深度 | 首师大方海光教授等：面向教育数字化服务的教育数据模型体系研究
本文大概
11291
字
读完共需
25
分钟
摘要：大规模数据模型是国家教育数字化服务平台建设应用科学化和精准化的基础，也是解决当前“互联网+教育”生态下的教育数据难以重用、互操作性差、重复建设、数据孤岛等问题的关键。如何组织和构建可重用的教育数字化服务平台的教育数据模型体系，从而增加教育数据模型的灵活性和可扩展性，减少教育数据模型重复建设，是当前亟待解决的基础性问题。因此，以学习对象为基础提出教育数据对象，并基于教育数据对象构建可重用的教育数据模型体系，明确具体的操作机制，形成面向教育数字化服务的教育数据模型体系构建过程。基于此，进一步确定模型体系的层级组织结构，探析其共享通信机制，并通过案例分析，呈现模型体系的应用过程，实现区域教育数字化服务平台间教育数据模型的互联互通和可重用。
关键词：数据对象；数据模型；可重用性；教育大数据
摘要：大规模数据模型是国家教育数字化服务平台建设应用科学化和精准化的基础，也是解决当前“互联网+教育”生态下的教育数据难以重用、互操作性差、重复建设、数据孤岛等问题的关键。如何组织和构建可重用的教育数字化服务平台的教育数据模型体系，从而增加教育数据模型的灵活性和可扩展性，减少教育数据模型重复建设，是当前亟待解决的基础性问题。因此，以学习对象为基础提出教育数据对象，并基于教育数据对象构建可重用的教育数据模型体系，明确具体的操作机制，形成面向教育数字化服务的教育数据模型体系构建过程。基于此，进一步确定模型体系的层级组织结构，探析其共享通信机制，并通过案例分析，呈现模型体系的应用过程，实现区域教育数字化服务平台间教育数据模型的互联互通和可重用。
关键词：数据对象；数据模型；可重用性；教育大数据
作者 | 方海光,孔新梅,洪心,万宇婷
来源 | 远程教育杂志
01
研究背景及问题的提出以高水平的教育信息化引领教育现代化，建立教育数字化公共服务体系，是紧紧抓住数字教育发展战略机遇的方式之一（新华网，2022）。大规模数据模型是国家教育数字化服务平台建设应用科学化和精准化的基础，也是解决当前“互联网+教育”生态下的教育数据难以重用、互操作性差、重复建设、数据孤岛等问题的关键。国家《关于推进教育新型基础设施建设构建高质量教育支撑体系的指导意见》中明确提到，完善国家教育数字化教育资源公共服务体系，以及依托“互联网+教育”大平台，创新教学、评价、研训和管理等应用，开发教师能力评估，客观分析学生能力等（中华人民共和国教育部网站，2021）。同时，《中华人民共和国国民经济和社会发展第十四个五年规划和 2035 年远景目标纲要》中也提出，“以数字化转型整体驱动生产方式、生活方式和治理方式变革 ” （ 中华人民共和国中央人民政府网站 ，2021）。数字化教育高质量发展是营造良好数字生态的基础，挖掘数据开发模型，有助于推动数据资产价值化。
如何组织和构建可重用的国家教育数字化服务平台教育数据模型体系，从而增加教育数据模型灵活性和可扩展性，减少教育数据模型重复建设并提高教育数据模型的重用性，是当前亟待解决的基础性问题。根据教育数据模型应用主体的相关研究，教育数据模型主要分为三种类型：
第一类是面向源于学生主体数据的学生成长模型。有研究通过构造能力属性标签、行为属性标签和兴趣属性标签，提出了基于可视化学习分析的研究性学习学生画像（余明华，等，2020）；也有研究通过聚合学习行为数据构建了五维度综合评价参考理论模型（郑勤华，等，2016）；还有研究提出面向群体的协作学习者投入特征画像（马志强，等，2022）。
第二类是面向源于教师主体数据的教师发展模型。有研究提出数据驱动的教师网络研修社区数字画像，包括基础信息、研究资源、研修活动和研究成效四个维度（王永固，等，2020）；也有研究提出教师画像，基于五类教研数据构建了教师特征模型、教研心理模型、社会交互模型、教研行为模型和教研成果模型（胡小勇，等，2019）；还有研究以在线学习环境中产生的师训数据，基于 xAPI 行为标准，构建了“知识特征、行为特征、态度特征和资源偏好特征”的教师特征模型（黄建国，等，2020）。
