摘要：数智融合是指数字化与智能化技术的有机整合。从“数据驱动”转向“数智融合”是教育数字化向数智化转型的新趋向。在数智融合时代，教育领域正在经历从“场景割裂”到“全域贯通”的深刻变革。如何对学习经历进行跨场景、多模态的智能化追踪与刻画，成为重要的研究议题。当前数智技术在教育中的应用仍面临跨场景数据整合难、数智学习经历刻画难以及数智融合赋能应用效果有限等诸多挑战。为了实现数智融合对学习经历的全过程数字轨迹刻画，需重点突破跨场景学习经历追踪与融合、动态数字轨迹实时构建两方面的技术难题。具体而言，实现跨场景学习经历追踪与融合，需要通过语义标注消除多源数据间的语义鸿沟，通过时空对齐和标签结构化实现数据间的语义关联，并通过嵌入数据中台实现智能调用；而动态数字轨迹实时构建，则需要将学习经历数据通过实时采集和表征、动态建模与规律提取、轨迹呈现与智能干预三个步骤来实现。如此即可在三个层面为学习者提供适应性的学习体验，包括具体学习活动的适应性调整、综合素养发展的跨场景追踪、全学段成长跟踪与生涯支持，进而充分发挥数字轨迹的教育价值。
关键词：数智融合；学习分析；学习经历；数字轨迹；数智大脑
一、引言
教育数字化转型是教育领域以数据智能为驱动力对教育系统进行的“整体性转变、全方位赋能、革命性重塑”，其本质是对教育全流程的数智化再造与重塑。党的二十大将“推进教育数字化”首次写入大会报告，凸显了教育数字化在“开辟发展新领域新赛道”“塑造发展新动能新优势”等方面的重要地位（中华人民共和国教育部，2022a）。教育部部长怀进鹏在2024世界数字教育大会提出，“教育部将实施人工智能赋能行动，促进智能技术与教育教学（AI for Education）、科学研究（AI for Science）、社会（AI for Society）的深度融合，为学习型社会、智能教育和数字技术发展提供有效的行动支撑。”（中华人民共和国教育部，2024）随着 5G、大数据、虚拟现实和人工智能等技术的发展和应用，人类已经进入数智融合时代（郑思思等，2020）。数智融合是指数字化与智能化技术的有机整合，其呈现出以数据驱动为新引擎，以人工智能全面嵌入内容生产为新流程，以产业链、供应链、价值链、创新链协同为新生态的内涵特征（闫桥等，2023）。数智融合在教育领域的纵深发展将推动教育从数字化转型向数智化转型跨越。
在学习领域，数智化转型体现为数据智能赋能下可以实现真正意义上的“因材施教”，即根据学习者的先验知识、能力水平、兴趣爱好、发展规律等，采取适应性的教育方法。要实现适应性与个性化的学习，前提是要“因材”。数字化背景下的“因材”可诠释为刻画针对学生个性化“施教”所需依据的数字轨迹。数字轨迹源自学习经历，其记录了学习者在学习过程中认知、行为、表现等方面的成长路径。只有持续、准确地追踪学习者的学习经历，才能形成清晰的数字轨迹，进而为“因材施教”提供可靠支撑。
实现数智技术刻画学习经历，关键在于能否汇集学习者的学习成长数据以及如何构建数字轨迹。在数据层面，其难点在于能否相对全面地采集并整合学习者在学习过程中的关键数据。同样具有挑战的是，能否将来自跨平台的多源异构数据融合为关键学习行为，刻画出动态、可量化的数字轨迹，进而准确呈现学习者的过程表现、识别潜在问题、预测发展趋势。
刻画学习者的数字轨迹需采取以学习者为中心的视角。从这样的视角出发，学习者借助各种学习工具亲身体验与探索，经由活动磨砺不断积累经验，由此实现深度知识建构与能力持续提升。在学习者经历这些学习活动的过程中，既需要情境的作用，也需要数智技术的效用，前者能为学习者提供融趣味性与探究性于一体的学习体验，后者能收集表征学习经历关键指标的数据，其共同构成了刻画学习者学习成长轨迹的要素。若能抓取映射学习行为的关键表征，则能获取刻画学习者学习经历所需的过程性数据。
尽管数智技术为学习经历的精细化描绘提供了理论可能性，但在多场景融合的教育现实中仍面临以下挑战：跨场景的学习经历数据如何追踪与整合、如何利用跨场景跨平台数据建立基于学习成长的数字轨迹，以及如何融合数智技术提供适应性的学习体验？本研究旨在探索跨场景数据采集与整合的方法，结合数智技术实现跨平台数据的深度分析与融合，进而构建动态数字轨迹，推动基于轨迹分析的教育反馈在实践中的应用落地。
