区域教育数字化发展研究 | 沈 健 罗 强：数据治理下的区域教育质量监测数据分析系统探究

引用格式

沈健,罗强.数据治理下的区域教育质量监测数据分析系统探究[J].中国教育信息化,2023,29(4):77-85.DOI: 10.3969/j.issn.1673-8454.2023.04.009.

区域教育数字化发展研究

数据治理下的区域教育质量监测数据分析系统探究

沈 健   罗 强

摘要：教育质量监测数据分析涉及海量的数据，迫切需要开展数据治理相关理论在教育质量监测数据分析领域的研究和运用。研究者采用文献研究和案例分析等方法，明确了教育质量监测数据分析阶段中数据治理的概念，剖析了区域教育质量监测数据分析系统的构建原则和框架：由功能模块、算法支撑和保障体系三个层级构成，包括12个功能模块、4个算法库以及贯穿全过程的数据质量保障体系；并以苏州市教育质量监测数据分析系统为例，阐述了数据治理理念在区域教育质量监测数据分析系统构建中的具体应用和实践：实现数据深度挖掘、监测工具质量分析、增值评价等功能的运用。最后，展望了区域教育质量监测数据分析系统的未来拓展方向。

关键词：教育质量监测；数据治理；数据标准化；数据分析系统；区域教育

中图分类号：G434

文献标志码：B

文章编号：1673-8454（2023）04-0077-09

作者简介：沈健，江苏省苏州中学园区校一级教师（江苏苏州 215021）；罗强，苏州市教育质量监测中心主任，正高级教师（江苏苏州 215006）

基金项目：江苏省教育科学“十三五”规划2019年度重点自筹课题“基于监测大数据的区域教育质量提升路径研究”（编号：E-b/2020/16）

一、教育质量监测数据分析系统的研究背景

构建义务教育质量监测体系是深化新时代教育评价改革，健全立德树人落实机制，扭转不科学教育评价导向的一项重要举措。《国家中长期教育改革和发展规划纲要（2010—2020年）》^[1]提出，应整合国家教育质量监测评估机构及资源，完善监测评估体系，定期发布监测评估报告。教育部于2007年成立基础教育质量监测中心，2012年成立中国基础教育质量监测协同创新中心，并从2015年起正式在全国范围开展义务教育质量监测。目前，国家基础教育质量监测和评价已实现工具研制、监测实施、数据分析、报告与评价等全链条、各环节的信息化管理与信息化流程的实施^[2]。一些地区在完成国家监测本地落实情况的同时，成立了省级、市级、县级教育质量监测中心或评估中心，并建成较为完善的质量监测和评价机制^[3]。

随着全国各地教育质量监测工作的深入推进，面对海量的监测数据，如何构建专业化、智能化的教育质量监测数据分析系统，对学业质量及相关因素数据进行连续跟踪和多维度横向比较分析，进而寻找提升教育质量的精准路径，成为制约教育质量监测事业快速发展的现实难题。

目前，国内关于义务教育质量监测的研究主要着眼于两个方面：一是义务教育质量监测的实施环节及其保障要素，主要包括监测工具研发^[4]、监测组织机构建设及运行^[5]、监测结果应用^[6][7]、信息技术对监测的保障^[2][8]等。二是监测项目实施主体和项目体系构建方面的研究，如国家监测、省级监测、地市监测和区县监测^[9-12]。以上两个方面互相交织，共同构成义务教育质量监测研究的内容体系。但对于如何运用大数据技术及相关理论，构建教育质量监测数据分析系统的相关研究文献还比较缺乏。

2015年，苏州市教育质量监测中心（以下简称“苏州监测中心”）首次启动了义务教育学业质量监测项目（以下简称苏州监测项目），实现了面向全市初中学生的连续追踪监测，形成了具有国际视野、国家标准、苏州特色的义务教育学业质量监测体系。该中心积极响应人工智能时代的教育评价改革，不断强化智能技术在监测实践中的应用，积极构建具有苏州特色的区域教育质量监测数据分析系统，逐步实现了标准化数据治理、智能化数据分析、可视化数据呈现等技术突破。

