標準化された試験：能力を公正に測る尺度か、それとも真の学びへの障害か？

標準テストは、時代遅れのシステムの狭い遺物ではなく、教育の質、公平性、透明性を大規模に維持するために必要な柱です。教育システムは何百万人もの学生に、多様な地域、言語、リソースにまたがってサービスを提供しています。客観的で一貫して実施される尺度なしには、結果を比較し、格差を検出し、最も必要とされている場所にリソースを割り当てるための信頼できる方法がありません。

第一に、標準テストは共通の尺度を作成します。教室の成績やコースの厳密さは学校や教師の間で大きく異なります。統一された評価により、政策立案者、大学、地域社会は、地域の成績のばらつきと真の学習の違いを区別できます。この比較可能性は、公正な大学入学、奨学金の配分、労働市場のシグナルにとって不可欠です。これらの機能は、成績を操作したり、不均一なカリキュラム上の利点を提供したりできる、人脈の広い、または裕福な学校の学生を有利にします。

第二に、標準テストは達成度の格差を明らかにし、説明責任を推進します。集計および分解されたテスト結果は、学校がどの程度成績が悪く、どのサブグループ（収入、人種、言語ステータス、または障害別）が取り残されているかを明らかにします。そのデータは、個別指導プログラム、カリキュラム投資、教師研修、リソースの再配分などのターゲットを絞った介入の出発点です。テストを廃止すると、公平性の問題が存在することを示す最も明確な信号の1つが沈黙することになります。

第三に、適切に設計された標準評価は、他の多くの代替手段よりも客観的で不正行為に強いです。ブラインド採点、心理測定学的検証、および大規模な項目バンクを使用して、バイアスを減らし、信頼性を確保します。完璧なテストはありませんが、標準的な尺度を拒否すると、本質的に主観的なシステム（教師の評価や学校の自己報告）に評価を委ねることになり、これは地域の偏見を固定し、実際の成績不振を隠蔽する可能性があります。

批評家は、ストレス、文化的バイアス、「テストのための教育」を正しく指摘しています。これらは、全体的な排除の理由ではなく、解決可能な問題です。ストレスは、学習に使用される形成的評価（低リスクの練習）、複数のテスト機会、およびより良いカウンセリングによって軽減できます。文化的バイアスは、包括的なテスト設計、地域のパイロットテスト、および英語学習者と障害のある学生への配慮によって対処されます。「テストのための教育」は、狭く質の低いテストが使用された場合にのみ問題になります。その解決策は、より高い次数のスキルを測定する豊かな評価と、従来の項目と並行してパフォーマンスタスクを統合することであり、標準的な尺度を完全に放棄することではありません。

最後に、標準テストは費用対効果が高く、スケーラブルです。それらは、コホートの縦断的追跡、教育改革の評価、および国際的なベンチマーキングを可能にします。それらを削除すると、政策立案者は盲目になり、時間の経過とともに進捗を測定する能力が低下します。

要するに、標準テストを維持しつつ、それを改善することです。説明責任と公平性を確保するために、客観的で比較可能な尺度を維持し、同時にテストの設計、使用、およびサポートシステムを改革して、評価が学習を阻害するのではなく、より深い学習を促進するようにします。

標準化されたテストは客観性を約束するが、実際には全く異なるものを生み出す。それは、家庭の富を、見かけ上の能力へと変換する非常に効率的な機械である。

まず、テストが実際に何を測定しているかを見てみよう。SATやACTのスコアは、世帯収入、親の学歴、郵便番号と強く、一貫して相関している。それは、裕福な子供たちがより有能だからではなく、裕福さがテスト対策、個別指導、模擬試験、静かな学習スペース、そしてそれらを利用するための余暇時間をもたらすからである。テストが「誰にとっても同じ」であるためには、その準備も同じでなければならない。しかし、そうではない。家族を養うために週に20時間働く学生が、時給200ドルの家庭教師を雇う同級生と競争する場合、その結果を客観的な基準と呼ぶことは公平ではなく、科学的に見える数字を通して特権を洗浄することに他ならない。そして、その数字は科学的に見えるため、その予測能力が正当化する以上に信頼されている。高校の成績は、土曜日の朝の4時間ではなく、長年にわたる持続的な努力を反映しており、大学での成績を少なくとも同等に、そして人口統計学的な格差をはるかに小さく予測する。

