完成日期：2026-07-26
摘要
1. 数据来源与方法说明
文献计量
文献与事实检索
学术检索源说明
URL 验证
2. 概念界定与理论框架
2.1 "交互式测评"作为伞概念
2.2 五大分支概念辨析
表格
3. 国外研究进展
3.1 文献计量趋势：三个量级层级的同步扩张
高产出层
细分主题层
新兴爆发层
3.2 近五年研究热点
交互式测评研究进展与工具平台开发调研报告调研范围：国内外交互式测评（Interactive Assessment）研究进展、关键技术、工具与平台开发 证据基座：78 条证据块（E01–E78），URL 批量验证 75 条中 58 条通过、0 条失效、17 条为出版商反爬拦截（判定有效） 交互式测评已从边缘概念发展为教育评价领域最活跃的方向之一。OpenAlex 文献计量显示，"AI 反馈·教育"主题论文从 2020 年的 98 篇激增至 2025 年的 6130 篇；"大模型×形成性评价"从 2022 年的 7 篇增至 2026 年（不完整年）的 192 篇；游戏化测评十年间增长近 4 倍（2015 年 602 篇→2025 年 2386 篇）。 干预效果证据总体积极但存在张力：计算机化动态评估（C-DA）三层元分析显示对二语表现的大效应（嵌入式 g=2.120、夹层式 g=1.676，2026 年 7 月在线发表）；游戏化形成性测评合并效应值 0.775（2021）；但也有对照实验发现游戏化测评"提升动机但未提升学业"的对立证据，本报告如实并存呈现。 大语言模型（LLM）正在重塑交互式测评的技术底座：对话式测评（CBA）多代理架构（AIED 2025）、LLM 反馈自动质检器（准确率 79.8%）、实时题目标定框架（DET 的 S2A3，5 小时标定 3900 万作答）成为近两年的标志性进展；但 LLM 反馈幻觉率仍达 23.5%–27.1%（EDM 2024），人在回路（human-in-the-loop）成为主流防护设计。 国内形成"政策牵引 + 理论建构 + 平台落地"三轮驱动格局：2020 年《深化新时代教育评价改革总体方案》、2025 年九部门教育数字化意见、2026 年《"人工智能+教育"行动计划》构成政策三部曲；"学评融合""第五代教育评价""人机协同评价"等本土理论相继提出；科大讯飞智学网、松鼠 AI、批改网、华东师大 InnoSpark 体系构成产业与高校自研两条平台路线。 开发技术路线呈"规则—心理计量—机器学习/大模型"三代并存：规则路线（e-rater 式特征工程）成熟稳定，IRT/认知诊断路线（CAT、ALEKS）测量学严谨，ML/LLM 路线（多代理对话式测评）交互性最强但信效度与公平性挑战突出；开源框架（Concerto、TAO、GIFT、pyKT、InnoSpark）已显著降低开发门槛。 使用 OpenAlex 开放学术数据库（search-works 接口，title_and_abstract.search 关键词匹配，按发表年分组计数），查询日 2026-07-26；2026 年为不完整年度，图中以虚线标注。关键词 AND 匹配口径跨学科，计数受选词影响，仅作趋势指示。 中英文并行联网检索 16+ 轮，优先采信一手/官方来源（期刊官网、会议论文集、政府文件、平台官方文档），其次专业媒体；厂商自报数据（如松鼠 AI 对照实验、批改网计数）均标注利益相关并降权处理。 Semantic Scholar 接口在调研期间持续限流（HTTP 429），高被引锚定与趋势计量改由 OpenAlex 完成，叙事性证据以期刊/会议官网原文为准。 全部 75 个引用链接经自动化批量验证，58 条直接通过，17 条为 MDPI/OECD/ResearchGate 等站点反爬拦截（403/412，判定链接有效），0 条失效。 "交互式测评"并非单一标准术语，而是一簇共享四个特征的评价实践总称：过程性（测评嵌入学习过程而非仅在学习终点）、双向性（系统依据学生反应动态调整任务或提示）、适应性（难度、路径或反馈因人而异）、数据驱动（作答与过程数据实时转化为学习证据并触发干预），最终形成"测评—反馈—调整"闭环。国际大型测评已将其操作化：PISA 2012 创造性问题解决测评以计算机模拟情境中的"交互式"任务为核心，全部自动评分并利用过程日志参与评分；对话式测评（CBA）则被定义为学生与人工代理通过自然语言多轮对话展示知识与技能的表现性测评。
