摘 要：通过数字化时代特质及格雷的研究范式的讨论，得出“数字人文”、“计算教学法”“、计算思维教育”等概念对教育实践具有意义。依据学科内涵和学科标准仔细梳理国内“计算教育学”的概念及其学科主张，无论从哪方面看，“计算教育学”都建立在一个虚幻基础上，其想法来自对“计算社会学”的模仿，其途径是以想象的学科代替学科想象力。基于以上判断，探讨教育理论生长的动力，提出放宽理论视野，关注学习分析学等新兴学科的理论前景；重思教育研究的预设，关注其“反身性”的特点；发展一种社会认识论的理解视角，进入教育场景，形成问题把握及概念提炼的敏感性；明确教育研究的价值意图，建立教育理论的知识分类，拓展教育学想象力。
关键词：学科；计算教育学；学习分析学；教育学想象力
一切坚固的东西都烟消云散，一切神圣的东西都褪去了华丽光环。这是令人振奋的时代，这是让人沮丧的时代；这是创意飞扬的时代，这是反复模仿的时代；这是新词迭出的时代，这是茫然无语的时代。到底这是怎样的时代？没有统一答案。但在碎片化的现实与魔幻般的想象背后，一个庞大的精神具象逐渐显现，那就是数字化。
一、时代特质与学科范式
数字化仿佛打开了一个魔镜，使得我们观察世界的方式发生根本变化。这种开放的博物馆式的观照将人类活动割裂成碎片，并将这些碎片重组为各种孤立现象，分别用时间、地点、语言、种类、概念和学科予以标签。
当基于数字化的大数据（Big Data）概念像狂风席卷而来时，裹挟了一系列自我命名的学科臆想，由此也引发想象的学科对学科想象力的替代。
大数据概念是由莱尼（Laney ,D.）提出的。［1］大数据改变了我们对教育研究的理解,在认识论和伦理学的层面上产生了一个深刻变革；大数据重构了知识的构成、研究的过程、处理信息的方式、现实的性质和分类等关键问题；大数据给予了认知对象新形态、认知方法和社会生活新定义。
基钦（Kitchin, R.）依据大量文献资料的梳理,详细阐述了大数据特征：数据量巨大,包括兆字节或数兆字节的数据；速度快,是在实时或接近实时的情况下产生；多样性，具有结构性和非结构性；范围详尽，力求捕捉整个种群或系统（n=所有）；分辨率精细，识别指标独特；本质上是关系的，包含公共字段，使不同的数据集能够连接在一起；灵活，具有可扩展（可以轻松添加新字段）和可伸缩（可以快速扩展大小）的特性。[2]
换言之，大数据并不是简单地用数量来表示。事实上，政府、企业和学术界早就产生了大量的数据集，例如国家人口普查等，然而，考虑到生成、处理、分析和存储这些数据集的成本和困难，这些数据是以严格控制的方式生成的，使用的抽样技术限制了数据的范围、时段和大小。相反，大数据的特点是不断生成，在范围上力求详尽和细粒度，生产上依循灵活和可扩展。此类数据的制作实例包括：零售购买记录、记录和交流其自身使用历史的数字设备、数字网络的交易记录和互动（如电子邮件或网上银行）、嵌入对象或环境中的传感器测量值、扫描器可读对象（如旅行证或条形码）以及社交媒体帖子等，它们产生大量的、动态的、多样的、细粒度的关系数据流。大数据生产的爆炸式增长，以及新认识论的发展，导致许多人认为，正在进行一场数据革命，这场革命将对知识的产生、业务的开展和治理的制定产生深远影响。
然而，在大数据概念提出之前，图灵奖得主格雷（Gray, J.）就于2007年1月发表著名演讲“第四种范式：数据密集型科学发现（The Fourth Paradigm：Data-Intensive Scientific Discovery）”，提出科学研究的第四种范式。其中的“数据密集型”就类似我们现在所称的“大数据”。格雷总结的科学研究的范式共有四种。一是经验科学，主要用来描述自然现象。指偏重于经验事实的描述和明晰具体的实用性的科学，一般较少抽象的理论概括性。在研究方法上，以归纳为主，带有较多盲目性的观测和实验。经验科学的主要研究模型是科学实验。伽利略（Galileo, G.）是第一个把实验引进力学的科学家，他利用实验和数学相结合的方法确定了一些重要的力学定律。二是理论科学，使用模型或归纳法进行科学研究。现代理论的范例则是量子力学和广义相对论——以超凡的思想实验和复杂计算超越了实验设计。三是计算科学，主要模拟复杂现象。这是一个与数据模型构建、定量分析方法以及利用计算机来分析和解决科学问题相关的研究领域。在实际应用中，计算科学主要用于对各门科学中的问题进行计算机模拟和其他形式的计算。四是探索科学，统一于理论、实验和模拟。它的主要特征是，数据依靠信息设备收集或模拟产生，依靠软件处理，用计算机进行存储，使用专用的数据管理和统计软件进行分析。[3]
虽然格雷关于科学研究的第四种范式今天已经在学术界引起广泛讨论，但其对“科学范式”的叙述制造了学科发展的过分单一和线性的故事，掩盖了科学探索在历史中呈现的混乱、争议和多元性。即便具有一定的合理性，但如果我们注意其阐述，仍可以发现他讨论的四种范式都是针对自然科学，而非人文与社会科学的，他也没有继续对人文与社会科学展开讨论。其实，2001年以来，人文科学计算就被称为数字人文科学，它借鉴了人文科学中的计算传统，其基础工作是关注计算机在人文学科文本材料中的应用。数字技术、系统、编码、流程和项目的操作工作从一开始就成为数字人文学科的重心。麦卡蒂（McCarty, W.）将数字人文科学概念化，将其视为“方法共享”的一个关注点，通过这些资源,使其他“数字化程度较低”的学者能够获取并使用工具和档案,从而能够搜索“模式”,开发“建模”技术,并将人文学科更多转变为“实验领域”［5］。通过建模,麦卡蒂指出了构建和操纵模型的启发式过程,模型要么是为了研究目的而对某物的表示,要么是为了实现新事物而做的设计。［6］
后来的施纳普(Schnapp，J.)和普雷斯纳(Presner, P.)在《数字人文宣言2.0(Digital Humanities Manifesto 2.0)》中从两个层面对数字人文作出解释：印刷文本不再是知识生产和传播的排他性规范介质，相反，印刷文本已被新的多媒体介质所吸收；数字工具、技术和媒体已经潜移默化地改变了艺术、人文与社会科学知识交流生态。［7］以上定义反映出数字人文具有开放性、多样性和实验性等特征。这些特征依然是为了增长知识、培育创新和服务大众。［8］数字人文科学第一次浪潮的工作是定量的，它调动了数据库的搜寻和检索能力，自动化了语料库语言学，将超级卡片堆叠成关键数组；第二次浪潮是质性的、解释的、体验的、情感的、生成的。它利用数字工具包服务于人文学科的核心方法论优势：关注复杂性、媒介特殊性、历史背景、分析深度、批判和解释。
