A. 如何通過抓取教育大數據來深化課堂教學改革
現代信息技術的發展為大數據的收集和分析提供了無限的可能，大數據時代的這一趨勢也對教育產生了巨大的影響：一方面，在科技理性的指導下，通過多維度收集學生行為的數據並進行模型建構，可以對學生的學習行為進行預測;另一方面，大數據時代的人文主義轉向使人們更關注教學活動的適應性，教育大數據的挖掘和利用可以更好地實現適應個人需求的定製化教學。
國際數據公司(IDC)認為大數據時代數據有4大特點——數據的規模大、價值大、數據流轉速度快以及數據類型多。大數據的挖掘和利用對教育——特別是課堂教學——產生著深遠的影響。學習科學家索耶認為：越來越多的學習將經過計算機中介發生, 並產生越來越多的數據,我們有必要運用這些數據分析什麼時候有效的學習正在發生。所以數據挖掘可以用於探究行為與學習之間的關系,如學習者的個體差異與學習行為之間有何關系,不同行為又會導致何種不同的學習結果等。2012年美國發布《通過教育數據挖掘和學習分析促進教與學》(Enhancing Teaching and Learning through Ecational Data Miningand Learning Analytics)提出大數據時代教育數據的特點：具有層級性、時序性和情境性，其中數據的層級性指，既收集教師層面的數據也收集學生層面的數據，既收集課堂數據也收集活動數據，為後期模型的建立提供了多維度的資源;數據的時序性是指，數據是實時的、連續的，為材料的前沿性提供了保障;而數據的情境性是指，數據是基於真實情境脈的，保證了模型的信度。
大數據技術能夠促進以學生為本的學習，數據不僅僅是科技理性指導下收集數據和擬合成模型，並針對學生的群體行為做出預測判斷，還可能在固有模型的基礎上，通過診斷學生在課堂中的行為表現，對固有模型進行修改，使課程內容更加適合學生的長尾需求，實現個性化教學。大數據的利用可以支持對教育活動行為的建模預測，還可能支持教育實踐中的適應性教學。前者是後者的基礎，後者是前者的深化。
建模與預測導向的大數據應用
大數據時代數據促進教育變革的方法之一是收集和分析處理數據，並進行預測。現如今，由於數據記錄、存儲與運算的便捷性，海量的、多層次的數據可以便捷地加以收集，由隨機抽樣帶來的誤差因此減小，建模和預測可以基於全數據和真實數據，因而就更為精確。大數據時代通過探求海量數據的相關關系獲得盈利的最成功的案例是亞馬遜的市場營銷，亞馬遜收集讀者網上查閱行為和購買行為數據，建立讀者偏愛閱讀模型，預測讀者購買的群體行為，實現書籍的推薦。近幾年，教育研究的對象逐漸關注學生的學習行為，其背後是一種學習觀的轉變，學習被視為一種識知的過程(knowing about)，識知是一個活動，而不是將知識作為一個物品加以傳遞。識知總是境脈化的，而不是抽象的和脫離於具體情境的。識知是在個體與環境的互動中交互建構的，而不是客觀准確的，也不是主觀創造的。所以，學生的行為活動數據被認為是可以反映學生在學習過程這一情境化的動態變化進程中的情況。海量、多層次、連續的行為數據在收集後被擬合成模型，實現預測，如學習管理系統(LMS)的運用。然而，由於建模和預測依賴的基本原理為數理統計，其預判對象主要是學生的群體行為。
1.案例分析
學習管理系統(Learning Manage System)簡稱LMS，是基於網路的管理系統平台，用於監控學生學習活動行為，識別和預測學困生(student at-risk)，並為其提供相應的幫助。大多數LMS包括5個部分：有和課程相關的學習資料、用於確保學生提交作業與完成測試的評價工具、用於溝通的交流工具(如郵件、聊天室等)、用於確保教師記錄和存儲學生的學習活動並發布活動截止日期的課程管理工具、用於幫助學生學習回顧和跟蹤學習進程的學習管理工具。在高校大量使用的BB(Blackboard)平台就是一個常見的學習管理系統。系統記錄了學生參與選修的網上課程的種類、在線時長、閱讀和瀏覽的文章數量，反映學習者的學習行為。2008年，Leah P.Macfadyen和Shane Dawson教授在加拿大不列顛哥倫比亞大學通過分析5個本科班級使用BB平台選修生物課的數據，建立了預測模型。