打造教育人工智能大腦：教育數據中臺技術實現路徑

李愛霞 舒 杭 顧小清

(1.華東師范大學 教育信息技術學系,上海 200062； 2. 江南大學 教育信息化研究中心，江蘇無錫 215000 )

一、問題提出

在智能時代，融合AI、大數據技術構建“教育大腦”可實現對教育系統的全局性即時分析，促進教育數據資源、教學資源、人力資源等有效調配，進而達到精準的、個性化的可持續性教育價值挖掘與開發，是實現智慧教育體系的關鍵。近幾年，國家強調教育智能化建設(國務院，2017)，大力推進智能教育，推動人工智能在教學、管理等方面的全流程應用，利用智能技術加快推動人才培養模式、教學方法改革，通過人工智能等技術為教育賦能的訴求愈發緊迫。如何將智能技術與教育融合，顧小清等(2021)提出人工智能大腦的隱喻，指出人工智能大腦為教育數據治理與教學創新提供了方向、過程以及結果，進而形塑智能化、精準化、適切化的教育生態系統。

但怎樣構建教育大腦？數據中臺的出現及其在數據融合、處理、分析和管理方面的優勢，特別是在教育全息畫像、教育診斷、教育預測、教育干預等方面的技術突破，使構建“教育人工智能大腦”成為可能。

總體而言，數據中臺是一種組織戰略，連接前后臺，使前臺能夠快速響應業務變化，即能夠有效賦能前臺的公民數據用戶，再利用后臺的數據進行決策。高德納(Gatner，2016)的分層應用策略報告，將網絡業務系統分為前臺、中臺、后臺，中臺的核心作用是提升業務系統響應能力與速度。付登坡等(2020)認為數據中臺的本質是“數據倉庫+數據服務中間件”。數據中臺通過數據技術，對海量數據進行采集、計算、存儲、加工，同時統一標準和口徑(項陽，2020)，生成數據資產及數據服務。數據中臺的核心是可持續地“讓數據用起來”，使得數據來源于業務，反哺于業務，不斷循環迭代，以促進數據的可見、可用和可運營。數據流轉不僅能降低重復建設、減少“煙囪式”協作的成本，還能實現系統發展的可持續優化迭代(卜意磊等，2020)。

教育數據中臺是數據中臺在教育中的應用，是為了滿足教育教學的特定化需求，對教育數據進行融合、處理，使之成為可理解、可使用、可管理的數據資產，并將教育數據服務于教育體系(見圖1)。

圖1 教育數據中臺概念解構

教育數據中臺的本質是“數據倉庫+數據服務中間件”。這也是數據中臺與數據倉庫的區別。數據中臺不僅存儲數據，還將數據服務于教育(付登波等，2020)。比如，它通過分析學生行為數據支持學生畫像刻畫，還可以根據教育需求提供針對性教育報告。教育數據中臺不是單純的技術疊加，不是技術化的大數據平臺。大數據平臺關心技術層面，比如研發效率、大數據處理等，針對的是技術人員，而數據中臺的核心是數據服務能力，結合實時的教育需求，通過數據建模賦能教育教學。數據中臺也是個不斷更新的體系，在教育服務過程中，持續迭代技術、數據建模。

數據中臺由四部分組成：技術體系、數據體系、服務體系和運營體系。技術體系主要實現大數據的存儲、處理、管理與應用，以及支持中臺的構建；數據體系是實現數據資產化的核心，使離散的數據成為可用的服務型數據；服務體系是實現數據到產品落腳的關鍵，通過數據的可視化，實現用戶的畫像刻畫、管理、評價等，使數據與業務匹配；運營體系根據數據及用戶需求，實現產品的更新迭代及創建。

數據中臺的功能包括數據融合、數據加工、數據可視化、數據服務化。其中，數據融合回應教育數據孤島問題，數據中臺提供統一、適配的一站式數據收集標準與方法，實現教育數據的收集與轉換；數據加工功能應對教育數據資產化，通過數據處理，打通教學、學習與學校管理等的全域數據流，以統一的數據標準和質量體系服務未來的教育；數據中臺智能化的數據管理方法應對全域數據可視化展示，為教育數據使用者提供可視化數據圖譜；數據業務化應對數據流轉問題，能運用機器學習、自然語言等人工智能方法將教育數據應用于具體教育問題的解決，比如學習監督與預測、學習畫像分析等。

