基于大数据的高校教学知识管理模式研究

郭亚军　袁一鸣　杨志顺

DOI：10.3969/j.issn.1008-0821.2021.10.012

[中图分类号]G302;G642.4 [文献标识码]A [文章编号]1008—0821（2021）10—0101—08

2018年9月，习近平总书记在全国教育大会上强调，加快推进教育现代化。2019年2月，中共中央、国务院印发的《加快推进教育现代化实施方案（2018—2022年）》提出：“开展大数据支撑下的教育治理能力优化行动，推动以互联网等信息化手段服务教育教学全过程”。高校是一种典型的知识密集型组织，教学是高校工作的重要组成部分，更是承担着传授知识、培养知识经济时代新型人才的重任，利用大数据等现代信息技术开展高校教学知识管理，有助于教学知识发掘与教学效率提升，促进教育现代化。

本文梳理了近年国内外大数据与高校教学知识管理相关领域的研究与实践进展，在此基础上提出一种基于大数据的高校教学知识管理模式，并为高校的教学知识管理提供实施建议。从学校全局出发，强化知识管理，克服教学知识的学科分割和部门分割，致力于高校教学知识资源数量积累、质量提高、结构优化，促进教学知识高效传播与教学途径扩展。

1大数据与高校教学知识管理研究与实践

大数据（Big Data）的概念由2008年《自然》杂志发表的专刊正式提出，将大数据定义为“数据集的规模无法在可容忍的时间内用目前的技术、方法和理论去获取、管理、处理的数据”。关于大数据的特征，最有代表性的总结是4V，即：容量大（Volume）、类型多（Variety）、速度快（Velocity）和价值密度低（Value）。教学知识是在教学互动的所有途径中产生的显性知识与隐性知识的统称，包括在教学互动中产生的所有被文字、图片等可视化手段展现的显性知识，以及储存在教师、学生等人的大脑中的经验总结、教学需求等隐性知识。而关于知识管理，邱均平等认为狭义的知识管理是“对知识本身的管理”，广义的知识管理还包括对与知识有关的各种资源和无形资产的管理。高校教学知识管理是指高校对显性知识进行加工整合，对隐性知识进行挖掘开发，通过高效的知识分享与利用，构建出一个有利于教学知识在组织内部良性循环的结构体系，以促进知识创新和教学创新。

1.1研究现状

国外在大數据与高校教学知识管理方面已有不少理论研究。Erickson S等在《大数据与知识管理：建立概念基础》一文中阐述了大数据、商业分析与竞争情报等应该被视为知识管理的一部分。日本学者Nonaka Ⅰ等提出的知识创造SECI模型与知识螺旋模型是知识管理经典模型，阐述了知识在组织内部的4种转化形式，知识通过在组织内部流转而增值。Hargreaves D H是英国教育领域知识管理研究的先驱，他认为“创造知识的学校”的理想类型具有4个要项：审计组织本身的专业工作知识、管理创造新专业知识的过程、确认组织所创造的专业知识之有效性、传播所创造的专业知识。

我国关于教育领域的知识管理研究可以追溯到1998年刘毓发表的《学校“知识管理”探微》一文，从组织结构、环境设施、决策机制和文化氛围4个方面针对学校知识管理的实施提出建议。高校知识管理模式研究方面，夏晶构建了高校知识管理实施体系的灯笼模型;许霄羽等研究了E-learning环境下高校知识管理体系框架的构建与实现，提出E-learning环境下的高校知识管理是高校利用现代信息技术进行知识管理与创新的新兴知识管理方法;张磊提出了借助大数据建设教学云平台，探讨了大数据环境下的教学知识管理。

纵观国内外相关研究成果，已经在知识管理领域里有成熟的理论体系，也有不少学者在研究教育领域的知识管理，为本研究提供了有力的支撑。但现有研究尚未提出基于大数据的高校教学知识管理的完整框架，缺乏创建系统的高校教学知识管理模型。本文旨在开展基于大数据的高校教学知识管理研究，探讨新的信息技术环境下的高校教学知识管理的创新发展，并提出一种基于大数据的高校教学知识管理模式。

