数据驱动教育变革论文7篇数据驱动教育变革论文 JICHUJIAOYUYANJIU·随着移动互联网技术以及智能终端的发展，信息传播不再局限于专业人士，每个人都是数据的生下面是小编为大家整理的数据驱动教育变革论文7篇,供大家参考。
李 国 杰 将 其 概 括 为 4“ V”， 即 容 量 巨 大（Volume）、类型多样 （Variety）、计算迅速 （Velocity）、和价值离散 （Value）。大数据包含海量资料，其类型复杂多样，除了传统的结构化数据外，还可以搜集到学生学习过程中的半结构和非结构数据，并将其进行系统整合，其运算速度快，可以在数分钟内完成 TB数据集的搜集，但是数据量在呈指数增长的同时，隐藏在海量数据中的有用信息却没有相应增长，增大了获取有用信息的难度，从而形成价值离散。大数据的价值并不在于庞大的符号、数字的堆积，而在于人们透过表面挖掘到数据背后的价值，通过分析、处理、应用使其为个人所用。由此可见，大数据不仅是一门技术，更是一种能力，即依据数据给出的相关关系，挖掘其内在的联系，预测事物发展趋势的能力。基于大数据建立的教学评价，通过数据挖掘、分析，能够客观、全面、持续地对学生进行评价，促使教学评价更加合理化、科学化、专业化。二、大数据驱动下的教学评价发展趋势（一）
从经验主义到数据主义长期以来，教学评价活动主要是学校以及上级主管部门在听课和分析学生考试成绩的基础上对任课教师进行评价，或者教师根据学生考试成绩、作业成绩以及课堂表现等对学生进行评价。
[1] 传统的教学评价大多针对学生简单知识和低级技能的掌握情况进行评价，对于学生学习状态、交流能力、问题解决能力的评价只能依据教师的教学经验，这样的评价具有主观性，且会因教师个人喜好及标准不同而有所变动，通常表现为同一学生、不同教师反馈的信息大相径庭。大数据的引入使得教学评价不再是基于经验主义，大数据设备可以持续不断地记录学生的一言一行、一举一动，并将其保存下来。全面数据化，一切学习活动、大数据驱动教学评价变革胡春芳【摘 要】
教学评价随着现代信息技术的进步而不断优化，大数据的到来为教学评价带来了活力，并日益专业化。一切教学活动皆可量化，通过挖掘数据分析数据背后隐藏的价值，进而形成更精准的教学决策。大数据强有力地推进了教学评价从经验主义到数据主义、从单一封闭到多元开放、从因果分析到相关研究、从总结评价到发展评价，全方位、多领域的数据追踪量化驱动着教学评价变革，促使教学评价内容丰富化、标准差异化、方法多样化、主体多元化。【关键词】
大数据 教学评价 变革【中图分类号】
G40 【文献标识码】
A 【文章编号】
1002-3275 （2020）
05-42-03胡春芳 / 重庆师范大学教育科学学院，硕士研究生，从事课程与教学论、小学教育研究 （重庆 401331）2020 / 05 教改研究42
2020 年 3 月·05教学活动皆可量化，无疑会促进教学评价的客观性。教学评价不仅仅是简单的依据成绩以及教师的经验来进行评判，而是要通过搜集大量的数据进行归纳、分析，进而对学生进行客观评价及精准预测。学生学习中的所有信息都可以统计成数据，教学评价的依据也从经验主义走向数据主义。（二）
从单一封闭到多元开放传统的教学评价主体多为教师，评价主体过于封闭单一致使评价结果准确度不高，全方位、多领域数据化的引入使得教学评价的主体不再拘泥于少数的教师，多方主体参与评价得以实现，可以收集到来自参与或影响学生发展的各类人员的评价，教学评价从封闭走向开放。慕课等第三方评价主体对于学生学习数据的掌握不同于学校教师，其通过对学生作业完成时间、视频观看时间、发帖数量及关注点等进行数据化分析，以综合考察学生对知识点的掌握程度以及学习情况。平时在课堂中难以捕捉的信息得以搜集，多方数据信息汇总使得教学评价更加多元开放。（三）
从因果分析到相关研究传统的教学评价大多根据成绩来评判学生的学习成果以及教师的教学效果，把试卷的错误都归因于学生对知识点理解偏差、未掌握做题方法等，这样由果导因的评判方式往往过于狭隘，容易造成误判，学生做错题并不全是由于自己不会做，粗心等其他问题也是屡见不鲜。但是这样的数据很难被试卷捕捉到，大数据可以将学生所有的试卷及测试结果纳入其中，通过对知识的相关关系进行分析，生成个人的专属学习报告。通过对数据的挖掘可以分析出学生是否真正地掌握了知识点，对易错问题进行重点关注、对模糊领域进行深度讲解，可以有效提升学生的学习效率，同时也有利于教师因材施教。（四）
从总结评价到发展评价传统教学评价多以考试、测试成绩为评价依据，对于学生学习过程的评价只能依靠教师自身的感知以及教学经验。而大数据可以记录下学生的学习过程，通过横纵向对比呈现出学生的学习状态、对知识的掌握程度，有利于教师进行发展性评价。完善综合素质评价，探索促进学生发展的多种评价方式，提供持续改善学习效果的评价目标，体现了评价内容从以往注重认知水平的“总结性评价”向注重综合素养的“发展性评价”转变的趋势。
[2]三、大数据驱动下的教学评价变革（一）
大数据驱动教学评价内容丰富化大数据鲜明的特征之一便在于其容量巨大，大数据可以从以下三个方面驱动教学评价变革。第一，“样本＝总体”。在传统教育数据采集过程中，受技术条件的限制，只能选取具有代表性的样本进行分析、推断来窥探全貌，大数据的引进使得数据收集得以全覆盖，能够录入每个学生的学习信息，做到事无遗漏，扩大了教学评价对象。第二，教学评价内容的全面性也可以体现个人信息搜集的全面性。大数据设备可以全方位、多领域地追踪搜集到学生从小到大在学习过程中产生的各种数据并进行量化处理，通过记录学生的学习过程扩充教学评价内容，进而使得教学评价更加客观、准确、有效。第三，大数据可视化技术可以搜集到平时难以捕捉到的信息。在日常的学习过程中，教师通常只能从学生回答问题的程度、测试结果的准确度来判断学生是否真正掌握了知识，关于学生思维、学习状态的数据往往很难搜集。但是在大数据平台的支撑下，难以评判的对象均可用数据记录下来，数据搜集成为可能，例如学生的合作探究能力、拓展能力等情况均能可视化。大数据能够精准记录到每个学生的出勤率、回答次数、提问次数、每道练习题的完成时间、得分、走神次数等，然后以可视化的仪表盘方式一目了然地呈现给任课教师。
[3] 这些为教学评价提供了更全面的数据支持，大数据驱动教学评价内容更加全面，客观评判教学成效，进而促进有效的教学决策。（二）
大数据驱动教学评价标准差异化《国家中长期教育改革和发展规划纲要 （2010—2020 年）》 提出：“关注学生的不同特点和个性差异，发展每一个学生的优势潜能。”要贯彻落实这一要求，就“要为学生构建个性化教育环境，根据学生的实际学习步调和学习情况开展有针对性的学习指导，使其真正融入学习过程中，这就需要对学生已有的学习准备、能力、兴趣和天分、学习风格等进行评估。” [4] 大数据设备及平台可以有效地对学生的学习情况进行记录，切实了解每个学生的真实情况，通过挖掘分析数据对学生进行精准测评，针对学生主体差异采取个性化评价标准。学生在学习过程中产生差异性教育大数据，差异性大数据必然导致教学评价标准存在差异，进而形成个性化教学评价，促进学生个性化发展。大数据驱动教学评价标准差异化，使评价更具有针对性，挖掘学生潜力制定个性化标准，为每个学生创造机会，让每个学生都能体验到成功的喜悦。（三）
大数据驱动教学评价方法多样化由于大数据技术的发展，之前不可量化、难以观察的状态都能得以搜集，教学评价也日益朝着多样化的方向发展。大数据驱动教学评价方法的多样化表现为量化、质性评价方法的结合以及思维方式的创新。自然状态下搜集到的学生学习信息均可通过数据量化胡春芳 大数据驱动教学评价变革43
JICHU JIAOYU YANJIU ·（上接第 41 页）
实际的联系以及与其他学科的联系。总而言之，教学内容要能够引发学生深度学习能力的生成。（三）
教学策略的选择有柔度只有立足于“学”，才能弄清楚“教”。深度学习的过程是认知深度加工的过程，也是情感上高度投入的过程，学习者只有深度参与到学习过程中，才能深刻领悟知识并将其进行迁移。因此，在选择教学策略时，让学生主动参与学习，获得体验感才是关键，笔者称其为柔度，教师的权威不再基于学生的被动性，而是基于学生的主动参与。教师创造教学环境，以促进知识的转移和运用，并通过适当的问题和观点将学习带入更深的层次。增强学生的学习积极性，增强学生的自我效能感。（四）
教学评价的方式有宽度对于学生而言，教师给予的及时、持续性的评价有助于学生对自己做出正确的定位，并把自己的发展看作动态的过程。对于教师而言，持续性的评价有利于教师对教学工作做出及时的调整，提高教学效果。同时，在对教学做出评价时，也不应只是以学生个体的考试分数或者整个班的平均分作为评价依据，教学评价应当具有宽度，第一，教学评价的内容多元，深度学习的学习结果指向学生能够自主地迁移与运用知识，指向学生的思维发展，评价也应当指向学生解决问题的能力、知识迁移能力等多种能力的发展。第二，教学评价的方法要多样，教师可以利用倾听、观察、交流、开放式题型的测试等方式来分析、了解学生的思维水平。【参考文献】［1］ 郭元祥．论深度教学：源起、基础与理念 ［J］．教育研究与实验，2017（3）．［2］ 何玲，黎加厚．促进学生深度学习 ［J］．计算机教与学，2005（5）．［3］ 孙学东．深入浅出：深度教学的应有之义 ［J］．中学数学教学参考，2017（1）．［4］［5］卜彩丽，冯晓晓，张宝辉．深度学习的概念、策略、效果及其启示—— — 美国深度学习项目 （SDL）
的解读与分析 ［J］．远程教育杂志，2016（5）．［6］ 郭元祥．知识的性质、结构与深度教学 ［J］．课程·教材·教法，2009（11）．［7］ 郭华．深度学习及其意义 ［J］．课程·教材·教法，2016（11）．［8］ 侯威．要素主义教育理论研究 ［D］．吉林：东北师范大学，2008．（责任编辑 云峰）的方式直观地展示在人们眼前，对量化的数据深入挖掘，进行质性的分析，更好地体现了教学评价量性与质性的结合。大数据引入教学评价还体现在思维方式的创新上，更加注重相关关系的分析，数据相关性分析是进行教学评价的另一新思路，在分析数据关联性的基础上进一步剖析数据背后的深层联系，通过分析其内在联系找出问题所在，有效进行评价。大数据驱动教学评价方法多样化，整合多样化评价方式为教学评价拓宽了思路。（四）
