中外教育大数据研究热点与发展趋势

郑志宏 杜斌 张硕

摘   要：教育大数据在教育信息化中的作用愈发凸显，挖掘教育数据潜在价值已经成为当前教育技术研究领域的重要课题。文章以中国知网（CNKI）和科学网（Web of Science）数据库的期刊论文为研究对象，以Hist Cite软件分析和内容分析法为主要研究方法，对比国内外教育大数据的研究热点与发展趋势。分析发现，“数据挖掘”“学习分析”等技术依然是教育大数据的技术研究热点，“思想政治教育”“人工智能”“智慧教育”等领域是目前国内教育大数据的热门研究方向，我国大数据标准正在走向国际并产生影响。

关键词：教育大数据;研究热点;发展趋势;中国知网;WOS

中图分类号：G434        文献标志码：A         文章编号：1673-8454（2022）03-0033-08

一、研究背景与问题聚焦

大数据具有体量大（Volume）、种类多（Variety）、速度快（Velocity）[1]三类传统“3V”特征，高价值（Value）[2]与真实性（Veracity）[3]被认为是其新型“2V”特征。国际电信联盟（International Telecommunication Union，简称ITU）定义大数据为：一种允许可能在实时性约束条件下收集、存储、管理、分析和可视化，具有异构特征的大量数据集的模式。[4]教育大数据作为大数据的子集，已经在教育领域产生深远的影响。

迄今为止，教育大数据在精准化教学[5]、个性化学习[6]、教育教学评价[7]、教育研究[8]、教学改革[9]等方面都有着不同程度的应用。已有研究以不同的方式从不同的角度定义教育大数据。方海光[10]认为教育大数据是教育领域中的大数据，特指教育领域的数据集合。杨现民等[11]认为是整个教育活动过程中所产生的以及根据教育需要采集到的，一切用于教育发展并可创造巨大潜在价值的数据集合。杜婧敏等[12]认为教育大数据是面向教育全过程时空的多种类型的全样本的数据集合。孙洪涛等[13]把教育大数据定义为服务教育主体和教育过程、具有强周期性和巨大教育价值的高复杂性数据集合。

教育数据是教育信息化不可或缺的要素，教育改革中的教学、学习、评价等方面的落地与实施仍需要新思路和新方法。随着学校信息化配套设施的全面普及，教育大数据在数据规模、数据种类、数据使用、数据存储、数据安全等方面正对目前的教育数据应用模式提出新要求。目前，教育大数据研究发展脉络尚未经过系统性梳理，阶段性发展成果与未来研究方向仍需综述性研究来加以归纳溯源。

二、数据来源和分析方法

（一）数据来源

本研究选择科学网Web of Science（WOS）核心数据库和中国知网（CNKI）数据库作为文献检索来源，这些文献绝大多数发表于经过同行评议的学术期刊和国际学术会议。在WOS上以“教育大数据（education big data）”与“教育大数据（educational big data）”为主题进行检索，时间区间为2010—2020年，研究方向设定为“教育研究（educational research）”。对检索到的文献手工筛选与研究主题不相符的文献，截止到2020年12月22日，共筛选出论文1350篇，作为外文文献的主要数据来源。在中国知网数据库中，在期刊中选择核心期刊和CSSCI来源期刊，对教育大数据这一主题进行检索，时间区间为2010—2020年，截止到2020年12月14日，最终获得有效论文1051篇。

（二）研究方法

研究主要采用两种分析方法。一是可视化法。借助Hist Cite可视化软件生成WOS论文引文关系图，寻找文献中最有价值的论文完整引文关系，以此确定主要研究的论文。在Hist Cite中按照局部引用分数（local citation score，LCS，即该文献被目前文献列表中文献引用的总频次）进行排序，生成包含论文序号的关系图，图中圆圈代表不同的文献，圆圈中的序号代表该文献在数据库中的序号，圆圈越大的文献代表越有价值，圆圈之间由带箭头的线段相连，箭头指向被引文献。二是内容分析法。内容分析法通过对文献资料包含内容的分析，认识现象之间的联系。[14]对Hist Cite给出的最有价值的论文和高被引论文进行分析，进一步探究当前研究热点的实质与未来趋势。对参考文献的引用文献进行分析，梳理研究脈络与发展过程。

