教育大数据生态圈构建：“3+3”模型的逻辑与实践

总结，大数据体现了数据量大、输入和处理速度快、数据多样和精准性等内在特性（Doug， 2017），“数据的交换、整合、分析，不断发现新的知识、创造新的价值，从而带来了大知识、大科技、大利润和大发展”（徐子沛， 2012， p. 12）。教育大数据是指在教育体系中的一切数据，包括了发生在教育领域内各个在线应用中的数据，也包括大教育场景中的其他数据（如学校、社会、家庭等），还包括教育管理和教学管理的相关数据等。整个校内校外数据，构成了教育大数据形成环境，是一个教育时间发展和空间拓展的概念。由于教育大数据要服务于特定目标的人群，过于宽泛的内涵会限制教育大数据的应用落地，需要对教育大数据进行分层：宏观层面上，教育大数据是指在广义的教育中发生的一切数据，涵盖全员（所有人）、全过程（从出生到死亡）、全方位（学习、生活、工作和闲暇）;中观层面上，教育大数据指的是人在教育体系中发生的一切数据，包括学前教育、初等教育、高等教育与职后教育;微观层面指的是在学校体系所发生的数据，包括学习数据、生活数据和相关管理数据。从现有的研究范畴来看，后两者是研究的主要领域，前者着重于决策，后者着重于微观的应用。本研究着眼于学校数据生态，在研究对象选取上指的是在一个学校中的所有数据和与外界的数据沟通，包括教学过程产生的数据、教育管理采取的数据、科学研究与校园生活产生的数据，也包含利用校外资源开展教育教学活动，提升生活体验等数据，是一个以学校内数据为主的数据生态。从实践来看，教育大数据具有三种特色：第一，数据来源复杂化。教育大数据既有各类学习者使用终端的数据，也有主动的情景感知终端的数据;既有蕴含过程的各类结构化数据和非结构化数据，也有展示结果的标准化数据和非标准化数据。第二，数据应用对称化。教育大数据在理论上讲，既能利用于教学管理，也能利用于学生自主使用;既能便利学生管理的数据挖掘，也能适应学生学习的自我调适。可以说，多种教育主体都能通过教育大数据找到其用处，这与商业情境中的数据挖掘和利用仅围绕公司和企业的利益最大化有一定区别。第三，数据应用多层次化。在商业数据中，大数据主要用于预测关系和相关关系的挖掘;在教育大数据中，数据利用具有多层化的特征：在宏观层面，可以用于教育政策制定;在中观层面，可以用于解释和预测;在微观层面，可以用于教学策略的适时调整和学习方式的即时转变。

2. 教育大数据来源

在社会经济领域，大数据主要通过社会应用（如借助移动终端）来收集数据，用于识别和预测日常生活、人际关系等（Eagle & Pentland， 2006）。这种层面的数据收集忽视了环境信息和个性化信息的处理，在教育应用层面的个体画像中存在缺陷，也无法提供教育大数据核心的价值归旨——服务于个性化学习。发挥教育大数据的作用，需要围绕学习者建立一系列的数据，才能开展基于数据的挖掘和分析。研究者进行了大量的探索，比如有学者基于在线教学平台，通过事先“埋点”的布局，以量化的方式获取数据，通过数据的增益分析学习者的进步程度（Seel， 2012， p.1176）。ADL使用学习管理系统，跟踪学习者与学习资源之间的交互（顾小清， 等， 2014），通过网络会话实现对学习经历数据的捕捉。传统的这些数据来源依然重要，但在泛在学习的概念和空间中，分析学习者学习进展，提供有针对性的支持，不能借助于简单的汇总统计和比较分析，需要借助移动通信、云计算、情境感知设备等，对伴随性的数据进行无感知、实时和持续的采集，比如学习者学习轨迹、停留时间、游离时刻、主动倾向等。除了学习过程本身，还包括学校的管理信息、状态信息（设备、天气环境等）和学校活动等。在某种程度上，微观的有意义的教育大数据需要涵盖学校生活的方方面面，实现实时的采集，从而挖掘与个性化学习、发展性评价、学习路径设计、教育行为和政策预测等相关的数据，服务于学校教学、科研、管理和服务。

推荐访问:构建 逻辑 模型 生态 实践