一、加强师生信息素养建设，以应对教育科技“零点革命”
信息技术可以称为工业革命的巅峰，人工智能可以超越这一巅峰，成为一场新革命的起点，这场革命可以称为“零点革命”。人工智能将极大地改变人们的思维方式，影响人们的智力，同时也将拓展人们的思维。在2017年颁布的《高中信息技术课程标准》中，信息意识、计算思维、数字化学习与创新、信息社会责任等被列为该学科的核心素质，也可供其他学科参考。
首先，教育部会同中国国家自然科学基金委员会加强对信息素养的研究，为数字化公民的培养提供战略支持。
二是加强“国培计划”中教师信息素养的培养，提高普通教师信息技术支持的教学能力。
三是与中国计算机学会、人工智能学会共同培养1万名中学信息技术教师，切实提高信息技术教师的专业素质。
四是广泛开展信息技术综合实践课程，统筹规划机器人竞赛、多媒体竞赛、程序设计竞赛等信息技术竞赛，消除了一些竞赛中存在的“混沌”现象，提高了学生学习和运用信息技术的主动性和自觉性。
二、推广信息化教学方法，促进“课堂革命”的有效有序发生
课堂是教育改革的主战场。只有构建一种符合“数字土著”认知特点的新型教学模式，才能促进学习者主动学习，释放潜能，全面发展。
一是深化信息技术与课堂教学的创新融合，倡导教师创新应用信息技术改进教学方法，加强以学生为本的教学实践，促进课堂教学改革的实现。
二是鼓励应用协同建构式学习、能力本位学习、引导式学习、基于设计的学习等新型教学方式，促进学生合作能力、实践能力和创新能力等综合能力的全面提高。
三是探索应用信息技术解决教学“痛点”的典型案例，充分发挥优秀教师的引领和示范作用，进一步提高教师的信息化教学质量和创新能力。
三、加强数据互联融通，构建个性化支持服务的教学环境
研究表明，学习环境可以塑造师生的行为习惯。构建以数据智能为驱动，提供个性化支持和适应性服务的教学环境，有利于新的教学模式的发展。
一是将“智慧教育”融入智慧城市、智慧乡村、智慧社会建设，打破学校、家庭、社会之间的数据和信息壁垒，促进教育数据的综合挖掘和整合。
二是要制定教育大数据确权、公开、对接和保护规章制度，促进各级教育公共服务平台与资源平台的数据整合。
第三，通过学习分析和教育数据挖掘等手段，提高教学服务供给与学习需求的匹配度，实现准确推送，优化教学服务质量和效率。
四、利用人工智能和大数据提高现代教育治理的有效性
一是建立健全大数据辅助的科学决策和教育治理机制，合理利用国家基础教育数据库和城市发展数据，有效支持教育决策，提高教育治理水平和服务能力。
其次，鼓励开展教育动态模拟研究，运用机器学习、模糊数学等方法建立模型，动态模拟教育决策的实施效果，为教育决策提供科学依据。
第三，充分利用智能技术感知、预测和预警校园基础设施和安全运行，及时掌握师生认知和身心变化，做出积极、及时、准确的决策，形成现代教育治理新战略，不断提高决策的有效性。
现代信息技术的发展为大数据的收集和分析提供了无限的可能，大数据时代的这一趋势也对教育产生了巨大的影响：一方面，在科技理性的指导下，通过多维度收集学生行为的数据并进行模型建构，可以对学生的学习行为进行预测另一方面，大数据时代的人文主义转向使人们更关注教学活动的适应性，教育大数据的挖掘和利用可以更好地实现适应个人需求的定制化教学。
国际数据公司(IDC)认为大数据时代数据有4大特点——数据的规模大、价值大、数据流转速度快以及数据类型多。大数据的挖掘和利用对教育——特别是课堂教学——产生着深远的影响。学习科学家索耶认为：越来越多的学习将经过计算机中介发生, 并产生越来越多的数据,我们有必要运用这些数据分析什麼时候有效的学习正在发生。所以数据挖掘可以用於探究行为与学习之间的关系,如学习者的个体差异与学习行为之间有何关系,不同行为又会导致何种不同的学习结果等。2012年美国发布《通过教育数据挖掘和学习分析促进教与学》(Enhancing Teaching and Learning through Educational Data Miningand Learning Analytics)提出大数据时代教育数据的特点：具有层级性、时序性和情境性，其中数据的层级性指，既收集教师层面的数据也收集学生层面的数据，既收集课堂数据也收集活动数据，为後期模型的建立提供了多维度的资源数据的时序性是指，数据是实时的、连续的，为材料的前沿性提供了保障而数据的情境性是指，数据是基於真实情境脉的，保证了模型的信度。