本研究采用文献研究和案例分析等方法，以国内外权威期刊上关于大数据、数据治理的文献为来源，进一步明确教育质量监测领域中数据治理的概念。同时，以苏州市教育质量监测数据分析系统的构建为例，结合教育大数据的特征和数据分析中面临的问题加以讨论，形成区域教育质量监测数据分析系统构建的原则和框架。

二、数据治理研究现状

教育质量监测领域涉及海量的数据。以2020年苏州市义务教育质量监测为例，数据采集共产生6000余万条数据记录，每条数据记录包含内容维度、能力、素养等不同结构、不同类型的数据。同时，在追踪分析中还需调用前几年的数据，导致需要处理的监测数据达上亿条。如何处理庞大复杂的数据集，并通过数据分析从中挖掘有用的信息，是各行各业面对大数据急需解决的问题。因此，数据治理也得到了各行各业的重视，成为业界研究的热点和重点。

国内外对于数据治理的定义已有几十种，但未能形成一个统一的标准。国际数据管理协会认为，数据治理是对数据资产管理行使权利和控制的活动的集合^[13]。IBM数据治理委员会通过结合数据特性和实践经验，有针对性地提出了数据治理的成熟度模型，将数据治理分为五级，即初始阶段、基本管理、主动管理、量化管理和持续优化^[14]。我国学者张一鸣将数字治理从标准体系、业务范围、控制范围、技术支持范围四个方面进行定义，使其涵盖管理、技术、标准三大体系^[15]。张宁等则认为，数据治理不仅是通过数据的管理提升数据质量，更强调流程设定和权责划分，是围绕数据资产展开的系列工作，以服务组织各层决策为目标，涉及有关数据管理的技术、过程、标准和政策的集合^[16]。

在信息化浪潮的推动下，研究者也对数据治理的框架进行了探索。如维贾伊·卡特里（Vijay Khatri）和卡罗尔·V·布朗（Carol V Brown）设计出数据治理的决策域模型，把数据治理划分为数据准则、数据质量、元数据、数据访问、数据生命周期五个决策域（见图1）^[17]。陈火全则将数据治理分为标准体系的构建、数据架构的组织、数据的管理以及数据安全的保障^[18]。

图1  数据治理框架

在教育领域，李青等提出，教育数据治理要做到数据标准化、数据融合共享、数据质量管理和用户数据隐私保护^[19]。洪伟等针对目前教育数据存在的不可知、不可联、不可控、不可取的现状，构建了一套包含治理目标、保障机制、治理域的体系框架^[20]。

综上所述，根据教育质量监测的特点，本研究认为对于教育质量监测，数据治理不单是一个方法、一个功能，或是一个工具，而是一整套体系^[21]，应当在监测全流程中运用数据治理的思想和方法。在数据分析阶段，数据治理主要指通过建立数据标准化体系，规范各类数据结构，通过数据构架提升关键数据分析的自动化、高效化，通过数据资产化管理和生命周期管理保证数据的安全性、有效性、时效性，通过安全和规范管理提升数据质量的综合体系。

三、数据治理理念下区域教育质量监测数据分析系统的构建原则

在教育质量监测的数据分析中，不仅要面对海量、多源异构的数据对数据管理、存储、处理和应用带来的挑战，在数据集成、分析处理时的数据质量问题更加严峻。为构建一个规范、快速、高可靠性的数据分析系统，根据数据治理理念，本研究认为在系统设计中应遵循以下四个原则（见图2）。

图2  数据治理理念下数据分析系统构建的主要原则

（一）数据来源标准化原则

监测数据包含学业成绩、相关因素得分等多类评价指标，存在不同的量纲和数量级。为保证数据分析结果的可靠性，需要对原始指标数据先进行无量纲化和同趋化的标准化处理^[22]。

无量纲化处理主要解决数据的可比性。通过去除数据的单位限制，将其转化为无量纲的纯数值，便于不同单位或量级的指标能够进行比较和加权。以苏州监测项目为例，无量纲化处理的过程包括：对于学生学科学业成绩，首先运用项目反应理论计算得到原始分数，然后将原始分数转换成标准分数（去量纲），再将标准分数通过线性变换转化成量尺分数（如以500分为平均分，100分为标准差）。对于相关因素数据，除调查题以百分比的形式呈现、少部分维度以原始分的形式呈现外，其余维度均将原始分转换成标准分（如以5分为平均分，2分为标准差的T分数）。

