大数据赋能智慧教育的关键问题与教学场景应用

摘要： 教育数据要素化是驱动智慧教育和教育数字化发展的重要动能。文章从“教育大数据从哪里来”“教育大数据将用到哪里去”和“怎样进行教育大数据应用”三个关键性问题出发，对教育大数据的来源、应用目标和应用方式进行了梳理，再归纳出大数据在教学场景中的四类典型场景应用：精准备教备学、实施差异化教学、开展个性化辅导、师生数字画像评价。文章基于“如何充分利用已有条件开展教育大数据应用”的视角，对相关问题进行探讨，以期为大数据赋能智慧教育发展提供有益参考。

关键词：教育大数据；智慧教育；教育数字化；教学场景

2022年2月，教育部提出实施教育数字化战略行动，明确了加快推进教育数字化转型和智能升级的发展方向。教育数字化包括数字化转换（从模拟格式到数字格式的转变）、数字化升级（利用数字技术和信息改变组织的运作过程）和数字化转型（数字技术整合到教育领域各个层面）三个阶段，数据化是数字化的基础性环节，教育数据要素化是驱动智慧教育和教育数字化发展的重要动能。智能时代背景下，数据作为人工智能技术應用的基础，是生成智慧的关键要素。当前，教育领域的大数据应用远不如电商购物推荐、智能家居调节、智慧交通出行等场景给人们带来的直观体验深刻。究其原因，笔者认为主要是在于应用对象不同。教育是培养人的综合性复杂活动，如何将数据应用的客观性、准确性特征，与人的发展的多样化、个性化需求建立联结，是大数据赋能智慧教育需要回答的问题。

一、关键问题

数据是对事物基本属性的客观记录。在经过加工处理后，数据能够反映、传递信息，进而产生知识，最终形成智慧。数据驱动成为教育创新发展的新范式，将深刻影响教育的流程、结构和模式。但数据的作用价值不会天然发生，“教育大数据从哪里来”“教育大数据将用到哪里去”和“怎样进行教育大数据应用”仍是当前阻碍教育大数据发挥效能的重要问题。笔者认为，对于这三个问题的梳理，有助于建立大数据驱动智慧教育创新发展的基本思路，即需要明确教育大数据的来源、应用目标和应用方式。

（一）教育大数据的来源

信息时代的数据总量呈指数级增长态势，大数据等相关技术为处理海量数据提供了技术支撑。当前，在金融、电商、交通、通信等领域已产生并累积了超大体量的数据，甚至已经出现了“数据过剩而信息不足”的现象，亟须利用数据挖掘等技术对大数据进行分析处理，进而提取有效信息加以应用。但当下教育领域能采集汇聚到的数据量相较其他行业存在着数量级差异，数据来源多依赖于报送式的数据采集方式，而伴生性、过程性的数据采集方式还没有得到有效应用，数据来源问题成为制约教育大数据应用的首要因素。

教育大数据到底应从哪里来？笔者认为应该厘清教育大数据可能的来源方式，再充分结合实际条件进行数据采集汇聚。从教育大数据的来源方式来看，可大致归纳为以下几个大类。

1.填报统计式

主要是采集如学校基本情况和师生基础信息类的客观数据。这仍是当前教育数据采集的主要方式，它提供了基础性、结构化的数据来源，但需要通过技术手段和机制办法来提升数据填报的准确性与可信度。对于基础性数据，实现“一次填报，多次复用”，如在教育数据多场景应用中，同源提取匹配基础数据，形成“基础数据+教育扩展数据”的应用模式。

2.平台采集式

指师生通过应用信息化资源、工具和系统平台产生的线上数据。这类数据的采集与分析可直接通过系统平台完成，如采集平台使用时长、资源浏览次数、在线行为路径、参与互动交流情况等数据。因数据易采集存储且结构化程度高，这类数据现多用于对在线教学参与度、任务完成率、线上行为特征等进行分析，但要实现混合式教学模式下的大数据综合分析，还需要结合线下数据建立教学模型进行深层次探究应用。

3.无感采集式

指采用非刻意显性的方式采集线下教学活动数据，如教师通过游戏化卡片积分，记录评价学生行为表现数据。又如，在不改变学生作业习惯的前提下，利用智慧笔和光学扫描识别等技术，对学生日常纸质作业数据进行识别采集。这类方式能尽可能减少对师生产生干扰影响，往往能够获取最真实有效的数据，在“双减”和“五项管理”政策背景下，要实现大数据赋能课堂智慧教学，还特别需要加强对这类方式的应用模式创新和技术创新。

