區域教育大數據分析架構與展示設計研究

楊現民 郭利明 邢蓓蓓

[摘? ?要] 為貫徹落實國家大數據戰略與教育信息化2.0行動計劃，各地正在積極推進區域教育大數據建設，實踐中的各種難題也隨之出現。文章結合團隊近年來為多地教育大數據建設項目提供咨詢服務的經驗，重點圍繞數據分析難題，構建了區域教育大數據分析服務平臺的總體技術架構和三層三類數據分析架構模型，并對四種典型區域教育專題大數據進行了分析設計。最后，文章提出四種教育數據可視化展示的典型模式，并結合江蘇省A市教育大數據分析服務平臺的建設進行了樣例說明。

[關鍵詞] 教育大數據; 數據分析; 分析架構; 可視化展示

[中圖分類號] G434? ? ? ? ? ? [文獻標志碼] A

[作者簡介] 楊現民（1982—），男，河北邢臺人。教授，博士，主要從事教育大數據、智慧教育、網絡學習資源等方面的研究。E-mail：yangxianmin8888@163.com。

一、引? ?言

大數據已經成為新時代促進教育創新發展的外生力量，對于加快實現教育現代化具有重要意義。《教育信息化2.0行動計劃》提出，通過建設“互聯網+教育”大平臺，整合各級各類教育管理信息系統，逐步實現教育數據的融合貫通[1]。隨后，各地結合實際相繼出臺了地方教育信息化2.0行動計劃，紛紛提出要加快、加深、加強教育數據的匯聚共享與分析應用。比如，《江蘇教育信息化2.0行動計劃》提出，建立教育大數據應用服務中心，提供專業化的數據分析服務，支持各級教育部門開展數據挖掘，為教育政策制定與教育決策提供科學依據[2]。

然而，區域教育大數據發展之路并非一帆風順，實踐中的各種難題不斷出現。近年來，團隊在為山西、新疆、江蘇等地提供教育大數據咨詢服務以及與合作企業聯合研發規劃方案過程中，遇到的突出問題便是數據分析難題，特別是區域教育大數據的分析架構與結果的可視化展示設計。基于此，本文以江蘇省A市的實踐探索為例，探討了區域教育大數據的分析架構與可視化展示模式，期望能為各地教育大數據分析服務平臺的建設提供參考。

二、區域教育大數據研究進展

當前，國內教育大數據理論研究與實踐探索同步推進，部分地區的實踐已經領先理論研究。國內區域教育大數據研究主要聚焦在建設與應用兩個方面。

（一）區域教育大數據建設研究

區域教育大數據建設是一項系統性工程，國內學者已對區域教育大數據的整體架構與框架設計以及區域教育大數據平臺建設展開了積極探索。

清晰合理的架構與框架設計是建設高水平區域教育大數據的基礎保障。楊現民等[3]構建了區縣層面教育數據網絡架構，提出“定標準，搭平臺”“聚數據，抓管理”“聚數據，抓教學”“用數據，促變革”的四步驟建設策略。劉邦奇等[4]指出，區域教育大數據建設離不開“大數據應用體系建設”“大數據專家團隊建設”和“大數據保障制度建設”三個關鍵要素的協同配合。余勝泉等[5]剖析了區域教育大數據的總體架構，包括教育過程多模態數據收集、學習者個性化認識模型構建、學科知識圖譜構建、數據挖掘分析、資源語義標記與匯聚、個性化智能推薦引擎、區域教育決策分析等關鍵模塊。

平臺建設是教育大數據落地的關鍵所在。徐超超等[6]設計了區域教育大數據平臺的技術架構、主題數據庫與核心功能，并對平臺建設與運營中存在的教育數據開放、治理以及創新應用問題進行了探討。李振等[7]從學習行為大數據采集、教育大數據存儲與計算以及教育大數據分析挖掘三個方面探討了平臺的關鍵實現技術。張邵麗等[8]構建了教育大數據平臺的運行機制，涉及開放獲取、分類存儲、整合共享、技術支撐和管理協同五個方面。此外，還有學者對教育大數據平臺信息共享的影響因素[9]、教育質量監測與評估[10]進行了研究。

