杨现民 等丨教育规模化与个性化矛盾何以破解？——数据驱动规模化因材施教的逻辑框架与实践路径

【刊载信息】杨现民,张瑶.2022.教育规模化与个性化矛盾何以破解？——数据驱动规模化因材施教的逻辑框架与实践路径[J].中国远程教育(8):42-52,79.

【摘要】如何破解教育规模化与个性化之间的矛盾，是智能时代教育改革发展的重大任务之一。互联网、大数据、人工智能等新一代信息技术的快速发展，为规模化因材施教的高质量开展提供了技术支撑，同时也赋予了因材施教新的时代内涵。大数据作为新教育系统高效运行的“动力源”和“智慧源”，在驱动规模化因材施教过程中发挥着至关重要的作用。数据驱动规模化因材施教要遵循三个逻辑，分别是“精准识材—多元育才—个性成才”的过程逻辑、“以学生五育数据为主体，以四层数据分析法为框架”的数据逻辑以及“家校社政四方共育”的协同逻辑，最终促进每一个学生全面而有个性地发展。本研究依据数据驱动规模化因材施教的过程逻辑，提出了六条实施路径与建议，以期为各地探索实现规模化教育与个性化培养的有机结合提供一定的借鉴和指导。

【关键词】教育大数据；数据驱动；因材施教；规模化教育；个性化教育；精准识材；多元育才；个性成才

一、

引言

在向第二个百年奋斗目标进军的新征程中，中国教育需要率先迈入高质量发展轨道，培养一大批德才兼备的创新型、应用型、复合型人才，以应对日趋复杂的国际竞争对全面建设社会主义现代化强国的挑战。然而，当前我国学校教育仍以班级授课制的集体化教学为主，应试升学要求高、班级人数规模大、学生课业负担重（刘和海, 等, 2019），教育规模化覆盖和个性化需求满足的基本矛盾依然突出（陈玲, 等, 2019; 黄荣怀, 等, 2019）。《中国教育现代化2035》明确提出，“要利用现代技术加快推动人才培养模式改革，实现规模化教育与个性化培养的有机结合”（国务院, 2019），为化解上述基本矛盾提供了新思路。

当前，已有学者基于智能教育行业发展数据提出了智能技术赋能因材施教的技术框架（刘邦奇, 等, 2021），初步探讨了互联网、人工智能等技术支持下因材施教的实践路径与对策（汪琼, 等, 2021; 刘和海, 等, 2019），为智能时代的因材施教指明了总体发展路向。然而，智能时代的因材施教与传统因材施教之间有何差异？规模化因材施教的内在逻辑和发展路径究竟是什么？这些问题尚待进一步理清。基于此，本研究阐释了智能时代因材施教的新内涵，剖析了规模化因材施教的过程逻辑、数据逻辑和协同逻辑，进而构建了数据驱动规模化因材施教的逻辑框架，并提出了具体实施路径，以期为国内探索实现规模化教育与个性化培养的有机结合提供一定的借鉴和指导。

二、

相关研究

（一）技术赋能规模化因材施教的积极探索

技术支持下的规模化因材施教一直是国内外教育界人士矢志追求的“理想”。因材施教涉及教师、教学、管理、资源、评价等方方面面，是个超复杂的系统工程，而该工程的核心是“个性化教学”。围绕教育教学的个性化问题，研究者从适应性教学、计算机自适应测验、大规模在线开放课程、数据驱动的精准教学等方面开展了积极探索。

1. 适应性教学。从20世纪60年代至今，技术支持的适应性教学大致经历了程序教学（Programmed Instruction，PI）到计算机辅助教学（Computer Assisted Instruction，CAI）再到智能导师系统（Intelligent Tutoring System，ITS）的变化（李昕, 等, 2012）。适应性教学通过调整个性化学习内容、设计个性化学习路径、呈现个性化学习界面、提供个性化诊断和建议、给予个性化提示和反馈等途径支持学生的个性化学习（Xie, et al., 2019）。早期的PI和CAI看似满足了学生自定步调的学习需要，但实际上系统所呈现的内容、路径、界面、建议反馈等都是教育者或技术人员的预先设定，缺乏足够的应变性，系统不具备自学习能力，直接影响个性化学习的规模化推广。近年来，随着人工智能等技术的不断发展和成熟，ITS可以初步模拟优秀人类教师的思维，以动态变化的适应性内容和丰富多样的教学干预措施支持学生个性化学习。例如，基于学习者学习风格和知识水平的自适应学习系统——KLSAS（Dhakshinamoorthy & Dhakshinamoorthy，2019）能依据学习者的测试表现和偏好动态，定期更新以增强系统的适应性，从而使每位学习者能动态选择适合自己当前水平的学习内容及其呈现策略。Auto Tutor（D’mello & Graesser, 2012）能通过监测面部特征、肢体语言和对话线索识别学生的认知状态和情感状态，并通过自然语言对话纠正学生的认知偏差、激发学生的学习动机。整体而言，适应性教学正朝着强智能性、易变通和广包容的方向发展，其对规模化因材施教的支撑度越来越大。

2. 计算机自适应测验。19世纪80年代在计算机科学和心理测量学领域的共同努力下计算机自适应测验（Computerized Adaptive Test，CAT）开始出现并快速发展，成为替代传统纸笔测验和一般的计算机测验的最优方案。一方面，CAT所需的材料成本降低，测验结果可立即传播（Spenassato, et al., 2016），突破了传统纸笔测验无法大规模开展的困境；另一方面，CAT并非为所有测试者提供固定顺序的相同测验，而是根据考生在上一个题目做出的反应估计学生实际能力和测量结果之间的标准误差，从而自适应地调整下一道题目的难度（Choi & Mcclenen, 2020）。目前，CAT已经广泛应用于国外K-12教育、升学考试和资格认证（郑旭东, 等, 2016），如研究生入学考试（GRE）、工商管理研究生入学考试（GMAT）、托福（TOEFL）和2018年国际学生评估项目（PISA）测试等，成为开展大规模适应性评估的主要方法。随着我国招生考试改革步伐的加快，大规模线上适应性测验有望在部分信息化条件成熟的地区或重要考试中加以探索推广。

