1、大数据时代高等教育改革的价值取向及实现路径 甘容辉 何高大 广东金融学院外语系 华南农业大学外国语学院 摘 要： 高等教育已经进入了大数据时代,无论对学习者、教师、高校,还是整个教育生态系统,都将催生革命性的变化,导致教育理念与教育形式的解构与重构。如何利用学习分析和教育数据挖掘技术,把在线学习数据转化为可行动的信息,发掘数据背后潜在的价值,改善教与学,无疑有着积极的理论和现实意义。该文首先解读大数据的特征及其应用,接着分析了大数据时代高等教育面临的多重挑战;然后探析了大数据时代的高教改革的价值取向数据驱动教学,助推教学决策科学化、管理精细化、学习个性化和教学信息化。大数据时代高等教育改革主要
2、有四条实现路径:正确理念是基础,教师是关键因素,学习分析和教育数据挖掘是手段,技术服务是保障。关键词： 大数据; 高教改革; 价值取向; 实现路径; 作者简介：甘容辉:讲师,硕士,研究方向为外语教学与教育技术()。作者简介：何高大:教授,硕士生导师,华南农业大学 MTI 教育中心主任,研究方向为外语教学与技术()。收稿日期：2015 年 9 月 13 日基金：国家语委“十二五”科研规划 2014 年度重大项目“语言教育规划研究”(项目编号:ZDA125-21)Value Orientation and Implementation Path of Higher Education Reform
3、 in Big Data EraGan Ronghui He Gaoda Department of Foreign Languages, Guangdong University of Finance; School of Foreign Studies, South China Agricultural University; Abstract： As higher education has entered a big data era, changes will be triggered for learners, teachers, and higher education, and
4、 even the whole education ecological system, leading to the deconstruction and reconstruction of educational philosophy and educational form. How to transform huge amounts of data about online learners into actionable information through learning analytics and educational data mining technology, ext
5、racting potential value behind the data to improve teaching and learning, undoubtedly, is of positive theoretical and practical significance. Firstly, the research unpacks the connotation and broad application of big data and analyzes multiple challenges higher education faces in the big data era. S
6、econdly, Data-Driven Instruction, as value orientation of higher education reform in the era of big data is elaborated on, which makes instructional decision-making more scientific, providing meticulous management, personalized learning and ICT-based teaching. Lastly, it is suggested that value orie