（二）區域教育大數據應用研究

當前，區域教育大數據應用研究聚焦在區域教育質量提升上。

理論研究層面，劉雍潛等[11]指出海量教育數據的匯聚為區域教育均衡發展提供了新思路，通過對教育大數據的深入分析和挖掘，有望從教育環境均衡、教育資源均衡、教育機會均等、教育質量均衡四個方面推動區域教育的均衡發展;黃濤等[12]通過對國內外教育質量評價項目的研究進展、理論模型、分析方法等多方面的整合分析，構建了多元數據驅動的區域教育質量分析模型，并提出要重視構建區域數據閉環，建立數據應用反饋機制，實現基于大數據的區域教學生態的重構。

實踐研究層面，余勝泉領銜的大數據促進區域教育質量分析與改進研究團隊，構建了集學生個性服務、教師精準教學、家長育人協同、學校質量改進為一體的區域教育質量改進服務模型[13]。目前，該項目已在北京通州、房山等地區開展了大規模的實踐探索，取得了良好的效果。此外，重慶、蘇州、溫州等地在教育部基礎教育質量監測中心專家團隊指導下，紛紛成立了地方教育評估院和教育質量監測中心，在利用大數據支撐區域基礎教育質量監測與評估方面進行了卓有成效的探索。

三、區域教育大數據分析架構

本文對區域教育大數據分析服務平臺的技術架構、數據分析架構以及典型專題大數據進行了初步分析設計。

（一）區域教育大數據分析服務平臺技術架構

基于江蘇省A市的項目實踐，研究構建了區域教育大數據分析服務平臺（以下簡稱“平臺”）的五層技術架構（如圖1所示）。其中，安全保障體系貫穿五個層次，以保證教育數據全生命周期的安全性和可控性;數據標準體系是整個技術架構的基礎，規定了平臺數據的標準與規范，以保障跨系統教育數據的無縫流轉與融通共享。平臺建設的最終目標是大數據驅動區域教育治理體系與教育治理能力的現代化。

1. 數據采集層

平臺的數據來源包括區域智慧教育公共服務平臺、教育裝備監測（如班班通等）以及教育事業發展監測與評價。區域智慧教育公共服務平臺包含了全區通用的諸多信息化應用系統，如備課系統、排課系統、綜合素質評價系統等，通過對這些系統運行數據的采集，可以源源不斷地獲取全維的教育數據。隨著各種傳感器與智能軟件在智慧校園中的普及應用，區域教育裝備的常態運行監測體系正在逐步形成，任何硬件終端或軟件工具的使用過程數據都將得到有效采集，有助于提升全區信息化資源的利用效益和應用水平。此外，結合國家教育事業發展監測與評價工作的開展，可以將全區各項教育事業發展統計數據納入平臺采集的范疇，以支撐全區全息大數據體系的構建與科學決策。

2. 數據處理層

區域教育大數據建設面臨的首要問題是數據質量問題，需要通過嚴格的數據抽取與清洗程序，以最大程度剔除虛假、重復、矛盾等偽數據與錯數據。由于教育業務的復雜性和場景的多變性，未來很長一段時間數據的高效與精準處理將是制約教育數據價值發揮的關鍵。數據標準的強力執行，有助于打通平臺的“數據脈絡”，構建多源渠道貫通的“數據立交橋”，實現教育數據在多終端、多系統之間的交換與整合。教育數據的存儲，一方面要特別關注非結構數據的爆炸式增長帶來的數據存儲與檢索上的挑戰，另一方面，可采用超融合存儲架構與全閃存存儲技術，以應對區域教育大數據高速發展帶來的挑戰。

