袁利平　陳川南

摘要：寬度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)更加簡(jiǎn)單，性能更加完善，不僅保留了機(jī)器學(xué)習(xí)中深度學(xué)習(xí)的優(yōu)勢(shì)，而且彌補(bǔ)了深度學(xué)習(xí)的缺陷。在教育數(shù)據(jù)挖掘技術(shù)中引入寬度學(xué)習(xí)，能為教育大數(shù)據(jù)以在數(shù)據(jù)提取中獲取有意義的規(guī)律與模式、有效知識(shí)與信息提供有益幫助。寬度學(xué)習(xí)的教育價(jià)值主要包含其本體價(jià)值、工具價(jià)值、規(guī)范價(jià)值和智慧價(jià)值。此外，通過(guò)堅(jiān)持以人為本的理念來(lái)實(shí)現(xiàn)寬度學(xué)習(xí)的本體價(jià)值、借助教育數(shù)據(jù)挖掘來(lái)實(shí)現(xiàn)寬度學(xué)習(xí)的工具價(jià)值、規(guī)范數(shù)據(jù)隱私保護(hù)來(lái)實(shí)現(xiàn)寬度學(xué)習(xí)的規(guī)范價(jià)值以及維持以人為主導(dǎo)的人機(jī)協(xié)作來(lái)實(shí)現(xiàn)寬度學(xué)習(xí)的智慧價(jià)值這四條路徑，可構(gòu)建一個(gè)完善的寬度學(xué)習(xí)視野下教育價(jià)值實(shí)現(xiàn)體系。寬度學(xué)習(xí)基于其豐富的教育價(jià)值內(nèi)涵對(duì)于人工智能時(shí)代當(dāng)下的意義無(wú)疑是肯定的，探討寬度學(xué)習(xí)教育融合的實(shí)現(xiàn)，我們期待其在實(shí)現(xiàn)差異化教學(xué)、進(jìn)行個(gè)性化學(xué)習(xí)、實(shí)施智能化服務(wù)、及時(shí)給予高效反饋等方面帶來(lái)重要的發(fā)展機(jī)遇，推動(dòng)教育事業(yè)蓬勃發(fā)展。

關(guān)鍵詞：寬度學(xué)習(xí);人工智能;機(jī)器學(xué)習(xí);教育數(shù)據(jù)挖掘

中圖分類號(hào)：G434 文獻(xiàn)標(biāo)識(shí)碼：A

新技術(shù)的興起通常會(huì)給人類帶來(lái)新的變革機(jī)遇。人工智能（Artificial Intelligence）作為一種顛覆性和變革性的技術(shù)正在影響著各行各業(yè)，在教育領(lǐng)域也不例外。對(duì)于人工智能而言，教育是其重要的應(yīng)用領(lǐng)域;而對(duì)教育來(lái)說(shuō)，人工智能的核心技術(shù)將直接關(guān)系教育現(xiàn)代化發(fā)展的核心命運(yùn)。三十多年來(lái)，人工智能在教育領(lǐng)域的應(yīng)用一直是學(xué)術(shù)研究的主題之一。人工智能教育應(yīng)用是指以人工智能和學(xué)習(xí)科學(xué)（包括教育學(xué)、心理學(xué)、社會(huì)學(xué)等）的結(jié)合為理論基礎(chǔ)，將教育、社會(huì)和心理學(xué)等學(xué)科隱性知識(shí)（Tacit Knowledge）轉(zhuǎn)換為現(xiàn)代計(jì)算機(jī)容易識(shí)別和處理的編碼或形式，進(jìn)而推動(dòng)智慧教育的科技發(fā)展。

“人工智能教育應(yīng)用相關(guān)系統(tǒng)以教育數(shù)據(jù)挖掘技術(shù)（Educational Data Mining，EDM）為主要基礎(chǔ)，然后利用學(xué)習(xí)分析等其他相關(guān)技術(shù)對(duì)學(xué)生的行為數(shù)據(jù)進(jìn)行跟蹤及預(yù)測(cè)其學(xué)習(xí)表現(xiàn)，達(dá)到個(gè)性化學(xué)習(xí)支持的目的。其中以深度學(xué)習(xí)（Deep Learning）為代表的機(jī)器學(xué)習(xí)（Machine Learning，ML）是影響EDM效率的關(guān)鍵技術(shù)。事實(shí)上，深度神經(jīng)網(wǎng)絡(luò)無(wú)論是在數(shù)據(jù)處理，還是在應(yīng)用層面上都取得了巨大的成就。然而，因?yàn)樯疃壬窠?jīng)網(wǎng)絡(luò)結(jié)構(gòu)及其復(fù)雜性并且涉及到大量的超參數(shù)（Hyper-parameter），所以基于深度網(wǎng)絡(luò)所構(gòu)建的模型常常面臨訓(xùn)練時(shí)間過(guò)長(zhǎng)和層數(shù)及參數(shù)增加而導(dǎo)致的訓(xùn)練難度提升的兩重困擾。因此，學(xué)者們就如何解決這雙重困擾做出了很多努力。學(xué)術(shù)界內(nèi)目前最新提出的寬度學(xué)習(xí)系統(tǒng)（Broad Learning System，BLS）可有效解決這一問(wèn)題，這標(biāo)志著人工智能機(jī)器學(xué)習(xí)算法的又一大進(jìn)步。

一、寬度學(xué)習(xí)：一種新的網(wǎng)絡(luò)學(xué)習(xí)模型

“寬度學(xué)習(xí)系統(tǒng)是作為一種深度學(xué)習(xí)網(wǎng)絡(luò)的替代方法而被提出來(lái)的，它是以隨機(jī)向量函數(shù)鏈接神經(jīng)網(wǎng)絡(luò)為映射特征，基于單隱層神經(jīng)網(wǎng)絡(luò)通過(guò)神經(jīng)增強(qiáng)節(jié)點(diǎn)并將映射特征與增強(qiáng)節(jié)點(diǎn)直接連接到輸出端的一種網(wǎng)絡(luò)橫向擴(kuò)展的高效增量學(xué)習(xí)系統(tǒng)”。寬度學(xué)習(xí)系統(tǒng)對(duì)于擴(kuò)展到其他神經(jīng)網(wǎng)絡(luò)十分便利，是機(jī)器學(xué)習(xí)領(lǐng)域中一個(gè)十分高效靈活的新模型。

（一）系統(tǒng)基本結(jié)構(gòu)