大数据技术能够促进以学生为本的学习，数据不仅仅是科技理性指导下收集数据和拟合成模型，并针对学生的群体行为做出预测判断，还可能在固有模型的基础上，通过诊断学生在课堂中的行为表现，对固有模型进行修改，使课程内容更加适合学生的长尾需求，实现个性化教学。大数据的利用可以支持对教育活动行为的建模预测，还可能支持教育实践中的适应性教学。前者是後者的基础，後者是前者的深化。
建模与预测导向的大数据应用
大数据时代数据促进教育变革的方法之一是收集和分析处理数据，并进行预测。现如今，由於数据记录、存储与运算的便捷性，海量的、多层次的数据可以便捷地加以收集，由随机抽样带来的误差因此减小，建模和预测可以基於全数据和真实数据，因而就更为精确。大数据时代通过探求海量数据的相关关系获得盈利的最成功的案例是亚马逊的市场营销，亚马逊收集读者网上查阅行为和购买行为数据，建立读者偏爱阅读模型，预测读者购买的群体行为，实现书籍的推荐。近几年，教育研究的对象逐渐关注学生的学习行为，其背後是一种学习观的转变，学习被视为一种识知的过程(knowing about)，识知是一个活动，而不是将知识作为一个物品加以传递。识知总是境脉化的，而不是抽象的和脱离於具体情境的。识知是在个体与环境的互动中交互建构的，而不是客观准确的，也不是主观创造的。所以，学生的行为活动数据被认为是可以反映学生在学习过程这一情境化的动态变化进程中的情况。海量、多层次、连续的行为数据在收集後被拟合成模型，实现预测，如学习管理系统(LMS)的运用。然而，由於建模和预测依赖的基本原理为数理统计，其预判对象主要是学生的群体行为。
1.案例分析
学习管理系统(Learning Manage System)简称LMS，是基於网络的管理系统平台，用於监控学生学习活动行为，识别和预测学困生(student at-risk)，并为其提供相应的帮助。大多数LMS包括5个部分：有和课程相关的学习资料、用於确保学生提交作业与完成测试的评价工具、用於沟通的交流工具(如邮件、聊天室等)、用於确保教师记录和存储学生的学习活动并发布活动截止日期的课程管理工具、用於帮助学生学习回顾和跟踪学习进程的学习管理工具。在高校大量使用的BB(Blackboard)平台就是一个常见的学习管理系统。系统记录了学生参与选修的网上课程的种类、在线时长、阅读和浏览的文章数量，反映学习者的学习行为。2008年，Leah P.Macfadyen和Shane Dawson教授在加拿大不列颠哥伦比亚大学通过分析5个本科班级使用BB平台选修生物课的数据，建立了预测模型。平台记录了学生课程材料的使用情况、参与学业交流情况和完成作业提交和考试情况。大数据时代教育数据记录的层级性在这裏充分显现，课程材料的使用包括记录在线时长、邮件的阅读时间、邮件的发送时间、讨论信息的阅读时间等。参与学业交流记录了发布新讨论的时间、回复讨论的时间、使用搜索工具所花的时间、访问个人信息的时间、文件的浏览时间、浏览谁同时在线的时间、浏览网页连结的时间等等。评价模块记录了评价的阅读时长和提交评价的时间等。通过应用统计工具描述散点图，发现了在LMS记录下学生在线时长和学业表现呈相关关系。在进行多元回归时，研究者发现，学业成就处在後四分之一的学生在线时间略长於平均时间，而学业成就处於前四分之一的学生的在线学习时间低於平均水平。紧接着，研究人员为了作出预测，利用逻辑斯特回归生成了一个预测模型，通过收集学生的新的行为数据，预测学生是否处於真正参与了学习活动，并得出如下结论：讨论举行的次数、邮件信息发送量和测评的完成情况这三个维度构成的模型可以预测学生的学业水平情况。