7、ntation of higher education reform mainly lies in four implementation paths: correct notions are the basis; teachers are key factors; learning analysis and educational data mining are significant means; technical service is a key guarantee.Keyword： Big Data; Higher Education Reform; Value Orientatio
8、n; Implementation Path; Received： 2015 年 9 月 13 日一、引言全球范围内,大数据已成为推动企业创新、 改进社会治理方式、引领社会发展与深层变革的新型利器。近年来,世界发达国家相继布局大数据战略,诸如联合国“数据脉动”计划、美国大数据战略、英国“数据权”运动,大力推动大数据发展和应用。大数据已纳入我国国家发展战略,国务院 2015 年 8 月 31 日印发了促进大数据发展行动纲要的通知(国发201550 号),指出:“大数据成为推动经济转型发展的新动力,大数据成为重塑国家竞争优势的新机遇,大数据成为提升政府治理能力的新途径。以数据流引领技术流、物质流、
9、资金流、人才流,将深刻影响社会分工协作的组织模式,促进生产组织方式的集约和创新。探索发挥大数据对变革教育方式、促进教育公平、提升教育质量的支撑作用”1。大数据是人类寻求量化和认识世界方面进步的标志。毫无疑问,该纲要必将为我国高等教育改革提供新的思考。在此时代背景下,在高等教育信息化发展过程中,如何引入大数据的新技术、新方法,把在线学习空间保存的海量学习者学习成长轨迹的数据转换成信息和知识,寻找相关关系和因果关系,以应对信息技术、智能技术所带来的高等教育改革,无疑具有积极的理论和现实意义。二、大数据内涵和应用解读从大数据思维的角度来看,数据即信息,信息即知识的来源。数据需要产生、积累、存储、挖掘
10、、分析、运用、转换等,其过程就是数据、信息、知识的转换和价值的转换。数据可以记录世间万物瞬间的细微变化,记录范围越大,测量范围就越大,分析范围越大,知识的边界延伸就越大。那么大数据从何而来呢?Pythagoras 说过,万物皆数。数字、文字、图片、音频、视频、社交媒体、移动终端、网络日志、传感器等都是最常见的数据来源,人的情绪、情感以及行为活动,甚至地理位置信息等也是数据。与传统数据相比,大数据的特征可以用五个“V”来表示:Volume(容量大)、Variety(种类多)、Velocity(时效性强)、Value(价值高)、Visualization(可视化呈现)2。大数据容量大是个相对的概念
11、,受时间、行业和数据类型等因素的影响;种类多是指数据集的结构异质性,科技进步导致了结构化、半结构、非结构化数据的日益增多3;时效性强是大数据区别于传统数据最显著的特征。数据爆炸式增长,且被生成、处理、移动的速度相当快,这也增加了即时分析、加工数据的需求;价值高是大数据的定义属性,原因是其潜在的高价值能为评价和决策提供依据。但是,由于大数据的密度值较低,如何通过计算对数据价值“提炼”并非易事。可视化是大数据分析的关键步骤45。只有把数据转化成信息,再从中发现新知识,并采取干预措施,数据才有意义。随着人们对大数据认识的深入和应用的推广,大数据的特征还在不断拓展中。 大数据是人类观察各种社会行为的“