大数据驱动教学评价主体多元化教学评价主体多元化为教学评价带来了新鲜血液，评价主体不再拘泥于教师，学生有效、可量化的进行自我评价、互评成为可能。学生在学习中产生的所有数据都可以被记录，作为教育数据生产者的学生也可以通过数据分析清晰地进行自我量化，分析重点需要补漏的知识点及自身需要改进的地方，学生自评和互评减少了盲目性，同时也调动学生参与评价的积极性。站在不同视角、非利益关联者的第三方评价主体的介入，同样为教学评价注入了活力。不同评价主体掌握到学生不同的学习数据，有利于考察学生的综合素质，将第三方评价主体引入教学评价，避免了局中人评价的盲目性，多方教学评价意见汇集，促使评价更加客观化。在大数据的驱动下，所有教育数据皆可转化为参与计算的变量，深入挖掘其背后的价值，驱动教学评价变革，以丰富评价内容、拓宽评价范围，以标准差异促进学生个性发展、以方法多样增强评价效度、以主体多元化促进客观评价。大数据及时反馈教学数据促使教师更好地进行教学评价，进而不断改进其教学模式与策略，提升教学效率、增强教学效果，真正实现高效课堂。【参考文献】［1］ 陈振华．教学评价中存在的问题及反思 ［J］．教育发展研究，2009（18）.［2］ 李葆萍，周颖．基于大数据的教学评价研究 ［J］．现代教育技术，2016（6）.［3］ 杨现民，陈世超，唐斯斯．大数据时代区域教育数据网络建设及关键问题探讨 ［J］．电化教育研究，2017（1）.［4］ 张燕南，赵中建．大数据时代思维方式对教育的启示 ［J］．教育发展研究，2013（21）.（责任编辑 云峰）胡春芳 大数据驱动教学评价变革44
【摘
要】教育面临着数字化转型的机遇与挑战。数据驱动下的教育数字化转型是指以数据为核心，通过人工智能、5G、区块链等技术，实现教学模式、教学评价、教师教研等方面的全方位变革。本文从城市数字化转型的视角引入，指出数据是数字化转型的基础，阐释了数据智能和数据智能驱动的教育数字化转型的内在机制与逻辑。同时，根据数据治理面临的挑战，提出了区校两级教育数据治理的实施方案。最后对教育数字化转型的未来发展提出了几点建议。
【关键词】教育信息化;数据智能;数据驱动;数据治理;教育数字化转型 【中图分类号】G434
【文献标识码】A 【论文编号】1671-7384（2022）04-005-05 2 2022 年元月，上海市公布全面推。
进城市数字化转型的意见。“数字化转型”这个概念，最早出现在经济领域。2022 年 11 月，习近平主席在二十国集团领导人峰会上指出，“世界经济数字化转型是大势所趋，新的工业革命将深刻重塑人类社会”。由经济带动，上海率先推动经济、生活、治理的全面数字化转型。在上海的总体数字化转型举措中，教育当然也是重要的组成部分。由于教育的重要性、转型的复杂性，以及将带来的示范作用，2022 年 7 月，教育部复函上海市政府，同意将上海作为全国教育数字化转型的试点区，这标志着教育信息化步入了數字化转型时代。
教育，作为数字化转型的重要组 成部分，其核心目标是以数据驱动教育的 “ 整体性转变、全方位赋能、革命性重塑 ” 。数据驱动的教育变革步入了数字化转型时代，以智能技术为基础，充分发挥数据驱
动效能，促进数字技术与教育的深度融合，实现教育形态、教育服务、教育治理等方面的全方位赋能、综合性变革，成为未来教育的发展方向。
以数据驱动的教育变革引起了国内外的广泛关注与重视。2022年 9 月，联合国教科文组织、国际电信联盟和联合国儿童基金会联合发布了《教育数字化转型：学校联通，学生赋能》，明确提出要关注教育的数字化连通。同年，欧盟发布了《数字教育行动计划（2022-2027年）》，将“促进高性能的数字教育生态系统的发展”和“提高数字技能和能力以实现数字化转型”两大战略事项作为未来推进的重点工作。近期，我国教育部发布的《教育部 2022 年工作要点》中明确提出：“要实施教育数字化战略行动，加快推进教育数字转型和智能升级。”各层面的战略规划都指向新一轮技术革命与教育生态系统的重塑，大力实施教育数字化战略行动，成为当前教育信息化的热点。
相比已经让普通市民感受到便利的城市数字化转型，教育的数字化转型关键在于利用数字化转型助力解决教育中的核心问题和难点痛点，创建教育发展新环 境、更新数字教育资源、提供全面的数字公共服务，真正提升人民群众的获得感和满意度。但是，在转型的过程中，难点就是如何打通应用之间的数据壁垒，激活数据价值，构建起数字化转型的数据基础，更好地赋能民生服务，实现学、教、管、评等多场景的建设与应用。
数据作为数字化转型的基础 大数据技术的支持者认为，世界万物皆可量化，世界的本质理应是数据 [1] 。数据改变了人们看待、理解事物的发展方式，泛在海量的数据被采集应用到教育领域，数据正成为一种推动教育变革的核心要素和宝贵资源，同时也是驱动教育数字化转型的基础。
1.数据智能 当前，基于人工智能技术的数据智能化、多元化和个性化应用正在推动教育的数字化转型 [2] 。数据智能作为数据驱动的高级发展阶段，进入了自动化、智能化驱动状态，业内将之隐喻为“人工智能教育大脑”。其主要内涵是大数据与人工智能、机器学习算法等进行紧密结合，赋予了数据感知、理解、推理、决策等能力，从而实现对大规模非结构化数据的处理加工，最终“提炼”出所需的、有价值的信息。数据智能的实现基础是对基础数据集进行深度追踪、结构化组织与动态监测[3]。要实现数据智能，促进数据融合、关系挖掘、问题诊断等方面的智能应用，其中最关键的核心技术是教育数据中台和智能分析引擎。
（1）教育数据中台 教育数据中台简单地说就是教育数据的汇集仓库，致力于将教育数据进行融合、处理，使之成为可理解、可使用、可管理的数据资产，并将教育数据服务于教育体系之中 [4] 。具体的架构主要包括底层的数据环境、数据中台建设、数据治理机制等。其中，底层的数据环境是整个架构的基础，主要通过互联网、5G、数据平台等工具对多场域、多空间、多维度的数据进行采集;数据中台则是通过数据技术对采集到的大规模数据进行存储、加工、计算、分析、流通等，实现数据的精准服务;数据治理机制等主要通过加强数据质量、数据安全的管理，实现数据流通的科学性与合理性。
（2）智能分析引擎 智能分析引擎是通过测试评估、分析挖掘、调整适应等系统化流程操作，为个性化学习样态提供有力支持 [5] 。一方面，智能分析引擎以用户行为数据为基础，采用深度学习等机器学习算法，构建教育
数据智能分析系统，实现对用户“千人千面”的个性化推荐，满足多场域教与学活动的开展。另一方面，智能分析引擎能够聚集大量的学习资源，并且通过算法和规则构建优质的资源库。
2.数据智能驱动的教育数字化转型 目前教育系统正处于信息化驱动变。
革的关键窗口期。数字化转型是教育系统变革的关键特征，也是科技创新全方位赋能教育综合改革、支撑高质量教育体系建设的重要途径[6]。以数据为基础，要实现数据智能驱动的教育变革与重塑，不仅需要考虑学生学的业务数据，还要深入到教、管、评等多个方面。图 1 从价值、目标和实践三个层面探讨数据智能驱动教育数字化转型的内在机制与基本逻辑。
（1）价值逻辑：推动教育的高质量发展 数据的智能化、科学化，实现了教育与学生学习、教师发展、学校管理等方面的融合，促进了学生的个性化学习，提升了教师的专业能力和学校精细化、科学化管理水平， 从而有效地推动了教育的高质。
量发展。在学生学习方面，通过实时捕获和识别学习者的课堂行为（动作、语言等）、心理（情绪、人格）、生理（血压、脑电波等）等多模态数据，以更加全面、准确地反映学生的认知水平、高阶思维发展等情况[7]。在教师教研方面，以数据赋能，实现对教研“外显”的管理与评价[8]，促进精准教研的发生。在学校管理方面，人工智能技术将数据和算法相融合，助力教育管理的科学决策，实现了人与机器的高水平协作。人机协同成为未来学校发展的新形态。在教育治理方面，数据的精准化、智能化，推动多方主体协同参与，实现管理决策的科学化、透明化。同时，在政府、企业、学校所构建的新型社会关系中，创生出以数据服务为核心，从智能硬件、软件开发到定制化服务为一体的新教育产业链，推动教育的高质量发展。
（2）目标逻辑：提升教育数字化转型能力 从宏观层面来说，基于数据智能的教育数字化转型，一方面是推进国家教育现代化和教育高质量发展的重要引擎，同时也是全方位赋能教育综合改革、促进教育公平的关键特征; ; 另一方面，数据智能驱动的教育数字化转型，是促进信息技术与教育教学的深度融合，支撑构建 “ 互联网+ + 教育 ” 新生态，推进教育一体化进程的重要抓手。
从微观层面来说，基于数据的教育数字化转型可以实现以下几个目标：一是助力课堂教学模式的变革。通过对课堂中教师和学习者全方位、多维度的建模分析，形成基于数据的“采集—应用—分析—反馈”流程，将原本模糊的经验驱动的教育活动通过数据清晰地描述出来，帮助教师全面了解课堂教学情况，为课堂教学模式的改进和教学结果的优化提供依据。二是提升教师的教研效能。依托数字技术、大数据，实现了教研活动方式由形式单一、经验主导、小范围协同，向大规模协同、数据深度挖掘的精准教研转变，为教师教研能力的提升、促进其专业发展予以数据维度的有力支持。三是改变教育评价方式。通过将课前、课中、课后多场域多维度的数据进行采集，促进教育数据从传统的考试成绩到现在全过程的“质变”，构建个性化的学习者数字“画像”，為科学决策、个性发展、智能监管等提供智能化的支持。四是提升教育管理的科学性。大数据为学校的科学治理提供服务，利用大数据平台开展教育大数据主题分析，如校园安全监控、食堂管理、体质健康监测等，通过对校园管理数据、师生动态数据的分析，实现数据驱动的智能化教育决策和管理。
（3）实践逻辑：实现数据应用的完整闭环 为了打破数据孤岛问题，实现数据驱动的教育升级， 在教育数字化转型的实践中将重点围绕教育数据治理来推进和实现数据应用的
闭环。关于数据闭环，就是从数据被感知、采集，然后通过各个层次的计算、推理、分析，最终利用人工智能技术产生新的模型和决策，并将这些决策应用到终端，形成业务场景与数据的一整套流程，实现教育数据最理想的价值状态。数据闭环形成之前，非常关键的一步就是对数据进行融合。目前数据融合在实践应用中刚刚起步，如上海市通过构建市、区、校三级教育数据中台，以互联的方式，实现各级教育中台数据的融通共享。
