从智慧教育视角论教育数据的变迁与潜能*

王 帆

(江苏师范大学 教育研究院，江苏 徐州 221116)

从智慧教育视角论教育数据的变迁与潜能*

王 帆

(江苏师范大学 教育研究院，江苏 徐州 221116)

在一个充满数据、计算、科学的新黄金时代，应从智慧教育的视角重新思考数据支撑的教育世界的演变与发展。本文首先阐述了数据传感器的新体验，这是当下教育数据产生的物质基础；其次剖析了教育数据的新属性——泛在、持久、互连；再次讨论了教育数据传输模型的功能由检测到互动的转变，厘清了教育研究如何以数据为支撑迈向教育科学；最后分析了教育数据对师生和学校在微观与宏观上的影响。在所有教育数据的应用中，必须用审慎的态度使用新数据与新分析方法。

智慧教育；教育数据；潜能

随着信息技术不断升级，我们站在了数据海洋的岸边：人类历史文化的进化将从数据沙漠转向数据海洋的未来。由于计算方式的革命，信息嵌入式的物理固态已经转变成可移动、可转化、可合成的活性液态形式，而且能够被系统自动处理，这将是人类思想史和文化史的革命。大数据概念势如破竹涌入大众视野，很多有识之士认为它将为人类的生活创造前所未有的可量化的维度，会成为新发明和新服务的源泉，但我们看到更多的是蓄势待发，这里要改变的不仅是接受新技术，更重要的是思维的变革。“互联网+”时代教育界命题，隆重推出了智慧教育的概念，而其核心推动力是以数据为原料的学习分析，认为学习分析是智慧教育的科学力量[1]。但是如果没有清醒地认识教育数据本身质的变化与这类数据的特性，我们很难利用这些基本素材推进学习分析，筑建智慧教育。10年前依靠昂贵的数字设备，获取教育数据是相当困难的，能够展示教学过程的数据更为罕见，“智慧”二字仅是意识领域的概念，具有不可捉摸的形态。当下技术设备已经打破了这样的壁垒，我们可以随意获取很多以前不可想象的数据，但是像教育这种社会人文领域的数据潜能对于技术响应力是相对滞后的，需要一定的积累与演化，更重要的是开发利用教育数据的规范与渠道。所以这里仅谈数据在教育领域的变迁，不是梦幻般的畅想与近似漫话式的讨论，而是基于现实如何认识与把握教育数据教学与学习功能的转变。

一、教育体验的转换：数据传感器

从数据沙漠转向数据海洋起点是：现代人生活中活越来越多地利用数字设备，而这些将成为各种技术互连的最基本元素。多功能移动计算设备可以在人们毫无察觉的情境下收集大量的数据。嵌入手机的软件可以迅速全球定位、导航。手机的使用模式提供了各种社会业务信息联系，新兴的个人数据采集实践被称为量化自我运动[2]。

虽然智能手机是个人最常见的移动设备，但是在教育领域学生还是主要通过笔记本、台式机、Pad学习。在这种情况下，所使用的软件就像传感器一样，利用管理界面收集各种数据，与界面交互的产物被捕捉和存储。比如，利用在线浏览器翻看Web时，远程计算机可以在毫无察觉的情境下收集、分析、管理数据，这种方式拓展了数据可收集的规模。

在教育领域，尤其是大学生大部分学习行为是与数字交互系统打交道的，比如学习管理系统(LMS)支持在线协作学习，近期非常红火的大规模网络开放课程(MOOCs)。这些系统不仅被设计成典型的数字记录仪以支持个性化的学习，而且为行政管理部门提供了可分析的数据。如果不是数码设备日益普及，教育学者很少去关注技术在学习感知方面的变化，广义上的学习已经不仅仅是检索活动这么简单了。各种学习活动的背景是数字化，故而存在各式各样的学习数据，而这些数据能在更自由的时空中产生。如果学生想课后学习各种技能，他们有很多接触开放式教育资源的机会，在这些过程中也存在收集、传递数据的可能性。众所周知，“非正式”学习拥有很多积极的效果，对此类数据的收集、存储、分析以及后续的研究都在表明我们正在打破正式与非正式学习的界限。数据传感器成为改变学习理解的关键器物。