平台記錄了學生課程材料的使用情況、參與學業交流情況和完成作業提交和考試情況。大數據時代教育數據記錄的層級性在這裏充分顯現，課程材料的使用包括記錄在線時長、郵件的閱讀時間、郵件的發送時間、討論信息的閱讀時間等。參與學業交流記錄了發布新討論的時間、回復討論的時間、使用搜索工具所花的時間、訪問個人信息的時間、文件的瀏覽時間、瀏覽誰同時在線的時間、瀏覽網頁連結的時間等等。評價模塊記錄了評價的閱讀時長和提交評價的時間等。通過應用統計工具描述散點圖，發現了在LMS記錄下學生在線時長和學業表現呈相關關系。在進行多元回歸時，研究者發現，學業成就處在後四分之一的學生在線時間略長於平均時間，而學業成就處於前四分之一的學生的在線學習時間低於平均水平。緊接著，研究人員為了作出預測，利用邏輯斯特回歸生成了一個預測模型，通過收集學生的新的行為數據，預測學生是否處於真正參與了學習活動，並得出如下結論：討論舉行的次數、郵件信息發送量和測評的完成情況這三個維度構成的模型可以預測學生的學業水平情況。
大數據時代，通過探求學生行為與學業水平之間的相關關系，建立模型，實現預測，能夠對課堂教學產生重要影響。然而，數據建模過程中，為了保證模型的效度與信度，極端個別數據被處理，使模型只能實現群體行為的預測，不能針對學習者個體實現定製化和個性化。
2.建模與預測的不足
數據建模與預測的背後充分體現了實證主義的思想和方法。19世紀上半葉，以孔德為代表的社會學家提出了實證主義的基本信條：利用觀察、分類，探求彼此的關系，得到科學定律。實證主義的哲學思潮到20世紀60年代，演變成一種科技理性，實踐知識逐漸染上了工具性的色彩，專業活動存在於工具性的解決問題之中，所有的專業活動都被視為釐定目標、套用已知的方法解決問題的過程。這一期間，大量的學科被系統地整合發展，甚至包括教育學和社會學這樣的「軟科學」。用證據解決未知的問題，用數據預測未來一時成為潮流。
學生活動行為數據的建模尤其側重體驗實證主義的思想，模型注重成功教學行為的共性，忽視教師與學生群體的獨特性需求時，科技理性的主導有可能使課堂教學被視為獨立於真實境脈的模塊，只要教學行為取得成功，就會被數據抽象化，形成模型，對學生群體行為產生預測。科技理性有賴於人們認同的共有目標，教學實踐目標的釐定極其復雜，包含巨大的不確定性和獨特性，甚至，由於社會角色的不同，還會帶來價值沖突。一個穩定的、為所有人所認同的目標不復存在，依據科技理性精神和方法推理預測的行為模式並不可能滿足每一個人的需求，教育變革在大數據時代下出現新的取向。
從數據模型到支持適應性學習
在數據建模的基礎上實現教學的適應性是大數據時代促進教育變革的另一成果。數據建模及行為預測依舊屬於科技理性指導下的行為模式，可能會造成忽視學生個性需求的現象，而個性化需求正是知識社會的重要特徵，個性化的教育也受到教育研究者、政策制定者和教育實踐者越來越多的關注。教育系統設計專家賴格盧斯認為，教育投入沒有達到效果的一個很重要的原因是忽視了社會的轉型。「社會已經從工業社會步入了資訊時代，勞動力市場對人才的要求不再是工業時代在流水線上操作的工人，而是具有創新性思維、決斷力強的知識性人才。」教學面臨從產生清一色的勞工轉向產生有判斷力和適應性能力的人群。2010年，OECD的報告《The Nature Of Learning》中指出，適應性能力(adaptive competence)是21世紀核心競爭力，包括在真實的境脈中靈活並有創造力地使用有意義的知識和技能。吳剛在《大數據時代的個性化教育：策略與實踐》中提出了個性化教育的必要性和必然性，指出「只有利用信息技術所提供的強大支持，才有可能真正實現個性化學習」。大數據時代的來臨，正是個性化教育發展的一個良好契機。2012年，美國頒布了《通過教育數據挖掘和學習分析促進教與學》，提出大數據時代，通過收集在線學習數據，對數據進行分類和探尋數據之間關聯的方式挖掘數據，形成數據模型。通過學生行為和模型的互動，形成適應性學習系統。概言之，我們可以以對行為數據的充分利用為基礎，改變教學的內容和進度，構建適應性評價和教學系統，充分實現教育的定製化，滿足學生的長尾需求。
1.案例分析：