数据同趋化处理主要解决不同性质数据问题。对不同性质指标须先考虑改变逆指标数据性质，使所有指标对测评方案的作用力同趋化。在苏州监测项目中，相关因素指标的标准分（T分数）分数越高，表明在该指标上的状况越好，如在“学习品质”上的得分越高，表明学生学习品质越好；在“学业负担”上的得分越高，表明学生学业负担越轻。

（二）处理流程自动化原则

主要是指规范数据分析流程，固化数据操作流程。先将数据分析工作分解到操作流程，并为每一步流程制订规范，明确“4W1H”标准（What、Who、Where、When、How），在此基础上形成标准化流程；然后将流程固化为程序模块，实现机器算法替代人工劳动，使数据分析得以清晰、顺畅和高效地自动化运行^[22]。

自动化后的流程不会因执行人员的变动而出现品质和效率的改变，有效地保障了数据分析流程执行中的稳定性，同时也能提升监测数据分析效率、避免数据计算漏洞，并不断积累形成技术储备。

（三）算法管理资产化原则

该原则指将数据分析中的算法视为全新的数据资产形态，并以资产管理的标准和要求，制定相关规范、组织相关流程。在数据分析系统中，应通过为各个功能模块的算法分别建立各自算法库的方式进行管理。英国数据存储中心将研究型数据的生命周期归纳为有6个节点的环形结构模型：数据创建、数据加工、数据分析、数据保存、数据访问、数据再利用^[23]。

基于该模型，本研究将数据分析算法的生命周期分为：规划与定义、固化与存储、选择与使用、更新与迭代四个阶段（见图3）。在具体使用时，可以根据不同的项目需求，开发各类算法、各类指标和图表，完善后将其加入算法库；也可以针对不同监测项目从已有算法库中提取适用的算法，满足不同监测项目数据分析的个性化创新要求。

图3  算法库使用流程及算法资产生命周期示意图

（四）数据质量可靠性原则

数据质量可靠性原则是面向数据分析全流程的质量把控要求。主要涉及元数据管理、数据分析、数据清洗、数据监控和预警、数据质量评估等过程^[17]。

以苏州监测项目为例，在数据分析中，对数据分析过程制定了“双轨并行，双盲比对；无缝对接，无错流转”的规范制度；对数据监控和预警规划了“抽样校验、逆向校验”的校验技术方案，最大程度地保障了数据的可靠性。又如在数据清理环节，算法库中提供Java和Python两种编程语言的相关算法，可从不同路径独立实现数据清理，并对清理数据结果进行比对和校验，确保数据可靠无误后才能流转到后续分析环节。

四、苏州市义务教育学业质量监测的总体流程

苏州市义务教育学业质量监测项目采用“学校全覆盖、学生全参与、学科等比例抽样”的组织方式，每年对全市初中三个年级学生开展学业质量及相关因素的全过程纵向评价和多维度横向评价。监测内容主要由学业水平测试、学生相关因素问卷调查和教师相关因素问卷调查三部分构成，学业水平测试内容包括语文、数学、英语和科学四门学科。相关因素问卷包括学生身心健康、学习品质、一般学习行为、学业负担、学业支持等维度，以及影响学生发展的个体、学校、家庭、社会等多方面因素。

面对海量的监测大数据，快速准确的监测结果能够及时反馈需求，苏州监测中心在教育部基础教育质量监测中心的专业指导下，按照标准化流程和相关规范，构建了包括“工具研发、组织实施、数据采集、数据分析、数据呈现、结果运用”的苏州监测工作全流程的运行闭环（见图4），并在实施过程中，不断进行自我迭代和自我完善。

