数据驱动在教育领域中的应用现状研究——数据驱动在体育专业课程中的应用研究(一)

王 凯，卢丛媚，蓝 潇，李凤梅，何江川

前言

遵循“让数据说话、用数据决策、靠数据管理”的设计理念，深度融合教育领域和科研领域的需求，大力促进当前教育发展的个性化、智能化，是当前大数据背景下教育发展的新思路、新模式。本研究针对专业课程结构建设的优化研究从数据决策出发，对提高教育、教学质量，建立、健全人才培养体系有重要实践意义。根据前期文献，现将教育数据驱动在课程中的应用现状汇总如下，为数据驱动在体育专业课程结构优化中应用提供参考。

1 数据驱动在课程结构优化中的应用前景

1.1 数据驱动的应用发展

(1)数据驱动研究模式的产生是发展的需求

随着时代的发展，科学研究经历了实验、理论、计算三个时期的研究跨度，当计算科学达到一定基础，个体、群体、社会数据信息的累积量、占有率达到惊人的规模，此时，以占有海量数据为前提，在超大功效计算能力计算机的支持下，采用恰当的数据处理模式、运算方式，发现、挖掘数据潜在价值，寻找数据信息隐藏规律的“第四研究范式”自然而然进入到科学研究的视野中。自此，在大数据背景下，以数据科学作为询证的依据，以数据“证据链”驱动决策的模式，逐步的补充、占有，甚至取代传统的经验、直觉为依据的主观决策模式，使得“数据驱动”为模式的研究成为现今各领域研究的主要模式[1]。因此，将“数据驱动”的研究范式——“第四研究范式”应用于教育领域，对课程专业建设进行探索、讨论，极具现实意义，可使学科专业课程结构建设、优化更为科学、合理，对体育专业课程建设亦然。

(2)数据驱动决策研究模式有其独特的应用优势

图1 “传统经验驱动”决策与“数据信息”驱动决策的对比

数据驱动决策在一定程度上摒弃传统经验式决策，坚持以数据、信息等客观依据为基础，利用软件、模型，借助计算机的计算能力，形成具有科学论证依据的“证据链”来支持、捍卫管理中以现实、结果为导向的决策过程，因此，数据驱动的过程本质是决策过程，但其决策过程与传统的决策具有较多差异，是传统经验驱动决策与科学推论驱动决策的融合(如图1)。而相较于传统“经验式”决策而言，“数据驱动”决策具有其独特的应用优势(表1)。

表1 传统“经验式”与现代“数据驱动”决策特征对比

1.2 数据驱动在课程结构优化中的应用现状

首先，大数据背景下的数据驱动可使战略决策涵盖内容更完整、更系统，使战略决策发展方向更具科学性、针对性、精准性，且能满足当前教育发展的个性化、智能化需求。教育领域各学科从不同主体、不同视角、不同层面开展了针对性研究，研究主要集中在大数据平台建设、小样本数据挖掘技术应用研究、数据可视化呈现研究、数据“画像”研究、数据评价的应用研究等方面。

第二，当前“数据驱动”研究成果的侧重点多在理论层面进行探讨，实践性较少，“服务下沉”不足。现今，数据精准挖掘、分析、诊断、监测、反馈的循环机制建设形成了多样的理论成果体系，部分院校、机构也开展了小样本的典型试点推广，具有了一定的可推广性、摊铺性，但数据“壁垒”的存在同样是影响了数据驱动发展的阻碍之一，这与“统一、开放、共享”的国家数字教育资源建设方向不一致。各高校、机构的“点”已具备领域内标准化规模，在各个行业、系统内的“线”具有了一定的行业规模体系，尚未在全局的全方位覆盖的“面”上具有突破性进展[2]，未来在理论转化为实践的道路上可能存在“区域化、地方化、特色化”的全面、综合发展可能。

第三，数据技术、教育领域理论两者之间融合不足。近年来教育大数据的挖掘在各课程的建设和开展中逐步开展、推广，尤其是智慧教室、线上课堂建设等，产生了大量的教育信息数据，然而在研究过程中，数据分析过程及结果呈现在相关教育理论指导下进行的较少，致使数据技术、教育领域理论两者之间融合不足成为突出的现象。在体育科学领域同样存在各类问题。

综上所述，结合地区、学校、专业来开展数据驱动在体育专业课程结构优化的研究具有现实意义，在微观层面符合学生个体及学校体育学科专业发展需求，在中观层面符合地区体育教育事业、体育产业、竞技体育发展需求，在宏观层面符合国家体育领域群众体育事业、竞技体育事业、多元多层次的体育产业发展需求，因此，开展教育数据在体育专业课程机构优化中的应用研究极具可操作性。

2 教育数据信息的特点及指标的设定

2.1 教育数据信息的特点

随着科学技术的发展和教育模式的日新月异，相较于传统课堂直接面对面授课，单纯的师生互动已成为授课和教学模式中的一部分，现今，人机互动、区域化模块链接、智能个性化学习方案制定等均在不同场景中呈现出来，因此，教育数据信息在其领域内呈现出独特的特征，主要包括：复杂性时变性、网络时代性、动态协同性、高阶类化性。

