一、 现状及问题

2015年9月国务院印发的《促进大数据发展行动纲要》明确指出：“数据已成为国家基础性战略资产”，正式确立了数据成为继物质、能源之后的第三大战略资源的地位。 数十年教育信息化的建设，通过应用驱动采集数据，通过采集的数据进一步丰富应用(任友群等，2015)，我国教育数据已达到了相当规模。从实践层面看，教育数据大致可以分为三类。

有关部门一直没有采纳这一建议，主要原因有二：一是原则上不增加新的节日。但事实上，在阅读节没有被采纳的同时，近些年如中国“航海日”等新的节日还是在继续增加。二是因为有了世界读书日，不需要再建一个国家阅读节。可是，和中国其他节日相比，比如每年7月11日的中国“航海日”，正是3月17日“世界海事日”在中国的实施日期；和其他国家的阅读节相比，法国、日本、美国等许多国家既欢庆世界阅读日，也拥有自己的国家阅读节、各种阅读日。

第一类是以教育部为主体采集的教育数据，包括学生基础数据、教师基础数据和学校基础数据。教育部2013年开始建设教育管理公共服务平台，迄今，国家级三大教育基础数据库“全国学生数据库”“全国教师数据库”和“全国教育机构数据库”已基本建成，涵盖50多万所教育机构、1700多万名教师、2.4亿名学生以及200多万栋校舍的基础数据(罗方述,2016)，为国家教育宏观管理提供了精准决策的可能性。

第二类是以地方各级教育行政部门为主体采集的教育数据。本着“核心系统国家建、通用系统上级建、特色系统本级建”的建设原则，中央以下各级教育行政部门在国家教育基础数据库的基础上建设了大量信息系统，累积了大量教育数据。以江西省为例，该省已建成了涵盖学生、教师、机构、资助、扶贫、就业、督导以及教育事业统计等47类数据的数据库，所累积的数据已经在教育治理中发挥作用。

由中央、地方所采集、掌握的教育数据的创造性应用已经产生效益：贵州省利用学籍数据和扶贫数据，建设贫困学生库、扶贫过程库和脱贫成效库，全流程监控跟踪教育扶贫工作的开展和实施，为贵州省各级教育部门精准扶贫提供决策依据，提升了扶贫工作的精准性、公平性和有效性；福建省将义务教育阶段中小学学生学籍数据应用到免费教科书征订工作中，极大地提高了工作效率，节省了财政资金(陈奕飞，2016)。尽管上述数据已经精准到人和学校，但更多反映的是“状态”，属于“管理数据”范畴，主要用于各级教育行政部门的管理，其中罕有能够反映学生发展程度，可以用于指导教学的“过程数据”和“教学数据”。

(二)以数据的共享应用提升数据质量

钾是肥力三要素之一，不仅是植物生长发育所必需的营养元素，而且在生物物理和生物化学方面有重要作用，对植物体内同化产物的运输和能量转变，也有促进作用[13]。

第三类是由各类教育机构为主体采集的教育数据，这类教育数据较微观。一些在教育信息化建设应用方面走在前列的教育机构，在此方面已开展了诸多实践。截至2012年，复旦大学各类业务系统就已有结构化数据表近万个，记录数据2亿余条，非结构化数据也积累了大量课件、视频材料(宓詠等, 2013)。华东师范大学根据食堂消费数据结合食堂出入口的人流统计数据，运用排队论知识建立排队模型，拟合回归，估计食堂所有窗口的平均排队时间，学生可以实时查询，自行选择就餐时间，实现错峰就餐(江若莹等, 2017)。南昌大学附属中学IS平台应用大数据技术，既充分重视网络信息技术在教育管理和日常教学中的应用，又以教学应用为核心，辅之以家校互动，推进智慧管理、智慧教学、智慧家校通的协调发展，全方位服务于学生个性的发展，较好地体现了平台服务的立体性和针对性(黄利华等, 2017)。