寬度學(xué)習(xí)系統(tǒng)的設(shè)計(jì)思路為：首先，從輸入數(shù)據(jù)中生成“映射特征”，形成網(wǎng)絡(luò)的“特征節(jié)點(diǎn)（Feature Nodes）”;其次，將映射特征增強(qiáng)為隨機(jī)生成權(quán)重的“增強(qiáng)節(jié)點(diǎn)（Enhancement Nodes）”。最后，將所有的“映射特征”和“增強(qiáng)節(jié)點(diǎn)”連接后到輸出端。寬度學(xué)習(xí)系統(tǒng)的結(jié)構(gòu)以隨機(jī)向量函數(shù)鏈接神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，此外如果模型需要擴(kuò)展特征節(jié)點(diǎn)和增強(qiáng)節(jié)點(diǎn)，寬度學(xué)習(xí)系統(tǒng)可以加入新數(shù)據(jù)以有效且高效的方式更新系統(tǒng)（輸入的增量學(xué)習(xí)），此寬度學(xué)習(xí)系統(tǒng)不需要二次訓(xùn)練就可以動(dòng)態(tài)逐步更新，因此這種學(xué)習(xí)是相當(dāng)高效的?！俺酥?，這種增量學(xué)習(xí)算法可以高效地運(yùn)用于寬度擴(kuò)展的快速模型重建中”。寬度學(xué)習(xí)系統(tǒng)為了得到更多緊湊的輸入數(shù)據(jù)的特征，隨機(jī)特征映射被應(yīng)用于增強(qiáng)節(jié)點(diǎn)的建立過(guò)程中，寬度學(xué)習(xí)的網(wǎng)絡(luò)模型是在增強(qiáng)節(jié)點(diǎn)的寬度擴(kuò)展與映射特征的增加有關(guān)成立的假設(shè)下構(gòu)建的。有學(xué)者提出了“增強(qiáng)節(jié)點(diǎn)建立方式截然不同的兩種寬度學(xué)習(xí)結(jié)構(gòu)，當(dāng)且僅當(dāng)兩個(gè)模型中建立的映射特征和增強(qiáng)節(jié)點(diǎn)的維度完全相同時(shí)，模型具有等價(jià)性”。

（二）兩大基本要素

與機(jī)器學(xué)習(xí)的深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)相比，它有RVFL神經(jīng)網(wǎng)絡(luò)和快速增量學(xué)習(xí)算法兩個(gè)基本要素。

首先，“寬度學(xué)習(xí)系統(tǒng)是基于RVFL神經(jīng)網(wǎng)絡(luò)而設(shè)計(jì)的一種網(wǎng)絡(luò)學(xué)習(xí)模型”。RVFL神經(jīng)網(wǎng)絡(luò)是在1992年包·約翰（Yoh-Han Pao）等人為了彌補(bǔ)提出函數(shù)連接型神經(jīng)網(wǎng)絡(luò)（Functional Link Neural Network，F(xiàn)LNN）缺陷的基礎(chǔ)上提出的一種神經(jīng)網(wǎng)絡(luò)。RVFL神經(jīng)網(wǎng)絡(luò)將原提出的前向單隱層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)隱層全部下移作為RVFL輸入數(shù)據(jù)的增強(qiáng)部分，是一種無(wú)隱層的網(wǎng)絡(luò)?！癛VFL神經(jīng)網(wǎng)絡(luò)是一種全局有效的逼近器，只有輸出層的參數(shù)需要訓(xùn)練，其余參數(shù)均為隨機(jī)值，網(wǎng)迭代次數(shù)減少，收斂速度遠(yuǎn)遠(yuǎn)優(yōu)于前向神經(jīng)網(wǎng)絡(luò)”。同時(shí)，相對(duì)于單層前饋神經(jīng)網(wǎng)絡(luò)（Single Layer Feed Forward Neural Networks，SLFN），包·約翰提出的隨機(jī)向量函數(shù)鏈接神經(jīng)網(wǎng)絡(luò)不僅可以保證函數(shù)逼近的泛化性能，而且成功消除了訓(xùn)練時(shí)間過(guò)長(zhǎng)的缺點(diǎn)，顯著提高了感知器的性能，使得基于這種神經(jīng)網(wǎng)絡(luò)的算法較深度學(xué)習(xí)網(wǎng)絡(luò)更快和準(zhǔn)確?！芭c現(xiàn)有的深層神經(jīng)網(wǎng)絡(luò)相比，MNIST數(shù)據(jù)的實(shí)驗(yàn)結(jié)果充分驗(yàn)證了寬度學(xué)習(xí)系統(tǒng)的有效性”。

其次，“該系統(tǒng)充分地利用了快速增量學(xué)習(xí)算法，這為數(shù)據(jù)量和數(shù)據(jù)維度的增長(zhǎng)所帶來(lái)的問(wèn)題找到了找到一條解決的途徑”。隨著數(shù)據(jù)量增長(zhǎng)，RVFL神經(jīng)網(wǎng)絡(luò)并不能對(duì)大容量和時(shí)間多變性為本質(zhì)的大數(shù)據(jù)進(jìn)行有效處理?？焖僭隽繉W(xué)習(xí)算法彌補(bǔ)了這種缺陷。該算法可以對(duì)中等大小數(shù)據(jù)建模，應(yīng)用于更新RVFLNN中新增加輸入數(shù)據(jù)和新添加的增強(qiáng)節(jié)點(diǎn)的輸出權(quán)重，解決了數(shù)據(jù)量和數(shù)據(jù)維度的增長(zhǎng)帶來(lái)的問(wèn)題，這項(xiàng)工作為調(diào)整遇到新的輸入數(shù)據(jù)的系統(tǒng)鋪平了道路。

寬度學(xué)習(xí)系統(tǒng)主要采用了三種不同的增量學(xué)習(xí)算法，包括增強(qiáng)節(jié)點(diǎn)增量、特征節(jié)點(diǎn)增量和輸入數(shù)據(jù)增量。由于更新輸出層的Pseudo偽逆時(shí)，只需要計(jì)算新加入的節(jié)點(diǎn)的偽逆，增量學(xué)習(xí)的訓(xùn)練過(guò)程節(jié)省了大量的時(shí)間。從這個(gè)角度分析，寬度學(xué)習(xí)系統(tǒng)可以高效重建需要在線學(xué)習(xí)的模型。