3. 大规模在线开放课程。2012年以来，以Coursera、Udacity、edX为代表的大规模在线开放课程（Massive Open Online Courses，MOOCs）开始出现，为全球学习者提供了丰富的在线学习资源，开启了一场声势浩大的超大规模线上教育。毫无疑问，MOOCs的开放性为广大学习者个性化课程选择提供了方便。但是，当前大多数MOOCs平台仍以简单的静态模式组织教学（Chao & Hong, 2018），其功能往往局限于资源呈现和学习管理，较少考虑教学交互和学习支持（赵宏, 等, 2017），静态课程资源与个性化学习需求之间的矛盾凸显。陈丽等（2016）提出，引入学习分析和大数据技术能够使这些平台逐步具备记录、存储、分析学习者过程性学习数据的功能，进而根据学习者的学习偏好与需求有针对性地推送学习资源，帮助教师为不同学习者提供更加及时、精准和个性化的辅导服务。也有学者关注人工智能技术对MOOC学习的促进作用，如数据驱动的算法如何有效地将MOOC的主导任务与社区助教相匹配、“虚拟学习伙伴”如何保持学生的学习体验等（Han, et al., 2017）。总之，在大数据、人工智能等技术的加持下，MOOCs平台将越发关注数据资源的价值挖掘和智能技术的深度应用，实现其从大规模知识传播平台向大规模个性化教育平台的“角色”转变。

4. 数据驱动的精准教学。规模化因材施教的核心落点一定在“教学”，一对多的集体教学模式不改变，因材施教便不可能真正实现。随着大数据技术与教育教学的深度融合，数据驱动的精准教学成为当下信息化教学改革的热点话题，也是规模化因材施教理念变现的最有效途径之一。数据驱动的精准教学旨在以数据为基础驱动“精准化教”“个性化学”的实现，该教学范式突破了经验模仿教学范式和计算辅助教学范式所固有的局限性，呈现科学化、精准化、智能化、个性化四大特征（杨现民, 等, 2017）。数据驱动的精准教学在继承“因材施教”教育思想的基础上，倡导一种以“精益、高效、和谐”为核心文化特色的极致发展的理念（郭利明, 等, 2019）。通过大数据精准教学系统的支持，教师能够开展课前的精心教学设计、课中的精细授导、课后的精益辅导，最终实现“轻负高质、兼顾人人”的教学。近年来，浙江、江苏、上海等地推进的精准教学改革实验进展明显，取得了积极成效，为全国推广规模化因材施教提供了区域样本和学校样本。

（二）技术赋能规模化因材施教的内在机理

技术永远处于发展之中，层出不穷的新型信息技术必将推动规模化因材施教迈向更高水平。通过上述四种典型做法，我们可以窥见现阶段技术赋能规模化因材施教的些许路径。然而，技术究竟如何作用于因材施教的各个方面，其运行的内在机理是什么，仍有待细究。

当前，部分学者围绕技术赋能规模化因材施教的作用点、运行逻辑、技术框架等展开了初步探讨。李静等（2021）认为，规模化因材施教的技术赋能点涉及“新范式、新技术、新环境、新要素”四个方面，包括人机协同的思维方式、强大的算力保障和算法支持、无处不在的计算环境以及智能型师资的供给。刘和海等（2019）指出，“互联网+”时代“因材施教”具有可行性，其运行逻辑包括教育大数据实现精准识材、学习分析技术助力精准预才和智能教育环境支持个体成才三个关键环节 。刘邦奇等（2021）构建了智能技术赋能因材施教的技术框架，该框架包括“识材”“施教”“发展”三层，并对各层运用的关键技术做了细致分析，主要涵盖智能测评诊断技术、大数据学情分析技术、学生数字画像技术、大数据精准教学技术、课堂实录分析技术、个性化学习推荐技术、基于大数据的学生发展评价和学业生涯规划技术等。可见，目前学术界对于技术赋能规模化因材施教内在机理的探讨主要是从技术逻辑出发，分析各种技术如何作用于因材施教的关键环节，对于明晰技术的应用思路有积极的指导作用。然而，规模化因材施教是一个系统性工程，涉及技术、数据、过程、主体等多方要素，其中数据又担负着系统“动力源”“智慧源”的重要角色，因此如何从数据视角出发系统梳理规模化因材施教的内在逻辑是一项重要的基础性工作。

三、

因材施教的传统内涵与新内涵

因材施教是一个古老而常新的话题，从提出至今已经过漫长的发展历程。步入智能时代，互联网、大数据、人工智能等新一代信息技术的快速发展，正在加速形成“交融共生、相互赋能、协同演进”的智能技术生态。正是这种技术生态在驱动未来教育样态的重塑，同时也赋予因材施教新的时代内涵。

（一）因材施教的传统内涵

因材施教的思想源于孔子，因材施教的概念最早由宋代教育学家朱熹提出。孔子的因材施教思想可以概括为：根据自己对每位弟子特点和个性的观察了解，实施差异教学，让每位弟子都能达到“仁义礼智信”的君子标准。“因材施教”一词从字面上看，“因”意为根据；“材”在汉语词典中一般指木材、器物，泛指一切原料和资料，教育语境下的“材”一般指代学生生理、心理等方面的资质；“施”是实施、开展的意思；“教”指教学活动。国内比较权威的教育学教材对因材施教是这样定义的：“因材施教原则，是指教师要从学生的实际情况、个别差异出发，有的放矢地进行有差别的教学，使每个学生都能扬长避短，获得最佳的发展。”（王道俊, 等, 1988）