1968年科学大洋钻探横空出世时，板块构造理论还是一个备受争议的话题。一个重要的观点是，新的海洋地壳是在海底的洋脊上形成的。在那里，海洋板块相互远离，地球内部的岩浆从它们之间喷涌而出。根据这一理论，地壳是产生于洋脊顶部的新物质，其年龄随着离峰顶距离的增加而增加。

一是数据准确性不高。数据准确性是指数据记录的信息是否存在异常或错误，是数据的核心特征(王华等，2009)。准确性直接影响教育数据使用的效果，不准确的数据不仅不能带来效益，还可能产生负面效果。例如，教育事业统计数据是教育行政部门进行教育决策、财政部门安排教育经费的主要依据，也是社会认识和判断教育发展水平的主要指标。教育部高度重视教育事业统计工作，并于2011年开始进行全面改革，开发了统计软件，以期提高统计工作的效率和数据的准确性，但仍然存在一些明显的问题，例如由学校每年填报的在校生数，虽然数值需要与上一年数值进行简单校对，但学校填报时有非常大的自由度，存在虚报的可能，监管方也难以逐一核对。可见，数据的准确性还存在较大的提升空间。另外，数据准确性还体现在数值异常、数值无意义等方面。

[5]Data Management Association International(2009). The DAMA guide to the data management body of knowledge[M]. New York:Technics Publications.

三是数据标准性不足。数据标准性指数据遵循统一的规范和标准，数据集合保持统一的格式。2012年，教育部印发了《教育管理信息：教育管理基础代码》等七个有关教育信息化标准的文件，提出了教育数据的基本规范，教育部统一组织开发的系统较好地遵循了以上标准。但在地方和学校层面，还有大量的教育信息系统没有按标准设计。较为普遍的现象如学生“性别”的标识，有系统用“01”“02”标识，有系统用“A”“B”标识，数据的不标准增加了数据交换、加工的困难，严重阻碍了系统间的数据共享。

随着教育信息化从“1.0时代”走向“2.0时代”，教育数据的类与量，以及内部的复杂程度将大大提升，如果不未雨绸缪，不从根本上解决教育数据的准确性、一致性和标准性问题，不对当下教育数据治理的方式进行反思与重塑，势必将影响教育信息化的转型进程。如何在大数据时代有效提升教育数据的质量？一些教育行政部门、教育机构将重点摆在技术升级层面。但从技术的发展历史看，相较以往，技术的进步不可谓不大，但我们的教育数据质量是否就因之“水到渠成”地提升了呢？答案恐怕是否定的。在笔者看来，要提升教育数据质量，必须从教育数据治理体系加以整体思考。

（3）聚乙烯醇添加量对膜抗拉强度和变形率的影响。称取玉米秸秆淀粉添加量6g，再依次称取聚乙烯醇 2g、4g、6g、8g、10g，加入适量蒸馏水后再量取4mL甘油于烧杯中，其他试验操作顺序按照1.3.1和1.3.2中的试验流程进行。

二、研究现状、概念与内涵

海量教育数据的涌现，对传统的教育数据管理手段和方法提出了挑战。国外学者关于“数据治理”的研究始于2004年，沃森(Watson，2004)在企业管理中探讨了数据仓库治理的实践，之后学者们在“治理”思维的引领下，围绕企业、政府、医院和高校的数据治理展开了大量的理论研究和实践探索(刘桂锋等, 2017)。在我国，有关数据管理的研究始于2010年，类似的名词有数据监护、数据策展、数据管护等(张宁等,2017)。“治理”一词则较早出现在“IT治理”“国家治理”和“大数据治理”之中(梁芷铭, 2015)，之后学术界开始出现数据治理的专门研究，学者们从数据治理的概念、体系、内容和应用实践等方面进行了探讨(张宁，2017)。

