摘要：中小学作业的减量提质是学校落实“双减”政策、提升课堂教学质量的关键环节。认知诊断理论不仅能有效解决提质增效问题，还可以助力破解个性化、规模化的现实矛盾。本研究以小学六年级数学分数除法单元为研究案例，基于认知诊断模型，提出中小学学生作业减量提质的实践路径，主要包
感谢您关注“永大英语”！
钱 佳 石 玉
摘要：中小学作业的减量提质是学校落实“双减”政策、提升课堂教学质量的关键环节。认知诊断理论不仅能有效解决提质增效问题，还可以助力破解个性化、规模化的现实矛盾。本研究以小学六年级数学分数除法单元为研究案例，基于认知诊断模型，提出中小学学生作业减量提质的实践路径，主要包括认知属性界定与划分、认知Q矩阵构建、单元诊断作业题目编制、认知诊断模型选择、学生作业诊断报告获取等五个步骤。结果表明：以试题参数、属性掌握概率为中介桥梁，有利于解决作业设计中“怎么减”与“怎样减得更好”的问题；以理想测量模式、属性掌握模式为重要依据，有利于解决作业设计的提质增效问题。研究建议从提升教师作业设计能力、构建高质量评价体系、构建学校作业资源库三个方面深入探索，助力中小学作业减量提质。
关键词：“双减”政策；认知诊断模型；中小学作业；减量提质
引言
良好的作业设计是确保课堂教学质量的关键一环。如何充分发挥中小学作业的诊断、巩固、强化等功能，是当前亟待解决的现实问题。2021年7月，中共中央办公厅、国务院办公厅印发《关于进一步减轻义务教育阶段学生作业负担和校外培训负担的意见》（以下简称“双减”政策），要求学校全面压减作业总量和时长，减轻学生过重作业负担，提出将作业设计纳入教研体系，系统设计符合学生年龄特点和学习规律、体现素质教育导向的基础性作业，鼓励布置分层、弹性和个性化作业[1]。这一系列重要提法对提高作业质量，充分发挥作业的诊断、巩固、强化功能提出了更高要求。
自“双减”政策实施以来，如何给中小学作业减量提质再次成为教育理论和实践研究的热点。近几年的学情调查显示，虽然基础教育阶段已开展多元化的作业优化改革，但各地中小学校还或多或少地存在以传统家庭作业观布置作业、作业内容不能有效匹配教育发展和学生发展需求、作业管理流程松散等问题[2]，作业减负政策在实践中未能完全落地。在此基础上，减负、减量、提质、增效等做法日益成为中小学作业优化路径的方向。但综合相关研究来看，研究人员多聚焦在作业设计的原则、内容、形式、类型、数量等理论探讨方面[3]，并未真正解决作业优化的现实难题。
为破解此类实践难题，可以从作业的诊断分层和及时反馈两个维度进行解决。诊断分层指利用智能技术构建高效且精准的作业诊断评估工具，将作业功能从复习巩固升华为学习诊断、学情分析和科学方法、高阶思维培育[4]，以实现作业的精准分层布置；及时反馈是借助概率统计模型或机器学习算法，迅速捕捉、诊断、评估学生在问题解决过程中的知识技能掌握状态，对学生进行认知状态评估。以上做法对提高作业反馈的效率与精度具有重要意义，既能促进作业质量和效率的双重变革，又能缓和作业设计中个性化与规模化之间的矛盾，进而实现减量提质目标。
近年来，随着测量学和认知心理学的蓬勃发展，新一代测量理论越来越关注认知诊断理论在教学中的应用研究。与传统测验相比，现代测量理论更关注相同分数的个体间差异，能够对学生的认知结构与个体差异进行定量分析。基于此，本研究首先以小学六年级数学“分数除法”单元为研究案例，在划分单元认知属性基础上，构建并修正Q矩阵（代表理想测量模式），设计单元作业并展开测试；其次，通过对Q矩阵和X矩阵（代表作业测验结果）的分析运算，选择参数表现最优的DINA模型（deterministic inputs，noisy and gate model）作为认知诊断分析模型；最后，基于DINA模型的诊断结果，提出分层及个性化作业设计、构建高质量作业评价体系、作业题库设计等减量提质策略，以期为解决中小学作业“难、繁、杂、重”等问题、提升作业的个体匹配度、群体掌握度和整体质量、切实减少学生作业负担做出新的研究探索。
