基于大数据行为分析的课后服务提质增效路径研究

吴娜 葛敏

* 该文为江苏高校哲学社会科学研究重大项目“传统文化在大学生思政教育中的创新转化与传承路径研究”（2020SJZDA142）、2022年江苏省研究生科研创新计划“南京文化融入高校思想政治教育的新路径探索”（KYCX22_0859）的研究成果

摘      要

“双减”政策实施以来，全国各地中小学广泛开展课后服务，为学校教育提供了新的发展动力。当下，如何促使中小学课后服务从“常态化”走向“高质量”发展，并切实做到提质增效，成为课后服务发展的关键所在。大数据行为分析可以精准定位学生的需求，帮助学校从学生的需求出发，自下而上地完善并优化中小学课后服务的发展。基于协同过滤算法构建的推荐系统可辅助课后服务实现从经验驱动向数据驱动转变、从被动响应向主动探索转变，从人力密集向科技集约转变、从千篇一律向精准发力转变，以期达到提质增效的目标。

关 键 词

课后服务；大数据行为分析；推荐系统；协同过滤；提质增效

引用格式

吴娜，葛敏.基于大数据行为分析的课后服务提质增效路径研究[J].教学与管理，2024（06）：43-48.

自2021年7月《关于进一步减轻义务教育阶段学生作业负担和校外培训负担的意见》颁布以来，“双减”问题迅速成为社会各界关注的热点话题。课后服务作为落实“双减”政策的重要举措，一方面减轻了家长的接送压力和学生的学业负担，另一方面也促进了学生兴趣爱好的发展。课后服务是指学生在周一至周五学校规定的放学时间后参与的有目的、有组织、有系统性的学习活动[1]。课后服务与学校的常规教学相互补充，对巩固学生学习、促进学生全面发展发挥了重要作用。虽然至今各区域中小学课后服务已经取得一定成效，但在实践过程中仍然存在一些不容忽视的问题和弊端，如对课后服务概念的窄化和曲解[2]、对师资队伍的盲目匹配和浪费、对课程内容的固化和僵化等。如何做到课后服务提质增效是 “双减”落地的关键，但各区域中小学当下并不明晰具体的优化课后服务的实践路径，多是“摸着石头过河”，所以真正开好课后服务还有很长的一段路要走。

2021年教育部等六部委发布了《关于推进教育新型基础设施建设构建高质量教育支撑体系的指导意见》，提出了“开发基于大数据的智能诊断、资源推送和学习辅导等应用，促进学生个性化发展”。

这充分肯定了大数据在教育，尤其是个性化教育中的重要地位。在教育过程中，每个学生的学习行为均可转化为数据记录，包括静态的描述数据和动态的变化数据。这些数据可反映每个学生的微观表现，可体现每个学生高度个性化的表现特征。通过对大量学生产生的教育大数据进行开发与利用，分析所有学生的现有学习行为，可构建学生学习行为的相关模型，并对每个学生未来的学习趋势和演化进行科学的模拟和预测，为学生的自我学习规划、教师的施教内容及施教方式安排和教育部门的教学决策提供更加精细化的数据支撑。本文旨在通过以大数据行为分析作为指导中小学课后服务创新发展的助力，推动课后服务内容的开设从经验驱动向数据驱动转变、从被动响应向主动探索转变，进而推动课后服务的供应从人力密集向科技集约转变、从千篇一律向精准发力转变，尝试促进信息技术与课后服务的深度融合，全面推动课后服务的提质增效，促进学生的全面健康成长。