第三类是面向区域学校主题数据的区校治理模型。有研究提出基于学校信息、教师信息、学生信息、学校资产、学校财务、学校教学、学校招生和学校科研八个维度，具体刻画画像标签，建立学校画像概貌（薛耀锋，等，2020）。
从教育数字化服务基础来看，学习对象的高共享性特征支持数字化资源，以提升高可用性生态资源。
从学习对象资源的公共服务建设应用来看，有研究提出基于学习对象的教学资源设计和流程（李玉顺，等，2012），还有研究者提出基于学习对象化的移动学习资源自适应引擎（方海光，等，2009a）和构建移动学习资源对象单元（方海光，等，2009b）。
从学习对象的分类来看，根据内部结构特性分类法，学习对象可以分为基本型、组合—封闭型、组合—开放型、 生成—演示型和生成—教学型（Cisco Systems，2000）；根据聚合度结构大小和表现形式，学习对象可以分为最小层次上的聚合、原子层的聚合、原子层学习对象的聚合和最大粒度上的聚合（IEEE，2020b）。
从学习对象技术标准来看， 其元数据相关标准诸多，近年来所更新的标准，包括国外的《DCMI元数据条款》（Dubin Core Metadata Initiative，2020）、全球学习联合公 司 IMS 的《用于学习对象元数据的IEEE1484.12.1-2002 标准的 IMS 元数据最佳实践指南》 （IMS GlOBAL Learning Consortium，2006）、IEEE学习技术标准委员会 LTSC 的 《IEEE 学习对象元数据标准》（IEEE，2020a），国内的教育部教育信息化标准委员会 CELTSC 的《信息技术学习、教育和培训学习对象元数据》（教育部教育信息化技术标准委员会网站，2020）；其内容包装标准包括全球学习联合公司的《IMS 内容打包信息模型》（IMS GlOBAL Learning Consortium，2001）。学习对象的数据模型，建立在学习对象元数据标准和学习对象内容包装标准上，通过可扩展标记语言 XML 描述和绑定（刘清堂，等，2003）。
当前， 面向教育数字化服务的教育数据模型的开发和构建速度快、种类多，国家和区域建设的教育数字化服务平台中， 包含了大量独立的教育数据模型，但其存在针对性不强，教育数据模型重复建设、共享困难、难以重用、互操作性差等诸多问题。未来，教育数据模型建设孤立现象将会越来越突出。
02
基于学习对象的教育数据模型构建方法（一）基于学习对象的教育数据对象构建方法
作为教育数字化服务基础的学习对象是任何具有重用特性并用来支持学习的数字化资源 （Wiley，2002），其关键特性包括数字化、可重用性、教学性、互操作性等（袁小芬，等，2008）。国内有研究者认为，学习对象是在结合面向对象的计算机科学思想以及有关教学理论基础之上而产生的一种新型计算机辅助教学构件（胡小勇，等，2002）。由此可知，学习对象的理论主要分为两个方面：一是计算机科学思想层面的面向对象，二是教育学层面的有关教学理论基础。有研究提出可重用学习对象是围绕特定学习目标组织实施（刘清堂，等，2015），以学习内容为核心，他组织编排学习对象序列化单向信息传递（杨现民，等，2010）。学习对象的出现解决了数字学习领域教育资源的重复建设、混乱无序、共享困难等问题。因此，为解决当前教育数据模型难以重用、 互操作性差、建设重复、模型孤岛现象明显等诸多问题，本研究提出了教育数据对象。
综上所述，教育数据对象是以面向对象的计算机科学思想以及有关教育教学评价理论为基础，以教育数据模型维度特征为核心，通过组织编排教育数据对象进行信息传递，在不同教育教学情境之下获取可被多次重复使用的数据，从而实现教育数据模型的可重用、可共享、可扩展。学习对象和教育数据对象的概念特征、理论基础、主体本质、信息模型、目标实现方式和信息组织等比较，如表 1 所示。
表 1 学习对象和教育数据对象的比较
（二）基于教育数据对象的教育数据模型构建方法
教育数据具有规模大、来源广泛、类型多样、处理速度快、时效性高等特点（Daniel，2019），而教育数据模型是人工智能大数据时代捕捉和挖掘教育表征的战略工具。教育数据模型通过从复杂的教育现象提取出关键要素加以定量刻画，以独立数据维度组合形成，依据可重用的教育数据对象，围绕特定模型需求组合排列起来，为教育数据平台提供科学、完整、全面的数据应用支撑，是数据应用科学化、精准化和干预的核心基础。从宏观来看，教育数据模型是对教育现象和本质特征的表征；从微观来看，教育数据模型是搭建理论框架和实践活动的桥梁融合（Oh，et al.，2011）。