12、显微镜”,能帮助捕捉数据背后的关系和知识,其核心功能是预测与发展,也就是把数学算法运用到海量的数据上来,通过数据分析,探索数据特征、表现、规律、 发生轨迹等,从而预测事情发生的可能性、可控性和发展性。大数据思维为我们看待世界提供了全新的视角, 其价值正在被人们所认识。每个人都是大数据的生产者、消费者和受益者。这是一场新的科技革命,庞大的数据资源使得社会的各个领域开始了量化进程,无论学术界、商界还是政府,所有领域都将开始这种进程6。大数据带来的信息风暴席卷各个行业领域,精准营销、众筹众创、普惠金融、智能制造、智能教育、智能医疗、智能交通、智能旅游、智慧城市等迅猛发展。李德毅院士也指出,“在工业革
13、命时期, 水、电、交通等实现了社会化、集约化和专业化;在后工业革命时期,云计算、大数据正让信息服务实现社会化、集约化和专业化,信息技术正成为全社会公共的基础设施”7。由此可见,大数据和信息技术双引擎的驱动,几乎已经改变了人们物质和精神生活的各个方面。大数据浪潮势不可挡,大数据变革高等教育势在必行,必将导致高等教育理念与教育形式的解构与重构。三、大数据时代高等教育的挑战当今世界,科技进步日新月异。移动互联网、 云计算、普适计算、大数据、物联网、人工智能等现代信息技术改变了人类的思维、生产、生活、学习方式。今天的高等教育生态环境已经发生了翻天覆地的变化。网络、平台、平板、搜索引擎、社交网络、慕课、
14、微课、私播课、云课堂、翻转课堂深刻地改变了技术扩散、知识共享的方式。云教育平台、智慧教室、云课桌、电子书包、电子教材、自带设备、可穿戴技术,教育技术进步呈现加速度推进的新态势。开放教育资源使得教学资源呈现全球化、数字化、大众化、可视化、微课化、智能化、便捷化、集约化、动态性、生成性、内聚性、多源性趋势,学习方法呈现多样化、泛在化、个性化、 定制化、碎片化、交互性、开放性的特点。慕课引发的“数字海啸”正在改变几千年来传统的教学方式。艺术化、情景化的教学设计,微型化、模块化、案例化的视频资源,网络游戏化的随堂测试, 智能化互评的学习机制使慕课成为高校学生拓展课程内容的理想选择。这意味着在大数据时代
15、,高等教育的全球化、国际化竞争进程大大加速,正式学习与非正式学习的界限已经模糊,课堂不再是必要的学习空间,高校教师已经失去了知识代理人的地位,这些因素对高等教育和高校教师形成的冲击难以估量。技术性媒体开拓了师生、生生沟通的新维度,教与学环境日益信息化、生活化8。但是在线学习平台多年积累的大量揭示学习行为的结构化数据(如测试成绩、统计数据等)以及非结构化数据(如文本、图片、音频、视频、超媒体、全文文本、各类报表等),学界却鲜有人去挖掘和分析。我国高教领域的创新力度远逊于其他传统行业。受高等教育大众化的影响,普通高校由于教育资源限制,仍旧沿袭 “一个尺寸适合所有人” 的大工业化的批量生产模式,这导
16、致培养的人才同质化现象严重,缺乏创新精神和批判思维。信息技术与高等教育的融合依然停留在较低的层次,一些结构性矛盾和问题也逐渐凸显。最突出的问题是当前高度统一框架下的信息化教学未能真正体现以学习者为中心,教学服务满足不了瞬息万变知识社会中日益多元化的学生群体的适应性需求,技术未能对个性化自主学习提供支持。由于教育资源制度化的评估和督导问责机制缺失,显性或隐性网络教学资源的种类、质量、可及性、灵活度和知识建构工具均有待改善。信息化教与学模式陈旧,学习结果的评价机制单一化现象严重,评价内容、评价方式单调,缺乏个性、多元和弹性。部分耗资不菲建设的实验教学中心和自主学习中心由于硬件、软件和人员的问题,对
17、学生学业的贡献度并不高,形成了 “高科技、低效率”的尴尬局面。纵观现代高等教育发展的过程,高等教育的改革与发展,是和科学研究及科技产业的发展息息相关的。在原来基础上发展起来的高等教育,学科界限、专业设置、教材编写以及培养方法等,严重地不适应新技术革命的需要,特别是不适应交叉学科的发展9。究其原因,是对高教改革的价值取向缺乏深入考量,没有把握改革的核心理念及其相关关系。高等教育改革必须注重系统性、整体性、创新性和协同性,顺应大数据时代发展的要求。分析国内外高等教育信息化的发展脉络和演进轨迹可以发现,大数据时代的高等教育已经从强调平台即服务(Platform as a Service,Paas)、
