崔東浩 張華亮

（1.上海市長寧區(qū)業(yè)余大學(xué)，上海 200336）

（2.上海開放大學(xué)航空運輸學(xué)院，上海 200336）

一、問題提出

數(shù)字化學(xué)習(xí)是指學(xué)習(xí)者在數(shù)字化學(xué)習(xí)環(huán)境中，利用數(shù)字化學(xué)習(xí)資源，以數(shù)字化方式進(jìn)行學(xué)習(xí)的過程[1]。社區(qū)數(shù)字化學(xué)習(xí)是指在社區(qū)居民以數(shù)字化的方式進(jìn)行自主學(xué)習(xí)、協(xié)作學(xué)習(xí)的一種學(xué)習(xí)過程[2]。社區(qū)數(shù)字化學(xué)習(xí)數(shù)據(jù)是社區(qū)居民進(jìn)行數(shù)字化學(xué)習(xí)過程中所產(chǎn)生的數(shù)據(jù)，其數(shù)據(jù)來源覆蓋全國各級各類社區(qū)數(shù)字化學(xué)習(xí)平臺。大數(shù)據(jù)環(huán)境下，通過數(shù)據(jù)挖掘深入探究學(xué)習(xí)行為以及學(xué)習(xí)行為數(shù)據(jù)背后隱藏的行為模式和學(xué)習(xí)績效關(guān)聯(lián)性，為社區(qū)居民提供更好的個性化學(xué)習(xí)支持服務(wù)，已經(jīng)成為未來發(fā)展趨勢。

2022 年11 月，OpenAI 公司發(fā)布的ChatGPT 上線兩個月活躍用戶數(shù)量破億，被稱為有史以來最好的人工智能聊天機器人[3]。近年來人工智能技術(shù)的發(fā)展進(jìn)入了新時代，機器學(xué)習(xí)、深度學(xué)習(xí)、學(xué)習(xí)分析等人工智能技術(shù)，已經(jīng)逐漸融入教育各領(lǐng)域，“人工智能+教育”成為人工智能技術(shù)應(yīng)用的主要形態(tài)之一[4]。機器學(xué)習(xí)作為大數(shù)據(jù)驅(qū)動的人工智能技術(shù)，已成為數(shù)據(jù)挖掘和分析的重要方法[5]。傳統(tǒng)機器學(xué)習(xí)方法是基于數(shù)據(jù)的集中訓(xùn)練進(jìn)行數(shù)據(jù)挖掘[6]，而集中收集和保存不同來源的分布式數(shù)據(jù)，還要面臨個人隱私和數(shù)據(jù)安全相關(guān)的監(jiān)管，道德、法律及技術(shù)挑戰(zhàn)。有沒有一種新興機器學(xué)習(xí)技術(shù)適合社區(qū)數(shù)字化學(xué)習(xí)數(shù)據(jù)挖掘？能否從技術(shù)層面應(yīng)對個人隱私和數(shù)據(jù)安全方面的挑戰(zhàn)？社區(qū)數(shù)字化學(xué)習(xí)數(shù)據(jù)挖掘有哪些步驟？數(shù)據(jù)挖掘成果如何應(yīng)用到社區(qū)教育領(lǐng)域等問題，亟須深入探討和研究。

早在2016 年，谷歌首次提出聯(lián)邦學(xué)習(xí)（Federated Learning）理論[7]。作為機器學(xué)習(xí)的新范式，聯(lián)邦學(xué)習(xí)可以化解大數(shù)據(jù)發(fā)展所面臨的數(shù)據(jù)安全、數(shù)據(jù)隱私、數(shù)據(jù)孤島等難題[8]，為社區(qū)數(shù)字化學(xué)習(xí)數(shù)據(jù)挖掘提供了新穎的解決方案。目前，聯(lián)邦學(xué)習(xí)已初步應(yīng)用于政府?dāng)?shù)據(jù)運營[9]、教育數(shù)據(jù)挖掘[10]、個性化推薦[11]、學(xué)生綜合素養(yǎng)評價[12]等領(lǐng)域。相較而言，聯(lián)邦學(xué)習(xí)在社區(qū)教育領(lǐng)域卻鮮有研究。本研究闡明社區(qū)數(shù)字化學(xué)習(xí)數(shù)據(jù)挖掘的意義，分析聯(lián)邦學(xué)習(xí)內(nèi)涵、核心優(yōu)勢、分類及應(yīng)用場景，并基于聯(lián)邦學(xué)習(xí)理論，探索社區(qū)數(shù)字化學(xué)習(xí)數(shù)據(jù)挖掘路徑以及聯(lián)邦學(xué)習(xí)在社區(qū)教育中的具體應(yīng)用，為社區(qū)數(shù)字化學(xué)習(xí)數(shù)據(jù)挖掘提供新的思路。

二、社區(qū)數(shù)字化學(xué)習(xí)數(shù)據(jù)挖掘的意義

社區(qū)數(shù)字化學(xué)習(xí)數(shù)據(jù)承載著社區(qū)居民進(jìn)行數(shù)字化學(xué)習(xí)的全部學(xué)習(xí)行為和學(xué)習(xí)成果，數(shù)據(jù)背后隱藏著社區(qū)居民多樣化的學(xué)習(xí)需求和學(xué)習(xí)偏好、學(xué)習(xí)行為模式和普遍學(xué)習(xí)規(guī)律，具有重要的數(shù)據(jù)價值，有必要進(jìn)行深入的數(shù)據(jù)挖掘和分析。

（一）促進(jìn)社區(qū)居民個性化學(xué)習(xí)

大數(shù)據(jù)環(huán)境下，社區(qū)居民的學(xué)習(xí)需求呈現(xiàn)多樣化、多元化發(fā)展態(tài)勢。社區(qū)不同人群學(xué)習(xí)需求存在差異性和傾向性，例如青少年學(xué)習(xí)者更關(guān)注個體發(fā)展需要，在職人員更關(guān)注工作與生活方面的學(xué)習(xí)，而老年人更關(guān)注未來生活的學(xué)習(xí)[13]。用戶進(jìn)入學(xué)習(xí)平臺后，如未能及時得到滿意的學(xué)習(xí)資源推薦，未能感受有效的個性化服務(wù)，用戶對學(xué)習(xí)平臺的使用體驗則會受到影響，可能導(dǎo)致用戶放棄對學(xué)習(xí)平臺的使用。通過數(shù)據(jù)挖掘和分析，更好地掌握社區(qū)居民多樣化的學(xué)習(xí)需求和學(xué)習(xí)偏好，能更好地為社區(qū)居民提供有針對性的學(xué)習(xí)資源推薦和學(xué)習(xí)指導(dǎo)服務(wù)，促進(jìn)社區(qū)居民個性化、精準(zhǔn)化和智慧化的學(xué)習(xí)。

