教育场景驱动的高校数据治理

刘英群 周潜 韩锡斌

摘要：教育数字化转型的重要任务之一是通过数据治理提高教育治理能力，当前数据治理呈现出场景化和智能化的趋势，但是以管理和标准为核心的静态治理理念难以适应应用场景的数字化转型和创新。该文首先从数据治理的视角探讨了教育场景的概念和特征，然后分析了当前高校教育场景数据治理中存在的数据不够“大”、数据不够“好”、数据未尽其“用”三个核心问题，提出高校教育场景驱动的数据治理方法和治理流程，教育场景中的原始数据经过数据资产化、数据标准化、数据要素化三个关键环节演化为具有计算属性、组织属性和教育属性的场景数据资产，作为关键要素进入到教育教学过程中，从而形成良性循环的数据资产生态，充分发挥数据资产的教育价值。

关键词：职业教育；数据治理；教育场景；数据资产；数据资产生态

中图分类号：G434 文献标识码：A

本文系国家社科基金2019年度教育学一般课题“高职院校信息技术融入技术技能培养的理论与实践研究”（课题编号：BCA10075）研究成果。

① 韩锡斌为本文通讯作者。

一、引言

学校治理是高校立足自身可持续发展，通过制定一系列治理制度达到协调各方力量、划分利益主体权、责、利，以支持学校良性发展的过程[1]，强调的是以学校为主要承担者和主要场景的治理[2]。高校数据治理与学校治理密不可分，数据治理既是学校治理对象的一部分，也是学校治理的工具和手段。数据治理必须在学校治理的框架、机制和组织机构基础上围绕数据资产相关问题建立适合的决策和问责机制，以信息化领导小组、信息化部门、业务部门、教师、学生、相关企业等多元化的利益相关者为数据治理主体[3]，围绕教学、科研、管理服务和校园生活等教育场景形成数据治理活动所依据的原则、策略、标准和规范。数据治理的战略性目标是通过数据应用来充分发挥数据资产的价值，而教育场景提供了必要的教育情境和教育价值内涵，是数据治理中不可忽视的关键要素之一。《数据治理-2035数字议程重大议题研究报告》中提出数据治理将更具场景化和智能化的趋势[4]，数据治理中以管理和标准为核心的静态治理理念与场景中数据和业务的动态变化之间的矛盾将越发突出，以往大而全的标准、统一的流程和工具难以适应场景的数字化转型和创新。

现有的高校数据治理研究聚焦在两个方面：一是有研究提出了高校数据治理框架、体系和实施路径[5]，这些研究往往局限于对抽象的治理框架和治理体系的论述，难以体现高校的教育情境和特定问题；二是有研究对特定教育场景的数据治理进行了初步探索，如阐述基于用户画像这个典型教育场景实现高等教育“依数治理”的“五步”实施框架[6]，但是这类研究尚未对教育场景与数据治理两者之间关系做进一步的探讨和揭示，限于对某个特定场景具体实施方法的讨论。鉴于此，本文将从高校教育场景出发，探讨教育场景驱动的数据治理方法及过程。

