一、大數據科學與教育發展

(一)大數據科學的興起

在當今時代，信息化技術的迅猛發展以及互聯網的普遍應用產生了前所未有的海量多樣數據。維基百科將此類用傳統數據處理方式無法處理的大量的、復雜的數據稱之為“大數據”?！度A爾街日報》在2012年2月的一篇文章中，將大數據列為引領人類走向繁榮的三大技術變革之一。2012年3月，美國奧巴馬政府宣布投資2億美元啟動“大數據研究和發展計劃”，將“大數據研究”上升為國家意志。同年，聯合國全球脈動(UN Global Pulse)組織發布《大數據促發展：機遇與挑戰》一文，指出大數據時代已經來臨[1]。

大數據科學的興起是信息時代的產物。Jim Gary在《第四范式：數據密集型科學發現》一書中將數據密集科學(大數據)作為繼實驗研究(實證式)、理論推演(理論式)、電腦計算(仿真式)之后的科學研究第四范式[2-3]。與傳統數據不同，大數據具有4V的特征，即巨量(Volume)，指數據不斷增加的、很容易積累到百萬兆字節甚至千兆兆字節的數據；迅變(Velocity)，即及時處理大數據的必要性；多樣(Variety)，即數據形式的多樣性；真實(Veracity)，即提供信息的可信度，以及據此決策的可靠程度[4]。

數據處理自18世紀末期統計學興起時就存在，并隨著技術的發展不斷地進化[5]。Thomas H.Davenport認為數據分析經歷了三個時代[6]。分析1.0時代是伴隨著計算機技術的誕生和發展而產生的。在1.0時代，數據分析的重點主要集中在數據收集和準備階段——這一階段往往耗時最長，但數據的規模卻并不大。數據分析報告往往側重于對于過去的陳述，但缺乏解釋以及預測。在互聯網和社交媒體產生之后，數據分析進入了2.0時代。在分析2.0時代中，大數據已經和傳統的“小規模數據”區分開來。大數據的來源不再僅限于企業內部的數據，而是擴大到了整個網絡。為處理這些大量而多樣化的數據，人們研發了多種新的數據處理軟件和方法。在分析3.0時代，數據來源不再局限于互聯網，而是拓展到物聯網，將數據處理的威力拓展到幾乎無邊無際的“數據宇宙”。

從數據分析的時代發展中可以看出，信息技術的發展促使了大數據科學的產生，而大數據科學不僅改變了傳統數據分析的數據來源，也影響了數據分析的模式。與傳統的數據分析相比，大數據科學不再局限于對過去的描述和解釋，更側重于對未來的預測。在大數據科學中，非結構化數據中蘊含著的價值也被挖掘出來。這種價值存在并非是被預先設計的，而是通過計算被發現的。因此，在大數據科學范式中，不依靠預設的模型(Model)和小樣本，而是依靠全樣本數據，通過計算發現“模式”(Pattern，或“樣式”)。因為模式具有整體關聯性和非凡洞見性(理解力)，所以更具客觀性和智慧性。

雖然國際上人工智能研究已有60多年歷史，但把數據與智慧聯系起來的研究則不到20年，而且是由于知識管理、數據挖掘研究而引發的。中國科學院顧基發院士(著名運籌學與系統工程專家，曾為錢學森副手)于2013年撰文考證了數據—信息—知識—智慧四層譜系DIKW(代表Data-Information-Knowledge-Wisdom)，認為文獻中最早見于1987年，后經若干學者演繹，到了2004年才形成以理解力為紐帶的DIKW譜系[7]。沿著這些線索，綜合多位國際學者(L.Ackoff，G.Bellinger等)的觀點，我們可以得到以理解力為紐帶的DIKW圖譜(如圖1所示)。

Bellinger等人對數據智慧的DIKW譜系作了進一步修訂，在知識與智慧之間增加了“領悟/頓悟”(Understanding/Insight)，變成DIKUW五層演進模型，并將其與演進的外部條件、內在形態、結果價值聯系起來，形成一個比較綜合的視圖(如圖2所示)[8]。在人工智能的“強規則”領域(如機器下棋、語言翻譯)，通過嵌入“深度學習”機制，已經朝著領悟全局優化策略方向前進了一大步。但在教育這樣的“弱規則”領域，目前主要依賴專家經驗來解析/領悟各種大數據模式中所蘊含的教育因素，進而尋求較優的教育干預或學習處方。筆者認為，在教育大數據研究與應用發展中，總的發展趨向是通過人機協同的努力，將數據智慧轉化為“行動智慧”。