03
面向教育数字化服务的教育数据模型体系建构过程在教育数字化服务平台建设中，包含了大规模的教育数据模型，其构建的一般过程是从数据采集到数据分析再到数据建模。例如，从数据采集到数据挖掘分析和分析结果呈现，构建了一套完整的基于大数据的普通高中多源多维综合素质评价模型（张治，等，2017）。那么，如何将静态的封闭的教育数据模型转变为动态的开放的模型是一个关键问题， 从而减少资源浪费和人力浪费，使社会对教育数字化服务平台构建模型投入到可重用、可扩展、可定制和高质量的教育数据模型。本研究梳理了面向教育数字化服务的教育数据模型体系构建过程，如图 2 所示，每个阶段过程，具有一定粒度的、独立的、可重用的“数据”均为教育数据对象，不同层级的教育数据对象，通过继承、封装、聚合、重载和多态等操作机制，进入更抽象一层的教育数据模型体系的构建过程。
数据对象构建数据模型，能清晰地反映各相关对象间的组织关系（ISO，2019）。教育数据模型构建的操作机制包括元操作机制、数据操作机制和业务操作机制，包含五种具体的操作方法，分别是：继承、封装、多态、聚合和重载。
第一，继承是指基于上一阶段数据对象的追加和扩展， 对现有数据对象的方法和操作生成新数据对象， 新数据模型再依据原数据模型对其自身特征进行充分的完善和补充；第二，封装是指基于各种方法和变量合并于数据对象， 具备一定的可保存范围和可执行操作， 从而隐藏数据对象内部细节并向上或向外提供一致的接口，实现“高内聚低耦合”，使教育数据对象的可重用性、 移植性和可维护性极大增强；第三，多态是同一操作对不同数据对象具有不同表现形式和形态， 即同一接口使用不同的数据模型或对象而执行不同的操作， 有利于降低其之间的包含关系， 并提高教育数字化服务平台代码的可扩充性；第四，聚合是指基于多个数据对象聚合成一个新的数据对象，二者是整体和部分的关系，并且整体和部分相互独立，可实现某种功能和效果，是新数据对象的基础；第五，重载是指根据不同的需求目标，教育数据对象针对其参数类型和个数进行最优选择的一种数据处理策略，从而采取不同的数据操作方法，实现不同的功能效果。
教育数据对象通过继承上一阶段教育数据对象的属性和方法来实现继承操作，可以是单重继承，也可以是多重继承， 从而作为该阶段的教育数据对象选择性新增属性和功能， 可重载数据形态并遵循相关教育教学理论聚合同阶段的教育数据对象， 封装成一个完整的、 独立的、 可重用的新的教育数据对象。因此，教育数据模型体系通过继承、封装、多态、聚合和重载的五种具体操作方法，构建了“数据元—数据属性特征—数据指标维度—数据模型种类”的四个过程，具体如下： （1）数据元：数据元又称数据元素，按数据元值的数据类型可分为文字型数据元和数值型数据元（张宏军，2014）。教育数据模型的构建基于所采集的数据， 往往是多源异构地分散在教育数字化服务平台中。根据教育现代化平台能采集到的常见数据，本研究将教育数据模型构建的元数据分为数值型数据元、文字型数据元、图像型数据元、音频型数据元和视频型数据元。对多源异构数据的挖掘分析，主要是通过学习多个模态数据中的信息实现各模态信息的转换和交流（陈烨，等，2021）。每一个多源异构的数据及数据元素，均为一个教育数据对象。例如，为实现对学生深度学习发生程度的精准评价，应依据深度学习的多模态数据测评框架，其基础是综合性采集与分析学习者的生理数据、 课堂参与数据等多模态数据（马云飞，等，2022）。
（2）数据属性特征：在对模型需求有一个全面完整的认识基础上，基于上一阶段的“数据元”教育数据对象执行元操作机制，形成新的教育数据对象“属性特征”，理顺数据元中蕴含的逻辑及特征，提取出反映教育数据模型样态的要素。基于指标体系中不同维度数据的采集难易程度及技术要求， 提出包含必选数据项、可选数据项及拓展数据项的 MIPAL 数据模型（张治，等，2021）。本研究将教育数据模型的属性特征，分为必选属性、可选属性、拓展属性和特有属性。必选属性是表达教育数据模型需求的关键的、不可替代的属性，也就是试图反映该教育数据模型必须要采集到的属性。可选属性是不影响表达教育数据模型的特征，不起决定性作用，根据采集到的数据以及教育数据模型用户需求选择性描述观测点。拓展属性是指基于必选属性和可选属性之外的可新增的数据属性， 有利于用户表达该区具有特色的教育数据模型。特有属性是指区别于其他属性特征的数据要素。因此，可通过选择性的方式对数据属性加以补充和说明。
