區域性教育大數據總體架構與應用模型

余勝泉　李曉慶

關鍵詞：區域教育大數據;區域教育質量提升;教育大數據應用;教育大數據生態系統

中圖分類號：G434 文獻標識碼：A

一、大數據與區域教育發展

（一）大數據是區域智慧教育發展的基礎

智慧教育是當前教育信息化的發展方向，也是區域教育信息化的美好期望，但要實現教育中的智能支持，大數據是必不可少的。近幾年以深度學習為代表的人工智能實現了突破，關鍵在于一方面是大規模并行計算能力的發展，另一方面是大數據的匯聚，通過深度人工神經網絡學習大數據中蘊含的規律，從而獲得了智能，如語音自動識別、語言精準翻譯、計算機視覺等。在教育領域，如果要全面了解學生，必須全面采集學生學習過程的各種大數據，通過數據擬合，形成模型。區域性教育大數據匯聚應用是智慧教育必經的前置階段，依托大數據，逐步形成智能系統和智能裝備，為智慧教育發展奠定基礎。

（二）大數據是科學配置教育資源的基礎

教育大數據是在教育活動運行過程中的數據，它反映教育系統運行過程中實時、真實的運行狀況，蘊含著教育系統運行的內在規律。通過數據挖掘，可以將這種規律及其演化趨勢可視化展現出來，使教育決策部門可以預測到區域內教育發展的需求趨勢，從而進行科學的教育決策與教育資源配置，由事后補救轉向事前預警，使得教育資源配置過程更迅速，甚至達到實時與即時性。如基于區域性的教育電子地圖，疊加區域綜合大數據，及時可視化動態顯示變化趨勢，幫助教育決策者獲得超越個體與局部的宏觀或中觀的洞察力;通過數據聚類、關聯分析和演化趨勢等技術分析，可以發現群體共性問題，群體中的異常模式，相比之前更容易發現問題所在、可能弱點和盲區，并發現背后根源性的問題。

（三）大數據是改進教育公共服務模式的重要契機

教育公共服務向來優先滿足群體的共性需求，難以顧及個體的個性需求。究其原因，傳統手段很難實現精準了解每個個體的個性化需求，要為每個個體提供個性化服務，成本太高，基本無法實現，而基于互聯網和教育大數據來提供教育公共服務，則可以高效解決這個問題。通過對學習數據的深度挖掘與分析，可以讓教師了解每個學生的學習特征與需求，為學生推送適宜的學習資源與服務，不需要大規模人力投入，即可實現對個體的實時監測與及時反饋。互聯網可以最大程度匯聚社會教育服務資源，通過大數據來提供精準的導向，提升個體獲得感。通過建立共性需求與個性需求相包容的教育公共服務體系，可以構建起具有“更多獲得感”的教育公共服務供給體系。

（四）大數據是推進區域教育質量監測與管理的最佳手段

傳統教育質量監測數據是階段性的、相對靜態化、抽樣性的數據，一般在于凸顯學生群體的發展情況，如學生整體的學習成績水平，學習負擔、心理素質與體質健康等。數據通過周期性、階段性的監測評估來采集，采集的對象一般采用抽樣的方式決定參與的群體。而教育大數據是全樣本、全過程的數據，它可以更好地關注每一個學生的微觀個性表現，是學生學習過程中產生的數據，如學習的時間、學習內容、學習活動、人際交互、學習投入與情感投入等各類數據，這些數據在日常教育業務中產生，全樣本覆蓋，實時收集、實時分析、實時反饋、實時改進，數據不僅僅是服務于區域教育行政部門，更可以服務于每一個老師、每一個學生、每一個家長，讓服務主體有獲得感，是推進區域教育質量改進與提升最有效的手段。

二、區域教育大數據的技術架構

區域教育大數據平臺是推進區域性應用的核心關鍵，大數據平臺不僅僅是計算資源虛擬化、云化，更重要的是利用人工智能領域的深度學習、自然語言處理、知識圖譜、知識推理、語義搜索、智能推薦等關鍵技術建立面向教育業務的大數據收集、處理、分析及應用模型。