總之，教育數據中臺是將教育數據轉變為教育生產力的機制。

二、數據中臺開辟教育數據價值挖掘新體系

(一)可能應用

教育數據中臺的價值主要體現在兩個方面：技術價值和數據服務價值。技術方面，教育數據中臺融合Hadoop、MySQL、Oracle、Spark等技術架構，滿足教育場景對多數據并發處理的高量級數據處理需求，為教育數據的跨主題域訪問、量級數據標簽化、數據多線程并發處理等提供支持；教育服務方面，教育數據中臺以個性化學習為理念，通過對學生、教師等行為數據的全視域采集融合、處理分析，為學校教與學提供精準的決策支持，最終實現從“教育是什么”“為什么”“未來怎樣”以及“怎么應對”的教育全域問題的精準解析，即教育全息畫像、教育診斷、教育預測、教育干預等技術突破，構建“教育人工智能大腦”。

1.教育數據中臺明晰“教育發生”的真諦

教育數據中臺以教師、學生行為數據為來源，通過成熟的畫像技術實現教師、學生的多模態畫像智能生成，可視化呈現教師教育成果、教育過程及學生學習效果、學習過程等，告訴人們教育中發生了什么。其中，教師畫像包括教師特征模型、教研心理模型、社會交互模型、教研行為模型和教研成果模型(胡小勇等，2019)等，學生畫像主要有學生的認知、非認知、學習習慣等全息畫像。以上畫像是實現精準化教學素養提升以及個性化助學的基礎，也是智能教育決策的前提，推動了教育由被動向主動轉變。

2.教育數據中臺支持教育診斷

教育數據中臺的另一應用是實現智能的教育診斷：通過訪問智能硬件設備，管理具有集成服務的教育平臺及設備并從中獲取教育數據；使用數據規則對教師教學、學生學習等活動進行及時的數據轉換，形成實時的智能洞察報告，進而診斷教育過程問題。比如，匯聚了學生學習知識圖譜數據后，數據中臺可跟蹤及可視化報告學生的知識完整度與不足，為教師全方位、立體地了解學生學習效果及干預提供參考。

3.教育數據中臺助推教育數據挖掘

教育中臺的更大價值在于對教師和學習者模型的挖掘和預測。教育數據挖掘研究的重點是建立從學生數據中提取隱藏知識的模型，從而提高學生學習成績。利用教育數據挖掘技術，可將教育系統的原始數據轉化為有價值的信息，供教師、學生、家長、教育研究者、教育軟件開發人員等使用。其教育應用主要有聚類、預測、分類等。例如，數據中臺可通過機器學習模型“學習”每個學生，找出他們的缺點，并確定改進的方法，如學習更多的課程或練習，也可以用來預測某一課程的入學人數(Yadav et al.，2012)，預測傳統課堂教學模式的異化(Akinola et al.，2012)，檢測在線考試中使用的不公平手段，檢測學生成績記錄的異常值，預測學生成績等。簡言之，數據中臺的數據挖掘和預測功能為教育提供了預測未來的“法眼”，是教育者有效教學的導航燈。

4.教育數據中臺助力教育決策

解決教育問題，完全依賴經驗的模式已被淘汰。如何對教育進行智能的、個性化的決策支持是當前教育面臨的重要課題。教育數據中臺在基于全面的教育服務獲取豐富的教師及學生數據，以及對他們全面畫像的基礎上，總結教育規律，實現教育資源的循環豐富完善、教育推薦路線的精準匹配等，為教育管理者、教師以及學習者提供精準的教育服務。具體而言，數據中臺可以根據學生畫像提供個性化學習資源推薦，如根據學生的認知特征、學習風格等進行準確定位，分析其潛在的學習需求，進而提供有針對性的學習資源、學習服務支持。例如，教育數據中臺能夠通過Apriori、DEA-BP等算法智能地從教學評價數據中提取潛在的規律和知識，為教學評價決策提供支持(Ma et al., 2021)；還可集成神經網絡、專家系統、遺傳算法等模型，實現對教育質量和教育投入的監測，實現教育物質資源、人力資源等的優化配置及管理，提高教育服務質量。

