一、引言

　　技术融入教学并促进学习方式转变，已经成为必然趋势，在美国教育部教育技术最新报告《为未来做准备的学习：重塑技术在教育中的角色》中，更是突出强调了要利用技术来开展教学［1］。在关联理解、知识挖掘、脑科学、认知科学、人工智能等新理论新技术驱动下，并受摩尔定律、梅特卡夫定律和吉尔德定律的影响，大数据分析和深度学习成为数据科学研究的中心主题，利用深度学习进行大数据分析，提取数据蕴含的潜在价值，引领教育结构的变革与创新。大数据分析的核心是挖掘和提取大量输入数据中有意义的规律和模式。由于传统的机器学习和特征工程算法不足以提取大数据中隐藏的复杂和非线性模式，深度学习作为人工智能领域一种新兴的机器学习算法，是以数据驱动方式对分析数据进行一系列的非线性变换，利用分层架构学习自动提取数据的复杂抽象和表征，成为大数据分析中极具价值的工具。目前，Google、微软、IBM、讯飞、百度、腾讯、阿里巴巴、蚂蚁金服等国内外知名的拥有大数据的互联网公司都纷纷加强对深度学习的探究，并获得一系列显着成果，如Google旗下的DeepMind团队采用深度学习技术开发的人工智能程序AlphaGo［2］和开源深度学习环境Tensor Flow。大数据时代，《中国制造2025》的深入实施，促进深度学习焕发蓬勃生机，并在教育教学领域掀起一股热潮。2017高等教育版新媒体联盟《地平线报告》指出，2017—2021年间最有可能促进高等教育领域技术运用的关键趋势之一就是深度学习方法，利用该方法可以更直观地响应学习者并与他们交流，提升在线学习、自适应学习软件和模拟软件的用户体验［3］。将深度学习引入教育领域，以分析日渐增长的教育教学相关数据，从中获取未被提炼的、复杂抽象的信息与知识，逐渐探索一种运用技术促进学习的创造性理念与方式，用于改善学习质量。鉴于此，本研究在解读教育大数据潜在价值的基础上，总结深度学习在机器学习领域和教育教学领域的发展现状，着重讨论教育领域中利用深度学习分析教育大数据的机遇、挑战及未来发展，以便全方位、深层次地追溯教育大数据的巨大价值，从而优化学习过程，提高学习效率。

　　二、教育大数据发展潜能

　　数据科学的兴起加速了大数据价值化的进程，改变了人类的生产生活方式，也颠覆了教育系统的常规模式。国务院《促进大数据发展行动纲要》提出“探索发挥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”，《教育信息化“十三五”规划》强调发挥大数据在教育管理与学习空间中的重要作用。杨宗凯教授提出，“十三五”期间，大数据与教育的深度融合已成为必然趋势［4］。胡弼成等认为教育系统的大数据可促进教与学的过程，推进教育决策科学化，促使教育评价更具全面客观性，完善教育质量监控体系，并指出教育大数据对于教学变革、教育科研变革、教育管理变革和教育评价变革等的推动作用［5］。杨现民等认为教育大数据应作为敦促教育变革的新型战略资产、科学力量和智慧教育发展的基石，提出教育大数据的最终价值在于实现教育管理的科学化、教学模式改革、个性化学习的实现、教育评价体系的重构、科学研究范式的转型以及教育服务的人性化［6］。