1.2相关实践

大数据推动教学变革方面已有不少实践案例。可汗学院（Khan Academy）的教学辅助系统收集了大量的学习者在学习过程中所产生的学习记录，用以追踪和跟进学习者的学习记录，以此来量化学习者的学习行为，了解学生的学习规律。美国奥斯汀佩伊州立大学（Austin Peay State University，APSU）采用的“学位罗盘”（Degree Compass）个性化课程推荐系统，是基于学习分析实现个性化教育的成功案例。美国普渡大学的“课程信号”系统，通过对个体学习者学习过程数据的分析，根据教育数据建立预测模型，识别存在落后风险的学习者并施行有效干预。

大数据促使学生自适应学习方面的实践也在不断探索中。Knewton自适应学习系统能够在学习中不断地监测学生的行为表现，根据个体学习特点和使用习惯，为其提供实时精确的学习预测，及时调整教学内容，引导学习者进入最适合个体特征的学习内容和活动，最终实现基于个性化推荐的自适应学习。卡内基学习公司（Carnegie Learning）的“认知导引”（Cognitive Tutor）系统在高中数学学习上的应用，根据学生回答先前问题的结果来制定后面的问题，以此实现自适应学习。

一些教育系统已经在借助大数据进行教学评价。北伊利诺伊大学（Northern Illinois University）的电子档案工具，通过不同学院使用追踪教学数据的电子档案袋，来实现长期的、变化的学习评价。田纳西州的增值评价系统（Tennessee Val-ue Added Assessment System，TVAAS）是将基于大数据的科学化评价方式应用于教学的典型案例之一，该系统对学生学习成绩和表现进行常年的追踪和分析，从而实现对学校教学的成果的评价。

大数据还在促进教育管理变革方面发挥着独特贡献。科罗拉多大学（University of Colorado）的大学信息系统（University Information System，UIS）是基于数据集成化处理的高效、安全和可靠的学校信息管理系统。北京市通州区南关小学依据调查数据为教师制定个性化发展规划，利用“狸米数学”等应用软件为教师提供教学数据分析报告，并借助第三方机构评估教学效果。

国内外已有较多的将大数据应用于教学知识管理方面的实践案例，需要进行总结和提炼，与理论相结合，形成基于大数据的高校教学知识管理模式，以利于更广泛的参考与应用。

2基于大数据的高校教学知识管理模式构建

高校作为一种集教学、科研与社会服务于一身的知识密集型组织，在运行过程中会产生海量的教学知识与教学大数据。教学大数据是指在教学环境中，教育者和学习者在教育系统的注册数据以及在所有教学途径中对教学互动过程的记录数据等，与教学知识不同的是，教学大数据更为底层、零散，一般不能作为高价值密度的知识在组织内传播利用。通过知识管理可以收集这些教学知识与教学大数据，利用大数据分析技术从中挖掘教学知识需求并为之做出教学调整，解决教学知识流动分享反馈中的障碍，实现知识在组织内部良性循环。

参考相关理论研究与实践基础，本文构建一种“基于大数据的高校教学知识管理模式”，如图1所示，以提高教学效率，扩展教学途径，促进知识在组织各部门以及人员间流动为目标，使教学知识在组织内部从收集管理到深层挖掘开发，到交流共享，再到作用于教学途径拓展，最后通过教学成果反馈再回归到教学知识收集管理，形成良性循环。

2.1教学大数据与知识收集存储

教学大数据与知识收集存储是教学知识管理的第一步。通常认为，数据经过加工提炼后形成知识。在教学环境中产生并分布着大量的数据与知识，这些是教学知识管理活动进行的基础。

教学活动中的数据多种多样，按照其获取方式可以分为显性数据与隐性数据。如学生在教务管理系统中的注册信息、兴趣标签、已选课程、课程练习成绩、课程总成绩、课程评分、讨论、评价等内容，这些都是已经显示在二维表或是文档中的显性数据。对于这样的数据一般可以直接储存调用。而类似于学生在学习软件上搜索的关键词、浏览内容及次数、学习时间、翻看讨论内容时间、下载文件、拖动滚动条次数、视频暂停次数、浏览器收藏记录等属于隐性数据，这些数据需要视频监控技术以及在线学习平台管理技术等进行采集。同理，按照储存方式也可以将以上数据分为结构化数据与非结构化数据。