动态评估（DA）植根于维果茨基社会文化理论的"最近发展区"，以"中介"为关键机制，将教学与评估融为一体，分互动式（依赖专家与学习者的真实对话）与干预式（预设提示层级、可自动化）两种路径。奠基性文献 Poehner & Lantolf（2005）在 OpenAlex 被引 421 次。C-DA是其计算机化形态，干预式路径因高度结构化而具备自动化潜力，但面临线性提示链无法动态响应个体认知节奏的挑战——这正是 LLM 介入的切口。 隐秘测评（Stealth Assessment）由 Shute 提出，基于证据中心设计（ECD）的能力模型—证据模型—任务模型—组装模型四框架，把游戏中的行为流实时转化为能力证据（证据识别 EI + 证据累积 EA两过程）。ECD 本身由 Mislevy 等（2003）提出，为整个交互式测评领域提供了通用的概念设计框架。 AI 形成性评价的学理根基是形成性反馈研究：Shute（2008）《Focus on Formative Feedback》被引 4278 次、Nicol & Macfarlane-Dick（2006）形成性评价与自我调节学习模型被引 5547 次（均截至 2026-07-26），构成反馈设计的原则库。 OpenAlex 计量（2026-07-26 快照）显示三个层级的同步扩张： "AI 反馈·教育"2020 年 98 篇→2025 年 6130 篇（五年 62 倍）；"游戏化测评"2015 年 602 篇→2025 年 2386 篇。 自动作文评分（AES）2015 年 58 篇→2025 年 362 篇；隐秘测评 2025 年首达 100 篇；C-DA 从 2015 年 63 篇缓增至 2026 年（不完整年）97 篇。 "大模型×形成性评价"2022 年仅 7 篇，2024 年 73 篇，2026 年（不完整年）已达 192 篇——ChatGPT 发布后三年增长 27 倍。 一项基于 Scopus 105 篇文献的系统综述（2015 至 2025 年中）同样发现数字测评发文自 2020 年激增、2024 年达峰，形成性评价占比最高（55/105）。二语 DA 领域 30 年文献计量（229 篇，1994–2023）将领域划分为萌芽期（1994–2010）、发展期（2011–2017）、蓬勃期（2018–2023），并指出"技术增强的混合式 DA 在 EFL 情境中成为关键新兴趋势"。 （1）C-DA 有效性的元分析证据趋于坚实。2026 年 7 月在线发表于 RECALL 的三层元分析（中国海洋大学杨连瑞、陈瑛与香港理工大学李少锋合作）综合 2000 年至 2025-05-27 间 35 项研究：C-DA 对二语表现提升呈大效应，嵌入式（cake）g=2.120、夹层式（sandwich）g=1.676，均 p<.001。另一项独立元分析（22 项研究，2025）同样报告阅读、听力、写作大效应，但对焦虑、动机等情感因素作用温和。教学实证方面，Yang & Qian（2019）的 TOEFL 阅读 C-DA 准实验显示 4 周干预后实验组显著优于传统教学组（被引 81 次）。 上图汇总四条独立证据链的效应量：C-DA 两种实施格式均远超 Cohen 大效应阈值 0.8；智能导学系统学习收益 0.4–1.1σ 为文献综合区间；游戏化形成性测评 0.775 接近大效应。需注意 C-DA 效应量基于小样本准实验为主的研究库，可能含发表偏倚，解读时宜与游戏化测评的对立证据（见 3.2 节第（5）点）对照。 （2）LLM 自动测评与反馈成为独立综述主题。