政府如何提升教育数据治理能力
——基于16省数据的模糊集定性比较分析

田晓伟 彭小桂 冉 霞

(西南大学:a.西南民族教育与心理研究中心;b.教育学部,重庆 400715)

一、引 言

人类、计算机和周围其他技术设备每时每刻都在生成数以亿计的数据节点[1],这些数据节点涓滴成河,汇聚成为今天广为熟知和广泛应用的大数据。无论个体的生活世界,还是群体的公共领域,大数据都已经深度参与并深刻重塑了我们的周围存在。基于大数据技术的智慧城市、智慧政府、智慧教育等公共服务创新使人们的日常生活呈现数字化、公式化以及模型化特征,创造出前所未有的价值提升与效益增进。其中,“教育大数据”作为对教育治理进行前瞻性布局规划的重要基质以及分析决策的重要参考,是现代教育体系建设过程中的重要生产要素和核心驱动力。各类教育数据资源的集成汇聚是驱动未来教育发展的引擎,能够支持探索“互联网”条件下教育发展新形态,构建基于数据的教育治理新模式,进而以教育治理模式创新破除教育改革发展梗阻问题,推动教育治理现代化进程,实现教育强国建设的根本目标。因此,如何挖掘和分析教育大数据资源,驾驭并利用潜藏于教育数据中的治理效能,同时规避潜在的负面影响和政策风险,成为教育理论研究和治理实践面对的重要问题。同时,作为教育数据治理的主体,政府应主动求变、把握政策映照下的大数据技术红利,明晰教育数据治理能力的提升逻辑及路向,进一步优化教育现代化治理行动路径。

二、文献回顾和研究框架

(一)文献回顾

从语义上看,教育数据治理包括数据驱动的教育治理及面向教育的数据治理,是教育治理与数据治理在内容和理念上不断融合的产物。[2]本研究借鉴有关学者[3]的定义,将教育数据治理界定为教育行政主管部门或教育机构围绕教育数据,通过数据治理的手段,作出满足公众教育需求的科学决策以提升教育质量。

1.教育数据治理理论模型研究

教育数据治理研究首先在高等教育领域兴起。[4]大数据与高等教育治理的耦合,呈现出一条大数据思维和技术嵌入高等教育治理体系的技术路径[5],也为教育数据治理这一模式创新提供了一定的理论基础和实践指导。关于高等教育领域教育数据治理的研究首先引介出的是教育数据治理理论模型,为相关利益主体理解教育数据治理技术体系、实施教育数据治理实践行为提供了理论方向的指导。一方面,国外高校的数据治理经验能为我国教育数据治理理论模型的搭建提供一定的方向指导和经验借鉴。例如,彭雪涛[6]、刘晓东[7]等人对美国高校数据治理进行了研究,从美国高校成功经验中的教育数据治理模型,总结了教育数据治理理论模型。另一方面,基于我国国情,从不同理论视角出发的教育数据治理理论模型研究推进了我国教育数据治理实践。如刘金松[8]从治理转型视角出发,提出“数据—信息—知识转换”模型的教育数据治理内在机理;董晓辉等[9]则依据权变理论和活动理论,架构了教育数据治理理论体系。

高校教育数据治理理论模型的搭建为其他具体研究应用领域提供了理论基础和指导,更深入更广泛的教育数据治理理论模型也在研究中逐步细化和成熟,包括智慧校园视域下的教育数据治理体系研究[10]、高校教学质量监控和评价体系研究[11]、教育资源评价研究、学生精准资助体系研究等。随着教育改革任务的推进,教育数据治理逐步扩展到成人教育、职业教育等领域,一些学者开始注意到数据驱动下的教育管理改革系统设计[12]、教育督导改革[13]、教育政务数据开放[14]等相关理论问题。