三、研究结果分析

（一）教育大数据国内外相关政策

世界各国都非常重视大数据技术在教育领域的应用和发展，出台了一系列教育大数据相关的政策与发展规划。美国于2012年发布《大数据研究和发展计划》，提出要增强联邦政府数据处理能力、分析能力与对经济社会的预测能力。[15]同年，美国国家教育部发布《通过教育数据挖掘与学习分析促进教与学》，介绍美国教育大数据应用领域、案例与挑战，并明确教育大数据的主要应用方向——教育数据挖掘和学习分析。[16]美国总统行政办公室于2014年发布《大数据：抓住机遇、保存价值》报告，介绍美国大数据的发展情况，对个性化学习与学习轨迹研究进行预测，并针对隐私伦理、数据开放等问题提出一系列发展计划。2016年发布《联邦大数据研发战略计划》，进一步提出大数据发展的七项战略内容。[17]2013年，欧盟主要国家签署了《八国集团数据开放宪章》（G8 Open Data Charter），将教育作为数字经济发展的重要领域。2020年，欧盟颁布的《欧洲数据战略》（A European Strategy for data）明确要保证学习机会、人员技能等方面数据的质量，通过由欧洲议会、理事会以及欧洲职业培训发展中心共同制定的《欧洲通行证数字证书框架》实现安全和可互操作的数字证书认证与颁发。[18]2013年，日本总务省颁发《平成24年版信息通信白皮书要点》，提出要发展数据分析技术，培养大数据专业人才。[19]2020年，韩国宣布数字化经济支持政策，建设大数据平台、5G等基础设施，促进远程教育的发展。[20]

中国也非常重视教育大数据的发展。从2012年至今，一系列相关政策鼓励发展大数据产业。国务院2015年发布的《促进大数据发展行动纲要》要求，“推动教育基础数据的伴随式收集和全国互通共享”“探索发展大数据对变革教育方式、促进教育公平、提升教育质量的支撑作用”。工信部2016年出台的《大数据产业发展规划（2016—2020年）》提出，“促进大数据在政务、交通、教育、健康等民生领域的应用”。教育部2018年发布的《教育信息化2.0行动计划》明确提出，“深化教育大数据应用，全面提升教育管理信息化支撑教育业务管理、政务服务、教学管理等工作的能力”。中共中央、国务院2020年发布的《深化新时代教育评价改革总体方案》提出，利用人工智能、大数据等现代信息技术，探索开展学生各年级学习情况全过程纵向评价、德智体美劳全要素横向评价。

（二）教育大数据的发展阶段分析

2010—2013年是教育大数据发展的萌芽阶段。如图1所示，从WOS论文引文关系可以看出，2011年与2012年各有一篇论文对教育大数据研究有重要影响，编号为74的论文是本杰明·纳金加斯特（Benjamin Nagengast）等[21]对英国学生成绩与学业自我概念间关系所呈现的大鱼小池塘效应进行的研究，提出需要进行大量数据采集和对比工作。编号为122的论文使用问卷的方法对358名学生人格特质、计算机自我效能等数据进行采集与分析，研究博客的教育用途。[22]这一阶段的一些研究开始对大规模的数据进行采集与分析。其中，信息化的软件工具是数据采集与分析的重要手段，研究的问题聚焦在某类特定数据和特定问题，尝试通过数据间的联系寻找问题解决方案。

在2014年，有重要影响力的论文有四篇。从这一年开始，该领域的重要研究不断涌现。可以说，这一年是该领域迅速发展的开端。在这一时期，教育的各个领域被大数据的价值所吸引，许多学者在不同领域提出一系列大数据的应用模式，如迈克尔·克罗斯利（Michael Crossley）[23]讨论了教育政策、比较教育研究与评估方式的国际迁移（论文220），韦特西丝·克里斯托斯（Vaitsis Christos）等[24]将大数据分析与操作技术、信息、知识表示和人类认知能力结合，以改善医学教育（论文205），雷切尔·埃拉韦（Rachel Ellaway）等[25]对数据分析和大数据技术在医学教育的用途、问题和挑战做了详实的描述（论文238）。这一时期的教育大数据研究主要停留在理论探索阶段，对大数据在教育领域的应用场景、问题、挑战等问题进行了充分讨论。值得注意的是，这一时期大数据在医学教育领域的研究较为突出。

