人工智能视阈下区域教育整体性治理：困境、转变与行动路径*

章 璐 侯浩翔

（1.浙江大学 教育学院，浙江杭州 310028； 2.江南大学 教育学院，江苏无锡 214122）

一、引言

党的十九届四中全会提出 “推进国家治理体系和治理能力现代化”的战略任务，为我国教育事业的战略转型提供了新的方向。“治理为本，区域先行”是教育改革的重要路径，区域治理积累的理论基础和实践经验，将为我国深化教育综合改革提供范本和支撑[1]。所谓区域，在地理空间中指组成某个整体的一部分，属于相对概念，从国家到县域均属其覆盖范畴。本研究所探讨的区域教育治理主要侧重市级区域，横向涉及教育、卫生、民政等跨部门，纵向联动“市县校”三级教育管理层级，表现为重视政府职能向引导与监督转变，学校可行使其办学自主权，社会专业组织提供智力支持，是一种从传统的权力控制、被动导向转变为多跨协同、合作共赢的治理形态[2]。后普及教育时代的大量柔性化需求和后疫情时代的人类命运共同体局势，对强调专业化分工、部门等级制的科层组织结构，提出了跨层级、跨部门联合治理的诉求；区域中涌现的施教区学位预警、校园传染病疫情防控等问题，已无法依赖单一主体解决，区域教育公共服务供给呈现“碎片化”特征，传统的治理主场域边界正逐步被打破。

新一轮信息技术的突破，引发了社会性综合变革，各领域兴起的“数字化改革”“整体智治”等新型治理实践，为传统社会治理模式转变提供了新思路。中共中央、国务院印发的《中国教育现代化2035》提出“统筹建设一体化智能化教学、管理与服务平台”“推进教育治理方式变革，加快形成现代化的教育管理与监测体系，推进管理精准化和决策科学化”。数据、算法等作为智能时代的新生产要素，在融入既有治理结构和方式的过程中，必然将在现有制度与新兴技术之间产生一系列冲突问题，亟需探索人工智能“善智”技术与区域教育整体性治理之间的耦合。

基于此，本研究提出区域教育整体性治理观点，继承了技术与组织结构关系的研究思路，力图回答以下几个问题： 整体性治理理论与区域教育治理有哪些内在契合？ 区域教育治理中的人工智能应用呈现哪些技术思维特征？ 人工智能技术冲击为区域教育整体性治理带来哪些现实挑战和转变机遇？ 基于上述研究问题，最终提出人工智能时代区域教育整体性治理的行动路径。

二、区域教育整体性治理与人工智能技术

（一）区域教育整体性治理的内涵

整体性治理理论产生于20 世纪90年代，由英国学者佩里·希克斯（Perry Hicks）最早提出，它是针对区域公共事务治理过程中的碎片化弊端，以公民需求为导向，通过治理手段创新和策略工具的组合优化，对不同层级政府部门、各职能部门及公私部门进行协调与整合的理论。随后，帕特里克·邓利维（Patrick Dunleavy） 赋予整体性治理理论更多的技术权重，强调在不消除组织边界的条件下，通过自动化流程的新形式、根本性的非居间化、政府指导的智能算力集成、互动的信息搜寻与匹配、主题数据库、走向敞开书卷式的政府等系列策略[3]，打造透明化、有效率的数字政府，以减少群众在部门和机构间疲于奔命的现象[4]。

本研究探讨的区域教育整体性治理，将在市域的三个维度，对教育治理活动进行协调与整合（见图1）：一是面向“层级”（Tiers）实现“市县校”三级联动，依托数据流动和一体化智能平台解决跨域教育议题；二是面向“功能”（Functions）促使区域内教育、民政、卫生等多主体，围绕教育治理需求，基于虚拟治理场域进行集体决策和分发集成的数字化服务； 三是面向“部门”（Sections）聚合政府、学校和社会多方资源，促进教育治理形态集约化，推动公私合作。整体性治理“协调与整合”的核心理念与区域教育治理内涵高度契合，表现为：其一，基于问题解决的协调性，整体性治理强调问题解决导向，符合区域教育事务需要跨部门协同的治理趋势；其二，基于功能整合的整体性，体现整体性治理的基本价值取向，与教育部门在垂直维度和横向维度上，保持政令和信息传递畅通，以“一个政府”形态回应区域教育需求的本质相一致；其三，基于公众需求的一体化，整体性治理追求满足公共利益的最终目标、提供整体性服务，符合区域教育治理履行社会服务和公共责任的内在逻辑。

