大数据分析对高校教学管理的影响及其实现路径

陈舒英

近年来，教育大数据、学习分析和教育数据挖掘成为学术界研究的热点问题。“大数据分析”承担着发掘隐藏的、有价值的信息这一任务，简而言之，大数据分析就是综合运用数据库、统计学、人工智能等学科的技术手段，从数据仓库里获取隐藏的但具有价值的信息，为教育管理者科学决策以及教育科学发展提供有力的帮助。同时，大数据分析作为大数据不可或缺的一部分，也给教育理论、教育应用的创新带来了新思路、新角度。因此，本文在分析其对教学管理带来的挑战，产生的影响基础上，探讨了大数据分析在教学管理过程中的实现路径问题。

一、大数据分析下教学管理面临的挑战

（一）对教育资源的挑战

大数据分析对教育资源挑战主要体现在两个方面：首先，在数据资源的采集与共享方面。教育数据挖掘、学习者状态分析是大数据分析应用于教学管理的关键所在。而教育数据挖掘和学习者状态分析的基础就是数据，但目前我国各级教育部门和教育机构对于教育数据的采集还较为薄弱，一是对学习者个体的数据采集缺乏连续性，没有形成学前教育、义务教育、职业教育、高等教育一系列完善的数据采集［1］。二是不同教育机构之间存在数据壁垒，数据无法共享，这就使得大数据分析只能针对学习者当前的学习状态进行分析，无法对学习者进行全面的分析和长期的规划。其次，在优质教师资源共享方面。大数据分析下教学管理的应用特点之一是人工管理与机器管理相结合，其中机器管理的环节可以通过技术和基础设备的投入来达成，而人工管理主要依靠教师的教学管理经营进行主观判断，其中片面、错误的判断会大大影响教学管理的效果。从目前我国教育资源的现状来看，优质教师仍是稀缺资源，同一地区的不同学校、不同地区的学校之间的差距很大，从长远上看这不利于大数据分析应用于教学管理的普及，也不利于数据的积累。

（二）对教师素质的挑战

首先大数据分析对教师技能素质提出了新的挑战。很长时间以来，我国教学管理模式由教师主导，学习者是影响教学管理的主体因素，但其核心地位却未被突出。大数据分析是以学习者状态以及相关教育数据的分析为基础的，因此对于教师来说，面对的首要问题就是角色的转换。教师逐渐从知识传授的角色转变为学习引导的角色，还要根据教学管理经验不断地发现学生的需求并有针对性地做出相应的反馈。其次，大数据分析对教师的信息素养提出了新的要求。一般来说，传统教学管理在信息技术上的运用多为计算机基础操作方面的内容。但大数据分析技术要求教师进行一定的数据分析，这就要求教师要对数据有敏感度。同时，新技术的应用势必涉及到相关管理软件的更新，对于教师来说，需要涉及到过程管理、业务管理、质量管理和监控管理，对管理软件下每个操作的模块都要有足够的了解，如此才能真正地发挥大数据分析的价值和作用。

（三）对平台技术的挑战

大数据分析是以云计算、互联网等信息技术为依托的，因此其在教学管理中的应用必须要求教育机构具备较高水平的技术支撑。在大数据+教育的构建中，有的学校会采取第三方专业公司代为管理的模式，这在一定程度上弥补了学校自身的技术缺陷，但从长期来看还存在着以下问题：一是不利于教学管理实时性的实现。学校作为我国最为主要的教育机构，每个学校的学生体量是相对较多的，在大数据分析应用于教学管理的各个环节中，很多教育方案的制定和教学活动的设计都要求具有实时性，而第三方专业公司的介入实际上使教学管理实施的流程更加复杂，单个操作可能要经过学校、教师、第三方公司多个管理主体的审核，降低了教学管理的效率，不利于开展实时性的教学管理；二是托管对象未接受过系统的教育学教育，其在教学方面没有足够的积累和经验，单纯依靠代管人员进行教学管理的应用则可能忽视教学管理的一般规律，导致大数据只能沦为机械化的管理方式，而无法促进教学管理各个环节的智能化。