一、文献综述
“双减”政策出台后，针对中小学作业的研究，尤其是如何为中小学生作业减量提质的研究成为学界持续关注的重点问题。一方面，从作业的量来看，有实证研究表明，政策实施后中小学生作业减负初见成效，作业总量得到控制[5]；但也有研究表明，当前中小学的作业负担仍较重，远超政策规定的时间标准[6]。另一方面，从作业的质来看，部分调查发现政策实施后作业设计质量仍有待优化，中小学作业依然存在内容简单、形式单一、评价随意等问题[7]；还有研究者提出，作业设计质量是实现作业减负增效的关键前提[8]。因此，更多研究开始关注减量提质双重目标的同步达成，即如何在减量的同时提升作业设计质量[9]。
在作业设计研究方面，双减政策实施后作业减负难题主要聚焦在作业属性、作业评价、作业内容、作业体系四个方面。从作业属性看，当前许多作业游离于课程体系之外，逐步演变为学生难以承受的学业负担，难以发挥育人功能[10]；从作业评价看，评价实践仍存在对约束条件考虑不全、内容结构失衡和过程协调性不足等问题[11]；从作业内容看，教师很少进行基于儿童心理特点和认知能力的精确估算，不利于学生知识世界的建构与巩固[12]；从作业体系看，以单元为设计单位有助于整合单元目标、教学、评价、作业等资源，增强结构性和递进性，但教师在作业设计中的“单元意识”仍有待提升[13]。这些实践难题解决可以通过作业设计的智能化转型升级而实现，但智能化作业设计尤其需要实现对学生认知状态的精准诊断，并以此来把握学生作业时间及数量的“度”和“量”。
首先，要解决学生作业负担过重问题，需要从作业设计层面重视对学生认知过程的探索。一方面，作业设计专业性较强，应注重作业设计时的知识衔接与认知规律，而不是孤立、片段地设计作业；另一方面，高质量的作业设计应以知识发展为逻辑轴心[14]，以学习、理解、运用知识为逻辑根基，实现课堂内容与课后运用的双向融通。认知诊断理论在学生认知过程研究方面有较大优势，其在学生核心素养测量、精准辅助教学等方面已有诸多应用[15-16]，其中对认知发展的诊断可以为作业减量提质提供借鉴。例如，有研究通过提取学生学习过程中的各类特征，诊断学生对知识点和六种初中数学核心素养掌握情况，从而得到学习者错题与知识点的对应定位[17]，为作业的诊断反馈提供了新视角；有研究者从跨年级数学学力测评出发，探索构建了跨年级小学生数学学力发展水平垂直量表[18]，为精准分层干预、系统性补救教学和自适应题库建立提供了丰富的实证证据。
其次，梳理相关文献可知，认知诊断与教学实践结合的应用研究[19-21]证实了认知诊断理论对作业减量提质的现实价值。第一，认知诊断理论有利于教师精准了解学生认知水平，可更好地服务于教师的因材施教以及学生个性化学习方案的制定，以达到作业诊断结果促学和减负的目的，最终促进中小学生智慧学习、高效学习、轻松学习[22]；第二，认知诊断的技术辅助效力更佳，不但能将学生内隐性的学习过程数据进行外显化，还能大幅缩短作业反馈时间，为教学干预提供大量高质量的学情反馈信息，包括作业题量、错因分布、难度系数、答题情况[23]等；第三，认知诊断理论在人机协同上的适配度更高，能够对学生的知识结构、认知水平、学习态度、学习动机、学习偏好等特征进行个性化学情诊断分析[24]，有利于作业设计者结合学生状态对作业的内容、结构、形式、数量进行优化，更符合当前高效精准评估的测评理念。