综上所述，区域教育整体性治理，即借助于多样化信息技术手段的便捷性、智能化功能，使治理主体在不进入实际治理场域的情况下洞察治理活动，以平衡政府、学校、社会之间的利益诉求与视野局限；通过围绕场景的教育业务协同和集体决策流程再造，以“一个政府”形态精准回应区域教育治理需求，有效提供教育专业干预与“一站式”教育服务，提升教育治理效率和效能，最终形成区域内即时感知、科学决策、高效执行、主动服务、立体监管的新型教育治理形态。

（二）人工智能技术与区域教育治理相关研究

人工智能的发展始于20 世纪40年代，历经多次技术更迭，直到21 世纪随着强人工智能研发的减缓，研究界从关注综合演绎推理、自然语言处理、机器学习等研究成果，逐渐转向各领域内相对“有限智能”的开发。教育治理中的人工智能应用，从技术进阶的角度，主要围绕大数据、高性能算力、场景化应用和算法等人工智能发展的“四大基石”展开。

第一，大数据分析及处理下的整体关联性：人工智能作为数据分析、深度学习、算法应用等技术的“集成者”，在汇聚资讯信息、联动不同群体方面具有明显优势。以教师[5]、学生[6]、学校等为数据单元形成综合用户画像，将师生知识背景、办学状况等静态数据，与联合反映教学进展、线上测评、课程计划执行情况等动态数据合并处理，构成体现区域整体教育管理进展的数字化教育质量保障体系[7]。

第二，高性能算力促发参与群体间的协同共享性：人工智能发展并成熟于资源开放的数字化时代，其本身具备了互联网社会的协作特征； 群体智能与教育资源服务的集约式供给，在一定程度上缩小了区域内教育差距[8]；平台汇聚的教育数据可反映不同参与群体行为和意志，有助于企业、专家团队等“技术网络”，更多地参与到“政策网络”的构成体系中，促进多元主体间的协同共享。

第三，场景化应用推动教育智能决策落地：人工智能在教育信息自动化处理方面优势显著，弥补了教育治理信息短缺、舆论监督不足、群体呼声汇总整合途径不畅等缺憾[9]；智能决策的场景化应用，使决策信息来源由单项应用的单一认知，向跨域复杂情境的全面洞察延伸，精准聚焦场景内教育议题的演变和扩散，有效推进了跨域问题的协商解决。

第四，算法嵌入融合性：深度学习实际上是能够逐层自主建模与特征总结提取的数据驱动算法，可以洞察教育环节的痛点和情感需求； 通过将教育行为过程中的心理、逻辑、情感与数据、模型等技术之物进行深度融合，针对教学或管理领域中不同维度的在线行为轨迹、资源供给、环境设置等相关数据对教育情境加以全面优化分析，进而构建外显化和精准量化的教育治理生态[10]。算法嵌入不是技术、方法和教育内容的简单叠加，而必须通过融合性应用，才能释放其价值。

基于此，人工智能在教育治理中的应用，大致呈现出整体关联性、协同共享性、智能决策化、技术融合性等四方面关键思维特征，构成了本研究智能技术与区域教育整体性治理的内在逻辑体系。在人工智能时代，无论从全球教育治理还是地方区域教育治理层面来看，其关键是利用技术推动利益相关者组成的多层教育治理体系间的良性互动与共生[11]，以“共治”路径达成“善治”目标。虽然当前学术界在教育管理和信息管理两个领域，针对各级各类教育整体性治理和人工智能教育治理，分别进行了不少有价值的探索，但对整体性治理和人工智能教育治理二者的交叉研究关注得较少，且鲜有学者在中观区域层面对此问题展开专门探讨。