因材施教的传统内涵比较明确地表述了教育过程中的教师角色，将教师视为因材施教的行为主体。如：北宋理学家程颐将孔子的教学方式概括为“孔子教人，各因其材”，南宋朱熹将此注释为“圣贤施教，各因其材”。虽然二者表述不同，但无论是“孔子”还是“圣贤”，都指代“教师”这一身份。此外，因材施教尊重学生间的资质差异，如生理、心理和社会差异等特征。施教方式强调“差异化教学”。施教目标指向学生最佳的个人发展。长期以来，我国教育系统在坚持因材施教思想的同时，由于受到大社会环境的影响，“千人一面”的教学模式和选拔甄别主导的评价模式严重偏离了因材施教的“初心”，曲解了因材施教的应有内涵。《深化新时代教育评价改革总体方案》的出台恰逢其时，有望从根本上引导教育回归到“因材施教”的正确轨道上。

（二）因材施教的新内涵

在智能时代人才培养需求大转变以及智能技术驱动未来教育样态重塑的大背景下，规模化教育与个性化培养的“矛盾”正在逐步破解，使得因材施教步入规模化实施的新阶段，呈现出更丰富的时代内涵。概括而言，智能时代的因材施教由家校社政四方育人主体协同实施，充分尊重每位学生身心差异、文化差异、环境差异等，是融合大数据、人工智能等新一代信息技术开展的智能化、个性化教育，以促进每个个体全面而有个性地发展。以下将从施教主体、施教范围、施教依据、施教过程和施教目标五个方面进行新旧内涵的比较，如表1所示。

表1 因材施教新旧内涵的比较

第一，智能时代因材施教的施教主体角色更丰富。传统因材施教主要是书院“先生”或学校教师的职责，剥离了学校教育与家庭教育、社会教育的内在联系，难以形成协同育人的大格局。步入智能时代，随着全民综合素质的提升，全社会关注并参与教育事业的意愿越来越强，教育多元协商共治的新局面逐步形成。施教主体已经不再局限于教师，家庭、社区、企业和政府也通过不同的方式参与到教育全过程中，承担各自的教育职责、发挥各自的教育优势，协同助力学生全面健康成长。

第二，智能时代因材施教的施教范围更广泛。受教师精力和教育资源的限制，传统因材施教只能在“小班额”情况下开展，推广范围极为有限。在常规班级教室中，教师只能关注大多数学生的共性需求，难以兼顾个别学生的特殊需求。步入智能时代，互联网成为教育供给侧改革的新引擎，开辟了教育的第三空间——“信息空间”，海量优质数字资源的供给和技术对教师群体的整体赋能，让个性化教育服务可以惠及每一位学生，极大拓展了因材施教的对象范围。

第三，智能时代因材施教的施教依据更全面。传统社会中的受教育者大多来自同一地域或阶层，生活环境和文化背景基本相同，不同个体之间的差异主要体现为生理和心理上的差异。随着时代的发展，整个教育步入融合发展的新阶段，跨文化、跨地域、跨民族、跨阶层的教育逐渐成为常态，受教者的差异性越来越大。在此条件下，要想达成好的教育结果，除了考虑学生的身心差异，还要考虑其因社会生活环境不同所产生的文化和传统差异（明庆华, 等, 2015），据此进行更科学的因材施教。

第四，智能时代因材施教的施教过程更智能。传统因材施教主要依据教师的经验，而这种经验的获取往往需要长时间的教学实践，对于新手教师而言因材施教的难度很大。此外，教师经验虽然宝贵，但也存在较高的主观判断失误风险。智能时代的因材施教，通过全程全维教育教学数据的采集与分析以及人工智能技术的深度应用，能够提升“五育融合”教育过程的智能化水平，如自动化的作业布置与批阅、精准化的学业评价与诊断、个性化的兴趣特长识别与培育、智能化的心理健康预警与干预等。

第五，智能时代因材施教的施教目标更科学。传统因材施教注重引导学生扬长避短，最终实现学业发展，特别是“智育”的成功。智能时代需要更多德才兼备的创新型、复合型人才，以应对日趋复杂的国际竞争。因材施教的目的不仅要在尊重差异的基础上挖掘某一方面超乎常人的“奇才”，更要培养大批德智体美劳全面发展的全能之才，让每个学生都能享有公平而有质量的适应性教育，促进其全面而有个性的发展。

四、

数据驱动规模化因材施教的逻辑框架

（一）规模化因材施教的过程逻辑

因材施教追求的终极目标与习近平总书记提出的“人人皆可成才、人人尽展其才”的思想是高度一致的。关于从“材”到“才”的具体过程，研究者们有不同的见解。

有学者提出，“互联网+”时代因材施教的实践路径包括“识材”“预测才”“成才”三个环节（刘和海, 等, 2019）。“识材”是因材施教的起点和重要依据，回应“是什么”的问题，也就是当前“材”的状态；“预测才”回应的是“要培养什么样的人才”的问题；“成才”回应了“如何施教使其发展为才”的问题。也有学者将因材施教的过程划分为“识材”“施教”“发展”三个阶段（刘邦奇, 等, 2021）。“识材”用以识别学习者的个性化差异；“施教”主要指开展个性化的教与学；“发展”是对学生自我发展的规划与评价。

综上所述，因材施教的起点是“识材”，中间过程是“施教”或者说是“育才”，落点是“成才”，也就是实现个人成长发展。本研究认为数据驱动规模化因材施教的过程逻辑包括“精准识材”“多元育才”“个性成才”三个关键环节（见图1），其在每个环节的高效运行都离不开信息技术，借助数据力量实现智能时代因材施教的规模化和精准化。