　　圖2 數據智慧演進綜合圖解

(二)大數據在教育領域的應用需求與挑戰

作為大數據科學的一個分支，教育大數據目前還沒有一個公認的定義。隨著大數據科學的發展，很多學者已經嘗試在教育領域使用大數據的方法來提高教學質量，例如學習分析、個性化學習、教育科學決策等。

美國教育部教育技術署于2014年發布了一份《通過數據挖掘與學習分析改進教與學》的專題報告[9]，描述了教育數據分析的基本方法，并作了應用需求分析，包括應用領域、待答問題以及所需數據類型(見表1)。

然而，雖然大數據的概念在教育領域的熱度日趨增加，真正利用大數據來解決教育問題的實踐活動和成功案例卻并不多。如何將大數據有機地與教學實踐和教學管理結合起來，還需要方法論上的進一步探索。目前，大數據在教育領域的應用主要存在以下問題。

首先，在數據采集上缺乏全面性。在很多實踐案例當中，雖然學校希望借助大數據的方法來提升教學管理和教學實踐，但在實際操作中采用的還是傳統的數據收集方式，例如學生成績、學生出勤率等。這些數據在一定程度上還屬于被設計出來的數據，無法適應大數據的分析方式。

其次，在數據整合上存在技術難題。隨著教育信息化的發展，越來越多的學校開始采用課程管理系統、電子書包、電子白板等信息化教學環境。在使用這些信息化工具時，大量的數據自然地產生了。然而，由于一個學校往往使用多個平臺，各平臺生成的數據缺乏統一的數據標簽(元數據)，造成數據整合的困難，因此國際上有專家呼吁開展學習分析互操作(Learning Analytics Interoperability)標準的研制[10]。

再次，是數據分析結果與實際應用的分離。在對數據進行分析后，除了形成相關的學術報告，其結果往往無法及時而有效地用于指導實踐。

綜上可見，大數據在教育中的應用，最主要的問題并非是數據的采集和統計分析方法，而是缺乏相應的方法論指導。雖然學校和教師都能夠意識到大數據科學的重要性，但對其在教育當中應用的角度卻并不清楚，因此才帶來了數據采集缺乏全面性、數據分析上缺乏針對性、結果應用缺乏有效性等問題。

究其原因，目前的教育數據采集與分析僅限于學生行為的表象，無法洞察教育/學習問題產生的深層次因素。著名教育家顧明遠先生曾在《中國教育的文化基礎》一書中說：“教育有如一條大河，而文化就是河的源頭和不斷注入河中的活水，研究教育，不研究文化，就知道這條河的表面形態，摸不著它的本質特征。”[11]。

本文將從文化的角度來解讀大數據在教育中的應用，希望能夠通過這種探索來為教育大數據的應用提供有參考價值的理論指導。

二、文化模式與文化計算

(一)文化與模式

荷蘭跨文化專家Greet Hofstede將文化定義為：“文化是人類思維的集體編程，這種編程將屬于不同類別的人們區分開來。”[12]Hofstede認為，在人類天性的生物屬性基礎之上，文化是人們從社會環境習得的屬性，而個性是個體特有的、受到遺傳和習得共同影響的個人屬性(如圖3所示)[13]。

　　圖3 Hofstede關于文化的圖解

文化對人類行為的影響猶如冰山現象：在水平面上人們可見的行為，是依托在水下龐大的不可見文化體系之上的。

在對文化的解讀上，許多學者不約而同地將模式(Pattern)和文化聯系到一起。Glenn Adams和Rose Markus提出，文化應該被構想成模式，而不是群組[14]。明尼蘇達大學語言習得高等研究中心將跨文化研究中的文化定義為，“文化是在社會化過程中習得的共有模式，包括習慣于交流、認知構建以及情感上的共識。[15]。Damen L.認為，文化是人們在生活中習得并共享的模式，這些模式滲透在人類社會交流的方方面面[16]。

