学分银行数据聚集：愿景、模型及其技术实现

杨晓燕 吴南中

［摘要］通过学分银行聚集学习者学习成果信息，进而构筑一个服务个体、组织和政府决策的学分银行数据体系，是大数据时代教育类型数据来源拓展的重要内容，也是学分银行发挥其社会期待功能的重要方式。学分银行的数据具有数据标准化、存储过程化、采集全方位化等特征，能准确把握教育的发展状态和趋势，是支持教育治理的关键证据，也可为学习者提升自我导向学习的精准度。学分银行数据聚集的来源包括学分银行信息平台、学分银行对接平台和学习者自身补充的相关数据，形成了多元和多层次拓展数据，并以此构建了学分银行数据聚集模型。要从技术上落实学分银行数据聚集并使之产生效用，需要通过设计数据标准，夯实学分银行自身的数据采集能力和存储能力；打造学分银行数据中台，形成连接的数据前后台的数据组织系统；开展前端应用开发，拓展学分银行应用范畴；开展数据治理，保证学分银行运行的整体效用。

［关键词］学分银行；数据聚集；愿景；模型；技术实现

［中图分类号］G724    ［文献标识码］A    ［文章编号］1004-3985（2023）18-0095-07

信息技术的发展推动着教育信息化的宽度和广度，逐步从信息技术教学应用和信息技术与教育教学融合的历史阶段，转向“以应用驱动和机制创新为特征的‘信息技术与教育教学深度融合’的发展阶段”①。从客观上来讲，目前信息技术与教育教学融合也远远没有达到研究者期待的状态和效用，信息技术推动大规模个性化教学为特征的革命性影响还没有出现，但信息化所带来的“个体理解和智力发展为价值主张，通过技术塑造、内容更迭、技术引入，培养深度思维和技术工具使用能力更强的学习者”②已经深入人心。从生态学视角和系统论视角审视信息技术对教育发展的支持，数据成为关键的掣肘。数据缺乏导致对学习者相关先前经验获取不足，个性化教学和深度学习引导难以推动。“探讨形成大数据获取的环境构建……通过对教育大数据的捕捉、聚合、理解，促使其成为教育发展和变革的元素、动力、方法和支撑”③，成为教育学者关注的重点内容和现实问题。从数据生态的结构来讲，尽管大数据的关键是各类半结构和非结构化数据，大数据赖以生存的基础是自身范围广、层次多、内容复杂的数据，但结构化的数据在基础构建上无法替代。学分银行通过累积学习者的多类型学习成果，从理论上完整记录学习者从幼儿园到高校，乃至成人继续教育相关的学历和非学历教育成果，可以支撑起微观层面的个性化教学、中观层面的学习者中心制度构建和宏观层面的办学政策制定与实施，展現了对丰富的应用场景建设的期待。

一、大数据时代的教育数据需求与学分银行数据聚集愿景

（一）大数据时代的教育数据需求

商业领域在自身数字化过程中发现，数据达到一定量之后，隐匿在数据背后的关系被识别，大数据的价值被无限放大。“数据的交换、整合、分析，不断发现新的知识、创造新的价值，从而带来大知识、大科技、大利润和大发展。”④因此，各个行业也在关注、收集、整合与其相关的大数据，以期获得新的发展。在教育领域，经过了数十年的信息化建设，形成了应用与数据的良性互动，大数据被期待为教育治理、教育资源建设、教学模式创新、教育评价体系变革、学习支持服务模式创新、教学科研的范式创新等多领域提供方法、工具和内容。由于教育大数据所展现出来的场景和无法想象的空间，学者们将其定义为“金矿”。然而，教育大数据的应用都停留在“想象中的金矿”层面，在教育任何领域都没有真正发挥广泛而普及的作用，其中最为主要的原因是数据缺乏，原因包括了“数据采集通道不健全、个体身份识别技术难度大、信息的‘孤岛’现象大量存在、数据标准缺乏、数据采集资源投入不足、数据采集实时性与连贯能力差、教育应用开发不足、教师大数据使用意识和能力等制约了大数据在教育中的应用”⑤。亟待系统化设计大数据获取体系，形成一个涵盖多类数据的总体架构，强化教育领域的教育应用。