二、教育数据的属性转变：泛在、持续、互联

教育数据的采集、存储、转移与以往大不相同，但与当下火热的大数据的4V特性(大量、高速、多样、价值)还有很大差距。但与以往教育研究者所认识的数据还是有很多质的差异，它主要具有泛在、持续、互联这三种基本属性。这些属性并不是数据简单的聚集，它们正从本质上转变教育数据的功能。

数据海洋之所以存在就是能够不断获得自然交互下传感器等嵌入式设备所采集或生成的数据，教育数据的产生是无数学习者每日参与数字系统的结果。数据的泛在性促使数据的表达方式打破了形成性评价与终结性评价、课程和评估、正式和非正式教学的界限。数据占据了一切，它虽然并不是行动的目标或旨趣，“测试”不是目的，但评估却实实在在就在那里。数据泛在性认识在教育界必不可少。学习过程中数据的泛在性从根本上可以改变我们对于学习的理解或反馈的认识。数据沙漠时代，从成绩测试或检验中得到的数据都来自课堂以外，即使这些数据能够有效地说明问题，它们也与学习本身脱节，很少能为学习过程提供数据、为误解提供佐证或为学生策略选择提供帮助。随着能够捕获大量的学习行为数据，包括各种活动流数据，我们现在不仅可以应用学生的终结性信息，而且可以根据学习发展过程构建学习模型，数据的泛在性作用不是对学习的“测试”而是“支撑”。

持续性是数据海洋时代教育数据的第二个特征，其重要性有两个原因。第一，持续性数据能够支撑自动化学习和决策。以前只有终结性成绩数据在课堂外传递，现在数字互动让学生体验到更便携的共享记录。教师、管理人员、家长很容易共享和审查学习环境中产生的结果。现代数据驱动系统可以跟踪教育环境里学生学习过程中不同层次的不同轨迹。随着时间的推移，不同团体的差异比较，学习成果的对比，可以识别他们行为、知识的获取模式。在智能体系中，提供个性化教学的能力也取决于数据跨越的时间维度，持续性的数据才可能为学生定制合适的服务。在某些方面看起来，平凡而简单的数据其持续性会颠覆教学研究，而且将在学校中蔓延开来。第二，持续性数据可以促进发现知识生成模式。随着时间的推移，不仅师生可以发现学习轨迹和适当的策略，克服错误概念，学习科学家也可以开发促进学习的产品。当然，数据的持续性会引发数据隐私和所有权的问题，这些已经超出了现有政策和规范的范围。这些问题需要合理的保护方式，应与智能数据如何提高学习和教学一并讨论。

互联性是数据海洋时代教育数据的第三个特征，但是现阶段这一特征在教育数据中还未凸现。为了达到互联，各种数据收集设备需要以一种现在还未普及的方式连接。由于教育技术的进化程度，当前一般系统都拥有独立的课程或评估数据，用于形成性或终结性评价。这样的系统设计很难建构学习行为的灵活框架，也很难从多维联系中揭示学习模式的重要观点。群体层面的系统总结无法揭示个体与各种变量之间发生的关系。例如，导师智能系统记录总是从学生的零信息开始。因此最初的活动都是在努力找寻学生的正确水平。如果与其它软件系统互联，可以直接获取学生初始技能、兴趣和目标，这样该系统可以直接跳转到相应的活动，学习活动由设计性走向自然原生态，减少一定程度的干扰。

