數字化轉型背景下的教育數據分類分級研究

摘要：作為《中華人民共和國數據安全法》規定的數據安全保護基本制度之一，數據分類分級保護制度的實施是數據安全治理和有效利用的基礎環節。考慮到教育行業掌握了大量的教育教學業務數據和師生個人信息，故開展教育數據分類分級工作勢在必行。為此，文章遵循“現狀分析-問題挖掘-方法構建-案例驗證”的研究思路，首先梳理了數字化轉型背景下教育數據的發展現狀和國內外教育數據分類分級的研究現狀；接著，文章從制度、管理、技術三個層面深入剖析了教育數據分類分級面臨的困境；然后，文章從教育數據分類分級規則和工作流程兩個方面，構建了一套教育數據分類分級方法；最后，文章選取3個教育行政部門和6所高校作為試點單位，驗證了教育數據分類分級方法的可行性和有效性。教育數據分類分級方法的提出，旨在解決教育行業數據分類分級中缺乏統一標準的問題，可為教育系統各單位開展數據分類分級提供理論指導。

關鍵詞：數字化轉型；教育數據；分類分級；試點驗證

【中圖分類號】G40-057 【文獻標識碼】A 【論文編號】1009—8097（2025）01—0089—09 【DOI】10.3969/j.issn.1009-8097.2025.01.010

隨著信息技術的快速發展，數據作為國家基礎性戰略資源和新的社會生產要素，其安全性、可控性對于國家長治久安與綜合國力競爭極為重要，數據安全已經成為國家安全的重要組成部分。2021年4月，教育部等七部門聯合印發《關于加強教育系統數據安全工作的通知》，明確提出“建立教育系統數據安全責任體系和數據分類分級制度，形成教育系統數據資源目錄”的工作目標^[1]。同年9月，《中華人民共和國數據安全法》（下文簡稱《數據安全法》）正式施行，將數據分類分級保護制度確定為數據安全保護基本制度之一，并明確要求“各地區、各部門應當按照數據分類分級保護制度，確定本地區、本部門以及相關行業、領域的重要數據具體目錄，對列入目錄的數據進行重點保護”^[2]。作為《數據安全法》提出的八個重要數據領域之一，教育數據包含大量敏感的個人信息，如身份證號、家庭住址、手機號碼、成績、健康狀況等，一旦泄露或被濫用，不僅會對師生和家長的個人隱私造成極大侵犯，還可能會影響教育公平和教育機構的公信力^[3]，因此開展教育數據分類分級工作，對于提升教育管理、教育教學、教育科研等具有重要意義^[4]。在此背景下，教育行業亟待加強數據分類分級，將其納入數據安全管理體系的核心環節，這既是數據合規、安全使用和精細化管控的基礎，也是數據安全的堅實保障^[5]。基于此，本研究以數字化轉型背景下的教育數據分類分級為切入點，結合教育行政部門和學校的調研數據，深入分析我國教育數據分類分級的現狀和存在的問題，并提出一套教育數據分類分級方法，以期為教育數據分類分級工作提供參考。

一 現實困境：教育數據分類分級的發展桎梏

1 數字化轉型背景下教育數據的發展現狀

①數據量急劇增長。隨著教育數字化轉型的推進，教育數據體量增幅巨大，主要來自于三個方面：一是數字教育資源的積累，如以國家智慧教育公共服務平臺為代表的服務平臺，匯聚了大量在線課程、音視頻資源、電子圖書等數字資源；二是教育教學過程的在線化，如各種在線學習平臺、教育應用軟件、智能設備，收集了大量的學生學習行為數據、教師授課記錄等信息；三是教育管理過程的服務化，如教育管理信息系統和政務校務服務平臺，收集了大量的學生注冊、教師評價、科研數據等信息。教育數據體量劇增，不僅加大了數據存儲和管理的難度，也降低了數據的質量和價值密度^[6]，使數據分類分級更加復雜、繁瑣。

②數據類型呈現多樣化。數字化轉型背景下的教育數據類型繁多，既有結構化的數據（如學生信息、考試成績、財務數據等），也有非結構化的數據（如教學資料、學生作業、視頻課程等）。每一類數據都有其獨特的處理和分析方法，需要在合理、準確地識別分類后，進一步開展教育數據分類分級保護。