　　通过分析教育大数据，挖掘其背后的极大潜能，获取有意义的教与学信息和知识，有助于优化教学过程，改善学习成效。姜强等利用教育数据挖掘和可视化技术，从个人、同伴及个体与班级视角设计的学习分析仪表盘，以直观的图形图像方式，实时动态地展现学生学习行为数据，促使教师持续了解学生学习情况、评估学生学习表现，并及时调整与反思教学［7］。方海光等通过跟踪记录与分析MOOC学习者的在线学习行为，利用量化自我算法挖掘学习者相关学习信息，以报告的形式展示学习者的学习现状，使学习者实时了解自己的学习进展，及时查漏补缺，从而促进学习任务的高效完成，提升学习质量［8］。杨雪等建构的基于大数据个性化学习体系框架，有助于反思教育教学，推动个性化学习的实现［9］，并以大数据分析与教育改革为主视角，撷取第十五届教育技术国际论坛（IFET）主旨报告和论文中的主要观点，总结了大数据教育的具体应用趋势［10］。此外，国内外一些在线教育公司充分发挥大数据分析的应用价值，如Knewton公司研发的大数据自适应学习系统，通过收集学习内容和互动交流等学生数据，利用模型计算、心理测试和策略反馈等引擎进行分析，向学生提供下一步学习的引导和建议，实施个性化学习。百年英才依据云计算和数据挖掘等技术，整理分析数十年精准海量高考数据，设计开发高考志愿填报系统和专业选择系统，围绕海量、多样、持续增长的高考数据进行数据挖掘与建模分析，为毕业生高考志愿填报和专业选择提供精准科学的指导。创数教育集团基于自适应技术推出的“学生个性化学习”产品，通过跟踪分析学生的学习痕迹数据，帮助其精确定位个人学习缺陷，根据学习者个体能力，规划不同的学习路径，推荐适合的个性化学习内容和任务，促进自主学习效率大幅度提升。

　　分析教育大数据以获取有意义的规律与模式、信息与知识的基本前提是明确教育大数据的生成过程。邢蓓蓓等指出教育大数据产生于学校环境下的教学活动、管理活动、科研活动和学校生活等教育活动中，学生在家庭、社区、博物馆等社会环境下进行学习活动生成的学习记录也属于教育大数据［11］。本研究从学习者角度，总结教育大数据由学生数据、学习资源、通用数据和数据工具四部分组成，如图1所示。

　　学生数据作为构成教育大数据的基本要素，包括学生先前学习经验数据即历史数据、学生个人基本信息和当前学习状态下正在生成的学习数据；学习资源是教育大数据产生的重要途径，主要指学生学习过程所需的相关学习材料和学习环境；通用数据是教育大数据的关键来源，包含课程数据、教学数据和教育管理数据；数据工具是教育大数据价值化的主要手段，较为普及的方法有协同过滤技术、分类和聚类等。

　　教育大数据形成过程中，学生先前的学习痕迹、学生个体的信息数据、学习资源数据、学校管理数据以及课程教学生成的多样化数据等融入通用数据，构成多源性、异质性和碎片化的海量教育数据；数据工具的使用将大规模教育原始数据通过收集、处理、分析和解释，转换为有价值的知识与信息。由于教育数据的规模性、多样性、易变性和模糊性，数据采集时需要跟踪与分析数据来源，确定数据类型和格式，整合异构数据，并测评数据存储能力；处理时考虑到数据的时效性、真实性和有效性，应倾向于验证数据质量，缩减数据规模，以并行或分布方式清理数据；分析阶段则根据不同的应用需求，选择不同的数据集，采用诸如教育数据挖掘和学习分析技术等方法进行分析；解释阶段是将数据分析得到的结果利用可视化技术进行解释以便用户识别和理解。诚然，整个过程中需要特别注意数据的隐私安全与伦理道德问题，赵慧琼等从技术视角搭建的大数据学习分析安全与隐私保护框架，旨在应对教育大数据分析面临的隐私泄露、访问权限和可信性挑战，并提出一系列数据保护策略，以便缓解数据使用时涉及的隐私伦理问题［13］。

