教育技术记录了什么

破除误解#

核心：事件、权限与被当成学习的痕迹#

学习管理系统通常记录账号、课程注册、资源访问、提交时间戳和评分。自适应练习系统还可能记录答题序列、提示使用和所谓掌握状态。视频平台记录播放与暂停。远程监考工具声称记录面容与环境——本域明确不讨论其操作步骤，只指出：这类记录把身体与房间当成教育数据，法律地位与普通作业不同，也更危险。

权限表比功能列表更重要。教师、教务、供应商工程师、家长门户，可能看到不同切片。供应商若以云服务形式持有原始日志，学校本地管理员看到的已是产品允许的视图。视图会被宣传成全貌。本·威廉森把教育数据化写成政策与商业如何共同发明新的可治理对象。对象一旦可治理，学校就会被要求生产它。

记录会倒过来定义学习。若系统只能给选择题打分，形成性评价就会被拉向选择题。若讨论区被计入过程分，发言会变成表演。奥黛丽·沃特斯长期追问：谁的问题被软件当成值得回答的问题。未被数据模型覆盖的学习，在忙季会失去合法证据位。评估篇写过没有证据位的目标会消失；技术把消失自动化了。

现场里，记录显形为仪表盘。仪表盘用红黄绿显示风险。颜色是推断，却被当成发现。被标红的学生可能缺的是设备、带宽或安静房间，尤其在紧急远程教学期间。把基础设施缺口写成学习缺陷，是可教性分配的新形式。财政公式决定谁有设备；日志随后把没有设备的人写成不活跃。

学生与教师本人能否获得自己的记录，是另一条检查口。若导出权利只存在于法律文本，而不存在于可用的按钮与期限，权利就是仪式。仪式化的同意——学年初一键同意所有条款——也不能把记录变成伦理上的透明。莎娜·祖博夫所写的监视资本主义是更宽的解释框架，必须标明：学校是否把行为数据用于教育决策，还是再输出给广告与信用市场。用途不同，伤害不同。不能用同一个异化词把它们糊在一起。

因此，讨论教育技术应先列记录清单：事件类型、保存期限、访问角色、二次使用。清单能被合同与法规对质。个性化叙事不能。本域允许分析产品主张，不允许提供如何更有效地采集未成年人行为的说明书。

涉及儿童数据的研究应核对该项目的伦理审查与法定监护人同意。已发表的系统描述可以讨论；把教室变成未审查的数据采集场，不是本篇的内容。

把记录写成抽样，要求采购文本出现删除与导出。期限写“按法律保存”而不写年数，等于把决定留给供应商默认。学生转学时记录是否跟随、跟随哪些字段，决定档案会不会变成终身阴影。本域不讨论如何设计更完整的追踪。要讨论的是：完整对谁有利。完整对问责官员有利，对需要被遗忘的未成年人往往有害。遗忘权与教育记录法之间的缝，必须被公开，而不是被个性化覆盖。

教师作为记录的生产者，也会被自己输入的数据管理。迟到三分钟的批改会被写成不负责任，即使那三分钟用于当面解释一道错题。可见的是时间戳，不可见的是谈话。记录系统就这样训练劳动：优先留下机器可读的痕迹。教师劳动与平台篇会把这写成工时。这里只需钉住：日志不是课堂的透明窗，它是一张有格子的网。格子决定什么能成为证据。

未成年人的教育记录与商业画像一旦合并，伤害会跨出学校。本域不写合并如何操作。要写的是制度禁令必须出现在合同里：教育数据是否禁止用于广告、信用或无关的行为预测。没有禁令的个性化，是一张未填的用途表。

日志首先是事件，不是学习。一次点击、一次暂停、一次深夜提交，都是可检索的痕迹。把痕迹写成专注、掌握或风险，中间必须经过推断。

评估作为推断已经说过：观察不是属性。点击更不是属性。学习分析篇会把模型涂层写得更细。这里只需钉住：记录系统保存的是被设计成可点击的事件。未发生的草稿、沉默的理解和纸上的停顿，大多不会进库。库再完整，也是一种抽样。

