大數據也波及教育產業，一些大學錄取辦公室稱，利用大數據算法，能在錄取前預測哪些申請者能取得更好的學習成績。而在教師方面，兩家教育機構表示能通過預測分析，在教師實際授課前評價其能夠取得的教育效果

過去我們在教育上執行了一種過于集中、過于重視數據的方法，好像“Moneyball”中描述的那樣，完全依賴對球隊成員的數據來組建球隊。但這種方式對于教育真的合適么?學生和數據、趨勢、程序對象不一樣，他們每一個人都是獨立的實體，長處、缺點、興趣各不相同，用同樣的程序分析套用在不同人身上并不合適，而是需要有針對性地教育。

[[111152]]

在大數據分析的幫助下，應當能幫助學生獲得更個性化的指導，這種幫助應該體現在課堂，而讓議會或立法委員會陷入無謂的討論。大數據雖然能對行業走向做出估計，但其目的是篩選、預測、淘汰，這些和教育的需求并不一致——實際上教育產業需要的恰恰相反，我們姑且稱其為“小數據”(small data)。用各種復雜的計算方式對年終報告的分析，實際上之于學生個人的學習沒有任何實際幫助。相反，工作在***戰線上的教師個人貢獻出的“小數據”改變，如應用新技術教育學生，才能對學生的學習產生實際的影響。

回顧近一個世紀的教育發展，美國在一個世紀前采用的教學方式脫胎于工業革命影響下的工廠式管理評價，把學習內容分成不同單元，每個單元后進行所謂的“階段測試”。這種方式***的問題，是學生在學習過程中遇到問題時教師無法得到及時反饋。于是產生了一種以期彌補這一不足的方法，成為“掌握性學習”(mastery learning)，在教學過程中不斷測評。這種方法在20世紀初開始應用，但實踐過程中缺遇到明顯的困難：測評反饋需要的時間太多，因此這種方法也沒有獲得普遍推廣。

雖然在實踐上遇到了阻力，但“掌握性學習”(也成為“形成性學習”，formative learning)的想法卻一直沒有被教育學家和哲學家冷落。James Block和Sal Khan都曾提倡過這一概念。Dylan Wiliam在為全國數學教師委員會(National Council of Teachers of Mathematics)發表的一項研究概要中提到：“現有的研究數據表明，在課堂教育中，掌握性學習能幫助學生掌握和教師教授的課業內容。”

但實際上掌握性學習無法有效推廣的原因，不是因為耗時長、效率低，而是缺乏實踐的客觀條件。掌握學習的關鍵是事實觀察并評價學生對知識的理解，并對吃不透的地方及時反復或加強，這正好符合“小數據”的效用。小數據是教師、學生和家長之間缺失的聯系環節，實現了反應學生學習情況的實時檢查。

假設你是六年級的數學老師，班里有30多個學生，一半都對幾何關鍵知識點掌握有不足，而有些參加加強班的學生掌握得很好，已經有了繼續學代數的能力，而有些學的不好的需要一對一的輔導。理想的情況，當然是你有足夠的時間來一一輔導這些后進生，但你手里還有準備好的授課計劃，固定的考試安排，顯然再去有針對性地輔導是不太現實的。

教育學家Sal Khan在接受哈佛商業評論采訪時表示，“科技發展讓這一切成為可能，讓教學按照學生的時間、按照學生的學習速度進行，給予實時反饋，把數據提供給教師一方。”

云技術和移動技術的發展成熟，也讓基于掌握的評價方法更加可行。過去的“階段性評價系統”正逐漸被“掌握性評價系統”取代，教師通過該系統能分析學生的課業表現，并做出實時反饋，這是在數據系統和技術基礎欠缺的過去無法實現的。

技術成熟加快了教學個性化的推廣，教師的關注點從30個人的班級為單位，細化到學生個體，學生對概念的理解不足能通過測試及時反應出來，教師再爭對性地進行補充輔導，或與家長進行溝通，讓后者在校外及時關注。通過這樣的交流合作，學生在面臨正式的階段測試時，教師、家長和學生自身，都能對準備情況有更充分的理解，為下一步學習做出更精確的打算。

大數據是把所有人的數據集中起來，把分析結果為個人所用。而小數據的思路則相反，是把個人的分析數據集中起來為個人所用。過去一直被教育學家念念不忘的“掌握性學習”，終于在小數據的思路和科技基礎的進步下逐漸被廣泛采用。不僅如此，未來的教師將面對的，很可能是一對一的小數據輔助的升級版的互動教育。