最后，从整体看，目前中小学作业减量提质目标仍未达成，作业设计缺乏横向和纵向的联系，对儿童心理特点和认知水平的关照不足，且作业诊断方法和支持技术仍存在一定缺位。本研究试图以认知诊断模型为技术突破点，研究认知诊断理论在学生作业问题解决中的实践路径，探索学生作业减量提质的实现方式。
二、基于认知诊断模型的学生作业设计架构
在心理测量学中，对个体的认知过程、加工技能或知识结构的诊断评估被称为认知诊断评估或认知诊断（cognitive diagnosis assessment）[25]。认知诊断被视为新一代心理测验理论的核心技术，将认知与测量结合起来，强调问题解决的认知加工模型对测验设计的指导作用，既关注个体能力层面的评估，也对个体微观认知结构与过程予以诊断。从作业减量的角度看，认知诊断模型可以深入考查学生的心理加工过程，以试题参数和属性掌握概率为中介桥梁，解决作业设计中“怎么减”与“怎样减得更好”的问题。从作业提质的角度看，认知诊断模型能够评析作业设计的质量高低，以理想测量模式和属性掌握模式为重要依据，解决作业设计中提质与增效的问题。为进一步探索认知诊断在作业设计中的应用效果，本研究依托认知诊断分析平台（flexCDMs）构建了基于认知诊断模型的作业设计架构（见图1）。
该架构包含三大板块。一是输入阶段，主要描述作业设计和认知诊断如何融合，包含属性界定、属性划分、Q矩阵构建和X矩阵构建四步。二是基于认知诊断的作业设计分析，主要介绍如何在作业设计中合理利用认知诊断数据，其中理想测量模式和试题参数有助于教师提升作业设计能力，属性掌握模式和属性掌握概率有助于达成学生作业减量提质的目标。三是输出阶段，基于认知诊断报告的作业设计需嵌入作业的布置、批改及反馈三个环节，真正解决作业设计中提质与增效的问题。
认知诊断测验要实现诊断功能，首先需要一个与测验匹配良好的认知诊断模型。该模型作为连接学生外显的项目反应与潜在的认知属性掌握情况的载体，在认知诊断评估中起着至关重要的作用。目前，已开发的认知诊断模型高达近百种，且各种认知诊断模型都有与之相适应的问题情境，因此需要综合考虑测验目的、测验项目、学生特征、属性层级结构等多种因素。基于作业设计问题情境，本研究以应用相对广泛的DINA、RRUM、DINO、A-CDM、G-DINA和Mixed等六种认知诊断模型的参数值为标准，选择拟合良好的认知诊断模型。
本研究定义以下符号含义：i表示学生数量，j表示题目数量，k表示属性或者技能的数量；Xij表示学生i在题目j上的作答分数（得分记为1或0），qjk表示题目j是否测量了属性k（得分1或0），αik表示学生i是否掌握了属性k（得分1或0）。若模型涉及k个属性，在不考虑属性间层级关系的前提下，相应地会有2k种不同的属性组合模式，这样的组合模式被称为技能类，用αl=[αl1,αl2,…,αlk]，l=1,2,…,2k表示。其中，αlk=1代表属于αl 技能类的学生具有属性k，αlk=0表示不具有属性k，k=1,2,3,…,k[26]。最后，在此符号定义基础上构建Q矩阵，进行认知诊断分析。
三、基于认知诊断模型的作业设计与实施
本研究基于人民教育出版社出版的小学六年级数学教材（2022年审定）第三单元“分数除法”研制测验作业，以某小学六年级某班33名学生为被试，分析他们的作业作答情况。
从教学内容与教学目标看，该单元是在学生掌握分数加、减、乘法基础上进行教学，作业设计应涵盖分数除法意义和性质的理解、计算法则的掌握、问题解决能力的培养等。设计操作步骤如下：首先，研究人员与三位经验丰富的一线数学教师反复研讨，根据单元知识结构与属性，界定初始属性及其层级关系；其次，结合flexCDMs数据分析结果对构建的Q矩阵进行修正；最后，经过多次审核及修订完成认知属性的界定、划分和Q矩阵的构建，并根据Q矩阵设计闭卷测验作业。
（一） 界定与划分“分数除法”单元认知属性