二、数智融合驱动“以学定教”进阶深化
“以学定教”强调以学习者为中心的教学立场构建新的教学过程，并从教师的预设性教学走向学生的生成性教学（刘桂辉，2016）。学习分析技术作为“以学定教”的核心驱动力，通过追踪学习经历、构建数字轨迹，使“以学定教”从依赖经验转向基于数据的科学决策。然而仅有数据驱动的学习分析在实践过程中存在一定局限性，人工智能技术的融入有望解决现存瓶颈，为“以学定教”提供更为智能化的支持。以数智融合为技术手段，以刻画学习经历为必要途径，以“以学定教”为目标导向，方能形成“技术赋能—数据驱动—教学优化”的生态闭环。
1.数据驱动“以学定教”的可为与难为
学习分析（Learning Analytics）和教育数据挖掘（Educational Data Mining）技术的兴起推动了对教育数据的研究与应用。学习分析技术是围绕与学习者学习信息相关的数据，运用不同的数据模型和分析方法来解释数据，并根据解释的结果来探究学习者的学习过程与情境，阐释学习表现，发现学习规律，提供相应反馈，从而促进学习者更加有效学习的技术（顾小清等，2012）。而教育数据挖掘作为学习分析的重要支撑技术，善于针对教育环境内独特的数据类型进行获取、整理并形成分析报告（祝智庭等，2013）。教育数据来源主要包括在线学习行为数据、结构化的考试测试类数据、真实课堂情境下的多模态数据等。常用数据挖掘算法主要包括分类、聚类、多元回归、关联规则、时间序列分析、文本挖掘、神经网络和深度学习等。例如，分类算法多用于对学习者的表现和学习风格特征进行分类和预测（Alias et al.，2024），关联规则算法可实现个性化课程和学习材料的推荐（Aher et al.，2013），时间序列分析算法可用于学习习惯等连续行为模式的挖掘（Dutt et al.，2017）。对学习者在各类学习场景中生成的数据进行采集与分析，有助于教师更好地理解学生的学习习惯、进展和个性化需求，进而为其提供基于数据的教学决策支持。“以学定教”理念在数据驱动背景下逐渐变得数字化与具象化，各类真实场景下的数据亦让教育实施过程变得“有据可依”。
随着数智技术的蓬勃发展，学习者在各类数字化情境和学习空间中的交互行为日益频繁，产生的学习行为数据也呈指数型增长。理论上，在实际教育场景中采集的数据包括但不限于学生的生理行为数据、认知表现数据、社会互动数据和情感投入数据等多模态数据（牟智佳，2020）。然而，当前以数据为基础的学习分析在实际应用中主要存在两大问题：一是从数据本身看，教育大数据体量庞大，而跨平台应用的数据融合问题尚未完全解决。不同平台和情境下的数据分散于独立系统，缺乏统一接口，呈现非标准化和异构化的特征，导致数据集成困难（周肖树等，2020）。教育数据治理虽已取得一定进展，但实践中教育数据的获取和应用往往局限于那些易于获取的结构化数据，而对非结构化和隐性数据仍难以进行挖掘和应用，因而也难以全面刻画学习者的完整学习历程，更无法精准呈现个体的发展轨迹。二是从应用效果看，数据驱动的关键在于对“数据”本身的处理分析，其操作需要跨越一定的技术门槛。当前一线教师在数据应用实践中面临诸如操作、分析和解读数据等方面的困难，需要教师具备相关的教学知识和技术技能来有效对应（林书兵等，2024）。总之，当前数据驱动的“以学定教”不仅在“以学”层面上无法对学生完整的学习历程进行全面分析，在“定教”层面上也无法辅助教师制定科学的教学决策，两者同时制约了因材施教整体效果的提升。
2.数智融合赋能“以学定教”理念深化
在数据技术与智能技术的协同赋能下，数据融合技术逐渐走向成熟。数据融合是指利用机器学习和深度学习的方法对不同来源、结构的数据进行融合分析，利用不同来源数据之间的信息互补机制，提升数据分析的有效性（王一岩等，2022）。以生成式AI为代表的数智技术，通过海量数据训练和智能化组织可实现双轮驱动内容生产（詹希旎等，2023），在处理非结构化数据、生成聚合学习者数据、提升多模态数据交互、推动可解释性分析、促进个性化和自适应干预等方面展现出强大潜力（Yan et al.，2024）。
