省级教育数据治理探索与实践

摘要：在教育信息化1.0时代，各类信息系统积累了大量数据，但同时也产生了一个个“信息孤岛”。如何优化数据使用环境、提升数据质量、实现信息资源的互联互通成为教育领域迫切需要解决的问题，而这也是教育信息化从1.0时代迈向2.0时代的必要条件。文章在回顾数据治理相关研究的基础上，阐述了教育数据治理的必要性、主要面临的问题以及实施路线，并以江西省教育厅为例，介绍了其在数据治理方面的具体实践。

关键词：数据治理；治理框架；方法论

　　近年来，随着物联网、云计算、大数据、5G网络等新一代信息技术的发展和成熟，技术驱动教育变革的时代已经到来，从数字教育向智慧教育的转变正成为全球教育发展的主要趋势。教育领域各类信息系统、媒介网每天都在持续记录学生、教师日常教育活动的信息行为，引发教育数据规模的爆发式增长和数据类型不断复杂化，但由于教育领域早期信息系统建设缺乏统一的标准规范指导，导致系统数据分布散乱、质量较低、集成共享困难等问题不断凸显，亟待开展数据治理活动加以解决。

数据治理研究现状

　　1.数据治理的概念

　　对于数据治理的概念，目前国内外学术界还未形成统一的定义。国外关于数据治理的研究文献较多，也取得了良好的进展，比较常见的以DGI（国际数据治理研究所）、DAMA（国际数据管理协会）、IBM DG Council（IBM数据治理委员会）等机构提出的最具权威性。DGI认为数据治理是与信息相关流程的权责体系，根据协商一致的模型确定谁在什么时间，依据什么方法对什么信息进行什么样的操作，并创造性地提出了由10项要素组成的DGI框架；DAMA则认为，数据治理是一系列数据资产管理和控制活动的集合，并描述了数据治理的具体活动；IBM认为，数据治理是通过对组织内的人员、策略、流程和技术的最佳组合来持续优化企业的数据资产，以从企业数据中获取最大价值的过程，并提出了一整套数据治理方法论。

　　国内关于数据治理的研究起步虽然晚，但随着数据被企业重视程度的不断上升，数据质量成为企业赖以生存的关键因素，而数据治理作为提升数据质量的根本途径，逐渐开始受到IT领域工作者们的重视。杨琳等认为数据治理的本质是对企业数据的管理和使用进行指导、评价和监管的过程，基于不断创新的数据服务为企业创造价值；李青等认为数据治理是关于数据管理的综合实践，并从标准体系、技术体系、管理体系三个维度对数据治理实践进行了描述；孙嘉睿认为数据治理是在多重机制保障下，确保数据管理活动始终保持规范可控的状态。

　　综合上述概念，笔者认为数据治理是在组织领导下，基于制度章程和技术平台，围绕企业数据资产开展的一系列管理活动，是数据全生命周期的管理，其价值在于通过一整套治理体系对数据资源进行规划、使用和监督，从而降低企业数据的产出成本，提升数据质量，为企业带来更多的竞争优势。

　　2.教育数据治理现状研究

　　我国教育行业经过十余年的信息化建设，目前大部分教育行政主管部门和学校已完成教育网络、信息系统和网上办事服务大厅的建设。在建设初期，由于缺少一个组织从教育全局视角对数据进行规划和管理，各部门根据自身业务发展和社会需求，逐步建立了一批信息系统，系统的运行产生了大量教育数据，但普遍存在数据标准规范缺失、数据质量低下、数据集成与共享程度不足、缺乏数据全生命周期管理、数据挖掘与应用力度不足等问题，这些问题严重影响了教育大数据平台的建设和政务数据的公开共享。因此需要结合教育行业的个性化需求，建立一套以用户为中心的数据治理体系来管理数据，帮助教育行业快速完成数字化转型。

　　（1）教育领域研究现状

　　与其他行业相比，教育领域数据治理的研究才刚刚起步，且主要集中在高等教育阶段。章浩等阐述并总结了目前高校数据治理的研究现状和实施思路，并以同济大学为例，介绍了其在数据治理方面的具体实践；彭雪峰等通过案例分析对美国高校数据治理工作的实施背景、核心要素及实践特点进行了总结，以期对我国高校数据治理实践的开展提供参考和借鉴；李青等通过借鉴数据治理先发领域的成功经验，总结出数据治理的方法和实现路径，进而针对教育行业的实际特点提出了一套由组织机制、业务领域、技术及平台组成的教育数据治理框架；许晓东等通过案例分析阐述了数据治理是如何提高大学教育质量和管理效率的，并以“全国高校教学基本状态数据库系统”为例介绍了高等教育数据治理的实施过程；吴刚从基础价值和具体价值两个方面对高校大数据治理的价值结构进行了概括，两者相辅相成，共同促进高校治理体系和治理能力的现代化。

