数字化转型背景下在线教育智能决策机制的探索

摘要：当前，以新兴技术为主要手段，以信息数据为核心要素，将数字技术、数字思维应用于教育管理全过程以支撑教育决策科学化是数字化赋能教育管理转型升级的重要内容。本文首先分析了数字化转型对科学决策的要求，然后以数据驱动决策的思路，对教育决策的流程进行智能化功能重塑和流程再造，探索了在线教育决策问题的智能解决机制。

关键词：数字化转型；在线教育；教育决策

中图分类号：G434  文献标识码：A  论文编号：1674-2117（2024）06-0077-03

数据驱动教育决策的研究现状

①大部分研究者认为大数据可以为教育决策的科学性提供支撑，他们从多个角度对大数据影响下的教育决策进行了研究。有专家认为可以借助计算机模拟的方式为科学的决策提供依据。早在2006年，Mandinach等就提出了数据驱动教学决策的理论框架，针对不同决策者（包括教师、学校管理者、校长以及教育局官员等）的不同数据需求，提出从数据到知识的转化经过收集、组织、分析、概括、综合、优化六个阶段，并提出技术工具可以对前四个阶段进行支撑。国内有学者深入分析了数据驱动教学决策相关理论模型，并据此提出了教师数据应用行动框架和教师专业能力的发展和提升方向。

②有些研究者从构建决策支持系统的角度进行研究，如有学者结合决策模型及决策支持系统的演变历程，提出在大数据的环境下，决策支持服务系统大致的发展阶段。一些研究者从教育大数据的视角，探索教育决策系统的建设架构和思路。

③在具体实践上，有些学者通过分析某些区域或者系统的大数据，得出对具体决策的支持。

④在问题、对策与发展方面，有学者对大数据影响下的未来教育决策的模式进行了探讨，从教育决策主体、结构、工具、环境等多个方面进行研究。

近些年对大数据应用于教育决策的研究虽然取得了一些成果，但是在教育数字化转型的过程中，科学决策需要创新型的变革，当前并未形成成熟的方法。在数字化转型之前，数据驱动的决策、个性化学习路径、学习过程可视化等概念已经存在，在数字化转型背景下，可以采用先进的数据分析技术和人工智能算法，对学生学习数据进行精细化分析，以支持更加精确的教学决策。

在线教育智能决策在数字化转型背景下需要进行变革

①数据采集和处理的自动化。在线教育平台采集的数据量巨大，这些数据需要进行清洗、整合、处理，以便用于后续的决策。数字化转型要求数据处理工具更加智能化，以实现自动化的数据采集和处理，减少人工干预和时间成本。

②多维度数据分析。在线教育平台可以采集到学生的行为数据、学习数据、社交数据等多种数据，数字化转型要求这些数据可以进行多维度的分析和挖掘，从而提高决策的精准度和针对性。

③个性化决策的实现。在数字化转型背景下，通过对学生数据的分析，可以实现对每个学生个性化的决策，如个性化课程推荐、个性化学习计划制订等，从而提高学生的学习效果和满意度。

④智能化的决策模型。数字化转型使得在线教育平台可以应用各种智能算法和模型，如机器学习、深度学习等，实现对学生行为和学习数据的预测和优化，从而为决策提供更加科学和智能化的支持。

数字化转型背景下在线教育智能决策机制探索

1.在线教育中的典型决策问题及解决思路

建立决策机制的首要任务是决策问题的梳理，这是提出问题、确立目标的过程，然后以问题解决取向来驱动教育数字化转型的实践。

在线教育领域中的问题归纳起来可分为“过去发生了什么”“为什么会发生”“未来会发生什么”“应该采取什么行动”等几个关键问题。从使用数字化分析方法解决关键问题的角度，可以将这些问题分为描述性、诊断性、预测性和规范性四种类型。

描述性分析回答了“过去发生了什么”的问题，通过总结过去的数据，报告业务情况和总体趋势；诊断分析回答了“为什么会这样”的问题，通过检查数据和业务找到问题的根本原因；预测分析回答了“未来会发生什么”的问题，以历史数据作为训练数据，使用各种回归分析和机器学习技术来构建预测模型，用以预测未来较高概率会怎么样；规范性分析回答了“应该采取什么行动”的问题，侧重于推荐可操作性的方法，规范性分析从多个描述性和预测性来源收集数据，并将其应用于决策过程，是业务分析决策的最后一步。

