最近，几个重要的转变促进了大数据--更具体地说,是人工智能在高等教育中的实践。
首先,人工智能在技术和能力上已经发生了重大变化,并将继续发展和改进。明天的高等教育中的人工智能能力将远远超过昨天。第一代人工智能应用在很大程度上依赖于人类产生的模型来收集和分析数据,通过深度学习,这些应用现在可以收集数据并产生自己的模型,进而从这些模型中学习和改进。随着时间的推移,这些进步有望帮助高校更容易地处理数据，并从他们收集和储存的大量数据中产生洞察力。
其次,在COVID-19大流行期间,向在线学习和工作模式转变的大转折使许多学校接触到了新的在线和基于云的应用程序及平台,他们利用自己的机器和深度学习工具来分析数据，产生洞察力。
随着高校的数字化转型之路未来几年继续加速,随着更多高校的功能和服务转向在线和云平台,高校的数字化数据仓库将扩大。数据的扩展将要求高校组织和理解这些数据的人工智能技术与能力也同步扩展,这有可能帮助推动决策，并创造自适应和个性化的教育体验。
有可能阻碍高校实施人工智能学习分析的因素：
（1）学校系统和文化，“数据孤岛”是高等教育领域的一个共同特征,高校由多个部门和职能单位组成,每个部门和单位都有自己的系统和做法来收集、存储和使用数据。数据系统不能相互“交流”,往往会导致运作效率低下，最终导致高校错失有效利用集体数据的机会,无法为学校和学生制定最佳决策。
（2）伦理和公平，任何收集、分析和使用个人数据的行为背后都潜藏着重要的伦理考虑。学习管理系统作为众多的数据源之一,收集了大量的用户数据。但是,其中一些用户可能会反对某些类型的数据被收集并用于他们可能不完全知道或不理解的目的。
其它的担忧围绕着算法偏差。这些偏见倾向于偏袒某些类型的学生，使学生之间已经存在的不平等现象永久化，甚至恶化。事实上，当被要求思考所有技术和实践在提高机构公平性和包容性方面的潜力时，小组成员给用于学习分析的人工智能打出了相对于其他项目的最低分。
尽管人工智能在丰富高等教育方面的潜力确实激发了我们的想象力，并迫使我们在数据和分析能力方面进行创新，但仍有许多工作要做，以确保这些创新不会让任何人掉队，而是帮助学生在没有偏见的情况下茁壮成长并取得成功。
实践案例：
（1）通过融合人工智能和虚拟现实仿真学习蒙哥马利县社区学院的放射学项目在教学中进行了新的探索。在虚拟检查室中，学生可以结合解剖学内容知识，借助X射线设备，与患者互动，进行补充性动手练习。同时，人工智能工具可以对学员进行评估，它能够根据学员在课程期间记录的内容知识和在安全实践方面表现出的差距，进行个性化的指导干预。
（2）利用学习分析法Online Education Services开发了一个基于网络的应用程序,用于主动支持学习者。该应用程序可以识别影响学生成功的风险因素,并将这些因素实时传递给教学和支持人员。学习者可以通过电话、短信或电子邮件从LMS内或通过CRM与之联系。
（3）Course Insights是宾夕法尼亚州立大学技术教学部开发的Canvas LTI应用程序,为教师提供其课程中学生的人数统计数据和先前入学情况的数据。该应用程序利用人工智能和先进的分析方法,帮助导师监测在线课程活动,反映课程成果,并了解学生在其课程中的实时参与模式。