基于对数字人文浪潮的重新分析，贝瑞(Berry，D.M.)认为数字人文学科应该面向第三次浪潮，这是数字化时代人文学科学术问题的一部分。［9］这表明数字人文学科是与新媒体学者合作的理想场所，尤其是在文化批评和与更广泛公众接触所提出的问题上，这意味着朝向更具批判性的数字人文学科的积极转变。他在《计算转向：对数字人文的思考》一文中提出，理解计算方法的重要性在许多学科中得到了越来越多的反映，包括艺术、人文和社会科学，这些学科使用技术来改变他们的概念和理论的关键基础——这可以被称为计算转向。［10］计算技术不仅是传统方法所使用的工具，而且对学科的各个方面都有深远影响。他们不仅引入新的方法(这些方法侧重于识别数据中的新颖模式，而不是叙事和理解的原则)，还允许大学内部学科的模块化和重组。他进一步分析，教化(Bildung)仍然是数字大学的一个关键理念，不是作为一个以职业训练方式来从事工具劳动的学科，也不是作为一个精通民族文学文化的学科，而是作为一个能够统一社会中以越来越快的速度产生信息的学科，它理解批判性阅读的新方法和实践(代码、数据可视化、模式、叙事)，并对新的教学方法开放以促进它……此外，对于那些在日常生活中需要技能的人来说，这些技能使他们能够在一个日益复杂的领域中进行谈判——人们只需要考虑与管理个人资金、音乐、电影、文本、新闻、电子邮件、养老金等相关的数据量——就会有人呼吁掌握新的金融和技术素养技能,或者,更广泛地说,数字人文学科可以为计算素养(computational literacy)或计算教学法(computational pedagogy)做出贡献。由此可见,计算教学法一开始是与数字人文联系在一起,被作为高等教育中新的教学方法而为培养人的计算素养服务的。
二、计算教育学的错觉
纽约州立大学布罗克波特分校的亚沙尔(Yasar, O.)和马利卡尔((Maliekal, J.)认为,基于建模和模拟的计算教学法为学习者提供了在归纳和演绎学习方法之间来回循环的机会。最近计算机软件方面的进展已经减轻了许多曾经阻碍模型构建的障碍。先进的软件工具,可以用于通过一系列学生控制的实验来讲授科学主题,而不需要学生了解正在研究的现象的数学、计算和科学细节。学习者可以先建立一个模型,然后进行模拟,不必考虑在这些方面是否有预先的知识——这种演绎方法消除了科学—技术—工程—数学(STEM)学习的枯燥和恐惧计算教学法也被用以对职前新教师进行教学方法培训,让他们学会使用计算建模和模拟演示科学和数学概念,进行数学和科学教学。［12］
莫斯科大学的帕塔拉金(Patarakin，E.)等在《计算教学法：思考、参与、反思(Computational Pedagogy：Thinking，Participation，Refteetion)》中指出，在数字教学法(digital pedagogy)的定义中，重点放在电子信息和教育环境。数字教学这一术语，就其本身而言，强调了将作为活动目标的数字对象和存储受教育者所有行为的数字记忆纳入教学设计的必要性。除了常见的数字教学法概念，计算教学法的概念在最近几年被更频繁地使用，形容词digital强调了在数字环境中所有参与者使用的通用规则和通用语言，不管他们是人还是软件代理。［13］计算教学法指的是在教育活动中使用计算机程序。计算教学法领域的相关发展可以归结为一句话：“如果受教育者参与到活动产品的开发中，该产品可以被其他参与者讨论、评估和使用，以创建新的对象，并且受教育者的协作数据可以在地图上表示，那么学习是最有效的”［14］。
但是，近来在我国，计算教学法被假想为“计算教育学”并被称可以成为一门独立学科，有时他们用英文“computational education”表示“计算教育学”。后者是一个奇特的表达，因为英“education”很少用以表示“教育学”。所以国际上几乎找不到“computational education”一词，这是中国式表达的呈现。国际教育界关注的是计算思维教育，希望将计算思维引入K12的基础教育，“计算思维教育(computational thinking education)”一词强调计算和计算思想在促进学习中的作用。将计算纳入K12课程的一个途径是强调计算机素养，这通常包括使用工具来创建网页、多媒体演示或预算；第二个途径是通过教学生使用编程语言如java或C++来强化计算机编程；第三个途径侧重于应用程序编程，如游戏、机器人和模拟。这三个途径虽然有用而且重要，但不应与学习计算思维相混淆。
当然，对“计算教育学”的呼应并不多，知网中大概有8篇讨论“计算教育学”的论文。然而，当我们不是将“计算教育学”作为一个虚构的名词，而是作为一门“学科”观照时，“计算教育学(computational education)”就无法成立了，因为一门学科不是简单一个名词可以涵盖的，或是简单勾画一个灿烂的图景就可以论证成立的。任何一门学科的存在都有其特定条件，这种条件不仅勾勒了学科的可能性及合理性，更呈现了学科研究的现实性。正是由于其现实性，学科才成为一个学术基石并形成特定的学术视野，学科意味着一种承诺。当然，这种情形在教育中尤为复杂，因为教育研究经常就是多学科交叉的领地，当今教育研究领域所拥有的智力资源的多样性也是其特色之一。
那么“计算教育学”的名词提出者如何描述其学科呢？其实，“计算教育学”的倡导者很少对计算教育学的研究对象给出明确而规范的界定，其主要论述有以下三种。