此外，由于數(shù)據(jù)維度的快速增加，處理高維數(shù)據(jù)越來(lái)越成為了亟需解決的問(wèn)題。處理高維數(shù)據(jù)常見的方法就是降維（Dimension Reduction）和特征提取（Feature Extraction）?！疤卣魈崛　笔菫榱苏业綇妮斎霐?shù)據(jù)到特征向量的最佳函數(shù)變換。因此，對(duì)于“特征提取”，在寬度學(xué)習(xí)中可以體現(xiàn)為采用“映射特征（Mapped Features）”作為RVFLNN的輸入，“寬度學(xué)習(xí)系統(tǒng)也就是在將映射特征作為RVFLNN輸入的思想基礎(chǔ)上而設(shè)計(jì)的”。

（三）寬度學(xué)習(xí)的優(yōu)勢(shì)

機(jī)器學(xué)習(xí)發(fā)展實(shí)際上包括淺層學(xué)習(xí)（Shallow Leaming）和深度學(xué)習(xí)（Deep Leaming）兩部分。上世紀(jì)80年代末期，人工網(wǎng)絡(luò)淺層學(xué)習(xí)算法由于人工神經(jīng)網(wǎng)絡(luò)傳播反向算法的發(fā)明（Back Propagation，BP）而在機(jī)器學(xué)習(xí)領(lǐng)域聲勢(shì)磅礴。但是淺層學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)只有一層隱含層，應(yīng)用十分有限。深度學(xué)習(xí)的出現(xiàn)彌補(bǔ)了淺層學(xué)習(xí)算法的這種弱點(diǎn)，其關(guān)鍵在于它相對(duì)于傳統(tǒng)機(jī)器學(xué)習(xí)方法，能夠自動(dòng)進(jìn)行特征提取學(xué)習(xí)，提取數(shù)據(jù)中更為高階和抽象的本質(zhì)特征，形成對(duì)輸入數(shù)據(jù)更為精準(zhǔn)的輸出結(jié)果。因此，“運(yùn)用深度學(xué)習(xí)對(duì)數(shù)據(jù)進(jìn)行挖掘，是機(jī)器學(xué)習(xí)算法適應(yīng)大數(shù)據(jù)挖掘的重要產(chǎn)物”。

1.特征優(yōu)勢(shì)

根據(jù)寬度學(xué)習(xí)結(jié)構(gòu)以及對(duì)淺層學(xué)習(xí)、深度學(xué)習(xí)特征的理解，淺層學(xué)習(xí)、深度學(xué)習(xí)與寬度學(xué)習(xí)的特征對(duì)比總結(jié)如表1所示。這里為了讓大家更加清晰地看見機(jī)器學(xué)習(xí)中學(xué)習(xí)算法的特征演變，此處將深度學(xué)習(xí)出現(xiàn)之前的淺層學(xué)習(xí)也放入表格做一些說(shuō)明，以便更加直觀地反映出深度學(xué)習(xí)給機(jī)器學(xué)習(xí)所帶來(lái)的變革，以及寬度學(xué)習(xí)較深度學(xué)習(xí)更進(jìn)一步展現(xiàn)的優(yōu)勢(shì)。

結(jié)合表1可以看出，相比深度學(xué)習(xí)，寬度學(xué)習(xí)明顯的重要優(yōu)勢(shì)就是在于其簡(jiǎn)單的單隱層結(jié)構(gòu)和參數(shù)量小，解決了開頭所提出的深度學(xué)習(xí)兩重困擾，使得神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時(shí)間快捷，算法大大加快。具體來(lái)說(shuō)，在與以往深度神經(jīng)網(wǎng)絡(luò)的調(diào)整方式不同，寬度學(xué)習(xí)不需要增加層數(shù)或者調(diào)整參數(shù)個(gè)數(shù)，而是采用“橫向擴(kuò)展”的方式，同時(shí)利用簡(jiǎn)單易懂?dāng)?shù)學(xué)推導(dǎo)來(lái)做“增量學(xué)習(xí)”?？梢詫⒍咴谖磥?lái)的研究中相結(jié)合，將寬度學(xué)習(xí)結(jié)構(gòu)改進(jìn)，串聯(lián)增強(qiáng)節(jié)點(diǎn)，結(jié)合寬度和深度模型，還可以成為寬深結(jié)合學(xué)習(xí)網(wǎng)絡(luò)。2016年，谷歌提出的新“寬度&深度學(xué)習(xí)”框架，將寬深兩者結(jié)合到同一個(gè)模型。并且應(yīng)用于Google Play的實(shí)驗(yàn)結(jié)果顯示，與單獨(dú)的寬度或者深度模型相比，這種結(jié)合后的模型實(shí)現(xiàn)了更優(yōu)的效果，達(dá)到了更寬與更深共同進(jìn)步。

2.性能優(yōu)勢(shì)

作為一個(gè)常見的數(shù)據(jù)集，MNIST經(jīng)常被用來(lái)測(cè)試神經(jīng)網(wǎng)絡(luò)。為了闡明寬度學(xué)習(xí)與深度學(xué)習(xí)相比更具有性能優(yōu)勢(shì)，有學(xué)者對(duì)所提出的寬度學(xué)習(xí)系統(tǒng)做了實(shí)驗(yàn)測(cè)試，通過(guò)MNIST中的分類任務(wù)結(jié)果驗(yàn)證了所提出的寬度學(xué)習(xí)算法的高有效性。具體而言，MNIST包含60000個(gè)訓(xùn)練樣本和10000+測(cè)試樣本。其中每一個(gè)訓(xùn)練元素都是28*28像素的手寫數(shù)字圖像。在實(shí)驗(yàn)中將各種具有深層結(jié)構(gòu)的網(wǎng)絡(luò)與寬度學(xué)習(xí)進(jìn)行了比較。將深度置信網(wǎng)絡(luò)（DBN），深度玻爾茲曼機(jī)器（Deep Boltzmann Machine，DBM），兩種堆疊式自動(dòng)編碼器（Stacked Auto Encoders，SAE）和多層感知器（Mutilayer Perception，MLP）等基于梯度下降的學(xué)習(xí)方法參數(shù)均勻設(shè)置，即初始學(xué)習(xí)率為0.1，每個(gè)學(xué)習(xí)時(shí)期的衰減率為0.95。他們還考慮了基于ELM的算法，包括多層ELMOVILELM）和改進(jìn)的分層ELM（HELM）。對(duì)于MLELM，BP相關(guān)參數(shù)如上所述設(shè)置，并且三層每層正則化（Regularizations）分別設(shè)置為10^-1，10³10⁸。類似地，HELM的懲罰值（Penalty）被設(shè)置為10⁸。上述深度學(xué)習(xí)算法的所有實(shí)驗(yàn)均在配備英特爾i7 2.4 GHz CPU的筆記本電腦上進(jìn)行測(cè)試。除此之外，模糊限制玻爾茲曼機(jī)（Vuzzy Restricted Boltzmann Machine，F(xiàn)RBM）學(xué)習(xí)率被設(shè)置為0.25，權(quán)重衰減（Weight Decay）被設(shè)置為0.0005。將寬度學(xué)習(xí)正則化參數(shù)值λ設(shè)置為10^-8，相關(guān)的固定隨機(jī)權(quán)重W_ei，β_ei（i=1，…，n）和W_hj，β_hj（j=1，…，m）從區(qū)間[-1，1]的正態(tài)分布采樣。增強(qiáng)節(jié)點(diǎn)的激活函數(shù)是S形函數(shù)（Sigmoid Function），隨機(jī)特征映射被用作線性映射。此外，模糊限制玻爾茲曼機(jī)和寬度學(xué)習(xí)系統(tǒng)都在配備2.30GHz英特爾Xeon E5-2650 CPU處理器的筆記本電腦上上進(jìn)行測(cè)試。