通过文献检索可以发现，目前国内关于教育数据治理的文献较少，研究方向主要集中于“教育大数据治理”“高等教育数据治理”“高校图书馆数据治理”。有研究者利用共词分析法和LDA模型获取中外教育大数据研究的主题分布，发现我国教育大数据研究主要集中在教育教学改革、教学模式及应用、教育数据分析和个性化学习研究、人才培养、教师专业发展五方面，国外的研究主要集中在技术环境研究、数据挖掘及应用、教育应用研究、用户研究、开放资源与个性化教学等五方面(李秀霞等，2017)。许晓东等(2015)研究发现，数据治理是提高高校教育质量、决策科学性以及管理效率的关键因素，是高等教育治理的重要组成部分，提出了由数据获取和抽取、整合和分析、解释和预测三部分组成的高等教育数据治理分析框架。彭雪涛(2017)分析了美国高校数据治理的开展情况、核心要素及实践特点，进而提出我国高校应从顶层设计规划数据治理、由权责体系落实数据治理、用信息技术保障数据治理、以分析应用推进数据治理。顾立平(2016)认为数据治理为图书馆事业发展带来机遇，图书馆应通过开设课程或培训推行数据治理，应制定长期可持续的管理和保存计划，要与利益相关者合作，建立良好的数据治理生态体系。包冬梅等(2015)提出我国高校图书馆数据治理框架——CALib框架，该框架由促成因素、范围和实施评估三个子框架构成。可见，我国教育数据治理还处于起步阶段，现有研究多为借鉴国外的数据治理思想，主要集中在理论层面的价值讨论，实证研究较少。

[1] Biemer, P. P., & Lyberg, L. E. (2003). Quality of statistical data [M]. Hoboken,New Jersey : John Wiley & Sons.

三、治理路径与实践

有研究提出，数据资源管理不完全是技术管理问题，兼具技术与管理的双重属性，需要制度安排与技术保障有机配合(中国行政管理学会课题组等，2016)。事实上，教育数据出现的准确性、一致性与标准性问题固然受一定的“物理范畴”影响，但更多的属于“社会范畴”问题，是与我国教育领域数据治理的体制机制密切相关的。从“社会范畴”看，我国教育数据治理模式总体来说呈现强中心、重报送、弱连接的特征，并造成了前述的教育数据的准确性、一致性与标准性问题。先来看教育数据的准确性问题，逐级报送是我国获取教育数据的主要手段，而一旦诉诸人员报送，主观、客观的问题自然就不会少。尽管近年来各级教育行政部门加大了数据稽查和追责力度，但面对浩如烟海的教育数据，亡羊补牢式的事后补救毕竟捉襟见肘。再来看教育数据的一致性问题，我国对教育数据的需求程度逐级递增，加之教育行政管理体制使然，使得我国教育数据整体呈现一种“条线烟囱”的状态，即从上到下有业务领导或指导关系的层级部门之间数据是一致的，这种一致性是在长期的工作磨合中自然形成的，但跨条线后，即使同在教育领域，不同条线的数据之间也难以达成一致。最后看教育数据的标准性问题，标准的形成并不是一个自上而下的过程，各利益相关者的主动参与和积极协商在其中起到了重要作用。但由于技术与体制所形成的教育数据的“弱连接”，利益相关者在教育数据相关事务中的参与程度受到了限制，协商更加无从谈起。在这种局面下，尽管各级教育行政部门已出台了各种目录、标准，但实际影响着实有限。

笔者认为，解决上述问题的策略是：第一，以“伴随收集”解决“重报送”所造成的教育数据的准确性问题。所谓“伴随收集”指的是通过应用各类信息系统解决业务问题的同时伴随式地收集相关信息与数据的数据采集方式。实际上，绝大部分教育数据都是在业务过程中生成的，只是以往的技术条件难以将数据“剥离”，但从当下技术成熟度看，将数据从业务过程中“解耦”已不再困难。通过“伴随式收集”的数据的准确性相较“报送式收集”将明显提升。第二，以“积极开放”解决“强中心”所造成的教育数据的一致性问题。造成数据在各个系统、部门、条线间不一致的关键是信息壁垒造成的信息不对称，处于不同壁垒后的数据难以比对，自然就造成了数据的不一致。此外，由于数据的开放性不足，跨部门、跨条线的复杂业务系统的组建难度也可想而知，这同时也极大地影响了数据的“伴随式收集”。第三，以“互联互通”解决“弱连接”所造成的教育数据的标准性问题，要在保障数据安全的前提下积极引导各级教育行政部门、各类教育机构以及社会大众广泛、深入地应用各类教育数据，在应用中引导各利益相关方不断协商、不断磨合，从而形成能为社会广泛接受的数据标准。这看似需要从三个层面解决三个问题，实际上破解之道是交织在一起的。近年来，江西省各级教育行政部门和各类教育机构变革教育数据治理模式，显著提升了教育数据的质量。

