以学习操作系统构建数字化转型的数智动能

顾小清 王羽萱

[摘   要] 伴随着数据要素价值的凸显，如何以教育数据的有效治理，充分发挥数智驱动教育变革的强大潜力，成为教育数字化转型的关键所在。在智能教育大脑的隐喻下，学习技术系统依托于充当“数智大脑”角色的核心构件，搭建“数据组织—数据建模—数据分析”的教育数据治理通路，深度挖掘并最大化释放教育数据价值。基于此，文章以数据为主线重塑新一代学习技术系统框架，并以学习操作系统作为核心构件的隐喻，从“为何”“是何”及“如何”三个方面深度阐释其来源、内涵与体系架构，聚焦于数智动能的系统实现。同时，基于团队研发的“数智大脑”平台，文章以案例故事的形式描绘其在学校教育中的多元化使用场景，展现出以学习操作系统构建的数智动能的强大应用潜力，以期为数智驱动教育数字化转型提供全新的视角和思路。

[关键词] 学习操作系统； 学习技术系统； 数智动能； 数智大脑； 教育数据治理

[中图分类号] G434            [文献标志码] A

[作者简介] 顾小清（1969—），女，江苏苏州人。教授，博士，主要从事人工智能教育、学习科学与技术设计、技术支持的教学创新研究。E-mail：xqgu@ses.ecnu.edu.cn。

一、问题的提出

教育数字化转型是教育适应数字时代发展的必然趋势[1]。通过构建“学习者中心”的学习范式，数字化转型推动教育模式从标准化向个性化、智能化的方向演进。在教育数字化转型的背景下，以人工智能为代表的新一代数字技术在教育领域的渗透，推动了学习技术系统（Learning Technology System，简称LTS）的革新。作为阐释技术介入教育的概念模型，LTS从系统层面抽象了技术介入教育的核心要素及其相互关系。伴随教育场景中技术应用的普及，教育领域积累了体量庞大且潜藏巨大价值的教育大数据。教育数据规模和复杂度的日益增长，使学习环境中各要素间的交互过程极大地体现为数据的流向，促使数据成为新一代LTS的核心要素之一[2]。如何有效利用和充分发挥这些庞大数据的潜能，成为教育数字化转型亟待解决的关键问题[3]。

教育数字化转型中数据赋能的挑战，核心是如何通过高效的数据治理和先进的智能算法实现“数智化”[4]。其中，如何对数据进行有效治理是提升数据质量[5]，从而用好智能算法以实现数据智能的重要前提。教育数据治理目前仍然面临诸多现实瓶颈，包括因应用割裂导致的数据关联与共享的问题[6]、数据结构与具体教学业务过于耦合导致的数据服务难以拓展的问题[7]、教育领域中数据语义与情境缺失导致的数据质量低下的问题[5]、学习分析过于依赖智能算法而导致的可解释性低甚至“意义混乱”的数据分析与解释问题[8]等。总体而言，教育数据治理面临的问题可概括为三类：数据孤岛（Data Isolated Island）、语义缺失（Lack of Data Semantics）与意义混乱（Confusion of Data Meaning）。

为了充分发挥数智驱动的效能，必须从系统层面着手，解决数字时代愈发复杂的数据治理问题。因此，基于数据这一核心要素，LTS需要重新审视以数据流动为线索的要素间的交互关系，构建以数据为纽带的新一代LTS。为此，本研究基于“以数据为主线”的全新视角，提出了新一代LTS架构，并构建了实现教育数据共享、理解和分析需求的核心功能[2]。借鉴计算机操作系统的基本原理，本研究将新一代LTS的核心构件隐喻为“学习操作系统”（Learning Operating System，简称LOS）。在智能时代，如何以学习操作系统重塑LTS的数据治理模式，推动数智驱动的大规模个性化教育的实现，是教育数据治理所面临的迫切问题，也是实现教育数字化转型的关键所在。

