大数据技术除了带来教育教学活动方式的变化，还引起教育管理、教育决策与教育研究的范式转变。大数据技术以“大数定律”为基础，通过相关性或关联性分析，寻找教育活动的内部主导因素和高关联性外部因素，为教育决策、教育管理和教育研究提供技术支持。教育研究、教育管理与教育决策既强调“合规律性”也要求“合目的性”，因而应用大数据技术进行教育研究与教育决策还存在局限性。本文指出，不能机械应用大数据技术解决教育所面临的问题，应该理性看待教育研究与教育决策的“实证科学”化，理性实现教育研究与教育决策的科学化。

关键词：大数据技术，教育研究，教育决策

   随着互联网技术、云计算技术、物联网技术、社交网络技术等的飞速发展，产生的数据量越来越大，大数据时代已经来临！[1]全新的大数据技术似乎引起了教育的“颠覆性”变化：改变了教与学的方式，丰富了课程资源与学习内容；变革了学生学业管理与学业评价方法；改变了教育生态环境，变革了教育管理模式与教育决策方式等。应用大数据技术开展教育管理与教育决策，本质上是按照“实证科学”的逻辑进行的。人们甚至认为，大数据时代的教育学将成为“实证科学”。大数据技术既给教育管理与教育决策提供了数据与“证据”支撑，也给教育研究提供了新的研究范式。但是，教育研究、教育管理与教育决策既强调“合规律性”也要求“合目的性”，因而，应用大数据技术进行教育研究与教育决策还存在局限性。为此，不能机械应用大数据技术解决教育所面临的问题，应该理性看待教育研究与教育决策的“实证科学”化，理性实现教育研究与教育决策的科学化。

一、大数据时代教育决策与教育研究的变化

    各国政府越来越关注大数据及其技术给教育带来的变革。美国作为世界上最早开展大数据研究和应用的国家，其大数据技术在教育领域的应用已取得一定成效。2012年10月美国教育部发布的《通过教育数据挖掘和学习分析促进教与学》(Enhancing Teaching and Learning Through Educational Data Mining and Learning Analytics)，描述了大数据技术在美国教育领域应用的现状，分析了成功的案例，指出大数据技术在教育领域应用所面临的挑战，提出了在教育领域应用大数据技术的实施建议。2015年8月中华人民共和国国务院发布了《促进大数据发展行动纲要》，明确强调了教育大数据的重要性，提出了大数据专业人才的培养要求，对大数据技术在教育领域的应用进行了顶层设计。

    在大数据技术的支撑下，各种关于事物的结构化、半结构化和非结构化数据都可以统一表现为数字形式，即以“0”和“1”按逻辑关系进行的编码，进行数据的储存、计算、处理、管理、传输和提取，并可以将编码数据“可逆地还原”为事物最初的直观表象，用于深度研究事物发展的规律。目前教育领域的“大数据”主要包括结构化数据(例如学业测试成绩及其分布和区域教育经费投入及其占GDP的比例等)、半结构化数据(例如学生或教师编号、姓名、性别、出生日期等)和非结构化数据(例如网络媒体上的视频、音频、图像、文字文本等)。大数据技术使得人们快速获得、储存、管理、处理、传输和提取“海量”的教育数据以及与教育相关的其他数据成为可能，它能够帮助人们对教育事件、教育现象和教育成效进行分析，找到教育活动中各种内部因素之间的关联性，发现教育与社会其他外部因素之间的关联性，进而确定制定教育决策与推动教育改革的突破口与抓手。

   毋庸置疑，大数据技术除了带来教育教学活动方式的变化，还引起教育管理、教育决策与教育研究的范式转变。国际数据公司(IDC)在其报告中指出，“大数据技术建立了一种全新的技术和架构，它能够通过高速获取、发现和分析的方式，从大量各种类型的数据中发现价值”。[2]“从数据中发现价值”，就是寻找数据集蕴含的事物的规律、解释事物的规律并帮助人们完成行动决策。从数据科学的角度看，教育管理经历了无数据教育管理、样本数据教育管理和大数据教育管理三个发展阶段。[3]在大数据技术教育管理阶段，预测与规划、组织与指挥、监督与协调、激励与控制等四个阶段的教育管理环境和对象都发生了改变。在教育政策制定与教育改革决策过程中，由于大数据技术具有预测性、差异性、共享性、动态性等特点，无疑会给教育决策者提供更多的“证据”和技术支持。因此，基于一定范围的“调研”，纯粹以“合目的性”为导向的“拍脑袋”式教育政策制定模式，正在向兼顾“合目的性”与“合规律性”的“以证据为本的政策决策”的教育治理模式转变。[4]