三、数据传送模型的转变：检测到互动

审视当前所有数字化教学系统的数据传输过程，基本上是围绕四个核心运行，如下页图1所示。这四个核心分别是行为选择、行为互动、证据识别、证据合成。(1)行为选择：下一步呈现给学生什么活动？这一过程可以基于学生的电子档案或根据教师的判断，或其他方法。(2)行为互动：通过学习者参与活动获取交互过程数据。这个过程可能是回答问题或完成一份测试，或通过一个级别的游戏，或完成教学课程的实践活动。无论如何，学习结果是某种产品，形式多样，可以是问题答案，游戏活动日志，或项目报告。(3)证据识别：识别学习产品的可见特征，分析能够影响后续学习的因素，技术应用包括语义分析或其它自然语言处理技术，形成特定变量列表。如果在多项选择测试中，就意味着产生正确或错误的具体指标。(4)证据合成：总结前期学生每一小块学习情况，分析他们的学习状态，可以应用某些模型，简单添加一些差异加权值。

图1 教育数据传送模型

这四过程模型本身在数据海洋中并不会出现太大的变化，但其应用的灵活性与数据沙漠时期完全不同。数据沙漠时期，我们将量化过程与识别一系列特定答案相连(测试、测量或评分标准)，然后将讨论的问题限定在初始的问题范围之中，模型的应用则具有很强的检测目的。例如量表、问卷、调查都在既定的设计之中，探讨相应产生的各种数据，再利用统计分析得出结论。看似是非常完美的科学过程，但是得到的结论只能是调查主体的某些属性而非全部，因为在获得数据之初就已经对其进行了精心设计，这些数据是我们预期想得到的。数据海洋时期，我们可以从另外的维度解析这个四过程模型，拓展行为选择的逻辑边界，数据不仅出现在测试中，而且出现在互动、邀请、鼓励、需求、吸引、激励和思想之中。到了这个程度评估已经成为基于自然活动，全方位行为情境的观察，同时考虑行为内在动机。因此，行为互动可以重新命名为“交互与创新”过程，是基于数据和证据的新产品。将“行为互动”转变成“交互创新”，开辟了新隐喻、新焦点以及对学习者活动的新理解。这种视角催生了任务的固定属性向交互的突发属性转变的过程，在这个复杂系统中因人而异提供不同类型的策略、方法与支撑。比如Webquest网络教学方法是教师高度设计的过程，学生严格地跟随教师限定的任务。但是在丰富的数据环境中，能够实时检测到突发事件，Webquest中的各项任务教师可以根据学生的各项反应数据做出及时调整。

四、教育研究的转变：迈向教育科学

数据海洋的出现会对教育研究产生迅速、戏剧性的变化，虽然目前我们还难以预见。在数字沙漠时期，数据很难成为一个相对独立的概念，它很容易被统计、分析此类的处理过程所掩盖。当下出现了相反的情形，各种数据类型与数量剧增给人们留下了深刻的印象，以至于马云推出了从IT(信息技术)向DT(数据技术)转化的理念[3]。但现阶段我们不难看出在对数据的热情与欢呼中，反而忽视了最基本的从数据到知识推理分析机制的探讨，如何让数据成为有效的资源成为更为突出的问题。下面将阐述新数据形式和科学分析理论对教育研究的影响，教育研究向科学性进一步迈进，需要新的数据分析过程和新的工具。

(一)改变与理论的关系：从束缚到释放

在数据沙漠时代，研究过程和数据收集之间的关系受到高额数据成本的限制。现在和过去的实践过程都受到漏斗型数据演变的限制，如图2所示。而这种分析过程备受质疑，实验条件下获取的数据，不是因为他们找到了最合适的数据源，而是他们找到“能负担”的数据源，并对过程给予了一定的控制[4]。我们认为数据量的不断上升，有助于回答现存问题的深度与广度，同时在这个过程中又会产生新型数据，引发新型数字体验的新问题。