　　三、深度学习：一种有效学习方式

　　大数据背景下，深度学习已经成为一种有效且重要的学习方式和学习理念。目前，加拿大多伦多大学的Geoffrey Hinton、纽约大学的Yann Le Cun和加拿大蒙特利尔大学的Yoshua Bengio、谷歌技术总监Kurzweil、美国斯坦福大学计算机科学系李飞飞、特斯拉AI主管Andrej Karpathy、深度好奇创始人兼CTO吕正东博士、Deeplearning ai创始人吴恩达、中国科学院院士兼中国人工智能学会副理事长谭铁牛、中国科学技术大学陈恩红、清华大学张钹、西安电子科技大学高新波和香港科技大学杨强等均致力于深度学习研究并取得了杰出成就。通过对机器学习与数据挖掘以及教育教学领域中深度学习发展现状进行梳理，充分认识未来教学融入深度学习的重要性，为教育大数据深度学习的应用奠定坚实基础。

　　（一）机器学习与数据挖掘中的深度学习

　　机器学习中，深度学习是指在不同层次上利用一系列非线性变换对数据进行复杂抽象表征的算法［14］，可分为有监督特征学习和无监督特征学习，不同学习框架下使用的学习算法是不同的，例如，卷积神经网络和循环神经网络是基于有监督深度学习建立的学习模型，而自动编码器、玻尔兹曼机和深度置信网络则属于无监督深度学习算法。有监督特征学习也称为有教师学习，是通过训练数据集中建立模型来预测未知，无监督学习则自动从数据中提取学习特征，在提取数据分析过程中发现有效信息［15］。深度学习是基于人工智能领域类神经网络的发展，通过模仿人类大脑的层次学习方法自动提取复杂的抽象表征，以便在更高层次上建立表征学习的神经网络［16］。

　　深度学习在语音识别、图像识别和自然语言处理等诸多应用领域取得了一系列显着成果。Microsoft公司在中国天津公开展示的全自动同声翻译系统，实现了自动化语音识别和中文语音合成，支撑其运转的关键技术就是深度神经网络（Deep Neural Network，DNN），深度学习算法有助于提高语音识别的精确度［17］。Tuerxun M等提出的基于深度神经网络声学建模方法，与传统建模方法相比能更为有效地提取声学特征，并将其成功应用在维吾尔语大量词汇的连续语音识别中［18］。在图像识别领域，已经连续举办六年的ImageNet计算机视觉识别挑战赛（ImageNet Large Scale Visual Recognition Challenge，ILSVRC）是图像分类算法评估的重要赛事，尤其在ILSVRC2015中，微软亚洲研究院团队构建含有超过百层的深层残差网络，以图像分类数据集上最低的错误率取得图像检测和图像分类项目的冠军［19］。Google Brain项目中Le等利用完全无监督、无标注的图像数据集进行训练，学习到的人脸特征可成功用于图像分类［20］。Facebook的Deep Face项目和香港中文大学提出的DeepID项目使得人脸识别技术的正确率几乎与人类相媲美。在自然语言领域，Glorot等利用深度学习算法解决用户情感分类问题，通过使用堆叠降噪自动编码器（Stacked Denoising Autoencoder，SDAE）对在线评价中的无监督数据进行训练，以提取复杂抽象的特征表示［21］。Mikolov等从含有数亿个单词和数百万个词汇的数据集里引入学习高质量词向量的技术，旨在学习单词的分布式表示，并演示了将Word2Vector模型应用于自然语言翻译的过程，成为词向量的典型案例［22］。

　　（二）教育领域中的深度学习

　　不同于机器学习和数据挖掘中的深度学习，教育教学领域的深度学习是有意义的理解学习，且属于主动学习的一种，是指在原有认知结构基础上，批判性地学习和掌握新知识，建立新旧知识间的联系，并将习得的知识迁移应用到不同的情境学习中，以辅助其作出决策和解决问题。Entwistle等就深度学习和浅层学习在创新、评价、分析、应用、理解和识记的目标层次上进行特征比较，而且详细阐释了两者的相关理论基础［23］。张浩等从建构主义理论和情境认知理论角度讨论了其对深度学习的影响，指出分布式理论和元认知理论对引领深度学习发展的意义，总结深度学习特有的优势在于面向问题解决、强调信息整合、注重批判理解、完善知识建构、促进迁移运用和提倡终身学习等［24］。Huberman等利用深度学习的理念和方式，通过确定学习目标，设计基于项目的学习方案，同时为教学过程提供学习支持，优化教学策略，评估学习内容，促进学习者接收和掌握知识，并提高批判性思维能力［25］。Bitter等认为随着信息技术的发展，学习者进行深度学习的几率增大，使得新知识与原有知识和实践经验之间能够建立紧密联系，有助于培养学习者高阶思维能力，更好地解决复杂学习问题［26］。段金菊等指出，深度学习比较强调认知结构层次的高度和学习过程的元认知与反思能力，关注复杂认知和高阶思维的养成，重视学习发生时的高情感和高行为投入［27］。樊雅琴等采用内容分析法对国内深度学习研究现状进行梳理，从深度学习的理论研究、方法研究、应用研究、资源建设、相关技术和评价研究等方面解读了深度学习的发展趋势［28］。