以教育数据治理应对挑战 1.数据治理挑战 不同于其他领域的数 据治理，教育系统中的数据来源广泛、各类应用种类繁多，以致于出现多元数据难以做到 “ 一网通办 ”“ 一网统管 ” ，这成为教育数据治理所面临的重要问题。究其原因，主要表现为以下几个方面：一是教育业务场景的抽象具有领域门槛，且常常呈现标准化程度低的特点;二是教育业务中需要模型化的教学知识、学生知识、教学法知识，尚处于不断深化认识的过程中，标准化、模型化程度较低;三是教育信息化的应用普及相对滞后于其他领域，师生数字轨迹的形成尚有较大差距。
2.区校两级数据治理实施方案 在参与上海的教育数字化转型工作中，我团队针对数据治理的 上述挑战，基于教育场景中数据的特点，以教育数据开放共享规范体系、数据分析模型、数据管理工具等方面已开展的建设性探索为研究基础，构建了区校两级数据治理系统，以便为数字化转型提供数据基础。
区校两级教育数据治理系统的总体思路，可以概括为三句话：一是实现数据的接入并赋予语义，以建立师生用户的数字轨迹; ; 二是在教育业务分析模型基础上，结合成熟的数据治理服务，形成教学数据
智能引擎; ; 三是本着 “ 应用为王 ” 的理念，推进应用的开放和接入。系统的示意图如图 2 所示。
（1）数据工具集 数据应用工具集是为相关用户提供封装与集成的数据 及应用管理的窗口，实现数据 I API 的建设与应用 I API 的管理，为各类应用数据融通提供通道。主要包括开放应用管理工具、数据管理工具和模型管理工具。通过数据工具集，一方面能够便捷高效地管理复杂数据，完成数据互操作;另一方面，支持数据模型个性化应用，充分挖掘数据价值。
（2）数据驱动智能引擎 数据驱动智能引擎即所谓的轻量级教育中台，主要以教与学活动的个性化特征为切入点，通过对学生过程性行为数据、教师教学过程数据与核心素养内在结构进行关联，实现对教学活动数据、作业测评数据、素养结构数据及教师教研数据等进行多维度的挖掘、 处理与分析，为学生个性化自主学习、教师精准教学提供支持，以满足多场景的个性化教与学需求。同时，以数据驱动智能引擎核心模型（教与学有效行为发现与分析模型、素养结构深度刻画与诊断模型、个性化素养提升与干预决策模型）为基础，结合教育技术学理论，搭建服务于教育的各类模型。
（3）开放应用池 理 统一集成与管理 P APP 是解决目前区域学校信息化应用软件系统混乱，无标准、无监管问题的重要手段; ; 是教育资源公共服务平台的延伸，满足了学校、教师、学生、家长多方高效沟通与教育教学的需要。
未来教育数字化转型的发展方向
1.价值导向：增强理论引领与典型示范作用 数智时代，教育的发展重心应落脚于教育，而非一味注重技术的介入。应该加强教育基本理论、原理的研究，以创新的教育理论诠释教育系统的发展规律。首先，数字时代改变了人们的学习、工作方式，为了帮助学生获得最佳的学习效果，我们需要“可见的学习”。哈蒂主张“可见的学习”，认为教与学的过程及结果对教师和学生而言都是清晰可见的[9]，把学习看成是一种基于数据的结果分析过程。因此，在探究教育数字化转型的相关教育理论中，需要充分利用数据去考虑教师和学习者等因素，对理解教师激活学习者的学习具有重要意义。其次，随着多模态感知技术的发展，借助经典教育理论和多媒体学习认知理论探究学习者对信息的感知、加工、理解，运用多模态数据的采集分析方法，剖析学习者学习发生的表征，实现对学习者学习全过程、全方位的建模，为多学科融合的教育理论体系的构建提供支持。再次，示范引领方面，在市级统筹规划的基础上，区域、学校努力探索“先行先试”的创新体系，做好本区域、本学校优秀案例或实践经验的总结工作，形成可推广、可复制的经验。
2.数据智能：促进学、教、管、评多场景应用 教育数字化转型是一个长期系统工程，其实践和发展的过程涉及各级各类教育行政部门的统筹规划，国家、市区、学校缺一不可，仅凭一方的改变，难以实现成功转型。在学校层面，要做好教育数字化转型的试点工作，首先就是以日常教学为突破，通过对课堂中教师和学习者的建模分析，形成基于数据采集、分析、应用的闭环，为课堂教学模式的改进和教学结果的优化提供支持。其次，重构教育评价方式。以学生在学习过程中的动态数据为基础，形成学生核心素养发展阶段评价报告，构建“五育并举”的学生综合素质评价体系，创新和
...
值)。v01哪e是指数据体量大，通常以10T计，通过将不同的数据集合并，数据规模可能达到PB级。Veloc姆是指产生速度和处理速度快，伴随着物联网和互联网的普及，越来越多的物体数据和人类数据时时刻刻都在产生，同时要求对数据能够实现实时处理。Va矗ety是指数据种类丰富，包含大量结构化、半结构化、非结构化数据。value是指大数据蕴含巨大的社会价值和商业价值。从来源和应用方面来看，人数据具有以下几方面的特性。(一)分散和开放传统的数据往往集中在政府或少数企业手中，但进入互联网时代，理论上来说，人们在网上一切行为都可以记录。事实上，电子商务网站、社交媒体网站、新闻娱乐网站等各类互联网应用都记录了大量网民在线行为数据，数据体量飞速增长的同时实现了分散存储和分散管理。此外，美国、英国、澳大利亚等政府专门建立数据平台，硎tter和Facebook等互联网企业发布API，将自身掌握数据面向全社会开放，借助社会力量，让数据发挥更大价值。(二)重全体在信息能力处理受限的时代，世界需要数据分析，却缺少用来分析所收集数据的工具，因此随机采样应运而生。【51如今，信息技术的发展，智能终端的普及，物理网技术的广泛应用，采集海量数据基本不存在技术难题，使得“样本=总体”成为可能。(三)重关系大数据改变了传统科学界注重因果关系研究的模式，更加侧重于相关性测量。沃尔玛通过对顾客购买数据进行整理分析发现，男性顾客在购买婴儿尿片时会顺带买几瓶啤酒，于是推出了啤酒和尿布捆绑销售的营销策略。如今，“啤酒}尿布”已经成为大数据在商业应用中的经典成功案例。(四)重预测大数据时代重在发现知识，预知未来，为探索未知的社会现象带来机遇。这种预见性是一种自下而上的知识发现过程，是在没有理论假设的前提下去预知社会和洞察商业趋势、规律。【6J利用大数据进行预测的案例不胜枚举，谷歌利用大数据预测季节性流感爆发，洛杉矶警察局利用大数据预测某地发生犯罪的概率、犯罪类型，以及最有可能犯罪的时间段。三、大数据时代教育面临的发展机遇大数据已经在电子商务、医疗等领域发挥了重要作用，创造出难以估量的社会价值和商业价值。同样，大数据也将给教育带来前所未有的发展机遇。(一)促进教育与自然科学融合进入信息社会，物理世界的科学实验数据或传感数据不再是大数据的主要来源。随着互联网的不断深入发展，人类现实社会活动以及在互联网上的虚拟社会活动变得更加丰富多彩，技术的发展为全程记录人类在线行为提供了可能，由此产生了海量的数据也成为大数据的重要来源。将计算机科学、数据统计科学等自然科学研究方法与社会科学融合将产生更高的价值，并产生一个新的研究方向——社会物理学。教育科学继承了社会科学数据多源异构、高实时性、高随机性、高交互性等特点，为研究解决学生个性化培养、教师个性化教学、学习内容智能化推荐等一系列问题带来新想法、新思路。当教育领域的学者具有更深邃的数据洞察力，信息科学领域的学者具有更深厚的教育知识背景后，这二者的结合能够寻找隐藏在数据背后的教育模式、特点、规律和趋势，从而在教育界形成基于数据的研究分析与管理决策文化氛围。(二)变革传统教育组织结构或模式。·249‘
如果说以计算机代表的技术浪潮对教育的影响只是体现在辅助教学，那么以大数据为代表的新兴技术浪潮必然和教学环节深度融合，倒逼传统教育机构作出调整与之适应。首先，出现新的职业分工。数据处理、分析和应用等环节都需要专业人员参与，传统业务人员已经难以胜任，因此数据管理人员、数据分析师、数据开发应用人员等相关职业将成为教育领域的新需要。以电子政务领域为例，美国旧金山市设立首席数据官职位，并将其作为市长办公室的成员，负责创造城市数据的新标准，实现跨部门的数据协调。其次，出现专业机构。传统的数据分析处理人员可能分散在不同部门，随着数据驱动的兴起，既有模式已经不能满足业务需求，需要成立新的机构或赋予已有机构，比如信息中心、网络中心、数据中心，新的业务职能，使其成为支撑服务教育管理和教研活动的独立机构。在成立区域级大数据专业部门方面我国广州走在前列，该市在2014年2月份提出将要建立大数据局，统筹推进政府部门的信息采集、整理、共享和应用，消除信息孤岛。第三，重构组织结构或组织模式。大数据能够快速反映知识在知识链各个环节的传递情况，其价值具有明显的时空特性。教育政策执行过程数据、学生学习过程数据、教师讲授过程数据能够被实时采集、存储，挖掘分析结果能够在第一时间呈现出来。通过传统金字塔式的层级结构反馈信息、执行任务指令或周期性、阶段性的考试或抽样调查已经不能适应信息化时代快速响应、科学决策的要求，扁平化、弹性化、虚拟化将是未来组织结构的发展趋势。(三)实现知识转移过程中的知识增值知识转移是在特定的情景或环境中，知识从拥有者到接收者的传递过程，在这个过程中一般会伴随着知识价值的让渡与增值。[7】其中知识增值包括量增值和质增值，量增值是指知识数量的增加，质增值是指知识水平的提高，它与知识创新密切相关。[8】传统教育背景下，知识在在由教师传递给学生的过程中，往往只实现了知识价值让渡甚至衰减，难以实现知识增值。大数据时代，知识通过互联网面向全社会开放，免费或廉价的大规模协作成为可能，知识转移的主体不再属于少数人，越来越多的组织或个人包括学生，都能够参与到知识生产过程，从而实现了知识的量增值。此外，知识的开放性赋予了知识生命活力，知识不再像物品一样一成不变的传递。知识经过人为的编辑、选择体现了人的思想行为特征，被赋予了更多的社会属性，具有生存、发展、繁衍、进化等生命特质，实现了质增值。例如，维基百科打破了传统的由专家学者等权威人物编写百科全书的方式，实现面向草根的词条构建新模式。世界各地的网民，只要感兴趣，只要有一技之长，都可以参与到网络任务中来，正是由海量网民的参与，知识的准确性完全可以和传统百科全书媲美，而及时性则是传统百科全书所不能及。维基百科模式充分体现了知识的量增值和质增值，是教育领域可以借鉴的典型案例。(四)为个性化教育奠定基础教育领域的传统数据主要来源于考试或量表调查形式，数据处理分析后主要反映的是整体水平，比如学生整体的学业水平，对学校的满意度。[9】而大数据有能力关注个体表现，通过数字化记录每个学生成长轨迹，分析学生家庭背景、考试成绩、学习过程、性格特点、兴趣爱好等诸多要素，尽可能满足学生特定需求或引导学生向更有利于其自身成长的方向发展。大数据有助于实现学习知识图谱的扁平化，不再需要将所有学科的所有知识点严格按照年级进行划分，而是构建学科知识库，通过历史数据，分析和预测学生的学习态度、学习行为、和知识掌握程度，向每个学生提供独特的个性化学习建议，推荐恰当的学习进度、难易适中的学习内容、合适的教师，从而促进教育从知识驱动、教师驱动转向需求驱动、学生驱动，实现个性化自适应学习。在个性化数据挖掘与推荐方面首屈一指的莫过于美国在线影片服务商Netni)【，该公司一方面把影片划分成至·250·