以《义务教育数学课程标准（2022年版）》和人教版小学六年级数学教材为蓝本，通过与三位一线小学数学教师反复研讨，确定五个认知属性及对应的知识点，具体编码为A1~A5。
（二）设计单元认知诊断作业
1.构建与修正Q矩阵
实践中，研究者常常根据学生口语报告和领域专家分析标定测验Q矩阵，或者依据作答反应数据估计测验Q矩阵。前者主要运用质性分析方法，具有一定主观性；后者基于数据分析，也会存在不符合现实的情况。因此，可以将两者结合，采用在专家标定Q矩阵的基础上通过数据分析进行修正，或是专家对估计的Q矩阵进一步修正，这都是较好的“双重修订”模式[27]。为保证诊断评估报告的准确性和可靠性，在初步构建分数除法作业设计Q矩阵后，经过反复修正并最终确定包含13道试题的测验作业Q矩阵。
2.设计与调整作业
编制测验作业时应遵循以下两个基本原则：一是试题能实现对每个认知属性的诊断；二是试题能实现对每个认知属性的多次观察/测量（一般而言，试题对每个认知属性的测量次数应在三次以上）。本研究的作业设计在遵循上述原则基础上，还考虑了作业数量、作业时间等实际教学情况，并符合数学学科特点。最终编制测验作业共13道题，包含2道选择题、1道填空题、3道判断题、3道计算题和4道应用题，给学生在课后服务中预留45分钟作答时间。
（三）认知诊断模型最优性验证
模型、资料拟合检验常用的测验拟合检验统计量有偏差（deviance）、AIC指标、AICc指标、BIC指标以及DIC指标。学生-模型拟合检验常用的项目拟合检验统计量包括题目对相关统计量和对数优势比统计量。基于学生作答数据和Q矩阵进行数据模拟，选取偏差、AIC、BIC三种测验拟合指标用于测验拟合检验，同时选取题目对相关统计量和对数优势比统计量两种项目拟合指标用于项目拟合检验。
1. 测验拟合检验
测验拟合检验是借鉴项目反应理论中的模型-资料拟合检验方法，基于不同水平学生的观察答对比例与项目反应函数的答对比例之间的一致性来构建拟合检验统计量[28]。为了使得选取的认知诊断模型能够反映学生的知识结构，同时使用六种认知诊断模型对该作业的数据进行模拟。测验拟合指标都是相对指标，反映了作业与模型拟合程度，其值越小说明该模型拟合越好。
由表1可知，DINA模型的AIC指标为455.55，BIC指标为540.86，相对其他模型指标最小；G-DINA模型的偏差为276.42，相对其他模型指标最小。这表明DINA模型和G-DINA模型模拟效果要优于其他四种模型。因此，下文根据DINA模型和G-DINA模型的项目拟合指标选取一个模型分析最终结果。
2. 项目拟合检验
通过模型最优性验证之后，进一步检验项目拟合程度能否辅助研究者选择一个相对拟合良好的模型进行结果分析。本研究选取题目对相关统计量（校正后p值）和对数优势比统计量（RMSEA值）反映每道题目和模型的拟合程度。分析结果表明：DINA模型和G-DINA模型的题目对相关统计量（校正后的p值）大致相当；而对数优势比统计量（RMSEA值）呈现差异。其中，DINA模型的RMSEA值为0.071，未超过临界值；而G-DINA模型的RMSEA值为0.187，超过临界值。因此，本研究最终选择DINA模型分析学生的认知属性掌握情况。
（四）信度、区分度与HCI指标
在测试质量合格情况下形成的诊断报告，才能成为有意义且有实效的辅助手段，因此，确定认知诊断模型后还需要对作业整体质量进行分析和检验。运用flexCDMs平台的DINA模型将学生作答数据和Q矩阵输入后进行分析，得到基于认知诊断的信度、题目区分度和HCI指标。
1. 信度
认知诊断分析平台提供三种测验信度结果，分别是基于经典测量理论（classic test theory，CTT）的内部一致性信度，分类一致性信度指标和重测一致性指标，见表2。