(二)教育中的文化過程

美國著名教育學家布魯納在《教育文化》一書中指出，心靈、文化、教育三者之間是緊密聯系在一起的[17]。如果只把學生看成一個孤立的個體，而不去關注學生所處的文化環境，教育將存在很大的缺陷。教育不只是現有文化的簡單復制，還為文化的發展提供了源源不斷的活力[17]。

在解讀教育中的文化過程之前，首先要理解“濡化”和“涵化”兩個文化作用機制。如圖4所示，濡化(Enculturation)是指個人對某種文化的適應，即一個人有意或無意地學習某種文化模式，并成為此文化群體一分子的過程。濡化的過程往往是和教育過程融合在一起的，在時間維度上體現出人類文明的傳承關系。涵化(Acculturation)是指不同文化體成員之間在空間維度上的互相滲透，即在多文化交流當中不同文化互相影響的過程。涵化作用可以視為本體文化的外力沖擊，當沖擊影響累積到一定強度時，往往促進本體文化發生進化嬗變或派生多種子文化或微文化。

　　圖4 文化的過程作用機制

在一個大的宏文化之下(Macro-culture)，因為時間、空間、地域、性別、宗教、年齡、社會階層的不同，往往會形成多種微文化(Micro-culture)。這些微文化互相影響，共同構成了宏文化的生態圈。組成一個宏文化的微文化越多樣化，此宏文化便越具有活力。

在傳統時空當中，由于交通和通信的不便，濡化在教育的文化過程當中占主導作用，即文化的傳播主要是通過同一個宏文化中自上而下的教育過程和個人對文化的適應。而在信息時代，由于互聯網的產生使人類之間的交流前所未有的便利，不同文化體成員之間的交流互動大為增加，從而增強了涵化的力量，促使多樣化微文化的產生，這就形成了涵化作用逐漸增強而濡化作用逐漸減弱的趨勢。在涵化強力作用下產生的多樣化微文化使教育過程變得更加復雜。

(三)文化與文化計算

自計算機技術產生之初，人與計算機的關系就一直是研究的熱點。隨著計算機技術的發展，文化在人機交互中的作用逐漸增強。Rauterberg認為，人機交互領域近五十年的發展可以分為四個階段：個人計算(Personal Computing)、合作計算(Cooperative Computing)、社會計算(Social Computing)及文化計算(Cultural Computing)。個人計算是指人與單個電腦之間的交流；合作計算是指以計算機為媒介的交流；社會計算是指以社區為媒介的交流；文化計算是指以潛意識文化決定為媒介的交流[18-19]。

隨著移動技術的發展與普及，人們已經可以做到隨時隨地接入網絡。Rauterberg指出，在人機交互發展的歷史上存在著三大趨勢：一是電腦的存在感越來越弱；二是機器用起來越來越簡單便利；三是社區的形成[19]。這三個趨勢的共同特點是機器角色的逐漸弱化和用戶角色的逐漸增強。而文化計算正是在這種強調用戶為中心的背景下產生的。

(四)小結

綜上可知，隨著信息化技術的發展，文化，即人們在生活中習得并共享的模式，與信息技術的融合在逐漸加強。一方面，信息技術的應用加快了全球化進程，強化了涵化的力量，增加了微文化的活力及復雜性；另一方面，隨著技術壁壘的不斷突破，簡單易用的設備使文化元素在人機交互中扮演起越來越重要的角色。

三、教育大數據、學習分析與教育可計算化

(一)從教育大數據到學習分析

學習分析是大數據時代的產物。在大數據時代，隨著學習管理系統、智能家教系統、電子作品集等信息化技術在教學當中越來越廣泛的應用，學生的學習過程或多或少地被記錄下來，形成電子數據。這些數據不同于通過問卷調研、訪談等采集而來的數據，是自然伴隨生成的。學習分析正是在對這些數據進行挖掘和利用的過程當中形成的領域。第一屆國際學習分析與知識會議(1st International Conference on Learning Analytics and Knowledge 2011)將學習分析學定義為：“以理解和優化學習及學習發生之環境為目的，所進行的有關學習者及其環境的數據之測量、采集、分析和報告。”[20]。

