随着工业4.0的到来，人工智能、万物互联、大数据、信息爆炸等构建出了新的社会生态，新时代对创新人才的新需求正在推动教育体系的深刻变革，新时代呼唤时空灵活、优质高效和培养创新人才的个性化教育服务。

    未来教育呼唤以学习者为中心的计算教育学理论

    新一代学生作为数字时代原住民，习惯于信息技术环境中的学习方式、生活方式，呈现出全新的认知规律、认知风格和心理特点，教育研究者需要重新从多个角度审视、研究新一代的学习者特征；同时以创新能力为目标的新需求，也要求我们重新审视原有的教育原理，建立科学、系统的提升教育质量的教育动因系统，系统而非局部的进行教育变革；还要满足新时代对教育的个性化需求，建立新时代新的教育供给系统。以计算教育学为代表的、面向学习者为中心的个性化学习已成为新时代世界各国关注的重点，必将开启新时代新的教育研究范式和内容。

    新的生产力呼唤新的学习者。“努力让每个孩子都能享有公平而有质量的教育”是我们共同的愿景。从农业时代的原始的个别教育、个性化农耕教育，到工业时代的班级授课、规模化教育，再到第三次工业革命的灵活、多样、开放、终身的个性化教育，那么工业4.0时代的教育和学习者有什么特点，教育的动因系统、原理与机制有什么特点，个性化的教育有什么不同，已经成为世界各国关注的重点。2015年10月，联合国教科文组织国际互联网教育合作伙伴会议召开，明确提出要创建公平、动态、负责和可持续性的“以学习者为中心”的数字化学习生态系统。现阶段我们要积极应对大数据、人工智能等新技术、新产业、新业态等带来的新挑战，加快“以学习者为中心”的教学模式，着重培养学生的个性，让教育变革跟上时代，让我们培养的人不落伍于时代。

    未来教育需要大数据支持

    在《2030年可持续发展议程》提出的教育目标基础上，联合国教科文组织于2015年11月4日通过了《教育2030行动框架》，为实现2030教育目标做出具体规划，即“迈向全纳、公平、优质的教育和全民终身学习”。美国《教学2030》指出教学生态将发生变化：认知科学和技术的进步使师生能够进行沉浸式个性化学习，教师将结合脑研究的新发现和前沿技术改善教学，基于学生的学习风格和需求定制个性化学习方案；学习将集中于以批判性思维和问题解决、沟通技能、合作技能以及创造力和创新技能为核心的21世纪技能。德国、芬兰、加拿大、日本等都对未来教育提出了新的愿景和目标，《中国教育现代化2030》正在制订，世界各国关注的重点总结起来包括：学生学习的个性化、教师角色的多样化、基于脑与认知的科学研究、教育与学习方式的信息化、基于大数据的多元化评价、学生培养的学校—家庭—社区一体化等方面。这些目标和内容的实现都依赖于科学的依据。

    有关数据显示，有些地方仅初二年级学生中近视率近一半，22%的学生不愿意上学，15%的学生有严重厌学情绪，超过一半的学生在校外补课等这些问题直接影响到儿童青少年的健康成长，影响到每一个家庭的幸福，影响到我国人力资本的水平和自身长远发展的中坚力量。教育在一定范围内存在诸多问题，如“重知识、轻能力”“重智育、轻德育（缺少社会参与和实践）”“重结果、轻过程”“重传递、轻探究”“重统一、轻个性”等诸多矛盾。矛盾的本质在于大家仍依靠原有的经验和自身经历来诠释新时代教育的新需求，缺乏科学的数据支撑，难以刻画新时代学习者的特征；各级教育工作者对新时期教育的动因系统、教育原理缺乏足够的数据模型支持；教育体系研究的范式还停留在经验式的方法上，不能在现有基础上深入开展个性化学习。这些难题的解决亟待大数据的支撑和全新教育理论的研究。