18、软件即服务(Software as a Service,Saa S)转向强调数据即服务(Data as a Service,Daa S)的新范式。四、大数据时代高教改革的价值取向2015 年 9 月 1 日,教育部办公厅颁发了关于征求对关于“十三五”期间全面深入推进教育信息化工作的指导意见(征求意见稿)意见的通知(教技厅函201576 号),指出:教育信息化要使教学更加个性化、管理更加精细化、决策更加科学化10。随着大数据分析技术的日趋成熟,分析工具选择增多, 使用技术门槛和成本的降低,数据驱动教学已经成为可能。因此,大数据时代高教改革的价值取向应该是数据驱动教学(Data-Driven In
19、struction,DDI), 变“数”为“据”,催生教育的大数据化,助推教学决策科学化、管理精细化、学习个性化、教学信息化。1.教学决策科学化大数据的应用使高校教师得以突破教学经验、 常识、主观臆断的视野局限,其总体样本的特性能够避免个体见识和判断对决策科学性的负面影响。 大数据时代在线学习平台可以采集到更多细粒度的教育行为数据。例如,学习者资源浏览行为记录、 交互记录、作业情况、测验成绩、小组报告质量、 论坛发帖的数量和质量等都能以日志记录的形式被保存下来。这些实时教育数据被挖掘、研判与共享,用来反思教师的课堂教学和在线课程设计,选择更科学、更适应的教学策略,根据学生惯常的学习行为大数据,
20、调整教和学策略,助推基于证据的教学(Evidence-Based Teaching)11,让教师心中有数、教之有数,让管理者管之有“理”,这一直是我们所追求的未来教育的理想形态。2.管理精细化大数据技术的发展为实现教育精细化管理, 推动教育绿色、生态发展提供了有利条件。数据驱动管理有利于大幅度提升高校管理服务的水平和质量,使得教育服务体验智能化。当前国内已经有部分高校“先行先试”,利用大数据创新教育管理和服务模式,并初见成效。浙江大学通过采集、梳理、分析公共资产,帮助教务部门大大提高教育资源的利用效率。华东师范大学利用预警系统跟踪记录在校学生一定时期内的餐饮消费行为数据,发现消费数据异常就及时
21、发出短信询问,以确定该生是否需要经济帮助12。技术可以帮助各种教育装备自由接入在线学习平台,智能化定位、识别、跟踪、 记录学习者在灵活学习空间的学习数据,比如记录学习者的呼吸、心率、面部表情、语音甚至是脑电波数据等,观察和分析学习者的复杂学习行为模式,制定精细化的扬长个性的培养方案。3.学习个性化美国国家教育技术计划(2010)把个性化学习定义为自适应定步(Adaptive Pacing),即使教学符合学习者偏好,内容适应学习者兴趣13。大数据推动个性化学习方式兴起,教育先贤孔子所倡导的 “因材施教”正在成为现实。大数据改善学习的三大核心要素是:反馈、个性化和概率预测14。在大数据分析的支持下
22、,可全过程、全方位记录、跟踪和掌握千差万别的学习者的学习特点、学习需求、 学习风格,为学生设计灵活学习路径,动态适应和调整教学内容、时间、方法等因素,实施干预式教学,增强学生的学习效率15,让教学回归“以学为中心”的本真。Knewton 公司推出的适应性学习平台能够根据不同学生的学习进程、知识水平,即时调整优化内容供应,智能分析和推断学习者的学习困难、学习兴趣、短期目标并用模式显化,通过预测性分析引擎、建议引擎为师生提供学习建议。现在美国亚利桑那州立大学有一万多名学生在使用这个自适应学习平台,而且反馈效果优良。4.教学信息化大数据的迅速发展触发了更深层次的教学信息化。这场高等教育领域内发生的新
23、的革命改变了固有的高等教育教学系统生态环境,冲击了教师原有的工作方式和思想观点,促进了教育公平、优质、 均衡、创新、个性、灵活和开放,也对高校教师提出了知识技能方面的诸多严峻挑战和更高要求。大数据时代,高校教师由过去以个体创造劳动为主转变为个体和集体劳动相结合,因此,成立教师教学和科研协同发展中心,组建跨时空的专业共同体, 逐步推动教师专业化分工和精细化管理服务是大数据时代教师专业发展的必由之路。这就要求教师处理好分布式同事关系(Distributed Collegiality),为促进大学的两大主要功能教学和科研,每个人都要承担自己的职责,与他人分享自己的观点,批判式审视同伴,吸收他人的专长