（二）提升社區(qū)教育管理決策水平

傳統(tǒng)的管理決策往往基于直覺和經(jīng)驗，受決策者的知識結(jié)構(gòu)、成長環(huán)境、性格秉性等主觀因素的影響，而大數(shù)據(jù)決策遵從將萬物數(shù)據(jù)化的邏輯[14]，在海量、完整、多維度的數(shù)據(jù)基礎(chǔ)上，通過數(shù)據(jù)挖掘找出數(shù)據(jù)背后隱藏的規(guī)律，有助于做出更加科學(xué)有效的決策?；谛屡d技術(shù)的社區(qū)數(shù)字化數(shù)據(jù)挖掘，能夠從技術(shù)層面解決數(shù)據(jù)來源少、覆蓋范圍不足等問題，能夠體現(xiàn)社區(qū)數(shù)字化學(xué)習(xí)數(shù)據(jù)整體的價值，為社區(qū)教育決策者提供更加深入、廣泛和可信的數(shù)據(jù)支撐，提升社區(qū)教育管理決策水平。

（三）提高社區(qū)教育學(xué)習(xí)成果認(rèn)證準(zhǔn)確性

我國有著全球規(guī)模最大最復(fù)雜的多元化學(xué)習(xí)成果[15]。2019年2月，中共中央、國務(wù)院印發(fā)《中國教育現(xiàn)代化2035》，提出建立學(xué)習(xí)成果認(rèn)證制度、國家學(xué)分銀行制度、國家資歷框架[16]。其中，學(xué)習(xí)成果認(rèn)證是實施國家資歷框架的關(guān)鍵，是建設(shè)學(xué)分銀行的基礎(chǔ)。社區(qū)教育作為非正式教育形態(tài)，其學(xué)習(xí)成果來源多樣且復(fù)雜，認(rèn)證過程存在效率低、成本高、信息不對稱和監(jiān)管缺失等問題[17]。社區(qū)數(shù)字化學(xué)習(xí)數(shù)據(jù)記錄著學(xué)習(xí)者的學(xué)習(xí)行為和學(xué)習(xí)結(jié)果，是社區(qū)教育成果認(rèn)證的重要依據(jù)，其數(shù)據(jù)挖掘可以提高學(xué)習(xí)成果認(rèn)證的準(zhǔn)確性和可信度，幫助社區(qū)教育管理者更加科學(xué)地進(jìn)行學(xué)習(xí)成果認(rèn)證。

三、基于聯(lián)邦學(xué)習(xí)的社區(qū)數(shù)字化學(xué)習(xí)數(shù)據(jù)挖掘理論基礎(chǔ)

當(dāng)前的人工智能技術(shù)，尤其是機器學(xué)習(xí)，為數(shù)據(jù)挖掘提供了有效的技術(shù)手段，而傳統(tǒng)的機器學(xué)習(xí)方法基于數(shù)據(jù)集中訓(xùn)練的方式進(jìn)行數(shù)據(jù)挖掘，不適應(yīng)用于分散在不同地區(qū)的社區(qū)數(shù)據(jù)化學(xué)習(xí)數(shù)據(jù)的挖掘上。聯(lián)邦學(xué)習(xí)方法突破數(shù)據(jù)集中訓(xùn)練的瓶頸，采用分布式機器學(xué)習(xí)方法進(jìn)行數(shù)據(jù)訓(xùn)練，能夠更好地實現(xiàn)社區(qū)數(shù)字化學(xué)習(xí)數(shù)據(jù)的挖掘和分析。

（一）聯(lián)邦學(xué)習(xí)的定義及內(nèi)涵

1.聯(lián)邦學(xué)習(xí)提出的背景

人工智能的力量來自于大數(shù)據(jù)，2016 年AlphaGo 在30 萬盤人類對局棋譜的基礎(chǔ)上訓(xùn)練模型，擊敗了頂尖的人類圍棋職業(yè)選手。在傳統(tǒng)機器學(xué)習(xí)訓(xùn)練模型中，通常所有參與計算的數(shù)據(jù)擁有方都會被集中收集到中心服務(wù)器或者上傳到云上進(jìn)行處理。然而在大多數(shù)行業(yè)中數(shù)據(jù)往往以孤島的形式存在，由于行業(yè)競爭、隱私安全、復(fù)雜的管理流程、高昂的成本等原因，打破數(shù)據(jù)壁壘、整合分散在全國各地的數(shù)據(jù)幾乎是不可能完成。

集中收集和保存不同來源的數(shù)據(jù)，面臨著諸多挑戰(zhàn)。其一，個人隱私保護(hù)已成為個人用戶和政府都高度關(guān)注的內(nèi)容，《中華人民共和國網(wǎng)絡(luò)安全法》《數(shù)據(jù)安全管理辦法（征求意見稿）》《中華人民共和國個人信息保護(hù)法（草案）》都針對數(shù)據(jù)安全與隱私保護(hù)提出了更嚴(yán)格的要求，集中收集和保存用戶數(shù)據(jù)，會面臨與個人隱私和數(shù)據(jù)安全相關(guān)的監(jiān)管，道德、法律及技術(shù)的挑戰(zhàn)。其二，在大多數(shù)行業(yè)，數(shù)據(jù)的產(chǎn)生、管理和維護(hù)需要花費大量的時間、精力和費用，這樣的數(shù)據(jù)具有重要的業(yè)務(wù)價值，使得這些數(shù)據(jù)不太可能被自由共享。相反，數(shù)據(jù)擁有方通常對他們管理的數(shù)據(jù)保持細(xì)致的控制，數(shù)據(jù)仍以孤島的形式存在，很難打通數(shù)據(jù)壁壘實現(xiàn)集中訓(xùn)練。其三，機器學(xué)習(xí)所需的訓(xùn)練數(shù)據(jù)很容易就達(dá)到TB 級，數(shù)據(jù)本身是分布式的且數(shù)據(jù)量太大而不太可能集中存儲在單個機器上，集中式解決方案甚至不可取[18]。為了解決上述問題，聯(lián)邦學(xué)習(xí)的概念應(yīng)運而生。

2.聯(lián)邦學(xué)習(xí)定義

聯(lián)邦學(xué)習(xí)是一種帶有隱私保護(hù)、安全加密技術(shù)的分布式機器學(xué)習(xí)框架，旨在讓分散的各參與方在滿足不向其他參與方披露隱私數(shù)據(jù)的前提下，協(xié)作進(jìn)行機器學(xué)習(xí)模型訓(xùn)練[19]。聯(lián)邦學(xué)習(xí)強調(diào)的核心理念是“數(shù)據(jù)不動模型動，數(shù)據(jù)可用不可見”，保證數(shù)據(jù)在不出本地的前提下，各參與方之間協(xié)同構(gòu)建訓(xùn)練模型。一方面，數(shù)據(jù)不出本地可以很好地保護(hù)用戶隱私和數(shù)據(jù)安全；另一方面，能充分利用各參與方的數(shù)據(jù)協(xié)同訓(xùn)練模型。