4.智能感知式

借助物联感知技术、智能识别技术、可穿戴设备等方式进行数据采集和分析，是新技术与教育创新融合的体现。如在AI录播环境中对师生行为自动打点统计分析。又如，借用可穿戴设备识别记录学生眼动数据和学习脑科学数据等。这种方式扩展了教育大数据能够采集的维度和范围，为教育大数据深度应用提供了更多数据原料，但其对技术环境要求高、产生数据的复杂性程度高、数据结构化程度低，还需要加强智能技术在教育大数据采集中的特色探索和试点应用。

（二）教育大数据的应用目标

“教育大数据将用到哪里去”对应的是教育大数据应用的目标导向问题。清晰的应用目标，决定了需要采集哪些数据、怎样分析应用数据。但如果仅限于已有的教育思维边界，基于传统的教学实践模式，必然不会产生强烈的教育大数据应用需求，也就不能勾勒出清晰的应用目标。教育大数据的应用目标导向应该是面向智慧教育发展需求、面向教育创新改革需要的。

区域教育在纵向上包括班级、学校和区域主管部门三级主体。教育大数据的应用目标也可对应到班级、学校和区域三个层面，分别关注微观教育教学个性化问题、中观学校教育管理质量性问题和宏观区域教育治理公平性问题。

在班级层面，开展课堂教学是主线任务，大数据应用的目标是构建智慧课堂，通过数据赋能的人机协同为转变课堂师生关系、助力课堂提质增效、开展精准教学与个性化学习提供支持，促使自适应学习、深度学习等新型教学形态发生。

在学校层面，大数据的应用目标是赋能智慧教育整体发展，其中建设数据驱动的智慧校园环境是基础性前置目标，通过数据赋能实现教学质量精准评价、办学资源优化配置、教师专业发展、校园安全动态监测、管理服务水平提升，推动学校办学创新发展。

在区域层面，大数据的应用目标是提升区域教育治理效能，通过教育大数据汇聚与分析，在关注规律共性问题的基础上，聚焦差异化个性问题，实现区域教育发展的动态监测、趋势预测和决策辅助，进而优化资源配置、统筹教育要素、创新治理模式。

（三）教育大数据的应用方式

“怎样进行教育大数据应用”对应的是教育大数据应用方式的问题，涉及教育大数据应用的关键技术，这也是影响教育大数据发挥效能的重要因素。当前，教育数据多用于评价监测，较少发挥预测预警功能。但评价最重要的目的不是为了证明，而是为了改进。教育大数据的应用需要充分发挥大数据技术的优势，通过可视化分析、教育数据挖掘、建立教育模型等，超越统计数据仅用于评价的方式，为实施精准循证教学和智慧教育发展赋能。

1.数据预处理是开展教育大数据应用的前置环节

教育数据具有内容复杂性高、时间周期性长、数据异构性强等特点。直接依赖原始数据，无法提取出精准可信的信息，更无法产生高阶应用成果。因此，数据清理、数据集成、标准化处理、特征提取和降维统计等任务，是实现教育大数据应用的基础和前提。需要注意的是，教育是面向人的发展的综合性复杂活动，教育大数据的类型不能只是基于统计收集产生的数值型数据，教育活动过程中产生的文本、图像、音视频等都属于教育大数据的范畴，将这些非结构化的数据进行数据变换，通过预处理的方式提升教育数据的准确性、完整性和一致性的环节是不可或缺的。

2.分析挖掘是教育大数据应用的关键环节

建立数据之间的内在联系，通过数据挖掘总结规律、异常报警和趋势预测，是数据转化为信息知识并生成智慧的核心。在教育数据分析挖掘中，相关分析、因子分析、方差分析、聚类分析、回归分析是常用基础性方法。这些方法的基础操作难度较低，一线教师在学习掌握相关统计学知识后即可探索应用。如在平均分的基础上采用方差统计，分析班级内学生成绩的差异性离散情况。再如，建立学生学业发展的简易回归函数，用以拟合预测学业变化趋势等。教育大数据的深层次综合性应用需要建立在教育数据模型的基础上。这类应用要求较高，需要专业团队协同完成。如建立学生行为画像模型、学习内容知识图谱、教师专业成长模型等。数据通过在这些模型中的应用，得以建立起内在的联系，进而为全息描绘教学活动、关注共性普遍规律、发掘个性差异特征、改善教学行为提供支持。

3.可视化是数据和模型触达用户的末端环节

数据可视化是教育大数据价值变现的最后一环。可视化通过图像图形表达的方式提升数据的可读性、解释性和应用性，能够帮助管理者、教师、学生和家长直观高效地分析数据所传递的信息和所蕴含的价值。事实上，可视化也是降低教育大数据应用门槛的必然路径。教育数据可视化的初级应用可以通过Excel、图表秀、简道云、镝数图表等简易工具来实现，将数据表达为柱状图、折线图、饼图、词云图、雷达图等基本图表类型。这类应用较为轻量化，容易操作实现，如利用雷达图分析学生各维度的学业表现情况。教育大数据可视化的复合应用多采用数据仪表盘和数据管理驾驶舱的形式，常采用基于HTML5的ECharts和D3.js等可视化技术进行呈现，如通过数据仪表盘呈现教育概览类、趋势变化类、动态监测类等信息。此外，还可以采用R、Python等编程语言进行教育大数据可视化分析应用，如利用Python语言处理建立学科知识地图。

