高等教育数据分析领域的宏观趋势、技术实践和未来场景

兰国帅 魏家财 黄春雨 李蒲 李晴文

摘   要：美国高等教育信息技术专业机构EDUCAUSE于2022年7月首次发布的《EDUCAUSE地平线报告2022（数据分析版）》，对各国政府预测和研判未来高等教育数据分析领域数字化转型来说是一个重要的参考。分析该报告的内容有助于探明塑造高等教育数据分析领域的宏观趋势、关键技术与实践以及未来发展场景，从而有益于为我国高等教育数字化转型和高质量发展制定前瞻性决策和战略规划。基于此，文章从非工具性分析视角，提出我国高等教育数据分析领域的未来创新发展路径：一是完善专业化数据分析服务，建立现代化高等教育数据架构，奠定机构数据分析的技术应用基础;二是采用数据治理思维，构建科学合理的数据治理体系，推动高等教育数据治理现代化;三是坚持需求导向，开展数据素养培训，提升利益相关者的数据素养，奠定高等教育数据分析领域的数字能力基础;四是完善数据治理政策法规，实现数据分析的多样性、公平性和包容性，推动我国高等教育数据分析领域数字化转型。

关键词：地平线报告;宏观发展趋势;关键技术与实践;未来发展场景;教育数字化转型;数据素养;数据分析

中图分类号：G434;G649.1     文献标志码：A     文章编号：1673-8454（2022）10-0018-13

一、相关背景

新冠肺炎疫情促使全球高等教育的格局和运作方式发生深刻转变。作为高等教育数字化转型的核心要素之一，高等教育数据分析领域已成为我国高等教育数字化转型与高质量发展的关键决定因素[1]。

当前，我国高等教育数据分析领域的应用实践主要存在以下问题：基于数据决策的思想文化与教育数据的现实应用规范不符[2]、基于经验的教学管理与决策弱化了教学管理的规范性和科学性、师生数据素养薄弱等[3]，也反映出高等教育数据分析领域的相关主体数据素养薄弱的现实困境。

为充分发挥高等教育数据分析领域在高等教育数字化转型升级和高质量发展进程中的重要作用，亟需立足发展现状，基于非工具性分析视角，创新思考塑造未来高等教育数据分析领域的宏观趋势、关键技术与实践、未来发展场景。

美国高等教育信息技术专业机构EDUCAUSE于2022年7月首次发布的《EDUCAUSE地平线报告2022（数据分析版）》（2022 EDUCAUSE Horizon Report，Data and Analytics Edition，以下简称《数据报告》），为各国政府预测和研判未来高等教育数据分析领域数字化转型提供了重要参考。

《数据报告》采用改进的德尔菲法、技术预见方法、“STEEP趋势框架”，以及“设想替代未来”和“4种场景原型”工具，呈现了影响全球高等教育数据分析领域的15种宏观趋势、6项关键技术与实践、4种未来发展场景、6个典型案例及专家反思观点（见图1）。分析该报告的内容及其价值趋向，有助于在借鉴经验的同时自查自省，从而为我国高等教育数字化转型和高质量发展制定前瞻性战略规划提供参考。

二、塑造未来高等教育数据分析领域的

宏观趋势

《数据报告》采用德尔菲法（即专家调查法），从社会、技术、经济、环境、政治五个趋势类别的全球视角，综合世界各类高等教育机构以及不同区域的复杂性和多变性，为探索未来高等教育数字化转型拓展了思路。

（一）社会趋势：数据驱动教育决策、弥合数字鸿沟、满足公平的学习和工作环境的现实需求

为应对社会、政治和经济变化对高等教育未来稳定的威胁，高等教育机构日益依赖数据分析作为应对广泛社会问题的解决方案。然而，这种对数据的依赖需要高等教育机构大量投资于数据基础设施和数据治理，还需要对高等教育机构文化和运作进行有意識的协调转变。随着高等教育机构高层领导在进行重要战略决策时对基于数据分析的因素越来越重视，相关研究机构在高校中的作用也变得越来越重要。

数据的收集、分析和报告都依赖于人类模型和分类过程，即将复杂的现象分解成更简单、更容易理解的信息片段。人类模型和分类过程容易受到偏见的影响，使信息过于简化和不完整，或者产生最坏情况，即边缘化、错误分类和恶意歪曲，使学生个体遭受伤害。高等教育机构进行其数据分析实践时，必须采取有助于发现和解决不平等的措施。

高等教育机构将继续推进其使命和目标，以服务不同的学生群体和支持多样化的劳动力，而公众对提高学习结果公平性的需求将进一步强化高等教育机构的承诺。数据分析专业人员将有机会使其实践更具包容性，为数据分析寻找多元化的可替代方案开辟更多空间。