一九七四年的《家庭教育权利与隐私法》针对的是可以放进档案柜的教育记录：查阅、披露、家长与合格学生的权利。它不是为云端点击流写的魔法盾。后来的“学校官员”例外，使供应商可能在合同安排下处理记录。目录信息与教育记录的边界，也在数字环境里变得更滑。法律对象存在。权限表不会自动生成。把 FERPA 写成已经保护每一个仪表盘，是把法条当成产品功能。

欧盟《通用数据保护条例》把合法基础、目的限制、最小化、存储期限和数据主体权利写成可对质的条款。条款是法律对象，不是学校后台的默认值。没有记录处理活动、没有删除期限、学年初一键同意所有用途，权利就停在仪式。海伦·尼森鲍姆把隐私写成情境完整：某种信息在学校治理里流动，不等于它可以流向广告或信用市场。用途不同，伤害不同。不能用同一个异化词把它们糊在一起。

莎伦·斯莱德与保罗·普林斯卢把学习分析的伦理写成两难，而不是写成开或关。预警可以争取时间，也可以更早地把贫困、语言少数和设备缺口标红。艾伦·鲁贝尔与凯尔·琼斯从信息伦理追问：学生是否被当成可优化的对象，而不是权利主体。埃拉娜·泽德强调教育目的限制：为教学收集的数据，不能自动滑向无关的行为预测。本域讨论这些文本，不写如何把教室变成更完整的采集场。

因此，讨论教育技术应先列记录清单：事件类型、保存期限、访问角色、二次使用。清单能被合同与法规对质。个性化叙事不能。学生转学时哪些字段跟随、能否被本人导出、错误如何更正，决定档案会不会变成终身阴影。完整对问责官员有利，对需要被遗忘的未成年人往往有害。遗忘权与教育记录法之间的缝，必须被公开。公开不是提供监视步骤。它是把法律对象从宣传里拉回到权限表。

争议#

争议的第一线，是学习分析能否改善教学。有证据显示某些预警能提高干预及时性；也有证据显示预警加固偏见，把贫困与语言少数反复标红。效应取决于谁来解释仪表盘，以及解释之后有没有资源。

第二线是开源与公共基础设施。有人主张学校应离开商业平台，以免记录外流；有人指出公共部门同样会过度采集。所有权不等于克制。克制要写进最小化和删除。

第三线是家长可见性。完全透明可能变成家庭监视；完全不透明可能让监护人无法质疑处分。边界是法律与学校政策问题，不是技术必然。

把日志当成发现，会跳过效度论证。同一段停留可以是思考，也可以是设备故障或切到别的窗口。产品若把停留写成专注，必须点名这是主张，不能写成已证实的心理事实。形成性评价若只能给选择题打分，课堂会被拉向可打分的形状。未被数据模型覆盖的学习，在忙季会失去合法证据位。技术把评估篇写过的消失自动化了。自动化不是中立保存。

开源与公共基础设施不能自动等于克制。公共部门同样会过度采集，同样会把教师批改时间戳当成劳动管理。所有权要写进最小化和删除，而不是写成道德身份。家长门户若把每一次未提交推送到家庭，学校记录就可能变成家庭监视。完全不给监护人看见处分依据，又会让权利无法被争。边界要写进政策：谁看见哪些字段、保存多久、能否更正。本篇不讨论如何把家长做成更有效的监督者。

远程监考把面容与房间当成教育数据，法律地位与普通作业不同。本域明确不讨论其操作步骤。要指出的只是：身体记录一旦进入供应商云，FERPA 与 GDPR 仍须被翻译成权限、期限和禁止二次使用。没有翻译的合规口号，只是另一层仪式。仪式可以让采购过关。过关不是未成年人已经被保护。保护发生在按钮、期限和合同禁令里，不发生在软件宣传的个性化里。

