加入收藏 | 设为首页 | 会员中心 | 我要投稿 天瑞地安资讯网 (https://www.52baoding.com/)- 科技、建站、经验、云计算、5G、大数据,站长网!
当前位置: 首页 > 大数据 > 正文

教育大数据采集与分析

发布时间:2022-12-09 13:36:34 所属栏目:大数据 来源:互联网
导读:
(杨现民:江苏师范大学智慧教育学院副院长,教育信息化工程技术研究中心常务副主任。本文根据杨教授在“第十六届中国教育信息化创新与发展论坛”上的主题报告整理而成。)
一、教育需要大

大数据搜集_大数据培训机构大数据培训_数据搜集整理表格式教案

(杨现民:江苏师范大学智慧教育学院副院长,教育信息化工程技术研究中心常务副主任。本文根据杨教授在“第十六届中国教育信息化创新与发展论坛”上的主题报告整理而成。)

一、教育需要大数据

1中国教育现状

小学生课外要上辅导班,中学生课堂上低头玩手机,大学生课堂上睡觉、玩手机,大学生就业难……种种教育教学的困境表明,不管是哪个层次的教育,我们的课堂教学是需要改进的。

中国教育的“短板”:基础知识——长;基本技能——半长;动手能力——短;批判思维——短。开心快乐是少的,可持续发展是比较弱的。

教育的“希望”:2012年联合国发布的《大数据促发展:挑战与机遇》白皮书指出:“大数据时代已经到来,大数据的出现将会对社会各个领域产生深刻影响。教育领域也不例外。”

2大数据的概念

国务院2015年《促进大数据发展行动纲要》中对其做了定义,提出“大数据”指以容量大、类型多、存取速度快,应用价值高为主要特征的数据集合。文件中提到最多的两个词就是“共享”“开放”,“共享”59次,“开放”36次。这也说明国家已经充分认识到数据就是重要的生产要素,无形的资产和社会财富。

3大数据核心思想

数据本身的价值远胜过算法技术。数据量多,就可以在某些方面弥补算法的复杂性和缺陷。

承认数据的混杂性和多源性,学会接受不准确/精确。

从因果关系转向相关关系,更加快速、客观。

从“抽样”到“选样本”。

一定要突出跨领域数据的交叉融合和数据的流动生长。

强化即时分析、未来预测。大数据不仅要诊断现状,更重要的是要预测未来。

这样一个时代,技术太多。2014年Gartner曲线(技术成熟度曲线)显示,大数据处于从高峰期有些下滑的阶段,且预测大数据成熟还有5—10年。我们不要因为时髦加入,亦不要因为过时而错过很好的机会。

4大数据政策

全球大数据政策

开放数据战略(各国)

数据安全保护(日、德)

研究计划(美、英)

产业发展战略(韩)

人才培养倡议(日)

中国大数据政策

我国高度重视大数据发展,2012年以来中央与地方政府相继出台了一系列大数据相关文件,主要涉及五个方面:

制定大数据相关行动计划与行动纲要

制定大数据发展规划

制定促进大数据发展相关指导意见

出台大数据相关法律法规

成立大数据专业研究机构和社会组织

5国内大数据发展

国家大数据综合试验区

国家首个试验区:贵州

两个跨区域类综合实验区:京津冀、珠江三角洲

四个区域示范类综合试验区:上海、河南、重庆、沈阳

一个大数据基础设施统筹发展类综合试验区:内蒙古

国内大数据发展阶段

整体处于快速发展期,但应用较为初级。

二、教育大数据的内涵

《中国基础教育大数据发展蓝皮书(2015)》中对教育大数据做了定义:教育大数据是指整个教育活动过程中所产生的以及根据教育需要采集到的,一切用于教育发展并可创造巨大潜在价值的数据集合。

教育大数据要能服务教育发展,具有教育目的性,而非盲目的囊括一切数据。教育大数据之“大”并非指数量之大,而是强调“价值之大”。

1教育大数据的独特性

教育大数据的独特性可以从两个方面分析。

与传统教育数据“片面性或是剖面的、非自然状态的采集”特点相比,教育大数据强调持续的、自然状态的、全面的采集,同时对于数据的分析更加多元。数据的来源一定是跨界的、多源头的大数据搜集,强调预测和预警。

与其他领域的大数据相比,教育大数据独特性突出表现在:1.教育大数据采集更加复杂,购物时刷微信即可,但教育很复杂——课堂中学生行为要采集,参加社团活动时行为又该怎样采集;2.教育大数据应用需要高度的创造性;3.不仅要注重相关,也要注重因果关系的发现。

2教育大数据有多大?