在聯(lián)邦學(xué)習(xí)中，各參與方首先從中心服務(wù)器下載初始共享模型參數(shù)，基于本地數(shù)據(jù)進(jìn)行訓(xùn)練后把更新的模型參數(shù)上傳至中心服務(wù)器，由中心服務(wù)器聚合各方的參數(shù)并形成全局模型并把全局模型參數(shù)再度下發(fā)出去，如此循環(huán)，直到全局模型收斂至停止條件[20]。

設(shè)當(dāng)前有N個數(shù)據(jù)擁有方共同參與訓(xùn)練，記為{P1，P2，P3，…，PN}，其各自擁有的本地數(shù)據(jù)集為{D1，D2，D3，…，DN}，傳統(tǒng)的訓(xùn)練方法將所有參與方的數(shù)據(jù)收集起來存儲在中心服務(wù)器中，并使用D=D1∪D2∪…∪DN作為訓(xùn)練數(shù)據(jù)集訓(xùn)練機器學(xué)習(xí)模型MSUM。聯(lián)邦學(xué)習(xí)不需要收集各參與方所擁有的數(shù)據(jù)，在參與方本地便能協(xié)同訓(xùn)練出模型MFED。設(shè)VSUM和VFED分別為集中學(xué)習(xí)模型MSUM和聯(lián)邦學(xué)習(xí)模型MFED的性能精度，設(shè)δ為任意一個非負(fù)實數(shù)，在滿足以下條件時，稱聯(lián)邦學(xué)習(xí)模型MFED具有δ的精度損失。

式（1）表示聯(lián)邦學(xué)習(xí)模型MFED的性能將以δ的精度損失近似于傳統(tǒng)機器學(xué)習(xí)模型MSUM的性能，當(dāng)δ=0時，則表示聯(lián)邦學(xué)習(xí)模型與傳統(tǒng)機器學(xué)習(xí)模型的效果等價[21]。

3.聯(lián)邦學(xué)習(xí)算法

FedAvg（Federated Averaging）算法是目前最常用的聯(lián)邦學(xué)習(xí)優(yōu)化算法[22]。與常規(guī)的優(yōu)化算法不同，其本質(zhì)思想是對數(shù)據(jù)持有方的局部隨機梯度下降進(jìn)行單機優(yōu)化，并在中央服務(wù)器上進(jìn)行聚合操作，其訓(xùn)練目標(biāo)是找出最佳模型參數(shù)ω,使總訓(xùn)練損失f（ω）最小。FedAvg算法的目標(biāo)函數(shù)定義如下：

式（2）和式（3）中，K為參與方數(shù)量，Pk為第k 個參與方本地樣本集，nk為第k 個參與方本地樣本數(shù)量即nk=|Pk|，n 為所有參與方樣本數(shù)量總和，F(xiàn)k（ω）為第k 個參與方本地目標(biāo)函數(shù)。式（4）中fi（ω）為模型參數(shù)ω對Pk中的第i 個樣本（xi，yi）產(chǎn)生的損失函數(shù)。FedAvg 是一種比較基礎(chǔ)的聯(lián)邦優(yōu)化算法，部署相對簡單，應(yīng)用領(lǐng)域很廣泛。FedAvg的算法如下：

（中央服務(wù)器方）

1 Server executes:

2 initialize ω0

3 for each round t=1,2,...do

4 m ←max（C·K,1）

5 St ←（random set of m clients）

6 for each client k ∈St in parallel do

（參與方）

9 ClientUpdate（k,ω）://第k個參與方更新

10 B ←（split Pkinto batches of size B）

11 for each local epoch i from 1 to E do

12 for batch b ∈B do

13 ω ←ω－η▽l（ω;b）

14 return ω to server

其中，K 個客戶端由k 索引，B 為本地小批量數(shù)據(jù)集大小，E 為本地數(shù)據(jù)集遍歷總次數(shù)，η為學(xué)習(xí)率。大部分聯(lián)邦優(yōu)化算法是在FedAvg 的基礎(chǔ)上發(fā)展而來的，例如FedProx、FedPer等。

（二）聯(lián)邦學(xué)習(xí)核心優(yōu)勢

基于聯(lián)邦學(xué)習(xí)的社區(qū)數(shù)字化學(xué)習(xí)數(shù)據(jù)挖掘，能夠有效克服傳統(tǒng)機器學(xué)習(xí)集中式數(shù)據(jù)訓(xùn)練的缺點，打破數(shù)據(jù)孤島、保障數(shù)據(jù)安全的同時達(dá)到預(yù)期模型性能效果，使其成為社區(qū)數(shù)字化學(xué)習(xí)數(shù)據(jù)挖掘的理想解決方案。

1.打破數(shù)據(jù)孤島

通過“數(shù)據(jù)不動模型動”的方式，學(xué)習(xí)平臺之間無須共享原始數(shù)據(jù)，讓模型在學(xué)習(xí)平臺之間溝通交流。整個訓(xùn)練過程均在學(xué)習(xí)平臺本地進(jìn)行，并在中心服務(wù)器協(xié)調(diào)下完成全局模型的聚合，在此過程中僅交換模型特征參數(shù)和梯度等[23]?！奥?lián)邦”就是數(shù)據(jù)聯(lián)盟，通過聯(lián)邦學(xué)習(xí)方法，各個學(xué)習(xí)平臺以同等的身份和地位參與模型訓(xùn)練，打破數(shù)據(jù)孤島協(xié)同構(gòu)建數(shù)據(jù)模型。

2.保障數(shù)據(jù)安全

聯(lián)邦學(xué)習(xí)技術(shù)實現(xiàn)“數(shù)據(jù)可用不可見”，即數(shù)據(jù)都保留在本地，別人看不見你的數(shù)據(jù)，你也看不見別人的數(shù)據(jù)，從而最大限度地減少數(shù)據(jù)隱私泄露問題。傳輸模型參數(shù)的明文信息也不安全，也會存在信息泄露的風(fēng)險，攻擊者通過竊取這些參數(shù)信息來還原或者部分還原原始數(shù)據(jù)，從而導(dǎo)致數(shù)據(jù)隱私的泄露[24]。聯(lián)邦學(xué)習(xí)采用同態(tài)加密、差分隱私和安全多方計算等安全策略，在聯(lián)合訓(xùn)練時與模型相關(guān)的信息以加密方式在各方之間傳輸和交換，任何一個參與方在接收到這些信息時都不能推測出對方的原始數(shù)據(jù)，更好地保障數(shù)據(jù)的安全與隱私。

