教育大数据中心的数据是一个可以提取价值的金矿
如何收集数据对于它们未来的使用非常重要。接收数据背后的挑战是从一开始就要标准化，以便今后对数据进行分析。这样做并不意味着将非结构化的数据转化为结构化的数据，而是要用直观的方法对接收的数据进行分类。
应该说，获得教育数据并不是一件容易的事。对于大学阶段的学生而言，数据的收集并不是主要问题。然而对于中小学阶段的学生而言，挑战却很大，因为有些数据的收集存在法律问题，有些则存在伦理道德问题。
数据收集者的数量和技能也是一个问题。对于公司而言，通常通过网络上的小型文本文件（cookies）来收集用户的相关信息。但是对于美国联邦政府教育部等政府机构而言，则需要依赖于全国众多学区和研究者的网络来提炼和确认数据。
教育工作者和研究者已经开发出从大数据中提取价值的五种主要技术。
（1）预测（Prediction）——觉知预料中的事实的可能性。例如，要具备知道一个学生在什么情况下尽管事实上有能力作答但却有意回答错误的能力。(https://www.daowen.com)
（2）聚类（Clustering）——发现自然集中起来的数据点，这对于把有相同学习兴趣的学生分在一组很有用。
（3）相关性挖掘（Relationship Mining）——发现各种变量之间的关系，并对其进行解码以便今后使用它们，这对探知学生在寻求帮助后是否能够正确回答问题很有帮助。
（4）升华人的判断（Distillation for Human Judgment）——建立可视的机器学习的模式。
（5）用模型进行发现（Discovery with Models）——使用通过大数据分析开发出的模型进行“元学习”（meta-study）。
总而言之，通过大数据进行学习分析能够为每一位学生创设一个量身定做的学习环境和一套个性化的课程，还能创建一个早期预警系统以便发现开除和辍学等潜在的风险，为学生的多年学习提供一个富有挑战性而非令人逐渐厌倦的学习计划。