教育呼唤数据智慧

祝智庭

近年来，大数据作为一种信息资产，其潜在价值得到了世界各国的重视。2012年3月美国发布《大数据研究和发展创新计划》指出，要通过提高从大型复杂的数字数据集中提取知识和观点的能力，以帮助加快在科学与工程中的步伐，加强国家安全，并改变教学研究。欧盟制定的《数据价值链战略计划》，拟通过一个以数据为中心的连贯性欧盟生态体系，让数据价值链的不同阶段产生价值。英国制定的《英国数据能力发展战略规划》，明确定义了数据能力，并对如何提高数据能力提出了相应举措。2013年6月，日本公布的《创建最尖端IT国家宣言》在大数据与传统行业结合方面制订了明确计划。2013年，韩国提出建设开放大数据中心，对企业、大学和普通公民开放，并支持利用大数据技术解决业务或研究问题。2015年11月，我国的《中共中央关于制定国民经济和社会发展第十三个五年规划的建议》提出“实施国家大数据战略，推进数据资源开放共享”，首次将大数据战略提升到国家政策层面。

国家政策的号召加持大数据的巨大潜在价值，使得大数据技术迅速渗入各行各业，并成为各行各业发展变革的新方向。当然，教育领域也不例外。

教育呼唤数据智慧

2015年9月，《促进大数据发展行动纲要》指出，“大数据已成为国家重要的基础性战略资源，正引领新一轮科技创新”，我国要建设“教育文化大数据”。2016年6月，《教育信息化“十三五”规划》指出，到“十三五”末，“制订出台教育数据管理办法，规范数据的采集、存储、处理、使用、共享等全生命周期管理，保证数据的真实、完整、准确、安全及可用，实现教育基础数据的有序开放与共享”。2017年1月，《国家教育事业发展“十三五”规划》（以下简称《规划》）指出“鼓励学校利用大数据技术开展对教育教学活动和学生行为数据的收集、分析和反馈，为推动个性化学习和针对性教学提供支持”“综合利用互联网、大数据、人工智能和虚拟现实技术探索未来教育教学新模式”。

数据驱动的教育变革似呈必然趋势，甚至有学者将2015年作为我国教育大数据的元年。另外，近年大量的APP与平台走进各大中小学，使得数据间互联互通的问题日益凸显，对此《规划》中明确指出，“积极推动各级各类学校建设基于统一数据标准的信息管理平台，实现各类数据伴随式收集和集成化管理”。2017年4月，教育部教育信息化技术标准委员会启动了“人人通”標准的研制，其中一项重要工作即是上述规范数据的研发。

随着人工智能在数据挖掘与分析方面取得的巨大发展，教育受其影响也显露出由“教育+ 互联网”阶段向“教育+AI”进阶的趋势。同样，教育信息化也开始迈向“智能化”新阶段：由教育数字化迈向教育智慧化。

信息技术在教育中的应用似乎总是比其他领域的发展慢一步，其实在《智能时代：大数据与智能革命重新定义未来》中，大数据和机器智能领域专家吴军博士就已将2005年定义为大数据元年，而我国教育大数据的元年却是在10年之后。不过，可喜的是，由于国内对智慧教育的追求，教育大数据一直有个明确的发展日标：数据智慧。

数据驱动的智慧教育

信息技术支持的智慧教育（ Smarter EdueaLion）中的智慧是由三个词融合而成：智巧（ Smart）、智能（ Intelligence）、智慧（Wisdom）。其中智巧与IBM倡导的智慧教育相契合，它偏向于机智、精明；智能与加德纳（H.GJardner）的多元智能理论、斯滕博格（R.Slernberg）三元智能理论等相契合，它偏向于多样的才智，其实是智力与能力的统合；智慧与钱学森的大成智慧相契合，偏向于多领域融合的发现与创新。简单地讲，智慧教育巾的智慧具有两个核心维度：思维模式与创造潜能。前者是内在修养，具有三个层级水平：思得准（针对问题）、思得深（针对解法）、思得巧（针对策略）；后者是外在能力，也具有三个层级水平：做得了（针对任务）、做得好（针对绩效）、做得妙（针对创新）。知识包括理论与经验，代表人类过往的心智收获，而智慧更加偏向于面向未来的“新奇”，即解决前所未遇问题的能力。