Katie Lepi將學習分析分為四個遞進的層次，即描述、診斷、預測、處方。描述是指通過數據如實詳細敘述學習過程中發生了什么；診斷是指分析學習過程的細節是為什么發生的；預測是指通過改變學習過程中不同的元素來預測可能的結果；處方是指通過利用學習過程中某個特殊的元素來達到特定目的。[21]

Greller和Drachsler認為，在學習分析當中有六個重要的維度，即：關益者、目標、數據、手段、外部限制以及內部限制。[22]關益者既包括學習機構、教師等數據客戶(Data Client)，也包括學生等數據對象(Data Subject)。目標分為反思和預測兩部分。反思是指數據客戶通過對他們自身數據進行批判性的自我評判來達到提高自我認識的目的；預測是指對學習活動的預測及建模，以便進行早期干預或調整課程。數據即包括公開數據、也包括非公開數據；手段是指對學習分析過程中用到的技術、算法、理論等進行分析的工具。外部限制主要是指隱私、數據應用倫理等慣例，以及法律、條文等規定。內部限制主要是指關益者所具有的學習分析相關能力以及對學習分析的接受度。[22]在學習分析過程中，這六個維度相互作用與影響，以達到精準決策、個性服務、優化成果為目的。

(二)從學習分析到教育可計算化

目前，學習分析在教學中已得到了多方面的應用。其中最為典型的代表是“學習儀表盤”的應用。學習儀表盤是個人信息系統在大數據時代的升級，它通過可視化的模式，根據學生和教師的需求，以數字和圖標來呈現對個人學習信息的分析[23]。許多在線公開課程平臺都采用了學習儀表盤系統。例如，可汗學院于2013年9月開始在數學課程中使用學習儀表盤。該系統將課程的知識點切割成不同的小塊，并用不同顏色來標示學生的掌握程度。學習者可以通過自己的先驗知識與興趣來選擇不同的知識點，構建不同的學習路徑[23]。

在大眾在線公播課(Massive Open Online Course，MOOC，簡稱“慕課”)中，學習分析的作用也日漸顯現。一些學者用結構方程等方法來建立學習者下載資料、登錄頻率等在線學習行為與課程完成率之間的聯系，從而達到通過觀察學習者的行為來預測學業成績的目的[24]。普渡大學將課程管理系統與學習分析系統Signals相融合，根據學生的學業表現自動生成反饋郵件，來達到提高學生成績的目的[25]。

隨著學習分析技術的應用與推廣，在信息化環境下實現教育可計算化已經具備了實現的條件。最初，計算機技術在教育中的應用主要體現在計算機輔助學習上，如通過模擬軟件來進行操作練習；隨著信息技術的發展，計算機輔助學習轉換為以網絡教育、遠程實驗室等方式為代表的教育信息化，其特點是在學習過程中進行人機交互；在大數據時代，學習分析技術的發展使教育信息化逐漸向教育可計算化轉變，即通過信息化技術的幫助，實現泛在與個性化學習[26]。

四、基于大數據文化的教育策略

大數據的中性特征，決定了它不具有任何的價值傾向，這使得關益者可根據不同的目的對同一教育大數據作出不同的解讀，而這些解讀并不一定都是明智的。因此，大數據需要文化中的理念價值的引領。另外，智慧教育強調的智慧是特定文化境域中的智慧，因為一種文化中的智慧決策，在另一種文化中可能會顯得愚笨。信息技術支持的智慧教育與數字教育的最大區別也在于對文化中理念價值的重視。這兩點使得教育信息化進入大數據時代后，教育對文化的訴求非但沒有減弱，反而有日趨加強之勢!在人本主義理念下，技術的引用和教育的變革均是為了實現個性化自適應學習，智慧教育的一大關鍵特征也是個性。對此，筆者從文化的視角，探討大數據文化的教育策略，并解讀大數據微文化模式中的個性化學習適配處方。

(一)基于大數據文化的教育策略框架

在教育領域中，大數據文化可從層級結構和模式粒度兩個維度解讀。從層級結構來看，大數據文化與學習文化一樣，具有三層結構：理念價值、行為方式和制品符號[27]。教學設計過程即是依據教學目標(理念價值)設計適宜的學與教活動(行為方式)，形成學與教材料(教案、學案等)的過程；學與教過程即是借助形成的學與教材料，實施預設的學與教活動，實現教學目標的過程。從模式粒度來看，大數據文化可分為宏觀模式、微觀模式和個人模式[28]三個不同層次的粒度，由宏觀模式至個人模式即是教學的逐步個性化、精細化的體現。由此，可從這兩個維度設計基于大數據文化的教育策略框架(如圖5所示)。