3.提升模型性能

大數(shù)據(jù)是人工智能的基礎(chǔ)，模型的準(zhǔn)確率與訓(xùn)練數(shù)據(jù)量成正比。聯(lián)邦學(xué)習(xí)從技術(shù)上解決了數(shù)據(jù)擁有方所擔(dān)心的隱私、所有權(quán)和數(shù)據(jù)位置的基本問題，使大多數(shù)數(shù)據(jù)擁有方的參與成為可能。相較于傳統(tǒng)集中式訓(xùn)練，聯(lián)邦學(xué)習(xí)擁有更多的參與方及訓(xùn)練數(shù)據(jù)，訓(xùn)練出來的模型更準(zhǔn)確。即便在數(shù)據(jù)量相同的情況下，聯(lián)邦學(xué)習(xí)技術(shù)可使分布式訓(xùn)練模型性能與傳統(tǒng)集中式訓(xùn)練模型性能相差無幾，訓(xùn)練出的全局模型幾乎是無損的?；诼?lián)邦學(xué)習(xí)的數(shù)據(jù)訓(xùn)練能夠提升訓(xùn)練模型性能效果，各參與方能夠共同獲益。

（三）聯(lián)邦學(xué)習(xí)分類及應(yīng)用場景

設(shè)Di表示第i 個參與方本地訓(xùn)練數(shù)據(jù)集，通常Di以矩陣的形式存在，Di的每一行表示訓(xùn)練數(shù)據(jù)樣本。每一條樣本都有樣本ID，將樣本ID 空間設(shè)為I；每一列表示一個具體的數(shù)據(jù)特征，將特征空間設(shè)為X；同時，一些數(shù)據(jù)集還可能包含標(biāo)簽數(shù)據(jù)，將標(biāo)簽空間設(shè)為y。樣本ID 空間I、特征空間X 和標(biāo)簽空間y 組成一個訓(xùn)練數(shù)據(jù)集Di：（I，X，y）。根據(jù)各個參與方的樣本ID空間I和數(shù)據(jù)特征空間X的重疊關(guān)系不同，將聯(lián)邦學(xué)習(xí)劃分為縱向聯(lián)邦學(xué)習(xí)、橫向聯(lián)邦學(xué)習(xí)和聯(lián)邦遷移學(xué)習(xí)[25]，分別適用于不同的應(yīng)用場景。社區(qū)數(shù)字化學(xué)習(xí)數(shù)據(jù)訓(xùn)練樣本中，用戶ID組成樣本ID空間，學(xué)習(xí)資源、學(xué)習(xí)行為、學(xué)習(xí)結(jié)果等信息共同組成特征空間。

1.縱向聯(lián)邦學(xué)習(xí)

縱向聯(lián)邦學(xué)習(xí)適用于參與方的數(shù)據(jù)樣本重疊較多而數(shù)據(jù)特征重疊較少的場景，即參與方之間的數(shù)據(jù)樣本是對齊的，但在數(shù)據(jù)特征上有所不同?？v向聯(lián)邦學(xué)習(xí)（見圖1），類似于在表格視圖中垂直劃分?jǐn)?shù)據(jù)的情況。

圖1 縱向聯(lián)邦學(xué)習(xí)示意圖

應(yīng)用場景：某一個地區(qū)有一個直播教學(xué)網(wǎng)站和一家數(shù)字圖書館，為當(dāng)?shù)厣鐓^(qū)居民提供學(xué)習(xí)服務(wù)，分別以視頻資源和數(shù)字圖書為學(xué)習(xí)內(nèi)容。兩個學(xué)習(xí)平臺提供不同的學(xué)習(xí)服務(wù)，但在用戶群體上有著非常大的交集，可以聯(lián)合雙方的數(shù)據(jù)進(jìn)行建模，以此來提升雙方對用戶的學(xué)習(xí)服務(wù)能力。例如，數(shù)字圖書館中要預(yù)測新用戶對某一本圖書的閱讀概率，但數(shù)字圖書館缺乏新用戶的閱讀數(shù)據(jù)，而直播教學(xué)網(wǎng)站上有該用戶的視頻觀看記錄，這部分信息的數(shù)據(jù)特征能夠很好地體現(xiàn)該用戶的學(xué)習(xí)偏好，如果能將這部分特征補充到建模中，無疑將有效提升模型預(yù)測的能力。兩個學(xué)習(xí)平臺具有重疊度很高的當(dāng)?shù)赜脩羧后w，但兩者提供的學(xué)習(xí)內(nèi)容不同，從縱向聯(lián)邦的角度來說兩者的特征不同（一方是視頻的特征，另一方是書籍的特征），通過縱向聯(lián)邦學(xué)習(xí)在各自有差異的數(shù)據(jù)特征空間上協(xié)同訓(xùn)練，可以得到性能更優(yōu)的機器學(xué)習(xí)模型。

2.橫向聯(lián)邦學(xué)習(xí)

橫向聯(lián)邦學(xué)習(xí)適用于參與方的數(shù)據(jù)特征重疊較多而數(shù)據(jù)樣本重疊較少的場景，即數(shù)據(jù)特征在參與方之間是對齊的，但是參與方擁有的數(shù)據(jù)樣本有所不同。橫向聯(lián)邦學(xué)習(xí)（見圖2），類似于在表格視圖中將數(shù)據(jù)進(jìn)行水平劃分的情況。

圖2 橫向聯(lián)邦學(xué)習(xí)示意圖

應(yīng)用場景：兩個直播教學(xué)網(wǎng)站分別為各自所屬地區(qū)的社區(qū)居民提供直播教學(xué)服務(wù)。通常社區(qū)居民選擇當(dāng)?shù)氐木W(wǎng)站進(jìn)行學(xué)習(xí)，各地區(qū)直播教學(xué)網(wǎng)站的用戶重合度比較低。兩個網(wǎng)站都提供直播教學(xué)服務(wù)，有著相似的學(xué)習(xí)資源、學(xué)習(xí)行為、學(xué)習(xí)結(jié)果等數(shù)據(jù)特征。這兩個網(wǎng)站的用戶群體重疊部分較小，但在數(shù)據(jù)特征維度上的重疊部分較大。通過橫向聯(lián)邦學(xué)習(xí)，聯(lián)合雙方的學(xué)習(xí)數(shù)據(jù)，擴大訓(xùn)練的樣本空間，從而提升模型的準(zhǔn)確度和泛化能力。

3.聯(lián)邦遷移學(xué)習(xí)

聯(lián)邦遷移學(xué)習(xí)適用于參與方的數(shù)據(jù)樣本和數(shù)據(jù)特征都很少重疊的場景，聯(lián)邦遷移學(xué)習(xí)是對橫向聯(lián)邦學(xué)習(xí)和縱向聯(lián)邦學(xué)習(xí)的補充。聯(lián)邦遷移學(xué)習(xí)（見圖3），聯(lián)邦遷移學(xué)習(xí)特別適合處理異構(gòu)數(shù)據(jù)的聯(lián)邦問題。