在良好的大數據生態體系的支持下，需要針對典型教育場景及跨場景的教學環境，進行學習全過程數據的采集、對學習資源進行語義描述與關聯。以采集的全體學習者數據為對象，基于認知、情感與動機等關鍵特征，利用知識跟蹤、深度學習等技術構建學習者常模與個性化模型。通過個性化學習服務工具與精準推薦服務引擎，基于海量學習資源的匯聚，形成感知個性化需求的智能化教學環境，支持開展圍繞課內課外、線上線下相結合的個性化教與學的關鍵環節與途徑。在服務的過程中，數據自然的匯聚與生成，形成區域教育大數據，可為區域教育質量管理、教育資源配置、區域性精準教研、區域性教育公共服務提供科學的決策基礎。典型區域大數據的技術架構如圖1所示。

區域教育大數據平臺應具備情境感知、自然交互數據全記錄、學習資源語義化匯聚、內容自動轉碼與格式自適應等特性，利用平臺中建立的學科知識本體庫、認知模型庫以及推理引擎等核心基礎模塊，對采集的學習過程交互數據進行自動化分析，實現學習資源與學習服務個性化、適應性推送。

（一）教育全過程多模態數據的采集

學習過程數據的采集，可以從學習情境信息、知識建構行為信息、學習行為和學習結果信息四個方面來進行。其中學習情境信息主要包括學習者初始能力水平、學習終端等影響學習者獲取和運用知識的一切要素。知識建構信息主要包括學習內容與學習資源的編輯、審核、批注、分享和傳播等對學習內容和學習資源進行再創造的數據。學習行為信息以學習活動為核心，主要包括瀏覽學習內容與資源、參與學習活動、完成學習任務等過程性的行為數據。學習結果信息主要包括學習時長、測試成績等成果性數據。學習情境數據的采集可以借助智能可穿戴設備與智能傳感器等工具實現，學習行為數據的采集可以通過插碼工具和xAPI等實現，知識建構和學習結果等認知投入、目標狀態數據可以借助大規模在線課程中所設計的學習活動進行采集。

教學場景數據采集包括課堂視頻實錄數據、語音實錄數據、各類管理系統記錄的數據、師生互動的數據、在校園活動的軌跡數據等。

所采集的跨場景、多種類的異構過程化教學信息，還需要通過文本分析、編碼分析、語義分析、語音識別、圖像分析等技術，轉換成可以挖掘和分析的數據，并基于數據集成交換標準進行融合與管理，以實現教育全過程數據的實時收集、有機集成和全周期管理。

（二）學習者個性化認知模型構建

學習者學習個性特征的刻畫是開展個性化支持服務的關鍵。在學習過程中學習者的個性特征，不能只是網絡訪問行為等外部特征，更要關注其發展特征與認知特征，包括認知能力、學科能力、問題解決能力、心理狀態、體質健康、學習風格、學習情緒與知識的學習交互關系等，需要基于教育與心理的模型來對學習者個性特征進行語義建模。

在學科能力表現方面，結合學科特點，構建語文、數學、物理、外語（英語）、生物、化學、道德與法治、地理、思想政治、歷史、科學、體育、自然、綜合實踐、音樂、美術等學科的評測與診斷模型，以學科素養一關鍵能力一核心知識為關鍵表征與統一的編碼體系，形成對各個學科的核心素養與學科能力表現的表征、評測與診斷整體框架。各學科根據本學科的核心素養和內容主題，采用嚴謹的程序規范，開發關于學生學科素養和學科能力認知的診斷工具，將學科核心素養、知識內容與能力表現密切關聯，建立基于多級評分的、考慮學生不同作答策略的、能夠表征連續心理特質與離散知識狀態的、可以分析群體知識水平的認知診斷模型。

在心理健康特征表征方面，包括對個體的情緒、自我認知、社會適應等多個方面建模。心理健康可分為正負兩個方面，既要關注積極的心理健康狀況，也要關注消極的心理行為問題。在強調學生情緒、行為之外，還強調教育活動對學生良好人際關系、人格品質、合理社會認知的養成。要基于一系列高質量的綜合心理素質測評工具，建立一套中小學生綜合心理素質測評常模。