（二）学分银行数据聚集愿景

学分银行是在《国家中长期教育改革和发展规划纲要（2010—2020年）》“建立继续教育学分累积与转换制度”等文件要求下，以多类学习成果认证、积累与转换的制度体系和服务体系为主要功能，以实现各级各类教育机构和不同类型学习成果沟通与衔接，促进人才成长的内在联系、持续稳定性和阶段一致性，深化教育教学改革的制度和服务体系。要实现学分银行的功能，需要学习者建立学分银行的账户，将各个阶段所获取的学习成果通过一定的机制纳入学分银行信息服务平台，并通过连接证书和相关培训机构进行成果核验，借助区块链技术与人工智能技术，保证数据的质量进而提升学分银行的公信力。学分银行数据聚集就是通过学分银行的学习成果登记，将学习者全方位、立体化和过程化的学习成果登记在学分银行平台，进而为个体服务、教育组织和社会建设提供整合性的数据，支持教育体系对教育大数据的获取需求。

二、学分银行数据聚集特征及其价值

（一）学分银行数据聚集特征

数据发挥作用的基础是准确呈现问题，也就是数据本身是准确的。从学分银行的运行模式来看，学分银行信息平台本身是优质的教育大数据来源，呈现出了多种特征：一是学分银行存储的大部分数据是标准化数据，是形成学习者个体画像的骨干数据。从理论上说，学分银行可以收集学习者从出生到生命结束所产生的所有成果数据，并按照学分银行数据规范进行存储。这些数据可以准确读取学习者的技能水平、能力偏好、学历资历等，成为学习者个体画像的关键节点数据。二是学分银行存储的是过程化数据。学分银行存储学习者各个阶段的学习成果，其动态特征是准确反映学习者学习持续性和阶段一致性的重要信息。学习者整体的动态变化也是社会生产和生活模式变迁的“映像”，为过程性数据的获取提供了支撑。三是学分银行存储的是全方位数据。学分银行不仅存储了学历教育数据，也存储了非学历教育数据，能便利评价学习者全方位的能力。此外，多数学分银行平台通过自建学习平台和联通学习平台，成为直接的在线学习数据收集者。

（二）学分银行数据聚集价值

传统数据采集模式的阶段性和分散性，难以聚集规模化数据支持教育的整体决策和个性化服务，而通过学分银行的数据聚集，可以有效解决数据缺失的问题。同样重要的是，学分银行通过数据聚集作用的发挥，自身也能得到发展，真正发挥终身学习体系建构中的关键作用。

1.通过学分银行数据的大规模采集，形成教育治理的基础数据支持。“教育的主要矛盾已经由原来的‘人民日益增长的教育需求与教育供给的有限性’，转化为‘对高质量的教育需求和教育不平衡不充分的发展之间的矛盾’。”⑥现阶段教育治理的重点是教育公平、教育改革和教育创新，工作重点是解决教育质量和效率之间的关系，主要方式是通过调整多元参与关系化解工作过程中的混乱和迷茫，使教育整体围绕共同价值诉求开展教学资源调整。学分银行采集的是涵盖学历教育和非学历教育的数据，与国家通过定期人工采集数据结合，可以形成区域或者系统的结构化数据，用于宏观掌握教育发展现状，尤其是通过整合非学历教育相关数据，将国家现行模式下采集不到的部分非学历教育数据整合到学分银行中来，掌握非学历教育发展的类型、规模、质量、不同技能水平人口数量与比例、市场匹配度等方面的信息，为调整教育资源的配置提供数据支撑。