3. 數據分析層

該層是整個平臺的“智慧引擎”，而該引擎的運行效果很大程度上取決于數據分析模型的設計。當前，教育領域典型的數據分析模型包括決策支持模型、校情監測模型、適應性學習模型、學業評價模型、學習預警模型、深度學習行為診斷模型以及學生畫像模型[14]。為了更全面地支持區域教育事業發展，平臺在數據分析層需要盡可能地結合具體的業務需求，提供顆粒度更小、目標更聚焦的數據分析模型，生成可動態進化的區域教育大數據分析模型庫。依據數據分析難度和結果的價值度，可以將數據分析初步分成描述性分析、診斷性分析以及預測性分析等三個層級，難度和價值度同步提升。調研發現，當前國內各地教育大數據平臺的分析功能主要以描述性分析為主，而診斷性和預測性分析嚴重不足。

4. 數據展示層

數據可視化有利于發現數據之間的關聯性，便于及時作出決策干預，已經成為區域教育大數據的基本特征[15]。數據展示層重點呈現六類教育大數據：教育基礎信息大數據、信息化應用大數據、信息化資源大數據、教師隊伍大數據、學生綜合素質大數據以及教育安全大數據。通過對這六類教育大數據的可視化展示，可以輔助各級管理者便捷高效地“看數據、用數據、管數據”，實時掌握全區教育發展概貌與動態，開展數據驅動的教育科學決策。

5. 數據應用層

數據應用是實現數據價值的“最后一公里”，而應用的核心是基于數據分析結果給各種教育問題“開處方”，進而促進區域教育更加健康、高質量、可持續的發展。平臺的數據應用層要密切圍繞“區域教育政策制定與優化、區域教育資源科學配置、區域教育質量監測與改進、區域教育評價體系重構”四項最緊迫、最重大的教育任務進行架構設計。此外，平臺應注重采集區域教育持續改進的過程性數據，提供數據應用效果的“證據”，以客觀評估“數據處方”帶來的實際效益。同時，這也將促進數據采集、數據處理、數據分析以及數據展現四層的持續優化。

（二）區域教育大數據三層三類數據分析架構

結合江蘇省A市的項目實踐，本文提出區域教育大數據平臺的“三層三類數據分析架構模型”（如圖2所示）。該模型涉及兩個數據分析維度：一是從數據分析的深度來界定三層數據分析服務（描述性分析、診斷性分析、預測性分析），二是從數據分析的業務類型來界定三類數據分析服務（基礎性信息統計分析、信息化應用數據分析、教育業務專題數據分析）。其中，三層數據分析服務和三類數據分析服務相互貫通，也就是說，每類數據分析服務都可以分為描述性、診斷性和預測性三個分析層級，每層數據分析服務又涵蓋了三類數據分析服務。

圖2? ?三層三類數據分析架構模型

1. 三層數據分析

描述性分析是指對所采集的教育數據進行統計性描述（發生了什么），包括數據的集中趨勢分析、數據離散程度分析、數據的頻數分布分析等，利用可視化工具能夠有效地提高描述性分析結果的展示強度和效果。比如，全區教師數量與職稱分布、歷年教育經費投入變化情況、教育媒體終端的使用率等，常用的分析方法包括均值、中位數、眾數、方差、四分位表、峰度、偏度、頻數等。

診斷性分析是在描述性分析基礎上進行的更深入的缺陷診斷與優勢識別，可以鉆取到數據的核心，揭示導致該結果的原因（為什么會發生）。比如，學生知識缺陷分析、學習障礙診斷、學科能力診斷、學科優勢識別等，常用的分析方法有假設檢驗、相關分析等，常用的分析技術有認知診斷測驗[16]、知識追蹤模型[17]等。

預測性分析主要是從教育數據中分析教育行為或事件的關聯關系、發展模式，并對此行為或事件發展的趨勢進行預測（可能會發生什么）。比如，某一教育事件未來發生的可能性與時間點、未來一段時間內某一學生的學習水平變化等，這些可以通過決策樹、回歸分析、時序分析等算法以及相關數據預測模型來加以預測。