图1 规模化因材施教的过程逻辑

“精准识材”是“多元育才”“个性成才”的前提和基础。其主要任务是利用学生画像等技术，全面、准确地评价学习者的个性特征和学习状态，从而确定施教起点。“多元育才”是连接“精准识材”“个性成才”的关键通道，需要教师、家长、教育管理者等施教主体秉持科学育人理念，通过精准教学、精细管理、精益服务等多渠道、多方式实施综合素质教育，培养学生的核心素养、学科知识、关键能力、健全人格、高阶思维等。“个性成才”是“多元育才”的结果和下一轮“精准识材”的基础。与“多元育才”不同，“个性成才”更注重人才的个性成长和长远发展，意在为每位学习者设计一条最适合其发展的路径，包括学生职业生涯规划、兴趣特长发展等。

从整体上看，规模化因材施教遵循“精准识材-多元育才-个性成才”的过程逻辑，三个环节缺一不可、环环相扣、彼此影响。若不能精准识材，多元育才的盲目性风险便会加大；若缺少有效、高效的育才手段，成才的成功概率便会降低；若成才的评价和发展导向不合理、不科学，便会反过来影响识材和育才的质量和成效。

需要说明的是，规模化因材施教的过程也有大逻辑和小逻辑之分。大逻辑指向人的终身发展，任何个体的一生成长都是不断接受教育的过程，整体上也会经历人生中“精准识材-多元育才-个性成才”的关键时期；小逻辑指向某个教育阶段的开展或某门课程的实施，比如教师在教授小学数学或中学英语课程时也要通过“精准识材-多元育才-个性成才”三个环节，帮助学生获得更好的学业表现。总之，规模化因材施教的过程不是一蹴而就的，而是循环往复、逐步提升的。

此外，规模化因材施教之所以能从“理想”走向“现实”，离不开信息技术特别是互联网、大数据、人工智能等新一代信息技术的支持，借助互联感知、学习分析、学生画像、知识图谱、智能推荐、适应性评价等技术，可以突破传统因材施教的时空局限和规模局限，构建“面向人人、适合人人、成就人人”的智慧教育生态系统。

（二）规模化因材施教的数据逻辑

数据在规模化因材施教中发挥“诊断器”和“导航仪”的作用，是实现学情精准化诊断、资源与服务个性化推荐、学习路径个性化规划的基础性和必备性要素。这里的数据逻辑意在解释实施规模化因材施教过程中所涉及的数据结构模型和数据分析框架。

1. 数据结构模型

教育是一个时空跨度巨大、业务场景繁多的超级复杂系统，其复杂性特征直接导致了教育数据来源的多样性。从本质上看，教育大数据产生于各类教育实践活动，既包括校园等正式学习环境中的教学、管理、科研活动，也包括家庭教育和社会教育过程中的非正式学习活动。

人是各类教育教学活动的主体，包括“学生”“教师”“管理者”“家长”等角色，也是教育大数据产生的重要源头。诚然，从智能时代因材施教的实施主体和面向对象来看，上述角色都是教育大数据的产生源头，但最为核心的两类主体仍然是“学生”和“教师”。学生是“因材”的对象，也是“施教”的目标，在整个受教育过程中占据学习主体地位；教师是“施教”的主体，具备教育教学专业知识与专业技能，承担大部分的教学任务，在整个教育过程中占据教学主导地位。

规模化因材施教的数据结构模型（见图2）应以学生数据和教师数据为核心数据集，同时有效集成学校管理服务数据、家庭教育数据、社会教育数据和教育政务数据等。“五育并举，融合育人”是步入智能时代后中国教育系统育人方式的重大改革，其着力培养德智体美劳全面发展的社会主义建设者和接班人。因此，学生数据集应以五育发展数据为核心。教师数据集主要围绕教师专业发展展开，包括教师个人特征数据、备授课数据、课后辅导数据和教科研数据等。师生两大数据集相互关联贯通，协同服务于教师的精准教和学生的个性学。

图2 规模化因材施教的数据结构模型

2. 数据分析框架

M.A. Chatti等（2012）认为，教育数据分析的目标包括监测和分析，预测和干预，指导和辅助，评估和反馈，自适应、个性化推荐，以及反思。王怀波等从教师、学生、教学管理者三类主要受众的角度出发，将学习分析目标概括为诊断评估、学习预测和教育研究三个方面（王怀波, 等, 2018）。综合上述观点和因材施教的新内涵，本研究认为规模化因材施教的数据分析应指向“促进学生全面而有个性地发展”核心目标的落实，具体服务于学生个性化成长（诊断评估、预测干预）、教师专业化成长（自我反思、教育研究）、家长科学化育儿（认识孩子、监督指导）、管理者科学决策（资源配置、招考改革），从而让规模化因材施教落地更“有底气、有章法、有成效”。

教育数据分析的方法包括描述性分析、诊断性分析、预测性分析和指导性分析四个层次。描述性分析是对历史教育数据的整理和归纳，常以可视化方式表示教育现象、呈现教育规律、揭露教育问题；诊断性分析聚焦于对教育问题的识别和教育现象的解释，要求数据分析系统或分析者具备透过混杂的全局数据探清教育问题本质的能力；预测性分析通过对教育现状进行更为广泛和深入的洞察，把握事物间的关联关系，预判潜在的学习风险和可能的学习结果；指导性分析基于上述三层分析结果而展开，即通过组合运用各类数据分析算法和模型，为教育者提供后续行动建议，帮助他们做出最优决策。

上述四层数据分析方法不存在优劣之分，在推进规模化因材施教过程中都能发挥积极作用。然而，从实践来看，当前绝大多数教育信息化应用系统或区域教育数据分析服务平台中的数据分析功能较为薄弱，主要以描述性分析功能为主，提供部分诊断性分析服务，但在教育数据的预期性分析和指导性分析方面存在较多欠缺，直接影响规模化因材施教的推进速度和实施成效，后续亟待强化教育数据的深度诊断、发展预测和决策指导功能。