　　四、教育大数据深度学习的价值取向

　　教育部在2010年颁布的《国家中长期教育改革和发展规划纲要（2010－2020年）》和2013年颁布的《教育部关于推进中小学教育质量综合评价改革的意见》中均指出收集分析学生的成长记录与学习数据，着重突显教育大数据深层价值的可塑性。基于层次架构的深度学习，通过对海量数据从较低层级训练到较高层级复杂规律与模式的抽取，完成数据价值的有效提炼，其主要优势是从大规模未标记、无监督数据中有层次地学习，以提取有意义的抽象表示和特征。将深度学习引入教育领域，为学习增强、学习预测、学习迁移、知识表征和精准化学习管理等教与学实践带来了重要发展机遇。

　　（一）学习增强

　　学习增强是学习者根据自身的学习特征和需求，在先前学习经历的基础上进行深层次的主动学习和知识创新，加深新旧知识间的内在联系，完善所建构的知识结构体系，其最终目标是通过不断强化和反思学习来获得高水准的学习结果，从而提升学习质量。刘宇等依据深层学习过程的动机生成、知识习得、理解领悟、迁移应用、反思评价和创造六个阶段，分别从教师教学和学生学习角度，提出在学习社区提供学习支持、开展创新型教学、构建知识关系、建立学习共同体、进行反思评价等建议，激发学生学习动机和认知需求，培养学生思维能力和迁移能力，以促进学生的学习增强［29］。随着教育信息化的深入推进，数据驱动学习应运而生，教育大数据深度学习的演变能够满足学生学习增强新常态的需求，并使其成为积极探索学习增强的支撑力量。利用深度学习分析挖掘教育大数据，获得学习行为中有意义的高级抽象数据表征，揭示行为数据中的复杂关系和语义关联，以便更好地领悟学习者的学习需求，发现学习规律，为有效实现学习增强提供极大潜能。运用深度学习对学生学习过程生成的海量数据进行客观合理地分析，提取学习数据隐含的规律与模式，从中识别学习者的学习特征和学习状态，依据学习内容的结构向学习者提供适应性的学习资源服务，以推动学习的持续增强。

　　（二）学习预测

　　学习预测立足于教育大数据深度学习的结果，通过分析学习过程中的大量历史数据，对学习者未来的学习表现进行合理化预测，并发现可能存在的问题，其最终目的是有针对性地进行干预，消除学习者未来学习中的不确定因素，以更好地提高学习成效。李彤彤等基于教育大数据和学习分析技术，构建以干预引擎为核心的结构预测干预模型，以发现学习者的学习困难、提升学习者的学习效果为目标，识别出学习者的学习状态，如学习任务完成情况、学习内容掌握情况等，准确预测学习者的学习状况，并实施有效的干预策略［30］。而作为人工智能领域发展的里程碑，深度学习同样也可分析教育大数据，以达到学习预测和干预的效果。教育大数据背景下，使用深度学习构建学习行为数据的复杂表征，从中提取有价值的信息与知识，有助于对未来可能存在学习风险的学生作出预测，并针对发现的学习问题进行适当的干预，促进学习绩效的稳步提升。教育大数据深度学习分析结果是生成与学习者学习行为相关的学习预测模型，结合相应的学习情境，对学习者的未来学习表现如学习进展情况等进行预测，并判断学习者是否存在学习危机，以帮助学习者顺利完成课程学习，改善学习状态，优化学习效果。

