陕西师范大学远程教育学院官网

关键词:智慧教育;教学大数据;教育信息化;实践框架;发展趋势;现实挑战

一、引言

近年来,随着国内各地智慧教育实践探索的推进,教育大数据在推动教育创新发展与科学变革上的核心价值逐步凸显[3]。教学过程与结果数据的持续采集,动态汇聚成教学大数据,通过对教学大数据的深度挖掘与多元分析,能够将数据背后反映的教学意义与价值清晰地呈现出来,进而辅助教师进行更精准的“教”、指导学生进行更精益的“学”[4]。为促进大数据技术与教育教学实践的深度融合,本研究对智慧教育时代教学大数据的实践框架、应用进展、发展趋势以及面临的现实挑战进行了分析探讨,期望对我国教学大数据的建设与应用提供一定指导。

二、教学大数据的实践框架

近年来,大数据技术在课堂中的应用快速推广,教学大数据的价值也日益凸显。教学大数据作为教育大数据的核心数据集,其价值主要体现在变革教学模式、创新教学理念等方面[5]。本研究从学校导入教育大数据项目、教学大数据的建设、应用以及数据驱动的精准教学四个方面构建了教学大数据实践框架(如图1所示)。

(一)学校导入教育大数据项目

学校导入教育大数据项目是建设和应用教学大数据的基础,主要有自发探索式、项目参与式、行政推动式以及企业引领式四种导入模式[6]。南京市北京东路小学自发探索提出“基于大数据的学生成长过程评价”课题,客观、科学地评价学生的成长过程,为实施个性化教育提供详实的数据支撑;徐州市第三十一中学通过参与中央电教馆承担的研究课题,构建了适应性学习系统,探索智慧“学讲课堂”,开展以数据为支撑的课堂教学研究;浙江省衢州第一中学在市教育局的推动下,被列为教育大数据试点学校,从精心挑选技术工具、包装项目争取经费等方面实施教育大数据项目;河北省邯郸市峰峰春晖中学与北京拓思德科技有限公司开展点阵笔项目合作,将点阵笔技术应用到课堂教学中,实现日常作业智能批阅,解放教师,提高效率,实现教学诊断智能化,帮助学校精进教学、精细管理。

(二)教学大数据的汇聚融合

教学大数据是指教学活动产生的并根据教学需要采集到的,用来促进教学模式创新以及教学质量提升的数据集合,包括课堂教学大数据、在线学习行为大数据以及校外辅导大数据。根据课堂教学要素的不同,课堂教学大数据可划分成师生行为类数据、教学评价类数据、师生情感类数据及课堂管理类数据;校外辅导大数据主要包括教学行为数据、学生成长数据以及个性化辅导数据;在线学习行为大数据主要包括课程学习行为数据、资源管理行为数据、在线讨论行为数据、互动问答行为数据、练习测试行为数据及总结反思行为数据六大类。目前,课堂教学大数据与校外辅导大数据并未实现互联互通,无法实现数据的共建共享。教学大数据建设的核心思想是打破课堂教学数据、在线学习数据以及课外辅导数据间的壁垒,实现三大教学数据的汇聚、开放与共享,打造一体化的教学数据新生态。

(三)教学大数据的应用模式

1.高效互动教学

课堂是学校教育教学改革的主阵地,也是落实学生核心素养发展的关键[8]。课堂教学大数据构建的高效互动课堂具有数据把脉、全向互动、精准反馈以及轻负高质等特征,能够实现“低耗高效、轻负高质”的教学目标,破解“课堂效率低—学生掌握差—课后拼命补”的教育怪圈。课前,教师通过学生预习情况精准定位教学目标与重难点;课中,教师根据课堂数据的实时反馈掌握学生学习轨迹,及时调整并改进教学内容与教学方法;课后,教师根据每位学生的课堂表现,给予针对性的点拨与指导,布置相对应的课后任务。北京拓思德科技有限公司基于点阵笔技术的“3+1”产品构建高效互动课堂:课前,教师根据班级实际情况使用E笔微课、i板书录制微课;课中,教师使用PPClass互动教学系统,通过点阵数码笔实现与学生之间的深度互动;课后,学生利用PPClass系统重现课堂教学记录进行复习。