（二）技术趋势：更新数据基础设施、实施数据治理系统、提升数据素养和人工智能技能

人工智能、机器学习和自然语言处理等先进工具的采用，使大规模数据仓库技术的应用更为普遍和复杂。学生信息系统（Student Information System，简称SIS）等高等教育机构内部系统日益落后于其他部门基于云的技术进步，这将无法满足日益复杂的期望以及学生、员工和领导的需求。跨职能单位和部门孤立数据源的持续存在，将继续产生不可靠和无效的数据分析结果。

数据治理是一个艰巨的挑战，需要高等教育机构进行深刻的文化变革和持续的跨部门协作，应设立专门的领导职位，以及与更广泛的技术基础设施和战略保持一致。缺乏对任意一个关键组成部分的治理，或者无视其他因素而过分强调某一因素，都会阻碍数据治理计划的实施，导致对高等教育机构数据资源的持续浪费和滥用。

在未来几年内，包括机器学习和自然语言处理在内的大数据技术的进步，将会加速推动跨部门协作发展，技术的应用需要新的劳动力技能和终端用户数据素养的支持。各个高等教育机构需要为拥有专业知识和技能的新型领导者、专业人员创造专业发展空间，为学生和工作人员开发资源、开展数据素养培训。

（三）经济趋势：非认证平台证书普及化、大学学位价值受到质疑、技术专业人员工资指数级增长等多重危机

高等教育机构必须学会适应并应对不断变化的金融状况和劳动力趋势。谷歌和亚马逊等公司决定将非认证形式的培训和教育同传统大学学位置于同等水平，这将成为组织和机构聘用非传统候选人（未受过传统高等教育的群体）担任重要领导岗位和员工职位的前景。高等教育机构将经历的这些变化，既可以增加低成本项目对学生入学人数的竞争，也可以从非传统候选人群体中注入新的劳动力人才。随着技术在社会和经济生活中日益发挥着核心作用，专业技术人员的工资更是呈现指数级增长。支持技术所需的高级专业技能为专业技术人员提供了谈判更高薪酬的筹码。许多高等教育机构将竭力吸引并留住所需的人才。

（四）环境趋势：高等教育机构物理空间使用、通勤模式、绿色IT服务需求的多重挑战

随着高等教育机构更加认真地考虑物理校园空间的使用，并寻求作出更环保的决策，校园设施、占地面积、入住率以及其他相关数据的清单，可以帮助确保这些决策的恰当和有效。然而，由于高等教育机构对这些领域的以往数据未能全面收集和妥善维护，致使许多高等教育机构还未能充分利用这种分析能力。

新冠肺炎疫情的常态化导致人们的交通和工作模式发生新的变化，并将为寻求作出最佳决策以满足其特定工作环境和员工需求的高等教育机构，开辟了数据知情决策的新领域。灵活的工作环境将使高等教育机构能够吸引和留住数据分析人才，将更好地满足其数据需求。IT运营的碳足迹可能相当大，因为数据中心尤其依赖于驱动能源消耗和排放的强大设备。随着高等教育机构开发更可持续和更环保的技术和数据基础设施的压力增加，云计算和虚拟化等解决方案可以减少物理设备的使用，并降低数据中心的功耗。

（五）政治趋势：数据隐私法、公共教育的政治参与、人工智能新应用的深刻影响

即使是规模最大、资金最充足的高等教育机构，也会在数据收集、存储和共享方面，面临着无法跟上不断发展且日益复杂的国家和国际法律的局面。由于数据法律和数据标准各异，以及全球政治的紧张局势侵蚀了信任和合作意愿，国际合作和数据共享将变得更加困难。国家和地方政治领导人将公立高等教育机构视为传递特定世界观、保护和建设所期望的未来社会的重要平台。随着高等教育机构受到的关注和审查越来越密切，有关机构运作、学生成绩的准确、可核实的数据等，对于问责以及防止谎言和指控至关重要。

随着国际领域政治分歧的加剧，冲突和暴力的风险在世界各地的大学校园里蔓延。许多高等教育机构将依靠人工智能技术来增强其校园监控能力，这也引发了关于使用此类技术的法律和道德问题的质疑和辩论。支持这些技术的算法将受到更严格的审查，并迫使高等教育机构在所有人工智能应用中开发更公平的分析实践，而不仅仅是监督和监管。

三、影响未来高等教育数据分析领域的

关键技术与实践

专家小组成员通过小组讨论和几轮投票，确定了其认为将对未来高等教育数据分析领域产生重大影响的6项关键技术与实践。

此外，《数据报告》对高校在推进这6项关键技术与实践时可能遇到的挑战，及其影响的性质、程度等，从以下6个维度进行了评估（见图2）：①在多大程度上需要关键利益相关者的支持？②它对高等教育机构战略目标产生重要和积极影响的潜力是什么？③它在支持高等教育机构数字化转型方面有何潜力？④整个高等教育机构的优化需要多少机构支出？⑤优化会以何种方式影响高等教育机构的劳动力群体？⑥优化在多大程度上需要提高或重新培养高等教育机构现有员工的技能。

通过这种方式，专家小组成员不仅确定了高等教育数据分析领域的可能影响因素，还预测了其可能产生的影响。《数据报告》还提供了利用这6项关键技术与实践，进行高等教育数据分析领域创新实践的全球范例项目（见表1）。