在體質健康表征方面，基于體測數據及日常運動行為數據建立學生身體健康素養綜合評定指數體系。通過跟蹤診斷學生體質健康、身體運動功能、運動技能學習、生活方式等，判斷體質健康、身體功能及運動技能學習的發展優勢。基于數據分析生成科學的體質測試分析報告，幫助家長了解孩子的體質狀況和健康狀況，關注、提升孩子在科學運動方面的興趣，引導孩子健康成長，全面發展。

在學習行為特征方面，以大規模學習者樣本數據為基礎，對不同年齡、性別、區域的學習者群體所表現的學習特征及其典型變異進行分析。基于學習情境信息、學習結果信息、學習行為和知識建構行為四個方面數據對學習者個性特征進行語義建模。從學習興趣、學習風格和知識水平等多維度構建學習者常模，形式化、明確化表征學習者個性和共性特征。同時通過對學習者的持續追蹤，分析學習行為與知識單元的多尺度關聯特征，發現學習者在線學習的共性和個性變化規律，實現對學習者發展常模的動態生成和持續更新。

（三）基礎教育學科知識圖譜構建

知識圖譜通常指利用多關系圖結構描述真實世界或特定領域的各類實體以及這些實體間的關聯的知識庫。教育知識圖譜是針對教育領域構建的知識圖譜，旨在表示教學過程中涉及的不同元素及這些元素之間存在的具有教育意義的各類認知關系。要構建基礎教育領域的知識圖譜需要深挖教育全過程中教學、學習、管理、評價四大有機環節中產生的數據，以知識內容、教師、學生、管理者為核心對象，基于角色、任務、行為、效果展開語義抽取、融合和推理，構建動態教育知識圖譜。

學科知識圖譜可以在教育語義計算、教育資料的語義關聯、學習者模型建立、網絡教學平臺開發、智能答疑系統開發、學習資源的個性化服務等諸多方面發揮重要的基礎性作用，是這些應用得以實現的前提。以語文、英語、數學、物理、化學、生物、歷史、地理等學科課程標準與教材為基礎，建立教育領域學科知識圖譜，綜合應用人工智能技術輔助學科概念的提取、概念定義性質的提取以及概念關系的發現等，實現領域圖譜構建過程的半自動化。

學科知識圖譜構建的核心思路是基于知識之間的語義關系所形成知識之間的邏輯關聯網，并疊加教學目標、常見教學問題等教學知識。在知識圖譜的基礎上，疊加學習者對知識掌握的狀態信息，用于可視化表征學習者動態知識發展的情況，從而形成學習者的認知地圖。認知地圖既可以用于知識導航，又可以作為評估的有效支架，還能用于學習內容與學習服務的精準推薦，同時滿足用戶不同層面的需求。

（四）教育數據挖掘分析

在數據倉庫和知識圖譜的基礎上，通過教育大數據分析系統，對教育數據展開實時挖掘與分析，包括教學全過程的量化評估與效果預測、學生學習全過程的量化評估與效果預測、學生意外精神狀態的預警等，實現知識內容和信息在不同對象之間的有效傳遞，實現教育大數據與教育服務的無縫融合與價值提升。基本技術思路為：（1）分析教育各環節產生的數據特征，制定面向教育大數據的規范標準，對數據進行清洗、整合;（2）借鑒ESB（EnterpriseService Bus，企業服務總線）的數據集成思路，利用NoSQL、Hadoop、Spark等面向分布式、流式計算的數據存儲與分析系統，構建集成的異構教育大數據平臺;（3）利用數據分析與知識計算的相關理論、技術，針對教育大數據的特點設計聚類、關聯、分類等模型與算法，實現語義發現與推理，提升教育大數據的價值;（4）通過可視化技術，實現基于大數據的智能教育服務的展示、交互等功能。

在業務場景的分析上，關鍵是要圍繞學科教學的發展進程來建模分析：（1）通過對教師、學生的在線行為進行挖掘與分析，描繪學科教學模式、學生交互模式等方面的發展進程，發現熱點問題，預測發展方向;（2）對教師之間的合作關系、教研生態等進行分析，發現網絡教學團隊建設的特點，通過教師線上交互數據的挖掘，發現和發掘優秀教育成果，將專家主導的教育發展模式轉變為專家一教師互動共建的模式;（3）對學生最鄰近發展區進行表征與計算，對學生動態發展的能力進行評估，分析學生學習的優勢和不足，融入教育大數據的層級性、時序性和情境性特征（學習影響因素），構建新一代的認知診斷模型;（4）建立學生心理、體質健康等關鍵領域常模，結合標準劃定技術以及潛類別模型等，有效描述學生的心理與體質健康的離群狀態，及早干預，促進學生身心健康發展;（5）匯聚群體數據進行深度挖掘，通過對數據聚類、分類、離群點、關聯、相關性、判別、比較、偏差等參數的分析，了解群體的整體水平與發展趨勢，形成面向不同群體的分析報告。