二、教育场景的概念和特征

场景是理解人类社会行为的一个重要信息单元，通过场景分析可以了解人类社会行为模式和社会規律，以获得对当下社会生活的更高解释力[7]。场指的是“场所”和“场合”，景指的是“景色”和“景象”，通常被理解为在物理空间中发生的行为，及由此形成的具有情节的故事，因此场景既可以描述为人物的行为链，也可以描述为故事的情节链。在数字化转型背景下，场的概念得到进一步扩展，从以往的物理空间延申到数字空间和社会空间，人的行为从身体动作行为扩展到信息操作行为，故事情节在数据中介和数字技术的作用下内容更为多样和丰富。徐步刊等认为场景是“某一状态下所包含的情境信息及其所需执行动作（事件）的集合”[8]，通过构建场景模型以实现对场景的识别和分类。武法提等[9]认为，互联网时代下的“场景”是基于特定的时空领域范围，围绕以“人”为中心，以需求为导向，以感知设备为载体，以事件为表现形式的行为序列总和。教育情境下的场景包含狭义和广义两个方面。狭义的教育场景特指教学情境，描述发生在教学场所内、教学过程中的教师教学行为和学生学习行为，参与的主体一般为教师和学生。广义的教育场景则泛指围绕一般性教育教学活动所形成的教学、管理和服务行为，主体除教师和学生之外，还可以是校内、校外其他人员和组织。教育场景中的数据是高校教育数据的核心，应包含五个方面的信息：场景的情境信息、场景参与主体的行为意图、主体行为过程、主体行为结果、以及主体之间的交互信息。教育场景中积累了大量数据，且以不同的形态存在，蕴含着场景内在的运行规律和教育价值，因此既是高校数据治理的起点，也是终点。从数据治理的视角，教育场景具有政策引导性、技术驱动性和动态发展性的特征。

（一）政策引导性：教育数字化转型重构教育场景

教育部于2022年启动的教育数字化战略行动，构建智慧化的教育发展生态是教育数字化转型的重要目标之一。教育新生态需要更多使用数字思维重构的教育场景，将原有的教育场景通过数字化改造适应未来“数据驱动、人机协同、跨界融合、共创分享”的智能形态和产业发展。教育场景的数字化重构不仅仅是将数字技术作为工具在原有流程和模式中的应用，而是针对场景中的难点和痛点问题，通过数据治理将技术与场景过程充分融合，形成有效的信息链，实现业务流程再造[10]。

（二）技术驱动性：新一代信息技术创新教育场景

随着新一代信息技术的兴起，人工智能、虚拟现实、大数据等技术在教育中的应用越发广泛，不断丰富以技术为基础的教育场景。国际经合组织（OECD）提出未来教育的四个场景[11]，描绘了随着新一代信息技术的发展未来可能出现的教育服务供给方式和学习方式。杨晓哲等[12]提出未来人工智能可以在智能辅导、微格教学、自适应学习、沉浸学习、自动测评、课堂评价、数据决策、智能治理等8个方面的应用场景中发挥作用，从而提出教育人工智能的下一步推进策略。网易的“子曰”教育大模型[13]采用“场景为先”的策略，通过提供具有语义理解、知识表达等基础能力的基座模型来支持广泛的教育场景，并为口语训练、作文批改、习题答疑等六大教育场景设计了定制化的模型，以实现模型与场景的高度契合，展现了新一代信息技术在教育领域的广泛应用前景。综合应用新一代信息技术所形成的数字孪生技术[14]在教育中得到广泛的应用，通过装配可视化设备、信息化空间收集装置等优化实训教学过程，为多模态实训学习分析和智能决策提供了信息化环境支撑。

（三）动态发展性：数字化教育形态拓展教育场景

党的二十大报告[15]提出“统筹职业教育、高等教育、继续教育协同创新，推进职普融通、产教融合、科教融汇”。数字化打破职普之间、产教之间、科教之间的资源与信息壁垒，破除体制机制障碍，通过学分银行、国家资历框架与劳动力市场的交互对接、学习成果的校-校及校-企互认等智慧服务体系构建终身学习的全生态链条。此外，产教融合、校企合作使得高校与社会其他组织机构形成联系更为紧密的利益共同体，场景之间的交叉和融合使其具有更为广泛的场域、内容和形式。数字化教育形态的演变本质上是教育场景在时空多个维度的拓展和延申，打破原有场景中制度、利益、文化、资源等方面的阻碍和限制，形成新的生态和发展范式。

三、高校教育场景数据治理的核心问题

随着教育数字化的持续推进，高校的数字校园已经从初期的以“建设”为中心发展为以“应用”为中心，促进了越来越多教育场景的数字化转型。四川省教育厅2023年开展的《四川省教育厅关于开展数字校园应用场景典型案例征集评选活动》[16]评选出55个数字化应用场景，涵盖了管理服务、教学科研等多个领域。丰富的应用场景推动高校构建了较多业务系统并积累了大量的校本数据，从而催生了对数据治理的需求。当前高校的数据治理存在较多的问题，从教育场景的角度，核心问题体现在以下三个方面。