（一）数据管理和治理

数据管理和治理包括广泛的高等教育机构流程，包括但不限于工作流程自动化、访问管理、系统集成、数据完整性管理、自助服务仪表盘、数据隐私和安全、许可管理等。这些流程對于高等教育机构的成功至关重要，通常需要利益相关者的广泛参与。这些工作流程依赖于高等教育机构各部门跨越部门界限的协调运作，但高等教育机构往往缺乏这方面的专职人员和资源投入。

数据分析领域专业人员正在倡导借助自动化系统和人工智能增强的流程，实现数据管理的进步，并帮助高等教育机构最大限度地减少因领导层和员工流动造成的干扰。这些技术驱动的变革在基层实施起来可能具有一定的挑战性，特别是对于那些文化上抵制这种变革的高等教育机构而言，更是一种较大的挑战。与此同时，这些变革具有深刻和广泛的性质，可能使关键利益相关者难以完全理解什么是数据管理和治理，以及为什么需要支持数据管理和治理。因此，数据分析领导者应随时准备帮助利益相关者和社区，了解改进数据管理和治理的必要性和好处。

数据管理和治理与高等教育数据分析的相关性主要体现在以下两个方面：

一是基础实践。数据的有效管理和治理需要对高等教育机构现有的数据实践进行真实评估，并一致和系统地采用创新实践。专家小组成员建议可开发数据管理和治理方面的新基础实践，将规划、创建、测试、运行和监控设置在一个反馈循环周期中，以实现持续改进和优化。

二是网络安全。本土和国际数据隐私和保护法正在全球范围内迅速普及。云存储和软件服务解决方案的增长，再加上远程工作的普及，导致人们越来越关注数据存储的实际位置、数据访问的位置和方式，以及如何保护数据。特别是零信任架构（Zero Trust Architecture）的原则可以成为高等教育机构的解决方案。虽然真正的“零信任”不可能实现，但隐私专家正在努力通过对数据过程的验证和监控来减少对信任的依赖。

（二）统一数据源

作为复杂的数据生态系统，高等教育机构拥有大量的数据存储，这些数据存储通常在互不通信的计算系统之间脱节，削弱了高等教育机构参与整体数据分析和决策实践的能力。数据专家正在敦促高等教育领导者支持重大的文化变革和金融投资，以统一数据源。实际上，统一数据源是数据管理和治理的一部分。统一数据源需要持久标识符、一致的数据字典、严格的安全措施等要素。专家小组认为统一数据源对高等教育机构的战略目标和数字化转型具有重大的潜在影响。

统一数据源和高等教育数据分析的相关性主要体现在以下两个方面：

一是战略行动。随着高等教育机构领导人日益注重作出基于数据的教育决策和战略计划，也越来越依赖集成高等教育机构多个职能领域的稳健数据集。转向统一数据系统将使高等教育机构利益相关者能够进行更有意义的分析，以解决复杂的主题，如各种学位项目的投资回报率（Return on Investment，简称ROI）、终身学习者的学习投入或学习者在高等教育机构各种服务中的不同体验。

二是跨机构合作。统一数据源有望激发更广泛的努力，促使在高等教育机构和其他相关数据源之间整合数据与分析。要在统一数据源方面取得进展，需要国家层面的数据解决方案和各高等教育机构更有效地参与。

（三）现代数据架构

现代数据架构是数据管理和治理的另一个关键组成部分。统一数据源后，必须建立数据结构以便分析。许多现代软件和服务解决方案可用于维护高等教育机构的数据结构，但没有一种得到广泛采用。此外，传统的数据架构无法支持机器学习和自然语言处理等更复杂的分析功能。如果没有可扩展、适应性强且灵活的数据架构，数据用户就无法有效地使用现代数据分析功能，数据分析的可信度也会受到质疑。现代数据架构在2022年所有关键技术和实践中排名最高，要求提高和重新培训高等教育机构现有员工的技能，以及增加高等教育机构在优化现有数据架构方面所需的支出。

现代数据架构和高等教育数据分析的相关性主要体现在以下两个方面：

一是现代数据架构不仅需要存储大量数据，还需要为用户提供对有逻辑、有组织和可用的数据库的访问。高等教育机构一直在使用数据湖存储原始数据，同时使用数据倉库来存储经过清理和组织并可供使用的数据。

二是柱状数据库是一种较新的数据架构方法，便于跨不同数据集进行分析。与传统面向行的数据库不同，柱状数据库格式更有效、更综合。在这种格式中，每列数据都存储为一个单行项目。查询列数据库时，只需要查询相关的数据列，就能实现更快、更高效的分析。

（四）数据素养培训

2022年所有关键技术与实践的共同主题是对“大数据”见解的需求增加。但终端用户从数据中产生见解的能力，要求他们理解这些数据代表什么，知道如何解释和负责任地使用这些数据。因此，专家小组成员将数据素养培训提升为今年6项关键技术与实践之一。

