historical-thinking-assessment-designer

历史思维评估设计师

此技能的作用

设计形成性评估任务，让学生的历史思维清晰可见——揭示学生是否在考察史料来源、细读、置于历史背景中理解和相互印证，以及其思维的成熟程度。输出包括带有文献和提示的问题、区分新手／发展中／熟练水平回答的评分指南、用于解读结果的诊断指导，以及指出评估实际测量和未测量内容的效度说明。

此技能要解决的根本问题是，大多数历史评估考查的是事实记忆，而非历史思维。问“葛底斯堡战役发生于哪一年？”的测试，测量的是学生是否记住了日期。问“这幅画能帮助我们了解 1621 年第一次感恩节上发生的事情吗？请解释你的推理”——并提供一幅创作于 1932 年的画作——测量的则是学生是否会考虑史料与其描绘的事件之间的时间关系。前者告诉你学生记得什么；后者告诉你学生如何思考。

Wineburg、Smith 和 Breakstone（2018）有力地证明了这一差距。他们采用历史思维评估（HAT）——针对史料来源考察、历史背景理解和论据与证据推理的简短建构式回答任务——发现，94% 的大学一年级学生忽略了 1621 年事件与 1932 年画作之间长达 300 年的时间差。高年级历史专业学生的表现也仅略好一些：在一项要求学生将参议院听证会的存在（而非听证会内容）作为公众反对战争的证据的任务中，78% 得了零分。学生总是关注内容，而非背景——只关注文献写了什么，却不考虑文献是在什么情况下创作的。

这些发现证实，必须明确评估历史思维技能，而不能想当然地认为学生具备这些技能。HAT 模型也展示了如何做到这一点：围绕一份文献设计简短任务，并提出只有运用特定历史思维技能才能出色回答的问题。此技能会按照该模型生成评估任务。

实证基础

Wineburg、Smith 和 Breakstone（2018）在国会图书馆的支持下开发了历史思维评估（HAT）。他们向 78 名大学低年级学生和 49 名大学高年级学生施测了 3 份 HAT。每份 HAT 都提供一份文献（绘画、证词记录或戏单），附有完整的书目信息，并提出需要通过溯源、情境化或主张与证据推理才能妥善作答的问题。评分量规分为 3 个等级：基础（0）——没有体现目标技能；初显（1）——有所体现，但不完整或流于表面；熟练（2）——清晰地展现了该技能。结果令人震惊：低年级学生的平均分不到 12 分中的 0.5 分，最高分也只有 12 分中的 3 分。HAT 模式表明，历史思维可以通过简短、真实且具有诊断性的方式进行评估——每项任务都能揭示某项具体技能是否具备。

Reisman（2012）采用一份 30 题的历史思维测试（22 道选择题 + 8 道建构式回答题，α = .79）和一份 20 题的迁移测试作为结果测量工具。历史思维测试评估学生运用溯源、细读、情境化和交叉印证策略的能力。接受干预的学生在这项测试中取得了显著进步，表明历史思维技能既可教授，也可评估。Reisman 发现，干预效果集中体现在溯源和细读上（而非情境化或交叉印证），这为诊断提供了指导：如果评估显示学生擅长溯源，却不擅长情境化，这与研究结果一致——不同技能的发展速度不同，也需要不同的教学方法。

Wiliam（2011）指出，形成性评估的价值在于让学生的思维过程显现出来，使教师能够据此调整教学。最有用的形成性评估任务，是那些能够区分已掌握技能和未掌握技能的学生的任务——在这类任务中，错误答案和正确答案同样有参考价值，因为错误答案能揭示具体的误解或技能缺口。对于历史思维而言，这意味着评估任务应能让使用溯源的学生给出不同于未使用溯源的学生的答案，并且学生未能进行溯源的具体方式，应能揭示他们下一步需要学习什么。

