教育信息化2.0的发展过程中，智慧校园平台会产生大量教学、教务管理数据。对这些数据需要进行挖掘、治理和分析，减少信息孤岛，保持各系统间沟通顺畅。更重要的是，让数据可视化，进行学生、学生群体画像，全面、立体地为教育管理层、执行层提供决策的依据和制定发展的规划。

一、数据可视化

数据可视化起源于1950s计算机图形学，人们使用计算机创建图形图表，可视化提取出来的数据，将数据的各种属性和变量呈现出来。随着数据容量和复杂性的与日俱增，人们需要创建更复杂规模更大的数字模型，海量数据深度分析的可视化的需求越来越大，依靠可视化手段进行数据分析将会成为标准。好的可视化能够使用户更快的理解所要表达的内容，更加形象生动。

二、数据(用户)画像

在进入大数据时代以后，给社会及用户行为带来了一系列改变与重塑。其中最大的变化莫过于，用户的一切行为都将是“可视化”的。随着大数据技术的深入研究与应用，怎样利用大数据来提供精准服务，进而深入挖掘潜在的价值。于是，“用户画像”的概念也就应运而生。

用户画像，作为大数据的根基，它抽象出一个用户的信息全貌，为进一步精准、快速地分析用户行为习惯、消费习惯等重要信息，提供了足够的数据基础，奠定了大数据时代的基石。

用户画像流程，从原始数据进行清洗和整合分析，得到事实标签(用户属性、行为事实等)，再进行建模分析，得到模型标签(偏好、兴趣、活跃度、满意度、风险等)，再通过切片、机器学习模型、自然语言处理进行模型预测，得到预测标签(概率、需求、能力等)。 通过采用分类、聚类、朴素贝叶斯、逻辑回归、SVM、神经网络等算法进行建模，可以对用户的行为、偏好进行预测，例如：一个 y＝kx＋b 的算法，X 代表已知信息，Y 是用户偏好，通过不断的精确k和b来精确Y。因为用户画像永远也无法100％地描述一个人，只能做到不断地去逼近一个人，因此，用户画像既要根据变化的基础数据不断修正，又要根据已知数据来抽象出新的标签使用户画像越来越立体。

三、在教育行业的应用

上海复兰科技通过教与学行为数据，包括从“课中”向“课前”、到“课后” 过程中的上千个教学典型性采集点，对非结构化数据挖据、清洗、聚类等一系列大数据处理技术处理，展现数字化图表，并通过通过贝叶斯理论和遗传算法等AI技术进行数学建模，形成学生及学生群体画像，全面地、立体地展现学生学情，以学生为本，实现因材施教、精细化教学的理念。

我们可以参考美国“高级分布式学习”组织发布的Experience API（xAPI）规范，有效获取了同一个人在多种设备和异构平台中的来源广泛的学习行为数据，为进一步的数据分析与挖掘奠定基础。

图1·xAPI的学习行为数据Statement结构

Experience API是一套记录、追踪、储存和分析学习者所有学习行为的国际标准，提供了学习行为数据记录框架，为学习行为教育大数据的获取及共享的实现提供了技术基础。学习者在各种场所发生的各种学习行为，都可以透过xAPI记录并储存到一个国际标准的学习记录储存区（LRS）。

以我们采集到的上海市某学校学生数据为例：

图2·学生学习行为分布图

通过数据清洗、规约后，可视化图表展现，可分析出该学生7点左右是阅读文本高发时间，8点左右是观看视频高发时间，9点左右是练习高发时间,并且在观看视频上花的时间最多。

通过贝叶斯理论和遗传算法等AI技术，从自主性、稳定性、协同性、活跃性等维度进行数据建模，得出该学生的学习行为画像。该学生的画像基本解读如下：

1．该学生抢答问题次数较多，学习积极向上、非常活跃，学习自主性较强。

2．该学生的学习比较稳定，但学习方法可能有欠缺，学习计划性和自制力一般，也可能是由于对某个特定的知识点未掌握。

3．需要对该学生进行学习方法上的指导，提升其学习的计划性和自制力，也需要对该生进行知识点上的查漏补缺，避免其出现“知识死角”现象。

过去的单一结构化数据比如练习、考试成绩等，更多地体现了学生的绩效和结果，对于原因和薄弱点分析不足，通过进一步采集、分析处理教育非结构化数据，进行可视化和学生及学生群体的画像展现，能够更直观、生动地展示给学校管理层教学、教务活动的现状，并针对个体或群体的薄弱点有效地提高教学、教务的管理质量和水平。

数据可视化是让数据自己开口说话，让数据背后的规律、智慧成为思考问题的基本出发点；学生及学生群体的画像为因材施教、精细化的教学提供了依据，达到从复杂的教育数据中寻找有意义的关联、挖掘事物的变化规律，准确地预测发展趋势，做出科学的教育决策，实现未来教育的目标。

新时代的智慧校园建设，应该通过数据模型打造“教学管理驾驶舱”，利用数据可视化，帮助我们的教育决策者“管特色、管大量、管要项、管异常”。数据能够说话，帮助我们实现真正的智慧校园科学决策与管理。