教育呼喚數據智慧

祝智庭

近年來，大數據作為一種信息資產，其潛在價值得到了世界各國的重視。2012年3月美國發布《大數據研究和發展創新計劃》指出，要通過提高從大型復雜的數字數據集中提取知識和觀點的能力，以幫助加快在科學與工程中的步伐，加強國家安全，并改變教學研究。歐盟制定的《數據價值鏈戰略計劃》，擬通過一個以數據為中心的連貫性歐盟生態體系，讓數據價值鏈的不同階段產生價值。英國制定的《英國數據能力發展戰略規劃》，明確定義了數據能力，并對如何提高數據能力提出了相應舉措。2013年6月，日本公布的《創建最尖端IT國家宣言》在大數據與傳統行業結合方面制訂了明確計劃。2013年，韓國提出建設開放大數據中心，對企業、大學和普通公民開放，并支持利用大數據技術解決業務或研究問題。2015年11月，我國的《中共中央關于制定國民經濟和社會發展第十三個五年規劃的建議》提出“實施國家大數據戰略，推進數據資源開放共享”，首次將大數據戰略提升到國家政策層面。

國家政策的號召加持大數據的巨大潛在價值，使得大數據技術迅速滲入各行各業，并成為各行各業發展變革的新方向。當然，教育領域也不例外。

教育呼喚數據智慧

2015年9月，《促進大數據發展行動綱要》指出，“大數據已成為國家重要的基礎性戰略資源，正引領新一輪科技創新”，我國要建設“教育文化大數據”。2016年6月，《教育信息化“十三五”規劃》指出，到“十三五”末，“制訂出臺教育數據管理辦法，規范數據的采集、存儲、處理、使用、共享等全生命周期管理，保證數據的真實、完整、準確、安全及可用，實現教育基礎數據的有序開放與共享”。2017年1月，《國家教育事業發展“十三五”規劃》（以下簡稱《規劃》）指出“鼓勵學校利用大數據技術開展對教育教學活動和學生行為數據的收集、分析和反饋，為推動個性化學習和針對性教學提供支持”“綜合利用互聯網、大數據、人工智能和虛擬現實技術探索未來教育教學新模式”。

數據驅動的教育變革似呈必然趨勢，甚至有學者將2015年作為我國教育大數據的元年。另外，近年大量的APP與平臺走進各大中小學，使得數據間互聯互通的問題日益凸顯，對此《規劃》中明確指出，“積極推動各級各類學校建設基于統一數據標準的信息管理平臺，實現各類數據伴隨式收集和集成化管理”。2017年4月，教育部教育信息化技術標準委員會啟動了“人人通”標準的研制，其中一項重要工作即是上述規范數據的研發。

隨著人工智能在數據挖掘與分析方面取得的巨大發展，教育受其影響也顯露出由“教育+ 互聯網”階段向“教育+AI”進階的趨勢。同樣，教育信息化也開始邁向“智能化”新階段：由教育數字化邁向教育智慧化。

信息技術在教育中的應用似乎總是比其他領域的發展慢一步，其實在《智能時代：大數據與智能革命重新定義未來》中，大數據和機器智能領域專家吳軍博士就已將2005年定義為大數據元年，而我國教育大數據的元年卻是在10年之后。不過，可喜的是，由于國內對智慧教育的追求，教育大數據一直有個明確的發展日標：數據智慧。

數據驅動的智慧教育

信息技術支持的智慧教育（ Smarter EdueaLion）中的智慧是由三個詞融合而成：智巧（ Smart）、智能（ Intelligence）、智慧（Wisdom）。其中智巧與IBM倡導的智慧教育相契合，它偏向于機智、精明；智能與加德納（H.GJardner）的多元智能理論、斯滕博格（R.Slernberg）三元智能理論等相契合，它偏向于多樣的才智，其實是智力與能力的統合；智慧與錢學森的大成智慧相契合，偏向于多領域融合的發現與創新。簡單地講，智慧教育巾的智慧具有兩個核心維度：思維模式與創造潛能。前者是內在修養，具有三個層級水平：思得準（針對問題）、思得深（針對解法）、思得巧（針對策略）；后者是外在能力，也具有三個層級水平：做得了（針對任務）、做得好（針對績效）、做得妙（針對創新）。知識包括理論與經驗，代表人類過往的心智收獲，而智慧更加偏向于面向未來的“新奇”，即解決前所未遇問題的能力。