4.数据安全和数据应用伦理是贯穿教育大数据应用全过程的重要问题

数据在教育中的应用，不是主导决策，而是赋能辅助。“以人为本”应是教育大数据发挥作用的基本原则。我们一方面要完善教育信息系统的技术安全体系架构，并建立教育大数据安全管理机制，规避数据安全风险，在教育大数据分析展示过程中，对于关键数据需进行脱敏处理，避免隐私信息泄露；另一方面，要关注一些教育数据滥用产生的负面影响，如基于算法推荐的学习资源匹配要警惕产生认知局限和“信息茧房”，再如，要避免大数据分析产生的普遍规律生硬机械地应用到个体层面等。

二、教学场景应用

场景是时间、地点、人物、事件与连接方式五要素的一种特定建构。具体到教育大数据的场景应用，时空环境需要为数据产生和应用提供支撑，虚实融合的教育环境也将发挥更大的作用。这种环境包括智慧教室、主题教育场馆、在线学习社区和网络学习空间等。师生是场景的参与和建构主体，具备基本的数据分析处理能力和素养是开展数据应用的必要条件。广义上的参与主体还包括教育管理者、教辅人员和家长。数据驱动的新型教学关系场景构建是重要内容，将数据与教学活动事件和教育情境相联结，在传统课堂师生关系、生生关系基础上，产生数据赋能的人机关系，在情境、协作和会话基础上，再加上数据赋能，最终完成智慧教学场景的意义建构。

课堂教学是教育大数据应用的主要场景，本文将分析数据在课堂教学中的典型場景应用。数据的创新融入，将使传统教学要素结构持续迭代升级，进而达成教学数据应用的层级性功能目标：功能辅助、分析优化和预测改善。

（一）精准备教备学

教师的备课至少应做好“两备”：一是备学情，二是备资源。有了数据赋能后，教师进行教学设计就不再只是埋头备教材、写教案，而是可以对学生的知识储备、学习风格、学习能力、学业表现等方面数据进行精准学情分析，进而做到“以学定教”。如基于前置作业完成情况的统计数据调整预设教学目标，根据学生填写的学习风格量表数据采用多种教学策略等。在资源选择方面，困扰教师的常常不是缺少资源，而是资源太多、太乱。建立起教学资源的标签数据与体系联系，是师生能够按需快捷选用恰当资源的必然要求。将资源特征数据与教师备课数据进行对应匹配，能够大幅提升从海量资源中精准筛选所需资源的效率，借用智能备课系统还可以实现教学资源的自动推荐，如根据教学主题内容和配色方案等数据自动匹配出对应的教学课件。

在传统教学中，学生的预习准备主要是自学教材内容，没有清晰可执行的课前学习任务，缺少与教师和同学的沟通协作，预习效果无法客观呈现。导学案和课前任务单，可以部分帮助学生明确课前预习的步骤和任务。但要实现数据支持的精准备学，还必须借助信息化系统平台。教师将学习资料和课前测试题通过平台推送给学生，平台可以自动生成并记录学案课件浏览量、微课视频点击次数及时长、开展课前预习的时间段、测试题完成情况等数据。对学生而言，他们可以根据这些数据掌握自己备学的动态“进度条”，直观了解在知识学习方面的薄弱点；对教师而言，他们可以根据这些数据从班级整体、学习小组群体和学生个体这三个层面精准掌握学情，进而指导学生个性备学并及时调整教学设计方案。

（二）实施差异化教学

个性化学习与发展是智慧教育的重要理念之一。但在班级授课情境中，要在45分钟课堂时间内既完成预设教学目标，又进行一对一的差异化教学，不太具有实际操作性。班内多层次教学是在混合能力班级中进行差异化教学的可行有效方案。信息技术为数据支持的差异化教学提供了更多方法与路径支持。如采用电子化问卷和量表，对学生的学习兴趣倾向和学习能力特征等维度进行分析；基于作业情况和考试测验数据，对学生已有知识和初始能力进行分析；根据课堂观察生成的行为表现数据，对学生参与度进行分析等。对这些数据的分析应用，可以帮助教师灵活分组并实施差异化教学策略，如在项目式合作探究教学中更科学地划分学习小组，在课堂上为不同学习小组规划特定的学习任务和路径。

