中外教育大數據研究熱點與發展趨勢

鄭志宏 杜斌 張碩

摘 ? 要：教育大數據在教育信息化中的作用愈發凸顯，挖掘教育數據潛在價值已經成為當前教育技術研究領域的重要課題。文章以中國知網（CNKI）和科學網（Web of Science）數據庫的期刊論文為研究對象，以Hist Cite軟件分析和內容分析法為主要研究方法，對比國內外教育大數據的研究熱點與發展趨勢。分析發現，“數據挖掘”“學習分析”等技術依然是教育大數據的技術研究熱點，“思想政治教育”“人工智能”“智慧教育”等領域是目前國內教育大數據的熱門研究方向，我國大數據標準正在走向國際并產生影響。

關鍵詞：教育大數據;研究熱點;發展趨勢;中國知網;WOS

中圖分類號：G434 ? ? ? ?文獻標志碼：A ? ? ? ? 文章編號：1673-8454（2022）03-0033-08

一、研究背景與問題聚焦

大數據具有體量大（Volume）、種類多（Variety）、速度快（Velocity）[1]三類傳統“3V”特征，高價值（Value）[2]與真實性（Veracity）[3]被認為是其新型“2V”特征。國際電信聯盟（International Telecommunication Union，簡稱ITU）定義大數據為：一種允許可能在實時性約束條件下收集、存儲、管理、分析和可視化，具有異構特征的大量數據集的模式。[4]教育大數據作為大數據的子集，已經在教育領域產生深遠的影響。

迄今為止，教育大數據在精準化教學[5]、個性化學習[6]、教育教學評價[7]、教育研究[8]、教學改革[9]等方面都有著不同程度的應用。已有研究以不同的方式從不同的角度定義教育大數據。方海光[10]認為教育大數據是教育領域中的大數據，特指教育領域的數據集合。楊現民等[11]認為是整個教育活動過程中所產生的以及根據教育需要采集到的，一切用于教育發展并可創造巨大潛在價值的數據集合。杜婧敏等[12]認為教育大數據是面向教育全過程時空的多種類型的全樣本的數據集合。孫洪濤等[13]把教育大數據定義為服務教育主體和教育過程、具有強周期性和巨大教育價值的高復雜性數據集合。

教育數據是教育信息化不可或缺的要素，教育改革中的教學、學習、評價等方面的落地與實施仍需要新思路和新方法。隨著學校信息化配套設施的全面普及，教育大數據在數據規模、數據種類、數據使用、數據存儲、數據安全等方面正對目前的教育數據應用模式提出新要求。目前，教育大數據研究發展脈絡尚未經過系統性梳理，階段性發展成果與未來研究方向仍需綜述性研究來加以歸納溯源。

二、數據來源和分析方法

（一）數據來源

本研究選擇科學網Web of Science（WOS）核心數據庫和中國知網（CNKI）數據庫作為文獻檢索來源，這些文獻絕大多數發表于經過同行評議的學術期刊和國際學術會議。在WOS上以“教育大數據（education big data）”與“教育大數據（educational big data）”為主題進行檢索，時間區間為2010—2020年，研究方向設定為“教育研究（educational research）”。對檢索到的文獻手工篩選與研究主題不相符的文獻，截止到2020年12月22日，共篩選出論文1350篇，作為外文文獻的主要數據來源。在中國知網數據庫中，在期刊中選擇核心期刊和CSSCI來源期刊，對教育大數據這一主題進行檢索，時間區間為2010—2020年，截止到2020年12月14日，最終獲得有效論文1051篇。

（二）研究方法

研究主要采用兩種分析方法。一是可視化法。借助Hist Cite可視化軟件生成WOS論文引文關系圖，尋找文獻中最有價值的論文完整引文關系，以此確定主要研究的論文。在Hist Cite中按照局部引用分數（local citation score，LCS，即該文獻被目前文獻列表中文獻引用的總頻次）進行排序，生成包含論文序號的關系圖，圖中圓圈代表不同的文獻，圓圈中的序號代表該文獻在數據庫中的序號，圓圈越大的文獻代表越有價值，圓圈之間由帶箭頭的線段相連，箭頭指向被引文獻。二是內容分析法。內容分析法通過對文獻資料包含內容的分析，認識現象之間的聯系。[14]對Hist Cite給出的最有價值的論文和高被引論文進行分析，進一步探究當前研究熱點的實質與未來趨勢。對參考文獻的引用文獻進行分析，梳理研究脈絡與發展過程。

