有一篇关于城市人才吸引力排名的文章，通过大数据分析得出全国人才吸引力城市前三名分别是上海、广州、北京。那么，我们如何来判断一个大数据的分析结果是否可靠呢？从一般经验来看，我们可以通过直观进行判断。也就是说，大数据分析的结论在生活和工作中是否有类似的现象。如果我们有机会选择以上三座城市工作，我们会选择怎样的顺序，这就是直观判断这篇文章分析结论可靠性的一种方法。
　　当前，进行教育大数据分析的过程一般分为四个阶段：设立研究目标;建立大数据模型;数据采集加工;成果分析展现。在这四个阶段当中，究竟哪一个过程是最关键的？我们可以简单分析一下，首先研究目标和成果展现是开展研究前就设计好的，然后通过大数据的采集加工，往往数据采集的多与少会映射到我们的分析模型上。因此，模型能否准确地反映现实的目标问题才是最关键的。
　　同样的，对于教育大数据而言，教育的模型远远比教育大数据要关键得多。所以，我们谈到教育大数据，无论大数据采用什么样的手段和方法，归根结底都要为教育服务。当前教育大数据有三种应用分类：第一种应用是指全学习过程数据，特别指教育教学和学生学习的过程;第二种应用是教育大数据系统，特别指教育管理和教育治理的过程，通过教育大数据中心和平台展开应用;第三种应用是教育大数据共建共享的思想，能够通过小数据共建共享，聚集成大数据，发挥大数据规模化效果。
　　新时代的中国教育现代化和教育信息化建设发展呈现出一些新的发展趋势，逐渐从以平台为中心的服务模式转换为以数据为中心的服务模式。这种转换是一种新型应用策略和思维的转变过程，我们认为已经进入教育大数据价值挖掘的新时代。目前，教育大数据主要研究和应用趋势包括以下几个方向。
　　第一个方向是数据画像。数据画像包括学生数据画像、教师数据画像、学校数据画像和区域数据画像。数据画像更多地是为了让主体能够更好地认识自己和发挥更大的自身价值。
　　第二个方向是精准教学。教育大数据为精准教学带来了彻底和落地的改变，一方面为精准教学提供了教学目标的细分和跟踪，另一方面为精准教学提供了学情和教育过程干预的支持。
　　第三个方向是数据大脑。数据大脑更多地存在于集团学校和区域应用，通过数据大脑提供更高位的数据汇聚和决策支持，为教育均衡以及师资等资源配置提供大力帮助。
　　第四个方向是数据标准。基于国家和国际教育数据标准建立具有区域特征和特色的应用标准，实现普适教育和特色教育的整合，也实现数据融通和汇聚，从而达到大范围的共建共享。
　　第五个方向是数据可视化。一方面，数据可视化通过数据驾驶舱等应用对项目提供监控、状态跟踪、事务预警、事件提醒，从而有利于各项业务的顺利开展;另一方面，让数据表达和呈现更直观，让学习者更好地掌握学习进度，也可以与思维导图及知识图谱结合应用，这些都是数据可视化很好的应用场景，也具有很大的教育變革价值和意义。
　　作者单位：首都师范大学