（3）数据指标维度：教育数据模型维度构建要遵循科学性原则、 整体完备性原则和相互独立性原则等，即指标维度 x、指标维度 y……指标维度 z 之间相互独立又整体完备。有研究结合德尔菲法和层次分析法， 建立群体多重投入特征的分析指标及权重（马志强，等，2022）。基于必选属性、可选属性、拓展属性和特有属性的教育数据对象执行数据操作机制形成指标维度 x，每个指标维度是一个教育数据对象，可反映和解决某一个问题，应用不同的方法操作重构指标维度 y，多个指标维度聚合介于不完全和过于完全之间来解释该教育数据模型的全貌，从而也使指标维度的具体表现和信息采集点， 更为明确并增强可实施性。
（4）数据模型种类：每一个教育数据模型均为一个教育数据对象， 其可重用性和可共享性能够减少社会资源的浪费。基于完整的指标维度执行业务操作机制，形成较为稳定的和满足业务需求的教育数据模型之后，我们只需不断迭代丰富和优化模型。本研究将教育数字化服务平台常见的教育数据模型，分为驾驶舱类、智能画像类、实时监测类、诊断预测类和定制功能类。驾驶舱类模型主要用于为服务用户提供从宏观到微观数据的展示、分析及价值挖掘，通过教育数据可视化大屏形成具体的数据展示，支持多角色分级授权数据；智能画像类模型包括学生综合素养画像、教师专业能力画像、学校发展画像、区域画像等各类数字画像；实时监测类模型是指根据产生的实时数据，对师生校情况等多方面进行状态监测，从而对异常数据进行预警；诊断预测类模型是指诊断当前发展真实的状况，发现表象背后深层次的问题，预测未来的发展走向，从而进行科学的价值判断的一类模型；定制功能类模型是导向用户需求的系统功能定制的一类模型。
04
面向教育数字化服务的教育数据模型体系层级组织结构应用教育数据模型的过程是教育数字化服务平台作出价值判断的过程，而数据采集点是教育表征进行刻画的基础和关键，是价值理性和工具理性的统一体，一个科学合理的教育数据模型是价值、逻辑和结构的目标一致，结构统一和指标一体化的统一。基于需求目标决定教育现象主客体的结构、属性和功能等特征的处理过程，反映了数据变量关键要素及其层级的相互关系。因此，明确教育数据模型的层级结构是首要问题，从而可以系统地通过层级组织结构，来分析数据与模型需求的目标一致性。
教育数据模型是通过多次迭代形成的教育数据对象，强调其动态性和生成性。一方面，构成教育数据模型的教育数据对象之间的关系是不断生成变化的；另一方面，针对不同的教育数据模型需求以及不同的区域特征、不同的区校基础设施等，不同的教育数据对象及其采集点需保持动态调整。图 3 中可重用教育数据对象模型需求指标维度之间的关系仅是举例说明，在实际应用过程中，教育数据对象之间的关系是复杂的，需要组织编排他们之间的关系。
（1）教育数据模型目标：模型构建的价值在于满足实际需求、解决实践问题（王怀波，等，2020）。以教育应用实践为导向的价值取向决定了教育数据模型的要点需求、理论支撑和构建思路等，将教育数据模型的价值理性和工具理性有机统一。如，教育数据测评模型的构建，建立在一定理论假设和目标需求的价值立场基础上（范涌峰，等，2019），同时保持与教育人文属性之间的合力。教育数据模型需求的落脚点是明确学生、教师、管理者等用户对象及为他们提供某一精细化的服务，不仅体现教育活动的客观规律，而且促进社会进步和人类自身发展。模型需求决定各层级的教育数据对象的目标，且各教育数据对象的目标具有一致性，其每层级教育数据对象是符合国情和区域特点的，从实际出发组合而成的教育数据对象满足可接受性和可行性。