Wineburg（2007）认为，若没有恰当的评估，就无法看出“持批判态度”与“批判性思维”之间的区别。他的学生 Jacob 对哥伦布持强烈批判态度——但这种批判源于激活扩散（他原本对哥伦布的种种看法），而非对文献进行学科分析。关于哥伦布事实的选择题无法揭示这一点。只有要求 Jacob 将文献本身作为文献来研读——关注其来源、背景和语言——才能让这一区别显现出来。

Gottlieb 和 Wineburg（2012）证明，专家和新手提及溯源的次数相近，区别在于提及的质量。因此，评估任务必须区分“提及来源”和“审视来源”。写道“这篇文献由 John Smith 于 1624 年撰写”的学生，只是提及了来源。写道“Smith 在事件发生 17 年后撰写了这篇文献，当时 Pocahontas 已声名远扬，这或许可以解释他为何加入了营救故事”的学生，则是审视了来源。评分指南必须体现这一区别。

输入架构

教师必须提供：

• 目标技能： 例如：“史料溯源” / “史料溯源与情境化” / “全部四项技能” / “相互印证——我想知道学生能否比较两份记述”
• 学生水平： 例如：“8 年级，处于基于文献的课程第一学期中期” / “11 年级 IB 历史，熟悉史料分析” / “7 年级，任何教学开始前的基线诊断”
• 评估目的： 例如：“基线诊断——开始教授史料溯源前，我想了解学生目前的水平” / “单元中期检查——学生能否不经提示进行史料溯源？” / “单元结束时——学生能否在陌生文献中运用全部四项技能？”

可选：

• 历史主题： 选取的主题——如果省略，则使用普遍易懂的主题
• 评估形式： 首选形式
• 可用时间： 限定任务数量和复杂度
• 此前的教学： 已教授的内容
• 课程框架： 用于对齐

提示词

You are an expert in assessing historical thinking skills, with deep knowledge of the History Assessments of Thinking (HATs) model developed by Wineburg, Smith, and Breakstone (2018), Reisman's (2012) assessment of sourcing, close reading, contextualisation, and corroboration, and Wiliam's (2011) principles of formative assessment. You understand that the purpose of formative assessment is to make student thinking visible so that teachers can adjust instruction — and that most history assessments fail at this because they test factual recall rather than historical thinking.

Your task is to design a formative assessment:

**Target skills:** {{target_skills}}
**Student level:** {{student_level}}
**Assessment purpose:** {{assessment_purpose}}

The following optional context may or may not be provided. Use whatever is available.

**Historical topic:** {{historical_topic}} — if not provided, select a topic and document that are accessible without specialised prior knowledge (the assessment should test historical thinking, not content knowledge).
**Assessment format:** {{assessment_format}} — if not provided, default to constructed response (short written answers), as these reveal more about student thinking than multiple choice.
**Time available:** {{time_available}} — if not provided, design for 15–20 minutes (a single task or brief set of tasks, not a full exam).
**Prior instruction:** {{prior_instruction}} — if provided, align the assessment to what has been taught. If not, design tasks that can function as baseline diagnostics.
**Curriculum framework:** {{curriculum_framework}}

Design the following:

1. **Assessment tasks:** For each task:
   - **Document/stimulus:** A brief historical document or source (with full attribution) that students will work with. The document should be short enough to read in 2–3 minutes and should contain features that reward the target skills — e.g., source information that is analytically productive for sourcing tasks, language choices that reward close reading, a date that matters for contextualisation.
   - **Question/prompt:** The question students must answer. Design the question so that a student who deploys the target skill will answer DIFFERENTLY from a student who does not. The question should not cue the skill by name (don't say "Source this document") — it should require the skill without naming it.
   - **What this task reveals:** Which specific skill the task targets and what a successful vs. unsuccessful response looks like.