次に、テストが教育に与える影響を考えてみよう。資金提供、人員配置、学校の評価、そして時には教師の職がスコアにかかっている場合、合理的な教育者はインセンティブが指示する通りに行動する。つまり、テストされる内容にカリキュラムを狭めるのだ。音楽、美術、市民科、休憩時間、科学実験、長時間の作文、そして自由な発想のプロジェクトは、多肢選択式の形式のドリルに取って代わられてしまう。生徒たちは、議論を構築するのではなく、選択肢を排除することを学び、問いを立てるのではなく、答えを認識することを学ぶ。これは仮説上の懸念ではなく、高リスクの説明責任制度で十分に文書化されたパターンである。子供たちに対してグッドハートの法則が停止されるわけではない。ある指標が目標となった瞬間、それは私たちが気にかけているものを測定しなくなる。

第三に、人的コストは現実のものである。テスト不安、睡眠不足、スコアに基づいた自己定義は、今や思春期の普通の側面となっている。一方、教師たちは、1年間の人間関係の構築と知的な成長を単一の尺度に還元する制度の下で、士気の低下と離職を報告している。

私の反対者は、テストが不平等を明らかにすると言うだろう。しかし、治療なしの診断は平等ではない。何十年ものテストは、驚くほど詳細に学力格差を文書化してきたが、それを縮小するためにはほとんど何もしてこなかった。なぜなら、テストは最も恵まれない生徒たちが通う学校に結果を付随させるのであって、リソースを付随させるのではない。学習のギャップを特定したいのであれば、低リスクのサンプリング、教師の評価、ポートフォリオのレビューで行うことができる。子供の将来を朝のパフォーマンスにかけることなく。何百もの大学がテスト任意化を採用し、学術的な質の低下なしに志願者層がより多様になったことを発見した。証拠は出揃った。これらのテストは廃止されるべきだ。

あなたは、社会経済的な偏り、カリキュラムの狭まり、学生のストレスといった、実際の弊害を指摘しており、それらに対処する必要があるという点には私も同意します。しかし、これらの問題は標準化された測定という考え方そのものに内在するものではなく、テストがどのように設計され、利用され、資金提供されてきたかの結果なのです。標準化されたテストを廃止すれば、私たちが持つ最も実用的で比較可能な指標がなくなり、あなたが是正したいと願う不平等がむしろ悪化するでしょう。

社会経済的相関について：はい、テストの点数は家庭の背景と相関します。相関は、その測定が無用であることを証明するものではありません。標準化されたテストは、高校卒業後の大学やキャリアへの準備状況について、高校の成績を超えた独立した予測情報を提供し続けています。それはまさに、学生間で同じ課題と採点基準を適用するからです。さらに重要なのは、その相関自体が診断的に有用であるということです。裕福な学生が体系的に他の学生を上回る場合、それは準備、カリキュラムへのアクセス、リソース配分の構造的な格差を示唆しています。取るべき対応は、指標をなくすことではなく、投資先を示すその指標を活用することです（個別指導、コースアクセスの拡大、テストの配慮、受験料免除など）。

テスト任意方針について：一部の大学では、出願数や特定の層において短期的な増加が見られましたが、全体的な証拠は混在しており、文脈に依存します。テスト任意入学は一部の学生の障壁を減らす可能性がありますが、それはまた、全体的な評価をより個別のものにし、より強力な課外活動の物語や、選抜されたカウンセラーのサポートを受けられる応募者に有利に働く可能性があります。客観的で比較可能な指標は、入学審査委員会が非常に異なる学校の応募者を公平に評価するのに役立ちます。それを排除することは、特権と相関する、さらに主観的なシグナル（推薦状、課外活動ポートフォリオ）に重みが移るリスクを伴います。

指導の狭まりとグッドハートの法則について：これは測定に対する反対意見ではなく、ガバナンスの問題です。高リスクな決定が粗雑または不適切に作成された試験に結び付けられると、指導は狭まります。解決策は、パフォーマンス課題、拡張応答、および定期的な低リスクの教室埋め込みサンプリングを含む、より豊かな評価を設計することです。高リスクな決定には複数の尺度（標準化されたテストに加えてポートフォリオや成績）を使用すること。そして、説明責任を懲罰的な制裁ではなく支援と一致させることです。これらは改革であり、テストが提供する比較可能性を放棄する理由ではありません。