1.加强纳税培训，提高办税质量。对企业财务人员、办税人员开展针对性业务培训，提高办税人员的业务水平和办理纳税申报操作技能，为提高纳税申报质量和工作效率打好基础。特别是企业所得税汇算清缴工作，如果业务不熟悉，计算错误，则造成申报不实，少纳税款，造成偷税或虚假申报，企业还要承受处罚，导致纳税人不满。

(一)以数据的深入应用提升数据质量

数据的核心价值在于应用，只有把数据应用到解决教育发展过程中的重点难点问题，才能体现出数据的价值，数据的广泛应用也能反作用于数据本身，从而提高数据质量。“数据越用越准”已经是一种共识。以中小学学籍数据为例，数据是否完整、是否准确是学籍数据是否有效的关键。各级教育部门为了提高学籍数据准确性也采取了各种办法，但收效不大。江西省尝试通过深入应用学籍数据提高数据质量。比如，将高考报名数据与学籍数据进行比对，以识别应届生和历届生，高考的高关注度使学生家长和教师开始关注学籍数据质量；将学籍数据与消除大班额专项工作相结合，各地区是否完成了大班额消除任务，不再以上报数据为准，而是直接分析学籍数据中的班级人数得出，使得各级教育行政部门开始关注学籍数据质量；利用学籍数据对城市常住人口就近入学政策执行情况进行分析，对各县区进行量化打分，使得各级政府开始关注学籍数据质量。以上对于学籍数据的各类深入应用，使学籍数据质量明显提升。

上述实践表明，我国教育领域已初步解决数据的有无问题。然而，大量数据仍未得以充分应用，究其原因，除了教育工作者对数据价值重视不够等主观原因外，数据质量不高、数据状态不能适应当前教育发展也是重要的客观原因，主要体现在以下三方面：

因此，当明代结束后，考据学便顺应历史的潮流复兴。到清代乾隆、嘉庆两朝时，考据之学盛行，其古文献研究方法被后世称为考据学派。此后，王阳明的心学体系及古文献研究的主观本体论自然不免受到众多考据、训诂与辨伪学者的质疑与修正。

母亲知道我有自己的抱负，从小到大总是鼓励着我张开理想的翅膀在蔚蓝的天空里自由地翱翔。母亲知道我终究是属于社会的，而不是属于她一个人的，她能理解小我与大我之间的关系，虽然母亲没有读过什么书，但她给儿子的就是这种意识。

以《2010年中国2型糖尿病健康教育指南》[12]《世界卫生组织关于身体活动有益健康的全球建议》[13]及《亚洲骨质疏松诊断、预防和治疗指南》[14]为健康教育内容主要来源,对病人进行为期4周的健康知识讲座每周1次，每次60 min；为病人设定短期目标，要求病人遵循循序渐进原则实施康复行为，帮助病人感受康复效果，从而增强病人健康行为依从性；鼓励病人分组讨论，加强病友间经验分享及信息交流；在健康知识讲解过程中注意举例和示范，增加病人健康知识接受度；给予病人心理疏导和情感支持，提高病人自我效能。讲座结束后进行为期6个月，每2周1次的电话随访，解答病人生活中遇到的健康疑惑，不断强化病人健康知识。

在施工环节中，需要注意的：①现场施工队伍应当严格按照深化设计策划书以及图纸上的标准和要求开展工作。②施工队伍应当充分的掌握和了解该项幕墙工程的深化设计图纸内容。③由专门的管理人员进行施工任务的安排，以及施工具体实施步骤的开展和落实，有效的提高施工效率，规避重复性劳务，切实的减少返工操作情况。④重点工程部分的技术要求和相关的标准进行着重的确认，必要的情况下由专业的指导工作人员从旁指导和督查。⑤保证项目工期。