適應性教學系統又稱適應性學習系統，(Adaptive Learning Support System)，簡稱ALSS系統，強調基於資源的主動學習，認為學習不是知識的傳遞，而是學習者的自我建構。自上世紀90年代以來，研究者開發了不少適應性學習系統，如1998年De Bra開發的AHA系統，2003年，Brandsford和Smith開發的針對任務型學習的MLtutor系統，以及近幾年頗受關注的翻轉課堂(Flipped Classroom Model)簡稱FCM系統。
內容傳遞模塊：傳遞相關知識與信息支持學生的學習。
學習者資料庫：存儲學生在參與教學活動中的相關行為。
預測模塊：包括學生信息和學生行為數據，跟蹤學生的學習，並做出預判。
顯示模塊：為學生生成行為報告。
自適應模塊：根據學生行為生成的報告，反饋到預置模型，為模型做出相應的改變，使之更符合學生。
干預模塊：使教師、系統管理者和領導可以在系統運行時實施人為干涉。
學習者學習相關學科內容時，學習行為被記錄跟蹤下來，學生的學習行為數據被傳送到後台，記錄在學習者資料庫內，作用於預測模塊。預測模塊通過改變內容傳遞模塊，再次作用於學習者。在整個過程中，教師、教學管理者起干涉作用。
適應性學習系統是一個交互的動態系統，系統往往會提供給學生一些學習行為建議。奧地利針對學生的問題解決的過程設計了一個適應性學習系統。適應性學習系統的第一步是教育數據挖掘(ecational data mining)，簡稱EDM。數據挖掘的過程包括數據收集、數據預處理、應用數據的挖掘和詮釋評價發展結果。Moodle提出了CMS數據挖掘系統(Course Management System)。研究者先使用原始數據進行建模，第一步是原始數據的收集，原始數據大約包含2007年73名用戶產生的28000活動例子，2008年97名用戶產生的265000份解決問題的案例和2009年45名用戶產生的115000個活動案例。除了記錄學生解答問題時產生的數據，原始數據還收集了學生的信息、問題的信息和解決問題的步驟;在對數據進行分類後，歸納出問題解決的類型，利用很擅長擬合連續數據的Markvo Models(MMs)的一個子模型DMMs擬合了如上的連續性數據，通過添加判斷學生學習行為的結果模型和一系列監控和調節模塊，構成了整個面向問題解決的適應性系統。當學生使用這個模型時，模型會根據學生的行為數據為學生提供他們所偏愛的解決問題的過程與方法。
除了適應性教學系統，還有適應性評測系統。LON-CAPA(Learning Online Network with Computer-Assisted Personalized Approach)是一個計算機輔助的個性化網路學習測評平台，平台不提供課程設計和課程目標，而是一個教學工具。CAPA通過後台記錄學生的基本資料，學生參與的互動交流、學業情況，針對學業課程中的疑難點，提供個性化的考試資源。
2.適應性轉向的意義
在大數據時代，科技理性指導下的模型預判在面對結構不良的問題時顯得應對能力不足。科技理性指導下的數據建模忽視學習的真實境脈，只能支持群體行為的預判，模型的推廣可能會使人們忽視其實踐成功背後的個體經驗與具體情境，從而導致科技理性與哲學思辨對抗。然而，完全依靠哲學思辨和經驗進行教學不僅不利於教育學科系統理論性的發展，也不利於課堂實踐的管理與教師的培訓。唐納德·A.舍恩提出了一種適應性思維模式。他指出：「如果科技理性的模式在面對『多樣』的情境時，是無法勝任、不完整的，甚至更遭的話，那麼，讓我們重新尋找替代的、較符合實踐的、富有藝術性及直覺性的實踐認識。」適應性學習是在系統理論知識的指導下，針對個體差異，使學習內容和活動高度個性化的學習方式。
適應性平衡了理性與經驗的兩難，英國學者Hargreaves(1996)首次提出基於證據的教育研究向醫療診斷學靠攏。臨床診斷學和教育的相似之處在於，他們都要面對變動不居、極其復雜的環境，在這樣一個結構不良的系統中，充分意識到客體(患者或者學生)的獨特性與共性，利用系統的專業知識解決問題。
Ralf St. Clair教授在參考醫學臨床實踐研究的三要素後提出基於證據的教育研究的三要素——研究的證據、教育工作者的經驗、學習者的環境與特點。其中，行為預測關注的是研究的證據，而適應性學習系統的建設則關注的是教育工作者的經驗和學習者的環境與特點。