    从国家或区域制定教育政策、设计教育改革方案、组织与监控教育实践看，大数据技术能够帮助教育管理人员直接进入教育决策过程。教育管理人员可以依据大数据技术生成的信息和“业已完成”的“洞察”，按照“合目的性”与“合规律性”相结合的原则，制定本国或本地区的教育政策和教育改革方案。教育管理人员还可以通过对本国或本地区各教育单位和学校的教育数据的分析与比较，监控各教育单位和学校的日常教育状况与教育改革目标达成情况，发现各教育单位和学校存在的瓶颈问题，从而“精准”指导各教育单位和学校的日常教育活动与教育改革。

    从学校教育管理、课程管理与教学管理看，大数据技术使学校成为更加开放的系统，既能够实现中小学或高等学校课程资源、校本课程、管理理念等的共享，也能够为同层次、同类型的高等学校建立专业联盟、学科联盟提供跨越地域的支持平台，还能够做到对每个学生的“精准管理”。美国可汗学院(Khan Academy)和密涅瓦大学(Minerva Schools at KGI)都是基于大数据技术建立的无校园网络开放学校。两所学校的学生遍布世界各地，招生数量和学习时间不受限制；两所学校开发的练习系统，能够记录学生完整的练习情况，教育管理者和教师便很容易得知学生是否跨过某一阶段的“及格门槛”，从而决定学生能否进入下一阶段学习。可见，在无校园网络开放学校，完整的练习记录被转化为结构化、半结构化和非结构化数据，通过网络进行储存、管理、处理和传输并被教育管理者和教师“可逆地还原”，进而根据“还原”的信息对学生的学习进程进行管理。人们甚至可以通过“电子书包”实时收集学生的学习记录，通过分析实时数据，教育管理者和教师就能在每一个阶段了解每个学生的学习进度和掌握水平，开展有针对性的“精准”的个性化辅导、学习管理与学业评价。

    大数据技术给教育管理与教育决策过程带来的变化直接导致了教育研究范式的转变。大数据时代，出现了科学研究的“第四范式”。一般来说，实验科学(“第一范式”)、理论科学(“第二范式”)和计算科学(“第三范式”)的研究，主要通过逻辑推理来揭示变量之间的因果关系；而“第四范式”不再探求难以捉摸的因果关系，主要通过统计分析“海量”数据中各类数据之间的相关性或关联性，寻找事物发展的规律性。[5]教育研究属于社会科学研究的一个分支，传统的教育研究主要采用经验的、文献的与理论思辨的方法与范式。为了使教育更“合规律性”，教育研究逐步采用了“准实验”方法。大数据技术出现后，教育研究开始改变基于经验的、文献的、描述的和理论思辨的社会科学研究方法，转而应用社会物理学方法。社会物理学方法属于“第四范式”，一般通过收集、记录人们日常生活中的通讯记录、消费记录、行程记录、行为记录和交流记录等数据，挖掘数据之间的相关性，从而发现新规律和新知识。[6]因此，基于大数据技术的教育研究方法，本质上是发现影响教育现象和教育过程中各种内外因素之间的相关性或关联性的方法。