(二)運行機制

數據中臺打破傳統的“煙囪”式的產品應用管理模式，疏通數據流轉通道。數據中臺擁有提供適配數據采集、轉換的完整的大數據軟硬件工具，能夠實時、大批量地實現數據的采集和交換，且能夠根據業務層次需求，部署數據采集的來源與類型，從而協助定位、理解數據，根據統一的標準工具與方法實現數據的標準化轉換。這與當前教育急需解決的數據零散、無法統一的需求緊密相關。

1. OneData數據資產化與服務化

建設數據中臺的最終目的是讓“數據用起來”，最終實現產品的創新，更新迭代。系統的技術、理念及方法都是可復制的。數據中臺的根本創新是將數據資產化，然后將資產化的數據作為生產資料應用于業務價值的創造，持續產生價值。數據中臺不僅僅是技術，更是一種從“技術優先”到“數據優先”的思維轉變，目標是讓數據持續用起來，通過數據中臺提供的工具、方法和運行機制，把數據變為服務能力，讓數據更方便地被業務所使用(付登波等，2020)。數據中臺遵循OneData的核心方法(見圖2)，通過統一的數據標準收集、處理數據，及對數據進行清洗、加工，使零散的數據變成可以用于教育管理、教學及學習場景的可應用數據，即數據資產。

2. OneModel和OneID實現數據的雙打通

1)OneModel打通跨平臺數據融合通道。中臺是統一數據格式、數據接口打通平臺間數據融合的通道。該方法實現數據的資產化構建與管理，通過對數據的標準定義、數據質量與安全控制將數據收集處理等技術形成完整的體系，進而對大批量數據進行智能化建模、梳理。

圖2 數據中臺OneData核心方法

2)OneID打通跨平臺的個人數據融合銜接通道。OneID的個人數據收集方法，使得不同平臺間的個人數據無縫銜接，可加速個人數據標簽化處理，實現全方位的個人畫像刻畫。兩種方式的結合可消除數據孤島，驅動數據價值化，更可實現智能化的數據管理。這與當前數據流通的需求不謀而合。

圖3 教育數據中臺技術架構

3)OneService一體化數據服務。中臺針對產品的一體化服務體系，為數據到業務的落地提供技術保障。在數據資產化處理后，伴隨而來的是如何將數據應用到實際教育場景，中臺的后續系統能夠通過ID實現多維數據鏈接，并根據標簽化的數據驅動業務提升，其中包括服務質量、產品升級等，智能化地根據教學需求優化教育環境、教學策略、教育管理等。

三、教育數據中臺的技術架構

教育數據中臺作為促使教育數據用起來的機制，能實現“教育服務數據化”到“數據服務教育化”的循環。為了實現教育數據的大規模、高效率處理需求，數據中臺擁有PB級大規模數據管理能力，支持穿透數據庫、Hadoop、大規模MPP集群，實現PB級結構化數據、半結構化及非結構化數據的多樣化海量數據的統一存儲、管理和分析。如何保證數據中臺持續、穩定地運行，強大的技術架構是基礎，其中不僅包括基礎硬件設備技術，還包括數據采集、存儲、轉換及開發的軟技術，以及數據管理的理論技術。

教育大數據的數據采集、數據處理、數據分析與應用服務流程與環節，融合以教育數據中臺不僅能夠支撐以上功能，并且設有數據治理層，支持教育數據的循環、序列及融合分析需求。本文將分別從教育數據采集層、數據存儲層、數據開發層、數據服務層和數據治理層，分析教育數據中臺的技術架構(見圖3)。

1.數據采集層：全方位實時數據獲取

數據融合指數據中臺按照一定的規范，收集、關聯、整合不同的教育數據類型的過程，為后續的數據資產化做準備。教育數據來源的多樣性、數據類型的復雜性是教育數據融合的難點。當前教育數據來源主要有線上數據、線下數據和物聯感應數據，每種來源對應的數據類型也不同：按教育場景分有課堂師生行為數據、戶外學習數據、網絡社交活動數據、成長經歷數據；根據數據類型分有結構化數據(如學生成績等數據)、半/非結構化數據(如視頻、音頻、行為序列、文檔日志、文本等數據)、物聯感應數據(如一卡通或生理感應數據等)。針對多樣化的數據來源，數據中臺具有適配性的數據采集及融合手段；從時效看，主要包括離線批處理和實時流處理數據；從數據類型看，有結構化數據和非結構化數據。