建设教育基础数据库是实现数据共享和应用的主要手段。教育基础数据库主要包括学生信息、教师(职工)信息、学校经费资产及办学条件信息等基础数据，这些数据作为应用系统中数据的交集，为各类教育业务提供数据共享服务。充分发挥基础数据库作用能有效提升数据质量。2016年，江西省在教育部统计软件的基础上，基于省级教育基础数据库研发了“江西省教育事业统计网络直报系统”，通过共享不同应用之间的数据，尝试提高统计数据的准确性。直报系统改变原有直接填报结果数据的模式，改为建立数据明细台账，通过台账自动汇总形成统计数据。以“在校学生人数”为例，直报系统先将基础数据库中的学生信息按校自动生成初始学生台账；学校统计人员根据本校实际对学生台账进行修改、删除或新增，对于新增学生必须按要求填写学生姓名、身份证号码、家庭住址等信息，形成学生台账；之后系统根据学生台账自动汇总形成该校“在校学生人数”的数值以及男女比例等指标。通过基础数据库，将学籍系统中的数据有效共享给教育事业系统，将动态数据和静态数据有机结合，可以保证数据的一致性和准确性，增加统计数据造假的成本和难度，较好地解决了“数据利益”问题。

(三)以数据的跨域应用提高数据质量

将多份独立的数据进行一致性比较从而提高数据质量的方法,被称为外部验证法(Biemer & Lyberg，2003)。包冬梅等(2015)认为跨界合作可以有效提高数据质量。现行的教育管理体制决定了教育数据按地域归集，学校只有本校的数据，地区只有本地区的数据，但随着城市化进程的加快以及义务教育“全面改薄”工程的实施，教育人口出现双向流动的趋势，既有农村人口流向城市，也有外出务工随迁子女回流农村，人口流动对教育管理提出了挑战，亟需数据的跨域应有。此处的跨域有两种模式：一种是跨部门应用数据，另一种是跨地区应用数据。对于跨部门应用中所谓的部门既包括教育系统内的不同部门，也包括其他政府部门、学校和机构。例如，当前教育精准扶贫是一项重中之重的工作，根据政策，贫困学生的帮扶工作由学生所在校和地区负责，如何精准识别贫困学生成为学校管理者首先面对的难题。建档立卡贫困人口数据由各级扶贫办所掌握，要精准识别就必须将学籍数据与扶贫数据对比，从而识别在校贫困学生。这就需要各级扶贫办的支持。江西省教育厅与江西省扶贫办之间通过专用线路实现了数据的实时对接，扶贫办及时将贫困人口数据提供给教育厅，教育厅则将扶贫成果数据反馈给扶贫办。对于跨地区应用数据，江西省在做好留守儿童控辍保学方面也开展了探索。该省将2016年小学毕业的留守儿童数据从中小学学籍数据库中抽取出来，先与省内2016年秋季初中入学数据进行对比，共发现7000余名留守儿童未升入初中，鉴于上文所述的人口流动问题，为了进一步准确核对，在教育部的支持下，我们将7000余名留守儿童数据与全国中小学学籍数据和中职学生学籍数据进行比对，最终发现3770名疑似辍学留守儿童，其中上饶市1573人。上饶市教育部门对这些疑似辍学儿童逐一排查后，发现实际辍学儿童仅150人，由于数据错误造成重复建学籍的有699人。跨地区的数据比对为控辍保学工作提供数据支撑，同时也发现了数据本身的错误。