圖3 聯(lián)邦遷移學(xué)習(xí)示意圖

應(yīng)用場景：一個網(wǎng)站為社區(qū)居民提供社區(qū)教育課程資源服務(wù)，另一個網(wǎng)站為中小學(xué)生提供基礎(chǔ)教育課程資源服務(wù)。雖然都為用戶提供學(xué)習(xí)服務(wù)，但因為教育類型不同，兩個網(wǎng)站所服務(wù)的用戶群體基本不重疊，學(xué)習(xí)資源、學(xué)習(xí)行為、學(xué)習(xí)結(jié)果等數(shù)據(jù)特征也大不相同。利用聯(lián)邦遷移學(xué)習(xí)，可以找到兩個網(wǎng)站服務(wù)內(nèi)容的相似性和差異性。相較于社區(qū)教育，基礎(chǔ)教育的課程資源更全面，學(xué)習(xí)服務(wù)更系統(tǒng)，用戶的學(xué)習(xí)行為數(shù)據(jù)也更完整。通過聯(lián)邦遷移學(xué)習(xí)的知識遷移，社區(qū)教育課程資源網(wǎng)站可以學(xué)習(xí)基礎(chǔ)教育中完善的學(xué)習(xí)數(shù)據(jù)，擴充自身的數(shù)據(jù)特征，提升模型的性能效果，更好地為社區(qū)居民提供學(xué)習(xí)服務(wù)。

四、基于聯(lián)邦學(xué)習(xí)的社區(qū)數(shù)字化學(xué)習(xí)數(shù)據(jù)挖掘路徑探索

全國各地的數(shù)字化學(xué)習(xí)普及程度不一，導(dǎo)致不同區(qū)域數(shù)字化學(xué)習(xí)平臺的種類和數(shù)量有較大差異，同時不同區(qū)域乃至不同教育類型的數(shù)字化學(xué)習(xí)用戶群體也截然不同，帶來學(xué)習(xí)者用戶數(shù)據(jù)以及數(shù)字化學(xué)習(xí)過程中產(chǎn)生的學(xué)習(xí)行為數(shù)據(jù)有著較大的差異。針對區(qū)域內(nèi)、跨區(qū)域以及跨教育類型的數(shù)字化學(xué)習(xí)數(shù)據(jù)，須采用不同類型的聯(lián)邦學(xué)習(xí)方法分別進(jìn)行數(shù)據(jù)挖掘和分析。

（一）基于縱向聯(lián)邦學(xué)習(xí)挖掘區(qū)域內(nèi)社區(qū)數(shù)字化學(xué)習(xí)數(shù)據(jù)

隨著社區(qū)教育的發(fā)展，全國各地都在建設(shè)各類社區(qū)數(shù)字化學(xué)習(xí)平臺，如社區(qū)直播教學(xué)網(wǎng)站、社區(qū)數(shù)字圖書館、社區(qū)慕課在線平臺等，為當(dāng)?shù)鼐用裉峁└黝悓W(xué)習(xí)服務(wù)。社區(qū)居民通過當(dāng)?shù)厣鐓^(qū)數(shù)字化學(xué)習(xí)平臺進(jìn)行學(xué)習(xí)，并留下學(xué)習(xí)行為數(shù)據(jù)，這些數(shù)據(jù)背后隱藏著人們的學(xué)習(xí)習(xí)慣、學(xué)習(xí)方式和學(xué)習(xí)需求。但實際上這些學(xué)習(xí)平臺上的學(xué)習(xí)數(shù)據(jù)，其數(shù)據(jù)規(guī)模還不夠大，數(shù)據(jù)質(zhì)量參差不齊，單個學(xué)習(xí)平臺上進(jìn)行機器學(xué)習(xí)往往得不到預(yù)期的訓(xùn)練效果。聯(lián)邦機器學(xué)習(xí)能夠聯(lián)合當(dāng)?shù)夭煌愋偷亩鄠€學(xué)習(xí)平臺協(xié)同訓(xùn)練，參與訓(xùn)練的數(shù)據(jù)量成倍地增長，能夠有效克服數(shù)據(jù)質(zhì)量的差異，訓(xùn)練出性能優(yōu)越的數(shù)據(jù)模型，能夠更好地體現(xiàn)本區(qū)域社區(qū)居民的學(xué)習(xí)需求和學(xué)習(xí)偏好。這里所指的區(qū)域，其行政范圍可以根據(jù)實際需要劃定為區(qū)縣、城市或省份。因為提供不同類型的學(xué)習(xí)服務(wù)，這些學(xué)習(xí)平臺之間學(xué)習(xí)資源、學(xué)習(xí)行為、學(xué)習(xí)結(jié)果等數(shù)據(jù)特征有著較大的區(qū)別，但都有共同的當(dāng)?shù)赜脩羧后w，具有高度重疊的用戶ID，因此適合采用縱向聯(lián)邦學(xué)習(xí)的方法進(jìn)行模型訓(xùn)練。

基于縱向聯(lián)邦學(xué)習(xí)的區(qū)域內(nèi)社區(qū)數(shù)字化學(xué)習(xí)數(shù)據(jù)模型訓(xùn)練示意圖（見圖4）。具體步驟如下：①全局模型（區(qū)域模型）參數(shù)加密后下發(fā)。中心服務(wù)器確定全局模型的參數(shù)、訓(xùn)練過程和加密方式，并將全局模型參數(shù)加密后下發(fā)給區(qū)域內(nèi)各參與方，如社區(qū)直播教學(xué)網(wǎng)站、社區(qū)數(shù)字圖書館、社區(qū)慕課在線平臺等。②本地模型更新與訓(xùn)練。各參與方接收到全局模型參數(shù)后進(jìn)行解密并更新本地模型，分別利用本地數(shù)據(jù)進(jìn)行訓(xùn)練。③本地模型參數(shù)加密后上傳。各參與方將訓(xùn)練好的本地模型的參數(shù)加密后回傳給中心服務(wù)器。④全局模型聚合與更新。中心服務(wù)器對收到的各個本地模型參數(shù)解密，然后聚合參數(shù)信息并更新全局模型。更新后的全局模型的參數(shù)加密后再次下發(fā)給各參與方，如此重復(fù)以上訓(xùn)練步驟，循環(huán)迭代更新全局模型，直到全局模型收斂至停止條件，精度損失減少到可接受的程度。

圖4 基于縱向聯(lián)邦學(xué)習(xí)的區(qū)域內(nèi)社區(qū)數(shù)字化學(xué)習(xí)數(shù)據(jù)模型訓(xùn)練示意圖

（二）基于橫向聯(lián)邦學(xué)習(xí)挖掘跨區(qū)域社區(qū)數(shù)字化學(xué)習(xí)數(shù)據(jù)