除了这些还未提炼成知识的数据，还有大量的已形成的知识。按照其存在形式与可传递程度可以分为显性知识与隐性知识。如学生在上课时所做的笔记，老师手中从教学设计、教学实施到教学测试所涉及的各种文字、图像、声音、音像资料以及图书馆中大量存在的专业书籍，这些能用文字与数字来表达，而且以资料、科学法则、特定规格及手册等形式展现的皆属于显性知识。对于这种知识应进行合理的分类汇总，建立相应的集合，比如优秀学科笔记集、课件库等。而隐性知识的存在形式较为抽象，指的是“尚未被言语或者其他形式表述的知识，譬如在做某事的行动中拥有的知识”。这是一种相当个人化而富弹性的东西，因人而异，很难用固定的模式加以说明，因此在人与人之间流动存在一定困难。对待这两种知识的管理就是要促进显性知识与隐性知识的相互转化与自我转化。要进行知识创造就要先实现知识转化。高校在进行教学知识管理过程中可以鼓励教学人员通过学术交流会、学术报告等将头脑中的经验、直觉等相关隐形知识表现为文字形式记录下来，整理为可读、可见、可听的显性知识，列入相对应的知识库。

2.2教学大数据挖掘开发

在初步建立了教学大数据库之后，就要对教学大数据进行挖掘开发。一般来说，价值密度的高低与数据总量的大小成反比。由大数据的数据体量大的特點，可知大数据的数据价值密度较低122]。只有对教学大数据进行挖掘加工之后形成知识，并对教学知识管理过程中的决策起到一定的支持作用或影响，教学大数据的价值才能被体现出来。

数据挖掘是指从大量异构化的数据中提取或“挖掘”知识的方法和应用，具体来说就是从海量、多源大数据中进行处理和分析，自动发现和提取隐含的模式、规则和知识，通过可视化并融合为便于人类理解的方式进行展现。而教学大数据挖掘开发则是将数据挖掘运用于教学大数据，从高校教育与学习中产生的数据出发，挖掘出类似于学生在哪方面学习进度快、学习偏好明显以及学习效率较高等有利于支撑教学决策的知识，并根据这些知识对教学进行一定的调整;或是挖掘出某些教学者的教学技巧、专家智慧等，通过吸收这些知识，提升整体教学者的教学质量。

可汗学院的教学辅助系统内储存了数十亿条已经完成的学习记录，通过对这些教育大数据进行挖掘开发，可以得知学习者在学习过程中对哪些课程较为吃力或感兴趣，从而针对这些难点或兴趣点实施重点讲解。“学位罗盘”个性化课程推荐系统首先收集某学生过往的成绩记录，再通过与已有数据库中已毕业或者是高年级的学生过往成绩进行比对，找到相似的学生，并把他们的课程表推荐给这个学生，从而进行课程个性化推荐。这些从学生成绩大数据中挖掘出课程选择趋向的案例正是将大数据挖掘技术应用于教学过程的典型。普渡大学的“课程信号”系统通过实时监测学习者的学习数据并通过分析算法建立预测模型来挖掘学习者的学习进度趋势，预测可能存在学习进度滞后或者学习可能存在困难的学生，并及时通过“红灯预警”来提醒学生本人或者是负责其学习的教师。这是在教学大数据挖掘分析的基础上，获得影响教学决策的知识信息。

2.3基于大数据的教学知识共享

在经过加工将大数据提炼形成知识后，下一步要使知识在高校组织内部高效流动传输。从知识共享的角度来说，知识管理的一个目标就是要将组织内的知识有效、及时地传递到需要它发挥作用的人或场所。所以运用大数据技术进行教学知识共享承载着高校教学知识管理中知识传递的任务。

教学知识共享从知识分布的空间维度来说，就是促使知识从富集的地方向知识储蓄较为薄弱的地方流动，或是若干个地点知识储存各有偏向，通过大数据技术共享知识来取长补短。具体来说就是通过大数据云共享高校的教学数据库，一个学校的数据库内的知识数据可能不足，但是一旦通过大数据技术实现高校知识共享，那么这个群体的知识储量将会是非常可观的。而从单个学校的教学层次维度来说，教学知识共享就是促使专家智慧等隐性知识从高教学层次的专家向下层学习者流动。隐性知识由于其存在形式较为抽象，在知识共享流动中存在一定的障碍，而通过大数据技术进行专家系统的构建可以在一定程度解决隐性知识共享的问题。比如，某个领域的专家将在进行课题研究时碰到的各种突发情况以及应对措施录入知识库中，让其他人员在遇到类似情况可以通过专家系统找到并学习相关的处理措施，使得作为隐性知识的专家智慧更加便捷高效地流动至需求者。