　　（2）教育领域实践现状

　　鉴于数据治理在电子政务、医疗健康、金融等行业取得的突出成效，教育领域也陆续开始实施数据治理并积累了一些经典案例。

　　2018年，教育部印发《教育信息化2.0行动计划》以推进新时代教育信息化发展，其中“教育治理能力优化行动”指出要以“互联互通、信息共享、业务协同”为发展目标，打破数据壁垒，推进教育政务信息系统整合以及政务数据分级分层有效共享。麻省理工学院以规范和制度为约束、工具为辅助、系统为支撑，提出了全面数据质量管理体系（MIT-TDQM），从数据产生、传输、使用等各环节发现数据质量问题并及时进行治理，防止问题的重复出现，从而有效地提升了学校数据质量。圣母大学基于“质量及一致性”、“政策和标准”、“安全与隐私”、“合规”、“保存与归档”五项基本原则对数据进行全生命周期管理，旨在向有业务需求的个人或组织，提供及时、可靠的教育数据。美国堪萨斯州的教育数据管理部门根据EDEN的数据需求和标准格式，制定了一整套数据采集和转换规范，对各类教育数据进行采集，并定期评估数据质量，有效地解决了之前向EDEN上报数据时数据质量差、格式不统一、传输时间慢的问题。华中农业大学基于微服务架构，以大数据和互联网架构的智慧校园平台结构为基础，对现有数据中心进行全面升级改造，构建了全新的高校数据中心软件平台及数据治理体系，实现了各部门之间的业务协同和信息融合。北京建筑大学通过数据汇聚、统一数据标准、数据清洗转换、数据质量稽核、数据API服务、数据可视化分析等一系列流程优化全校数据环境，为学校大数据挖掘分析提供了有利条件。江南大学以“治理服务”为核心，通过调研咨询和服务实施，实现了校内数据可见、可用和数据质量的溯源提升，再通过数据开放平台实现数据的统一开放和管控，大大降低了各方进行数据对接的成本，实现了数据“一次治理、多次使用”。

教育数据治理背景分析

　　1.教育数据治理面临的问题

　　当前，我国的教育信息化正处在一个历史时期——从1.0时代迈向2.0时代，这是基于教育信息化历史成就基础上的一次全新跨越。“三全两高一大”的发展目标离不开“数据”的强力支持，数字资源服务普及行动、教育治理能力优化行动的落地都对教育数据的全面性、有效性和可共享提出了更高的要求，亟待加强数据治理。国内教育领域的数据治理虽然已经积累了一定成果，但从整体上看，仍存在以下问题。

　　（1）数据治理保障机制缺失

　　数据治理作为一项庞大而复杂的工程，离不开领导层的支持以及各部门、各层级之间的相互支持和协作。在教育领域，多数系统的开发建设和管理职能分散在各个不同的部门，致使数据来源不明确、权责边界模糊不清的现象出现，由于缺少一个基于全局视角对数据采集、传输、使用进行管理的组织，致使数据治理工作不被重视。即使部分教育行政部门和高校建立了数据治理组织架构，但由于缺少配套的管理制度、流程和认责管理机制，数据治理工作也得不到有效推进。

　　（2）数据资产不清晰

　　尽管教育行业经过多年的信息化发展，积累了海量数据，但由于专业化管理的需要，数据分布于不同的业务系统中。从业务视角出发，所有数据都不是孤立存在的，数据的生产到数据归档以及数据的流向，反映了业务流程的输入输出。全方位的业务梳理以及数据资产盘点工作的缺失，致使很多教育部门无法准确回答单位内部的数据全貌、数据的格式、数据与业务之间的关系、数据发挥的效用等一系列问题，更无法有效判断数据中心是否存储了解决自身所面临业务问题的关键数据，这一现象在高校更是屡见不鲜。