2.教育数据治理技术体系研究

技术是教育数据治理过程中的关键手段,也是实现更加高效科学的教育治理决策的重要媒介。早期,国内一些学者大多借鉴国外关于数据治理的思想对国内教育数据治理问题展开讨论,主要聚焦于技术层面的阐述。目前教育数据治理中关于技术手段方面的内容初步达成共识:技术治理范式下的教育数据治理实质是把智能技术嵌入教育数据治理之中,使其成为教育数据治理的“准主体”,进而发挥其内在的善治逻辑;[15]关键在于构建和谐的技术应用生态,使技术的应用和数据价值发挥到最佳状态[16]。因而有必要对教育数据治理中的关键技术体系进行系统梳理,搭建一个综合技术治理体系。樊建永[17]于宏观上提出基于大数据技术建立包括数据仓库(共享数据库)系统、数据共享交换平台、数据治理平台、大数据管理平台的数据治理技术框架。顾小清等[18]则从更具体的教学创新领域出发,阐释了以数据驱动教育治理与教学创新的技术框架。其他学者也从不同维度和视角对教育数据治理的技术手段开展了具体研究与讨论,协助搭建了教育数据治理技术体系,包括教育数据的采集机制和关键技术研究[19],教育数据标准体系与建设研究[20],教育数据的测评模型和范式构建研究[21],教育数据资产体系的构建[22],服务模式、服务平台、服务生态等在内的教育数据资源服务策略机制和实现路径研究[23]。

随着教育数据治理技术的逐渐应用与实践,技术本身的“双刃性”加之技术主义倾向下的理论研究缺乏价值理性的关照,教育数据治理开始面临监管风险、侵权风险、质量风险、服务风险等现实困境。为有效规避风险,应正视技术[24],从伦理视角批判反思教育数据治理[2][25],强调算法理性,并处理好教育数据治理过程中隐私保护与开放共享之间的矛盾关系[26]。

3.教育数据治理实践策略研究

大数据带来教育治理信息的“膨胀”与“爆炸”,予以教育治理体制从传统向现代变革的新机遇并为实现教育善治提供了契机。然而,数据治理风险的暴露又使教育数据治理陷入新的实然困境,信息孤岛阻碍、人才短缺牵制、制度设计缺失等问题使得教育治理体制面临技术变迁与体制改革匹配的新挑战。因此,理清思路、把握机遇、明晰问题、改进实践,成为提升教育数据治理效能的重要命题。申国昌等认为应从大数据思维、大数据治理平台、社会参与机制及教育信息法规建设方面整体搭建起教育数据治理机制。[27]任苗苗等分别从制度先行、管理规范、队伍建设和素质护航四个方面回应教育数据治理困境。[28]李青等人聚焦于教育数据质量提升的方法和途径方面,认为应从管理、标准、技术三大数据治理体系着手。[29]

在上述基本的教育数据标准规范制定、教育数据安全保障之外,提升政府管理服务水平、完善教育监管机制也是提升教育数据治理能力的有效路径。在数字化时代,政府教育数据治理能力的缺陷在某种程度上延缓了教育治理现代化进程。为补偏救弊,政府首先要做到思想上的革旧图新,深化对于大数据背景下权变型教育治理思维、有限型教育治理能力、学习型教育治理模式、创新型教育治理方法的理解与应用,[30]进而,在教育数据治理过程中优化行为模式,改进治理实践。叶雯等阐述了政府通过搭建依托大数据的“四维一体”模式,同步实现网络治理环境、政府顶层设计、市场资金创投、多元智慧共治的共享式治理;[31]徐玉特[32]认为政府应当提升教育协同治理能力,推进教育治理模式向开放政府转型,提高数据整合能力,在多元主体协同参与中达成公共利益最大化的教育数据善治图景。