從描述性分析到診斷性分析，再到預測性分析，逐步由淺層分析走向深層分析，分析所需數據的來源和類型越來越多，分析的時間跨度越來越長，分析的難度越來越大，對區域教育發展的引領和改進作用也越來越大。

2. 三類數據分析

基礎性信息統計分析的數據主要來源于每年的教育事業統計工作。圍繞此類數據，一是進行描述性統計分析，比如分析各階段在校生和毛入學率、學校與專任教師數量、民辦教育在校生規模與結構、九年義務教育鞏固率、設施設備配備達標率等;二是進行診斷性分析，比如分析大班額現象背后的教育資源配置問題、導致學業負擔過重的關鍵性與深層次原因等;三是進行預測性分析，比如分析新建校的需求數量與布局情況、師資隊伍規模變化與結構調整等。

信息化應用數據分析的數據主要來源于信息化應用系統運行和教育裝備監測。通過描述性統計分析，可以了解區域各種教育服務平臺、軟件系統、學科工具、數字資源與教育裝備的用戶量、使用人次、故障率等，以評估信息技術產品與服務的常態化應用水平。通過診斷性分析，可以識別信息技術與教育教學融合應用存在的短板、信息化應用系統與裝備的功能設計缺陷等，以優化提升信息化應用的效率、效果與效益。通過預測性分析，可以判斷信息化系統與裝備的高峰應用時間與潛在故障發生概率，以便加強事前防范和及時、精準的應對處理。

教育業務專題數據分析的數據主要來源于教學與教研、管理與評價、資源建設與應用等業務活動。通過描述性分析，可以掌握師資隊伍整體規模與水平、學生綜合素質發展水平、校園物理和網絡空間安全狀態、數字資源總量與應用率等，幫助管理者全面了解區域教育關鍵業務運行情況。通過診斷性分析，可以客觀評判區域教師隊伍建設中存在的結構性短缺與失衡問題、數字資源建設與應用需求脫鉤問題、學生全面發展存在的素質短板問題等，以支持教育決策與服務的精準供給。通過預測性分析，可以實現教學質量預警、校園安全預警、學業水平預警等，以科學規避辦學風險，實現教育業務的過程監控與前置管理。

（三）四種典型區域教育專題大數據分析設計

本文重點對信息化資源大數據、教師隊伍大數據、學生綜合素質大數據以及教育安全大數據進行了分析設計。

1. 信息化資源大數據

信息化資源大數據的深度挖掘與分析，能夠掌握區域信息化資源建設與應用的總體概況、建設短板、應用弱點以及發展趨勢等，能為教育管理者合理規劃區域教育資源建設重點與配置結構提供決策支持。

信息化資源大數據可以分成信息化資源建設數據和信息化資源應用數據。信息化資源建設數據分析指標主要包括資源總量、資源類型與結構分布、日新增資源量、資源需求量等。信息化資源應用數據分析指標主要包括資源使用總次數、不同類型資源應用信息（資源上傳、資源下載、資源收藏、資源分享、資源評論等）、資源應用頻次變化趨勢、不同類型資源利用率及排行（每日、每周、每月）、資源更新率等。

信息化資源大數據建設除了提供上述一般性數據分析外，還需重點關注資源熱度、資源擴散度以及資源淘汰指數等三項應用指標。資源熱度是指資源的受關注程度，圍繞某個資源發生的行為頻次能在一定程度上說明其受關注的程度，即頻次越高，該資源的熱度越高;資源擴散度是指單個資源在一定時間內的傳播速度與范圍，可以為每個資源設置唯一的ID，通過ID傳播軌跡和復制數量（分享、轉載的頻次）評判資源的流通效率;資源淘汰指數用來判斷資源可能被淘汰的概率，可以根據學習者訪問量、資源打分、資源的評論、轉載、分享等數據來綜合判定資源的被淘汰概率。