孩子進入學校，要過五年、十年甚至二十年才走向社會，如果只讓他們學習知識，那么當他們走出校門時很多知識已經過時了，唯有智慧的種子對他們是終身受用的，所以未來的教育必然是面向智慧的教育。

上述描繪的“智慧”指向智慧人才，而對于人工智能來講，思維模式主要體現在從數據中提煉出來的新見解，創造潛能主要體現在基于新見解的行動方案。

提煉新見解的過程，就是數據價值提煉的過程。盡管對于大數據或者教育大數據的定義尚未得到很好的共識，但對于數據中蘊含著巨大的價值是沒有多少異議的。需要明確的是，大數據的價值密度很低，不具有直接用于行動的能力，需要深度挖掘。根據研究機構國際數據公司（IDC）的分析，世界上的資料正以每兩年就翻倍的驚人速度增加。很多時候，人們在沒有想清楚如何使用之前，就已經開始了數據的瘋狂收集，他們相信，收集到的數據終有一天會用得到。這種漫無目的的數據“掃蕩”，使得數據類型更加多樣化，傳統的關系型數據庫已無法滿足存儲需求，收集來的數據都被扔到了數據湖（Data Lake）中。如果我們無法對這些數據進行及時的整理，從中提煉出有價值的見解，數據湖終有一天會演變成數據垃圾場。

基于新見解的最佳行動方案，是數據價值的真正體現。數據價值不是體現在其巨大的體量上，而是體現在是否對從事的關鍵業務或解決遇到的核心問題有用處、有多大用處。大數據時代的預言家舍恩伯格所著的《與大數據同行：學習和教育的未來》一書指出，大數據改善學習的三大核心要素是：反饋、個性化、概率預測。在此基礎上，將帶來學習的三大改變：能夠隨時收集學習中的雙向反饋數據（對學習進行反饋，同時對教學進行反饋）；可以真正滿足每個學生的個體需求，而不是在一組類似的學生層面定制個性化學習；可以通過概率預測優化學習內容和學習方式。這三方面即是最佳行動方案的作用點。

數據智慧生態視圖

上面提到，數據智慧體現在兩個方面：從數據中提煉出新見解、基于新見解制訂最佳行動方案。然而實踐證明，這兩個方面在各行各業（包括教育領域）均是巨大的挑戰。許多企業將大量資金投入到復雜的數據分析工具后，才發現他們沒有能力解釋從大數據挖掘出來的模式（Pallern），并從中得出新見解，也沒有能力將它們變成競爭優勢。國際權威的《哈佛商業評論》指出，許多企業不能管理和分析大數據，所以無法從中得出新見解，或許這些企業壓根兒就不需要大數據！造成這種局面的其中一個原因是業界太過癡迷于大數據，而忘記了為什么癡迷：更好地從事關鍵業務或解決遇到的、潛在的問題。這進而使得業界忘記了，除了大數據還有小數據（ Small Data）。其實，“大數據+小數據”才是教育數據智慧的生態視圖。

大數據新見解

大數據是因其巨量、高速、多樣而需要用特殊的技術和分析方法（傳統的數據處理程序不足以處理）才能將其轉化為價值（如增強決策、洞悉發現、過程優化）的信息資產。它具有6V屬性：巨量（Volume）、高速（ Veloeity）、多樣（Variety）、低價（Value，價值密度低）、真實（ Veraeity）、迅變（Variability）。大數據的這六大屬性，使得它的處理、解析只能由機器完成。當然，大數據并非要求同時具有這六大屬性，教育大數據更是如此。