一、中小学课后服务的相关研究现状

通过文献梳理发现，目前国内对中小学课后服务的研究主要集中在四大方向。一是针对我国不同地区的课后服务发展研究，有代表性的是杨富裕针对成都市小学校内课后服务做出的对策研究，通过访谈、调查等多种方式了解家长满意度及存在的问题和对策分析[3]；陆俊堂以佛山一所小学为例，采用问卷、逻辑分析等方式对广东省乡镇小学课后服务出现的问题展开研究[4]。二是针对不同课后服务课程优化的研究，李彦龙、常凤等人认为“课程内容单一、运动安全顾虑制约了体育服务的客体参与”[5]；杨曼丽、张吾龙提出要“构建课后服务体育服务体系，积极践行五育融合新理念”[6]。三是对课后服务顶层设计的路径探索，有代表性的是高巍、周嘉騰等人积极探索如何构建良好的课后服务课程体系和课后服务保障体系[7]；都晓提出要“坚持学生为中心，教师为主体，切实提升课后服务质量”[8]。除了对国内课后服务研究外，部分学者把眼光放在了国际课后服务的发展对我国的有益借鉴上，如史自词、李永涛等以澳大利亚中小学课后服务的发展和经验为参照，力图找寻满足学生多样化需求的课后服务方式和内容[9]；贾利帅、刘童借鉴北欧四国的中小学课后服务实践，提出“我国可加强政府为主导，多方共建的服务体制；注意服务对象向弱势群体倾斜；服务内容以学生全人发展为导向；打造专业化的课后服务教师队伍”[10]。

综上所述，国内学者对课后服务的研究视角虽呈现出多元化的态势，但对于课后服务如何具体落实、提质增效仍然有很大的研究空间。本文尝试把研究的落脚点放在学生对课后服务的实际需求上，结合“互联网+教育”的政策指引，尝试寻找一种新的可能性，即把大数据行为分析和课后服务结合起来，通过数据来实现课后服务的个性化，真正做到在施行课后服务的时候有的放矢，提质增效。

二、课后服务大数据行为分析

1.课后服务数据的开采与应用

自2017年2月课后服务被提出并实施以来，各个学校均积累了课后服务相关的大量数据，包括设立的文化课程信息、参与的学生信息、文体活动信息、学生兴趣爱好等。除此之外，学校还掌握有历年来所有学生各学科的日常测验情况、期中期末成绩等。这些数据中蕴含了学生学习情况、兴趣特长、培养方式及个人成长效果等重要信息，充分利用这些数据有助于智能感知每个学生的所需和所喜，立体全面掌握每个学生的发展状态，针对每个学生所需求、喜好和成长能快速响应调整课后服务内容，从而实现为每个学生提供个性化的精准课后服务。可基于大数据行为分析构建课程/学生推荐模型的系统设计，如图1所示。

图 1  大数据行为分析架构图

学校有关学生的原始数据一般包括学生背景信息、学生学习情况、学生综合素质等。有些数据是结构化的，以度量性数据和标签类数据为主，如各学科测验分数、优良中差层级等；有些数据是非结构化的，以描述性数据为主，如各学科教师评语、影音图类等。非结构化的数据难以被计算机程序直接使用，一般先转换为结构化数据。

从非结构化数据转换为结构化数据常用处理方式依据人工参与度从重到轻可分为三种：

（1）人工标记法：人工将所有非结构化的原始数据标记为不同层级的标签数据。在原始数据庞大的情况下，这种处理方式需要耗费大量的人力成本，且不同人的标记标准存在较大的主观因素影响。

（2）语义分析法：人工标记小批量的数据，再由计算机使用语义分析算法从小批量数据中学习标记标准，再完成原始数据的标记。这种处理方式的标记效果依赖于人工标记小批量数据的质量、覆盖率和平衡度，小批量数据的标记情况应能准确反映数据标记标准，小批量数据中应能覆盖所有可能出现的情况，小批量数据中可层级数据量应能准确反映原始数据中所有层级数据的分布情况。为了达到上述要求，人工标记的数据只是相比于原始数据来说叫小批量，从绝对数值上来说其数据量不仅依然大，其数据的选取更要求优。