2015—2018年有24篇重要文献发表。这四年是该领域高速发展阶段。这一时期最为显著的是编号为343、452与298的论文。论文343梳理知识发现与数据挖掘技术的关系，汇总大数据分析的各类挑战。[26]论文452研究大数据在教育治理中的重要作用。[27]论文298承认了数据在教育中的重要性，同时也表达了对数据隐私、数据偏见、数据监控等问题的担忧。[28]这四年的研究主要涉及学习分析、知识发现、数据挖掘、数据治理、数据隐私、教学绩效、MOOC等领域。值得注意的是，相比数据挖掘，更多学者选择将注意力放在学习分析领域。总全局引用分数（total global citation score， TGCS，即该字段在目前文献列表中发表文章被WOS数据库中文献引用的总频次）也反映了这一特征。一般认为TGCS值越高，研究者对该领域的关注度越高。与学习分析相关的关键词analytics（分析学）和analysis（分析）的TGCS值分别为1229和454，显著高于数据挖掘关键词mining（挖掘）的TGCS值201。也有学者指出，学习分析在技术方面日趋成熟，但是对教学的促进作用只在改善教与学方面有明显证据作为支撑，在提升学生认知、技能发展等方面还有待进一步提升。[29]数据隐私、数据伦理问题依然被广泛讨论。[30]大家普遍承认，在数据驱动下，教学、评价与认证等过程发生了改变，教育数据将在教育政策方面发挥重要作用。

本研究将局部引用分数（LCS）设置为100，发现2019年的两篇重要参考文献——编号为1156的论文[31]与编号为1103的论文[32]，都是对学习分析的进一步研究。研究的重点也从理论框架逐步向案例分析转变，说明学习分析正在教育领域逐步落地。如图2所示，重要参考文献集中在2015—2018年这一区间，2019年重要参考文献明显减少。对比发文量，2019年相比上年发文量有所减少，2020年相比上年发文量有明显减少。如表1所示。

有学者曾对国内外教育大数据的发展阶段进行梳理。蒋鑫等[33]基于WOS数据库量化分析的方法，对国际上教育大数据的发展阶段进行梳理，将国际教育大数据的发展归纳为在数据挖掘技术中孕育（2002—2008年）、可行性探究（2009—2010年）、一套成熟技术模型实现教育决策（2011—2012年）和基于数据的个性化服务（2013—2019年）四个阶段。玛丽亚·伊贾兹·拜格（Maria Ijaz Baig）等[34]使用统计的方法，将梳理的文献进行汇总，认为2014年国际上教育大数据的研究开始流行，2017—2019年是教育大数据快速发展的阶段，并且这一趋势将会延续下去。裴莹等对教育大数据进行可视化研究，认为在2013年，我国开始将大数据技术应用于教育领域，2014年是教育大数据研究逐渐深化的一年，这一年国外《与大数据同行——學习和教育的未来》《2014地平线报告（高等教育版）》等著作对教育产生深远的影响。2015—2016年是教育大数据逐步深化与扩展阶段，教育大数据研究从教育大数据内涵、个性化教育、教育改革等领域向数据素养、教育决策、教学效果等领域扩展。刘凤娟等对中国知网的论文进行梳理，将2009—2012年划分为大数据在教育领域应用研究的萌芽阶段，2013—2014年为起步阶段。有学者从技术发展角度进行划分，认为2012年以后，以分布式数据仓库、海量数据存储技术和流计算的实时数据仓库技术为代表的最新数据存储技术的出现，宣布了大数据时代的真正到来。[35]

可以看出，多数国内学者认可2013年前后是我国教育大数据发展的关键时间节点。也有国内学者指出，我国教育大数据研究相比国际的同类研究，在发展时间和研究范式方面都存在一定滞后性。

（三）教育大数据标准分析

制定教育大数据标准是解决诸多当前问题的重要途径，相关技术标准和规范的研究是国际教育大数据研究的重要领域。在时间维度上，大数据的相关标准和规范主要在2014年以后提出。

