基于教育大数据的MOOC支持服务特质与形成研究

【摘 要】

大数据改变未来的实践在社会各个领域悄然发生。利用教育大数据改善MOOC支持服务，是解决MOOC学习过程中学习支持服务乏力的有效手段。本研究通过文献法和开发研究法，提出基于教育大数据的MOOC支持服务体现了个性化、及时性、精准性和智能化等特性，其形成能有效提升MOOC学习过程中支持服务的针对性和服务质量。实现基于教育大数据的MOOC支持服务面临各种挑战，需要建立与之相称的教育大数据意识、能力、环境。除此之外，还需要MOOC支持服务的人员、意识和相关政策的到位。

【关键词】  教育大数据;MOOC;支持服务

【中图分类号】  G434      【文献标识码】  A      【文章编号】 1009—458x（2015）12—0049—07

一、引言

越来越多的商业、娱乐、通讯、学习行为在浩瀚的互联网中发生，产生爆发式增长的数据量，并被大量地使用[1]。最初发轫于天文学和基因学而兴起的“大数据”概念，应用到人类致力于发展的所有领域中，人类在量化自我的路上跨入了一个新的时代。大数据改变未来的论调日趋统一，大数据改变未来的实践正在悄然发生，大数据在教育中的作用也随着大数据所改变的教育研究和教育实践身处发酵前夜。

随着MOOC的兴起，尤其是一些如哈佛、斯坦福等高水平研究型大学的涉入，MOOC实践如同雨后春笋般快速增长，围绕MOOC的研究也逐步扩大和深化。一些核心的问题引发了学者的共同关注：比如免费的MOOC如何保证高效的支持服务和持续的投入。这一问题源于MOOC发展至今，还没有找到成熟甚至成型的商业模式支持MOOC的持续发展。而MOOC的支持服务，是由MOOC诞生以来，困扰和影响其发展的重要原因。对MOOC的文献考察也能理解其重要性，按照申灵灵等人整理的文献：2014年4月前关于MOOC教育系统层面研究的国外文献中，支持服务的研究仅次于质量保障、成本效益和赢利模式。[2]虽然国内对于专门针对MOOC支持服务的深入研究较为缺乏，但支持服务的重要性散落在MOOC研究的几乎所有文献中，可见MOOC支持服务在MOOC发展过程中的价值之巨大。众所周知，支持服务的核心价值在于鼓舞学习者坚定自身基于网络的MOOC学习重要性的信仰，保障MOOC学习运行效率，克服学习者学习过程中的孤独感，提升MOOC市场价值，提升MOOC的核心竞争力。而基于MOOC的学习存在的最大的问题是实体环境缺乏对学习持续动力保持及由此带来的不利，学习者要面对如托夫勒所言：“接受缺乏友谊的事实，接受孤独和互不信任”。[3]显而易见，大规模的支持服务意味着MOOC学习所展现的成本优势会受到极大的考验，很难保持大规模免费教育的发展后劲，这就提出了支持服务的效率问题。对于学习者个体体验而言，一方面需要支持服务的个性化，显示自身被特别关注;一方面需要及时、充满人性化的支持，消除孤独感，以满足学习过程支持服务的需要，这就提出了支持服务的针对性问题。从学习者群体体验而言，学习过程中会有一些通用的表征，比如在线学习在一定时间内的效率变化、在线学习负荷的承受能力、在线学习活动的有效性问题等，教育的大数据给了我们准确知晓这些教育事实的机会，通过有针对性的修正提高支持服务水平。基于此，基于教育大数据的MOOC支持服务的研究成为本研究关注的中心。

二、基于教育大数据的MOOC

支持服务内涵

（一）教育大数据

大数据一词最早出现在上个世纪90年代超级计算机使用后产生的数据挑战中。“数据集相当大，对主内存、本地磁盘，甚至远程磁盘都造成挑战……我们对此称之为大数据。”[4]随着互联网技术等数据密集科学的发展，数据成为重要生产要素被纳入企业发展的支撑因素中来，并呈现出新的使用价值。为此，理论研究者对大数据的定义进行了从“3Vs（大体量、高速度、多样化）”向“4Vs（大体量、高速度、多样化、真实化）”[5]多次修正。其中，大体量是指各种类型的数据量非常大，可以随意达到TB级别;高速度是指处理大数据时要足够快，能根据数据发生的变化预判问题;多样化是指数据的来源、数据的类型多样;真实性是指信息的可信度非常高，是依托行为产生的数据，有效提高决策的可靠程度。从这些变化中我们可以看到，大数据已经由以前的“体量”转化为“研究方式”“思维方式”等形式，影响到社会的各个领域。教育领域也是如此，在线教育尤其是MOOC的兴起，产生了大量的教育数据，真实反映了学习者的学习行为，如看视频时间、测试时间、在某知识点的停留时间、学习问题交流时间等。这些数据通过智能平台的收集产生了广泛的应用前景，承载了很多潜在的教育价值，影响了教育研究的范式。