由表2可知，基于CTT的信度系数为0.715，分类准确性与分类一致性指标分别为0.864和0.850，平均对各属性的重测一致性指标为0.982，由此说明分数除法测验作业设计的信度比较理想。
2. 区分度
测验作业由单独的题目组成，题目质量会直接影响作业的信度和效度，进而影响作业准确性。题目区分度指标反映题目对不同属性掌握模式学生的区分能力，题目区分度取值范围[-1,1]，值越大表明题目质量越好。根据CTT标准，区分度大于0.4表明较为优秀。数据分析显示，各个题目平均区分度为0.626，说明作业的题目质量较高。
3. HCI指标
在认知诊断评估中，测验有时并不能很好地描述学生的潜在特质水平。为了检验学生作答行为是否拟合当前模型，应计算测验作业的HCI指标。该指标的取值范围[-1,1]，指标越接近1，说明拟合越好，反之则越差。一般认为，HCI指标不超过临界值0.67，表明数据拟合较好[29]。根据公式计算所有学生的HCI平均值为0.664，表明DINA模型可以较好地解释该数据结果。
四、基于认知诊断的作业设计分析报告
（一）理想测量模式
理想掌握模式是指根据属性间层级关系，得出符合逻辑的掌握模式，而理想测量模式是所有合乎逻辑的测验项目考核模式种类。理想掌握模式Qs可以通过建立邻接矩阵（A矩阵），计算可达矩阵（R矩阵），最后通过扩张算法获取。理想测量模式与理想掌握模式的获取原理一致，但与理想掌握模式不同的是，并不存在一个属性都不考核的情况。学生会存在所有的属性都未掌握，但测验作业若一个属性都不考查，学生也没有必要进行测验。因此，理想掌握模式有18种，而理想测量模式只有17种（第18种全为0的模式不计入，因为测验项目不会一个属性都未考核）。从作业设计的角度来看，理想测量模式作为反映学生潜在的认知属性掌握模式的显性指标，既可以辅助建立作业题库，也可以检验作业题库对理想掌握模式的覆盖程度。
（二）试题参数
作业设计完成后，还应对作业进行评价与分析，因为它直接决定后期认知诊断评估的正确性和有效性。DINA模型中的两个参数可以很好地检验作业中每道题的失误概率和猜测概率，学生正确作答题目的概率会受到sj和gj的影响，一般认为作业失误参数和猜测参数均大于0.4时，诊断效果不佳。表3为本次作业的题目参数，P（0）表示未掌握该题任一测量属性的学生答对题目的概率（猜测参数gj），1-P（1）表示掌握该试题所有测量属性的学生答错题目的概率（失误参数sj）。
由表3可见，有六道题的猜测参数高于0.4，但所有题的失误参数均低于0.4，说明此次作业设计的猜测参数偏高。
（三） 认知属性掌握概率
DINA模型可以针对学生个体，推断学生对每一个属性的掌握情况，从而布置更加合适的作业练习题。随机抽取四位学生，根据他们在本次测验中的回答向量，得到其认知结构的估计向量，并以雷达图的形式进行可视化对比。图2可以清晰看出被试对各个属性的掌握程度，进而提供比较精确的诊断。例如，被试5对属性1~4已基本掌握，对属性5的掌握程度较低；被试14、19对属性3的掌握程度较低，其他属性基本掌握；被试33对属性1、2基本掌握，对属性5掌握程度一般，对属性3、4的掌握程度较低。
（四） 认知属性掌握模式
认知属性掌握模式反映学生的能力水平和知识结构，准确判断学生认知属性掌握模式有利于针对性地指导学生查缺补漏。研究采用极大后验估计法（maximum a posteriori，MAP）对学生的认知属性掌握模式进行归类，帮助教师识别学生的认知属性掌握模式类型。表4为被试学生主要的认知属性掌握模式占比，可以发现学生的认知属性掌握模式主要集中于五种模式，其中类型一的掌握模式为11000（学生习得知识的链条断裂点为属性A3）、类型二的掌握模式为00100（学生习得知识的链条断裂点为属性A1）、类型三的掌握模式为11011（学生未完全掌握属性A3）、类型四的掌握模式为10100（学生运用知识解决问题的能力均较弱）、类型五的掌握模式为11110（学生的高阶转化思维能力较弱）。具体而言：类型三、四、五的学生人数相对较多，占比分别为45.46%、33.33%和15.15%，类型一、二的学生人数相对较少，占比均为3.03%。