2.通过学分银行数据的过程化采集，准确把握教育的发展状态和趋势。从办学层面来看，传统基础数据的采集是阶段性开展的，如办学状态数据、学籍数据、毕业信息数据等，大量的及时发生的数据没有在采集范围之内。学分银行通过采集过程性数据，支持学习者养成完成学习成果就进行登记的习惯，尤其是企业支持的非学历培训，能有效反映企业的人才培养需求，促使教育决策者准确把握产业的培训需求而进行终身学习资源的供给。从学习者个体来看，在传统结构化、封闭性特征明显的学历教育中，学习者个体的需求是隐匿的，很难通过学历教育数据准确把握学习者的个性化需求。学分银行支持学习者通过多种渠道获取学分，也支持学习者避开传统的学习途径进行知识和技能的学习。所以，学分银行可以准确把握学习者的喜好、兴趣、生涯规划等信息。这样通过数据的关联分析，就可为准确把握教育发展的进程提供准确的数据。

3.通过学分银行数据的全方位采集，为个性化学习提供支持。信息化2.0时代的目标是智慧化，旨在形成支持学习者智慧学习的空间建构，夯实智慧学习的支持条件。智慧学习是一种学习者自我导向的、以学习者为中心的，并具有完整学习体验的新型学习范式；是一种大数据驱动的学习，最为根本的特征是学习者学习的个性化和自适应；是一种“通过大数据感知学习者需求和行为倾向，帮助学习者选择与其基础适应的个性化学习”⑦。这种个性化学习的实现，不仅需要把握学习者的实时状态，更为重要的是掌握学习者的基础状态，提供配合学习者个性化学习需求的学习支持服务，如直接相关的教学问题解答、教学方法服务和教学资源服务等。这类服务的供给需要数据的全方位支持，尤其是学习者先前学习经历数据的支持。准确掌握学习者现有的学习成果，包括学历教育的先修课程和非学历教育的相关成果，是学习支持服务真正满足个性化学习需求的关键。

4.通过学分银行数据的标准化采集，提高学习者自我导向的准确性。在诸多自我导向学习的成人教育理论中，学习者是一个需求明确的个体，有清晰的目标感和准确的过程观，能整合资源支持学习者高效的学习。然而，学习者通常会局限于自身的能力，难以得到周围群体性的支持等，导致自我导向所倡导的行动、生活方式等难以真正落实。特别是随着数字化转型的推进，成人学习从线下转移到线上线下融合的混合学习空间，造成学习过程中“学习者指导边缘化、学习情境碎片化、学习过程娱乐化、学习方式形式化等”⑧困扰，学习目标偏离，学习过程曲折，降低了学习的效用，也影响了自我导向的整体价值。行业能力等级标准是按照产业人才需求逻辑对学习者提供引导，学习者可以根据学分银行中的数据，了解自身所获取的学习成果，分析自身在行业能力等级标准中的层次，所缺的能力模块，需要补充的课程单元，准确引导自身完成以进阶为目标的能力提升。

三、学分银行数据聚集来源、采集逻辑及聚集模型

（一）学分银行数据聚集来源分析

厘清学分银行数据来源是布局学分银行信息平台数据采集的前提条件，也是设计数据标准、数据采集工具、数据处理模式和数据存储方式的基础。从学分银行功能和整体逻辑关系来看，学分银行数据来源包括学分银行平台数据、学分银行对接平台数据和学分银行平台运行过程中学习者自身登记的数据。

1.学分银行平台数据。当各级各类教育机构融入学分银行之后，教育机构所产生的学历教育学习成果和非学历教育学习成果就可以按照学分银行的标准纳入学分银行数据体系。其中课程數据、学分数据、学分层次数据是学分银行数据的主体部分，配合人才培养方案等课程实施计划，可以聚合和存储结构化的学习成果数据，如学历、职业资格、职业技能等级、计算机/英语等级证书等。同时，通过学分转换，可以形成学习者意向数据、发展规划数据等。