2. 教師隊伍大數據

教師隊伍大數據的深度挖掘與分析，能夠支持教師精準培養、促進教師培訓專業化、優化教師資源配置以及改進教師管理服務，進而輔助相關教育管理部門實現對教師隊伍的精準治理，促進教師隊伍治理的現代化[18]。

教師隊伍大數據主要包括教師基礎信息數據、教師教育教學活動數據以及教師培訓研修數據。教師基礎信息數據分析指標包括教師基本信息（任教學科、學歷、職稱等）、性別比例、職稱結構、年齡結構、學歷結構、流動率等。教師教育教學活動數據分析指標主要包括備課量、上課量、學業輔導量、課堂教學互動率、授課滿意率等。教師培訓研修數據分析指標主要包括參訓教師數量與占比、教師培訓次數與時長、教師繼續教育學分達標率與增長率、網絡教研參與率、教研成果數量與結構等。

教師隊伍大數據建設除了提供上述一般性數據分析外，還需重點關注教師專業結構失衡指數、教師幸福指數、教師教學發展指數等三項特色指標。教師專業結構失衡指數用于評判區域或學校教師在年齡結構、學科結構等方面的缺陷程度;教師幸福指數是從從教意愿、榮譽感、工作壓力、薪酬滿意度等多維數據評判區域或學校教師的整體幸福感程度;教師教學發展指數是從學生成績、教改項目、教學論文、教學獲獎等教學數據與參與培訓、研修等繼續教育活動數據，評判區域或學校教師群體及個體的教學素質與水平。

3. 學生綜合素質大數據

學生綜合素質大數據包括思想品德發展數據、學業水平發展數據、身心發展水平數據、藝術素養養成數據和社會實踐參與數據。學生綜合素質大數據的分析與應用有利于學生認識自我，有利于學校切實轉變人才培養模式，并能為高校招生錄取提供重要參考。

思想品德發展數據分析指標主要包括黨團活動參與率、違規違紀率、班級值日完成率、榮譽稱號獲得率等。學業水平發展數據分析指標主要包括學業優秀率、學業達標率、學業完成率、學業進步率、作業完成率等。身心發展水平數據分析指標主要包括體測優秀率、體測達標率、體重超重學生占比、學生焦慮指數、心理問題學生發生率等。藝術素養養成數據分析指標主要包括藝體特長生數量與占比、藝術活動獲獎率、藝術課程開課率、藝術課程考查達標率等。社會實踐參與數據分析指標主要包括社會實踐活動總次數、社會實踐活動結構占比、社會實踐活動參與率、社會實踐活動滿意度等。

學生綜合素質大數據建設除了提供上述一般性數據分析外，還需重點關注學生領導力指數、創新力指數、學習力指數等三項特色指標。領導力指數是從學生在社團任職、社會工作中的表現與影響方面評判學生的組織、協調與管理能力水平;創新力指數是從獨立思考、批判質疑、鉆研探究等方面評判學生的高階思維發展水平;學習力指數是從學習興趣、學習目標、考試能力、復習能力、預習能力、學習自覺性、追求成功、回避困難等方面評判學生群體或者個體的學習動力、學習毅力及學習能力。

4. 教育安全大數據

物理空間安全數據和網絡空間安全數據共同構成了教育安全大數據，對其進行實時監控與分析，能為管理部門提供權威的安全信息反饋和事故預警，提升教育管理者的應急處理能力與科學決策水平。

物理空間安全數據分析指標主要包括校園安全事故發生率、校園安全隱患整改率、校園安全系數、平安校園達標率、設施設備運行故障率、校園霸凌發生率等。網絡空間安全數據分析指標主要包括校園網絡異常發生率、校園網絡輿情處置率、校園網絡安全事件數量與結構占比、校園網絡惡意攻擊次數、校園網絡安全預警次數與準確率等。