孩子进入学校，要过五年、十年甚至二十年才走向社会，如果只让他们学习知识，那么当他们走出校门时很多知识已经过时了，唯有智慧的种子对他们是终身受用的，所以未来的教育必然是面向智慧的教育。

上述描绘的“智慧”指向智慧人才，而对于人工智能来讲，思维模式主要体现在从数据中提炼出来的新见解，创造潜能主要体现在基于新见解的行动方案。

提炼新见解的过程，就是数据价值提炼的过程。尽管对于大数据或者教育大数据的定义尚未得到很好的共识，但对于数据中蕴含着巨大的价值是没有多少异议的。需要明确的是，大数据的价值密度很低，不具有直接用于行动的能力，需要深度挖掘。根据研究机构国际数据公司（IDC）的分析，世界上的资料正以每两年就翻倍的惊人速度增加。很多时候，人们在没有想清楚如何使用之前，就已经开始了数据的疯狂收集，他们相信，收集到的数据终有一天会用得到。这种漫无目的的数据“扫荡”，使得数据类型更加多样化，传统的关系型数据库已无法满足存储需求，收集来的数据都被扔到了数据湖（Data Lake）中。如果我们无法对这些数据进行及时的整理，从中提炼出有价值的见解，数据湖终有一天会演变成数据垃圾场。

基于新见解的最佳行动方案，是数据价值的真正体现。数据价值不是体现在其巨大的体量上，而是体现在是否对从事的关键业务或解决遇到的核心问题有用处、有多大用处。大数据时代的预言家舍恩伯格所著的《与大数据同行：学习和教育的未来》一书指出，大数据改善学习的三大核心要素是：反馈、个性化、概率预测。在此基础上，将带来学习的三大改变：能够随时收集学习中的双向反馈数据（对学习进行反馈，同时对教学进行反馈）；可以真正满足每个学生的个体需求，而不是在一组类似的学生层面定制个性化学习；可以通过概率预测优化学习内容和学习方式。这三方面即是最佳行动方案的作用点。

数据智慧生态视图

上面提到，数据智慧体现在两个方面：从数据中提炼出新见解、基于新见解制订最佳行动方案。然而实践证明，这两个方面在各行各业（包括教育领域）均是巨大的挑战。许多企业将大量资金投入到复杂的数据分析工具后，才发现他们没有能力解释从大数据挖掘出来的模式（Pallern），并从中得出新见解，也没有能力将它们变成竞争优势。国际权威的《哈佛商业评论》指出，许多企业不能管理和分析大数据，所以无法从中得出新见解，或许这些企业压根儿就不需要大数据！造成这种局面的其中一个原因是业界太过痴迷于大数据，而忘记了为什么痴迷：更好地从事关键业务或解决遇到的、潜在的问题。这进而使得业界忘记了，除了大数据还有小数据（ Small Data）。其实，“大数据+小数据”才是教育数据智慧的生态视图。

大数据新见解

大数据是因其巨量、高速、多样而需要用特殊的技术和分析方法（传统的数据处理程序不足以处理）才能将其转化为价值（如增强决策、洞悉发现、过程优化）的信息资产。它具有6V属性：巨量（Volume）、高速（ Veloeity）、多样（Variety）、低价（Value，价值密度低）、真实（ Veraeity）、迅变（Variability）。大数据的这六大属性，使得它的处理、解析只能由机器完成。当然，大数据并非要求同时具有这六大属性，教育大数据更是如此。

