核心揭示：教育大数据是现在教育领域关注的热点话题，教育领域每天都产生出大量的数据，如学生的基因数据、行为数据、人格特点数据、学习过程数据、学习状态数据等，在每天的课堂上教师和学生的互动中，还有各级教育机构也在产生大量的数据，如何更充分地挖掘这些数据背后的作用和意义，怎样才能更好地把握数据对于促进教育质量提升，促进教育公平的价值，是当前教育大数据应用面临的真实问题。
2017年8月14日—15日，首届京师教育大数据挖掘与应用年会由北京师范大学中国基础教育质量监测协同创新中心发起，教育部基础教育质量监测中心、英国剑桥大学心理测量中心、北京师范大学互联网教育智能技术及应用国家工程实验室、北京师范大学中国教育与社会发展研究院主办，中国教育技术协会教育测量与评价专业委员会、科大讯飞股份有限公司协办。会议展示了教育质量监测与评价领域大数据研究和实践的丰富成果，为学校、科研机构、企业之间的深度合作搭建桥梁，为我国教育大数据领域的发展助力。
教育大数据挖掘的国际进展：
更好地教、更好地学、更好地管
教育大数据涉及教育数据尤其是过程性数据的采集方式，数据的处理与分析方式，如机器学习、自然语言处理、语音图像识别、视频处理等，数据的呈现方式，如数据可视化、个体和群体画像技术等多个方面。
国际当前教育大数据研究的重点之一是利用大型社交网络数据来评价人心理状况与预测，传统心理特征的评价主要是依靠心理测验的量表。正如剑桥大学测量中心主任约翰·鲁斯特（John Rust）教授在会议开幕式上说：“十多年前，我们从因特网上收集了600万人的特征，并对所在学院解释说这是非常重要的数据。当时有很多人还不相信地问这些数据有什么用啊？但是事实证明这些数据很有用，现在发现这些数据可以做非常好的心理的测量，用来分析一个人各方面的特征。”
来自美国斯坦福大学商学院的迈克·科辛斯基（Michal Kosinski）教授研究发现，只需要用户在社交媒体上的227个点赞的行为就能够准确地判断出用户的性格特征。将此类方法用在教育中，可以基于学生的网络痕迹对学生的人格、兴趣、潜能、价值观以及心理健康等进行预估。同时，还可以基于学生学习时的视频录像，根据学生的喜怒哀乐等情绪状态，对其学习状态和效果进行即时判断，由此，2013年他曾入选“大数据50位最具影响力人物”。
西澳大学教育学院的安朱·肯顿（Andrew Kyngdon）教授分享了使用新的神经网络模型提升英语作文自动化评分效果的经验。通过大数据挖掘技术从过程性、表现型数据中评估学生的认知能力和素养，最常见的就是对作文的自动评分。利用学生学习中的过程性和表现性数据，可大大提升评价的真实性和准确性，而人工评分效率低、成本高、误差大。
大家讨论还聚焦在测量技术和大数据技术的结合上，一是在命题领域，采用机器学习技术对人工命题的规律进行探索，从而能够实现自动化命题。来自剑桥大学心理测量中心的艾登·罗伊（Aiden Loe）博士报告了使用机器学习算法自动生成人格测验题目的研究。二是游戏化测评方式的应用，测量学家还希望创设一些能够还原真实生活的测验情境，让被试身临其境地解决问题。剑桥大学戴维斯蒂维尔（David Stillwell）教授分享了他们把传统的智力测验放在游戏情景中的研究，探索了如何对被试与情境的频繁互动过程中产生的海量数据进行分析，实现对被试的准确度量，这更需要人工智能工程师和测量学家的进一步紧密合作。在教育测量领域还有一个重要的尝试，就是开发自适应学习系统，哥伦比亚大学统计学系的应志良教授基于决策论设计了推荐学习模型。基于考生水平给予最恰当的测试题目，在较短的时间内实现对考生的准确测量，并且给予最恰当的学习资料来提高学习效率。
教育大数据挖掘的展望：
研究规律形成教育智慧，服务教育过程促进变革
与会专家们通过两天密集的思维碰撞，形成了以下的一些共识：
首先，多地域、多学科研究领域人才的协同,实现教育质量监测大数据的挖掘。随着教育质量监测过程性数据收集系统的不断完善，未来教育质量监测数据将会以几何级的规模递增，而同时大数据不断积累和开放过程中，不同国家之间、不同学科领域之间的协同合作、从多角度对教育数据挖掘，寻找学习、教学、管理过程中的规律，利用这些规律形成机器的教育智慧，从而进一步服务于教育过程,促进教育变革的顺利进行。
其次，教育质量监测大数据分析结果与教育改进服务紧密结合。教育质量监测大数据挖掘直接导向应用，在教育各个层面上实现改进。促进学生“更好地学”，通过对学生日常学习数据的分析，促进个性化的学习。从纸笔测验向基于云计算的网络测试发展，最终实现基于大数据挖掘技术的个体化实时监测，根据监测结果给学生提供更加个性化的学习材料。同时也可以促进教师“更好地教”。通过为教师提供学生学习过程和教学过程的评价数据，促进教师改进教学，针对学生的不同特征进行因材施教。促进教育管理者“更好地管”。为教育管理者提供更多、更全面的数据，为其科学决策提供更有力的支持。
再其次，教育质量监测大数据专门人才进行培养。随着教育质量监测工作的不断推进，各省、市教育质量监测机构纷纷建立，人才缺口巨大，特别是在大数据挖掘方面的人才极缺。作为一个学科交叉、复杂的研究领域，协同各高校和多学科的力量，培养大批专门人才是本领域未来发展的基石。传统的教育专业院校在传统的教育测量、教育统计专业的基础上，增设新的专业方向，扩大招生数量，或面向教育质量监测实践者开设大数据相关课程，是突破发展瓶颈的重要因素。
最后，教育大数据的开发、应用上仍面临一些问题，例如如何进一步实现测评工具的丰富性、科学性，可视化展示实时数据分析结果，对监测采集结果深度挖掘，为教育决策提供及时反馈，扩大教育大数据对监测的成效，同时加强对教育数据的分析、处理以及对学生综合素养的测评进一步普及等。收集的数据很多是学习者学习过程中的个人数据，如何避免对于个人隐私的侵犯，实现研究伦理和技术发展的平衡，也是未来要着力解决的问题。
（本报记者 黄蔚 通讯员：辛涛 张生，单位：教育部基础教育质量监测中心，中国基础教育质量监测协同创新中心）