（三）规模化因材施教的协同逻辑

从智能时代因材施教的内涵可知，因材施教的施教主体角色更为丰富，包括政府、学校、家庭和社会四方力量，强化了“协同施教”的理念，体现了现代教育治理“多主体参与”的核心思想。家校社政四方需要开展有效沟通与合作，形成协同育人的新机制和新格局，其逻辑结构如图3所示。

图3 家校社政四方共育的协同逻辑

协同理论认为，在外部大环境中各个子系统间存在着相互影响、相互作用的关系，包括合作、协商、竞争和冲突等，只有各个子系统间能够相互协调配合，围绕共同目标齐心协力地运作，才能产生“整体大于部分之和”的协同效应。然而，协同效应发挥的前提是要明晰各方职责，若职责不清便会产生内耗，最终陷入混乱和无序的状态。政府主要为规模化因材施教提供基本公共教育资源与服务保障，通过政策效力的发挥引导国家教育发展与改革方向，同时对学校教育、家庭教育和社会教育进行过程监督；学校主要承担正规教育中育人的主体责任，负责落实国家课程标准要求与立德树人根本任务；家庭是学校实施因材施教的重要协作力量，主要承担为子女成长营造良好家庭环境，科学引导子女建立正确的政治观、道德观、成才观、健康观、安全观和劳动观，密切配合学校和社会落实因材施教任务的责任；社区、企业、公民个人等社会力量的参与，既能为规模化因材施教提供更加丰富的教育资源（内容、计算和存储等）和服务（培训、认证和辅导等），为学生个性化发展提供更多的选择性，又能促进学生的社会化，包括个体观念的社会化，智力和能力的社会化，以及职业和身份的社会化，从而提升学生在智能时代的生存力。

此外，家校社政四方要达到高水平的协同境界，必须在保持育人目标高度一致性的基础上构建高稳定、强扩展的大协同平台，比如成立多元主体参与的教育协作组织机构、搭建“互联网+教育”大平台等。以大协同平台为支撑，实现多主体之间的沟通、协调与功能优化，实现优质教育资源与服务的协同供给与精准共享。当然，四方合作机制的建设是一个复杂的过程，既要适应不同阶段国家教育政策的变化，又要充分考虑不同教育阶段、不同群体对象之间的差异性，尊重教育发展规律和个体成长规律。

（四）数据驱动规模化因材施教的整体框架

基于规模化因材施教新内涵的理解以及规模化因材施教三个逻辑的阐释（过程逻辑、数据逻辑和协同逻辑），本研究构建了数据驱动规模化因材施教的整体框架（见图4）。其核心运行机理是充分利用智能技术，特别是发挥教育数据的育人价值，抓好“精准识材”“多元育才”“个性成才”三个关键环节，同时调动政府、学校、家庭和社会四方主体的协同育人力量，最终促进每位学生全面而有个性的发展。

图4 数据驱动规模化因材施教的整体框架

五、

数据驱动规模化因材施教的实践路径

本研究基于数据驱动规模化因材施教的整体框架，立足区域教育发展需要，围绕精准识材、多元育才和个性成才三个关键环节，提出如下六条实践路径，以期更好地助力各市、县（区）推进数据驱动规模化因材施教。

（一）数据驱动规模化精准识材

数据驱动规模化精准识材的重点在于“识”，即通过“识”描述“材”的属性、概括“材”的特征。一方面要完善教育数据采集机制，更全面地收集能真实反映学生五育发展水平的数据：另一方面要升级学生画像技术，从众多属性中抽取出核心特征，从而实现学生学业发展状况的精准刻画与评价。

1. 完善教育数据采集机制，提供全维度、高质量的数据支持

数据采集的质量直接影响数据分析与应用的结果，进而影响数据价值潜能的实现程度。当前，各地规模化因材施教的推进大都面临教育数据采集难题，比如五育发展数据如何进行动态、持续、自然地采集，特别是学生的线下行为数据以及内隐的心理情感数据。由于大多数区域仍未制定统一的教育数据采集标准，数据项定义、描述方式、交换形式、质量要求等各不相同，导致区域层面难以实现教育大数据的标准化建设与汇聚共享。

围绕教育数据的高质量采集，各市、县（区）应重点做好如下四方面工作：一是基于国家和教育部颁布的教育数据采集相关标准，尽早研制区域教育大数据采集标准，研制过程中鼓励信息化企业、学校等积极参与，以增强标准的完备性和适用性，同时加强标准的执行跟踪和监督力度，确保各信息化应用系统与终端的部署与运行过程严格落实标准；二是加强数据资产观念教育，不仅要让广大教育管理者与教师充分认识数据在教育教学改进与创新发展方面的重要价值，进而能够善用、乐用、常用信息技术，促进更多教育业务场景数据的持续生成与累积，更要加强管理者和教师对数据资产权属权益的认识，使得数据所有权、控制权和使用权得到合规管理，保证数据资产建设安全有序；三是坚持“伴随式采集优先”的原则，对于能从应用系统或教育教学运行过程中智能化获取的数据绝不采用“人工填报”方式，努力做到“一数一源，一源多用”，杜绝因数据采集给基层“加负添乱”；四是坚守数据安全底线，从制度、技术、人员等多方面筑牢区域教育大数据的安全防护墙，为规模化因材施教提供数据安全保障。

2. 构建动态精准学生画像，助力综合素质评价

随着大数据技术与可视化技术的快速发展，学生画像逐步成为各地开展学生综合素质评价的主要手段。运用学生画像技术，能够对学生个体和群体进行精准评价，从而个性化定制施教方案。在数据采集与预处理基础上，学生画像构建包括定量画像构建、定性画像构建和画像输出三个关键步骤（余明华, 等, 2020）（见图5）。首先，构建定量画像，基于采集的数据进一步细化学生思想品德、学业水平、身心健康、兴趣特长和社会实践等各子维度内容，并通过描述统计、因子分析、聚类分析等方法用量化数据指标表征学生五育发展水平；其次，构建定性画像，即从定量画像中提取并聚合出文本或数字形式的标签体系，概括数据背后所蕴含的深层信息；最后，结合数据类型特点，选择适合的可视化模式直观地输出画像，方便教育者做出评价决策。