2. **Scoring guide:** For each task, a three-level rubric:
   - **Basic (0):** The student does not demonstrate the target skill. Describe what a Basic response looks like — what the student does instead of the target skill (e.g., evaluates the painting by whether it matches their beliefs about Thanksgiving rather than noting the 300-year temporal gap).
   - **Emergent (1):** The student demonstrates the skill partially or superficially. Describe what partial demonstration looks like (e.g., notes the date of the painting but doesn't reason about what the temporal gap means for its reliability as evidence).
   - **Proficient (2):** The student demonstrates the skill fully. Describe what a proficient response includes (e.g., identifies the temporal gap, reasons that a 1932 painter could not have witnessed 1621 events, and concludes that the painting reflects 1930s ideas about Thanksgiving rather than historical reality).

   The scoring guide must distinguish between mentioning a skill and deploying it (Gottlieb & Wineburg, 2012). "This was written by Smith in 1624" is mentioning. "Smith wrote this 17 years after the event, which raises questions about..." is deploying.

3. **Diagnostic value:** What the results tell the teacher:
   - **If most students score Basic:** What this suggests about the class's skill development and what instruction to prioritise
   - **If most students score Emergent:** What the gap between Emergent and Proficient typically looks like and how to close it
   - **If scores vary across skills:** What it means if students source well but don't contextualise (consistent with Reisman, 2012) and what instructional adjustment to make
   - **Specific response patterns to watch for:** Common wrong answers that reveal specific misconceptions (not just "the student didn't get it" but "the student evaluated the source by its content rather than its provenance, which suggests...")

4. **Validity notes:** What the assessment does and does not measure:
   - What construct the assessment targets
   - Potential construct-irrelevant variance (e.g., does the assessment inadvertently test reading comprehension, content knowledge, or writing ability rather than historical thinking?)
   - Whether the assessment can distinguish between students who lack the skill and students who possess the skill but lack the content knowledge needed to deploy it in this specific context

Return your output in this exact format:

## Historical Thinking Assessment

**Target skills:** [Skills]
**Students:** [Level]
**Purpose:** [What the teacher wants to learn]
**Time:** [Duration]

### Task 1: [Brief title]

**Document:**
[Brief source with full attribution]

**Question:**
[The prompt — designed to require the target skill without naming it]

**What this reveals:** [Target skill and what success vs. failure looks like]

**Scoring guide:**
- **Basic (0):** [Description of a response that does not demonstrate the skill]
- **Emergent (1):** [Description of a partial or superficial demonstration]
- **Proficient (2):** [Description of a full demonstration]

[Repeat for additional tasks]

### Diagnostic Value

**If most students score Basic:** [What it means and what to do]
**If most students score Emergent:** [The gap and how to close it]
**If scores vary across skills:** [What the pattern reveals]
**Response patterns to watch for:** [Specific wrong answers and what they diagnose]

### Validity Notes

**What this assesses:** [The construct]
**Potential threats:** [Construct-irrelevant variance]
**Important caveat:** [Skill vs. knowledge distinction]

**Self-check before returning output:** Verify that (a) the questions require the target skill without naming it, (b) the scoring guide distinguishes between mentioning and deploying the skill, (c) a student who sources/close-reads/contextualises/corroborates will answer DIFFERENTLY from one who doesn't — the task discriminates, (d) the diagnostic value provides specific instructional guidance, not just "teach more sourcing," and (e) the validity notes honestly identify what the assessment does not measure.

输出示例

情境： 目标技能：“史料溯源与情境化” / 学生水平：“9 年级，已接受六周的史料溯源教学，刚开始接触情境化，尚未独立练习” / 评估目的：“单元中期检查——学生能否不经提示进行史料溯源，是否开始进行情境化？” / 可用时间：“15 分钟” / 历史主题：“未指定——使用一个易于理解的主题”

---

历史思维评估

目标技能： 史料溯源与情境化 学生： 9 年级，已接受六周的史料溯源教学，刚开始接触情境化 目的： 单元中期诊断——史料溯源习惯与初步的情境化能力 时间： 15 分钟（两项任务，每项约 7 分钟）

任务 1：感恩节画作（史料溯源）

文献： J.L.G. Ferris 的《1621 年第一次感恩节》的彩色复制品 来源说明：“J.L.G. Ferris，《1621 年第一次感恩节》，布面油画，约绘于 1912–1915 年，1932 年出版。”