（二）MOOC支持服务

自从英国学者大卫·西沃特提出“支持服务”的概念以来[6]，关于支持服务的研究开始兴盛。随着1997年前后互联网技术的发展将远程学习从传统印刷、电视媒体转移到网络平台，“支持服务”的概念得到进一步发展。支持服务的概念由传统的“学习过程支持”到“双向交流支持”，再到“有指导的教学会话”。 [7]理念更加成熟、更加务实。支持服务的内容也进一步清晰。有学者提出：支持服务覆盖了学习方面的直接支持服务，包括教材、教师、教室、实验室等的服务;学习辅助支持服务，包括学习研究方法、参考资料等的服务;学习间接支持服务，包括学生贷款、心理咨询、学习设备租赁及技术支持等服务。此外，学习者学习技能乃至学习心理及情感需求等也是学习支持服务涉及的对象。[8]按照这个逻辑，MOOC支持服务是指在学习者参与MOOC学习过程中的学习直接支持、学习辅助支持和学习间接支持。直接支持是指能促进学习者知识能力水平渐进的资源、适合交互的教学平台和MOOC支持服务的教师;辅助支持包括MOOC学习方法支持、扩展资源服务;间接支持包括学习动力保持与激发、在线学习孤单感的克服等内容。总的来说，MOOC支持服务核心的工作逻辑是：挖掘学生面临的MOOC学习问题、理解学生面临MOOC学习问题的改进要求、满足学生要求的可行方式以及MOOC支持服务中遇到的问题。MOOC诞生后，学习者遇到学习动力不足、重视程度不高等问题，造成退学率极高。开发者对其深入反思和调研之后，发现造成MOOC居高不下的退学率有学习者参与动机不同、学习动力持续性不够、MOOC本身免费模式。[9]。这些问题的产生，除MOOC自身模式的影响，都直接指向MOOC支持服务。“课程是分散的，所有的博客、讨论、视频等都存在于整个网络，学习没有正确的途径…只有自己才能判断自己是否完成了课程。”[10]的确，MOOC大规模的学生如果是仅靠为数不多的人来管理和提供支持服务，始终会存在质量问题，影响MOOC的发展前景。例如在现行的MOOC的运行系统中的作业评价，通常通过“学生互评”的方式解决，但这个办法遭到了很多教育学者的诟病，认为降低了学习质量，让MOOC陷入了“放羊式管理”的老路，而其他的关注点比如关于学生深度讨论的引导、个性化释疑、知识向能力的转化引导更是缺乏。如何有针对性地提升MOOC支持服务质量，又能一定程度上让支持服务的成本不至于过度增长，成为MOOC支持者需要解决的问题。

（三）基于教育大数据的MOOC支持服务

MOOC支持服务需要解决最为重要的几个问题：学习者需要什么样的支持服务？如何有效提供支持服务？在什么时机提供什么服务？提供某种服务之后会产生什么样的效果？如何为学习者提供个性化的支持服务？等等。这些在传统的教学中需要大量有意识和有针对性的调查研究取得各类小样本，并且这样获取具有较大的误差，在指导其他教育实践时只具备参考价值，并不具备完整的迁移使用能力，并且调查范围的有效性限制了调查数据的效度。现行MOOC平台能实时监测学习者学习进程、学习地点、知识掌握程度以及与其他个体互动情况等的相关数据，也能通过既定模型评估和推测学习者响应、反馈等数据，帮助支持服务者从社交、行为、认知层面对MOOC学习者的学习行为进行基于教育大数据的分析和改进。[11]除此之外，MOOC所塑造的环境、学习内容、学习伙伴甚至是学习者的社会关系等数据，都能通过有效挖掘成为如何更好支持学习有效性的着力点。总之，教育大数据由于体量大、真实、迅速等因素，并基于学习平台迅速收集，通过既定模型迅速得到结论，并通过有效反馈作用于不同学习者的学习，能有效地发挥大数据的预测功能，提升支持服务水平，给学习者提供更好的学习体验。