三、人工智能视阈下区域教育整体性治理的现实困境

区域教育整体性治理包含治理主体、治理方式、治理行为等关键因素，传统管理理念落伍、管理制度和执行滞后等治理“路径依赖”所触发的数据壁垒、智能鸿沟、决策流程失序、隐私泄露问题，在人工智能技术冲击下进一步扩大，阻碍区域教育治理从松散的形式合作向真正意义的整体智治迈进。与智能技术整体关联性、协同共享性、智能决策化和技术融合性等技术思维特征相对应，区域教育整体性治理面临以下困境：

（一）主体障碍：数据壁垒阻碍关联性教育治理主体的形成

智能技术发展与治理的融合都需要以整体建设的数据库为基础，数据的多向运行强化了教育治理不同主体间的依存关系[12]，政府、学校和社会以数据流动构建信息空间，形成高效、公平和线上线下有序交互的新型教育格局，以实现教育公共利益最大化的“善治”目标[13]。数据流动的理想状态与现实结构差距较大，主要存在技术与行政系统双重原因。

其一，在区域教育信息化建设初期，因战略统筹的时代局限性，遗留下大量政府职能部门和学校各自搭建的系统与网站，产生了海量重复建设且无法兼容的数据，并引发信息系统间“各自为政”的治理破碎困境，无法形成数据闭环和为机器学习模型训练提供的大规模高质量数据集。其二，数据流动遵循的社会规则影响力远大于技术规则[14]。数据流动是线上信息空间中教育实践资源持续生产、交易的构成基础；同时，影响线下物理空间里教育资源的配置和增值，其中蕴含的权力结构往往与现实组织结构相冲突，制约了教育内部数据共享和对外开放。目前，人工智能实践大多基于校内流通的教学数据进行微观层面研究，校际间竞争、教研资源市场化机制缺失、科技企业商业利益诉求等因素，导致数据共享意愿低，且教育数据流动和技术进步分散在各校各学科中，无法在区域宏观层面实现整体性超越。

（二）方式桎梏：智能鸿沟削弱协同共享的教育治理格局

智能鸿沟即数字时代每个个体对知识的获取、迁移和创新能力的差距。区域教育治理主体的信息化基础不同，在技术快速发展态势下，这种差异无疑被进一步增强，扩大了主体间的智能鸿沟，削弱共建共享的治理格局。

其一，政府各部门致力于对专门业务的精炼，很少从整体层面考虑它服务于什么目的，发展到何种程度等问题[15]。如，教育信息技术部门在组织结构中的边缘地位，使其面临无法在行政层面统筹协调教研院、考试院等业务部门，来自政治系统自身的反对，往往比技术障碍更难克服[16]。其二，教育智能产品的研发与平台运维，对于信息化基础薄弱的学校而言，存在经费和能力瓶颈，部分学校对新兴技术实行“两张皮”态度，共建共享意识和探索能力不足，导致区域学校智能化水平呈现两极分化现象。其三，教育的复杂性使得技术逻辑与应用逻辑的衔接难以明确，容易导致机器能力和服务陷入盲目性。如，学籍管理系统的应用逻辑是有关招生与报名等内容，超出技术原理，且不同地域需要根据本地经验对技术层进行个性化“封装”，企业因利益所趋，促使其推销固定模板而非按需定制，技术与教育的深度融合陷入被动境地。

（三）行为破碎：人工智能应用的有限性致使教育决策流程失序

教育决策是教育治理行为的具体表现，包括信息的收集与处理、方案制定和结果执行等环节。自动化决策是基于机器学习的另一条逻辑进路，强调由算法直接暴露在海量数据中进行学习、训练与预测，但在实际应用中受到多重因素的限制。

其一，以自动化决策为路径的信息收集，需要数据源对决策事务的全方位覆盖。如，区域范围的教育基建规划，涉及跨多部门共建指标数据，教育部门无法提供和抉择可作为决策依据的全部数据源，存在数据能力瓶颈制约和决策者偏好渗透等问题。其二，自动化决策过程倾向相关性分析，难以捕捉人类专家的隐性知识。如，学生外显行为产生的数据并不能完全反映学生态度、观念和心理等内在特征，以简单算法包罗涉及复杂人类社会活动而得出的教育决策是存疑的，过度依赖“专家系统”将导致教育决策由“拍脑袋”主义转向“技术化”极端[17]。其三，决策结果经科层制垂直结构层层下达，容易出现信息消耗、失真问题，滞后于实时变化的教育事件发展，导致在向社会提供教育服务时出现服务断层的现象。

