数智融合：数据驱动下教与学的演进与未来趋向*——兼论图形化数据智能赋能教育的新形态

郑思思 陈卫东 徐铷忆 袁 凡 褚乐阳

（苏州科技大学 新媒体交互设计与应用研究所，江苏苏州 215011）

一、引言

随着大数据、物联网、数据挖掘、云计算、拓展现实（XR）、数字孪生（DT）及人工智能（AI）等新兴技术的快速发展，以及各种传感器和可穿戴设备技术的广泛应用，人类的认知能力得到质的飞跃，人类也从“以自我控制、自我管理为主”的IT 时代进入到“以服务大众、激发创新力为主”的DT（Data Technology）时代，形态多样、海量的数据分析、处理和应用，已成为信息科学领域面临的一项巨大挑战。

基于AI 技术的数据个性化、智能化的应用正在掀起一场全新的革命，数智融合（BD+AI）已成为当下时代的典型特征。甚至有大数据技术的支持者认为，世界万物皆可量化，世界的本质理应是数据[1]。从哲学角度来看，数据不仅仅意味当下，也是过去的累积。数智融合下的“数据”是信息流背后的人、物和事件的总和。数据描述着一系列关系的发生，是个体和社会的各种物质、非物质生产、流通及消费行为的基础。可以说，数据改变了人们理解和研究世界的方式，越来越多的数据可以被采集，并用于大数据分析、人工智能训练等领域，数据正在成为一种资源。正如马云所说，未来最大的能源不是石油而是数据[2]。数据已成为当前及未来最为核心的生产要素。

从数据的视野来看，大数据指的是一种新的数据世界观，它认为所有事物都是由数据构成的，一切皆可“数据化”。教育领域的大数据，贯穿于整个教学活动中，是依据需求采集到的所有与教学活动密切相关的数据集合。当下，随着移动通信、智能技术、云计算、普适计算等的并行发展，教育领域大数据在适应性教学、教育规律发现以及精确管理等方面都已实现初步应用。

图形化数据是当前大数据的重要形式之一，它改变了人们进行信息传达和沟通的方式。海德格尔（Martin Heidegger）曾说过：“从本质上看来，世界图像并非意指一幅关于世界的图像，而是指世界被把握为图像[3]”。图形化数据可以帮助人们快速地耦合异构数据、理解内容、发现规律、交流信息。在教育教学中，借助图形化数据，可对教育过程产生的数据进行实时处理和交互分析，能帮助教学者和管理者跟踪变化和理解变化背后的成因，这有助于形成技术促进下的课堂新生态，更好地优化教与学的全过程，服务于学习者的学习和发展。

二、数据驱动的原理及应用现状

（一）数据驱动的起源与发展

数据驱动的起源与发展主要可分为三个阶段，如图1所示。自文艺复兴时期在自然历史科学领域假设驱动阶段，到初步探索时期的以数据为中心的“伪”数据驱动阶段，再到如今的数据自动化决策的高速发展阶段。

图1 数据驱动的起源与发展

数据驱动的应用最早可以追溯到文艺复兴时期的自然历史科学领域，随着新大陆的发现，当时的欧洲自然主义科学家发现了大量与自身认知体系完全不同的事实与信息，这便催生了科学家们设计出新型数据管理方式。例如，利用笔记策略和新的分类系统以应对大量未知数据。这些数据管理新方式的产生，也为大量数据的积累提供了可能性[4]。早期的自然主义科学家以标本、图文以及文本等方式建立收藏库，并通过与自然世界的比较，进而得出结论。

可以看出，当时的研究者们已开始尝试通过分析“数据”，试图为多样的自然形式建立秩序，与当下的数据驱动方式十分相似。但实际上，该时期的自然主义者通常是在主观搜集的数据中展开研究的。因为，自然历史主义从根本上是基于本体论假设而展开的，他们通常都将“假设自然群体的存在”设为既定前提，所以在此之后所产生的数据并非客观的“原始数据”[5]。因此，可以认为该阶段的自然历史科学是假设驱动的。但当时的自然主义科学家通过多种渠道收集大量的数据，不仅包括假定的研究对象，还包括其它与之相关的广泛的物质和抽象实体，这些均被用来作为“数据”。而这种数据采集方式一直被沿用至今。

随着数字化的推进，人们逐渐开始重视数据的应用，并认识到任何事物的属性和规律在通过一定的抽样、量化后，都能将其转换成数据并进行传递。随后，大数据的大范围应用，彻底改变了人类的行为方式与认知世界的能力。人们开始对数据驱动进行初步探索，而该阶段则多采用以数据为中心的方式。主要表现为：首先搜集大量数据；其次对这些数据进行整理、特征提取；最后生成报告并进行人为决策。