（四）对基础设施的挑战

大数据分析各项功能的实现，不但要依赖相关技术的支撑，而且需要完善的基础设施的构建。对于教学管理来说，对基础设施的挑战主要来自以下两个方面：首先是基础设施建设的全面性。教学管理包括过程管理、业务管理、质量管理和监控管理，每个管理环节的重点和涉及的内容都是不同的，要想真正发挥大数据分析在教学管理中的作用，就要将每个管理环节有机串联在一起，这就要求每个环节的基础设施建设要均衡，但从目前的建设现状来看，大多数的学校对过程管理和业务管理较为重视，投入的资金也较多，但却忽视了质量管理和监控管理，基础设施建设的乏力使得质量管理和监控管理无法与其他两个环节互联互动，这在一定程度上不利于教学管理的持续改进；其次是物联网建设的乏力。在学校，学生的学习场景不是一成不变的，大数据分析要针对学生在不同学习场景下的不同学习状态进行针对性的教学管理，这就需要运用物联网的技术将学生在各个场景下产生的数据尽可能地收集起来形成庞大的数据库。但从目前大多数学校的建设现状来看，线上的数据收集较为完善，而学生在线下产生的学习数据则较为匮乏。

二、大数据分析给教学管理带来的影响

（一）教学管理活动更具灵活性

首先，大数据分析实现了人工管理与机器管理相结合，使教学管理活动更加灵活［2］。在大数据分析技术下的教学管理既包括技术支撑的自动管理，也包括以教师经验为支撑的人工管理。学习者在进行学习活动时，会产生相关的数据，运用大数据分析对数据进行处理将学习者的个人学习状况进行量化，并将所得出的数据与教师预先设置的课程目标和学习目标相对比，媒体设备、移动APP、在线学习平台会根据学习者与目标的差距推送相应的学习资源或者作出学习推荐，教师则可以根据数据差距凭借自己的教学经验采取适当的方法进行学习干预。大数据分析综合了教学管理的主观因素和客观因素，是定量分析和定性分析的统一，给教学管理提供了更多的方式，教师能够根据所处教学管理的阶段自由选择管理模式，分配人工管理和机器管理的比重，如作业批改、考试成绩核定环节可以完全选择机器管理模式，减少主观因素造成的错误。而在讲解答疑、教学互动的环节应该加大人工管理的比重，以增强教学互动的感染力。

其次，大数据分析下教学管理的实时性特点也使得过程管理和业务管理更加灵活。在传统的教学管理中，教师对学生的学习干预等管理活动通常是滞后的，即教学管理活动仅针对已经发生的问题进行处理，而很难做到事先对可能发生的问题进行预警或预防。如在质量管理中，只有在学生考试得出成绩后，教师才能够根据成绩对其作出有效指导。又如在过程管理中，需要通过一个学期或者半个学期的时间进行总结和评价。但在实际教学管理活动中，学习者的状态是实时变动的，教师的教学管理活动在不同阶段也是有所不同的，这就导致了传统教学管理模式与实际教学管理情况的脱节，影响教学质量和学习效果。而大数据分析技术下的教学管理具有较强的实时性，通过人工管理和机器管理的结合，学习者在学习过程中产生的数据会实时反馈到数据库并通过可视化的界面表现出来，机器和教师能够实时掌握学习者的学习状态，对学习者当前存在的问题和可能存在的问题进行预测和分析，学习者的学习方案、学习内容得以灵活、实时地调整；教师也能够借助大数据分析技术灵活地调整自身的教学活动，并通过学生的实时反馈数据调整自己的教学方案和教学方式。而质量管理和监控管理也从传统的线下管理转移到线上管理，使得管理更加灵活，更多的管理模式得以实现。教学管理灵活性的增强，丰富了教学管理模式，大大提高了教学管理各环节的效率。