    采用“第四范式”进行教育研究，虽然没有准确揭示教育变量、学习变量和社会变量之间的因果关系，但是，对各种内外变量之间的相关性或关联性认识也能够让人们越来越逼近教育的客观规律。目前，基于大数据技术的教育研究方法已经展现了良好的应用前景，“第四范式”的教育研究主要包括“数据挖掘”和“学习分析”。“数据挖掘”是从大量教育数据和其他相关数据中发现有价值的信息，特别是在开放的教育活动中找到教育跟某种社会因素、个人因素、群体因素之间的相关性或关联性，为教育管理者、教师和学生提供关于教育改革路径规划、教学策略设计和学习方式选择的决策支持和行动参考。例如，通过收集和分析每个学生不断产生的数据，能够发现每个学生的有价值的信息，便能为每个学生提供个性化的学习服务。[7]“学习分析”是通过测量、收集、分析和应用所有与学习有关的数据和信息，更加全面而深入地研究学习的规律性，从而发现教育的规律性，进而改进学习、教学、教育和管理。

二、应用大数据开展教育研究与教育决策的局限性

    在数据化时代，通过各种途径产生的多维原始数据本身并没有价值，只是枯燥无味的代码组合，只有从数据中提炼出的规律和知识才有价值。[8]例如，只有把教学影像的数据还原为影像之后，再对教学影像进行分析，才能获得有价值的教学信息和提炼出教学规律。众所周知，大数据技术建基于“统计学、机器学习原理、数据可视化技术等领域的知识”，[9]已经在商业活动、公共管理、科学研究等领域的认知活动与决策活动中有出色表现。为什么大数据技术能够使人们依据大量数据获得更逼近事物规律的认识呢？其实，大数据技术的科学基础是“大数定律”(law of large numbers)。“大数定律”指出，当随机事件反复发生的次数很多时，发生同一事件的情形呈现确定的概率性或统计性。当然，“大数定律”是在一些附加条件下经严格证明的数学定律。理论上，在随机事件大量重复出现的过程中，某一事件出现的概率是确定的。

    一般来说，在科学研究中，需要在随机或完全相同条件下进行随机抽样调查或观测，当随机抽样样本数量足够大时，人们就认为抽样样本表现出某一特征的可能性(概率值)与总体(所有样本或全样本)所表现出该特征的可能性(概率值)是无限接近的。例如，当随机或在完全相同条件下抛掷硬币足够多次时，出现“国徽”或“币值”朝上的概率均接近50%，因此，人们可以认为，每一次随机或在完全相同条件下抛掷硬币的过程中，出现“国徽”或“币值”朝上的概率均为50%。依据“大数定律”，通过足够多的和完全相同条件下的随机抽样样本调查或观测，虽然可以获得逼近事物规律的认识，但是，所获得的毕竟还只是逼近事物规律的认识。一方面，人们事实上做不到随机抽样样本调查或观测次数为无穷大。因此，人们试图逼近“真理”的第一个办法就是尽可能增加随机抽样样本量或增加调查或观测的次数。大数据时代的网络空间等多媒体信息通道，似乎为人们提供了这一可能性。大数据技术甚至试图用所谓“全样本数据”(当然也只是“大数定律”所要求的试验次数趋于无穷大的近似)，摆脱抽样调查或观测的局限而直接获得全部数据。另一方面，随机或完全相同条件下进行随机抽样的重复调查或观测也是很难做到的。因此，人们试图逼近“真理”的第二个办法就是多角度、多主体对同一随机抽样样本进行同时调查或观测。大数据技术的“多维度信息”、“多样化信息”、“多重通道信息”和“多主体共享信息”，似乎为人们提供了这一可能性。但是，多主体的世界观、价值观、科学观往往存在差异，对教育现象、教育事件的调查或观测不可避免带有各自的主观性，导致“随机”仍然不“随机”、“完全相同条件下”成为“完全不同条件下”。所以，通过大数据技术来分析、预测教育现象、教育事件的规律还有局限性。

     应用大数据技术开展教育研究，本质上是按照“实证科学”的逻辑进行的。人们通过多样化大数据的分析与挖掘，获得了关于教育的多样化信息，这是否意味着基于“大数定律”的实证归纳便可以发现学习的规律和教育的规律？在通常情况下，科学探索的主要目标是发现事物之间的因果关系，但在因果关系不得知的情况下，因果关系往往首先以表面相关性或关联性表现出来。很多时候，相当全面的相关性或关联性找出来后，已经可以解决问题了，这就是所谓“第四范式”，即数据密集型科学研究。[10]既然是对事物之间相关性或关联性的认识，就可能出错；既然可能出错，就需要人的主体性介入，完成“洞察”与判断。因此，纯粹应用大数据技术开展教育研究，所获得的教育规律不是因果性规律，而是或然性规律。也就是说，仅仅依靠大数据技术开展教育研究，所“发现”的教育规律还存在“误判”的可能性或概率，教育研究中人的主体性“洞察”与判断是不可或缺的。