（3）无监督聚类法：人工定义不同层级的距离度量标准，再由计算机依据距离度量标准对原始数据进行聚类，对聚类结果再标记为不同的层级。这种处理方式只依赖于非结构化数据的距离度量标准，计算机根据数据之间的距离将差异小的数据归为一类，差异大的数据归为不同类[11]。经过这种方式处理后，既可以依据聚类结果划分层级，也可以依据期望的层级划分来合并或拆分聚类结果。大数据行为分析的输入数据以结构化数据为主，包含从非结构化数据转换来的数据。原始的数据一般难以直接作为大数据分析的输入源，需要先经过数据清洗、数据整合、异常数据处理、数据缩放等数据处理过程。

2.课后服务数据预处理过程

数据清洗一般用以解决数据不完整、数据无效、数据不准确、数据不一致、数据不统一、数据重复等六类错误。数据不完整是指某些学生或课程的部分信息不存在、数据缺失，一般优先考虑使用该学生或课程的其他关联数据推导缺失的数据，或使用该数据的平均值或中值来填充，也可以不采用存在数据缺失的记录。数据无效是指学生或课程的某些信息由于未知错误超出了有效的范围，同样，这部分数据的修复也可以使用关联数据推导法、均值或中值填充，也可以不采用存在无效数据的记录。数据不准确是指某些学生或课程的信息使用了不具有明确意义的占位数据，如学生年龄使用未知、判断题使用了空白或选择题使用了不知道等，此部分数据与无效数据的处理方式类似。数据不一致是指学生或课程的某些数据项之间存在关联，但关联数据取值存在冲突或与现实情形矛盾，这部分数据可以根据不同数据项的可靠度差异进行推导。数据不统一是指学生或课程的某些数据项的度量方式或记录格式存在差异，这部分数据是完整的，只要统一格式即可。数据重复是指学生或课程的记录重复，或数据项重复，删除重复的行或列即可。数据整合一般包括数据聚合、数据选择和数据转换等过程。数据聚合用以根据规则统计学生或课程某些数据项下满足一定条件的记录数，或计算某些数据项记录的均值、中值或方差等，也包括将学生或课程的一系列相似或强关联的数据项合并为单一表述。数据选择是指根据规则从学生或课程的某些关联记录中选取一部分记录，或从学生或课程的某些关联数据项中选择采用一部分数据项，即行选择和列选择。数据转换是指将学生或课程的数据项转换为统一的计量格式，或从某些数据项中计算出新的数据项，如根据生日计算年龄等。异常数据处理主要用于处理学生或课程的数据中取值明显偏离于正常范围的奇异数据，可采用的方式一般包括数据截断、数据替换和数据剔除等。数据截断是指划定学生或课程某些数据项的取值范围，对于低于下确界的数据使用下确界来代替，对于高于上确界的数据使用上确界来代替。数据替换是指对于奇异数据使用指定的值来代替，也可以使用对应数据项的统计值来代替，如中值、均值等。数据剔除是指不采用含有奇异数据的记录。数据缩放用以将学生或课程各数据项的取值均统一到相同的范围里[12]。不同数据项的取值可能存在不同的量级，如各学科成绩的取值范围是0～100，而综合评级可能是1～4，在聚类计算距离时或模型训练计算损失时，学科成绩100和90之差将显著大于综合评级4和1之差所带来的影响，为了消除不同数据项之间由于量级不同而隐含引入的数据项权重差异，不同数据项应先缩放至统一的范围内。对于满足正态分布的数据，可采用数据标准化的方式来实现，其计算公式为x′=（x-μ）/σ，其中μ为所有X的均值，σ为X的标准差；对于不滿足正态分布的数据，可采用数据归一化的方式来实现，其计算公式为x′=（x-xmin）/（xmax

-xmin），其中xmin表示X所有取值的最小值，xmax表示X所有取值的最大值。注意，数据归一化过程对异常值是敏感的，在采用这种方式对数据进行缩放时应提前处理异常数据。