图4  苏州监测项目全流程的运行闭环

自2017年起，苏州监测中心逐步梳理和规划监测数据分析标准和规范，以数据治理为指导，基于经典测量理论（Classical Test Theory，CTT）和项目反应理论（Item Response Theory，IRT），借助大数据技术，形成了具有苏州特色的区域教育质量监测数据分析系统（以下简称“数据分析系统”）。2021年，该系统为苏州市义务教育质量监测处理63万余份试卷、6500余万条答题记录的监测数据，2周内高效且高质量完成数据分析，2月内完成了两个学段、三个层级、七种类型的批量基础数据报告模板41套，并面向苏州市各县市区、285所初中和501所小学发布监测基础数据报告3647份，全面保障了监测数据加工的效能。

五、苏州市教育质量监测数据分析系统的架构

教育质量监测的评价功能要求监测工作是一把高度精准的“刻度尺”，其诊断功能则要求监测工作成为打开教育过程“灰箱”的“体检仪”，为教育现状提供全面、便捷、快速、高效的健康体检^[24]。这些功能的背后，在数据分析环节，需要具有规范、快速、高可靠性的系统进行技术支持。苏州监测中心结合自身特点，运用数据治理的思想和方法，遵循数据分析系统构建原则，构建了苏州监测数据分析系统的架构（如图5）。

图5  苏州监测数据分析系统的流程及架构

数据分析系统前承数据采集环节，同时为后续的数据呈现环节提供数据支撑。与数据分析工作的6个环节相对应，系统由功能模块、算法支撑和保障体系三个层级构成，包括12个功能模块、4个算法库以及贯穿全过程的数据质量保障体系。

数据分析流程主要包括“建立项目、数据导入、数据清理、质量分析、计算分析和数据推送”6个环节。在“建立项目”中，设置本次监测的评价对象、评价内容、评价目标相关的信息数据。在“数据导入”中，从数据采集的各个系统中导入数据，并对数据进行初步校验，以确保数据格式一致。在“数据清理”中对导入的数据进行清理，去掉低质量、不合要求的数据，将其余规范、合理的数据进行整合，集中存放在数据库中。“质量分析”环节为监测工具提供质量分析报告，为监测工具的打磨和修订提供依据，并生成数据反馈到题库平台，形成业务闭环。“计算分析”环节对多源数据进行标准化，并计算报告所需的各类中间表数据。完成计算后，“数据推送”负责将数据推送到结果应用环节的各个平台和系统。

功能模块层共有12个模块，为各个流程提供支撑：“监测项目管理”是数据分析任务的起点，包含了监测任务在内容、目标方面的管理，提供管理多个数据分析任务并行的服务。“监测对象管理”为项目的监测对象构建三个虚拟层级，提供如“市—区域—学校”“市—集团—区域”等灵活的数据结构，以满足监测项目不同的数据分析需求。监测数据来源十分多元，涉及监测对象基础信息、工具维度信息以及答题记录。“数据标准化”模块负责与这些系统进行对接，提供标准化数据接口、整合各类数据、保障各系统内数据流转，规范数据结构、保持数据结构完整是数据分析的基础。“数据校验”模块负责对导入后的数据进行格式校验和完整性校验，剔除、修复不良结构。“学科数据清理模块”和“相关因素清理模块”能够有效处理缺失、错误、重复的数据，保障待处理数据的质量。“监测工具质量分析”模块基于多种统计分析方法，通过难度、区分度、能力值等指标，保障学科监测工具和相关因素工具的科学规范。“数据导出报告生成”模块批量生成工具质量分析报告，并导出供题库系统导入的工具质量数据，为工具研磨提供依据。“标准分计算”模块将原始答题记录转换为学科量尺分和相关因素标准分。“中间表计算”模块将标准分转为监测指标数据，如百分等级、四水平、增值追踪等。完成分析任务后，各项目的结果数据形成数据，由“数据池管理”模块统一管理，并通过“数据推送控制”模块按需推送到数据呈现环节的各个系统。

算法是数据分析的核心。算法层以算法库的方式对数据清理、标准分计算、中间表计算、图表生成等各个模块算法进行统一管理。对新的数据模型开发个性化算法进行稳定性、准确性测试，对成熟稳定的算法进行标准化封装，从而不断积累技术储备，形成苏州监测算法库。