少76897种“微类型”，另一方面通过分析一亿条含有历史评级、顾客年龄、性别、居住地区邮编和曾经观看的影片等信息的数据，实现了个性化推荐。在教育领域，只要数据获取的渠道足够多样化、数据的积累足够丰富、数据的属性足够社会化，未来基于大数据挖掘的个性化教育将成为因材施教的典型应用。四、应对大数据变革中存在的问题和不足大数据带来的不仅仅是技术变革，更是思想上、理念上的变革。教育作为一个拥有几千年历史的传统行业，在迎接大数据变革的浪潮中还存在一些问题和不足，主要表现在以下，L个方面。(一)数据文化尚未形成数据文化是指一个教育组织或系统内部崇尚数据对于各个层面决策过程的重要性的学习环境，它包括相应的价值观、态度和行为准则。[1 0】在教育领域，大多数管理人员和教师仍然以传统的经验主义为主要方式开展管理和教学，专业背景的不同影响着他们对数据价值的认识和数据技能的掌握，惯性思维让他们普遍觉得信息、数据、系统相关工作都应由技术部门负责，再加上大数据是一个较新的研究领域，其自身仍处在不断进化发展中，因此，从管理人员和教师的价值观、态度和行为准则来看，教育领域的数据文化尚未形成。以美国为例，2012年，美国开展了“缩小鸿沟：将数据转化为行动”项目，项目人员认为教师利用数据，最好的开始是学生信息系统(LMS)和学习管理系统(sIs)。但根据Gamler的调查结果，70％的受访教师认为他们所接收的学习管理系统培训为“弱”，超过70％的受访教师不相信学习管理系统能帮助他们解决课堂上的重要问题，教师普遍认为学生信息系统和学习管理系统相关工作是IT部门的工作。LllJ(二)信息化教育教学环境仍处在建设阶段教育大数据发挥作用首先依赖于宽带网络和数字化终端设备。对于宽带网络来说，我国“宽带网络校校通”的建设目标是到2015年基本覆盖乡镇及乡镇以上的所有校舍条件允许的中小学校。这就意味着在此之前仍有部分学校不能实现网络接入，而即使到了2015年，也只是实现了“基本”覆盖。对于数字化终端设备，国内学校不可能在短期内实现l：1的生机比，另外，由于家庭环境不同，并非所有的家庭都能够有实力安装宽带、购买电脑或ipad、手机等智能终端设备。根据皮尤中心2012年的调查结果显示，在美国能够实现学生人手一台学习终端的K．12学校比例不超过30％，作为发达资本主义国家的美国尚且如此，在国内实现学生数字终端高普及率可谓任重道远。此外，还缺少相应的人才、设备、技术来处理教育大数据中涉及的诸如海量数据存储、高性能分布式计算、非结构化和半结构化数据的高效处理等一系列问题。(三)信息孤岛普遍存在教育信息孤岛是指教育信息资源分散，没有形成一个统一的信息资源整体，各信息源之间无法进行信息的有效沟通，信息不能共享。【1 2】和其他领域一样，教育信息孤岛伴随着教育信息化产生和发展过程。这一方面体现在“没想整合”，各教育机构在信息化建设初期，缺少高站位的指导和对数据共享价值的认识，完全围绕自身需求进行开发，导致各信息系统各自为政、自成体系，互相之间难以互联互通；另一方面体现在“...
摘要：随着云计算和移动互联网的发展，大数据正在进入并逐步影响教育领域，本文追溯了大数据的起源，教育大数据特点和具体应用，以及学校如何面对大数据，使大数据在教育领域发挥更好的作用。
关键词：大数据，起源，特点，教育革新，数据治理
大数据概念的起源
大数据的雏形最早可追溯到托夫勒在 1970 年出版的畅销书《未来的冲击》，在这本书中，他指出“人工编码信息”将代替自然信息， 充斥人们的生活。1997 年，美国太空总署的两位工程师为解决空气动力学问题，阐述了大数据的相关特征：分布、远程、大量信息、可视化和处理。2008 年《自然》杂志刊登了一个名为“Big Data”的专辑，首次提出“大数据”的概念。
目前比较通行的对大数据的解读是“通过对海量数据进行分析， 获得有巨大价值的产品和服务，或深刻的洞见，最终形成变革的力量”。
数据应用于教育的三个发展阶段一、初始起步阶段（1970—1997）
上世纪七十年代出现了利用人工智能所创建的智能适应学习系统，随后，八十年代末到九十年代初出现了各种数据挖掘软件，这些系统和软件通过将学生的学习方法、学习习惯、学习过程中的数据收集分析，用以改善学生的学习方法和学习效率。但这期间，由于计算
机普及率较低，使用成本较高，数据库技术的滞后性，所以采集到的数据相对较少，限制了该方法的大规模流行。
二、重点探索阶段（1997—2008）
这时期明确了数据在教学、管理、决策中的决定性作用，出现的“智能导师系统”和“人工智能系统”掀起了教育数据挖掘的热潮， 也促使学习分析技术诞生。出现了各种独立的教育信息化系统，数据挖掘技术迅速发展，但数据分析利用仍处于初级水平。
三、快速发展阶段（2008—至今）
随着 2008 年“大数据”概念的提出，全球数据量进入 ZB 时代， 2012
年被称为“大数据元年”，“大数据”概念引起空前关注。大数据意识和观念开始席卷各行各业，教育数据挖掘和学习分析技术得到长足发展，被广泛应用到教育教学领域，正在形成一定的规模效应。政府、企业、学校都在积极开展教育大数据的应用探索，民众也在谈论大数据对教育发展的影响。教育数据的应用发展进入了“快车道”。
教育大数据的特点
大数据技术能让体验者的感受得以量化和显现。具体而言，教育大数据与传统教育数据的区别主要表现在以下几个方面。
1、数据更具有实时性。大数据关注每个学生的微观表现，如学习的过程轨迹，学习当中的情绪表现，这些数据通过传感设备实时地、不间断地获取采集，具有很强的实时性。
2、数据颗粒度更细。大数据来源于过程性、即时性的行为与现象的记录，如学生在一道题上逗留了多久，和多少同学发起主动交流，
这些数据的颗粒度更细，通过分析这些数据，可以改变教学过程，转换师生互动的方式，更好的服务于教育。
3、数据真实性更强。大数据的采集来源于观测技术与设备的辅助， 不存在人为偏差，采集的数据会相对自然、真实。
4、数据处理难度更大。大数据采集的数据规模更大，且多为非结构化数据，需要通过专业的算法和技术进行处理 5、教育决策性更强。许多以前未曾重视或缺乏收集手段的信息， 现在都可以作为“数据”进行记录和量化分析，通过对这些个体、微观数据的分析，可以调整教育行为，实现个性化教育。
教育大数据的具体应用一、大数据应用于教学 1、驱动教学模式的改变。大数据为教育提供了另外一种可能，即标准化的教育将转向网络完成，而人才培养和个性化将主要由学校承担。课堂教学的组织形式，也将从封闭式教学逐步发展到半开放的混合式课堂、完全开放的社会化课程教学。对由此而来的海量数据进行分析，将能够预测学习过程中的变量，挖掘各变量之间的关系，构建有效现象解释模型，促进高质量、个性化的学习，有助于学生在学业上取得成功。
2、驱动分类教学的发展。所谓分类教学即“教师根据学生自身在知识、技能、能力倾向方面不同的情况，对学生个人进行有针对性的辅导、帮助，让学生明确自己的优劣势，真正做到因材施教。学校利用采集到的各类结构化数据和非结构化数据，结合数据挖掘的关联分
析等功能，就能挖掘出一些价值的规则和信息，最终找到影响学生成绩的原因，并在此基础上对教学策略、课程设置、学生学习等方面做出合理的安排。
3、对教学行为的准确预测。大数据优于其他信息技术的因素在于它对未来强大的“预判”能力。通过相应的平台收集每个学习者学习时长、学习方式、反馈互动等详细数据，可以建立学习者的体验模型， 对其进行评估预测，并以图表化的形式将结果反馈给学生和老师。一方面可以帮助学生了解自己知识点的薄弱之处，弥补不足，另一方面可以帮助老师了解每个学生的学习进度，诊断问题所在，提出改进建议，并预测学生的考试成绩。。
二、大数据应用于学习
1、驱动个性化学习的实现。有别于过去只能收集学生分数和作业的结果，数字化学习平台能够持续采集学习者的学习行为数据，得到像阅读时间长短等这样更为详细的重要信息并进行智能分析，根据学习者的体验模型推送适合的学习资源，给予个性化的学习评价，提供准确的诊断结果，给出适合学习者的学习建议。学习的个性化最终将促使教育的个性化。
2、学习资源的准确推荐。大数据技术能够准确记录每位用户使用学习资源的过程细节，什么时候点击的，停留了多长时间，多少道题答对了，资源的回访率，什么时候被推荐，以何种方式推荐。基于这些资源的使用记录，可以对学习资源的质量进行精准分析，进而优化学习资源的设计与开发。
三、大数据应用于评价
1、教育评价的科学转型。大数据技术的发展将使教育评价从“经验主义”走向“数据主义”，新技术可以采集教和学的全过程数据，记录学习过程，识别学习情景，连接学习社群，感知物理学习环境， 为中小学学业成就评价提供更全面的数据支持。将数据存储于云端， 不但可以对学生在校期间的学业成就进行评价，还可以持续追踪学生毕业后的发展情况，为学校教学质量评估提供更全面、更准确的科学数据分析结果。
2、学习评价标准需要重构。大数据的大量、高速、多样与价值等特性为学生学习评价提供了新思路。学生的日常行为数据将被动态抓取和实时记录，并在系统内自动生成各种数据统计图表，从而让学生的隐形状态和需求显性化，让家长和教师能够更直接看到学生的点滴进步或潜在问题。多元化的考核体系也将促使学校将重点放在学生全面发展、教师专业发展、学校特色发展等方面，避免某些方面的管理缺位。