二、新一代學习技术系统需要数智动能

（一）以数据为主线的新一代学习技术系统框架

第一代LTS体系结构，如图1所示[9]。这一架构将技术介入的学习抽象为技术作为中介的学习者、指导者、学习资源等要素的交互模型。伴随着互联网技术的飞速发展以及人工智能和教育的深度融合，技术作为中介的学习时空不断拓展，新兴的教育应用迅速增长，孕育出在线教育等多元的学习样态，联通主义成为理解学习的新的理论视角。在这一过程中，LTS中各要素的关系不再停留于单一维度，而是拓展至跨系统、跨应用、跨场景的多维学习时空。作为多维学习时空中LTS的联通纽带的，正是数据。

学习科学与学习技术从不同视角打破了学习作为单维度知识传递的局限。伴随学习环境中技术的丰富与普及，LTS不再是单一知识维度的媒体传输，而是以数据为纽带连接起来的多源输入和输出。在此过程中，数据不仅发挥着多维时空中信息纽带的作用，还是激活智能技术应用潜能的关键资源。然而，原始数据本身并不具备价值[3]。数据智能潜力的发挥，首先需要形成数据采集、处理、融合、分析、应用的通路。进一步地，教育数据的价值蕴藏于学习的本质之中，而数据在学习层面的语义理解与深度分析所依赖的是数智动能，也可用“智能教育大脑”来隐喻[10]。

数智动能是LTS的核心驱动力。在以数据为纽带连接的LTS中，这一动能的实现，体现为通过教育数据治理实现数智化的功能。因此，LTS架构中必然需要一个实现数智动能的核心构件。作为系统中枢，这一构件负责协调与整合系统数据，深度挖掘数据价值以有效推动数智动能的实现。在目前的LTS架构中，虽然其实现的功能有“智能教育大脑”这样的隐喻，但是为进一步明确其内在机理，本研究借由计算机系统，将这一具备数智驱动力的核心构件隐喻为“学习操作系统”。作为类比的，正是计算机系统中连接底层硬件和常规应用软件的“操作系统”。作为计算机系统的核心，“操作系统”发挥着高效管理存储器、运算器、控制器等复杂组件并简化其使用的功能[11]。

基于上述思路，以数据为主线构建新一代LTS的概念模型（如图2所示）。该模型是对第一代LTS单一知识传输的立体化拓展，体现出以数据为纽带，实现跨场景、跨平台、跨时空的LTS的统整。在这一模型中，数据不仅仅是信息的载体，更是作为关联跨场景学习活动的纽带，以学习者、指导者、学习资源、学习工具与环境等系统要素为数据主体，建立软硬件一体、线上线下一体、虚实一体的二代LTS。在此基础上，LTS中的“学习操作系统”这一关键内核，通过数据的组织、建模和分析以实现教育数据的有效管理和价值挖掘，从而为整个系统提供数智动能。

（二）数智大脑隐喻下学习操作系统的内涵解析

在“智能教育大脑”的隐喻下，LTS汇集数据，使之产生数智动能，并牵引跨场景数智驱动的学习。就其本质而言，“智能教育大脑”是具备强大数据综合处理与决策能力的海量模型、算法与智能技术的融合体[10]，也可被简称为“数智大脑”。在LTS中，居于数据治理中枢，并为系统提供“数智大脑”智能动力的，正是学习操作系统这一核心构件。

以计算机操作系统为类比，胡海明等于2008年首次提出了学习操作系统的概念，将其定义为一般操作系统的内核与学习支持服务的直接融合[12]。这一概念的创立在学习领域具有创新性，但是受限于彼时的技术条件，这一概念止步于理论层面的探讨。国际上，为解决传统LTS中功能繁复、环境灵活性不足、数据共享受限等问题，美国高等教育信息化协会（EDUCAUSE）也曾提出一种乐高式（Lego Approach）的搭建方法，以实现定制化、模块化的学习系统，称为LearningOS[13]。虽然LearningOS在名称上体现为操作系统，但更像是一个关注教育应用间的灵活接入和互操作性的LTS，并未从本质上体现“操作系统”的内涵。