图2 理论与数据漏斗图

先进技术已经极大提高了研究数据处理、重组和传播的速度。相对于十几年前，绝大部分教育科学研究都是通过文字和绘图构造出模型进行研究，近年只不过是通过计算机做这些事情罢了，若让他们手工整理调查或编码都会显得手足无措。教育研究者首先要理解现有理论能够产生新的数据。与早期信息化形成鲜明对比，学生数字信息系统盛行，为物理的、虚拟的和混合式的大学校园提供了相对简单的数据接入方式。到目前为止，软件设计都是基于教育管理者的思想，因此现有系统的数据收集和分析很大程度上反映了教育管理的主流问题。但是数据海洋的形成，会在教育生态系统多个层面形成立体的数据。例如，在美国教育体系内，教育项目评估、国家成人扫盲评估、纵向研究评估、国家家庭教育调查、学校犯罪调查、图书馆统计程序等多个机构提供数据访问与分析，通过上述机构数据组合可以解答先前单一资助项目无法解答的问题，这样的情形在世界各地逐渐展开。如此可以轻易解除漏斗模型的边界，从“我们能够唯一获取”数据转换到更能体现理论目标的更多数据，甚至是应用数据修正理论模型。

新型的数据体验能够生成和发现新的数据，比如微博、微信等社交软件为大众提供接入日常公共数据的接口，这类技术是一种相对自然的数据分享和分析状态。很多网站提供在线分析工具，用户能很容易分析、扫描文字。因此可预见通过新数字行为能够产生对教育的新理解。可以看到，教育评估领域已经将研究重点从历史悠久的学习与评估范式转向动机、兴趣等内在动因或复杂的数据集成环境的研究。同样在智能教学领域，推崇大量的学习数据，从样本数据中阐述更复杂的人的学习过程。在教室中开始构建基于样本的大型自动化数据库，希望能够全方位剖析教与学的全过程，形成长效的预测机制。

(二)研究方式的转变：从固化到多样

合理应用数据，教育研究者需要新技能和新工具以及新思维新角度处理自己的工作。这些新工具应具有跨学科的性质，能够体现当下技术进步在社会和研究上的影响力，研究方式呈现出新的趋势。

1.从数学中心转换到软件中心，处理数据并不意味着与各种复杂繁琐的数学公式打交道，而是应用各种软件，数据时代软件会成为无所不在的科学语言。未来教育研究者需要理解计算逻辑、计算机应用的可能性，具备操作通用设备数据和系统的基本技能。例如，最近Python语言逐渐兴起，成为一种强大的数据可视化、处理自然语言、数据分析与统计的工具；同样R语言异军突起，完胜其它通用性数据计算工具。即使教育理论研究者无需获得编程能力，但是也需要理解计算的基本逻辑和趋势，能够看懂数据分析的结果。

2.从小样本到综合大样本。在过去100年中，最杰出的统计框架都集中在通过小样本推断总体参数值上。当下有获取所有成员数据的趋势，但是应用已有框架分析较大规模的数据会出现误导。例如，应用传统经典的T检验方法而不考虑规模效应会增加错误推理的几率。面对超大样本，即使小尺度效应都会改变假设检验。因此，教育研究人员需要重新学习大样本分析的方法，作为推理的主要依据。

3.从规避探索性到密集型探索。传统统计分析方法总是先假定数据存在某种分布，如假定数据是正态分布，然后选用适应这种分布的模型进行分析和预测。但实际上，多数教育数据并不满足假定的理论分布，传统统计方法表现很差。因此要强化探索性数据分析，它是对调查、观察所得到的杂乱无章的数据，不以先验假定为基础而进行处理，通过耐抗性、图形启示、重新表述、残差手段，探索数据结构和规律，是一种完全以实际数据为依据的分析方法。成千上万的学生数据，为数据探索性分析和假设生成提供了足够的原料，如学习因素分析，新技术试图恢复学习各种变量的组合，纠正倾斜度，还原人类学习的原貌，解释人们学习的可能性与偏好。