五、指向减量提质的作业设计优化策略
中小学作业减量提质的方法论需要在实践中落实，该实施过程不仅关涉认知规律、先验基础、个性特质等学生端因素，同时也强调教师设计能力、技术支持、学校管理水平等教育端因素。本研究基于认知诊断理论构建学生作业设计的实施架构，梳理了应用认知诊断理论进行作业设计的一般流程，并探索了实现中小学作业减量提质的新路径。具体而言，如何进一步发挥认知诊断的作业赋能作用，破解中小学作业减量提质的现实困境，可从以下三个方面进行深入探索。
（一） 探索学生认知规律，助力教师提升作业设计能力
学生认知规律探索既是满足中小学生个性化发展需求的前提，也是保障“双减”政策顺利落实的重要基础。在已有研究和实践中，作业设计倾向于“缺哪补哪”，忽视认知规律对学生掌握系统知识的重要影响，由此大大降低了作业设计的教育效能。因此，要解决作业减负难题，必须充分探索学生的认知规律，助力教师提升作业设计水平和能力。基于认知诊断的作业设计能够辅助教师探索学生潜在的特质水平，从而提升作业的精准性，助力教师作业设计能力的提升。
其一，认知诊断可通过精准评估学生的认知发展水平，为教师开展个性化作业设计提供丰富数据支持，从而帮助教师充分了解学生的认知起点、认知风格和认知速度。例如，前文数据显示（表4），学生基于认知属性的掌握模式（认知风格）主要聚焦在类型三、四、五，占总人数的93.94%。这一认知风格倾向的统计数据，有助于教师从多位学生的认知掌握模式中分析学生普遍存在的问题，也便于教师针对学生的认知弱项设计和开展专项训练作业。
其二，认知诊断可揭示学生之间的个体差异，了解学生的认知起点和发展潜力。作业减量提质需要教师根据学生的最近发展区进行调整设计，使作业更符合学生的认知规律和发展需求，这要求教师能判断同一分数下不同学生的能力水平差异。融合认知诊断的作业设计可依托智慧教学反馈系统，将作业诊断报告反馈给教师，以帮助教师精准把握学生的最近发展区，并针对性激发学生的学习动力和潜能。
其三，认知诊断可以跟踪学生的学习进展和认知发展变化，帮助教师对学生的作业表现进行长期跟踪和分析，及时调整作业设计策略。根据学生的认知特点（作业诊断报告）和发展需求（教师经验判断），设计多样化的作业形式，如书面作业、口头作业、实践作业、探究作业、合作作业等，帮助学生减轻无效练习的负担。特别是当学生对某个属性掌握程度较高时，可减少重复练习的作业，为其推送能够培养高阶思维的创造类或拔高类作业。
（二） 开发认知诊断技术，构建高质量学生作业评价体系
开发认知诊断技术对构建高质量学生作业评价体系至关重要，关乎高质量学生作业评价体系构建水平。如前所述，传统作业设计往往更偏重单维度的学生评估，存在一定的片面性和局限性，而认知诊断技术能够弥补这一不足，从横纵两个维度对每个学生进行全面评估。同时，合理运用认知诊断技术能够增强作业的群体适配程度，通过综合评估班级群体的学习轨迹，可以提升教师作业设计的有效性和整体性。从个体角度来看，基于雷达图的诊断信息可外显学生在学习过程中的认知状态，帮助学生挣脱无效练习的束缚，提供个性化精准学情监测与指导。从群体角度来看，认知诊断报告可实现精准分层，将认知风格类似的学生进行归类，最大限度地保障了教师对学生认知水平的精准判断并及时给予反馈。以本次测验班级学生为例，该班学生的认知风格分为五类，教师可以此设计不同类型的作业内容。例如，类型一的学生应加强A3属性（单位“1”的认识）、A4属性（分数除法的意义及计算）和A5属性（分数除法解决问题）的专项练习。