24、和经验等16。教师要协调线上线下的教学内容,运用翻转课堂的教学模式,将课堂时间更多地用于会话商讨、反思辩论、项目协作等深度学习。教师还要适应大数据时代的新型师生关系,对技术变迁产生的新矛盾进行应对。学生自建虚拟学习社区,自我设计、监控、探索、发现学习的规律,培养创造力和实践能力。五、高教改革价值取向的实现路径如何利用数据驱动高教改革?路径决定成效。 高教改革价值取向的实现路径主要有四条:正确理念是基础,教师是关键因素,学习分析和教育数据挖掘是手段,技术服务是支撑,四者缺一不可,如下图所示。高教改革价值取向的路径实现框图 下载原图1.正确理念是基础用大数据分析驱动教学目前尚属新生事物, 其落地生
25、根是一项复杂的系统工程,需要树立正确的大数据理念。一是要培养“数据驱动文化”和 “文化数字化”的理念。大数据是一种技术,更是一种理念、一种思维方法。要承认“大数据是资产”,要深刻认识大数据对教育的颠覆性作用,牢固树立数据分析驱动教学的理念。二是形成“用数据说话、用数据管理、用数据决策、用数据创新” 的文化氛围17,助推教学管理从经验型、粗放型、 封闭型向精细型、智能化、视觉化转型。同时,要认识到用数据驱动教学并非要量化一切,对数据盲目推崇,变成“数据控”。因为信奉唯数据论会导致思维和决策的僵化,完全沦为数据的奴隶。须知大数据提供的只是一个重要的参考答案,直觉、创造力、常识和领域知识在决策过程中
26、的地位仍不可忽视18。而且,数据驱动教学并非是解决所有高等教育问题的灵丹妙药,只能自然地融入管理和教学系统,成为解决办法的一部分。三是要关注大数据应用所面临的技术挑战、制度和管理能力限制、伦理道德与安全问题。比如如何解决数据的互操作问题,统计基础相对薄弱的高校教师和管理者可能不具备挖掘数据的能力甚至对新技术变革有抵触情绪。尤其要从技术心理层面上关注教师的数据化生存问题。一方面,不少教师因为过度的技术压力(Technostress)、技术恐惧(Technophobia)而成为“技术迟疑者”“技术落伍者”或“技术抵制者”;另一方面,也要防止部分教师因为技术依赖(Technological Addi
27、ct)而走向另一个极端,变成“技术依赖者”或“技术成瘾者”19,这样就背离了技术辅助教学的初衷。同时,大数据也带来不少与个人隐私、信息渠道等相关的数据访问和安全、数据隐私和伦理难题。教育机构为了数据挖掘和分析从学生教育记录中收集、存储、分析和披露个人身份信息给第三方时,必须考虑隐私风险和法律问题。2.教师是关键因素教师是数据驱动教学的发起者和组织者。数据驱动教学能不能实现,实现的效果如何,高校教师起着决定性的作用。然而,大多数高校教师还没有察觉到大数据给高等教学带来的革命性影响,危机意识薄弱,缺乏大数据思维。高校应该帮助教师适应大数据时代的教学。(1)引导教师全面、理性地认识大数据在教与学变革
28、中的功用高等教学也要依赖大数据开展工作,大数据时代的教学已经进入到了数据密集型的新范式,教师要借助数据“睁眼”看教学。大数据不仅是一种工具,而且是一种战略、世界观和文化,将带来一场社会变革,应当以开放的心态、协同的精神来迎接这场变革20。笔者在 2015 年广东省高校大学英语教师教学科研能力提升研讨会上谈到,“我思故我在,我变故我在,我学故我在,我做故我在”21。 不妨套用一句,高校教师还需要“我数故我在”, 才能从容迎接大数据浪潮的洗礼。(2)要提高高校教师的数据素养(Data Literacy)数据素养是与评估素养、统计素养、信息素养、课程知识等紧密相关的,指通过收集、分析和解释所有类型的