　　圖5 基于大數據文化的教育策略框架

智慧學習生態中將學習目標分為四層[29]：基礎知識與技能、綜合應用能力、個人特長與知能和群體智慧?；A知識與技能是面向所有學習者的基礎目標，它對學習者群體具有統一的要求，從大數據文化模式粒度看，處于宏觀模式層面。因此，教育策略方面側重于集體學習模式，這些集體應盡量趨向于“同質”(黑色曲線左部)。

綜合應用能力是對學生不同能力的綜合衡量，團隊模式具有成員“術業有專攻”的特性和成員間較強的協作性，有利于取長補短，非常適合綜合應用能力的培養。因此綜合應用能力處于微觀模式層面，教育策略方面應采用協作學習模式，團隊成員應盡量“異質”化(黑色曲線中部)。個人特征與知能注重個體的獨特性，處于個人模式層面，因此，適合采用個體學習模式，并且應關注學習的適應性(黑色曲線右部)。群體智慧是教育的最高目標，是教育群體、學習群體的共識。達成共識的過程(即新文化形成過程)即是知識成熟化(Knowledge Maturing)的過程。知識成熟化過程是個人層面的知識模式通過互動、討論、協商等活動得到修正、理解，并最終形式化、標準化為宏觀模式的過程。因此，群體智慧是通過不同文化模式間的涵化動態生成的，教育策略方面宜采用群體互動生成性學習模式(灰色曲線)。

大數據在教育領域中的主要應用是學習分析和教育數據挖掘[30]。教育數據挖掘關注如何從大數據中提取有用的信息，而學習分析關注如何優化學習[31]。在基于大數據文化的教育策略框架中，教育數據挖掘主要針對學習文化的三層結構中的數據，這些數據是教學設計過程和學與教過程的表征。通過業務理解、數據理解、數據預處理、建模、模型評估、模型部署[32]，教育數據挖掘為學習分析提供高質量的數據模型。學習分析在教育數據挖掘提供的模型的基礎上，通過對不同的文化模式粒度中的學習進行描述、診斷、預測和處方，為教育決策的制定提供精準、適性的決策。

(二)大數據微文化模式中的個性化學習適配處方

1.微文化模式與個性化教學

通過大數據方法及其他信息技術來分析每位學習者的個體特征、學習方式、心理狀態等多方面影響因素，在此基礎上為每位學習者制定不同的教學方案，進行精準教學，是個性化教學的理想狀態。然而，由于資源和精力的限制，在現實當中，完全從個體特性出發為每一位學習者設計個性化學習干預方案幾無可能。在這種情況下，利用微文化模式的方法可以增強個性化教學的可行性。

Plant在《個性與文化模式》(Personality and the Cultural Pattern)一書中提出，一個人個性的形成是與個人成長中的文化模式密不可分的，且文化模式的改變將影響個性[33]。Pata和Bardone提出了基于慕課的文化模式配適學習生態圈模型，模型當中指出個人學習的認知過程與課程文化模式適應過程是相輔相成的：在整個課程文化圈當中，個人的認知過程也是根據自己的學習需求形成個人模式的過程；與此同時，個人模式也將為整個課程文化模式注入新鮮的血液[34]。由此可見，在個性化學習當中，文化模式，尤其是微文化模式起到了至關重要的作用。

2.基于微文化模式的個性化學習適配處方模型

基于大數據文化的教育策略框架，以及上述對微文化模式與個性化學習的分析，筆者提出基于微文化模式的個性化學習適配處方模型(如圖6所示)。從文化模式角度看，學習過程是良好的個人模式形成的過程。因此，基于微文化模式的個性化學習適配處方旨在促使微文化模式中的理念價值(教學目標)得以被學習者個體傳承與發展，并培養微文化需求的個人模式。

 