4.文献评析

总体而言,在第四次教育革命浪潮下,学界愈来愈重视教育数据治理相关研究,并产生了一系列具有建设性意见的学术成果,但仍存在需要改进的地方。一是已有研究对于技术手段方面的内容初步达成共识,但关于教育数据治理概念及内容的深层次阐释不够;二是缺乏整体性视角下对政府主体性地位的强调,以致其在教育数据治理中的重要性未得到充分显现;三是与教育实践的联系不够紧密,缺乏多个教育数据治理实践案例的比较分析。因此,后续研究亟需深度剖析教育数据治理实践案例,突出政府主体地位,把握教育数据治理内在逻辑。

(二)研究分析框架

TOE(Technology-Organization-Environment)框架由托纳茨基(Tornatzky,L.G.)和弗莱舍(Fleischer,M.)于1990年开发,将影响组织采用和实施技术创新过程的三个要素确定为技术、组织和环境。[33]该框架最初被用来分析企业采纳创新技术的影响因素[34],本质上是一种基于技术应用情境的综合性分析框架。其为技术赋能下的组织机构创新提供了适切的分析框架,经过逐步的发展与演进,在智慧城市、网上政务服务、政府数据开放平台管理、产业生态创新等方面都有一定研究成果。TOE框架在分析大数据驱动下的政府教育数据治理能力提升领域具有极大应用潜力。因此,基于上文关于教育数据治理的理论模型、技术体系以及实践策略相关文献的回顾,本文尝试借鉴TOE框架,构建适合本研究的分析框架。(见图1)

图1 TOE分析框架

其中技术层面包括数据平台建设、数据技术分析能力和数据利用创新成果三个解释变量。教育数据是数据开放并获得利用的核心要素,目前全国多个省级政府单位上线了数据开放平台,其中教育科技主题的数据集进步迅速、蔚然成林。一个完善的教育数据开放平台是施展政府教育技术分析能力、进行技术创新的基础载体,政府基于此平台进行的各种数据创新利用比赛以及产出的优秀创新成果也是政府教育数据治理能力提升的有力佐证。

组织层面包括财政资源投入、规章制度设计和价值观念塑造三个解释变量。财政资源是政府建设教育数据开放平台、施展教育数据治理能力的重要基础。一般而言,教育财政资源越丰富的政府,教育治理行动积极性和教育数据创新利用水平也更高。此外,政府应当做好顶层设计,在树立大数据应用思维意识、塑造理性教育数据治理价值观念的前提下,依托相关规章制度为教育数据开放和教育治理行动提供法治基础和组织保障。

环境层面包括政民互动程度和公众需求回应度两个解释变量。外在环境会影响教育数据的利用水平及治理能力。当公众对某一数据开放领域的利用需求较为迫切时,更能体现数据的潜在价值。教育数据来源于学校、家长和社会,又同时服务于学校教育事务管理、家长优质教育需求以及社会教育资源分配。因此,畅通政民互动沟通渠道,及时收集教育需求及建议,做好公众教育需求回应,营造良好的教育治理生态环境,是政府教育数据治理能力提升的重要体现之一。

三、研究设计

(一)研究方法

定性比较分析方法(Qualitative Comparative Analysis,QCA)是查尔斯·拉金(Charles C.Ragin)于1987年提出的以案例研究为导向的理论集合研究方法,具有能够整合案例导向方法和变量导向方法的优点。[35]其实质是一种组态比较分析方法(Configurational Comparative Methods,CCMs),兼顾了组态比较和集合论,将社会现象看作属性的复杂组合,并依照集合关系将它们概念化,揭示多个前因因素间的复杂关系对结果的影响。主张通过实证资料与相关理论的不断对话,从中小样本数据中建构出研究议题的复杂因果性关系,目前在社会科学研究中发挥了越来越重要的作用。主要有清晰集定性比较分析法(csQCA)、模糊集定性比较分析法(fsQCA)、多值集定性比较分析法(mvQCA)三种具体操作形式,其中fsQCA在处理变量的程度问题和隶属问题方面都优于csQCA和mvQCA。fsQCA可以规避个案研究结果不具有普遍性和概括性的缺点,将多个案例视为一个整体对象,更易基于整体性视角从教育情境中分析条件呈现的组态效应,促进教育领域的因果机制研究。本研究使用fsQCA对案例数据进行组态分析,检验政府如何利用技术环境、组织要素合力提升区域教育数据治理能力,并探究其间的相互关系和联动效应。将需要研究的省级政府教育数据治理实践视为个体案例,通过跨案例比较不同的前因要素组合对政府教育数据治理能力的影响。

