大数据教育，是以数据采集分析技术为重要辅助手段的现代化教育变革方法。目前对大数据的定义有三种，分别从数据体量、复杂性程度、价值这三个角度来界定,反映了大数据三个最主要的特性。而当前大数据在教育领域的主要应用是教育数据挖掘和学习分析。大数据正演变为一种“人人产生数据、人人共享数据、人人热爱数据、人人管理数据”的社会变化。

一、国际教育大数据发展

2012年4月，欧盟委员会发起欧洲数字化议程，致力于利用数字技术刺激欧洲经济增长，帮助公众和企业最大程度利用数据技术。

2012年3月，美国政府投资2亿美元启动“大数据研究和发展计划”，国防部积极部署开展大数据行动，利用海量数据挖掘高价值情报，提高快速响应能力，实现决策自动化。

2013年6月，日本安倍内阁正式公布“创建最尖端IT国家宣言”，提出建设 “世界最高水准的运用信息产业技术方法的社会”。

2013年8月，韩国建立特需大数据中心。

二、国内教育大数据发展

1996年5月，国家教委发布《国家教委关于进一步提高教育统计数据质量的意见》；

2002年9月，教育部科技司发布《教育信息化“十五”发展规划（纲要）》；

2005年6月，教育部印发《教育部科技基础资源数据平台建设管理办法》；

2012年3月，教育部印发《教育信息化十年发展规划（2011-2020年）》；

2013年1月，中国工信部发布《关于数据中心建设布局的指导意见》；6月，工信部发布《电信和互联网用户个人信息保护规定》；7月，“金桥产业技术创新会议”在沪召开；

2014年2月，贵州省印发《关于加快大数据产业发展应用若干政策的意见》和《贵州省大数据产业发展应用规划纲要（2014-2020年）》；12月，广东省公布《广东省大数据发展规划（2015-2020年）》；

2015年4月，国家发改委在部委中首家专门成立了大数据分析中心；7月，国务院印发《关于运用大数据加强对市场主体服务和监管的若干意见》；9月，国务院发布《促进大数据发展行动纲要》，提出建设教育文化大数据，教育大数据已经上升到国家战略层面；10月，第十八届中央委员会通过《中共中央关于制定国民经济和社会发展第十三个五年规划的建议》；

2016年1月，贵州省通过《贵州省大数据发展应用促进条例（法案）》；2月，教育部办公厅发布《2016年教育信息化工作要点》。

三、大数据在教育中的深远影响

为了更好地指导现阶段教育大数据的实践应用，构建了七大教育数据分析模型。

1、学习者档案模型

通过对学习者基本学习信息的采集，建立基本信息数据库。运用数据挖掘、学习分析、机器学习算法等手段，根据不同维度，如学习者的学习特征等，将具有相同学习特征的个体进行分组、聚类，建立学习者档案。

1）解决的问题：学习者聚类分组

2）用于分析的数据

学习者正确的、不正确的和部分正确的应用数据；学习者做出应答花费的时间；帮助请求数据；犯错和重复数据。

2、学习者知识模型

通过采集学习者与在线学习系统的交互数据，包括：学习者请求帮助的性质和数量、学习者回答问题花费的时间、学习者回答错误的重复率、学习者回答问题的正确率等，通过数据挖掘和学习分析构建的学习者知识模型，能够将学习单元层面、课程层面、知识点层面的数据信息，通过人工反馈或是自动反馈，选择适合的方式，充分的考虑学习者的时间，为学习者提供合适的学习内容。

1）解决的问题：学习者掌握了哪些知识（例如：概念、技能）过程性知识和高级思维技能等）

2）用于分析的数据

（1）学习者正确的、不正确的和部分正确的应用数据；学习者做出应答花费的时间；帮助请求数据；犯错和错误重复数据。

（2）学习者的技能练习数据（内容和持续时间）。

（3）学习者的测试（形成性和总结性）结果数据。

3、学习者行为模型

通过对学习者在学校情景中学习行为变化的情况、学习者完成课程学习的状况、学习者在网络系统中花费的学习时间以及学习者的考试成绩等信息数据的采集，研究学习者的学习行为与教学成果之间的关系，形成学习者行为模型。

1）解决的问题：学习者不同的学习行为范式与学习者的学习结果的相关关系

2）用于分析的数据

（1）学习者正确的、不正确的和部分正确的应用数据；学习者做出应答花费的时间；帮助请求数据；犯错和重复错误数据。

（2）学习者学习情境相关数据；

4、学习者经历模型

根据学习者在线课程学习中的选择、学习轨迹、表现、行为等，构建学习者经验模型。如通过模型，进行线上课程评估，信息反馈后再进行课程的设计等。

1）解决的问题：学习者对于自己的学习经历的满意度

2）用于分析的数据

（1）满意度调查问卷和量表测试数据。

（2）在后续学习中学习者对于学习单元或课程的选择和表现数据

5、领域知识模型

构建领域知识模型，深入研究学习者与知识点、课程、学习单元等学习内容之间的关系，采集、整合、分析学习者相关学习数据，画出学习者的学习曲线。

1）解决的问题：学习内容的难度级别、呈现顺序与学习者学习结果的相应关系

2）用于分析的数据

（1）学习者正确的、不正确的和部分正确的应该数据；学习者在不用难度学习模块中的表现情况数据。

（2）领域知识分类数据。

（3）技能和问题解决的关联性数据。

6、教学战略分析模型

通过对收集的学习者的信息进行分析，探索学习系统中各种组件的功能，分析学习者学习结果与教学策略之间的关系，然后对教学策略进行分析和总结，为教育领域提供更多、更有效的教学策略。

1）解决的问题：在学习系统中学习组件的功能、在线教学策略与学习者学习结果的相关关系

2）用于分析的数据

（1）学习者正确的、不正确的和部分正确的应该数据；学习者在不用难度学习模块中的表现情况数据。

（2）领域知识分类数据。

（3）技能和问题解决的关联性数据。

7、趋势分析模型

通过对已采集、分析的学习者相关数据进行进一步的整合、分析，探索学习者在学习过程中的学习结果变化趋势，探索学前行为与未来结果之间的关系，预测未来学习的趋势和结果。

1）解决的问题：学习者当前学习行为和未来学习结果的相关关系

2）用于分析的数据

（1）在线学习系统中学习者学习行为相关的横向和纵向数据。

（2）学生信息管理系统中，持续一段时间且相对稳定的学习者基本信息数据。

飞利信智慧城市设计开发研究院（简称研究院）成立于2016年初，为充分利用“十三五”规划的有利契机，充分发挥北京飞利信科技股份有限公司在信息化产业积累的丰富经验和品牌优势，制定并执行公司在智慧城市全产业链的布局规划，拓展公司在智慧城市开发领域的业务能力，实现飞利信的跨越式发展目标。研究院的业务范围包括：智慧经济、智慧民生、智慧治理、智慧文教、智慧环境。