離線批處理一般用于對低時效的海量教育數據的周期性遷移，實現數據的全量或增量式數據存儲。離線批處理數據收集技術主要有開源工具(主要有Kettle、Sqoop、DataX)和服務器協議(FTP)兩種。Sqoop是解決結構化數據和分布式文件系統(Hadoop Distributed File System，HDFS)之間數據轉移的軟件，可將關系型數據庫(如MySQL，Oracle，Postgres等)與Hadoop的HDFS的數據互相傳出。Kettle是開源的數據抽取-轉換-存儲工具(Extract-Transform-Load，ETL)，適用于處理輕量級數據，對大規模數據的清理則可能會因數據量大和清洗邏輯復雜導致數據傳輸效率打折扣。另外，該模式還可能清洗掉未被開發的數據。DataX是對結構化數據進行插件式離線交換的工具，特別是異構數據源的轉換、流量轉換、進度監察等。

實時流處理主要用于采集APP、服務器日志、小程序、各種API接口及數據文件等實時數據。其中，記錄師生教與學的行為日志數據居多，且數據結構多樣，來源環境復雜。針對這類數據，研發人員常用實時日志采集引擎Flume，這是一款由Cloudera開發的，主打高并發、高速度、分布式海量日志采集的技術。Flume支持在日志系統中定制各類數據并發送，用于采集數據，且支持對數據的簡單處理，并寫到各種數據接收方。Wiki、論壇等產生的海量消息類數據，可由分布式消息隊列技術Kafka收集和轉換。Kafka為實時數據提供統一、高吞吐、低延遲的平臺。

綜上，教育數據中臺既滿足異構存儲、異構數據類型的交換需要，還滿足不同時效數據的互通，但沒有哪種工具能兼顧所有需求。對此，數據中臺采用內置離線和實時數據同步的策略，滿足復雜數據的融合。

2.數據存儲層：海量數據的“倉庫”

教育數據匯集后的海量級、多類型數據對傳統的數據存儲方式帶來巨大沖擊。以往教育中以關系型數據庫為主要數據存儲方式，顯然不能滿足大數據環境下的多類型、海量數據存儲以及復雜的數據挖掘和分析操作需求。對此，數據中臺具備的融合性數據存儲架構，對大數據的存儲方式擁有比較成熟的技術支撐。它能針對不同的數據來源、數據類型及未來的數據應用場景，以分而治之的策略適配不同的數據庫和數據存儲技術。為了后續數據開發的便捷，教育數據中臺按不同的數據類型將數據庫分為數據目錄、數據標簽、數據檢索、圖數據庫、視頻數據庫和音頻數據庫。對應的存儲方式有分布式文件系統(HDFS)、非關系型數據庫NoSQL、關系型數據庫(見圖4)。

分布式文件系統HDFS是以Hadoop為基礎的對超大集高吞吐量數據的存儲，容錯性高，可為教育中產生的日志、會話、知識結構以及物聯環境感知等高并發數據提供實時存儲，還可為大數據融合提供底層的數據存儲能力支撐。非關系型數據庫NoSQL可滿足圖、文檔等超大規模非關系型數據的存儲需求，具有易擴展、大量級、高性能等特點，主要技術包括MongDB、HBase、Hive等。關系型數據庫是成績、知識點等結構化數據的主要存儲方式，主要以行和列的形式存儲數據，具有規范化的數據格式，能充分節約數據存儲空間，還便于用戶對數據的理解和檢索，主要技術包括Oracle、MySQL等。

總之，三類數據存儲方式所支持的數據類型與來源不同，但是它們之間以OneID為主要的數據融合橋梁支撐數據開發和挖掘。

3.數據開發層：教育數據價值提煉工廠

數據開發是將教育融合的原始數據資產化的轉化工廠。數據開發是一套包含數據加工算法和過程管理的工具(付登波等，2020)，根據數據的時效性與類型，分配不同的數據處理方法。比如，通過離線開發組件計算分析一定規模的數據，實現非實時的、批量教育數據的挖掘；通過實時開發對實時流數據進行“跟蹤式”處理，挖掘教育數據價值。另外，數據中臺的數據開發系統還可用于開發內部算法與教育模型，以滿足不斷變化的教育數據服務需求。綜上，教育數據中臺開發層主要由數據開發組件、多維教育模型庫、數據智能組件和AI模型庫四部分組成。

