一、试卷的评阅
命题与阅卷是学习评价的两项主要工作。客观型的试题评阅较为简单；主观型试题的评阅，则必须遵循一定的原则，以使人为误差减至最低。评阅主观型试题应注意的原则如下：
1．明确该题期望答案的项目以及答对每一项目的给分，然后逐项给分。
2．应用适当的给分系统。常用的给分系统有计点法和分级法两种。
3．事先决定如何处理与期望答案无关的答案，给多少分、不给分或者扣分。
4．一次评阅一题，等所有试卷的该题都阅毕后，再评阅下一题。
5．阅卷时，不要看学生姓名，以免给分受印象影响。
6．若有两位以上的评阅者，应分题评阅，不可分卷评阅，所有试卷的某一题，以由同一人评阅为原则。
7．可能的话，每一份试卷均能由两个人重复评阅，并计算两人所给分数之间的相关，以求得给分的信度。
8．大规模的正式考试，要随机抽样适当的答卷进行预评，考察可能出现的各种答案，并制定相应的给分办法。
二、试题分析
试题分析是对试卷中单个试题的测试结果进行分析，从而确定试题的品质。试题分析的主要内容包括：①难度分析；②区分度分析；③针对选择题的诱答力分析等。
（一）试题分析的步骤
试题分析可以通过相应的教育统计软件来完成。在没有统计软件帮助的情况下，通常实施试题分析的步骤如下：
l．将试卷按得分的高低排列。
2．由最高分向下取全部试卷数的27％或1／3，称为高分组。
3．再由最低分向上取与高分组相同份数的试卷，作为低分组。
4．分别计算高、低分组，选答各试题每一选项的人数，记录在试题卡上，如表9—3。
5．计算各试题的难度（P），以百分比表示，其计算方法如下：
难度（P）＝（RU＋RL）／2N
RU：高分组答对该题人数；RL：低分组答对该题人数；N：高分组或低分组人数。
6. 计算各试题的区分度（D），其计算方式如下：
区分度（D）＝（RU－RL）／N
7．评价每一试题的选项的有效性或诱答力。有效性或诱答力没有具体的计算公式，但作为择题中一个有效的选项，应该做到：①至少有一位低分组学生选择该不正确选项。②选择该不正确选顶的低分组学生人数应该比高分组学生人数要多。否则，该选项的存在是没有价值的。另外我们通过分析高分组学生的答题情况，可以了解题目或者教学是否存在问题，比如：在高分组中，某一错误选项的选择人数多于正确答案的人数，说明教学中可能有错误的教学，或题目本身有错；如果各选项的选择人数差不多，说明答题时猜测成分较大；如果某个错误选项和正确选项的人数相当，说明教学中可能存在概念不清，或题目中叙述不清的问题。
8．将所有试题依其难度与区分度制作综合分析表；综合分析表请参考本节表9－5。
（二）如何评价和改进试题
阅卷之后，最好能够将试题分析结果与试题一起记录下来，逐题加以评价。其P、D值都适合者，搜集起来，供自己将来命题参考；而P、D值不太适合的试题，则必须加以修改，以改进其P、D值，无法改进或修订者，则予以废除。为了使试题的评价不梢耗太多时间，又能明确评价并掌握每一试题的优缺点，下面介绍两种疗法。
1. 制作试题卡
将试题连同试题分析结果抄录成卡称为试题卡。试题卡可以因各人的喜好与使用的方便，改变其格式，下面的格式只是其中的一种，读者可以变通。试题卡至少应包含三个部分（表9-3）。
(1)知识内容、目标水平和编号。
(2)题目(试韪和选项)。
(3)试题分析结果。
第一部分，内容指学科知识内容，而目标水平则指回答该试题所需的思维过程，是属于教学目标的认知、情感态度和技能之中的哪一领域和认知水平。第二部分则包括试题与参考答案，参考答案通常在选项前以*号表示。第三部分是试题分析的资料和结果，这个部分以另行印制为宜，因为，试题每使用一次，便有一次分析，同一试题的试题分析结果，可以浮贴在以起，供评价试题时参考。