29、数据(评估、学校风气、行为、印象、历时信息、共时信息等),把信息转化为可操作教学知识和实践的能力,以帮助确定教学步骤22。大数据时代,高校教师要掌握“跨界的知识”,如 Excel、苹果的Numbers、谷歌的 Spreadsheets 和 Fusion Tables 等统计工具,使用Socrata、Factual、Blogger、Wordpress、Typepad、 CSS、Java Script 等工具生成数据和数据分析工具。教师和管理者首先要成为数据脱盲者(Data Literate),了解如何通过阅读图标来追踪学生的进步;如何通过分析概率预测,给学生提供有针对性的学习建议23。当然,目前
30、对高等教育领域的大数据进行挖掘,解密学生学习过程的“黑匣子”,还是一项技术前瞻性的工作。教师可以通过参加与数据应用相关的校本培训、地域性专题进修、网络研修的方式提高数据素养,这应是新常态下高校教师的基本功和必修课。3.学习分析和教育数据挖掘是手段大数据在高等教育领域应用的两大关键技术包括学习分析技术和教育数据挖掘技术,这是因为教育数据中超过 85%是非结构化的数据24。传统的计算机无法处理如此量大且不规则的“非结构数据”,而大数据技术有强大的统计、机器学习和数据挖掘方法和技术,可以发现教育数据中隐藏的模式和构建预测模型。(1)学习分析2011 年,第一届学习分析与知识国际会议对学习分析(Lea
31、rning Analytics,LA)的界定是:“为了理解和优化学习和学习发生的环境,对学习者及其情境的数据进行测量、收集、分析以及形成报告”25。学习分析起源于商业分析,结合了教育数据挖掘、机器学习、人工智能、信息检索、统计分析技术、可视化、学习科学、心理学、社会学等多学科领域知识和技术。新媒体联盟地平线报告(2014 高等教育版)揭示了今后六项新技术将对高等教育产生重大影响,学习分析就是其中之一26。逐渐兴起的学习分析技术正在成为教育机构和教育研究者高度关注的新领域。学习分析有两大根本不同的功能:反思和预测27。德国亚琛工业大学开发了学习分析工具包。该工具包能支持教师在线反思自己的教学,
32、监测学习对象用法、用户特征、用户行为以及基于图形指标的评估结果,辨别干预和改进的机会28。Bright Bytes 学习分析公司的做法也值得一提。该公司把数据与教育资源结合起来,通知、 测量和改善学习效果。其推出的 Clarity 网络学习平台有 4 个分析维度(Classroom,Access,Skills, Environment,CASE)、21 项成功指标,并提供各种定制的报表29。英国培生集团的“课程精灵” 系统(Course Smart)、加拿大教育科技公司“渴望学习” (Desire2Learn)的学生成功系统(Student Success System)、美国密歇根大学的电子
33、导师系统(E2Coach)和奥斯汀大学的学位罗盘软件(Degree Compass)等都是学习分析的典型应用案例。学习分析的关键应用是预测学生的学习表现, 辨别早期的问题,进行干预。美国普渡大学课程信号系统(Course Signals)使用学习分析给学生提供实时反馈。该系统依据学生表现、学生特征、学习基础和努力程度,预测哪些学生将面临失败的风险, 用绿色、黄色和红色表示风险等级。然后,教师与有关学生展开面对面交流或者系统自动推送辅助性的学习资源30。(2)教育数据挖掘2008 年 6 月,第一届国际教育数据挖掘会议在加拿大蒙特利尔召开,讨论数据挖掘在教育中的应用问题。教育数据挖掘(Educa
34、tional Data Mining, EDM)作为新兴学科,运用统计学、机器学习、机器挖掘和算法等各种方法探究来自教育背景中各种类型的数据,并运用这些方法更好地理解学生和其学习的环境31。教育数据挖掘能建立学生特征模型,预测学生学习行为,监管网络学习过程,优化教学及课程设计,构建有效学习模式,进行教与学的评价,为页面推荐和智能化学习提供服务,也可用于网络学习学生流失分析,进行教学决策等32。加州大学圣巴巴拉校区开发的 Moodog 系统能帮助教师了解学生网络活动,尤其是与网络课程资源互动的情况;其产生的可视化报告方便学生与学习伙伴比较个人学习进展情况;该系统还能自动发邮件通知有关学生及时浏览