基于此，本研究通过与计算机系统的对比和映射（如图3所示），阐释学习操作系统在LTS中的定位与功能。LTS集成了学习者、学习工具和学习资源等多种要素，可以类比为教育领域的“计算机系统”。在计算机系统中，操作系统作为中间层，承担管理和协调硬件与软件间交互的职责；类似地，学习操作系统在LTS中居于核心位置，负责整合和协调学习应用与学习领域其他要素的互动，具有和“操作系统”相似的作用。

在LTS中，学习操作系统通过搭建以数据为主线的系统通路，将数据相关的模型、算法和智能技术纳入系统核心架构。基于“数据组织—数据建模—数据分析”的技术路径，学习操作系统能够有效实现教育领域中的复杂、多源、大规模教育数据的整合、理解与分析。其目标在于通过这一系列的数据处理流程，有效应对教育数据治理中遇到的数据孤岛、语义缺失和意义混乱等问题，以此赋予LTS数智动能。

三、以学习操作系统实现LTS数智动能

（一）学习操作系统的核心功能

学习操作系统这一隐喻，展现了新一代LTS实现数智动能的关键所在。类似于计算机操作系统作为硬件与应用程序之间“承上启下”的中间层，学习操作系统在LTS中居于核心地位，以协调学习应用和学习领域中其他要素的关系。进而言之，将学习操作系统与计算机操作系统相类比，其底层逻辑在于，教育的数智化实现具有和计算机操作系统一样的复杂性管理需求。

计算机系统为了应对底层硬件的复杂性，并为上层的应用程序提供简洁、高效的信息管理方式，从三个层次设计了操作系统功能：（1）将底层复杂的硬件细节映射为用户和程序员可直接操作的抽象概念（如文件、内存和进程等），提供更易于理解和便于管理的计算机模型。（2）为了实现对抽象概念的基本操作，提供了管理复杂系统的各个部分的功能，如处理器管理、文件管理等。（3）作为应用程序和计算机硬件的中介，将计算机资源及基本管理功能以用户接口的方式提供给应用程序，以支持程序的有序运转。通过这三层功能设计，操作系统能够搭建起计算机硬件和应用程序之间的桥梁，为整个计算机系统的高效运转提供核心动能。

从类比的视角来看，学习操作系统具有与计算机操作系统相对应的三个功能层次，以此實现对教育数据的有效治理，为LTS提供数智动能，其功能结构如图4所示。在抽象概念层，学习操作系统从学习领域中提取出核心概念（如学生、教师等），并构建一个简化的领域模型，这有助于将复杂的教育过程转换成易于管理和操作的基本元素。在抽象概念的管理层，学习操作系统通过包括学生管理、教师管理在内的各种模块，管理这些抽象概念及其之间的交互关系。在用户接口层，学习操作系统通过各类接口（如数据接口、程序接口），为学习应用和终端用户提供访问和操作系统中数据资源及功能的便捷渠道。

值得注意的是，在计算机操作系统和学习操作系统中，抽象概念均通过“数据化”的方式进行表现和管理。这说明无论是处理器的运行状态、文件系统的结构，还是学生的学习状态、教学资源的分配，都被转化为可管理和可操作的数据集。在这一过程中，对抽象概念的管理实际上转化为对数据流的管理，二者实为一体两面。这不仅体现了“以数据为主线”重构LTS架构的合理性与必要性，也从侧面印证了数据治理对保证系统高效运转、发挥系统动能的重要性。

（二）学习操作系统的构成

面对教育数据治理的现实挑战，本研究团队打造了“数智大脑”，它兼具数据汇聚、数据规范、数据诊断和资源管理等基本功能，是产生数据智能的核心所在[10]。在以数智动能为驱动力的新一代LTS中，正是学习操作系统实现了“数智大脑”功能。具体而言，学习操作系统通过构建教育领域模型、数据接口与结构标准以及融合数据分析方法，针对性地解决数据共享、规范和分析环节的现存问题，从而使学习操作系统能深入挖掘教育数据价值，为LTS提供数智动能。