教育安全大數據建設除了提供上述一般性數據分析外，還需重點關注校園暴力事件預警指數、網絡突發事件應對能力指數等兩項特色指標。校園暴力事件預警指數是指通過對學生的行為、言語、心理等全維度數據進行動態監測與綜合分析，以評判各種校園暴力事件發生的概率和危害程度;網絡突發事件應對能力指數是從校園網絡安全事件發生情況（如病毒入侵、異常行為監測等）、正確處置結果以及事件危害度等方面評判學校應對網絡安全事件的處理能力和水平。

四、區域教育大數據可視化展示

通過分析各地建設的教育大數據分析服務平臺以及諸多企業研發的數據大屏、數據駕駛艙等產品，本文提煉出教育數據可視化展示的四種典型模式。

（一）基于傳統可視化圖表的展示模式

傳統可視化圖表包括柱狀圖、折線圖、餅圖、散點圖、雷達圖、氣泡圖、儀表盤圖等，這些是當前教育數據可視化的主流呈現方式，其優點是通俗易懂，但缺點是創新性不足、比較單一。不同的可視化圖表，其特點不一樣，所應用的場景也不一樣。基于這些可視化圖表，區域教育管理者能夠清楚地了解區域教育發展整體概況、未來發展趨勢、不同縣（區、市）之間教育發展的對比情況等。以江蘇省A市的教師基礎信息大數據為例（如圖3所示），通過傳統的可視化圖表，充分展示A市教師基礎信息的全貌，包括男女教師比例、教師年齡分布、學科教師分布、工資待遇情況、各區專任教師占比、各區有編制教師占比、全市不同縣（區）的教師流動數量等，一定程度上能夠說明教師發展中存在的一些問題。

（二）基于地圖的展示模式

基于地圖的展示是比較直觀的可視化展示，能實現從宏觀到微觀不同層次的視覺呈現，并可實現不同尺度間的自由切換[22]。基于地圖的展示模式借助地圖得天獨厚的區域分布優勢，以區域內不同級別行政區（市、區、縣）為基礎建立分析單元，提取地理位置信息，自動形成相應的位置標簽，并疊加在地圖的底圖上;通過數據的展示實現與地圖的無縫融合，能輕易查看區域內教育主體行為產生的任何數據及其空間分布。為了直觀對比不同分析單元的教育差異，通過顏色變化、圖形疊加等手段予以凸顯，以對區域內教育發展水平、教育資源分布、學區劃分等有明確的了解，實現決策的直觀化。

（三）基于傳統可視化圖表與地圖相結合的展示模式

基于傳統可視化圖表和基于地圖的展示模式組合在一起呈現時，能夠實現優勢互補，并且能夠很好地強化整體的視覺效果與數據價值的發揮。這既能讓相關教育管理部門通過教育行為數據的時空分布整體直觀感知區域內教育的均衡發展的情況，又能通過鉆取技術定位某一區、縣具體的教育數據變化，從而深挖問題出現的原因。以江蘇省A市信息化資源大數據為例（如圖4所示），通過基于地圖的可視化方式表達A市信息化資源的總體建設狀況和利用狀況，同時以深淺不一的藍色系區分不同區縣的資源總量;通過傳統的柱狀圖、折線圖體現今日信息化資源系統利用排行、各來源渠道資源數量、信息化資源建設趨勢等，兩者的結合輔助區域教育管理者整體研判A市的信息化資源建設與利用情況。

（四）基于數據流的拓展展示模式

隨著數據可視化的發展，數據流的重要性逐漸顯現。數據流不是一種物化的存在，而是數據產生、交互的可視化映射。通過數據的流動能夠極為直觀地了解哪些主體產生了數據、哪些主體間有交互行為等，這與傳統可視化圖表、地圖完全不同。基于數據流的拓展展示模式通常以數據流本身或數據池的形式呈現。以江蘇省A市某縣（區）信息化資源大數據為例（如圖5所示），圖中右上角“資源庫”的可視化展示就是基于數據流的拓展展示模式的最佳體現。將國家平臺、省平臺、學校系統以及特色資源庫中的資源動態匯聚在資源庫這一“數據池（資源池）”中，每一個平臺與數據池通過數據流的方式進行連接。數據池包含教學反思、音頻、微課、專題資源、課件等多種類型的資源，并且數據實時更新（資源總量、應用人次、上傳量、下載量）。通過數據的流動凸顯A市某縣（區）信息化資源來源、類型以及應用情況。