大数据时代，通过探求学生行为与学业水平之间的相关关系，建立模型，实现预测，能够对课堂教学产生重要影响。然而，数据建模过程中，为了保证模型的效度与信度，极端个别数据被处理，使模型只能实现群体行为的预测，不能针对学习者个体实现定制化和个性化。
2.建模与预测的不足
数据建模与预测的背後充分体现了实证主义的思想和方法。19世纪上半叶，以孔德为代表的社会学家提出了实证主义的基本信条：利用观察、分类，探求彼此的关系，得到科学定律。实证主义的哲学思潮到20世纪60年代，演变成一种科技理性，实践知识逐渐染上了工具性的色彩，专业活动存在於工具性的解决问题之中，所有的专业活动都被视为厘定目标、套用已知的方法解决问题的过程。这一期间，大量的学科被系统地整合发展，甚至包括教育学和社会学这样的「软科学」。用证据解决未知的问题，用数据预测未来一时成为潮流。
学生活动行为数据的建模尤其侧重体验实证主义的思想，模型注重成功教学行为的共性，忽视教师与学生群体的独特性需求时，科技理性的主导有可能使课堂教学被视为独立於真实境脉的模块，只要教学行为取得成功，就会被数据抽象化，形成模型，对学生群体行为产生预测。科技理性有赖於人们认同的共有目标，教学实践目标的厘定极其复杂，包含巨大的不确定性和独特性，甚至，由於社会角色的不同，还会带来价值冲突。一个稳定的、为所有人所认同的目标不复存在，依据科技理性精神和方法推理预测的行为模式并不可能满足每一个人的需求，教育变革在大数据时代下出现新的取向。
从数据模型到支持适应性学习
在数据建模的基础上实现教学的适应性是大数据时代促进教育变革的另一成果。数据建模及行为预测依旧属於科技理性指导下的行为模式，可能会造成忽视学生个性需求的现象，而个性化需求正是知识社会的重要特徵，个性化的教育也受到教育研究者、政策制定者和教育实践者越来越多的关注。教育系统设计专家赖格卢斯认为，教育投入没有达到效果的一个很重要的原因是忽视了社会的转型。「社会已经从工业社会步入了资讯时代，劳动力市场对人才的要求不再是工业时代在流水线上 *** 作的工人，而是具有创新性思维、决断力强的知识性人才。」教学面临从产生清一色的劳工转向产生有判断力和适应性能力的人群。2010年，OECD的报告《The Nature Of Learning》中指出，适应性能力(adaptive competence)是21世纪核心竞争力，包括在真实的境脉中灵活并有创造力地使用有意义的知识和技能。吴刚在《大数据时代的个性化教育：策略与实践》中提出了个性化教育的必要性和必然性，指出「只有利用信息技术所提供的强大支持，才有可能真正实现个性化学习」。大数据时代的来临，正是个性化教育发展的一个良好契机。2012年，美国颁布了《通过教育数据挖掘和学习分析促进教与学》，提出大数据时代，通过收集在线学习数据，对数据进行分类和探寻数据之间关联的方式挖掘数据，形成数据模型。通过学生行为和模型的互动，形成适应性学习系统。概言之，我们可以以对行为数据的充分利用为基础，改变教学的内容和进度，构建适应性评价和教学系统，充分实现教育的定制化，满足学生的长尾需求。
1.案例分析：
适应性教学系统又称适应性学习系统，(Adaptive Learning Support System)，简称ALSS系统，强调基於资源的主动学习，认为学习不是知识的传递，而是学习者的自我建构。自上世纪90年代以来，研究者开发了不少适应性学习系统，如1998年De Bra开发的AHA系统，2003年，Brandsford和Smith开发的针对任务型学习的MLtutor系统，以及近几年颇受关注的翻转课堂(Flipped Classroom Model)简称FCM系统。
内容传递模块：传递相关知识与信息支持学生的学习。
学习者数据库：存储学生在参与教学活动中的相关行为。
预测模块：包括学生信息和学生行为数据，跟踪学生的学习，并做出预判。
显示模块：为学生生成行为报告。