3、学习评价方式也将变革。大数据时代，学习评价方式不再以最终的学习结果作为评判的主要依据。学习者的学习过程、学习内容、知识迁移能力、情感获得和包括讨论、互动等一系列活动都将成为成绩评判的依据。通过大量的过程性数据，生成学生成长评价记录，既可以实现学校、教师、学生的高效评价，又为综合评价建立创新的途径。
学校如何面对大数据的浪潮
随着互联网、物联网、智能硬件的进一步普及，越来越多的多元数据被采集应用于教育领域，提高教育管理水平和服务水平。教育大数据的价值亟待人们去挖掘。为了有效发挥这些数据资源的宝贵价值，需要树立“数据治理”的理念，即形成“数据文化”，“激活”数据价值，“强化”数据治理。
一、形成数据文化
数据是一种文化，是尊重事实、强调精确、推崇理性和逻辑的文化。认识数据的作用，承认数据的价值，实际上就是尊重科学的体现。随着数据采集渠道的方便、成本的递减、分析工具的多样化，非技术人员也可以直接利用大数据的相关知识和工具分析各种现象，所以在教育界要形成“用数据说话、用数据管理、用数据决策、用数据创新” 的文化氛围和时代特点。
二、激活数据价值
数据本身并不具有价值，只有通过数据整合，从无序到关联；通过数据激活，从静态到动态；通过数据转换，从隐形到显性，数据才能变成有价值的资产，才能转变为竞争力和创造力。可以让企业利用数据进行精准研发，改善教育体验，提升教育质量；可以利用大数据开发实用性强的大众应用，提升公众在教育管理中的参与度。
三、强化数据治理
数据治理的主体要多元化，从组织内部管理向数据开放、共享和协同转变，创造开放性的生态系统，推动多主体、多领域的整合、互补，为政府、学校和个人带来更多的协同价值。加快公共教育数据开
放进程，推进学校教育数据的共享和交换，激发社会化利用教育数据的创新能力。
在创新 2.0 时代，大数据将助推学校人才培养模式变革，推动教学过程改革，加速形成终身教育体系。随着大数据在教育中的广泛应用，其影响力和效用将逐步显示。一个开放的、可自循环的，能实现可持续发展的教育生态体系正在日渐成熟。
参考文献：
1、舍恩伯格，《大数据时代》，浙江人民出版社 2、舍恩伯格，《与大数据同行，学习和教育的未来》，华东师范大学出版社 3、柯林斯，哈尔弗森，《技术时代重新思考教育》，华东师范大学出版社 4、邬贺铨，“大数据思维”，科学与社会-2014（1）
5、魏忠，何立有，“大数据：开启面向未来的教育革命”，中小学信息技术教育-2013（10）
6、张燕南，赵中建，“大数据时代思维方式对教育的启示”，教育发展研究-2013（21）
7、朱莉，“论大数据如何改变教育”，现代教育科学.普教研究 -2014（3）
EDM 最初应用于智能导学系统(ITS)和教育人工智能(AIED)研究领域,这些技术的深入应用也带来教育数据爆炸式膨胀。日益增长的教学软件中储存着巨大的学生数据,互联网教学 E-learning 等网络教育学习行为更是呈现出极具增长的数据流趋势。[2] 这些数据集过大、难以被传统数据库软件工具捕捉、储存、管理和分析的教育类大数据, 目前已成为困扰教育机构的一大难题,研究们逐渐开始关注这些教育数据的潜在价值。
教育数据挖掘用统计、机器学习和数据挖掘等方法来解决这些教育领域的问题,从而对更好的理解学生学习和提高教育管理决策的质量。[3]2012 年 3 月,在教育部正式颁布的《教育信息化十年发展规划(2011-2020 年)》 [4] 中提出,促进教育管理科学决策就要“大力推行教育信息化”,而这种科学的决策来源于教育信息化与教育管理的深度结合。而教育数据挖掘则是促进这种结合的有效手段。
与此同时,“智慧教育”也将改变学习和教育方式,促进传统教育向智慧教育的转变,使得教育变得更灵活和个性化。
以教育数据挖掘为基石,深度挖掘学生的各方面情况数据,“智慧教育”也需要教育数据挖掘的发展作为支撑加快,从而加快教育管理系统信息系统和智能学习平台建设。国外的研究与国内相比,对于教育数据挖掘有着更为广泛、成熟的应用。
虽然 2005 年在国际会议上首次提出“教育数据挖掘”这一概念,但是在不到十年的发展过程中,教育数据挖掘相关应用已经越来越受到学界的关注。
本文尝试用文献分析方法对教育数据挖掘进行综述和梳理。
国外文献分析主要有四个文献来源：一是利用笔者在中山大学图书馆检索系统(http://library.sysu.edu.cn/web/guest/index)以“EDM(教育数据挖掘)”、“Educa-tional Data Mining”、“学习分析(Learning Analysis,LA)”、“知识发现(knowledge Discovery in Database, KDD)”等相近关键词对论文、图书、电子书、DVD、以及论文题目、图书题目和杂志题目,进行文献搜索,其中 Education DataMining 检索论文,在 Willey Online Library 中有 4 个搜索结果,tandfonline.com 有 3 篇文献, 在 CSA 原剑桥科学文献数据库中搜到 40 篇相关文献,选择其中 12 篇文献作为研究对象,通过 Google 学术搜索以“教育数据挖掘(Education Data Mining)”等关键词进行文献搜索,在搜索到的上百篇文献中,根据引用频率进行筛选。
三是对可获取到的教育数据挖掘领域著名国际会议,例如第六届教育数据挖掘国际会议(the 6th International Conferenceon Educational Data Mining)中的 30 多篇文献,国际教育数据挖掘学会(International Educational Data Mining So-教育数据挖掘：大数据时代的教育变革*陈雯雯1 ， 夏一超 2（1. 华南理工大学 发展规划处 ， 广东 广州 510641；2. 华南理工大学 公共管理学院 ， 广东 广州 510641）摘 要：大数据开启了教育领域本质上的变化和发展，一个大规模的生产、分享和应用教育数据的时代正在开启，而发掘数据价值、征服庞大教育数据的“武器”就是教育数据挖掘。
本文通过文献分析法，对国内外文献进行分析和综述，首先对 EDM 进行概念界定和历史溯源，比较 EDM 相关概念的区别和联系，针对 EDM 作为大数据时代下的新技术， 对其研究、 发展和应用等方面进行了较系统的阐释， 最后总结了EDM 目前面临的挑战和展望，以期对 EDM 进行全方位的阐述和梳理，并促进该领域在中国的深入研究。关键词：教育数据挖掘；学习分析；大数据中图分类号：TP393 文献标志码：A 文章编号：1673-8454（2017）07-0037-08* 基金项目：2015 年度华南理工大学高等教育研究基金项目“基于教育质量指数的学科发展质量监测评估研究”（gj2015005）；华南理工大学发展战略与学科建设研究课题“学位点合格评估与动态调整机制研究”。创新探索37万方数据
中国教育信息化／2017.07《中国教育信息化》编辑部：mis@moe.edu.cnciety)、学习分析研究学会(SoLAR)、教育数据挖掘 IEEE专责小组中 28 篇论文, 根据作者文章引用频率和领域知名度进行筛选。四是根据每年的国际教育数据挖掘研讨会(Workshop of Education Data Mining)中论文,根据引用频率进行选读和筛选。
根据以上四个途径选取的文献资源, 除去相同文献之外, 最终获得相关文献 70 多篇,其中国内相关文献主要来源是“中国知网”等学术文献库中的相关文献。二、数据挖掘与教育数据挖掘数据挖掘是通过仔细分析大量数据来揭示有意义的新的关系、 趋势和模式的过程。
主要应用于银行、电信、交通、零售(如超级市场)等商业领域,而用在 e-learning 方面还是处于起步阶段。
数据挖掘是一门交叉性学科,融合了人工智能、数据库技术、模式识别、机器学习、 统计学和数据可视化等多个领域的理论和技术。由于数据挖掘是数据库中知识发现的核心步骤,发现了隐藏的模式,所以从模式处理的角度,许多人认为两者是等同的。[5]目前,学术界对于教育数据挖掘的定义并未有统一的描述,比较常用的几个定义分别来自于教育数据挖掘网站(http://www.educationaldatamining.org)是这样定义教育数据挖掘的,“教育数据挖掘是应用数据挖掘方法从教育系统中的数据提取出有用的信息,从而更好地理解学生及其学习系统的新兴学科。
”这一版本的定义成为之后学者广泛讨论的基础,引发学术界对教育数据挖掘的探讨和深究。
Luan 认为教育数据挖掘应该是从构建数据的模型、任务、方法和算法来探索教育环境中的数据信息。[6] Baker 和 Yacef 认为教育数据挖掘是分析教育系统中的数据并且解决教育研究问题的一门新兴学科。[7] 2011 年出版的《教育数据挖掘手册》上是这样描述,“教育数据挖掘是开发、研究和应用计算机方法来对传统教育环境中的大量数据进行分析和监测,而数据的容量之大是其他方式很难或者基本上无法进行的。” [8] 教育数据挖掘从各种支持学习或者教育的信息系统中提取出有用的信息,这些数据并不是来源少数学生或者某一个教育系统,而是包括所有参与的学生、管理数据、人口统计数据(例如,性别、年龄、年级)、学生的情感(例如,动机、情绪)等等。
因此,在教育大数据的背景下,我们分析更多的数据,有时候甚至可以处理某个特别现象的所有数据传统的教育数据挖掘。教育数据挖掘是伴随着数据挖掘和教育系统的发展而逐渐形成的研究领域。在传统教育系统的数据挖掘应用中,尤其是网络课程,著名的是学习内容管理系统和应用智能网络教育系统。每一个系统都会有各自的数据源和知识发现的对象。在处理每一种可利用的数据过程中,通常会应用统计、可视化、聚类、分类、离群点检测等数据挖掘的技术,大量技术的成功应用使教育数据挖掘逐渐成为一门成熟的学科领域。
在过去的十年间,教育系统中最重要的创新点在于新技术的引进。教育数据挖掘是在多种数据挖掘和分析技术的基础上发展而来的新兴应用。教育数据挖掘是一个交叉学科领域,包括信息检索、推荐系统,可视化数据分析,领域驱动数据挖掘、社交网络分析(SNA)、教育心理学,认知心理学,心理测量学等学科知识。