国际标准化组织和国际电工委员会第一联合技术委员会（ISO/IEC JTC1，以下简称JTC1）的多个下属委员会（Sub-Committee，简称SC）参与大数据的研究工作，还设立了ISO/IEC JTC1/WG9大数据工作组（以下简称WG9），由JTC1直接领导，专门致力于大数据基础性国际标准研究。在JTC1主导下，SC42制定了大数据框架和应用过程（SO/IEC TR 20547-1）、大数据用例和派生需求（SO/IEC TR 20547-2）、大数据参考体系框架（ISO/IEC 20547-3）和大数据标准路线图（ISO/IEC TR 20547-5）等标准;SC27制定了设计大数据安全与隐私的标准（ISO/IEC 20547-4）。WG9侧重研制对统一大数据认知、规范大数据平台具有重要价值的基础性标准，但WG9的标准和报告多是理论性的方法表述与参考框架，优秀实践、参考案例等更具可操作性的标准和技术报告是未来应该发展的方向。[36]国际电信联盟在大数据领域也发布了大数据的技术报告。2015年，ITU-T发布《大数据——基于云计算的需求与能力标准》（编号：ITU-T Y.3600）对大数据的定义、特征、生态系统、功能需求等基本问题做出解释，并设计了大数据情境模式。

IEEE大数据治理和元数据管理（IEEE BDGMM）活动由IEEE大数据倡议组织和IEEE标准协会在2017年6月联合启动，主要开展大数据标准化工作。研究重点是面向大数据消费者和大数据生产者，进行大数据治理与大数据交换工作，希望通过可器读与可操作的基础设施，整合不同领域异构数据集，让数据可发现、可访问、可利用。[37]

IMS全球学习联盟（IMS Global Learning Consortium，简称IMS-GLC）于2015年编制和发布了学习分析数据互操作规范——卡尺分析（Caliper Analytics，简称IMS-CA）。该规范旨在降低从数字化教学工具中收集分析数据的成本，保证数据的一致性。IMS还开发了许多广受认可的教学系统技术标准，如学习资源元数据（LRM）、学习工具互操作性标准（LTI）、问题测试互操作性（LIS）等。[38]

我国参与教育大数据标准制定的组织有全国信标委大数据标准工作组（简称工作组）、全国信息技术标准化技术委员会教育技术分技术委员会（CELTSC）等。工作组在2014年正式通过涉及交易服务平台、交易数据、数据质量评价指标等内容的4项国家标准。在2016、2017年，通过了包括大数据术语、系统通用规范、大数据存储和处理平台要求等内容的19项国家标准。截止到2018年11月，CELTSC共发布4项由我国主导的国际标准，包括电子课本（ISO/IEC TR 18120）[39]、虚拟实验（ISO/IEC TR 18121）[40]等。

（四）研究热点分析

1.学习分析

学习分析（Learning Analytics）是指測量、收集、分析和提交关于学生和环境的数据，以理解和优化学习和学习发生的环境。[41]一般来说，关注学习分析的主体包括政府、学校、教学者、学习者和教育相关者。政府是教育政策的制定者与推动者，政府相关人员可以获取不同机构的数据以支撑政策的规划与制定、教学评估等工作。学校需要对教学进行有效协调与管理，监控学生的画像数据是智慧学校扁平化管理教学过程、监控教学结果的有效方法，学校可以分析师生的交互数据，以辅助制定新政策。教师作为教学的实际参与者与学习的引导者，及时掌控学习分析结果，对教师及时调整教学策略、进行有效的教学干预具有积极作用。学生是学习的主体，学习分析可以及时反馈学生的数据分析结果，寻求当前认知与学习目标的差距。有研究认为：教育大数据便捷的收集方式和嵌入型的应用让大数据分析成为可能，教育大数据正从概念和模型验证阶段逐步走向应用落地阶段。[42]学习分析在教育领域的实践正是大数据向应用落地的途径之一。评价、精准教学和个性化学习是教育大数据的关键研究领域，模型驱动的数据分析方法正在迅速发展，以指导算法的开发、解释和验证。