從預測行為到支持適應性教學的轉向，是一種人文主義的轉向，教育研究的重點從關注研究的證據走向關注教育工作者的經驗與學習環境特點，關注以證據支持個性化學習的實踐變革。證據不再是其在科技理性時代所處的指導決策的角色，而是被視作一種資源，教育工作者在大量的基於證據的課堂教學決策中找尋最適合自己特點和學生特點的方式，推進課堂教學流程。也就是說，大數據的更重要價值在於支持適應性學習，滿足個性化學習和個性化發展的時代需要。數據的預測功能依賴於大數據收集數據的全面性與處理數據的便捷性，根據統計學原理對群體行為做出預測，一定程度上弱化了個體特徵和具體情境。其主要指向行為預判。而適應性是在模型與客體的交互作用上改變模型，如圖3所示，數據的適應性運轉模型比預測模型多了一個循環(loop until)系統，使其更加契合個人需求，其主要指向實踐改進。預測是支持個性化學習的基礎，而支持個性化學習是預測功能的深化和轉化——從整體人群到個體學習者、從理論模型到實踐策略的轉化。
分析與啟示
大數據時代由於數據量大，數據收集與攜帶便捷，使海量學生行為數據被挖掘、收集，通過數據建模對學習者行為的分析變得比前大數據時代更為全面和可靠。數據時代在數據的挖掘和預測上固然潛力十足，但是大數據時代更多的價值是滿足學習者的適應性長尾需求，在預測行為的基礎上，修改教學模式，使之個性化與定製化。從數據建模走向支持適應性教學，支持對象從群體轉向了個人，對教育活動的影響從對行為的認識轉向了教育活動的實踐，從科技理性指導下的去境脈轉向了基於真實情境的教學活動。
走向適應性，不僅改變人類行為方式，更重要的是改變了認知方式。前大數據時代人們在科技理性的指導下完全被數據證據左右(driven by the data)，教師和學生、教育決策者和學校形成傳統社會契約關系，當事人把自己百分之百地交給專業工作人員，而專業工作人員遵守契約，對當事人全心全意地負責，從而使專業工作人員享受至高無上的壟斷性地位。大數據時代，教師不再是知識的控制者，他通過參與學生的學習活動，根據學生的先擁知識和認知特點、個性需求，不斷地調整教學步驟、教學進度和難度。學生不用完全將自己有如病人交付給醫生一般完全託付給教師。在學習的過程中，通過與教師的互動交流，在教師的協助下，成為自己學習的主體，控制並對自己的學習負責。由於教師精力有限，大數據時代下網路計算機輔助學習系統可以為教師和學生提供輔助指導的機會。
盡管如此，一方面，我們要擁抱大數據給我們帶來的便捷的生活和高質量的教育，另一方面，我們需要保持警惕和防止因果關系和相關關系的誤用，並且維護數據安全。
在推理方面，教育工作者需要警惕將相關關系和因果關系誤用，以Leah P.Macfadyen教授的前述案例為例，BB平台在線時間的長短和學生的學業成就有相關關系，而非因果關系，成績優異的學生在線時間低於平均在線時間，但不能說低於平均在線時間的學習導致學生成績優異而要求學生減少在線學習時間。
此外，在信息安全方面，學生和教師的大量信息被收集和使用，在使用的過程中，必須制定相關私隱保護法，保證信息的安全，警惕數據濫用。學生的行為數據也不可以作為教師教學評優的依據，讓大數據真正成為支持教學變革、提升教學效能、促進學生發展的手段，而不是控制教師和學生的工具。
B. 教育大數據分析的三大方法
一、常用大數據分析方法
1、描述性分析
這是業務上使用最多的分析方法，也是最簡單的數據分析方法，為企業提供重要的指標和業務衡量方法，可以通過企業各種數據獲得很多客戶的情況，例如客戶的喜好，使用產品習慣等。
2、診斷分析
做好描述性分析之後就可以進行診斷分析了，主要是通過評估描述性數據，診斷分析工具可以使數據分析對數據進行深入分析，並深入數據的核心，一個設計良好的數據分析工具可以集成數據讀取、特徵過濾和按時間序列進行數據鑽取的功能，從而更好地分析數據。
3、預測分析
預測分析是用於預測未來事件發生的可能性，一個可量化值的預測，或者事件發生時間點的預測，都可以通過預測模型來完成，預測模型也是一種重要的方法，在許多領域得到應用。
4、指令分析
數據和復雜性分析的下一步是指令分析，指令模型可以幫助用戶決定應該採取什麼措施。