     同样，根据大数据技术所获得的关于教育现象、教育事件的信息，只能帮助而不是代替教育研究者或教育决策者进行判断，只能提升或降低教育研究者或教育决策者做出某一判断或决策的信心。日常的教育活动和教育改革涉及多个影响因素，是一种多主体的开放性活动。在大数据时代，教育决策者和教育管理者为了掌握教育活动的发展规律，往往利用大量教育数据和相关数据，对内部因素与外部因素的相关性或关联性进行数据分析与挖掘，找出内部因素之间、内外部因素之间的相关性或关联性(证据)，推测影响教育活动的内部主导因素和高关联度外部因素，通过控制内部主导因素和高关联度外部因素，推动日常教育活动和教育改革。

    如前所言，根据相当全面的相关性或关联性进行的判断仍然具有或然性。一般来说，在研判时，决策者和管理者会指出自己判断正确的概率是多少(把握多大)、判断出错的概率是多少。例如，为比较两个学生群体A和B某一学科的学业成绩的差异，决策者和管理者往往要进行“平均分差异性检验”。假设初步判断学生群体A优于学生群体B，如果检验结果为“群体A优于群体B(p＜0.01)”，意思是决策者和管理者至少有99%的概率或把握说群体A显著地优于群体B，判断出错的概率p小于1%，一般来说，决策者和管理者就能肯定群体A优于群体B；如果检验结果为“群体A优于群体B(p＞0.1)”，则出错的概率p大于10%，于是，一般来说，决策者和管理者就不能肯定群体A优于群体B。可见，依据大数据技术进行的教育数据处理和教育决策是存在错误风险的，因此，教育决策者和教育管理者通常会依靠经验以及对判断出错可能带来的风险和危害程度大小的估计，设定更小的、能够容忍的出错概率(例如，p＜0.001，甚至更小的出错概率容忍值)。我们知道，如果小概率事件发生，往往就可能是“灾难”。大数据技术所获得的是概率性规律(证据)，发生错误判断的概率虽然比较小，但是错误判断仍然可能发生。因此，大数据技术不能代替人们进行教育行动决策。

三、理性实现教育研究与教育决策的科学化

    在大数据技术应用过程中，人们已经关注到“数据霸权”与“数据孤岛”、“数据崇拜”与“数据依赖”、“数据失真”与“数据腐败”、“数据安全”与“数据隐私”等问题，[11]以及多维数据处理、非关系数据库存储(NOSQL)和数据可视化等技术问题，大数据技术在教育管理、教育决策和教育研究中的应用同样面临这些问题。

    教育管理、教育决策和教育研究的对象是人及其交往实践活动，其终极目标是实现人的全面而自由的发展。教育实践作为人类存在的基本方式，使得人的发展同动物的自在自发状态产生了区分，使得人能够超越自然存在而成为真正的人。教育管理、教育决策与教育研究是“合目的性”与“合规律性”统一的科学活动。因此，教育研究与教育决策的科学化不等于“实证科学”化。

1.教育研究的科学化

    教育理论本质上是实践之学问或人之学问。教育既要坚持外在的“物的尺度”，符合客观世界的规律性；又要坚持内在的“人的尺度”，符合人的目的性，满足人的生存需要。亚里士多德认为，“有实践智慧的人就是善于考虑对于他自身是善的和有益的事情。不过，这不是指在某个具体的方面善和有益，……而是指对于一种好生活总体上有益。……有实践智慧的人是善于考虑总体的善的人”。[12]因此，“一切追寻知识、能力和选择的努力都趋向于善”。[13]马克思说，“动物是按照它所属的那个种的尺度和需要来建造，而人懂得按照任何一个种的尺度来进行生产”，[14]因而，“动物的生产是片面的，而人的生产是全面的”。[15]这就是实践的“合目的性”。“实证科学”化的教育研究显然强调工具理性，导致“人不见了，剩下的只是根据精细的劳动分工而进行精密科学测定的基础上安排的‘手’和‘物’”。[16]工具理性教育研究只对达到目的的教育手段关心，而对教育目的本身是否合理却很少予以关注。