三、研究結果分析

（一）教育大數據國內外相關政策

世界各國都非常重視大數據技術在教育領域的應用和發展，出臺了一系列教育大數據相關的政策與發展規劃。美國于2012年發布《大數據研究和發展計劃》，提出要增強聯邦政府數據處理能力、分析能力與對經濟社會的預測能力。[15]同年，美國國家教育部發布《通過教育數據挖掘與學習分析促進教與學》，介紹美國教育大數據應用領域、案例與挑戰，并明確教育大數據的主要應用方向——教育數據挖掘和學習分析。[16]美國總統行政辦公室于2014年發布《大數據：抓住機遇、保存價值》報告，介紹美國大數據的發展情況，對個性化學習與學習軌跡研究進行預測，并針對隱私倫理、數據開放等問題提出一系列發展計劃。2016年發布《聯邦大數據研發戰略計劃》，進一步提出大數據發展的七項戰略內容。[17]2013年，歐盟主要國家簽署了《八國集團數據開放憲章》（G8 Open Data Charter），將教育作為數字經濟發展的重要領域。2020年，歐盟頒布的《歐洲數據戰略》（A European Strategy for data）明確要保證學習機會、人員技能等方面數據的質量，通過由歐洲議會、理事會以及歐洲職業培訓發展中心共同制定的《歐洲通行證數字證書框架》實現安全和可互操作的數字證書認證與頒發。[18]2013年，日本總務省頒發《平成24年版信息通信白皮書要點》，提出要發展數據分析技術，培養大數據專業人才。[19]2020年，韓國宣布數字化經濟支持政策，建設大數據平臺、5G等基礎設施，促進遠程教育的發展。[20]

中國也非常重視教育大數據的發展。從2012年至今，一系列相關政策鼓勵發展大數據產業。國務院2015年發布的《促進大數據發展行動綱要》要求，“推動教育基礎數據的伴隨式收集和全國互通共享”“探索發展大數據對變革教育方式、促進教育公平、提升教育質量的支撐作用”。工信部2016年出臺的《大數據產業發展規劃（2016—2020年）》提出，“促進大數據在政務、交通、教育、健康等民生領域的應用”。教育部2018年發布的《教育信息化2.0行動計劃》明確提出，“深化教育大數據應用，全面提升教育管理信息化支撐教育業務管理、政務服務、教學管理等工作的能力”。中共中央、國務院2020年發布的《深化新時代教育評價改革總體方案》提出，利用人工智能、大數據等現代信息技術，探索開展學生各年級學習情況全過程縱向評價、德智體美勞全要素橫向評價。

（二）教育大數據的發展階段分析

2010—2013年是教育大數據發展的萌芽階段。如圖1所示，從WOS論文引文關系可以看出，2011年與2012年各有一篇論文對教育大數據研究有重要影響，編號為74的論文是本杰明·納金加斯特（Benjamin Nagengast）等[21]對英國學生成績與學業自我概念間關系所呈現的大魚小池塘效應進行的研究，提出需要進行大量數據采集和對比工作。編號為122的論文使用問卷的方法對358名學生人格特質、計算機自我效能等數據進行采集與分析，研究博客的教育用途。[22]這一階段的一些研究開始對大規模的數據進行采集與分析。其中，信息化的軟件工具是數據采集與分析的重要手段，研究的問題聚焦在某類特定數據和特定問題，嘗試通過數據間的聯系尋找問題解決方案。

在2014年，有重要影響力的論文有四篇。從這一年開始，該領域的重要研究不斷涌現。可以說，這一年是該領域迅速發展的開端。在這一時期，教育的各個領域被大數據的價值所吸引，許多學者在不同領域提出一系列大數據的應用模式，如邁克爾·克羅斯利（Michael Crossley）[23]討論了教育政策、比較教育研究與評估方式的國際遷移（論文220），韋特西絲·克里斯托斯（Vaitsis Christos）等[24]將大數據分析與操作技術、信息、知識表示和人類認知能力結合，以改善醫學教育（論文205），雷切爾·埃拉韋（Rachel Ellaway）等[25]對數據分析和大數據技術在醫學教育的用途、問題和挑戰做了詳實的描述（論文238）。這一時期的教育大數據研究主要停留在理論探索階段，對大數據在教育領域的應用場景、問題、挑戰等問題進行了充分討論。值得注意的是，這一時期大數據在醫學教育領域的研究較為突出。