③個人信息數據規模巨大。教育數據包含數以億計的師生信息，對于個人隱私保護的要求非常高。《2023年全國教育事業發展統計公報》的相關數據顯示，2023年我國各級各類學歷教育在校生2.91億人、專任教師1891.78萬人^[7]，教育管理信息系統和政務校務服務平臺收集了姓名、身份證號等大量敏感的個人信息。隨著大數據、云計算、人工智能等技術的廣泛應用，這些數據的收集、存儲、處理和傳輸面臨前所未有的挑戰，數據一旦泄露，不僅會侵害學生的個人權益，還會影響教育機構的聲譽和社會地位^[8]。

2 國內外教育數據分類分級的研究現狀

作為較早開展教育數據分類分級研究與探索的國家之一，美國于2005年正式啟動了“州縱向追蹤數據系統”（Statewide Longitudinal Data System，SLDS）項目，旨在建立一套全面、連貫的學生數據系統，以改善教育政策的制定、實施和評估，其強調利用數據驅動決策，引發了對教育數據進行分類分級研究的迫切需求。英國也在教育個人信息保護方面有較為領先的法律規定，如2018年修訂了《數據保護法》（Data Protection Act），以適應歐盟的《通用數據保護條例》（General Data Protection Regulation），要求教育機構在處理敏感的個人信息時，不僅要對數據進行分類，還要進行更細致的分級。

近年來，國內學者對教育數據分類分級給予了持續關注，相關主題的研究呈爆發式增長^[9]，且已經取得了一定的進展，主要集中在以下方面：①探索如何制定科學合理的分類分級標準，以適應不同教育行政部門、高校和學科領域的需求^[10]。②研究如何利用大數據、人工智能等先進技術提高數據分類分級的效率和準確性，如有研究者指出，利用機器學習算法可以自動識別數據特征，輔助完成數據分類^[11]；利用數據脫敏技術可以保護敏感數據，降低數據泄露風險^[12]；在人工智能技術的輔助下處理數量龐大的復雜數據，可使分類誤差得到有效控制^[13]。③除了理論研究，相關研究者還在積極探索教育數據分類分級的實踐應用，如通過構建數據分類分級模型、開發數據管理平臺等，將研究成果應用于實際的高校數據管理場景中^[14]。

3 數字化轉型背景下教育數據分類分級面臨的困境

①制度困境：缺乏統一標準。目前，國家已發布《數據安全技術"數據分類分級規則》（下文簡稱《數據分類分級規則》）、《信息技術 大數據 數據分類指南》等國家標準，能在一定程度上指導某些教育數據的分類分級保護，但所涉范圍有限。與此同時，一些教育行政部門、高校也探索制定了本地區或本單位的數據分類分級規則，但這些規則并不具有普適性，教育行業仍然缺乏專門、統一的數據分類分級標準。

②管理困境：管理體系不健全。當前，我國教育信息化普遍存在“重建設、輕安全”的現象^[15]。部分高校雖然成立了網絡安全和信息化工作領導小組，但在實際運作過程中尚未建立完善的數據安全保護體系，也未對教育數據分類分級工作給予足夠的重視，導致數據安全管理責任不明確、數據分類分級工作流程不清晰，即使強行開展分類分級工作也容易流于形式，無法有效落地。

③技術困境：技術支撐不足。隨著教育數據的不斷增長和復雜化，傳統的數據管理工具與技術已經難以滿足分類分級的需求。當前，大多數教育行政部門和高校缺乏自動化或半自動化的數據分類分級工具，同時缺乏與之配套的數據標記、存儲、訪問控制等技術手段，難以高效地對海量、異構的教育數據進行精準分類和合理分級，導致教育數據的分類分級工作往往依賴于人工判斷與手動操作，這不僅增加了操作難度和工作量，而且失誤率高，難以實現規模化、高效化的數據管理。

二 方法構建：教育數據分類分級規則和工作流程

1 教育數據分類規則

教育數據分類是指根據教育數據的屬性或特征，將其按一定的規則進行區分和歸類，并建立起一定的分類體系與排列順序的過程。參考《數據分類分級規則》，各行業、各領域主管（監管）部門根據本行業、本領域的業務屬性，對各自行業、領域的數據進行細化分類，常見的業務屬性包括業務領域、責任部門、描述對象、流程環節、數據主體、內容主題、數據用途、數據處理、數據來源等^[16]。例如，《證券期貨業數據分類分級指引》行業標準的分類思路是從業務條線出發，先進行業務細分，之后進行數據細分，形成由總到分的樹形邏輯體系結構^[17]；而關于交通運輸行業數據分類的研究，也是按照自上而下、面線分類相結合的方式，在業務范圍內從管理對象、業務行為主題、數據信息類別三個不同維度進行分類^[18]。