《国家教育事业发展“十三五”规划》指出，要“利用大数据技术开展对教育教学活动和学生行为数据的收集、分析和反馈，为推动个性化学习和针对性教学提供支持”，数据作为信息化的基石日益为各级教育行政部门和各类教育机构所重视。但在笔者看来，由于缺乏全国层面的教育数据互联、缺乏教育领域与其他领域的数据互通、缺乏基层教育机构的广泛应用及其与教育行政部门的数据交换，使得教育数据的准确性难以提升、内在价值无法挖掘，这迫切需要国家层面推出政策和措施。 随着我国大数据战略的实施和教育信息化的推进，面对海量教育数据，数据治理必将成为教育管理界、教育研究界不得不关注的课题。针对我国当前教育数据存在的数据质量不佳，即数据准确性不高、一致性不强和标准性不足问题，教育数据治理应聚焦于提升数据质量，既要关注技术层面问题，更应该关注机制体制层面的问题，只有在机制体制层面取得突破，才能到达数据治理的本质。本文提出的观点虽多以“管理数据”治理为例，但同样适用于“教学数据”治理，“教学数据”应与“管理数据”紧密结合，才能更充分地发挥作用。

[参考文献]

2.1.2 实施阶段。课上，在教师的主导下每个工作坊按项目表中过关问题开展研习，并在课堂上独立撰写研习报告，研习报告完成后，从各坊中随机选一位学生进行汇报，并接受同学的提问。同时，项目表中的重点和难点或不明确的问题交由组间互评，最后教师再对汇报和互评的结果进行点评，并融入相关知识点、重点、难点和最新研究成果，强化学生对知识的掌握以及对重点和难点的理解，了解果蔬加工工艺学的最新发展动态，拓宽学生的国际视野，启迪学生的创新思维和创业信念。

对于数据治理概念，美国国际数据管理协会(Data Management Association International，2009)将数据治理定义为对数据资产管理和控制的活动集合，包括计划、监控和执行等。美国教育部隐私技术援助中心 (Privacy Technical Assistance Center，2011)认为，数据治理是对数据和信息进行管理的组织行为，是涵盖采集、使用到清理的数据全生命周期的政策和程序集。数据治理研究所(The Data Governance Institute,2014)认为，数据治理是信息相关流程的决策权归属和责任担当框架，即根据商定的模型，确定谁在什么情况下，对什么信息，使用什么方法，能采用什么行动，并按此执行。国内学者则认为数据治理是指与有效运用数据所需的、组织或执行层面的准则、政策、步骤和标准相关的实践活动，是通过建立数据标准体系提升数据质量，通过数据架构合理组织数据，通过元数据和主数据管理提升关键数据的管理水平，通过安全和生命周期管理保证数据的安全性、有效性、时效性等功能的综合体系(陈火全,2015)。综合已有研究以及数据治理的实践经验，笔者认为教育数据治理是教育行政主管部门或教育机构为了充分发挥数据价值，围绕教育数据，在体制与机制、政策与规则、技术与行为等方面的行动集合，其核心是数据应用，目标是提高数据质量、提升数据可用性、优化数据结构、建立数据制度、保障数据安全和维护个人隐私。行动集合可分为物理范畴和社会范畴两个层面，“物理范畴”指数据治理过程中与技术相关的治理内容，“社会范畴”指数据治理过程中的管理因素。对于物理范畴，虽然教育数据的治理框架和治理模型较少，但针对企业和银行数据治理的方法论已经较为成熟，如IBM公司2010年推出的《数据治理统一流程》规范了数据治理必需的10个步骤。较之与物理范畴，当前我国教育数据治理的社会范畴面临的问题更为紧迫，更需要予以研究与分析，因此本研究主要聚焦于此。

[2] 陈火全(2015).大数据背景下数据治理的网络安全策略[J].宏观经济研究,(8):76-84.

[3] 陈奕飞(2016).国家教育管理信息系统数据共享研究与实践[J].中国教育信息化,(7):21-23.

[4] 包冬梅,范颖捷(2015).高校图书馆数据治理及其框架[J].图书情报工作,(18):134-141.