2.学分银行对接平台数据。学分银行需要与多类平台形成数据联通，获取相关的数据，形成覆盖学习者的完整数据链。一是对接学习者学籍信息。学籍数据是核定学习者身份的主要数据，是学分银行实施转换操作的基础。二是对接各类学习相关的管理数据。实施学分银行制度和服务体系，从整体看需要各级各类教育机构分享数据，整合到统一的平台中来。学分银行需要对接教务系统、信息管理系统、第二课堂信息管理系统等相关数据，与其他管理制度配合，实现管理数据的全覆盖。三是对接各类在线学习数据。对接在线学习平台可以有效掌握学习者的在线学习行为，为标准化数据之外提供非结构化数据采集的通道，能有效提升学分银行数据的完整度，也能有效获取学习者真实的学习兴趣和学习需求。四是对接各类非学历教育管理平台的数据。部分非学历教育供给者本身具有良好的信息管理平台，如1+X证书管理机构本身具有结构良好的信息平台，其数据是学分银行数据的重要来源，这类数据可按照协议整合到学分银行平台中来。

3.学习者自身登记的数据。学分银行的本质是一套服务学习者个性化学习需求的整体制度，学习者需要按照学分银行所蕴含的制度导向和标准体系，根据自身的学习成果转换需求，登记各类成果数据，并积极开展学分转换工作，获取自身所需要的学历学分和相关的资格。学习者自身登记的数据主要是现有平台无法直接对接的非学历教育培训和相关的无定式学习成果，如创新创业成果、工作场学习成果、企业顶岗实习成果等，这些成果带有重要的个性特征，是完善学习者画像的重要组成部分。

（二）学分银行数据采集逻辑

学分银行数据的价值导向、技术条件、伦理规范等决定了其数据采集范围、采集方式和存储方式等，核心是通过内嵌于学分银行系统的数据采集工具，通过学分银行数据通道的设计和使用情景中的数据捕获功能，对相应数据进行系统性、伴随性采集。

1.依托采集通道获取基础数据。通过学分银行信息平台、相关的对接平台和学习者自我登记的方式，形成学分银行的基础数据，实现学习者全方位信息的采集。基础数据的采集核心是建立相关标准，依托标准开展数据的收集，继而形成支持学习者整体画像的学分银行画像。

2.依托基础数据构建结构数据。由数据采集通道采集而来的数据，通过整合，可以形成相关的数据，实现数据的二次转换，核心是形成数据资产和数据服务。一是数据资产，具体包括成果数据、对象数据、行为数据。成果数据指的是通过数据清洗、计算和加工，可以形成成果数据，包括成果统计数据、成果覆盖面数据、成果覆盖人群数据等。这些数据按照规则存储起来，是学分银行的资产性数据，为后续应用的开发和深化提供了源源不断的基础数据。对象数据指的是使用对象的数据，包括个体使用对象和机构使用对象。个体使用对象数据包括能力层级数据、能力单元覆盖面数据、发展路径数据等；机构使用对象数据包括机构成果数据、机构使用学分银行平台数据、机构标准与转换规则数据等。行为数据指的是机构和个体开展认证、积累与转换的相关行为数据，这些数据蕴含了机构和学习者转换的需求，也同时蕴含了各类成果发展的方向。二是数据服务，具体包括成果数据可视化服务、对象数据可视化服务和行为数据可视化服务。数据服务是通过一定的规则和语言，以图示、表格等形式形成的直观化表达，支持学习者、机构和政府依托数据开展个性化学习、教育治理等。

3.依托学分银行业务生成补充数据。学分银行业务引导生成补充数据指的是通过学分银行的相关业务形成的补充数据，如通过比对学历教育人才培养方案形成的课程学分缺项，指导学习者依托学习路径规划，形成学习成果转化数据；通过行业能力标准建设，形成学习者规划路径的补充信息。这些数据是学分银行建设成效的关键证据，也是发挥学分银行数据聚集效应的重要参考。此外，政府和教育机构通过对学分银行资源的投入所产生的教育教学改革成效，也可以通过学分银行的数据挖掘出来，建构资源与产出的关系，进而完善学分银行业务。

（三）学分银行数据聚集模型

综上所述，可以将学分银行数据聚集进行模型化提炼，如图1所示。其核心的数据聚集逻辑是通过对规模化数据聚合，支持教育的整体决策和个性化服务，形成以组织（教育机构）、个体服务为核心的数据采集和使用整体架构。核心是通过对学分银行基础数据来源的清洗、计算、存储和架构，使相关数据可理解、可管理和可使用，并形成数据资产和数据服务，支持学分银行团队依托相关的数据资产开发相应的应用，提升学分银行的影响力、学分银行服务教育发展的生产力。

