大数据时代，科学技术的高速发展改变人们的生活生产方式。大数据的发展给各个行业各个领域都带来了影响，同时教育领域也深受影响，从教学方法方式到教育决策的支持参考等都发生了改变。大数据技术也为信息化教育的变革与发展带了机遇与挑战。人工智能、数据挖掘等技术的发展高效地应用于各个领域并发挥其价值，其中大数据技术为教育决策的科学化和精准化提供了新的方法和思想。对目前教育决策存在的问题，提出以下几点需求：

       教育数据亟需整合。教育数据采集与处理是促进科学决策和精准决策的一大门槛，教育数据大都源于决策者的直观经验，缺少数据的支撑。我国推行的“三通两平台”为教育的信息化基础设施建设工作得到了大力推进，无线校园网、科研教育网等网络建设工作逐步完善，各级各类的教育系统、学生、教师和学校等积累的海量的教育数据，但是许多业务系统的数据是相互独立的，信息孤岛还存在的，所以各类各级的教育数据亟待整合统一，为科学化决策和精准化决策提供有效的数据支撑。

        加快大数据技术和教育的深度融合。大数据技术在医疗行业、电商行业、金融行业、交通等多处领域得到广泛的应用，大数据技术在教育领域也产生了深刻的影响，通过分析教育数据可以实现学生的个性化学习，分析学生的学习数据，根据学生特点提出针对性的因材施教。然而还存在一些现实问题，如怎么解决“数据孤岛”问题、教育系统的数据标准不统一，数据杂乱无章等问题。加快大数据和教育深度融合是提升教育决策科学性和精准性的强大动力，

        提升教育决策科学化、精准化。《国家中长期教育改革和发展规划纲要（2010-2020年）》指出，要“加强教育宏观政策和发展战略研究，提高教育决策科学化水平”。国家从教育治理角度规划教育宏观政策，对教育决策要科学化和精准化提出了要求。教育决策影响学生到教师到学校到国家教育事业，有关教育决策的每一条制度、规定都会影响着每个人，影响学生到教师到社会到国家教育事业,例：教育关系到每一个人，如高考改革、双减政策等，针对大众高度关注的热点问题，如何进行下一步决策绝不是再按照以前的“拍脑袋决策”、过分依靠经验的决策。当下如何提升教育决策的科学性、精准性十分迫切，同时这对促进教育治理体系和教育治理能力现代化有显著作用。

       大数据时代下的教育决策面临的问题日益复杂，教育决策过于依赖于经验一直是教育领域的一大问题，另一方面教育决策缺乏数据的支撑，无法有效的实现科学化决策、精准化决策。大数据技术的广泛应用，为教育决策提供了丰富的教育数据资源，这也对教育数据的采集、处理提出了新要求和高要求。本文对基于数据仓库、数据挖掘、机器学习等技术形成的教育决策支持系统的设计、技术和决策的范围能力等进行了比较和分析。

2.1 大数据概念及特点

   大数据这一概念提出后，大数据的发展如日中天，学术界对大数据给出以下定义：大数据（big data）或称巨量资料，指的是所涉及的资料量规模巨大到无法通过目前主流软件工具，在合理时间内达到撷取、管理、处理、并整理成为帮助企业经营决策更积极目的的资讯[1]，在《大数据时代》中指出了大数据具有以下几点特点：Volume（大量）指的是数据的规模量巨大，数据单位由以前的GB发展到ZB数据量增长了10¹² 倍，数据量的增长率惊人、Velocity（高速）大数据下的数据除了数据增长率快，数据的处理速度也快，获取数据的速度也快，近些年我国研发的量子计算机“祖冲之号”的计算速度比世界上最快的超级计算机还要快一百万亿倍、Variety（多样）指的是大数据下的数据来源和种类是多样化的，相比便于存储的结构化数据，非结构化的数据呈指数式增长，相应的对数据的处理和数据的规范化提出了新要求和高要求。Value（低价值密度）是指大量的数据下势必会导致数据价值密度降低，提取有效数据至关重要，如何充分有效的利用数据科学决策是教育决策过程中重要部分。