　　（3）缺乏统一数据标准

　　数据标准缺失是从传统数据仓库建设以来就存在的问题，只是在大数据时代这一问题更加凸显。教育信息化1.0时期，由于缺乏统一的信息系统建设标准规范，造成信息系统之间各自为政，所谓“信息孤岛”形成。“信息孤岛”的形成导致了不同部门对同一事物的认知存在差异，主要表现为不同部门在进行数据统计时，由于统计口径、加工方法的不同，导致报表结果相差甚远，归根结底还是数据标准不一致造成的。数据标准化作为教育数据中心建设中的一个重要环节，能够统一业务部门和技术部门对数据定义和使用的一致性，促进各部门数据的有序共享。

　　（4）数据质量不高

　　随着教育信息系统复杂程度的不断增加以及全域数据量的逐步扩增，教育行业对全域数据价值的重视达到了前所未有的高度，尤其是在构建全域数据中心、提供灵活的数据查询、教育数据深度挖掘、数据相关运营等需求上。而这些需求都离不开高质量的数据支撑。目前，教育行业普遍缺乏专业的数据质量管理团队以及相配套的制度，缺乏统一的，包括问题识别、分析评估、跟踪治理、监控预警的闭环管理流程，无法保证数据的质量，无法从源头发现质量问题并解决。比较典型的就是系统操作员在信息录入时操作错误，从而造成学生信息缺失或错误；又如信息系统在设计之初没有对关键信息项进行质量控制，致使很多数据分析挖掘的结论不准确。

　　（5）数据融合共享困难

　　在大数据时代，教育行业虽然拥有众多的信息系统和海量的数据，但信息之间的关联性较弱，导致数据之间的融合共享困难。面对这些纷繁杂乱的数据，难以深入挖掘隐藏于数据之后的规律和趋势，无法形成数据整体视图，更无法实现数据价值的最大化、支持教育重要决策。例如，各部门由于管理业务的需要，有时需要用到其他部门生成的数据，但在实际协调工作中经常会遇到数据“黑盒”现象，即：不知道所需要的数据是否存在，存在于什么地方，如何登录、获取并使用。

　　（6）数据难以利用

　　在传统数据仓库建设时期，技术部门为了响应业务部门的需求，需要把相对应的业务流程、数据、技术工具归并出来，做一个整合再提供给业务部门，通常这个数据提取过程需要漫长的开发周期，导致业务分析需求很难被快速满足。而在数字经济时代，业务部门对数据需求发生了明显变化，他们需要进一步明晰数据是什么，单位内部存储了哪些核心数据，并追求针对某个业务问题的快速分析。但是现实中，多数教育部门即使知道响应自身业务所需的数据类型，也不能便捷自助地拿到数据，漫长的需求响应时间让他们难以接受。

　　2.教育数据治理的必要性

　　（1）解决数据不可知

　　数据治理通过全面梳理教育领域的业务版块和数据资产，将分散在不同信息系统、不同技术平台、不同人员中的元数据信息进行统一管理，并形成全量数据资产地图，帮助教育部门全面掌握单位内部数据模型、数据流向以及依赖关系，从而实现从业务层面到技术层面的全面贯通，达到理清教育数据资产的效果，破解数据不可知的难题。

　　（2）解决数据不可控

　　数据标准规范的缺失使得数据难以集成和统一，同样缺乏质量控制导致海量数据因质量低下而难以利用。数据标准可以在业务、技术、管理上给教育事业提供支撑，通过数据标准体系的建设，可以统一数据的业务含义，使得不同业务部门之间，以及业务与技术人员之间的沟通更加流畅，避免歧义。另外，搭建一套覆盖数据问题发现、评估、处理、跟踪等流程的数据质量管理体系，可以不断提高数据质量，为教育决策支持、教育精细化管理等提供更为深入可信的数据。

　　（3）解决数据不可联

　　数据作为信息的载体，对教育信息化的推进具有至关重要的作用，它就像“血液”一样为各业务系统提供能量。数据不仅要在生产系统内流转，还要在教育领域中有需求的系统中流转。为此，只有将分散在各业务系统中的数据打通，突破“信息孤岛”，基于统一标准规范实现数据共享共用，才能为教育政务信息系统的整合提供重要的基础，才能满足不同时期、不同业务部门的实际需求。

　　（4）解决数据不可取

　　教育信息化2.0时代，数据管理要从“管控型”向面向各类教育群体的“服务型”转变，即在高效管理数据的同时，为有需求的群体提供自助获取大数据的能力。数据是对事物的客观描述，只有被用到具体业务场景中才能发挥其最大效用。深入利用已经治理“好”的教育数据，结合大数据挖掘分析技术，持续分析并优化现有服务，使各类教育群体能自助地探知数据的价值。