三、基于教育大数据的MOOC

支持服务特质

（一）支持服务的个性化

在日常生活中，“个性化”以及标榜“个性”的行为受到日益增长的新新人群的追捧，他们在言行、服饰和社会交往各个方面体现了更多的个人中心主义，愿意自定标签，对事物有更多的独立思考。唐·泰普斯科特在他的著作《数字化成长》中对这代人的行为作了描述，分析了他们以自我为中心的个性特征。还有的学者也提出了“现代的青少年控制不了自身的情绪，容易造成物质至上的行为冲动，并有不合理的期望，对周围漠不关心”。[12]这些变化在建构主义开始盛行的上个世纪末就备受关注，学习者的个性化需求在基于规范化的教育研究范式下被深入研究思考。教育大数据时代的MOOC支持服务可以借助数据的力量，提供个性化的支持。

首先，个性化的“推送”服务培养MOOC学习习惯。我们熟知亚马逊著名的商品推送服务：他们将消费者的消费数据进行收集，然后将各类即时数据和历史数据进行关联，识别用户的消费习惯，推测消费者的人际关系，并基于此生成预测的消费需求，进行个性化推送。虽然我们也见到各种莫名其妙的推送，证明了完全的个性化推送行为还有较大的发展空间，但不可否认推送服务给亚马逊带来的市场地位和市场份额。学习者在MOOC的使用中也会留下大量的数据，比如在各种描述性的反馈、搜索性的记录、交互性的讨论中蕴含了大量的个性化需求，可以以此分析学习者的学习需求和学习过程中的知识基础与技能基础，进而分析学习过程中出现困惑的原因，提供解决方案，并将解决方案所需要的核心资源进行推送，促进其完成学习任务，满足学习需要，帮助形成良好的MOOC学习习惯。

其次，个性化的学习过程支持提升学习绩效。传统远程教育依托信息技术实现了学习场域的转移，但忽略了引导学习者专注于学习过程的支持服务，导致包括电大远程教育在内的“低质”表象，使电大在发展过程中长期处于边缘化境地。在对传统远程教育和早期MOOC的学习效果的考察情况来看，的确存在深度学习不够、绩效不高等特征。MOOC的学习是基于网络的学习行为，在学习过程中，容易受到各种网络数据的干预，分散学习者精力。一些相对高深晦涩的知识，缺乏深度互动便很难理解透彻。[13]个性化的支持服务将学习者个性化的学习数据进行处理，跟踪学习者的学习习惯、学习风格、学习基础等因素，并以此作为个性化支持服务的依据，适应学习者的自身学习，并且通过适时的引导，使学习者脱离网络非相关信息干预，提高学习者学习进程的效率，促进MOOC视域与学习者视域融合，提升学习绩效。

最后，能有针对性地消除学习者在学习过程中的负面情绪的困扰。在学习过程中，尤其是在线学习过程中，会产生大量的负面情绪。特别是遇到知识难度较大且需要深度学习时，即便是知识学习本身没有对学习者造成障碍，学习者的在线学习成效也受到学习者日常生活状态的影响，这些都会影响学习进程的顺利开展。这些情绪在学习过程中通过与视频互动、学习者之间交互等得到体现，还有一些肢体动作数据的收集，比如无节奏敲打键盘、反复点击鼠标背后都蕴含了学习者的情绪支持需求，可以以此为学习者提供“虚拟助理”之类的推送服务[14]，帮助学习者克服负面情绪的影响。

（二）支持服务的及时性

大数据体现的高速度特征被广泛接受取决于两个主要因素。首先是硬件性能的提升。摩尔提出的集成电路集成度和性价比的基本假说，即处理器的功能和复杂性每年（后期减慢到18个月）增加1倍而成本却成反比例递减的“摩尔定律”，在硬件发展上仍然发挥作用。[15]现代主流服务器处理一般数据已经不存在硬件困扰。其次是网络传输速度，Web2.0所支持的硬件环境和软件环境都具备了快速传输数据的功能。那么，基于教育大数据的支持服务基础已经基本具备，支持服务及时性又体现在哪些方面呢？

