信息数据化与教育评估   

       人类记录信息的能力和计量物体的方法的诞生，是原始社会和先进社会的分界线之一，这种记录和计量促使了数据的诞生，它们也是信息数据化***早的应用方式。计算机的出现带来了数字测量和存储设备，也使得通过数学分析挖掘出更大的数据价值成为可能。

       随着技术的不断发展，在众多的信息中，除了少部分可以进行直接测量和分析的结构化信息外，更多的不能直接测量，如，图片、图像、音频、文档等，但这些非结构化信息也可以将其进行数据化。比如，购物网站把上千万的物品进行了数据化，全球定位系统GPS将方位变成了数据，网络社交平台将沟通变成数据等等。大数据技术正促使******万物信息的数据化不断推进，这为教育评估创造了良好的条件。

       然而，数据化不是简单的“数字化”，它是一种把现象转变为新型可分析数据的量化过程，包括数据的采集和数据的处理，它是对教育领域中某些事件或事物进行描述、纪录、分析和重组，然后借助计算机、通信和高密度存储技术等，以数据的形式更******、更准确地转变为教育评估的可视化资源。信息一旦被数据化，便具有通用性、开放性、标准化和高度整合性等特点，人们就可以通过技术手段，充分解读、揭示隐藏在数据中的价值和秘密。

      今天，海量的教育信息被数据化以后，将成为教育评估的重要资源。我们可以利用数据分析工作（如，统计学和算法）以及必需的设备（如，信息处理器和存储器），进行更快、更大规模的数据处理。这必将会推动教育评估不断走向精准化、******化和科学化，从而真正实现“用数据说话”的评估要求。

   基于深度学习算法的评估模型    

       我国对教育评估一直非常重视，把它作为教育管理、决策和改进教育质量的重要手段。目前，开展的教育评估主要有院校评估、专业评估、专业认证、专项评估，以及根据某一特定教育工作需要开展的教学或学习评价，如，教师课堂教学质量评估、学生课堂学习情况评估、德育管理评估等。

       无论哪一种类型的教育评估，都需要一定量的数据作基础。大数据时代我们拥有了庞大教育数据，可以通过建构评估分析模型，在对大量原始数据进行清洗、过滤和整理后，去除与评估无关的信息，然后将与评估有关的数据进行格式化整理，就可以得到较为******的评估结果。也就是所谓从海量不相关的数据中，通过技术手段挖掘出隐藏于其中的各种有价值的信息与信息关联。

      牛津大学互联网研究所教授、数据科学家维克托•迈尔一舍恩伯格曾指出，大数据将重塑教育，并提出了大数据改善学习的三大核心要素：反馈、个性化和概率预测。这些核心要素也为教育评估开拓新的思路。为此，我们可以将基于大数据的教育评估分为三个阶段：

******阶段：反馈——数据驱动决策

       在这一阶段期间，由于数据获取的有限性，教育评估通常是在教育理论和相关专家的指导下，构建一系列评估指标体系，按照每一类指标米集相应的数据，比照分析指标体系而获得结论。这种评估模式大多针对结构化数据，受数据的质量和数量的限制，其分析结果具有延时性和一定的局限性。

第二阶段：个性——基于数据决策

       随着教育信息化的普及，各种课程教学、教学管理、学情信息、数字化校园等数据资源与日倶增，教育数据的采集变得及时和便利，为教育评估提供了良好的数据基础保障。信息众多，虽然我们能******系统的不确定性，但原始数据往往是杂乱无章、离散分布，一般没有固定的格式和规范，很难让人一下子找到数据相互之间的联系。

      从那些看似毫无联系的数据堆里找出有用的信息，经过精心的组织和概括，形成评估体系中的数据结构，需要借助数学模型分析方法的帮助。通过数据建模，我们可以发现学习者学习结果与学习内容、学习资源、教学行为等变量之间的相关关系，从而实现优化教育教学过程的目的。

第三阶段：预测——数据感知决策

       大数据在教育评估中的价值就是利用收集的庞大教育数据，通过提升数据质量、呈现数据关系、发现数据价值等方式，来预测教育教学活动中的各行为人的行为趋势。从而使教育评估真正实现从“数据驱动决策，，到“基于数据决策”进而实现“数据感知”，并可以做到为教育者进行数字化建模。

       目前，康赛公司已经实现通过可视化的方法表示复杂的数据关系，在这套可视化系统中，提供了各种行业的数据分析模型，拥有教育行业500多个专业模型，并且支持模型库直接拖拽创建主题分析，10分钟即可极速完成一次可视化分析。从不同的数据源中提取有用的数据，并对其进行清洗、转换、重构，将数据信息中的对象、属性和联系，自动映射成可视的实体、连线、布局、颜色等图形元素，通过图形引擎，对数据进行各种关联分析，***后将分析结果以图形化的方式呈现于决策者面前。

       从教学的适应性到管理决策支持，都需要通过科学的模型来支撑。建立有效的数据模型是实现对教育管理进行有效评估、诊断和预测的核心解决方案。

       总之，深度学习算法的深度分层结构与人类大脑认知系统具有深度分层的特点相一致，深度学习也强调可学习性的特点，因此，它适合于学习具有良好的特征表达能力，进而满足教育质量评估及以此为基础的政策分析研究。在一些专业评估中，大数据会提供我们更多被评估专业之外的数据，如，相关产业的发展趋势、国内外其他同类专业的建设情况和发展趋势、已毕业学生的就业质量和发展潜力等。通过这些不同维度的数据评估，可以更为综合地给出被评估专业的位点和态势，从而更准确地为其未来发展给出数据支撑。

文章来源于：中国教育信息化

上一篇：《2016中国智慧学习环境白皮书》正式发布

下一篇：新一代人工智能发展规划即将发布