在微文化境域中，通過感知/領悟理念價值所蘊含的智慧，可協同建構各種各樣的制品符號，這些制品符號可作為個性化學習中的資源。個性化學習后，這些制品符號得到更新和演化，對其去情境化、驗證價值、協商/研磨以達成共識，最后標準化，便可形成新型的微文化模式。因此，圖6描繪的是一種微文化模式與個人模式協同進化的個性化學習適配處方。由于完全從個體特性出發為每一位學習者設計個性化學習干預方案幾無可能，所以圖6中的個性化學習適配處方分為三個層級：班級層、小組層和個體層。在班級層面，首先感知/領悟微文化中的價值理念所蘊含的智慧，并進行情景化設計。之后，借助大數據挖掘形成的個人模式，將學習者進行同質分層，并進行差異教學。這種班級層面的差異化教學作為粗略的個性化教學可以解決大部分學習者的基礎知識與技能問題。

信息技術的引入使得教學者可實時監控學習者的狀態。篩選出學習出現異常的學習者，并進入小組層面的教學。在小組層面，首先要重新分析這些學習者的個人模式，并對他們進行異質分組，異質分組的成員具有“術業專攻”的特點，因此有利于探討交流、協作創造等高階認知活動。這種小組層面的合作研創型學習采用“創造驅動認知”的理念來幫助在班級層面學習時有異常的學習者。對于小組層學習后，依然有學習異常的個別學習者，給予個體層面的適性學習。首先重新分析學習者的最新個人模式，基于學習者的個人模式，解析、適配學生特質，精準推送適切的資源，開展適宜的活動，并輔以個別指導。個體層面的適性學習是最為精細的個性化學習，它不但需要較高的技術支持，也需要教師投入較多的精力，因此在班級層面、小組層面開展較為粗略的個性化學習是有必要的。在這三個層面的學習中，均需要實時測查學習者的個人模式，并將學習者的個人模式在微文化中去情景化，并驗證是否達到了微文化中的理念價值(教學目標)的要求。

(三)個性化學習適配處方的靈活應用

圖6刻畫了借助大數據、數據挖掘、學習分析技術，通過分析微文化模式開展個性化教學的藍圖。常規課堂往往止于班級層面的差異教學，而圖6則描繪了一個相對比較完美的個性化學習方案，并且成本較低，可操作性較高。當然在實際的應用中，并非一定要按照從班級到小組再到個體的順序，根據學習者的人數，我們可以靈活處理。例如，在學生數較少的小班中，可以直接進行小組層面的研創型學習，根據需要決定是否開展個體層面的適性學習。如果是學生數較多的大班，則可以嘗試將班級拓展至年級，在年級層面實現同質分層，然后將每個同質層組成臨時的一個或若干個班級，在此基礎上，再考慮班級層面、小組層面和個體層面的教學。這種方案是一種個性化學習適配的“走班制”。

另外，班級層面的學習與個體層面的學習是否需要小組的連接，也需視具體情況而定。一般而言，可以采用圖7所示的學習者適性分配策略，班級層面的差異化教學是較為粗略的個性化學習方案，它采用較為通用的措施，其特點是大而全，缺點是無法照顧到每位學生的個體差異。所以，它適合幫助解決大多數學習者共同面臨的問題(傳播型文化模式)，一般講，80％以上的學習者面臨的共同問題適合采用此方法。小組層面的合作研創型學習適用于解決10％～20％的學習者面臨的共同問題(研創型文化模式)。一般小組規模4～6人為宜(有研究顯示在線學習的最適同伴規模不大于5人[35])。而個體層面的適性學習需要較高的文化智慧、數據智慧、教學智慧作支柱，也需要專家智慧作個別化分析、制定特定處方，因此個體層面的適性學習需要投入較高的成本、較多的精力，較為適合解決5％以下的學習者面臨的問題(個人適需模式)。由所述可知，在班級層面的學習后，如果只有不到5％的學習者存有異常，則需直接進入個體層面的適性學習。

　　圖7 學習者適性分配策略

當然，圖6描繪的個性化學習適配處方，也可融入現有的各種教學模式中，如精準教學[36]、翻轉課堂、創客教育等。在翻轉課堂中，基于大數據分析解析出的微文化模式，課前可實現班級層面的差異自主學習，從而使得學生觀看的視頻和所做的練習具有一定的針對性。對于大數據挖掘與分析顯示出的有學習異常的學生，及其無法解決的問題，可在微文化模式與個體模式的指引下，精準地決策制定小組層面、個體層面的個性化學習方案來處理。所以，基于微文化模式的個性化學習適配處方也為翻轉課堂提供了另一種發展思路。