五、結? ?語

區域教育大數據正在進入快速建設和發展期，數據采集、數據融合、數據分析等很多實踐問題不斷出現，亟待更多研究者與政府、企業以及學校協同開展專題性研究。客觀而言，國內很多地方的教育大數據平臺建設仍處于規劃設計和初期建設階段，在數據標準研制、數據開放的程度、數據采集的質量、數據分析的深度、數據展現的科學性等方面，仍有很多工作需要加強。下一步，團隊將圍繞區域教育大數據系列標準研制與區域教育大數據應用實踐兩個方面開展深入研究。

[參考文獻]

[1] 中華人民共和國教育部.教育部關于印發《教育信息化2.0行動計劃》的通知[EB/OL].（2018-04-18）[2019-10-18].http：//www.moe.gov.cn/srcsite/A16/s3342/201804/t20180425_334188.html.

[2] 江蘇電化教育館. 省教育廳關于印發江蘇教育信息化2.0行動計劃的通知[EB/OL].（2019-06-27）[2019-10-20]. http：//be.jse.edu.cn/articles/2019/07/15/215884.htm.

[3] 楊現民，陳世超，唐斯斯.大數據時代區域教育數據網絡建設及關鍵問題探討[J].電化教育研究， 2017， 38（1）：37-46.

[4] 劉邦奇，張振超，王亞飛.區域教育大數據發展參考框架[J].現代教育技術， 2018， 28（4）：5-12.

[5] 余勝泉，李曉慶.區域性教育大數據總體架構與應用模型[J].中國電化教育， 2019（1）：18-27.

[6] 徐超超，陳世超，趙鑫碩，楊現民.區域教育大數據中心平臺建設探討[J].現代教育技術， 2016， 26（11）：5-12.

[7] 李振， 周東岱， 劉娜. 教育大數據的平臺構建與關鍵實現技術[J]. 現代教育技術， 2018（1）：100-106.

[8] 張紹麗， 鄭曉齊， 張輝. 基于資源共享的教育大數據信息平臺構建及機制研究[J]. 現代情報， 2017（37）：90-95.

[9] 甄曉非. 教育大數據平臺信息共享影響因素分析[J]. 現代情報， 2019（7）：122-127.

[10] 熊善軍. 大數據支撐下的區域質量監測平臺實踐研究 [J]. 教學與管理（中學版）， 2016（2）：8-11.

[11] 劉雍潛，楊現民.大數據時代區域教育均衡發展新思路[J].電化教育研究， 2014， 35（5）：11-14.

[12] 黃濤，王一巖，張浩，劉三.數據驅動的區域教育質量分析模型與實現路徑[J].中國電化教育， 2019（8）：30-36.

[13] 余勝泉，李曉慶.基于大數據的區域教育質量分析與改進研究[J].電化教育研究， 2017， 38（7）：5-12.

[14] 楊現民，田雪松.互聯網+教育：中國基礎教育大數據[M].北京：電子工業出版社， 2016：105-136.

[15] 王秀麗，胡玉康.大數據時代的可視化教育：多元基礎與理性建構[J].現代教育技術， 2016， 26（4）：99-104.

[16] 劉聲濤， 戴海崎， 周駿. 新一代測驗理論——認知診斷理論的源起與特征[J]. 心理學探新， 2006（4）：74-78.

[17] CORBETT A T， ANDERSON J R. Knowledge tracing： modeling the acquisition of procedural knowledge[J]. User modeling and user-adapted interaction， 1994， 4（4）： 253-278.

[18] 崔延強，權培培，吳葉林.基于大數據的教師隊伍精準治理實現路徑研究[J].國家教育行政學院學報， 2018（4）：9-15，95.