1. 领域本体与知识建模：数智动能的理论支柱

正如人脑的智能根植于知识和理论的积累，“数智大脑”以教育领域的知识模型、学生模型和教师模型作为挖掘数据智能的“知识积累”，以支持教育数据的有效治理与智能分析[10]。为了让学习操作系统发挥“数智大脑”的功能，系统在领域驱动建模的思想指导下，对教育领域中基础且本质的活动实体、知识实体、工具中介及其间的关系等进行抽象，并构建了教育领域模型，作为学习操作系统实现数智动能的理论支柱。

领域驱动的思想最早由Evans等人在领域驱动设计（Domain-Driven Design，简称DDD）的软件开发方法中提出[14]。这一思想的精髓在于为特定业务或学科领域的知识和活动提供一种抽象的表现形式，以应对软件开发中业务领域的复杂性。在领域驱动设计中，领域模型体现了专家对该领域的深入理解，构成软件设计的核心。其涵盖业务领域的关键概念、规则以及这些概念之间的关系，包括实体（Entities）、值对象（Value Objects）、领域事件（Domain Events）和规范（Specifications）等要素。

基于领域驱动思想构建的教育领域模型，包括由学生、教师、课程等多元主体及其属性构成的领域本体模型，以及大量知识元组成的领域知识模型。前者对教育领域内复杂要素及其关系进行抽象与刻画，后者则涵盖了教育领域内知识、概念和素养等不同类型的知识元，二者各有侧重，共同组成学习操作系统的理论支撑。本体模型中，教育领域被划分为四个基本要素：实体、属性、关系和情境。实体包含学生、教师、媒介等；属性描述了这些实体的关键特征，如学生的学习投入和动机等；关系体现了各实体之间的互动，如学生间的协作或学生与媒介的互动等；情境则为这些关系提供了具体的语境，包括学习材料、场域和时间等信息。领域知识模型则是针对教育领域中“学习内容”相关的知识点、大概念等广义的知识实体进行建模并结构化表征的结果。

2. 教育数据标准与集成：数智动能的数据保障

“数智大脑”通过多元化的数据来源以及统一规范的数据交互规则，推动数据治理的高效运转，确保教育数据的质量和适用性[10]。在学习操作系统中，实现数据的汇聚和统一化管理，要求建立符合语义互操作性的教育数据描述和通信结构，以保证系统内数据的高质量供应。语义互操作性强调从访问和意义两个层面上弥合信息系统之间的差异[15]：在访问层面上，通过创建标准化接口跨越系统和组织的边界，以松耦合的方式共享系统内部服务；在意义层面上，则需要进一步构建具有共同语义内涵的数据标准来确保对传输的数据达成意义一致性的理解。

在计算机操作系统中，应用程序通过互操作的方式将分散在不同应用中的数据存储到操作系统的存储器之中，既包括可共享的内存区，也包括持久化存储的硬盘，以此实现数据的读取、处理、共享与持久化。类似地，在学习操作系统中，上述功能是由各类数据接口、数据标准与数据库实现的。为了实现访问层面的互操作，学习操作系统被设计为可以通过API与各种学习应用工具进行集成和交互，由此实现各系统间的数据交换和功能扩展，确保学习环境的可定制性与扩展性。进一步地，为了达成数据理解的一致性，参照xAPI的“参与者—动作—对象”的数据规范[7]，学习操作系统采用“观测对象—语义层次—数值指标”的格式来描述教育数据。这一教育数据格式尤其强调了数据语义层次的明晰，即要求在教育语境下对数据内涵进行解释。采用语義化的统一教育数据结构标准，不仅可以实现不同学习工具之间的数据通信和交换，还提高了数据的可读性和可理解性。

3. 教育数据分析与诊断：数智动能的驱动引擎

“数智大脑”的核心机制在于利用数据诊断与智能决策，通过多渠道挖掘以发挥数据的赋能价值，从而为智能个性化学习提供支持[10]。在学习操作系统中，数据诊断与智能决策功能的实现，依赖于“理论驱动”和“数据驱动”的融合数据分析方法。采用融合数据分析方法得出的教育诊断结果，既具有科学性，同时也确保了更优的教育可解释性和应用价值。