2015—2018年有24篇重要文獻發表。這四年是該領域高速發展階段。這一時期最為顯著的是編號為343、452與298的論文。論文343梳理知識發現與數據挖掘技術的關系，匯總大數據分析的各類挑戰。[26]論文452研究大數據在教育治理中的重要作用。[27]論文298承認了數據在教育中的重要性，同時也表達了對數據隱私、數據偏見、數據監控等問題的擔憂。[28]這四年的研究主要涉及學習分析、知識發現、數據挖掘、數據治理、數據隱私、教學績效、MOOC等領域。值得注意的是，相比數據挖掘，更多學者選擇將注意力放在學習分析領域。總全局引用分數（total global citation score， TGCS，即該字段在目前文獻列表中發表文章被WOS數據庫中文獻引用的總頻次）也反映了這一特征。一般認為TGCS值越高，研究者對該領域的關注度越高。與學習分析相關的關鍵詞analytics（分析學）和analysis（分析）的TGCS值分別為1229和454，顯著高于數據挖掘關鍵詞mining（挖掘）的TGCS值201。也有學者指出，學習分析在技術方面日趨成熟，但是對教學的促進作用只在改善教與學方面有明顯證據作為支撐，在提升學生認知、技能發展等方面還有待進一步提升。[29]數據隱私、數據倫理問題依然被廣泛討論。[30]大家普遍承認，在數據驅動下，教學、評價與認證等過程發生了改變，教育數據將在教育政策方面發揮重要作用。

本研究將局部引用分數（LCS）設置為100，發現2019年的兩篇重要參考文獻——編號為1156的論文[31]與編號為1103的論文[32]，都是對學習分析的進一步研究。研究的重點也從理論框架逐步向案例分析轉變，說明學習分析正在教育領域逐步落地。如圖2所示，重要參考文獻集中在2015—2018年這一區間，2019年重要參考文獻明顯減少。對比發文量，2019年相比上年發文量有所減少，2020年相比上年發文量有明顯減少。如表1所示。

有學者曾對國內外教育大數據的發展階段進行梳理。蔣鑫等[33]基于WOS數據庫量化分析的方法，對國際上教育大數據的發展階段進行梳理，將國際教育大數據的發展歸納為在數據挖掘技術中孕育（2002—2008年）、可行性探究（2009—2010年）、一套成熟技術模型實現教育決策（2011—2012年）和基于數據的個性化服務（2013—2019年）四個階段。瑪麗亞·伊賈茲·拜格（Maria Ijaz Baig）等[34]使用統計的方法，將梳理的文獻進行匯總，認為2014年國際上教育大數據的研究開始流行，2017—2019年是教育大數據快速發展的階段，并且這一趨勢將會延續下去。裴瑩等對教育大數據進行可視化研究，認為在2013年，我國開始將大數據技術應用于教育領域，2014年是教育大數據研究逐漸深化的一年，這一年國外《與大數據同行——學習和教育的未來》《2014地平線報告（高等教育版）》等著作對教育產生深遠的影響。2015—2016年是教育大數據逐步深化與擴展階段，教育大數據研究從教育大數據內涵、個性化教育、教育改革等領域向數據素養、教育決策、教學效果等領域擴展。劉鳳娟等對中國知網的論文進行梳理，將2009—2012年劃分為大數據在教育領域應用研究的萌芽階段，2013—2014年為起步階段。有學者從技術發展角度進行劃分，認為2012年以后，以分布式數據倉庫、海量數據存儲技術和流計算的實時數據倉庫技術為代表的最新數據存儲技術的出現，宣布了大數據時代的真正到來。[35]

可以看出，多數國內學者認可2013年前后是我國教育大數據發展的關鍵時間節點。也有國內學者指出，我國教育大數據研究相比國際的同類研究，在發展時間和研究范式方面都存在一定滯后性。