（一）数据不够“大”

尽管高校现有的数据结构复杂、来源多样，但是在数据量、数据类型、数据全量性等方面还达不到大数据的标准。在数据量方面，一方面高校用以支撑教育场景的业务系统的建设采用了自建、企业主导建设、政府公共平台、云服务等多种形式，数据资产的权属存在权责不明的问题；另一方面，校本数据的集成和共享仍存在信息孤岛问题，主数据还不够完整，对于那些跨业务、跨领域、跨部门的教育场景的支持还不充分。在数据类型方面，一般侧重于教育场景中的结构化数据，对于教师教案、课堂互动、教学视频、学生信息化作品等非结构化数据缺乏有效的收集和处理，而这些恰恰是教育大数据的主体。在全量性方面，严重缺乏过程性、反馈性和评价性的数据，如对于电子教材的场景，反映电子教材教学设计、教学实施和教学效果的数据目前普遍是缺失的。这对于学校治理无论是战略层面还是战术层面都难以形成有效的绩效评估，无法为各项教育教学改革举措的持续性实施和推进提供决策支持。

（二）数据不够“好”

数据质量通常被认为是数据治理的基本目标和出发点，其核心是确定高质量数据的标准和指标，通过持续的监测发现海量数据中不满足要求的数据，并进行整改和质量提升。在GB/T 36344-2018[17]中，定义了规范性、一致性、完整性、准确性、时效性和可访问性六个评估维度，并给出了具体的计算指标（国家标准化管理委员会，2018）。GB/T 42381.8-2023[18]遵照ISO8000数据质量标准，将数据质量划分为语法质量、语义质量和语用质量三个维度。目前教育数据还缺乏专门的数据质量標准，数据质量管理制度和监控机制也普遍缺乏，通常是在日常统计分析中发现并提出数据质量问题，问题追溯和分析缺乏过程性数据支持。一般情况下学校的数据质量应遵循和参照国家标准，制订适合学校自身需求的标准，但是具体到每个教育场景，则需要根据数据治理的目标确定适合的数据质量评估维度和计算指标。比如在“混合学习”教育场景中，视频播放数据就需要针对播放时间不准确、无效播放、播放流畅度等问题确定数据质量标准，使其能够更精准得反映实际播放情况。

（三）数据未尽其“用”

2021年发布的《中国数据治理现状调研报告》显示，有84.3%的机构以业务分析驱动数据治理工作[19]，而在数据应用中反映出存在较高比例的数据与场景融合不够、数据应用面窄、业务需求支持度不高等问题，报告建议“机构可以在业务中寻找数据应用场景，在场景中明确数据治理的目标和标准”。高校的教育场景往往涉及多个层级和部门，利益相关者中既包括数据消费者，又包括数据生产者，他们有不同的目标和诉求，且会随着时间、外部环境的变化而变化。这导致数据治理的目标模糊且难以分解和量化，无法建立稳定的、具有普遍适用性的数据标准，对数据治理决策机制的构建和实施带来极大的困难。此外，由于各利益相关者的需求得不到满足，其参与的积极性和主动性会受到较大的影响，又进一步加大了数据治理的难度和复杂度。

鉴于此，高校应针对数据治理中的问题，从教育场景分析入手，结合现有的数据治理框架和实施路径，确定针对场景的数据治理方法和过程，促进场景的数据建设和应用的良性循环，为利益相关者提供更丰富、体验更好的数据服务。