论述一：计算教育学是通过技术赋能，基于数据密集型的研究范式，解释信息时代的教育活动与问题，揭示教育复杂系统内在机制与运行规律的新兴交叉学科……计算教育学隶属于教育学，并与信息科学、数学、心理学、脑科学等众多科学理论紧密联系，从自身的研究对象出发，结合本学科的实践经验，同时吸取上述诸多学科的有关成果，旨在阐明教育系统内部要素的本质，找出教育活动良性运行的影响因素，揭示教育活动发生发展的规律，服务于新时代教育创新，最终的价值追求是实现教育教学的个性化(因材施教)和教育管理的精准化(治理现代化)。［15］
这个界定中，只是讲了两个问题：研究范式是数据密集型的——尽管格雷的研究范式的分类从来不是针对人文社会科学而言的，如果我们依据格雷的阐述来推断，应该是运用统计探索和数据挖掘方法；其目标是实现教育教学的个性化（因材施教）和教育管理的精准化（教育治理的现代化）。那么通过何种具体的数据挖掘？如何能实现个性化和精准化？数据挖掘是否能保证个性化和精准化？这些前提并没有得到讨论。
论述二：教育大数据是计算教育学的研究对象；定量分析是计算教育学的主要研究方法；构建精确或精准的教育理论是计算教育学的研究目的；计算教育学的发展对未来教育变革具有重大意义,或将成为未来教育生态的关键基础。［16］
这个界定明确将教育大数据作为其研究对象,但何谓教育大数据？教育大数据能否支撑一门独立学科的研究对象？教育大数据是否是“计算教育学”专有的研究对象？其独特研究方法如何具体体现在教育大数据研究上？依托教育大数据就能实现精确或精准的教育理论吗？这些需要追问的议题同样没有得到讨论。诚然,大数据在教育环境中的出现,导致了新的数据驱动方法,以支持知情决策和努力提高教育效能。学生行为的数字追踪有望使人们对学习过程有更大的可伸缩性和更细粒度的理解与支持,而这在以前是用传统的数据源和方法难以获得的。现在可以在微观层面（如点击流数据）、中观层面（如文本数据）和宏观层面（如机构数据）的大数据获取必要结果。但数据就是拯救教育的不二法门吗？
论述三：“计算教育学是一门融合多学科知识,基于量化的教育数据和计算的方法,以揭示日常难以发现的教育教学规律,注重体系化的理论建构的跨领域新兴学科”,“借助现代科技手段,计算教育学把各种复杂的教学行为和教育现象进行数据化处理,使之成为可计算的符号,再用数学工具对教育问题进行计算分析,从而研究并解释教育现象与规律”。［17］
这个界定尤为含糊,“基于量化的教育数据和计算的方法”应该是指研究方法,但没有具体方法的描述；至于“把各种复杂的教学行为和教育现象进行数据化处理”就更令人生疑,教育活动因其复杂而难以量化,量化的前提是能够通过构念进行概念化及指标化,那么“计算教育学”本身不具有独立意义,而是依赖其他更基础的教育学科。了解教育学科群的同仁对此应该非常眼熟,因为“教育统计学”有相似的表述：是运用数理统计的原理和方法研究教育问题的一门应用科学,它的主要任务是研究如何搜集、整理、分析由教育调查和教育实验等途径所获得的数字资料,并以此为依据,进行科学推断,从而揭示蕴含在教育现象中的客观规律。教育统计学的内容可分成描述统计、推断统计和实验设计三部分。［18］那么“计算教育学”的价值何在？
这些论文的共同点是,均没有提出有关“计算教育学”的具体概念、理论假设、方法路径、技术手段及研究案例,而是以画地为牢的方式讨论一个想象的学科状态,并通过大数据的神话宣称一门学科的应然性,甚至避开数据科学”本身来讨论应然性。当然,遐想一门本来就不存在的学科是不容易,学科“神话”自然需要神话思维来构想。2005年左右,国际上确实提出一个围绕教育数据挖掘的新研究领域——教育数据科学（education data science）,它建立在数据科学实践及学习科学（其本身是心理学、认知科学和神经科学的结合）的现有知识基础上，［19］只是后来响应者寥寥。
所以我们仍然要回到“学科”概念本身来讨论“计算教育学”的学科虚拟性。
三、学科特征与学科想象力
在国际学界，“学科”一词来源于拉丁语单词discipulus,意思是学生和训练,意味着教学（teaching）。字典上的解释会给出一系列完全不同的含义，从训练到服从权威，再到行为的控制和自我控制。作为动词，它的意思是训练某人遵守一套严格的指示，但也惩罚和强迫服从。重要的是“军事纪律”即在使用武器和严格服从军事命令方面的训练。特纳(Turner, B.S.)还指出了“教会”的含义，指的是教会秩序的维持，而“学科”在医学上的含义是医生为了病人的利益而给予病人的医疗制度。因此，“学科”可以被看作一种具体而严格的科学训练形式，它将培养出那些为了自己的利益而“被纪律约束”的从业者。此外，“纪律”还意味着监督某些行为或思维方式。那些偏离了他们的“规训”的人可以被带回正轨或者被排除在外。
所以，“学科”有一个重要的道德维度，它界定了人们思考与行为的规准。当然，福柯(Foucault, M.)对“学科(规训)”的另外一个解释是，“规训”是行使权力的方式，是一种暴力的政治力量和实践，它施加于个体，使其产生温顺的身体和心灵。规训将其话语建立在自然规则之上，也就是建立在规范之上。规训方法的运作主要针对活动过程，而不是结果，“规训”不是停留在主体的外部，而是日益内在化。虽然福柯使用“规训”一词的意义非常广泛，但它显然包括学术学科及其对社会“学科”的贡献。自律的个体接受外部的理性和价值，这意味着不再需要公开的压制。因此，对福柯来说，规训是一种旨在限制个人自由的过程，也是一种限制话语的方式。［20］于是，学科就被认为是自由思维的一个障碍，是自治的主体性的障碍。
“学科”一方面包含了上面讨论的许多含义，另一方面也是一个技术术语，用于组织学习和系统生产新知识。因此有一套标准或特征列表，来表明一个“学科”是否能够作为一个具有独特价值的学科而存在。这些特征包括以下几点。
一是学科有特定的研究对象(例如法律、社会、政治)，尽管其研究对象可能与其他学科共享；二是各学科都有针对其研究对象所积累的专业知识，这些知识是特定于各学科而非与其他学科共享的；三是学科具有能够有效组织所积累的专业知识的理论和概念；四是学科使用特定的术语或根据其研究对象调整的特定技术语言；五是各学科根据其具体的研究要求，形成了具体的研究方法。［21］显然，不是院校里教授的每一门课程都可以称为学科。不过，学科必须以大学或学院、相关学术部门和专业协会所教授的课程的形式在制度上有所体现。只有通过制度化，学科才能通过特定的教育准备由一代繁衍到下一代。
