中外教育大数据前沿研究进展.docVIP

中外教育大数据的前沿研究进展 　　2017年8月14日-15日，首届京师教育大数据挖掘与应用年会召开。国内外40余位从事大数据分析与挖掘的专家在会上做了专题报告，来自各高校、科研机构、教育行政部门、企业等机构的700余人参会，同步收看会议直播的机构、单位和个人达到2000个。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。 　　本次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协办。 　　国际进展 　　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。 　　当前国际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与预测人的心理状况，传统心理特征的?u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John Rust 教授在会议的开幕式上所说：“十多年前，我们从因特网和Facebook搜集了600万人的特征，之前没有这么大的数据基础。当时有很多人质疑这些数据有什么用，我们现在发现，这些数据可以做非常好的心理测量，可以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Michal Kosinski 教授，曾入选DatalQ及IBM评选的“大数据50位最具影响力人物”，他研究发现：只需要用户在Facebook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。 　　另一个研究重点是：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，最常见的是对作文的自动评分。利用学生学习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。西澳大学教育学院的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。 　　还有一个研究是测量技术和大数据技术的结合。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。三是推荐和适应算法。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，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。自适应学习的兴起，源于网络上的学习课程和测试系统的数据积累，研究者经过数据挖掘对知识脉络进行了梳理，构建了知识点之间的概率模型。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。 　　应用进展 　　中国学者围绕大数据的理论与实践，分别从教育大数据的不同方面进行了研讨和分享。 　　中国基础教育质量监测协同创新中心常务副主任辛涛教授指出：“教育质量监测与评价是一个复杂的系统，需要多领域、多学科的协同，多手段和多技术的整合。从中心的建立伊始，我们就在试图探索信息技术如何推动和促进监测和评价的提升，推动监测工作的发展。” 　　在过去10余年的探索中，大数据的应用主要形成了三个方面的成果。 　　第一，用于常态、大规模监测评价的教育评价云平台的建立。云平台包括从数据的采集、数据的管理、数据结果的呈现、内含测量评价的标准以及采集过程的管理等内容。包括题库系统、监测实施进展管理系统、信息上报及抽样系统、电子化测试系统、报告自动化系统和标准划定系统六个系统，将教育质量监测的所有环节和步骤信息化，实现功能和数据的整合，提高教育质量监测的质量和效益。 　　第二，面向过程性、表现性的特色测试系统的建立。探索复杂的非结构化数据的分析是中国基础教育质量监测协同创新中心近年来重点突破的技术难点。目前已建立了包括演唱测试系统、文本自动标定系统、作文自动评分系统在内的特色测试系统，并开展了教学实时动态监测系统的小范围试点。 　　第三，决策可视化系统的建立。为了将国家监测结果合理