作為斯坦福大學的教授，我經常發(fā)現(xiàn)自己在一個大教室里看著一大堆面孔，試圖弄清楚我的學生——個人還是集體——是否理解了這些材料。我應該花更多時間在哪些概念上?可以從額外關注中受益的學生?通常，只有在學期末，當我看到我的學生在期末考試中的表現(xiàn)以及他們對課程調查的反應時，才能看到這種可見性。

多年來，教師、課程設計人員和管理人員開發(fā)了多種數(shù)據(jù)收集方法，從問卷調查到實時評估，以評估學生的參與度和對課程材料的理解。然而，要獲得關于學生參與、參與和理解的清晰、及時和可操作的見解仍然是一個很大的挑戰(zhàn)。在高等教育中尤其如此，因為班級規(guī)模大，教師幾乎不可能在為時已晚之前識別和干預正在苦苦掙扎的學生。

到目前為止。隨著技術與課堂的整合——無論是面對面的、混合的還是完全在線的——我們可以收集和分析前所未有的學生數(shù)據(jù)水平。我們正在進入一個新的可能性領域，我們可以實時衡量每個學生如何參與他們的學習空間、他們與同齡人的互動類型以及他們對課堂上所提出主題的反應。

人們越來越認識到，數(shù)據(jù)分析提供的見解對于學生學習之旅的短期和長期支持至關重要。借助最近出現(xiàn)的新的、專門構建的數(shù)字學習平臺，對瞬時和縱向數(shù)據(jù)的訪問使教師能夠確定哪些學生正在關注內容并參與材料，哪些沒有。

例如，我們可以跟蹤哪些學生正在做筆記、參與小組討論、回答測驗等等。這種可見性可以實現(xiàn)清晰、可操作、及時的干預，以幫助陷入困境的學生。這些數(shù)據(jù)還可以為更加動態(tài)和協(xié)作的虛擬教室環(huán)境做出貢獻。教師可以利用他們對個別學生的更多了解，根據(jù)共同興趣、專業(yè)領域、優(yōu)勢和劣勢、不同的參與偏好等更好地對他們進行分組。

通過分析數(shù)據(jù)的趨勢，教師還可以識別更廣泛的模式并使用它們來改善整體課堂體驗，為積極和協(xié)作的學習實踐提供信息，并評估教學環(huán)境的有效性。例如，如果學生沒有掌握和執(zhí)行特定模塊中的概念，教師可以識別問題并調整課程材料或教學風格。

作為一個更廣泛的例子，在喬治亞格威內特學院，該機構正在努力解決學生參與度低的問題，因此教師們仔細查看了數(shù)據(jù)，這些數(shù)據(jù)揭示了學生學習習慣的一些細節(jié)。他們發(fā)現(xiàn)許多人從凌晨 1 點到 5 點在網上完成課程作業(yè)。因此，學院實施了一些舉措，通過指派同伴導師在學生學習期間與他們進行虛擬互動來幫助改善學習成果。此外，教師現(xiàn)在每周與學生進行一次檢查，以幫助確定優(yōu)先事項，協(xié)助時間管理并衡量整體健康狀況。

在整個高等教育領域，機構正在繼續(xù)投資于優(yōu)質的數(shù)字學習計劃。隨著整個行業(yè)對技術的利用增加，我們自然會看到數(shù)據(jù)收集的顯著增加。

然而，收集數(shù)據(jù)的行為是不夠的。有效的課堂數(shù)據(jù)需要對學生的學習成果和教師的行為進行詳細測量，最終幫助教師確定有效的教學干預措施。

在最近的一次虛擬峰會上，我與 Argos Education 的首席學習官 Michael Feldstein討論了如何使用數(shù)據(jù)來改進教學策略并支持混合世界中的主動學習。在那次討論中，我認為無處不在的數(shù)據(jù)收集將產生大型、高質量、密集的數(shù)據(jù)集，這將使機器學習能夠應用于改善我們所有學生的教育成果，尤其是那些最需要幫助的學生.

但是，為了實現(xiàn)這一機會，我們必須保持警惕，以確保我們的機器學習模型和推薦的干預措施能夠抵消不公平和減少偏見，而不是放大它們。正在進行的關于人工智能公平性和可解釋性的工作在教育領域尤為重要，在教育領域，缺乏平等的機會、機會和鼓勵使某些群體邊緣化，并極大地加劇了就業(yè)、監(jiān)禁、醫(yī)療保健等方面的更廣泛的社會不公正。雖然這里的護理至關重要，但我相信嚴格衡量結果的機會將為解決這些問題開辟道路。

2012 年，在談到大規(guī)模開放在線課程 (Moocs) 的推出時，Thomas Friedman 說：“當突然間可能的東西遇到迫切需要的東西時，就會出現(xiàn)重大突破。” 隨著過去幾年大流行加速了數(shù)字學習和教師實驗的大規(guī)模采用，“突然可能”現(xiàn)在就在我們身上。“迫切需要”是教育程度和生活機會之間日益明顯和普遍的相關性。

如果機構、教師、平臺開發(fā)人員和技術人員共同努力，我們可以在教育方面取得真正的重大突破，并為更多學生創(chuàng)造更美好的生活。