当前，数智融合的态势越来越明显，大数据与人工智能、机器学习等技术已迈入深度发展与相互融合的阶段，而数据驱动也进入了可独立运行的智能化高速发展阶段。数据驱动依靠着智能系统与数字线程技术，完成了链路中最重要的一环——数据自动决策。以数字孪生技术为例，高阶形态的数字孪生可实现虚拟形象与智能系统间数据的双向自流动，通过虚拟孪生体与孪生对象间不断地交互、比较，进而形成决策，并对物理实体进行优化[6]。由此可见，该阶段的数据驱动系统，已完全实现了数据主导。

未来，由数据自驱动形成的闭环会步入全域感知阶段，用户通过感应系统或交互系统输入数字信号，接着智能系统通过对数字信号进行分析与处理，形成洞见，并自主驱动形成智能化决策。如，在医疗领域，扩展现实（XR）技术的情境感知特性，能实现对人、环境等数据的全面采集、分析，由此可基于这些数据对用户的健康状况进行评估，提供个性化的健康管理建议等，进而为用户提供智能化、个性化的医疗服务管理与体验。

总体而言，数据驱动已步入自动化驱动状态，大数据与人工智能、分布式计算等的紧密结合，赋予数据感知、理解、推理等能力，使驱动系统足以实现对大数据时代下大量的高维异构数据的处理，形成数据与智能融合驱动的新生态。另外，如何将决策数据进行合理加工、编排，以图形为主要表征方式进行展现，顺应数据“去中心化”的趋势，实现数据的可理解、决策的可解释，或将成为下一阶段亟待解决的问题。

（二）数据驱动的概念与界定

对于数据驱动的概念，有学者认为，数据驱动可以看作为一种“数据”的使动用法，即指被数据推动的过程或活动，而不是仅凭直觉或个人经验来驱动[7]。换言之，所有的流程都需依赖于数据，所有的决策都需基于确凿证据。也有学者认为，数据驱动是基于模型的或是由模型所驱动的[8]。在数据驱动中，数据模型的建立实际上是对数据的一个加工过程，将原始数据通过逻辑进行串联，以获得所需的数据信息。

我们认为，数据驱动指通过采集海量的数据，并对数据进行清洗、加工、计算以建立数据模型，如图2所示。在此过程中，保持数据的动态更新，以推动模型进化与迭代，使粗糙模型进化为足以映射真实精细化模型，再通过数据分析与算法，对模型进行训练并实行预测。最后，通过对关键特征与信息的提炼，以驱动决策的生成；并将决策进一步实施，而在决策实施过程中会进一步产生新的数据源，以形成数据驱动到决策生成的闭环。

图2 数据驱动模型

（三）数据驱动的核心特征

1.实时互动

桑文峰提出，在数据驱动的过程中，数据的采集要做到“大、全、细、时”。其中，“时”是实时互动的重要要求[9]。目前，随着物联网、传感器及可穿戴设备等技术的普及，互动行为数据的实时采集变得简易化与多模化。5G 等通讯技术的发展，更拓展了多维数据的传输信道，可以快速地帮助模型进行迭代与更新，以提升决策质量与决策时效性。

2.埋点采集

“埋点”指的是在网络环境中嵌入数据采集代码，以获取人们的行为数据，它是一种极为高效的数据获取方式。埋点采集一般分为全埋点（又称无埋点）、半埋点与可视化埋点三种，以实现在不同的条件下的数据使用[10]。在数据采集的过程中进行埋点，可帮助使用者实现精准操控。

3.深度分析

数据驱动需要对数据进行深度分析，以此发现状态、反映规律。传统的浅层分析法，无法深入解析非结构化数据。利用智能感知技术，数据驱动可实现对多模态、多维度数据的分析，从而提升模型建构的质量，使得决策输出更为精准。以新零售行业为例，利用数据驱动技术，可以实现对消费者性别、年龄、文化背景、消费行为等多方维度上的数据采集，并能对这些数据之间的相关性进行分析，建构起以消费者需求为导向的用户画像，以充分挖掘用户消费行为背后的隐藏信息，如，消费习惯、购买趋向等，可以有效帮助企业把握市场动向，寻找潜在消费者。

4.循证决策

数据驱动要求基于数据推导结论，以脱离人为主观经验的影响。对于所采集的数据、信息的分析与决策，需建立在严格的客观“证据”之上[11]。基于证据的决策能有效提升决策的科学性，从而使得数据驱动系统成为一个积极的反馈循环。

三、数据驱动教育领域应用的演化及发展趋势

（一）数据驱动教育应用的演化

数据驱动下的教育在不同时代，展现出不同的特性，如表1所示。在工业时代，教育主要依据教学者的经验而展开。随着互联网与数字技术的发展，人们的决策方式与数据应用模式逐渐发生了改变，由万物皆可量化的数字化教学，向更为关注人本身能力培养的数智化教学转变。大数据与人工智能、机器学习等相结合，使得计算机具备了对人、环境的理解、感知、推理及预测的能力。全向的人机交互，能深入挖掘数据背后的价值，而图形化数据的应用能打破数据解读的障碍，使得数智化在教育领域的应用更为广泛。其演化经历了三个阶段，如图3所示。