四、教育场景驱动的高校数据治理框架

教育场景是数据治理的基本载体，从数据治理包含的四个基本要素，即治理主体、治理客体、治理目标和治理方式[20]而言，数据治理主体是场景中参与活动的个体，数据治理客体包括场景产生的数据、使用的数据及相关的数据事务，治理目标受场景的教育目标、业务流程和数据特征的影响，不同的治理目标需要采用不同的治理方式、治理流程和治理工具。Zhao-ge LIU等[21]针对政府大数据治理提出基于场景的模型框架，用于支持决策支持。刘革平等[22]构建了职业院校数据治理的总体框架，包含数据治理层级和数据治理体系，将数据应用场景作为数据治理的一个层级。张秦等[23]认为院校数据治理需要形成以数据系统为核心，政府、学校、社会和市场等多元利益主体所构成的协同运行的新型治理机制。在这个新机制中，将教育场景作为数据治理体系的某个层级是不恰当的，因为场景本身不仅包含了完整的数据生命周期，而且承载了多元利益主体不同层次的诉求。数据治理的核心是数据资产，目的是通过数据的标准化来保障数据的高质量和可信任，发挥数据资产的价值，并围绕数据全生命周期形成数据治理组织、制度、标准和规范。数据资产的价值是在数据应用中体现出来的，无论是传统教育场景的数字化转型，还是已经数字化的教育场景都需要依托数据资产的管理和运营，将教育场景中内涵的教育价值转化为数据资产的价值。教育场景中的数据资产在标准化之后成为学校整体数据资产的一部分，进入到全生命周期管理流程中，在规范和制度约束下得以在更大范围内流通和使用。教育场景驱动的高校数据治理框架如图1所示：

本质上数据治理需要完成两种价值传递逻辑，一是通过数据治理实现数据、信息、知识到洞察的信息链[24]，二是基于生产要素理论通过数据治理实现数据、数据资源、数据资产到数据要素的资产链[25]。从信息链和资产链转换为教育链和人才链是教育数据治理的核心命题。教育场景中的数据从原始数据到最终成为教育教学中的数据要素，数据的属性发生了演变，在原有的业务属性和技术属性基础上增加了计算属性、组织属性和教育属性。业务属性描述数据与业务相关联的特性，包括业务定义、业务规则、统计口径、数据质量要求等；技术属性描述数据与信息技术相关联的特性，包括数据格式、数据类型、数据存储等；计算属性描述数据资产从语法、语义、语用三个层面的可计算特征，是应用人工智能技术挖掘数据资产价值的前提和基础，依据计算属性可以提取场景主体的行为链；组织属性描述数据资产的所属人、管理单位、数据标准、管理流程等，规定了对数据资产的管理和控制方式；教育属性是数据中蕴含的教育模型、教育规则、问题解决策略等。这个过程需要经过数据资产化、数据标准化、数据要素化三个关键数据治理环节，依托特定的数据治理组织模式完成。

（一）教育场景驱动的数据资产化

数据资产化是从业务的数据需求端出发，打通组织内部数据、引入组织外部数据，加深数据与场景业务的融合，应用数据分析技术，实现数据赋能业务发展，在合规化的条件下进行共享和开放[26]。高校需要通过数据资产化解决数据的集中和确权问题，构建数据资产目录，明确数据的管理归属、使用权限和流通范围，并对数据资产的价值进行评估。数据的价值在于与应用场景的结合，依照发展阶段，教育场景中的数据资产可以分为原始数据、粗加工后的层次化数据、精加工后的多维化数据、场景虚实融合后的模型化数据、场景创新后的衍生性数据等[27]。数据治理视域下的数据具有异质性特征，不同应用场景下，数据所贡献的价值有所不同[28]，不同应用场景其数据资产价值评价指标和权重需要依据场景主要参与者的协商确定，最终形成数据价值评价的规则库。教育场景中数据资产价值的评价要更为复杂，取决于数据中蕴含的教育机理和教育规律，可以充分利用学习分析和教育数据挖掘技术形成数据资产价值评价模型，提高数据的教育解释力，洞察隐藏在数据背后的内在关系与运行逻辑，揭示教育发展演变的客观规律。