此外，为构建高质量学生作业评价体系，应持续开发并尝试嵌入以下四个认知诊断技术端口，以进一步支持中小学生作业减量提质。第一，嵌入作业设计端。从作业资源看，许多学校建设作业资源的来源杂乱，学校作业设计主要是经验式设计，这在很大程度上难以保障作业设计的科学性与合理性。因此，为了提升作业设计质量，可以将认知诊断理论融入作业设计端，例如，根据题目的失误参数衡量题目的复杂程度，主要考虑将失误参数较低的题目纳入作业设计，设计更符合学生发展状况和学习认知规律的基础性作业。第二，嵌入作业实施端。借助智能纸笔类作业平台实时采集学生的作业行为数据，实现对学生认知发展和学习行为的动态追踪与比较，并根据在线作答表现的变化为不同学习者动态推送作业内容[30]。第三，嵌入作业批改端。借助认知诊断技术实时得出作业诊断报告，大幅缩短作业学情反馈路径。第四，嵌入作业反馈端。通过如雷达图、知识图谱和热力图等可视化技术，构建可视化的作业结果分析仪表盘，使教师能够更直观地了解学生的学习情况及其在学习过程中的认知变化趋势[31]。
（三） 以数字化平台为支撑，建设系统化学校作业资源库
“双减”政策强调，教育部门要指导学校健全作业管理机制，完善作业管理办法，加强学科组、年级组作业统筹，合理调控作业结构[1]。从已有研究和实践看，许多学校在作业资源库建设上不仅题目来源杂乱，还经常面临人力、物力缺乏困境[32]；此外，区域学校内的优质作业资源共享渠道不畅，也导致流失了大量优秀、适切的题目资源。
学校作业资源库建设是中小学校解决作业问题的现实路径，可显著提升教师作业设计效率。因此，作业资源库建设必须结合认知诊断理论予以优化。首先，完成Q矩阵构建，通常包括“定义子技能”和“建立Q矩阵”两部分[33]，这是后续作业诊断分类准确的基础；其次，优选基于理想测量模式的大量试题，即每一种理想测量模式的试题类型都要多样化，如口述类、巩固类、创造类等；最后，完成作业题库的可视化个性标注，对作业试题的属性、难度、时间等数据进行标注，供教师根据需要选择。
此外，学校作业资源库建设是一项长期工程，学校应在管理工作中加入作业资源库建设，将其提升至学校管理的核心地位。一方面，要主动借助信息管理平台，丰富作业资源储备。在建设作业资源库时，学校可分学科、年级、教材章节、知识点、作业类型等不同维度进行收集整理，确保资源库具有层次清晰、结构科学和易于检索的特征，共同推动作业资源库的建设和发展。另一方面，应严格把控作业入库的质量关，确保题目符合入库标准。从作业设计角度看，学校作业资源库的建设直接影响推送作业的质量高低，作业题库是系统根据教师布置的作业范围、学生学情大数据，自动挑选适合各层次学生能力的作业题目的重要基础。
六、结束语
本研究结合当前中小学作业减量提质的难点和认知诊断模型显著特征，以认知诊断模型为技术突破点，构建了基于认知诊断模型的中小学作业减量提质的实施架构。研究不仅明确了应用认知诊断理论进行作业设计的设计架构，还从作业设计全流程环节对实践应用场景进行了探索。
基于认知诊断模型的作业减量提质体系还有进一步的完善空间，可在后续研究中继续探索。首先，可增强前沿智能技术与作业设计的融合，提升认知诊断模型泛化能力和精准度，提升该作业设计方法的推广性；其次，可聚焦认知诊断的核心优势和数据积累，将诊断场景延伸到学生成长全过程，实现认知诊断模型对学生发展的全方位支持；最后，可探寻人机协同的作业设计机制，将教师智慧与机器智能有机结合，避免过度依赖技术或陷入“技术怪圈”。
来源：永大英语