大数据技术已逐步进入学校教育当中。数据量的大小不是我们判断其是否为“大数据”的唯一依据，我们还应从数据收集源头、数据节点规模、测量对象、机器作用及数据分析者职责等角度对其进行综合认识。

　　数据收集源头

得益于信息技术的迅猛发展，人们可以将学习证据的收集嵌入到整个学习过程中。这些嵌入式数据节点可能很小，或是为学习者提供的反馈;或是个性化学习环境中为个别学生下一步学习做出的决策;它们或聚合到更高层次，为学习者特征分析提供依据;或在学校、班级、小组、个体层面生成数据，为教育管理中的问责服务。

坐拥更全面的数据源，人们有可能超越传统的测试手段。嵌入式评估将模糊形成性评价与总结性评价的界限。当学习过程嵌入了数据收集功能时,人们可以追踪学习者的学习活动、记录学习过程、分析学习成果的成因和品质。学习分析与数据挖掘可以归纳出学习进展的总结性信息;它同时又能全方位地深入到具体项目以及学习者所产生的任何一个数据节点中，浏览过程性信息。在此背景下，“反思性教学法”将取代传统的“教学—评价”二元教学法。传统的形成性评价与总结性评价是不同目的、不同形式的数据收集方式;未来，我们可能需要“前瞻式学习分析”与“回顾式学习分析”，它们所处理的不是不同批次的数据，而是针对同一批数据从前瞻或回顾的角度进行分析和利用。

　　数据节点的规模

与大教育中大数据的“大”一样重要的是，其数据节点的“小”。事实上，这是数据变得更“大”的唯一原因。“小”节点可能表现为学习者回答的一个问题、在模拟情境中的一个动作，或在论坛当中的一次评论。更“小”的形式，还可能是一次按键、一个时间戳、导航路径中的一次点击、维基百科或博客中的某次编辑历史。学习本身并没有变得更“大”，只是我们可以附着记录的学习事件变得更“小”了,它们的总和也因此前所未有地变大，以至于如果没有计算机综合技术的支持，人类是难以处理和驾驭它们的。

　　测量的对象

经典测试大多沿袭以下路线:学习中的认知发展——测试中的观察——将测试结果作为认知的证据进行解释。传统的测试对象单独位于学习过程之后，并支持回顾式解释。然而,在以机器为中介的学习中，人们对学习证据的关注点已经转移到真实的知识人工制品上，并倾向于记录学习者利用学科知识所进行的实践，因为知识表征可能存在于学科知识实践的人工制品及其建构过程之中。换句话说,我们分析的重点不在于学习者所能思考的内容，而在于他们所做的知识表征。

这些人工制品含纳了许多复杂认知的表现，具体如科学实验报告、人类或社会现象报告、历史学论文、带有注释的艺术品、视频故事、商业案例研究、发明或设计的物品、数学或统计案例、田野研究报告或根据用户故事编写的可执行的计算机代码等。这些人工制品是可识别的、可评估的、可衡量的。它的源起是可被验证的，其构建过程中的任何一个步骤都是可被追溯的。围绕知识加工展开的数据收集范围也被极大地拓展：自然语言处理、任务所花时间、同行或自我回顾、同行评议、编辑历史和导航路径等。

　　机器的作用

大数据并不完全依赖由机器生成，尽管机器可以通过人格化的用户界面表现出非凡的智力。计算机仅是一种人类沟通的技巧、对原有文本结构的扩展。它是人类认知的补充体、社会思想的延伸、文明传承史中的一部分。在大数据时代,通过收集和计算大量前人的判断，人类的智慧得以放大。数以百万计的、微小的人类事件被记录在可以聚合的数据节点之中，为教师、教育项目设计师或研究人员提供重要证据。机器看起来十分聪慧,但它们聪慧的意义仅限于它们所收集并计算的众多人类智慧,就像书籍、图书馆和教师过去所做的那样，只不过它们比真人教师和学习者所能处理的数据量更大罢了。计算机的智慧是有限的，它们只不过是记录和外化人类思想的机器而已。

　　数据分析师职责

现如今，人人都是数据分析师。在软件工程师和用户界面设计师创造的环境中，用户没有必要掌握其中的模糊统计公式，因为突出的学习信息将以可视化的方式呈现，用户可以利用它们深入追溯具体的学习序列。教师通过访问数据来了解学生并调整教学。在这种证据化的环境下，教师可以也应该是位研究者。这可能需要他们具备一种新型的数据读写能力，掌握数据分析知识，以支持基于证据的决策。这些数据也可以呈现给学生，有助于他们进行迭代反馈、形成性评价和进展概述，学生将成为掌控自己学习进程的研究者。此外，专业研究者也可以使用同批数据。大数据时代，传统的研究者与实践者、观察者与被观察者之间的区别逐渐模糊。这种特性彰显的是大数据的可访问维度,在某种程度上也决定了数据的外观、形式与目的。

(比尔·柯普系美国伊利诺伊大学香槟分校教育学院教授、美国教育研究委员会期刊出版协会前任主席;玛丽·克兰茨系该学院院长、教授;原文发表于美国《教育研究开放评论》2015年第1期。曹东云系江西师范大学教育学院副教授)