（二）教育场景驱动的数据标准化

数据标准化是对数据的定义、组织、监督和保护进行标准化的过程，主要包括组织架构、制度规范、技术工具、标准体系、作业流程、监督考核等方面[29]。教育场景中的业务流程和业务规则部分隐含在业务数据中，最终体现为数据项的约束、数据项与数据对象之间的关系、以及数据对象与数据对象之间的关系，这些约束和关系需要解释和提炼，最终以数据标准的形式显性表达，形成对数据的命名、定义、结构和取值规范方面的规则和基准，提高数据资产的可自解释性。对于教育场景中的数据资产，数据标准化的意义主要体现在三个方面：一是在原始数据资源的基础上增加元数据，提高数据的可解释性和可计算性，能够进一步提高数据应用的能力和范围；二是促进数据流通和共享，实现与其他教育场景中数据的可交互性；三是形成数据完整性规则、一致性规则、精确性规则等，提升数据质量。

（三）教育场景驱动的数据要素化

数据要素指在生产和服务过程中作为生产性资源投入，创造经济价值的数据、数字化信息和知识的集合。2022年国务院发布《“十四五”数字经济发展规划》[30]提出“要充分发挥数据要素作用、强化高质量数据要素供给”。数据要素化是发现、挖掘、发挥教育数据价值，并将数据嵌入、融合到教育教学过程的关键环节。杨现民等[31]认为“教育数字化转型的关键特征之一是教育数据要素化”，提出通过教育数据要素化在教育解释力、教育诊断力、教育预测力、教育决策力、教育监督力五个方面提高教育生产力。汪维富等[32]提出采用“数据故事化”的方法来转化教育数据价值，将数据故事化作为数据可视化的发展和演进，促进从数据的表面感知转向数据的深度认知。当数据要素脱离教育场景的情境、利益相关者、事件发展逻辑时，就难以形成对教育行为有意义的解释和理解。中国信通院的《数据要素白皮书》[33]中提出了三种数据要素价值转化途径：通过业务贯通实现一次价值转化、通过业务智能化决策实现二次价值转化、通过对外流通和赋能实现三次价值转化。当前高校数据要素价值转化仍停留在第一个阶段，更深层次的价值转化仍处于探索阶段，未形成广泛的应用。

（四）教育场景驱动的数据治理组织模式

目前，高校中大多已经形成了以校级领导或领导小组为统筹决策部门、以信息中心为运行管理和监督部门、以院系部处为执行部门的三层次信息化组织架构。高校的数据治理往往依托于现有的信息化组织架构，并进一步明确和分配数据治理的角色和职能。一般而言，企业的数据治理具有四种較为常见的组织模式：分散模式、归口模式、半集中模式和全集中模式[34]。由于高校中业务职能部门往往不具备数据治理的能力，且信息化管理和监督部门的人员配备和技术力量难以支撑各业务职能部门单独开展数据治理，因此高校多采用全集中模式，即以学校信息化运行管理和监督部门为主体，抽调各相关部门的资源和力量构建专职的数据治理团队，并由该团队全面负责整个学校的数据治理工作。这种模式管理较为简单，但是作为利益相关者的业务职能部门往往置身事外，缺乏主动性和积极性，数据治理各项制度和规范往往流于形式，不利于数据治理的常态化管理[35]。在教育场景驱动的数据治理模式中，以业务职能部门为主，围绕场景数字化转型和升级、教学改革、数据上报等不同层面的需求，信息化管理和监督部门在数据治理方法、平台工具、标准规范、流程制度等方面给予支持，将场景的数据治理在整个学校的数据治理框架下统筹思考，确定规划和实施方案，并借助社会力量在技术上加以实现。

