數字化轉型背景下在線教育智能決策機制的探索

摘要：當前，以新興技術為主要手段，以信息數據為核心要素，將數字技術、數字思維應用于教育管理全過程以支撐教育決策科學化是數字化賦能教育管理轉型升級的重要內容。本文首先分析了數字化轉型對科學決策的要求，然后以數據驅動決策的思路，對教育決策的流程進行智能化功能重塑和流程再造，探索了在線教育決策問題的智能解決機制。

關鍵詞：數字化轉型；在線教育；教育決策

中圖分類號：G434" 文獻標識碼：A" 論文編號：1674-2117（2024）06-0077-03

數據驅動教育決策的研究現狀

①大部分研究者認為大數據可以為教育決策的科學性提供支撐，他們從多個角度對大數據影響下的教育決策進行了研究。有專家認為可以借助計算機模擬的方式為科學的決策提供依據。早在2006年，Mandinach等就提出了數據驅動教學決策的理論框架，針對不同決策者（包括教師、學校管理者、校長以及教育局官員等）的不同數據需求，提出從數據到知識的轉化經過收集、組織、分析、概括、綜合、優化六個階段，并提出技術工具可以對前四個階段進行支撐。國內有學者深入分析了數據驅動教學決策相關理論模型，并據此提出了教師數據應用行動框架和教師專業能力的發展和提升方向。

②有些研究者從構建決策支持系統的角度進行研究，如有學者結合決策模型及決策支持系統的演變歷程，提出在大數據的環境下，決策支持服務系統大致的發展階段。一些研究者從教育大數據的視角，探索教育決策系統的建設架構和思路。

③在具體實踐上，有些學者通過分析某些區域或者系統的大數據，得出對具體決策的支持。

④在問題、對策與發展方面，有學者對大數據影響下的未來教育決策的模式進行了探討，從教育決策主體、結構、工具、環境等多個方面進行研究。

近些年對大數據應用于教育決策的研究雖然取得了一些成果，但是在教育數字化轉型的過程中，科學決策需要創新型的變革，當前并未形成成熟的方法。在數字化轉型之前，數據驅動的決策、個性化學習路徑、學習過程可視化等概念已經存在，在數字化轉型背景下，可以采用先進的數據分析技術和人工智能算法，對學生學習數據進行精細化分析，以支持更加精確的教學決策。

在線教育智能決策在數字化轉型背景下需要進行變革

①數據采集和處理的自動化。在線教育平臺采集的數據量巨大，這些數據需要進行清洗、整合、處理，以便用于后續的決策。數字化轉型要求數據處理工具更加智能化，以實現自動化的數據采集和處理，減少人工干預和時間成本。

②多維度數據分析。在線教育平臺可以采集到學生的行為數據、學習數據、社交數據等多種數據，數字化轉型要求這些數據可以進行多維度的分析和挖掘，從而提高決策的精準度和針對性。

③個性化決策的實現。在數字化轉型背景下，通過對學生數據的分析，可以實現對每個學生個性化的決策，如個性化課程推薦、個性化學習計劃制訂等，從而提高學生的學習效果和滿意度。

④智能化的決策模型。數字化轉型使得在線教育平臺可以應用各種智能算法和模型，如機器學習、深度學習等，實現對學生行為和學習數據的預測和優化，從而為決策提供更加科學和智能化的支持。

數字化轉型背景下在線教育智能決策機制探索

1.在線教育中的典型決策問題及解決思路

建立決策機制的首要任務是決策問題的梳理，這是提出問題、確立目標的過程，然后以問題解決取向來驅動教育數字化轉型的實踐。

在線教育領域中的問題歸納起來可分為“過去發生了什么”“為什么會發生”“未來會發生什么”“應該采取什么行動”等幾個關鍵問題。從使用數字化分析方法解決關鍵問題的角度，可以將這些問題分為描述性、診斷性、預測性和規范性四種類型。

描述性分析回答了“過去發生了什么”的問題，通過總結過去的數據，報告業務情況和總體趨勢；診斷分析回答了“為什么會這樣”的問題，通過檢查數據和業務找到問題的根本原因；預測分析回答了“未來會發生什么”的問題，以歷史數據作為訓練數據，使用各種回歸分析和機器學習技術來構建預測模型，用以預測未來較高概率會怎么樣；規范性分析回答了“應該采取什么行動”的問題，側重于推薦可操作性的方法，規范性分析從多個描述性和預測性來源收集數據，并將其應用于決策過程，是業務分析決策的最后一步。