數據開發組件的設置一般根據數據來源不同而有別，實時產生的流數據和歷史數據，分別由Flink和Tabase多維開發組件與之對應。其中，Flink作為第四代數據計算引擎的代表，是可擴展的批處理和流式數據處理平臺，可實現數據的高效率開發。Flink的數據流API還支持有界或無界數據流轉換，支持20多種不同類型的轉換和流計算。Tabase多維開發組件是對歷史數據的處理技術的組合，主要有MapReduce、Spark、Redis、Impala等。安通過多種技術的融合完成教育數據的批量計算、查詢以及交叉分析。多維教育模型庫設置為數據開發指明了方向。按照分析對象的不同，主要教育模型有學生、教師、學習資源、教育環境四類。教育數據中臺根據模型庫的指標對數據進行處理、挖掘，進而生成教育服務模型。算法是數據挖掘的推動力，其在教育中已有比較成熟的應用，比如根據算法功能分為語音識別、圖像識別、聚類、序列分析、知識追蹤等；根據支持數據量級有深度學習、機器學習等。另外，教育數據中臺的算法框架不僅支持數據的挖掘，還支持算法本身的開發，以滿足更復雜數據的分析。

4.數據服務層：鏈接教育服務與數據的橋梁

數據服務體系是實現教育數據與教育服務對接的關鍵，包括API管理、查詢/分析服務、數據可視化服務、教育服務挖掘、教育服務推送。

API管理功能主要是對眾多數據來源、存儲、處理等軟件數據接口的管理，通過對各系統數據接口的統一處理，為數據安全、數據調配做導航。數據的查詢/分析服務以及數據的可視化模塊是利用檢索與可視化的方式向開發者、管理者展示數據結構，便于他們監管與運用數據。

教育服務推送是為學生、教師及管理者推薦教育服務功能的技術，讓他們更好地了解、運用信息化教育系統的功能，賦能教育教學，形成教育服務生態圈。教育服務挖掘是建設教育服務生態的關鍵之一，也是連接教育與數據應用的核心。在大量數據與技術的融合下，數據中臺深入挖掘教育規律，描繪教育現象，以響應多樣化的數據服務需求。

5.數據治理層：為教育數據穩定運轉護航

隨著數據的積累與開發，數據逐漸成為教育資產的一部分。教育數據中臺對教育元數據、數據標準、數據標簽、數據質量、數據安全以及數據生命周期進行管理。其中，元數據管理主要包括對數據元的配置、數據模型管理以及元數據屬性管理；數據標簽模塊是對數據資產的貼源標簽、數據標簽進行監管；數據質量管理主要是對數據質量的校驗與管理；數據安全模塊是監測全局數據的隱私、共享異常，實現對全局數據的安全保障；數據生命周期是監督系統，對有意義數據持續保存，將無意義數據緩釋的功能模塊。

總而言之，數據治理是通過可視化監控元數據、數據質量、數據周期、數據標準和數據周期等，實時把控學校教育數據資產質量，為教育數據中臺的穩定運轉護航。

四、實現路徑

通過數據中臺構建教育數據大腦，對助力未來智能化教育發展具有現實意義，故促進教育數據中臺落地，是建設教育大腦的核心工程。教育數據中臺的建設主要包括教育數據意識的啟發、基礎設施及標準的建設、教育服務生態的驅動三個環節。其中，數據意識的頂層引領為教育數據中臺建設指明方向，基礎設施建設與規范為教育數據中臺鋪設基石，教育服務生態為教育數據中臺的驅動提供動力和原料。

(一)強化數據意識的頂層引領

數據作為教育數據中臺的“血液”，為智能化教育發展提供“燃料”。掌握、運用有效的教育數據，是學校優化教育發展的必備技能。教育數據化的實現要以頂層數據意識引領，實現從“經驗”為主導到靠“數據驅動”的教育決策理念的轉變。引領頂層數據意識主要回答“是什么”“為什么”“怎么用”三個問題，即提升學生、教師及管理者懂數據、用數據的意識與能力。

首先，注重教育大腦、大數據等政策、價值的宣傳，提升用數據服務教育的意識，養成教育數據價值意識。另外，以經典的應用案例或以教育大腦為核心的數據賦能教育服務體系的構建，讓師生、管理體會大數據帶來的技術紅利。

