技术增强学习系统的第三代发展的产物是数字学习生态系统, 它是一种面向线上学习的协同进化的技术—社会系统, 对各学习要素发挥系统机能、消除数据鸿沟具有一定的借鉴意义。然而, 它不能较好地满足智慧教育的要求。对此, 该文在透析数字学习生态系统萌发、内涵、信息模式和无缝集成的基础上, 建构了一种智慧学习生态系统, 并对智慧学习生态系统的内涵、作用机制、体系架构 (包括架构模型、本地架构的能量流动、云架构的数据松耦合) 做了详实的解析, 以期助力于智慧教育的发展, 并为解决数据鸿沟问题提供参考。最后, 该文也指出了智慧学习生态系统构建和应用面临的一些挑战。
作者简介： 祝智庭:华东师范大学终身教授, 博士生导师, 研究方向为教育信息化系统架构与技术标准、信息化促进教学变革与创新、技术使能的智慧教育、面向信息化的教师能力发展、技术文化 (ztzhu@dec.ecnu.edu.cn) 。; 彭红超:在读博士, 研究方向为智慧学习生态、精准教学 (hongchao5d@qq.com) 。;
收稿日期：2017年4月11日
基金： 全国教育科学“十二五”规划2014年度国家一般课题“智慧教育环境的构建与应用研究” (课题编号:BCA140051) 研究成果;
Digital learning ecosystemis the product of the third generation of technology-enhanced learning systems. It is a kind of online learning system, which is a co-evolving techno-social system. It has a certain reference value to enhance the system function of each component, as well as to eliminate the datadivide. However, digital learning ecosystem cannot well meet the requirements of smarter education. For this, we construct a kind of smart learning ecosystem based on the analyzing the germination, connotation, information model and seamless integration of digital learning ecosystem. And then, we analyze connotation, interaction mechanism, and system architecture of smart learning ecosystem in detail. And we also discuss the architecture model, the energy flow of local architecture, and the data loosely coupling of cloud architecture. All of the work is to contribute to the development of smarter education and to provide a reference for solving the data divide problem. At last, we point out somechallenges tothe building and applying of smart learning ecosystem.
Smart Education; Ecosystem; Digital Learning Ecosystem; Smarter Education; System Architecture; Data Divide;
Received： 2017年4月11日