在数智融合赋能背景下，“以学定教”背后的学习分析正在经历从数据整合到智能决策的全链条智能化升级。该过程以人工智能为核心驱动力，涵盖“融合—诊断—应用”三层递进式跃迁（如图1所示），有望解决教育数据分散、分析门槛高、应用碎片化等难题。数据采集融合旨在解决“依据什么教”，智能学习诊断旨在明确“应该教什么”，数据赋能应用旨在落实“如何精准教”。三层架构既相对独立，又通过实时反馈形成协同进化，最终推动教育从经验主导的粗放模式转向数智融合驱动的精细化育人模式。
图1 数智融合赋能学习分析的流程
（1）数据采集融合
在数据采集融合阶段，智能技术可助力获取深入刻画学习行为过程的多场景、多类型数据。数智技术具备学习情境的适应性生成功能，可通过在教学活动情境中预设用于表征学习行为的关键数据指标，实现对学生学习过程的细粒度捕捉。利用智能感知技术可伴随式采集学习者学业测评数据、心理测评数据、学习行为数据、生理信息数据，并对多元学习情境下的学习数据进行实时汇聚（王一岩等，2021）。虽然不同模态的数据通常具有不同的特征，但它们或可在更高层次上共享相同的语义信息。智能技术可以通过构建共享的表示空间，使不同模态的数据投影到一个统一的理解框架中，从而实现数据的映射和对齐（Dutt et al.，2022）。运用智能算法对数据进行匹配、关联分析和结构化整合，不同来源与格式的数据便能通过统一的接口集成，并汇集到统一的数据中台内，仅需为应用层提供可调用的数据服务接口，即可实现数据资源的应用。
（2）智能学习诊断
在智能学习诊断阶段，智能技术通过对学生的学习偏好、学习行为和学习痕迹进行深入分析，便能智能提取并标签化学习者的特征，构建全面而详细的学习者模型（周钦，2024）。例如，大语言模型技术有助于处理海量非结构化的学习数据，通过创建结构化的知识图谱来辅助学习诊断。知识图谱技术可基于学习者客观的学习过程数据，并结合知识空间理论与认知诊断理论，为不同学习者生成目标达成度及认知、知识等不同维度的分析报告，进而实现学习诊断的智能化、客观化、个性化（李振等，2019）。在获得学习者的认知状况后，智能诊断算法可精准识别学生的学习薄弱环节。此外，借助时间序列分析与预测模型，还可对学生的学习经历轨迹、成绩表现、行为变化趋势进行溯源诊断和剖析，有助于更好地捕获学习发生的关键节点。
（3）数智赋能应用
数智赋能应用是基于数据采集融合与智能学习诊断的成果，将多维学习数据转化为教育实践中可操作的优化方案与支持策略。智能技术通过对学习数据的深度解析，使教学决策与学习资源分配更加精准、灵活和高效。以基于大语言模型的智能体为例，其能够针对个体学习需求，提供个性化解答、学习策略建议、知识点拓展等多种服务。伴随多智能体（Multi-Agent）技术的发展，其可以通过多个具有不同角色和功能的智能体进行协作运行，支持更复杂的教育场景（于济凡等，2024），如在教学过程中以智能导师、智能学伴等形式为学生提供多维度指导和全过程支持。此外，智能技术能够结合学生画像与认知状态，精准识别学习薄弱环节，推送个性化学习资源与针对性问题情境，从而实现“千人千面”的学习体验。依托数智融合技术的实时分析功能，还可将学生的学习历程可视化，清晰呈现学习的路径、成效，以及学习过程中遇到的疑点和难点，从而为学生提供精准的学习“诊断书”。同时，结合学生长期的学习数据与职业发展需求，亦可为其提供学涯规划、技能提升以及职业发展方向等方面的辅助支持，进而助力教育生态系统不断迭代和优化。
三、数智融合何以刻画学生的全过程学习经历
数智融合不仅关注数据量级的应用，更强调通过智能技术实现数据的语义化理解、动态化建模与智能化应用。在学习分析领域，数智融合能够智能化整合多源学习数据，动态描绘学习者的学习轨迹，形成可解释、可应用的学习经历。学习经历通常包含学习活动是如何发生、何时发生以及何地发生的（顾小清等，2014），与学习情境的交互密切相关。融合跨场景的学习数据并构建动态数字轨迹，是刻画完整学习经历的关键所在。