（五）資源的語義標記與聚合

資源要以教師和學生的實際獲得最大化為導向，設計、開發和匯聚符合在線學習特征的數字資源與創意服務，建立平臺資源與服務的統一標準，提供與外部數字資源與學習服務融合的接口，匯聚海量資源形成“人人教、人人學”的教育服務超市。

教育資源語義化是實現智能推薦的基礎。要探索學習資源的自動化語義標注機制，實現海量學習資源的自動化、精準化語義標注。具體技術路線是對采集的多形態資源數據進行基于結構和內容的語義提取和語義映射處理，實現機器自動化的語義聚合。語義提取過程中針對結構化的開放教育資源如DBpedia、Freebase等采用語義查詢語言（如SPAQRL）直接獲取;對于半結構化的教育資源采用語義包裝器抽取資源結構信息，利用自然語言處理技術、概率圖模型、機器學習等技術提取資源內容語義信息;對于無結構化的教育資源直接利用自然語言處理技術、深度神經網絡模型等技術提取資源語義信息。在語義映射處理過程中，構建多學科教育資源的橋本體，對通過語義提取獲取的教育資源語義信息進行本體對齊處理，保證多源異構教育資源的語義一致。

網絡資源的聚合是指對分散在互聯網上的資源根據一定的規律進行篩選、排序和重新組合，從而為用戶提供更有針對性、更易查找和使用的資源集合。資源聚合的工作原理是對資源進行標識，通過對用戶需求分析，整合相關資源實現資源有組織的重構，從而向用戶提供精確有效的資源集合。聚合的核心是解決學習資源內在關系的建立以及外在可視化的問題，以便更好地重用與共享。學習資源深度聚合，首先從計算資源的語義關系出發。采用基于規則的推理、語義相似度的計算等技術，動態發現資源之間的各種語義關系，將異構學習資源的語義空間整合到統一的語義空間，深入揭示學習資源的內在聯系，并將資源和服務進行深度聚合。其次，促進學習資源深度聚合，也能夠利用社會計算的方法，通過分析用戶與學習資源的交互行為，從中發現社會關系、社會行為的規律，利用社會化的行為來改善、提升資源聚合的質量和結構化程度。在線學習中，學習者不僅是從內容本身中獲得知識進行學習，內容背后的人在學習者學習過程中也扮演著重要角色。在線學習中，由于知識之間的內在關系與人的社會性交互，形成了人與知識共生的社會性知識網絡，社會性知識網絡對于學習資源的適應性推薦至關重要。

（六）個性化智能推薦引擎

個性化學習智能推薦引擎是區域大數據平臺的核心組成之一，該引擎可以為教師、資源提供者以及學習者提供精準且適當的資源組織形式和獲取途徑，提供完整的個性化學習支持，包括學習內容和活動推薦、學習工具與策略推薦、學習專家與同伴推薦等，實現個性化學習服務推送。

學習資源與學習服務的智能推薦引擎要借鑒雙向適應的原理，從學習者模型和學習資源組織兩個方面的相互聯動角度，實現基于數據驅動的、感知學習過程情境的、持續性的自適應。基于數據驅動的自適應關鍵在于研究如何從用戶興趣、已有知識、動態能力和學習風格等角度出發進行課程資源推薦，并基于內容相似度和鏈接結構相似度進行目標資源的篩選和聚類。感知學習過程情境的自適應關鍵在于研究如何獲取和表征學習者當前所處的情境信息，并與資源情境本體進行適應匹配，實現對學習內容、學習策略、學習活動、知識專家、學習路徑和學習服務的推薦。持續性的自適應關鍵在于研究如何利用學習過程中的核心數據完成對學習者在線課程知識節點學習狀態的計算，實現對知識掌握水平的客觀、動態、連續表征。同時，由于學習是一種持續發展的過程性活動，因此在持續的自適應中需要考慮學習者知識結構、能力的變化，持續性地引導學習者進入下一個最適合的學習活動、為學習者找到與其當前知識和能力水平最匹配的學伴。