尽管在科学世界中不可能存在真正的等级制度，因为每个学科都可以声称自己的专业知识，但并非所有学科都是平等的。有些学科会被认为“比其他学科更有用、更严格、更困难或更重要”。一些较新的学科，如信息技术(IT)和管理，表现得很好，因为它们与商业世界密切相关，因此对学生更有吸引力。心理学家比格兰(Biglan, A.)根据学科成员所持有的信念，开发了一个学科分类系统，试图进一步解释学科间的一些差异。［22］它通常将学科划分为“硬”或“范例”学科和“软”或“前范例”学科，这也指向了自然科学和人文/社会科学之间的鸿沟。此外，比格兰还区分了“纯”或主要理论的学科(如数学)和“应用”的学科(如工程学)，以及与“生命系统”相关的学科和与“非生命系统”相关的学科。一般来说，“硬”自然科学将更受尊重，自然科学家将更专注于发表期刊文章，并在他们的专业领域享有更大程度的社会联系。相反，“软”科学将不那么受尊重，它们的实践者将更侧重于教学和出版专著，而且它们之间的联系将更加松散。因此，比格兰的分类结合了学科的认识论和文化维度，它仍然被认为是有效的，因为它“从文化上”区分学科。
如果从“学科”规准来讨论“计算教育学”，则很难找到其存在的现实性及合理性。
第一，“计算教育学”的倡导者们始终无法给出其独特的研究对象。即便以“教育大数据”或“量化的教育数据”为研究对象——这个研究对象必然与“数据科学”共享，那么证明其独特性的应是其研究方法，正如教育社会学与教育心理学都将“人的发展”作为一个研究对象，但两者在方法上迥然不同一样。但“计算教育学”的独特研究方法是什么？是统计学还是数据分析？前者属于教育统计学，后者则属于两门比较成熟的学科——“教育技术学”和“学习分析学”。而大数据分析基于三大基础学科：统计学知识、数学知识和计算机知识。统计学为大数据进行数据价值化奠定了基础。统计学方式是大数据分析的两种主要方式之一，另一种方式是机器学习，机器学习的理论来源于数学和统计学，例如贝叶斯模型、监督学习等。所以，大数据分析在某种程度上仍然是统计学的延伸，统计学自身并非静态的，也在不断发展中。所谓——“不同于传统计量方法，计算方法包含数据、算法、架构、问题域和复杂信息系统等多方面技术与方法，是能够捕捉、获取和处理有关人类学习行为与教育发展规律的科学方法，为寻找教育活动的内部主导因素和高关联性外部因素提供了可能”[23]——的说法完全不成立。如果看过美国科学院院士、华盛顿大学拉夫特里(Raftery, A.E.)教授的《统计学在社会学中的应用(Statistics in Sociology)》[24],就知道统计学在教育中的应用潜力远未开发。更何况大数据分析提供的主要是相关性分析，而教育规律需要的是因果性分析，特别是因果机制分析，由此而期待通过大数据分析达致对教育规律的把握，岂非缘木求鱼？另一方面，我们要当心大数据分析的理想化。大数据更多是一个中继站，因为大数据不能理解价值；大数据无法读出场景，大数据可以给出结论，但不能提供解释；大数据分析也不能给出一个确定做法。
第二，“计算教育学”的倡导者们没有提供任何研究对象所积累的专业知识，这些知识特定于该学科而非与其他学科共享。作为替代品，倡导者们提出了两个假想的研究进路：一是计算教育中的仿真模拟实验；二是计算教育学体系中的数据密集型科学探究。他们认为，“在这种仿真模拟实验中，研究者使用计算机建模和基于大数据的网络分析，在计算机或虚拟世界中探索教育系统的运行状况，探寻教育主体之间信息互动的模式，获知系统在变化过程中的特征，从而揭示系统的规律或模式，评估教育系统演化的各种可能性”[25]。似乎看起来很美，但如何实现？
仿真(simulation)是指随时间推移对真实世界的过程或系统的操作的模拟，它是对所研究系统的模型进行实验的过程，测量的是系统的模型，而不是系统本身。将实际系统放到计算机上进行仿真，要经历以下五个阶段。一是仿真模型的建立：获得一系列关于系统组成和结构的假定，以及关于模型输入参数值的假设。这些假定和假设构成了概念模型。二是模型的实现：包括将操作模型转换成计算机可识别的形式，使用编程语言或仿真软件包。三是仿真实验设计：确定仿真运行的长度以及仿真实验将要重复的次数。四是仿真模型的验证与确认：目的是在输入、假设、输出和考虑的分布方面增强对模型的信心，并确保仿真器正在做应该做的事情。五是执行仿真实验，分析仿真数据。仿真数据的分析是为了评估正在被仿真的系统设计的性能指标。[26]
教育中早就有仿真系统，联合国教科文组织从20世纪60年代起就基于计算机开发了仿真模型，用来分析、探索和预测复杂的社会和教育变化，其目的是通过给定变量的变化来估计和评估未来的情况，例如教育政策战略仿真模型(EPSSim)[27]；教师培训中的模拟环境也由来已久，但总体成效甚微。教育问题异常复杂，很难在单一模型中处理。例如，要建立能够准确识别学生学习计划失败风险的模型，就需要对计算困难问题的可能触发因素进行彻底分析。教育中难以计算的问题包括学生的社会一经济地位(SES)等挑战(家庭背景、健康状况、可用资源)。这些问题在很大程度上超出了学习环境，因此，很难捕捉到这些问题并将其纳入预测模型。所以，原因不在于没有意识和方法，而在于无法对教育系统复杂性尤其是关键特性的准确把握。而目前所谓的“计算教育实验”则是撇开了真实教育系统的复杂性，从而构造一个空中楼阁，其结果就是笑话。
至于采集实时动态的课堂数据，早已在“学习分析学(learning analytics)”中充分体现。因此，也就不存在“计算教育学”的两种进路，只是说明“计算教育学”可以更确切地表达为“计算教育”，并作为“学习分析学”的一个子领域。
第三，“计算教育学”的倡导者们还没有提供任何能够有效组织所积累的“计算教育学”专业知识的理论和概念。这是一个奇怪现象，如果没有基本概念和假设，就谈不上理论，更勿用说“学科”了。例如，大家熟知的哈贝马斯(Harbermas, J.)“交往行动理论”是基于“交往理性”的。“交往理性”的核心是论证：言说者必须选择一个可领会的表达以便说者和听者能够相互理解；言说者必须提供一个真实陈述的意向，以便听者能分享说者的知识；言说者必须真诚地表达他的意向以便听者能相信说者的话语；最后，言说者必须选择一种本身是正确的话语，以便听者能够接受，从而使言说者和听者能在以公认的规范为背景的话语中达到认同。［28］这是基于真实性、真诚性和正当性三种有效性要求，由此才能明确何谓“交往理性”。