（三）教育大數據標準分析

制定教育大數據標準是解決諸多當前問題的重要途徑，相關技術標準和規范的研究是國際教育大數據研究的重要領域。在時間維度上，大數據的相關標準和規范主要在2014年以后提出。

國際標準化組織和國際電工委員會第一聯合技術委員會（ISO/IEC JTC1，以下簡稱JTC1）的多個下屬委員會（Sub-Committee，簡稱SC）參與大數據的研究工作，還設立了ISO/IEC JTC1/WG9大數據工作組（以下簡稱WG9），由JTC1直接領導，專門致力于大數據基礎性國際標準研究。在JTC1主導下，SC42制定了大數據框架和應用過程（SO/IEC TR 20547-1）、大數據用例和派生需求（SO/IEC TR 20547-2）、大數據參考體系框架（ISO/IEC 20547-3）和大數據標準路線圖（ISO/IEC TR 20547-5）等標準;SC27制定了設計大數據安全與隱私的標準（ISO/IEC 20547-4）。WG9側重研制對統一大數據認知、規范大數據平臺具有重要價值的基礎性標準，但WG9的標準和報告多是理論性的方法表述與參考框架，優秀實踐、參考案例等更具可操作性的標準和技術報告是未來應該發展的方向。[36]國際電信聯盟在大數據領域也發布了大數據的技術報告。2015年，ITU-T發布《大數據——基于云計算的需求與能力標準》（編號：ITU-T Y.3600）對大數據的定義、特征、生態系統、功能需求等基本問題做出解釋，并設計了大數據情境模式。

IEEE大數據治理和元數據管理（IEEE BDGMM）活動由IEEE大數據倡議組織和IEEE標準協會在2017年6月聯合啟動，主要開展大數據標準化工作。研究重點是面向大數據消費者和大數據生產者，進行大數據治理與大數據交換工作，希望通過可器讀與可操作的基礎設施，整合不同領域異構數據集，讓數據可發現、可訪問、可利用。[37]

IMS全球學習聯盟（IMS Global Learning Consortium，簡稱IMS-GLC）于2015年編制和發布了學習分析數據互操作規范——卡尺分析（Caliper Analytics，簡稱IMS-CA）。該規范旨在降低從數字化教學工具中收集分析數據的成本，保證數據的一致性。IMS還開發了許多廣受認可的教學系統技術標準，如學習資源元數據（LRM）、學習工具互操作性標準（LTI）、問題測試互操作性（LIS）等。[38]

我國參與教育大數據標準制定的組織有全國信標委大數據標準工作組（簡稱工作組）、全國信息技術標準化技術委員會教育技術分技術委員會（CELTSC）等。工作組在2014年正式通過涉及交易服務平臺、交易數據、數據質量評價指標等內容的4項國家標準。在2016、2017年，通過了包括大數據術語、系統通用規范、大數據存儲和處理平臺要求等內容的19項國家標準。截止到2018年11月，CELTSC共發布4項由我國主導的國際標準，包括電子課本（ISO/IEC TR 18120）[39]、虛擬實驗（ISO/IEC TR 18121）[40]等。

（四）研究熱點分析

1.學習分析

學習分析（Learning Analytics）是指測量、收集、分析和提交關于學生和環境的數據，以理解和優化學習和學習發生的環境。[41]一般來說，關注學習分析的主體包括政府、學校、教學者、學習者和教育相關者。政府是教育政策的制定者與推動者，政府相關人員可以獲取不同機構的數據以支撐政策的規劃與制定、教學評估等工作。學校需要對教學進行有效協調與管理，監控學生的畫像數據是智慧學校扁平化管理教學過程、監控教學結果的有效方法，學校可以分析師生的交互數據，以輔助制定新政策。教師作為教學的實際參與者與學習的引導者，及時掌控學習分析結果，對教師及時調整教學策略、進行有效的教學干預具有積極作用。學生是學習的主體，學習分析可以及時反饋學生的數據分析結果，尋求當前認知與學習目標的差距。有研究認為：教育大數據便捷的收集方式和嵌入型的應用讓大數據分析成為可能，教育大數據正從概念和模型驗證階段逐步走向應用落地階段。[42]學習分析在教育領域的實踐正是大數據向應用落地的途徑之一。評價、精準教學和個性化學習是教育大數據的關鍵研究領域，模型驅動的數據分析方法正在迅速發展，以指導算法的開發、解釋和驗證。