ストレスと幸福について：唯一の関門として実施されるテストは、不安を増幅させます。しかし、政策によってその害を減らすことができます。複数のテスト実施、高リスクな決定のための遅い締め切り、学生を準備させる練習や形成的評価、カウンセリングなどです。共通の評価をなくしても、学生が他の、しばしばより不透明な手段で能力を証明しようとするプレッシャーがなくなるわけではありません。

最後に、システムレベルの透明性と改善を考慮してください。比較可能な指標がなければ、地区や州は、進捗状況を追跡し、介入を評価し、支援を必要とする学校やサブグループを特定する能力を失います。標準化されたテストは、独自の拡張性と監査可能性を備えています。これは、公平性を重視した政策立案にとって不可欠です。実用的な道は改革です。システム比較と入学のために標準化された尺度を維持しつつ、包括的なテスト設計に投資し、懲罰的なリスクを減らし、尺度を慎重に組み合わせ、テストデータを実際の資源コミットメントと組み合わせて格差を埋めることです。このアプローチは、説明責任と比較可能性を維持しながら、あなたが強調する不平等を直接的に解決します。

相手方の主張は4つの論点に基づいています。それぞれを検討していきましょう。なぜなら、どの論点も吟味すれば崩壊するからです。

第一に、「共通の物差し」です。物差しが共通であるためには、測られるものが誰にとっても同じでなければなりませんが、そうではありません。学習、コーチング、家族の資源、食料の確保、静かな部屋といった要素をすべて測定するテストは、均一な尺度ではありません。それは、学業能力が複数の要素のうちの1つに過ぎない複合的なスコアなのです。相手方は成績が不均一にインフレしていることを懸念しています。それはもっともですが、正直な比較は「欠陥のある成績対完璧なテスト」ではなく、どちらの尺度により多くの予測妥当性があり、その人口統計学的歪みがどの程度か、ということです。その比較ではテストは敗北します。成績は、4年間の継続的な努力を複数の教師と課題にわたって反映したものであり、大学の卒業をテストの点数と同等以上に予測し、収入や人種による格差を大幅に小さくします。正確に見えるという理由だけで、よりノイズが多く、より偏った尺度を選択することは、厳密さそのものよりも厳密さの外観を優先することです。

第二に、説明責任と格差の検出です。相手方は、テストを廃止すると「最も明確な公平性のシグナルを沈黙させる」と言います。これは、測定と、すべての学生を毎年対象とするハイステークステストを混同しています。国民の肥満率を決定するために、すべての市民を体重測定するわけではありません。私たちはサンプリングします。個々の子供や学校に何の処罰も伴わない、代表的な集団に実施されるロー・ステークスのマトリックス・サンプリングは、はるかに少ない費用、授業時間、そして不安で、サブグループ間の格差に関する政策レベルのデータを提供します。しかし、それは処罰的な仕組み、つまり評価、制裁、点数に基づく人員配置の決定をもたらしません。その仕組みこそが、カリキュラムの狭窄を生み出すのです。相手方は診断的価値を求めていますが、それはハイステークスなしでも得られます。診断に処罰が必要であるという理由は示されていません。

そして、相手方が省略によって何を認めたかに注目してください。相手方はテストを「的を絞った介入の出発点」と説明しました。私は冒頭で、何十年にもわたる極めて詳細な測定の後で、なぜ格差が persist するのかと尋ねました。相手方は答えませんでした。理由は構造的なものです。説明責任体制は、最も貧しい子供たちにサービスを提供する学校に結果を紐付け、経験豊富な教師を遠ざけ、最も教育的支援を必要とする学校でカリキュラムを縮小させます。テストは公平性のためのてこではなく、データに偽装した不作為の言い訳でした。

第三に、客観性と不正耐性です。ブラインド・スコーリングと心理測定学的検証は、テストを内部的に一貫したものにしますが、公平なものにはしません。信頼性は妥当性ではありません。毎回5ポンド重く表示される体重計は、完全に信頼できますが、完全に間違っています。項目バイアスレビューは、ヨットに関する文章を削除することはできますが、チューター業界、再受験料、あるいは夜勤明けに試験を受ける学生が、自分の知力以外の何かを測定しているという事実を削除することはできません。そして、「不正耐性」という主張は、監視の失敗、問題用紙の流出、そして当然ながら資源を持つ者たちに集中した入学詐欺の記録された歴史と、ぎこちなく並んでいます。