四、学分银行数据聚集的技术实现

（一）设计数据标准：夯实学分银行数据采集能力和存储能力

教育大数据功能发挥和价值实现备受研究者质疑的直接原因是数据标准的缺乏。这不但会造成数据互操作难度大，也降低了数据的存储能力。也就是说，如果学分银行所涉及的各类独立开发的应用没有形成统一的标准，产生的数据就难以被学分银行平台识别、整合和交互，也就难以形成学分银行的数据资产和数据服务。所以，要实现学分银行数据聚集效应，需要统筹学分银行所管理的学习成果数据标准，设计不同技术环节数据交互的規范和流程，形成满足学分银行需求的数据体系，同时提升相关成果的存储能力。学分银行数据标准建设的核心包括成果数据规范、对象数据规范、行为数据规范、数据处理规范、数据存储规范、数据互操作规范、数据接口规范、数据服务规范等。成果规范的核心字段包括等级、来源、形式、学分等内容；对象数据规范指的是通过清洗获取的学习者画像、机构整体画像和教育系统整体呈现标准等；行为数据规范指的是记录学习者、管理者和机构操作行为的相关数据标准；数据处理规范指的是应用数据、调整数据等处理相关数据的规范；数据存储规范指的是数据在特定存储平台上的存储和交互规则；数据互操作规范指的是与学分银行平台相关联的不同教育平台进行沟通的语法、语义、定义；数据接口规范指的是与学分银行相关的数据传输格式定义，支持不同系统平台之间的数据共享；数据服务规范指的是根据学分银行业务实现的可视化图示、元素定义和表现形式的语法、语义。学分银行数据标准可以参考国际标准化组织、教育部信息化技术标准委员会等标准组织的定义，结合《大数据互操作规范》等标准化文本，设计不同行为的相关标准，为学分银行数据采集提供标准支持。

（二）打造数据中台：形成连接前后台的数据组织系统

数据中台是“通过数据采集、处理、存储、计算、分析、可视化，将教育数据转化为可理解、可使用、可管理的数据资产，与各类教育相关业务系统相联通，并为教育提供丰富的数据服务”⑨。学分银行数据中台一端联系外部应用，一端联系数据中心仓库，通过提升业务系统响应能力，实现数据资产化和数据服务属性，包括数据融合、数据加工、数据可视化、数据服务化。数据融合主要是解决多类平台接入的不同类型数据按照学分银行数据标准进行数据处理，形成统一的、适配的一站式数据处理方法，实现数据的转换和存储；数据加工指的是通过数据的处理，打通多类学习成果数据，以统一的数据规范进行存储；数据可视化是指按照数据的管理方法，针对不同对象进行可视化展示，如针对个体学习者可以展示不同层次学习成果的数量和结构，以及与行业能力等级标准之间的配套情况；数据服务化指的是按照用户需求对成果数据进行整合和利用，切实提供服务的过程，如开展学习比对和学习者画像分析等。学分银行数据中台的数据处理技术包括穿透数据库、Hadoop和大规模MPP集群等技术的应用，以及多类数据的清晰和标准化存储，包括在采集过程中的离线批处理、实时流处理和存储层的成果目录、数据标签、数据检索、图数据库（各类学习成果证书）、视音频数据库以及存储系统。