3.1 基于数据仓库决策

   数据仓库的数据集合的信息是相对稳定的，主要面向一个明确的主题、数据仅是与主题相关的数据，随着时间变化的一个数据集合。数据仓库也可以看作数据库一种升级，在逻辑上，数据库和数据仓库没啥区别，都是把数据存放在数据库软件中，但是数据仓库比较数据库的存储量要庞大的多，并且数据仓库可借助数据挖掘和数据分析辅助决策支持。数据仓库是数据集成面向主题的数据集，数据库是面向过程并且数据是分散的，面对的终端用户不是以决策者和管理为主。数据仓库中的数据还是具有时序性的，利用该特点实现预测。AWS Redshift, Greenplum, Hive等是比较流行的数据仓库，同时数据仓库也在数据挖掘、人工智能、机器学习、风险控制、无人驾驶、教育决策领域都有相关应用。

   针对各教育系统之间数据共享不成熟，信息相对封闭。要想做出一项教育决策需要查询基于各种异构数据源的教育管理系统，进行大量数据分析后，工作量大还会出错影响决策治理。

3.2 基于数据挖掘决策

   与数据仓库技术相比，数据挖掘技术主要是从人工智能机器学习技术中发展起来的，数据挖掘技术研究从大量的数据中挖掘出有用的信息和知识。数据仓库和数据挖掘都是决策支持的新技术。但他们有着完全不同的辅助决策方式，数据仓库中存储着大量的辅助决策数据，同时为不同的用户随机提供辅助支持决策的依据。数据挖掘是建立在数据仓库基础上的，数据仓库为数据提供基础数据。基于数据仓库的决策核心是从数据仓库中提取出对决策有用的信息和知识，这是建立数据仓库和数据挖掘之间的联系。而数据挖掘是从数据仓库中挖掘出有用的信息，这是数据挖掘研究的重点，两者从本质上和过程上都有所不同。

   数据挖掘主要针对非结构化数据或者半结构化数据，通过整理、判断进行数据挖掘发现有助于教育决策的知识和信息。

   宋焕林[5]提出对学情分析的决策系统，学情数据来源于学校的信息系统和调查问卷等，主要对学生成绩、学生出勤数据等一些结构化数据采用关联技术和聚类技术分析，对文本采用文本挖掘相关技术，如文本预处理和文本分析。文本预处理主要包括对文本的分句、分词、特征表示等，文本分析主要是文本聚类和一些分类方法。基于数据挖掘技术和数据仓库技术的教育决策支持系统，在技术上存在内在的联系性和互补性，数据仓库作为数据基础，数据挖掘工具为手段，同时数据挖掘技术主要是以知识的自动发现。

3.3 基于机器学习决策

   机器学习技术是某一类算法的总称，机器学习算法从大量的数据中挖掘出隐含规律。机器学习主要寻找一个函数，使学到的函数更好的适用于“新样本”。例如早期的啤酒和婴儿的纸尿片相关性，从海量的数据中找出一定的规律，AlphaGo人工智能机器人战胜人类后，人工智能技术成为了业界追捧的技术。

   机器学习技术在智慧教育中应用主要是对数据价值进行挖掘。基于机器学习技术，可以从数据中深度挖掘数据的价值，例如学生成绩的预测系统是未来教育发展的必然趋势之一，新冠肺炎疫情的来袭，越来越多的学生实现在线学习，在线教学数据库学生访问和学生学习记录等数据不断增长，如学生考试分数、学生信息数据、等电子信息可为在线教师提供有力的决策支持.同时这些数据也具有一定的教育利益，从这些数据中发现关于学生的新的、有价值的信息，Hershkovitz等提供了一种基于机器学习技术应用分类；Kabra等将决策树分类算法应用于教育系统预测学生的学习成绩，并提取特征描述未来学生的成绩；Kotsianti开发了一个基于回归技术的原型决策支持系统，用于预测学生未来的成绩。

3.4 基于其他技术决策

   除了基于数据仓库、数据挖掘、机器学习技术的教育决策支持系统外，还有基于其他技术的决策技术，但是在该领域运用不多，BI技术[6]是商业智能技术，该技术的核心技术与数据仓库技术核心技术相同都是基于OLAP技术。但是BI技术在数据的可视化优势，BI技术还包含了数据挖掘、多维数据分析、标签分类等方面，数据多维分析为例，数据仓库是提供了维度化数据，可以借助一些工具支持用户在一定范围内的维度和指标。BI技术对数据仓库这种依赖存在着极大的缺陷，数据仓库经济成本会很高。