（2）教育数据对象编排：在编排数据对象时，需考虑他们之间的复杂关联性、包容性、交叉性和排斥性等，即在建立教育数据模型时，同一层级全面、精准、简洁地反映需求目标的数据对象且相互独立组合而成，他们之间不存在任何包含与被包含的关系、因果关系等。此外，同一层级的教育数据对象具有整体完备性的特点。教育数据对象编排有两种方式，一种是数据对象之间为平行逻辑的横向展开方式，另一种是数据对象之间存在一定时序逻辑的纵向展开方式。如，E1 可以单继承也可以多重继承聚合封装成新的教育数据对象 E1，此时 I1、I2 和 I3 三项介于不完全和过于完全之间来精确表达 E1 教育数据模型，A1 和A2 相互独立且完整表达 I1， 具体 A1、A2、I1 之间的运算关系和逻辑关系由其本身的含义决定和影响。
（3）教育数据对象指标：教育现象具有内隐性、价值性、生成性等特点，教育数据对象需对其进行具体的界定和说明；而数据采集点作为教育数据模型最具体、最直接、可测性最强的数据，从操作性定义出发遵循一定规则和逻辑生长定量刻画（高书国，2015），对其进行可观测、可度量的界定，影响着对象模型的信效度，是最基础和最关键的层级。如，基于多模态数据分析视域下的深度学习评价，注重真实的教育过程挖掘和实践改进，从而实现教育规律、本质与价值（胡航，等，2022）。数据采集点的选择和定义，一般有三种方法：一是汇聚教育数据对象模型的静态特征点执行数据元操作；二是汇聚教育数据对象模型的动态特征点执行数据元操作；三是混合教育数据对象模型的动态特征点和静态特征点执行数据元操作。教育数字化服务平台上采集到的所有数据，并不是在每一个教育数据模型中都会用到，而是遵循一定的原则组合和封装采集点，是数据实践层采集的数据与上一层级的教育数据对象之间建立关系，是映射和反映描述其特征的数据，从而进行采集点选择。如，由图 3 可知，教育数据对象 A1 选择 D1和 D7 数据点进行测量。
05
面向教育数字化服务的教育数据模型体系共享通信机制教育数据模型的动态演化发展和独立灵活调配复用，源于其之间按照某种协议和规则传送数据对象，为了实现教育数据模型之间的高度共享与互通，以及在不同教育数字化服务平台中重复使用和互操作，本研究提出了面向教育数字化服务的教育数据模型共享通信机制，如图 4 所示。用户端内嵌标准化的数据存储方法，让教育数字化服务平台理解和利用结构信息，基于相应的共享通信机制与外界交换，传递信息至服务器端，从而达到适应性学习。
教育数据对象及模型与教育数字化服务平台的共享通信机制，整体流程如下：首先，服务器端向用户端发送请求，之后，教育数据对象通过对教育数据模型的聚合封装，实现教育数据对象在教育数字化服务平台的存储与传递的数据处理模式，传输过程的最后是关闭请求。教育数据对象可以是单维度的教育数据模型，也可以是多维度组合的教育数据模型。如何组合和拆分教育数据模型维度及属性特征，根据模型需求而定。这些数据模型、模型维度以及属性特征， 都可按照相应规范和理论自由拆分、组合、扩展和复用。各教育数字化服务平台和其服务器既可以保持其教育数据模型的原状态，还可以根据各平台系统特有的采集数据，扩展成具有特色的区域教育数据模型。
06
面向教育数字化服务的教育数据模型体系区域应用案例分析在国家和区域面向教育数字化服务平台建设的典型案例中，通过采集、汇聚教师大数据，建立教师数字画像以改进教师管理、支持学校决策，基于平台的教师数据模型具备大规模的数据模型基础。本研究选取教师能力画像模型，以说明教育数据对象与教育数据模型的典型应用。
（一）区域 A 的教师能力画像教育数据模型构建
区域 A 基于教育经验和教育理论以及运用各类数学模型方法，借助教育数字化服务平台，将采集到的可观测、可度量丰富的“数值型、文字型、视频型”等数据元采集点，执行元操作机制并编排形成关于教师能力的属性特征封装组合序列化，形成指标维度，包括总体信息情况、教育教学能力、组织管理能力、科学研究能力和职业发展能力的教育数据对象指标。最后，执行业务操作机制形成智能画像类教育数据模型，以满足教师能力评估需求目标。为此，区域 A 的教师能力画像数据模型如图 5 所示。
（二）区域 B 的教师能力画像教育数据模型构建