教育行業中的核心業務場景是教學與科研，與之相匹配的兩個分類維度為數據主體和業務領域。據此，本研究從數據主體、業務領域兩個維度嘗試對教育數據進行分類，同時為提高分類規則的有效性和準確性，將分類維度進一步延伸至二級，細化各類數據的分類歸屬。此外，通過教育系統的實際調研，本研究發現教育行政部門和學校兩類單位數據的側重點存在不同：教育行政部門需要掌握大量的管理類數據，學校則更應關注師生個人信息和教學科研數據。基于此，本研究將教育數據分為教育行政部門數據（下文簡稱“部門數據”）和學校數據，分別提出分類規則。

（1）部門數據分類規則

部門數據分為四類：①教育基礎數據，是指部門數據中高頻、通用、核心的數據集合，包括人員基礎數據和學校（機構）基礎數據兩個子類；②教育業務管理數據，是指教育行政部門在開展教育管理業務過程中收集和產生的數據集合，包括學生管理數據、教職工管理數據、辦學條件管理數據、教育教學管理數據、考試招生管理數據、科研管理數據、教育統計數據七個子類；③教育行政管理數據，是指教育行政部門日常運行過程中收集和產生的數據集合，包括綜合辦公數據、財務資產數據、干部人事數據、后勤與安全管理數據、信息系統運行數據五個子類；④其他數據，是指不屬于以上分類的數據。

（2）學校數據分類規則

學校數據分為六類：①學生數據，是指學校在開展學生管理與服務活動過程中收集和產生的數據集合，包括學生基礎數據和學生管理數據兩個子類；②教職工數據，是指學校在開展教職工管理和服務活動中收集和產生的數據集合，包括教職工基礎數據和教職工管理數據兩個子類；③教學管理數據，是指學校在開展教育教學活動過程中收集和產生的數據集合，包括教務數據、教學資源數據、教學質量與評價數據三個子類；④科研管理數據，是指學校在開展科研管理活動過程中收集和產生的數據集合；⑤校務管理數據，是指學校在日常運行過程中收集和產生的數據集合，包括學校概況數據、綜合辦公數據、財務資產數據、干部人事數據、黨建德育數據、外事管理數據、校友服務數據、后勤與安全管理數據、信息系統運行數據九個子類；⑥其他數據是指不屬于以上分類的數據。

2 教育數據分級規則

教育數據分級是指根據教育數據對于經濟社會發展的重要程度和遭到泄露、篡改、破壞或非法獲取、非法使用、非法共享所產生的危害，將其按一定的規則進行級別劃分的過程。數據分級取決于影響對象和危害程度兩個核心要素，《數據分類分級規則》給出了詳細界定：影響對象通常包括國家安全、經濟運行、社會秩序、公共利益、組織權益、個人權益；而危害程度從高到低可以分為特別嚴重危害、嚴重危害、一般危害。結合數據的重要性、敏感性、規模等因素，本研究采用定量與定性相結合的方式，將教育數據分為核心數據（L5）、重要數據（L4）和一般數據（L3、L2、L1）五個級別（國家層面的數據級別可分為核心數據、重要數據和一般數據）。考慮到教育數據體量大，因此本研究對一般數據做進一步細分，得到教育數據級別確定參考表，如表1所示。

①從定性的角度來看，部門數據中覆蓋全國范圍的教育基礎數據若出現泄露或非法獲取等情況，可能對國家安全造成嚴重危害，直接影響政治安全，符合核心數據L5的定義。部門數據中覆蓋全國范圍的教育業務管理數據、省級范圍的教育基礎數據等，若出現泄露或非法獲取等情況，可能對經濟運行、社會秩序、公共利益造成嚴重危害，符合重要數據L4的定義。部門數據中覆蓋全國范圍的教育行政管理數據、省級范圍的教育業務管理數據、地市區縣級范圍的教育基礎數據，以及學校數據中覆蓋高校范圍的學生數據、教職工數據、教學管理數據、科研管理數據等，若出現泄露或非法獲取等情況，可能對組織權益、個人權益造成特別嚴重危害，可以設定為一般數據L3。部門數據中覆蓋省級范圍的教育行政管理數據、地市區縣級范圍的教育業務管理數據，以及學校數據中覆蓋高校范圍的校務管理數據和其他學校范圍（包括中職、中小學、幼兒園等）的學生數據、教職工數據、教學管理數據、科研管理數據等，若出現泄露或非法獲取等情況，可能對組織權益、個人權益造成嚴重危害，可以設定為一般數據L2。部門數據中覆蓋地市區縣級范圍的教育行政管理數據，學校數據中覆蓋中職、中小學、幼兒園等學校范圍的校務管理數據等，若出現泄露或非法獲取等情況，可能對組織權益、個人權益造成一般危害，可以設定為一般數據L1。