35、下载学习资源33。可汗学院的做法也非常值得借鉴:为了帮助学习者确定最适合自己所学主题的学习路径,可汗学院的教授们对学习者学习行为的数据进行挖掘,构建学习者体验模型,对线上课程进行评估。大型在线课程(比如慕课)也聚焦数据挖掘,将其视为提高网络课程的参与度和减少辍学率的有效武器34。(3)教育数据挖掘和学习分析的异同教育数据挖掘和学习分析有不少共同点。两者有相似的分析领域、分析过程和分析目标,都反映了数据密集型方法在教育领域的应用,都是通过改善评估,理解教育中出现的问题,做出计划和选择,进行干预35。教育数据挖掘和学习分析主要有八大应用领域,包括:学习者知识建模、学习者行为建模、学习者经历建模、学
36、习者建档、领域知识建模、学习组件分析和教学原理分析、趋势分析、 自适应和个性化36。Lin 和 Prez 的研究表明, 大多数适用于教育数据挖掘的技术方法也适用于学习分析,其中,预测、聚类和关系挖掘是最常用的方法,还有很多其他方法应用也比较广泛。 教育数据挖掘和学习分析常用的方法、目的和关键应用37,如表 1 所示。表 1 教育数据挖掘和学习分析常见技术方法 下载原表 表 1 教育数据挖掘和学习分析常见技术方法 下载原表 虽然教育数据挖掘和学习分析没有固定不变的区别,两者却有着截然不同的研究历史和研究领域。一般说来,教育数据挖掘侧重寻找教育模式, 发展新的算法,是自下向上方法;学习分析更关注在
37、教学系统中应用已知的预测模型,属于自上向下的方法。教育数据挖掘强调简化学习系统,寻求新的模式,修改算法;学习分析注重从整体框架上全面理解系统的复杂性。总体说来,教育数据挖掘和学习分析是互补关系。Siemens 与 Baker 仔细探讨了教育数据挖掘与学习分析的区别,如表 2 所示38。表 2 教育数据挖掘和学习分析区别 下载原表 4.技术服务是保障运用数据分析技术驱动教学有四个要素39:学院文化和领导力、教师在分析和决策方面的技术知识、高质量的数据以及对新技术的负担能力。当前普通高等院校由于资金限制,再加上大数据应用意愿不强,数据驱动教学缺乏顶层设计,信息孤岛普遍。而且,现有的大数据平台易用性
38、差,而垂直应用行业的数据分析又涉及到领域专家知识和领域建模,目前在大数据行业分析应用与通用的大数据技术之间存在很大的鸿沟,缺少相互的交叉融合,数据信息价值的作用难以发挥40。尽管如此,高校仍需要与时俱进,根据自身的教育定位、师生需求和资金情况,提供多方面的技术基础设施和服务支持,这是数据驱动教学的保障。那么,如何提供技术服务保障与支持呢?(1)改造现有的在线学习平台在利用大数据分析服务教学时,高校首先要对自身利用大数据支持教学的现状和需求有准确定位,再根据本校实情选择易操作的、快捷实用的大数据分析系统,嵌入到已有的数字化教学平台中;还要制定明晰的大数据使用规章制度;营造评估促学(Assessm
39、ent-for-Learning)而非评估问责(Assessment-for-Accountability)41的校园文化氛围;借助专业的数据公司提供大数据处理技术支持,不要让大数据成为教师的负担,让教师在一个相对安全、自信的环境下利用数据支持教学42,充分发挥大数据的分析驱动作用。(2)外部引进经济实力雄厚的高校可以选择购买现成的学习分析系统。比如 IBM 智能云教育系统能利用 IBM SPSS 预测分析技术,做出即时的“知情决策”(Informed Decision)。Blackboard 分析系统(Blackboard Analytics and Blackboard Analytics for Learn)是一套学习跟踪和记录系统,能提供仪表盘和报告给学生、教学人员和相关领导。现在自带分析软件的学习管理系统激增,这些新系统不但是开源的,还可以在云教育平台中运行,比如 Instructure、Canvas、Loud Cloud、Moodlerooms 等。(3)校企协同研发