2.教育数据治理

自“推进国家治理体系和治理能力现代化”提出以来，治理和教育治理遂成为公共政策话语，并引发研究升温。[43]数据治理是对数据资产管理行使权力和控制的活动集合。教育数据治理正在通过各种数字政策工具来辅助教育政策落地与实施。教育数据治理需要一定的公共政策工具，如先行的国际评估指标、质量标准和比较基准等。[27]在技术层面，教育数据治理所涉及的软件、代码、算法等需要契合公共政策工具的实际要求，二者的有效结合才能让教育数据治理变得现实，被大家普遍接受。教育数据治理还意味着数据的实时收集与自动分析，最后形成的报告是个性化的结果与未来决策的概率预测。在现有研究中，学习分析与教育数据治理系统相结合的案例还比较少，很明显这一领域还有很高的价值值得挖掘。

3.可视化分析

可视化分析是理解教育大数据、寻找数据间联系、最大化数据价值的重要方法。一般认为，在数据可视化之前，要经过数据采集、数据预处理、数据清洗、数据存储、数据处理，最终实现数据的可视化。目前有五种主流的大数据可视化表示方法，包括文本数据可视化、多维数据可视化、网络数据可视化、时间序列数据可视化以及地理空间数据可视化。[44] 面向不同的服务对象，教育大数据可视化具备不同的价值。对于教育管理者而言，数据可视化可以呈现不同维度的数据结果，为教育决策提供支持。对于教学者而言，数据可视化可以建立学生能力与教学目标间的联系，完善课程体系。韦特西丝·克里斯托斯（Vaitsis Christos）等[24]探索借助视觉分析的优势，将大数据分析与操作技术、信息、知识表示和人类认知能力结合，建立学生能力与教学目标之间的联系，形成三个不同层次的课程体系。对于学习者而言，数据可视化可以降低学习的认知负荷，促进学生元认知发展。对课程、教学目标等数据进行可视化分析，可以辅助学生进行自主学习，激发学生学习的内在驱动力。

四、研究总结与趋势展望

本文基于中国知网和WOS数据库，使用Hist Cite软件和内容分析法对2010—2020年教育大数据的研究现状、发展脉络、研究热点和趋势进行分析。基于LCS值与GCS值对文献进行文献分析与脉络梳理，形成以下结论。

第一，从各国大数据相关政策来看，2012年，各国开始重视大数据的发展并出台相应政策。在政策导向上，先对大数据产业进行布局，推动大数据技术发展，再逐步往教育领域延伸。

第二，从文献发表时间来看，教育大数据的发展大致分为三个阶段。2010—2013年是教育大数据发展的萌芽阶段;2014年是教育大数据研究的关键之年，这一年有多篇重要文献发表;2014—2018年是高速发展阶段，诸多重要研究发表于这一时期;2019年至今是研究细化阶段，这一时期的研究从学习分析和数据挖掘逐步向更细化的领域发展。

第三，从标准研究来看，大数据的术语、框架、安全隐私等标准已经建立，之前教育领域的相关标准也被后来制定的标准所参考，不同标准组织之间对大数据研究的侧重点不同。我国大数据标准和教育大数据标准逐渐走向国际化，越来越多的国家标准在影响国际标准的制定。

第四，学习分析是教育大数据研究的热点，也是未来研究的重要方向。数据挖掘、数据治理、可视化分析、数据隐私等依然是当前研究的热点。有几个趋势转变不得不重视：研究重心正逐步从理论研究向案例支撑的实证研究转变，越来越多的文献有实际案例作为支撑;学习分析研究正在细化，更加关注具体问题和特定场景。

参考文献：

[1]DRINGUS L P. Learning analytics considered harmful[J]. Journal of Asynchronous Learning Networks， 2012，16（3）：87-100.

[2]BARWICK H. The “four Vs” of big data. Implementing information infrastructure symposium[EB/OL]. （2012-10-02）[2021-10-03]. http：//www.computerworld.com.au/article/396198/ iiis_four_vs_ big_data/.

[3]GOES P B. Design science research in top information systems journals[J]. MIS Quarterly：Managemen Information Systems， 2014， 38（1）：3-8.