在四类复杂问题解决过程中，需要用到机器学习建模来支持业务流程中的智能决策。机器学习建模是通过对以往数据的学习使得机器具有解决现实问题的能力，常见的机器学习建模方法包括回归、分类聚类、关联规则分析等。对于业务中的大部分典型问题，建模的过程基本上选择这些建模方法的一种或几种的组合。

2.在线教育智能决策机制（如下图）

①了解业务问题，分析决策目标以及整合能够支持决策的原始数据，是整个数据驱动决策中的第一个具有挑战性的问题。通过分析决策的目标问题，对所需决策支持数据制订数据采集方案。数据采集完成之后需要对数据进行探查与预处理，如果经过探查和预处理发现采集的数据不足以支持解决决策的目标问题，需要再修正采集方案，重新采集和预处理（这一步是解决整个过程的原材料的问题）。

②根据数据与决策目标的关系，选择适当的分析方法，以便对业务决策问题做出明智的判断，这是实现智能决策最重要的挑战（数据智能分析是解决大数据内部价值提炼的问题）。

在数字化转型背景下，云计算提供了计算能力和存储能力；大数据技术提供了获取、存储、处理和分析任何容量、速度和类型的数据的能力；人工智能利用数据学习经验，解决问题，尤其是机器学习算法，能够对任何形式的数据（如图像、文本、音频等）进行数学分析，发现其中的相互关系并进一步推断出算法。因此，更多的决策问题可以通过数据智能分析来解决。

有些问题通过数据的基本描述或者简单的统计分析就可以得出结论，有些则需要对数据有更深入的理解以及进行高级的数据分析之后才能得到结论。一般来说，通过模式识别来识别分析图像、语音、视频等数据；通过机器学习建模技术探索数据之间的复杂关系；通过学习分析理解与优化学习过程及环境，以评估学业成就、预测未来表现、发现潜在问题。对一个决策问题，可能需要通过一个或者多个数据分析方法来解决。

③根据智能分析得到的结论，进行结果验证、沟通，选择合适的可视化方案呈现给决策者（数据可视化是如何展示的问题，是整个体系里与使用者交互的环节）。图形、图表更容易传达抽象的信息，增进人们对数据的理解，因此，将决策结果以适宜的可视化图表展示出来，可以让使用者从不同的维度观察数据，从而对结果有更深刻的认识和理解。

④如果结论能够辅助决策解决目标问题，那决策过程结束；如果结论不能辅助决策者做出决定，或者结论对决策的支持力度不够，那就要重新分析决策问题，调整数据收集范围，再进行数据分析等流程，直至完成决策。

结束语

在线教育天然的数据优势，使得以数据驱动的决策机制更便捷和高效，推动在线教育的数字化转型进程。但在具体的在线教育业务发展中，需要决策的问题千差万别，并不是所有的问题都能用数据分析来解决，也不是所有问题都能找到足以支撑问题解决的数据资源，本文收集的在线教育的典型问题以及解决办法仅是为了说明决策机制的构建过程，有一定的局限性。笔者下一步将收集更多的问题，探索解决这些问题所需的更详尽细致的智能方法，以进一步检验和完善决策机制。

参考文献：

[1]祝智庭，胡姣.教育数字化转型的实践逻辑与发展机遇[J].电化教育研究，2022，43（01）：5-15.

[2]顾小清，薛耀锋，孙妍妍.大数据时代的教育决策研究：数据的力量与模拟的优势[J].中国电化教育，2016（01）：56-62.

[3]钱冬明，罗安妮，顾云峰.大数据背景下省级教育科学决策服务支持系统设计研究[J].教育发展研究，2018，38（05）：68-74.

[4]杨现民，郭利明，王东丽，等.数据驱动教育治理现代化：实践框架、现实挑战与实施路径[J].现代远程教育研究，2020，32（02）：73-84.

[5]Botvin， M.， Hershkovitz， A. & Forkosh-Baruch， A. Data-driven decision-making in emergency remote teaching. Educ Inf Technol[DB/OL]. https：//doi.org/10.1007/s10639-022-11176-4.

[6]Sarker， I.H. Data Science and Analytics： An Overview from Data-Driven Smart Computing， Decision-Making and Applications Perspective. SN COMPUT. SCI.2， 377 [DB/OL].https：//doi.org/10.1007/s42979-021-00765-8.