社區(qū)數(shù)字化學(xué)習(xí)平臺大都以當(dāng)?shù)厣鐓^(qū)居民為服務(wù)對象，不同區(qū)域?qū)W習(xí)平臺的用戶群體基本上沒有重疊。相較于某區(qū)域單個學(xué)習(xí)平臺上的模型訓(xùn)練，從分散在全國各地的學(xué)習(xí)平臺中選擇具有代表性的同類型學(xué)習(xí)平臺進(jìn)行聯(lián)合訓(xùn)練，訓(xùn)練出來的數(shù)據(jù)模型具有更好的性能效果。一方面，參與訓(xùn)練的學(xué)習(xí)數(shù)據(jù)成倍地增長，在此大數(shù)據(jù)基礎(chǔ)上訓(xùn)練出來的數(shù)據(jù)模型更準(zhǔn)確更具有代表性。另一方面，不同區(qū)域的社區(qū)居民所處的生活環(huán)境、工作環(huán)境都有較大的差別，居民的學(xué)習(xí)習(xí)慣和學(xué)習(xí)方式，關(guān)注的學(xué)習(xí)內(nèi)容和社會熱點也會有較大的差異，因此基于跨區(qū)域?qū)W習(xí)平臺訓(xùn)練出來的數(shù)據(jù)模型更具有普適性，從整體上體現(xiàn)不同區(qū)域社區(qū)居民的普遍學(xué)習(xí)需求和學(xué)習(xí)偏好。因為服務(wù)的區(qū)域不一樣，這些學(xué)習(xí)平臺之間用戶ID 基本上不會重疊，但因為選擇同類型學(xué)習(xí)平臺進(jìn)行訓(xùn)練，其學(xué)習(xí)資源、學(xué)習(xí)行為、學(xué)習(xí)結(jié)果等數(shù)據(jù)特征基本類似，因此采用橫向聯(lián)邦學(xué)習(xí)方法構(gòu)建跨區(qū)域社區(qū)居民的學(xué)習(xí)行為模型。

基于橫向聯(lián)邦學(xué)習(xí)的跨區(qū)域數(shù)字化學(xué)習(xí)數(shù)據(jù)模型訓(xùn)練示意圖（見圖5），基本流程與縱向聯(lián)邦學(xué)習(xí)類似。具體步驟如下：①全局模型（跨區(qū)域模型）參數(shù)加密后下發(fā)?？鐓^(qū)域中心服務(wù)器確定全局模型的參數(shù)、訓(xùn)練過程和加密方式，并將全局模型參數(shù)加密后下發(fā)給各區(qū)域參與方，如區(qū)域A學(xué)習(xí)網(wǎng)站、區(qū)域B學(xué)習(xí)網(wǎng)站、區(qū)域C學(xué)習(xí)網(wǎng)站等。②本地模型更新與訓(xùn)練。各區(qū)域參與方接收到全局模型參數(shù)后進(jìn)行解密并更新本地模型，分別利用本地數(shù)據(jù)進(jìn)行訓(xùn)練。③本地模型參數(shù)加密后上傳。各區(qū)域參與方將新的本地模型參數(shù)加密后回傳給跨區(qū)域中心服務(wù)器。④全局模型聚合與更新。跨區(qū)域中心服務(wù)器接收到各區(qū)域本地模型參數(shù)后解密，然后聚合參數(shù)信息并更新全局模型。更新后的全局模型的參數(shù)加密后再次下發(fā)給各區(qū)域參與方，如此重復(fù)以上訓(xùn)練步驟，循環(huán)迭代更新全局模型，直到全局模型收斂至停止條件，精度損失減少到可接受的程度。

圖5 基于橫向聯(lián)邦學(xué)習(xí)的跨區(qū)域社區(qū)數(shù)字化學(xué)習(xí)數(shù)據(jù)模型訓(xùn)練示意圖

（三）基于聯(lián)邦遷移學(xué)習(xí)挖掘跨教育類型數(shù)字化學(xué)習(xí)數(shù)據(jù)

聯(lián)邦遷移學(xué)習(xí)方法將數(shù)據(jù)模型的訓(xùn)練擴展到其他的教育類型，如職業(yè)教育、高等教育和基礎(chǔ)教育，共同構(gòu)建跨教育類型數(shù)字化學(xué)習(xí)行為模型。從不同教育類型學(xué)習(xí)平臺中，篩選出具有代表性的學(xué)習(xí)平臺作為參與方進(jìn)行聯(lián)合模型訓(xùn)練，突破社區(qū)教育范圍，最終訓(xùn)練出來的學(xué)習(xí)行為模型，可以從更高的維度反映不同教育類型受教育者的學(xué)習(xí)情況，有利于掌握受教育者的普遍學(xué)習(xí)需求。通過本地化的數(shù)據(jù)模型訓(xùn)練，聯(lián)邦遷移學(xué)習(xí)不要求學(xué)習(xí)數(shù)據(jù)集中統(tǒng)一存放，使得不同教育類型學(xué)習(xí)數(shù)據(jù)的模型訓(xùn)練成為可能。不同教育類型的用戶群體大不相同，學(xué)習(xí)資源、學(xué)習(xí)行為、學(xué)習(xí)結(jié)果等數(shù)據(jù)特征也有較大的差異，因此采用聯(lián)邦遷移學(xué)習(xí)的方法構(gòu)建跨教育類型數(shù)字化學(xué)習(xí)行為模型。

基于聯(lián)邦遷移學(xué)習(xí)的跨教育類型數(shù)字化學(xué)習(xí)數(shù)據(jù)模型訓(xùn)練示意圖（見圖6）。具體步驟如下：①全局模型（跨教育類型）參數(shù)加密后下發(fā)。跨教育類型中心服務(wù)器確定全局模型的參數(shù)、訓(xùn)練過程和加密方式，并將全局模型參數(shù)加密后下發(fā)給各教育類型參與方，如社區(qū)教育學(xué)習(xí)網(wǎng)站、職業(yè)教育學(xué)習(xí)網(wǎng)站、高等教育學(xué)習(xí)網(wǎng)站和基礎(chǔ)教育學(xué)習(xí)網(wǎng)站。②本地模型更新與訓(xùn)練。各教育類型參與方接收到全局模型參數(shù)后進(jìn)行解密并更新本地模型，分別利用本地數(shù)據(jù)進(jìn)行訓(xùn)練。③本地模型參數(shù)加密后上傳。各教育類型參與方將新的本地模型參數(shù)加密后回傳給跨教育類型中心服務(wù)器。④全局模型聚合與更新。跨教育類型中心服務(wù)器接收到各教育類型本地模型參數(shù)后解密，然后聚合參數(shù)信息并更新跨教育類型全局模型。更新后的全局模型的參數(shù)加密后再次下發(fā)給各教育類型參與方，如此重復(fù)以上訓(xùn)練步驟，循環(huán)迭代更新全局模型，直到全局模型收斂至停止條件，精度損失減少到可接受的程度。