2.适应性学习

3.智能化诊断与评价

智能化诊断与评价以多种教学情景为背景,通过不断获取、整合和分析学生学习过程中的学习行为、认知建构、情感体验以及思维变化等多模态数据,制定学习改进方案,形成有效学习的新形态[10]。课堂教学大数据可以实现对学生即时、动态的诊断分析及评价信息反馈,教师根据反馈结果动态实时调整教学策略,提高学生的课堂学习效果。此外,课外辅导教师可以依据校外辅导大数据对学生校外学习效果进行诊断分析,灵活调整教学方案,使课外辅导培训更具针对性与个性化。北京中庆公司研发的“基于大数据的课堂教学分析评测系统”,以课堂为核心,实现教学数据的常态化、伴随式采集和即时性分析,服务于现场教学、教研和学生个性化学习,既提高了课堂教学的效率,又满足了教师、学生、家长和教育管理者多角色立体化的需求。

4.个性化练习与辅导

(四)走向数据驱动的精准教学

教学大数据建设与应用的实践导向是实现数据驱动的精准教学。随着大数据技术在教育领域应用探索的快速推进,数据驱动逐步成为大数据时代主流的教学范式,并呈现出科学化、精准化、智能化及个性化四大核心特征[4]。数据驱动的精准教学要求教师利用数据挖掘和学习分析技术将课堂教学与在线学习生成的数据“翻译”成有价值的信息,如学困生的识别、知识缺陷的发现、教学目标的达成等,从而为教师的“教”和学生的“学”提供更准确、及时、全面的支持。大山教育利用“学习8”智能平台,打造了“1+5+N”的教学新模式,即1个教研教学平台、5个智能小助手、N个在线教育内容资源提供商。该模式能够全程记录“教师+学生+家长”在“线上与线下”的互动教学轨迹,沉淀服务数据,以达到可视化分析学习需求、数据化指导教研标准以及个性化精准教学的目的,实现数据驱动的精准教学。

三、教学大数据的发展趋势

《中国基础教育大数据发展蓝皮书》项目组于2017年对国内中小学校、教育大数据企业等进行了走访调查。研究发现,各地教学大数据的建设与应用发展势头良好,整体呈现出以下六大发展趋势:

(一)数据贯通教学全流程,助力教师教学活动的精准化设计与实施

随着学习分析技术的逐步成熟及教育领域对大数据诉求的增强,学习分析的范畴将逐步拓展,从单一的知识或行为分析走向“知(知识)—行(行为)—情(情绪)”的综合分析。教学数据的多样化采集与多元化分析,更能精准刻画全维度的“学生画像”,服务于师生教学和学校管理。目前,多模态学习分析已经在学术研究方面取得了一定进展,PauloBlikstein等指出,随着在线学习系统的增加和复杂学习环境的出现,多模态学习分析需要捕获、处理和分析多种数字信号,以便理解学习过程中参与者的行为和相互作用的痕迹,深入揭示学习规律[12]。未来,将有越来越多的教育大数据产品集成多模态学习分析技术,提供更加客观、全面、精准的学习分析服务。

(三)各级教育管理者与教师的数据意识逐步增强,数据素养教育日益受到重视

大数据正在快速渗透到各行各业,广大民众对大数据的认知度逐步提升,整个社会的数据文化快速形成和扩散。在政府部门、新闻媒体、信息化企业及广大学校的共同努力下,教育工作者的数据意识开始萌芽、生长,未来将有越来越多的教育从业者认可大数据在教育教学变革中的潜在价值。此外,数据素养有望成为教师职业能力的核心要素。师范院校的人才培养将融入必要的数据素养课程,以提升未来教师应对大数据时代挑战的能力。当前,江苏、浙江部分地区已经面向中小学校长、骨干教师等启动了教育大数据专题培训,职后教师的数据素养培训将受到更多地区教育行政部门的高度重视。