（二）教学管理具有较强的针对性

教学管理包括过程管理、业务管理、质量管理和监控管理。一般来说，这些教学管理的环节是独立且割裂的。仅过程管理就包括教学过程管理和学习过程管理，教学过程包括备课、上课、作业批改、考试等等，学习过程包括预习、上课、复习、掌握等等。每一个个体在每一个环节产生的数据都是不同的，因此在传统的教学管理模式中，很难将所有的教学管理环节综合起来生成可视化界面，这大大降低了教学管理的效率。美国教育部在《通过教育数据挖掘和学习分析促进教与学》中，指出大数据在教学管理中的特点，其中就包括人类判断过程的简化，即大数据分析技术用人们更容易理解的方式来展现相应的数据，从而方便人们更高效地了解数据特性，作出决策［3］。教学管理过程的可视化就十分有助于人类判断过程的简化，通过大数据分析技术，教学管理的各个环节得以量化，教师可通过一个数据平台浏览到各个环节产生的数据，从而能够更好发现各个环节中的联系，高效作出决策。

大数据具有数据体量大、数据流转快、数据类型多、价值密度低的特点，而大数据分析的关键就在于通过技术挖掘海量的低价值密度数据之间的关系，从中筛选出高价值的数据，明确数据之间的关系，以此为依据作出各主体下、各情况下的决策。而对于教学管理来说，大数据分析即是对教师、学生以及各种教学环境下产生的数据进行分析从而帮助教师和学生在各种情况下做出合理的学习或教学决策。因此，大数据分析下的教学管理更具针对性、更加个性化。如对学生个人信息、学习时间、学习课程、历史成绩等数据进行大数据分析，得出学生的学习习惯，对学生未来的成绩进行预测，并根据预测的结果分别给予不同的学习方案推荐。又或者根据学习者在线学习的点击量、页面停留次数等情况，有针对性推送其感兴趣的学习内容。每个学习者都是独特的生命个体，都拥有着独一无二的学习潜能，对教学管理也有着自己的个性化需求［4］。随着大数据分析的发展和应用，学习者数据分析会更加地全面和细化，这一定程度上减少了教师和学生对自己以往经验的依赖。

（三）增进教学管理的互动性

根据美国教育部的《通过教育数据挖掘和学习分析促进教与学》，学习互动是学习者状态评价的四大指标之一，而大数据分析对教学管理的互动性有着很大的提升作用。首先表现在学生与教师的互动。在在线学习平台、移动APP等以互联网技术为基础的学习场景下，学生和教师间的互动更加方便，突破了时间与空间的限制，有助于实现教学管理实时性的特点，帮助教师更加及时地掌握学习者状态。第二，互动性的增强还表现在教学管理四大环节中，上文中分析到传统教学管理四大环节通常是独立且割裂的，而大数据分析技术以可视化和实时性的特点将过程、业务、质量、监控的四个管理环节有机结合在一起，通过过程管理完善业务管理，通过质量和监控管理反馈于业务和过程管理。四个管理环节的有效互动，增强了教学管理的全面性和科学性，使得教学管理能够更好地发挥系统化优势，不仅能够有效地平衡各个环节的比重，还能够通过互动取长补短，不断改进各个环节的管理方式。

（四）促进优质教育资源最大化利用

大数据分析能够促进教育资源的最大化利用，主要表现在两个方面：一是有利于教育资源的共享。大数据分析涉及互联网、云计算等前沿信息技术，其功能和特点的实现不仅依赖于先进的分析技术，还依赖于庞大的数据体量。如今，教材、课程等教育资源的共享已逐渐成为现实，但优质教师资源的共享却很难实现。但通过大数据分析，教学管理中个性化的教学方案选择、学习内容推荐都作为数据被保存下来，这些数据则形成了新的教育资源，而这些数据是由人工管理和机器管理共同产生的，不仅具有一部分教师的功能，其数据载体也十分便于共享；第二，大数据分析下教学管理个性化的特点也使得教育资源被最大化地利用。每个学习个体的学习状态都是不同的，其个性化学习方式的推荐依赖于海量数据支持。在传统教学管理领域中一些被忽略的教育资源和数据资源会被重新挖掘出来，而通过教学管理的不断完善，无用的数据也会被逐渐地剔除，教育资源得以最大化的利用［5］。