首先，克服了以往在线学习因规模影响支持服务及时性的问题。以往的支持服务以人的“同步”或者“异步”支持为主，比如电大在线平台的学习者提问，有时会出现大量若干天无法回复学习者提问的情况，也没有办法有效地预见问题规模，根据支持服务量来安排支持服务人员，这就出现了支持服务的延缓。MOOC的进一步发展必将引起学习者规模的变化，MOOC支持服务的工作量面临大幅度提升，及时回复学习者问题对于推动学习者下一步学习和提升对学习者的情绪支持意义重大。基于教育大数据的支持服务通过收集学习者学习习惯的数据，有效预见提问高峰、学习集中时段、知识难点和问题多发点，并形成预警机制，有效地安排相关人员进行问题归类、智能化处理和及时回复，提高了支持服务的速度，改善学习体验。

其次，人员安排更加及时。在支持服务人员方面，通过教育大数据的预测功能，将一些有可能出现的问题所需要的知识进行提前准备，在学习者出现“知识困境”时及时进行“提示”推送，解决“可能的问题”。甚至把可能的“知识困境”分层，将相应的解决策略推送给不同知识层级的学习者，及时减少知识吸收过程中产生的问题，将更多的时间用来引导和影响学习者知识学习的深度和广度，培养“全面发展的人”。

最后，提高了学习者评价的速度。以往的在线学习评价需要通过教学支持服务者开发相应的评价测试题，其效果也并不见得真实可信，并且整个过程的周期较长，不利于学习者得到及时反馈，更不利于强化学习动力和增加后续学习动力。教育大数据通过平台将各类学习数据进行收集、处理和判断，形成学习者对学习成效的评价，并以此将相关信息通过知识引导、重复学习建议等在参与课程考核之前提交给学习者，对促进学习者学习效能提升大有裨益。

（三）支持服务的精准性

大数据在行业利用过程中一个很重要的价值是精准。这种精准的数据，不是信息缺乏时代和模拟数据时代的调研数据，而是将各类数据全部收集起来，根据“全数据”进行分析。也许在所有数据中只有5%的数据可以进行结构化的处理，剩下的是非结构化的数据，但是这种全数据可以有效地减少数据分析的偏差，呈现精准的结果。对此，谷歌智能翻译系统做了实验：谷歌改进了训练计算机，吸收了计算机能找到的所有语料，掌握了不同语言翻译质量参差不齐的数以十亿计的文档，尽管其输入源非常混乱，但是在翻译的效果上，却是所有智能翻译中效果最好的。[16]在MOOC支持服务中，以教育大数据为基础建立以学生为中心的支持服务体系，可以提高支持服务的精准性。

首先，教育大数据是准确的全面信息基础上的支持服务。大数据的收集方式不同于传统的调查收集，不通过设置问题进行面对面访谈或者是观察收集信息，而是基于MOOC平台设置的数据收集，不需要被调查者进行思考，避免了“想象”所产生的调查误差和知识能力引起的“应然”误差，数据来源是根据系统数据自动生成的结果，并依托生成数据进行学习分析，相比传统远程教育通过有限的调查提供相应的支持服务，过程和结论更加准确，使MOOC支持服务者能根据学习者的现有水平和能力量体裁衣地进行辅导和实施其他干预策略。

其次，基于教育大数据的支持服务可以根据学生的学习进行内容和形式上精准的调整。学习者按照预先设计好的教学内容与形式进入MOOC塑造的情景，在与情景的交互中，系统会测量学生的学习表现并产生大量数据。之后，根据数据挖掘对学习者特征进行合理分类，并预测出相应课程内容和教学环节的调整方案。可以说，基于教育大数据，可以建立一个以学习者为中心、以学习客观表现为依据的适应性支持体系。

最后，基于教育大数据的支持服务可以在支持服务人员调配上实现精准化的安排，将人力资本极大地解放出来。传统远程教育在支持服务上投入了大量的人力、物力，但是过于呆板的作息制度不符合远程学习者的学习习惯，比如部分远程学习者习惯夜间学习，而他们学习过程中产生的疑问和困惑需要支持服务者白天上班时间来解答，但维持24小时的学习支持服务会极大提升远程教育成本。我们知道，一门MOOC所需要的支持服务的团队是庞大的，这成为MOOC能否持续免费发展的一个极大障碍。但教育大数据能为我们提供学习者学习时段的数据、学习进程中难点的相关数据、学习进程中情绪需要干预的数据等需要支持服务的相关内容，并根据这些内容将人力资本进行预先合理分配，按需提供学习者所需要的支持服务，这样能实现人力资源的精准投入，确保支持服务人员不过度增加。