②從定量的角度來看，《數據分類分級規則》并未給出核心數據或重要數據識別時具體定量的要求，但從通過其他數據安全和個人信息保護相關的規章制度可以估算出一個大概的數據量——100萬。例如，2021年，國家互聯網信息辦公室在發布的《網絡數據安全管理條例（征求意見稿）》中明確要求“數據處理者處理一百萬人以上個人信息的，還應當遵守本條例第四章對重要數據的處理者作出的規定”^[19]；2023年，國家互聯網信息辦公室在發布的《個人信息保護合規審計管理辦法（征求意見稿）》中明確規定“處理超過100萬人個人信息的個人信息處理者，應當每年至少開展一次個人信息保護合規審計”^[20]。據此，本研究考慮將100萬人及以上敏感個人信息作為納入重要數據L4的定量標準。依此量化指標逐級遞增或遞減，本研究進一步確定了核心數據L5和一般數據L3、L2的定量標準。

3 教育數據分類分級工作流程

綜合上述定性和定量兩個角度，本研究確定了教育數據分級規則，如表2所示。教育行政部門和學校可依據此規則實施本地區、本單位的數據分類分級工作，主要步驟如下：①梳理數據目錄，這是數據分類分級工作的基礎。教育行政部門和學校需對本單位主管的數據進行系統梳理，形成數據資源目錄。②實施數據分類，這是數據分級的前置步驟。教育行政部門和學校需按照教育數據分類規則，對本單位數據資源目錄內的數據逐一進行識別、歸類。③實施數據分級，這是在數據分類的基礎上進行定性、定量分級判斷。教育行政部門和學校需按照教育數據分級規則，完成分級。④形成數據分類分級目錄，這是完成分類分級工作后的成果整理，是對數據目錄的進一步細化、完善。數據分類分級目錄并非一成不變，當應用場景發生變化或數據處理（如脫敏、去標識、聚合分析等）過程發生變化時^[21]，教育行政部門和學校需即時調整數據分類分級目錄，保持動態更新。⑤開展數據分類分級保護，這是整個工作流程的最終目的。教育行政部門和學校需根據相應級別的數據安全保護要求，持續開展數據安全保護。

三 案例驗證：教育數據分類分級方法的試點驗證

本研究按照“同步研究、同步驗證”的原則，從教育行政部門和學校選取試點單位，來驗證前文構建的教育數據分類分級方法的可行性和有效性。考慮到試點驗證單位地域分布、信息化現狀和數據安全工作基礎的相關情況，本研究選取3個省級教育行政部門、6所高校作為試點驗證單位并與其充分溝通以獲得支持，由試點驗證單位組織相關人員按照上述分類分級規則和工作流程對本單位的教育數據進行分類分級，然后進行二次驗證，得到最終的數據分類分級結果。

1 教育行政部門試點驗證

①數據分類結果。按照上述教育數據分類規則，3個省級教育行政部門對本單位的教育數據進行分類驗證，共包含230個數據集。數據集按照本研究提出的分類規則全部完成分類后，共包含3個一級分類和10個二級分類，數據分類覆蓋率達100%，且并無數據需要被識別到“其他數據”中，具體的分類情況統計結果如表3所示。由此證明，本研究針對教育行政部門提出的教育數據分類方法較為全面、合理，具有較高的可行性，能夠滿足教育行政部門的工作特點和需求。

②數據分級結果。按照上述教育數據分級規則，3個省級教育行政部門對本單位的教育數據進行分級驗證，共包含230個數據集。數據集按照本研究提出的分級規則全部完成分級后，3個省級教育行政部門的數據分級集中在L2、L3、L4級；其中，省份2、省份3的學生數量超過1000萬量級，故將相關數據集定為L5級，具體的分級情況統計結果如表4所示。由此證明，本研究針對教育行政部門提出的教育數據分級方法均滿足定性、定量兩方面的標準，適應教育行業的實際情況，具有較高的可行性和實踐價值。