自适应模块：根据学生行为生成的报告，反馈到预置模型，为模型做出相应的改变，使之更符合学生。
干预模块：使教师、系统管理者和领导可以在系统运行时实施人为干涉。
学习者学习相关学科内容时，学习行为被记录跟踪下来，学生的学习行为数据被传送到後台，记录在学习者数据库内，作用於预测模块。预测模块通过改变内容传递模块，再次作用於学习者。在整个过程中，教师、教学管理者起干涉作用。
适应性学习系统是一个交互的动态系统，系统往往会提供给学生一些学习行为建议。奥地利针对学生的问题解决的过程设计了一个适应性学习系统。适应性学习系统的第一步是教育数据挖掘(educational data mining)，简称EDM。数据挖掘的过程包括数据收集、数据预处理、应用数据的挖掘和诠释评价发展结果。Moodle提出了CMS数据挖掘系统(Course Management System)。研究者先使用原始数据进行建模，第一步是原始数据的收集，原始数据大约包含2007年73名用户产生的28000活动例子，2008年97名用户产生的265000份解决问题的案例和2009年45名用户产生的115000个活动案例。除了记录学生解答问题时产生的数据，原始数据还收集了学生的信息、问题的信息和解决问题的步骤在对数据进行分类後，归纳出问题解决的类型，利用很擅长拟合连续数据的Markvo Models(MMs)的一个子模型DMMs拟合了如上的连续性数据，通过添加判断学生学习行为的结果模型和一系列监控和调节模块，构成了整个面向问题解决的适应性系统。当学生使用这个模型时，模型会根据学生的行为数据为学生提供他们所偏爱的解决问题的过程与方法。
除了适应性教学系统，还有适应性评测系统。LON-CAPA(Learning Online Network with Computer-Assisted Personalized Approach)是一个计算机辅助的个性化网络学习测评平台，平台不提供课程设计和课程目标，而是一个教学工具。CAPA通过後台记录学生的基本资料，学生参与的互动交流、学业情况，针对学业课程中的疑难点，提供个性化的考试资源。
2.适应性转向的意义
在大数据时代，科技理性指导下的模型预判在面对结构不良的问题时显得应对能力不足。科技理性指导下的数据建模忽视学习的真实境脉，只能支持群体行为的预判，模型的推广可能会使人们忽视其实践成功背後的个体经验与具体情境，从而导致科技理性与哲学思辨对抗。然而，完全依靠哲学思辨和经验进行教学不仅不利於教育学科系统理论性的发展，也不利於课堂实践的管理与教师的培训。唐纳德·A.舍恩提出了一种适应性思维模式。他指出：「如果科技理性的模式在面对『多样』的情境时，是无法胜任、不完整的，甚至更遭的话，那麼，让我们重新寻找替代的、较符合实践的、富有艺术性及直觉性的实践认识。」适应性学习是在系统理论知识的指导下，针对个体差异，使学习内容和活动高度个性化的学习方式。
适应性平衡了理性与经验的两难，英国学者Hargreaves(1996)首次提出基於证据的教育研究向医疗诊断学靠拢。临床诊断学和教育的相似之处在於，他们都要面对变动不居、极其复杂的环境，在这样一个结构不良的系统中，充分意识到客体(患者或者学生)的独特性与共性，利用系统的专业知识解决问题。
Ralf St. Clair教授在参考医学临床实践研究的三要素後提出基於证据的教育研究的三要素——研究的证据、教育工作者的经验、学习者的环境与特点。其中，行为预测关注的是研究的证据，而适应性学习系统的建设则关注的是教育工作者的经验和学习者的环境与特点。
