教育大数据需要从数据和技术两个层面进行解析。在引用较多的大数据定义中，维基百科定义和麦肯锡（McKinsey）定义都强调了大数据的量，无法用常见的数据工具处理；而高德纳（Gartner）定义则着眼于数据的特性与价值。为了解析教育大数据的真正意义，需要对教育大数据的构成和特性进行分析。

在教育大数据的构成方面，在线学习的数据首当其冲。可以说教育大数据的广受关注，与在线教与学的盛行有着密不可分的关系。在舍恩伯格的《与大数据同行——学习和教育的未来》一书中，第一个大数据教育应用案例就来自在线学习。随着在线教学的日益普及，在教与学过程中，由学习管理系统和各类移动设备所记录下来的各类海量数据，成为分析教学过程的重要来源。这些数据包括记录学习过程的行为数据，记录学习结果的评价数据，以及学习形成的社会网络关系数据等。由这些数据拓展开来，教育大数据还包含着各类学生个人信息数据、教学管理数据等。可见，教育大数据来自于教育教学的主体和过程。

依照不同层级的主体和教育教学活动的各项内容，教育大数据可以分为四个层次和六大类型。四个层次包括个体、学校、区域和国家，六大类型包括基础数据、教学数据、科研数据、管理数据、服务数据和舆情数据。其中，基础数据包括以人口学为代表的学习者基本信息数据；教学数据包括教学过程中涉及的过程、内容和结果数据；科研数据包括各类教育教学实验与科研项目当中所获得的数据；管理数据包括各类教育管理系统中所记录下来的数据，如学生的学籍数据、档案数据和各类统计数据，等等；服务数据包括各类与教育教学相关的服务系统当中记录的数据，如各类师生生活服务、图书档案服务，等等；舆情数据包括各类公开媒体中与教育相关的数据，如各类教育新闻数据、微博等社会网络系统中教育相关数据等。(www.daowen.com)

从特征的角度看，教育大数据的特点往往被概括为4V，包括海量规模（Volume）、快速流转（Velocity）、多样构成（Variety）和巨大价值（Value）。教育大数据的特征与4V既有重合又有不同：首先，从规模上看，教育大数据的体量尚未达到零售业、电信业等领域的规模，但已经超出了传统数据工具的处理能力。其次，从流动速度的角度，教育大数据流转速度相对较慢，并不像交易数据、搜索数据或通信数据具有快速流转的特性。相应地，教育教学的周期性决定了教育大数据具有典型的周期性。进而从数据构成方面看，教育大数据中非结构化数据，特别是音视频数据占很大比重。这些数据来自课堂录像、教学资源等，不同于传统数据库记录的数据，具有一定的分析复杂性。同时与电商等领域中步骤清晰、结果明确、周期较短的交易活动不同，教育教学活动具有更高的过程复杂性，通过教育大数据分析发现规律也就更为困难。可见教育大数据的特征可以概括为强周期性、高复杂性和巨大价值。

综上所述，我们可以把教育大数据定义为：服务教育主体和教育过程，具有强周期性和巨大教育价值的高复杂性数据集合，具体如图8.3所示。