大数据时代的高校个性化教育：一种过程支持框

架周进

摘要：大数据时代为高校个性化教育提供了发展契机。构建以数据为基础的个性化教育“目标-过程”支持框架，在目标诊断基础上，通过挖掘学习者需求与潜能，在数据聚类与关联分析中甄别类特色，采用相应针对性教育策略，提供个体监测评价与预警反馈，为提升高校个性化教育过程效应提供决策支持。

关键词：大数据；个性化教育；过程效应；支持框架

个性化教育是尊重个体生命独特价值、发掘个体生命潜能、培养学生独立人格和独特个性，促进个体生命自由和谐发展的教育。[1]《国家中长期教育改革和发展规划纲要（2010-2020年）》明确提出“个性发展与全面发展相结合”。如何在我国现有资源条件下，将孔子的“因材施教”落实到当前高校教育行动过程中，是大众化阶段高校面临的一道艰深命题，大数据时代则为高校个性化教育提供了发展契机。

一、大数据时代的高校个性化教育：思维与模式的转变

中国大学正普遍面临着办学趋同化与社会需求多元化、人才培养划一化与个体发展差异化的矛盾，解决这些矛盾从根本上讲需要转变培养模式，结合个性化教育的探索实施，弥补长期模式化教育的弊端，提升中国大学参与世界一流大学的国际竞争力。当前，高等教育正迎来一个大规模生产、分享和应用数据的时代——大数据时代，立足数据分析改变大学教育已成为未来世界教育趋势。大数据将推动个性化教育思维与行动的相应转变。

（一）基于数据支持：个性化教育从经验范式到科学范式

大学的一切行为都在产生数据，学生在学习生活中留下一串串数字碎片，如课程选择、在线学习、互动反馈、网络社交行为、校园卡的使用等，借助云技术与人工智能等方式对这些数据进行挖掘和分析，将数据转变为信息与智慧，可为学生提供个性化的学习内容和资源。依托数据实证的教育研究逐步冲破经验逻辑的束缚，转变为一种实实在在、有数据支撑的研究范式。吉姆·格雷提出数据密集型科研“第四范式”（the fourth paradigm），将大数据分离出来单独作为一种科研范式。[2]大数据将有助实现个性化教育方法与模式的相应转变。

当前，我国个性化教育在实践中往往是经验式的，缺少足够的数据源和可供分析判断、佐证教育行为效果的依据。大数据恰恰能对这些缺失进行弥补：（1）从技术层面解决个性化教育数据源缺失问题，学生在学习生活过程中的现实需求及各影响因素等，可经过动态分析可读、可量化、可视化；（2）从学习行为视角了解个性化教育过程的发生机制，基于行为数据分析制订一生一课表、推荐培养路径、开展自我教育与自我导向学习；（3）提供更为全面而深入的教育教学检测评估，有利科学实施针对性干预；（4）将数据分析作为研究个性化教育过程和效用的工具，使教育行为向科学理性转变，在“去经验”的过程中找到真正影响个性化教育的实际因素。

（二）思维路径的改变：发现个性化教育中的“过程关系”

个性化教育是实现人的“共性”与“特性”相统一的过程。教育本身以过程的形式存在，并以过程的方式进行，个性化教育的有效性主要体现为过程效应。个性化教育的过程是学生个性潜能不断发展的过程，是教育主体不断自我实现的过程。数据本身并不能自然地推动个性化教育，而需要从数据集隐藏的交互相关性中分析“过程关系”，才能对教育行为提供理性依据。

人的个性化特征隐匿于复杂关联的大数据之中。传统模式的因果分析无法有效适用于开放复杂的巨系统，大数据则从探求因果关系转向关注相关关系，从演绎转向归纳，从不同的数据中找到相关性，发现影响每个个体学生发展的因素及其相互过程关系。