　　（三）学习迁移

　　学习迁移，是将一种学习情境下习得的知识经验、技能和态度等应用到另一种学习情境中，既是巩固强化又是持续深化的一种学习，它的发生需要学生主体的记忆力、想象力和思维能力等共同参与。冯锐等基于案例的推理将学习迁移过程分为从记忆中寻找相似的案例知识、确定适用于新学习的案例和应用评估最优案例三个阶段，帮助学习者自发地理解并编码知识，完成学习的有效迁移［31］。数据革命的到来，使“一切用数据说话”成为基本要求，作为教育大数据深度学习的一个重要趋向，学习迁移更应如此。利用深度学习分析教育大数据能够把初始数据从底层转换到高层，提炼有价值的教与学信息，有利于学习者多方面深层次诠释已有知识，建立新旧知识间的联系，找寻发现其中隐含的相似性，进而运用已有的知识经验来习得新知识，推动学习迁移的成功实现。教育大数据深度学习的应用发展，促使学习从一个情境到另一个情境的不同层次迁移成为必然，持续深入的学习迁移有助于学生知识体系的不断完善，学习效率的逐渐提升。

　　（四）知识表征

　　知识表征强调以可视化的方式表达知识结构中的知识对象、属性以及关系，是一种知识外显的形式，也是学习者习得知识的关键。学习者的知识表征过程是通过概括所学知识及知识间的联系，获得结构化的知识体系，并建立新旧知识间有意义的关联，以加深学习者对已有知识的理解程度，有利于学习效果的提升。顾小清等认为知识可视化表征主要包括语义处理方式、符号及其使用方式和知识结构与关系三个方面，概念、概念属性、概念结构与关系是知识语义的重要要素，学习者完成知识建构需要解决促进知识理解和掌握、促进知识建模与应用两个问题，才能领悟知识的实际意义与价值［32］。因此，知识的可视化表征需要进一步继承与创新。深度学习应用于教育大数据分析过程，得到的复杂数据表征包含语义和关系信息，借助可视化技术可获取与学习者相关的规律与模式，从而在学习活动中帮助学习者表征抽象的信息，促进习得知识从记忆到理解的转换。教育大数据深度学习挖掘的价值化教与学信息，将有利于学习者建立知识与知识间的关联，进行深层次的信息加工和可视化知识表征，以完成学习者个人的知识体系构建。实现知识迁移与应用，可以更好地激发学习者内在动机，引发自主学习，提高学习质量。

　　（五）精准化学习管理

　　大数据背景下的学习管理是通过采集学生学习过程产生的全部数据，运用新的数据处理和分析方法建立多维模型，了解学生整体的学习状况，对可能存在学习危机的学生尽早发出预警信号，并给予相应的学习指导建议，进而改善学习效果，提升学习效率。孙洪涛等在总结数据驱动管理的三个典型应用基础上，强调数据模型对学习管理的重要调节作用，并从广泛数据收集、科学建模过程和结构化模型三个方面构建教育数据支持下的学习管理模型，以便辅助教师和管理者对学生学习状况持续动态分析和综合评估，及早发现学生存在的学习问题，有针对性地提供学习意见［33］。教育数据的模糊性和复杂性，使得数据建模过程面临诸多难题，导致学习管理的效率降低，深度学习对实现精准学习管理具有重要的支撑作用。教育大数据深度学习采用分层架构学习方式，逐层训练大规模数据集，以提取抽象复杂的数据表征，从较高层次的数据表征中发现学习规律、获取学习模式，有助于明晰学生的学习情况，评估学生的学习表现，提前发现并解决学生的学习困难，以提高学习管理的质量。