表1 数据驱动在教育领域的演化

图3 数据驱动在教育领域的应用发展

1.起始阶段

我国传统教育以经验模仿式教学为主，教师在课堂中占据主要地位，把书本知识、已有的理论经验灌输给学生。在这一教学过程中，学生只是被动地参与学习、接收知识。虽然，该教学模式从短期上来看较为有效，能够提升教学效率，但却忽视了学生之间的差异性。而在后期的教学评价中，传统教学评估方式多为总结性评价，基本是以考试测验或调查量表来进行的。这种评估方式与强制量化的方式，会给学生带来了一定的心理压力，学生主观心理因素的干扰，直接影响数据收集的客观性与准确性。在此阶段，要求教育者需独力进行数据分析。教育者进行数据分析活动通常都需要掌握一定的数据分析方式，拥有数据决策能力，对其而言门槛较高。因此，传统教学在数据方面使用存在着一定的先天不足。

2.探索阶段

随着全社会移动端的普及、云计算服务的发展以及大数据分析技术的突破，大数据的广泛应用革新了教育理念、教育思维及教学方式，传统经验式教学慢慢转变为以数据为中心的教学，基于学生行为数据分析的教学将逐步变成现实。在探索初期，一方面，对于采集的学习数据缺少过滤，导致数据库掺杂着这一些冗余的、缺失的、质量差的“脏数据”[12]。这些数据通常缺少在垂直与水平方向上的关联性分析，导致冗余数据不能被及时剔除，因此，在分析结果时常存在误差，数据价值也未能完全展现。另一方面，在此阶段，对于大数据的应用还仅仅停留于数据收集层面，决策的产生通常还是以人的主观判断进行的，因此，会有产生“假规律”的风险。在探索后期，人们对于技术的发展以及对于大数据的深入研究，使数据收集和分析的方式有了一定的改进，教学内容也逐渐延伸至课本之外。另外，互联网的介入与新的计算机技术支持的交互式学习方法与学习工具，也为学习者学习行为的量化与采集提供了新的方式。特别是更加集成、模块化和复杂化的学习系统，为教学收集了更多类型的数据。当下，针对多维度、多模态数据的多元化处理方式，以及多样化分析手段，能有效助力教学数据的挖掘，并作出科学决策。进而实行智能化干预，使教育逐步走向数据驱动阶段。

3.发展阶段

随着人工智能技术的普及，以及大数据应用的深度研究，如今，教育大数据的应用已呈现出数智融合态势。大数据与人工智能技术的结合，使得系统实现对数据的可理解与可感知。再通过分析相关关系，对教育大数据进行深度挖掘，教育决策将变得更为准确与科学。这对课程建设、教学环境塑造、教资力量的提升，起到良好的支持作用[13]。然而在教育领域，决策的产出需作用于人，而数据化的决策结果往往难以理解，也难以追溯，因此，催生了数据的另一种呈现方式——图形化数据。视觉被认为是人类最强大的信息输入方式，利用图形化数据可将学习过程、表现行为以及思维，都转化成图形化的方式加以展现、表述甚至是交互[14]。此外，将图形化数据应用于教学中，能实现在多维度空间上的知识呈现，可有效降低认知负荷，减弱知识传授难度，提高教与学的效率。

（二）图形化数据驱动下的教育应用分析

数据驱动在教育领域的探索与发展从未停止。但就目前而言，大部分校内教学活动仍沿袭着传统经验式的教学方式，变革缓慢。因此，要推动教育向现代化、科学化转型，必然要依靠数据驱动。有学者提出了循证教学的理念，认为教学应遵循证据而展开。数据驱动在教育领域的广泛应用，更加丰富了教育中的“证据”，使得教育活动更为科学且合理[15]。因此，依据数据智能化决策调整教学策略、教学手段，进行循证教学，进而构成以理解力、服务力、感知力与计算力支撑的新型教学，才是未来教育的理想形态[16]。

随着信息技术的发展，数据被大量的生产，利用传统的文字、语言等叙事方式无法高速读取大数据中所蕴含的信息。事实上，人们对于事物的认知、理解与思考，很大程度上都依赖于视觉输入。基于此，教育者可以使用图形元素等方式，优化认知材料，助力于学习者的认知。正如亚里士多德（Aristotle）认为，没有图像，就无法进行思考[17]。这说明了，图形化在数据驱动教学领域的应用与发展极为重要，并且图形也具有承载大量复杂数据的能力。比如，2019年加德纳（Gartner）技术成熟度曲线图，也将知识图与图形分析分别列在了触发期与期望膨胀期，并认为在未来五到十年内，这两项技术会逐渐走向成熟，如图4所示[18]。Gartner 还预测，在未来对于图形处理以及图形数据管理系统的应用，将以每年100%的速度增长。可见，图形化数据的应用，正在受到大范围的关注[19]。