首先，复杂时变性。大数据驱动分析涵盖全方位的数据信息，体量较大，其变化不单单局限于课堂相关信息的影响，与课程设置、师资资源、校园环境、教育政策等均具有关联，此时，政策的稳定与否、师资资源配置级别、课程设置情况等均会使教育数据信息在复杂环境中呈现出时变的特征，此外，各地区教育水平、教育资源的不均衡，各地政策的不一致，也同样导致教育数据信息呈现出区域化的特征，因此，关注教育数据信息的复杂时变性是研究教育数据驱动决策的首要切入点，任何的教育决策脱离其复杂的背景和时变性，大数据将不具有现实意义。

其次，网络时代性。科学研究范式的改变是基于社会不断发展和变化的，教育常态化的网络技术应用也颠覆了传统的师生课堂面对面式关系的存在模式，呈现其独特的时代性特征。“人机互动、区域化管理、体量化授课、多平台协作、网络资源共享”等均成为网络时代运用于教育领域的具体手段，也是这个时代教育技术的前沿表现[3]，因此，教育数据的获取需从多条途径入手，借助更多的现代网络技术手段才能够更好地实现，也才更能体现出科学技术发展背景下教育现代化的时代性。

第三，动态协同性。知识的学习包含教师为主的传授和学生为主的接收，在这个动态过程中，智能系统能够挖掘更多数据信息，达到智能化自适应的程度，而教师根据相应的不断变化的大数据信息，适时地转变教学方法，调整教学方案，可更好地使学习活动开展下去，也可更好提升教师授课中“基于数据决策的智能决策”的转变速度，更充分的把握、掌控、认知现代教育学的客观规律。此外，需根据多平台数据信息的多领域、多层次、多主体的属性，使教育行为涵盖个体、群体教育生涯的全阶段，模拟、创造不同的教育情境更迭，提升不同个体和群体学生学习为中心的程度，形成多主体、全方位的以数据为依据的协同培养体系，促进对教与学的更深层次的认识与反思。因此，在动态的教育情境中根据教育数据进行决策，才能不断地促进多主体、全方位的协同合作，进一步的提升和优化教育决策水平，体现教育数据驱动的先进性。

第四，高阶类化性。基于教育数据为基础的决策，可为教育者和受教育者制定适合不同群体和个体的最优化培养和学习方案，使教育过程中的决策更科学化、智能化、精准化，而个性化方案的制定同样能使服务过程更加灵活、多样、开放、终身。在此过程中，数据驱动为内涵的决策过程是决策智能化的体现，脱离了过往经验式的决策，体现数据驱动决策的高阶性，此外，多样化的数据决策方案面向不同的对象和群体，也更能突出教育理念中的“以人为本”，使学习成为“内驱力”下的自主行为，提升学习效率。因此，基于教育数据信息的驱动是更加高阶的智能化行为，是面向全部对象和群体，进行不停分析、迭代、建模的过程，此过程中的“模型”针对不同的“类”群体和个体极具实践意义。

2.2 教育数据指标的设定

首先，单一指标的选取，突出核心元素。成绩是衡量学生专业学习效果的最核心指标[4]，因为课程成绩的评定方式一般具备相对健全的监督体系，结果也相对客观、严肃；不论是过程性评价还是终结性评价，始终不能脱离学习成绩为核心的评价标准，而考核是具有诊断性质的信息，是最客观的，一门课程是一次终结性评价，多门课程则会形成课程与学业相关联的单一评价指标下的过程性评价与终结性评价相协调和匹配的评价体系；此外，成绩的多次测试得到的多次成绩的最终预测有较高的可靠性，平时数据的积累可对预测结果进行有效的补充，间接的帮助教育实施者更好决策[5]。因此，单一指标的选取，以成绩作为核心元素，具有传承性、科学性。

其次，多元指标的选取，突出优质。课程考核的本质是评价与评定的统一过程，以成绩为主导核心体系在当前教育突出差异化的要求下是较为合理的选择，利用成绩指标形成一个多指标评价的体系是理想的解决思路；优质的多项指标通常是对个体的不同方面进行评定，常规教学模式中常采用平时成绩、考核成绩、作业成绩等，按不同的比例形成一个总成绩进行综合评价，这样的课程评价模式涵盖了过程性与终结性，具有较高的可操作性，长期使用精准有效，是较为理想的选择；此外，把不同的评价主体获取的成绩纳入考核体系中也是部分教师采取的评价方式，该过程整合教师评价、学生自评、学生互评获得的分数，最终形成一个评定分数，避免了评价主体的单一性所造成的绝对性，但在这个评价实施的过程中，应当注意不同评价主体的价值取向和能力具有差异的，当评价主体多元化时，评价的过程将容易造成差异化的结果[6]，此时设定评价的框架与标准是必要的。