我们做过测算,测算依据是《2014年全国教育事业发展统计公报》。

以基础教育领域为例:从师生基本信息数据量、课业测试与作业数据量、校园实录数据量以及课程资源数据量四个维度对基础教育大数据进行估算。

数据搜集整理表格式教案_大数据搜集_大数据培训机构大数据培训

测算的结果我们发现

大数据搜集_数据搜集整理表格式教案_大数据培训机构大数据培训

三、教育大数据的采集

1教育大数据分类

大数据的来源无非是两个——人和物。“人”包括学生、教师、管理者和家长,“物”包括信息系统校园网站、服务器、多媒体设备等各种教育装备。

大数据搜集_大数据培训机构大数据培训_数据搜集整理表格式教案

依据来源和范围的不同,可以将教育大数据分为个体教育大数据、课程教育大数据、班级教育大数据、学校教育大数据、区域教育大数据、国家教育大数据等六种。

个体教育大数据

大数据搜集_大数据培训机构大数据培训_数据搜集整理表格式教案

课程教育大数据:是指围绕课程教学而产生的相关教育数据,包括课程基本信息、课程成员、课程资源、课程作业、师生交互行为、课程考核等数据。

学校教育大数据:涉及到教学、教务、校园安全、设备的维护、教室使用、教学耗材以及财务等方面。

大数据搜集_数据搜集整理表格式教案_大数据培训机构大数据培训

区域教育大数据:关于区域教育数据中心平台体系架构:核心是一个管理中心,一个存储中心,一个挖掘中心。下面是从各种应用系统——不管是旧的或者是即将部署的系统中,通过数据采集和交换的机制,源源不断地将数据补充到存储中心,在此基础之上做更好的数据分析和挖掘。

大数据搜集_大数据培训机构大数据培训_数据搜集整理表格式教案

国家教育大数据:主要汇聚来自各区域产生的各种教育数据,侧重教育管理类数据采集。国家教育大数据网络的架构包括两方面——教育管理公共服务平台,教育资源公共服务平台。结合这两大中心的平台向外辐射,辐射到各省各学校,整体构成我们国家的教育大数据网络,其中所有的数据会推送到教育部教育管理信息中心、各种教育教学评估中心等。

2教育大数据的结构模型

数据搜集整理表格式教案_大数据培训机构大数据培训_大数据搜集

称其为“洋葱模型”,是为了说明数据是分层的,不是散乱的。针对不同的层次有不同的数据采集方式。

大数据培训机构大数据培训_大数据搜集_数据搜集整理表格式教案

数据搜集整理表格式教案_大数据搜集_大数据培训机构大数据培训

冰山模型

关于教育大数据的冰山模型,目前我们更多的是采集一些显性化的、结构性的数据,而存在冰山之下的是更多的非结构化的,而且真正为教育产生最大价值的数据是在冰山之下的,更值得我们去挖掘。同时要加强教育大数据与其他领域大数据(医疗、交通、经济、社保等)的融通和关联分析,进一步增强教育决策的科学性。

3教育大数据采集技术体系

包括4大类、13种常见数据采集技术。不同的采集技术采集的内容是不一样的。

大数据搜集_数据搜集整理表格式教案_大数据培训机构大数据培训

未来教育大数据采集技术会更多,比如眼动追踪技术,语音交互技术,人工智能技术,体感交互技术。

教育数据采集注意事项:

1.提前规划设计。

2.有清晰的边界。

3.保持连续性和规范性。

4.粒度要尽可能小。

5.要符合伦理道德。

四、教育大数据的分析

教育大数据分析包括三类:1.描述性分析:根据历史数据进行统计归纳,可以实现现象的准确描述;2.诊断性分析:在数据中发现规律、发现表象背后的问题;3.预测性分析:如何在多变、不确定、动荡的背景下做出智能化决策,形成洞察。

教育大数据分析七大模型

大数据培训机构大数据培训_数据搜集整理表格式教案_大数据搜集

1数据决策模型

开展数据驱动的教育决策。大数据技术能够从海量的教育数据中发现隐藏的、有用的信息,反映教育系统中实际存在的问题,从而为做好教育管理和决策工作提供科学的数据支持。

大数据促使教育决策三转向:从模糊走向清晰,从猜测走向证据,从冒险走向相对的保险。

决策无处不在。招生、专业设置、教师招聘、教学决策、就业预测等,都需要决策。

案例一:深圳市教育资源科学动态规划

国家二胎政策分开,我们会面临越来越多的学校压力:怎么布点学校,哪个区该增加学校,增加什么规模的学校……这涉及到资源的动态配置问题。深圳市目前结合了市政数据、人工流动数据、城市公共开支预算等,做了科学规划。

案例二:美国构建立体化教育数据网络,支持教育科学决策

早在2002年美国政府以立法的形式明确指出所有教育改革与决策必须有实证数据支持。目前除了国家层面的教育数据网络构建,各个州也在做相关探索。

2教育舆情监测模型

舆情监测系统功能包括:预警负面信息,突发事件,热点事件,正负面舆情预警,热点识别功能,主题跟踪功能,事件分析功能,预测报警功能,信息自动摘要功能,趋势分析功能等。

3学习预警模型

大数据对于学生来说非常有价值。大数据的一个重要特性就是可以很微观化,可以全面地刻画学生肖像,精准定位学生的优势和缺陷分别在什么地方。

大数据培训机构大数据培训_大数据搜集_数据搜集整理表格式教案

目前很多预警是知识层面的预警,其实除此之外,还有行为方面和情绪方面的预警。如北航老师提到的大数据如何透视情绪,非常值得研究。

4适应性学习模型

大数据就是个“显微镜”,通过它我们能透视到微观的个体。目前很多研究机构和企业都在开发适应性学习系统。

数据搜集整理表格式教案_大数据搜集_大数据培训机构大数据培训

5深度学习模型

随着网络时代的到来,现在的学生阅读很快,浅层学习为主,深层学习不足。而教育更应该关注学生的思维方式,意义建构,相互关联,逻辑思维和知识的迁移。

我们团队开发了深度学习评价量表,包括26道题,包含知识层面、思维层面和情感层面。这个量表可以帮助教师诊断学生在课堂上学习的深度如何。

学生发生的行为其实是有规律的。这里推荐LSA—学习行为分析的新方法——滞后序列分析法,可以帮助我们把握这些规律。目前这种方法在电子商务、医疗、游戏和教育领域都在用。

6学业评价模型

目前上海大学构建了基于大数据分析的常态化教育教学质量监控与保障体系。每年都会出报告。我们学校也要做相关报告。未来这个报告可能交与专业的社会机构来做。

北京师范大学未来教育高精尖创新中心开发了智慧学伴平台,建议大家关注该机构及其相关研究。该机构目前正在北京基于互联网和大数据推进区域性的教育改革,推动双师服务,让老师的课外在线辅导收费合法化。

7智慧学生画像

学生画像系统对学生在校日常行为中产生的多种数据进行深度分析,从而精准化描述某个学生或某个特定群体的基本信息、学习、生活、社交、实践情况,揭示、比较学生个体或特定群体不同的成长轨迹。如电子科大在这个方面做了很好的探索。

五、关于教育大数据认识

1.国内教育大数据整体处于起步探索阶段。

2.大数据提供给教育的仅仅是“参考答案”。

3.教育大数据并非“万能胶”,要找准发力点。

4.教育大数据属于社会公共资产,应走向开放。

5.教育大数据取代不了老师,但会带来新的分工。

(编辑:天瑞地安资讯网)

【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容!