1.教育图形化数据的类型与生成

随着图形化数据在教育领域的日益普及，图形的表征形式，将教学活动数据由抽象转变为具象，降低了教育者对于教育信息的认知负荷，这为打破现有教学方式的壁垒提供了契机。早期将数据转变为图形，主要是通过布局算法来实现数据点的排布，但这类方式只适用于数据量较少的情况；数据量一旦增多，就会出现节点重合、连接交错等情况，干扰数据的读取[20]。随着图形数据大规模的激增，研究者们逐渐将图聚类、图压缩、图抽象等技术，引入图形化数据领域，其中图聚类技术已被广泛应用：先对数据进行聚类，再通过可视技术进行布局[21]。

图4 2019年加德纳（Gartner）技术成熟度曲线

（1）教育图形化数据包含的类型。从广义上来看，教育大数据泛指在日常教学活动中所产生的所有数据，是多模态、多类型、多维度的复杂数据的集合体。而图形可以容纳大量的数据并且具备多维度统一展示的功能，能将异构数据以便于观察、便于理解的方式进行展现。我们将教育大数据图形化，可有效帮助教育者开展教育分析、研究，是推动教育变革的基础支撑。为更好的处理多样化的数据，可将图形化数据中包含的教育数据分为四种类型加以展现，分别为：教育过程图形化、教育关系图形化、教育状态图形化与教育支持性数据图形化，如图5所示。

（2）图形化数据的生成方式。目前，通过可视化技术将数据以图形的形式展现，主要依赖于四种主流方式，分别为：科学可视化、数据可视化、信息可视化、知识可视化。

首先，科学可视化，又称为科学计算可视化，主要指利用计算机将科学计算结果以及在计算过程中复杂的数据变化，以图形的方式进行展现。一方面，可以有效帮助科学家、研究者理解概念、发现科学规律；另一方面，将计算过程进行图形化呈现，便于研究者通过改变计算参数、观察现象的变化[22]。在教育领域，科学可视化可帮助研究人员在教学研究与教育管理方式等方面进行可视化的计算与定量分析等。

其次，数据可视化指将数值型数据以图形的方式客观的展现出来，以帮助人们理解数据，并观察数据与数据之间的结构关系，可用于对教学中客观环境数据的展现等。而信息可视化则更侧重于对非数值型信息等抽象数据的处理与分析，通过对非结构性数据的挖掘、提炼，进而连接起结构性与非结构性数据，并分析其中关系，从而发现数据之间本质规律，可帮助教育者寻找教育数据中的潜在价值，并洞察发展趋势。

最后，知识可视化主要指将学习者的个体知识以图形的方式展现出来，从而促进知识在群体之间高效传播与创新。另外，知识可视化还可用于传递经验、价值观、意见和预测等，并帮助学习者正确的记忆与应用知识[23]。目前，形成知识可视化的主要技术方法，包括知识图谱、思维导图、认知地图等[24]。除此之外，在可视化技术中还包含着一个领域——可视分析学。可视分析学是随着科学可视化与信息可视化发展起来的，通过交互式的可视化界面来促进分析与推理[25]。而图像化数据也强调可交互性，因此，二者对于数据的可视化分析流程，具有很大程度上的相似性，如图6所示。

图5 教育图形化数据的四种类型

图6 可视化数据分析流程

借助于上述这些可视化技术所形成的图形化数据，目前，在教育领域展现出了多样化的应用可能性。我们认为，未来图像化数据，将会成为数据智能驱动教育的主要应用形式。

2.图形化数据在教育领域的应用分析

（1）教师教学方面。数据驱动能帮助教师实现循证教学，为教师提供一个快速、轻松的方式，助其分析、共享、应用数据，建立起全方位的基于数据的积极的教学反馈循环。图形化数据可以迅速为教师展现学生的学习状况，预测学生的学习成绩与发展走向，通过对数据的分析驱动决策生成，帮助教师及时调整教学方式。另外，图形化数据驱动，能为教学中各个环节的数据决策，提供简单易懂的展现方式，以辅助教师更好地开展教学活动。如，通过收集教师行为数据，跟踪教师教学历程。以图形的方式展现出来，可供教师发现自身问题。教师可依据驱动系统作出的决策建议，进行教学行为的优化，从而有利于其自身能力提高和职业发展。