由比尔及梅琳达·盖茨基金会和卡内基公司共同支持的共享学习协作（Shared Learning Collabora-tive，LLC）项目搭建了一个基础的、与数据源无关的、开放源代码的数据集成平台，提供用以储存学生学习数据的云平台，存储的内容包括学生的学习成绩、表现、出勤等，在数据兼容方面表现良好，可以容纳各个学校不同格式的数据，提高了数据的共享程度和调用访问效率。多国语言教学平台多邻国（Duolingo）在某一学习主题的“讨论记录”板块中记录了学习者有关这一主题的所有讨论，使得这一主题的知识可以大量扩充，并且通过对大量群体认知过程特征数据的可视化处理，为学习者提供大量的不断更新的学习资源。而通过这一板块，相关的专家也可以将专家智慧通过讨论的形式传播给学习者，实现专家智慧与知识的共享。

2.4基于大数据的教学途径扩展

无论是建立跨高校的大数据知识共享平台，还是跨教学层次的隐性知识共享，其目的都是让学习者跨出时空限制，把教育者授教途径拓宽，让学习者随时随地在想学习知识的时候就能进行自主学习。通过大数据技术，可以使教学知识管理更好地为拓展教学途徑这一目的服务。

新课改提倡在学校教学过程中，教学的主体应该是学生，而高校作为学生自主学习研究的场所，更应该实现学习自主化、个性化和多样化。教学途径扩展可以通过自主学习平台，或者是课外讨论的形式来进行。比如前者，学习者可以通过大型开放式网络课程平台MOOC来利用自己碎片化的时间学习;而后者，高校可以利用大数据技术构建一个知识定位系统，来记录某些专业最全面权威的知识储存于哪些专家，当学习者需要进行这部分的学习时，最简单便捷的方式就是通过知识定位系统联系到该专家，通过学术交流来学习到相关专业知识。而不论前者还是后者，大数据技术在里面都发挥了支撑性的作用。

以“课程应该适应每一个用户”为核心理念的Knewton自适应学习系统就为学生自主进行个性化学习提供了一个良好的途径，系统通过监测学生动态的学习数据，实时调整学习内容，如监测到出现学习困难的学习者时，会主动降低课程的难度，直到学习者能够学会该课程，然后通过学习者的学习结果再增加难度。对于同一课程不同学习能力的学习者，进行不同难度的教学，以此来实现自适应学习。中国大学MOOC（慕课）网，为学习者提供了一个全科知识教学平台，除了专业知识的学习，还提供专业证件考试相关的知识以及考研知识。多语言教学平台多邻国，为学习者提供了一个在课堂之外学习外语的方式。诸如此类的学习平台还有FiF口语训练软件、作业批改平台批改网等。

2.5基于大数据的教学成果反馈

通过将教学大数据收集挖掘成知识运用到教学知识管理的各个环节之后，要建立相应的教学成果反馈机制，来检验基于大数据的教学知识管理成效如何。如有不足，哪些方面需要改进;如效果良好，又有哪些地方还有提升的空间。而这些反馈信息，将为教学知识管理提供源源不断的数据信息源，在教学知识管理体系中形成良性循环。

教学成果反馈可以从两个方面进行。从学生的学习效率方面，可以通过收集学习平台内储存的学生的学习进度、学习方法、学习态度、考试成绩以及教师安排目标的完成度等，来对学习者的学习成果进行一个较为综合全面的评价。在教师教学效能方面，可以从两个角度进行，一个是在教师教学过程中的参与程度与施加影响的程度，一个是在教师指导下学生的学习成果，都可以作为评判教育者教学效能的参考。大数据在教学成果反馈阶段发挥的作用就是，通过大数据学习平台收集这些学习成果数据和日常教学中产生的教学进度数据，加工整理提供给决策者，并记录入库作为新一轮知识管理的数据源。