五、面向高校教育场景的数据资产生态

在多方因素驱动下，高校的教育场景不断发展变化和融合创新，数据治理中的数据资产需要形成一个良性循环的生态系统以支持教育场景的数字化转型和快速迭代。董慧敏提出数据资产的生态系统是由数据创造者、数据利用者、内外部因素和数据中介者构成的，目标是使数据资产价值最大化[36]。普华永道的《数据资产生态白皮书》[37]认为数据资产价值与风险维度、质量维度、成本维度和应用维度四个因素相关。其中应用维度指的是不同场景下，数据所贡献的业务价值，包括场景性、时效性、稀缺性和多维性四个指标。在数字经济时代，数据资产的价值可以转化为经济价值，并通过良好的商业模式构建平衡的数据资产生态[38]。在教育领域中，数据治理是为高校治理和人才培养服务的，对数据资产的价值核算和评估应构建一套适合的逻辑和方法，所形成的生态系统也要与教育本身的生态融合，成为其有机组成部分。教育生态理论主张通过优化各种生态要素和生态环境，促进教育生态系统的安全、稳定、协调、持续的发展，从教育生态系统的内部规律性探讨教育管理的最佳途径和最优机制[39]。因此教育体系既是教育数据资产生态赖以生存和价值体现的外部环境，也是为促進数据资产生态发展和演变提供人员、制度、需求、经济、文化等基本要素的动力系统。其中，教育场景对于数据资产生态的影响最为直接，场景中蕴含的教育战略和政策、教育标准和法规、教育理念和规律等都会影响数据资产生态的形成和发展，而对数据资产价值的评估也离不开场景本身的价值目标。总体上，面向教育场景的数据资产生态由宏观和微观两个层面构成，包含工具价值和教育价值两种价值取向，需要经历共生和融合两个发展阶段。

（一）数据资产生态的构成

数据资产生态与教育体系的融合是宏观层面的融合，在教育现代化的框架下，代表了最广泛的多元利益主体，为“构建央地互动、区域联动，政府、行业、企业、学校协同的发展机制”[40]提供基础支撑。国家层面构建的国家智慧教育平台集成了各类在线课程、教学资源及教育管理数据等，成为数据资产生态中最大的数据中介。通过这个数据中介，集中反映国家在现代教育体系中的工作重点、教育政策方向以及教育标准和规范要求，同时也反映了各利益主体与国家战略、学校战略和企业战略的差异化和个性化诉求。微观层面的融合是数据资产生态与高校治理体系的融合，体现了高校的整体战略在数据资产中的价值实现。数据资产融入到高校治理的组织体系、运行体系、关系体系、价值体系和制度体系中，成为其重要的生产要素，以及实现高校治理体系和治理能力现代化的驱动力量。高校数字校园和大数据中心的建设为中观层面的融合提供了必要的信息化基础设施，高校的信息化体制机制是数据资产生态的组织保障。

（二）数据资产生态的价值取向

价值是客体对主体的意义和目的性[41]。教育场景的教育参与者和数据资产生态中的数据创作者和数据利用者都是整个生态中的主体，但是这些主体对场景和数据资产的诉求并不相同，从而产生了不同的价值选择和价值取向。对于教育场景而言，数据资产的价值取决于对场景应用绩效的贡献度，教育场景的数字化能够促进业务流程简化、效率提升以及组织之间的权力转移和平衡等，其中的直接绩效体现为工具价值，间接绩效体现为教育价值。在数据资产生态中，数据资产的工具价值取决于数据创作者和数据利用者对数据资产诉求的满足程度，教育价值则体现为发现数据中的教育规律，促进个体发展。

（三）数据资产生态的发展阶段

随着教育场景的应用不断深入，场景中的数据不断产生并逐渐丰富，当数据量和数据类型积累到一定程度时，经过数据治理后形成数据资产，其数据价值得到进一步提升，数据应用的范围和人群进一步扩大，逐渐形成数据资产生态。在这个形成过程中，教育场景和数据资产生态是一种共生的关系，两者相互促进，不断改良并完善原有的教育场景，形成良性循环。在数据资产生态发展阶段，其与教育场景之间是一种融合的关系，数据资产将会在原有教育场景的基础上发展出新的教育场景，甚至改变原有场景的模式和形态，促进场景的创新和演变。

参考文献：

[1] 孙晓庆.基于国际比较视野的高职院校治理结构研究[J].职教论坛，2015，（23）：49-52.