类似这种试题卡，可以依编号、科别或内容来分类处理，以建立自己的小型题库，供将来命题之用。假如能更进一步以图书编目的方式来处理，或将这些资料存储在计算机的某一资源管理平台上，则在参考和应用时，将更为便捷。不过在使用时，必须特别注意的是，在每次测验后，均应将试题全部收回，否则学生反复演练，再好的试题，也会失去其难度和区分度，而使评价的信度降低。
表9—3 试题卡的格式之一
编号：B-G3006
科别：高中生物学
内容：第三章：水分代谢
目标水平：认知（综合）
题目：深秋，落叶树的叶片大部分落下后，土壤中的水和矿物质向树干上部运输逐渐减少，其主要原因是：
A.根的呼吸作用减弱 *B. 蒸腾作用减弱
C. 植物细胞渗透压降低 D. 大部分导管阻塞
| 试题分析记录 | |||||
| 可能答案 | A | B | C | D | 空白 |
| 高分组（16人） | 0 | 16 | 0 | 0 | 0 |
| 低分组（16人） | 3 | 6 | 2 | 4 | 1 |
| 难度（P） | 69% | ||||
| 区分度（D） | 0.63 | ||||
| 备注： | |||||
2. 评价试题的简单方式
如果觉得制作试题卡耗时太多。或者试题还在修饰阶段，在试题卡上修改不太方便时，可以先以一种简单方式评价试题（表9—4）。方法如下：
表9—4 评价试题的简单方式
| 12.下列人体细胞中，含染色体数目最少的是： | ||
| P=43%
D=0.2 | （A）白细胞 | （6—7） |
| （B）神经细胞 | （4—9） | |
| *（C）精子细胞 | （16—10） | |
| （D）上皮细胞 | （3—2） | |
| （空白） | （1—2） | |
（1）将空白试题剪下浮贴于硬纸货卡片上，或者直接就拿一份空白试卷来处理。
（2）分别将高、低分组选答每一选项的人数填在每一选项之前或后，例如：表9—4所示
。第一和第二数字分别代表高、低分组的人数。
（3）再分别计算该试题之P、D值，将结果记录在试题编号前面。除难度和区分度之外，选择题中的选项的诱答力也是我们评价和改进的试题的指标之一。假如有一选项，选择的人为零，则表示所有学生，不论是否具备该试题拟评测的知识或技能，都能看出该选项是不合理或荒谬的；对于这种情况，必须另行设计一个选项来取代这个不合理选项，否则原设计为四选一的选择题，由于有一选项没有人选，实际上对学生来说，就成为三选一的选择题。许多难度与区分度均不太理想的试题，都是由于某1—2个选项不十分有效所致。如果能够将无效的选项另行设计取代，该试题的品质便可大幅度改进。
三、 试卷分析
试卷分析是对整个测验品质作出的分析。通过试卷分析确定本测验是否达到测验目的，是否真实、有效和可信。试卷品质的分析包括试卷的综合分析、基本的描述性统计分析以及信度和效度分析。
（一）试卷的综合分析
计算出测验试卷的每个试题的难度（P值)和区分度（D值），然后分别以试题的P值和D值两个维度作坐标，根据各试题的P、D值，将题号填入坐标内的空格，形成一个综合分析表，如表9—5.通过这种综合分析表可以简单明了地了解在某一次测验评价中，有多少试题和哪些试题的P、D值达到理想，哪些试题的P值或D值或两者都没有达到理想而需要改进。
表9—5 试题的难度和区分度综合分析表
| P值 D值 | 0以下 | 0~0.19 | 02~0.29 | 03~0.39 | 04~0.59 | 0.6以上 |
| 80~100 | 31 | 12,21 | ||||
| 60~79 | 50 | 18 | 37.79 | 1,14,25,29 | 27,35,44 | 3,7,16 |
| 40~59 | 8,40 | 22,43,47,48 | 6,9,20,24, 46 | 13,15,19, 28,36,45 | 10,23 | |
| 20~39 | 32 | 2,26 | 11,33,42 | 4,5,38 | 17,30 | 34 |
| 0~19 | 49 | 41 |
*P值平均=52%；D值平均=0.37。
1. 难度(P)分析