1.跨场景学习数据的追踪与融合
刻画完整的学习经历需要从跨场景学习数据的追踪和融合出发。真实学习环境往往涉及多个平台和多种情境，学习活动产生的数据多样且分布于不同的数据系统中。要实现多源数据的有机融合，需要从底层框架与技术标准入手，构建支持跨平台、跨设备、跨模态数据流通与交互的统一接口。跨场景学习数据的融合过程涉及语义标注、意义建立、融合应用三个层面（见图2）。
图2 跨场景学习数据的融合过程
一是在语义标注层面，通过建立通用语义模型以统一多源异构教育数据，实现数据在语义层面的融合（顾小清，2024）。通用语义模型是一个语义抽象化的数据空间，能够实现对教育数据的统一标准化描述。该通用数据空间包括四个核心要素：（1）观察对象（Who），即数据描述的主体，如学生、班级、年级、学校、区域等，是所有数据分析的基础。（2）观测内容（What），即针对对象测量的具体属性，如认知、能力、素养、情感、价值观、学习进度或课堂参与度等，是彰显数据价值的核心。（3）观测条件（When & Where），即数据的时空背景，如时间点、时间段、场景空间等，旨在确保数据的适用性与可比性。（4）观测值及其度量标准（How），即数据的具体取值及测量方式，如评分标准、值类型、取值范围和计算方法，其决定了数据的可解释性与计算规则（彭振宇等，2025）。总之，多源异构教育数据通过通用语义模型可以实现语义层面的统一转化、数据的一致性表达与计算，有助于突破多系统间的数据“隔离”，提升数据的联通性与规范性。
二是在意义建立层面，核心任务是通过语义对齐、关联推理和知识建构，使不同来源的数据形成统一的语义体系，以支撑后续的分析与诊断。首先，语义对齐能够确保多源数据在同一语义框架下具备一致的可解释性。通过时间对齐和空间对齐，不同模态的数据可以建立同一实例的对应关系，以保证数据在相同时空尺度和特征范围内的可比性（张琪等，2020）。其次，语义关联推理能够深度挖掘数据间的逻辑关系。知识图谱作为结构化的语义网络，能够对多源异构数据进行统一建模，实现跨类型的语义整合（李振等，2019）。此外，还可以建立素养能力地图和学科大概念地图，使不同数据源形成层次化、可追溯的语义关联网络。而语义驱动的分析诊断有助于提升数据的智能解读能力。当然，融合后数据的存储与管理还需要依托教育数据中台，以便数据能够集中存储和跨系统调用，如确保融合后的数据能够按照个体、时间、活动类型等维度进行归档和检索，进而实现数据的互操作和推广应用。
三是在融合应用层面，可借助智能分析与学习诊断，从融合数据中提炼出有意义的教育洞察。在数据融合的基础上，可构建智能化的数据应用体系，使教师和管理者能够基于数据作出精准决策。其所用的关键方法是将人工智能嵌入数据采集、智能诊断和数据驱动应用的全流程。具体而言，可借助大语言模型智能化实现点、线、面各维度分析，从而深度理解个体学习的发生机制；诊断分析结果不仅包括可视化呈现各种看板，更需将可视化结果与其他智能技术相结合，为学习者提供适应性学习体验，并为一线教师和教育管理者提供智能决策参考。唯此才能全面促进数智驱动的教学实践优化，以及智能教育应用的设计与迭代升级。
2.动态数字轨迹的实时构建
当前的教育数据以静态的、短期的、结果性的数据居多，构建动态数字轨迹仍面临诸多挑战（顾小清等，2023）。数智融合可为构建基于学生学习成长的动态数字轨迹提供有力支持，从实践操作层面其遵循以下流程。
首先是数据的实时采集和表征。在多样化的学习情境中，嵌入关键数据指标以准确表征学习行为至关重要。在学习设计中设置关键行为、在学习环境中部署交互平台和智能终端等方式，可持续采集学习者的行为数据，并将其转化为行为序列。在语义统一和数据融合的基础上，学习者在不同场景中的学习轨迹可被映射为时间戳标记的事件流。这就确保了对学习者行为的全面捕捉，有助于为后续分析提供坚实基础。