4.从数据库到数据流的认识。教育数据不仅是量上的增长，更重要的是构成形式的转变，它主要由人类学习活动的非结构化数据组成，这些数据不是散乱的聚合体，更重要是具有流动性。正如上文所述四阶段教育数据传送模型，促进研究者超越传统的数据采集方式，学会如何计算和分析基于事件和流的数据，赋予他们教育领域新的科学话语。

(三)研究过程的改变：从终结式到自然嵌入式

李维斯认为当代教育研究过程如尸检一般，存在大量终结式的结果，如果这种评价没有达到某个临界点都无法改变教育的内容，对教育产生实质性的变化[5]。同样，高宝立等人认为研究过程只有突破简单化思维，超越二元性方法，立足二重性原理，重构教育研究方法论，才能使教育研究摆脱由来已久的纷争与对抗局面及困境[6]。终结式的研究过程，需要假定合适的时间或机会收集数据。数据的交互性、信息粒度和样本高频呈现能够彻底改变这种状态。从一系列由不同原因激发的孤立事件数据采集向不间断交互性监测模型转变，随着无处不在和不受干扰的教育数据静静地累积，能够默默地提供各种结果，犹如自然嵌入式心脏检测器一样。研究者与研究对象能够形成伙伴关系，检测学生的行动和体验，研究者此时成为更活跃、持续支持的角色，而不是审判者的身份，通过数据授权可以成为新的强有力的照顾型参与者。

研究者面对进化控制，持续性增长的数据生成系统，不仅要更新处理每次获取的新数据，还要具备整合新旧数据与信息的手段。每个研究的数据不是孤立的，需要融合其它研究的数据，也就是每个研究数据形成是渐进性螺旋上升的。面对这种形式，现在常有两种方法应对：贝叶斯统计和元分析。贝叶斯统计思想与传统频率派意见背道而驰，它认为先验分布可以是主观的，没有也不需要有频率解释。贝叶斯推断的基本方法是将关于未知参数的先验信息与样本信息综合，再根据贝叶斯定理，得出后验信息，然后根据后验信息去推断未知参数，这种方式在使用过程中，会不断产生新的数据和知识，非常容易创造出一些全新的分析过程，能够灵活地对数据进行分析，符合当下数据发展的品性，在很多领域已经显现出魅力。元分析统计方法是对众多现有实证文献的再次统计，通过对相关文献中的统计指标利用相应的统计公式，进行再一次的统计分析，对已有研究的结果进行分析。

五、教育数据对师生、学校的影响

虚拟学习环境和“砖瓦”构成的实体教室之间的区别是未经分明的，而数据可以从任何一种情境中采集。但最终重点不是分析学习或内容的传递模式，而是学习本身，这点在智慧教育数据应用当中应当不断明确，教育数据的潜能才会在学习者、教师和学校中产生一定的影响。

(一)对学习者的影响：预测未来

如果应用教育数据背后的推手是为了促进学习，那么学习者将是最直接的受益人。教育数据可以影响学习的多个方面，但是预测学习趋势，及时反馈提供改变的机会，结合数据确定知识差距，这些确实是现实的热点。

教育数据最实在的作用是进行预测，对学生的预测并不是静态的，如果模型足够强大，不断变化的数据可精确地预测学生的行为，然后随着时间的推移将这些结果再反哺于预测当中，可以进一步改善涉实际的教学实践[7]。虽然它不可能面面俱到，但是如果建模正确，数据有助于建立和阐明预测的学习结果，将看似不相关的数据聚集在一起为学生提供可操作的步骤。从对国际项目的调查来看，学生网上行为的分析可以准确地预测学业成绩，发现为老师提供预测模型和网络可视化工具相结合的界面，能够显著提高学生的预期成绩和课程参与度，学业成绩直线上升。预测和现实之间有着明显的区别，随时间的推移预测学习分析能力可以不断提高，在学习过程中所涉及的所有各方都必须注意区分什么是统计模型可以预测的结果，什么是学生偶发行为的实际结果。学习者对如何运用预测结果和创造机制负责，促进这种改变的机制是数据挖掘。在这种背景下，发现具有相似特征和反应的潜在学生群体。