（四）技术威胁：算法教育伦理失范诱发师生隐私安全问题

智能算法追求效率优先，与以因果关系为制度基础的社会治理体系相冲突，无可避免地给现行教育治理规则，带来了一系列伦理问题。

其一，伴随教育行为中固有的不公平、不平等现象而产生的教育数据异质性，自动化决策将来自人类价值偏好的影响降到最低，但来自数据源头的偏见，将在算法自身的推论中迭代加剧。深度学习算法直接从大数据的原始特征出发，绕过“波兰尼悖论”的限制生成高级认知，颠覆了教导和习惯养成的德行之基，在解蔽真理时无法表达其本质差异性[18]；加之诸如智能助教、智慧学伴等教学机器的身份与边界暧昧，将人置于了新的伦理情景。其二，教育各环节所产生的个体行为数据庞杂且敏感，对师生教学行为和个人偏好的记录，可能存在未成年人敏感信息曝光、家庭隐私信息被挖掘等算法应用隐患。区域教育治理牵涉主体众多，传统数据保护偏向的“审慎监管”逻辑，在人工智能开源进化的逻辑下存在天然缺陷，已无法满足机器学习对教育事件多环节、跨场景的关联需求，反之，完全放任的深度学习也将是危险的。

四、人工智能视阈下区域教育整体性治理的转变

海德格尔（M.Heidegger）提出现代社会是被新兴技术全面“座架”的社会，哪里有危险，哪里也生救渡[19]。针对人工智能视阈下区域教育治理的主体、方式、行为、技术等维度的瓶颈，本研究提出在深刻辩证、理解人工智能双重性的基础上，利用智能技术的整体关联性、协同共享性、智能决策化和技术融合性等技术思维特征，借鉴整体性治理中价值共创、整体智治、协调整合和技术整治等策略，来促进区域教育整体性治理的转变（如图2 所示）。

（一）价值共创：从权力“金字塔”转向利益“共同体”

整体性治理旨在矫正新公共管理功能的裂解。该理念在欧洲推广时，有“协同政府”“跨部门议题体系”“水平政府”等别称，使得整体性和跨部门协作概念深入人心。在传统治理结构中，政府是制度安排与资源分配的主体，单向的信息传递机制使其天然处于权力“金字塔”顶端，垄断型、精英式的决策结构限制了其他主体参与治理的空间与渠道[20]。万物互联、资源共享多以数据作为“载体”或“中介”，数据流动引发组织关系和权力结构变化，最终形成不受现实结构限制并以教育价值共创为目标的 “利益共同体”。具体表现为以下三方面：

一是数据主导逻辑。一方面是“触网”及智能化产品的普及，使得教育数据获取不再困难；另一方面通过如“上海开放数据创新应用大赛”（SODA）中的社会应用，对政府部门公开的数据进行分析，引发一系列数据反哺推动政府数据开放，促使政府、学校与社会从数据资源的独享者，转变为数据价值链上的提供者、创造者和受益者。

二是组织结构层面。海量数据流动建构出逾越现实结构的信息空间，随着跨界行为的增加，组织间呈现边界模糊、功能分化趋势被扭转等现象。如，在线教育用户规模的快速增长，使教育数据不断从线下空间向无限的线上空间转换；反之，重塑线下教育实践，使得政府重新审视并关注教育资源在两个空间的配置及由此带来的治理权力重构。数据流动的路径和权力运行（转移和再生产）的向度息息相关[21]，政府、学校和社会之间从主动与被动机制，过渡到互动机制，最终向联动机制发展。

三是教育服务生态。教育数据流经多元主体，通过持续的交互反馈和匹配优化，衍生出更好的教学与管理行为体验，在教育资源信息寻求者与需求者间搭建起桥梁。如，在“教育4.0 全球框架”中，Kakuma 项目为国际志愿教师和难民儿童建立联接，增加了贫困地区儿童融入世界的可能性； 多伦多知识社会、Kabakoo 学院等提供资源和平台，让学生能够与本地或其他国家先进企业直接对话[22]。这些由信息渗透带来的组织结构、主体关系与资源配置的重组，从“政府供给为中心”转向“公众需求导向”逻辑下供给的互动价值创造，使绝对意义上强势和弱势群体的界限被模糊，集体经验与智慧的扁平化交互冲破原本固化的利益体系，逐渐形成数据利他生态和教育价值共创氛围。