其次是动态建模与规律提取。基于实时更新的数据流，可构建学习者行为特征的动态模型。例如，通过统计学习者每日的学习强度分布（如高峰时段、低效区间）和知识掌握趋势（如错题分布、知识点关联性），可识别其学习习惯的稳定性与波动性。此过程需结合历史数据与实时输入，利用增量式算法调整模型参数，以捕捉短期变化与长期趋势的相互作用。
最后是轨迹呈现与智能干预。该阶段需将模型输出转化为可视化的学习轨迹，例如以时间轴形式展示知识掌握进度、认知负荷波动及协作参与度等关键指标。当轨迹出现异常时（如出现连续低效周期或知识断层），系统就会触发自适应干预策略，向特定学习者推送针对性学习资源或调整任务难度，从而形成“监测—分析—反馈”的闭环调节机制。
以科学素养中的批判性思维能力发展为例，多场景数据融合能够动态追踪学生的批判性思维发展轨迹。其数据来源包括课堂、在线学习平台和场馆参观等场景。其中，课堂中记录的学生辩论发言和实验操作数据，可用于评估学生的逻辑推理与问题分析能力；在线学习平台中完成的虚拟任务和行为数据，可用于分析学生评价信息、提出问题解决策略的合理性；校外场馆参观中智能手表等伴随设备记录的数据，可用于追踪学生对新信息的质疑过程。总之，通过语义整合与特征分析，多场景的数据可基于时间序列动态地构建起完整的数字轨迹，有助于揭示批判性思维的发展模式与制约因素。概言之，基于数智融合技术构建的动态数字轨迹能够精准识别学生的能力短板，并为其批判性思维的培养与个性化教学提供科学依据。
在数智融合时代，智能分析与动态建模是实现学生成长数字轨迹刻画的核心路径。面对数据的复杂性，需要依托教育领域的理论模型与智能算法，使数据合理表征学习行为、知识掌握、能力发展等关键维度。同时，将数智技术和跨场景、跨平台的各类多模态教育数据集成到一个“数智枢纽”上，既有助于实现学习轨迹的“全场景、全自动、全过程”建模，为理解学习的发生机制提供多样化的途径；也有助于将学习者能力素养的具体表现变得“可视化”且“可操作”，使学习经历变得具备“感知性”与“适应性”。
四、数智融合如何支持适应性的学习体验
在数智融合时代，学生的学习经历正在被动态化捕捉和精细化呈现，展现出一种贯穿多场景、多维度的全景式轨迹。如何提供不同教育情境下的个性化指导，确保学习历程的连贯性与目标导向性，进而为每一位学习者构建适合自身的成长路径，是数智融合技术支持学习者获得适应性学习体验的重要体现。
1.数智融合刻画学习经历的三层闭环
数智融合刻画学习经历覆盖了从数据获取到教育应用的全流程，整体包括三个层面：一是针对具体学习活动进行适应性调整，以个性化资源优化学习者的即时体验；二是从综合素养发展的层面进行系统性追踪，实现跨情境的素养数据采集与融合；三是立足全学涯高度系统追踪学生的跨学段发展，为其生涯规划和长周期成长提供个性化支持。三层闭环的数智分析模式构成了一个贯穿学习全过程的自适应闭环系统（如图3所示）。
图3 数智融合重塑学习经历的三层闭环
（1）短期层面：具体学习活动的适应性调整
聚焦某个学习活动本身，数智技术通过实时数据分析深度刻画学习者在具体情境中的表现，监测任务完成的细节、情绪波动、认知负荷和反应模式等。在具体学习活动中，可依托精确的行为捕捉和即时反馈机制，对具体学习活动进行实时调整，以确保学习者在不同的任务和内容难度下，都能获得量身定制的支持。将智能体和数据采集工具相结合，可对任务难度进行细化调整，并针对学习者的即时需求自动推荐适应性的学习资源，从而使学习路径在教学情境内具有灵活性和响应性。该层次的自适应调整机制能为学习者提供高度个性化的支持，使学习者能在最适合其自身认知状态的节奏下完成学习活动，有助于精准捕获学习者的学习历程数据。
（2）中期层面：综合素养发展的跨场景追踪
综合素养的跨场景追踪覆盖正式学习场景、非正式学习场景与虚拟学习场景等，因而需采集融合素养发展的阶段性数据以构建动态追踪体系。统一的数据语义框架与语义映射规则，可将多源场景下的异构数据转化为可量化比对的素养指标。例如，课堂辩论的论点深度可映射至批判性思维维度，社区调研过程中的协作频率可关联至社会责任感维度。借助智能技术可自动解析不同场景对核心素养的差异化贡献，计算出其相应权重，并通过实时数据流的自动化分析，持续校准学生素养的发展轨迹。当发现跨场景能力断层时，如学生在课堂中表现优异但无法将知识迁移至实践场景，可介入AI学习系统以触发适应性干预策略，如推送衔接性任务或调整虚拟实验难度层级，以此弥合不同场景间的能力鸿沟。