(四)教育大数据项目率先在区、校两个层面落地探索,企业成为核心参与者

在“政产学研用”多方努力下,国家提出的“教育文化大数据战略”正在区、校两个层面率先“着陆”。区域层面以浙江衢州为代表,教育局将2017年确定为全市教育大数据应用推进年,通过召开专题会议、举办教师培训班、成立专家小组等措施,着力推进大数据技术进学校、进课堂,促进衢州智慧教育的发展。学校层面以北京、上海、深圳、南京等地部分名校为代表,率先导入教育大数据项目,并取得了不错的效果,形成了一定的示范效应。未来,将有更多的地区和学校“拥抱”大数据,尝试引入教育大数据解决方案。企业作为教育大数据产品与服务的提供者,凭借其技术与市场上的优势,将在区、校教育大数据建设中发挥越来越重要的作用,从边缘参与走向核心参与。

(五)大数据与教学实践的融合价值开始显现,公众认知度逐步提升

智慧课堂与学业测评是我国大数据技术在教育领域应用的两大热点,主要有两个原因:一是课堂教学模式与教育评价模式是当前中国教育教学改革的重点方向,也是难点所在;二是课堂教学与学业评价拥有常态化数据采集与分析应用的能力,是大数据技术引燃教育变革的“爆破点”。可以预见,未来几年将有更多中小学校尝试引入大数据技术打造智慧课堂,开展基于数据的精准学业评价;教育行政部门将加强区域教育教学数据的统筹规划与教育大数据项目的有序推进;信息化企业将围绕课堂大数据与评价大数据产品进行重点研发;家庭也将作为重要的支持力量协助学校开展学习评价数据的采集。

四、教学大数据发展面临的挑战与建议

随着大数据理念与技术在各级各类教育中的推广,教学大数据的重要性日益凸显,将成为教育信息化2.0时代课堂教学模式变革与创新的“助推器”。但是,大数据技术与教学业务深度融合的过程必然不是一蹴而就的,教学大数据的发展仍面临以下五方面的挑战:

(一)教师数据处理能力不足,难以对教学数据进行多元分析与准确的结果解读

当前,中小学教师的数据分析、数据解读及数据交流的能力还存在明显不足:一是无法熟练应用EXCEL、SPSS等工具进行基本的教学数据分析与处理;二是在教学中缺乏对过程数据和结果数据深入、准确的解读,难以形成正向的教学反馈流,指导教学实践的改进;三是缺乏应用数据与家长、同事及领导开展交流对话的能力,难以在家校之间、师生之间、教师之间架构起支撑家校共育的“数据桥梁”。

教育行政部门应加强教师队伍数据素养教育,通过开展教育大数据专题培训、智慧课堂观摩研讨、网络协作教研等多种活动,从意识态度、基础知识、核心技能及思维方法四个层面全面提高教师、校长及管理人员的数据素养,并制定教师数据素养评估标准与考核办法,以评价和考核为抓手,促进教师数据素养提升。

(二)线下学习过程性数据的采集仍是难点,该部分数据的缺失直接影响学习诊断与预测预警的准确性及综合评价的科学性

在线下学习仍占据主导地位的今天,很多线下的学习活动数据,尤其是过程性学习数据及学习情绪数据,由于技术、环境、个性差异等诸多因素的限制,无法得到有效全面的采集。线下学习数据的缺失,就好比架在空中的半截“浮桥”,难以支撑完整“学习链条”的构建,直接影响到学习诊断与预测预警的准确性及综合素质评价的科学性。

教育大数据服务商应加大力度研发线下学习数据的采集技术和产品,提高线下学习过程性数据采集的准确性与全面性。随着教学数据的日渐丰富与复杂,学生的过程性数据将变得更具价值,企业研发的教学产品应重点收集学生学习行为数据、情感数据等,完善丰富教学数据体系。此外,教师需要培养自身的数据意识,有意识地收集、整理学生的线下学习数据,进一步丰富完善教学大数据,从而为学生学习诊断和预测预警的准确性和科学性提供全面的数据支撑。