（二）整体智治：从指令“下压式”转向动力“上扬式”

基于治理资源和算力的有限性，我们有一种无意识的自省，即把与数据交流和智能技术互动的困难看成是自然的，而没有意识到这只是当时条件下的一种人为限制。政府凭借现实需求和对社会发展的自我理解，通过掌握的治理权力和资源信息，向学校和社会以指令形式下达治理任务，这种治理信息与能力的不对称，削弱了区域教育共建共享的治理格局。哈贝马斯（J.Habermas）认为，政府基于实际需求得到满足的技术条件和可能的机遇上，能够衡量、反省这种自我理解并做出改变[23]。在智能时代，高性能算力推动“整体智治”等新型治理实践，以集成式“能力池”替代对参与群体的部分能力要求[24]，能够有效弥补智能鸿沟并形成上扬式治理动力，带动治理创新积极性的增长，最终促成区域教育共治格局。

首先，云计算与边缘计算（Edge Computing，EC）互补形成的人工智能强载体，拥有信息和知识共享、平衡计算负载、协同合作、独立于本体持续升级等优势[25]。政府云中心统筹加载IaaS、PaaS 和SaaS 等即服务，学校无需再在本地部署昂贵大型的服务器，即可以边缘反射弧形式参与进来，在满足如人工智能（AI）晨检、校园门禁人脸识别、无感考勤、学生课堂行为状态识别等低延时、高反馈的实时性计算需求的同时，仅需将处理结果反馈云端，便能用以支持全局数据的挖掘分析和算法训练升级。这种做法将一部分标准化治理能力，从对治理主体的数字能力要求中剥离出来，事先由技术顾问、治理专家等共同建设的一套基于数字技术的解决方案代为实现，降低了区域内薄弱学校的智能化要求，使区域内政府、学校和社会参与具备集体行动的可能性。

其次，治理裁量权的下放和集中数据处理能力的升级，使得学校主观能动性得到极大的解放，社会企业与教育部门基于开源环境进行深入合作，构建了围绕教育用户反馈的应用迭代模式，强调技术与教育内容的彼此增强。多元参与逆向形成的治理压力，通过政策网络和智能化互动渠道传递至政府层面，学校与社会为争取更多教育资源不断向“政府云中心”提出个性化的治理需求，期待教育行政部门做出积极回应，完成治理动力的有效上载。这种打破治理资源限制，通过协作共享造成治理动力的上扬，从而获得更丰富资源的棘轮效应 （Ratcheting Effect）①棘轮效应一词原指经济学消费效应，后形容各领域中某一习惯形成之后有不可逆性，即易于向上调整，而难于向下调整。一旦形成，学校与社会将为追求更丰富的共享资源而积极创新。这种共享与创新之间的激励转换，为区域教育整体性治理，提供了充足的动力系统，从而重塑共治格局。

（三）协调整合：从“有限性”数据驱动升级为“场景化”决策落地

数据驱动的决策算法其运行本质是人类思维在机器学习过程中的投射与转换，可对既定事实进行科学支撑，但无法在人为设定维度外，产生未曾考虑到的结果，且在一定程度上存在由信息数据源异质性、主体数据能力瓶颈、决策与期望诉求割裂等问题带来的决策有限性现象。为此，安德鲁·芬伯格（Andrew Feenberg）认为技术无形，仅存在于某种应用的情境里[26]。智能决策的“场景化”应用，是指将信息系统与环境情景交织融合，而决策的意义赋予和行动路径均依赖于场景而触发[27]，属于更高形态的智能综合决策。

第一，政府协调各部门围绕教育需求场景共建指标数据。传感器和定位系统的广泛部署，将数据收集触角延伸至细微时空的各个角落，实现了高动态、分布式的全场景感知[28]，在极大程度上精准呈现了教育场景的真实状态和治理需求。如，在2021年浙江省数字化改革过程中，各地市开展“入学入园报名综合集成服务”场景规划，联动教育、公安、住建等部门共建指标数据，以实现包括教育设施现状、城市控规、人口与不动产等数据的共享，并动态评估人口增长、施教区学位空缺、校园选址和扩建等需求。数据信息采集的综合度和数据颗粒的细化度，决定了决策维度的全面性，为区域教育资源配置提供了兼顾公平与效能的决策支持。