每種算法的測(cè)試精度和訓(xùn)練時(shí)間，如表2所示。實(shí)驗(yàn)結(jié)果說(shuō)明，寬度學(xué)習(xí)系統(tǒng)的測(cè)試準(zhǔn)確度為98.74%，它優(yōu)于MLP、SAE、SDA和單層FRBM。雖然準(zhǔn)確度略低于RBM、DBN、MLELM和HELM，但寬度學(xué)習(xí)模型卻因其平坦的擴(kuò)展結(jié)構(gòu)而相對(duì)簡(jiǎn)單得多。此外，與RBM和DBN等非常受歡迎的深度學(xué)習(xí)方法相比，寬度學(xué)習(xí)是這其中最高效的方法。在保持相當(dāng)準(zhǔn)確性的前提下，寬度學(xué)習(xí)的訓(xùn)練過(guò)程僅在29.6968秒內(nèi)就已經(jīng)完成，比RBM網(wǎng)絡(luò)快千倍。通過(guò)增加輸入數(shù)據(jù)和增強(qiáng)節(jié)點(diǎn)來(lái)測(cè)試增量寬度學(xué)習(xí)算法，結(jié)果也證明了所涉及的算法的高效性。此外，與其他MLP訓(xùn)練方法相比，寬度學(xué)習(xí)系統(tǒng)在分類精度和學(xué)習(xí)速度方面具有良好的性能。與數(shù)百個(gè)迭代的高性能電腦下幾十小時(shí)或幾天的訓(xùn)練相比，寬度學(xué)習(xí)系統(tǒng)可以在幾分鐘內(nèi)很容易地構(gòu)建，即使在普通計(jì)算機(jī)中也是如此。寬度學(xué)習(xí)系統(tǒng)在訓(xùn)練速度方面明顯優(yōu)于現(xiàn)有的深層結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)。與深度學(xué)習(xí)方法相比，寬度學(xué)習(xí)結(jié)構(gòu)簡(jiǎn)單，性能強(qiáng)大，完全適用于大數(shù)據(jù)時(shí)代。

寬度學(xué)習(xí)系統(tǒng)結(jié)構(gòu)簡(jiǎn)單、速度快，具有高效的學(xué)習(xí)性能。然而，它在幾個(gè)數(shù)據(jù)集中的表現(xiàn)并不令人滿意?；诖髷?shù)據(jù)背景，有學(xué)者構(gòu)建了一種基于K-means聚類算法特征提取的新型改良寬度學(xué)習(xí)系統(tǒng)。這種新型改良的系統(tǒng)主要是通過(guò)K-means聚類算法為無(wú)監(jiān)督特征表示提供一種強(qiáng)效的方法。結(jié)果也證明寬度學(xué)習(xí)系統(tǒng)在各種應(yīng)用中具有靈活性和無(wú)限潛在價(jià)值。此外，也可以應(yīng)用寬度學(xué)習(xí)系統(tǒng)對(duì)徑向基函數(shù)（RBF）網(wǎng)絡(luò)和層次極限學(xué)習(xí)機(jī)（HELM）兩種常用的神經(jīng)網(wǎng)絡(luò)進(jìn)行了改進(jìn)?？傊瑢挾葘W(xué)習(xí)系統(tǒng)具有“橫向擴(kuò)展”和“增量學(xué)習(xí)”兩大優(yōu)勢(shì)，是人工智能領(lǐng)域中一個(gè)特別高效靈活的學(xué)習(xí)系統(tǒng)。

二、寬度學(xué)習(xí)的教育價(jià)值

基于對(duì)寬度學(xué)習(xí)的認(rèn)識(shí)和研究，我們可以看到寬度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)系統(tǒng)結(jié)構(gòu)更加簡(jiǎn)單，同時(shí)在實(shí)際應(yīng)用中表現(xiàn)出更完善的優(yōu)秀性能。寬度學(xué)習(xí)不僅保留了深度學(xué)習(xí)的優(yōu)勢(shì)，而且彌補(bǔ)了深度學(xué)習(xí)的缺陷。寬度學(xué)習(xí)系統(tǒng)大大提高的網(wǎng)絡(luò)算法的速度，并且可以通過(guò)增量學(xué)習(xí)高效擴(kuò)展重建網(wǎng)絡(luò)模型，同時(shí)具有自動(dòng)獲取和學(xué)習(xí)特征的能力，擁有對(duì)海量大數(shù)據(jù)進(jìn)行超預(yù)期分析的能力。寬度學(xué)習(xí)相對(duì)深度學(xué)習(xí)不但更能高效地進(jìn)行教育大數(shù)據(jù)的挖掘，提高機(jī)器學(xué)習(xí)在教育數(shù)據(jù)挖掘中的實(shí)用性，而且可以通過(guò)對(duì)相關(guān)數(shù)據(jù)的高效挖掘，為從學(xué)習(xí)分析角度對(duì)其挖掘的數(shù)據(jù)結(jié)果進(jìn)行意義再建構(gòu)提供參考依據(jù)。因此，將寬度學(xué)習(xí)引人教育領(lǐng)域，對(duì)于教育數(shù)據(jù)挖掘及教育領(lǐng)域發(fā)展的價(jià)值不言而喻。然而，研究表明對(duì)“價(jià)值”概念的誤讀是導(dǎo)致技術(shù)工具論困難的根本原因。囿于寬度學(xué)習(xí)應(yīng)用教育的進(jìn)程才剛剛起步，我們有必要深刻探討和研究寬度學(xué)習(xí)的教育價(jià)值分類與關(guān)系，以期促成寬度學(xué)習(xí)與教育融合的成功實(shí)現(xiàn)。寬度學(xué)習(xí)的教育價(jià)值主要包含本體價(jià)值、工具價(jià)值、規(guī)范價(jià)值和智慧價(jià)值。其中寬度學(xué)習(xí)教育價(jià)值的本體價(jià)值是工具價(jià)值和規(guī)范價(jià)值的認(rèn)知基礎(chǔ)。工具價(jià)值是智慧價(jià)值實(shí)現(xiàn)的途徑，而規(guī)范價(jià)值是智慧價(jià)值得以實(shí)現(xiàn)的重要保障?；诒倔w價(jià)值、工具價(jià)值和規(guī)范價(jià)值之上，寬度學(xué)習(xí)教育價(jià)值最終統(tǒng)一于智慧價(jià)值。要實(shí)現(xiàn)寬度學(xué)習(xí)教育融合，必須充分挖掘并利用寬度學(xué)習(xí)的這些價(jià)值，同時(shí)注意各價(jià)值的有機(jī)結(jié)合和互相滲透。