圖6 基于聯(lián)邦遷移學(xué)習(xí)的跨教育類型數(shù)字化學(xué)習(xí)數(shù)據(jù)模型訓(xùn)練示意圖

五、基于聯(lián)邦學(xué)習(xí)的社區(qū)數(shù)字化學(xué)習(xí)數(shù)據(jù)挖掘應(yīng)用探索

基于聯(lián)邦學(xué)習(xí)的分布式機器學(xué)習(xí)數(shù)據(jù)模型的訓(xùn)練，能夠聯(lián)合更多的參與方進(jìn)行數(shù)據(jù)訓(xùn)練，適合跨平臺跨區(qū)域跨教育類型的數(shù)字化學(xué)習(xí)數(shù)據(jù)的挖掘和分析，并能訓(xùn)練出更加精細(xì)和完整的數(shù)字化學(xué)習(xí)行為模型，更好地應(yīng)用于社區(qū)教育的各種場景。

（一）分析相似相關(guān)數(shù)據(jù)，解決新用戶冷啟動問題

當(dāng)新用戶登錄到學(xué)習(xí)平臺時，由于該用戶在平臺中缺少歷史學(xué)習(xí)行為數(shù)據(jù)，學(xué)習(xí)平臺不能根據(jù)傳統(tǒng)算法預(yù)測其學(xué)習(xí)偏好，無法對新用戶進(jìn)行個性化推薦，由此產(chǎn)生新用戶冷啟動問題[26]。用戶的首次體驗與學(xué)習(xí)平臺提供的學(xué)習(xí)服務(wù)息息相關(guān)，良好的首次體驗既能讓用戶在輕松愉快的心境中學(xué)習(xí)到有用的知識，又能建立起用戶預(yù)期與網(wǎng)站學(xué)習(xí)服務(wù)之間的橋梁。目前，針對新用戶冷啟動問題有較多的研究，有學(xué)者提出基于偏好的推薦算法，根據(jù)領(lǐng)域相關(guān)度、評價相似度從所有用戶中篩選與新用戶偏好相近的用戶，并依據(jù)這些用戶的偏好為新用戶推薦學(xué)習(xí)資源[27]。也有學(xué)者基于除用戶偏好數(shù)據(jù)以外的其他相關(guān)數(shù)據(jù)，如性別、年齡、職業(yè)等用戶的人口統(tǒng)計學(xué)數(shù)據(jù)，為新用戶進(jìn)行推薦[28]。

基于縱向聯(lián)邦學(xué)習(xí)的區(qū)域內(nèi)社區(qū)數(shù)字化學(xué)習(xí)行為模型為解決新用戶冷啟動問題提供參考依據(jù)。一方面，依據(jù)新用戶在其他各類學(xué)習(xí)網(wǎng)站上的學(xué)習(xí)數(shù)據(jù)推薦學(xué)習(xí)資源。新用戶可能在其他類型的學(xué)習(xí)網(wǎng)站上注冊并學(xué)習(xí)，縱向聯(lián)邦學(xué)習(xí)聯(lián)合不同類型當(dāng)?shù)貙W(xué)習(xí)網(wǎng)站協(xié)同訓(xùn)練，了解新用戶常去哪些當(dāng)?shù)氐膶W(xué)習(xí)網(wǎng)站，喜歡看哪些類型的學(xué)習(xí)資源，以此來推薦本學(xué)習(xí)平臺的類似學(xué)習(xí)資源。另一方面，依據(jù)其他用戶的學(xué)習(xí)數(shù)據(jù)推薦學(xué)習(xí)資源。用戶不是獨立存在的，用戶之間具有社會關(guān)系，那些現(xiàn)實中與該用戶社會地理距離較近且行為習(xí)慣相近者對用戶的偏好決策影響較大，地理信息和社會信息在用戶個性化推薦中被廣泛使用[29]。將新用戶所屬區(qū)域的不同類型學(xué)習(xí)平臺進(jìn)行聯(lián)合訓(xùn)練，結(jié)合新用戶注冊時填寫的性別、年齡層次、職業(yè)類型、居住區(qū)域等粗粒度個人信息，找出同類型用戶的學(xué)習(xí)偏好，有針對性地推薦新用戶最有可能感興趣的學(xué)習(xí)內(nèi)容，有效解決冷啟動的問題。

（二）深度分析用戶學(xué)習(xí)行為，推薦個性化學(xué)習(xí)資源

目前各級各類社區(qū)教育學(xué)習(xí)平臺中的有效學(xué)習(xí)用戶數(shù)量遠(yuǎn)沒有達(dá)到覆蓋全體社區(qū)居民的程度，學(xué)習(xí)平臺都面臨著發(fā)展和維護(hù)用戶的迫切需要。讓更多的社區(qū)居民參與到終身學(xué)習(xí)中來，是每一個學(xué)習(xí)平臺的首要任務(wù)。面對不同人群學(xué)習(xí)需求的多樣化和多元化，平臺應(yīng)采取更加有效的措施提供個性化學(xué)習(xí)支持服務(wù)，提高用戶滿意度。學(xué)習(xí)平臺中融入個性化推薦系統(tǒng)，能顯著提高用戶滿意度和對學(xué)習(xí)平臺的黏性。

縱向和橫向聯(lián)邦學(xué)習(xí)結(jié)合起來為社區(qū)居民提供個性化學(xué)習(xí)資源推薦。一方面，當(dāng)前各類學(xué)習(xí)平臺存在大量非結(jié)構(gòu)化數(shù)據(jù)，如果能夠精準(zhǔn)分析這些龐雜的數(shù)據(jù)，形成精準(zhǔn)的用戶畫像，學(xué)習(xí)平臺的個性化推薦會得到質(zhì)的飛躍。但是，形成精準(zhǔn)用戶畫像的基礎(chǔ)是建立用戶數(shù)據(jù)標(biāo)簽體系，從基礎(chǔ)數(shù)據(jù)到衍生指標(biāo)，再到立體化數(shù)字畫像標(biāo)簽體系，均依賴于用戶屬性、興趣偏好、行為特征、學(xué)習(xí)習(xí)慣等不同維度的大量數(shù)據(jù)，而這些數(shù)據(jù)分散在不同類型的學(xué)習(xí)平臺上?？v向聯(lián)邦學(xué)習(xí)能夠聯(lián)合不同類型的學(xué)習(xí)平臺進(jìn)行協(xié)同訓(xùn)練，獲取相同用戶群體的不同維度的大量數(shù)據(jù)，有助于構(gòu)建精準(zhǔn)的用戶畫像，基于學(xué)習(xí)者畫像可以構(gòu)建學(xué)習(xí)預(yù)警模型，為學(xué)習(xí)者提供個性化的教學(xué)干預(yù)[30]。另一方面，機器學(xué)習(xí)已經(jīng)成為網(wǎng)站提供個性化推薦的一項重要技術(shù)，為了獲得準(zhǔn)確的機器學(xué)習(xí)模型，在其訓(xùn)練過程中需要大量的樣本數(shù)據(jù)進(jìn)行特征映射和參數(shù)調(diào)整。然而學(xué)習(xí)平臺受本地數(shù)據(jù)樣本不足的限制，而且跨區(qū)域數(shù)據(jù)共享又存在隱私泄露的風(fēng)險。通過橫向聯(lián)邦學(xué)習(xí)技術(shù)，學(xué)習(xí)平臺根據(jù)中央?yún)f(xié)調(diào)及異構(gòu)平臺的聯(lián)合建模方式，實現(xiàn)跨區(qū)域模型參數(shù)的流通和共享，從而打破數(shù)據(jù)孤島，在有效保護(hù)隱私的同時獲得更高精度的數(shù)據(jù)模型，更好地實現(xiàn)個性化學(xué)習(xí)資源推薦。