（3）长期层面：全学段成长追踪与生涯支持
立足于追踪长周期学习轨迹的视角，可将学习者的跨学段、跨学科发展视作一个整体化、自适应的成长过程。通过全学涯支持系统，数智技术可对学习者的能力积累、职业倾向、素养发展等进行纵深追踪，以此为依据可构建学生个性化的长期成长路径。智能体能够根据学习者在不同成长阶段的表现和数据反馈，为其提供动态实时更新的生涯发展建议。而且将生涯规划、职业素养、终身学习态度等因素融入其中，也可为每一位学生定制具有长远针对性和全人发展目标导向的规划与指导。此外，在教育全程中为每个学习者提供持续性支持，利用数据驱动的自适应调整机制可形成学习者个性化的成长路径，使其在各个学涯发展阶段都能获得最合适的教育指导与情境支持，真正实现全学涯发展的智能化管理。
2.“数智大脑”赋能科学教育数据价值的释放
为了更好地阐释数智融合技术如何刻画学习者的学习经历并提供适应性的学习体验，下文将以本团队“数智大脑”系统支持的科学教育应用场景为例进行详细阐释。《义务教育科学课程标准（2022年版）》中明确提出科学素养应包括科学观念、科学思维、探究实践、态度责任等维度（中华人民共和国教育部，2022b）。上海市X实验学校开展的“水的奥秘”主题系列科学教育活动，旨在培养学生的科学素养。该学校以“数智大脑”构建数智中枢，整合跨场景数据，刻画了学生在学习全过程中的科学素养成长轨迹，并通过数智赋能应用优化和提升了学生的科学学习体验。
（1）多源数据汇聚
该学校的科学教育数据零散分布于课堂教学工具、实验记录、科学测评、探究日志等不同系统。这些数据虽然能够从不同侧面描述学生科学学习的经历，但在多源数据未能融合的情况下，也难以建立起完整的学生学习轨迹。借助“数智大脑”的通用语义模型，分散于不同学习空间、教学工具、管理平台中的数据便可实现多源异构数据的语义融合。这些数据经由通用语义模型可转化为语义一致性的结构，从而实现跨平台、跨数据类型的统一接入。
（2）语义标注与关联
通过语义标注和结构化关联，数据更深层次的教育意义得以激活。在标注环节，若仅仅记录“学生A进行了5次实验测量”这样的行为次数数据，则会忽略大量行为细节，无法全面体现其科学素养的发展历程。而“数智大脑”可将“学生A在水质分析实验中测定了不同水样的pH值并记录了数据”这条原始实验操作数据进行如下语义标注：观察对象——学生A（教育实体）；观测内容——探究实践素养（具体素养）；观测条件——水质分析实验（情境约束），实验室环境（空间约束），实验发生的时间段（时间约束）；观测值及其度量标准——是否测量所有水样（行为完整度），测量误差范围是否在±0.1pH内（行为准确性），完整实验记录得100分、若缺失步骤扣几分（行为得分情况）……以此类推，跨场景的数据经过具有通用结构的语义标注，就会形成一致性的语义表述，使其具有融合计算的条件。
在此基础上，语义关联技术可实现标注特定语义的数据与知识系统（包括“数智大脑”内含的大概念图谱和大语言模型）的深层语义关联。例如，在“水质检测”实验中，学生B记录了pH值的数值并推测“酸性水体可能来自工业废水”，系统会将其推理过程标注为“科学思维—因果推理”，并进一步在知识图谱中识别“水质污染”“pH变化”和“酸性物质”的关联，以便学生的推理过程能够与已知科学原理相对照。这种语义标注和关联不仅标明了学生在实验环节中的操作是否规范，也强化了学生在问题解决过程中科学思维的应用。
（3）融合计算与智能诊断