高校文本作答自动测评系统综述（2024）被引 116 次；LLM 自动测评系统综述（2025）被引 41 次（被引数截至 2026-07-26）。按 PRISMA 2020 纳入 34 项研究（覆盖 19 国）的 LLM 写作反馈综述（2026）得出关键判断：LLM 反馈利于写作产出、语言准确性、参与度与反馈素养，但人类反馈在论证发展、情境解读、修改优先级与对话式指导上仍更强，混合反馈模式最有前景。方法学上，CoTAL 将 ECD 对齐、人在回路提示工程与思维链结合，使 GPT-4 形成性评分较无提示工程基线最高提升 38.9%。 （3）LLM 反馈质量问题被系统量化。EDM 2024 研究显示数据驱动与提示驱动两类 LLM 反馈系统的幻觉内容分别占 27.1% 与 23.5%；AIED 2024 研究显示 GPT-4 对数学反馈质量的标注与人类平均一致率 76%，且倾向于在反馈"听起来有说服力"时误判为正确；系列实证还报告数学辅导对话约 50% 含错误、AI 下一步行动准确率仅 52%–70% 等问题（二手转述，原研究未逐一核验）。应对上，Monash 大学团队提出 DeanLLMs 反馈评估器（6 内容维度 + 7 有效性维度 + 3 类幻觉），微调 GPT-4.1 达人类专家水平（准确率 79.8%），用于反馈送达学生前的自动质检。 （4）对话式测评的多代理架构兴起。Hou 等（AIED 2025）基于 ECD 构建 4 个 LLM 代理（专家、同伴、形成性评估、总结性评估）+ 非 LLM 监控代理（Watcher）的 CBA 架构，在中学科学探究场景验证了证据收集的可行性。其前身可溯至 AutoTutor（Graesser 团队，1997 年起）：以"期望—误解定制"对话机制开展 50–200 轮自然语言对话，学习收益 0.3–0.8σ；2018 年研究将 AutoTutor 对话数据用作低识字成人阅读理解测评工具，验证对话式测评可行性。 （5）游戏化测评：效果证据与对立证据并存。36 个独立实验的元分析显示 Kahoot 与 Quizizz 对学习结果有中到大正效应（合并效应值 0.775，Quizizz 优于 Kahoot，2021）；但 NTNU 对照实验发现游戏化学生应答系统显著提升动机与参与度、却未发现显著学习提升；UPM 五年纵向研究（1000+ 工科生）则显示"坚持参与"才是学业表现最强预测因子。三者的张力提示：游戏化测评的增益可能主要通过持续投入的中介路径实现，而非游戏机制本身。 （6）自适应机制的成熟化。阿姆斯特丹大学 van der Maas 团队的 Computerized Adaptive Practice（CAP）以 Elo 评级式项目反应模型实现"边测边标定"：3648 名儿童 10 个月完成 350 万道算术题，平均成功概率控制在 .75。OECD《数字教育展望 2021》判断游戏化标准化测评可测创造、协作、社会情感等复杂技能，但将作为传统测验的补充而非替代。 （7）大型国际测评的交互式转向。PISA 2012 创造性问题解决测评将"交互式"任务置于核心、44 国参加（新加坡、韩国、日本前三）；PISA 2022 创造性思维测评 32 道题中 92% 为建构反应题、含交互式仿真任务，采用 0–60 有界量表。混合智能方面，HIAS 三层模型（教学层—治理层—技术层）强调人在回路验证与可规模化集成的平衡（2026-07-10 发表）。 2020 年 10 月，中共中央、国务院印发《深化新时代教育评价改革总体方案》，确立"改进结果评价、强化过程评价、探索增值评价、健全综合评价"方针，明确"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"。2025 年 4 月，教育部等九部门《关于加快推进教育数字化的意见》设"赋能教育评价改革"专条，提出"推动实现教学全过程、发展全要素伴随式数据采集"；2026 年 4 月，教育部等五部门《"人工智能+教育"行动计划》进一步提出"推动智能命题、智能组卷、智能监考、智能评卷等应用。