維克托·邁爾—舍恩伯格（Viktor Mayer-Schnberger）生於奧地利薩爾茲堡。獲哈佛大學法律學碩士，倫敦政治經濟學院國際關繫學碩士，奧地利薩爾茲堡大學法律繫博士。現任牛津大學網絡學院互聯網治理與監管專業教授，曾任哈佛大學肯尼迪學院國家公共政策專業副教授、哈佛信息政策監管項目負責人。曾受邀在包括白宮、世界經濟論壇、歐盟議會、歐盟委員會、國際電信聯盟、谷歌、微軟、IBM、德勤、英特爾等許多國際知名機構及企業進行演講交流。

暢銷書作家，作品《大數據時代》一經出版即登上《紐約時報》及《華爾街日報》暢銷書榜，同時入選《金融時報》2013年度*商業圖書、CNN財經年度*商業圖書。中文版獲2013年度CCTV中國好書。

肯尼思·庫克耶（Kenneth Cukier） 《經濟學人》（The Economist）數據編輯，是一位著名的大數據發展評論員。

趙中建 華東師範大學課程與教學研究所教授，上海紐約大學文理學院副院長，國家基礎教育課程教材專家工作委員會委員，長期致力於國際教育政策和基礎教育研究。華東師範大學課程與教學研究所教授、博士生導師，上海紐約大學文理學院副院長，國家基礎教育課程教材專家工作委員會委員，美國賓夕法尼亞大學富布賴特高級訪問學者；長期從事聯合國教科文組織文獻研究，致力於美國教育政策和基礎教育研究，目前集中關注中小學STEM教育研究和國家創新政策比較研究，並在相關研究領域出版著作和譯著及發表研究論文。

006 序一 未來教育的形態

012 序二 大數據時代教育的新圖景

1、薄暮

003截然不同的教學形式

006數據的非凡效果

007大數據正在進入教育的方方面面

009有別於“講臺上的賢能者”的傳統教育

010風投資金湧入教育領域

012大數據服務於各行各業

014大數據將為教育帶來巨大變革

2、改變

021令人愉快的雙贏設計

025小數據時代單向度的反饋

028電子教科書的優勢

030會“回話”的電子教科書

032教育機會均等的代價

034缺乏個性化的教學改革

035“一個尺寸適合一個人”

036補習班：適應性學習軟件的用武之地

040大規模定制：創建個人的“播放列表”

042理性對待概率預測

044概率預測日漸精準

045探尋“是什麼”而非“為什麼”

3、平臺

051數據分析：可汗學院的大腦

053對數據的充分利用

055學校、班級、課本和課程是重要的數據平臺

057教育繫統太過保守

059大數據使教育資源得以松綁

060在線課程無法替代課堂教學

061規模空前的數據資料收集平臺

063大學率先感受大數據的浪潮

065亞馬遜擊敗巴諾書店對教育的啟示

066大數據浪潮襲來，大中小學無一幸免

068數據分析：女學生何以後來者居上

070未來教育體繫的特征

4、後果

075正視大數據的黑暗面

077永久的過去

079過往的個人數據，能否成為主要評估依據？

081隱患：無法遺忘的舊數據

084無法駁斥的大數據預測

087備受爭議的教育分流

088與大數據同行的一大風險

090做好數據資料的管控

092算法專家：一個新角色的誕生

093謹慎使用個人數據

094不要讓過去完全決定我們的未來

5、破曉

099什麼原因讓學生中止在線課程的學習？

102絕非技術層面上的變革

103大數據為學習帶來三大改變

105確立多重安全措施

106大數據將從根本上改變教育

108認識世界的新方式

110淘汰過去的捷徑

112想像力遠比知識更重要

6、追問

117大數據與學校教育繫統的重塑

121大數據關照下的數字鴻溝問題

124大數據時代背景下的教師與學校管理者

127大數據與求變且漸變的學校教育模式

131大數據的潛在威脅與可能的應對策略

134大數據的背後其實是人的問題

137 資料來源

151 譯者後記

令人愉快的雙贏設計

路易斯·馮·安（Luis Von Ahn）的外表與行為和大家身邊典型的美國大學生沒什麼兩樣。他喜歡打電子遊戲，喜歡飛快地駕駛他的藍色跑車，他就像現代的湯姆·索亞（Tom Sawyer），熱衷於差遣別人替他做事。但是人不可貌相，實際上，馮·安是世界上傑出的計算機科學教授之一，而幫他做過事的，足足有10億人。

10年前，22歲的研究生馮·安參與創造了一項名為CAPTCHAs的技術，要求人們在注冊電子郵件等網絡應用時輸入彎彎曲曲的文字，以證明進行此操作的是人類而非惡意灌水的程序。馮·安把CAPTCHAs的升級版（reCAPTCHA）賣給了谷歌，這個版本要求人們輸入扭曲文字的目的不僅是作驗證，更主要的目的，是為了破解“谷歌圖書掃描計劃”中那些計算機難以識別的文字。這是個聰明的做法，發揮了一項數據的兩種作用：在線注冊的同時識別文字。

在那之後，成為卡內基梅隆大學（Carnegie Mellon University）教授的馮·安開始尋覓更多的“一石二鳥之計”——使人們提供的零散數據為兩種目的服務。於是，在2012年，他啟動了新的設計——多鄰國（Duolingo），通過網站和智能手機APP幫助人們學習外語。作為一個幼年在危地馬拉學習英語的人，馮·安對學習外語抱有共鳴，而更重要的是，多鄰國的教學方式非常巧妙。

它要求人們在同一時間翻譯一些較短的詞組，或者評價和修正其他人的翻譯。不同於一般翻譯軟件呈現其自創詞組的做法，多鄰國呈現的是需要翻譯的文檔中的真實句子，因此公司能夠從中獲取報酬。一旦有足夠的學習者能夠翻譯或驗證特定詞組，繫統就會接受他們的譯文，並收集所有零散的句子，將其整合到完整的文檔之中。