2.教育數據治理

自“推進國家治理體系和治理能力現代化”提出以來，治理和教育治理遂成為公共政策話語，并引發研究升溫。[43]數據治理是對數據資產管理行使權力和控制的活動集合。教育數據治理正在通過各種數字政策工具來輔助教育政策落地與實施。教育數據治理需要一定的公共政策工具，如先行的國際評估指標、質量標準和比較基準等。[27]在技術層面，教育數據治理所涉及的軟件、代碼、算法等需要契合公共政策工具的實際要求，二者的有效結合才能讓教育數據治理變得現實，被大家普遍接受。教育數據治理還意味著數據的實時收集與自動分析，最后形成的報告是個性化的結果與未來決策的概率預測。在現有研究中，學習分析與教育數據治理系統相結合的案例還比較少，很明顯這一領域還有很高的價值值得挖掘。

3.可視化分析

可視化分析是理解教育大數據、尋找數據間聯系、最大化數據價值的重要方法。一般認為，在數據可視化之前，要經過數據采集、數據預處理、數據清洗、數據存儲、數據處理，最終實現數據的可視化。目前有五種主流的大數據可視化表示方法，包括文本數據可視化、多維數據可視化、網絡數據可視化、時間序列數據可視化以及地理空間數據可視化。[44] 面向不同的服務對象，教育大數據可視化具備不同的價值。對于教育管理者而言，數據可視化可以呈現不同維度的數據結果，為教育決策提供支持。對于教學者而言，數據可視化可以建立學生能力與教學目標間的聯系，完善課程體系。韋特西絲·克里斯托斯（Vaitsis Christos）等[24]探索借助視覺分析的優勢，將大數據分析與操作技術、信息、知識表示和人類認知能力結合，建立學生能力與教學目標之間的聯系，形成三個不同層次的課程體系。對于學習者而言，數據可視化可以降低學習的認知負荷，促進學生元認知發展。對課程、教學目標等數據進行可視化分析，可以輔助學生進行自主學習，激發學生學習的內在驅動力。

四、研究總結與趨勢展望

本文基于中國知網和WOS數據庫，使用Hist Cite軟件和內容分析法對2010—2020年教育大數據的研究現狀、發展脈絡、研究熱點和趨勢進行分析。基于LCS值與GCS值對文獻進行文獻分析與脈絡梳理，形成以下結論。

第一，從各國大數據相關政策來看，2012年，各國開始重視大數據的發展并出臺相應政策。在政策導向上，先對大數據產業進行布局，推動大數據技術發展，再逐步往教育領域延伸。

第二，從文獻發表時間來看，教育大數據的發展大致分為三個階段。2010—2013年是教育大數據發展的萌芽階段;2014年是教育大數據研究的關鍵之年，這一年有多篇重要文獻發表;2014—2018年是高速發展階段，諸多重要研究發表于這一時期;2019年至今是研究細化階段，這一時期的研究從學習分析和數據挖掘逐步向更細化的領域發展。

第三，從標準研究來看，大數據的術語、框架、安全隱私等標準已經建立，之前教育領域的相關標準也被后來制定的標準所參考，不同標準組織之間對大數據研究的側重點不同。我國大數據標準和教育大數據標準逐漸走向國際化，越來越多的國家標準在影響國際標準的制定。

第四，學習分析是教育大數據研究的熱點，也是未來研究的重要方向。數據挖掘、數據治理、可視化分析、數據隱私等依然是當前研究的熱點。有幾個趨勢轉變不得不重視：研究重心正逐步從理論研究向案例支撐的實證研究轉變，越來越多的文獻有實際案例作為支撐;學習分析研究正在細化，更加關注具體問題和特定場景。

參考文獻：

[1]DRINGUS L P. Learning analytics considered harmful[J]. Journal of Asynchronous Learning Networks， 2012，16（3）：87-100.

[2]BARWICK H. The “four Vs” of big data. Implementing information infrastructure symposium[EB/OL]. （2012-10-02）[2021-10-03]. http：//www.computerworld.com.au/article/396198/ iiis_four_vs_ big_data/.