区域 B 根据教育数字化服务平台所采集到的数据，以建立教师能力画像数据模型为目标，此时，区域 B 教育数字化服务平台服务器端发出请求寻找“教师能力画像”数据模型，用户端区域 A 教育数字化服务平台做出响应，将教师能力画像数据对象传输至区域 B 的教育数字化服务平台（共享通信机制①），此时区域 B 关闭请求。区域 B 基于此平台采集汇聚的数据时，得出教师的“师德修养”为区域 B 发展的特色，以及信息技术在课堂应用为区域 B 近年来培训教师的重点，并且在区域 B 的数据库当中，没有搜索到“课题项目题目”数据，但存在“获奖课题项目数”采集点。区域 B 教育数字化服务平台基于区域A 的教师能力画像教育数据模型的不同层级对象进行继承、封装、聚合、重载、多态操作机制，形成具有区域 B 师德修养特色的独立的新的“教师能力画像”数据模型，如图 6 所示。
（三）面向教育数字化服务的教育数字化服务体系应用分析
本研究对北京两个区的教育数字化服务体系案例的应用过程进行分析， 区域 B 的教师能力画像数据模型，基于区域 A 的教师能力画像数据模型通信传输到区域 B，将可重用的教育数据对象在继承、封装、重载等操作机制上，形成具有区域 B 特色的教师能力画像数据模型，如图 7 所示，在教育数字化服务平台间传递迭代演化，解决重复劳动和模型孤岛问题。因此，通过案例可以说明，这两个区域的教育数据模型体系， 在具体操作机制上形成满足区域教育发展需求的教师能力画像数据模型，并在区域教育数字化服务平台间，通过共享通信机制实现教育数据模型互通，进而实现教育数据模型的可重用性。
07
结语教育数据模型是国家教育数字化转型战略的基础，其不再仅仅关注海量数据的体量，而是借助教育数据洞察教育现象的本质。国家教育数字化建设推动教育大平台开发和教育数据模型应用，当前，我国教育数字化服务建设中的教育数据模型积累迅速，构建可重用的、可共享的教育数据模型体系，将会解决模型建设重复、模型建设孤岛、数据资源浪费等诸多问题。本研究提出融合继承、封装、聚合、重载和多态操作机制来构建教育数据模型，形成可重用的教育数据模型体系，从而实现不同教育数字化服务平台系统之间教育数据模型的交换和共享，提升教育数据模型的共享和更新，以适应教育数字化战略转型的新型教育大数据中心模型体系的高质量发展。综上所述，面向教育数字化服务的教育数据模型体系研究的下一步内容包括：
（1）教育数据共享。立足人工智能教育时代基于教育大数据的数据对象构建数据模型， 为海量多源数据的融合和共享的时效性，以及为科学化和精准化的教育数字化服务平台，提供了客观、全面的数据支撑， 为实现跨平台的数据共享和交换的规范化提供了基础，同时，对数据模型开发和解决模型孤岛问题，具有促进意义。
（2）教育模型重用。教育数据对象可以供不同使用者在不同时间、不同地点出于各种需求目标，对各类教育数据对象执行追加封装、组合编排等操作，以及梳理包含关系等，从而建立科学合理的教育数据模型并支持定制化使用，实现模型的可持续和可重用的持久发展。 （3）教育经验量化。教育数据模型是定量描述与其价值判断的结合统一体，其过程是循序渐进地基于经验不断优化而产生，并尽可能反映教育现象，如依据重组数据元的方式、数据对象的粒度、对象指标的降维和提纯、动态重组的样态等积累数据运算的经验、主观价值的经验和教育实践应用的经验等，以期彰显教育数据模型的外延价值，逐渐形成高质量的教育数据模型。
（4）教育案例演化。基于数据对象和数据模型构建的具体案例应用，在时间推移下持续演变，例如，外界的教育实践、教育政策变化和各区特色要点等，以及内部以需求目标为核心的数据模型聚合封装细粒度的数据对象关联数据项，自下而上支持使用者更新对象化模型，再定制促使对象化的内容高度内聚，以调整和修订对象模型，体现个性化的教育教学性和精准化的模型演化。
此外，在本研究中值得讨论的是教育数据模型的粒度，较高级抽象的教育数据对象是基于低级教育数据对象组合编排而来的，由于各教育数字化服务平台采集到的数据不完全一致，采集点是否出现将影响整个模型的稳定性。在下一阶段的研究中，我们将着重对不同粒度的数据模型进行具体实践应用，而且在教育数据对象解决了教育数据模型封闭僵化的困境、丰富经验积累以及案例演化迭代基础上，对海量动态生成的教育数据模型组织、导航和自主推荐于教育数字化服务平台进行优化，以实现类似“大脑”的智慧。
参考文献
向上滑动阅览
[1]陈烨，周刚，卢记仓，2021.多模态知识图谱构建与应用研究综述[J].计 算机应用研究（12）：3535-3543.