2 學校試點驗證

①數據分類結果。按照上述教育數據分類規則，6所高校對本校的教育數據進行分類驗證，共包含1386條數據。數據集按照本研究提出的分類規則全部完成分類后，共包含5個一級分類和15個二級分類，覆蓋率達100%，且并無數據需要被識別到“其他數據”中，具體的分類情況統計結果如表5所示。由此證明，本研究針對學校提出的教育數據分類方法具有實用性和可操作性，學校可以根據分類了解自身的數據資源分布狀況，從而更好地支持教學、科研、管理等工作。

②數據分級結果。按照上述教育數據分級規則，6所高校對本校的教育數據進行分級驗證，共包含1386條數據。數據集按照本研究提出的分級規則全部完成分級后，6所高校的數據分級主要集中在L2、L3級；其中，高校4的某個科研數據集包含100萬人以上的敏感個人信息，故定為L4級，具體的分級情況統計結果如表6所示。由此證明，本研究針對學校提出的教育數據分級方法具有靈活性和可行性，能貼合學校數據現狀，便于學校開展后續的數據保護工作。

總結上述試點驗證單位的數據分類分級結果，可知：①數據分類方面，除了“其他數據”這個二級分類，教育行政部門的14個二級分類、學校的17個二級分類均能涵蓋所有試點的填報數據，且并無數據需要被識別到“其他數據”中。其中，省級教育行政部門數據分類中位列前三的分別為人員基礎數據、學生管理數據、教職工管理數據，符合教育行政部門掌握本地區教職工和學生全量數據的管理職能；高校數據分類中位列前三的分別為科研管理數據、財務資產數據、教務數據，符合高校科研和教學的兩條主線核心業務。②數據分級方面，省級教育行政部門數據集中在L2、L3、L4級，識別認定的核心數據L5級均為規模超1000萬的學生數據；高校數據集中在L2、L3級，部分科研數據因為包含大量敏感個人信息被識別認定為重要數據L4級，無L5級別數據，符合教育系統的實際特點。案例驗證結果表明，本研究提出的教育數據分類分級方法具有較高的可行性和有效性。

四 結語

隨著數字技術全面融入教學、科研、管理、服務等各方面，教育行業積累了大量業務數據和個人信息，面臨的數據安全威脅持續加大，數據分類分級作為數據安全治理的第一步，是當前數據安全治理的痛點和難點。而當前教育系統分類分級工作存在缺乏統一標準的問題，在實際推進過程中面臨很大的困境。為此，本研究參考《數據分類分級規則》，結合教育行業實際情況，提出了一套教育數據分類分級方法，并通過部分教育行政部門和學校的試點應用，驗證了教育數據分類分級方法具有較高的可行性和有效性，可為教育系統各單位開展教育數據分類分級提供理論支持和實踐指導。然而，教育數據分類分級保護是一項繁雜的工作，且并非一成不變，故對教育數據分類分級進行全程跟蹤和動態更新很有必要。此外，教育數據分類分級是實施教育數據安全治理的基礎，但沒有觸及教育數據安全保護能力建設與風險評估。基于此，后續研究將從以下兩個方面持續發力進行深入探索：一是擴大試點驗證范圍，持續優化教育數據分類分級規則和工作流程，并嘗試構建基于人工智能技術的教育數據分類分級方法，以確保數據分類分級方法的準確性、合理性、有效性；二是制定教育數據安全保護要求，提出適應于不同類型、不同級別的教育數據安全保護基線要求與風險評估方法，為教育數據安全保護提供理論規范和實踐指導。

參考文獻

[1]教育部.教育部等七部門關于加強教育系統數據安全工作的通知[OL].

lt;https：//xxzx.hebcm.edu.cn/col/1559021415599/2023/05/16/1684228560091.htmlgt;

[2]全國人民代表大會.中華人民共和國數據安全法[OL].

lt;http：//www.npc.gov.cn/npc/c2/c30834/202106/t20210610_311888.htmlgt;

[3]馮鑫，王海燕，牛凡潔.對教育大數據中隱私泄露的探究[J].中國醫學教育技術，2020，（5）：566-571.

[4]馬建立.基于《數據安全法》的教育數據分類分級研究[J].天津電大學報，2023，（1）：55-60.

[5]趙潔，張凱，田鵬.高校數據安全治理實踐[J].網絡空間安全，2019，（3）：81-84.