北伊利诺伊大学的电子档案工具NIU，从进行某阶段学习开始之前，到这一阶段结束之后，完整地记录本阶段学习过程中学生的基础知识掌握情况，以及这一阶段中学生产生的课程反思，与老师的书面沟通情况等，不但能够得到例如学习成绩提升这种显而易见的评价，还可以得出对学习者思维能力与沟通能力这种难以通过考试体现出的能力的评价。田纳西州增值评价系统（TVAAS）通过对学生进行多年的学习追踪以及能力评测，通过学生的表现来对教育者甚至学校的教育效能进行评估，并且系统默认教师的影响力并不会随着该门课程的结束而消失，而是通过在很长一段时间学生的学习成果来评测教师对学生的影响力，这样的模式很大地提升了评估的准确度。美国弗吉尼亚州费郡公立学校学区（Fairfax Country Public Schools，FCPS）的电子课程评估资源工具通过数据采集、数据分析处理以及基于数据的决策等实现对学生表现的多元化评估。

3基于大数据的高校教学知识管理模式实施建议

为了把基于大数据的教学知识管理模式落实到高校教学实践中，还需要建立相应的大数据基础设施，采取合适的管理措施等，主要体现在以下几个方面：

3.1建设基于大数据的高校教学知识管理基础设施

校级统一信息系统具有6个核心要素：基础设施、数据、用户、应用、权限与管理流程，其中基础设施包括：统一管理的机房、网络、服务器、存储、数据库、管理软件等。而要进行基于大数据的教学知识管理，一般要从以下4个方面建设基于大数据的高校教学知识管理基础设施：数据库建设、大数据挖掘系统建设、信息交流网络建设、用户终端建设。

数据库是整个基于大数据的教学知识管理体系的物理基础，其职责是将教学过程中产生的数据与知识进行系统的存储管理，以便数据挖掘和教学管理决策使用。选址上一般可将高校图书馆作为最佳地点，这里的数据库存放着大量已经成型的显性知识，有着一定的数据管理人员基础和技术基础，数据库扩展较为便利。大数据挖掘系统作为整个体系中赋予数据以价值的部分，是整个体系中大数据技术的核心体现。通过知识挖掘算法、索引规则等，对各类信息资源数字化，并对数据进行处理和分析，使得文献的揭示由表面信息深入到各类文献之间的复杂关系，将不同知识节点之间内容的、形式的多重关联关系充分揭示出来，来帮助用户发现潜藏在数据背后的信息与知识。信息交流网络是支撑着整个体系的知识传播，没有一个完善的信息交流网络，高校组织内的信息高效利用就很难实现。一方面，信息交流网络建设就是要建设完整的校园网络，包括但不限于校园网基站、校园网管理系统等，有这些基础设施作为物质保障把整个高校连接成一个整体，信息的交流才能顺畅;另一方面，教育者与学习者通过课下交流形成的非正式的交流网络也是值得注意的。用户终端作为教育者和学习者与教学知识管理体系的接口，它既是数据收集阶段教学大数据产生的地点，又是教学成果反馈阶段中反馈数据的来源。用户终端建设一般以软件的形式，通过用户的手机、便携电脑等移动设备来实现用户与整个体系的信息交换。

3.2增加以文献资料为核心的显性知识储备

高校不但肩负着教书育人的义务，作为科研的重要场所，还应该把科学研究与创新作为己任。不论是作为教学知识来源，还是作为科研理论支撑，教学数据库中显性知识的储量与质量就显得尤为重要。

通过搭建基于大数据的跨校际的文献共享平台等措施，可以使不同高校间文献数据实现共用共享。单个高校可能会因为学科偏向等原因，存在强势学科文献资料多，其他学科文献资料较少的情况，而当高校结成联盟互相取长补短，文献资料的数量将是相当可观的。当然这样的联盟实现起来存在一定的困难，比如文献资料相对充足的高校可能会不愿意与文献资料相对匮乏者进行共用共享，这时候就可以采取一定的文献资料占比评价机制，通过一定的运算规则对每个学校所提供的文献资料的数量质量等进行评估，计算出该校所贡献文献占高校联盟总体文献的比重，然后按比例对总体文献使用时间或是下载数量等进行公平划分。这樣每个学校的显性知识的储量将会大大增加，有利于高校多学科教育均衡发展，科学研究文献支撑更加丰富。

3.3促进以专家智慧为代表的隐性知识大数据化

在高校教学知识管理过程中，隐性知识也占据着大量的比例。隐性知识具有模糊性、隐蔽性、复杂性、意会性等特征。隐性知识是个人长期经验和本身拥有的知识，较难用语言、文字和数据等形式进行表达、传播，不具有复制性。高校教学知识管理过程中，除了需要对显性知识进行管理，还需要加强隐性知识显性化的运用。