从预测行为到支持适应性教学的转向，是一种人文主义的转向，教育研究的重点从关注研究的证据走向关注教育工作者的经验与学习环境特点，关注以证据支持个性化学习的实践变革。证据不再是其在科技理性时代所处的指导决策的角色，而是被视作一种资源，教育工作者在大量的基於证据的课堂教学决策中找寻最适合自己特点和学生特点的方式，推进课堂教学流程。也就是说，大数据的更重要价值在於支持适应性学习，满足个性化学习和个性化发展的时代需要。数据的预测功能依赖於大数据收集数据的全面性与处理数据的便捷性，根据统计学原理对群体行为做出预测，一定程度上弱化了个体特徵和具体情境。其主要指向行为预判。而适应性是在模型与客体的交互作用上改变模型，如图3所示，数据的适应性运转模型比预测模型多了一个循环(loop until)系统，使其更加契合个人需求，其主要指向实践改进。预测是支持个性化学习的基础，而支持个性化学习是预测功能的深化和转化——从整体人群到个体学习者、从理论模型到实践策略的转化。
分析与启示
大数据时代由於数据量大，数据收集与携带便捷，使海量学生行为数据被挖掘、收集，通过数据建模对学习者行为的分析变得比前大数据时代更为全面和可靠。数据时代在数据的挖掘和预测上固然潜力十足，但是大数据时代更多的价值是满足学习者的适应性长尾需求，在预测行为的基础上，修改教学模式，使之个性化与定制化。从数据建模走向支持适应性教学，支持对象从群体转向了个人，对教育活动的影响从对行为的认识转向了教育活动的实践，从科技理性指导下的去境脉转向了基於真实情境的教学活动。
走向适应性，不仅改变人类行为方式，更重要的是改变了认知方式。前大数据时代人们在科技理性的指导下完全被数据证据左右(driven by the data)，教师和学生、教育决策者和学校形成传统社会契约关系，当事人把自己百分之百地交给专业工作人员，而专业工作人员遵守契约，对当事人全心全意地负责，从而使专业工作人员享受至高无上的垄断性地位。大数据时代，教师不再是知识的控制者，他通过参与学生的学习活动，根据学生的先拥知识和认知特点、个性需求，不断地调整教学步骤、教学进度和难度。学生不用完全将自己有如病人交付给医生一般完全托付给教师。在学习的过程中，通过与教师的互动交流，在教师的协助下，成为自己学习的主体，控制并对自己的学习负责。由於教师精力有限，大数据时代下网络计算机辅助学习系统可以为教师和学生提供辅助指导的机会。
尽管如此，一方面，我们要拥抱大数据给我们带来的便捷的生活和高质量的教育，另一方面，我们需要保持警惕和防止因果关系和相关关系的误用，并且维护数据安全。
在推理方面，教育工作者需要警惕将相关关系和因果关系误用，以Leah P.Macfadyen教授的前述案例为例，BB平台在线时间的长短和学生的学业成就有相关关系，而非因果关系，成绩优异的学生在线时间低於平均在线时间，但不能说低於平均在线时间的学习导致学生成绩优异而要求学生减少在线学习时间。
此外，在信息安全方面，学生和教师的大量信息被收集和使用，在使用的过程中，必须制定相关私隐保护法，保证信息的安全，警惕数据滥用。学生的行为数据也不可以作为教师教学评优的依据，让大数据真正成为支持教学变革、提升教学效能、促进学生发展的手段，而不是控制教师和学生的工具。
大数据为管理工作提供支持
我国教育改革和发展正面临着前所未有的机遇和挑战。以教育信息化带动教育现代化，破解制约我国教育发展的难题，促进教育的创新与变革，是加快从教育大国向教育强国迈进的重大战略。大数据是指利用常用软件工具捕获、管理和处理数据所耗时间超过可容忍时间的数据集。也就是说大数据是一个体量特别大，数据类别特别大的数据集，并且这样的数据集无法用传统数据库工具对其内容进行抓取、管理和处理。大数据作为重要的参照物正在改变政府、企业的决策和营销模式，高校的学生管理工作必须面对这一变化的挑战，前瞻性的转变工作思路，运用一切技术手段和工作方法，充分挖掘大数据的价值，为学生管理提供各种支持。
大数据能使学校管理决策更理性，能更准确地掌握学生学习、生活动态，制定和实施的政策更加科学；大数据也可以提高各学生管理部门的工作质量和效率，推动工作创新，给整个学生工作管理体系以强有力的支撑。大数据时代的到来必将推动现有高校的学生管理工作重构，有利于加强学生管理工作的针对性、动态性、创新性和前瞻性。