（三） 从精确数据到整体、全貌性数据：提供个性化、多样化的教育服务

不同于自然科学数据，个性化教育大数据的非结构化数据多且实时性强，大量数据都在随机动态中产生。千千万万的学习者在生活中随机产生了大量数据信息，要从这些庞杂的数据中寻找有价值的部分，需要转变思维，从寻求精确性数据转向获得整体、全貌性数据。（1）精准挖掘个体特征。传统个性化教育注重以“小数据”凸显学生整体的学业水平，而“大数据”则关注学生个体的微观表现。（2）借助数据仓储分析工具，根据学生基本信息、成长史、学习风格等数据进行建模，挖掘其个体偏好与潜在特征；（3）发现大量数据背后隐藏的规律或模式，为个性化教育分析提供智能手段，真正实现个性化教育从群体到个体，再从个体个性化到群体个性化，在关注群体与个体指导之间找到新的融合点。

（四）大样本、实时动态监测：追踪预测个体教育改变过程

通过大样本与实时动态监测个体学习过程，根据其能力水平制订相应教学计划并调整管理策略，保障教育质量。一方面，通过对数据信息的分析，学校可对内外部环境中可能影响教育质量的各种动态因素作出预警和预判，推动内部质量保障机制的建立；另一方面，有助于管理者及教师掌控学生的发展状态，关注学习者内部机制，对学生群体的变化趋势作出预测和实时反馈，从而建立个性化的学习环境。

二、大数据时代的高校个性化教育过程支持框架

在大数据时代，个性化教育是可数据化、可操作化的教育理念与模式。大数据在个性化教育中的应用要抓住五个关键点：目标诊断、数据采集、需求诊断、聚类分析与预警反馈。高校要通过建立以学生为中心的个性化教育过程支持系统，挖掘有价值的核心数据，提高数据分析能力，定制可量化的数据评价指标，提升个性化教育实践效应。

（一）基于目标诊断：构建个性化教育过程支持框架

个性化教育以促进个体生命自由而充分的发展为目的，建立在“以学生为中心”的理念基础上。高校要以学生学习发展需求为中心构建个性化教育支持系统，包括目标系统、课程支持系统、服务支持系统、分析监测系统等院校智能系统，建立体现办学特色的个性化教育体系。

决策理论的代表人物H·A·西蒙将决策看作一个过程，由“确定目标—拟订被选方案—选择方案—执行方案”四大步骤组成。[3]学者Ackoff提出了“数据—信息—知识—智慧”关系的金字塔模式[4]，该模式有助于对信息加工过程的理解。我们可将两种理论结合形成“目标—过程”的个性化教育支持系统。（见图1）

图1个性化教育过程支持框架

个性化教育过程支持框架包括五个要素：（1）目标支持系统。根据战略目标制订大数据蓝图，明确人才培养目标与个性化教育之间的匹配需要信息和核心问题。（2）数据仓储系统。围绕核心目标建立统一的数据标准，根据统一计量标准建设数据仓库，并注重各部门信息管理子系统的建设维护。（3）服务支持系统。结合需求诊断设计个性化课程支持体系，考虑学生的共性需求（基础性）和个性化需求（提高性与选择性）。（4）数据分析系统。利用数据挖掘工具对综合数据进行抽取、转换，形成数据仓库。（5）监测预警系统。通过仪表盘及可视化报告清晰呈现整个动态监测过程，通过数据评估反馈个性化教育行为效果，对教育改进和行为干预至关重要。

整个过程框架体系中，核心是目标诊断。如文华学院在办学中坚持以学生为中心，培养服务地方的应用型人才，从“潜能—立志—空间”三个维度构建了富有特色的个性化教育目标体系，从学生个体优势潜能入手，以学生立志为内生动力，扩展学生个性发展空间。目标应清楚呈现个性化教育的过程效应，考虑核心目标的达成度，并具有可行性、可接纳性，关注目标的相对价值。

（二）采集海量信息：将不可测量的对象数据化

个性化教育分析对象是学生及其环境，基础是海量数据。所采集的数据不仅包括数字，还涵盖信息、图片、影视材料、访谈记录等，而数据的质量也决定了可被利用的程度，这些数据是高度个性化的体现。同时，这些数据的产生完全是过程性的，数据的采集也相对自然、真实。主要数据包括：（1）学生基本信息。新生入学时即建立基本状态数据库，这一数据既包括学生历史背景信息、已有的知识掌握情况、成绩记录、消费状况等，并跟随学生成长延续跟踪记录。（2）调查数据。主要采用入学情况调查、NSSE、学习与就业跟踪调查、学习风格类型测试等多种方式获取数据。（3）学生网络数据。包括学生网络社交互动、网页浏览、选课修课情况、课程前后测成绩、到课率、图书借阅、消费状况等。