“理论驱动”方法基于教育理论建立联结观测指标与理论属性的模型，并利用数据加以检验与求解[16]。其优势在于，能够深入探究干预措施的效用及其背后的因果关系，从而为教育实践提供更为深刻的见解和更加精确的指导；其局限则在于，难以处理未知变量以及大规模数据的建模复杂性。“数据驱动”方法以数据和算法为核心，能够借助统计分析、大数据挖掘、机器学习等手段，发现大规模教育数据中的关系模式并揭示潜在规律。但是，这种分析方法常被视为“黑箱”，因为它通常只关注输入（干预）和输出（结果），对于结果和干预间的联系缺乏解释，尤其是在理解复杂的认知心理因素方面表现不足[17-18]。

“理论驱动”与“数据驱动”两者的结合可以实现优势互补。在纳入分析的数据体量较小或者相关理论框架较为成熟的情况下，学习操作系统中的学习分析与诊断应基于教育理论、学习科学理论进行，运用教育理论模型作为分析引擎。但是当教育数据体量巨大或理论本身不甚清晰的时候，采用“数据驱动”分析方法，运用恰当的机器学习和深度学习算法对于潜在变量间的关系模式、关联规则进行挖掘，对于规律的探索同样具有积极意义。值得强调的是，无论采取哪种数据分析方法，为了将学习分析由“黑盒”转变为“白盒”，教育理论对于实现学习过程的深度诊断和可解释性分析的作用均不容忽视[19]。理论的参与能够有效提高数据分析的实际应用价值，使分析结果不仅仅是针对数据的统计描述，而且能够提供有意义的洞见，以帮助教育者和学习者更好地理解和改进学习过程。

（三）学习操作系统的体系架构

本研究团队所构建的“数智大脑”主要通过教育数据中枢、智能分析引擎、智能决策和实践应用等环节实现对教育数据的挖掘、分析、诊断和监测，从而支持智能化、个性化的教育样态[10]。这一技术路径在学习操作系统中的实现，依赖于领域模型模块、数据管理模块、学习分析模块、集成服务模块和数据交互模块所组建的系统架构（如图5所示）。在学习操作系统的架构中，每个模块分别承载数据交换、汇聚、管理、分析等不同功能，并以数据的联通共享为主线，共同促进数智动能的实现。

领域模型模块作为领域设计驱动下的教育领域建模的成果，承担着知识库的重要责任，包含深度融合教育领域特征的领域本体模型、领域知识模型。领域模型模块旨在以理论驱动的方式应对教育数据的复杂性和多样性，为教育数据结构标准、教育理论模型等其他模块的关键要素的构建提供来自教育领域的理论支持。

数据管理模块作为数据的中心枢纽，支持整个学习操作系统的数据驱动决策，为其他模块提供了可靠和高质量的数据源。它可以将教育数据进一步转换为语义化和结构化的教育数据，并具有数据存储和管理功能。数据语义化和结构化依赖于基于教育本体模型生成的领域数据结构标准。按照领域数据结构标准规定的数据结构，外部应用接入的多源行为数据被统一结构化并赋予领域语义信息，例如，“学生在小组讨论中的参与程度高”可以转换为“学生实体—小组讨论参与度—高”。经历了语义化和结构化的教育数据将被存储于以领域本体模型为数据库蓝图设计的领域数据库中，并由上级的数据管理服务层提供数据的各种调用与管理功能。

学习分析模块的主要用途是通过理论驱动与数据驱动的融合分析方法，实现教育数据的分析与诊断。依据领域模型模块提供的领域本体模型和教育知识图谱，学习分析模块具备了支撑理论驱动的基本信息，但是分析功能的进一步实现还有赖于教育理论模型库、测量分析模型库和量规指标库的建立。教育理论模型库的作用在于通过筛选和组合建立心理属性的层次结构，以此作为数据分析的理论依据。测量分析模型库则依托数据挖掘算法，为数据分析提供合适的分析模型，如逻辑回归、决策树等。指标量规库是对数据分析结果进行诊断的依据，对照量规中所描述的等级水平，可以为分析结果提供对应程度的学习支持与诊断建议。