尽管近年来高等教育机构收集的数据数量和类型显著增加，但并没有看到终端用户解释和使用研究结果的能力有相应的进步。高等教育机构开展大规模的数据素养提升活动可能成本高昂、耗时较长，但这也可能带来巨大的投资回报。由于在使用数据方面有了更多的专业知识和舒适度，整个高等教育机构的利益相关者（包括员工、教师和学生）可以更有效地使用数据，为其决策和实践提供信息，改善学生的学习效果，并且这种方式尊重隐私，将数据访问和共享的风险降至最低。专家小组成员预计，与其他关键技术与实践相比，数据素养培训对高等教育机构的劳动力规模影响不大，成本相对较低。

数据素养是当今以数据为中心的专业市场中领导者和员工所需的最重要的基本技能之一。然而，与数据分析相关性不大的专业很少提供专业的数据素养技能培训。因此，高等教育机构有义务通过让员工在工作中理解和使用数据，来支持其作为数据分析专业人员的专业成长。

此外，数据素养培训可以个性化定制。高等教育机构所有层次利益相关者——从董事会成员到行政管理人员、教师、学生和工作人员，都可从数据素养培训的投资中获益。但每种类型的利益相关者都以不同方式使用和交换数据。分析学生成绩数据以改善教学的教师与解释收入报告的董事会成员的需求有很大的差异。因此，各高等教育机构必须为数据素养培训创建特定的角色和通用资源。

（五）数据分析的多样性、公平性和包容性

数据分析专业人员在收集、管理和分析数据的方式上日益注重多样性、公平性和包容性。除了避免不道德的实践外，利益相关者还致力于利用数据分析来推动高等教育的公平。然而，数据分析的专业规范是由大多数人制定，也是为大多数人制定的。数据分析专业人士正以批判的眼光审视和质疑这些规范。总之，该领域正在重新审视谁在选择和收集什么数据、如何收集数据、数据的用途，以及每一步都隐含哪些偏见。

除此之外，数据分析专业人员正致力于利用数据分析来支持多样性、公平性、包容性的目标和战略计划。高等教育机构领导人正在编写具体化、可观察结果的目标，以便通过数据分析评估进展情况。通过这种方式，数据分析可以用来检查各种利益相关者群体如何受到当前机构结构的差异影响，并设计新的结构以消除差异影响，以及评估这些新结构的结果。

数据分析的多样性、公平性和包容性与高等教育数据分析的相关性主要体现在以下两个方面：

一是数据分析方法。公平分析的最佳实践不断变化。分析人员正在学习如何收集包括人口统计信息在内的准确完整的数据集，同时确保不会对代表性不足的群体造成进一步伤害。利益相关者正在讨论数据作为高等教育机构成果证据的合理性。

二是数据分析中的偏见意识。数据分析的目的是从可观察数据中得出有意义的结论。但提出什么问题、分析什么数据、如何进行分析以及产生什么数据见解都是由人们决定。由于每个人都有隐含的偏见和不同的解释世界的方式，这些偏见和差异就会被纳入分析过程中。随着对这些问题的认识逐渐变得清晰，高等教育利益相关者将越来越多地检查分析工具中嵌入的假设。

（六）评估和改进高等教育机构数据分析能力

高等教育机构正在审查机构数据的质量和分析过程的有效性。尽管高等教育的主要功能之一是产生新知识，但机构实践本身往往落后于当前的创新。无论所面临的挑战是资金有限还是缺乏战略支持，数据分析专业人士都在评估和提高自身能力，以满足对高质量、有影响力的分析见解的强烈期望。专家小组成员将评估和改进高等教育机构数据分析能力列为最具影响力的实践之一。

评估和改进高等教育机构数据分析能力与高等教育数据分析的相关性主要体现在以下两个方面：

一是全面评估。高等教育日趋复杂化，也使得以前孤立的数据分析办公室和人员必须进行协作、共享资源，特别是内容知识和技术技能。在此背景下，“全面”不仅意味着跨部门合作，还意味着必须统筹高等教育机构数据分析工作流程的每一步。收集、存储和分析数据的方法以及传播数据见解的过程也必须经过协调评估。对数据分析能力的全面评估，需要高等教育机构各级领导人的支持，并配以适当类型的人员和专门知识。

二是提高评估效率。收集更多数据和使用机器学习算法等工具的努力并不总能带来更好的结果，高等教育机构也常常发现自身面临着更大的问题，如设计可扩展的道德实践、安全存储和保护私人数据。评估和提高高等教育机构的数据分析能力，需要高等教育机构领导人和专业分析人士判断其是否能够有效地利用庞大的数据存储来产生有益的数据见解。随着数据分析流程的优化，高等教育机构领导人可以思考数据分析在未来可以发挥什么作用，跨机构合作也将更加安全、实用、有利。