（四）支持服务的智能性

大数据便于发现和理解信息内容及信息与信息之间的联系[17]，使数据能“说话”，也就是体现基于数据的智能性。在MOOC支持服务中，可以根据学习者学习过程中产生的数据，通过一定的数据挖掘技术和分析技术，让“数据”发声，让MOOC充满了人性的温度。

首先，为学习者提供人性化服务。随着数据收集技术的发展，研究者可以尝试通过MOOC将个性化的特征挖掘出来，使MOOC在支持服务上更具有人性化。我们知悉，进入MOOC场域的学习者并不是带着“空白”而来，而是具有实际经验和认知期待的学习者，他们对MOOC的学习有基于个人的各个方面的需求。这些需求构筑了MOOC支持服务发展的内在力量，即通过支持服务让学习者产生“和我想的……一样”的效果，成为一种最靠近学习者需求的支持服务，缩小学习者的心理距离。

其次，为学习者提供情绪支持。在传统远程教育中，我们也能听到要求学习情绪支持的呼声，但面对这种情形始终无法提供大面积的支持服务。这些在大数据面前都可以获得改善：我们知道，在学习过程中，当自身认知受挫或者是认知期待未得到满足时，或者是受外界情绪的干扰时，学生会在学习上表现出负面情绪，并在负面情绪的作用下做出一些动作，比如急促地点击鼠标（抓狂）、长时间不点鼠标（发呆）等，这些数据可以通过触发预设的数据模型产生反馈结果，以提供智能服务的情绪支持或者人工的情绪支持。这样的场景对MOOC学习者来说是莫大的福音——因为在MOOC学习中，学习者很大部分是因为“学习孤立”而离开场域。

最后，提供引导性的支持服务。我们知道，学习需求的复杂性意味着支持学习需求获取的知识源应同样具有复杂性，而MOOC的课程内容显然只能在一个方面为学习者提供帮助，不能满足学习者的全部需求，这就需要一个由此及彼的引导。通过数据挖掘和分析学习者的检索数据、学习关注点可以在一定程度上分析学习者需求。比如会计学课程的学习者产生了“经济法”“注册会计师”等能在学习过程中多次检索的“标签云”，[18]这就意味着该学习者可能需要注册会计师相关的课程支持。这种有效的引导对培育MOOC学习习惯和获取学习者所需要的学习期待产生的促进作用无疑是巨大的。

四、基于教育大数据的MOOC

支持服务形成保障机制

尽管基于教育大数据的MOOC支持服务给我们展现了一幅提升MOOC支持服务质量的美好蓝图，但是要实现这一系列的功能还将面临各种挑战。

（一）在教育大数据层面

1. 教育大数据思维和技术人才的缺乏

据麦肯锡报告，美国本土各个行业总共缺少14-19万高端数据分析专家，并缺乏多达150万的大数据分析员和管理者。[19]高端人力资源强国的美国尚且如此，中国更是缺乏。笔者在开发一门在线课程的时候，想嵌入相关数据收集的程序，在笔者所在的大学经过了技术人员近几个月的“摆弄”才基本实现，但是却招来很多不理解甚至埋怨。教育大数据思维的缺乏在实施在线教育的大学中都这般严重，可以想象离教育大数据思维和教育大数据挖掘技术的成熟还有多远。基于此，国家应尽快适应这种变化，在计算机科学较为发达的高校尽快建立相关专业，培养储备人才;要通过项目引导等方式，将高校部分力量引导到大数据的挖掘和分析中来，形成“大数据未来”所需要的储备人才;需要管理者普及大数据思维，使其具有大数据意识，并能支持大数据所需要的物质环境、人文环境建设，促进大数据的“局部气候”形成。

2. 将数据的收集机制内嵌到MOOC平台

我们要尽快挖掘一批既懂教育又懂计算机的人投入到教育大数据的工作中来，将教育研究所需要的教育大数据收集机制内嵌到MOOC平台，并制定平台的技术标准，使产生的数据能够提供给更多人使用，并促成平台数据共享的相关规定的达成，形成各类平台教育大数据共享的环境，以此最大限度地收集学习者的完整数据，作为数据挖掘和分析的基本依据。