基于GIS技术的基于教育决策支持系统，对地理数据空间分析，在数据库中建立数据之间关联等信息，通过可视化方式提供更好的决策支持和分析能力，帮助决策者进行更加有效的决策。

   基于多水平模型的教育决策支持系统，针对教育舆情设计出多水平模型框架，通过多维数据集组织教育舆情数据，完善教育舆情决策支持系统，并且构建了“时间—公众—地域”教育舆情三级水平模型。系统采用Spring MVC框架，基于python语言Scrapy+Django 作为网络爬虫接口，并且在采集数据时，区别是否为网络水军，为数据采集有效性提供了保障。

4.1 基于经验、数据和智能的决策

   人们习惯从成功中总结经验和发现认识的规律性，这也是教育决策成功的重要条件[16]。但是如何正确利用经验决策，没有基于足够的认识和重视，依靠经验决策是一种的决策方式，具有直观性、认识性等特点。过去在科技发展缓慢的条件下，教育决策者会依赖个人经验进行决策有其合理性，但是大数据时代下依靠经验决策就不能适应当下发展。

   依赖经验决策过程中会忽略环境对决策的影响，在瞬息变化的环境中经验决策过程中存在很多可变因素和不确定因素，一味的依赖经验决策教育，缺乏灵活的教育决策必将导致教育决策的僵化。例如一所民办学校仅仅在四五年内，资产达到40多亿元，如神话搬崛起的学校，因为一场不大的官司走向衰败，究其原因，教育决策者固守了成功的经验，没有建立学校的风险控制。

   许多教育决策者在进行教育决策时，看到别人教育决策的成功，便盲目的照搬他人的经验，没有全面的科学的分析和论证，例如在办学模式上，有的学校打出了“特色学校”的旗号获得了成功，许多学校不考虑学校自身情况照搬他人经验，最后发展不如从前甚至更衰退。经验是从实践中得来的，任何经验的产生都是在一定条件下的。在参考他人经验时需要分析经验产生的原因和客观条件，否则只是生搬硬套。用经验实现科学决策：一方面需要认清经验产生的前提和条件，另一方面可以对过程的经验创造性的利用。温故而知新。从经验中反思、成功的经验不意味着没有反思的地方，同时对于失败的经验也有可以学习借鉴的地方，不能一棒子打死。通过事物的表象看事物的本质和发展规律。失败是成功之母，对失败的反思比成功的回顾会更困难，人们往往不能坦诚的面对失败，从某种意义上，失败的经验比成功更有反思价值。

   大数据下的教育决策支持系统大部分都是基于数据的决策形式，运用了不用的技术进行决策。本质上是对数据采集、加工、分析、可视化等过程。牛津大学互联网研究所教授、数据科学家维克托•迈尔—舍恩伯格曾指出大数据将重塑教育，他提出教育评估实现从数据驱动决策、基于数据决策、数据感知决策的三个阶段。

   数据驱动决策：由于数据获取的有限性，教育评估需要在教育理论和相关专家的指导下，构建教育评估指标体系，按照每个指标所采集的数据，对比和分析教育评估指标体系获得结论。这种教育评估模式主要是针对结构化数据，同样数据的质量和数量的限制分析结果也会一定的局限性。

   基于数据决策：随着教育信息化的普及，各种课程教学信息、学情信息、教学管理信息等数据与日倶增，教育数据采集更加便利，为教育评估提供丰富的数据基础保障。原始数据往往是杂乱无章的，没有固定的格式和规范，以教育评估体系标准对数据进行标准化操作。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、教学行为等之间的关系，从而实现优化教育教学过程的目的。

   数据感知决策：大数据在教育评估中的价值是收集丰富的教育数据，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行为趋势。从而使教育评估实现数据驱动决策、基于数据决策、数据感知决策，并可以做到为教育者进行数字化建模。

