大数据学习计划范文

导语：如何才能写好一篇大数据学习计划，这就需要搜集整理更多的资料和文献，欢迎阅读由公务员之家整理的十篇范文，供你借鉴。

篇1

大数据，尤其是与客户数据相关的大数据近几年来一直是商家的热议话题。如果你从事的是B2C领域，尤其是零售或电子商务方面的工作，那么你很有可能会以某种形式或方式接触或运用到大数据。

不过，随着新年将至，数字营销者关注点将由大数据转移至“更高质量的”数据和洞察力。通过分析顾客的在线行为真正深入地了解顾客，在帮助品牌提升知名度和影响力的同时，也可帮助营销者通过运用更具有实际意义的数据打造更加个性化的购物体验。

那么，在与数以百万计的顾客交流时，究竟应该如何运用大数据打造让顾客难以忘怀的个性化购物体验呢？

解决这一难题，首先需要依靠大数据来填补商家和消费者之间的鸿沟，这也将成为2016年营销界的热点话题。

大数据助力营销者深入了解客户

市场营销活动直接接触到顾客，并有机会将顾客转化，所以分析、评估和执行这些营销活动尤为重要，商家须不断收集顾客的详细信息。大数据和数据分析相结合，创建顾客资料库能够帮助商家：

深入了解顾客购买行为；

预测顾客购买决定；

向顾客推荐其感兴趣的商品；

最终升顾客线上购物体验。

只有互动才能让商家更多地接触顾客，而与顾客互动的唯一途径便是充分运用大数据。

今年，商家曾遭遇大数据泛滥的困境。商家接收到了海量、各类型的数据，由于处理不当，甚至根本没有能力处理这些数据，而被淹没在了数据洪流之中。因此，今年商家的热议话题之一就是利用顾客智能实现个性化。

而这也是我们能够帮助客户提升他们的顾客的个性化体验的另一方面 ——机器学习。

预测：机器学习将成为2016年的“新秀”

篇2

一、大?稻荼尘案攀黾暗缌ζ笠涤?销管理存在的问题分析

1.大数据背景的概念分析

大数据是指涉及到的资料数量非常之多，规模之巨大，整理后可以帮助企业分析当前现状以及预测未来的数字信息，它可以来自各个方面，具有体积大、多样性、价值密度低以及速度快的特点，打破了传统数据的局限性，是能够未来社会发展的重要内容，同样，电力企业的发展也离不开大数据的支持。

2.电力企业营销管理存在的问题分析

从现阶段来看，我国电力企业的营销系统已经暴露出很多问题，首当其冲的就是由于我国目前的电力企业多数营销系统和生产之间的关系薄弱，导致两者之间的协同效果极差，从而营销精细化和科学化开展困难；第二点就在于使用的营销系统已经不符合现代社会的发展，必须引进更为科学化的系统来帮助营销的进行，除此之外还存在营销思维陈旧、故障维修效率低下、运行效益差等诸多问题。

二、电力系统营销管理创新机制要求分析

1.精细化营销管理的要求分析

要想实现电力系统营销管理创新机制的精细化，需要系统分析电力系统现存的业务大数据，找到问题的根源，从分析结果存在的最多的问题出发，正确认识大数据，细化经营管理的操作，不断优化营销的手段，重新思考营销的需求，找到最佳解决方案。

2.科学化营销管理的要求分析

科学化的营销管理首先需要先进的营销系统作为支撑，保证最佳的运行效率和先进的营销理念，以优质的服务帮助客户保持完美的体验，这就需要专业型人才的引进，以采集的大数据为中心，结合其他行业大数据的应用先例，参考国内外此方面的经验，积极整合现代数据的支撑，以高质量来要求营销管理系统，根据先前的经验不断探索，运用现代多媒体技术达到科学化营销管理的目标。

三、电力企业营销管理创新的具体思路

1.实现电力营销服务系统的精细化管理

实现电力营销服务系统的精细化管理要以大数据为参考背景，通过新的模式实现生产系统和营销的联动化，信息的相互交流有利于彼此间业务的开展，进一步提升服务的质量水平，整合大数据下建立新的营销系统精细化模块，具体到每一个区每一个用户，解决电力系统服务效率低下的问题，营造良好的电力服务系统以吸引更多的顾客进行电力消费，同时也需要对营销服务成本精细化，可以降低整个营销系统的成本，对未来电力营销前景进行展望，积极调整营销策略。

2.积极引进先进的科学化营销管理系统

数据大背景的好处就在于能帮电力系统通过分析国内外同水平的营销系统的效益找到最佳的科学化营销系统，以互联网科技为根基，依托实际电力公司的经验，持续推进智能营销系统的构建，抓住大数据的四大特点，以多元化为主要发展方向，探索大数据与营销系统的适应和处理问题的过程和方法，让电力营销服务系统的水平得以不断提高，通过科学的手段切实提高管理的效率，同时也能借助现代通讯媒介帮助业务的开展，实现创新性的发展营销系统。

