隨著工業4.0的到來，人工智能、萬物互聯、大數據、信息爆炸等構建出了新的社會生態，新時代對創新人才的新需求正在推動教育體系的深刻變革，新時代呼喚時空靈活、優質高效和培養創新人才的個性化教育服務。
未來教育呼喚以學習者為中心的計算教育學理論
新一代學生作為數字時代原住民，習慣于信息技術環境中的學習方式、生活方式，呈現出全新的認知規律、認知風格和心理特點，教育研究者需要重新從多個角度審視、研究新一代的學習者特征;同時以創新能力為目標的新需求，也要求我們重新審視原有的教育原理，建立科學、系統的提升教育質量的教育動因系統，系統而非局部的進行教育變革;還要滿足新時代對教育的個性化需求，建立新時代新的教育供給系統。以計算教育學為代表的、面向學習者為中心的個性化學習已成為新時代世界各國關注的重點，必將開啟新時代新的教育研究范式和內容。
新的生產力呼喚新的學習者。“努力讓每個孩子都能享有公平而有質量的教育”是我們共同的愿景。從農業時代的原始的個別教育、個性化農耕教育，到工業時代的班級授課、規?；逃?，再到第三次工業革命的靈活、多樣、開放、終身的個性化教育，那么工業4.0時代的教育和學習者有什么特點，教育的動因系統、原理與機制有什么特點，個性化的教育有什么不同，已經成為世界各國關注的重點。2015年10月，聯合國教科文組織國際互聯網教育合作伙伴會議召開，明確提出要創建公平、動態、負責和可持續性的“以學習者為中心”的數字化學習生態系統?，F階段我們要積極應對大數據、人工智能等新技術、新產業、新業態等帶來的新挑戰，加快“以學習者為中心”的教學模式，著重培養學生的個性，讓教育變革跟上時代，讓我們培養的人不落伍于時代。
未來教育需要大數據支持
在《2030年可持續發展議程》提出的教育目標基礎上，聯合國教科文組織于2015年11月4日通過了《教育2030行動框架》，為實現2030教育目標做出具體規劃，即“邁向全納、公平、優質的教育和全民終身學習”。美國《教學2030》指出教學生態將發生變化：認知科學和技術的進步使師生能夠進行沉浸式個性化學習，教師將結合腦研究的新發現和前沿技術改善教學，基于學生的學習風格和需求定制個性化學習方案;學習將集中于以批判性思維和問題解決、溝通技能、合作技能以及創造力和創新技能為核心的21世紀技能。德國、芬蘭、加拿大、日本等都對未來教育提出了新的愿景和目標，《中國教育現代化2030》正在制訂，世界各國關注的重點總結起來包括：學生學習的個性化、教師角色的多樣化、基于腦與認知的科學研究、教育與學習方式的信息化、基于大數據的多元化評價、學生培養的學校—家庭—社區一體化等方面。這些目標和內容的實現都依賴于科學的依據。
有關數據顯示，有些地方僅初二年級學生中近視率近一半，22%的學生不愿意上學，15%的學生有嚴重厭學情緒，超過一半的學生在校外補課等這些問題直接影響到兒童青少年的健康成長，影響到每一個家庭的幸福，影響到我國人力資本的水平和自身長遠發展的中堅力量。教育在一定范圍內存在諸多問題，如“重知識、輕能力”“重智育、輕德育(缺少社會參與和實踐)”“重結果、輕過程”“重傳遞、輕探究”“重統一、輕個性”等諸多矛盾。矛盾的本質在于大家仍依靠原有的經驗和自身經歷來詮釋新時代教育的新需求，缺乏科學的數據支撐，難以刻畫新時代學習者的特征;各級教育工作者對新時期教育的動因系統、教育原理缺乏足夠的數據模型支持;教育體系研究的范式還停留在經驗式的方法上，不能在現有基礎上深入開展個性化學習。這些難題的解決亟待大數據的支撐和全新教育理論的研究。
面向學習者為中心的計算教育學面臨的機遇與挑戰