(三)教育大数据项目的校企合作机制与规约机制仍不清晰,管理上存在较大的数据安全风险

校企合作是推进教育大数据在中小学校“落地”应用的关键。然而,在教育大数据项目建设与应用推进过程中,校企之间往往缺乏足够的默契和有效协同,主要表现在产品设计与优化、数据管理与维护、教师培训与应用反馈等多个方面。此外,数据作为学校的新型教育资产,校企之间如何进行协同建设和安全保护,如何进行数据权属的合理界定,如何在高标准隐私保护与开放共享之间寻求平衡等问题已成为影响学校教育大数据项目开展的重要因素。

教育行政部门应尝试建立教育大数据产品准入机制,从数据安全、技术水平、维护能力等多个方面加强对企业大数据产品的鉴定与评估,选择信誉良好、技术先进的教育大数据产品提供商作为合作伙伴,既为学校采购教育大数据服务提供保障,也有利于区域层面的教育教学大数据的融通共享,确保大数据产品在学校教育教学应用中的数据安全。

(四)多家企业大数据产品在学校独立运行,直接造成学校教育数据的割裂,影响教育数据的融通共享及更大数据价值的发挥

虽然教育大数据的应用正处于起步阶段,但在我国基础教育领域已经出现了好的发展“苗头”,越来越多的中小学校开始引入教育大数据产品。然而,一线学校由于缺少教育大数据项目的顶层设计和统筹规划,往往出现一所学校内多个企业教育大数据产品独立运行的现象,直接造成数据壁垒。长远来看,学校部署的多个孤立的“数据小岛”不是在产生大数据,恰恰是在削弱大数据价值的发挥。

(五)数据分析模型的科学性和准确性仍是教育大数据的突出短板,制约了大数据技术在教育教学领域的推广应用

数据分析模型好比人类的“大脑”,是教育大数据产品的核心。模型设计的好坏,直接影响产品的质量水平和市场竞争力。然而,当前很多企业在研发教育大数据产品过程中,往往难以摆脱IT思维,由于缺少对学校实际教育教学业务的深度理解,在数据源的选择、指标权重设计等方面往往不符合或脱离教育规律,构建的数据分析模型的准确性和有效性都亟待提升,这直接影响了基础教育大数据应用实践的推进。

教育大数据服务商应积极与高校、中小学校及科研机构开展合作,全面理解、深度挖掘教学业务需求,增强教学数据分析模型的准确性,提升教育大数据产品质量。同时,从教育教学视角思考教育大数据产品的体系架构与流程设计,高度重视需求分析环节并能根据用户反馈进行快速的产品迭代优化;加强教育大数据产品用户体验的“走心”设计,降低技术使用门槛,避免广大师生被“技术”所累,实现常规教学业务的平稳迁移及大数据产品的常态化应用。

【参考文献】

[1]陈琳,孙梦梦,刘雪飞.智慧教育渊源论[J].电化教育研究,2017(2):13-18.

[2]杨现民,余胜泉.智慧教育体系架构与关键支撑技术[J].中国电化教育,2015(1):77-84.

[3]杨现民,王榴卉,唐斯斯.教育大数据的应用模式与政策建议[J].电化教育研究,2015(9):54-61,69.