集成服务模块通过API和其他集成技术，支持系统与外部学习工具的数据交换和功能整合。通过这一模块，外部学习应用可以获得来自学习分析模块的评价与诊断结果，为学习者提供针对性的学习支持服务。同时，这一模块的灵活性和互操作性使得系统能够无缝对接多样化的学习资源和工具，从而扩展系统的应用范围。

数据交互模块负责统筹管理学习操作系统与外部数据源之间的数据流动。它通过数据接口处理来自不同学习工具和平台的数据输入和输出，确保数据交换的顺畅和一致性，为系统内部的数据分析和外部的数据发布提供支持。

四、数智驱动数字化转型场景应用

在以数据为主线的新一代LTS框架下，学习操作系统作为核心构件，在搭建数据从采集、分析到反馈的闭环路径的基础上，进一步展现出数智动能对于教育数字化转型的强大驱动力。本研究团队基于上述学习操作系统的设计构想，开发出了聚焦于解决教育数据治理难题、发挥数智驱动力的“数智大脑”平台，该平台已被投入多所学校的教育实践应用中。作为智能教育向前迈出的一步，“数智大脑”平台展现出了值得期待的实践应用潜力，拓宽了我们对数字化教育的未来展望。接下来，将通过一则校长视角下的案例故事，展现“数智大脑”平台的学校使用场景及其预期效果，以期勾勒出数智驱动下教育数字化转型的美好愿景。

踏着清晨的日光，刘校长匆匆走进了办公室。随后，她打开了电脑，照例登录了“数智大脑”平台，准备开始一天的工作。首先，她查阅了由“数智大脑”自动生成的学校日报，包括学生出勤情况、教师活动记录和校园设施使用状况等各方面的校園概况。报告中，刘校长注意到一些班级的出勤率低于常规，她决定与相关班主任进行沟通，了解具体情况。

快速浏览完学校日报后，刘校长参加了学校管理团队的会议。在会议中，她利用“数智大脑”提供的动态数据视图，展示了本学期学校的整体教学质量和学生学习成效。数据显示，虽然大部分科目表现良好，但是历史和地理等科目的学习成效不佳。“数智大脑”的分析模型不仅呈现了最终的数据分析结果，还实现了数据来源的层层追溯。历史和地理等科目的低学习成效在一定程度上源于学生对这些科目的学习兴趣不足以及课堂互动的缺乏。进一步分析显示，这些科目的教学方法相对传统，缺乏足够的互动和实践环节，导致学生参与度不高。针对这一结果，“数智大脑”平台同步呈现了优化与提升教学方法的相关建议，如引入更多的小组讨论、角色扮演等互动教学方法和实地考察活动，这些建议及数据分析结果被自动发送至相关任课教师的平台端，作为教学优化的参考。刘校长还建议设立定期的教学质量评审会议，利用“数智大脑”平台的数据追踪功能，监测并评估教学方法的调整是否有效提升了学生这些科目的学习成效。

上午的会议结束后，刘校长前往食堂用餐。用餐时，刘校长打开了“数智大脑”平台的移动端，查看了食堂的运营数据。平台的数据显示了学生对食堂菜品的偏好、就餐高峰时间以及食品浪费情况等。刘校长注意到，根据回收食物的数量统计结果，食堂目前存在较为严重的食品浪费问题。通过“数智大脑”平台的建议，她考虑与食堂管理团队沟通，实施一些减少食物浪费的措施（如优化菜品分量、增加关于食物浪费的宣传教育等），鼓励学生参与减少食物浪费的行动。