第二，政府统筹整合跨部门专业内容，将其赋权并嵌入场景决策框架中，而场景本身的跨界属性，将创造最强势、多变的连接。智能决策的场景化，不仅可对教育基础性统计信息、外显行为特征等结构化数据所表征的教育现象进行描述性（相关性）分析，还能够结合模型中无法量化、容易忽略的隐性因素，诸如支配教育行为背后的态度、价值观等，进行诊断性（因果性）和预测性分析[29]。如，2019年浙江省观星台项目“学生健康管理系统”，覆盖了学生心理健康、食堂营养配餐、校内消费行为、校园流感预防等服务；其中，校园流感预防除实时对接区域疾控中心的确诊数据外，敏感体质师生信息、寒暑假学生流动去向地和考试季压力等隐性因素，也纳入了关联。智能决策场景化依托复杂算法而非人为设计的方式提炼出经验规律，引发场景内不同领域之间的关联。场景化驱动较之单一应用来源数据更具增值效应，不仅辅助人类决策，更促进了机器和算法的自我进化与升级。

第三，依托一体化智能平台重构以场景为中心的工作组，替代原先以职能划分的组织架构，可将相关治理主体快速拉入虚拟治理空间中，以减少教师、学生或家长在业务办理过程中，因多种服务切换所面临的时耗和阻力，提高跨域问题的决策效率，避免议而不决导致治理流程断裂。

（四）技术整治：从“工具辅助”发展为“人机共生”

主流的深度学习算法通过不断循环迭代产生高效认知的过程，正无限向人类智力思维靠近，并逐渐超出工具范畴，冲击着人与客观世界的边界。如，教学过程中过度依赖智能设备的监管与分析，将可能导致师生“主体间”教学关系的倒退[30]，我们亟需根据人工智能身份认同原则，确立人工智能在教育中的定位，以保障技术、教师、学生、环境之间的平衡[31]。人机共生（Man-computer Symbiosis）是人类和电子计算机合作互动的预期发展[32]，这将要求人与机器间的耦合，比目前机器作为技术工具意义上的“机器增强的人类”（Mechanically Extended Man） 或马歇尔·麦克卢汉（Marshall Mcluhan）所谓的“人的延伸”（Extensions of Man），要紧密得多。人工智能视阈下的区域教育整体性治理，是智能技术理性与教育价值关怀的双重回归，要求人类不但要认识机器算法，更要重新认识人类自己，重新认识人与机器的关系[33]。

首先，从机器的角度出发，数据、算法是“基石”，也是治理对象，需要建设“人在环路”（Human in Loop）的人机合作框架[34]，人全程参与监管。鉴于“算法黑箱”对事中监管带来的治理困境，可将监管重心移至事前“数据透明”和事后“结果非歧视”环节[35]，即在数据采集源头维护教育用户的知情权，保障输入数据的质量；同时，强调算法教育结果输出与数据输入之间的逻辑可解释性和结果可追溯性。其次，人类作为机器算法的使用者，需要有相应的算法知识与素养，有能力规避“算法黑箱”中的歧视，能够辨析算法能力范围并明确人机分工，如，教育智能体（Pedagogical Agent，PA）负责教书（包罗万象的知识网络建构），人类教师侧重育人（道德素养、哲学与审美、复杂的批判性思维、知识的迁移与创新）[36]。最后，从法律角度探讨是否赋予人工智能道德、政治和法理意义上的主体性地位，是建设合法、负责任和可持续发展的人工智能亟待思考的问题，我们需要在伦理和公平领域出台相应规范，创建适合人机共生的未来环境。

五、人工智能视阈下区域教育整体性治理的行动路径

人工智能视阈下区域教育整体性治理在转变过程中，必须联通教育数据流动渠道，打造区域教育云边端协同结构，建构类脑功能的智能体系，加强算法嵌入的伦理监督规制，以保障区域教育整体性治理在人工智能时代与时俱进。