我國教育規模居世界首位，僅基礎教育在校生就接近2億人，教育不僅涉及學生，還涉及家長和社會，可以說和每個人都息息相關，如此大規模的教育必將產生世界量級的教育大數據。隨著信息化程度的提高，這些數據還在以幾何級的規模遞增。前期教育信息化實踐中已經積累了海量數據，這些數據一部分屬于政府政務數據，一部分存儲在各類信息化平臺中。如何充分發揮已有數據資產的價值，挖掘隱藏的學習者特點、教育教學規律、落實個性化的創新學習，成為建設新時代人才強國的關鍵。
建設互聯網強國，為我國教育大數據行業提供了前所未有的獨特機遇，這也對基于教育大數據的創新解決方案提出了更高要求，依托數據開展相關研究是當前我國教育改革的關鍵，計算教育學正當時。
學習者特征模型的建立多關注認知，缺乏多維度、多側面的動態個性學習特征庫?；诖笠幠y評數據，再結合網絡痕跡數據及通過可穿戴設備采集的腦狀態數據，采用大數據分析方法建立模型、挖掘規律，將有望為從宏觀、中觀、微觀三個層面構建學習者特征模型提供解決方案。
教育質量的動因系統探究缺乏系統性，處于局部領域的部分變量的研究狀態。隨著教育技術和腦科學研究的迅猛發展，可以通過采集實時動態的課堂數據來補充橫斷研究數據的不足，更急需大數據的處理方法來刻畫真正的動態模型，評估來自不同層面的因素對教育質量的直接和間接效應，幫助教育政策制定者和教育實踐者針對薄弱環節提出提高教育質量的最優策略。
個性化學習的內容度量與模型缺乏多視角推薦
隨著人工智能、大數據的蓬勃發展，教育大數據應運而生，各學科知識內容的人工標定已無法滿足需求?；诮逃髷祿?，發展自動識別技術來界定各學科知識內容及其關系迫在眉睫。另外，為了更好地滿足當前環境下學習者的個性化學習內容推薦，急需利用新的認知診斷評估方法，對學習者在各學科知識內容上的掌握情況進行診斷，以幫助學習者構建個性化的學習路徑和學習內容的推薦。
大數據下的機器學習理論研究飛速發展，尚缺乏對教育的深度挖掘。傳統的教育數據分析方法比較局限，主要依賴于局部數據的統計分析，信息挖掘的手段主要是采用基于降維的方法如因素分析、主成分分析等，而教育大數據本身具有多源異構特性，因此急需引入先進的針對教育大數據的分析方法。大數據下的機器學習方法已在機器視覺、自然語言處理，神經科學等方面發揮了巨大影響，可為教育大數據分析服務，尤其是實現對教育多源數據的整體分析，為研究教育質量的相關內容提供新的解決辦法。因此急需引入以深度學習為代表的人工智能方法，從教育大數據中挖掘信息，實現個性化教學，為教育質量的提升提供有效途徑。
多層次、多領域的教育大數據為計算教育學理論提供豐富的數據源。多維度、多側面反映學生發展和相關因素的立體數據為計算教育學提供了豐富的數據基礎。
大規模測評大數據——指在全國甚至全世界范圍內開展的旨在診斷教育質量，為評價教育系統有效性開展的測評項目。
課堂音視頻大數據——隨著教學活動的不斷開展，基于音視頻的教研無論是活動次數還是規模都已具有相當高的水平，因此基于音視頻的教研活動已成為當前教育的常態，越來越多的課堂音視頻數據以及聽評課記錄被留存。
網絡痕跡大數據——人們使用學習、社交和娛樂網絡平臺記錄和分享彼此的活動和思想，不可避免地而且“非故意地”留下了與個人心理品質有關的大量網絡行為痕跡。
可穿戴設備大數據——可穿戴設備是能夠延續性地穿戴在個人用戶身體上，或能整合到個人用戶的衣服、飾件中，并具備數據采集、處理、交互等能力的便攜式電子設備。
總之，計算教育學需要信息科學、教育技術學、教育學、心理科學、腦科學等相關行業協同合作、共同實現，因此構建新時代的計算教育學勢在必行，進而對建立計算教育學的理論體系、技術體系、方法體系和實踐體系開展深入研究。