用完餐回到办公室，刘校长发现“数智大脑”平台提示她，根据新导入数据自动计算并生成的学生画像分析报告有待查看。这些新数据来源多样，有来自最近月考成绩统计完成后从阅卷系统自动导入的学生学业成绩，还包括课堂教学软件提供的课堂参与情况数据，以及各项课外活动和社团活动的参与数据。作为智慧校园建设的成果，校园内的软硬件设备基本实现了万物互联。学生在教室、图书馆、操场、宿舍、食堂等校园各处发生的行为，都能够被相应的软硬件设备捕捉与记录，并且以数据流的形式被统一输送至“数智大脑”平台。这些数据为刘校长提供了一个全面而细致的校园生活刻画，反映了学生在学业、社交互动、身体健康等多个方面的综合表现。刘校长专注地查看了这些报告。通过数据间的关联挖掘，她注意到，积极参与课外活动的学生在课堂上通常也更加活跃，说明可以鼓励学生参与这些活动，以提升他们整体的学习体验。同时，报告中还通过分析学生的学业成绩和课堂参与情况，预测了下学期可能出现的学业风险区域。这些预测显示，虽然大部分学生表现稳定，但是有一小部分学生在数学和物理科目上可能会遇到困难。刘校长立刻决定，针对这些学生提早安排额外的辅导和支持，以预防潜在的学业挫折。

时间在查阅报告和记录要点中飞速流逝着。当夕阳的余晖洒满办公室，刘校长关闭了电脑，准备离开。她对于今天的成果感到满意，同时对未来充满期待。在“数智大脑”平台的支持下，她对于引领学校走向更加智能化和数智驱动的教育时代充满信心。

面對数据治理难题，只有实现教育数据的共融共享，才能充分发挥数据在决策、预测、评估方面的功能[20]。在“数智大脑”平台中，通过API接入，多样化的学习应用可以将多源教育数据自动导入平台，这些数据在经历初步清洗、预处理后，将依据平台规定的统一教育数据结构标准被处理为语义化、结构化的教育数据并储存于领域数据库中。依托学习分析模块中的理论模型、测量分析模型和指标量规，教育理论和智能算法可以介入数据分析环节，充分挖掘数据间的关联并进行预测，输出具有可解释性、可溯源性和高参考价值的分析报告（如图6所示），从而为教育决策提供支持和建议。

五、结   语

在新一代数字化技术的发展浪潮中，教育领域正经历一场前所未有的数字化变革。这种变革催生出对LTS的新需求，即数智驱动大规模个性化教育的实现。然而，数据智能的发挥面临着一系列的现实挑战。例如：数据分布于不同的应用和平台间，形成“数据孤岛”。缺少一致性的数据处理标准进一步加剧了数据的语义流失和解读困难，这不仅削弱了数据的实用性，也使得学习分析和教育决策变得更为复杂。这些问题凸显出教育数据有效治理的重要性，召唤着LTS朝“以数据为主线”的方向革新。

基于此，本研究构建了以数据为主线的新一代LTS架构，并借鉴计算机操作系统的设计原理，将其中实现“数智大脑”功能的核心构件隐喻为“学习操作系统”。学习操作系统不仅能够解决现有数据治理和应用中的局限，还为LTS的发展提供了一种全新的视角。学习操作系统中的多元模块共同作用于数据资源的有效整合以形成标准化的教育数据处理流程，提高数据的质量和分析结果的指导意义，从而为推动教育向更高效、智能和协同的方向发展提供数智动能。

[参考文献]

[1] 陈丽，张文梅，郑勤华.教育数字化转型的历史方位与推进策略[J].中国电化教育，2023（9）：1-8，17.

[2] 顾小清，吴战杰.学习技术系统体系结构进入2.0时代[J].计算机教育，2018（11）：5-7.

[3] 杨现民，吴贵芬，李新.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.

[4] 陈国青，任明，卫强，等.数智赋能：信息系统研究的新跃迁[J].管理世界，2022，38（1）：180-196.

[5] 李青，韩俊红.数据治理：提升教育数据质量的方法和途径[J].中国远程教育，2018（8）：45-53，80.