第四，“计算教育学”的倡导者们也没有根据其具体的研究要求，提供具体的研究方法。事实上，倡导者们并不清楚研究范式与具体方法的区分，所以才有所谓“计算教育学研究范式的信效度与局限性”［29］的讨论。定量研究、质性研究或混合研究都是研究方法的分类，至于其信度和效度的分析，是根据其中某种具体方法应用于具体课题的研究程序及结果作判断的。而范式是由一些具有普遍性的理论假设和定律以及它们的应用方法构成，而这些理论假设、定律和应用方法都是某个特定的科学共同体的成员所接受的。所以对研究范式而言，不存在先验的信效度判断。至于“借鉴自然科学实验研究中的可重复性、可比较性、可标准化和可推广性来考量”［30］，显然完全脱离了教育活动的情境，成为无稽之谈了。
实际上，“计算教育学”一词不过是对“计算社会科学”或“计算社会学”的模仿。但每一种模仿都可能是拙劣的。“计算社会学(computational sociology)”概念可以追溯到20世纪90年代，诺曼(Norman, P.H.)和托马斯(Thomas, J.F.)在《数学社会学杂志(The Journal of Mathematical Sociology)》发表《计算社会学的出现(The Emergence of Computational Sociology)》，提出由于计算机和信息处理方面的技术革新，科学界发生了重大变革。社会学是这种变化正在发生的一个场所。［31］我们的基本目标是建立任何现代科学的修正图像，在这个图像中，我们可以概念化和讨论一个新出现的子领域的作用，我们称之为计算社会学。具体地说，我们扩展了大家熟悉的科学的两部分模型，包括理论和经验两方面，还包括计算部分，在这个系统中，将经验数据分析、理论解释和计算机模拟三部分联系起来。他们是在计量社会学意义上讨论“计算社会学”的，并将之作为计量社会学的一个子领域。众所周知，“领域”和“学科”是两个概念。到2009年，包括哈佛大学教授拉泽尔(Lazer, D.)在内的15名学者在《科学(Science)》上共同署名发表论文，提出计算社会科学”这一概念。［32］2020年8月，他们又在《科学》上发表《计算社会科学：障碍与机遇》，对计算社会科学领域10年多来研究的数据分享、研究伦理及激励机制问题进行了反思。［33］国内社会学者则将计算社会学界定为，借助复杂模型和社会计算工具对复杂社会现象与过程进行描述、解释和预测的定量社会学的新领域。也就是说，“计算社会学”也是已有的定量社会学的新领域，不是一门新学科，本质上仍然是计量社会学的延伸。
其实，面向教育活动研究的“学习科学”、“教育技术学”、“学习分析学”甚至“教育社会学”都像“计算社会学”一样考虑了信息科学发展对教育理论探索与日常实践的影响。当然，教育研究也可以借鉴计算社会学的研究成果，例如其对复杂系统中“涌现（emergence）”属性和“下向因果关系（downward causation）”约束条件的研究。[34]教育研究的初心必须扎根于教育领域本身，每一个脱离教育情境谈论教育的话语，都是对教育期望的辜负。
四、教育理论的学科精神
教育学科如何回应新时代的挑战？或教育学科如何更好且更快地发展？这是一个困扰我们的问题。
第一，需要放宽理论的视野，观察各种新兴领域的理论进展和研究态势。如前所述，真正将大数据分析与数据挖掘带入教育研究的是学习分析学。自2011年以来，学习分析学出版物的数量快速增长（见右图），显示了学习分析学技术、方法和应用的迅速提高和不断积累。［35］
“学习分析学是对学习者及其广泛背景的数据进行测量、收集、分析和报告，为了理解和优化学习及学习环境”［36］。学习分析涉及使用广泛的数据和技术进行分析，包括制定指标（各种因素的预测指标和指标）以了解当前情况并衡量教学效果，使用不同的教育技术对数据进行可视化和解释，并促使采取补救措施，以及改进指标和推导干预措施，以塑造学习环境等。
在教育背景下，大数据通常包括学校管理数据和学习过程数据，每种数据都为教育研究提供了各自的承诺。一般的教育数据分析包括机构分析（Institutional Analytics,以下简称IA）、信息技术分析（Information Technology Analytics，以下简称ITA）、学业分析（Academic Analytics，以下简称AA）和学习分析（Learning Analytics，以下简称LA）等。IA是指对行政数据进行分析，以提高决策过程的质量。ITA涉及收集和分析与学生和管理人员使用技术服务相关的数据。AA是指对学业活动和表现的数据分析（以完成率和毕业率、通过率和失败率等衡量），其结果为管理方面的战略决策提供了信息，如资源分配和学生注册。LA是关于学习者和学习环境的数据的测量、收集、分析和报告。研究人员利用LA的结果来理解和优化学习过程。学习分析学主要聚焦在AA和LA的数据分析上，它可以快速、灵活和个性化的方式给予学习者最好的支持。大量的微观数据使大数据方法成为分析学习者学习过程的有力工具，但这种能力可能导致研究人员忽视更广泛和更重要的模式，例如，宏观层面的数据对于从广泛角度审视学生的持续发展和学业成长是有价值的，可宏观层面数据集的规模不足和粗略测量可能会导致难以确定起作用的细粒度机制。学习分析学的作用在于：衡量学生的参与度，量化学习经验，促进自我调节；预测学生的学业表现；纳入构建学习材料和教育课程的工具，形成学习环境的支撑；作为支持学习者和教育者同步及异步在线学习的工具；利用基于数据的决策来改善教与学，等等。毫无疑问，学习分析学为后续的教育发展中的“数据治理”提供了一定的基础。