研发教育评价智能化工具"。政策文本的演进轨迹清晰：从"方向倡导"（2020）到"机制建设"（2025）再到"工具研发"（2026），交互式测评的装备化窗口已经打开。 辛涛、张生等（北师大中国基础教育质量监测协同创新中心，《开放教育研究》2025 年第 5 期）提出评价目的转向促进发展、主体转向学习者参与、技术转向动态诊断，核心技术路径为"数据层—诊断层（认知诊断模型）—推荐层"个性化学习引擎，并警示可解释性、数据伦理、数字鸿沟三重挑战。 朱雪梅（课程教材研究所，2025）梳理评价理论"测量—描述—判断—建构"四代演进，提出数智时代"智联共生性第五代评价模式"及数据治理、技术赋能、应用转化、保障支撑四维实践机制。 蒋慧芳、曾文婕（西南大学）提出生成式 AI 推动教育评价从"甄别诊断"到"素养发展追踪"、从"教师主导"到"人机共生型评价共同体"等五个转向。 刘伟等（《江苏高教》2026，CSSCI）构建"数据层—分析层—决策层—展示层"四级人机协同评价模型，微格教学案例显示机器评价与教师评价结果呈差异性，二者为能力互补而非替代；江涛、陈顺星（2026）面向初中数学构建"能力层—二级维度层—具体指标层"三级人机协同评价模型，形成"准备—评价—反思"闭环。 国内二语 DA 文献 2000–2024 年共 87 篇（期刊、学位论文、书章）的综述显示：DA 提升学习者投入与表现，但受应试教育、大班额、师资培训不足制约；未来方向为 AI 辅助 DA 模型与可规模化集体中介。代表性团队有三：深圳大学张浩敏团队提出四级渐进提示机制与"实际分数+中介分数"双结果计分法，其团队研发的基于 LLM 的计算机化动态写作评估系统 DynaWrite（2025）采用松耦合微服务架构（Kafka 消息队列连接前后端 NLP 单元），GPT-4o 生成反馈可用率 68%、远高于其他开源模型的 12%；北京语言大学王建勤团队完成理论铺垫，提出"计算机辅助""群体 ZPD"模式、可操作调节等级量表与新学习潜力分数（LPS）公式；中国海洋大学团队开展语用能力 C-DA 诊断与干预实证（即 3.2 节 RECALL 元分析的合作方之一）。Frontiers in Psychology（2026-05-15）发表的国内实证（N=92，16 周）显示 AI 辅助 DA 组阅读理解显著优于对照组，并提升学业浮力与学业韧性。 认知诊断模型（CDM）以 Q 矩阵联结题目与认知属性，输出"掌握/未掌握"技能剖面；2015–2025 年系统综述（56 篇 Scopus 文献）显示 CDA 主要应用于数学、科学与语言教育，中国、美国、马来西亚贡献最多。《心理科学》（2021）发表多级评分认知诊断模型述评，显示国内心理计量学界持续跟进。北师大刘红云团队（2018）针对 PISA 2012 过程数据提出改进的多层混合 IRT 模型（MMixIRT），可同时估计过程水平与学生水平能力。 华东师大上海智能教育研究院 2026 年 7 月发布"启创·InnoSpark 3.0"教育大模型（9B/35B/397B 三规格，基于 Qwen 二次预训练，Hugging Face 开源）、"启创·InnoAgent"教育智能体平台（集成 300+ 教育智能体、1000+ 技能，GitHub 开源）与"启创·SkillJudge"技能智能评测系统，配套 ELMES/ELMES+ 评测体系（Edu-330 覆盖 330 场景、11 学科、1000+ 二级指标）。ELMES+ 用多代理（教师—学生—裁判）交互评测 LLM 教育能力，发现教育能力是多维的：顶级 LLM 差异主要在创造力与价值融合，知识强模型可能弱于苏格拉底式脚手架；LLM 裁判存在自我偏好等偏差。这是国内高校在"用 AI 测评 AI 教育能力"方向上的标志性布局，对自研交互式测评平台具有直接的框架参考价值。