（一）本體價(jià)值

本體價(jià)值是一種作為其他一切價(jià)值的存在基礎(chǔ)和最終依據(jù)的價(jià)值，它是判斷其他一切具體價(jià)值之合理性的最高準(zhǔn)則和標(biāo)準(zhǔn)?！懊總€(gè)人的全面而自由的發(fā)展是當(dāng)代中國(guó)的本體價(jià)值”。本體價(jià)值不明確就會(huì)導(dǎo)致對(duì)價(jià)值判斷的合理性危機(jī)。在中國(guó)社會(huì)本體價(jià)值原則指導(dǎo)下，寬度學(xué)習(xí)的本體價(jià)值在于促進(jìn)學(xué)生的個(gè)性化學(xué)習(xí)，實(shí)現(xiàn)因材施教，推進(jìn)個(gè)人的全面意義上的發(fā)展。寬度學(xué)習(xí)相對(duì)深度學(xué)習(xí)能更為優(yōu)化高效地進(jìn)行教育大數(shù)據(jù)的挖掘，大大提高了機(jī)器學(xué)習(xí)在教育數(shù)據(jù)挖掘中的實(shí)用性。

國(guó)內(nèi)外對(duì)教育數(shù)據(jù)應(yīng)用的研究慢慢開始由宏觀層面轉(zhuǎn)向?qū)W校的教學(xué)和學(xué)生的學(xué)習(xí)微觀層面。也就是說(shuō)，教育數(shù)據(jù)的挖掘最終還是要促進(jìn)微觀層面每一個(gè)學(xué)生的發(fā)展。利用教育數(shù)據(jù)挖掘分析可為教育工作者提供更好的教育決策信息，改善其教學(xué)形式和內(nèi)容;同時(shí)也可為受教育者量身定制各類適合自己的受教育教學(xué)目標(biāo)及方案，有助于改進(jìn)其學(xué)習(xí)方式和行為。然而，無(wú)論是對(duì)教育者還是學(xué)習(xí)者，寬度學(xué)習(xí)數(shù)據(jù)挖掘技術(shù)作用于教育的本質(zhì)和最終目標(biāo)都是為了促進(jìn)學(xué)生的個(gè)性化學(xué)習(xí)，推進(jìn)個(gè)人的全面發(fā)展。因此正確掌握寬度學(xué)習(xí)的本體價(jià)值，將會(huì)給寬度學(xué)習(xí)技術(shù)的合理使用提供正確的價(jià)值導(dǎo)向，有利于避免社會(huì)隱性價(jià)值沖突，維護(hù)社會(huì)同一價(jià)值理念，推進(jìn)寬度學(xué)習(xí)教育應(yīng)用的和諧發(fā)展。

因此，要實(shí)現(xiàn)寬度學(xué)習(xí)本體價(jià)值，必須堅(jiān)持以人為本的理念。在充分尊重人的目標(biāo)需要的同時(shí)，注意考慮個(gè)人的實(shí)際水平，將寬度學(xué)習(xí)的本體價(jià)值目標(biāo)建立在個(gè)人的實(shí)際情況和要求的基礎(chǔ)上。利用寬度學(xué)習(xí)挖掘?qū)W生學(xué)習(xí)有用信息進(jìn)行學(xué)習(xí)分析時(shí)，要根據(jù)學(xué)生實(shí)際學(xué)習(xí)能力及掌握知識(shí)情況，以每個(gè)個(gè)體的全面發(fā)展為指導(dǎo)目標(biāo)，為每一個(gè)學(xué)生個(gè)體提供適應(yīng)學(xué)生個(gè)人前途發(fā)展的課程材料以及學(xué)習(xí)成長(zhǎng)方案等。

（二）工具價(jià)值

工具價(jià)值是相對(duì)于本體價(jià)值而言的，工具價(jià)值的實(shí)現(xiàn)必須以本體價(jià)值的實(shí)現(xiàn)為基礎(chǔ)。離開本體價(jià)值，工具價(jià)值便成為無(wú)源之水，無(wú)本之木?！肮ぞ邇r(jià)值是促進(jìn)社會(huì)發(fā)展的價(jià)值，其對(duì)教育價(jià)值的實(shí)質(zhì)取向乃是社會(huì)”。寬度學(xué)習(xí)的工具價(jià)值在于其對(duì)促進(jìn)受教育機(jī)會(huì)公平和社會(huì)資源均衡發(fā)展的意義。寬度學(xué)習(xí)的內(nèi)部算法運(yùn)行的本質(zhì)是利用計(jì)算機(jī)自動(dòng)且高效地提取教育環(huán)境中學(xué)習(xí)者的有關(guān)行為數(shù)據(jù)，這些數(shù)據(jù)通常具有潛在的意義和價(jià)值，這也就是教育數(shù)據(jù)挖掘。通過(guò)利用教育數(shù)據(jù)挖掘所獲信息，寬度學(xué)習(xí)可以助力于智慧教育及時(shí)、全面且深層地理解學(xué)習(xí)者的學(xué)習(xí)行為與狀態(tài)，不但可以幫助學(xué)習(xí)者找到適合其學(xué)習(xí)的最佳方式，同時(shí)可以支持教學(xué)者利用其優(yōu)勢(shì)實(shí)施智能化又高效的教學(xué)方式。寬度學(xué)習(xí)通過(guò)實(shí)現(xiàn)其教育的工具使用價(jià)值，使人人都有機(jī)會(huì)接受針對(duì)性個(gè)性化輔導(dǎo)，可有效緩解偏遠(yuǎn)落后地區(qū)教育資源匱乏、教師水平參差不齊等問(wèn)題，改善教育質(zhì)量;也可通過(guò)技術(shù)手段擴(kuò)大優(yōu)質(zhì)教育資源覆蓋面，促進(jìn)人的全面發(fā)展和社會(huì)教育公平，避免資源重置和浪費(fèi)，完善現(xiàn)有的教育系統(tǒng)結(jié)構(gòu)。