为保障总体框架中的各个功能系统能够高质量安全运行，数据分析系统包含标准化的数据治理体系，包括数据资产管理、数据脱敏系统、数据质量控制等系统，并建立了一系列配套的数据分析的流程规范和监控标准，保障监测数据的安全、可信和高质量。

六、苏州市教育质量监测数据分析系统的运用

教育质量监测需要基于海量的、多维的、结构化的监测大数据对区域教育教学活动进行系统的价值判断。苏州监测数据分析系统极大地提高了监测数据的分析效率和评价效能，可以满足苏州市级各类监测项目数据分析的个性化需求，实现数据深度挖掘、监测工具质量分析、增值评价等功能。 

（一）通过丰富的算法库开展数据深度挖掘

区域教育质量监测数据分析系统的建设既要有稳定的基础设计，也要有灵活的功能拓展。稳定的基础设计是数据分析系统自动化原则的体现，具有相对统一的算法标准，逻辑结构也相对固定；灵活的拓展创新是数据分析系统能服务于各类监测的个性化需求。两者共同构成数据分析系统的算法支撑，使系统稳定又不失灵活，提升系统的适用性。

苏州监测中心的数据分析系统将监测算法库作为系统核心功能，基于算法库支撑，一方面不断将探索成熟、算法稳定后的模型进行标准化封装入库，固化为成熟算法；另一方面还配合监测中心对评价模型不断探索，将新的数据分析模型转换为算法，然后将算法用计算机编程封装入库。数据分析时各个流程可根据项目需要从库中选择合适的算法进行运算，从而推进数据的深度挖掘。

系统中目前已形成校验规则库、清理规则库、质量分析指标算法库和数据分析算法库，分别为数据导入、数据清理、质量分析和分析计算四个流程提供算法支持。各算法库均已积累了一定规模的算法作为技术储备，并随着监测工作的深入开展，正在不断形成新的算法。以清理规则库为例，到目前为止已包含适应各类项目需求，针对缺考、选项矛盾、题间逻辑矛盾、无效选项等多种情况的清理算法累计达106条。以数据分析算法库为例，既有对“百分等级”单一指标的不同算法，也有对描述教育生态的多维特征指标封装的算法，如教育均衡情况、生态健康情况等。

（二）开展自动快速的监测工具质量分析

苏州监测中心的监测工具质量分析基于经典测量理论和结构方程模型，通过构建质量分析模型和算法，对监测工具的命制质量提供客观有“证据”的数据分析，为分析试题、改进工具质量、改进教育教学提供量化指标。监测工具质量分析包含两个部分，第一部分是学科工具质量分析，对整卷质量的分析采用整卷难度、区分度、信度、整卷平均值和得分区间段百分比等指标；对各试题质量的分析采用难度、区分度、得分点的学生占比及平均能力值、各选项占比曲线、试题得分曲线等指标。第二部分是相关因素工具质量分析，主要包括检验各维度的信效度，信度通过SPSS软件进行分析，主要呈现各维度信度、删除该题项后的信度以及各题项的题总相关。效度通过Mplus软件进行分析，主要呈现各维度的验证性因子分析结果，呈现的指标包括卡方、自由度、拟合指标（RESEA、SRMR、CFI、TLI）以及各题项的因子载荷。

苏州监测中心的监测工具质量分析系统能批量生成图表和质量分析报告，并支持生成试题质量数据反馈到题库平台，从而在监测工具命制上形成业务闭环。以2021年为例，在苏州监测项目的全流程中，数据分析系统根据监测数据，自动处理并快速生成各科各级质量分析报告25份，其中学科工具质量分析报告22份、学生相关因素质量分析报告2份、教师相关因素质量分析报告1份，为监测工具质量的改进及提升，提供了更加多维可信的量化证据。

（三）构建科学、简明、直观的学生增值评价模型

增值评价是以学生进步幅度来衡量学校努力程度的一种评价方式，增值评价重视学生的学习起点，关注学习过程，依据一段时间内学生的学业水平、综合能力和素质等方面的表现，形成从起点看终点、从入口看出口的增值评价。苏州监测中心构建适用于苏州本土、易于一线教师理解和接受的多种增值评价模型，实现了对学校的连年追踪，从而能够更加公正、科学、有效地对各学校学业质量的发展状况进行精准的评估^[25]。