智慧教育作为引领教育信息化发展的新潮流, 其热度一直高居不下。如图1所示, 左侧是Google Trends中关于“Smart Education”和“Smart Learning”的搜索趋势, 右侧是CNKI学术趋势中关于“智慧教育”和“智慧学习”的学术关注度。从图1中可以看出, 国际上对智慧教育的关注度一直比较平稳, 对智慧学习的关注度成稳定增长的态势。而国内学术领域对智慧教育的关注度在2010年较之前有明显提高, 2012年及以后成井喷式发展的态势。2010年学术关注度的提高可能与IBM 2009年提出的
智慧教育倡导有关;2012年学术关注度的提高与本团队发表的《智慧教育:教育信息化的新境界》 (该文被引高达239次) 有很大的关联。国内对智慧学习的研究, 也紧跟智慧教育之后。自2011年以来其学术关注度也成爆发式发展的态势。
笔者走访“智慧教育环境的构建与应用研究”课题实验校发现, 绝大多数实验校存在数个教育软件或平台并行使用的现象, 有些学校甚至多达10余个。这些教育软件或平台给学校带来极大的便利, 然而平台、资源、软件的多样性、异构性、易变性也导致了数据“鸿沟”与信息“孤岛”问题更加凸显。《“十三五”国家信息化规划》中指明要以“打破信息壁垒和‘孤岛’, 构建统一高效、互联互通、安全可靠的国家数据资源体系, 打通各部门信息系统, 推动信息跨部门跨层级共享共用”为重点的决议。综上可知, 基于数据的松耦合将是教育信息化系统整合必由之路, 这也是智慧教育 (Smarter Education, Ser E) 必须攻克的难题。对此, 该文在解读数字学习生态系统的基础上, 构建了智慧学习生态系统, 将系统中的各组分生态化, 使各组分“物尽其用、各司其职”, 以期能为数据“鸿沟”与信息“孤岛”问题的解决提供有价值的参考。
对于数据“鸿沟”与信息“孤岛”问题, 一直没有完美的解决方案。而生态学“研究生物与环境之间相互关系及其作用机理的理念”可为其方案制定提供依据。生态学理念在教育信息化中的应用从技术增强学习 (Technology-Enhanced Learning, TEL) 系统发展中可见一斑。
TEL系统是技术增强、赋能的线下学习系统、线上学习系统或二者融合的学习系统。第一代TEL系统是线下学习系统, 如桌面教学软件、练习程序、CD中的多媒体教材等。随着万维网和线上学习系统的出现, TEL系统进入发展至第二代系统——虚拟学习环境 (Virtual Learning Environment, VLE) 。最流行的VLE是学习管理系统 (Learning Management System, LMS) , 或称为课程管理系统 (Course Management System, CMS) 。此时学习资源库 (Learning Object Repository, LOR) 也作为可重用的独立于软件的实体出现, 当然, LMS也常内嵌LOR。针对LMS封闭和僵化的特性, 个人学习环境 (Personal Learning Environment, PLE) 开始流行起来。PLE依然是VLE。基于博客的PLE的可用性和隐私问题, 加之PLE和LMS日益紧张局势, 促使第三代TEL系统的出现:数字学习系统。
综上可知, 数字学习生态系统的萌发是TEL阶段化发展的产物。可以看出, 从第一代TEL系统就存在数据“鸿沟”与信息“孤岛”的问题。互联网的出现使得第二代TEL具备了同构数据的互联互通条件, 生态学理论使得第三代TEL中异构数据的互联互通成为可能。如表1所示, 可以看出, 从第一代TEL到第三代TEL, 学习系统在软件架构、理论基础、内容单元、内容管理、主要功能、可访问性等方面均有进化。这说明, 消除数据“鸿沟”以及联通信息“孤岛”需从整体、系统的层面综合考虑, 从系统架构到技术支持再到教学理念是协进演化发展的。