一般而言，常模参照评价中，希望将受试者的得分尽量分散开来，以便比较学习成就的优劣。据研究，试题的难度P值愈集中于中等部分，则受试得分愈分散。因此，难度以在50%左右为最好，也就是我们希望高分组的同学都答对，而低分组的学生都答错，只有在这种情形下，试题的区分度D值才能趋于完美（即D=1）。但实际上，任何一个试题，均有被学生盲目猜对的机会，其猜对的几率为1/n (n为选项数）例如：四选一的选择题，猜对的机会约为1/4，因此，理想P值便会低些。在实施学习成就评价时，我们通常都希望学生的平均得分，落在满分（国内常为100分为满分）与机遇得分（就四选一的选择题来说即为100/4=25分）的中间，若试卷的试题全部为四选一的选择题，则理想的平均分即为25+（100-25）1/2=62.5分。因此，有人认为，理想的P值，就以“期望平均得分”为准，就上例来说，就是62.5% 。
2. 区分度（D）分析
理想的试题应该是所有高分组的学生都答对，而低分组的学生都答错，此时，D值为1；假如相反，高分组的学生都答错，而低分组的学生都答对，则D值为—1，因此，D值是介于—1与+1之间。就常模参照评价而言，D值愈大，学生得分便愈分散，相应地，试卷标准差（SD）也比较大，试题品质较高，信度也较大。那么到底D值要多大才算好呢？完美的D值（D=1)通常不容易得到，因此，在学习成就评价上，我们通常以表9—6的标准来评价。
表9—6 试题区分度(D)的评价标准
| D值 | 评价 |
| 0.4以上 | 极佳的试题 |
| 0.30~0.39 | 尚可的试题，可能需要稍加改进 |
| 0.20~0.29 | 不佳的试题，必须加以改进或废弃 |
| 0.19以下 | 极差的试题，应废弃 |
（二）试卷的基本描述统计分析
基本描述统计资料是分析和描述测验结果的重要指标，掌握这些统计指标的含义可以帮助我们解释和理解评价结果。现将一些基本的统计指标分述如下。
1. 平均数
平均数或平均分的大小可以代表试题的难度程度，理想的平均数约在满分与机遇得分之间。平均分（M）的计算公式如下：
M=∑X/N
∑X：每一试卷分数的总和，即参试且交卷的学生得分总和。
N:试卷数，即参试且交卷的学生人数。
假如实际值比理想值低，表示试题太难，反之亦然。
2.标准差
标准差代表评价结果的分散度和变异度，通常以SD或ó表示，实际上，它是方差的平方根。标准差愈大表示分数的变异度愈大，当其他条件相同时，标准差愈大，试卷的信度也愈大。理想的标准差大约为满分与机遇得分之差的1/6，评价结果的标准差，以约与理想值相似为宜。标准差的求法如下：
SD＝√∑d2／N
d：各分数与平均数之差；N：试卷总数。
3．相关性分析
阅卷后，将得分登记在成绩记录表上，然后计算与类似性质的评价结果的相关性，也是分析评价结果的方式之一。相关的大小通常以相关系数correlation即r表示，r值介于-1和＋1之间，当r值为正数且达显著水准时，称为正相关，为负数时，则称为负相关，r值未达显著水准时，则表示零相关，亦即没有任何相关存在，r值愈大，表示两组相关愈密切。例如：同一组被试者先后接受了两次测验，若两次测验的分数的r值达0.8，表示两者的每一分数间，均有密切关系存在，亦即第一次测验得分高者，第二次测验得分也高，第一次得分低者，第二次得分也低，说明这两次测验具有同质性。因此，相关系数（r）的大小，也可以用来代表测验试卷的信度。
（三）试卷的信度分析
1．影响信度的因素
所谓信度是指评价的结果（分数）与其拟评测的学习成就的一致性。下列因素均会影响评价结果的信度。
（1）试题的数量。通常题数愈多，信度也愈高，因为，题数增加时，可以将学生以机遇方式猜题，而侥幸答对的影响降低。
（2）分数的分散度。分数愈分散，信度愈高，因为，分数分散时，表示每一得分的差异较大，于是，测验误差对学生名次（或得分）的影响便较小。