　　五、挑战及应对策略

　　教育大数据深度学习为教育教学带来了发展机遇，突出显示了深度学习的适用性和优势。然而，事物的两面性决定挑战是伴随机遇而来的。为充分发挥教育大数据深度学习的巨大潜能，必须针对教育大数据分析中难以处理的相关数据属性和特征不断修改和调整深度学习，以达到高效挖掘教育数据潜在价值的硬性要求。本研究从流式数据、交互式数据、高维数据和判别式分析四个深度学习亟待解决的问题出发，详细论述了教育大数据深度学习需要迎接的挑战，并提出了应对策略。

　　（一）流式数据

　　教育大数据深度学习的挑战之一是处理流媒体和快速移动的在线数据，分析这类数据有利于执行监控跟踪任务，如监督学习者学习活动。因为需要能够处理大量连续在线数据的算法，所以对于深度学习适应流式数据的训练提出了更高的要求。Zhou等采用降噪自动编码器（Denoising auto－encoder，DAE），将深度学习算法应用于大规模流动数据的增量特征学习［34］。虽然这种增量特征学习和映射能够改进判别式或生成性目标函数，然而，单调增加特征可能导致大量冗余特征和数据的过拟合。Calandra等引入自适应深度置信网络（adaptive Deep Belief Network，aDBN）处理在线流式数据，利用深度置信网络的生成属性，从原始数据中模拟样本，并将其用于适合观察到数据的新深度置信网络，从而演示了深度学习在在线非稳定和流动数据中的学习过程［35］。但是，自适应深度置信网络对恒定存储器的内存消耗需求较大，使其在训练大规模流式数据时受到限制。因此，为了有效处理和分析大规模、快速移动的流式数据，如网络点击流数据、社交媒体流数据、学生操作日志和计量数据等，有必要对深度学习算法进一步有针对性地探索和研究。

　　（二）交互式数据

　　鉴于互联网的飞速发展和在线用户数量的指数式上升，用户与网络平台之间的交互日益频繁，数据收集的规模日益增长，如社交网络、搜索引擎、通讯工具、电子邮件、学习管理系统和教学管理系统等保留和存储的海量数据，促使交互式数据对深度学习算法提出更高的要求。在ImageNet计算机视觉竞赛中，Krizhevsky等人演示了采用深度卷积神经网络（Deep Convolutional Neural Network，DCNN）方法训练大规模ImageNet数据集，通过逐层学习和提取图像特征，对图像数据进行标记，成功用于形成有意义的图像检索和分类表示，并在大规模图像检索和分类任务中取得较好的结果［36］。Zeiler等在Krizhevsky提出的卷积神经网络模型基础上，运用可视化方法对每一个卷积网络层进行分析，从而学习得到图像特征，加深了卷积神经网络对大规模图像数据集的训练与理解，并在ImageNet上取得进一步的成功［37］。然而，利用现存的深度学习算法处理交互式数据，使得数据操作过程比较耗费时间，无法满足其实时性的需求，为实现交互式数据的快速查询与索引，必须引进或开发处理速度较快的深度学习算法。

　　（三）高维数据
　　
        因为深度学习是从较低层到较高层的分层架构中学习数据的复杂抽象和表示，以提取有价值的规律与模式，所以现有的深度学习算法在处理高维数据时计算开销可能比较大；也就是说，这些深度学习算法在处理大量高维教育数据时可能受到阻碍，急需开发基于深度学习的新解决方案。Chen等引入的边缘化堆叠降噪自动编码器（marginalized Stacked Denoising Autoencoder，mSDAE），在训练过程中使噪声边缘化以避免使用随机梯度下降或其他优化算法来学习参数，而且边缘化降噪自动编码器仅包含控制噪声量和堆叠层数两个自由元参数，这将有利于简化模型的选择过程，促进高维数据的有效扩展，并且相比于常规堆叠降噪自动编码器，该算法的计算速度更快、实施过程更简单［38］。Krizhevsky和Hinton等提出有效处理高维数据的方法是卷积神经网络，利用ImageNet图像数据集上的卷积神经网络，由于该网络隐藏层单元中的神经元不需要连接上一层的所有节点，而是仅连接到相应空间区域中的神经元，所以，在向网络的较高层移动时，图像数据的分辨率会随之降低，以实现对高维图像数据的有效处理，并取得扩展高维数据的先进结果［39］。尽管大数据分析中采用了深度学习相关算法解决了高维数据的问题，但是深度学习在高维教育数据处理方面的应用有待进一步探索，以便开发基于深度学习的解决方案，处理教育大数据分析领域中的高维度问题。