值得注意的是工程落地的清醒判断：EDM 2025 产业论文在真实学习平台评估 LSTM 与 SAKT 后指出，过度关注聚合 AUC 会掩盖实际部署问题（如需大量作答才能准确预测、技能呈现顺序影响 LSTM 表现），主张结合实践条件选型。
区域层面，杭州"思享慧"语音互动教学系统以应答器采集全班语音作答并实时归类呈现，市平台"科学领杭"自 2025 年 3 月运行以来学生累计提问超 42 万个（2026-07 报道）。
架构范式上呈现三个共识：其一，ECD 仍是设计方法论底座——从隐秘测评到 AIED 2025 的多代理 CBA，能力模型—证据模型—任务模型的分层思想贯穿始终；其二，微服务+消息队列成为 LLM 测评系统工程主流，DynaWrite 以 Kafka 连接前端与后端 NLP 单元实现松耦合；其三，人在回路成为质量保障的标配——HIAS 治理层要求透明与人工验证，DeanLLMs 在反馈送达前自动质检，多模态 OBE 评价系统采用"AI 客观题自动评分 + 教师开放题复核仲裁"机制。题目供给端，SPICE 式"贝叶斯标定+NLP 题目特征"的实时标定框架与 e-Cube 式题目生成器，正在缓解 CAT 题库建设的核心瓶颈。 二语 DA 文献计量确认"技术增强混合式 DA"为关键新兴趋势，LLM 使干预式 DA 的线性提示链有望升级为动态生成的个性化中介。 发文三年 27 倍增长，混合反馈（AI 建议+教师中介）成为最有前景模式。 在 AI 代写作业防不胜防的背景下，动态交互式访谈作为真实性核验手段兴起，商业侧已有 Claire Labs 等落地。 语音应答器、智慧纸笔、课堂无感采集使伴随式数据采集进入常态化教学。 中国 2026 年"人工智能+教育"行动计划明确"研发教育评价智能化工具"；美国学校实践中 Khanmigo、Amira 已进入区域规模化应用。 LLM 反馈幻觉率 23.5%–27.1%（EDM 2024）；GPT-4 易被"听起来有说服力"的错误反馈蒙蔽；数学反馈系统评估显示潜力与挑战并存。 AI 检测器更易将非英语母语者写作误判为 AI 生成；94% 的 AI 生成作业混入真实测评系统未被发现（二手转述）；以城市数据训练的 AI 监考将农村网络延迟误判为作弊、以标准英语训练的评分器误判皮钦语正确表达等案例被"技术—政策—实践"框架系统归纳。 生成式聊天机器人教育伦理系统综述（2026-07-15，纳入 16 项研究）归纳学生数据隐私、学术诚信、算法偏见、机构治理四大伦理域；剑桥研讨会报告警示数字监控常态化与测评判断终身跟随学生的风险。 学生对 AI 评分感知呈混合态度，透明度与一致性是信任关键；去人性化与教师专业判断退化被列为长期隐忧；国内"学评融合"框架同样警示数字鸿沟衍生的公平困境。 交互式测评正处于"理论成熟期 × 技术爆发期 × 政策窗口期"三期叠加的历史节点。对高校研究者与平台开发者，本报告给出四条建议： DA/C-DA 适合测"学习潜力"、CAT 适合高效测量、CBA 适合深度理解与真实性核验、游戏化适合动机与低焦虑场景——按测评目的选择分支，再匹配 ECD 设计流程。 以 IRT/认知诊断保证测量的严谨性，以 LLM 承担交互与反馈生成，以人在回路（教师复核+自动质检器）兜住幻觉底线——这是 DynaWrite、HIAS、DeanLLMs 三条独立证据链的共同指向。 CAT 用 Concerto/TAO、导学用 GIFT、知识追踪用 pyKT、教育大模型用 InnoSpark/InnoAgent，可将开发重心集中在题库、量规与学科适配等真正创造价值的环节。 在题库标定阶段做群体差异检验，在反馈生成阶段做多语言/方言稳健性测试，在数据架构阶段落实最小化采集与透明告知——剑桥报告与 F1000 综述均表明，伦理债的偿还成本远高于预防成本。 研究缺口说明：职业教育场景的专门交互式测评研究在本次检索中证据薄弱（仅经师范生技能评价与 OBE 系统间接涉及）[INFO_GAP]；国内高校自研系统（除华东师大体系外）的公开技术细节有限，多依赖厂商口径，已在相应条目标注置信度。