[6]吳信東，董丙冰，堵新政，等.數據治理技術[J].軟件學報，2019，（9）：2830-2856.

[7]教育部.2023年全國教育事業發展統計公報[OL].

lt;http：//www.moe.gov.cn/jyb_sjzl/sjzl_fztjgb/202410/t20241024_1159002.htmlgt;

[8]徐有芳.教育數字化轉型中的數據安全挑戰與應對策略[J].河西學院學報，2024，（2）：85-90.

[9]嚴煒煒，謝順欣，潘靜，等.數據分類分級：研究趨勢、政策標準與實踐進展[J].數字圖書館論壇，2022，（9）：2-12.

[10]李松濤，謝宗曉.數據分類/分級及其相關標準解析[J].中國質量與標準導報，2019，（4）：14-16.

[11]祁瑞華.基于機器學習算法的分類知識發現及其在文本分析中的應用[M].北京：清華大學出版社，2015：16-24.

[12]熊能，王玉林.基于數據脫敏技術的電子病歷隱私保護應用與研究[J].中國高新科技，2023，（6）：122-124、130.

[13]陸駿.基于人工智能的網絡復雜數據分類方法研究[J].信息記錄材料，2022，（8）：195-197.

[14]范新民，林暉，陳圣楠，等.基于教育云平臺數據分類分級體系的訪問控制模型架構[J].信息安全研究，2022，（4）：400-407.

[15]洪偉，任劍洪，徐麗娜，等.數據安全法實施背景下的教育數據分類分級研究[J].中國教育信息化，2022，（3）：41-50.

[16]國家標準管理委員會.GB/T 43697-2024數據安全技術"數據分類分級規則[S].北京：中國標準出版社，2024：2-3.

[17]中國證券監督管理委員會.JR/T 0158-2018證券期貨業數據分類分級指引[S].北京：中國金融出版社，2018：4.

[18]白紫秀，王濤，郭明多，等.交通運輸政務數據分類分級方法研究[J].信息安全研究，2023，（8）：808-813.

[19]國家互聯網信息辦公室.國家互聯網信息辦公室關于《網絡數據安全管理條例（征求意見稿）》公開征求意見的通知[OL]. lt;https：//www.cac.gov.cn/2021-11/14/c_1638501991577898.htmgt;

[20]國家互聯網信息辦公室.國家互聯網信息辦公室關于《個人信息保護合規審計管理辦法（征求意見稿）》公開征求意見的通知[OL]. lt;https：//www.cac.gov.cn/2023-08/03/c_1692628348448092.htmgt;

[21]高磊，趙章界，林野麗，等.基于《數據安全法》的數據分類分級方法研究[J].信息安全研究，2021，（10）：933-940.

Research on the Classification and Grading of Educational Data under the Background of Digital Transformation

YANG"Wei-Ping""""ZENG"De-Hua """DUAN"Ting-Ting """ZHAO"Yu

（Cyber Security Department， Center for Information of Education Management， Ministry of Education， Beijing， China 100034）

Abstract："As one of the basic systems for data security protection stipulated in the Data Security Law of the People’s Republic of China， the implementation of the data classification and grading protection system is the fundamental part for data security governance and effective utilization. Considering that the education industry has mastered a large amount of education and teaching business data， as well as personal information of teachers and students， it is imperative to carry out the classification and grading of educational data. Therefore， following the research idea of “status analysis-problem mining-method construction-case verification”， this paper firstly combed the development status of educational data under the background of digital transformation， and the research status of classification and grading of educational data at home and abroad. Secondly， this paper deeply analyzed the difficulties in classifying and grading educational data from three aspects of system， management and technology. Then， a set of methods for classification and grading of educational data were constructed from two aspects of rules and workflow for classification and grading of educational data. Finally， three education"administrative departments and six universities were selected as pilot units to verify the feasibility and effectiveness of the methods for classification and grading of educational data. The proposed methods for classification and grading of education data were aimed to solve the problem of lack of unified standards to classify and grade educational industry data， and provide theoretical guidance for all units of the education system to carry out data classification and grading.

Keywords："digital transformation;"educational data;"classification and grading;"pilot verification

*基金項目：本文為全國教育科學規劃課題“支撐教育高質量發展的國家教育管理信息化體系研究”（項目編號：CCA210253）的階段性研究成果。

作者簡介：楊偉平，工程師，碩士，研究方向為網絡安全、人工智能安全等，郵箱為yangweiping@moe.edu.cn。

收稿日期：2024年8月2日

編輯：小時