學習資源與學習服務的智能推理引擎需要對學習過程中學習者表現出的個性特征（知識結構、學習情境、學習風格、學習情緒、與知識的學習交互等）進行語義建模，構建學習者的個性特征本體模型，設計多重影響要素的自適應聚合推理引擎，實現學習資源與服務的適應性推送。基本技術思路為：（1）研究學習過程中的認知規律，改進Felder-silverman、Kolb、Witkin等學習風格模型，LOCO、m-LOCO等學習情境模型和ARCS、FEASP等學習情緒模型，完善學習者模型;（2）在社會性知識空間構建基礎之上，基于學習者個性特征本體模型，從學習風格、學習情境和學習情緒三個維度構建一個多重影響要素的適應性聚合模型。利用復合語義相似度計算技術和推理技術實現資源與學習者的適應性聚合的最優化，不僅聚合知識內容資源，而且聚合最合適的學習活動和人際資源;（3）最后利用可視化技術，結合認知地圖，為學習者提供呈現符合自身個性特征的資源集合，包括個體認知地圖、知識網絡服務、資源學習順序路徑，為學習者提供有意義的資源組織形式和獲取途徑。

（七）區域教育決策分析

大數據可以使管理者從經驗決策轉型到數據驅動的決策，提高其教育管理的科學性。傳統教育數據是基于抽樣的局部數據，是在周期性、階段性的評估中獲得的，一定程度上不能完全客觀真實地反映教育狀況。同時，傳統教育數據因為沒有合適的載體，只能隨著時間流失，進一步加劇了數據的片面性問題。而隨著數據采集與存儲技術的發展，長期的積累可形成個體和群體大數據，通過對數據的橫向和縱向的深度分析，教育管理機構能夠及時準確地了解教育教學情況，預測并預警可能發生的不利事件，更加科學合理地做出教育決策。而且基于教育大數據的決策反饋過程更迅速甚至達到實時反饋，大數據具有易比較、交流、轉化的特質，在此基礎上做出教育決策，更符合當下信息時代要求及時響應的特點。

無論是宏觀的教育制度與管理體制改革，還是微觀的教學方法和管理方式的改革，都可以通過科學的數據分析尋找問題的癥結所在，識別不同地區教育發展的獨有規律，然后對癥下藥，實施改革。教育大數據能夠聚焦于教與學的微觀層面，將原本隱性的教育活動通過數據逐步清晰地描述出來，教育大數據也可以超越個體微觀視野，從整體和宏觀的視野來分析全局性問題，教育大數據還可以超越靜態看問題的視角，從動態和發展的視角，去展現事物發展的過程，分析動態演化與發展過程中的問題。

4.大數據助力教育督導精準化

教育督導的主要職責包括常規教育督導，監督、檢查和指導學校的教育領導和管理，對辦學效益進行評估等，以前的督導主要體現在看某一個階段的橫截面，大數據提供了督導的新視野，可以看到發展和演化的歷史過程，更好地開展評價導航，實現辦學高效。還可以快速定位表象背后的關鍵問題，如透過大數據分析可發現某個區域某些學校的兩級分化拉大，教育督導服務時可以直接督導該類問題的解決，直接定位到評價的關鍵環節，找到分化的原因，督導學校制定相應改進措施。

（三）大數據推動學校管理和教學走向智慧

1.大數據支撐學校行政智慧管理

智慧學伴大數據分析為校長和主任等教育行政人員提供了智慧管理的依據，可以依托數據進一步聚焦到學校發展共性個性問題、學生發展心理傾向、典型班級分析等業務上。大數據可以積累學校層面的教學數據、師生數據、班級數據，學校隨吋了解本校各學科在全區的相對位置，也可實現同類學校之間的靈活對比分析（如圖6所示），方便了解學校的共性問題，在共性的基礎上，學校可以進一步透過數據分析問題產生的原因，聚焦到個體問題解決上，根據問題確定管理與改進措施。教育大數據能幫助學校識別典型班級，透過全校全年級的數據，分析發現不同年級或班級的學生能力素養、學習行為表現，依托數據發現異常班級，定向跟進，技術化解潛在管理問題。透過學校心理綜合素養大數據，學校可以更好的開展德育教育，如心理健康、網絡成癮、師生關系優化等，既可以從學校整體視角改進，也可定位到不同個體，進行定向干預，最大限度促進每一位師生的身心健康發展。