图5 学生画像构建流程

《中国基础教育大数据发展蓝皮书2020-2021》课题组对国内基础教育领域16款典型学生画像产品进行了调研分析，发现当前学生画像产品主要存在“画像的数据维度偏少，难以全面精准刻画学生”“画像的模型比较简单，难以保证画像结果的科学性”“画像的可视化呈现形式单一，难以直观呈现学生的特征”三个突出问题，直接影响学生综合素质评价质量。徐州市云龙区于2021年全面启动教育部“基于教学改革、融合信息技术的新型教与学模式”试验区建设工作，重点围绕“区域整体推进数据驱动的学生综合素质评价改革”开展了积极探索，并在评价模式设计、数据应用探索等方面取得了积极成果，同时也面临评价多元化与标准化冲突、全区数据汇聚共享弱、部分学校参与积极性低、评价结果支撑教育教学改进机制缺失等现实难题。结合学生画像产品调研结果与云龙区综合素质评价改革实验推进中遇到的难题，本研究提出三点改进建议：一是信息化企业应加强学生画像产品需求的深度调研与计算模型的精准设计，瞄准学生评价改革的难点和痛点问题，提出覆盖更多业务场景、实现更加全面精准评价目标的科学规范的学生画像综合解决方案；二是教育行政部门应建立区校一体化的学生综合素质评价机制，统筹推进评价标准研制、评价平台建设、数据汇聚共享、个性评价设计、评价结果应用、工作成效考核等工作；三是协同高校力量组建一支专业化的指导团队，为一线学校进行学生画像产品应用与学生综合素质评价提供及时、精准、个性化的指导，帮助学校解决自身发展中存在的实际问题。

（二）数据驱动规模化多元育才

多元育才不仅体现在育人方式的多元性，还体现在育人方向和育人主体的多元性。当前，各市、县（区）推进数据驱动规模化多元育才需要抓好精准教学改革、多方协同育人、个性化资源与服务供给三项关键性工作。

1. 开展教师数据素养教育，推进数据驱动的精准教学改革

规模化因材施教对教师的综合素质提出了更高要求。其中，良好的数据素养正在成为智能时代教师职业的“标配”。教师数据素养是指教师能够对不同类型、不同来源的教育数据进行定位、获取、处理和分析，并将分析结果转化为改进教学行为的知识，以提升自身专业技能和学生学习效果（杨现民, 等, 2020; 林秀清, 等, 2020）。教师通过对教学互动中收集到的数据进行分析，可以深化自己对教学过程和支持方式的理解，反思教学设计和优化学习环境，以满足学生的不同需求和期望（Kaser & Halbert, 2014）。

近两年，江苏、浙江等地围绕教师数据素养培训开展了有益探索，以期提高中小学教师对教学教研数据的处理能力，进而推动数据驱动的精准教学改革，实现教学高质量发展。然而，结合笔者团队开展的教师数据素养培训与精准教学实践来看，当前主要存在两个突出问题：一是常规的教师培训（线下、线上或者混合式）在教师数据素养提升方面效果欠佳，教师在数据与日常教育教学业务的融合应用上仍较为“困惑”；二是数据驱动精准教学的支持服务不到位，影响区、校常态化、普及化推广。

围绕教师数据素养教育与精准教学改革，建议各市、县（区）从如下三方面着手：一是坚持“场景嵌入式，服务伴随式，学习泛在式”的基本理念，构建面向中小学教师的数据素养渗透式教育模式（见图6），重点结合一线教师的工作场景设计数据应用案例与策略，通过活动促进、榜样示范、环境熏陶等途径全方位渗透数据意识、知识、技能与思维，同时引入高校、教研机构等伴随式支持服务，实现区域中小学教师数据素养的持续提升；二是加强区校一体化精准教学支持服务，全区统筹协调精准教学平台、资源、活动等要素，形成覆盖数据、技术、方法、管理和文化五层架构的精准教学支持服务体系（郭利明, 等, 2021），规模化推进区域精准教学改革；三是扩展精准教学的学科范围，从传统的智育学科拓展到德育、美育、体育、劳育等学科，探究适合不同学科、不同课型的精准教学模式；四是重视规模化精准教学改革的实际成效评估，通过多学科、多年级学生的学业发展数据的横向和纵向比较，全方位评价精准育人效果，同时检验“双减”工作的落实和成效。

图6 渗透式教师数据素养教育模式

2. 打造家校社政育人共同体，探索多方协同育人新模式

数据驱动的规模化因材施教需要充分发挥政府、学校、家庭和社会四方力量，成立家校社政育人共同体，构建信息互通、供需互通、角色互通的大协同育人模式。围绕家校社政育人共同体建设与大协同育人模式构建，建议各市、县（区）重点开展四方面工作：一是建立政府主导下的四方有效协同的伙伴关系与制度，通过校董会、教师工会、家长委员会等形式相互倾听彼此意见，促成长久稳定的赋权联盟。二是构建基于大数据的协同教育平台，搭建信息沟通桥梁，以便联盟各方能针对学生的在校表现数据进行个性化交流（张生, 等, 2018），通过各方数据的互通共享，精准掌握每位学生的身心特征、知识和能力发展水平等，进而为其制定个性化教育方案。三是支持学校多渠道引入社会化服务与资源，满足课后延时服务等教育教学需求，同时做好兼职教师队伍建设，让校外的优质“师资”从教育的“旁观者”成为教育的“志愿服务者”。例如，邀请派出所干警出任学校法制、消防和交通安全教师，邀请卫生院医生作为健康教育教师等。四是引导家长提高自身信息素养，善用技术工具与学校开展高效沟通，协助学校做好孩子在家庭、社会等场所的学业监督与学习数据采集工作。