图形化数据的应用，能极大程度上地提高教学课堂的能动性。图形化数据驱动允许教师将教学内容融入包含图形与文本的动态信息图之中，通过对视觉元素的合理搭配，建立起与学生的情感共享渠道，并将自我感受与心理效应传递给学生。这也在一定程度上降低了学生由于大量文字阅读所产生的认知负荷，为实现轻负高质的教学提供新思路。此外，可利用图形化数据构建学习者画像，并提供交互界面。基于数据并通过多种算法，将学习者的学习风格、知识水平、身心特征、思维构建过程以及情感状态，展示于学生画像之中。教师可以通过概览、缩放、查看细节、检索等交互操作，对学生画像进行观察或分析，帮助教师了解学生的成长动态，并给予学生发展建议，从而制定出学生个性化学习路径并展现给教师。

（2）学生学习方面。图形化数据驱动技术为学习提供了智能化的支持，通过采集学生的学习行为数据，如，听讲、问答、讨论、做练习、媒体操作等数据，以及学习者生理与心理的动态变化数据，进行分析并建立模型，可有效地将学生的隐性数据外显化。学生们可通过与图形界面进行交互，了解自身信息节点之间的关联性，发现自我的一些认知缺陷、学习偏好等。例如，学习仪表盘可通过对学习者学习行为的跟踪与镜像，反映并辅助其监测自身的学习过程，通过图形化数据加以呈现，进而帮助学习者把握自身学习过程中的弱点与盲点，并及时进行自主调整与学习反思，加强自我管理从而培养学生学习的自主性以及其分析、解决问题的能力[26]。再如，“快乐学”学习仪表盘通过统计学生在做题过程中的错题类型与数量，分析学生在各项学习方面的薄弱环节，以提供学习指导，帮助学生查漏补缺[27]。另外，美国普渡大学（Purdue University System）建立的“警告信号系统”（Signals-Stoplights for Student Success），学校通过网络教育平台数据收集学生成绩变化，进行分析后形成学习困难层次的分类，分别用绿、黄、红色来表明危险等级，实现了对教学的实时精准教学干预[28]。

（3）教学评价方面。随着大数据科学的发展，教育领域迎来了第四范式的教育评价——数据密集型评价[29]。第四范式是指通过仪器收集数据或模拟方法产生数据，并借用软件进行处理再形成的信息指示可视化呈现[30]。第四范式的教学评价是数据驱动型的教学评价，推动了教学评价向科学化、数智化的方向发展。教学评价也逐渐由单一维度的评价走向多维度的综合评价，实现了在时间上的连续性、空间上的多维性，增强了教育评价的效能。例如，图形化评价数据展示形式，增加了评价结果以及评价关联因素的可读性，并可将评价结果直观的反馈给教师。Steward Butterfield 在2004年首次使用了“字云”的概念，而后，“词云”逐渐发展起来[31]。词云图通过对网络高频关键词的视觉化突出，根据关键词的重要程度、出现频次，用不同大小、颜色的文字形态进行展示，脉络清晰，可让用户在极短的时间内获取并理解关键信息。因此，可将此方式用于对学生学习评价结果的图形化展示，依据教学评价结果，对学生学习过程中的优势与弱势以不同大小、颜色的图形形状，进行关联呈现，直观地展现学生学习环节中的不足之处，可帮助教师识别教学过程中的重、难点，并追溯学生学习困难的原因。

另外，数据驱动的教学评价，可将评价嵌入教学活动的各个环节，通过实时采集数据给予教学活动持续性的评价反馈[32]。系统依据评价结果，综合建立学生学习路径图，并进行分析，为学生未来发展提供预测，进而对下个环节学习的方向与方式进行调整。此外，基于数据的第四范式的教学评价也是多元化的教学评价，不仅包括对学生的评价、还需形成对教师、教学方法、教学管理的评价。

（4）教学管理方面。随着大数据在教育领域的不断深入应用，教育管理也迎来了深度变革。基于数据的管理模式，取代了传统的行政管理与经验管理，管理模式正在实现由“经验式”趋向“全数据驱动式”的颠覆性变革，如表2所示。在全域感知的校园环境内，埋点采集使得学校拥有大量的多样态性数据。而图形化数据所展示出的关联特性，能有效进行数据梳理，进而清晰地反应各教育主体、教育资源之间的相互作用与关系指向。这可有效帮助教育管理人员分析教学事务的相关关系，挖掘隐藏信息，发现教育中存在的潜在问题，以驱动精准决策的生成，为学校教育管理工作提供预测性、前瞻性的支持等。

表2 教学管理由“经验式”趋向“全数据驱动式”

四、图形化数据智能赋能未来教育的新形态

所谓数据智能，是指大数据与人工智能技术的融合发展。从技术角度而言，其本质上是对大规模的数据进行处理、分析与挖掘，再通过机器学习、深度分析等智能方式，提取数据中有价值的信息知识[33]。而图形化数据与人工智能的结合，则是通过可视化技术，将所获取到的有价值信息进行图形化的建模、排列并展现，使数据具有可交互性。在处理或解决问题时，图形化数据智能依据人们所需，智能化地为人们搜寻，挖掘数据间的相关关系，进行预测并提供最优方案。目前，图形化数据智能需与扩展现实（XR）、数字孪生（DT）、5G 或6G 技术、机器学习（ML）、超高清技术（4K/8K）、4D 打印等前瞻技术相融合。在为教师、学生、教育管理者提供图形化决策，帮助其理解数据的同时，不断丰富教学形态，为教育未来的发展提供新的可能，进一步推动数智融合教育的创新性探索。