教育数据治理工作的落实归根结底依赖于数据平台的建设,考虑到各地区教育数据平台的完备性、利用率及相关数据的可得性,将从已上线的教育数据平台的省市中选取包括浙江省、北京市、上海市、贵州省等16个省市的教育数据治理情况作为研究对象。其余部分已上线的地方平台由于出现不明原因的数据供给中断,或实际教育数据并未开放等问题,不纳入本研究范围。鉴于各区域各政府的教育治理现代化水平以及教育数据治理能力水平存在差异,各省市的教育质量也不在统一平均的范围内,因此fsQCA分析技术利用布尔代数最小化逻辑来实现对多个案例的充分分析与比较,有效规避独立与净效应弊端,从而探索教育数据治理过程中多种因素之间相互依赖的组态或联动效应。

(二)变量设计

1.结果变量

本研究选取地方省级政府的教育数据治理能力作为结果变量,数据来源于清华大学数据治理研究中心发布的《2020中国数字政府发展指数报告》。该报告有多家业内高科技数字龙头企业的参与,并获得多项国家基金资助,数据具有完备的科学性、权威性和准确性。该报告从组织机构、制度体系、治理能力和治理效果四个维度构建数字政府发展指数的一级指标,为数字政府实践提供了强有力的智力支持。基于数据的可获取性和权威性,本研究选取报告中16省市数字政府治理能力作为原始数据,并依据报告中优质型、发展型、追赶型发展梯度,为原始数据设定锚点。

2.条件变量

第一,技术因素层面。数据平台建设指政府为教育数据获取、教育数据创新利用成果提交以及政民互动提供的系统平台。该变量取自复旦大学数字与移动治理实验室和国家信息中心数字中国研究院联合发布的《中国地方政府数据开放报告(2020年下半年)》中的平台层指数。数据技术分析能力指政府收集到的教育数据本身的数量和质量,包括教育技术的开放性和元数据提供等技术指标。该变量取自《中国地方政府数据开放报告(2020年下半年)》中的数据层指数。数据创新利用成果指政府基于教育数据资源,实现数据创新利用良好生态过程中产出的一系列成果。该变量取自《中国地方政府数据开放报告(2020年下半年)》中的利用层指数。

第二,组织因素层面。财政资源投入指政府为建设教育数据平台、进行教育数据利用开发相关项目、提供教育数据政务服务的资金投入。该变量数据取自2020年中国政府采购网的招投标信息中显示的各省市数据平台建设和相关服务投入资金。规章制度设计指政府制定的为提升教育数据治理能力的相关政策法规,涉及政策的效力、内容以及组织实施情况。该变量数据取自《2020数字政府发展指数报告》中的制度设计指数。价值观念塑造指政府领导层正确认识大数据的价值并强化大数据思维意识,积极推进教育数据治理工作,实现教育数据和社会数据的融合联动。该变量数据取自中国电子信息行业联合会与清华大学公共管理学院联合发布的《中国政务数据治理发展报告(2021年)》中的“一把手关注度”指数。

第三,环境因素层面。政民互动程度指政府借助数字技术为政府和教育参与者互动开辟多元有效渠道,该变量数据取自《2020数字政府发展指数报告》中的政民互动指数。公众需求回应度指政府对于学校、家长或其他教育机构等教育参与者的教育需求回应情况,既包括教育数据开放的需求,也包括基于教育数据改善教育环境的需求。该变量数据取自《2020数字政府发展指数报告》中的回应度指数。