此外，融合数据应用、人机协同将有助于课堂教学提质增效。一方面，信息技术工具不仅可以提高课堂教学过程中任务分发、协作研讨、完成反馈等环节的效率，减少不必要的流程性时间，还可以记录教学活动的过程性数据，促使“预设型”课堂教学向“生成型”课堂教学转变；另一方面，智能系统的应用可以替代教师完成作业批改和知识应答等结构化程度较高的工作，教师可以有更多时间精力实施翻转课堂、项目式学习、合作探究学习等教学模式，为学习小组提供多样的目标内容和差异化学习支持。学生通过“智能学伴”等工具，可以发展数字化学习创新能力，基于人机交互完成知识学习，再通过师生交互与同伴协作完成意义建构。

（三）开展个性化辅导

练习巩固提升是深化知识学习与迁移应用的重要环节，教师关注学生个体差异化发展也主要在课后辅导阶段完成。特别是在“双减”政策背景下，落实减轻作业负担和校外培训负担的要求，需要聚焦课后服务，满足学生需求。有了数据赋能，教师可以更有针对性地做好作业设计，分层分类地布置作业练习，并通过教学系统平台完成对客观题的自动批改、统计和分析。对于知识性问题，可由智能教学系统基于对作业测练情况的分析，个性化匹配关联知识的拓展资源，加强对专项知识学习掌握的“刻意练习”；对于个性化发展问题，在重复机械工作被机器替代以后，教师可以结合学习过程和学业表现等数据分析，从“教书”转向“育人”，帮助学生个体关注知识薄弱点、发掘学习特质、发展关键能力和核心素养。

（四）师生数字画像评价

画像的最初概念是指建立在真实数据之上的目标用户模型，是真实用户的虚拟代表。建立师生数字画像既是对上一教学环节的反思和评价，更是优化开启下一教学环节的重要参考。师生画像是教与学全过程、多维度数据汇聚分析形成的评价描述，是推动教师评价改革和学生综合评价的重要探索内容。当前，数据采集和分析处理技术为建立师生画像提供了多种可能支持，但仍然缺少规范的师生画像评价指标体系。

教师画像按照对象范围可大致分为：教师个体画像、学科教研组画像、学校教师整体画像等。学生画像按照对象范围可大致分为：学生个体画像、学习组群体画像、班级整体画像等。虽然狭义的大数据画像更多是关注群体规律性的特征、目标与需求，但师生数字画像需要为规模化的个性发展提供有效支持，既关注群体层面的规律共性，又关注个体层面的差异个性。在群体层面上，教师画像可以帮助学校提升教师素养、改进教师管理、优化教师服务、开展教学评估；学生画像可以探索反映出学生的学习规律，为开展差异教学辅导、分层布置作业、关注学习风险、家校协同沟通等提供参考。在个体层面上，教师画像可以帮助教师更有针对性地开展教学反思，通过汇聚职业发展过程数据还能构建教师专业发展档案袋，帮助教师持续提升专业能力并规划职业发展；学生画像可以适应“五育”综合评价改革需求，建立对学生发展的多视角、多维度评价，促进结果性评价向过程性评价转变，促进知识测验评价向综合性评价转变。特别是在新高考背景下，画像将更多为学生了解自身兴趣、个性化需求和生涯规划提供参考指导。

注：本文系成都市教育信息技术及教育装备研究“十四五”规划2021年度立项课题“区域教育大数据的建设框架与典型应用研究”（课题编号：cd2021-10）的阶段性研究成果。

参考文献

[1] 祝智庭，胡姣.教育数字化转型的实践逻辑与发展机遇[J].电化教育研究，2022（1）：5-15.

[2] 宋宇，卢晓中，郝天永.区域教育治理与大数据应用[M].广州 ：华南理工大学出版社，2020.

[3] 王怀波，李冀红，孙洪涛，等.基于模型的教育大数据应用框架设计[J].现代教育技术，2020（6）：5-12.

[4] 黄光扬.教育测量与评价（第二版）[M].上海：華东师范大学出版社，2019.

[5] 李传庚.场景思维：一种新的教育连接方式[J].人民教育，2016（20）：52-54.

[6] 李咏翰，周雄俊.智慧教学数据的需求识别与应用思考[J].现代教育技术，2020（9）：28-34.

[7] 陈颖珊.人工智能技术赋能教学创新——专访华南师范大学胡小勇教授[J].中小学数字化教学，2022（2）：5-8.

[8] 刘美凤，刘文辉，梁越，张昕禹.差异化教学何以施行：班内多层次教学方案的设计与实施[J].中国电化教育，2022（1）： 124-133.

[9] 周洪宇，齐彦磊.“双减”政策落地：焦点、难点与建议[J].新疆师范大学学报（哲学社会科学版），2022（1）：69-78.

[10]张治.学生数字画像及其教学应用的实践与思考[J].教育传播与技术，2019（1）：3-6.

（作者系四川省成都市锦江区教育局电化教育馆智慧教育专干）

责任编辑：牟艳娜