二是数据一致性不强。数据一致性通常指关联数据之间的逻辑关系是否正确和完整。教育信息化是逐步推进的过程，各类业务系统也是分期分批建设的，常存在同一数据对象在不同业务系统中不一致，包括数据重复、数据冲突、数据冗余等。例如，“当前在校学生数”这个看似简单的问题，相当部分的高校却难以准确回答，教务、学工和财务部门的数据相互间不一致，原因就在于数据被重复采集和管理，数据之间关联性不够。另外，虽然目前我国已经建立覆盖从学前教育到高等教育的学生电子学籍管理系统，但笔者发现，作为学生唯一标识的身份证号码，有时会同时存在于普通高中学籍系统和中等职业学校学籍系统中，这意味着这位学生既在普通高中就读又在中职学校就读，造成明显的数据冲突。

[6]Data Governance Institute(2014). The DGI Data Governance Framework[R/OL].http://www.datagovernance.com/wp-content/uploads/2014/11/dgi_framework.pdf.

[7] 顾立平(2016). 数据治理——图书馆事业的发展机遇[J]. 中国图书馆学报,(5): 40-56.

[8] 黄利华,周益发,程晓杰(2017).智慧校园IS服务平台应用探索与分析：以南昌大学附属中学IS平台为例[J].中国电化教育,(9): 98-103+110.

对试题的知识点分布明细统计可反映命题决策者对考试大纲标准的理解和判断.实际对7套真题中知识点分布明细统计，发现：

[9] 江若莹，刘欢，安金聚，彭伟，沈富可(2017). 基于消费数据的食堂排队预测系统的研究[J]. 华中师范大学学报(自然科学版)(S1): 81-85.

[10] 罗方述(2016).中国国家教育管理信息系统建设实践与展望[J].中国教育信息化,(1):7-8.

[11] 李秀霞，宋凯，赵思喆，周娜等(2017). 国内外教育大数据研究现状对比分析[J]. 现代情报，(11): 125-129.

[12] 梁芷铭(2015). 大数据治理:国家治理能力现代化的应有之义[J]. 吉首大学学报(社会科学版),(2): 34-41.

[13] 刘桂锋，钱锦琳，卢章平(2017).国内外数据治理研究进展:内涵、要素、模型与框架[J].图书情报工作:1-7.

[14] 宓詠，赵泽宇(2013). 大数据创新智慧校园服务[J].中国教育信息化，(24): 3-7.

[15]Privacy Technical Assistance Center(2011). Data governance and stewardship[DB/OL]. http://ptac.ed.gov/sites/default/files/issue-brief-data-governance-and-stewardship.pdf.

[16] 彭雪涛(2017). 美国高校数据治理及其借鉴[J].电化教育研究,(6): 76-81.

[17] 任友群,卢蓓蓉(2015).规划之年看教育信息化的顶层设计[J].电化教育研究,(6):5-8,14.

[18] Watsonh, H.J.，Fullerc,C.， & Ariyachandrat，T.(2004).Data warehouse governance:Best practices at blue cross and blue shield of north Carolina[J]. Decision support systems,38(3):435-450.

[19] 许晓东,王锦华(2015).高等教育的数据治理研究[J].高等工程教育研究,(5):25-30.

[20] 许晓东,王锦华,卞良,孟倩(2015).高等教育的数据治理研究.高等工程教育研究[J]，(5): 25-30.

[21] 王华,金勇进(2009).统计数据准确性评估:方法分类及适用性分析[J].统计研究,26(1):32-39.

[22] 张宁,袁勤俭(2017).数据治理研究述评[J].情报杂志,36(5):129-134,163.

2.5.7 加样回收率试验 取已知含量的样品（编号：G-5）10 mg，共6份，分别加入“2.2.1”项下单一对照品贮备液（淫羊藿属苷A、朝藿定A1、朝藿定A、朝藿定B、朝藿定C、淫羊藿苷、鼠李糖基淫羊藿次苷Ⅱ、宝藿苷Ⅰ对照品贮备液分别加入750µL、1.5 mL、400µL、550µL、950µL、2 mL、330µL、110µL），按“2.2.3”项下方法制备供试品溶液，再按“2.1”项下色谱条件进样测定，记录峰面积并计算加样回收率，结果见表5。

[23] 中国行政管理学会课题组,鲍静(2016).我国政府数据开放顶层设计研究[J].中国行政管理,(11):6-12.