下载掌阅APP，畅读海量书库
立即打开
大数据是社会发展的必然产物，将其应用于教育领域具有一定的开创性。教育大数据的价值主要包括表征价值、关联价值和决策价值。
其结构模型从内到外共有四层：最内层是基础层，主要存储国家基础教育数据；往外是状态层，包括教育装备、环境等状态或运行信息；再往外是资源层，主要指各种形态的教学资源；最外围是行为层，主要指师生、教育管理者等的行为信息数据。
如果说教育领域是火车，那么教育大数据则是燃料，为火车提供动力，即教育大数据源源不断地为教育领域提供应用和服务，而其中的关键则是行为层数据。为了挖掘隐藏的信息价值，合理、科学地进行教学决策，同时助力教育信息化进程，诸多学者展开了研究和实践，具体内容包括数据画像、精准教学、数据可视化等方面
，但主要聚焦在数据挖掘和学习分析两大方向，即研究的本质没有变化，始终都在强调数据的重要性。
学习分析是以数据为基础、以技术为核心的新兴研究领域。目前关于学习分析的研究内容主要集中在四个方面
：一是学习分析模型与方法，模型主要体现在教学质量、学习成效或学习满意度等的预测上，方法主要体现在数据驱动上；二是学习分析技术与工具，主要包括话语分析
、可视化分析
和视觉追踪；三是实践与应用，研究者立足点不同，则实践内容不一，但基本围绕教师、学生、教学系统、课堂学习活动等角度，且更多地将视角放在了对在线学习者的学习分析上；四是伦理与道德，主要研究学习分析过程中数据的伦理与道德问题。
纵观学习分析的相关研究，可以将其划分为三个周期，分别是概念化知识探讨的初始周期、小规模探索的设计周期、大规模实践的严谨性周期。
然而，当前学习分析仍以小规模探索为主，且侧重于微观研究，通常针对具体的对象或活动、平台或系统，研究成果难以实现迁移和辐射。因此，还需继续重视数据建模与挖掘技术的应用，进行规模化的实践与评估反馈，充分发挥学习分析优势，帮助教育教学管理者作出决策。
显然，学习分析的发展离不开数据挖掘、情境感知计算、人工智能等技术的革新与发展。由于教与学用户的数据相对复杂，为了更好地处理情绪认知和注意力等状态数据、提问和演示等行为数据、生理数据，以及更好地获取关键信息，并提供动态化、个性化的智能服务，情境感知技术成了重要的研究内容。解构智慧课堂生态系统、智能感知和融合计算教学情境，有助于挖掘复杂情境下学习行为发生的内在机理，探析深层次的教育规律，构建基于情境感知的智能教育服务模式。情境感知重在获取情境数据、建立模型以及对数据进行分析和处理。
就具体的教学情境感知因素来看，研究者根据不同的需求，有不同的观点。例如，黄志芳等人将情境感知分为显式情境感知、蕴含情境感知（包括用户特征、兴趣偏好和知识水平等信息）、网络情境感知和应用情境感知。
王冬青等人采用用户、任务、位置、时间、设备、基础设施六类信息表示智慧教学情境，并以此建立智慧教学数据采集模型，再借助xAPI规范与Caliper框架解决教学情境多源、异构数据采集问题。
杜静等人聚焦适应性学习，将情境感知要素划分为用户、社会情境、任务、时空、基础设施和物理环境六大维度。
综上研究，我们可以发现已有的教学情境感知数据划分方式都体现了环境和人的因素，即既包括物理环境信息（设备环境、位置和时间等），也包括人与人之间的互动交流等行为信息。通过采集课堂场景中多维度的数据和挖掘关键信息，建模分析面向教师的多层次和全方位的数据，能够在极大程度上促进教师专业发展，提高课堂教学质量，推进构筑智慧教学生态，同时有效促进教育信息化进程。
如今，数字教材等优质教学资源的均衡发展和个性化服务已成为变革智能教育服务模式、破解教育公平问题的重要推力。而从数字教材的应用发展趋势来看，大数据和学习分析、人工智能技术将是推动智能教育场域中数字教材广泛应用和个性化服务的核心要素。因此，综合上述分析，在数字教材课程云平台的支持下，开展课堂教师动态生成性行为数据的采集和教师行为模式研究显得尤为重要。