    教育理论当然应该“合规律性”。教育研究能够在多大程度上发现定量的“规律”呢？一方面，人的生理特征、心理特征和社会特征的复杂性导致教育的数据化程度极其有限；另一方面，人交往实践活动的应景性和流变性导致教育变量不可完全“控制”和教育实践活动难以“重复”再现。因此，严格的“实证科学”化的教育研究既不可能也不科学。

    我们知道，严格的“实证科学”强调科学研究过程中的经验与事实、数据与证据以及数据分析与挖掘。查尔默斯(A. F. Chalmers)是这样描述实证主义科学的：“科学知识是已证明了的知识。科学理论是严格地从用观察和实验得来的经验事实中推导出来的。科学是以我们能看到、听到、触到……的东西为基础的。个人的意见或爱好和思辨的想象在科学中没有地位。”[17]事实上，仅仅依靠经验、观察、实验和数据的“实证科学”早已遭到否定。胡塞尔(E. Husserl)认为，“实证主义看不到主体和客体之间的统一关系，看不到客体的意义是由主体授予的，看不到客观的事实是依赖于由主体所建立的理论的”。[18]查尔默斯认为，“理论被解释为人类智力试图解决以前的理论遇到的问题，并且对世界或宇宙某些方面的行为做出适当的解释而自由创造的、思辨的、尝试性的推测或猜测。思辨的理论一旦被提出，就要受到观察和实验的严格的、无情的检验。经不起观察和实验检验的理论必须淘汰，为进一步的思辨的推测所取代”。[19]因此，科学探究已经不再是绝对的实证归纳活动，而是发展为强调主体性、能动性的六大步骤的活动：(1)发现“反常”现象，提出疑难问题；(2)猜想假说，尝试解释“反常”现象；(3)设计实验实证方案；(4)进行反复实验，观测与收集信息；(5)归纳分析，证实或证伪假说；(6)形成科学理论。因此，作为实践之学问或人之学问的教育理论，更不应该重蹈轻视主体性、能动性的“实证科学”的覆辙，必须突出主体的、创造的、思辨的“洞察”。这就是教育研究的“合规律性”。

    一方面，从科学探究的技术层面看，虽然科学探究活动强调通过“控制变量”的实验进行反复观测，从而获得数据与“证据”，可是，科学探究也难以做到“大量”“证据”，往往采用外推的方法得出结论。在开展教育研究时，人们无疑需要参考大数据的实证支持，以便深化对学习规律和教育规律的把握。但是，学习与教育是人的复杂活动，跟人的目的、意志、态度等密切相关，并非无意的、自然的、随机的事物和现象，因此，教育研究过程难以进行严格的“控制变量”研究。也就是说，没有办法保证学习研究实验或教育研究实验在给定的、完全相同的条件下进行，不可能真正控制各种内部与外部变量。因此，大数据技术所获得的数据及所谓“规律”，只能为教育研究者发现真正的教育规律的过程提供参考。教育理论不是真正的“实证科学”。

另一方面，非结构化教育大数据也使得教育理论不可能真正成为“实证科学”。众所周知，教育大数据既有传统数据(人数、平均分、标准差、百分比等)，也有文字文本资料(文件、报告、访谈、问卷、叙事文本等)，还有影像资料(图片、录音、视频等)。首先，非结构化数据或资料的选取与使用是因人而异的，非结构化数据或资料的概括、解释也是因人而异的；其次，不同类型的数据或资料之间也没有统一的处理与解释的方法，最后得出的结论必然是因人而异的。目前大数据技术能够做到的是生成、搜索、保存和传输非结构化的数据，计算机和网络系统还没有一种技术甚至不可能创造一种技术去实现直接从非结构化的数据中发现人的活动规律。这一工作必须由人去完成。教育研究活动中收集到的大量非结构化数据使得教育理论不可能真正成为“实证科学”。因此，利用大数据挖掘分析技术直接获得的“洞察”不能代替人的“洞察”。