其中主要包括教育学、统计学和计算机科学,这三个领域的相互作用同样也形成了其他子领域与教育数据相关的计算机教育。
数据挖掘、及其学习和学习分析。(1)教育数据挖掘与学习分析教育数据挖掘就是将数据挖掘应用到教育领域,通过跨学科领域的研究更好地了解学生学习和教育的结果,从而对教育现象做出科学的解释。
从溯源教育数据挖掘可以看出,虽然教育数据挖掘涉及到多种不同领域的技术,但是目前与之相近的在教育领域中的技术主要有学习分析。
所有之前提到的学科领域,与教育数据挖掘关系最紧密的是学习分析,也叫做学术分析。[9] 学习分析主要用于数据驱动的决策制定和社会/教育相关的学习分析。
然而,尽管教育数据挖掘在数据上是一个新的框架,发现新的算法或者模型,学习分析用于结构系统的预测模型。
事实上,学习分析定义为测量、收集、分析和包括学习者在内的学习背景的报告,为了理解和优化学习和所发生的环境。尽管学习分析和教育数据挖掘在很多性质上具有相同的目标和兴趣,关键的不同主要从两方面进行辨析 [8] ：●重要性：
学习分析在数据和结果描述上更加重要；然而,教育数据挖掘则是描述和比较数据挖掘技术运用上更加重要。●发现的类型：在学习分析中,利用人类的判断是关键；自动发现用于完成这项目的工具。
在教育数据挖掘过程中,自动发现是关键；利用人类的判断是用于完成这项目标的工具。(2)教育数据挖掘与 E-Learning 数据挖掘教育数据挖掘的应用环境分为传统教育环境和计算机教育系统。
其中传统的教育系统包括演讲、课堂讨创新探索38万方数据
《中国教育信息化》编辑部：mis@moe.edu.cnThe Chinese Journal of ICT in Education论、小组练习、个人作业等传统形式。
而基于计算机教育系统的教育数据挖掘则成为 E-Learning 数据挖掘。
E-Learning 数据挖掘指的是一个将各种 E-Learning 软件系统(主要是网络教学平台)的原始数据转换为有用信息的过程,这些有用信息可为教师、学生、家长、教育研究人员、教育管理人员以及 E-Learning 软件系统开发人员所利用, 以实现对学生及其所接受教育的更好理解,并可据此采用更有针对性的管理和教学优化措施。
广义讲,E-Learning 理解为通过因特网进行学习与教学的活动。
[10] 因此,E-Learning 数据挖掘是教育数据挖掘的一个方面。三、教育数据挖掘成为教育大数据背景下的新动力教育数据挖掘通过发展、研究和应用计算机的方法来识别教育规律,对教育数据进行大规模收集。
近年来,教育数据挖掘在分析发生在教育环境中的特定数据,解决教育问题方面发挥着越来越重要的作用。教育数据挖掘正在处于飞速发展阶段。
80%以上的教育数据挖掘文献都是在 2000 年之后发表。
教育数据挖掘已经拥有成熟的研讨会 (Workshop of EducationalData Mining)、国际教育数据挖掘年会(the annual Inter-national Conference on Educational Data Mining)、 期刊(the Journal of Educational Data Mining)和研究手册(theHandbook of Educational Data Mining)。最早的一篇教育数据挖掘综述是 Romero &Ventura《教育数据挖掘：
1995 年至 2005 年的调查》 [11] , 也是目前为止引用最多的文献。该综述首先详细说明了教育数据挖掘和知识发现之间的关系和区别,并且提到了教育数据挖掘应用在传统的教育系统,网络课程,学习内容管理系统和智能教育系统中的案例。作者只是介绍了数据挖掘技术在教育领域的初步运用,并且大部分是在介绍数据挖掘的技术和方法,例如统计和可视化,聚类,分类和离群点检测；关联规则和挖掘模式,以及文本挖掘等,而教育数据挖掘现阶段的应用远远不止这些。
Baker和 Yacef《教育数据挖掘的现状：综述和未来展望(2009)》[12] 从理论上对比了早期和现阶段教育数据挖掘工作,分析教育数据挖掘的发展趋势。关于教育数据挖掘方法分类上,学界大部分是根据 Baker 的观点分为预测、聚类、关系挖掘等,作者认为应该在此增加人工判断和模型发现,因为模型发现越来越学界的欢迎,并且该方法对学生学习产生了更好的效果。虽然这两项综述的主题为“教育数据挖掘”,但是从内容来看,大部分已有研究的挖掘对象是 E-Learning 系统产生的数据,对于传统课堂的数据挖掘占少数。现阶段只有两本关于 EDM 书已经出版。
第一本是《E-Learning 的数据挖掘》 [13] ,有 17 章,主要内容是在网络环境下的教育数据挖掘。
第二本是《教育数据挖掘手册》,有 36 章,面向不同的教育环境(educational settings)类型。[14]表 1 教育数据挖掘相关的刊物刊名 缩写 数据库影响因子（2014年）Journal of Educational DataMiningJEDM EDM Society -Journal of Artificial Intelligencein EducationJAIED AIED Society -Journal of the Learning Sciences JLS Taylor&Francis 2.000Computer and Education CAE Elsevier 2.630IEEE Transactions on LearningTechnologiesTLT IEEE 1.220IEEE Transactions on Knowl-edge and Data EngineeringKDE IEEE 1.815ACM Special Interest Groupon Knowledge Discovery andData Mining, ExplorationsSIGKDDExplorationsACM -User Modeling and User -Adapted InteractionUMUAI Springer 1.400Internet and Higher Education INTHIG Elsevier 1.015Decision Support Systems DCS Elsevier 1.687ExpertSystemswithApplications ESWA Elsevier 2.203Knowledge-Based Systems KBS Elsevier 2.422表 2 教育数据挖掘文献引用次数最多的十篇论文篇名引用次数Educational data mining: a survey from 1995 to 2005 621Data mining in course management systems: Moodle case studyand tutorial300Off-task behavior in the cognitive tut...
//dej.zjtvu.edu.cn* 基金项目：本文系 2018 年度江苏省教育信息化研究重点课题“基于智慧教室环境的个性化教学研究”（项目号：
2018007 ）； 2018 年江苏省教育科学规划“十三五” 2018 重点课题“智慧教室支持下的混合式教学模式创新与实践研究”（项目号 :B-b/2018/01/60 ）的阶段性研究成果。数智融合：数据驱动下教与学的演进与未来趋向*—— — 兼论图形化数据智能赋能教育的新形态郑思思 陈卫东 [通讯作者] 徐铷忆 袁 凡 褚乐阳（苏州科技大学 新媒体交互设计与应用研究所，江苏苏州215011 ）[摘要]随着 5G 、大数据、 XR 和人工智能等技术的发展和应用，人类已经进入到数智融合（ BD+AI ）时代。
图形化是当今大数据的重要形式之一，可以快速耦合异构数据，为各类教育主体提供决策支持。
图形化数据驱动教育的核心特征，包括实时互动、埋点采集、深度分析和循证决策。
在教育领域，图形化数据包括状态、过程、关系和支持四个维度的不同类型，具有直观性、全景性、交互性、智能性、可扩展性和叙事性等特性，在学生学习、教师教学、学习评价以及教学管理均可有效应用。
数智融合使得图形化数据可以从脑机技术、全域交互、人机融合、虚实共生、教育均衡、教育智脑六个方面，赋能未来教育新形态。[关键词] 数据驱动；图形化数据；教育应用；数智融合；数字孪生；全息课堂；脑机技术；数据智能[中图分类号] G420 [文献标识码] A [文章编号] 1672-0008 （ 2020 ）
04-0027-11一、引言随着大数据、物联网、数据挖掘、云计算、拓展现实（ XR ）、数字孪生（ DT ）及人工智能（ AI）等新兴技术的快速发展， 以及各种传感器和可穿戴设备技术的广泛应用，人类的认知能力得到质的飞跃，人类也从“以自我控制、自我管理为主”的 IT 时代进入到“以服务大众、激发创新力为主”的 DT （ Data Technology ）时代，形态多样、海量的数据分析、处理和应用，已成为信息科学领域面临的一项巨大挑战。基于 AI 技术的数据个性化、智能化的应用正在掀起一场全新的革命，数智融合（ BD+AI ）已成为当下时代的典型特征。
甚至有大数据技术的支持者认为，世界万物皆可量化，世界的本质理应是数据 [1] 。从哲学角度来看，数据不仅仅意味当下，也是过去的累积。数智融合下的“数据”是信息流背后的人、物和事件的总和。数据描述着一系列关系的发生，是个体和社会的各种物质、非物质生产、流通及消费行为的基础。
可以说， 数据改变了人们理解和研究世界的方式， 越来越多的数据可以被采集， 并用于大数据分析、人工智能训练等领域，数据正在成为一种资源。正如马云所说，未来最大的能源不是石油而是数据 [2] 。数据已成为当前及未来最为核心的生产要素。从数据的视野来看， 大数据指的是一种新的数据世界观，它认为所有事物都是由数据构成的，一切皆可“数据化”。教育领域的大数据，贯穿于整个教学活动中， 是依据需求采集到的所有与教学活动密切相关的数据集合。当下，随着移动通信、智能技术、云计算、普适计算等的并行发展，教育领域大数据在适应性教学、 教育规律发现以及精确管理等方面都已实现初步应用。图形化数据是当前大数据的重要形式之一，它改变了人们进行信息传达和沟通的方式。