　　（四）判别式分析

　　判别式分析作为教育大数据分析的主要工具，可以利用深度学习算法从原始数据中提取复杂非线性特征，并使用简单线性模型，以提取的特征为输入来执行判别式任务，其优点在于，通过深度学习得到的特征为数据分析增加了非线性特征，将判别式任务与人工智能紧密结合；提取的特征应用相对简单线性分析模型更具计算效率。Sun等利用深度隐藏身份特征方法，将人脸图像数据作为卷积神经网络的输入层，执行判别式训练过程，在较高层级学习高级抽象特征，以完成人脸识别的任务［40］。Wang等提出的实例级目标识别方法，以图像检索的形式，将输入层的图像与数据库的图像相匹配，通过验证图像之间的一致性来执行判别式任务，从而实现对目标图像的精确识别［41］。虽然深度学习算法体系中已存在完成判别式分析的应对方案，但是由于教育大数据中判别式分析要求的计算开销越小越好，所以，为充分发挥教育大数据深度学习的效用，对于深度学习算法体系的探索与创新必须是不间断地、持续进行地。

　　六、未来发展方向

　　1.大数据驱动知识学习

　　利用人工智能着重突破知识挖掘、知识加工、知识计算等技术，建立数据驱动的知识演化模型，实现从大数据到信息、信息到知识的自动获取与生成。通过对可观测的教育数据进行采集、存储、分析与解释等深层次变换，更精准地理解学生主体的认知行为，建立与学习行为相关的模型结构，以挖掘数据背后的学习信息，从中提炼规律，与已有知识进行关联理解与表征，最终形成具有概念识别、动态实用的知识图谱，明晰学生当下的学习状况，并预测其未来的学习动向，促使学生的学习回归本真世界。

　　2.精准教育扶贫

　　利用人工智能着重突破群体感知、精准定位、增强现实等技术，建立科学合理的督导评估机制，准确识别学校中的贫困学子，及时主动为其提供教育特殊支持，以促进教育均衡发展。通过跟踪记录在校生的学习生活数据，了解其家庭经济状况，对贫困学生进行综合评估，按照贫困指数的大小，分年限、分群体、分阶段稳步精准向帮扶对象增加资源供给，满足其基本的教育需求，保障其学业的顺利完成。

　　3.自适应自主学习

　　满足差异学习个体的需求，是教育最根本的宗旨。利用人工智能着重突破人机交互、大众化协同和开放式共享等技术，实现对学生的智能感知、预测预警和个性化评价，及时把握学生的认知特征和心理变化，促使其进行适应性的、无监督的自主学习。基于同步反馈的学习数据分析结果，帮助学生进行自我总结与反思，依据推送的个性化服务资源，相应地调整学习策略，更改学习路径，以推动个性化自适应自主学习的发生，有利于提高学生的学习能力和认知水平，改善学习质量［44］。

　　4.基于大数据智能的在线学习教育平台

　　利用人工智能技术能够推动学习方式与教学模式的转变，构建基于互联网的新型智能教育体系，形成教学、管理和资源建设三位一体的在线学习教育平台。建立基于大数据智能的在线学习教育平台，需要搭建以学习者为中心的学习环境，开发深层次、智能化、全面性的学习分析系统，为教师、学生、管理者等提供精准的教育教学服务，有助于推动个性化学习和终身学习的发展，实现合理有效地运用技术促进学习，提升教育质量。