问题： “这幅画能帮助历史学家了解 1621 年清教徒与万帕诺亚格人的关系吗？请说明理由。”

评估内容： 学生是否会关注来源信息（画作创作时间与事件发生时间），并据此评估文献作为历史证据的用途。会进行史料溯源的学生会注意到两者相隔 300 年。不会进行史料溯源的学生则会根据画作内容是否符合自己对感恩节的看法来评估它。

评分指南：

• 基础（0）： 学生只根据画作内容进行评估。“能，因为画中他们一起平静地吃饭，所以他们的关系很好。”或“不能，因为画中看起来太友好了，但实际上清教徒对美洲原住民很刻薄。”这两种情况下，学生都是根据画作是否符合自己的既有看法来评判它，而忽略了画作的创作时间。
• 初步（1）： 学生注意到了日期，但没有充分推理其影响。“这幅画是 1912 年创作的，比 1621 年晚了很久。”或“画家当时不在现场，所以画面可能不准确。”学生指出了时间间隔，却只停留在“可能不准确”，没有说明为什么时间间隔很重要，也没有解释这幅画可能反映的是什么。
• 熟练（2）： 学生指出时间间隔，并推理其影响。“这幅画创作于 1621 年近 300 年后，所以 Ferris 不可能亲眼见到这一事件。这幅画展现的可能是 20 世纪初的人们想象中的感恩节，而不是实际发生的事情。与其把它作为这一事件本身的证据，不如把它视为美国人于 1912 年希望如何纪念感恩节的证据。”

任务 2：征兵海报（背景化）

文献： 一张第一次世界大战期间的英国征兵海报，画中一名男子坐在扶手椅上，他的孩子们问道：“爸爸，你在大战中做了什么？” 来源说明：“议会征兵委员会，Johnson, Riddle & Co. 印制，伦敦，1915 年。”

问题： “这张海报为什么创作于 1915 年？当时发生了什么，令这张海报变得必要？”

**这揭示了什么：**学生能否将文献与其历史背景联系起来。能够结合背景分析的学生会将这张海报与 1915 年的情况联系起来（英国在 1916 年实行征兵制之前依赖自愿参军；最初的参军热情正在消退；伤亡人数不断增加）。不能结合背景分析的学生只会描述海报展示的内容，而不会联系其存在的原因。

评分指南：

• **基础（0）：**学生描述海报内容，或只说明其显而易见的目的，却没有联系 1915 年的具体情况。“这张海报是为了让男人感到内疚，从而参军”，或“它画的是一个没有参加战争的爸爸”。这些回答指出了海报的劝说意图，却没有解释为什么 1915 年需要这种劝说方式——如果海报创作于 1914 年或 1917 年，回答也会一样。
• **初步（1）：**学生笼统地将海报与战争联系起来，却没有具体说明 1915 年的哪些情况令这张海报变得必要。“这张海报是因为第一次世界大战正在进行，他们需要士兵”，或“英国需要更多男人参战”。回答提到了背景，但很模糊——学生没有指出 1915 年有哪些具体情况促使人们采取这种征兵方式。
• **熟练（2）：**学生将海报与 1915 年的具体情况联系起来。“到 1915 年，战争已经持续一年多，最初的志愿参军热潮也逐渐减退。英国尚未实行征兵制，因此只能依靠这类海报向男性施压，促使他们参军。海报利用孩子让父亲感到内疚，进行情感操纵，这说明单纯诉诸爱国主义已不再奏效。”学生运用背景知识，不仅解释了海报为何创作，也解释了为什么它在这一特定时刻采取了这种形式。

诊断价值

**如果大多数学生在任务 1（辨析来源）中得分为基础：**经过六周的来源辨析教学后，学生应该会关注来源说明。如果大多数学生得分为基础，说明来源辨析尚未成为习惯——学生仍在阅读内容，却没有核查来源。回到基础的来源辨析流程：遮住文档正文，要求学生先花 60 秒阅读来源说明，再开始阅读。学生已经接触过这项技能，但还没有内化。

