可重点关注四类证据：知识技能的掌握增量、职业能力的分级跃升、实操任务的完成质量提升、职业素养（规范意识、协作能力等）的养成轨迹。当素养发展追踪与增值评价结合起来，高职的评价就能真正做到"既看学生现在走到哪，也看学生比原来提升了多少"，进而更精准地服务"产出导向"与"因材施教"。

最后，用一张"落地自检清单"帮助院校审视自己是否真的做对了。 无论处在哪个推进阶段，都可以对照以下几个问题来检视方向：

• 数据上：我们采集的是"堆积起来的档案"，还是能解释"素养如何变化"的连续证据？
• 指标上：我们的素养维度是否聚焦在能可靠观测、对职业成长有真导向作用的核心项，而非追求面面俱到？
• 机制上：评价是否嵌入到课前、课中、课后的日常教学，还是仍停留在期末集中堆砌？
• 分工上：教师与智能体的角色是否清晰，教师是否仍握有对评价结果的最终解释权？
• 目的上：我们是在"用结果给学生贴标签"，还是在"用证据支持学生往哪进阶"？

凡是能对五问都给出"成长导向"答案的实践，往往才是真正走在对的方向上；反之，若某项仍停留在"分级定名次"的旧逻辑，就需要回到素养发展追踪的初心重新校准。

六、总结

素养发展追踪，是把教育评价从"比较优劣的甄别"转向"陪伴成长的记录"的新范式——它让每个学生的每一步成长，都成为可以被看见、被支持、被推动的轨迹。 但要真正落地，还需要跨越数据碎片化、人机边界、活动拼盘、方法壁垒与决策惯性五道坎，并配套数据、素养与伦理的保障。对高职院校而言，最务实的起点是：先在个别专业课程里，把一个可行的素养指标体系跑起来，让"追踪"从概念变成每天能看到的学生成长。如果您所在院校正探索过程性评价或个性化培养，不妨自问：我们关心的是学生的名次，还是学生的成长痕迹？