教育理论不是真正的“实证科学”，并不是说教育研究不需要科学化。教育研究的科学化是基于多维度的、大量的数据与信息，突出研究主体的创造的思辨的“洞察”的研究活动。为了做到教育研究的科学化，首先应强调“面向事情本身”的教育研究态度，从教育的“合目的性”出发，开展教育现场调查研究，获得鲜活的“第一手资料”，通过研究者的主体性“洞察”，发现教育活动的规律性；其次，应该避免“数据崇拜”与“数据依赖”，理性地看待大数据技术所获得的数据和所谓“规律”，切实地“还原”那些半结构化或非结构化数据的原初信息，通过创造的“洞察”逐步实现对教育规律的把握；第三，应该提高教育研究工具的科学性，保证研究工具的信度与效度，摒弃偏见，保持价值中立，实现基于事实本身与大数据“证据”的科学化教育研究。

2、教育决策的科学化

    数据作为网络空间的惟一存在，也呈现出不可控性、未知性、多样性和复杂性等跟自然现象类似的特征。[20]众所周知，影响教育活动的内部因素和外部因素众多，每一个因素都会在特定的时间、特定的条件下产生巨大的“扰动”，导致教育结构与功能的大变化或“巨涨落”。由于通过教育大数据技术分析得出的结论(证据)具有“不确定性”，仅仅依据具有“不确定性”结论(证据)做出教育决策，其“合目的性”与“合规律性”都是难以保证的。科学的教育决策是“合目的性”与“合规律性”的决策。

   教育决策的“合目的性”表现在两个方面：首先，日常的教育活动和教育改革必须符合国家的教育方针，实施提升学生发展核心素养的素质教育，培养创新人才和建设者。具体来说，就是培养学生的道德情操、科学文化素质、健康的身心和审美情趣。其次，日常的教育活动和教育改革必须强调教育的工具理性和价值理性的统整。“工具理性是人类谋生利用的手段，价值理性是人类安身立命的根据”。[21]育“不仅是提高社会生产的一种方式，而且是造就全面发展的人的唯一方法”。[22]教育决策对工具理性的满足，意在将教育作为社会建制看待，突出教育决策对当下社会各个方面带来的影响；教育决策对价值理性的要求，意在将教育作为未来人才成长的土壤看待，突出教育决策对未来社会可持续发展的带来的影响。

    教育决策的“合规律性”也表现在两个方面：首先，日常的教育活动和教育改革必须符合教育规律。为了利用大数据技术进行教育决策，必须做到数据可信与可靠，以保证教育决策建立在事实和证据基础之上。可信就是要求教育数据的来源信度高。要做到信度高，就要求在教育决策之前对足够大的样本进行观测，且尽可能保证重复教育观测能够获得有同样统计规律的数据。可靠就是要求获得教育数据的工具效度高。要做到教育观测工具效度高，就要求获得教育数据的工具的针对性要强，能够观测到需要观测的教育活动的特征数据。其次，日常的教育活动和教育改革是一个系统工程，必须建立协商、对话并达成共识的决策与风险控制机制。教育决策应该站在实现“中国梦”的高度，放眼国际，通过教育决策制度设计，建立多元主体的协商、对话并达成共识的决策机制，既突出教育决策的本土化，也重视教育决策符合国际教育发展的基本走向。系统科学要求教育数据以及跟教育相关的其他数据具有全面性和多维性，不能仅仅依据大数据技术形成的具有一定程度“不确定性”的结论(证据)做出教育决策。应该充分利用通过各种途径获得的教育信息，完成教育决策和风险控制。

    为了实现教育决策的科学化，必须做到教育决策过程的制度化。制度化就是将教育活动观测工具研制、教育观测范围确定、教育观测实施、教育数据及相关数据获得、数据分析与挖掘、数据解释、结果分析、研究结果发布和教育决策作为一个系统工程进行规划。教育决策必须依靠教育专家、心理专家、教育管理者和大数据技术专家。具体来说，应该由教育专家、心理专家、教育管理者设计研制教育观测工具；由教育专家、心理专家、教育管理者完成大样本甚至“巨大样本”的教育观测，获得教育数据及相关数据；由坚守“数据安全”与“数据伦理”信念的大数据技术专家分析与挖掘数据，提供数据分析结果；由教育专家、心理专家、教育管理者解释数据分析结果；由国家或地方教育主管部门决定发布哪些数据和信息以及在什么范围发布。