海德格尔（ Martin Heidegger ）曾说过：“从本质上看来，世界图像并非意指一幅关于世界的图像， 而是指世界被把握为图像 [3] ”。
图形化数据可以帮助人们快速地耦合异构数据、理解内容、发现规律、交流信息。在教育教学中，借助图形化数据，可对教育过程产生的数据进行实时处理和交互分析， 能帮助教学者和管理者跟踪变化和理解变化背后的成因， 这有助于形成技术促进下的课堂新生态，更好地优化教与学的全过程，服务于学习者的学习和发展。Frontier Discovery27DOI:10.15881/j.cnki.cn33-1304/g4.2020.04.003
2020 年第 4 期 总第 259 期二、数据驱动的原理及应用现状（一）数据驱动的起源与发展数据驱动的起源与发展主要可分为三个阶段，如图 1 所示。
自文艺复兴时期在自然历史科学领域假设驱动阶段， 到初步探索时期的以数据为中心的“伪”数据驱动阶段，再到如今的数据自动化决策的高速发展阶段。数据驱动的应用最早可以追溯到文艺复兴时期的自然历史科学领域，随着新大陆的发现，当时的欧洲自然主义科学家发现了大量与自身认知体系完全不同的事实与信息， 这便催生了科学家们设计出新型数据管理方式。例如，利用笔记策略和新的分类系统以应对大量未知数据。
这些数据管理新方式的产生，也为大量数据的积累提供了可能性 [4] 。
早期的自然主义科学家以标本、 图文以及文本等方式建立收藏库，并通过与自然世界的比较，进而得出结论。可以看出，当时的研究者们已开始尝试通过分析“数据”，试图为多样的自然形式建立秩序，与当下的数据驱动方式十分相似。
但实际上，该时期的自然主义者通常是在主观搜集的数据中展开研究的。
因为，自然历史主义从根本上是基于本体论假设而展开的，他们通常都将“假设自然群体的存在”设为既定前提，所以在此之后所产生的数据并非客观的 “原始数据” [5] 。因此， 可以认为该阶段的自然历史科学是假设驱动的。但当时的自然主义科学家通过多种渠道收集大量的数据，不仅包括假定的研究对象，还包括其它与之相关的广泛的物质和抽象实体， 这些均被用来作为“数据”。
而这种数据采集方式一直被沿用至今。随着数字化的推进， 人们逐渐开始重视数据的应用， 并认识到任何事物的属性和规律在通过一定的抽样、量化后，都能将其转换成数据并进行传递。随后，大数据的大范围应用，彻底改变了人类的行为方式与认知世界的能力。
人们开始对数据驱动进行初步探索，而该阶段则多采用以数据为中心的方式。主要表现为：首先搜集大量数据；其次对这些数据进行整理、特征提取；最后生成报告并进行人为决策。当前，数智融合的态势越来越明显，大数据与人工智能、 机器学习等技术已迈入深度发展与相互融合的阶段， 而数据驱动也进入了可独立运行的智能化高速发展阶段。
数据驱动依靠着智能系统与数字线程技术， 完成了链路中最重要的一环—— — 数据自动决策。
以数字孪生技术为例，高阶形态的数字孪生可实现虚拟形象与智能系统间数据的双向自流动，通过虚拟孪生体与孪生对象间不断地交互、比较，进而形成决策，并对物理实体进行优化 [6] 。由此可见，该阶段的数据驱动系统，已完全实现了数据主导。未来， 由数据自驱动形成的闭环会步入全域感知阶段， 用户通过感应系统或交互系统输入数字信号，接着智能系统通过对数字信号进行分析与处理，形成洞见，并自主驱动形成智能化决策。
如，在医疗领域，扩展现实（ XR ）技术的情境感知特性，能实现对人、环境等数据的全面采集、分析，由此可基于这些数据对用户的健康状况进行评估， 提供个性化的健康管理建议等，进而为用户提供智能化、个性化的医疗服务管理与体验。总体而言， 数据驱动已步入自动化驱动状态，大数据与人工智能、分布式计算等的紧密结合，赋予数据感知、理解、推理等能力，使驱动系统足以实现对大数据时代下大量的高维异构数据的处理，形成数据与智能融合驱动的新生态。
另外，如何将决策数据进行合理加工、编排，以图形为主要表征方式进行展现，顺应数据“去中心化”的趋势，实现数据的可理解、决策的可解释，或将成为下一阶段亟待解决的问题。（二）数据驱动的概念与界定对于数据驱动的概念，有学者认为，数据驱动可以看作为一种“数据”的使动用法，即指被数据推动的过程或活动，而不是仅凭直觉或个人经验来驱动 [7] 。换言之，所有的流程都需依赖于数据，所有的决策都需基于确凿证据。也有学者认为，数据驱动是基于模型的或是由模型所驱动的 [8] 。
在数据驱动中，数据模型的建立实际上是对数据的一个加工过程， 将原始数据通过逻辑进行串联，以获得所需的数据信息。我们认为，数据驱动指通过采集海量的数据，并对数据进行清洗、加工、计算以建立数据模型，如图2 所示。
在此过程中，保持数据的动态更新，以推动模型进化与迭代， 使粗糙模型进化为足以映射真实精细化模型，再通过数据分析与算法，对模型进行训图 1 数据驱动的起源与发展数智融合：数据驱动下教与学的演进与未来趋向 荨荨前沿探索28
JOURNAL OF DISTANCE EDUCATIONhttp ：
//dej.zjtvu.edu.cn练并实行预测。
最后， 通过对关键特征与信息的提炼，以驱动决策的生成；并将决策进一步实施，而在决策实施过程中会进一步产生新的数据源， 以形成数据驱动到决策生成的闭环。（三）数据驱动的核心特征1. 实时互动桑文峰提出，在数据驱动的过程中，数据的采集要做到“大、全、细、时”。
其中，“时”是实时互动的重要要求 [9] 。目前，随着物联网、传感器及可穿戴设备等技术的普及， 互动行为数据的实时采集变得简易化与多模化。
5G 等通讯技术的发展，更拓展了多维数据的传输信道， 可以快速地帮助模型进行迭代与更新，以提升决策质量与决策时效性。2. 埋点采集“埋点” 指的是在网络环境中嵌入数据采集代码，以获取人们的行为数据，它是一种极为高效的数据获取方式。
埋点采集一般分为全埋点 （又称无埋点）、半埋点与可视化埋点三种，以实现在不同的条件下的数据使用 [10] 。
在数据采集的过程中进行埋点，可帮助使用者实现精准操控。3. 深度分析数据驱动需要对数据进行深度分析， 以此发现状态、反映规律。
传统的浅层分析法，无法深入解析非结构化数据。利用智能感知技术，数据驱动可实现对多模态、多维度数据的分析，从而提升模型建构的质量，使得决策输出更为精准。
以新零售行业为例，利用数据驱动技术，可以实现对消费者性别、年龄、文化背景、消费行为等多方维度上的数据采集，并能对这些数据之间的相关性进行分析， 建构起以消费者需求为导向的用户画像， 以充分挖掘用户消费行为背后的隐藏信息，如，消费习惯、购买趋向等，可以有效帮助企业把握市场动向，寻找潜在消费者。4. 循证决策数据驱动要求基于数据推导结论， 以脱离人为主观经验的影响。对于所采集的数据、信息的分析与决策，需建立在严格的客观“证据”之上 [11] 。
基于证据的决策能有效提升决策的科学性， 从而使得数据驱动系统成为一个积极的反馈循环。三、数据驱动教育领域应用的演化及发展趋势（一）数据驱动教育应用的演化数据驱动下的教育在不同时代， 展现出不同的特性，如表 1 所示。
在工业时代，教育主要依据教学者的经验而展开。随着互联网与数字技术的发展，人们的决策方式与数据应用模式逐渐发生了改变，由万物皆可量化的数字化教学， 向更为关注人本身能力培养的数智化教学转变。大数据与人工智能、机器学习等相结合， 使得计算机具备了对人、 环境的理解、感知、推理及预测的能力。
全向的人机交互，能深入挖掘数据背后的价值， 而图形化数据的应用能打破数据解读的障碍， 使得数智化在教育领域的应用更为广泛。
其演化经历了三个阶段，如图 3 所示。1. 起始阶段我国传统教育以经验模仿式教学为主， 教师在课堂中占据主要地位，把书本知识、已有的理论经验灌输给学生。
在这一教学过程中，学生只是被动地参与学习、接收知识。
虽然，该教学模式从短期上来看图 2 数据驱动模型图 3 数据驱动在教育领域的应用发展Frontier Discovery表 1 数据驱动在教育领域的演化信息时代 智能时代· 数据驱动 · 图形化数据智能驱动· 教师主导 · 教学全领域量化· 学生主体· 人工搜集 · 机器驱动· 万物互联· 主观决策 ·自动化决策· 教学数据可视· 灌输式教学 · 人机协同· 智能化决策· 个性化学习工业时代· 经验驱动29
2020 年第 4 期 总第 259 期较为有效，能够提升教学效率，但却忽视了学生之间的差异性。
而在后期的教学评价中，传统教学评估方式多为总结性评价， 基本是以考试测验或调查量表来进行的。
这种评估方式与强制量化的方式，会给学生带来了一定的心理压力， 学生主观心理因素的干扰， 直接影响数据收集的客观性与准确性。
在此阶段，要求教育者需独力进行数据分析。
教育者进行数据分析活动通常都需要掌握一定的数据分析方式，拥有数据决策能力，对其而言门槛较高。
因此，传统教学在数据方面使用存在着一定的先天不足。2. 探索阶段随着全社会移动端的普及、 云计算服务的发展以及大数据分析技术的突破， 大数据的广泛应用革新了教育理念、教育思维及教学方式，传统经验式教学慢慢转变为以数据为中心的教学， 基于学生行为数据分析的教学将逐步变成现实。
在探索初期，一方面，对于采集的学习数据缺少过滤，导致数据库掺杂着这一些冗余的、缺失的、质量差的“脏数据” [12] 。
这些数据通常缺少在垂直与水平方向上的关联性分析，导致冗余数据不能被及时剔除，因此，在分析结果时常存在误差，数据价值也未能完全展现。
另一方面，在此阶段，对于大数据的应用还仅仅停留于数据收集层面， 决策的产生通常还是以人的主观判断进行的，因此，会有产生“假规律”的风险。
在探索后期，人们对于技术的发展以及对于大数据的深入研究，使数据收集和分析的方式有了一定的改进， 教学内容也逐渐延伸至课本之外。
另外，互联网的介入与新的计算机技术支持的交互式学习方法与学习工具，也为学习者学习行为的量化与采集提供了新的方式。特别是更加集成、模块化和复杂化的学习系统，为教学收集了更多类型的数据。当下，针对多维度、多模态数据的多元化处理方式，以及多样化分析手段，能有效助力教学数据的挖掘...