第四に、そして最も示唆に富むのは、相手方の譲歩の段落全体です。相手方は、ストレス、文化的な偏り、テスト対策の授業という、3つの中心的な批判を認め、それらは「解決可能な問題であり、排除の理由ではない」と述べています。しかし、これらは修正を待つ新しく発見された欠陥ではありません。これらは50年以上にわたる改革の試みの記録された結果なのです。毎世代のテストは、より高次の思考を測定し、指導の歪みを止める改良版として販売されてきました。そのたびに、そのメカニズムは再確立されました。なぜなら、その歪みは設計上の欠陥ではなく、生活が数字にかかっている合理的な大人に対するグッドハートの法則が働いているからです。今回こそ改革が成功すると約束することは、繰り返し反証された仮説に子供たちの教育を賭けるよう求めることです。

最後に、スケーラビリティの議論はあまりにも多くのことを証明しすぎています。はい、テストは学生一人当たりのコストは安いですが、費用対効果は、購入したものが価値のあるものであればこそ美徳です。そして今、私たちは生きた実験をしています。千以上の機関がテスト要件を停止しました。もしスコアが成功できるかどうかについての代替不可能な情報を持っていたなら、それらの集団はより高い割合で失敗したはずです。しかし、そうはなりませんでした。志願者プールは多様化し、学業成績は維持されました。相手方の中心的な経験的予測は、すでに現場でテストされており、現実は協力することを拒否しました。

診断は維持せよ。患者を罰する道具は廃止せよ。

締めくくりの要約：標準化されたテストは完璧な道具ではありませんが、何千もの非常に異なる学校や学生の集団にわたる信頼性が高く比較可能な情報を生成するための、最も実用的で拡張可能なツールです。私の対戦相手は、社会経済的な偏り、狭められたカリキュラム、ストレスといった現実の害を正しく指摘していますが、それらは測定を完全に放棄する本質的な理由ではなく、透明性と説明責任を可能にする測定の選択（テストの使用方法、資金提供、制裁との結びつき方）の結果です。

私たちの側がより強い理由：(1) 比較可能性は重要です。成績や地域の評価は大きく異なります。入学担当者や政策立案者は、志願者を評価し、システムレベルの格差を特定するための共通の尺度を必要としています。テストは、多くの場合、高校の成績を超えた追加的な予測値を提供しながら、その共通の基準を提供します。(2) 測定は、そうでなければ見えなくなる問題を明らかにします。裕福な学生が体系的に他の学生を上回る場合、それは診断的です。それは、個別指導、コースへのアクセス、または早期介入をどこに割り当てるべきかを示します。指標を削除すると、的を絞った救済策の証拠基盤が失われます。(3) 廃止は、ある不公平を別の不公平と交換します。標準化された尺度なしでは、意思決定者は、特権とさらに強く相関し、監査がより困難な、より主観的なシグナル（推薦状、課外活動、学校の評判）にさらに依存するようになります。

対戦相手の議論が不十分な理由：サンプリングベースの監視と低リスクの評価は有用な補足ですが、大学入学や一部の説明責任機能に必要な個人レベルの監査可能な尺度に取って代わることはできません。グッドハートの法則の繰り返しは、修正を誤解しています。正しい対応は、インセンティブ構造を変更することです。つまり、懲罰的なリスクを低減し、複数の尺度（テスト、ポートフォリオ、成績）を組み合わせ、無料の準備と配慮を拡大し、より豊かな評価を設計することです。比較可能性を完全に失うことではありません。テストオプションの方針に関する経験的な実験は、まちまちな結果を示しており、多くの機関にとって、志願者に関する情報がよりノイズが多く、比較可能性が低くなり、排除が明確な勝利であるという主張を損なっています。

実践的な前進：比較可能性のために標準化された心理測定学的に健全な評価を維持しつつ、パフォーマンス課題を含め、プレッシャーの高いリスクを低減し、無料のバウチャーと無料の準備を提供し、複数の実施を許可し、システム監視のために適切な場合はサンプリングを使用し、説明責任を罰ではなくリソース投資に結びつけることで、その設計と使用を改革します。この組み合わせは、対戦相手が指摘する害に直接対処しながら、透明性と公平性を重視した診断を維持します。