多鄰國的客戶包括CNN和BuzzFeed等媒體公司，後者通過多鄰國的服務，翻譯用於其海外市場的相關內容。和reCAPTCHA一樣，多鄰國也是個令人愉快的“雙贏”技術：學習者免費獲得外語學習指導，同時制造具有經濟價值的產物作為回報。

此外，還有第三個益處，那就是多鄰國收集的“數據尾氣”（data exhaust），即由人們與網站之間的互動中衍生的副產品：如熟練掌握一門語言的某一方面需要多長時間、合適的習題量是多少、落下幾天進度的後果等等。馮·安意識到，所有這些數據都可以采取某種方式加以處理，從而揭示出促進人們學習的策略。在非數據環境中，做到這一點並不容易。然而，對於2013年間的每一天都有大約100萬訪問者，並且人均花費30多分鐘用於線上學習的多鄰國來說，巨大的用戶數量足以支撐此類研究。

馮·安重要的發現是：關於“人們怎樣學得好”的問題是錯誤的。重點不在於“人”怎樣學得好，而是具體的“哪個”人。對此，他解釋說，針對語言學習方法的實證研究數量很少，比方說，在許多理論中，主張先教形容詞，再教副詞，但幾乎沒有確鑿的數據支撐。他指出，即使存在相關數據，通常也是針對數百名學生的小規模研究所得，將之作為普遍的研究發現加以推廣，終究是不可靠的。為什麼不以多年來數以千萬的學習者為研究對像得出結論呢？多鄰國的出現，使這樣的研究成為可能。

馮·安在處理數據的過程中得到了一個重要的發現，即語言教學手段有效與否取決於學習者的母語以及他們將要學習的語言。以西班牙語使用者為例，通常，他們在學習英語的初階段就會接觸到“he”“she”和“it”等代詞。然而馮·安卻發現，“it”一詞容易引起他們的迷惑和焦慮，原因是“it”很難翻譯成西班牙語。於是馮安進行了幾次測試，隻教“he”和“she”，直到數周後堅持學習而不放棄的人數顯著增加，再開始“it”一詞的教學。這樣就能顯著提高堅持學習的人數。

他還有一些發現是有悖直覺的：女性的體育術語學得更好；男性更擅長學習與烹調和食物相關的單詞；在意大利，女性總體來說比男性在英語學習上表現得更出色。許多類似的發現始終在不斷湧現。

多鄰國的故事為我們呈現了大數據重塑教育的有前景的方式之一。其中反映了大數據改善學習的三大核心要素：反饋、個性化和概率預測。

無法駁斥的大數據預測

第二個威脅也同樣嚴峻。以所有人為對像收集到的全面教育數據，將用於對未來進行預測：我們應該以這樣的速度、按這樣的順序學習；我們隻有在晚上8點至9點間復習學習材料，纔能有90%的可能性得到B，如果復習得早了，其可能性將會降至50%；等等。諸如此類的概率預測將會限制我們的“學習自由”，並有可能終威脅到我們對生活中機遇的獲取。

大數據蘊含的巨大潛力在於推進個性化學習、改善教材和教學，並終提高學生的成績。數據應該被視為促進產品改良的反饋，而不是對產品使用者進行簡單評價的依據。在今天，被收集的有限數據幾乎都是用來評價學生的，即學習中的“消費者”。

我們評估可能的方案和潛在的成就：從高中提升課程的受理到高校錄取，再到研究生院的入學。但是此類基於有限數據的小數據預測，充滿了不確定性，因此招生委員會對這些數據的處理極其謹慎。委員們認識到數據展示的內容並不完善——那些以高分通過SAT考試的自大狂並不是憑借真纔實學，而僅僅是因為記住了復習指南——便積極地增加評估的主觀性，當他們意識到依賴數據可能造成以偏概全的結果時，會將主觀判斷置於數據決斷之前。

然而，大數據時代的預測精確度將遠遠超過現在。這向招生委員會和招聘人員等決策制定者施加了更多的壓力，使其更傾向於相信基於大數據的預測。在過去，我們可以辯稱所屬的分組不是特別適合自己，為某種情況找到開脫的理由。比如，我們有可能被分到“好學生，但是搞不定統計課”的群組中，並終因此被經濟學專業拒之門外。但是我們仍然可以憑借這樣的解釋說服別人：基於這一分組的預測於我們而言是不正確的，所以即使同組的其他成員會失敗，我們還是有可能獲得成功。因為該預測是基於“小數據”作出的，決策制定者往往傾向於相信當事人是“無辜”的，而當事人能夠通過協商為自己辯解。

而新的威脅在於，基於大數據的預測是如此準確、個性化程度如此之高，我們將不再因為名義上所屬的分組，而是實實在在的“自己”被問責。因此，任何借口都可能不足以說服決策制定者站在我們這一邊。事實上，任人來作判定有可能完全地從決策過程中移除，取而代之是以機器算法為基礎的操作，包括讀取電子數據表、計算概率並作出有約束力的決定，而這一繫列操作僅需耗時幾毫秒。

比如說，一些大學正在開展“電子顧問”（e-advisors）的實驗，這款大數據軟件繫統通過數字處理提升學生的畢業率。自2007年亞利桑那大學采用該繫統至今，學生順利升學的比例已由77%上升到84%。在田納西州的奧斯汀州立大學，當學生選修“學位羅盤”（Degree Compass）軟件向其推薦的課程後，他們有90%的可能性得到與軟件預測一致的B以上的高分，而沒有獲益於“學位羅盤”的學生，獲得同樣分數的比例僅占60%。