在数字学习中, 数字生态系统 (Digital Ecosystem, DE) 是指学习和教学、了解数字学习基础设施和实施、辅助新学习工具设计的生态模式。而数字学习生态系统 (Digital Learning Ecosystem, DLE) 是数字学习融合生态学理念而形成的数字生态系统。因此, 数字学习系统首先是一个生态系统, 它主要考量一定空间内, 生物体和环境中的非生物成分相互作用;其次, 和DE一样, 数字学习生态系统是一种生态模式, 它支持合作、知识共享、开放和适应性技术的发展以及环境的演变, 并且认为学习创造完全取决于人类与数字系统之间的相互作用[,]。
具体讲, 数字学习生态系统是由数字物种 (学习过程中的工具、服务、内容) 与用户群体 (学习者、辅助者、专家) 及其所在的社会、经济、文化环境相互作用形成的适应性的技术—社会系统, 它具有开放性、松耦合、自组织、萌发性等特征。数字学习生态系统是协进发展的, 如下页图2所示, 这一协进发展过程是用户定制的网络、用户、社群, 用户生成的相关足迹、媒体、媒体云, 具有动态效能的云架构、软件、软件群和接受适性补偿的流空间、文化、全球城市等要素相互作用、相互影响的结果。下页图2中各要素旁的文字是它们演化发展趋向。其中, 流空间 (Space of Flows) 是指通过社会主体之间有目的、可重复、可编程的交流互动序列 (流) 运作的分时实体组织空间, 它的演化方向是“自组织”。各要素的协进发展过程是打破旧的技术—社会体制生态位, 建立新的技术—社会体制生态位的过程, 进化后的数字学习生态系统最终将通过文化界面反馈给用户群体, 如学习者、教学者。
数字学习生态系统中的数字物种和用户群体之间的关系可以借助信息模型来解读。如右图3所示, 数字学习生态系统具有两个小生境:教学小生境 (“同住”着教学者、辅导者和数字学习管理者) 和学习小生境 (“同住”着学习同一课程、单元的学习者) 。小生境中的生物体各有明确的职责。教学者负责学习单元, 并直接引入所用的方法, 如面对面讲授方法和在线教授方法;辅导者负责执行教学者建议的方法;数字学习管理者负责维护整个网站的一致性布局, 并确保网站良好的体验;学习者的职责是采纳教学者和辅导者给出的建议, 学习他们推荐的内容 (包括静态内容和动态内容) , 了解单元大纲和学习指南, 并确保自己能满足通过单元的要求。数字学习生态系统中的教与学过程 (能量, Energy) 即是借助交流工具和协作工具, 内容信息 (静态、动态) 生成知识的变革过程。
这一过程, 主要发生在数字学习界面中, 并通过数字物种和用户群体的相互作用来实现。数字学习生态系统中各组分的相互作用主要有:教学小生境内的相互作用 (教学者—辅导者、教学者—数字学习管理者、辅导者—数字学习管理者) ;学习小生境内的相互作用 (生生互动) ;教学小生境与学习小生境的相互作用 (学生—辅导者、学生—教学者、学生—数字学习管理者) ;教学小生境与界面的相互作用 (教学者—界面、辅导者—界面、数字学习者—界面) ;学习小生境与界面的相互作用 (学生—界面、学生—内容) 。从线上协作学习的角度看, 生生相互作用 (生生互动) 是至关重要的, 它主要有三类相互作用关系:共生、共栖和寄生。当群体中的所有学生都有“好处”时, 生生相互作用是共生的。在共生相互作用中, 所有的学生平等地合作, 并以建设性的方式相互学习;当群体中的一些学生有“好处”, 而其他学生没有受到显著阻碍或得到显著帮助时, 生生相互作用是共栖的;当群体中的一些学生有“好处”, 而其他学生受到阻碍或“伤害”时, 生生相互作用是寄生的。
综上可知, 数字学习生态系统是一种线上学习系统, 它需要考量界面的布局设计、信息架构、适航性、可访性等问题, 特别是数字学习生态系统中平台、软件、工具的无缝集成问题。