其实，我们可以从一个新的角度描述大数据：广域、深度、时序。广域方面，大数据与其他数据广泛关联，这是大数据进行相关关系解析的前提；深度方面，大数据能够描述对象的方方面面，即全面地刻画对象，这是大数据精准表征对象的基础；时序方面，大数据会随时间得到累积，即大数据应该是动态发展的，这样大数据才能时刻表征对象的当前状态。从这三个方面来讲，通过广泛关联、精细刻画、时间累积，小数据也能演变成大数据。

大数据在教育中之所以具有“魔力”，是因为它能够记录教与学全程的印记，而不是像以前一样，仅凭教师的常识、经验和考试成绩对学习结果进行评估。教育大数据可以产生于教与学过程的方方面面，美国个性化学习平台Knew ton将收集来的教育数据分为五类：身份数据、用户交互数据、推断的内容数据（学生对某一内容的表现如何？可衡量的学习结果是什么？）、系统级数据（如排名、成绩、纪律记录和考勤等数据）、推断的学生数据（如学生下周测验通过的概率是多少？学生现在做什么能提高这个概率？）。由于大數据的6V属性，使得上述教育大数据极难处理和解析，因此很多教育企业或学校直接依据用户交互数据、采用简单的规则来给予教学建议。推断的内容和学生数据缺失，使得很多教育工作者对大数据持怀疑态度。其实，从大数据的新见解角度看，我们完全可以从小数据出发，通过广泛关联、精细刻画、时间累积跃升为教育大数据。

什么是小数据

小数据是具有小体量和具体属性的数据，它的优势在于易于理解、便于访问、可操作性强，可以对日常事宜作出及时、有意义的解析。体量方面，它可以非常之小，小到仅仅是一个数值。属性方面，它可以具体到某一微不足道的行为观察。

对于小数据，英国医院俱乐部组织的“2016小数据论坛”上有五点洞见，很是具有参考价值：第一，让数据有价值，是关乎融合不同部分的问题。第二，大数据是石油和土壤，但如何找到对数据内在设计的深度理解至关重要。第三，撬开坚果需要的不是大锤，而只是胡桃钳；同理，良好的洞悉不一定来自整理和处理越来越多的数据，而是对已得数据更加灵活的解析。第四，数据的价值在于更好地了解当前的环境以能够创造更美好的未来。第五，算法是重要的，但人类要素是无法复制和替代的，因为小数据是具有情感温度的，算法在这方面却无计可施。这一情感问题使得小数据更偏向于由人来完成：往往需要在线下通过亲身观察、交谈、随访等方式获得。

大数据与小数据的融合

前面提到，大数据主要由机器处理、小数据主要由人处理，因此我们所倡导的教育数据智慧的生态视图，是一种人机协同的生态视图。在这个视图中，大数据属于数据计算密集型，注重关联性模式的发现，在教育中的应用有两方面：数据挖掘与学习分析；小数据属于专家智慧密集型，注重因果关系的解析，在教育中的应用也有两方面：教学设计与数据端倪（即数据启发的专家探究法，系本文首创观点）。大数据与小数据的融合，采用从小数据出发，经大数据技术，最终回归到小数据的策略。

具体策略为：在教学设计中，明确教育教学问题、制订教育教学策略与方案、解析实施策略与方案所需的数据面；依据大数据新见解扩展数据面（小数据跃升为大数据）。在数据挖掘中，通过数据处理与建模等技术为学习分析提供高质量的数据模式。在学习分析中，基于数据模式对学习进行解析，从而提供较为粗放的反馈、个性化、概率预测策略与方案，并促使教育教学的总体发展趋势始终指向预期目标；为了回到小数据层面，此阶段还需要对大数据进行降维处理，并将大数据划分为小数据集合（大数据分解为小数据）。在数据端倪法中，教育工作者开展数据启发的专家智慧密集探究，以获得更为深入、具有更强操作性的见解。