3. 推广个性化学习推荐技术，精准供给优质资源与服务

规模化因材施教需要在精准识材的基础上，借助强大的个性化学习推荐技术，为每位学习者智能推送最适合的学习资源与服务，实现从“人找资源”到“资源找人”的转变。从推荐内容来看，主要包括课程、习题、知识点、文献资料等资源以及学习路径规划与学习伙伴匹配等服务；从推荐算法来看，主要包括基于内容的推荐算法、协同过滤推荐算法、混合推荐算法等（Zhou, et al., 2021）。当然，上述推荐算法主要借鉴了电子商务领域的推荐技术，其推荐效果有待提升。近年来，研究者们提出了基于学习风格和认知水平的学习资源推荐模型（姜强, 等, 2010）、基于学习者访问历史数据的学习资源推荐模型（Dascalu, et al., 2015）、基于课程知识图谱模型的学习资源推荐算法（孙飞鹏, 等, 2021）等一系列新的个性化学习推荐方法，提高了学习资源推荐的效率和精准性。

随着国内智慧教育进程的加快，智能作业、精准教学、课后延时服务、智能研修等各种信息化应用支撑平台快速出现，促进了更加开放、互联、协同、绿色的区域教育信息化生态的形成。然而，实践中也发现很多地方的教育信息化应用系统，或未提供个性化推荐服务，其应用模式还是靠教师的手动检索，如传统的网络备课系统；或提供了个性化推荐服务，但推荐效果不尽如人意，难以做到精准化。个性化学习推荐技术的缺失或运行效果不佳，直接影响广大师生对技术产品的持续使用意愿，也会阻碍各地规模化因材施教的进程。

围绕优质资源与服务的个性化精准供给，建议各市、县（区）落实好四项工作：一是加强平台之间的互联互通，实现区域平台之间及其与国家智慧教育公共服务平台的对接，拓宽优质数字资源汇聚共享的渠道；二是建立数字教育资源共创共享机制，统筹政府、企业、学校、社区等力量，协同建设更加充足、更加多样的课程资源与服务，形成立体多元、无缝流转、动态演化的区域教育资源生态；三是建设更加智能化的教育信息化应用平台，积极推广前沿的个性化学习推荐技术（如基于联邦学习的个性化推荐、基于知识图谱的可解释性推荐等），让个性化推荐成为绝大多数信息化应用系统的“标配”，以实现更加精准的学习资源与服务推荐；四是探索建立用户视角下基于应用过程数据的数字教育资源质量评价机制，加强资源质量监管与评估反馈，持续提升数字资源建设品质与应用效能。

（三）数据驱动规模化个性成才

个性成才关注的是个人的长远发展。各市、县（区）在推进规模化因材施教过程中应遵循青少年成长特点和规律，充分发挥互联网、大数据等技术在学生学业生涯规划方面的支撑作用，以培养学生清晰的自我认知和职业定位能力，助力个体未来长远发展。

1. 搭建学业生涯规划平台，引导学生做好自我定位与规划

学业生涯的科学规划是学生个性成才的重要基础，生涯规划教育是当前基础教育领域的薄弱环节。学业生涯规划教育能够帮助学生了解专业现状和岗位前景，引导学生合理自我定位、明确职业目标，从而有计划地选择和安排学业任务，最大限度地发挥个体潜能，提高个性成才成功的概率，更好地实现人的社会价值。围绕学业生涯规划教育，建议各市、县（区）做好如下工作：一是坚持“生涯教育从小抓起，为孩子幸福奠基”的理念，系统设计面向小学生、初中生、高中生和中职生的一体化生涯教育体系，形成从生涯启蒙到生涯探索再到生涯规划的完整生涯教育链条；二是建设学业生涯规划教育综合服务平台，全面记录、跟踪学生的学习与成长动态，为每位学生建立学习成长档案并进行深度数据分析，从而为每位学生提供最适合的生涯规划指导；三是发挥互联网技术优势，整合教育系统内外生涯规划教育相关课程（如职业综合素质提升课程、职业技能提升课程、就业与创业指导课程等）、师资（如教师、校友、企业、培训机构等）等资源，构建全社会参与的生涯规划教育大系统，助力每个孩子找到最适合自己的人生跑道和价值道路。

六、

总结与展望

以互联网、大数据、人工智能等为代表的新一代信息技术的快速发展，为破解教育规模化与个性化矛盾带来了契机，因材施教正在从小规模化、经验主导型转向大规模化、数据驱动型。本研究构建了数据驱动规模化因材施教的逻辑框架，包含过程逻辑、数据逻辑和协同逻辑，并从区域教育发展出发，提出了数据驱动规模化因材施教的六条实践路径。需要说明的是，数据驱动的规模化因材施教并非过度强调数据在精准识材、多元育才、个性成才三个关键环节中的主导性，也并非否定人类经验的重要价值，而是倡导一种基于数据、证据导向的科学化因材施教。当然，所提的六条实践路径也是基于笔者团队多年来在各地开展教育信息化调研与指导服务中获取的实践经验，是否具有普遍指导意义，仍需要进一步研究探索。

围绕数据驱动的规模化因材施教，研究团队下一步将重点开展如下几项工作：一是开展国内规模化因材施教的实践案例调研与分析，总结实践经验，优化实践路径；二是跟踪国外规模化因材施教相关的最新政策，探讨其对智能时代我国因材施教政策体系的启示；三是对精准识材、多元育才、个性成才三个关键环节面临的实践难题开展系统研究，提出更佳的技术解决方案或应用模式。

参考文献

向上滑动阅览

陈丽，林世员，郑勤华. 2016. “互联网+”时代中国远程教育的机遇和挑战[J]. 现代远程教育研究（1）：3-10.

陈玲，刘静，余胜泉. 2019. 个性化在线教育公共服务推进过程中的关键问题思考——对北京市中学教师开放型在线辅导计划的实践反思[J]. 中国电化教育（11）：80-90.