IMS全球学习联盟 (IMS Global Learning Consortium) 描绘的平台、软件、工具生态框架为数字学习生态系统的无缝集成提供了思路。如下页图4所示, 这个框架依据开放的标准建构一个共同体系结构, 以促使企业、机构快速、轻松地定制开放的生态系统环境, 促使用户群体通过单一登录和授权平台轻松访问丰富的数字学习资产。其中社区应用分享框架 (IMS Community App Sharing Architecture, CASA) 规范促使Web应用程序在对等拓扑中共享。它将网络中的每个机构视为自治系统, 每个自治系统需要自主完成四项工作:一是定义自己的信任、接受和共享政策;二是查询邻近系统并处理其响应;三是查询时响应相邻系统;四是生成最终用户可以与之交互的前端接口。这样数据信息就可以通过有效载荷 (APPs及其相关联的元数据的逻辑表示) 在自治系统内和自治系统间传送了。卡尺分析框架 (IMS Caliper Analytics, CA) 规范定义了学习分析标准、学习者活动的度量标准以及捕获和报告这些数据 (如点击流数据) 的API, 从而实现学习平台或门户网站的学习分析数据共享和数据互操作, 为教学者提供更为精准的干预策略, 为学习者提供更为舒适的学习体验。而对于学习平台或门户网站内部的软件和工具, 需要借助IMS的相关标准 (如IMS学习工具互操作规范 (IMS Learning Tools Interoperability) ;IMS通用弹夹 (IMS Common Cartridge) 进行无缝集成。
借助上述理念, 数字学习生态系统建构了一个具有通用性的开放式生态框架, 从而实现平台、软件、工具的无缝集成, 使得异构学习数据的互联互通成为可能。
智慧教育 (Smarter Education, Ser E) 旨在培养具有良好的价值取向、较强的行动能力、较好的思维品质、较深创造潜能的智慧型人才。为了实现这一目标, 它需要建构智慧学习环境 (技术创新) 、运用智慧教学法 (方法创新) 、促使学习者开展智慧学习 (实践创新) 。而智慧学习环境是一种以体验为中心的线上、线下融合的生态化环境 (DLE是线上学习系统) ;智慧教学法是一种以服务 (辅助、引导) 为中心的学与教动态平衡的教法生态 (从DLE中的用户群体的职责可以看出, 它仍带有浓厚的“授—受”色彩) ;智慧学习是一种学生为中心的、适于培育从基本知识技能到群体智慧的学习生态 (DLE偏重于基本知识及技能研习) 。所以, 智慧学习生态系统无法满足智慧教育的需求。
综上可知, 智慧教育需要一种专属的智慧学习生态系统。这种智慧学习生态系统不但要体现上述“体验为中心”“服务为中心”“学生为中心”的理念, 还需体现“数据为中心”的理念。因为技术增强、赋能的智慧教育是一种数据驱动的优质教育, “数据为中心”是前面“三个中心”的基础。另外, 教育是一种文化现象, 教育过程是文化中的理念价值的传承与发展的过程 (市场需求与人才结构错位的一个重要原因是忽略了文化因素) , 因此智慧学习生态系统不仅需要考虑教法、技术因素, 更需要考虑文化因素。
通过上述分析可知, 智慧学习生态系统 (Smart Learning Ecosystem, SLE) 应为在一定的智慧学习空间 (技术融合的生态化学习环境) 中, 学与教群体 (学习者、教学者、管理者) 与所在的空间及空间中的资源 (设备、设施、工具、制品符号、内容等) 相互作用而形成的教法—技术—文化系统。它具有四大设计原则:体验为中心、服务为中心、学生为中心和数据为中心。
智慧学习生态系统是各组分间相互作用形成的统一的功能整体, 各组分间的关系也是通过相互作用机制实现的。这些作用机制为教学者和管理者制定适宜的学习策略与政策提供了系统方法依据, 也为数据的互联互通指出流向。智慧学习生态系统主要考虑学生、同伴、教学者、管理者、空间和资源之间的相互作用机制。考察这六个组分之间的相互作用, 笔者提炼出六大机制:反馈机制、优化机制、协调机制、适配机制、扩散机制和聚合机制, 如图5所示。与数字学习生态系统的相互作用机制不同的是, 智慧学习生态系统的相互作用机制更偏向于共栖甚至共生。