（一）立足“整体性”顶层设计，联通区域教育数据的流动渠道

大规模优质数据集的获取是人工智能得以施展的入口和起点，区域教育整体性治理需要清醒认识打破层级、部门、校际和社会之间数据割裂局面的重要性，在数据的标准建设、安全保障和可持续发展三方面做好工作。

首先，市级教育部门应在“一源为主、多源完善”的建设理念下，推行一套区域教育领域数据开放的组织机制和标准体系[37]，向上对标省厅标准，向下分发至区县、学校数据中心，并配套市级动态建库、县校级校验核对的数据矫正机制。

其次，政府需要清晰定义各类教育数据权属关系和调用规范，完善师生数据授权及撤销等采集机制。因数据量庞大可采取数据使用者为其行为承担责任模式，从安全准入、数字签名、过程网络监控和数据脱敏、加密等方面，完善治理过程中教育数据的调用机制。如，保密数据采取跨部门间签订联合式（Federated） 数据共享协议的方式临时建立连接[38]，实现以保护隐私和数据安全为前提的互利共赢。

最后，政府应加大区域信息化基础设施建设的投入，利用区域内的数据感知和采集平台、数据交换中心、云计算中心，基于业务协同，打通既有业务系统之间的数据屏障； 在充分考虑用户隐私和智能项目发展诉求平衡的前提下，推进市场尤其是科技企业的数据共享，推动基于教育场景的全员（政府、学校、师生及家长）在线和教育业务全流程（组织、沟通及协作）在线，使参与治理者本身成为数据来源，促进数据交易和共享的可持续发展。

（二）促进“整体性”合力升级，打造区域教育“云边端”协同结构

校园“云边端”计算体系的部署，能对校内事务实时响应并快速做出决策，是智慧校园建设较为成熟的支撑技术。戴维·瓦尔德纳（David Waldner）指出，结构性环境（Structural Context）决定了选择的可能性[39]。区域层面的云边端协同结构，在一定程度上可视为某种治理机会结构，需要在更大范围兼顾规模化与个性化，即政府通过云中心下发治理资源及计算服务，在统筹规划的基础上充分尊重学校与社会的共治地位，激发各自力量以形成治理合力。

一是政府教育云中心的部署。一方面，逐步建成联通区域的数据感知和采集平台以及数据交换中心和云计算中心，统一建设一批集成于云端的轻应用资源池[40]，兼顾下级区县本地化情况和各级各类学校的需求，加大应用中“自定义”可配置模块的灵活度，以“标准化+可配置”供给方式辐射全区；另一方面，加大5G 智慧校园网络等基础设施投入，改善区域高并发性数据在通信过程中普遍存在的通信带宽压力、网络延迟和用户隐私数据存储安全性不高等问题。

二是校园边缘计算应用的拓展。主要针对校内特色应用及需要实时控制的应用[41]，融合云端下沉的算力和终端上行的数据请求，将各类教学与管理模型在本地构建并有效泛化。可实现开拓诸如同步课堂、虚拟课堂、远程实验、跨学科超感教学等项目的校际间智能互动，在共享成果的基础上，个性化推进对教学内容、教学方法与技巧、教学绩效等方面的精准评估和智能反馈，从而实现区域整体层面教学模式的改善。

三是善用终端数据。如，通过个人终端和传感器获取家庭活动密度、学生上下学公交路线、学生传染病就医就诊、疫情期间师生返校等日常行为数据，用作区域教育资源配置时的重要参考。智能终端提供更多的虚拟参与场景，进一步拓展了公众参与教育治理的途径，从而弥补长期以来社会力量参与的不足。

（三）集成“整体性”协同决策，建构具备类脑功能的智能体系

融合人工智能技术构建的“教育大脑”智能体系[42]，是一体化智能平台的升级，能够实现师生用户、教育场景和信息之间的高度匹配，注重提高教育服务供需两端对接效率和精准度的载体场域。哈贝马斯认为，在掌握技术、资源和控制之间的必然规律后，技术能够填补决策合理化的漏洞。区域教育智能大脑技术架构，主要从三个方面促进教育场景化决策升级：