四、预测未来高等教育数据分析领域

的发展场景

《数据报告》借助未来研究所的“技术预见方法”，从不同视角设想了2022—2032年高等教育数据分析领域的四种未来发展场景，以更好地预测和调整高等教育数据分析领域的未来发展趋向，并为之提前作好战略规划（见表2）。

（一）增长场景：高等教育数据分析领域蓬勃发展，但仍有关键问题未得到充分解决

在“假新闻”文化盛行和公众不信任的压力下，越来越多的高等教育机构被要求坚持数据驱动的教育决策过程。从制定新政策到实时响应突发事件，每个教育决策都必须有數据分析的支持。高等教育机构的政策与实践受到政治压力的严重影响。“只有测量才重要”几乎用于所有高等教育机构成果的设计和评估。私营机构也已经过渡到数据驱动决策，并能够提供一些“具有吸引力”的福利，如灵活的工作时间、远程工作，以及比高等教育机构高两到三倍的薪酬。因此，高等教育机构正在经历合格数据分析师的严重短缺，被迫用更少的资源做更多的工作。

此外，由于工作负担过重，高等教育机构数据分析人员没有时间进行专业发展，也无法更新技术上已经过时的计算机系统或应用程序。高等教育机构收集、存储和共享数据的过程几乎与十年前相同，其数据泄露风险也正在加速。

一些高等教育机构抵制“大数据”文化的转变。在数据驱动的时代，许多利益相关者看不到小规模定性数据的价值。事实上，“数据”现在几乎被普遍理解为大规模的量化数据，以前被称为大数据。大数据模型在很大程度上忽视了历史上被边缘化的学生群体。致力于数据驱动流程的院校继续流失学生，而采用数据引导流程的院校正迎来新的入学高峰。

（二）约束场景：高等教育数据分析领域受核心指导价值观支配

自本世纪20年代初以来，用更少的资源完成更多工作的必要性从未减弱。近年来，大多数高等教育机构没有足够的资金更新日常运营基础设施，尤其是数据基础设施。负责基础设施工作的IT员工越来越少，并且员工只是在为过时和混乱的系统提供零碎的维护。数据分析专业人员只能试图用越来越多的问题数据为关键的机构决策提供信息。

主流媒体质疑高等教育机构数据分析产生见解的真实性。保守派政治家主张增加数据处理的立法，以保护个人隐私和安全。然而，由于没有解决数据分析最佳实践的国际标准，人类数据收集、存储和使用的全球法规变得越来越复杂，这种复杂性给已经不堪重负的高等教育体系又增加了一层负担。

由于高等教育机构领导人一直在努力以较少的资源来优先处理日益增长的工作量，数据分析人员尚未确定如何公平地收集、分析和传播数据。因此，不公平的数据实践仍然没有改变，世界各地数据分析应用的公平差距继续扩大。学生和一些数据分析师正在向各高等教育机构施压，要求其在数据处理中采用区块链技术。大量证据表明，转向区块链数据管理系统的机构总体上效果更好。在当前经济形势下，高等教育机构的领导者在制定机构优先事项时，预算变化继续成为重要的影响因素。

（三）崩溃场景：高等教育数据分析领域受自身无法控制的变革力量困扰并遭受重创

21世纪20年代初，传统高等教育学位的价值和投资回报率受到质疑。学生们开始意识到自己是拥有选择权的高等教育产品消费者。高等教育机构比以往任何时候都更加努力地吸引新生。招生的新方法包括分享大量有关学生满意度和工作成就的数据。然而，这些额外的分析负担并没有很好地配备数据分析人员。高等教育机构难以招聘和留住数据分析人员，因为其无法与行业薪资竞争，而且许多高等教育机构拒绝提供远程或混合工作。由于没有必要的数据分析人员支持内部分析，高等教育机构越来越依赖于成本更低、更容易实施的外部数据解决方案，但这往往会削弱高等教育机构领导力和员工的参与度，以及对决策数据的信任。学生也正在为自身教育寻求更公平的选择。因此，许多高等教育机构的入学人数正在下降，许多高等教育机构也正在关闭。

从高等教育机构到个体教育者，任何人现在都可以通过区块链教育提供免费或低成本的证书。虽然这还不是高等教育和继续教育最普遍的选择，但它在高等教育领域正逐渐兴起并日益被认可。学生可以将多个经认证和非认证项目的区块链证书组合起来，作为一个自主生成的类似学位的投资组合。所有的微认证选择加剧了对认证高等教育学位需求的下降。自由市场竞争导致以更低的成本提供更好的项目。尽管传统的高等教育体系正在面临非认证项目兴起而引发的大学学位价值信任危机，但新技术仍在继续促进人们获得新的教育选择。开放获取、灵活性和自主性是高等教育的新支柱。

（四）转型场景：高等教育数据分析领域重新建立发展新范式

近年来，高等教育面临的最大挑战之一是通过重新定义物理空间的目的和用途，来改善全球生态系统的健康。高等教育机构正在利用最新技术，在更高效的教学、学习和工作方面引领世界。高等教育机构领导人不可避免地转向日益复杂的数据生态系统，依靠改进的数据架构和数据素养方案，为战略决策提供信息。