教育数据治理框架

　　通过对教育数据治理的现状分析可知，数据治理保障机制缺失、数据资产不清晰、缺乏统一数据标准、数据质量差、数据融合共享困难以及数据难以利用是教育领域开展数据治理面临的首要挑战。为了有效解决这些问题，笔者借鉴数据治理先发领域的成功经验，提出了一个“三横三纵”的适用于教育领域数据治理的框架，具体如图1所示。三横是数据治理的治理域，包括治理基础、治理核心、数据服务三个部分的内容；三纵则展示了数据治理的保障机制，由管理制度、组织架构和治理流程构成。该框架以治理目标为指导，在数据治理保障机制的支撑下，通过一系列数据治理活动建立起数据标准规范，从而满足数据完整性、一致性、有效性和安全性的需求，为教育管理决策、教育教学评价提供精准支撑。

图1 教育数据治理框架

　　1.治理目标

　　大数据时代，数据战略是教育发展战略中的重要组成部分，它涵盖了发展目标、发展规划等一系列内容，是指导数据治理工作的最高原则。笔者认为，教育数据治理的目标应该是通过“终身一人一号”体系建设，逐步实现以“人”为单位归集各类高质量的教育数据。这里的“人”既可以是以学生和教师为代表的自然人，也可以是以学校为代表的法人。只有教育数据中心的数据规模够庞大，数据种类够丰富，才能更好地支撑教育大数据分析的需求，实现基于数据的教育决策。

　　2.治理保障机制

　　教育数据治理工作的开展和推进离不开组织、制度以及流程三方面的保障。数据治理作为一项全面而又复杂的工程，需要教育各部门的通力协作，因此设置与之相对应的组织架构，组建专门的管理团队是数据治理成功的基础。科学的数据治理组织架构一般由决策层、管理层和执行层构成，决策层负责确立数据治理的目标、方针以及政策，以确保数据治理活动得到教育系统各部门的支持；管理层负责承担数据治理的日常管理工作，并定期向决策层汇报治理进展；执行层根据组织确立的目标，负责推动各自业务条线的数据治理活动，并定期评估治理成效。教育数据治理制度从类型上可分为章程、管理办法、考核机制。章程是数据治理的指导总纲，主要用于阐明数据治理的工作目标、实施内容以及职责分工；管理办法是章程与技术平台相结合后可落地的操作办法，是对数据治理各领域工作内容与工作要求的阐述；仅仅有章程、管理办法还不能保证数据治理工作在教育领域的持续推进，必须建立多层次的考核机制，将数据治理工作纳入各部门的绩效考核中，所有制度才有可能得到执行。流程包括数据治理实施过程的工作环节、步骤和程序，是数据治理组织得以高效运作的基础。综合金融行业数据治理的成功经验，一个完整的数据治理流程包含前期预防、过程监控、事后整治及反馈三个阶段。

　　3.治理域

　　治理域描述了数据治理过程中涉及的关键IT活动，主要包括数据标准、主数据、数据模型、元数据、数据质量、数据资源目录、数据安全、数据生命周期以及数据服务等内容。数据标准是经业务与技术部门协商一致制定，对各项业务信息进行统一定义与解释的一种规范性文件，通过数据标准体系的建设，可以增强单位各部门对业务的统一理解，促进各信息系统数据的互联互通；数据模型既是数据治理的基础性环节，也是数据治理的关键、重点，主要用于描述数据的类型、内容、数据间的依赖关系等内容，统一、稳定的数据模型有利于维持数据中心稳定，统一业务概念；数据资源目录的建立是教育部门对其数据资产进行摸清家底的必由之路，可以为教育大数据资源的有序开放、共享交换和多元应用打下坚实基础；元数据主要描述了数据结构、内容、流向等对象的具体规则，是数据治理的重要基础，通过元数据管理，能够可视化浏览教育数据资产整体视图，为数据问题定位、影响分析、血缘分析提供支撑；主数据管理是对教育领域最核心的业务数据进行集中清洗和规范管理，并最终形成统一的、规范的、完整的主数据库过程，用于支撑各类业务系统对数据的重复使用；数据生命周期管理规范了业务数据在不同阶段的保留时长、清理策略以及归档方式等内容，数据清理、转移、归档策略的实施以及对实施效果的评价是数据生命周期管理的最佳实践；高质量的数据是教育部门进行业务拓展、决策分析的重要基础，只有构建全面管控的数据质量管理体系，才能持续提升和改进教育部门数据的整体质量，从而更好地服务各类教育业务；教育事业的健康发展离不开数据安全，因此对数据存储环境、数据传输机制以及数据使用过程中的安全管理是至关重要的；教育部门通过数据治理，保证了数据作为资产的价值，但要发挥数据资产的效用，还需要一个满足不同场景下数据需求的数据服务平台，涉及数据交换/共享、数据接口、BI报表等内容。