**如果大多数学生在任务 1 中得分为初步：**习惯正在形成——学生注意到了日期——但分析深度不足。他们能指出时间差，却不会推理其影响。这正是 Gottlieb 和 Wineburg（2012）指出的区别：提及与审视。教学应聚焦于“这意味着什么？”这一步：学生指出日期后，进一步让他们解释这对文档可靠性意味着什么。

**如果大多数学生在任务 2（语境化）中得分为基础，但在任务 1（辨析来源）中得分为初步或熟练：**这完全符合研究结果。Reisman（2012）发现，教学干预对辨析来源有成效，但对语境化没有成效。辨析来源更具体，也发展得更快。语境化既需要知识，也需要运用知识的意愿。检查差距来自知识不足（学生不了解 1915 年的征兵情况），还是知识运用不足（他们知道相关情况，却没有将其与文档联系起来）。如果是知识不足，就补充更多背景知识；如果是知识运用不足，就使用 contextualisation-skill-builder 中的两步衔接支架。

需要留意的作答模式：

• 根据内容是否认同来评价：“是的，这幅画很有用，因为它展示了一顿平静的餐食”——学生把画作内容当成了不言自明的事实。他们需要明白，所有来源都有各自视角的作者。
• 二元式的可靠性判断：“我们不能相信这幅画，因为它是 300 年后画的”——观察正确，结论错误。这幅画确实有用——它可以作为后世如何想象这一事件的证据。学生需要明白，“不能作为 1621 年的记述”并不等于“毫无用处”。
• 只描述，不联系：“这张海报展示了一位父亲和他的孩子们”——纯粹描述。学生没有探究海报为何出现，只关注它展示了什么。这是在读内容，而不是读语境。

效度说明

**评估内容：**学生解读历史文档时，是否会自发运用辨析来源（任务 1）和语境化（任务 2）。这些任务经过设计，使目标技能的运用能产生质的不同的回答，而不只是同一种回答的较好版本，而是根本不同的回答。

**潜在威胁：**任务 2（语境化）可能测量的是学生关于第一次世界大战征兵工作的背景知识，而非语境化技能本身。不了解 1915 年英国情况的学生，无论技能水平如何，都无法将这张海报置于语境中。如果用这项评估测试未学过第一次世界大战的学生，任务 2 衡量的就是知识而非技能——不应将低分解读为学生缺乏语境化能力。如果不确定学生是否具备相关背景知识，可考虑将这张海报替换为学生学过的历史时期的文档。

**重要注意事项：**学生在熟悉的主题上取得熟练水平，不代表他们能将这些技能迁移到不熟悉的主题上。教学期间，学生练习的是特定类型文档的来源辨析和语境化；他们是否会将这些技能推广到新类型的来源，目前仍不确定。单元结束评估至少应包含一份课堂未涉及主题的文档，以检验技能迁移（参见 Reisman，2012；其研究使用不熟悉的当代主题，发现了显著的迁移效果）。

---

已知局限

1. 建构式回答任务比选择题更能反映学生的思维，但也会评估写作能力。 能从历史角度思考但写作能力较弱的学生，得分可能低于其历史思维水平所应得的分数。教师应通过讨论中的观察（参见各项技能训练中的评估指标）补充书面评估，以便交叉验证。条件允许时，应让学生既用书面形式，也用口头形式解释自己的推理。

2. HATs 模型（Wineburg、Smith 和 Breakstone，2018 年）是在阅读美国历史文献的美国大学生中开发并测试的。 任务结构（文献 + 要求运用特定技能的问题）可迁移到其他情境，但必须根据不同年龄段、国家课程和历史主题调整具体文献和评分说明。

3. 只有当形成性评估能改变教学时，它才有用。 诊断价值部分针对不同分数模式提供了具体的教学指导，但教师必须据此采取行动。如果评估发现学生不会进行背景分析，却没有带来任何教学调整，那就是浪费机会。评估的价值完全取决于接下来会发生什么。