3.构建正常运行的大数据控制电力营销系统

目前的电力营销系统中存在的诸多问题都能够通过大数据的分析得以解决，以便维持整个系统的正常运行，包括借助大数据找到客户服务中存在问题的最佳解决方案，优化相应服务器的速度，极大的提升电力企业的营销管理水平，实现精准化面向服务群体，提升服务技术，从而改变大数据背景下我国电力系统价值水准的改善，维持电力企业的和谐发展。

篇3

个性化教学就是尊重学生个性的教学，必须根据每个学生的个性、兴趣、特长、需要进行施教，亦即学生需要什么，教师便授予什么，学生完全是一种自主性的学习。个性化教学也就是孔子所倡导的“因材施教”。那么，在大数据时代的今天，作为教师如何实施个性化教学，从而实现因材施教呢？

1.利用大数据的规模性了解学生差异。

每个学生都是不同的个体，有着鲜明的个性，因此，作为教师，首先要做的就是深入了解学生，这样的教学才有针对性。大数据的特征之一就是规模性，规模性指的是巨大的数据量以及数据规模的完整性。因而，教师完全可以凭借数据库中巨大、完整的数据了解学生诸如家庭背景、努力程度、学习态度、智力水平、认知水平等数据。教师只有真正了解了学生的发展情况，才能制定合适的学习计划，学生才会对学习产生兴趣，才会进步。

2.利用大数据的高速性营造和谐氛围。

美国心理学家罗杰斯曾说过：“成功的教学依赖于一种真诚的尊重和信任的师生关系，依赖于一种和谐安全的课堂氛围。”课堂上，让思维的火花翻新，让智慧的结晶生辉，让课堂百花齐放，形成师生互相尊重与信任的氛围，这应该是最理想的课堂状态。大数据的特征之二就是高速性，高速性指的是数据流和大数据的移动性，现实中则体现在对“实时性”的需求上，即能在第一时间抓住重要事件的发生信息。课堂上，教师可以利用大数据的这一特征，时时关注学生多样性学习动态，包括学生不同的表达方式、不同的解题思路、不同的探究结果，对有独到见解的要实时鼓励，对有误解偏差的要实时纠正，对有需要完善的要实时补充，如此，学生才能积极主动、充满自信地学习。

3.利用大数据的多样性选择学习方式。

个性化教学的落脚点是实现个性化的学习，教师应鼓励学生选择自己喜欢的学习方式。学习方式是学习者一贯表现出来的具有个性特点的学习策略、学习倾向的总和。选择自己喜欢或习惯的学习方式，对学习者而言能达到事半功倍的效果。大数据的多样性，指的是有多种途径来源的关系型和非关系型数据。互联网时代，各种设备通过网络连成一个整体，这意味着数据的种类变得繁多，除了简单的文本信息外，还可以对传感器数据、音频、视频、日志文件进行点击，获取可用的信息。这个时候，教师鼓励学生选择自己喜欢的方式，自己感兴趣的数据，个人或小组均可，开始或自主或合作的探究学习，完成学习目标，提高综合学习能力。

4.利用大数据的价值性落下点“睛”之笔。

任何学生的学习活动终究离不开教师的点拨与引导，唯有这样，方能醍醐灌顶，学有大成。互联网女皇marrymeeker在2012年论及互联网发展趋势中，用生动的图像来描述大数据的价值性：一幅是整整齐齐的稻草堆，另一幅是稻草堆中一根缝衣针的特写。寓意是通过大数据的帮助，可以在稻草堆中找到你所需要的东西，哪怕是一根小小的缝衣针，这就是大数据的价值性。那么，在课堂上，教师可以利用大数据的价值性，呈现出不同层次的难点予以解决，对不同层次的学生状况予以评价、对不同层次的学习能力予以拓展。

二、个性化教学应注意的几个问题

1.忌从数据化回到数字化。

数据化和数字化的区别在于，通过数据我们可以了解并理解一个学生，而通过数字我们只能看到一个学生的表象，这对学生的发展是绝对没有好处的。我们不得不承认在实施素质教育的今天，仍有一部分教师注重应试教育，看分识人，唯分对人，不习惯、也不喜欢看数据评价，这便与大数据时代下个性化教学相悖了。