(三)测量及校准

在fsQCA中,校准(Calibrating)指的是给案例赋予集合隶属的过程。[36]具体而言,研究者需要根据已有理论知识和案例情境将变量校准为集合。校准后的集合隶属度将介于 0～1 之间。为了将条件变量的取值校准到 0～1的区间范围内,研究者需要结合案例中条件变量的实际取值分布,并根据案例的实际情况来选取能够体现条件变量中间程度的取值来选取校准的锚点(完全隶属、交叉点、完全不隶属)。对于“完全隶属”和“完全不隶属”两个锚点的选择,我们参照一些既有研究的做法,分别选取样本数据的95%和5%分位数。在具体操作过程中,将较大奇异点排除后的各项变量数据的最大值(包括奇异点)设定为“完全隶属”,每项变量数据的最小值设定为“完全不隶属”,交叉点则按照具体变量取最大值(排除奇异点)和最小值之间的平均值,并适当根据变量的实际情况来调整。(见表1)以上变量的校准通过 fsQCA 3.0 软件来完成。

表1 变量选择与校准

四、实证分析

(一)单个条件必要性分析

为使复杂案例的系统化比较分析能够进行,必须将这些案例转化为组态。而在进行条件组态分析之前,有必要评估单个条件的必要性,即检验结果集合是否为某个条件集合的子集。必要性通常用一致性(Consistency)作为衡量标准,以测量共享给定前因条件组合的案例在展示特定结果方面的一致程度。[37]

研究使用fsQCA 3.0软件进行了单个条件必要性分析的操作,输出结果如下。

根据表2对政府教育数据治理能力的必要条件分析结果,各个条件的一致性均低于临界值0.9,因此可以认为此8个前因条件不存在高水平教育数据治理能力的必要条件。这说明政府教育数据治理能力的高低受多方面因素的共同影响。因此,要提高政府教育数据治理能力,增强治理成效,还需要进一步分析上述条件的组态效应,探讨各因素之间的联动作用,即政府教育数据治理能力的提升逻辑。

表2 单个条件必要性分析

(二)条件组态分析

教育案例本质复杂、具有多面性,单个案例可以使得人们对其有深入的理解和掌握,但局限性在于普适性差。fsQCA引入组态比较法,使案例的复杂系统化比较分析得以开展。在组态分析中,教育因果论证和教育案例层面的分析之间存在直接的对应关系。与上述必要条件分析不同的是,组态分析试图揭示的是多个条件构成的不同组态引致结果产生的充分性分析。从集合论角度而言,即探索多个条件构成的组态代表的集合是否为结果集合的子集。

由于现有研究8个条件分别与政府教育治理成效之间的关系尚未有明确一致的结论,因此难以做出明确的事实分析。fsQCA 3.0软件输出三种不同程度的解:复杂解、简约解和中间解,本文主要汇报中间解并辅之以简约解。表3中所呈现的7种可能条件组态中,总体一致性为0.875,说明在所有满足这7类条件组态的省级案例中,有87.5%的案例呈现出较高治理水平。解的覆盖度为0.73,这意味着此7类条件组态可以解释73%的案例。解的一致性和覆盖度均高于临界值,表明实证分析有效。

表3 条件组态分析

具体分析七个组态,其中组态1规章制度设计(O2)发挥了核心作用,政民互动程度(E1)则发挥了辅助性作用。组态2价值观念塑造(O3)发挥了核心作用,政民互动程度(E1)则发挥辅助性作用。组态3数据平台建设(TI)发挥了核心作用,公众需求回应度(E2)则作为辅助条件存在。组态4存在数据平台建设(T1)和规章制度设计(O2)两个核心条件,数据创新利用成果(T3)和政民互动程度(E1)与公众需求回应度(E2)则发挥着辅助性的作用。组态5数据平台建设(T1)和规章制度设计(O2)作为核心条件存在,并由数据技术分析能力(T2)、数据创新利用成果(T3)、财政资源投入(O1)、公众需求回应度(E2)作为辅助。组态6以数据平台建设(T1)和规章制度设计(O2)作为两个核心条件,数据技术分析能力(T2)、财政资源投入(O1)、政民互动程度(E1)、公众需求回应度(E2)为辅助。组态7以价值理念塑造(O3)为核心条件,数据技术分析能力(T2)、数据创新利用成果(T3)、财政资源投入(O1)、公众需求回应度(E2)辅助。