在从操作性环境中提取并集成数据时，应消除数据标准不一、数据不干净等问题，统一数据类型。分别设置不同模块，将学生成长与学习经历、个性化教育效果、环境等这些在我们看来难以测量的事物，通过量化的方法将其转化为数据，再将数据变为有用的信息以至行动策略。

（三）需求诊断：从冗繁数据中判别个体潜能与诱因

个性化教育应从学生自身发展需求出发。大数据挖掘的优势在于从繁杂信息中洞察学生的群体特征与个性化需求。数据挖掘是整个个性化教育应用过程的核心，其设计的出发点是对关键数据的分析。

1.判别个体潜能与学习基因

个性化教育是共性基础上的特性充分发展，这一“特性”包括每个人自身的优势潜能。每个学习者都有自己的学习基因组合，关键是要正确科学地认识自己的“学习基因图谱”。学习者的潜能与偏好等因素在一定程度上决定个性化教育方法、内容与进度的选择。国外高校部分采用科尔伯格的学习风格量表、邓恩学习风格测试、迈尔斯-布里格斯分类等进行潜能测评。文华学院在全国首创“潜能导师制”，由全校教师、管理者、校外成功人士担任，每位潜能导师在《潜能教育日志》中记录与学生的交流情况、目标志向、学习优势与困惑、建议对策等，从积累下来的潜能日志数据中可观测学生成长动态、发现独特潜能与生长点，通过大数据分析将学生个体潜能、目标志向与社会需求对接形成个性化基因图谱，从而为开展个性化教育提供切实可靠的依据。

2.从个体诊断中探寻问题与诱因

教育心理学家奥苏伯尔曾指出：“影响学习唯一最重要的因素，就是学习者知道了什么。要探明这一点并据此进行教学。”[5]每个学生原有基础不同，要根据学生知识储备和存在问题开展个性化教育。

在大数据时代，众多高校建立起网络平台，将线上线下教育相结合，能动态地实施个性化教育。主要包括：第一，从学习、生活态度入手，判别学生立志状况，激发学习兴趣与动机。第二，从生命史入手，探寻影响其学习发展的“诱因”。第三，抓住偶然因素，从偶然到必然。针对影响学生个性发展的偶然性因素有针对性进行干预。第四，为每一位学生建立学习服务档案，开发个性化网上学习系统，记录其浏览习惯、喜好与特点，跟踪兴趣变化，利用数据挖掘从教学资源中动态地为学习者推荐组织适合其学习风格的内容，调整大学课程体系。

（四）聚类分析：甄别学生“类特色”

数据聚类与关联分析的目的是找出数据库中隐藏的关联网。在技术上主要借助SSAS、Weka、SPSS等工具，对数据进行统计分析与可视化、聚类、预测、关系挖掘、文本挖掘等，实现对个性化教育的分析诊断功能。

1.结合聚类分析甄别学生“类特色”

从数据中挖掘学生类特色是开展个性化教育的前提。西方大学通常多采用“教学准备测试”进行分班教学。根据对学习者的学习风格和学习程度进行分类，分别采取“补救性”、“拓展性”、“延伸性”的个性化教学策略。

判别学生差异性基础上的分类教学是个性化教育的基本组织形式。文华学院从2008年开始实施个性化教育，在大规模学情调查基础上，综合学生潜能测评、学生与教学业务数据进行聚类分析，从总体上将学生分为三种类型：“学术型”、“能力型”和“潜力型”。根据“分类指导、分层施教和个别培养相结合”的原则，对不同类型学生分别实行“深度拓展型、能力强化型、扬长教育型”教育策略，引导学生个性化发展。要从多种方式中，选用恰当、适合的方式，根据教育时机，使学生从被动学习变为自我教育、自主学习，在此基础上实施针对性教学。