一是前端可视化（GUI）。开发符合教育习惯的用户界面，集成搭载各类教育应用，由单一端口为师生提供输入和交互场所，同时，在“市县校”三级设置不同权限的教育数字“驾驶舱”，便于决策者直观了解权限范围内的教育需求。二是中端智能决策化。开展以教育服务需求为核心的数据挖掘及服务生成，为教育数据的跨主题域访问、量级数据标签化、数据多线程并发处理等提供支持；同时，基于数据的全视域采集融合、处理分析技术，促进区域教育组织群体之间协同决策模式的形成。三是后端快速反馈。即大脑做出的教育决策，依托在线技术即时组合虚拟部门，将处理结果线上反馈给公众，在全流程服务完成后，自动解体流程并移除任务，形成快速便捷化的区域教育服务需求响应模式。另外，教育大脑智能体系的常态化运作是重要的一环，如，温州市教育“数字大脑”于2020年配套出台统筹教育场景决策的项目化管理办法，设立专班专员（学校首席信息官CIO、部门数字专员），以保障教育大脑智能体系的可持续发展。

（四）洞悉“整体性”技术逻辑，加强算法嵌入的伦理监管规制

算法进化的不确定性，导致教育治理存在从“技术机遇”滑向“技术利维坦”②技术利维坦：利维坦一词原比喻专制政体的国家，衍生指失控的社会化技术权力对技术本质的反叛与侵夺。的潜在风险，算法的制度化、法律化规制，在人工智能时代成为教育领域重要的风险防控议题。深度学习算法不遵循传统推理进路，对算法本身的监管有一定难度，我们需在技术萌芽初期洞悉算法与数据、算力、场景化应用等技术的整体融合流程，以及发挥教育治理功效的逻辑功能。可利用源头数据权利、结果应用场景化监管等，对教育算法进行双向制衡，避免技术演变为向人类索取、引诱甚至操纵型的威胁性存在。

首先，以数据权利制衡算法权力，在算法的数据输入阶段进行价值纠偏。如，2018年欧盟《通用数据保护条例》（GDPR）强调了对个人数据的保护，在采集个人数据进行自动决策时，用户有必要获得“涉及逻辑的有意义的信息”等算法风险须知要求；考虑到终端用户的认知和理解能力，对教育管理者等非专业技术人员，在以模型为中心解释的基础上，补充以主体为中心来解释算法在哪些环节影响了最终输出及其影响后果[43]；师生时刻有权要求政府、学校或企业停止使用、进一步传播并删除个人数据。

其次，遵循具体教育算法应用场景的差异性，有针对地实施监管规制。如，区域学生心理健康预警、平板精准教学、大规模在线答疑等不同场景的算法差异性大，学校在引进AI 产品前，需对其进行伦理审查和多轮包容性测试，严谨设置对算法的监督程序，并根据具体场景的风险评估和成本收益考量的原则，决定是否对某项算法的研发与应用施加监管负担，避免产生机械主义法制教条[44]。对未来更高级人工智能的潜在风险持续开展研究和预判，聘用不同学科和文化背景工作者来确保意见的多样性，创建适合人机共生的未来环境，保持人工智能始终朝着有利于人类的方向发展。

六、结语

技术发展混含着倒逼社会治理转型的强大动力，为区域教育治理带来了新的议题。大数据、算力、算法等作为推进生产力的关键变量和最具潜力的影响因素，我们不能以传统工具思维方式试图将其融入既有治理模式中，要牢记加达默尔（H.G.Gadamer）“技术将以一种超越对它的控制的内部必然性继续自己的道路”的警言[45]，以“善治”逻辑为指引，探寻智能技术与区域教育整体性治理变革的内在契合与耦合进路。囿于数据壁垒、智能鸿沟、智能决策系统有限性和算法威胁等技术因素的复合影响，导致区域教育整体性治理存在教育主体联动障碍、削弱协同共享治理格局、决策流程失序和师生隐私安全泄露等困境，这也让教育公平、教育效率等传统议题在人工智能时代显得更具挑战。

概言之，人工智能视阈下的区域教育整体性治理是教育现代化进程中不可忽略的一个研究议题，需要学界在整体性、系统性、复杂性视野的基础上，结合智能技术寻求有效突破。