但应该看到，与其他研究相比，教育具有独特性，这告诫我们在教育中慎用大数据。当大数据成为教育决策的驱动时，数据驱动可能只是数据实际显示的东西，而不是我们价值上期待的东西，从而导致对教育是什么以及应该如何促进学生成功的狭隘理解。在数据分析中，许多方法关心“是什么”而不是“为什么”的问题。然而，教育研究的结果往往需要解决特定的教与学问题。因此，需要找出问题的原因，而不是简单地描述问题，以便制定更好的策略，从而实现理想的教育目标。错误地将“相关性”视为“因果性”会导致选择无效的干预措施，即使这样的结果是基于对大数据集的分析。
收集、分析教育过程和将学生数据集成到各种程序中的计算进步，带来了个性化教育的可能性，也带来了伦理困境，需要在实施基于学习分析学的教育变革时加以深思。研究者与被研究对象之间的关系会形成“反身性”——它表示参与者的思想和他们所参与的事态都不具有完全的独立性，二者之间不但相互作用，而且相互决定，不存在任何对称或对应，这是教育研究过程的重要组成部分。教育大数据分析的数据采集过程由于缺乏主体参与，会大大降低反身性的价值，从而会损害研究结果的严谨性。而在没有明确目的或未获得学生同意的情况下收集数据则会引发道德、隐私和数据所有权问题。对教育大数据中的伦理和隐私的关注是复杂的，需要理清学生和学校之间的权益关系。换言之，利用数据分析建立教育研究项目及教育实践变革，需要解决认识论、本体论、方法论和在利用教育大数据分析成果方面的不平等问题。随着教育机构对共享教育数据的需求增加，必须制定国家乃至国际标准，以解决数据安全和互操作性、隐私和数据访问等问题。
第二，需要重思教育研究的预设，即教育研究是“自然性(natural properties)”，还是“反身性(reflexivity)”的？前者意味着教育活动是由独立于观察者的对象构成的领域，研究可以采用一种“客观主义”的方法；后者则意味着应该将教育探索视为研究者与研究对象的互动，以及对教育系统的所有指涉物的社会性特征的反思。数据分析是一种方法，无论这种方法如何独特，不构成理论本身。数据分析方法具有一定的通用性，所以可为不同理论研究所用，但并不意味着数据分析就是理论解释。著名社会学家格兰诺维特(Grannovetter, M.)对大数据进入其研究领域持保留意见。他对这种新的方法“十分感兴趣”但是也担心对数据的关注会减弱获得更好社会系统理论的需求。“即使绝大多数计算社会学论文都聚焦于现存的理论，当然这是很有研究价值的，但是只有其中一小部分做了为当今所需的研究。”比如，格兰诺维特有关弱连接的论文在发表了40年后还有很高的引用率。虽然这篇文章“多少利用了开放的数据”他说，“但是其研究结果并不是来源于数据分析，而是对其他研究的反思。这是一个单独的活动，我们需要人们来进行这样的研究活动”。[37]
一时代有一时代的迷思，一时代有一时代的膜拜。“计算教育学”倡导者对“大数据”与“量化研究”的膜拜与一百多年前孔德(Comte, A.)的实证主义遥相呼应——所谓“以个体数据为主的实证研究逐步向以海量关系数据挖掘的新范式推进”[38]——孔德当年也迷信自然科学的发展，特别是物理学的成就，模仿物理学而提出了社会静力学和社会动力学，认为一切科学知识必须建立在来自观察和实验的经验事实基础上。不过另一位社会学先驱涂尔干(Durkheim,.)明确反对孔德的实证主义。[39]孔德不知道一切观察都渗透着理论，库恩(Kuhn, T.S.)则摧毁了孔德对科学发展及科学知识增长的错觉。
其实，所谓“实证研究”有三副面孔，其一是古老的孔德式实证主义，它预设了社会科学与自然科学的同质性，认为应该遵循自然科学的模式，寻找一种统一的理论共识；其二是经验研究，即利用计量方法对现有理论或结论进行经验验证或证实；其三是当代的循证研究，即依据证据确证事件或事物及其效果的真实性，由此产生了教育循证实践。
今天的科学思维强调用可靠的证据来阐述和支持论点，或称为循证思维(evidence-based thinking)，指能够识别、评估和应用证据。但证据不是唯一的，而是有不同类型的呈现：统计的——来自数字的统计研究的证据；质性的——来自小规模参与者的观察性研究的证据；轶事的——来自经过审查的新闻来源，以及他们个人经历或他们认识的人的经历；法律的——来自法律或法庭案件的证据；专家的——来自该领域专家的证据。［40］因此，“证据”不是单纯的测量、实验结果和观察结果，访谈记录、档案、图像、视频、网络访问等也都是证据。由此可知，“量化”或统计数据既非实证研究的必要条件，也非充分条件。“在教育研究领域的复杂历史中，有两种极端的方法值得一提。第一种看法，某些极端的后现代主义者怀疑教育的科学证据的价值。第二种看法，有些人在另一个极端把教育科学研究定义得十分狭窄，认为只有定量测量和严格控制才是科学的确切定义。我们认为，这两种看法都不具有建设性，都在一定程度上损坏了教育研究的名声并降低了教育研究的作用。”[41]当我们宣称X导致Y,然后回答“你怎么知道的”时，证据支持或证实我们的假设。随着科学哲学的发展，我们知道“可检验”这个概念要比通常认识到的更为复杂。理论和证据之间有四种不同的关系：理论可能在逻辑上与证据相容；理论可能在逻辑上包含证据；理论可以解释证据；或者理论可能得到证据的经验支持。因而循证研究主张遵循证据判断理论的有效性和可靠性。
与物理学甚至法学不同，教育理论本质上是一种理论与实践互动的结果，即它总是以一定的理论视角应对现实的、具体问题的挑战，其对教育活动和教育现象的解释和理解大都以实践改进为取向，这也是教育研究的问题意识之所在。我们可以将教育理论的问题结构表达如下：P作为一种目的是希望达到的；有N种方式逼近P,其中Q是达到P的较有效的方式；因此，从事有关Q的任何事情。但是，获得Q的条件是什么呢？或者说，如何保证Q是一种正确且有效的路径？其中“正确”是在价值或伦理意义上的；“有效”则是在绩效或成就表现上的，两者的张力典型地反映在教育公平与教育质量的问题上。实现“公平”而“优质”的教育始终是制度化教育的挑战，而我们还需进一步质询是“谁的公平”和“谁的优质”？因为不同主体对此的感受截然不同，所以，教育活动的展开始终是在一个不同主体利益平衡的微妙的情境中的。