（三）开发前端应用：拓展学分银行应用范畴

前端应用是聚集学习者数据的关键，最为核心的是形成学分银行业务与学习者之间的联动，建构多种学分银行应用场景，也是学分银行数据生态生成源源不断的数据来源。其主要应用包括认证业务、对比引导、反馈应用。认证业务指的是在教育体系建立学分认证、积累与转换机制及其运行实践，为学分银行建立数据来源。对比引导指的是通过学习者或学习者群的过往数据，根据嵌入人工智能技术的归类与比对，形成与行业能力等级标准等标准体系的对照结论，进行可视化的引导，促使学习者完成整体资历所蕴含的知识、技能建设，实现自身的资历进阶。这类应用的核心是在准确分析学习者需求的基础上，进行需求与资源的适配性分析，并借助在线学习平台等途径进行引导。反馈应用主要是学习者层次、类别、成效相关的反馈，如让学习者明确自身学历在学分银行系统中的层级与数量，支持学习者明确自身在业务能力上的位置，为学习的进一步优化提供信息反馈。在技术层面，一是融合Hodhoop与Spark技术，适应业务的跨主体访问、量级数据整合需求，形成可视化界面；二是以服务学习者个性化学习为目标，对接行业能力等级标准，采集学习成果的标签化数据，并与学分银行平台对接的课程联动，为学习者提供个性化学习引导；三是采用API管理技术，使学分银行存储的数据转化为服务学习者的能力，吸引学习者长期使用并推广学分银行平台，实现数据生态扩张和优化。

（四）开展数据治理：保证学分银行运行整体效用

随着学分银行的运行，数据将成为学分银行的核心资产，同时也提出了数据治理的需求。借助技术对数据进行有效的管理，主要包括学分银行元数据、学分银行数据元标准、学分银行数据标签、学分银行数据安全、学分银行数据生命周期等方面的管理。学分银行元数据管理指的是对学分银行数据元的配置、学分银行数据模型以及学分银行元数据属性的管理；学分银行数据元标准管理指的是对标准的标准进行管理，包括标准设计语言、定义的方式等；学分银行数据标签管理指的是给存储数据贴标签，提升数据的可检索性；学分银行数据安全管理指的是对学分银行的读取数据进行安全定义，并设计相应的安全管理流程，促使学分银行信息不外泄露，并保证在职责定义的范围里运行；学分银行数据生命周期管理指的是对有意义的数据进行保存，对无意义的数据进行剔除的过程，在最大限度地保持数据有效性的同时，降低系统负担，保证系统的流畅性。

［注释］

①杨宗凯，吴砥，郑旭东.教育信息化2.0：新时代信息技术变革教育的关键历史跃迁［J］.教育研究，2018，39（4）：17.

②吴南中，黄治虎，曾靓，等.大数据视角下“互联网+教育”生态观及其建构［J］.中国电化教育，2018（10）：23.

③⑤吴南中，黄治虎，曾靓，等.教育大数据生态圈构建：“3+3”模型的逻辑与实践［J］.中国远程教育，2019（7）：77，79.

④徐子沛.大数据：正在到来的数据革命，以及它如何改变政府、商业与我们的生活［M］.桂林：广西师范大学出版社，2012：56.

⑥吴南中，夏海鹰，张岩.信息技术推动教育形态变革的逻辑、形式、内容与路径［J］.中国电化教育，2019（11）：25.

⑦吴南中.论在线学习范式的变迁：从自主学习到自适应学习［J］.现代远距离教育，2016（2）：43.

⑧朱丹蕾，徐君.诺尔斯自我导向学习模型的现实困境与时代重构［J］.成人教育，2020，40（9）：13.

⑨马晓玲，朱丽娟，吴永和，等.教育数据中台系统模型及其应用研究［J］.现代教育技术，2021，31（11）：64.

［参考文献］

［1］顾佳妮，杨现民，郑旭东，等.数据驱动学校治理现代化的逻辑框架与实践探索［J］.现代远程教育研究，2020，32（5）：25-34.

［2］贺斌.智慧学习：内涵、演进与趋向——学习者的视角［J］.电化教育研究，2013，34（11）：24-33+52.

［3］毛刚，周跃良，何文涛.教育大数据背景下教学评价理论发展的路向［J］.电化教育研究，2020，41（10）：22-28.

［4］任友群，卢蓓蓉.规划之年看教育信息化的顶层设计［J］.电化教育研究，2015，36（6）：5-8+14.

［5］张文梅，祁彬斌，范文翔.数据驱动的教学行为分析：现狀、逻辑与发展趋向［J］.远程教育杂志，2021，39（1）：84-93.