3.课后服务推荐模型的构建与更新

特征工程的目的在于使用尽可能少量维度的数据最大程度地区分差异，其好处在于降低数据维度，提高数据区分度。在高维数据空间中，大数据中往往存在数据样本稀疏、距离计算量大的问题，数据降维则是通过使用某种数据变换将原始高维空间变换为一个低维的子空间，在低维子空间中样本密度大且能大幅提高计算速度。数据降维常用方式为PCA主成分分析，其可以以少量的信息损失为代价大幅度地降低数据的维数，保留数据集中描述差异最大的特征。特征选择用以剔除学生或课程数据中描述差异比较小的数据项，保留描述差异比较大的数据项，数据对结果的描述差异可以方差来衡量。特征提取用于将学生或课程现有的数据项经过一系列变换映射到新的状态空间里，新的状态空间可能不具有现实上的直观描述性，但具有对描述对象的较大区分度。经过数据预处理和特征工程两个阶段，可以将原始的大数据转换为学生特征、课程特征和场景特征，以供后续模型训练时使用[13]。由于受关注的是学生和课程设置之间的关联，学生特征部分有大量特征是以该学生的各课程成绩表现作为基础数据转换而来，同样，课程特征部分有大量特征是以该课程面向所有学生的成绩表现作为基础数据转换而来，即对每个学生的描述大量取自其在各课程中的成绩表现，对每个课程的描述大量取自其所有学生在该课程的成绩表现。场景特征更多地关注客观条件和学生课程之间的关联，如区域特色等。 课后服务模型使用协同过滤算法来构建，包含协同和过滤两个操作。协同是指利用大量学生的行为数据来挖掘其需求，过滤是指为学生的需求排序，找出学生最需要的。课后服务推荐模型的目的在于通过在大量相似学生的行为中寻找特定的模式，并根据该模式为相似的学生群体寻找适合其所需的课程服务，如图2所示。

图 2   课后服务推荐模型应用架构图

推荐模型的构建应严格贴合于其应用场景，在课后服务推荐模型的构建中，学生的相似性只取决于其在各课程的综合评价和学校的其他评价数据，即学生是使用其参与课程的成绩和其他评级来描述的，模型构建過程中计算的学生相似度反映的是学生在学习情况上的相似度。学生的相似性分为粗粒度相似性和细粒度相似性，粗粒度相似性的计算使用学生各课程的综合评价作为学生的描述数据，细粒度相似性的计算使用学生在课程各知识点、各知识阶段的细分评价作为学生的描述数据。在模型构建中不仅计算学生在学科层面的相似度，也要计算学生在学科内不同阶段的相似度，这样可使得推荐模型提供的课后服务参与方式不仅在学科层面存在差异化，在同一学科的不同阶段也不相同。相应的，课程信息使用其参与学生的成绩来描述。相对于学生信息，课程信息的维度过长，且受个别成绩差异的影响比较大。为了降低课程信息的维度，使其描述更具稳定性，可使用每学年学生成绩的均值、方差和概率密度分布组合作为课程信息的描述数据，这样学生课程成绩与课程信息之间便于定义损失函数。场景信息描述学生在不同时间段、不同区域级别的课程信息中所处的位置及相应的损失。课后服务推荐模型中将不同阶段可参与的不同学科课程作为候选课程库，依据每个学生信息、每个课程信息、学生与课程对应的场景信息为学生在不同阶段参与课后服务提供建议。课后服务推荐模型可划分为三层：召回层、排序层和补充策略层。召回层使用粗粒度模型从候选课程库中选取部分课程作为当前层的最优输出。排序层使用细粒度模型对召回层的输出进一步选优并排序输出。补充策略层依据区域特色、教育政策、学生特长爱好等其它因素对排序层的输出进行补充和再排序。课后服务推荐模型的实施过程如图3所示。