[4]ITU-T Recommendations. Big data-cloud computing based requirements and capabilities[EB/OL]. https：//www.itu.int/ITU-T/recommendations/rec.aspx？rec=12584&lang=en.

[5]王亚飞，李琳，李艳.大数据精准教学技术框架研究[J].现代教育技术，2018，28（7）：5-10.

[6]姜强，赵蔚，王朋娇，等.基于大数据的个性化自适应在线学习分析模型及实现[J].中国电化教育，2015（1）：85-92.

[7]李葆萍，周颖.基于大数据的教学评价研究[J].现代教育技术，2016，26（6）：5-12.

[8]祝智庭，沈德梅.基于大数据的教育技术研究新范式[J].电化教育研究，2013，34（10）：5-13.

[9]汤天甜，冉桢.新闻传播人才培养模式创新与教学改革研究——基于大数据背景[J].西南交通大学学报（社会科学版），2017，18（3）：8-14.

[10]方海光.教育大数据——迈向共建、共享、开放、个性的未来教育[M].北京：机械工业出版社，2017：17.

[11]楊现民，唐斯斯，李冀红.发展教育大数据：内涵、价值和挑战[J].现代远程教育研究，2016（1）：50-61.

[12]杜婧敏，方海光，李维杨，等.教育大数据研究综述[J].中国教育信息化，2016（19）：1-4.

[13]孙洪涛，郑勤华.教育大数据的核心技术、应用现状与发展趋势[J].远程教育杂志，2016，34（5）：41-49.

[14]林崇德，姜璐，王德胜.中国成人教育百科全书：社会·历史[M].海口：南海出版公司，1994：597.

[15]郎杨琴，孔丽华.美国发布“大数据的研究和发展计划”[J].科研信息化技术与应用，2012，3（2）：89-93.

[16]徐鹏，王以宁，刘艳华，等.大数据视角分析学习变革——美国《通过教育数据挖掘和学习分析促进教与学》报告解读及启示[J].远程教育杂志，2013，31（6）：11-17.

[17]田倩飞.美国发布联邦大数据研发战略计划[J].科研信息化技术与应用，2016，7（4）：95-96.

[18]CIE智库.《欧洲数据战略》全译[EB/OL].（2020-03- 17）[2021-10-03]. http：//www.cbdio.com/BigData/2020-03/17/ content_6155128.htm.

[19]日本总务省.2012年信息与通信白皮书要点[EB/OL].（2012-07-17）[2021-10-03]. https：//www.soumu.go.jp/johotsusintokei/whitepaper/ja/h24/index.html.

[20]人民网.韩国宣布数字化经济支持政策[EB/OL].（2020-06-18）[2021-10-03]. http：//finance.people.com.cn/n1/ 2020/0618/c1004- 31750934.html.

[21]BENJAMIN NAGENGAST， HERBERT W MARSH. The negative effect of school-average ability on science self-concept in the UK， the UK countries and the world： the big-fish-little-pond-effect for PISA 2006[J]. Educational Psychology， 2011， 31（5）：629-656.

[22]WANG Y S， LIN H H， LIAO Y W. Investigating the individual difference antecedents of perceived enjoyment in students’ use of blogging[J]. British Journal of Educational Technology， 2012， 43： 139-152.

[23]CROSSLEY M. Global league tables， big data and the international transfer of educational research modalities[J]. Comparative Education， 2014， 50（1）：15-26.

[24]VAITSIS C， NILSSON G， ZARY N. Big data in medical informatics： improving education through visual analytics[A]. e-Health for Continuity of Care[C]. IOS Press， 2014：1163-1167.

[25]ELLAWAY R H， PUSIC M V， GALBRAITH R M， et al. Developing the role of big data and analytics in health professional education[J]. Medical Teacher， 2014， 36（3）：216-222.

[26]DANIEL BEN. Big data and analytics in higher education： opportunities and challenges[J]. British Journal of Educational Technology， 2015：904-920.

[27]WILLIAMSON BEN. Digital education governance： data visualization， predictive analytics， and “real-time” policy instruments[J]. Journal of Education Policy， 2015， 31（2）：1-19.