[6] BIENKOWSKI M， FENG M， MEANS B. Enhancing teaching and learning through educational data mining and learning analytics： an issue brief[EB/OL].（2012-10-01）[2023-12-31]. https：//tech.ed.gov/wp-content/uploads/2014/03/edm-la-brief.pdf.

[7] 顾小清，郑隆威，简菁.获取教育大数据：基于xAPI规范对学习经历数据的获取与共享[J].现代远程教育研究，2014（5）：13-23.

[8] WISE A F， SHAFFER D W. Why theory matters more than ever in the age of big data[J]. Journal of learning analytics， 2015，2（2）：5-13.

[9] 中华人民共和国国家质量监督检验检疫总局，中国国家标准化管理委员会.信息技术 学习、教育和培训 学习技术系统体系结构：GB/T 29803-2013 [S].北京：国家标准出版社，2014：6.

[10] 顾小清，李世瑾.人工智能教育大脑：以数据驱动教育治理与教学创新的技术框架[J].中国电化教育，2021（1）：80-88.

[11] TANENBAUM A S， BOS H. Modern operating systems[M]. 4th ed. Boston： Pearson， 2015.

[12] 胡海明，郁晓华，杨志和.学习操作系统设计的概念框架：基于学习生活世界的视角[J].中国电化教育，2008（9）： 6-11.

[13] GOUDZWAARD M， FINKELSTEIN A， PETERSEN R. LearningOS： the now generation digital learning environment[EB/OL].（2017-08-14）[2023-12-31]. https：//er.educause.edu/articles/2017/8/learningos-the-now-generation-digital-learning-environment.

[14] EVANS E. Domain-driven design： tackling complexity in the heart of software[M]. Boston： Addison-Wesley， 2004.

[15] AROYO L M， DOLOG P， HOUBEN G J P M， et al. Interoperability in personalized adaptive learning[J]. Journal of educational technology & society，2006，9（2）：4-18.

[16] BORSBOOM D. Measuring the mind： conceptual issues in contemporary psychometrics[M]. Cambridge： Cambridge University Press，2005.

[17] VANDENBERG R J， LANCE C E. A review and synthesis of the measurement invariance literature： suggestions， practices， and recommendations for organizational research[J]. Organizational research methods， 2000，3（1）：4-70.

[18] SEBRECHTS M， ENRIGHT M， BENNETT R E， et al. Using algebra word problems to assess quantitative ability： attributes， strategies， and errors[J]. Cognition and instruction， 1996，14（3）：285-343.

[19] 杨向东.理论驱动的心理与教育测量学[M].上海：华东师范大学出版社，2014.

[20] 楊聚鹏.新时代教育数字化转型的政策议题及建构路向[J].电化教育研究，2023，44（11）：36-44.

Constructing Data-Intelligence Drives for Digital Transformation in Education with Learning Operating Systems

GU Xiaoqing，  WANG Yuxuan

（Department of Educational Information Technology， East China Normal University， Shanghai 200062）

[Abstract] With the prominent value of data elements， how to give full play to the powerful potential of digital intelligence to drive educational change through effective governance of educational data has become the key to the digital transformation in education. Under the metaphor of intelligent educational brain， the learning technology system relies on the core component that acts as the "data-intelligent brain" and builds the educational data governance path of "data organization-data modeling-data analysis"， so as to deeply dig and maximize the value of educational data. Based on this， this paper reshapes the framework of the new generation of learning technology system with data as the main line， takes the learning operating system as the metaphor of the core component， and deeply explains its origin， connotation and architecture from "why"， "what" and "how"， focusing on the system realization of data intelligence. At the same time， based on the "data-intelligence brain" platform developed by the team， this paper describes its diversified use scenarios in school education in the form of case stories， showing the powerful application potential of the data-intelligence driver built by the learning operating system， in order to provide a new perspective and ideas for the digital transformation in education driven by digital intelligence.

[Keywords] Learning Operating System; Learning Technology System; Data-Intelligence Drives; Data-Intelligence Brain; Educational Data Governance