因此，要實(shí)現(xiàn)寬度學(xué)習(xí)工具價(jià)值，必須充分利用教育數(shù)據(jù)挖掘手段。利用寬度學(xué)習(xí)進(jìn)行更為準(zhǔn)確的教育數(shù)據(jù)挖掘，能為教育大數(shù)據(jù)以在數(shù)據(jù)提取中獲取有意義的規(guī)律與模式、有效知識(shí)與信息提供有益幫助。必須充分利用教學(xué)資源、教學(xué)管理、教學(xué)行為和教學(xué)評(píng)估等教育大數(shù)據(jù)，將挖掘所分析得到的信息有效用于完善困難地區(qū)教育資助及資源供給、改進(jìn)地域差異等帶來(lái)的高校公平招生問(wèn)題和改善教育評(píng)價(jià)體系公正問(wèn)題。通過(guò)逐步實(shí)現(xiàn)教育的公平來(lái)實(shí)現(xiàn)社會(huì)公平，寬度學(xué)習(xí)的工具價(jià)值進(jìn)而可加強(qiáng)教育的變革，推動(dòng)社會(huì)的繁榮與進(jìn)步。

（三）規(guī)范價(jià)值

規(guī)范價(jià)值主要是指在一定時(shí)代和一定社會(huì)中，人的道德意志和行為必須合乎一定的社會(huì)要求和基本原則。實(shí)際上，價(jià)值相關(guān)要素之間存在一定的緊張和矛盾。為推進(jìn)價(jià)值論研究的深入，我們必須對(duì)這種復(fù)雜性進(jìn)行認(rèn)真的剖析。其中開展和重視規(guī)范價(jià)值的研究是這種矛盾的重要解決方式。寬度學(xué)習(xí)教育價(jià)值中的規(guī)范價(jià)值在于我們需要確保安全、有益和合理地使用這種技術(shù)，與此同時(shí)將道德原則和社會(huì)責(zé)任需要納入其規(guī)范價(jià)值范疇，確保人類正確使用寬度學(xué)習(xí)，維護(hù)自身合法利益。利用寬度學(xué)習(xí)處理教育大數(shù)據(jù)集意味著要考慮這些數(shù)據(jù)的道德規(guī)范。當(dāng)利用寬度學(xué)習(xí)所挖掘的數(shù)據(jù)應(yīng)用于解決教育問(wèn)題或改進(jìn)教學(xué)時(shí)，道德和隱私的基本問(wèn)題始終應(yīng)值得重點(diǎn)對(duì)待。只有這樣，才能確保個(gè)人合法權(quán)益的同時(shí)充分發(fā)揮大數(shù)據(jù)挖掘價(jià)值，帶動(dòng)人工智能教育應(yīng)用的健康發(fā)展。

因此，“要實(shí)現(xiàn)寬度學(xué)習(xí)規(guī)范價(jià)值，必須采取相關(guān)數(shù)據(jù)隱私保護(hù)手段”。一方面，可對(duì)包括寬度學(xué)習(xí)在內(nèi)的人工智能技術(shù)應(yīng)用制定與其發(fā)展相適應(yīng)的相關(guān)行為準(zhǔn)則或法律法規(guī)，保障人工智能應(yīng)用中的安全隱私以及倫理問(wèn)題。另一方面，需要對(duì)寬度學(xué)習(xí)應(yīng)用的研究技術(shù)人員進(jìn)行相關(guān)職責(zé)培訓(xùn)，樹立規(guī)范，強(qiáng)化其責(zé)任意識(shí)，并扛起對(duì)社會(huì)進(jìn)步發(fā)展使命擔(dān)當(dāng)。

（四）智慧價(jià)值

智慧價(jià)值，也就是其內(nèi)在價(jià)值，是相對(duì)于外在價(jià)值而言的?！八^內(nèi)在價(jià)值，是指價(jià)值主體在選擇和創(chuàng)生自身價(jià)值過(guò)程中所生成的自利性價(jià)值”。智慧價(jià)值之所以重要，是因?yàn)樗菍?duì)滿足主體需要的核心本質(zhì)價(jià)值所在，只有意識(shí)到這一點(diǎn)，才能發(fā)揮其真正意義上的價(jià)值。此處寬度學(xué)習(xí)的智慧價(jià)值主要指的是寬度學(xué)習(xí)本身現(xiàn)實(shí)綜合意義所在。寬度學(xué)習(xí)教育價(jià)值之智慧價(jià)值在于其對(duì)教育主體的實(shí)質(zhì)幫助，學(xué)習(xí)者可以通過(guò)人工智能獲得認(rèn)知上的提升及對(duì)世界的綜合感知。在基于寬度學(xué)習(xí)的本體價(jià)值、工具價(jià)值和規(guī)范價(jià)值的認(rèn)識(shí)基礎(chǔ)上，實(shí)現(xiàn)寬度學(xué)習(xí)的智慧價(jià)值乃是最終目標(biāo)。當(dāng)然，寬度學(xué)習(xí)與教育融合并不是簡(jiǎn)單的數(shù)學(xué)相加，尋求寬度學(xué)習(xí)與教育融合的實(shí)現(xiàn)，更在于其產(chǎn)生的“化學(xué)反應(yīng)”，這才是寬度學(xué)習(xí)在教育中的智慧價(jià)值所在。正如麻省理工學(xué)院前校長(zhǎng)Charles Vest教授所說(shuō)，“機(jī)器無(wú)法取代那些聰明且富有創(chuàng)造力的年輕人在高度敬業(yè)的教師陪同下一起生活和學(xué)習(xí)的魔力”。也就是說(shuō)，寬度學(xué)習(xí)所帶來(lái)的人工智能教育的發(fā)展背景下，我們不能只是一個(gè)有用工具利用的參與者，更多的應(yīng)該占據(jù)主導(dǎo)地位，引導(dǎo)人工智能前進(jìn)。這也就是寬度學(xué)習(xí)教育價(jià)值之智慧價(jià)值的核心思想體現(xiàn)。