THE END
1.数据分析与机器学习全解析数据分析与机器学习全解析 一、数据分析基础要点 (一)数据收集 确定数据源:明确是内部数据库、外部公开数据、传感器采集还是用户调研等来源,不同来源数据质量与获取难度各异。例如内部销售数据可直接获取,而市场调研数据需设计问卷并投入人力收集。 数据采集频率:依据分析目的设定,高频采集可捕捉实时变化但成本高,低频https://blog.csdn.net/hjxxlsx/article/details/144438382
2.教育行业在线课程学习数据分析报告本报告旨在通过对教育行业在线课程学习数据的分析,揭示在线学习的趋势和重要影响因素。 一、在线课程学习的普及程度 随着网络技术发展,越来越多的教育机构和学校开始提供在线课程学习。根据我们对一家在线教育平台的调查数据显示,过去五年里,注册在线课程学习的人数呈现出爆发式增长。在2016年,注册人数仅有10万人,而到了https://wenku.baidu.com/view/5b9daea3ae51f01dc281e53a580216fc710a5324.html
3.基于大数据技术在线学习过程行为分析框架设计摘要:针对国内外中等规模以上在线学习平台课程完成率低、用户流失严重的现象,分析了在线学习过程行为影响学习效果提升的关联因素。基于大数据技术,构建了在线学习过程行为分析模型总体框架和数据模型,依据行为科学和人工智能理论,完成了对在线学习行为的聚类分析和关联分析,最终,给出了个性化学习资源和教学策略的推荐,有效提高https://www.fx361.com/page/2017/1117/2470194.shtml
4.4.文献研读基于数据挖掘的学习者在线学习行为分析模型构建研究对象 学习者在在线学习平台的学习行为 研究动机 目前高校在线学习平台存在学习课程完成率低、学生学习兴趣低和学习效果无法保障等问题 文献综述 本文是利用数据挖掘技术获取学习者在线学习行为数据来进行分析模型构建 研究方案设计 1.在线学习行为数据采集 2.在线学习行https://www.cnblogs.com/lxt-/p/11272450.html
5.基于任务的基础数据分析——在线教育平台背景:通过数据,教学运营人员可以客观了解一个班期中学员的整体情况,一边更具针对性地实施班级运营动作。 1.基于事件分析,选取事件「浏览课程内容」的「用户数」,按「总体」查看。观察【2018年11月29日-2018年12月13日】前两周进入课程学习的用户数变化,总结规律。 https://www.jianshu.com/p/f54dab417dc1
6.常规和在线学习情景下学生投入特征及类型——基于西安交通大学大学生摘要:研究应用西安交通大学3782名大学生学习经历调查数据,分析了常规和在线学习情景下学生投入行为特征.结果显示,常规学习情景下学生投入和在线学习情景下学生投入的相互替代性低;只有同时考察学生在常规学习情景下的投入行为和在线学习情景下的投入行为,才能较全面把握学生投入的特征.根据在常规和在线学习情景下的学生投入行https://d.wanfangdata.com.cn/periodical/gdgcjyyj201703022
7.教师支持对在线学习者自我调节学习的影响研究澎湃号·政务【摘要】自我调节学习是成功的在线学习的关键,教师支持作为一个重要的社会性支持因素,对在线学习者的自我调节学习具有重要影响。基于327名大学生的问卷调查数据分析发现,在线学习者感知的教师支持处于中等程度,其自我调节学习水平不高;教师支持对在线学习者的自我调节学习具有显著正向作用;教师的自主支持和认知支持直接影响https://www.thepaper.cn/newsDetail_forward_15898407
8.SPSS在线SPSSAU在与SPSSAU用户沟通过程中发现,非常的用户均是“新手”,没有数据分析的思维和概念。很多用户完全没有进行过数据分析,也不知道如何学习,部分用户有学习过统计学相关课程,但依旧不会进行数据分析。 结合SPSSAU的设计理念,建议用户学习数据分析的路径如下共三步曲。 https://spssau.com/front/spssau/helps/otherdocuments/studypath.html
9.irsi数据集pythoniris数据集分析kcoufee的技术博客irsi数据集 python iris数据集分析 后面对Sklearn的学习主要以《Python机器学习基础教程》和《机器学习实战基于scikit-learn和tensorflow》,两本互为补充进行学习,下面是开篇的学习内容。 1 初识数据 iris数据集的中文名是安德森鸢尾花卉数据集,英文全称是Anderson’s Iris data set。iris包含150个样本,对应数据集的每https://blog.51cto.com/u_12995/7320437