（一）脑机技术支持下的高效学习

随着数智融合与脑机接口技术的融合发展，在未来，知识的传递将变得更为高效，人脑将可作为网络服务器中的节点，与外界进行双向的数据置换[34]。在未来的教学活动中，教师可先通过图数据库搜索教学知识点，再结合AI 技术对教学知识点进行上下文分析，加入必要的信息节点与教学知识点相连，形成完整的知识语境，进而生成知识图谱，并用以实现知识的脑机映射。由于知识图谱的每个节点和边均带有信息，因此，能高效地将完备的教学知识映射至学生脑中。学生可在脑内实现对知识图谱的解构、重组，并将其融入其自身的知识架构体系中；这也为学习能力与实践技能等多维异构的非关系性数据，提供良好的脑共享与脑复制途径。

目前，运用脑机接口技术可实现对脑电波的记录与分析，通过脑成像技术可将脑电波演变的数据与环境刺激因素，进行动态的图形化展示，用以分析外界环境刺激与大脑频谱之间的相互关联性，从而实现对大脑的控制。应用在学习过程中，系统可通过刺激大脑中的频谱信号，来实现对于学生思维活动的控制与干扰[35]。例如，通过对海马体中某些部位的刺激，可增强或控制学生的记忆；通过对大脑皮质层行为区的刺激，来影响学生的行为，帮助学生培养良好的行为习惯；通过对大脑神经元的刺激可提升脑灵活程度，来提高学生的学习效率。

脑成像技术还可用于实时监测学生的脑部活动状态。在学习过程中，一旦学生产生如学习注意力不集中等情况，系统便开始预警并进行智适应调节，以及时采取干预措施，帮助其再次集中注意力。比如，BrainCo 制造的赋思头环Focus，可通过脑电波量化学生注意力，并对学生注意力进行监测，并智能化地给予教师实时反馈。可见，数智融合为教师调整教学策略以适应学生注意力情况提供了支撑，使教学活动得以更为高效地开展。

（二）全息交互下的数智融合课堂

2020年1月，世界经济论坛提出了“教育4.0”全球框架，指出需着重培养的学生的创新创造技能及技术技能，开展个性化及自定进度的学习活动[36]。因此，传统的人人相授与基于数字屏幕的人机交互方式，已无法满足未来教育的需求。在未来教育中，可通过引入AI 语音识别、计算机图像视觉、全息技术、XR、智能感知设备等新技术，以实现在教学环境内的全域交互，进而建构起一个虚实融合且技术高度集成的智能化空间，为学生提供多维度的学习服务与体验。如，由“5G+4K/8K+全息技术”构建的全息教室，能为学习者提供高精度的视觉感受。利用云渲染技术，将教学内容生成为3D 图形、影像，再配以4K/8K超高清视频，使得教学内容“栩栩如生”。5G 网络可实现“即渲即传”，将教学内容全息化地展现在学生面前，允许学生与之进行交互，开展自主学习，以培养学生的探索能力、问题解决能力、分析思考能力等，还能提升学生的创新创造技能与数字技能[37]。

当学生对全息模型进行探索与交互时，图形化的方式能清楚地展示学生与全息模型之间的交互路径，通过此路径可了解学生对模型的认知与理解程度。若发现学生并未通过交互路径串联起教学知识点，即说明学生对模型理解存在困难。利用AI 技术与情境感知能力，系统可及时连接学习资源，降低学习难度，并为该类学生推送适合其认知水平的全息模型。若发现学生已基本掌握模型知识，系统便可为其生成下一阶段的个性化学习方案，进而实现精准化教学，促进学生深层学习能力的发展。

将全息课堂结合XR 技术与通感互联网，可带动起学生的视、听、味、嗅、触觉五种感官，为学生提供全面的感知体验，能帮助学生们形成对教学知识全方位的理解。原研哉曾说过，人同时也是敏感记忆的再生装置，能通过记忆在脑海中能够再现出各种形象，而这些形象是由感官刺激与人的再生记忆共同形成的[38]。因此，五感的参与，可以有效帮助学生构建起对知识点的图形化形象认知，并增加其对知识点的记忆的深度。