为此，苏州监测中心的数据分析系统建立了大规模的追踪数据库，利用智能采集技术获取学生学业水平成绩、学习品质、心理健康等纵向数据，实现百分等级增值评价模型和四水平增值评价的模型；利用数据库链接技术实现学生数据库与家庭、教师、学校等数据库之间的横向链接，实现单次监测的增值评价模型；通过SQL Server事件探査器的跟踪技术对数据进行跟踪，利用智能技术完成对数据库的维护，为苏州监测中心构建增值评价模型提供技术支持，为开展增值评价提供了数据支撑。

七、苏州教育质量监测数据分析系统建设的展望

经过多年的实践探索，苏州监测中心已初步构建了以“高信度的监测数据、高效能的数据加工”为特征的区域级教育质量监测数据分析系统，成为苏州教育质量监测工作的重要支点。苏州教育质量监测数据分析系统具有与以往基于经验的教育数据分析所不具备的独特技术手段和思维方式，实现了价值理性、工具理性和实用理性的完美统一。随着智能化时代的到来，大数据和教育质量监测需要更加深度融合，新的目标和需求将倒逼教育质量监测的数据分析进行技术突破，不断拓展广度、深度、精细度和效能，也倒逼我们不断提升专业能力，推动我们的探索走向教育测评领域新的无人区。

区域教育质量监测数据分析系统的建立并非一日之功，随着全国范围教育质量监测工作的深入推进，必将面临更多的新问题和新挑战，无论是底层的基础研究，还是相关的技术，从工具研发、数据采集到监测结果的报告与使用，每个环节都有很多问题值得深入研究与探讨^[2]。面对预先规划后采集的教育数据富矿，如何利用智能技术提高数据挖掘能力，做到发现经验、寻找问题、预判预警？如何揭示监测数据背后人与情的细节、事与理的逻辑，从而精准指导学校做好监测结果运用？如何利用智能技术找准数据之间深层次的联结关系和作用机制，从而形成科学决策？如何基于多维监测数据，在系统改进的层面上促进教育生态的良性发展？这些新挑战都有待教育质量监测领域的同行共同努力。

参考文献

[1]新华社.中共中央办公厅 国务院办公厅印发《关于深化新时代教育督导体制机制改革的意见》[EB/OL].(2020-02-19)[2022-02-17].http://www.moe.gov.cn/jyb_xxgk/moe_ 1777/moe_1778/202002/t20200219_422406.html.

[2]田伟,杨丽萍,辛涛,等.科技赋能教育监测与评价：现状与前瞻[J].中国远程教育,2022(1):1-11,92.

[3]刘丽霞.大数据背景下成人教学质量监测研究[J].继续教育,2017,31(5):15-18.

[4]王燕春.省级基础教育质量监测学科工具研发初探[J].时代教育,2016(24):33.

[5]张爱兰.构建政府支持、独立运转的基础教育质量监测与保障机制[J].教育测量与评价(理论版),2010(8):12-15.

[6]杨莹莹.区域义务教育质量监测何以止于报告——基于学校层面监测结果使用的思考[J].教育理论与实践,2019,39(26):3-6.

[7]郭滇华,王合义.关于实施义务教育质量监测的调查研究——基于天津市16个区县的调查[J].天津市教科院学报,2016(4):32-35.

[8]张敏强,凡细珍,郭凯茵,等.大数据理念下教育质量监测评价的变革与发展[J].现代教育论丛，2016(3):2-6.

[9]李凌艳,陈慧娟.推进我国基础教育质量监测制度建设的基本战略与体系保障[J].中国教育学刊,2020(3):68-73.

[10]辛涛,赵茜.基础教育质量监测评价体系的取向、结构与保障[J].国家教育行政学院学报,2020(9):16-23,43.

[11]李凌艳,任晓琼,江照富.我国区域基础教育质量监测的探索与思考[J].中国教育学刊,2017(12):37-41.

[12]周家荣.基础教育质量监测的机制及体系构建[J].上海教育评估研究,2016(5):1-7.