[2]范涌峰，宋乃庆，2019.大数据时代的教育测评模型及其范式构建[J]. 中国社会科学（12）：139-155+202-203.
[3]方海光，刘静，黄荣怀，等，2009a.基于学习对象化的移动学习资源自 适应引擎的研究[J].中国电化教育（7）：51-55.
[4]方海光，吴淑苹，李玉顺，2009b.基于 EML 构建移动学习资源对象单 元的研究[J].现代教育技术（12）：75-79.
[5]高书国，2015.教育指标体系———大数据时代的战略工具[M].北京：北 京师范大学出版社：80.
[6]胡航，杨旸，2022.多模态数据分析视阈下深度学习评价路径与策略[J]. 中国远程教育（2）：13-19+76.
[7]胡小勇，林梓柔，2019. 精准教研视域下的教师画像研究[J].电化教育 研究（7）：84-91.
[8]胡小勇，祝智庭，2002.学习对象理念的发展历程[J].电化教育研究 （9）：14-9.
[9]黄建国，唐烨伟，范佳荣，等，2020.基于 xAPI 的在线学习环境中精准 师训画像构建研究[J].中国电化教育（4）：102-108.
[10]教育部教育信息化技术标准委员会网站，2020.信息技术学习、教育 和培训学习对象元数据[EB/OL].[2020-04-08].http：//www.celtsc. org/info/gjbz/291.
[11]李玉顺，武林，顾忆岚，2012.基于学习对象的教学资源设计及流程初 探[J].中国电化教育（1）：78-85.
[12]刘清堂，杨宗凯，付琴，2003.可重用的学习对象及其应用策略[J].电化 教育研究（8）：13-17.
[13]刘清堂，朱珂，2015.数字化学习资源与活动整合应用研究[M].武汉：华中师范大学出版社：74.
[14]马云飞，郑旭东，赵冉，等，2022.深度学习的发生机制与多模态数据测 评研究[J].远程教育杂志（1）：50-60.
[15]马志强，孔伶玉，岳芸竹，2022.面向协作学习多重投入特征画像的多 模态学习分析[J].远程教育杂志（1）：72-80.
[16]王怀波，李冀红，孙洪涛，等，2020.基于模型的教育大数据应用框架设 计[J].现代教育技术（6）：5-12.
[17]王永固，陈俊文，丁继红，等，2020.数据驱动的教师网络研修社区数字 画像构建与应用——基于“浙江名师网”的数据分析[J].远程教育杂 志（4）：74-83.
[18]新华网，2022.以教育数字化战略引领未来——教育部举行国家智慧 教育平台启动仪式[EB/OL].[2022-03-28]. http：//www.xinhuanet.com/ edu/20220328/580dcb20a8ef4b72bd1dcc1bef468a43/c.html.
[19]薛耀锋，曾志通，王亚飞，等，2020.面向区域教育治理的学校画像研究[J]. 中国教育信息化（7）：67-70.
[20]杨 现 民 ，余 胜 泉 ，王 志 军 ，2010.学 习 元 与 学 习 对 象 的 多 维 比 较 研 究——学习资源聚合模型发展新趋势[J].开放教育研究（6）：25-32.
[21]余明华，张治，祝智庭，2020.基于可视化学习分析的研究性学习学生 画像构建研究[J].中国电化教育（12）：36-43.
[22]袁小芬，盛群力，2008.创建可重用学习对象的策略——思科公司的研 究[J].远程教育杂志（5）：24-32.
[23]张宏军，2014.作战仿真数据工程[M].北京：国防工业出版社：265.
[24]张治，刘小龙，徐冰冰，等，2021.基于数字画像的综合素质评价：框架、 指标、模型与应用[J].中国电化教育（8）：25-33+41.
[25]张治，戚业国，2017.基于大数据的多源多维综合素质评价模型的构建[J]. 中国电化教育（9）：69-77+97.