因此，要實(shí)現(xiàn)寬度學(xué)習(xí)智慧價(jià)值，必須堅(jiān)持人機(jī)協(xié)同合作，充分發(fā)揮人的智慧和主導(dǎo)作用。為了更好地實(shí)現(xiàn)人機(jī)協(xié)作，教育主體可以通過(guò)繼續(xù)對(duì)寬度學(xué)習(xí)技術(shù)的研究，強(qiáng)化對(duì)下一代的知識(shí)教學(xué)，以及積極探索開發(fā)適應(yīng)寬度學(xué)習(xí)技術(shù)的國(guó)際合作戰(zhàn)略，堅(jiān)持其主導(dǎo)地位，促進(jìn)寬度學(xué)習(xí)技術(shù)的進(jìn)一步發(fā)展。

綜合寬度學(xué)習(xí)的四方面價(jià)值體現(xiàn)以及相對(duì)應(yīng)的四條實(shí)現(xiàn)路徑的探究，我們相信通過(guò)堅(jiān)持以人為本的理念來(lái)實(shí)現(xiàn)寬度學(xué)習(xí)的本體價(jià)值、借助教育數(shù)據(jù)挖掘來(lái)實(shí)現(xiàn)寬度學(xué)習(xí)的工具價(jià)值、規(guī)范數(shù)據(jù)隱私保護(hù)來(lái)實(shí)現(xiàn)寬度學(xué)習(xí)的規(guī)范價(jià)值以及維持以人為主導(dǎo)的人機(jī)協(xié)作來(lái)實(shí)現(xiàn)寬度學(xué)習(xí)的智慧價(jià)值這四條路徑，可構(gòu)建一個(gè)完善的寬度學(xué)習(xí)視野下教育價(jià)值實(shí)現(xiàn)體系（如下圖所示）。

三、基于寬度學(xué)習(xí)的教育變革

寬度學(xué)習(xí)基于其豐富的教育價(jià)值內(nèi)涵對(duì)于人工智能時(shí)代當(dāng)下的意義無(wú)疑是肯定的，我們期待其在實(shí)現(xiàn)差異化教學(xué)、進(jìn)行個(gè)性化學(xué)習(xí)、實(shí)施智能化服務(wù)、及時(shí)給予高效反饋等方面帶來(lái)重要的發(fā)展機(jī)遇，以實(shí)現(xiàn)寬度學(xué)習(xí)教育的深度融合，推動(dòng)教育事業(yè)蓬勃發(fā)展。

（一）幫助教師實(shí)現(xiàn)差異化教學(xué)

寬度學(xué)習(xí)網(wǎng)絡(luò)通過(guò)機(jī)器對(duì)學(xué)生學(xué)習(xí)狀況數(shù)據(jù)特征提取和分析，可以幫助老師分析隱性的信息，及時(shí)掌握學(xué)生的情況，預(yù)測(cè)學(xué)生未來(lái)的學(xué)習(xí)發(fā)展趨向，為教師實(shí)現(xiàn)因材施教、為學(xué)生制定針對(duì)性指導(dǎo)計(jì)劃提供巨大的幫助。教師的工作應(yīng)該具有創(chuàng)造性，而不應(yīng)該被繁雜的功課批閱所占據(jù)大多時(shí)間。另一方面，由于人工批閱具有主觀性，也會(huì)對(duì)學(xué)生學(xué)習(xí)成果評(píng)價(jià)帶來(lái)影響。準(zhǔn)確且合適的批閱和評(píng)價(jià)對(duì)學(xué)生學(xué)習(xí)發(fā)展來(lái)說(shuō)就顯得尤關(guān)重要。將寬度學(xué)習(xí)運(yùn)用于學(xué)生作業(yè)和試卷評(píng)閱，進(jìn)行機(jī)讀網(wǎng)上操作優(yōu)化，無(wú)論在客觀題、還是主觀題上，都能給予對(duì)學(xué)生公平高效的成績(jī)和評(píng)價(jià)，真實(shí)反映學(xué)生的學(xué)習(xí)狀況，實(shí)現(xiàn)學(xué)習(xí)評(píng)價(jià)智能化、差異化，以便教師更好地安排其他工作。教師與學(xué)生之間的溝通在學(xué)習(xí)者的學(xué)習(xí)過(guò)程中也是很重要的。給予寬度學(xué)習(xí)的人工智能可以幫助教師及時(shí)準(zhǔn)確回答學(xué)生的問(wèn)題，帶動(dòng)學(xué)生參與問(wèn)題的分析和理解過(guò)程。這將會(huì)實(shí)現(xiàn)人機(jī)交互擬人化，為學(xué)生帶來(lái)真正一對(duì)一、面對(duì)面教學(xué)的體驗(yàn)，提高學(xué)生對(duì)教師工作的理解和滿意度，彌補(bǔ)了教師精力和時(shí)間有限的現(xiàn)實(shí)情況。這樣，寬度學(xué)習(xí)技術(shù)就幫助了教師在保證教育規(guī)模的同時(shí)實(shí)現(xiàn)了差異化教學(xué)，真正做到了有教無(wú)類、因材施教。

（二）促進(jìn)學(xué)生進(jìn)行個(gè)性化學(xué)習(xí)

相關(guān)機(jī)構(gòu)研究曾表明，人類共擁有70多種不同學(xué)習(xí)方法。而不同的人有不同的學(xué)習(xí)需求，需要應(yīng)用不同的學(xué)習(xí)方法。因此，基于寬度學(xué)習(xí)的數(shù)據(jù)挖掘技術(shù)，可以讓機(jī)器對(duì)學(xué)生以往的學(xué)習(xí)狀況進(jìn)行分析和挖掘，獲取學(xué)生的真實(shí)所需，診斷學(xué)生學(xué)習(xí)的薄弱環(huán)節(jié)，推薦相適應(yīng)的學(xué)習(xí)方法，從而促進(jìn)學(xué)生進(jìn)行個(gè)性化學(xué)習(xí)。同時(shí)，學(xué)習(xí)者的背景復(fù)雜多樣，學(xué)習(xí)需求各不相同，學(xué)習(xí)進(jìn)度、掌握知識(shí)的程度都各不相同，要針對(duì)不同學(xué)生進(jìn)行針對(duì)性學(xué)習(xí)指導(dǎo)是非常困難的。基于教育大數(shù)據(jù)，可以根據(jù)對(duì)學(xué)生的不同思維方式和學(xué)習(xí)特征進(jìn)行分組，建立不同小組的個(gè)性化學(xué)習(xí)，促進(jìn)小組內(nèi)部之間合作，達(dá)到共同進(jìn)步和有效學(xué)習(xí)的一種多贏有機(jī)互動(dòng)局面;同時(shí)可以實(shí)現(xiàn)對(duì)不同學(xué)習(xí)者的學(xué)習(xí)背景進(jìn)行數(shù)據(jù)上的測(cè)量與分析，利用有效的數(shù)據(jù)來(lái)歸納學(xué)習(xí)者所類屬的學(xué)習(xí)風(fēng)格，以便進(jìn)行學(xué)習(xí)者分類與提供學(xué)習(xí)者所需的個(gè)性化學(xué)習(xí)支持。