（3）试题的难度。就常模参照评价来说，试题太难或太容易均将导致信度降低。
（4）试题的区分度。试题区分度愈理想，信度愈大。
（5）评价工具的客观性。当其他条件都相同时，通常客观性评价工具所测得的结果，要比主观性评价工具所测得的结果信度高。但是要注意的是，这个说法并不意味着主观性评价工具不好，应尽量少用。因为主观型试题和客观型试题各有其长处和短处，假如为了明确达到我们的评价目标，有时牺牲一点信度是值得的。
2．信度系数的估算方法
估算信度系数的方法很多，下列为几种常用的方法。
（1）重测法。以同一份试卷测一群（班）学生两次，两次评测相隔一段时间，于是每位学生各有两个分数，然后求出两组分数之间的相关系数，即为信度。因为这种方法所求出的信度实际上是在测定分数的稳定性，因此，又称为稳定信度，也叫重测信度。
（2）对等法。又称平行法，即根据相同的命题双向细目表，制作两份在内容、难度和题型上尽可能类似的试卷，然后分别用这两份试卷来测验同一群学生（可连续或相隔一段时间实施），每位学生各得两个分数，再求出两组分数之间的相关系数，即为信度系数。这种信度旨在测定分数的对等性，这两份试卷互称为复本，得出的信度也叫复本信度。
（3）分半法。在实施测验之后，将每一份试卷的奇数和偶数题分别计分，于是每一份试卷便可得到两个分数。然后求出所有学生的奇数题分与偶数题分两者之间的相关系数，以Rhh 表示，再依照斯皮尔曼-布朗校对公式（Spearman- Brown Formula）计算分半信度系数Rxx。其计算公式为：Rxx＝2Rhh/（l＋Rhh）。
（4）库李法（Kuder-Richardson method）库-李二氏于1937年提出一些评估信度的公式，其中比较常用的有两个公式，称为KR20和KR21 。其计算公式如下：
KR20＝K／﹛K-1[1-∑pq/σ2]﹜
KR21＝K／﹛K-1[1-M（K-M）/Kσ2]﹜
K ：试题数
P：答对某一试题的学生所占的比例
q：答错某一试题的学生所占的比例（q=1-p）
σ：分数之标准差
M ：分数之平均数
当评价工具的难度大体上均在50％左右时，用KR21 来计算信度比较简便，不过当试题之难度不一，且变化很大时，使用KR21 往往会低估信度。库李法与等分法就内容上来说，都在估算评价工具的内部一致性。由于库李法基本上假设所有试题都是均质的，因此，不适合用来求取快速测验的信度，因为在快速测验中，有些学生无法做完所有题目，将导致KR20 或KR21信度系数的混乱。
以上所述四种计算信度的方法之中，由于分半法与库李法均只需进行一次测验，实施起来比较容易，因此，一般教师在进行学习成就评价时，常用这两种方法评估信度。
（四）试卷的效度分析
效度是指测验分数的正确性。换言之，就是指一个测验能够测量到它所想要测量的特质的程度。就学习成就评价的范围来说，所谓效度是指评价工具是否精确地测出了该工具期望评测的成就，如果同一测验使用的目的不同，则关注的效度类型也不相同，效度估计的方法也就不同。所以，通常效度是很难以具体的数值来定量的，也没有一套计算效度的公式可直接运用。但就评价和改进一个测验的直接效度而言，我们在实际工作中需要注意下列事项：
1. 答题说明应明确详尽，使学生不至于有任何混淆或误会。
2．编题所用的词汇和句子不可艰涩深奥，以致学生因无法看懂而无从下笔答题。
3．语意要清楚明确，不可稍有模糊。
4．试题数量不可太少。
5．编题时不可有意无意地在题目中提供任何与答题有关的线索，导致学生猜题。
6．试题难度应适当。
7．试题应尽可能评侧重要的概念、思考过程，以及知识的理解、分析和综合，而不宜故意设置陷阶，评测一些琐碎、零星的记忆性知识。
8．试题的排列次序应先易后难，以免学生花大多时间在较难的题目上，以致时间不足而放弃了一些容易的试题。
9．信度是效度的必需条件，因此，效度高的评价，首先信度要够。
10．同一试卷重复使用多次，效度会逐渐降低。