在四類復雜問題解決過程中，需要用到機器學習建模來支持業務流程中的智能決策。機器學習建模是通過對以往數據的學習使得機器具有解決現實問題的能力，常見的機器學習建模方法包括回歸、分類聚類、關聯規則分析等。對于業務中的大部分典型問題，建模的過程基本上選擇這些建模方法的一種或幾種的組合。

2.在線教育智能決策機制（如下圖）

①了解業務問題，分析決策目標以及整合能夠支持決策的原始數據，是整個數據驅動決策中的第一個具有挑戰性的問題。通過分析決策的目標問題，對所需決策支持數據制訂數據采集方案。數據采集完成之后需要對數據進行探查與預處理，如果經過探查和預處理發現采集的數據不足以支持解決決策的目標問題，需要再修正采集方案，重新采集和預處理（這一步是解決整個過程的原材料的問題）。

②根據數據與決策目標的關系，選擇適當的分析方法，以便對業務決策問題做出明智的判斷，這是實現智能決策最重要的挑戰（數據智能分析是解決大數據內部價值提煉的問題）。

在數字化轉型背景下，云計算提供了計算能力和存儲能力；大數據技術提供了獲取、存儲、處理和分析任何容量、速度和類型的數據的能力；人工智能利用數據學習經驗，解決問題，尤其是機器學習算法，能夠對任何形式的數據（如圖像、文本、音頻等）進行數學分析，發現其中的相互關系并進一步推斷出算法。因此，更多的決策問題可以通過數據智能分析來解決。

有些問題通過數據的基本描述或者簡單的統計分析就可以得出結論，有些則需要對數據有更深入的理解以及進行高級的數據分析之后才能得到結論。一般來說，通過模式識別來識別分析圖像、語音、視頻等數據；通過機器學習建模技術探索數據之間的復雜關系；通過學習分析理解與優化學習過程及環境，以評估學業成就、預測未來表現、發現潛在問題。對一個決策問題，可能需要通過一個或者多個數據分析方法來解決。

③根據智能分析得到的結論，進行結果驗證、溝通，選擇合適的可視化方案呈現給決策者（數據可視化是如何展示的問題，是整個體系里與使用者交互的環節）。圖形、圖表更容易傳達抽象的信息，增進人們對數據的理解，因此，將決策結果以適宜的可視化圖表展示出來，可以讓使用者從不同的維度觀察數據，從而對結果有更深刻的認識和理解。

④如果結論能夠輔助決策解決目標問題，那決策過程結束；如果結論不能輔助決策者做出決定，或者結論對決策的支持力度不夠，那就要重新分析決策問題，調整數據收集范圍，再進行數據分析等流程，直至完成決策。

結束語

在線教育天然的數據優勢，使得以數據驅動的決策機制更便捷和高效，推動在線教育的數字化轉型進程。但在具體的在線教育業務發展中，需要決策的問題千差萬別，并不是所有的問題都能用數據分析來解決，也不是所有問題都能找到足以支撐問題解決的數據資源，本文收集的在線教育的典型問題以及解決辦法僅是為了說明決策機制的構建過程，有一定的局限性。筆者下一步將收集更多的問題，探索解決這些問題所需的更詳盡細致的智能方法，以進一步檢驗和完善決策機制。

參考文獻：

[1]祝智庭，胡姣.教育數字化轉型的實踐邏輯與發展機遇[J].電化教育研究，2022，43（01）：5-15.

[2]顧小清，薛耀鋒，孫妍妍.大數據時代的教育決策研究：數據的力量與模擬的優勢[J].中國電化教育，2016（01）：56-62.

[3]錢冬明，羅安妮，顧云峰.大數據背景下省級教育科學決策服務支持系統設計研究[J].教育發展研究，2018，38（05）：68-74.

[4]楊現民，郭利明，王東麗，等.數據驅動教育治理現代化：實踐框架、現實挑戰與實施路徑[J].現代遠程教育研究，2020，32（02）：73-84.

[5]Botvin， M.， Hershkovitz， A. amp; Forkosh-Baruch， A. Data-driven decision-making in emergency remote teaching. Educ Inf Technol[DB/OL]. https：//doi.org/10.1007/s10639-022-11176-4.

[6]Sarker， I.H. Data Science and Analytics： An Overview from Data-Driven Smart Computing， Decision-Making and Applications Perspective. SN COMPUT. SCI.2， 377 [DB/OL].https：//doi.org/10.1007/s42979-021-00765-8.