(三)稳健性检验

QCA作为以集合论为基础的研究方法,可以通过调整校准阈值、改变案例频数、变动一致性门槛值、增加其他条件、补充或剔除案例等集合论特定的检验方法,对其进行稳健性检验。[38]本研究采用调整一致性阈值的方法进行检验,将案例的一致性阈值由0.8调到0.85,调整后产生的组态与现有组态基本一致,且总体一致性和覆盖度均无显著变化。因此,可以认为本文的研究结果较为稳健。

(四)结果讨论

基于组态分析结果,综合核心条件的指向以及所覆盖案例的特点,研究将上述组态归结为三条组合路径。(见表4)

一是组态2+组态7,以价值观念塑造作为核心条件,覆盖案例为湖北省、北京市。塑造数据思维、重构价值认知是开展教育数据治理的逻辑起点。作为典型案例之一的北京市,对推进教育政务信息系统整合共享和教育“互联网+政务服务”予以了重点关注,在先进教育数据治理理念指导下制定了符合本地区教育数据治理的相关政策文件和具体规章制度,有效推进了区域教育治理体系和治理能力的现代化。其中东城区和海淀区先后成为国家2019年、2020年智慧教育重点工程示范区,在智慧教育工程建设过程中注重教育数据的全场景应用,以数据大脑服务于区域智慧教育实施的顶层设计和教育电子政务系统的集成,引领了“海淀区智慧教育云中枢”和“东城区区域泛在化智慧学习环境”目标的实现。

二是组态1+组态5+组态6,将规章制度设计作为提升教育数据治理能力的核心条件,覆盖案例为河南省、浙江省、山东省、上海市、广东省。制度设计为教育大数据的应用提供规范、约束和保障,只有将数据技术的制度逻辑同教育治理体系相结合,才能最大限度发挥教育数据治理效能。作为代表案例之一的浙江省,在数字政务相关制度体系设计上表现优秀。在数字政府发展、公共数据标准与安全、“互联网+”监管、“互联网+”政务等方面均有明确的顶层设计和政策支持。2021年,浙江省相继发布了《浙江省教育领域数字化改革工作方案》《2021年浙江省教育领域数字化改革工作要点》《浙江省教育信息化“十四五”发展计划》,坚持“以教育信息化支撑和引领教育现代化”的发展理念,规划“教育魔方”工程[39],完善了教育数据治理相关制度。

三是组态3+组态4,将数据平台建设作为核心,覆盖案例为四川省和贵州省。数据开放平台全方位实现数据的采集、存储、共享和利用,是推动数据要素整合、利用效率最大化的保障,更是开展教育数据治理的基础。贵州省作为中国首个大数据综合试验区,省级政府数据共享交换平台已累计汇聚88个省级部门、9个市州数据目录1.67万个,挂接数据资源1.38万个,信息项23.89万个,交换数据10.24亿余批次2.46万亿余条。2020年,《贵州省政府数据共享共享开放条例》从政府数据管理、政府数据共享、政府数据开放、监督管理等方面明确了贵州省政府数据共享开放事项。[40]完备的数据平台建设和严谨的数据共享开放条例极大程度上提升了贵州省政府教育数据治理能力和水平。