3. 形成将用户隐私保护和数据使用相结合的大数据环境

建立基于教育大数据的共享平台，利用这些数据的挖掘和分析为MOOC提供支持服务，会涉及学习者学习背景、学习需求、学习行为和学习表现等全过程的详细信息，会遇到用户隐私保护的问题。[20]在利用这些数据的时候，要有充分的法律意识。

4. 进一步提升与数据交流的技术

很长时间以来，准确分析大数据都是挑战。以往我们可以将这种分析的无助归结于记录、储存和分析数据的工具不够好，只能通过少量的数据进行分析，因此就将数据进行简单化处理，这一做法反映了一种无意识的自省，“将与数据交流的困难看成是自然的”[21]。这就要求我们进一步提高数据交流的技术，建立起与教育大数据利用相符合的数据产生、数据传输、数据利用的硬件和软件，保障数据的有效生成和利用。

（二）MOOC支持服务本身

1. 支持服务人员需要树立以学生为中心的理念

MOOC的出现，具有其历史必然性。按照郑雅君和陆昉的说法：“MOOCs恰逢其时地提供了一种组织松散、非结构化、快速且高效而又赋予学习者主体地位的知识传播方式。”[22]正是因为这种学生主体地位的真正实现，给予MOOC一种爆发的力量。因而其未来的发展也不能脱离以学习者为中心的根本理念，在MOOC支持服务中更是如此。MOOC支持服务人员需要做到将支持服务的中心从技术支持向学习者支持转变，促进支持服务体系的设计从方便支持服务人员向方便与学习者沟通转变，支持服务的评价也要从学习成效向学习体验转变。总之，以学习者为中心的MOOC支持服务理念的树立还有较长的路要走。

2. 加大支持服务师资建设和培训的力度

基于教育大数据的MOOC支持服务的愿景勾勒得再美好，现有的技术条件和智能环境注定离不开教师对学生学习的支持。一方面，我们需要持续投入拥有远程教育思想的教师，为MOOC的学习者提供支持服务;另一方面，需要鼓励教师加强信息素养的培育，提升教师的MOOC支持服务能力。利用MOOC的学习提升MOOC支持服务能力是一种既能加强教师对MOOC的体验，又能在有限的成本下大规模地培训教师的好办法，比如学堂在线就提供了“e时代的大佬师——慕课教师的修炼心法”等课程。除此之外，要发挥教师的觉者精神，自觉提升理论素养和技术技能，适应MOOC时代的支持服务要求。

3. 构建MOOC支持服务协同联盟

建设MOOC资源的教育机构和使用MOOC资源的教育机构都需要提供专职的支持服务教师，并形成有效的协同机制，促进MOOC支持服务质量的提升。MOOC的快速发展，仅仅依靠专职的支持服务教师还远远不够，可以采用依托志愿者的形式，在全国甚至全球招募有意向的教师，通过特定考核机制的甄别，通过者参与支持服务工作，形成以专职支持服务人员为主体、兼职支持服务人员为辅助的MOOC支持服务联盟，促进MOOC支持服务的发展。兼职的MOOC支持服务者可以通过某种身份认可或者根据其工作量予以适当的物质报酬。

4. 支持MOOC学习成果的配套制度需要尽快出台

给MOOC支持服务带来压力的还有一些外围的问题，比如证书价值问题，学习成果的效用问题。[23]在政策上认可MOOC学习成果的效用已经开始，广东省就发布了《关于普通高等学校实施学分制管理的意见》，“鼓励学生在外校甚至互联网学习平台选修课程，且可替代课程学分”。[24]这一举措从政府层面掀开了普通高校认可MOOC学习方式的序幕，对普通高校课程结构、人才培养将带来深刻的影响。但是，全面支持MOOC学习成果还需要一段较长时间的论证、培育和顶层设计。这个问题的尽早解决，对学习者的学习动力将是一个极大的促进，也能有效降低MOOC支持服务的难度。

五、结论与展望

在现行研究方法和研究技术中，建立基于教育大数据的支持服务具有更广阔的发展空间，是教育领域一块待开发的“金矿”。在MOOC发展壮大的过程中，已经有很多数据采集的技术通过学习管理系统置入，这些软件存储着海量的学习者的相关数据，可用来融入教学设计从而提高教学效率，也可以为支持服务做出贡献。在信息处理上，教育需要做得更多，很多互联网公司现在已经走在前面，他们在采集数据、分析数据和使用数据中已经为企业创造利润。“阿里巴巴本质上是一家数据公司，做淘宝的目的不是为卖货，而是获得所有零售和制造业的数据;做阿里小微金服的目的是建立信用体系;做物流不是为送包裹，而是整合这些数据。”[25] 事实上，除了阿里巴巴，还有很多企业在大数据上发力，并形成了时间和空间上的布局。教育上的觉醒显得过慢，未来的发展还存在较多挑战。

[参考文献]

[1] 孙春祥. “双11”571亿只是个开始[N]. 北京晨报，2011-11-17.