尼尔·塞尔温要求写具体系统、采购合同和教师劳动，而不是写技术必然解放或必然异化。记录这一层最容易被抽象控诉跳过。合同里有没有禁止广告、有没有删除年数、学生能不能导出，比品牌更重要。本·威廉森把新的可治理对象写成政策与商业如何共同发明。对象一旦可治理，学校就会被要求生产它。生产点击，不等于生产理解。推断必须另写假设。

儿童数据研究应核伦理审查与法定监护人同意。已发表的系统描述可以讨论。把教室变成未审查的采集场，不是本篇内容。本域允许分析产品主张，不允许提供如何更有效地采集未成年人行为的说明书。日志作为推断，必须能被本人看见并争。看不见的红点会进入档案并自我证实。切断循环靠的是更正与删除，不是更厚的隐私政策文本。法律对象要被翻译成权限表，才不是魔法保护。

目录信息与教育记录的边界在点击流里更滑。一次登录时间戳不像一份成绩单，却可以推断作息与设备。法律对象若不被翻译成字段级权限，点击会按成绩单的级别被分享。本域不写如何配置这些字段。要写的是分享必须有合法基础和目的限制。

跨域连接#

• 隐私工程：计算机科学把最小化、目的限制和访问控制写成可设计的属性。学校采购若只问功能，等于把这些属性留给默认设置。默认设置通常偏向留存，而不是遗忘。留存默认值决定未成年人的档案能活多久，比功能列表更重要。
• 机器学习概观：预测模型吃的是历史记录。历史若已含分流偏见，预警会学习如何更快地复制轨道。复制可以很准，仍然不是公平。准只说明过去被学会了。准可以只是把昨天的分流更快重放一遍，仍不是公平。
• 算法管理与工人权力：社会学把平台对劳动的度量写成管理权。教师和学生的点击，也会被当成可管理的劳动与顺从。度量可见之后，不可见的谈话就变贵。谈话变贵之后，课堂会优先留下机器可读的催缴。
• 问责：仪表盘满足向上解释的需求，却可能改变被解释的对象。问责需要指标，指标会反向生产行为。颜色一旦入档，下一步教学会被颜色牵着走。颜色牵着教学走时，未被着色的学习会失去证据位。
• 确认偏误：颜色标记让教师更易看见自己本来就担心的人。数据看起来客观，使用仍是判断。红点会吸引已经稀缺的谈话时间，也会让未被标记的人消失。稀缺谈话被红点吸走，等于用算法重做一次谁配得上被教。

参考文献#

• Family Educational Rights and Privacy Act, 20 U.S.C. § 1232g (1974).
• Regulation (EU) 2016/679 (General Data Protection Regulation).
• Selwyn, Neil. Education and Technology: Key Issues and Debates. 2nd ed. London: Bloomsbury, 2016.
• Williamson, Ben. Big Data in Education: The Digital Future of Learning, Policy and Practice. London: Sage, 2017.
• Watters, Audrey. Teaching Machines: The History of Personalized Learning. Cambridge, MA: MIT Press, 2021.
• Slade, Sharon, and Paul Prinsloo. "Learning Analytics: Ethical Issues and Dilemmas." American Behavioral Scientist 57, no. 10 (2013): 1510–1529.
• Rubel, Alan, and Kyle M. L. Jones. "Student Privacy in Learning Analytics: An Information Ethics Perspective." The Information Society 32, no. 2 (2016): 143–159.
• Zeide, Elana. "Student Privacy Principles for the Age of Big Data: Moving Beyond FERPA and FIPPs." Drexel Law Review 8, no. 2 (2016): 339–394.
• Nissenbaum, Helen. Privacy in Context: Technology, Policy, and the Integrity of Social Life. Stanford: Stanford University Press, 2010.

延伸阅读#

• Zuboff, Shoshana. The Age of Surveillance Capitalism. New York: PublicAffairs, 2019. 解释层框架，须与具体学校合同对质。