第三，发展一种教育的社会认识论(social epistemology)理解视角，在研究取向上更关注并聚焦教育过程的实际问题与事件。社会认识论是对人类社会获取、创造、建构、传递、储存、表现、修正和审查知识、信息、信仰和判断的多种方式的跨学科研究，［42］主要集中在三个方面：个人从他人那里获得知识的方式、群体获得知识的方式以及各种制度。它们本身可能没有信仰，但由有信仰的个人或群体组成，影响知识的创造和传播。第一种被称为“人际社会认识论”第二种被称为“集体社会认识论”第三种被称为“制度社会认识论”。实际上，社会认识论讨论了认识的共同体结构及其作用。在传统的个人主义认识论中，共同体结构常常是被忽视的。
与很多学科研究不同，教育问题是高度“社会嵌入性”的，即教育作为社会体系而存在，只有从具体的社会情境出发才能对教育活动有更深的理解。在教育研究中，概念凝炼与理论解释同样重要。因为这些概念的形成开拓了看问题的新视野，这是教育研究者在观察问题时所能够采用的，它能揭示出那些既定教育活动中从未被怀疑过的方面，并表现了其各种探究潜力之所在。那些由独特概念形成的理论视角才构成研究领域及学科的基础。同时，无论理论与事实之间的关系如何，逻辑推理永远无法单独解释教育现实。所有原创理论都始于某种形式的灵感或想象，例如，新颖的见解，将教育事件的平淡背景带入教育理论的前景，发现或解释令人费解的教育结构或行为形式的新方法，或对教育过程及其变革的价值上令人信服的看法。这些想象本身只是直觉，直觉通过随后的严谨的分析推理转化为理论。
在学科的研究过程中，研究问题才是启动数据分析进程的中心与前提，它为减少理解的不确定性创造了条件。那些数字化的工具，就像搜索引擎及其算法一样，不是我们可以决定是否使用的中立设备，而是提供了世界复杂性的选择，这种选择是为了以个性化的方式回答它们认为需要给予我们的个性化服务。我们为了获得结果而信任的数据不仅取决于我们从哪里开始，而且取决于我们用来处理它们的工具，以及取决于平台和用于处理它们的工具形成的数据的可用性。所以研究问题是第一位的，在社会研究和自然科学中，根本不存在数据驱动的研究，只有问题驱动的研究。
进一步说，理论发展与经验研究也有很大区别。米尔斯(Mills, C.W.)谑称为“没头脑的经验主义(mindless empiricism)”[43]，会带来无前途的和无积累的工作，理论建构和具体研究都有相对的独立性，两者不能混淆在一起，因此，孔德式实证研究不可能是通向教育科学的康庄大道。当然，所有的循证研究者都应该对理论争论非常敏感，就像理论家也会对循证问题敏感一样。另一方面，从理论研究与实践操作两个共同体的活动性质分析，可以发现不存在理论与实践之间的截然界限。理论研究的问题感知一般源于教育实践的观察和思索，而理论一旦作用于实践过程并接受反思，就被教育过程本身所修正。由此，教育理论不是实践的解释学，而是一种反身性分析。
第四，反思“计算教育学”的错觉，其实也是反思教育学科发展的进路。我们需要探询教育理论的价值意图，即知识为谁而产生？知识将被用于何种目的？借鉴布洛维(Burawoy, M.)对社会学的分类，可以区分出学术性和非学术性的受众、工具性和反思性的知识意图。工具性知识建立在韦伯(Weber, M.)的工具理性概念之上,知识生产是一种技术活动，其基础是对预先确定方法的关注，以解决预先确定的问题。反思性知识是在认识到支撑知识的价值观及知识用途的情况下产生的，也就是说，它是在考虑到知识生产的价值性的情况下发展起来的。由此可以将教育学的立场或选择分为四种类型：政策教育学、专业教育学、批判教育学和公共教育学。政策教育学是为某个具体目标服务，其存在是提供政策问题的解决方案；公共教育学则在教育学家和公众之间建立对话关系，此时教育学家直接参与教育活动，进行“干预”；专业教育学是政策教育学和公共教育学存在的必要条件，它提供了可靠而有效的方法、累积的知识、定向问题以及概念框架，进而也向政策教育学和公共教育学提供合法性和专业基础；批判教育学则审视专业教育学的基础，考察其隐含的、明确的、规范的和描述性的基础和假设，力图使专业教育学反思自身的偏见、缺漏和盲目，从而在其基础上建立新的研究。批判教育学是专业教育学的良知，正如公共教育学是政策教育学的良知一样。(见表2，表略)
学科不仅是制度上的惯例，而且受到共享范式的约束。例如，可以提出的问题类型、方式以及可检索到的答案。学科成员建立自己的一套文化规则和规范，允许成员和局外人通过应用学科相关框架来理解学科活动和互动。如果将某种方法当作理论本身，那就必然本末倒置而失去判断力。
在这个充满不确定的风险时代，尤其要警惕将想象的研究代替研究的想象力。米尔斯提出：“在这个事实的时代，信息往往主宰了他们的注意力，并完全超出了他们的吸收能力……人们需要的不只是信息，也不仅是理性思考的能力，他们需要的以及感到需要的，是一种心智的品质，这种品质可以帮助他们利用信息增进理性，从而使他们能看清世事，以及或许就发生在他们之间的事情的清晰全貌，这种品质可以称之为社会学的想象力。”[45]个人只有通过反思自己所置身的时代，才能理解自己的经验并把握自身的命运；只有通过仔细观察和体认其所处环境中他人的生活机遇，才能明了自己的生活机遇；只有通过对所处时代的不同群体的行动者的教育过程的理解与感悟，才能洞见教育理论及活动在时代境脉中的真实意义。学科研究的想象力可以让我们理解历史与个人的生活历程，以及镶嵌在社会结构中的教育的命运，这种想象力是一种视觉转换的能力，从自己的视角切换到他人的视角，探究个人在社会中、在他存在并具有自身特质的一定时代，他的社会与历史意义何在，教育的意味何在。
参考文献：
[1]Laney，D. 3D Data Management：Controlling Data Volume，Velocity and Variety[J]. META Group Research Note，2001，（6）.
[2]Kitchin，R. Big Data and Human Geography：Opportunities，Challenges and Risks[J]. Dialogues in Human Geography，2013，（3）.