三、大数据分析在教学管理中的实现路径

（一）以学习者状态为基础，不断优化数据收集

从上文中的分析可以看出，学习者状态识别是大数据分析技术的起点和关键，基于大数据的教学管理的基本前提就是通过技术手段获取和分析学习者的相关数据，从而为教学管理的实施提供参考依据。因此，如何获取数据、获取什么类型的数据就是教学管理中大数据应用的重点内容。对此，研究者应选用合适的技术对教学管理所需数据进行适当的分类，并从多个维度进行分析和总结。一般来说，数据的获取主要通过数据捕获、多感知数据、实施传感来进行，综合数据获取技术的运用有助于收集学习者在各个场景、各个学习阶段产生的数据。在具体的应用上，教学管理部门应针对学校的信息化程度和技术可行性选择相应的方法，在线学习环境下通常选择数据捕获［6］。在选择了相应的数据获取技术后，就要有针对性地对所需数据进行分类。这一步是为了提高学习者状态识别的精确性和教学管理策略实施的有效性。

学习者状态识别的数据主要来源于四大类：学习风格，如学习时长、学习进度表等；学习进度，如学习者过去的知识结构，学习资源的种类、内容等；学习成就，如随堂测验成绩、作业成绩等；互动水平，包括学习兴趣、活跃度、点击率等等。但在教学管理中，不能仅针对学习者在学习过程中产生的数据进行收集，教学管理包括过程管理、业务管理、质量管理和监控管理，因此其需要考量的数据种类十分广泛，在大数据应用的初级阶段，可先收集过程管理和业务管理的数据。但需要注意的是，除上述提到的数据外，还应注重收集学生、教师、管理平台三者之间的交互数据以及学习者的情感数据。综上所述，考虑到学校信息化水平和教学管理系统功能，在进行大数据分析时主要收集学习风格、学习进度、学习成就、互动水平这四方面的数据。此外，随着大数据应用的逐渐成熟，后期还可加入学生的生理和心理数据用于判断学习者对学习的态度。数据收集的种类不是一成不变的，教学管理部门应对大数据分析的结果进行动态追踪，以把握各类数据的有效性和实用性，对数据种类进行动态调整，以保证教学管理策略的科学性。

（二）结合人工管理与机器管理，丰富教学管理策略库

教学管理策略库的设计在教学管理全过程中的作用至关重要，它直接关系着教学管理的效果。在完成学习者状态识别之后，就要根据结果匹配相应的策略库。由于教学管理涉及的环节较多，学习者特点各有不同，因此需要有丰富的策略库予以匹配，如此才能保证教学管理的效果，提高学习者的学习水平。

学习者状态策略库要实现可视化操作，以便更直观地表现出学习者在各阶段的数据水平，也能够让教师、管理人员或学生自己更便捷地了解相关数据，从而匹配到相应的管理策略。如学习风格的策略匹配就可以在学习项目开始前或学习新知识前进行简单的问答，根据问答结果推送不同类型的学习资源。学习进度的策略匹配可以对学习者自己的进度、与平均学习进度、与他人学习进度进行比较，根据结果对其进行邮件提醒或教师直接干预［7］。学习互动的策略匹配可以根据学生的问答数、论坛活跃度等数据，设置相应的激励措施鼓励学习者参与互动。学习成就的策略匹配可根据成绩、知识薄弱点等进行个性化学习指导。在进行教学管理策略匹配时，要采用人工管理与机器管理相结合的方式。在学习者数量较多时，机器管理可以有效减轻教师的负担，提高管理效率，而人工管理则有助于教师更为深入地了解学习者的学习状态。学习成就、学习进度等客观性强的管理策略匹配可采用机器管理，如在作业中发现学生出现重复知识点的错误，当错误次数达到规定标准时应对学生的这一知识点进行重复测验，以检查学习者的掌握情况。在涉及主观因素较多的学习态度、互动水平的管理策略匹配上，要以人工管理为主。如在发现学习者学习积极性低、互动水平低时，教师可通过一对一访谈，在线聊天的方式对学习者进行督促。