图 3   课后服务推荐模型实施过程图

课后服务推荐模型在使用过程中可吸纳反馈信息，并跟踪学生、课程、场景的变化，新信息被实时更新入系统中。此外，新出的教育政策、各地教育相关活动均可更新入补充策略中。课后服务模型的实时更新，使得在横向上能紧密跟踪外部环境的变化以即时响应，在纵向上能根据学生学习情况的变化改变后续的推荐结果。

三、大数据行为分析助力中小学课后服务提质增效

1.课后服务从经验驱动向数据驱动转变

在全国范围内全面实施课后服务的时间并不长，对于如何提高课后服务的质量，各地均处于探索阶段。多数学校开设课后服务时均参考社会上课后辅导班或作业班的方式，学校参与课后服务的目的也是在于延时离校和完成课后作业等，除此之外以体育锻炼和阅读类居多。对于课外兴趣类的服务，包括科学技术、文化艺术、工艺手工类等，不少学校要么没有开设，要么没有取得应有的效果。相对于传统学校教育内的领域，学校在提供课后服务时缺乏课外兴趣类课程的开设经验。

大数据具有处理速度快、数据可重复利用、价值回报高等特点，大数据行为分析可以促进课后服务实现服务升级，精准定位学生的需求。把大数据融入中小学课后服务的建设，以信息化手段助力课后服务的实施是提质增效的高效路径[14] 。数字技术融入课程教学，能够为学生提供更加丰富的教学环境、灵活的教学活动与即时的评价反馈，减轻教师教学负担，促进学生能力发展[15]。实施大数据行为分析有助于实现课后服务的灵活实施，解放部分教师，有针对性地促进学生能力的个性化和全面发展。另外，教师、学生和教学环境等要素在数字化转型背景下，它们之间的关系呈现出更加丰富多变的特点。如何把握其中的关系，为课后服务从经验驱动向数据驱动转变添砖加瓦也是当下值得认真思考的话题。

2.课后服务从被动响应向主动探索转变

在政策层面，教育部门仅对课后服务的开设时间提出明确的要求，而对如何提高课后服务的质量缺乏具体的行为指导。教育部门明确要求各校努力提高课后服务的质量，至于如何提高课后服务质量、需要开设什么样的课程，则由各学校视自身情况、地区情况等灵活把握。如何提高课后服务质量，依然是教育部门、各学校在持续摸索的疑难问题，至今并没有一个行之有效且可推广的解决方案。教育部遴选的课后服务典型案例具有比较好的借鉴意义，但不少案例具有地方特色，且受限于各地师资力量、社会资源和经济发展水平，各学校能借鉴到什么程度仍是未知数。鉴于课后服务全面实施时间短、实施经验欠缺，尤其是具有显著指导意义的成功案例比较少，多数学校在开设课后服务内容时趋向于保守，以开设课后作业辅导为主、体育锻炼为辅，其结果是各学校对课后服务的供应基本满足要求，而高质量、有特色则是不那么重要的考量因素。

政策从提出到具体落实环节要经历多重解读，最后到落实多少会偏离政策本身，这是课后服务自上而下施行不可规避的问题。大数据行为分析尝试从学生的需求出发，从接收者——学生群体本身寻找需求点，自下而上，从需求出发，精准定位。学校获取需求后，可以对应调整特色课程的发展，满足本校学生的个性化需求。通过大数据行为分析为学生提供个性化选择和服务，可以助力开启千人千面的中小学课后服务体验。以此来发展更高质量、更有特色的中小学课后服务。教育部也可以遴选更多课后服务优秀案例，供各区域、地方、学校来参考并尝试多角度发展自己的优势特色。当然，在开发、施行课后服务方案的过程中，不能盲目脱离实际探索，要做好评估、检测和应急补救。