五、大數據文化的教育機遇與挑戰

綜上可知，微文化模式在教育大數據的分析中起著至關重要的作用。微文化模式與個性化學習密不可分。利用大數據分析來發現學習過程中的微文化模式，并以此為基礎對學生的學習過程進行干預，是實現個性化學習的最優解。微文化模式為教育大數據分析提供了路徑及方向，可以解決目前教育大數據分析缺乏全面性和針對性的問題，并加強其與教學一線的結合。

當然，信息化技術與教育大數據為教育領域帶來機遇的同時，也帶來了風險與挑戰。首先，教育大數據的應用使信息更具透明度，讓學生和教師具有了更多的知情權。但與此同時，也讓隱私泄露成了問題。教育數據的權限與公開需要怎樣的程序與監督，是信息化時代面臨的新問題。這也與數據的分類與采集過程密切相關。

其次，教育大數據的文化中，對文化與微文化模式的分析可以支持全局視野，使教育過程具有整體性和規劃性。然而，對模式的分析與解讀存在著困難與不確定性。這不但需要學習分析技術的支持，也需要依賴教育者對教學過程、學生特點及微文化模式的了解。

第三，在教育大數據的應用中，自動獲得的過程性數據可使評價更具公正性，以多維分類的形成性評估取代單調等級評估。然而，僅憑線上數據無法反映學習生活的全貌。如何擴大數據收集的維度及方法，并將線上數據與其他學習過程相結合，是大數據應用的一大挑戰。

最后，大數據研究的應用推動了數據驅動的教育教學決策與管理流程革新。在教學實踐中，數據驅動的教學決策需要教師對信息化技術的熟練掌握，以及對學習分析及信息化教學模式的深入理解。然而，我國教師的信息技術應用能力及信息化教學觀念還有待提高，而師資隊伍未就緒將影響大數據技術的實用價值。

參考文獻：

[1]PULSE U G.Big data for development:Challenges &opportunities[M].New York:UN Global Pulse,2012.

[2]HEY T,TANSLEY S,TOLLE K M.The fourth paradigm:Data-intensive scientific discovery[M].Redmond,WA:Microsoft Research,2009.

[3]祝智庭，沈德梅.基于大數據的教育技術研究新范式[J].電化教育研究，2013，(10)：5-13.

[4]劉雍潛，楊現民.大數據時代區域教育均衡發展新思路[J].電化教育研究，2014，(5)：11-14.

[5]DEANGELIS S F.Data science,data scientists and the evolution of analytics [EB/OL].(2014-06-30)[2016-11-25].http://www.enterrasolutions.com/2014/06/data-science-data-scientists-evolution-analytics.html.

[6]THOMAS H D.Analytics 3.0[J].Harvard Business Review,2013，(12):65-72.

[7]JIFA G.Data,information,knowledge,wisdom and meta-synthesis of wisdom-comment on wisdom global and wisdom cities [J].Procedia Computer Science,2013,(17):713-719.

[8]BELLINGER G,CASTRO D,MILLS A.Data,information,knowledge and wisdom-systems wiki[EB/OL].[2016-11-25].

http://www.systemswiki.org/index.php?title=Data,_Information,_Knowledge_and_Wisdom.

[9]BIENKOWSKI M,FENG M,MEANS B.Enhancing teaching and learning through educational data mining and learning analytics:An issue brief[EB/OL].[2016-11-22].http://www.nku.edu/content/dam/StrategicPlanning/docs/implementationteams/technologysupport/library/learning-analytics-ed.pdf.

[10]GRIFFITHS D,HOEL T,COOPER A.Learning analytics interoperability:Requirements,specifications and adoption 2016[EB/OL].(2016-01-15)[2016-11-24].http://www.laceproject.eu/wp-content/uploads/2016/01/LACE_D7-4.pdf.

[11]顧明遠.中國教育的文化基礎[M].太原：山西教育出版社，2004.

