聚焦幼儿园到高中的那摊数据。政策密、学段杂，但最硬的骨头，往往不是算法。

我有个朋友在西部某县教育局做信息化，去年跟我吐槽：县里一所乡村小规模教学点，6 个学生，学籍却挂在中心校，孩子实际在教学点上课。这就是典型的“人籍分离”。过去这种事靠人工排查，全县几百所学校根本查不过来。今年 1 月，全国中小学生学籍信息管理系统完成升级上线，和国家人口基础信息库实时比对，“一人一号、终身不变”，这类空挂学籍从技术上就很难再藏了。

这个例子让我觉得，基础教育数据治理和企业、和高教都不一样。它最硬的骨头，常常不是算法，而是“一纸学籍”背后那套关于人、关于公平、关于未成年人保护的复杂现实。下面我把这几年做这块的一点体会串起来聊，不一定对。

一、治理谁：对象是未成年人，逻辑就从“客户”变成“育人”

基础教育管的是幼儿园到高中（含中职）的孩子，核心数据主体是全都没成年的学生。这一点，决定了它的治理逻辑和高教、和企业都不同。

企业数据治理，核心是客户和交易；高教数据治理，主体是相对独立的成年大学生，学校有较大自主权。基础教育不一样：对象是不满 18 岁的人，数据一旦泄露或被误用，伤害往往不可逆；同时义务教育强调“就近入学”“控辍保学”“教育公平”，数据要在区域间流动，却又要死守未成年人隐私。三条线缠在一起，没法只取一头。

更根本的一层是：教育数据治理的本质是“工具价值”和“育人价值”的统一。精准的学生画像助力因材施教，这是工具价值；而规范采集劳动实践数据所传递的成长观、使用心理数据前践行的尊重原则，让治理本身成为一种教育实践，这是育人价值。企业可以“效率优先”，学校不能——这是基础教育数据治理所有特殊性的总根子。

二、高质量基础教育数据的三道坎：安全、质量、语境

聊完“治理谁”，得说清楚“什么叫好的基础教育数据”。我看很多文章把“高质量”等同于“干净”，这还不够。我更愿意用三个维度来看：安全、质量、语境——这也是教育大模型研究里反复被提起的框架，我觉得放在基础教育同样成立。

（一）安全：合法合规、未成年人隐私可控

指合法合规、未成年人隐私可控。2025 年教育部等九部门《关于加快推进教育数字化的意见》第二十一条专门写“加强未成年人个人信息保护，组织开展个人信息保护合规审计”，这不是套话，是给基础教育划的底线。

（二）质量：准确、完整、及时、可用

指准确、完整、及时、可用。美国教育数据治理委员会（EDFacts）把教育数据质量拆成五条：及时性、完整性、准确性、有效性、可用性。开头那个“1800 厘米身高”如果进了学籍，就是质量出了错；空挂学籍、错填漏填，也都是质量事故。

（三）语境：数据有意义所依赖的情境

（context）是我最想强调的。脱离语境的数据几乎没有价值，甚至会误导。一个学生某次数学考 50 分，单看数字很糟；但如果那周他生病住院了，意义就完全不同。综合素质评价如果只采集“参加了志愿服务”这个结论、不记录过程，那数据就是空壳。所以高质量基础教育数据，不光要“对”，还要“说得清在什么情况下是对的”。

三、治理难的根子：复杂问题被人工劳动盖住了

很多人觉得数据治理“没技术含量、是脏活累活”。我倒觉得这个判断说对了一半——它确实脏、确实累，但原因不是没技术，而是复杂的判断长期被人工作业盖住了。这一点在基础教育里尤其明显。

想想区县和学校的日常：导学籍台账、逐校核对人籍是否一致、手工汇总体质健康报表、访谈确认某个指标口径、催各校补录数据、导出问题清单再一个个核验。这些事在不同区县高度重复，可经验全攒在少数专家的个人脑子、Excel 和会议纪要里，换个系统、换个学区又得重来。

根子上的问题是：字段语义识别、跨系统映射、口径统一、异常根因定位，这些本来都需要专业判断，过去却没有合适的技术载体，只能靠人硬扛。工具平台能帮忙自动跑规则、生成工单，但前提是规则已经写好了、映射已经配好了——平台是“趁手工具”，不是“治理主体”。

我自己的体会是：如果治理项目还是人一项项去干，只是把其中几步换成工具，那生产方式其实没变。人还是主要执行者，知识还在人脑子里，项目还是靠堆人力和工期。基础教育数据治理真正要摆脱的，不只是数据本身的脏乱，更是长期依赖人员堆叠的“人肉治理”。

四、学籍系统升级的启示：治理是“一数一源”逼出来的

国家中小学生学籍信息管理系统，2014 年 1 月全国联网运行，2026 年 1 月 5 日完成迭代升级。它采用“一级部署、五级应用”——中央统一建系统，省、市、县、校五级共用。系统自动生成“一人一号、终身不变”的学籍号，并和国家人口基础信息库实时比对，从源头堵住重复学籍、空挂学籍、人籍分离。跨省转学也实现了“一网通办”，办理效率比升级前提升约 40%。

这套系统其实给所有做教育数据治理的人上了一课：所谓“治理”，不是先写一堆制度文件，而是先解决“数从哪来、归谁管、怎么验”。国家学籍系统的成功，靠的是“一数一源”——学籍号全国统一生成、权威唯一，下游所有应用都来认这个号，而不是各建各的。