   智能的决策形式最典型是智能决策支持系统，早在20世纪80年代末90年代初就有了智能决策支持系统，智能决策支持系统发展到现在主要是基于决策支持系统（Decision-making Support System, DSS）和专家系统相结合，进入人工智能时代，目前的智能决策支持系统利用人工智能和DSS结合，应用专家系统技术，使DSS能够更充分地应用人类的知识，如关于决策问题的描述性知识，决策过程中的过程性知识，求解问题的推理性知识，通过逻辑推理来帮助解决复杂的决策问题的辅助决策系统，智能决策支持系统应用了AI技术、ES技术以及许多相关技术, 如模糊集理论、人工神经元网络、面向对象的方法、AI中的问题求解与搜索技术、机器学习及数据库技术等, 这些应用大体可以分为两类:一类是用AI技术去实现IDSS的管理及一般公用功能, 如关于模型管理的知识库系统、模型选择的匹配技术、智能HCI技术等;另一类则是利用AI的知识表达和推理能力直接为决策者的决策问题提供支持。

   2018年零点有数董事长、飞马旅联合创始人袁岳博士对大数据下的未来智能决策看法：他认为大数据从小数据走到大却单一的数据孤岛再走向多元融合大数据。核心特征是多元交互，单个数据源只会形成大大小小的数据孤岛，如政府部门的大部分数据是孤立的，互联网大量的交易数据运营本质上是孤立的，孤立的数据只能描述问题，不能提出问题的有效解决方案。要实现数据智能需要汇聚多元数据，形成数据反应堆、多元数据源和智能模块。决策的智能目前还达不到真正的智能，人工智能技术正处于发展阶段，未来智能决策会在此基础上拥有巨大的发展空间。

4.2 教育决策支持优化策略

   对大数据下教育决策支持系统比较研究发现，三种决策形式存在着不同的优劣，过分依赖某一种决策形式，势必会影响决策的科学性和精准性，经验决策带有直观性，数据和智能决策不排斥经验，需要在一定理论指导下处理决策问题，未来的决策形式需把经验决策、数据决策和智能决策结合起来，实现教育决策的科学性和精准性。大数据环境下，如何在大数据背景下进行科学的决策是教育决策最为关键，提出宏观、微观教育决策过程中一些优化策略[17]。

   1、加强教育监测报告的解读和实施，教育监测报告就像是对教育的一次体检，要想检测报告起作用，需要对报告仔细解读、发现问题并及时调整。21世纪教育研究院副院长熊丙奇老师对这次报告进行了解读。2010年颁布的《国家中长期教育改革和发展规划纲要（2010~2020）》指出，要建立和完善国家教育基本标准。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。《中国教育监测与评价统计指标体系》这份国家教育质量监测报告是第一次通过科学监测手段，获得我国教育发展的全面数据，有助于我国进行教育改革、发展公平和高质量的教育。如果能坚持进行独立而专业的义务教育质量监测，对教育发展、动态进行纵向和横向比较，提高教育决策的科学性。

   2、提高数据价值密度和教师数据素养，如何获取高价值的数据是获取数据关键一步，对数据价值密度低问题，有聚类、关联规则、决策树等数据挖掘方法，针对数据的产生与处理加速等特点、可以采用信息自动抓取方法，相应的工具有各类网络爬虫软件如火车头采集器等、针对分析结果以数据可视化形式呈现给决策者、常见的可视化形式有基于坐标的图表、关系图、百度ECharts、地理信息图等。提升教师数据素养，教师数据素养不仅仅是教师个人的问题，而且还关系到整个大数据教育理念更新和教学决策模式转变。提升教师的数据意识、提升教师数据采集能力数据挖掘与决策分析能力等。

   3、加强教育大数据基础建设，教育大数据为教学决策者提供了过去难以获得的学生的学习行为数据，能够精准地了解每个学生的学习状态与行为表现，从而做出精准决策。但现实情况是我国教育信息化发展不均衡、严重制约了基础设施升级以及数据资源共享对接，无论是中小学还是大学，学校的数据基础设施还无法适应教育大数据的技术要求，大数据的采集、存储、加工、处理都难以有效完成，大数据基础建设需要统一筹划。

   4、建立教育大数据教学支持服务平台，该平台可利用数据挖掘与建模技术，分析教育系统里数据，为教学决策者提供多种备选方案来提高教学决策质量，还可以通过教师教学动态与学生状态，对教学过程监管实现对学生个性化教学。同时，教育大数据平台可以挖掘各类教育数据之间的关系，为教学、决策、学习等规律和数据建模研究提供支持。