    面向学习者为中心的计算教育学面临的机遇与挑战

    我国教育规模居世界首位，仅基础教育在校生就接近2亿人，教育不仅涉及学生，还涉及家长和社会，可以说和每个人都息息相关，如此大规模的教育必将产生世界量级的教育大数据。随着信息化程度的提高，这些数据还在以几何级的规模递增。前期教育信息化实践中已经积累了海量数据，这些数据一部分属于政府政务数据，一部分存储在各类信息化平台中。如何充分发挥已有数据资产的价值，挖掘隐藏的学习者特点、教育教学规律、落实个性化的创新学习，成为建设新时代人才强国的关键。

    建设互联网强国，为我国教育大数据行业提供了前所未有的独特机遇，这也对基于教育大数据的创新解决方案提出了更高要求，依托数据开展相关研究是当前我国教育改革的关键，计算教育学正当时。

    学习者特征模型的建立多关注认知，缺乏多维度、多侧面的动态个性学习特征库。基于大规模测评数据，再结合网络痕迹数据及通过可穿戴设备采集的脑状态数据，采用大数据分析方法建立模型、挖掘规律，将有望为从宏观、中观、微观三个层面构建学习者特征模型提供解决方案。

    教育质量的动因系统探究缺乏系统性，处于局部领域的部分变量的研究状态。随着教育技术和脑科学研究的迅猛发展，可以通过采集实时动态的课堂数据来补充横断研究数据的不足，更急需大数据的处理方法来刻画真正的动态模型，评估来自不同层面的因素对教育质量的直接和间接效应，帮助教育政策制定者和教育实践者针对薄弱环节提出提高教育质量的最优策略。

    个性化学习的内容度量与模型缺乏多视角推荐

    随着人工智能、大数据的蓬勃发展，教育大数据应运而生，各学科知识内容的人工标定已无法满足需求。基于教育大数据，发展自动识别技术来界定各学科知识内容及其关系迫在眉睫。另外，为了更好地满足当前环境下学习者的个性化学习内容推荐，急需利用新的认知诊断评估方法，对学习者在各学科知识内容上的掌握情况进行诊断，以帮助学习者构建个性化的学习路径和学习内容的推荐。

    大数据下的机器学习理论研究飞速发展，尚缺乏对教育的深度挖掘。传统的教育数据分析方法比较局限，主要依赖于局部数据的统计分析，信息挖掘的手段主要是采用基于降维的方法如因素分析、主成分分析等，而教育大数据本身具有多源异构特性，因此急需引入先进的针对教育大数据的分析方法。大数据下的机器学习方法已在机器视觉、自然语言处理，神经科学等方面发挥了巨大影响，可为教育大数据分析服务，尤其是实现对教育多源数据的整体分析，为研究教育质量的相关内容提供新的解决办法。因此急需引入以深度学习为代表的人工智能方法，从教育大数据中挖掘信息，实现个性化教学，为教育质量的提升提供有效途径。

    多层次、多领域的教育大数据为计算教育学理论提供丰富的数据源。多维度、多侧面反映学生发展和相关因素的立体数据为计算教育学提供了丰富的数据基础。

    大规模测评大数据——指在全国甚至全世界范围内开展的旨在诊断教育质量，为评价教育系统有效性开展的测评项目。

    课堂音视频大数据——随着教学活动的不断开展，基于音视频的教研无论是活动次数还是规模都已具有相当高的水平，因此基于音视频的教研活动已成为当前教育的常态，越来越多的课堂音视频数据以及听评课记录被留存。

    网络痕迹大数据——人们使用学习、社交和娱乐网络平台记录和分享彼此的活动和思想，不可避免地而且“非故意地”留下了与个人心理品质有关的大量网络行为痕迹。

    可穿戴设备大数据——可穿戴设备是能够延续性地穿戴在个人用户身体上，或能整合到个人用户的衣服、饰件中，并具备数据采集、处理、交互等能力的便携式电子设备。

    总之，计算教育学需要信息科学、教育技术学、教育学、心理科学、脑科学等相关行业协同合作、共同实现，因此构建新时代的计算教育学势在必行，进而对建立计算教育学的理论体系、技术体系、方法体系和实践体系开展深入研究。

    （注：作者张生、骆方分别来自中国基础教育质量监测协同创新中心，中国教育技术协会教育测量与评价专业委员会）