[12]HOFSTEDE G.National cultures and corporate cultures[M].Belmont,CA:Wadsworth,1984:51.

[13]HOFSTEDE G.Cultures and organizations.The software of the mind[J].Administrative Science Quarterly,1991,23(1):1-29.

[14]ADAMS G,MARKUS H R.Culture as patterns:An alternative approach to the problem of reification [J].Culture &Psychology,2001,7(3):283-296.

[15]The center for advanced research on language acquisition[EB/OL].(2014-05-27)[2016-11-25].http://carla.umn.edu/culture/definitions.html.

[16]DAMEN L.Culture learning:The fifth dimension in the language classroom[M].Massachusetts:Addison Wesley Publishing Company,1987.

[17]BRUNER J S.The culture of education[M].Massachusetts:Harvard University Press,1996.

[18]RAUTERBERG M.From personal to cultural computing:How to assess a cultural experience [C]//KEMPER G,von HELLBERG P.uDayIV-Information nutzbar machen.Lengerich,Germany:Pabst Science Publisher,2006:13-21.

[19]SALEM B,RAUTERBERG M.Power,death and love:A trilogy for entertainment [C]//KISHINO F,KITAMURA Y,KATO H,NAGATA N.Entertainment computing-ICEC 2005.Berlin,Heidelberg,New York:Springer,2005.

[20]Lak 2011.1st international conference on learning analytics and knowledge 2011[EB/OL].(2010-07-22)[2016-11-25].https://tekri.athabascau.ca/analytics/.

[21]LEPI K.The 4levels of learning analytics by Katie Lepi-school leadership 2.0[EB/OL].[2016-11-25].

http://www.school leadership20.com/forum/topics/the-4-levels-of-learning-analyt ics-by-katie-lepi.

[22]GRELLER W,DRACHSLER H.Translating learning into numbers:A generic framework for learning analytics[J].Educational Technology &Society,2012,15(3):42-57.

[23]張振虹，劉文，韓智.學習儀表盤：大數據時代的新型學習支持工具[J].現代遠程教育研究，2014，(3)：100-107.

[24]XING W,CHEN X,STEIN J.Temporal predication of dropouts in MOOCs:Reaching the low hanging fruit through stacking generalization[J].Computers in Human Behavior,2016，(58):119-129.

[25]孫妍妍，李艷.大數據時代的學習分析將重塑教育格局——訪挪威奧斯陸大學托雷·赫爾教授[J].世界教育信息，2015，(2)：7-10.

[26]祝智庭，李鋒.教育可計算化的理論模型與分析框架[J].電化教育研究，2016，(1)：5-11.

[27]祝智庭.教育技術前瞻研究報道[J].電化教育研究，2012，(4)：5-14.

[28]PHUNTSOG N.The magic of culturally responsive pedagogy:In search of the Genie's lamp in multicultural education [J].Teacher Education Quarterly,1999,61(3):97-111.

[29]祝智庭.智慧教育新發展：從翻轉課堂到智慧課堂及智慧學習空間[J].開放教育研究，2016，(1)：18-26.

[30]BIENKOWSKI M,FENG M,MEANS B.Enhancing teaching and learning through educational data mining and learning analytics:An issue brief[J].U.S.Department of Education,2012:1-57.

[31]FERGUSON R.The state of learning analytics in 2012:A review and future challenges[EB/OL].(2012-03-01)[2016-11-22].http://wiki.ewu.edu/oit_wiki/images/d/d8/Kmi-12-01.pdf.

[32]SHEARER C.The CRISP-DM model:The new blueprint for data mining[J].Journal of Data Warehousing,2000,5(4):13-22.

[33]PLANT J S.Personality and the cultural pattern[M].New York:Commonwealth Fund,1937.

[34]PATA K,BARDONE E.Promoting distributed cognition at MOOC ecosystems[C]//ZAPHIRIS P,IOANNOU A.Learning and collaboration technologies.Designing and developing novel learning experiences.LCT 2014.Lecture notes in computer science,vol 8523.Switzerland:Springer International Publishing,2014:204-215.

[35]郁曉華，江紹祥.社交網絡影響在線自主學習課程完成的實證研究：基于學習分析的方法[J].電化教育研究，2016，(8)：31-39.