过去十年中，远程工作和学习受到了广泛关注，技术人员竞相跟上迅速变化的世界。虽然一些利益相关者仍在关注如何更好地开展远程或混合工作与学习，而其他利益相关者已经将注意力转向支持远程或混合工作与学习活动开展所需的计算变革。随着对面向用户过程的关注，软件系统已经发展到支持更复杂的数据架构和执行更强大的计算。然而，硬件开发一直相对滞后。目前，全世界正在努力改进硬件流程，普遍致力于最大程度地降低IT对环境的影响。各高等教育机构面临着越来越大的政治压力，要求高校尽可能地转向虚拟运营，以证明高校对地球健康的承诺。

五、我国高等教育数据分析领域

创新发展路径

《数据报告》为教育数字化转型时代，我国高等教育数据分析领域实现高等教育数据架构，构建科学合理的数据治理体系，奠定高等教育数字化转型的数字化能力基础，促进数据分析的多样性、包容性和公平性，提供了启示与参考。

（一）完善专业化数据分析服务，建立现代化高等教育数据架构，奠定机构数据分析的技术应用基础

《数据报告》指出，高等教育教学中所挖掘的数据分析建模，可以促进管理者更理性地进行教育决策、精准分析，以均衡教育资源配置，还可以推进教师教学能力的流转，改善教育方式单调化等难题[4]。然而，要建设持续、动态汇聚海量数据架构，就要破解教育决策缺乏数据支撑、教育资源分配不合理、发展不平衡、教师数据能力欠缺、外部支持不足等一系列挑战。要构建稳固的高等教育数据架构，就要瞄准专业化数据分析服务，直面高等教育现代化的显性难题，完善高等教育数据分析的技术应用基础。

首先，在数据驱动教育科学决策方面，教育管理者要关注教育大数据的整体应用， 将数据搜集、分析、储存都纳入法律法规的制定范围内，增加教育数据保护的全面性[5]。还要从传统经验决策转型到数据驱动的决策，利用教育数据准确地了解教育教学情况，预测不利事件， 更加科学合理地作出教育决策[6]。

其次，在数据促进教育资源分配方面，要加大投资各级数据库力度，充分利用数据深度分析、动态审查掌握各区域的教育教学现状，并结合区域背景，模拟未来区域教育运行，合理布局、调配师资、划拨教育经费等，进而实现高质量的教育资源均衡配置[7]。

最后，在数据驱动教师队伍建设方面，要充分发挥数据分析的优势作用，精准识别教师专业发展的动态性和个性化需求，设计更加精准、个性化的细化目标[8]，改进教师管理服务，进而辅助高等教育相关管理部门实现对教师队伍的精准治理，促进教师队伍治理的现代化[9]。

（二）采用数据治理思维，构建科学合理的数据治理体系，推动高等教育数据治理现代化

高校教育数据治理，不仅能够提高教育数据质量、解决教育数据流向混乱、共享不足等问题，更有利于提高高校决策的科学性与管理效率[10]。然而，如何治理日益庞大的数据集、高效整合数据资源、释放数据价值、创新深化数据应用，从而更好地服务于高校的精准管理和科学决策，是亟需解决的现实问题[11]。

首先，设置首席数据官，明确首席数据官的职能定位与权责配置。作为领导者，首席数据官要发挥导向功能，确保数据驱动决策;作为协调者，首席数据官应与首席信息官、数据管理员以及其他利益相关者深入合作，建立一种新型的合作管理机制，共同推进数据的使用与分析[2];作为赋能者，首席数据官要积极寻找组织开发利用大数据的新机会，促进教育数据价值的挖掘与应用。

其次，着眼于高校实际需求，构建统一数据平台，提升数据资产价值。高校应当在数据标准基础上，建立校级统一共享的集数据归类、存储、共享、治理、分析、应用等功能于一体的数据平台，实现数据的全生命周期管理，提升数据治理水平[11]。

最后，融合多方人才的智慧与优势，构建基于数据责权厘定的智能化精准数据决策体系。一方面，高校应充分调动教师、学生和学校管理者等协同参与数据治理，在高校数据采集、存储、共享、应用等方面做好责权划分，形成完善的数据治理组织闭环[12]。另一方面，可充分利用关联分析、区块链、人工智能等技术，加强软件和硬件建设，为教育数据治理提供坚实的技术保障。此外，在人工智能与高等教育数据治理的深度融合中，在处理数据、技术与人的相互关系时，应遵循“有用”和“无害”的伦理诉求，充分发挥数据和技术的育人价值[13]。

（三）坚持需求导向开展数据素养培训，提升利益相关者的数据素养，奠定高等教育数据分析领域数字能力基础

数据是高等教育数字化转型的核心要素[2]，要发挥数据要素在高等教育数字化转型中的重要作用，就必须提升包括教育决策者、教师、学习者等所有教育利益相关者的数字素养，从用户侧驱动高等教育数据分析领域数字化转型[14]。