2.大數據支撐教師精準教學

大數據可直接助力教師精準教學，解決教學無據、學困生學困根源不明等問題。精準教學核心是通過學習數據分析，為每個學習者提供適合其最鄰近發展區的學習服務與指導，通過學習行為數據的分析，教師可以精確了解學科教學是否達到目標、學生是否真正掌握知識或技能。“智慧學伴”可以通過對學生個體學習情況進行跟蹤記錄與分析之后，可以對學習情況建模，展現學生結構化知識地圖，也可以展現全班整體教學薄弱點的教學地圖，給予教師可視化的教學參考，讓教學更有依據。右側表所示是三個階段利用大數據，幫助地理教師提煉出來的教學薄弱點，可供教師復習使用。學科學困生始終是教師教學頗為挑戰的問題，智慧學伴可以幫助教師精準定位學困生的學習障礙點，讓教師清晰了解學困形成的原因，從而制定解決問題的路徑。

3.大數據支撐班主任智能班級管理

面對一個班的幾十名學生，每個學生個性特征、學習問題各異，班主任想做到因人而異的指導與干預，往往心有余而力不足，傳統管理的低效更是讓班主任知難而退。通過多側面、多形態的數據收集，如生理數據、心理數據、學習過程數據等，進行多層次、長周期的數據分析與挖掘，可以幫助班主任完整了解每一個學生的顯性或隱形的問題，尤其是單親等特殊家庭可能帶來的學生成長問題，班主任借助數據分析可以精準問題定位、更加明晰管理重點。學生各有差異，所表現出來的學科優勢也大相徑庭，大數據支撐下，班主任可借助數據了解學生學科優勢與學科短板，更好幫助學生進行中高考選科，實現最優化的組合。通過心理健康數據，班主任還可以了解學生家庭環境、人格障礙等引發學困的原因，從而更好的協同家庭，共同解決好學困問題。

（四）研訓部門轉型的大數據研修支撐

1.大數據支撐研訓主管決策教研的方向

在傳統的研修形式下，研訓主管了解培訓成效和教師專業成長情況的渠道是下屬工作匯報或專題交流，導致工作效率較低，時間周期較長，信息也缺乏準確性。大數據可以讓研修決策更加專業和高效，解決研修無依據、教研活動無思路等問題，促進區域教研轉型。智慧學伴服務平臺依托大數據，可以將各學科的區域性共性問題可視化，指示教研業務推進的方向。基于數據，可以根據各個學科校際能力差異、全區各個學科教師的發展水平不同而合理配置研訓資源;通過匯聚區域層面多個學段的學業大數據，分析不同學段學科發展薄弱點，可提升教研的精準性，如小學畢業后的科學學科數據與學生初中地理、物理、生物等學科數據的關聯分析等，可以方便區域層面配置調整學段銜接的教研活動設計。

2.大數據支撐教研員教研活動設計

教研員是是教師教學的專業指導者，區域教學研究的組織者，教師專業發展的促進者，國家和地方改革政策的轉化者，課程改革的推動者。在區（縣）教研工作中，教研員既要承擔本區域的教學教研指導工作，又要承擔本區域教師業務培訓和教師職業能力提升工作。教研員日常的主要教研組織包括公開課研討、專家培訓、案例研磨等。智慧學伴大數據可以幫助教研員實現教研轉型，帶領教研員走出固有經驗引領，主要表現在數據指引教研優勢與薄弱點、區域教師信息化發展分析等。針對數據指引教研，教研員參考全區各校數據，基于連貫的多學科大數據發現學科教學的核心問題，如圖7為學生提問數據匯聚后凸顯出來的核心知識點問題，不同學校學科教師的發展短板亦可透過數據顯現等。區域教師信息化發展分析是指教研員可以更好的管理區域本學科的教師，了解每位教師的在線情況，了解教師的專業投入度和學科資源應用大數據，并可根據區域教師群體的需求靈活調整教師教研計劃，實現對教師業務能力的提升。