[3]GOES P B. Design science research in top information systems journals[J]. MIS Quarterly：Managemen Information Systems， 2014， 38（1）：3-8.

[4]ITU-T Recommendations. Big data-cloud computing based requirements and capabilities[EB/OL]. https：//www.itu.int/ITU-T/recommendations/rec.aspx？rec=12584&lang=en.

[5]王亞飛，李琳，李艷.大數據精準教學技術框架研究[J].現代教育技術，2018，28（7）：5-10.

[6]姜強，趙蔚，王朋嬌，等.基于大數據的個性化自適應在線學習分析模型及實現[J].中國電化教育，2015（1）：85-92.

[7]李葆萍，周穎.基于大數據的教學評價研究[J].現代教育技術，2016，26（6）：5-12.

[8]祝智庭，沈德梅.基于大數據的教育技術研究新范式[J].電化教育研究，2013，34（10）：5-13.

[9]湯天甜，冉楨.新聞傳播人才培養模式創新與教學改革研究——基于大數據背景[J].西南交通大學學報（社會科學版），2017，18（3）：8-14.

[10]方海光.教育大數據——邁向共建、共享、開放、個性的未來教育[M].北京：機械工業出版社，2017：17.

[11]楊現民，唐斯斯，李冀紅.發展教育大數據：內涵、價值和挑戰[J].現代遠程教育研究，2016（1）：50-61.

[12]杜婧敏，方海光，李維楊，等.教育大數據研究綜述[J].中國教育信息化，2016（19）：1-4.

[13]孫洪濤，鄭勤華.教育大數據的核心技術、應用現狀與發展趨勢[J].遠程教育雜志，2016，34（5）：41-49.

[14]林崇德，姜璐，王德勝.中國成人教育百科全書：社會·歷史[M].海口：南海出版公司，1994：597.

[15]郎楊琴，孔麗華.美國發布“大數據的研究和發展計劃”[J].科研信息化技術與應用，2012，3（2）：89-93.

[16]徐鵬，王以寧，劉艷華，等.大數據視角分析學習變革——美國《通過教育數據挖掘和學習分析促進教與學》報告解讀及啟示[J].遠程教育雜志，2013，31（6）：11-17.

[17]田倩飛.美國發布聯邦大數據研發戰略計劃[J].科研信息化技術與應用，2016，7（4）：95-96.

[18]CIE智庫.《歐洲數據戰略》全譯[EB/OL].（2020-03- 17）[2021-10-03]. http：//www.cbdio.com/BigData/2020-03/17/ content_6155128.htm.

[19]日本總務省.2012年信息與通信白皮書要點[EB/OL].（2012-07-17）[2021-10-03]. https：//www.soumu.go.jp/johotsusintokei/whitepaper/ja/h24/index.html.

[20]人民網.韓國宣布數字化經濟支持政策[EB/OL].（2020-06-18）[2021-10-03]. http：//finance.people.com.cn/n1/ 2020/0618/c1004- 31750934.html.

[21]BENJAMIN NAGENGAST， HERBERT W MARSH. The negative effect of school-average ability on science self-concept in the UK， the UK countries and the world： the big-fish-little-pond-effect for PISA 2006[J]. Educational Psychology， 2011， 31（5）：629-656.

[22]WANG Y S， LIN H H， LIAO Y W. Investigating the individual difference antecedents of perceived enjoyment in students’ use of blogging[J]. British Journal of Educational Technology， 2012， 43： 139-152.

[23]CROSSLEY M. Global league tables， big data and the international transfer of educational research modalities[J]. Comparative Education， 2014， 50（1）：15-26.

[24]VAITSIS C， NILSSON G， ZARY N. Big data in medical informatics： improving education through visual analytics[A]. e-Health for Continuity of Care[C]. IOS Press， 2014：1163-1167.

[25]ELLAWAY R H， PUSIC M V， GALBRAITH R M， et al. Developing the role of big data and analytics in health professional education[J]. Medical Teacher， 2014， 36（3）：216-222.

[26]DANIEL BEN. Big data and analytics in higher education： opportunities and challenges[J]. British Journal of Educational Technology， 2015：904-920.

[27]WILLIAMSON BEN. Digital education governance： data visualization， predictive analytics， and “real-time” policy instruments[J]. Journal of Education Policy， 2015， 31（2）：1-19.