反馈机制是指被作用组分的改变程度和结果作为一种信息传输给作用组分的机制。反馈机制旨在促使系统内各组分“知情”自身以及其他组分的状态。数字“仪表盘”即是学生状态与学习效果的典型反馈工具。优化机制是作用组分对被作用组分反馈的信息进行智慧分析与精准决策, 从而提供更为优质的方法、策略的机制。优化机制是智慧“抉择”机制, 是实现优质教育的核心机制。协调机制是作用组分发出信号改变被作用组分的机制。协调机制通过将系统中相互冲突、相互矛盾的组分进行规整实现“求同”理念, 如各种格式的电子书包和电子课本标准的兼容机制。协调机制是各组分发挥系统机能的保证。适配机制是依据组分的属性与特征给予适宜和适切配置的机制。适配机制是一种“存异”机制, 它使得组分具有多样性、组分间具有自适应性。个性化自适应学习和资源适配即是对学习者的适性配置。扩散机制是组分或组分群组向其他种群或群落散布的机制。扩散机制是一种“分享”机制, 可确保智慧学习生态系统均衡发展。六度空间理论指出“你和任何一个陌生人之间所间隔的人不会超过六个”, 这为信息资源的扩散、数据的互联互通提供了理论依据。特别是社交网络的出现, 使得信息、知识传播的更具高效性、迅速性。而基础设施等物质资源, 借助云计算也可突破时空的限制随时为学习者提供所需的服务。聚合机制是不同组分汇聚在一起, 形成价值更高的整体的机制。聚合机制是一种“贡献”机制, 旨在通过各组分的群策群力实现集体智慧 (Wiki和百度百科即是聚合机制的体现) 。聚合机制以协调机制和适配机制为基础, “求同”和“存异”间的平衡问题是聚合机制要解决的核心难题。智慧学习生态系统的各个作用机制的功能虽然各不相同, 但它们的共同目标是促使文化中的理念价值高保真地“流入”学习者, 从而高效地为社会培育智慧人才。
各代TEL的代表学习系统如右图6所示, 新进的智慧学习生态系统是一种在线学习系统与离线学习系统混合的生态学习系统。从学习环境看, 它涵盖了数字学习生态系统环境、包括了个人学习环境、与虚拟学习环境有很大的重叠区, 因此是界域更为宽泛的生态系统。其中DLE为智慧学习生态系统提供集成的平台、软件、工具, 为群体互动生成性学习和小组合作研创型学习创造条件;PLE能够充分考量学生的个体差异与偏好, 因此可进化为智慧学习生态系统中的个人学习空间 (Personal Learning Space, PLS) , 为个人自主适性学习服务;VLE“均码”的特点无法充分满足学习者个性化学习, 但它具有突破时空、模拟情境等优势, 因此VLE主要负责智慧学习生态系统中的班级差异化教学。
学习管理系统为师生开展上述四种智慧学习方法提供监控、管理服务, 学习资源库则为师生的智慧学习提供学习资源。智慧学习中的学习资源是包含“学材”“习材”和“创材”三个组分的生态化资源。在活动理论的指导下, 生态化资源可与智慧学习方法的操作层活动相关联, 从而助力于智慧学习适性活动的生成性设计。
一个良好的体系架构是消除数据“鸿沟”、联通信息“孤岛”的基础条件。智慧学习生态系统的体系架构需要考虑本地架构和云架构两方面的问题。本地架构是一种自治系统, 它依据智慧教育的数据智慧、教学智慧、文化智慧理念促使文化中的理念价值“流入”学习者群体, 期间教与学过程生成的数据存于数据仓储中。云架构采用云计算, 为数据在自治系统间的“流动”搭桥铺路。
如下页图7所示, 智慧学习生态系统的体系架构模型中左侧为本地架构, 右侧为云架构, 中间通过“接口”桥接。
本地架构兼容数字学习生态系统的无缝集成理念, 能够为学习者创造人机协同的生态化的学习环境。它主要有三个空间组成:学生空间、学习空间 (含物理空间、虚拟空间和二者的混合空间) 和数据空间。学生空间是与学生有关的群体构成的关系空间, 它含有社交圈 (基于社交关系) 和学习圈 (基于知识共同体) ;学习空间是智慧学习的“发生地”, 智慧学习生态中的基于微文化模式的智慧学习就发生于此。数据空间是学习数据的处理器, 其通过对数据的理解, 为教与学献计献策, 具有人工智能的特征。
云架构分为私有云、混合云、公有云三层架构。智慧学习生态系统中的云服务具有四类:设施即服务 (Iaa S) 、平台即服务 (Paa S) 、软件即服务 (Saa S) 和数据即服务 (Daa S) 。其中数据即服务是将数据资产作为服务, 提供给不同的系统或用户。图7中左侧本体架构也遵循这四类云服务, 这样根据开放政策公开的局部资源可迅速部署于个体云中。