   基于大数据背景下的教育决策向科学化决策、精准化决策发展，从多维度、多角度、多方法思考决策问题，提出合适有效的解决方案，不能一味的依赖某一决策方式，基于经验的决策形式不一定就不科学，可以依靠经验提出大体决策方向再结合数据决策、人工智能、数据挖掘等技术实行综合教育决策。 

   教育决策主体多元化：过去依靠经验决策过程主体单一化，未来教育决策主体多元公治，依托大数据技术对所有教育资源进行有效的整合，实现资源共享，优化教育资料配置，为教育决策多元公治创造条件。教育决策工具智能化：大数据的教育决策分析方法，一方面将集中越来越高的人工的智慧，另一方面科技含量将日益提升。大数据挖掘、采集、导入、预处理、统计与分析，这一系列流程都需要日益先进的互联网与计算机技术。教育决策环境预测化：针对外部环境，教育决策者可以运用大数据对教育领域的各种环境因素进行量化，以此为依据对将来可能产生的环境变化做出科学预测，从而使得教育决策的实施过程能够始终适应不断变化的外部环境。针对内部环境，教育大数据分析法相比于传统数据采集分析方法在开放和统合方面有着巨大的优势，优势表现在对碎片信息进行处理，发掘其中的内在联系并进行整合。教育决策方案科学化：相比于传统的依靠经验决策，大数据背景下的决策手段的主要优势在于大幅度提升定量分析方法在决策过程当中的作用，将个人决策失误风险降到极低的水平。在决策方案的执行与反馈阶段，大数据的多样、快速等特征使教育决策者可以实时接收决策过程中产生的反馈信息，对出现的问题可以迅速解决，甚至可以将问题消灭在萌芽状态，从而提升教育决策流程的科学化程度。

[1]张鹏高,罗兰.基于大数据的教育决策支持[J].中国教育信息化,2014(19):3-5.

[2]黄景碧. 数据驱动的教育决策支持系统（DDEDSS）设计与开发研究[D].华东师范大学,2012.

[3]付达杰.教育大数据对教学决策的影响及优化策略[J].湖北成人教育学院学报,2018,24(02):90-93.DOI:10.16019/j.cnki.cn42-1578/g4.2018.02.025.

[4]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.

[5]宋焕林.基于数据挖掘技术的学情分析系统分析与设计[J].电脑编程技巧与维护,2020(01):106-108.DOI:10.16184/j.cnki.comprg.2020.01.040.

[6]岑健林.BI技术在教育决策支持活动中的应用[J].软件导刊,2009,8(06):197-199.

[7]杨彬彬,郑晓薇.基于数据仓库技术的教育评价决策系统的实现[J].计算机工程与设计,2006(15):2854-2856+2897.DOI:10.16208/j.issn1000-7024.2006.15.044.

[8]朱东芹,刘艳.基于数据仓库的教学质量决策支持系统的设计与实现[J].科技信息,2010(19):103+163.

[9]陈健,闵华清.基于数据仓库的教育决策支持系统[J].开放教育研究,2007,No.66(02):77-81.

[10]王妍.基于数据仓库的教育决策支持系统[J].电子测试,2013,No.282(20):40-41.

[11]瞿斌,王战军.基于数据仓库的学位与研究生教育评估决策支持系统的结构设计[J].科学学与科学技术管理,2003(11):68-72.

[12]于卫,吴文昭,李恒杰.高等教育数据决策系统设计[J].中国教育信息化,2008(07):63-65.

[13]王博,魏顺平.基于大数据的教育决策支持研究[J].现代教育技术,2016,26(04):5-11.

[14]单莹,杨圣洪,朱承学.基于大数据的教育决策研究[J].中国教育信息化,2019(05):48-51.

[15]李国峰.智慧教育背景下采用机器学习技术的成绩预测决策系统[J].宁德师范学院学报(自然科学版),2021,33(01):36-41.DOI:10.15911/j.cnki.35-1311/n.2021.01.007.

[16]王世忠.论经验在教育决策过程中局限性[J].教育研究与实验,2007(03):46-48.

[17]付达杰.教育大数据对教学决策的影响及优化策略[J].湖北成人教育学院学报,2018,24(02):90-93.DOI:10.16019/j.cnki.cn42-1578/g4.2018.02.025.