顾小清等：教育数字化转型及学校应变

       教育数字化转型，兼具了产业数字化转型的共性与教育生态特有的复杂属性。一方面，教育数字化转型包含数据参与到生产、分配、交换的过程，也面临着如何实现数据的流转、挖掘，与其他要素融合产生教育价值的机遇与挑战。另一方面，推动教育数字化转型在学校教育教学中的有效落实，需要秉持“需求牵引、应用为王、服务至上”原则，在数字技术的支持下，从区、校管理者和师生的实际需要出发，深入教育教学业务场景，实现教育数据融合治理与价值发现，为利益相关者提供多样化的个性服务。

建立数字轨迹，激活数据价值

       数字轨迹是实现个性化服务目标的数据基础。数字轨迹关涉教育领域中全要素、全业务、全流程的数据关联与融合。以人工智能教育大脑为代表的教育数据中台和智能分析引擎，作为学校治理、教学实践、教研评价等教育业务场景全面数字化转型的关键数字技术，需要长周期、海量的教育数据支撑。

       当前的教育数据以静态的、短期的、结果性数据居多，动态数字轨迹构建仍有较大缺口。由于缺乏数据思维和数据资产意识，加之人力监督成本过高，教育数据问题日益凸显：（1）标准不一，数据互通共享难；（2）覆盖维度还不全面，数据可利用性低。

       面对数字化转型的重大机遇，亟须突破伴随式数字轨迹采集瓶颈，激活数据价值。当前数据中台技术在其他行业领域赋能业务场景、产生业务价值的优势日益凸显。教育数据中台技术的运用可以低成本方式记录长周期的数字轨迹，实现学生成长轨迹“一生一档”，教师发展历程“一师一档”，学校管理“一校一档”，落实统一的教育数据标准与规范，并对数字基座中海量教育数据进行结构化的教育含义标注，最大程度激活不同教育应用与平台间的数据融合互通，解决“巧妇难为无米之炊”的“数据原材料”问题，为根据实际教育场景而提供的各类教育个性化服务提供丰富的数据基础。

深入领域模型，打破数据“黑箱”

       领域知识驱动是实现数字化转型的路径。个性化服务的实现需要基于教育数据的再生产、再加工，而智能分析引擎则是数据生产加工、挖掘数据价值的重要支撑。智能分析需要基于教育领域知识模型来实现。通过建立教育领域知识模型，将各类数据与教育含义关联，以发挥数据价值。换言之，领域知识模型作为智能分析引擎的关键内核，能够将非结构化的教育概念转为结构化的教育含义，再把教育含义与数字轨迹关联，实现教育概念的数字化表征。从面向的主体来看，常见的模型主要围绕学生成长、教师发展、区校治理等。从建构模型的过程来看，包括教育理论模型构建、教育数据标签化处理、教育智能模型的分析与决策等。

       当前数字技术在教育领域更加关注教育人工智能算法模型的构建，相对缺乏对各类教育场景相应理论模型的深入研究。通用算法构建的智能模型更多面临着分析结果和算法缺乏可解释性、难以适配教育场景需求等挑战，甚至可能产生引导教师、管理者采取错误决策的风险。面对“教育教学全过程中产生的各类规模化数据如何与学科专业知识、学生认知心理发展水平、教学法内容关联”的难题，需要深入教育教学业务场景，为各类教育场景中的数据赋予教育含义，建立教学、教研、教育管理、教育评价的各类教育理论模型，让数据中心的数字轨迹“活起来”，为多维度融合的教育数据智能分析等个性化服务提供理论模型支撑，增强教育智能模型的可解释力。

提供个性服务，发挥数据智能

       个性服务是教育数字化转型的目标。教育数字化转型的落地应是以个性化服务重构教学活动的组织形态。通过发挥教育数据价值，赋能教、学、管、评、研等不同用户的多样化需求，实现教育教学实践各类场景的个性化服务与应用，颠覆传统的教学组织形式，创新“人机协同”的教学实践模式。

       数字化技术与教育的深度融合，将使更多教育领域知识模型赋能个性化教育服务。学生学习场景的个性化、多元化也必然产生教师变革教学模式的新需求。教师教学模式的数字化转型不仅是智能技术支持下的课堂教学模式创新，未来会主要以多模态数据的分析、决策等个性化服务为核心，转向“人机协同”课堂的系统性变革。

       尽管当前的教育数字化服务与应用初具形态，但在初步实践探索中仍暴露出一些问题。比如：（1）应用场景零散，深入教学业务场景的好用、易用、契合不同教育用户需求的服务和应用缺少；（2）数据要素的挖掘力度和深度不够，提供的分析刻画、决策建议等个性化服务浅层、通用，难以超出教师的常规经验认知，没有充分起到“人机协同”智能决策的作用。