（三）人机融合的课堂新形态

教育智能体（Pedagogical Agent，PA）在心理学领域也被译为教学代理，指呈现于教学环境中，能够促进学生学习的虚拟形象[39]。未来，教育智能体需具备感知、视觉、即时反应与思考等能力，能对信息进行统合处理，对人、事、物实现多维度的理解，并拥有智适应与智调节的能力。在未来教育场域中，将逐渐摆脱当下以人类教师为主、教育智能体为辅的人机教学模式。教育智能体与人类教师将在教学活动中拥有同等地位，均具有自主教学的能力，并且“各司其职”。教育智能体负责教授客观的知识规律，而人类教师则负责培养主观的道德情感，构建起“双师”课堂，进而实现人机融合的数智化课堂。在AI 技术赋能下的“双师”课堂中（见图7），通常均配备以计算机视觉等智能传感设备，实现对学生人脸、体势、语音等的识别，并进行多模态的情感计算，构建起包含复杂数据的情感图示例模型，以帮助教育智能体理解人类情感；同时，也能通过图形、语音等方式向人类传递与表达情感，人机交互将变得更为自然。例如，当教育智能体监测到学生情绪比较低下或学生产生学习倦怠时，可主动开展课堂游戏，并同现实环境中的学生进行交流、玩耍，调动起学生的学习情绪，使得下一步教学活动更为高效地进行。

图7 SenseInsight 智能“双师”课堂

（四）数字孪生融入并构建新型共同体

在未来，数字孪生技术与教育智能体可以融合应用，教育智能体与学习者、学习者孪生体之间能够实现双向、多向交互，从而构建起“学习者—教育智能体—学习者孪生体”这样的新型共同体，进而完成人机的深度交流与信息的多向交换。数字孪生技术的介入，可对教学过程中产生的多维异构数据进行处理，从而实现对学生数据的深度采集。而教育智能体则可对每一位学习者进行精准地分析、评价，并在智能交互的指导下主动进行智适应干预。在知识空间理论、信息流理论以及贝叶斯定理算法的支持下，结合网络泛在AI 与大数据形成的基于数智融合的智适应系统，能够建立学习者图模型，并对图模型进行推演与智能分析，以发现学生与学习活动之间多重的相关关系，预测学生未来发展趋势，更为精确地为学习者规划最优化的学习路径。智适应系统还能为教师提供教学建议，帮助教师转变教学方法、调整教学方案，使得学习活动顺利开展。在学习活动过程中，教育智能体与学习者孪生体将扮演学习同伴的角色，助力于学生学习，如，有效增强学生的学习主动性，为学生提供情感支撑等[40]。

（五）虚实共生的沉浸式数智学习空间

随着“智能+”时代的到来，AI、大数据、云计算、物联网等前沿技术的成熟与普及，推动着世界从万物互联走向万物智联。5G 与AI 技术的发展，进一步促进了真实世界与虚拟世界的无缝融合，大数据与感知智能的融合，极大地提升了教学体验，学生的学习已不受物理空间的限制。通过XR 等技术，学生可在任意时刻、任意地点，进入虚实融合的场域进行可视化学习。在此境况下，学习的边界感被完全模糊，课堂的边界被延伸，这为未来教育的发展带来了无限可能。

随着工业4.0 的到来，各行各业均在向智能化迈进。将5G 技术应用于教育领域，可为沉浸式教学环境的构建提供新思路，是推动未来教育走向数智融合发展的基础动力。在XR 等技术所构造的虚实融合教学空间内，虚拟场景、模型可通过云渲染实时生成。此外，在未来教育中网络应是“按需服务”的。按需服务网络可依据学生所需提供动态的、不同层级的服务，来满足教学过程中学生与教师在不同层次上的需求。总之，在虚实共生的教学环境内，数智融合系统会依据每一位学习者的数据，以及教师的建议，挖掘不同学习需求，构建起场景、模型与需求数据之间的数据通路；再利用网络中存在的AI 泛在算力进行智能分析，主动操控虚拟学习场景或虚拟模型进行更新或重构，无缝切换所呈现的内容，为学生提供无差异化新体验[41]。进而实现“服务找人”，精准匹配学习需求，实现泛在智能；以学生为中心，为其打造智慧内生的且体验感良好的个性化学习空间。

（六）数智融合“全链网络”赋能教育均衡

当前，城乡教育不均衡主要表现在三个方面：基础设施的不均衡、师资力量的不均衡以及教学内容的不均衡[42]，我们需要在偏远地区加快网络建设进程并配备数字化智能设施。最近，马斯克（Elon Musk）提出的“星链网”以及未来6G 技术中的无线触觉网络，或许是未来“全链网络”构建的新途径，可实现生态网络的泛在覆盖，能使教学资源的传递突破时空限制、各地区教育教学资源可共通互融，并将数字教育资源延伸到各个角落，实现教育的“普智”。我们可以利用“5G+全息技术”，构建起新的全息课堂、全息教师形象，将之投射于各个地区，使得偏远地区的学生能与一线城市的学生享受一样的课堂环境、师资与数字化设施，并能同步进行实践操作。如，在生物、物理、科学等课堂上，基于数智融合，学生不但可与全息影像所投射的教师进行交互，还可以通过XR技术在虚拟课堂中进行练习和操作，采用4D 打印设备对学习所需模型进行打印，依据学习需求实现学生在虚拟环境下对模型的自主调整，从而帮助他们多维度地掌握知识，培养创新创造能力。