[2] 肖凤翔，肖艳婷.高职院校治理之维：研究综述及展望[J].职教论坛，2018，（5）：13-18.

[3][20] 董晓辉.活动理论视角下高校教育数据治理体系构成要素研究[J].中国电化教育，2021，（3）：79-87.

[4] 李晓东，安筱鹏等.2035数字议程重大议题研究报告：数据治理[EB/OL]. https：//www.fuxiinstitution.org.cn/content_635881273667227648，2022-09 -27.

[5][23] 张秦，孙长坪.数据治理：高职院校治理方式的创新[J].中国职业技术教育，2021，（27）：32-37.

[6] 于方，刘延申.大数据画像——实现高等教育“依数治理”的有效路径[J].江苏高教，2019，（3）：50-57.

[7] 黄石华，武法提.场景化分析：一种数据驱动下的学习行为解释性框架[J].电化教育研究，2023，44（5）：51-59.

[8] 徐步刊，周兴社等.一种场景驱动的情境感知计算框架[J].计算机科学，2012，39（3）：216-221.

[9] 武法提，黄石华等.场景化：学习服务设计的新思路[J].电化教育研究，2018，39（12）：63-69.

[10] 李高勇，刘露.场景数字化：构建场景驱动的发展模式[J].清华管理评论，2021，（6）：87-91.

[11] OECD.Back to the Future of Education：Four OECD Scenarios for Schooling [EB/OL].https：//doi.org/10.1787/178ef527-en，2023-08-18.

[12] 杨晓哲，任友群.教育人工智能的下一步——应用场景与推进策略[J].中国电化教育，2021，（1）：89-95.

[13] 网易.“子曰”教育大模型[EB/OL].http：//aicenter.youdao.com/#/ home，2023-08-18.

[14] 艾兴，张玉.从数字画像到数字孪生体：数智融合驱动下数字孪生学习者构建新探[J].远程教育杂志，2021，39（1）：41-50.

[15] 怀进鹏.加快建设教育强国（认真学习宣传贯彻党的二十大精神）[EB/OL]. https：//www.dswxyjy.org.cn/n1/2022/1221/C427152-32590864.html，2022-12-21.

[16] 四川省教育厅.《四川省教育厅关于开展数字校园应用场景典型案例征集评选活动》[EB/OL].http：//edu.sc.gov.cn/scedu/c100495/2023/4/24/3 c31b02bb31f456591ecef2bceb4b4eb.shtml，2023-08-18.

[17] 国家标准化管理委員会.《信息技术 数据质量评价指标》[EB/OL]. http：//c.gb688.cn/bzgk/gb/showGb type=online&hcno=D12140EDFD3967 960F51BD1A05645FE7，2023-08-18.

[18] 国家标准化管理委员会.《数据质量 第8部分：信息和数据质量：概念和测量》[EB/OL].https：//openstd.samr.gov.cn/bzgk/gb/newGbInfo hcno=B 09B01B2800D734D288920DD14393DAC， 2023-08-18.

[19] CIO时代.中国数据治理现状调研报告[EB/OL].https：//www.sgpjbg.com/ baogao/76749.html，2023-08-18.

[21] Zhao-ge LIU，Xiang-yang LI，et al.Scenario modeling for government big data governance decision-making：Chinese experience with public safety services [EB/OL].https：//doi.org/10.1016/j.im.2022.103622，2022-02-18.

[22][34] 刘革平，罗杨洋等.职业院校数字校园中的数据治理探究——《职业院校数字校园规范》解读之五[J].中国职业技术教育，2021，（4）：32-38.

[24] 王兆君，王钺等.主数据驱动的数据治理——原理、技术与实践[M].北京：清华大学出版社，2019.

[25] 祝首宇，蔡春久.数据治理：工业企业数字化转型之道[M].北京：电子工业出版社，2020.