[3][4] Hey，T.，et al. The Fourth Paradigm：Data- Intensive Scientific Discovery[M]. Redmond：Microsoft Research，2009. xvii—xxxi.
[5]McCarty，W. Encyclopedia of Library and Information Science[M]. New York：Marcel Dekker，2003. 1232.
[6]McCarty，W. A Companion to Digital Humanities[M]. London：Wiley-Blackwell，2004. 255.
[7]Schnapp，J.，Presner，P. Digital Humanities Manifesto 2.0[EB/ OL]. http：//www. humanitiesblast.com/ ma- nifesto / Manifesto_V2.pdf.
[8]Spiro，L. This Is Why We Fight：Defining the Values of the Digital Humanities[EB/OL]. http：//kompetenzzen trum.uni- trier.de/ files/9113/9696/2499/ Values_in_the_DH_Lisa_Spiro.pdf.
[9]Berry，D. M. Understanding Digital Humanities [M]. Basingstoke：Palgrave Macmillan，2012. 4.
[10]Berry，D. M. The Computational Turn：Thinking about the Digital Humanities[J]. Culture Machine，2011，.
[11]Yasar，O.，Maliekal，J. Computational Pedagogy：A Modeling and Simulation Approach[J]. Computing in Science & Engineering，2014，（3）.
[12]Nam，Y.，et al. Computational Pedagogy for Preservice Science and Mathematics Teachers：Summer Professional Development Program[J]. Iated，2014，（14）.
[13][14] Patarakin，E.，et al. Computational Pedagogy：Thinking，Participation，Reflection[M]. Singapore：Springer，2019. 123、123.
[15]刘三女牙，等.计算教育学：内涵与进路[J].教育研究，2020，（3）.
[16]李政涛，文娟.计算教育学：是否可能，如何可能?[J].远程教育杂志，2019，（6）.
[17][23][25][29][30][38]郑永和，等.计算教育学论纲：立场、范式与体系[J].华东师范大学学报（教育科学版），2020,（6）.
[18]MBA智库•百科：教育统计学[EB/OL ]. https://wiki. mbalib.com/wiki/%E6%95% 99%E8%82%B2% E7% BB%9F%E8% AE%A1%E5%AD%A6. 2021-03-13.
[19]Piety，P. J.，et al. Educational Data Sciences- Framing Emergent Practices for Analytics of Learning，Organizations，and Systems[J]. Association for Computing Machinery，2014，（10）.
[20]Foucault，M. Discipline and Punish：The Birth of the Prison [M]. New York：Vintage Books，1995.
[21]Krishnan，A. What Are Academic Disciplines[EB/OL]. http：//eprints.ncrm.ac.uk/783/1/ what_are_ academic _disciplines.pdf.
[22]Biglan，A. The Characteristics of Subject Matter in Different Academic Areas[J]. Journal of Applied Psychology，1973，（3）.
[24] Raftery，A. E. Statistics in Sociology，1950—2000[J]. Journal of the American Statistical Association，2000.
[26]Obaidat，M. S.，Papadimitriou，G. I. Applied System Simulation：Methodologies and Applications [M]. Amsterdam：Kluwer，2003. 11.
[27]Akinsolu & Abdulkareem. An Investigation on the Usage and Adaptation of Education Policy Strategic Simulation Model（EPSSim）by Education Planners in Nigeria [J]. International Journal of Educational Research & Technology，2012，（1）.
[28]尤尔根•哈贝马斯.交往与社会进化[M].重庆：重庆出版社，1988.
[31]Norman，P.，et al. The Emergence of Computational Sociology[J]. The Journal of Mathematical Sociology，1995，（20）.
[32]Lazer，D.，et al. Computational Social Science[J]. Science，2009，（323）.
[33]Lazer，D.，et al. Computational Social Science：Obstacles and Opportunities.[J]. Science，2020，（369）.
[34]Salgado，M.，Gilbert，N. Emergence and Communication in Computational Sociology [J]. Journal for the Theory of Social Behaviour，2013，（43）.
[35] Lap-Kei，Lee.，et al. Learning Analytics：Current Trends and Innovative Practices[J]. Journal of Computers in Education，2020，（7）.
[36]Long，P.，Siemens，G. Penetrating the Fog：Analytics in Learning and Education[J]. Educause Review，2011.
[37]王大鹏.计算社会学：建立联系[J].世界科学，2012.
[39]Wright，J. International Encyclopedia of the Social & Behavioral Sciences[M]. Amsterdam：Elsevier，2015，（701）.
[40]Murtonen，M.，Balloo，K. Redefining Scientific Thinking for Higher Education：Higher- order Thinking，Evidence- based Reasoning and Research Skills[M]. New York：Palgrave Macmillan，2019. 85.
[41]理查德•沙沃森，丽萨•汤.教育的科学研究[M].北京：教育科学出版，2006.
[42]Fricker，M.，et al. Routledge Handbook of Social Epistemology[M]. New York：Routledge，2019. 16.
[43]Giddens，A. Social Theory and Modern Sociology[M]. California：Stanford University Press，1987. 42.
[44]Burawoy，M. Public Sociologies：Contradictions，Dilemmas and Possibilities[J]. Social Forces，2004，（82）.
[45]赖特•米尔斯.社会学的想象力[M].北京：北京师范大学出版社，2017.
Disciplinary Imagination and the Growth of Theories
——Focusing on the Illusion of Computational Education
Wu Gang
Abstract:This study discusses the features of the digital age and Grey's research paradigm，and analyzes the significance of such concepts as "digital humanities，" "computational pedagogy" and "computational thinking education" in educational practice. Based on disciplinary connotations and standards，the author analyzes the concepts of "computational education" by Chinese researchers and their disciplinary ideas，and finds that "computational education，" based on a fantasy，derives from the imitation of "computational sociology" by replacing disciplinary imagination with imaginary disciplines. In conclusion，the author probes into the driving force of the growth of educational theories，and proposes the following: broadening theoretical horizons，and paying attention to the theoretical prospects of learning analytics and other emerging disciplines；reconsidering the presupposition of educational research，and heeding its reflexive features；developing a perspective regarding the understanding of social epistemology by entering the site of education and sensitively grasping problems and refining concepts；clarifying the value of educational research，establishing classified knowledge of educational theories，and expanding pedagogical imagination.
Key words:discipline；computational education；learning analytics；pedagogical imagination
责任编辑：李睿