智慧学习生态系统体现三类智慧:文化智慧、数据智慧、教学智慧。从能量 (SLE中的能量为理念价值) 流动的角度看, 文化智慧定“导向”, 数据智慧定“决策”, 教学智慧定“行动”。不考虑文化智慧的教育, 会有市场需求和人才能力结构错位的风险 (能量由教学智慧或教学智慧流向学习者) ;只考虑文化智慧和教学智慧的教育, 无法彻底实现精准教学、个性学习的愿景 (能量由文化智慧经教学智慧流向学习者) ;而考虑这三者的智慧教育, 可以解决上述问题, 促使文化中的理念价值高保真地“流入”学习者 (能量经文化智慧、数据智慧、教学智慧流向学习者) , 从而实现文化的传承与发展和智慧人才的培育。
智慧学习生态系统中的智慧学习是一种基于微文化模式的智慧学习。如图7左侧所示, 在学生空间中, 主要进行学生特质识别, 并形成个人模式, 以便后续开展同质分层、异质分组和适性学习。在学习空间中, 主要进行师生的教与学的活动监测、微文化模式与个人模式的匹配。另外, 如果有必要, 则给予精准辅助。其中教与学监控为智慧计算输送变量, 模式匹配中的微文化模式和个人模式分别来自智慧计算和特质识别, 精准辅助遵循精准教学以测辅学的理念。在数据空间中, 主要进行智慧计算。智慧计算分为5A阶段:感知 (Awareness) 、分析 (Analysis) 、抉择 (Alternatives) 、行动 (Actions) 、审核 (Auditability) 。其中感知阶段通过传感器、RFID、GPS等设备和技术获取关于文化、设施设备、教与学要素的数据, 这些数据是对他们身份、状态、条件的表征;分析阶段利用数据挖掘、预测分析、模式识别、人工智能算法等技术理解数据, 识别微文化模式, 发现学习异常;抉择阶段通过规则引擎和工作流自动或人工地选择应对异常的替代方案, 抉择时需要考虑微文化模式和个人模式的匹配;行动阶段执行选择的替代方案, 精准、适性的警示、干预、辅助信息将传输给用户群体或感知设备;审核阶段捕获、追踪、分析每个阶段的数据, 以确保所采取的行动的正确性, 并采用机器学习技术学习如何改进分析、确定更好的替代方案。
在上述智慧学习理念中, 文化中的理念价值作为能量经智慧计算的感知形成数据信息, 由此能量由文化系统流入了技术系统。在技术系统中, 对感知获取的文化数据信息进行分析, 可识别出微文化模式, 继而将微文化模式与学生个人模式匹配, 并结合学生的学习状态 (如异常) , 可形成适性的教与学的行动智慧, 由此能量由技术系统流入了教学系统。在教学系统中, 依据行动智慧, 对原有教与学行动进行优化, 优化后的行动作为“信息传递”手段, 促使能量由教学系统流入学习群体中。
本地架构中的能量流动所涉及的数据是自治系统内部的数据, 这部分数据可通过平台、软件、工具的无缝集成实现互联互通。而对于自治系统外部的数据的互联互通, 则采用基于云架构的数据中心和数据仓库实现。
《国家教育管理信息系统建设总体方案》指出国家教育管理信息系统建设要以“两级建设、五级应用”体系为重点, 其中的“两级建设”指国家和省两级云数据中心。在智慧学习生态系统中, 这两级数据中心 (Data Center) 分别部署于教育公有云和区域混合云中。数据中心是各自治系统互联互通的外部接口, 它对各自治系统传来的数据进行数据规整和数据清洗等处理, 将数据转换为统一的或合乎某一特定系统的标准格式, 以便为各自治系统提供数据服务。而私有云配备数据仓库 (Data Warehouse) 是面向主题的、单一的、完整的、一致的数据存储。数据仓库中的数据来源于本地架构根据开放政策或协议公开的数据, 同一数据一次、一处进入私有云 (保证数据的准确性、及时性和完整性) , 其数据结构和存储方式与系统具体功能或数据流无关 (保证数据的共享性) 。这样的设计为各自治系统从两两互相调用的耦合向数据松耦合创造了基础条件, 如图8所示 (改编自高复先教授报告) 。在基于数据中心的松耦合中, 所有自制系统的简单关联均通过数据中心实现。