2.基于数据关联规则订制个性化培养方案

数据关联规则是描述两个或多个变量的取值之间的某种潜在关系的特征规则。[6]如通过学生绩点分布图了解个体与总体之间的变化趋势，通过相关性分析有针对性地采用不同教育方法，通过学习状态的动态变化找到个性化教育的切入点。

近年来，美国、英国和加拿大高校较多采用“学习数据包”制定个性化教育行动计划（PEP）。该计划通常根据学习准备测评数据，以“学习单元”为单位制订数据化学习指南、学习包、学习合同、作业单、活动卡等，提出针对不同学生的个性化课程方案。主要有以下特点：提供多元化的学习媒介，根据学生偏好选择自定进度、信息检索与决策机会、增加自我约束力、增强师生互动等。教师不再是知识信息的发布者、传递者，而是学习诊断者、促进者、评价者与补救者。[7]在考虑课程模块时注重历年学生选课情况、课程满意度、需求调查等，从而保证课程选择适应学生发展需要。

3.根据相关性分析探寻个性化教育的潜在因素

大数据应用中常见以 Apriori 算法分析课程成绩与学习方法、行动等因素之间的相关性、回归性等，最终找到影响学生成绩的原因。学者Keefe结合数据分析提出影响个性化教育的共性因素[8]：（1）发展深化教师与学生之间的关系；（2）办学文化与较小的班级规模；（3）诊断学生的学习特点；（4）交互式学习环境；（5）灵活调度和作业。学者Waldeck（2007）创建了一个定量测量的个性化教育体系，通过因子分析揭示了个性化教育方法路径，展示了学生在个性化教育中获得的实在的利益。[9]从因果关系转向相关关系，包含着网状关系性研究思维。

（五）预警反馈：运用OLAP技术实现个性化教育过程监测

个性化教育具有内生性和长效性，其效果评估是相对多元的、滞后的，需要关注过程性与表现性评价，着力于学习成果及学生自我改变程度。

1.设计大数据仪表盘，将数据状态直观化

通过仪表盘（Dashboard）可直观了解学生学习情况，呈现对影响个性化教育的关键指标计算结果、个体日常行为数据分析的多维画像，其直接目的是精准学生信息。主要通过采集上网行为信息、日常注册信息、浏览信息、关键词匹配等显示个体属性特征，让教师和决策者一目了然地了解学习基本状态，打开仪表盘可直观地了解到录取分数、上课状态、自习时间、借阅书目、性别、入学年份、家长教育程度、高中学业成绩、专业课程等各类重要和关键信息，发现学习者的动态变化。

2.提供可视化诊断报告

可视化诊断报告旨在为教师教学提供及时有效的反馈。以Romero.C.对MOODLE 学习平台的日志分析为例，学习管理系统中记录学生个性化行为数据并生成实时性数据报告，或利用行为数据体现的常模生成数据预测。[10]美国著名在线教育公司Coursera也专门为学生提供“行为评价和诱导”的智能平台，通过智能导学服务对学习者的学习行为进行提示和评价，设计引导学习路径，成为学生自我教育评估与行为改进的重要依据。

3.实时预警与跟踪预测

利用数据关联性分析寻求个性化教育与师生行为、环境之间的内在关系，可预测影响个体学习行为的可能性因素与趋势。例如，将校园卡和校园网的使用数据进行实时监测与智能分析，可对校园卡的消费情况分析为奖助学金评定提供辅助决策，获得学生上网过度与消费过度的“黑名单”、不在校预警等。清华大学史静寰教授团队的《中国大学生学习与发展追踪研究》项目聚焦于整个学习发展过程的监测，覆盖了从生源输入、学习过程到就业出口的全口径大样本数据，并一年一度实施追踪调查，更有效地反映了学生学习动态与教育质量。高校要以基础数据为依据，在对学生及学习内容的数据分析与预测基础上，有针对性地采取干预措施，提出个性化学习建议和指导。

三、提升高校个性化教育过程效应的现实保障

大数据得以应用于个性化教育的前提是，在教育领域中产生的数据相互关系和规律具有可推行的共通性，并将大学教育带入“人—机—物”的三元关系世界，从而为提高个性化教育效果提供数据保障。