（三）推動(dòng)學(xué)校實(shí)施智能化服務(wù)

教育管理者制定決策所依據(jù)的數(shù)據(jù)往往是通過(guò)傳統(tǒng)方式獲得的，這些數(shù)據(jù)通常是零散、靜態(tài)、不全面和滯后的，因此具有局限性。而基于數(shù)據(jù)挖掘而得到的數(shù)據(jù)往往是綜合了社會(huì)各個(gè)方面的結(jié)果，對(duì)于教育管理者進(jìn)行分析和決策具有非常重要的指導(dǎo)意義，可以推進(jìn)決策智能化。比如，SHERPA系統(tǒng)可以給予高等教育中的老師和學(xué)生提供個(gè)性課程設(shè)置化服務(wù)。主要包括將反饋信息提供給課程設(shè)計(jì)者，使他們能夠不斷改進(jìn)教材，將根據(jù)學(xué)生個(gè)性特點(diǎn)和實(shí)際情況幫助學(xué)校課程咨詢專家解決學(xué)生課程選擇難題。此外，學(xué)校要想提升自身競(jìng)爭(zhēng)力和服務(wù)能力，必須充分合理利用數(shù)據(jù)來(lái)做決策，給予意見，進(jìn)行管理。因此，對(duì)教育大數(shù)據(jù)收集和準(zhǔn)確分析就顯得尤為重要。目前大數(shù)據(jù)的采集來(lái)源渠道廣，但對(duì)數(shù)據(jù)的挖掘分析技術(shù)需要寬度學(xué)習(xí)系統(tǒng)的支持，以期為學(xué)習(xí)者、家長(zhǎng)和教師等提供更有價(jià)值的信息和服務(wù)。美國(guó)教育科學(xué)院新研發(fā)的項(xiàng)目在學(xué)生和家長(zhǎng)擇校的方面就很好地做到了這一點(diǎn)。這項(xiàng)名稱為高效導(dǎo)航（College Navigator）的學(xué)校推薦項(xiàng)目通過(guò)大數(shù)據(jù)智能分析，將美國(guó)7眾多高校的資源指標(biāo)信息提供給學(xué)生，幫助學(xué)生進(jìn)行合理理性擇校，找到最適合的大學(xué)。

（四）給予在線教育及時(shí)性反饋

網(wǎng)絡(luò)教育的飛速發(fā)展帶來(lái)的大量在線教育課程為學(xué)習(xí)者的學(xué)習(xí)帶來(lái)了便利。比如，備受推崇的慕課（MOOC）平臺(tái)能同時(shí)滿足數(shù)以萬(wàn)計(jì)的學(xué)習(xí)者的需求，完全突破了傳統(tǒng)受教育環(huán)境的限制。慕課平臺(tái)在教學(xué)過(guò)程中依據(jù)大數(shù)據(jù)為學(xué)習(xí)者構(gòu)建相應(yīng)的學(xué)習(xí)模型，根據(jù)學(xué)習(xí)者的不同認(rèn)知水平和基礎(chǔ)經(jīng)驗(yàn)等方面的評(píng)估進(jìn)行相應(yīng)課程的推薦和調(diào)整，實(shí)現(xiàn)大規(guī)模下的個(gè)性化教學(xué)。但是，由于平臺(tái)很多時(shí)候不能提供及時(shí)的反饋，造成學(xué)生留存率降低。因此，將寬度學(xué)習(xí)系統(tǒng)應(yīng)用于在線教育數(shù)據(jù)的挖掘分析中，可以實(shí)現(xiàn)隨時(shí)隨地有效、快捷的答疑和反饋，這將在很大程度上提高學(xué)生的學(xué)習(xí)效率和學(xué)習(xí)成果，同時(shí)也優(yōu)化了在線教育教學(xué)的教學(xué)效果，為在線教育平臺(tái)的進(jìn)一步發(fā)展提供了重要保障。

四、結(jié)語(yǔ)

教育是一個(gè)極其復(fù)雜的系統(tǒng)，對(duì)學(xué)生的學(xué)習(xí)行為和狀況進(jìn)行科學(xué)的評(píng)價(jià)和精準(zhǔn)的預(yù)測(cè)及干預(yù)是一項(xiàng)非常難的任務(wù)。而人工智能、機(jī)器學(xué)習(xí)和寬度學(xué)習(xí)等的出現(xiàn)為我們借助新興技術(shù)收集和分析教育大數(shù)據(jù)提供了可能。在大數(shù)據(jù)的幫助下，我們可以更好地做到不放棄每一個(gè)學(xué)生的個(gè)性，尊重每一個(gè)學(xué)生的真正潛能，實(shí)現(xiàn)真正意義上的教育公平。同時(shí)，即便要做到充分利用大數(shù)據(jù)所帶來(lái)的成果，將其運(yùn)用到教師的教學(xué)和學(xué)生的評(píng)價(jià)之中，提升大數(shù)據(jù)挖掘的品質(zhì)和效率，也不要忘了建立規(guī)范的數(shù)據(jù)挖掘和分析進(jìn)程，尊重和保護(hù)學(xué)生的隱私。全球各國(guó)的實(shí)證經(jīng)驗(yàn)成果也告訴我們教育的智能變革愈發(fā)會(huì)成為教育現(xiàn)代化的一個(gè)重要方向，“數(shù)據(jù)挖掘分析變革教育”已成為新時(shí)代必不可擋的前進(jìn)趨勢(shì)。教育研究者必須始終關(guān)注技術(shù)發(fā)展前沿動(dòng)向，努力探索和應(yīng)用新的技術(shù)。我們也必須向發(fā)達(dá)國(guó)家學(xué)習(xí)，加大對(duì)教育數(shù)據(jù)挖掘分析的投入，整合人力資源，將教育人工智能提升到國(guó)家發(fā)展戰(zhàn)略層面，以期能夠推進(jìn)我國(guó)的教育現(xiàn)代化進(jìn)程，改變傳統(tǒng)面貌，推動(dòng)教育變革，實(shí)現(xiàn)跨越式發(fā)展。