当数据具有了作为诊断依据的语义关联，也就为诊断分析提供了基础。“数智大脑”融合了学生科学素养语义数据，且在语义层面连接了科学大概念地图和大语言模型，能够实现对学生科学学习的多维智能评估。以“制作水的过滤系统”探究活动为例，学生C在设计水过滤系统时，频繁修改过滤材料但无法显著改善水的清洁度。“数智大脑”会根据该学生的实践经历数据智能诊断其操作问题所在，并分析出学生可能未充分理解“水中污染物的种类及其过滤机制”，进而通过提示和引导（如调整滤材种类或增加多层过滤设计）帮助其改进实验设计。
此外，“数智大脑”系统还融入了基于生成式人工智能的智能体，可以对科学探究活动中产出的报告和作品进行智能评分。例如，系统能够还原并解析学生在实验报告中的逻辑，判断其是否具备模型建构能力（如能否准确绘制水循环示意图）、推理论证能力（如能否基于实验数据得出合理结论）、创新思维能力（如能否提出改进水质检测方法的设想）。通过智能分析，师生可以更好地了解科学学习中的学生素养发展历程和关键节点、优势和薄弱项，同时也为后续的数智赋能应用奠定了基础。
（4）科学学习体验升级
数智赋能应用不仅限于呈现分析结果，更能直接反馈至教学实践，实现科学教育的教学决策优化与学习体验提升。
“数智大脑”通过智能分析学生的关注点，可为其提供与之兴趣爱好相匹配的个性化问题情境。例如，“数智大脑”能够实时捕捉学生的关注点和提问倾向，为其推送“蒸发速度受哪些因素影响？”的个性化问题情境，同时推荐虚拟实验平台，供其调整变量以探索蒸发速率的变化规律；也会引导学生思考“蒸发后的水去了哪里？”并为其推荐水循环动态演示资源。在实践环节，“数智大脑”能够实时监测学生操作，并为其设计动态学习路径。如在“雨水回收系统”设计中，学生只考虑了物理过滤而忽略了化学过滤，“数智大脑”会结合智能体的分析生成改进建议，并以对话形式引导学生思考生态过滤的科学依据，同时为其推送相关案例与示范视频。科学素养的提升最终体现在知识迁移与实践应用上。“数智大脑”中嵌入的智能体助手可实时支持学生将课堂知识应用于现实问题，如在科学场馆探究活动中，其会依据智能手环采集的数据，为学生推送后续学习资源；又如针对在“水净化技术”展区停留时间较长的学生，其会为学生推荐更丰富的生活污水处理相关资料，以进一步促进学生将科学知识运用于生活实践。
五、结语
在数智融合的时代背景下，教育领域正经历从“场景割裂”到“全域贯通”的深刻变革。学习经历的刻画正从单一场景的数据记录向跨场景、多模态的智能化追踪转变。本研究主要围绕数智融合何以刻画学习者学习轨迹的前沿问题进行了系统阐述，首先是跨场景学习经历的追踪与融合，其主要依托语义标注、意义建立和融合应用三大层面：语义标注层面通过统一描述消除语义鸿沟，意义构建层面通过时空对齐和标签结构化实现语义关联，融合应用层面将人工智能嵌入数据中台实现智能调用。其次是动态学习成长数字轨迹的构建，其需经历数据的实时采集和表征、动态建模与规律提取、轨迹呈现与智能干预三个步骤实现。最后是适应性学习体验案例分析，其涵盖了具体学习活动的适应性调整、综合素养发展的跨场景追踪、全学段成长追踪与生涯支持三层闭环，而且以“数智大脑”系统支持的科学教育场景为案例进行了系统分析，针对性阐释了数智融合技术何以赋能教育数据价值的释放。
伴随智能技术的不断迭代与数据分析方法的创新，数字轨迹在教育中的应用将更加深远。学习活动的动态记录、知识迁移的精准捕捉以及全学段成长的追踪支持，将成为教育实践的重要组成部分。数智融合技术在教育中的应用必须坚持以学生为中心，确保技术赋能始终服务于全人发展的教育本质，而非陷入数据至上的技术异化陷阱。唯有将智能工具与人本关怀相结合，才能塑造兼具创造性和个性化的学习环境，并点亮每位学生通向智慧与成长的道路。
参考文献：
[1]顾小清(2024).以数智大脑实现学校数字化转型[J].人民教育,(18):43-47.
[2]顾小清,胡碧皓(2023).教育数字化转型及学校应变[J].人民教育,(2):47-50.
[3]顾小清,张进良,蔡慧英(2012).学习分析:正在浮现中的数据技术[J].远程教育杂志,30(1):18-25.
[4]顾小清,郑隆威,简菁(2014).获取教育大数据:基于xAPI规范对学习经历数据的获取与共享[J].现代远程教育研究,(5):13-23.