江西省教育厅数据治理探索与实践

　　2017年，国家推动大数据战略，加快推进教育现代化建设。面对新的形势和挑战，江西省教育管理信息中心（以下简称“信息中心”）提出了从技术中心回归信息中心，从信息中心逐步发展成智慧中心的战略，紧紧围绕教育数据建设，着力培养数据归集、处理、分析能力，积极将教育数据融入教育治理大环境，构建开放的数据生态体系，为教育管理提供决策依据，服务教育创新发展。

　　1.构建数据治理工作机制

　　为充分发挥教育大数据在辅助教育科学决策中的重要作用，信息中心在全国范围内率先出台《江西省教育厅数据管理暂行办法》，将数据视为教育厅重要的无形资产并统一管理。通过搭建由数据生成部门、数据管理部门和数据使用部门组成的数据管理架构，明确了各部门在数据管理组织中的角色和职责。另外，还编制发布了《江西省教育厅教育数据治理专项方案》和《江西省教育厅数据管理制度与流程》，指出了数据治理核心领域的主要工作环节和工作内容，为各部门数据治理工作的开展提供了参考依据。

　　2.推动数据资源整合汇聚

　　近两年，信息中心积极运用信息化手段，通过对各业务部门数据资产的调研梳理出47类核心教育数据，其中既包括全省1050万各级各类学生电子学籍数据、全省66.4万贫困学生数据、全省62万各级各类教师信息数据、全省3.5万各类学校基建统计数据、全省本专科院校专业设置数据等面向教育管理决策的大数据，也包括全省高校人文社会科学研究项目数据、全省高校科学技术研究项目数据、全省教育科学规划研究数据，还包括全省各级各类考生的报名数据、体检数据、考试分数、录取数据等，逐步实现了各类数据汇聚至信息中心并建成了由学生主题库、教师主题库、机构及办学条件主题库组成的省级教育数据仓库，确立了数据统计、上报、交换、展示、挖掘分析的唯一官方数据源，为教育管理和教育决策提供了有效的数据支撑。

　　3.实现数据资产可视化管理

　　为发挥全省教育数据的更大作用，方便有关单位使用教育数据，信息中心全面梳理了省级教育数据仓库的数据架构，将数据仓库中数据模型、数据流向以及数据处理过程制成清晰的图表，把数据资产变成多角度视图，以可视化的方式向用户提供多维数据展示，并支持血缘分析、影响分析、指标一致性等元数据分析功能。同时，搭建了江西省教育厅数据治理平台，面向用户提供统一集中展现查询的平台，相关单位通过图表、字段检索的方式即可找到需要的数据模型及模型详情。

　　4.建成全省统一数据标准

　　2017年起，信息中心作为牵头单位，依据教育部《教育信息化行业标准》，从顶层设计出发，完成了教育数据标准主题定义、标准信息项、标准代码等文档的设计工作，先后编制发布了《江西省教育厅数据标准规范》《江西省教育厅数据资源目录》，建立了一套由内容标准、技术规范以及使用流程共同组成的教育数据标准体系。其中，在标准落地阶段，不仅将已定义的数据标准与业务系统、数据仓库进行映射，实现了数据关系的转换；还确立了以《江西省教育厅数据标准规范》为核心的信息系统建设标准规范，指导后续信息系统以及数据平台的建设。同时在全周期实施过程中，不断地验证和修订数据标准，使得数据标准能一直适应教育新业务的发展需要。