3.课后服务从人力密集向科技集约转变

学生的个性化发展依赖于两个前提：个性化评价和个性化培育。教育部等五部门印发的《义务教育质量评价指南》中指出，各学校要完善学生发展质量评价方法，注重学生之间的差异，关注学生的个性化发展，为每一名学生提供相适应的教育。学生个性化评价的最终落实依赖于教师，但若要从品德发展、学业发展、身心发展、审美素养、劳动与社会实践等五个维度全面考查每个学生的发展质量，现有的师资力量力有未逮。除前述五个方面外，为更好地促进学生的个性化发展，学生个性化还要关注学生兴趣爱好、创造力等因素，这对当前的师资配备情况是个考验。个性化评价是为了更好地指导个性化育人的实施。学校师资的配备以学科教育为主，除此之外，艺术类、科技类教师尚有欠缺。为了更好地开阔学生视野、增长其见识、提升其创造能力，适合每个学生成长的艺术类、科技类课程也是必不可少的。目前受限于师资力量，能在课后服务中大量开设艺术类、科技类课程的学校比较少，也很少有学校能在课程设置时做到适应学生的需求、满足学生的爱好。

教师参与学生课后托管面广，工作时间延长，教学时间和精力被分散，加大了学校管理的难度。所以有针对性地利用师资、优化师资就成为了一个亟待解决的难题。在数字化时代，教师的角色面临着多重挑战，从传统的“被动生存者”到“自我完善者”，从“技术应用者”到“人机协同者”，从“资源使用者”向“资源整合者”轉变[16]。这个转变是教师自身的发展所需，也是时代的要求。当下，课后服务对教师群体数量和素养上的要求都要高于传统教学时期，当下，教师实施课后服务的数量有限，教学胜任力不足。学校对学生的培养方式也从知识“满堂灌”的阶段到更注重学生能力的培养上，从以教师为中心转向了以学生为中心的教学模式，大数据行为分析呼之欲出。通过行为分析来统计学生的偏好和兴趣、特长和优势，缺点和不足，对学生做出更立体全面的评价，更有利于对症下药，找准需求，把师资放在最合适的地方，全面提质增效。

4.课后服务从千篇一律向精准发力转变

目前，不同学生接受课后服务的差异仅体现在延时离校时间上，在服务内容上并没有明显的差异。各学校在课后服务中开设的内容均以普适性内容为主，并没有考虑学生的个性化发展需求。不同学生的智力发育水平不同，在知识的接受能力上存在明显的差异，在兴趣爱好层面更是千人千面。为了促进学生的健康全面发展，课后服务应能为不同学生提供适合其所需、满足其所好的课程。近年来，我国教育正逐步从对每个人普及模板化的基础教育发展为进一步满足每个人不同的教育需求，个性化发展成为教育改革的主题词，促进学生的个性化发展成为我国教育改革的历史使命。中华民族的伟大复兴依赖于全民族创新精神和创新意识的激发和培育，依赖于全民族创造能力和创新能力的提高和释放。教育肩负了创新型人才培养的重任，个性化发展是创新型人才培养的前提和基础，因此，我国中小学教育应注重对孩子个性化的发掘，激发和培养孩子的创造力，为我国创新人才的培养奠定

基础。

但在实践过程中，由于学生个体的多样性和差异性，使得学生的需求也更加复杂多元。另一方面，个性化对教师也提出了更高的要求，教师在没有得到足够的培训情况下，很难有效施行个性化教学[17]。对于学生来说，大数据行为分析可以帮助其正确审视自身的学习需求，发现自身所长及欠缺之处，并依此开发自己的学习潜力，选择适合自己的个性化学习内容，规划适合自己的个性化学习路径。对于教师来说，大数据行为分析可以帮助其全面掌握每个学生的行为特点，全面跟踪每个学生的学习过程，全面分析每个学生的学习模式，全面评估每个学生的学习需求，并依此提供适合每个学生个性化发展的教育内容和学习指导，促进每个学生的个性化发展。此外，大数据行为分析还能帮助教师针对每个学生选取最有效的施教方式，进而优化教学过程。对于教育管理者来说，大数据行为分析可帮助其全面掌握教育需求，并依此制定科学的教育决策。大数据行为分析可帮助教育管理者充分了解与评估教育发展过程中的需求变化，指导其根据合理设计教育环境，紧密跟进教育时空和教育场景的变化和变革，为学生提供真正能促进其健康科学发展的课程设置、师资配置和教学环境。