[26]郑勤华，陈耀华，孙洪涛，等，2016.基于学习分析的在线学习测评建模 与应用——学习者综合评价参考模型研究[J].电化教育研究（9）：33-40.
[27]中华人民共和国教育部网站，2021.教育部等六部门《关于推进教育新 型基础设施建设构建高质量教育支撑体系的指导意见》[EB/OL]. [2021-07-08].http：//www.moe.gov.cn/srcsite/A16/s3342/202107/t20210720 _545783.html.
[28]中华人民共和国中央人民政府网站，2021.中华人民共和国国民经济 和社会发展第十四个五年规划和 2035 年远景目标纲要[EB/OL]. [2021-03-13].http：//www.gov.cn/xinwen/2021-03/13/content_5592681. htm.
[29]CISCO SYSTEMS，2000. Reusable learning object strategy：Definition， creation process， and guidelines for building[EB/OL].[2000-04-22]. https：//search.cisco.com/search?query =Reusable% 20LearningObjectStrategy：Definition，% 20CreationProcess，% 20andGuidelines% 20forBuilding，&locale =enUS&bizcontext =&cat=&mode=text&clktyp=enter&autosuggest=false&istadisplayed =false&tareqid =1645452602135 &categoryvalue=.
[30]DANIEL B K， 2019. Big data and data science：A critical review of issues for educational research[J]. British Journal of Educational Technology，50（1）：101-113.
[31]DUBIN CORE METADATA INITIATIVE，2020.DCMI metadata terms [EB/OL].[2020-01-20]. https://www.dublincore.org/specifications/dublincore/dcmi-terms/.
[32]IEEE，2020a.IEEE standard for learning object metadata[EB/OL].[2020- 11-16].https：//standards.ieee.org/ieee/1484.12.1/7699/.
[33]IEEE，2020b.IEEE draft standard for learning object metadata[EB/OL].[2020-09-28].https：//ieeexplore.ieee.org/document/9144647. IMS GlOBAL Learning Consortium，2001.
[34]IMS content packaging information model[EB/OL].[2001-08-08].http://www.imsglobal.org/content/packaging/cpv1p1p2/imscp_infov1p1p2.html.
[35]IMS GlOBAL Learning Consortium，2006.IMS meta -data best practice guide for IEEE 1484.12.1-2002 standard for learning object metadata[EB/OL].[2006-08-31].http://www.imsglobal.org/metadata/mdv1p3/ imsmd_bestv1p3.html.
[36]ISO， 2019. Industrial automation systems and integration—Product data representation and exchange—Part 11：Description methods：The EXPRESS language reference manual[EB/OL].[2022-05-16].https：//www. iso.org/standard/38047.html.
[37]OH P S，OH S J，2011.What teachers of science need to know about models：An overview[J].International Journal of Science Education（8）：1109-1130.
[38]WILEY D，2002. Connecting learning objects to instructional design theory：A definition， a metaphor， and a taxonomy[DB/OL].[2002-04- 04].http：//www.reusab ility.org/read/chapters/ wiley.doc.
来源：方海光,孔新梅,洪心,万宇婷.面向教育数字化服务的教育数据模型体系研究[J].远程教育杂志,2022,40(04):45-54.
方海光，博士，首都师范大学教育学院教授，研究方向：教育大数据、人工智能教育、智慧教育等；
孔新梅，首都师范大学教育学院在读硕士生，研究方向：教育大数据、人工智能教育；
洪心，首都师范大学教育学院在读硕士生，研究方向：人工智能教育；
万宇婷，首都师范大学教师教育学院在读硕士生，研究方向：人工智能教育。
《教育信息化100人》是由产学研媒联合发起的智库型媒体，关注教育信息化、教育数字化、智慧教育、互联网+教育、人工智能教育、教育技术等领域，我们要“让优质的信息和知识更快被看见” ！
备注职务+姓名，加入交流群
联系我们
焦晓娣：主笔&内容老师 微信号：jiaox1008
张沉浮：主编&总负责人 微信号：chenfu3721
深度 | 首师大方海光教授等：人工智能时代的人机协同教育理论研究
首师大方海光教授：大规模教育数据共享是国家教育数字化转型建设应用的基础
专访 | 教育部职成司司长陈子季：职业教育数字化会给职业教育带来哪些变革？
专访 | 教育部高等教育司司长吴岩：以数字化构建高等教育新形态
专访 | 教育部基础教育司司长吕玉刚：更好实现数字化赋能基础教育