　　5.逐步提升教育数据质量

　　基于对元数据的梳理，信息中心理清了教育数据仓库中核心数据的质量现状，并根据数据优先级制定出一套数据质量管理规范。技术层面上完整地定义了数据质量评估维度，包括完整性、时效性、唯一性、正确性等。根据数据质量稽核目标和策略要求，分类制定了数据质量稽核规则，通过部署稽核规则，数据质量管理系统可以对数据仓库新增或存量数据进行扫描，筛选出问题数据并按照不同维度进行存储，支持用户查看和下载。问题数据库提供查询统计功能，使用户了解到当期新增问题数据量以及待修改问题数据量。自数据质量管理规范实施以来，省级教育数据仓库的数据质量得到了显著提升。

　　6.满足不同场景数据需求

　　为提高教育数据使用效率，信息中心以业务部门的数据需求为出发点，通过由BI报表、数据交换/共享、数据API接口构成的数据服务平台向其有关单位提供自助化数据微服务，以满足不同场景下的数据需求。其中BI报表提供灵活的数据查询和分析能力，能满足不同单位对业务报表的需求；数据交换/共享平台则具备了安全实时为各类业务系统提供数据服务的能力，同时在有效监督的前提下将全量数据返回给需求者；数据API接口则满足了有数据查询、比对、验证需求的业务部门。近两年来，信息中心通过数据服务平台为各单位提供数据服务累计300余次，高效地响应了各业务部门的数据需求。

结束语

　　大数据时代，数据被教育行业视为重要的无形资产将是未来的必然趋势。数据治理能够持续优化企业数据环境，规范数据使用流程，推动数据创新服务和价值发现。本文在回顾国内外学者对数据治理研究的基础上，阐述了教育数据治理的必要性以及主要面临的问题，并提出了一套适用于教育领域数据治理的整体框架，涵盖保障机制和治理域两个模块，最后以江西省教育厅为例，从保障机制、资源整合、元数据、数据标准、数据质量、数据服务6个方面介绍了其在数据治理方面的具体实践。

　　数据治理作为教育领域数据化转型的基石与保障，是一项长期的“脏活”“苦活”“累活”，但又是一项无法逾越的工作，是教育领域业务创新、服务转型的重要支撑。正因如此，教育数据治理的研究和应用任重道远，特别是大数据时代下非结构化数据的治理，需要专家学者们不断地深入研究和探索。

参考文献：

[1]高亮.数据治理:让数据质量更好[J].中国教育网络,2014(12):64-66.

[2]顾立平.数据治理——图书馆事业的发展机遇[J].中国图书馆学报,2016,42(225):1-17.

[3]李林,钱丹丹,黄婷婷等.高校信息化数据治理探讨[J].中国教育信息化,2017(9):66-68．

[4]李青,韩俊红.数据治理:提升教育数据质量的方法与途径[J].中国远程教育,2018(8):45-53．

[5]陆顾新,陈石军,王立等.银行数据治理[M].北京:机械工业出版社,2016:6-42.

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

[7]孙嘉睿.国内数据治理研究进展:体系、保障与实践[J].图书馆学研究,2018(16):2-8.

[8]王惠仙.高校数据治理的探索与研究[J].科技与创新,2018(16):103-106.

[9]吴刚.高校大数据治理的价值结构[J].中国成人教育,2018(5):41-44.

[10]徐峰,吴旻瑜,徐萱等.教育数据治理:问题、思考与对策[J].开放教育研究,2018,24(2):107-111.

[11]许晓东,王锦华,卞良等.高等教育的数据治理研究[J].高等教育工程研究,2015(5):25-30.

[12]杨浩,郑旭东等.信息化教育中的IT治理:基于治理体系与治理能力的视角[J].中国电化教育,2016(2):74-79.

[13]杨琳,高洪美,宋俊典等.大数据环境下的数据治理框架研究及应用[J].计算机应用与软件,2017,34(4):65-69.

[14]张世明,彭雪峰,黄河笑.开放大学数据治理框架研究[J].中国电化教育,2018(8):116-126.

[15]张一鸣.数据治理过程浅析[J].中国信息界,2012(9):15-17.

[16]DAMA International.The DAMA guide to the data managment body of knowledge[M].New Jersey:Technics Publications LLC,2010.

[17]Khatri V,Brown C V.Designing data governance[J].Communications of the ACM,2010,53(1):148-152.

[18]THOMAS G.The DGI data governance framework[DB/OL]. http://www.datagovernance.com/wp-content/uploads/2014/11/dgi_framework.pdf.

　　（作者：洪伟，徐峰，胡强，江西省教育管理信息中心；任剑岚，江西交通职业技术学院。文章来源：《中国教育信息化》杂志2020年第3期）