其實，我們可以從一個新的角度描述大數據：廣域、深度、時序。廣域方面，大數據與其他數據廣泛關聯，這是大數據進行相關關系解析的前提；深度方面，大數據能夠描述對象的方方面面，即全面地刻畫對象，這是大數據精準表征對象的基礎；時序方面，大數據會隨時間得到累積，即大數據應該是動態發展的，這樣大數據才能時刻表征對象的當前狀態。從這三個方面來講，通過廣泛關聯、精細刻畫、時間累積，小數據也能演變成大數據。

大數據在教育中之所以具有“魔力”，是因為它能夠記錄教與學全程的印記，而不是像以前一樣，僅憑教師的常識、經驗和考試成績對學習結果進行評估。教育大數據可以產生于教與學過程的方方面面，美國個性化學習平臺Knew ton將收集來的教育數據分為五類：身份數據、用戶交互數據、推斷的內容數據（學生對某一內容的表現如何？可衡量的學習結果是什么？）、系統級數據（如排名、成績、紀律記錄和考勤等數據）、推斷的學生數據（如學生下周測驗通過的概率是多少？學生現在做什么能提高這個概率？）。由于大數據的6V屬性，使得上述教育大數據極難處理和解析，因此很多教育企業或學校直接依據用戶交互數據、采用簡單的規則來給予教學建議。推斷的內容和學生數據缺失，使得很多教育工作者對大數據持懷疑態度。其實，從大數據的新見解角度看，我們完全可以從小數據出發，通過廣泛關聯、精細刻畫、時間累積躍升為教育大數據。

什么是小數據

小數據是具有小體量和具體屬性的數據，它的優勢在于易于理解、便于訪問、可操作性強，可以對日常事宜作出及時、有意義的解析。體量方面，它可以非常之小，小到僅僅是一個數值。屬性方面，它可以具體到某一微不足道的行為觀察。

對于小數據，英國醫院俱樂部組織的“2016小數據論壇”上有五點洞見，很是具有參考價值：第一，讓數據有價值，是關乎融合不同部分的問題。第二，大數據是石油和土壤，但如何找到對數據內在設計的深度理解至關重要。第三，撬開堅果需要的不是大錘，而只是胡桃鉗；同理，良好的洞悉不一定來自整理和處理越來越多的數據，而是對已得數據更加靈活的解析。第四，數據的價值在于更好地了解當前的環境以能夠創造更美好的未來。第五，算法是重要的，但人類要素是無法復制和替代的，因為小數據是具有情感溫度的，算法在這方面卻無計可施。這一情感問題使得小數據更偏向于由人來完成：往往需要在線下通過親身觀察、交談、隨訪等方式獲得。

大數據與小數據的融合

前面提到，大數據主要由機器處理、小數據主要由人處理，因此我們所倡導的教育數據智慧的生態視圖，是一種人機協同的生態視圖。在這個視圖中，大數據屬于數據計算密集型，注重關聯性模式的發現，在教育中的應用有兩方面：數據挖掘與學習分析；小數據屬于專家智慧密集型，注重因果關系的解析，在教育中的應用也有兩方面：教學設計與數據端倪（即數據啟發的專家探究法，系本文首創觀點）。大數據與小數據的融合，采用從小數據出發，經大數據技術，最終回歸到小數據的策略。

具體策略為：在教學設計中，明確教育教學問題、制訂教育教學策略與方案、解析實施策略與方案所需的數據面；依據大數據新見解擴展數據面（小數據躍升為大數據）。在數據挖掘中，通過數據處理與建模等技術為學習分析提供高質量的數據模式。在學習分析中，基于數據模式對學習進行解析，從而提供較為粗放的反饋、個性化、概率預測策略與方案，并促使教育教學的總體發展趨勢始終指向預期目標；為了回到小數據層面，此階段還需要對大數據進行降維處理，并將大數據劃分為小數據集合（大數據分解為小數據）。在數據端倪法中，教育工作者開展數據啟發的專家智慧密集探究，以獲得更為深入、具有更強操作性的見解。