郭利明，杨现民，张瑶. 2021. 数据驱动的精准教学五维支持服务框架设计与实践研究[J]. 电化教育研究，42（4）：85-92.

教育部. 2019-02-23. 中共中央、国务院印发《中国教育现代化2035》[EB/OL]. [2020-06-23]. http：//www.moe.gov.cn/jyb_xwfb/s6052/moe_838/201902/t20190223_370857.html

黄荣怀，周伟，杜静，等. 2019. 面向智能教育的三个基本计算问题[J]. 开放教育研究，25（5）：11-22.

姜强，赵蔚，杜欣，等. 2010. 基于用户模型的个性化本体学习资源推荐研究[J]. 中国电化教育（5）：106-111.

李静，刘蕾. 2021. 技术赋能的高等教育规模化教育与个性化培养：逻辑必然与实践机理[J]. 中国电化教育（8）：55-62.

李昕，荆永君，王鹏. 2012. 智能授导系统中的教学策略研究[J]. 中国电化教育（10）：126-130.

林秀清，杨现民，李怡菲. 2020. 中小学教师数据素养评价指标体系构建[J]. 中国远程教育（2）：49-56，75，77.

刘邦奇，张金霞，许佳慧，等. 2021. 智能技术赋能因材施教：技术框架、行业特点及趋势——基于智能教育行业发展实证数据的分析[J]. 电化教育研究，42（2）：70-77.

刘和海，戴濛濛. 2019. “互联网+”时代个性化学习实践路径：从“因材施教”走向“可因材施教”[J]. 中国电化教育（7）：46-53.

明庆华，石畅. 2015. 应对社会分层挑战的因材施教[J]. 教育科学研究（5）：9-15.

孙飞鹏，于淼，汤京淑. 2021. 基于知识图谱的汉语词汇学习资源推荐研究——以HSK三级词汇为例[J]. 现代教育技术，31（1）：76-82.

汪琼，李文超. 2021. 人工智能助力因材施教：实践误区与对策[J]. 现代远程教育研究，33（3）：12-17.

王道俊，王汉澜. 1988. 教育学[M]. 第三版. 北京：人民教育出版社.

王怀波，李冀红，杨现民. 2018. 目标导向的学习分析模型构建[J]. 中国电化教育（5）：96-102.

杨现民，骆娇娇，刘雅鑫，等. 2017. 数据驱动教学：大数据时代教学范式的新走向[J]. 电化教育研究（12）：13-20.

杨现民，李新. 2020. 中小学教师数据素养[M]. 北京：科学出版社.

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.

张生，曹榕，陈丹，等. 2018. “AI+”时代未来学校的建设框架与内容探究[J]. 中国电化教育（5）：38-43.

赵宏，郑勤华，陈丽. 2017. 中国MOOCs建设与发展研究：现状与反思[J]. 中国远程教育（11）：55-62.

郑旭东，高守林，任友群. 2016. 计算机化自适应测验及应用于规模化考试的主要问题分析[J]. 开放教育研究，22（4）：40-49.

Chao, L., Hong, Z. (2018). Enhancing the Efficiency of Massive Online Learning by Integrating Intelligent Analysis into MOOCs with an Application to Education of Sustainability. Sustainability, 10(2), 468.

Chatti, M. A., Dyckhoff, A. L., Schroeder U., & Thüs, Hendrik. (2012). A reference model for learning analytics. International Journal of Technology Enhanced Learning, 4(5/6), 318-331.

Choi, Y., Mcclenen, C. (2020). Development of Adaptive Formative Assessment System Using Computerized Adaptive Testing and Dynamic Bayesian Networks. Applied Sciences, 2020.

Dascalu, M. I., Bodea, C. N., Moldoveanu, A., Mohora, A., & Pablos, P. (2015). A recommender agent based on learning styles for better virtual collaborative learning experiences. Computers in Human Behavior, 45(C), 243-253.

Dhakshinamoorthy, A., Dhakshinamoorthy, K. (2019). KLSAS-An adaptive dynamic learning environment based on knowledge level and learning style. Computer Applications in Engineering Education, 27(2), 319-331.

D’mello, S., Graesser, A. (2012). AutoTutor and affective autotutor: learning by talking with cognitively and emotionally intelligent computers that talk back. The Acm Transactions on Interactive Intelligent Systems, 2(4), 1-39.

Han, Y., Miao, C., Leung, C., & White T. J. (2017). Towards AI-powered personalization in MOOC learning. npj Science of Learning, 2(1).

Kase,r L., Halbert, J. (2014). Creating and Sustaining Inquiry Spaces for Teacher Learning and System Transformation . European Journal of Education, 49(2), 206-217.

Spenassato, D., Bornia, A. C., Tezza, R. (2016). Computerized Adaptive Testing, A Review of Research and Technical Characteristics. IEEE Latin America Transactions, 13(12), 3890-3898.

Xie, H., Chu, H. C., Hwang, G. J., & Wang, C. C. (2019). Trends and development in technology-enhanced adaptive/personalized learning, A systematic review of journal publications from 2007 to 2017. Computers & Education, 140(10), 1-16.

Zhou, L., Zhang, F., Zhang, S., & Xu, M. (2021). Study on the Personalized Learning Model of Learner-Learning Resource Matching. International Journal of Information and Education Technology, 11(3), 143-147.

作者简介

杨现民，博士，教授，博士生导师，江苏师范大学江苏省教育信息化工程技术研究中心（221116）。

张瑶，硕士研究生，江苏师范大学智慧教育学院（221116）。

基金项目：本研究为国家自然科学基金面上项目“网络学习资源群体进化的规律识别与预警技术研究”（项目编号：62077030）的研究成果之一，同时受江苏省高校“青蓝工程”资助。

责任编辑：刘莉

2022年第8期目次