其次，堅持以用數據為中心，切實推動教育數據融合發展。培養教師、管理者用數據助力教學的意識和能力，讓他們在理解數據價值的基礎上善于根據自身訴求獲取、分析、運用、管理教育數據，不斷提升利用數據推進工作的意識；鼓勵教育數據共享共用，推動公共數據資源匯聚融合。

(二)注重基礎設施建設與規范

大量級數據的采集、存儲與處理是數據中臺的基本能力，支撐教育數據中臺功能發揮的根本是扎實的基礎設施架構。基礎設施建設主要包括制定數據標準、建設硬件設備以及搭建云平臺等。

數據規范與標準是融合教育數據的前提。這要求：統一基礎平臺標準和數據元標準，實現對基礎平臺數據的深度融合挖掘，以保證個性化教育數據服務需求；執行統一的數據共享標準，保障數據采集、整合、共享協議一致，實現數據互聯互通和開放共享；執行統一的管理標準，保障數據管理規范、安全可控。

硬件設備主要指加強學習、教學、管理、校園建設等基礎數據庫和網絡等基礎硬件設施的建設。高性能、大容量數據存儲設備，以及高速的網絡帶寬是保證數據采集、上傳時效的基礎，也是保證數據高效運轉的“底座”。

考慮到建設量級數據處理的時效性以及硬件設備建設成本，依托云平臺建設數據中臺服務體系是最佳選擇。云平臺綜合硬件資源和軟件資源的服務，為數據中臺的計算提供有力保障，可促進各系統數據資源交換共享。

(三)構建智能化數據服務生態

數據中臺的最終功能是實現教育數據的價值挖掘，但是挖掘教育數據價值的目的、動力及“原料”來源是教育教學的服務需求，即多樣化的教育服務功能為數據中臺輸送全面、立體化的教育數據，反過來，教育數據中臺助力教育服務功能的完善。因此，開發全方位的教學、學習服務功能，打造數據驅動的智能教育服務生態圈，形成數據運轉閉環，是推動教育數據中臺深入發展的助燃劑。

當前研究較多的教育服務包括畫像刻畫、學習分析、學習環境設計等，距離全息的智能化教育體系藍圖還很遠，故全面的教育服務生態開發是必要的。對用戶需求開展調研是產品設計比較常見的方式，然而該方式中用戶頂層設計能力的缺失是弊端，特別是在智能化時代，人們對教學、環境功能更迭效率需求無法用人工調研方式來滿足。因此，構建數據智能和場景驅動的教育數據服務體系，通過大數據智能分析幫助開發者深挖學生、教師、教育環境等的深層特征，即以數據化的“望、聞、問、切”，實現教育數據中臺精準化的教育數據采集、教育服務支持。智能化數據服務生態構建主要從三個方面著手：1)加強教師平臺、學生平臺、校園管理、校園學習空間等智能化、數字化服務教育的軟硬空間建設，促進教育空間服務數據化；2)提升教師、管理者數據服務教育的意識，養成懂數據、用數據的教育服務理念，實現教育教學、管理服務數據化；3)關注智能技術數據驅動的教育服務挖掘模型構建，運用技術與數據相結合的手段，實現教育服務的自動化產出。

總之，以教育數據為基礎構建教育大腦，賦予智慧教育可能是當下的重點工作。但目前我國的教育數據中臺建設還處于起步階段，不能一蹴而就，數據積累、設施配備、環境建設等都是今后教育數據中臺建設的重要方向。具體而言，教育數據中臺的建設應注意：1)教育數據中臺不是千篇一律的，教育機構需根據自身需要定制中臺規模；2)提高數據意識，尤其是要重視小數據，貼合教育中“小數據帶動大數據”的現實問題，使教育數據中臺深入教育規律和本質；3)重視數據中臺的價值挖掘，完善教育理論模型和數據模型的融合，開發更完善、精確的教育模型，并應用于實踐。基于以上分析，從技術層面加強教育建模與表征的技術開發體系以及智能的多模態教育數據收集、融合與分析算法；從理論層面完善教育模型框架，挖掘行為數據與真實教育意義的關系，這些是未來教育數據中臺落地的關鍵，也是完成教育人工智能大腦的必經之路。

簡言之，教育數據中臺的發展和構建對未來智能教育的發展具有重要意義，除了基礎設施、頂層意識、技術規范等基本支撐，實現教育理論層面和數據驅動的教育分析的融合、迭代和落地，也是未來教育數據中臺建設的重點。