[28]NEIL SELWYN. Data entry： towards the critical study of digital data and education[J]. Learning， Media and Technology， 2015， 40（1）：64-82.

[29]OLGA V， MATHIAS H， OLOF B， et al. The current landscape of learning analytics in higher education[J]. Computers in Human Behavior， 2018， 89（DEC.）：98-110.

[30]RUBEL A， JONES K M L. Student privacy in learning analytics： an information ethics perspective[J]. Information Society， 2016， 32（2）：143-159.

[31]PRINSLOO P. A social cartography of analytics in education as performative politics[J]. British Journal of Educational Technology， 2019， 50（6）：2810-2823.

[32]CANTABELLA M， et al. Analysis of student behavior in learning management systems through a big data framework[J]. Future Generation Computer Systems， 2019， 90：262-272.

[33]蔣鑫，洪明.国际教育大数据研究的热点、前沿和趋势——基于WOS数据库的量化分析[J].中国远程教育，2019（2）：26-38.

[34]BAIG M I， SHUIB L， YADEGARIDEHKORDI E. Big data in education： a state of the art， limitations， and future research directions[J]. International Journal of Educational Technology in Higher Education， 2020，17：44.

[35]吴南中.教育大数据应用于MOOC的资源开发范式研究[J].中国远程教育，2015（8）：23-29，79.

[36]光亮，张群.ISO/IEC JTC1/WG9大数据国际标准研究及对中国大数据标准化的影响[J].大数据，2017，3（4）：20-28.

[37]IEEE.IEEE大数据治理和元数据管理（BDGMM）[EB/OL].IEEE，2017. https：//standards.ieee.org/industry-connections/BDGMM-index.html.

[38]肖君.教育大数据（大数据技术与应用）[M].上海：上海科学技术出版社，2020：62-64.

[39]ISO. ISO/IEC TR 18120：2016 学习，教育和培训—教育中对电子教科书的要求[DB/OL].（2015-12）[2021-10-03].https：//www.iso.org/standard/61510.html.

[40]ISO. ISO/IEC TR 18121：2015 教育和培训—虚拟实验框架[DB/OL].（2015-12）[2021-10-03]https：//www.iso.org/ standard/61511.html.

[41]SIEMENS G， LONG P. Penetrating the fog： analytics in learning and education[J]. Educause Review， 2011， 22（3）：132-137.

[42]LUAN H， GECZY P， LAI H， et al. Challenges and future directions of big data and artificial intelligence in education[J]. Frontiers in Psychology， 2020，11：580820.

[43]褚宏啟.教育治理：以共治求善治[J].教育研究，2014，35（10）：4-11.

[44]郑娅峰，赵亚宁，白雪，等.教育大数据可视化研究综述[J].计算机科学与探索，2021，15（3）：403-422.

作者简介：

郑志宏，首都师范大学教育学院;

杜斌，北京市东城区智慧教育研究中心主任;

张硕，北京市东城区智慧教育研究中心数据管理部主任;

方海光，首都师范大学教育学院教授、通讯作者，邮箱：fanghg2013@163.com。

Research Hotspots and Development Trends of Educational Big Data：

Based on the Andysis Data Base CNKI and WOS’s from 2010 to 2020

Zhihong ZHENG1， Bin DU2， Shuo ZHANG2， Haiguang FANG1*

（1.College of Education， Capital Normal University， Beijing 100048;

2.Beijing Dongcheng Intelligent Education Research Center， Beijing 100010）

Abstract： The role of educational big data in education informatization is becoming more prominent， and digging the potential value of educational data has become an important topic in current educational technology research. This research takes journal articles from databases of CNKI and Web of Science， using Hist Cite software analysis and content analysis as the main research methods to compare the research hotspots and development trends of education big data at home and abroad. The analysis found that big data technologies such as “data mining” and “learning analysis” are still hotspots in the technical research of education. Research fields such as “ideological and political education”， “artificial intelligence”， and “smart education”， are currently focused on by domestic education. The China’s standards for big data has gradually become recognized internationally， with its influence noticeable on the international arena.

Keywords： Big data in education; Research focus; Development trend; CNKI; Web of science

编辑：王天鹏   校对：王晓明