[28]NEIL SELWYN. Data entry： towards the critical study of digital data and education[J]. Learning， Media and Technology， 2015， 40（1）：64-82.

[29]OLGA V， MATHIAS H， OLOF B， et al. The current landscape of learning analytics in higher education[J]. Computers in Human Behavior， 2018， 89（DEC.）：98-110.

[30]RUBEL A， JONES K M L. Student privacy in learning analytics： an information ethics perspective[J]. Information Society， 2016， 32（2）：143-159.

[31]PRINSLOO P. A social cartography of analytics in education as performative politics[J]. British Journal of Educational Technology， 2019， 50（6）：2810-2823.

[32]CANTABELLA M， et al. Analysis of student behavior in learning management systems through a big data framework[J]. Future Generation Computer Systems， 2019， 90：262-272.

[33]蔣鑫，洪明.國際教育大數據研究的熱點、前沿和趨勢——基于WOS數據庫的量化分析[J].中國遠程教育，2019（2）：26-38.

[34]BAIG M I， SHUIB L， YADEGARIDEHKORDI E. Big data in education： a state of the art， limitations， and future research directions[J]. International Journal of Educational Technology in Higher Education， 2020，17：44.

[35]吳南中.教育大數據應用于MOOC的資源開發范式研究[J].中國遠程教育，2015（8）：23-29，79.

[36]光亮，張群.ISO/IEC JTC1/WG9大數據國際標準研究及對中國大數據標準化的影響[J].大數據，2017，3（4）：20-28.

[37]IEEE.IEEE大數據治理和元數據管理（BDGMM）[EB/OL].IEEE，2017. https：//standards.ieee.org/industry-connections/BDGMM-index.html.

[38]肖君.教育大數據（大數據技術與應用）[M].上海：上海科學技術出版社，2020：62-64.

[39]ISO. ISO/IEC TR 18120：2016 學習，教育和培訓—教育中對電子教科書的要求[DB/OL].（2015-12）[2021-10-03].https：//www.iso.org/standard/61510.html.

[40]ISO. ISO/IEC TR 18121：2015 教育和培訓—虛擬實驗框架[DB/OL].（2015-12）[2021-10-03]https：//www.iso.org/ standard/61511.html.

[41]SIEMENS G， LONG P. Penetrating the fog： analytics in learning and education[J]. Educause Review， 2011， 22（3）：132-137.

[42]LUAN H， GECZY P， LAI H， et al. Challenges and future directions of big data and artificial intelligence in education[J]. Frontiers in Psychology， 2020，11：580820.

[43]褚宏啟.教育治理：以共治求善治[J].教育研究，2014，35（10）：4-11.

[44]鄭婭峰，趙亞寧，白雪，等.教育大數據可視化研究綜述[J].計算機科學與探索，2021，15（3）：403-422.

作者簡介：

鄭志宏，首都師范大學教育學院;

杜斌，北京市東城區智慧教育研究中心主任;

張碩，北京市東城區智慧教育研究中心數據管理部主任;

方海光，首都師范大學教育學院教授、通訊作者，郵箱：fanghg2013@163.com。

Research Hotspots and Development Trends of Educational Big Data：

Based on the Andysis Data Base CNKI and WOS’s from 2010 to 2020

Zhihong ZHENG1， Bin DU2， Shuo ZHANG2， Haiguang FANG1*

（1.College of Education， Capital Normal University， Beijing 100048;

2.Beijing Dongcheng Intelligent Education Research Center， Beijing 100010）

Abstract： The role of educational big data in education informatization is becoming more prominent， and digging the potential value of educational data has become an important topic in current educational technology research. This research takes journal articles from databases of CNKI and Web of Science， using Hist Cite software analysis and content analysis as the main research methods to compare the research hotspots and development trends of education big data at home and abroad. The analysis found that big data technologies such as “data mining” and “learning analysis” are still hotspots in the technical research of education. Research fields such as “ideological and political education”， “artificial intelligence”， and “smart education”， are currently focused on by domestic education. The China’s standards for big data has gradually become recognized internationally， with its influence noticeable on the international arena.

Keywords： Big data in education; Research focus; Development trend; CNKI; Web of science

編輯：王天鵬 ? 校對：王曉明