我常跟学校说，你们校内的数据治理，也可以学这个思路：先定一个“主数据”，比如以学籍号为锚，把成绩、体质、综合素质都挂上去，而不是成绩一套号、体质又一套号。很多学校的数据乱，就是从“没有主数据”开始的。再往上，区县层面要立统一的元数据标准、分类标准、质量标准、交换标准——没有标准，系统越多越乱，这正是“一数一源”在区域层面的延伸。

五、数据共享：基础教育那道“半开放”的难题

基础教育数据有个拧巴的地方：它要在学校、家庭、社会之间有限流动——家校沟通要让家长看到孩子学习情况，区域教研要聚合多校数据，国家平台要汇聚各省——但又必须严格保护未成年人隐私。这种“既要共享又要设防”的半开放状态，是它最难的部分。

（一）四类主体：谁在局里

我想借用一个共享治理的框架来帮助想清楚这件事。共享涉及四类主体：数据提供方（学校，产生学籍、学业、体质等）、数据管理方（区县教育大数据平台，负责汇聚、审核授权、目录管理）、数据使用方（教师、家长、教研员、管理部门，在授权范围内使用）、数据监管方（教育行政、网信、公安，监督安全与合规）。

（二）五步流程：共享怎么走

五步流程是：汇聚 → 申请 → 审核授权 → 提供 → 使用反馈，形成闭环。

我见过一些区直接照搬企业的“按角色授权”，上线半年就卡住：教务主任能看全班成绩，班主任能不能看心理测评？辅导员要不要知道学生消费记录？企业里那套到了学校就不够用，因为教育的“角色”边界本来就是模糊的。用“四类主体 + 五步流程”去设计，至少能把“谁在什么时候、为什幺看哪类数据”讲明白。

六、区域统筹：区县教育局和学校，谁说了算

基础教育治理是“条块”结构。国家有统一学籍系统，但日常数据产生在学校，管理责任在区县。这中间有个张力：学校希望灵活，区县要统一；区县要上报，国家要汇聚。

我的观察是，基础教育的数据治理最好是“区县统筹、学校落地”，背后是组织、标准、技术、质量四根柱子一起撑：区县建平台、定标准、管汇聚（组织 + 标准）；学校做采集、做应用、反馈问题（技术 + 质量）。不能把治理全压给学校——一所乡村教学点没能力做数据标准；也不能只靠上面一刀切，不同学校差异实在太大。

七、公平视角：数据别把差距越拉越大

这是我觉得基础教育最该警惕的一点。数据本身是中立的，但用不好会放大不公。

比如“精准教学”，在校内用还好；如果区域拿数据给学校排名、给老师排名，弱势学校反而更被动。再比如优质资源通过“专递课堂”下沉农村，是用数据促进公平的好例子；可如果农村孩子连终端、带宽都没有，数据反而把他们落得更远。

九部门《意见》里提到建“基础教育学位预测预警模型”，用适龄人口数据优化资源布局。城镇化下哪些片区学位紧张、哪些乡村小规模学校要撤并，用数据说话，这个方向我赞成。但模型结论落到“撤点并校”时，得有人文考量，不能只信数字。技术能告诉你哪里人少了，但替不了一个孩子要不要走几里路上学。这也是“育人价值”对“工具价值”的约束——数据治理不能只追求效率。

八、大模型来了，基础教育的数据底座得换个建法

最后说大模型。教育大模型很热，但基础教育的大模型有个特殊难题：缺“高质量且合规”的语料。习题、教材、教案可以进语料，但学生的作业、考试、心理数据绝不能随便喂给模型，那是未成年人隐私的雷区。

（一）数据底座要“隔离”

我的判断是：基础教育大模型的数据底座，得做“隔离”。公开的学科知识、脱敏聚合后的统计结果，可以训练；原始的、可识别到个体的学生数据，留在受控环境里做应用，不进通用模型。这其实又回到“一数一源”和分级授权那套老道理——技术新了，底层的治理逻辑没变。

（二）人定义过程、AI 参与执行

更进一步，大模型真正能改变的是治理的“生产方式”，而不只是加个问答入口。可行的路是“人定义过程、AI 参与执行”：人负责定目标、划边界、写规则、做风险判断；AI 承担那些大规模、重复、可描述、可核验的执行活——按 SOP 自动识别字段语义、比对口径、跟踪整改；再配一个把智能体和现有系统编排起来的流程底座。业务口径怎么取舍、责任边界怎么认定，这些还得人拍板。AI 的价值，是把人从逐表盘点里解放出来，让人的精力回到规则设计和复杂异常上。

九、写在最后：基础教育的数据，急不得

写到这儿，我没打算给基础教育数据治理一个标准答案。这个领域政策密、学段杂，每县每校情况都不同。我能确定的是两件事：一是它绕不开“未成年人”这四个字，隐私和公平永远优先于效率和炫技，育人价值永远约束工具价值；二是别指望上一套平台就治理好了，学籍系统跑了十二年还在升级，说明这是慢功夫。

我自己也在边做边学，上面有些判断回头看可能也片面。但至少，先把那一纸学籍管明白，把“人肉治理”换成“人定规则、AI 执行”的思路想清楚，比急着谈大模型要实在得多。