值得指出, 数据仓库的建设具有太强的功利性 (有预设的应用目标) , 这不符合大数据方法的价值发现精神。大数据方法希望尽可能摄取各种来源的“粗数据”, 甚至暂时不知其用途, 也得收藏起来, 这就需要采用“数据湖 (Data Lake) ”的架构。对数据湖中的粗数据进行抽取和转换后, 可以加载到数据仓库中。数据湖与数据仓库有本质的不同, 如表2所示:数据仓库使用ETL (Extraction, 提取;Transform, 转换;Load, 加载) 过程来摄取新数据, 在将数据加载至数据仓库前, 需要使用预定义好的模组 (Schema) 将其结构化处理 (或称建模) , 即所谓的“写入时建模” (Schema-on-Write) ;而数据库采用ELT过程摄取新数据, 它将转换和加载进行了翻转。这样数据便以原始形式加载至数据湖中, 使用时再根据特定需求进行结构化处理, 这即所谓的“读出时建模” (Schema-on-Read) 。因此, 数据湖相比数据仓库所具有的两大优势为:可存储任意形式的原始数据, 可满足未知需求。
借助数据湖这种优势, 微软开发了Azure Data Lake (ADL) 系列产品, 其中ADL Store作为按照HDFS标准搭建的存储服务, 可为用户提供存储非结构化、半结构化、结构化数据的服务, 并且无数据大小限制;ADL Analytics作为全托管数据分析引擎, 可以大规模并行数据转换和处理, 从而实现所有类型数据的分析。更有趣的是, 戴尔融合数据库和数据仓库的优势, 制定了一套数据整合方案, 如图9所示。这套方案证实了从应用集成向数据整合转变的可行性。它将不同应用程序的业务数据通过数据湖汇聚到一起, 之后在数据湖的基础上建构数据仓库和高级分析环境, 将这些应用与技术全部云化后, 拥抱第三方平台, 从而实现了系统与第三方平台的数据整合。
数据湖这种“存储一切数据、分析一切数据”的技术以及数据湖与数据仓库相连接的理念, 为智慧学习生态系统基于数据的松耦合架构设计提供了新思路。
智慧学习生态系统将系统中的各组分生态化, 促使各组分“物尽其用、各司其职”, 从而为消除数据“鸿沟”, 联通信息“孤岛”提供基础条件。然而智慧学习生态系统的建设与应用也存在诸多挑战。
轻量—高价值的数据最适于部署于云端中, 中国铁路客户服务中心订票系统中的数据即是这种类型的数据 (75%的余票查询业务已经部署于阿里云上, 以解决12306网站的拥堵) 。然而, 教育领域中的学习数据却不是这种轻量—高价值的数据, 它并不适合完全部署于云端, 并且教育对这些数据的要求极其苛刻, 这使得智慧学习生态系统中的数据部署成为一个亟需攻克的难题。
学习数据总体偏向于重量—低价值, 但不同的数据类型具有不同的特征。另外, 学习数据的隐私性和使用频度也是不可忽视的特征。依据这些特征对学习数据进行分类, 有助于智慧学习生态系统中教育混合云数据部署的方案制定。因此, 笔者构建了一种学习数据分类图谱, 如图10所示。
该图谱从价值、量级、隐私、频度四个维度对常用的学习数据进行了考量。其中学籍信息属于高价值、低使用频度、具有高度私密性的轻对象;学具APP属于高价值、高使用频度、具有高度公开性的轻对象;电子学属于高价值、高使用频率、具有高度私密性的重对象;视频资源元数据属于低价值、高使用频率、具有高度公开性的重对象, 而它的本体却是低使用频率的重对象;学习跟踪记录更为复杂, 它几乎没有定性的特征, 只能具体数据具体分析。
学习数据在上述维度的复杂性和教育对数据的苛刻要求 (如无论断网与否, 均需保证教学的流畅) 均是学习数据部署时需要考虑的问题, 另外“哪些数据部署于本地、哪些数据部署于云端?是部署于私人云还是混合云, 亦或是公有云?它们的部署比例如何?”等等问题都是无法逃避的。
智慧学习生态系统可实现人机合理的分工, 将单调、重复的工作交与机器, 教师只负责具有情感性、创造性的工作。得到解放的教师后续工作如何开展是个值得探究的问题。对此, 笔者依据“长板理论”提出教师角色精细化分工的策略, 从而发挥个体优势、打造一流团队。教师角色的精细化分工可促使教师从减负到卓越的专业化发展, 这对实现智慧人才的培育至关重要。简单来说, 智慧人才是知识、技能、能力、品性均衡发展的新型人才, 而学生的能力、品性的培育一直是教育、教学的短板。如果教师角色的精细化分工可以实现, 则对学生能力、品性的培育具有极大的推动作用。