（一）构建体现高校个性需求的院校智能系统

构建强大的集储存、集成、挖掘、分析和汇报数据为一体的院校智能系统是实施个性化教育的关键。主要基于三方面：第一，从培养目标出发，在庞大业务数据库中找到最具核心价值的数据。第二，数据挖掘过程中可根据个性化教育需求排列关联规则，进行数据区域细化。对学生共同特性进行分类，依据类特色实施针对性教育。第三，加快不同层面和不同类型学校数据系统的建设、公开与共享机制，构建个性化教育的大数据支持系统是未来高校决策趋势。

近年来，我国部分高校逐渐将大数据分析应用于教学与管理。如华东师范大学为改善用户体验对校园网络数据进行分析；浙江大学基于资产数据进行分析，提高教室、实验室等资源利用率；复旦大学对来自不同区域的学生进行数据分析等。较为完善的院校智能系统大大提升了教育效果和管理效率。

（二）将数据分析作为个性化教育改革决策的重要佐证

传统高校个性化教育的经验往往是模糊的和未经实证的。而通过大数据分析可更为科学理性地探寻个性化教育的共性规律。大数据时代，数据分析将为个性化教育改革提供循证决策依据。当记录个体学习行为的数据累计到足够规模时，就会呈现出某种群体行为的数据特质和规律，通过对这种特质和规律进行分析总结，对学习者提供有效的个性化指导。高校可对学生学习现状和潜能进行系统的分析诊断，掌握学生个体的知识水平和身心发展水平，发现学生独特的学习风格和学习优势，进而反思教育理念、方法或学习环境中存在的不足，提高教学改革的科学性与有效性。

（三）探索建立个性化教育学习平台，促进无边界学习与自我教育

个性化教育本质上是自我教育，是教育主体不断自我创造、自主选择和自我实现的过程。现代信息技术带动了教育泛在化的发展，知识的呈现模式和学习的整体环境已经发生改变。云教育形态正适应了个性化教育时代要求，未来高校将逐步打造“无边界课堂”，为学习者拓展出广阔的发展空间。

随着智能终端应用、MOOCS等快速发展，催生了各种在线个性化学习（E-learning）系统，名校课程可以实现全球几十万人同步学习。美国高校建立的TICCIT、ELM-ART、InterBook、Knowledge Sea 等自适应智能个性化教学系统利用大数据与计算机辅助自适应测试（CAT）技术，将学习课程划分成若干有层次性的单元，从“课程图（Course Map）—单元图（Unit Map）—系统课程”，每一课程又包括有层次结构的若干部分，每一部分涵盖单一教学目标，每一课设有不同难度的练习题，不同类型的学生采用自适应的测验方法，系统地提供适应个性化特征的用户视图，追踪每一个学习者的进度并提供诊断报告，实现学生自我教育与个别指导的结合。

（四）提升高校数据诊断能力，为个性化教育提供理性行动支持

提升对数据的挖掘分析和应用能力，是大数据时代对每个行为主体与组织的基本要求。学者特仁尼兹（Terenzini）提出高校专业人员必须具备三方面的知识和能力：技术与分析智能、院校事务智能、院校情境智能。[11]如设计“一人一张课表”时，要体现包括基于全学段的学习愿景规划、测量诊断、学习指导、学习管理、课程设计等不同维度。教师通过有效设计“测评—设计—引导—反馈”四个环节，为学生订制个性化培养方案，全过程监测学生成长轨迹。这些都需要系统具体的专业工具、技能和行动策略支持。

随着院校研究机构的发展，强化院校研究在决策过程及教育行为过程中的角色地位是提高个性化教育数据诊断能力的重要因素。高校应注重支持院校研究人员的培训，提高数据分析能力，建立数据共享机制，形成用数据记录、用数据发现、让数据说话、以数据决策的组织文化，将数据转化成办学智慧，获取对个性化教育研究的一般认知、本质认知和未来认知，为个性化教育提供理性行动支持。

参考文献：

[1]刘献君.高等学校个性化教育初探[M].武汉：华中科技大学出版社，2012：4.