（三）利用正規(guī)教育管理和學(xué)習(xí)數(shù)據(jù)，提升社區(qū)教育管理決策水平

相較于正規(guī)教育，社區(qū)教育缺乏統(tǒng)一規(guī)范的管理機制，其數(shù)據(jù)構(gòu)成比較復(fù)雜。正規(guī)學(xué)校教育對學(xué)生的管理具有規(guī)范性、強制性，新生入學(xué)注冊必須正確填寫個人信息并統(tǒng)一分配學(xué)號，畢業(yè)時根據(jù)學(xué)號就能查詢到個人在校期間所有學(xué)習(xí)記錄，包括成績、學(xué)分等信息。社區(qū)教育具有非正規(guī)性，對社區(qū)居民的管理是松散的、學(xué)習(xí)是非強制的，其管理和學(xué)習(xí)數(shù)據(jù)沒有統(tǒng)一標(biāo)準(zhǔn)。居民的學(xué)習(xí)具有隨意性、自發(fā)性，學(xué)習(xí)網(wǎng)站上注冊的個人信息未必準(zhǔn)確和完整，社區(qū)教育課程大多數(shù)也沒有統(tǒng)一的學(xué)習(xí)要求和標(biāo)準(zhǔn)，成績認(rèn)定、學(xué)分獲得都有困難。管理和學(xué)習(xí)數(shù)據(jù)的不規(guī)范不完整將影響社區(qū)教育管理決策，影響社區(qū)教育發(fā)展。

不同教育類型的學(xué)習(xí)平臺，因其管理體制差異、個人隱私保護(hù)等原因，其管理和學(xué)習(xí)數(shù)據(jù)基本上不可能集中在一起進(jìn)行訓(xùn)練，聯(lián)邦遷移學(xué)習(xí)借助本地訓(xùn)練數(shù)據(jù)的方式能夠?qū)崿F(xiàn)不同教育類型管理和學(xué)習(xí)數(shù)據(jù)的聯(lián)合訓(xùn)練?；诼?lián)邦遷移學(xué)習(xí)的跨教育類型數(shù)字化學(xué)習(xí)行為模型，其數(shù)據(jù)樣本既來自社區(qū)教育領(lǐng)域，也來自其他教育領(lǐng)域，能夠利用正規(guī)學(xué)校教育的規(guī)范完整的管理和學(xué)習(xí)數(shù)據(jù)特征，填補社區(qū)教育不規(guī)范不完整的數(shù)據(jù)結(jié)構(gòu)，以此來優(yōu)化社區(qū)教育數(shù)據(jù)模型的性能效果。機器學(xué)習(xí)是一個從數(shù)據(jù)中自動生成知識的過程，借助聯(lián)邦遷移學(xué)習(xí)的知識遷移，使社區(qū)教育管理者能夠運用正規(guī)教育管理和學(xué)習(xí)數(shù)據(jù)中生成的知識，有效提升社區(qū)教育管理決策水平。

（四）聯(lián)通各級各類教育數(shù)據(jù)，助力社區(qū)教育學(xué)習(xí)成果認(rèn)證

學(xué)習(xí)成果是指學(xué)習(xí)者在完成一段時間的學(xué)習(xí)后，被期望知道、理解和能夠做什么的陳述，學(xué)習(xí)成果重在描述學(xué)習(xí)者的成就，是一個人成功經(jīng)歷某一類型教育而取得的結(jié)果[31]。但是，對于發(fā)生在學(xué)校系統(tǒng)之外的社區(qū)教育非正規(guī)和非正式學(xué)習(xí)活動，其形式多樣，結(jié)構(gòu)較為松散，過程不可預(yù)控，效果難以確定。面對終身學(xué)習(xí)背景下學(xué)習(xí)成果認(rèn)證的各種現(xiàn)實需求，偏重正規(guī)教育的傳統(tǒng)教育評價體系已難以相適應(yīng)，迫切需要針對非正規(guī)教育和非正式學(xué)習(xí)成果的認(rèn)證，以滿足整個社會全民終身學(xué)習(xí)的需要[32]。

基于聯(lián)邦學(xué)習(xí)的數(shù)字化學(xué)習(xí)行為模型為學(xué)習(xí)成果認(rèn)證提供數(shù)據(jù)支撐，提高認(rèn)證的準(zhǔn)確性和可信度。一方面，社區(qū)數(shù)字化學(xué)習(xí)是產(chǎn)生社區(qū)居民學(xué)習(xí)成果的重要渠道，基于縱向和橫向聯(lián)邦學(xué)習(xí)的社區(qū)數(shù)字化學(xué)習(xí)行為模型，可通過對學(xué)習(xí)者的學(xué)習(xí)路徑、學(xué)習(xí)記錄、測試結(jié)果等學(xué)習(xí)數(shù)據(jù)的分析，為學(xué)習(xí)成果認(rèn)證提供參考依據(jù)。另一方面，不同教育類型的學(xué)習(xí)成果認(rèn)證需要學(xué)習(xí)成果之間具有可比性、等效性和可轉(zhuǎn)換性，基于聯(lián)邦遷移學(xué)習(xí)的跨教育類型數(shù)字化學(xué)習(xí)行為模型，對不同教育類型學(xué)習(xí)者的學(xué)習(xí)數(shù)據(jù)進(jìn)行對比，將社區(qū)教育中的非正式學(xué)習(xí)成果與其他各級各類學(xué)習(xí)成果相互聯(lián)通。數(shù)字化學(xué)習(xí)行為模型有助于社區(qū)教育學(xué)習(xí)成果的客觀評估和鑒定，有助于不同教育類型學(xué)習(xí)成果獲得實質(zhì)等效的資歷和學(xué)分，為建設(shè)終身教育資歷框架和學(xué)分銀行提供數(shù)據(jù)支撐。