[26] 中国信通院.数据资产管理实践白皮书（6.0）[EB/OL].https：//www. sgpjbg.com/baogao/111944.html，2023-08-18.

[27] 普华永道.数据资产价值评价指标分析[EB/OL].https：//www.pwccn. com/zh/services/audit-and-assurance/risk-assurance/publications/dataasset-value-evaluation-index-analysis-jul2022.html，2023-08-18.

[28][33] 中国信通院.数据要素白皮书[EB/OL].http：//www.caict.ac.cn/kxyj/ qwfb/bps/202301/P020230107392254519512.pdf，2023-08-18.

[29] 祝首宇，蔡春久.数据标准化：企业数据治理的基石[M].北京：电子工业出版社，2023.

[30] 国家发改委.“十四五”数字经济发展规划[EB/OL].https：//www.ndrc. gov.cn/fggz/fzzlgh/gjjzxgh/202203/t20220325_1320207.html，2023-08-18.

[31] 杨现民，吴贵芬等.教育数字化转型中数据要素的价值发挥与管理[J].现代教育技术，2022，32（8）：5-13.

[32] 汪维富，闫寒冰等.数据故事化：教育数据要素价值转化的新视角[J].电化教育研究，2023，44（5）：13-19+28.

[35] Abraham R，Schneider J，et al.Data governance：A conceptual framework，structured review，and research agenda [J].International journal of information management，2019，49：424-438.

[36] 董惠敏.生态系统视角下数据资产价值最大化路径探析[J].质量与市场，2021，（22）：166-168.

[37] 普华永道.数据资产生态白皮书[EB/OL].https：//www.xdyanbao.com/ doc/gabm1sk84p，2023-08-18.

[38] Elizabeth Davidson，Lauri Wessel，et al.Future directions for scholarship on data governance，digital innovation，and grand challenges [EB/OL]. https：//doi.org/10.1016/j.infoandorg.2023.100454，2023-02-09.

[39] 尹达.教育治理现代化：理论依据，内涵特点及体系建构[J].重庆高教研究，2015，3（1）：5-9.

[40] 中共中央辦公厅 国务院办公厅.关于深化现代职业教育体系建设改革的意见[EB/OL].https：//www.gov.cn/zhengce/2022-12/21/ content_5732986.htm，2022-12-21.

[41] 杨志成，柏维春.教育价值分类研究[J].教育研究，2013，34（10）：18-23.

作者简介：

刘英群：高级工程师，博士，研究方向为职业教育信息化、混合教学、数字治理。

周潜：高级工程师，博士，研究方向为信息化环境下的教学改革与创新、职业教育信息化。

韩锡斌：教授，博士，研究方向为职业教育信息化、混合教学。

Educational Scenario-Driven Data Governance for Higher Education Institutions

Liu Yingqun， Zhou Qian， Han Xibin

Institute of Education， Tsinghua University， Beijing 100084

Abstract： One of the important tasks of digital transformation in vocational education is to improve the governance capabilities of universities through data governance. Currently， data governance is showing a trend of being more scenario and intelligent， but the general governance centered on static management and standards is difficult to adapt to changes and innovations in application scenarios. This article first explores the concept and characteristics of higher vocational education scenarios from the perspective of data governance. Then， from the perspective of educational scenarios， it analyzes the three basic problems in current data governance in higher vocational colleges： insufficient “big” data， insufficient “good” data， and incomplete “use” of data. It proposes data governance methods and processes driven by educational scenarios. The raw data in educational scenarios is capitalized， standardized， and elementalized. The three key steps of data element transformation have evolved into scenario data assets with computational， organizational， and educational attributes， which enter the education and teaching process as key production factors， forming a virtuous cycle of data asset ecology and fully leveraging the educational value of data assets.

Keywords： vocational education； data governance； educational scenarios； data assets； data asset ecology

收稿日期：2023年12月5日

责任编辑：李雅瑄