第三，覆盖全面的指标选取，突出掌控全局发展协调、可持续。评价指标的选取在实践中以成绩为指标具有科学性、合理性、可操作性，因为成绩数据是单一结构的数据，可消除量纲的影响，能直接量化个体与个体、个体与群体、个体与全体相互之间的关系程度，可更好地兼顾个体和全局，提升课程与课程培养体系的地位；对学生评价的目的性要明确，指标要具有较高的针对性、可靠性、指导性，最好具备体系性[7]，这样才能发挥和放大评价的积极性功能，因此，怎么样突出过程性评价与终结性评价相结合、质性评价与量化评价相结合、共性评价与差异性评价相结合才能兼顾到个体、小样本、群体的方方面面，并更为清晰、准确的体现个体和群体的整体发展过程和各阶段状况；在评价实施的过程中，指标的更新迭代要具有发展性，不断地进行更新，使指标更具针对性。因此，覆盖全面的指标选取，是指标不断地更新的动态、可持续过程。

教育数据信息最终目标是服务于教育过程当中的决策[8]，使管理、教学提升“三效”，因此，秉承“数据驱动”的理念才是最为核心的部分，体育专业课程在“数据驱动”理念的支持下，结合教务管理工作实际、体育专业课程特征、体育专业学生发展状况、体育专业教师特征等，机动灵活的设定具有代表性的指标才能够更好地服务于体育教育事业的发展，促进数据驱动在体育教育领域决策的科学化、精准化、前沿化。

3 教育数据信息的采集

首先，数据信息驱动决策是一项系统的过程。在数据驱动研究领域，针对不同的问题可生成不同的解决方案，不论采取何种方案，最终的目的均是选择最优化的方案来实现目标，这个过程是基于高精度、高密集度的数据支撑来实现的。在教育领域，以学校为单位进行统一化管理的过程中，大量的数据信息在积累中快速增长，而且随着教育活动的不断变化呈现海量化增长，更新速度流转也较为迅速，与此同时，低价值的数据也随之而来，面对此现象，做好顶层设计，制定技术标准，在各部门的协调运作下实现数据的常规化管理是一项艰巨的系统性工程。

其次，多元化、可选择性是数据采集的关键。教学活动、教务管理的多元化决定了评价方式的多元化，教育目的实现途径的多选择性也决定了评价主体、客体和介质的可选择性，进而造成以学校、部门、个体为单位积累的数据涵盖的主体不同，面对的对象不一样，因此，通过数据驱动决策，精准服务于各类活动的开展，可有效提升教学活动和教务管理水平。在此过程中，如何选取优质的量化指标，如何将质性评价与量化评价、过程性评价与终结性评价有机的结合起来，是数据指标选取和整理的关键要素。

表2 常见涵盖过程性、终结性数据信息体现

第三，数据信息采集需涵盖教育的过程性、终结性。学生个体的发展有其独特的规律，在一定意义上呈现群体性特征，是教育规律的体现，因此，根据教育发展的规律，应注重过程性发展，又兼其终结性结果；过程性数据可从宏观、中观、微观三个层级进行思考，常见数据化评价如表2所示；就单次行为、单一课程、某一阶段而言，可作为其某一时期的过程性评价，从长远来看，任何事物的发展都是在积累的过程中实现的，总体形成个体发展的最后状态，因此，微观、中观、宏观的概念是相对的，过程性评价和终结性评价的概念亦是，当前的结束意味着下一阶段的开始，教育者在践行教育理念的过程中要辩证的、客观的面对事物的发生。

表3 不同主体线上和线下获得数据信息点位

第四，线上、线下数据信息采集是当前教育活动开展的重要环节。主体的不同在线上和线下能够获得的数据信息的渠道和目的是不一样的，具体如表3所示；针对单独某一次课堂的数据分析，在日常可以参考表4的关键点位进行数据收集[9]；线上授课是现今的教学常态，从线上获取数据信息是课程数据资源收集的重要部分[10、11]，整理当前文献发现常见的线上获取数据信息指标如表5所示。

表4 课堂数据信息收集关键点位

表5 在线学习平台数据信息关键环节

4 结论与建议

大数据背景下的数据驱动战略决策发展方向更具有科学性、针对性、精准性，能满足当前教育发展的个性化、智能化需求，但实践性较少，“服务下沉”不足，以及数据技术、教育领域理论两者之间融合不足影响着数据驱动在体育专业领域的应用。教育数据信息呈现出复杂性时变性、网络时代性、动态协同性、高阶类化性的特点，而结合数据信息特征及体育科学的特点进行数据收集才能更好地服务于数据驱动在体育专业领域的应用。

在教育数据信息指标设定时，单一指标的选取，以成绩作为核心元素，形成覆盖全面的掌控全局发展协调、可持续的指标体系，是数据信息指标设定的重要内容；数据信息驱动决策是一项系统的过程，数据信息采集过程中多元化、可选择性是数据采集的关键，而教学数据信息采集需涵盖教育的过程性、终结性，并兼顾线上、线下数据信息。综上所述，如何根据体育学科的专业性来选取、设定适合体育学科的指标体系可借鉴其他学科，但体育专业课程理论性、实践性、技能性的自身属性需纳入量化指标体系中才能够体现“数据驱动决策”在体育专业课程中的应用。