学生管理的针对性变革体现在高校的学生管理工作要贴近学生生活、与时俱进。科学发展观的核心是“以人为本”，以人为本体现在学生管理中意味着要始终把学生放在核心的位置，以学生为本，一切管理行为围绕着学生展开，理解学生，关心学生。高校的管理要进一步贴进学生的生活，具备更强的服务意识就要挖掘大数据表达给高校管理层的信息。每天每个学生在使用互联网的过程中产生着各种各样的数据，当数据量达到一定级别后，就可以进行汇总分析、挖掘探索。例如：通过食堂窗口饭卡使用频次，使用金额的数据分析，我们可以了解学校贫困学生的分布情况而调整各类助学金的评选和分配。这种具有针对性的数据分析必将对高校的学生管理产生深刻的影响，带来强有力的冲击。
学生管理的动态性变革体现在高校的学生管理工作要跟上学生的动态，先行一步。大学生富有活力，世界观、人生观、价值观都处于形成期，思想和行为呈现出变化比较快的特点。那么高校的学生管理模式如果还遵循教条式、封闭式、单向强制的模式，必将走向瓶颈；现在的学生管理要关注大学生的生活变化，主动发挥大数据的舆情作用，分析大数据所反映出的真正诉求，以实现学生管理的动态化。例如：通过对学生微信朋友圈的分析、学校bbs和贴吧在选课这一时间段数据分析，学生主要的提问是围绕公共选修课的教师、课程等，那么学生教务管理系统可以将公选课的教师介绍、课程介绍整理汇编，为学生选课提供佐证。通过对大数据的分析，可以实现先行一步的动态管理。
学生管理的创新性变革体现在高校的学生管理工作要满足学生的需求，推陈出新。高校学生管理创新的重点是根据时代的要求对管理内容、管理方法等进行分析和研究，并在此基础上进行必要的调整与改进。那么调整和改进的依据是什么，这就是大数据的分析。大数据其实离我们并不遥远，除了上网搜索的数据，随处可见的摄像头、日渐流行手机上网都在产生着海量的数据。如果能够利用好这些数据，在调整、制定学生管理规定时，参考大数据带给我们的信息，以学生的需求为第一要务，必将给高校的学生管理工作带来不一样的气息。
学生管理的前瞻性变革体现在高校的学生管理工作积极面对学生突发事件，精准预测。一直以来，高校的安全稳定工作是重中之重，对于学生管理的突发事件应急处理要求管理者要居安思危、未雨绸缪。通过对学生在使用互联网过程中留下的足迹、关注的热点进行收集、整理、准确的分析和整合，可以提出精准预测，这是高校学生管理工作的一个新起点。如果在突发事件之前能够精准预测并逐步取代事后的统计描述，在问题发生之前提供前瞻性的指导，从而有效规避风险，无疑能够大幅提高学生管理工作效率和服务质量。
在大数据时代，学生管理的数据整合及利用还应克服传统教育管理的弊端，在认真做好海量的有关学生教育数据的搜集、整理、分析的基础上，将分析的结果，结合教育条件、学生特点等的变化，建立反应迅速、便捷高效的教育管理模式。首先，可以运用大数据技术，建立学生管理的预警机制和有针对性地干预、调控突发事件。通过对学生在校期间的一卡通使用记录、图书馆借阅数据、寝室住宿记录以及对学生在微信、qq空间、浏览过的网页地址、搜索引擎关键词等方面获得数据进行分析，可以及时监控学生思想和行为动态，从而有针对性地对学生进行教育管理和问题疏导。其次，通过海量采集学生数据，分析挖掘学生的思想、行为变化，并根据学生的专业、年龄、性格等特点进行分类指导，为千差万别的学生提供学习参考、情感指导、就业咨询。这种个性化的教育管理能够促进大学生在学习和实践中逐步修正错误、规避风险，从而督促高校的学生管理者转变观念，重服务轻管理，构建有利于青年成长的个性化的大学。
大数据时代的来临对高校的学生管理工作既是机遇也是挑战，高校的学生管理工作者一定要科学利用数据分析技术、积极应对新时期学生管理工作面临的种种变化，深入探寻学生管理工作中的规律和共性，创新性地解决各种问题，为不断提升高校学生管理工作水平提供强有力的支撑。
以上是小编为大家分享的关于大数据为管理工作提供支持的相关内容，更多信息可以关注环球青藤分享更多干货
欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）