(二)对教师的影响：重塑实践

同学习者一样，教师从数据中也会获得巨大转变。在以前的教育模式中，教育者的反馈需要多天或几周的时间。教育数据给予教育者迅速反馈的能力。另外，数据帮助教育者重塑教育实践，丰富的数据信息告诉他们什么可行什么不行。也许教学最困难的地方是得知学生学到什么程度。简而言之，过程监控系统可以获知个别学生的知识差距，从而使教师能够注意到这些学生。他们也能获得诊断性报告，改进课程设计，深化对领域的理解。数据信息本身并不能改变什么，但可以让教师更敏锐认识到问题，改变教学内容与方式影响学生的学习。应用新技术，教师有意愿改变固有的实践模式，形成建设性批判教学法。

当教师使用数据分析建设性地批评学生和有效沟通往往能帮助学生成功。如果使用得当，数据能使教师赋权学生监控课程，并对自己的学习承担更大的责任，这种责任是重要的，行动本身的主导者是学生。教育数据分析与以往的教学模式相比，超越了单纯的比较或找寻自己所处的位置，及时反馈成为教师影响学生学习结果的利器。随着学生数据的不断累积，把历史数据和当下数据建立关联，可以开发更好的算法。如果教育实践的指标是测量某次课程结果的调查，这种影响只会利于未来的学生，而数据分析的实时反馈，可以让教师迅速改变教学现实。利用反馈作为重塑教学实践的工具并不一定产生完美或理想的教育，这是因为教学现实存在多个不可控的变量。各种数据的应用也绝非无效教学的灵丹妙药，相反它提供了数据驱动工具或建议帮助教师改变衡量学生学习结果的标准与方式，将各种不同方式的教学转化成行动数或可操作数据。这种转换的尺度是：尽管整体教育数据研究转向了线上学习设计的重新配置和转型，但其实质是新技术可用性、复杂集成环境中信息交流、促进学生隐性参与。从实践中也会发现，学生获得成功的主要因素不是激励性反馈而是教师教学的转变，不是终结性或形成性评价而是教学类型的调整，教学实践重塑才是促进学生学习的主要动因。

(三)对学校的影响：宏观调控

教育数据对于学生和教师的影响是微观的，但是对于学校的影响是宏观的。各种变量，如学习环境、学生毕业率、就业率、教学效果、学生成绩，都能体现教育数据对学校的影响。学校根据数据能够重新调整资源，从顶层设计把握学校的发展方向。

各种数据分析不仅是解释数据，而且需要理解“即使是最好的评价算法也会导致错误”这一充要条件。一旦确定变量与模型，学校就可以对师生采取相应的措施。学校决策正确与否常常取决于知道运用“正确”的思考方式处理数据。分析不是万能的，不能以一种分析解决所有的问题，要将分析作为一种具有目标导向的实践，急于做出决定会对学校会产生意想不到的结果。小心论证变量，对数据进行导向性处理对于每个学校都是至关重要的。教育数据能起到作用的主要原因是个人或组织基于数据结果所采取的决策或计划，而不是计算机的处理过程。评估，计划和实施是人的活动，此时数据的客观性是有限的。当前数据应用中还未形成约束性价值观，或达成某种标准和共识，学校需要考虑数据的法律与伦理影响，数据所有权和开放性，使用和滥用的道德危险，教育数据隐私等问题。学校对这些负有主要责任，同时还要适应不断变化的各种数据环境。