技术支持的教师角色精细化分工模型如下页图11所示。其中数据分析师主要依据监测获得的数据, 分析教与学过程、学生学业成就、教师专业素养、资源质量等教学要素, 并给出分析报告, 从而为其他角色的教师制定策略提供依据。资源工程师主要负责学习资源的设计与开发, 包括“学材”“习材”“创材”等资源。优质的资源是提高教与学质量的保证, 它能提高学生的笃学力 (Engagement) 。教学设计师主要负责教学设计 (如数据驱动的教学设计) , 在智慧学习生态系统中, 教学设计师可以依据“基于大数据文化的教育策略框架”和“基于微文化模式的个性化学习适配处方模型”进行具有智慧学习特征的适性设计。活动教练员主要负责各种学习活动的教授与练习, 特别是人机协同的创造、协作、互动、共享等活动, 这是学生实现由“学会”到“会学”再到“会创”三级跳的手段。教学辅导师主要负责学生的辅助、引导 (包括心理的辅助、引导) 。在学习辅助方面, 由于我国是人数较多的大班制 (在线学习数量规模更为庞大, 如MOOC) , 因此同样需要参照“基于微文化模式的个性化学习适配处方模型”实现低成本、高精准的辅助。教学评估师主要负责教与学过程和结果的评估, 其中相应测量工具的制定是关键。在制定测量工具时, 需要考虑所测构念 (Construct) 的实质理论, 包括: (1) 构念的内涵和外延; (2) 构念的构成、维度或结构; (3) 不同构念水平的表现特征; (4) 不同构念水平的发展机制。这是对所测能力的实质意义的解读, 也是制定测量工具的测量尺度和测量单位的依据。在此基础上建立起来的测量工具才能较为精准地衡量学生的能力水平。
上述是针对智慧学习生态系统的应用建构的教师角色精细化分工模型, 在具体的实施过程中还面临着很多挑战。如如何培训对应角色的专业素养、各角色如何协同作业等。可喜的是, “智慧教育环境的构建与应用研究”课题的实验单位河南科达教育集团的智慧教学已经开始这方面的研究工作, 并取得了初步成果。
詹姆斯·马丁 (James Martin) 的“数据中心原理”指出信息系统是以数据为中心, 而不是以处理为中心的。因此, 智慧学习生态系统建设与应用的一个核心问题即为教育数据 (特别是动态生成的数据的元数据和数据字典的建构问题。如何通过元数据“打标记”实现各自治系统的数据互联互通或如何建构数据字典实现各自治系统的“互译”, 都是需要攻克的难题。
应用系统的分散开发、数据标准的混乱、冗余数据的堆积, 以及大数据时代数据的爆炸式的剧增, 都使得数据处理危机的问题日趋严重, 也给数据环境重构 (Data Environment Reengineering) 带来极大的技术挑战。智慧学习生态系统中, 同样面临着原有自治系统的数据文件、应用数据库、主题数据库等数据环境向数据仓库、数据中心进化的难题, 这也是实现数据松耦合必须解决的难题。
数字学习生态系统作为技术增强学习系统第三代发展的产物, 引进了生态学理论。这为学习生态系统中各组分发挥系统机能提供了良好的环境, 也使异构数据的互联互通成为可能。数字学习生态系统是一个面向线上学习的协同进化的技术—社会系统, 它在教学理念方面带有浓厚的“授—受”色彩。在数据的互联互通方面, 主要考虑平台、软件、工具的无缝集成。这对于注重教育全方位革新 (技术创新、方法创新、实践创新、人才观革新等) , 实现优质教育、培育知识、技能、能力、品性均衡发展的新型人才的智慧教育来讲, 显然是不够的。
为此我们构建了一种智慧学习生态系统。它是一种线上、线下融合的协进发展的教法—技术—文化系统, 在教学理念方面注重“学生为中心、体验为中心、数据为中心、服务为中心”的原则。在数据互联互通方面, 注重自治系统内的无缝集成和自治系统外的数据松耦合。另外, 该文对智慧学习生态系统的内涵、各组分间相互作用机制、体系架构、建设与应用的一些挑战做了详实解读。对于体系架构, 又进一步从本地架构的能力流动、云架构的数据松耦合做了更为详细的分析。后续, 我们将在此研究的基础上, 针对上述建设与应用的挑战, 全力打好“攻坚战”。
联系客服