[2] “后MOOC时代”终极回归开放在线教育[J]. 现代远程教育研究，2014，（03）：17-26.

[3] 托夫勒. 未来的冲击[M]. 蔡伸章 译. 北京：中信出版社，2006：13.

[4] U.Friedman. Big Data：A Short History[DB/OL]. [2013-05-10]. http：//www.foreignpolicy.com/articles/2012/10/08/big_data？page=0，1.

[5] Doug Laney. 3-D Data Management： Controlling Data Volume， Velocity and Variety [DB/OL].[2013-04-10].http：//blogs.gartner.com/doug-laney/files/2012/01/ad949-3D-Data-Management-Controlling-Data-Volume-Velocity-and-Variety.pdf.

[6] 辛普森. 对远程学习者的支持服务[M]. 李亚婉 等，编译. 2007：14.

[7] 史承军，陈海建. 远程开放教育学习支持服务体系的构建——上海开放大学的实践与探索[J]. 开放教育研究，2013，（10）：112-119.

[8] 吴南中，南旭光. 学习者需求导向下远程教育学习支持服务体系的重构[J]. 中国成人教育，2011，（10）：34-37.

[9] “后MOOC”时期的在线学习新样式[J]. 开放教育研究，2014，（06）：36-43.

[10] 约翰·巴格利. 反思MOOC热潮[J]. 开放教育研究，2014，（02）：9-17.

[11] 顾小清. 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，（05）：13-22.

[12] 唐·泰普斯科特. 数字化成长[M]. 北京：中国人民大学出版社，2009：31-32.

[13] 熊才平，何向阳，吴瑞华. 论信息技术对教育发展的革命性影响[J]. 教育研究，2012，（06）：22-29.

[14] 詹泽慧，梁婷，马子程. 基于虚拟助理的远程学习支持服务及技术难点[J]. 现代远程教育研究，2014，（06）：95-104.

[15] 纪磊. 摩尔定律的困难与前景——从摩尔第二定律谈起[J]. 科技导报，2006，（07）：89-92.

[16] 维克托·迈尔—舍恩伯格，肯尼思·库克耶. 大数据时代——生活、工作与思维的大变革[M]. 盛杨燕，周涛 译. 杭州：浙江人民出版社，2013：53.

[17] 维克托·迈尔—舍恩伯格，肯尼思·库克耶. 大数据时代——生活、工作与思维的大变革[M]. 盛杨燕，周涛 译. 杭州：浙江人民出版社，2013：53.

[18][20] 张羽，李越. 基于MOOCs大数据的学习分析和教育测量介绍[J]. 清华大学教育研究，2013，（08）：22-25.

[19] James Manyika， Michael Chui， Brad Brown， et al.“Big data： The Next Frontier for Innovation， Competition， andProductivity[J] "McKinsey Global Institute（2011）.

[21] 维克托·迈尔—舍恩伯格，肯尼思·库克耶. 大数据时代——生活、工作与思维的大变革[M]. 盛杨燕，周涛 译. 杭州：浙江人民出版社，2013：53.

[22] 郑雅君，陆昉. MOOC3.0——朝向大学本体的教学改革[J]. 复旦教育论坛，2014，（01）：5-9.

[23] 从“MOOC中文用户大摸底”看其对中国教育的影响[J]. 电化教育研究，2014，（08）：38-43.

[24] 广东省教育厅. 关于普通高等学校实施学分制管理的意见[Z]. 粤教高函[2014]99号.

[25] 江风扬. 最不可能的事情：商铺已是最危险资产，涨价注定不可能[EB/OL]. http：//news.leju.com/view/5945371778498383277.html.

收稿日期：2015-01-30

定稿日期：2015-06-11

作者简介：吴南中，讲师，重庆广播电视大学（401520）。

责任编辑    池   塘