[13]DAMA. DAMA: Guide to the data management body of knowledge[M]. USA: Technics Publications, LLC, 2009:5-47.

[14]IBM Corporation. The IBM Data Governance Council Maturity Model: Building a roadmap for effective data governance[R]. USA: IBM Corporation, 2007.

[15]张一鸣.数据治理过程浅析[J].中国信息界,2012(9):15-17.

[16]张宁,袁勤俭.数据治理研究述评[J].情报杂志,2017,36(5):129-134,157.

[17]VIJAY K, CAROL V B． Designing data governance[J]. Communi-cations of the ACM,2010,53(1):148-152．

[18]陈火全.大数据背景下数据治理的网络安全策略[J].宏观经济研究,2015(8):76-84,142.

[19]李青,韩俊红.数据治理：提升教育数据质量的方法和途径[J].中国远程教育,2018(8):45-53,80.

[20]洪伟,徐峰,任剑岚,等.省级教育数据治理探索与实践[J].中国教育信息化,2020(3):7-12.

[21]黄乙中.浅谈数据治理建设方案[J].轻工科技,2020,36(1):65-67.

[22]叶宗裕.关于多指标综合评价中指标正向化和无量纲化方法的选择[J].浙江统计,2003(4):25-26.

[23]UK Data Service. Research Data Lifecycle[EB/OL]. (2019-08-12)[2022-02-17]. http://www.data-archive.ac.uk/create-manage/life-cycle.

[24]罗强.高品质：教育质量监测的目标追求[J].江苏教育,2020(42):10-13,28.

[25]罗强,冯杰.学业质量监测增值评价模型的探索[J].中小学信息技术教育,2019(10):11-16.

Exploration and Practice of Regional Education Quality Monitoring Data Analysis System under the Concept of Data Governance

Jian SHEN¹, Qiang LUO²

（1.Suzhou High School-SIP, Suzhou 215021, Jiangsu;2.Suzhou Education Quality Monitoring Center, Suzhou 215006, Jiangsu）

Abstract:Education quality monitoring data analysis involves massive amounts of data and warrants urgent research and application of data governance related theories. This paper employs research methods such as literature review and case analysis, to clarify the concept of data governance in the data analysis stage of education quality monitoring and explore the construction principles and framework of the analysis system. Using the Suzhou Education Quality Monitoring Data Analysis System as a case study, the paper elaborates on the specific application and practice of data governance concepts in the construction of regional education quality monitoring data analysis systems. The overall framework of Suzhou’s monitoring data analysis system consists of three levels, including functional modules, algorithm support, and a guarantee system, which consists of 12 functional modules, 4 algorithm libraries, and a data quality guarantee system that runs throughout the entire process, enabling functions such as deep data mining, quality analysis of monitoring tools, and value-added evaluation. This research can provide a reference for the construction and application of regional education quality monitoring data analysis systems.

Keywords:Education quality monitoring; Data governance; Data standardization; Data analysis system; Regional education

编辑：李晓萍  校对：王天鹏

点击此处 在线投稿

期刊热点

期刊简介

《中国教育信息化》创刊于1995年8月，是由中华人民共和国教育部主管，教育部教育管理信息中心主办，面向国内外公开发行的国家级学术期刊。期刊内容力求全面深入地记录我国教育信息化的建设进展、研究与应用成果和行业发展状况，开展我国教育信息化发展状况调研和教育信息化国际比较研究，服务于国家教育宏观决策；力求全面准确地把握教育信息化相关的方针政策和标准规范，及时追踪ICT前沿技术的发展趋势及其与教育的融合，深度挖掘教育信息化建设与应用的体制、机制创新，服务于我国教育信息化实践。

●RCCSE中国核心学术期刊

●中国人文社会科学（AMI）扩展期刊

●中国期刊全文数据库收录期刊

●中文科技期刊数据库收录期刊

●国家哲学社会科学学术期刊数据库收录期刊

●中国核心期刊（遴选）数据库收录期刊

●龙源期刊网收录期刊

一年12期，每月20日出版

20元 / 期，邮发代号：82-761

编辑部邮箱：[e-mail]

通讯地址：北京市西城区华远北街2号921室