当前，我国高等教育数据分析领域数字化转型进程中，暴露出教育决策者基于经验的教学管理与决策缺乏规范性和科学性、教师借助数字化创新教学的实践能力薄弱、学习者缺乏数字化学习的自我管理能力等数据素养薄弱的局限[3]。若要显著提升高等教育数字化转型利益相关者的数据素养，就必须面向教育决策者、教师和学生等不同群体开展数据素养培训，为高等教育数据分析领域奠定数字能力基础。

在提升教育决策者数据素养层面，可布局数据自动化采集与智能化分析技术体系，记录师生在各类情境中认知、行为、情感等多方面真实表现的数据，基于多维数据的关联交叉分析，同时结合专业知识和实践智慧作出科学循证决策[15]。

在提升教师数据素养层面，鉴于当前教师数据素养常规培训形式（线上、线下或者线上线下混合）效果欠佳的现状，可坚持“场景嵌入式、服务伴随式、学习泛在式”的基本理念，重点结合一线教师的工作场景设计数据应用案例与策略，通过活动促进、榜样示范、环境熏陶等途径，全方位渗透数据意识、知識、技能与思维[16]。

在提升学习者数据素养层面，要致力于培养学习者科学的数据意识、伦理和规范，使其具备数据收集与评估、数据管理、数据分析与应用等方面的知识技能。在认知阶段，注重提升大学生数据意识、安全意识和法规意识;在能力阶段，重点培养大学生数据收集、评估、管理和分析能力;在应用阶段，培育大学生数据利用、表达与交流能力，具备批判精神[17]。

（四）完善数据治理政策法规，实现数据分析的多样性、公平性和包容性，推动我国高等教育数据分析领域数字化转型

随着以5G、人工智能、大数据等技术为核心支撑的智能时代的到来，教育数据治理面临着全新的挑战[18]，如数字鸿沟扩大、数据分析中隐含偏见、数据隐私法越来越复杂、教育数据收集和分析手段有待改进等。从本质上看，这些问题是由于缺乏大数据治理的法律和规章制度方面的保障[19]。

为确保数据分析的公平性，实现数据治理高效化，加快高等教育数据分析领域数字化转型，需要重点加强以下几个方面的探索与实践：

首先，要采取自上而下的政策机制，出台高等教育数据分析领域数字化转型国家层面的法律和规章制度，为数据收集、数据监管、隐私保护、数据公开、信息使用、教育数据服务伦理秩序等提供专业规范。同时，还要加强顶层设计，消除当前存在的“数据壁垒”，建立一个系统集成、互联互通、协同共享的教育领域数据治理框架，实现从政府主导的传统治理模式向多元主体广泛参与的共同治理模式转变[20]。

其次，采取有力措施，建立由政府、高等教育学会和高校联盟等组织协调的，集高等教育和社会与经济为一体的、多层面的高等教育大数据共享平台。数据平台的建立可实现数据标准规范化、数据内容清晰化、数据收集简便化、数据管理脉络化，从而实现数据分析高效化，并从教学、科研、管理、服务等方面全方位提升高校数据分析能力。

最后，伦理是人类共生共存的底线。数据治理中，除认真遵守法律法规外，还必须从科技研发、推广与使用等环节系统性地植入伦理规则，使伦理成为法律创新的指南针，从而实现法律与伦理的有效对接[21]。

注：本文部分内容来自2022 EDUCAUSE Horizon Report，Data and Analytics Edition，报告网址如下：https：//library.educause.edu/-/media/files/library/2022/7/2022hrdataandanalytics.pdf？la=en&hash=9FA4BFE5CDA22F19AEB4F7B46F8F1AAC 6206BE3F

参考文献：

[1]徐晓飞，张策.我国高等教育数字化改革的要素与途径[J].中国高教研究，2022（7）：31-35.

[2]兰国帅，魏家财，黄春雨，等.国际高等教育数字化转型和中国实施路径[J].开放教育研究，2022，28（3）：25-38.

[3]李铭，韩锡斌，李梦，等.高等教育教学数字化转型的愿景、挑战与对策[J].中国电化教育，2022（7）：23-30.

[4]EDUCAUSE. 2022 EDUCAUSE Horizon Report | Data and Analytics Edition[EB/OL]. （2022-07-18）[2022-08-13]. https：//library.educause.edu/-/media/files/library/2022/7/2022 hrdataandanalytics.pdf？la=en&hash=9FA4BFE5CDA22F19AEB 4F7B46F8F1AAC6206BE3F.

[5]郭春雷.教育大数据在教育管理中的运用分析[J].教学与管理，2017（9）：37-39.

[6]余胜泉，李晓庆.基于大数据的区域教育质量分析与改进研究[J].电化教育研究，2017，38（7）：5-12.

[7]杨现民，陈世超，唐斯斯.大数据时代区域教育数据网络建设及关键问题探讨[J].电化教育研究，2017（1）：37-46.