五、政府教育数据治理能力提升的路向建议

无论是各省市教育数据决策支持体系,还是国家教育部教育数据的互通共享,都离不开有效的教育数据治理。fsQCA 3.0输出结果为政府教育数据治理能力的提升提供发展路向建议,政府应将价值理念塑造(O3)、规章制度设计(O2)、数据平台建设(T1)作为核心要素,从理念、制度、技术层面进行全方位变革与转向,进而优化教育数据治理手段,提升教育数据治理能力。

(一)理念追求:突破思维约束,技术回归教育求善原点

政府在教育数据治理过程中要坚持教育回归原点的思考,以尊重和促进人的发展为旨归,突破狭隘利益思维约束,破解“数据拜物教”的迷思。遵循以道驭器、道器相济的理性思维,利用技术手段实现教育善治,以教育法则约束技术升级创新,避免在教育数据治理过程中陷入工具理性至上的无教育、反教育状态。

第一,打破数据表象思维束缚。教育数据包括个体、班级、学校、区域、国家等教育数据,产生收集于各种教育实践活动中。特定的数字化模型令海量教育数据以格式化形式记录并呈现,成为教育活动的数字化存在表征。至此,数据开始构建教育事物的“数据表象”,使真实发生的教育实践从“感性存在”转变为“数据存在”。[41]政府及相关教育部门必须规避表象思维,深层次把握海量教育数据,从教育数据信息构建起来的数字表象中挖掘教育发展的规律性与内在必然性,将教育数据的静态势能充分转化为教育发展改革的强大动能。 第二,推动数据伦理介入。现代社会可能的“数据化”危机和“风险规制”活动使得“数据伦理”问题展露得愈发明显,因此在基于数据面向未来进行教育决策时,必须充分考量数据伦理。对于政府教育数据治理来说,技术主义一旦占据上风,教育数据隐私侵犯、教育数据垄断等诸多问题便会不断出现,教育数据治理必将失范。政府必须在充分考量和谨密审度的基础上,号召教育数据治理相关参与者及决策者对数据治理行为进行伦理审视和价值判断,破解技术应用渗透于教育领域的数据伦理困境。 第三,审视数据外包服务。政府部门工作人员大多缺乏算法知识储备及相应的数据技术分析能力,技术公司以其专业复杂的算法技术优势成为教育数据服务外包的首选。然而技术公司作为盈利外包机构,其资本推动的教育数据资源运用过程会最大程度减少教育数据资源的公益性。公司技术人员由于缺乏对教育活动的价值感知和属性理解,其主观判断和个体偏好也容易导致出现数据和算法偏见,使政府被迫陷入算法独裁和算法黑箱。因此,政府要有一定的算法纠偏意识,审慎对待技术公司的服务。引导相关工作人员充分发挥“数字公民”主体性,提升数据素养,使其能够在物理的教育场域和虚拟的数据世界的交叠空间中把握教育数据的人文价值。

(二)制度规约:强化规则构建,系统布局教育数据服务体系

当前我国对教育数据的需求程度逐级递增,为回应公众需求,政府应主动构建规则,完善教育数据治理框架,强化战略引导和制度保障。以数据驱动为重点,以教育需求为导向,加强统筹谋划,科学指导政府教育数据治理行动的实施。