六、教育数据应用的几点建议

凸显教育数据不是为了增加学习者的仪器设备，而是试图展示正在发生的社会变化与技术可能性。在日常生活中数字活动越来越普遍，它改变我们看待评价、学习、教育的视角。对于数据应用存在许多需要注意的事项和问题，我们在这里仅对教育领域提出三点意见。(1)对于技术的教育变化以及周围发生变化的实证我们还知之甚少，因为它们涉及教育公平和平等问题。访问设备或智能计算不同路径可能会导致不良的社会影响，产生新的问题。教育经济学家和政策专家应该共同讨论关于这些变化对区域、国家以及全球社会政治制度的影响。这是所谓的“数据科学”和“数据人文”。(2)数据成为教育过程客观性和研究者主管观察的纽带，是我们对教育再认识的桥梁。从本意来看，教育数据似乎是客观的，不包含人为因素，是形而下称为“器”的东西。但是这些“客观”科学结论一旦被误用或滥用来支持一些教育政策的结论，这无疑是一种灾难，是一种未经证实的“欺诈”。现阶段教育数据丰富，但理论缺失。凡强大的、适当的、引领性的“真理”都是社会建构的，是随时间推移的。因此将这些数据表征的短暂性“真理”运用到教育政策之中要谨慎，要有怀疑态度。(3)数据科学支撑的教育科学正慢慢成为一个领域，没有明确的边界以及学术协会，各种相应群体正在不断演化，而且缺乏共同语言、专业伦理标准和科学的行为规范。很多学科都参与到这个领域当中，正确使用数据，才能完全理解数据分析过程对教育的影响。

[1]祝智庭,学习分析学:智慧教育的科学力量[J].电化教育研究,2013,(5):6-10.

[2]Wolf,G.,Carmichael,A.,amp; Kelly,K.The quantified self [DB/OL].http://www.ted.com/talks/gary_wolf_the_quantified_self.html,2010-2-3.

[3]马云：IT时代和DT时代的区别是什么？[DB/OL].http://tech.qq.com/a/20150322/019206.htm,2015-4-17.

[4]Gordon,M.E.,Slade,L.A.,amp; Schmitt,N.The“Science of the Sophomore” revisited:From conjecture to empiricism[J].Academy of Management Review,1986,(11):191-207.

[5]Reeves,D..questions and answers about standards,assessment,and accountability [M].Englewood,CO:Lead + Learn Press,2001.101.

[6]高宝立,邓友超.2013中国教育研究前沿与热点问题年度报告[N].中国教育报,2014-3-10(06).

[7]Elias,T..Learning analytics:Definitions,processes and potential Creative Commons [DB/OL].http://learninganalytics.net/LearningAnal yticsDefinitionsProcessesPotential.pdf,2011-1-9.

王帆：副教授，硕士生导师，研究方向为社会化学习(wangfanxp@163.com)。

2015年6月2日

责任编辑：赵兴龙

On the Changes and Potential Education Data from the Wisdom of Education

Wang Fan
(Education Research College,Jiangsu Normal University,Xuzhou Jiangsu 221116)

In a new golden age,the paper discussed on the evolution and development of the education world which is supported by data from the view of wisdom education of.Firstly,we elaborated the new experience data of sensor,which is the material basis of education data followed by analysis of the data,the ubiquitous and lasting and interconnection.Then,we discussed the function of education data transmission model of shifting from quot;detectedquot; to quot;interactionquot;,and clari fi ed the education research how to go for educational science using the data.Finally,we analyzed the in fl uence teachers,students,schools from the quot;microquot; to quot;macroquot; by education data.In the application of all the education data,we must use a prudent attitude with new analysis methods.

Wisdom Education; Education Data; Potential

G434

A

1006—9860(2015)08—0010—06

* 本文系全国教育科学“十二五”规划国家青年课题“‘微博’对大学生交往行为影响及其教育策略研究”(课题编号：CCA110108)的成果之一，受2012年江苏省高校“青蓝工程”、2014年江苏省优势学科资助。