面临的机遇与挑战

虽然上述教育数据智慧生态视图对于指导数据智慧的实现（从数据中提炼出新见解、基于新见解制订最佳行动方案）来说还比较粗放，但它为小数据跃升为大数据、大数据细化为小数据提供了可能，这使得教育大数据的收集、处理与分析变得不再那么无从下手。

笔者在《解读教育大数据的文化意蕴》一文中，沿着从数据、信息、知识，经过领悟、洞察而得智慧的线路（简称DIKUW模型），对数据智慧的演进做了解读。文中指出，数据是一种数字、符号、事实，它处于“知几无”状态，从数据中我们很难得到有用的见解或价值；信息是经过加工与组织的数据，它处于“知是何”状态，从中可以获得“何人、何时、何处、何事”等信息；知识是通过理论与经验模式化的信息，它处于“知如何”的状态，从中可知如何做；领悟和洞察是赋予意义、能够阐明道理的知识，它处于“知为何”状态，可用于分析；而智慧基于领悟，可以生成前所未遇问题的解决方案、策略或行为。数据向智慧的跃升，要经过数据关系处理、信息模式化处理、知识原理化处理。

这样，生态视图与DIKLW模型的融合，将会使得教育数据智慧的实现更加有的放矢。随着教育信息化进程的推进、智慧教育的发展，国内很多教育机构与单位已经开始了教育数据智慧的革命。本文作者主持的全国教育科学“十二五”规划国家级课题“智慧教育环境的构建与应用研究”涉及200多所实验校，其中一部分实验校已初尝数据智慧指导教学创新的甜果。

当然，实现教育数据智慧还存有一个很大的挑战，即“暗数据”（ Dark Data）。高德纳咨询公司（ GJartner）对暗数据的定义是，“企业在开展正常业务活动期间采集、处理和存储，但通常无法用于其他目的（如分析、商业关系和直接获利）的信息”。可喜的是，这个问题已经得到业界重视。德勤会计师事务所（ Deloitte）发布的《2017科技趋势报告》中明确指出，暗数据分析在未来18-24个月将对企业领域产生巨大的影响力。2017年S月，苹果公司更斥资两亿美元收购一家专门挖掘“暗数据”的小公司Lattice Data。这个公司的主要业务是从暗数据中挖掘有价值的信息，并通过机器学习方法将非结构化的暗数据转化成结构化、标签化和分类化的信息，从而提供给其他公司用在人工智能、医学研究等方面。可以推测，当越来越多的暗数据被转化为“明数据”后，人类智慧将站在“全数据”的巅峰之上。就目前而言，将小数据与大数据结合，激发人机协同的数据智慧，也是为走向全数据筑基铺路。

智慧教育永远走在路上

数据智慧促使教育由數字化走向智慧化，指明了未来教育发展的大方向，因此值得我们倾力探索，大胆实践基于数据智慧的未来教育，我们不妨称之为智慧教育。笔者给智慧教育作出如下定义：

智慧教育的真谛是通过构建技术融合的生态化学习环境，通过培植人机协同的数据智慧、教学智慧与文化智慧，本着“精准、个性、汇聚、优化、思维、创造”的原则，让教师能够施展高成效的教学方法，让学习者能够获得适宜的个性化学习服务和美好的发展体验，使其由不能变为可能、由小能变为大能，从而培养具有良好的人格品性、较强的行动能力、较好的思维品质、较深的创造潜能的人才。

上述定义可以压缩为一句话：智慧教育是通过人机协同作用以优化教学过程与促进学习者美好发展的未来教育范式；或者更进一步简化为16个字：巧用技术，妙施教法，重在学创，全人发展。我们将智慧教育的目标直接指向“全人教育”，好的教育必然是科学性、技术性、艺术性、人文性的有机融合，因此单凭数据智慧也无法造就智慧教育。实际上，我们将智慧教育视为信息化促进教育变革与创新的大目标，只有较好，没有最好。也就是说，智慧教育永远只有进行时，没有完成时。