在未来，“普智教育”不但能实现多人的远程全息授课，还能实现“一对一”的个性化实时交互课程。图形化数据与人工智能所构成的数智融合系统，一方面，以全息影像形式为教学提供了基础环境，推动了教育均衡发展；另一方面，可通过对于学生能力、学习成果的分析，构建起具有统一标准的且能够表现学生知识、技能、能力的知能图谱[43]。当偏远地区的学生进入大城市求职时，企业通过该图谱对求职者进行了解、筛选，会进一步促进就业机会的公平。

（七）教育“智脑”赋能校园治理

基于云平台构建起的教育“智脑”，是数智融合的表现形态之一。它利用智能感知设备对与教育数据进行全面的采集，通过教育大数据平台对多维异构数据进行处理、融合、分析，并建立图模型。同时，人工智能平台通过算法、算力的支持，对数据进行深度分析与智能挖掘，用以支持在校园服务、校园治理、教学管理、人才培养等方面的智慧应用。

教育“智脑”可打破教育各部门之间数据的孤立性与封闭性。运用可视化技术将校园数据流进行动态化图形表现，在5G 技术支持下，实时展现教育中的人流、资源流、技能流、信息流等在静态设施中的流动状态，助力于教学管理与分析。此外，教育“智脑”是教育生态中的中控系统，运用智能传感设备，可实现对智能教育中教师、学生、教学设备、教育资源等各教育组成部分的全方位监控，如图8所示。如，在校园安防方面，运用目标检测、骨骼关节点监测等方式，能快速捕捉人体姿态，用以识别教学环境内教师、学生的一些危险行为；再通过5G 与边缘计算的结合，对该类行为进行分析，及时向校内安保人员发送警告；最后，安保人员通过XR 与数字孪生技术在孪生环境中进行可视化操作，并将操作行为映射于真实环境，以阻止危险行为的发生。

图8 教育“智脑”解决方案

教学“智脑”作为教育中的神经中枢，是集成了海量数据、基础设施以及拥有图形信息表征能力的智能机器类脑，因此，教育“智脑”必须是“可扩展、可思考”的[44]。AI 与ML 加持之下的教育“智脑”，可实现“超自动化”运行，可快速识别和自动化驱动流程。在此基础之上，利用深度学习与知识图谱技术，帮助“智脑”实现多维感知智能和认知智能，使得“智脑”能够主动发现问题，并进行自分析、建模、实验、评估，进而生成决策。应用在教学中，教育“智脑”可及时识别教学主题，并汇聚大量相关的教学资源，通过图形化的方式与教师、学生进行交互与对话，智能识别其所需；并进一步对学习资源进行合理的调度与分配，从而实现数智融合驱动决策，构建起智能、互联、协调、融通、可视的智能教育新生态。

五、结语

综上，数智融合使得未来的教育和学习迈入图形化数据驱动的全新时代。在这个时代，教育将从经验主导转向基于数据的智能决策[45]。当前，平面的、静态的数据已无法满足人类的视觉体验,传统的数据可视化形式，也逐渐无法激起人类的阅读兴趣。因此，需尝试应用多样的现代媒介和数字化新技术，以拓展人们对数据的感知方式。随着新技术的不断发展，特别是物联网、人工智能、数字孪生、XR 等技术的发展，为学生带来了教与学要素的数字化、图像化与具象化，并引导教与学走向智慧化和智能化。大数据与数据驱动也会对教与学的信息流动、决策水平、管理改革、资源建设、系统安全等方面产生较大影响，进而导致对现代教育体系的重构。

当前，XR（VR、AR、MR）、全息投影、数字孪生等这些热门技术，已经或正在被应用到教育领域，为学生带来近乎真实的感官体验与视觉享受，呈现了逼近现实环境的虚拟实景。学生如同置身于现实中与数据进行无障碍交流，甚至可触碰、感知、控制虚拟物或数据。技术使得人身体的其他感官：嗅觉、味觉、触觉都可被量化，并置入数据世界中，成为我们能够感知、分析的图像化数据。越来越多的智能图形化数据、数据驱动、数据赋能，势必为教育领域的教学者、管理者、学习者提供更好、更多的数据体验与服务。

随着图计算、图分析等技术的不断发展和完善，图数据库也将会成为未来人类智慧的“新基建”[46]。其在教育领域的应用也将助力教育“新基建”，赋能于未来教育全新的形态。我们相信，数智融合正是在这个意义上，引发教育、教学、学习范式的颠覆性变革。教育的未来、知识的未来、文明的未来，本质上就是人类的未来。而基于智能图形化数据赋能的智能教育，就是这未来的起点。