[8]冯晓英，郭婉瑢，黄洛颖.智能时代的教师专业发展：挑战与路径[J].中国远程教育，2021（11）：1-8，76.

[9]崔延强，权培培，吴叶林.基于大数据的教师队伍精准治理实现路径研究[J].国家教育行政学院学报，2018（4）：9-15，95.

[10]董晓辉.活动理论视角下高校教育数据治理体系构成要素研究[J].中国电化教育，2021（3）：79-87.

[11]周炜.大数据视域下高校数据治理优化路径研究[J].教育发展研究，2021，41（9）：78-84.

[12]赵磊磊.人工智能赋能高校数据治理：逻辑、挑战与实践[J].重庆高教研究，2022，10（1）：71-79.

[13]兰国帅，魏家财，张怡，等.未来高等教育教学：宏观趋势、关键技术实践和未来发展场景——《2021年地平线报告（教学版）》要点与思考[J].开放教育研究，2021，27（3）：15-28.

[14]杨现民.开辟教育全面数字化转型新局面[EB/OL].（2022-04-07）[2022-08-14].https：//mp.weixin.qq.com/s/chHX0b5GiqWw8SFoQQlHKA.

[15]郝祥军，顾小清.高等教育如何转向未来技能培养——来自德国“未来技能”项目报告的启示[J].现代远距离教育，2021（5）：33-42.

[16]杨现民，张瑶.教育规模化与个性化矛盾何以破解？——数据驱动规模化因材施教的逻辑框架与实践路径[J].中国远程教育，2022（8）：42-52，79.

[17]张薇薇，施茜薷.基于知识建构的本科数据素养教育学习环境设计[J].現代情报，2021，41（3）：121-130.

[18]赵磊磊，张黎，代蕊华.智能时代教育数据风险治理：实然困境与实践路径[J].湖南师范大学教育科学学报，2021，20（6）：94-102.

[19]常桐善.高等教育大数据建设路径——美国的经验及其对中国的启示[J].重庆高教研究，2022，10（4）：20-30.

[20]张培，夏海鹰.教育领域数据治理的基本思路与实践路径[J].现代教育技术，2020，30（5）：19-25.

[21]黎四奇.数据科技伦理法律化问题探究[J/OL].中国法学：1-21[2022-08-17].https：//kns.cnki.net/kcms/detail/detail.aspx？dbcode=CAPJ&dbname=CAPJLAST&filename=ZGFX 20220721006&uniplatform=NZKPT&v=QcpUsEBxFrcu9lNG-bs26kFz6YJdsUXF6QZMPUTl_EEjLCakp1M9DTji02KEYVnd.

作者簡介：

兰国帅，副教授，博士，教育学博士后，主要研究方向为智能技术教育应用，邮箱： cqdxlgs@163.com;

魏家财，硕士研究生，主要研究方向为信息技术教育应用，邮箱：3070204732@qq.com;

黄春雨，硕士研究生，主要研究方向为信息技术教育应用，邮箱：1214747358@qq.com;

李蒲，硕士研究生，主要研究方向为信息技术教育应用，邮箱：2503129275@qq.com;

李晴文，硕士研究生，主要研究方向为信息技术教育应用，邮箱：XYSYLQW@163.com。

Digital Transformation in the Field of Higher Education Data and Analytics： Macro Trends， Technical Practices and Future Scenarios

——Interpretation of US 2022 EDUCAUSE Horizon Report， Data and Analytics Edition

Guoshuai LAN1，2， Jiacai WEI1， Chunyu HUANG1， Pu LI1， Qingwen LI1

（1.Faculty of Education， Henan University， Kaifeng Henan 475004;

2.Education Informatization Development Research Center in Henan Province， Kaifeng Henan 475004）

Abstract： The 2022 EDUCAUSE Horizon Report， Data and Analytics Edition， firstly released by the Higher Education information technology institution（EDUCAUSE） in July 2022， is an important reference for governments to predict and analyze the digital transformation of higher education in the field of data and analytics. Analyzing its contents would be helpful to figure out macro development trends， key technology and its practices and future development scenarios in the fields of higher education data and analysis， so as to make forward-looking and strategic decisions and plans for digital transformation and high-quality development of higher education in China. Based on the perspective of non-instrumental analysis， this paper proposes the future innovative development path of digital transformation in the field of higher education data and analysis in China： Firstly， improving professional data analysis services， establishing a modern higher education data architecture， so as to lay the technical application foundation for institutional data and analysis; secondly， adopting data governance thinking， constructing scientific and reasonable data governance system， promoting the modernization of higher education data governance; thirdly， insisting on demand-oriented data literacy training， improving the data literacy of stakeholders and laying the foundation of digital capability for digital transformation; fourthly， improving data governance policies and regulations to achieve diversity， equity and inclusiveness in data and analytics， then promoting the digital transformation of data and analytics in higher education in China.

Keywords： Horizon Report; Macro development trends; Key technologies and practices; Future development scenarios; Digital transformation of education; Data literacy; Data and analytics

编辑：李晓萍   校对：王天鹏