第一,做好系统设计,完善教育数据协同治理体系。为有效统筹教育数据,构建治理系统战略规则,政府应加强对教育领域数据治理系统问题的研究。研究那些涉及多部门、多领域、多层次的数据协同、信息共享等难题,以及治理系统集成相关的风险管理、治理理论、决策方法、体系设计等问题,以此不断完善教育领域数据治理的顶层设计。同时在教育数据治理过程中,明确教育数据治理任务、治理平台系统与治理信息需求之间的关联,建立共性需求和个性化需求之间的结构关系。带动学校、社会、家长共同形成一个教育数据集合体,在相互耦合交融的多元空间协同参与教育数据治理,促进教育数据治理创新取得突破。 第二,重视制度生成,强化立法、监管和执法工作。大数据上升为国家战略使得教育数据成为教育变革的新引擎,但相关制度文件对于其应用与处理却泛泛表述,因此亟待政府强化关于大数据在教育领域的立法、监管和执法工作,重视制度的生成。一是落实教育数据的公开制度,解决政府部门、商业机构等治理主体向社会或用户开放或披露教育数据的范围、权限等问题。二是完善教育数据的利用与共享制度,统一数据收集、使用与共享标准,建立不同类型教育数据的共享机制,强化各共享部门或单位的数据素养能力。三是完善教育数据的安全管理制度,加强重要教育数据和个人信息保护,避免侵犯用户安全隐私,严防敏感数据和重要数据泄露。 第三,规制技术公司,探索服务外包有效模式。为驾驭教育数据,利用数据革命推进教育转型,政府一定程度依赖技术公司所提供的服务。技术公司作为地方政府教育数据治理的重要创新主体与合作伙伴,其行为将直接影响到政府教育数据治理的成效。然而部分技术公司为攫取更多利润,恶意误导教育决策,影响了教育数据治理效率。为此,政府要考虑引导技术公司数据服务权责制度步入法制轨道,使得在技术“赋权”政府的同时同样“缚权”技术公司,保障数据驱动与技术规制并驱齐行。在良性合作的过程中,逐步探索服务外包有效模式,以制度性约定延展教育数据价值链。

(三)平台拓展:打破壁垒,构建多元开放教育数据生态

大数据计算模型造成的技术壁垒和各教育主体之间的数据藩篱在一定程度上影响了教育数据的应用价值。为构建良好教育生态,政府需要突破数据邻避冲突,消除数据孤岛障碍,拓展完善教育治理数据共享平台。从底层打通各个业务系统的数据孤岛,实现数据的互通和流动,实现各治理主体之间、教育治理系统与社会大系统之间的数据交互联系与互动共享。

第一,打破技术壁垒,提高教育数据萃取质量及治理价值。大数据的计算模型造成了技术壁垒,政府工作人员以及相关教育研究者由于缺乏算法的储备,难以将大数据转变为有益于教育事业发展的决策。打破技术壁垒的关键在于政府要督导技术公司加强在数据整理分析阶段的反思与纠偏,避免陷入技术主义。政府和技术公司可联合搭建教育数据平台,从技术体系、数据体系、服务体系、运营体系四个方面完成教育数据的融合与加工,进而以数据的可视化推进数据的服务化。政府组织内部也可建立教育数据治理智囊团,与技术公司加强交流,共同构建完善教育数据测评模型,以此为技术公司的算法模型以及政府的教育数据评估提供基础。通过明确教育测评模型构建的价值取向,确定教育测评对象的操作性定义,构建教育测评指标体系。进一步堆动政府进行针对性的教育数据挖掘,进而带动技术公司明晰数据背后教育发生的真谛,以测评指标体系支持教育数据治理过程诊断,助力教育治理科学决策。 第二,跨越数据藩篱,强化教育数据有序公开与互动共享。在大数据时代,条块分离、业务分割、部门割裂造成的碎片化、孤岛型、烟囱式数据源已成为发展“瓶颈”。基于此,政府首先应牵头组织建立教育领域大数据共享机制和数据治理的标准规范,在符合国家规范、服务战略发展、满足教育需求的基础上牵头组织建立教育领域大数据共享机制和数据治理的标准规范。力争消除数据空间隔阂,激发数据能量,推进数据聚合效应最大化。第三,做好系统统整与平台拓展工作,突破政府、社会、学校之间的数据屏障,强化交互联系与互动共享。通过对不同部门、不同领域、不同类型的教育数据进行萃集整合,实现从单一机构层面的数据应用向跨层级、跨部门、跨领域、跨时段协同应用的转化[42],切实达到多元主体协同参与教育数据治理的目标。另外,要适时与学校等教育系统以外的行业、企业建立协作关系,适当引入市场化机制,防止教育数据资源被垄断与分割,搭建起全方位、一体化的数据共建共享平台。