（五）大數據支撐家校多維協同實現高效助學指導

要教育好孩子，家長必須和學校保持緊密聯系，家校雙方密切協作，家庭教育與學校教育緊密結合，這是實現育人目標的重要途徑。在大數據助力區域發展系統中，家庭是大數據應用的重要場景，父母可以借助數據開展精準助學、基于數據實現更好的家校協同。大數據平臺能夠將家長和孩子連接起來，家長能夠透過數據看到孩子發展的真實表現，借助大數據給孩子提供真正需要的助學指導，而不是盲目地報各種輔導班。如家長利用微信綁定孩子智慧學伴的教育賬號，就可以了解到孩子的各種學業表現數據，可以精細知悉到孩子的學習優勢和問題，為后續的精準助學提供參照。

同樣，孩子在家里也可以快速的感知自己的學習問題，并獲得個性化的資源推薦服務、雙師在線服務，還可以和大數據推薦的學習伙伴開展更有效的同伴學習，通過互聯網和大數據，孩子可獲得更多的學習小伙伴，延展了現實的學習圈。

綜上所述，大數據應用模型從區域教育質量提升的關鍵角色著力，提供了面向行政領導、校長、班主任、教研員和家長等角色的具體服務，解決了不同角色的業務關鍵問題，這是將數據資產最大化利用的抓手，也是大數據系統性解決區域問題的更重要武器，更是大數據能夠落地的關鍵所在。

五、邁向智能教育新時代

區域教育大數據運行到一定時間，隨著數據量的匯聚，到了一定的時候，會由量變邁向質變，形成智能化服務。其演化路徑如圖8所示，將分階段達到“學習助手”“學習伙伴”和“學習導師”三個智能服務層次。

（一）“學習助手”級智能教育服務

第一個階段，將使得教育公共服務平臺達到學習者知識結構可視化及個性化學習智能推薦層次服務，能夠擔當家長、老師和學生的學習助手。具有自然全面采集學習過程行為投入數據、認知投人數據、情感投入數據，科學進行學習投入水平計算與評估，系統仿真學習者學科知識結構，自動生成面向學習者個人以及教師的可視化學習知識地圖，幫助學習者找到與學習水平相適應的學習資源、學習活動序列、學習專家和學習同伴，幫助教師評估班級整體學習水平等特性。

（二）“學習同伴”級智能教育服務

第二個階段，將使得教育公共服務平臺仿真學習者的知識結構與認知模型，科學評估學習者學科認知水平，達到與學習者相當智能服務水平，可以在陪伴學習者過程中，進行封閉域問題和簡答性問題的解答，進行情感激勵與陪伴等，能夠擔當學生的學習同伴。具有半自動語義標注和結構化基礎教育領域學科知識、學習資源，自動聚合同類知識主題和學科資源，智能分析與解答特定封閉域學科問題，客觀分析與表征在線學習過程中的情緒狀態，在線模擬學習計劃編排等功能，為學習者提供常規問題解答、情感支持、學習伴侶等服務。

（三）“學習導師”級智能教育服務

第三個階段，將使得教育公共服務平臺能夠診斷學習者學習與認知問題，及時予以指導與幫助，可以進行主觀題的智能批閱，達到能夠指導學生的相當教師智能服務水平，可以進行自主深度學習，實現進行開放域問題的解答，能夠擔當學生的學習導師。具有全面開放吸收學習過程中生成的智慧，自行積累、沉淀、重構與轉化，主動學習外部知識，擴充內部知識結構體系，自動建立新舊知識多學科領域關聯，智能分析與解答開放域學科問題，為學習者提供疑難解答、知識引領等特征。

作者簡介：

余勝泉：教授，博士生導師，研究方向為移動教育與泛在學習、信息技術與課程整合、網絡學習平臺關鍵技術、區域性教育信息化（yusq@bnu.edu.cn）。

李曉慶：碩士，研究方向為信息技術與課程深層次整合、技術支持教與學、大數據助力區域教育質量改進（lixiaoqing8507@bnu.edu.cn）。