隐性知识的特点决定了其在知识共享过程中会存在一定的困难。这时就可以通过大数据技术来实现隐性知识大数据化，使得隐性知识的流动共享更加便捷。具体的措施可以通过大数据技术构建知识定位系统或知识地图。专家可以将自己的隐性知识转化为数据内容，上传教学知识地图，当学习者在学习研究某一课题时，可以通过知识地图查询到该课题的专家及其研究数据，吸收相关的专家智慧;另一方面可以构建基于大数据的学术虚拟社区，在社区分版块进行学术交流讨论，专家学者们通过在社区以文字交流讨论的形式实现隐性知识的“群化”与“外化”，并且把交流讨论的内容上传至教学知识库之中，当有学习者想搜索某一方面的知识，就可以直接在社区搜索并获得相关结果。

3.4引入基于大数据的自主学习平台

在基于大数据的教学知识管理模式下，将大数据运用于教学知识管理，一个重要的目的就是促进教学多样化、个性化。通过大数据学习平台可以使学习者摆脱学习的时间与空间的限制，随时随地通过多种途径进行学习，而通过大数据挖掘技术进行的平台学习数据挖掘分析，通过对用户行为偏向以及相似性对比，对学习用户实现个性化知识推荐，以此来实现个性化学习。

市面上可以实现自主化学习的平台多种多样，如中国大学慕课、网易云课堂、腾讯课堂、新东方在线等，高校可以与这些学习平台进行合作，利用平台进行在线教学，学习者平时在教室学习存在的问题，都可以利用这些平台的教学知识库进行课下学习弥补，而学习者的学习结果等情况也可以及时地反馈给教学者。除了这些专业的学习平台外还有很多社会化问答平台，如微信公众号、Yahoo An-sweis、知乎等，也可以作为学习者补充知识的途径，高校可以通过开设微信公众号来进行知识分享，前端面向学生进行知识服务，后台接入高校的数据库，提供一条对学生更加便捷的知识传输途径，实现知识学习方式的多样化。

3.5营造自主学习和知识共享的文化氛围

在基于大数据的教学知识管理模式中，一个积极的自主学习与知识共享的文化氛围也是不可或缺的。一方面，大数据学习平台的引入以及基于大数据挖掘的知识推荐，想要让这些措施的成效真正落实到学习成果中，还是要学习者自主地进行学习;另一方面，为了促使知识在高校组织内良性循环，也要使得教育者或是专家们主动地进行知识共享。在这种情况下，文化氛围的熏陶作用就显得较为重要。

高校可以通过类似于学术微沙龙这样的宣传活动对学生进行思想教育，还可以建立相应的考核制度，提升自主学习平台上的学习时间、频率与进度等在学科考核中所占的比重，对自主学习较为积极的学生适当地给予学分奖励，以此来激励学生自主学习的意愿。而知识共享方面，对于教学知识管理过程当中积极分享其智慧、知识的教学者与专家，可以结合其日常教学科研表现，在对其聘用、晋升、奖惩、津贴分配的考虑方面加分，给予积极进行知识共享的人员以人文关怀，激励教学者与专家发挥其在教学知识共享过程中的主导作用。这样，营造教育者与专家们积极进行知识分享，学习者积极进行自主学习的文化氛围，既解决了知识共享的障碍，又提高了知识吸收的效率，有利于实现知识在高校教学知识管理模式中的良性流动循环，实现教学创新的可持续发展。

4结语

结合大数据技术与教学知识管理的发展，构建基于大数据的教学知识管理模式，通过对教学大数据中过程性数据挖掘分析，可以更有效地帮助学生高效学习，大数据技术与教学平台的出现为学习者自适应学习奠定了基础，基于大数据的教学评价体系也推动着对教学过程进行完整、全面、动态的质量监控，让学习者远程自主学习的进行有了完善的控制手段。

基于大数据的教学知识管理在未来可能会更好地与远程学习结合，在云端就能实现高校的教学、考核以及毕业资格授予。通过大数据技术，对教学大数据进行挖掘、分析与教学评测等，可以实现学习者高效的个性化学习。大数据技术的发展使得高校教学知识管理有了新的发展形式，使得云端校园的存在有了一定的可能。

（责任编辑：郭沫含）