10.在线教育平台大数据的学习行为分析与预测在线教育平台大数据的学习行为分析与预测,在线教育,开放式数据集,学习行为,学习分析,数据挖掘,伴随着互联网科技的高速发展,人类正逐步迈进一个新的时代,信息化技术已经渗透到我们生活的各个方面。教育一直是我国高度关注的热https://wap.cnki.net/lunwen-1021040700.html
11.钉钉线上培训系统如何操作数据分析是评估学习计划和学生表现的重要方法。在钉钉线上培训系统中,您可以查看学员的学习记录、完成任务的时间以及学员的平均得分。 数据分析可以帮助您了解整个学习计划的表现如何,以及需要对学习计划和任务做出哪些调整。例如,您可以知道哪些任务需要更多支持、哪些任务很容易完成或哪些学生需要更多的帮助。 https://h.chanjet.com/ask/b7cc8e936e312.html
12.2022年职业教育国家级教学成果奖“数字化”主题获奖成果分析随着大数据、人工智能技术在职业教育的深入应用,教学服务由“用经验、凭感觉”向“数据驱动、精准教学”迈进。历次职业教育国家级教学成果奖中,2014年,教学改革的实施、监督、反馈环节对信息传递与接收细节关注不够,教学服务相对粗放;2018年,数据分析在教堂教学、学习评价、实习实训等环节得以应用,可形成体系化、量化的https://www.lnxdfwxy.edu.cn/info/1046/9319.htm
13.SPSSPRO数据处理步骤自动保存 可回退至指定版本,数据操作不怕错 更智能 自动给原始数据编码 提升数据处理效率 更安全 数据永久保存,安全可靠 更好用 极简的交互设计 极大的降低学习成本 更方便 与问卷网无缝对接 轻松实现更专业的在线SPSS分析 快速上手 数据处理 https://www.spsspro.com/
14.远程学习心得体会15篇本系统后台采用的是SQL Server 20xx 数据库,由于本系统面向的用户有三种类型:教师、学员和管理员,所以在数据库需求分析中就要重点考虑三方面的因素。 學员相关的信息包括: 在线学习;在线答疑;下载和上交作业;在线成绩浏览。对于管理员来说,他们登陆后的操作主要是:视频文件的`上传、修改和删除;作业的上传;宣传主页的https://www.unjs.com/fanwenwang/xdth/20230427073609_6957321.html
15.数据分析在教育领域的应用.pptx数据收集与处理数据分析在教育领域的应用 数据收集与处理数据收集1.数据收集方式:通过问卷调查、实验数据、在线学习平台数据等方式收集教育领域的数据。2.数据收集工具:使用数据收集工具,如Google表格、SurveyMonkey等,可以更方便地收集和管理数据。3.数据收集的挑战:数据收集过程中可能会遇到数据不完整、数据质量差等问题https://max.book118.com/html/2023/1227/7040061023006023.shtm
16.2020年教育信息化发展分析本文以2020年疫情环境下线上教育的开展为重点,分五个部分进行年度教育信息化发展分析:一是分析解读相关数据;二是分类梳理主要热点事件;三是对疫情期间我国在线教育的实践与发展状况进行分析;四是从数字校园建设、网络学习空间等五个方面反映教育信息化的环境建设与应用;五是从德智体美劳五个方面阐述教育装备信息化的新https://www.ceeia.cn/news/detail_3517.htm
17.制造企业工作总结(精选15篇)可以说是每个细节,每个零部件都有了深入的了解,拓展了自己的知识层面。也学会了出现问题如何分析解决,在制造部做统计这段时间,我经常去车间实地学习,总结产品类型、产品特点,牢固统计基础、力求对统计数据分析质量的提高。 让工作做的更顺利,效率更高,更准确。在做工资时,有时出现公式不太统一的现象,这样核算起来https://www.yjbys.com/zongjie/fanwen/1109964.html
18.评测:百词斩VS墨墨背单词VS扇贝单词在线教育(数据来源:艾瑞咨询) 在线教育市场结构: 高等学历教育及职业培训一直是中国在线教育的市场主体,占整个在线教育市场规模的80%左右,尤其在提升学历、求职、考证等场景中,教育培训需求更加强烈;而K12教育市场,虽然市场刚需性强,但是该阶段的学习存在着试错成本高的特点,K12家长和学生对在线教育持谨慎态度;因此在发展初期占https://maimai.cn/article/detail?fid=1568118311&efid=fZNaBHEXt5OVwBQq_3lSGQ
19.数据分析网数据分析网,大数据、数据分析、数据挖掘和人工智能(AI)学习交流平台。https://www.afenxi.com/