結論：測定は、大規模な公平性のために必要です。問題は測定するかどうかではなく、どのように測定し、その情報で何をするかです。標準化されたテストを放棄することは、比較可能性を犠牲にし、透明性を低下させ、より主観的で、しばしばより不公平な基準に決定を委ねることになります。私たちは、標準化された評価を維持し、それが真の学習と教育の公平性を促進するように、その使用を改革すべきです。

この議論は、単一の問いに絞られました。すなわち、標準化テストが提供する情報は、個々の子どもや学校に高いリスクを付与することを要求するのか、ということです。私の反対者は、この問いに一度も答えていません。その沈黙が議論を決します。

彼が何を認めたか考えてみてください。彼は、テストの点数が家庭の収入と相関していることに同意します。彼は、高リスクの試験がカリキュラムを狭めることに同意します。彼は、それが生徒に現実の不安を与え、教師の士気を低下させることに同意します。彼は、テストのデザインに文化的な偏見が存在することに同意します。私が提起した実質的な非難はすべて、彼は認めました。そして、それが改革されるという約束のもとで、その道具を使い続けるように求めたのです。しかし、これらは技術者が修正を待つような新しい欠陥ではありません。これらは、半世紀にわたる改革サイクルの再現可能な成果です。それぞれのサイクルは、新しい評価がより高次の思考を捉え、指導への歪みを残さないという同じ約束のもとに開始されました。毎回、その歪みは戻ってきました。なぜなら、それは項目バンクの欠陥ではないからです。それは、資金や職が数字にかかっている大人たちに作用するグッドハートの法則なのです。今回の改革が最終的に成功すると私たちに信じるように求めることは、すでに繰り返し反証されている仮説に子どもたちの教育を賭けることを求めているのです。

彼の最も強力な構造的議論は、廃止すれば政策立案者は盲目になるだろうというものでした。私は答えを提示しました。それは反論されませんでした。低リスクの行列サンプリングを代表的なコホートに適用することです。公衆衛生は、肥満を追跡するためにすべての市民を測定しません。それはサンプリングします。サンプリングは、より低いコストで、失われる指導時間を減らし、そして彼自身が非難するカリキュラムの狭まりを生み出す処罰的な仕組み（学校の評価、制裁、点数主導の人事）なしに、サブグループの格差に関する政策グレードのデータを提供します。彼は、罰なしに診断を得ることができます。彼は、それらがなぜバンドルされなければならないのかを説明しませんでした。

彼はまた、より難しい問いにも答えませんでした。何十年にもわたる極めて詳細な測定の後、なぜ格差が persist するのでしょうか？なぜなら、アカウンタビリティ制度は、最も貧しい子どもたちに奉仕する学校に結果を付与し、経験豊富な教師を追い出し、最も必要とされている場所でエンリッチメントを縮小するからです。テストは、公平性のためのレバーとして機能しませんでした。それは、データの言葉で着飾った、行動不全の言い訳として機能してきました。

客観性については、彼はブラインド・スコアリングと心理測定学的検証に頼りました。しかし、信頼性は妥当性ではありません。常に5ポンド重く表示されるスケールは、完全に一貫していますが、完全に間違っています。項目レビューは、ヨットに関する一節を削除することはできます。しかし、時給200ドルの家庭教師、再受験料、あるいは夜勤の後に試験を受けている学生が、彼女の知性以外の何かを測定しているという事実を削除することはできません。

比較可能性については、彼はテストを削除すると、より主観的なシグナルに重みが移ると警告しました。しかし、正直な比較は、欠陥のある成績と完璧なテストではありません。それは、人口統計学的歪みに対して大学での成功をどの程度予測するかという比較です。そして、その比較において、4年間の成績が勝ちます。それらは、多くの教師とタスクにわたる持続的な努力を反映し、少なくとも同程度に完了を予測し、収入と人種による格差を著しく小さくします。

最後に、彼の中心的な経験的主張は、すでにフィールドテストされています。千以上の機関がテスト要件を停止しました。もし点数が成功できる人物に関する取り替え不能な情報を持っていたなら、それらのコホートは成績が悪かったはずです。彼らはそうではありませんでした。志願者プールは多様化し、学業成績は維持されました。

私たちは、測定と無知の間で選択しているわけではありません。私たちは、賢く測定することと、それを功績と呼びながら、親のリソースによって子どもたちを分類し続けることの間で選択しているのです。診断は維持してください。患者を罰する道具を廃止してください。