[5]李振,周东岱,王勇(2019).“人工智能＋”视域下的教育知识图谱:内涵、技术框架与应用研究[J].远程教育杂志,37(4):42-53.
[6]林书兵,张学波,崔裕静等(2024).理解教师与教师理解:教师数据使用的现实困境和微观审视[J].中国电化教育,(4):7-15.
[7]刘桂辉(2016).论“以学定教”的教学意蕴及实现[J].教育理论与实践,36(11):52-54.
[8]牟智佳(2020).多模态学习分析:学习分析研究新生长点[J].电化教育研究,41(5):27-32,51.
[9]彭振宇,王羽萱(2025).突破价值释放瓶颈:多源异构教育数据通用语义模型的构建与应用[J].中国电化教育,(4):40-47.
[10]王一岩,郑永和(2021).智能教育产品:构筑基于AIoT的智慧教育新生态[J].开放教育研究,27(6):15-23.
[11]王一岩,郑永和(2022).多模态数据融合:破解智能教育关键问题的核心驱动力[J].现代远程教育研究,34(2):93-102.
[12]闫桥,陈昌凤(2023).数智化融合:逻辑、特征与未来战略[J].青年记者,(19):9-12,17.
[13]于济凡,李睿淼,李曼丽等(2024).多智能体协同交互的高临场感在线学习环境构建[J].现代教育技术,34(12):17-26.
[14]詹希旎,李白杨,孙建军(2023).数智融合环境下AIGC的场景化应用与发展机遇[J].图书情报知识,40(1):75-85,55.
[15]张琪,李福华,孙基男(2020).多模态学习分析:走向计算教育时代的学习分析学[J].中国电化教育,(9):7-14,39.
[16]郑思思,陈卫东,徐铷忆等(2020).数智融合:数据驱动下教与学的演进与未来趋向——兼论图形化数据智能赋能教育的新形态[J].远程教育杂志,38(4):27-37.
[17]中华人民共和国教育部(2022a).加快推进教育数字化 建设教育强国[EB/OL].[2024-07-17].http://www.moe.gov.cn/jyb_xwfb/s5148/202212/t20221209_1028299.html.
[18]中华人民共和国教育部(2022b).义务教育科学课程标准(2022年版)[EB/OL].[2024-04-08].http://www.moe.gov.cn/srcsite/A26/s8001/202204/W020220420582355009892.pdf.
[19]中华人民共和国教育部(2024).教育部部长:将实施人工智能赋能行动,促进智能技术与教育教学、科学研究深度融合[EB/OL].[2024-07-19].http://www.moe.gov.cn/jyb_xwfb/xw_zt/moe_357/2024/2024_zt02/mtbd/202402/t20240202_1114004.html.
[20]周钦(2024).数字技术驱动职业教育精准教学的隐忧审视与发展路向[J].教育与职业,(9):90-97.
[21]周肖树,卢良鹏,杜文才等(2020).大数据环境下高校异构数据集成方法及应用研究[J].中国档案,(7):70-72.
[22]祝智庭,沈德梅(2013).学习分析学:智慧教育的科学力量[J].电化教育研究,34(5):5-12,19.
[23]Aher, S. B., & Lobo, L. M. R. J. (2013). Combination of Machine Learning Algorithms for Recommendation of Courses in E-Learning System Based on Historical Data[J]. Knowledge-Based Systems, 51:1-14.
[24]Alias, M., Hambali, N., & Aziz, M. et al. (2024). Feature Selection Techniques and Classification Algorithms for Student Performance Classification: A Review[J]. International Journal of Electrical & Computer Engineering, 14(3):3230-3243.
[25]Dutt, A., Ismail, M. A., & Herawan, T. (2017). A Systematic Review on Educational Data Mining[J]. IEEE Access, 5:15991-16005.
[26]Dutt, A., Zare, A., & Gader, P. (2022). Shared Manifold Learning Using a Triplet Network for Multiple Sensor Translation and Fusion with Missing Data[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 15:9439-9456.
[27]Yan, L., Martinez-Maldonado, R., & Gasevic, D. (2024). Generative Artificial Intelligence in Learning Analytics: Contextualising Opportunities and Challenges Through the Learning Analytics Cycle[C]// Proceedings of the 14th Learning Analytics and Knowledge Conference, NY: New York:101-111.
引用:顾小清,王馨怡(2025).从数据驱动到数智融合:以数字轨迹刻画学习经历[J].现代远程教育研究,37(3):3-11.