面臨的機遇與挑戰

雖然上述教育數據智慧生態視圖對于指導數據智慧的實現（從數據中提煉出新見解、基于新見解制訂最佳行動方案）來說還比較粗放，但它為小數據躍升為大數據、大數據細化為小數據提供了可能，這使得教育大數據的收集、處理與分析變得不再那么無從下手。

筆者在《解讀教育大數據的文化意蘊》一文中，沿著從數據、信息、知識，經過領悟、洞察而得智慧的線路（簡稱DIKUW模型），對數據智慧的演進做了解讀。文中指出，數據是一種數字、符號、事實，它處于“知幾無”狀態，從數據中我們很難得到有用的見解或價值；信息是經過加工與組織的數據，它處于“知是何”狀態，從中可以獲得“何人、何時、何處、何事”等信息；知識是通過理論與經驗模式化的信息，它處于“知如何”的狀態，從中可知如何做；領悟和洞察是賦予意義、能夠闡明道理的知識，它處于“知為何”狀態，可用于分析；而智慧基于領悟，可以生成前所未遇問題的解決方案、策略或行為。數據向智慧的躍升，要經過數據關系處理、信息模式化處理、知識原理化處理。

這樣，生態視圖與DIKLW模型的融合，將會使得教育數據智慧的實現更加有的放矢。隨著教育信息化進程的推進、智慧教育的發展，國內很多教育機構與單位已經開始了教育數據智慧的革命。本文作者主持的全國教育科學“十二五”規劃國家級課題“智慧教育環境的構建與應用研究”涉及200多所實驗校，其中一部分實驗校已初嘗數據智慧指導教學創新的甜果。

當然，實現教育數據智慧還存有一個很大的挑戰，即“暗數據”（ Dark Data）。高德納咨詢公司（ GJartner）對暗數據的定義是，“企業在開展正常業務活動期間采集、處理和存儲，但通常無法用于其他目的（如分析、商業關系和直接獲利）的信息”?？上驳氖牵@個問題已經得到業界重視。德勤會計師事務所（ Deloitte）發布的《2017科技趨勢報告》中明確指出，暗數據分析在未來18-24個月將對企業領域產生巨大的影響力。2017年S月，蘋果公司更斥資兩億美元收購一家專門挖掘“暗數據”的小公司Lattice Data。這個公司的主要業務是從暗數據中挖掘有價值的信息，并通過機器學習方法將非結構化的暗數據轉化成結構化、標簽化和分類化的信息，從而提供給其他公司用在人工智能、醫學研究等方面?？梢酝茰y，當越來越多的暗數據被轉化為“明數據”后，人類智慧將站在“全數據”的巔峰之上。就目前而言，將小數據與大數據結合，激發人機協同的數據智慧，也是為走向全數據筑基鋪路。

智慧教育永遠走在路上

數據智慧促使教育由數字化走向智慧化，指明了未來教育發展的大方向，因此值得我們傾力探索，大膽實踐基于數據智慧的未來教育，我們不妨稱之為智慧教育。筆者給智慧教育作出如下定義：

智慧教育的真諦是通過構建技術融合的生態化學習環境，通過培植人機協同的數據智慧、教學智慧與文化智慧，本著“精準、個性、匯聚、優化、思維、創造”的原則，讓教師能夠施展高成效的教學方法，讓學習者能夠獲得適宜的個性化學習服務和美好的發展體驗，使其由不能變為可能、由小能變為大能，從而培養具有良好的人格品性、較強的行動能力、較好的思維品質、較深的創造潛能的人才。

上述定義可以壓縮為一句話：智慧教育是通過人機協同作用以優化教學過程與促進學習者美好發展的未來教育范式；或者更進一步簡化為16個字：巧用技術，妙施教法，重在學創，全人發展。我們將智慧教育的目標直接指向“全人教育”，好的教育必然是科學性、技術性、藝術性、人文性的有機融合，因此單憑數據智慧也無法造就智慧教育。實際上，我們將智慧教育視為信息化促進教育變革與創新的大目標，只有較好，沒有最好。也就是說，智慧教育永遠只有進行時，沒有完成時。