为更好地实现中小学课后服务提质增效，本文以大数据行为分析为基础，提出了以协同过滤算法推荐系统来定位学生需求的策略。虽然大数据行为分析发展已经成熟，但把其真正应用在中小学课后服务还处于探索阶段，在后期的数据采集和推广应用方面仍面临着巨大的挑战。选课制，即把主动权交给学生，采用给教师挂牌，学生根据自己的需求自主选择课程的方式，已经在部分地区及高校开设试点。当学生的需求能以大数据行为分析的方式被精准定位后，也可以尝试在课后服务时把主动权交到学生手上，以需求为导向，全面优化中小学课后服务。

参考文献

[1] 康丽颖.促进儿童成长：课后服务多元主体协同育人探讨[J].中国教育学刊，2020（03）：22-26.

[2] 高巍，周嘉腾，李梓怡.“双减”背景下的中小学课后服务：问题检视与实践超越[J].中国电化教育，2021（05）：35-41+58.

[3] 杨富裕. 成都市小学校内课后延时服务的问题及对策研究[D].重庆：四川外国语大学，2021.

[4] 陆俊堂. 广东省乡镇小学课后体育服务实践运用研究[D].南昌：江西师范大学，2021.

[5] 李彦龙，常凤.“双减”政策下我国中小学课后延时体育服务时效与保障[J].体育学研究，2022，36（02）：33-40.

[6] 杨曼丽，张吾龙，胡德刚，等.“双减”政策下我国中小学课后延时体育服务的演进历程、机遇挑战及实现路径[J].体育学研究，2022，36（02）：21-32.

[7] 高巍，周嘉腾，李梓怡.“双减”背景下的中小学课后服务：问题检视与实践超越[J].中国电化教育，2022（05）：35-41+58.

[8] 都晓.“双减”视域下课后服务的难点与进路[J].暨南学报（哲学社会科学版），2022，44（03）：121-132.

[9] 史自词，李永涛.澳大利亚中小学课后服务的发展之路和基本经验[J].比较教育学报，2022（01）：67-80.

[10] 贾利帅，刘童.北欧四国中小学课后服务的实践、特征及启示[J].基础教育，2021，18（04）：103-112.

[11] Jiawei Han，Micheline Kamber，Jian Pei. 数据挖掘：概念与技术[M].范明，孟小峰，译.北京：机械工业出版社，2012：89-112.

[12] 古德费洛，本吉奥，库维尔. 深度学习[M].赵申剑，黎彧君，符天凡，等译.北京：人民邮电出版社，2017：76-89.

[13]王喆. 深度学习推荐系统[M]. 北京：电子工业出版社，2020：12-20.

[14] 程建钢，崔依冉，李梅，等.高等教育教学数字化转型的核心要素分析——基于学校、专业与课程的视角[J].中国电化教育，2022（07）：31-36.

[15] UNESCO.AI and education： guidance for policy-makers [DB/OL].https：// unesdoc.unesco.org/ark：/48223/pf0000376709，2021-04-17.

[16] 郭胜男，吴永和.社会角色理论视域下的人工智能时代教师：困厄、归因及澄明[J].电化教育研究，2022，43（06）：18-24+60.

[17] 郝祥军，顾小清.技术促进课程创新：如何走向教育公平[J].中国电化教育，2022（06）：71-79.

[作者：吴娜（1988-），女，河南商丘人，南京邮电大学教育科学与技术学院，硕士生；葛敏（1980-），男，江苏连云港人，南京邮电大学教育科学与技术学院，研究员，博士。]

【责任编辑    陈国庆】