为了实现教育决策的科学化，必须做到教育决策过程的民主化。从教育决策的价值取向来看，民主化教育决策就是以“教育民主”、“教育公平”和“教育育人”为原则，充分考虑学生、教师、家长和公众等不同主体的诉求，关注与考虑各地区教育资源、区域环境、民族风俗、文化传统等方面的差异，科学解读数据分析与挖掘的结果，合理控制社会风险，科学民主地完成教育决策。从教育决策的机制来看，民主化教育决策就是要杜绝“数据失真”与“数据腐败”，建立专业监督与民主监督相结合的数据监督机制，合理解释数据，共同规避风险；民主化教育决策就是不能只靠通过数据技术获取数据、分析数据、挖掘数据和解释数据，更不能以偏概全地对日常的教育活动和教育改革做出价值判断，应该通过沟通、协商和对话进行教育决策，不断提高教育治理的科学化水平。

参考文献：

[1]J. Manyika etc, Big Data: the Next Frontier for Innovation, Competition, and Productivity[M]. McKinsey Global Institute, 2011. p.4.

[2]John Gantz and David Reinsel. Extracting value from chaos[J]. IDC iView, 2011,(6).

[3]周湘林.大数据时代的教育管理变革[J].中国教育学刊，2014，(10).

[4]陈霜叶，孟浏今，张海燕.大数据时代的教育政策证据：以证据为本理念对中国教育治理现代化与决策科学化的启示[J].全球教育展望，2014，(2).

[5]刘宝存，杨尊伟.大数据时代比较教育研究范式的转型[J].比较教育研究，2015，(10).

[6][美]阿莱克斯·彭特兰.智慧社会：大数据与社会物理学[M].杭州：浙江人民出版社，2015：11-15.

[7]Yeon Hee Kim and Jin-Ho Ahn. A Study on the Application of Big Data to the Korean College Education [J]. Procedia Computer Science, 2016,(91).

[8][美]埃里克·西格尔.大数据预测——告诉你谁会点击、购买、死去或撒谎[M].北京：中信出版社，2014：4.

[9]Y. Y. Zhu, etc. Data Explosion, Data Nature and Dataology. Proceedings of International Conference on Brain Informatics,Beijing, China, 2009: 149.

[10]Tony Hey, Stewart Tansley, Kristin Tolle. The Fourth Paradigm: Data-Intensive Scientific Discovery[M]. Washington D.C.: Microsoft Research Press, 2009. xviii.

[11]郑吉峰.机遇、挑战与路径：大数据与党建科学化[J].武汉理工大学学报(社会科学版)，2016，(9).

[12][古希腊]亚里士多德.尼各马可伦理学[M].北京：商务印书馆，2003：172.

[13][德]伽达默尔.赞美理论：伽达默尔选集[M].上海：生活读书新知三联书店，1988：25.

[14][15]马克思.1844年经济学哲学手稿[M].北京：人民出版社，2000：53，58.

[16][美]丹尼尔·贝尔.后工业社会的来临[M].北京：商务印书馆，1986：390.

[17][19][英]A.F.查尔默斯.科学究竟是什么——对科学的性质和地位及其方法的评价[M].北京：商务印书馆，1982：10.

[18][德]胡塞尔.欧洲科学的危机和超验现象学[M].上海：上海译文出版社，1988：8.

[20]Tony Hey, Stewart Tansley, Kristin Tolle. The Fourth Paradigm: Data-Intensive Scientific Discovery[M]. Washington D.C.: Microsoft Research Press, 2009. xviii.

[21]李振纲，方国根.和合之境：中国哲学与21世纪[M].上海：华东师范大学出版社，2001：68.

[22]马克思，恩格斯.马克思恩格斯全集(第23卷)[M].北京：人民出版社，1979：530.