2019 · 12A︼ ｜课 改 前 沿数据驱动，优化教学*——基于数据分析的小学数学教学实践研究陈 刚
彭 坚* 本文系 2017 年度江苏省基础教育前瞻性教学改革实验项目“基于数据分析的小学数学教学实践研究”（苏教办基〔2017〕9 号）研究成果之一。收稿日期：2019-09-17作者简介：陈刚，苏州市实验小学校(江苏苏州，215007 )副校长，一级教师，苏州市小学数学学科带头人；彭坚，苏州市实验小学校（江苏苏州， 215007）教科室主任，一级教师。摘要：大数据时代的到来使运用数据驱动教学改进成为教师教学新的关切点。苏州市实验小学校从大数据教学支持系统构建、教师教学的数据素养提升和数据分析优化小学数学教学三个维度，在小学数学教学领域研究与实践适应每一位学生的精准有效的教学，促进学生在小学数学领域的自主、主动、个性化学习，提升小学数学教学效能。关键词：数据分析；小学数学；教学实践中图分类号：G623.5 文献标志码：A 文章编号：1673-9094(2019)12A-0016-06近年来，随着信息技术的革命性突破和泛互联网数据的急剧扩增，以“数据驱动学校，分析变革教育”的教育大数据时代已经来临。数据技术带来的教学过程实时反馈、基于数据分析的学习内容优化和满足个性化学习需求等特征，正在对传统的学校教学产生深刻的影响。运用数据技术，挖掘小学教学活动中的学生学习行为数据，进行科学的数据分析，提升教学有效性和效率，对当前学校教学的发展具有着重要现实意义。苏州市实验小学校在“十二五”期间，在布鲁姆的教学目标分类学、加涅的学习条件理论和基于学习条件理论的教学设计原理等教学心理学理论指导下，开展了“学习分类、目标导向的教学设计”研究与实践，取得了初步成果，教师的教学行为更为符合教学心理学揭示的认知规律，小学数学教学也更为轻负高效。而以现代教学心理学理【项目简介】 苏州市实验小学校的“基于数据分析的小学数学教学实践研究”是 2017 年江苏省基础教育前瞻性教学改革实验项目。该项目在小学数学教学领域，研究运用大数据理念与技术进行数据挖掘、学习分析，在大量数据的归纳与分析中找到真正影响小学数学教学有效性的重要因素，使教师全面获悉每一位学生学习的真实情况，进行更为精准、高效、适应学生学习的小学数学教学，优化教与学方式，促进因材施教。项目开展近两年来，经历了现状调查与理论学习、顶层设计与分步实施、回顾梳理与反思改进三个阶段，在数据平台构建、数据驱动教学改进等领域取得了一定的研究与实践成果。
总第 430 期
2019 · 12A17︼ ｜课 改 前 沿论和实证研究为基础的小学数学教学，一直将学生的学习结果数据分析放在重要位置。这为数据分析技术引入小学数学教学领域奠定了良好的前期基础。2017 年，我校申报的“基于数据分析的小学数学教学实践研究”项目被立项为江苏省基础教育前瞻性教学改革实验项目，由此开展了以数据驱动教学改进的研究与实践。一、基于数据分析的小学数学教学实践研究目标本项目研究和实践的目标是运用大数据理念及技术，开发相应的教学支持系统，通过数据挖掘及学习分析，研究并实践基于学生学习需要的小学数学教学方法与程序，促进学生在小学数学领域的自主、主动、个性化学习，提高小学数学教学的有效性。依据目标，我们主要从三个方面推进研究与实践工作：一是建设适应学生学习的教学支持系统，包含适应学生学习的小学数学教学资源开发实践研究和小学数学教学平台建设实践研究；二是基于提升数学学科素养和数据分析素养的教师培训实践研究；三是基于数据分析优化小学数学教学的实践研究。二、基于数据分析的小学数学教学实践路径近两年来，我们围绕研究目标，组建了由小学数学教师、数据技术专家、数学教学专家组成的项目组，在三个维度推进研究与实践工作，取得了以下成果：（一）适应学生学习的教学支持系统建设适应学生学习的教学支持系统包含两个层面：一是适应学生学习的小学数学教学平台建设，二是适应学生学习的小学数学教学资源系统开发。1. 适应学生学习的小学数学教学平台建设建设教学平台需要具备三方面的功能：一是实时收集学生学习行为数据；二是能根据小学数学知识图谱的结构，有效整合教学资源，并根据教师的教学指令推送各类教学资源；三是对学生的学习行为数据进行量化分析并呈现。（1）小学数学教学的平台架构。平台采用 B/S模式（浏览器 + 服务器）的交互方式，B 是教师端和学生端的浏览器，S 是搭建在服务器上的学习平台，由教师在系统上开设课程和定制资源，学生通过终端设备的浏览器访问学习。教师可对学习活动进行组织，参与互动。平台的基础是两库一图。两库是题库和资源库，一图是知识图谱。题库实现存放各科各类的习题，内容涵盖各年级，分填空、判断、选择、简答等形式，与学科知识图谱中的知识点关联。资源库中包含一系列学习视频资源，也与知识点绑定。（2）小学数学教学平台的主要模块。平台设置了多个功能模块，与核心的两库一图相对应，有资源管理、题库管理和知识图谱三大模块。教师可通过这些模块对资源、题库和知识图谱进行维护与更新。从教师端口来看，有教案管理、分组管理等模块，教师可使用这些模块进行教学方案的设计，从两库中调取习题和资源，控制学习任务的下发、暂停或撤回，对学生提交的作业进行评改，组织学生围绕某个主题或者某一个具体的问题在线讨论等。从学生端口来看，有学习任务单、在线讨论等模块，学生可在这些模块中参与学习和互动。（3）小学数学教学平台的主要功能。适应学生学习的小学数学教学平台可实现的主要功能有：教案设计、教学执行、作业批改、分组管理、数据分析（见表 1）。教案设计 教师在平台上可建立教案本，添加课时计划，配置实施时间、班级等。在进行教案设计时，教师可根据学生个体特征进行分组设计。教学执行 平台具有帮助教师组织教学的功能，可在课堂教学时由教师选择任务发放给学生，过程中可暂停，可撤回。作业批改 学生通过浏览器在线答题，参与线上讨论互动。教师在平台上进行批改与点评。学生可根据教师的评语进行订正、复学等活动。分组管理 教师根据学生个体特征进行分组，设置不同的学习任务，平台可向学生分发不同的学习任务，满足个性化学习需求。数据分析基本统计量 平台对各习题的完成情况逐一统计，用统计图表显示出每一题的完成人数，正确、错误人数。学生详情 平台为每位学生提供了关于学习累计的统计，包括对习题完成情况的统计，按学科、教案章节、知识点、题目类型等进行的分类统计分析。这是教师开展个性化教学的依据。标签管理 教师可设定一些常用标签用于学生作业的标注，方便在后续数据统计时从多维度进行分析。表 1 小学数学教学平台主要功能表
18总第 430 期
2019 · 12A︼ ｜课 改 前 沿2. 适应学生学习的小学数字化教学资源系统开发开展基于数据分析的小学数学教学实践研究，首先需要有相应的数字化教学资源，这是一项基础性工作。由于数学学科本身所具有的严谨性、逻辑性，高度的抽象性和广泛的应用性，所以数字化教学资源需要依据小学数学学科本身特点进行系统开发。主要分两步：一是依据小学数学学科的知识结构和学科特性，研究绘制形成小学数学学科的知识图谱。二是依据绘制的知识图谱，运用布鲁姆教育目标分类理论进行系统的适应学生学习需要的教学资源开发与分类。（1）绘制小学数学学科知识图谱。知识图谱是显示知识发展进程与结构关系的图形。小学数学各知识点之间存在着直接或间接关联，这些知识及知识之间的关联形成了立体的、网状结构的知识树。通过绘制可视化的图谱，表述小学数学知识及知识之间的相互关系，形成完整的知识体系图，这就是小学数学的“知识图谱”。这张可视化的图，呈现了小学数学知识之间的关系以及发展演进的路线，能清晰地展现每一个知识的生长点、延伸到哪里，以及相关联的知识。根据小学数学课程标准，以“因数和倍数”知识点为例，我们系统整理小学数学知识绘制而成的知识图谱不仅包括知识点和知识点之间的关系（也就是每个知识点的起点知识和后续知识），还包括知识点的教学目标、所在章节，以及相对应的教与学方法说明（见图 1）。图 1 小学数学知识图谱知识点说明（因数和倍数）知识点因数和倍数章节7.08.01说明数学概念的学习，需要达到理解水平。目标1. 学生能结合乘法的算式，举例说明“因数”和“倍数”的关系。2. 在 1-100 的自然数中，能找到某个数的所有因数；在 1-100 的自然数中，能找出 10 以内某个自然数的全部倍数。学习方式概括知识关联图认识乘法算式倍的认识因数和倍数质数与合数 分解质因数2 和 5 的倍数的特点公因数和最大公因数公倍数和最小公倍数（2）适应学生学习需要的教学资源的开发与分类。知识图谱构建的主要目的是为了在教学平台上进行适应学生学习的教学资源建设。教学资源必须与知识点挂钩并具有梯度层次，这样才能推送给不同学习目标、不同水平层次的学生。资源建设的主要内容是习题库建设和教学微视频开发。我们依据开发的知识图谱，运用布鲁姆教育目标分类理论开发了小学 1~6 年级完整的习题库，每一道习题与相关知识点匹配。同时，依据布鲁姆教育目标两维分类框架，将习题分为记忆、理解、运用、分析、评价、创造六个水平层次，进行习题属性标注，方便老师教学并适应学生学习的需要。在一些基础的数学知识点和重要的数学知识点上，我们还开发了教学微视频资源，供学生自主学习。（二）构建运行“学、研、行”教师培训模式由于以学生素养发展为核心，以大量学习数据为支持的教学，教师没有先例可循。为此，在
总第 430 期
2019 · 12A19︼ ｜课 改 前 沿项目运行中我们必须开展教师培训来解决这个问题。而目前教师培训普遍采用的现场专题培训、观看网络视频、网上发帖交流等方式，从实际成效上看，有利于达到的学习目标主要是记忆和理解，难以达到运用、分析、评价、创造等更高层次目标。出现这种问题的根源在于：多数培训，无论是关于新理念、新方法的专家讲座，还是优秀教师的示范课，对于参训教师而言，仍然属于事实性或概念性知识，没有亲身的实践体验。“做中学”，很难将其转化成程序性或策略性知识。为此，我们研究构建了“学、研、行”教师校本研训模式（见图2）。
图 2 揭示了在教师培训中，研究是学习与实践的桥梁，没有研究，教师难以学以致用。提高教师培训实效性的核心在于引导、促进教师在学习、实践中开展研究。所以“学、研、行”教师校本研训模式分为两个阶段：“学、研”阶段和“研、行”阶段。在“学、研”阶段，教师主要学习的是事实性知识和概念性知识；在“研、行”阶段，教师深度学习的是程序性知识、策略性知识、信念性知识等。依据布卢姆教育目标分类学，在“学、研”阶段教师主要处在对新知识的记忆、理解层次，在“研、行”阶段教师处在对新知识的应用、分析、评价、创造层次。“学、研”阶段和“研、行”阶段，是不断循环、螺旋提升的过程。1. 学、研阶段在该阶段研训团队主要学习、研究国内外已有的理论与实践成果。为此我们开发了学、研阶段螺旋式循环提升的五步骤程序：分析需求—确定内容—自主学习—分组研修—讨论深化。
（1）分析需求：主要通过调研，明确参与研训教师知识结构的不足之处在哪里？其迫切需要解决的问题是什么？发现在大数据时代，教师素养发展上的具体需求。（2）确定内容：在需求分析基础上，我们将培训内容定位为学习科学理论、大数据理论与技术等。书单包括《应用学习科学》《大数据时代》《技术时代重新思考教育》《如何进行个性化教学》等十余本最新的相关理论与方法方面论著。（3）自主学习：教师在明确研究问题的基础上，开展自主阅读。我们强调要带着问题去读书，与现实的教学情境联系起来去读书。教师撰写个人读书笔记、读书心得、读书反思，互相交流。（4）分组研修：我们将参加研训的教师按照不同的研究问题进行分组。各研究小组将前期自主学习中学到的理论与其建立联系，力求找到对研究问题的解释，以及在教学实践中验证的方式。（5）讨论深化：由专家主持召开研讨会，各研训小组分组汇报学习体会，相互质疑，相互补充。随着大家充分地沟通交流、质疑问难，往往会引出更深层次的问题。这些问题会促进教师反思，并投入到新一轮的学习中。2. 研、行阶段该阶段研训团队运用课例研修的方式，通过开展线上与线下混合式教学，使教师在研讨与实践活动中，习得新知。我们开发了研、行阶段螺旋式循环提升的五步骤程序：设计标准—集体备课—课例观摩—评价改进—迁移运用。（1）设计标准：研训核心组成员，研究了教学各环节数据收集、数据分析的基本要求，使基于数据的教学改进意识全面融入教学设计中，形成了教学设计的新标准、新规范。（2）集体备课：全体研训教师分小组依据新开发的教学设计标准，进行教案设计。该阶段要求各小组成员充分交流讨论，运用新学到的知识，整合线上与线下教学资源及新教学情境下的多种教学方法，设计出数据驱动教学的教案样例。（3）课例观摩：各研训小组轮流开设研究课，全体研训教师参与听课活动。另外，邀请课题指导专家全程参与听课。听课后，由开课的研训小组介绍研究课的设计意图、数据挖掘与分析的方法等。（4）评价改进：研究课结束后，组织开展评课活动，研训教师、各位专家发表评课意见。重点围绕数据挖掘与数据分析的有效性，对课堂产生的影响，以及教学效果等方面，开课的小组根据意见建议改进其研究课的设计。（5）迁移运用：每...
相关热词搜索： 数据驱动教育变革论文 变革 驱动 数据版权所有:安华文秘网 2009-2024 未经授权禁止复制或建立镜像[安华文秘网]所有资源完全免费共享
Powered by 安华文秘网 © All Rights Reserved.。备案号：粤ICP备09117125号-1