2.个性化教学不是对传统教学的全盘否定。

篇4

关键词：大数据;教育领域

大数据（big data），又名巨量资料、海量资料。麦肯锡全球研究院报告《大数据：创新、竞争和生产力的下一个前沿》对大数据所做定义如下：大数据是指数据量大小超出了传统数据库软件工具的抓取、存储、管理和分析能力的数据群。大数据必定具备四个特征：容量大（Volume），指数据的存储容量单位已经由GB、TB上升到EB、ZB、YB，甚至更高的级别;速度快（Velocity），指海量数据的创建、传输和分析速度快，一般要求响应时间要控制在秒级单位内;类型多（Variety），指数据类型多样，除了结构化的事务数据，还包括半结构化的网页数据、非结构化的视频和音频数据;价值高（Value），指数据价值密度低，但海量数据综合价值总量很高。

大数据时代的来临对各行业都产生了深刻的影响，教育领域也不例外。学员的学习行为、思维方式，教员的授课理念、教学方法，学校的教育管理、教学评价无一例外都受到大数据的影响。教育领域必定会在大数据技术的推动下发生深层次的、多元化的创新与变革。

一、大数据对教育领域的影响

1.教育理念与教学评价被迫革新。教育作为社会子系统的重要组成部分深受社会形态影响，现代的教育体系几乎是伴随着工业社会发展同步发展的。市场的扩大与提高，对劳动者劳动技术与经验的要求远远高于个体层面的文化修养，合格劳动力的衡量标志是能不能解决问题。这一实用主义特点对教育领域的影响是巨大的。传统的教学评价不论对学员还是对教员，总是依赖能力测试，通过考试分数的数理统计分析来评价学员与教员。在大数据时代，则是跟踪记录教员与学员教与学的长期行为并对之进行分析，采用过程性、归纳式、多元化的方式进行评价。

2.个性化教学得以真正实现。运用大数据技术，在线平台能实时记录每一位学员的学习行为，教员获得全面丰富的数据内容后利用数据挖掘技术加以整合分析，不但能掌握学员个体的学习状态、知识接受水平，还能了解哪种教学方法对该学员最有效，以及该学员具体的薄弱点。教员根据这些数据就可以针对学员个体因材施教，制定个性化的教学方案、教学活动和学习计划，教学工作真正从共性化的群体教学转向了个性化的个体教学。个性化教学的实现能大幅提高教员的教学质量和学员的学习效果。

二、大数据在教育领域的应用模式

大数据在教育领域的应用模式本质上就是数据的生命周期，即数据获取（学员使用在线教育系统）、数据存储（系统将学员的在线学习行为记录下来存入数据库）、查找与分析（进行数据挖掘，预测学员的各项表现）、可视化（对数据挖掘和预测结果进行可视化处理）、决策（教员与教学管理人员给予学员指导与支持）。

1.教育者角度的应用，即教学领域知识模型构建。大数据教育系统对现有的教学内容建模后通过数据挖掘、学习分析和在线决策各子系统，研究各专业学员所必须掌握的教学知识点、教学单元与教学课程之间的逻辑关系，最终重新构建领域知识结构，对现有的教学内容与方法进行改革，达到提高学员学习效果和教员教学效率的目的。

2.学习者角度的应用。（1）个性化课程分析。大数据教育系统首先获取某个学员以前的学习表现，从已毕业学员的成绩库中匹配与之相似的学员，分析已获得的成绩和待选课程表现之间的相关性;然后通过学习满意度调查问卷分析评估学员个人情况;再结合专业课程的重要性，为学生列举课程清单。并向其推荐有可能取得优秀成绩的课程。（2）辍学行为预警。大数据教育系统可以记录所有学员的课程学习信息，进行教学情况实时监测。当旷课、违纪、课堂表现等与辍学行为相关的关键因素发生变化时，系统会及时对学员行为做出评估，并在风险达到一定阈值时向教育管理方发出预警，使教育管理方有足够的时间在辍学行为发生前进行提前干涉。（3）助学需求预测。大数据教育系统可以通过收集校园卡的生活与消费记录，以一日三餐为主要权重指标对生活必要开销进行计算评估，当发现某学员的消费明显低于预警线时，会主动通知学校相关管理方，由相关部门与学员进一步沟通，并进行相应调查，判断该学员是否需要助学帮助。

3.其他应用。当大数据教育系统与其他领域的大数据系统互联互通后能发挥的作用不可估量。比如，与社保、医疗、金融、公安、政府等大数据实现安全共享后，教育系统内所有学校与学区内的情况可以从各个角度可视化地展现在出来。大数据系统既能帮助学员从选择学习合作小组到职业规划的制定等各个方面进行辅助指导，也能帮助国家层面的教育管理者制定宏观教育政策、调整教育改革方向、分配教育资源。

总而言之，大数据在教育领域的应用惠及该系统内学员、教员、教育管理者、教育研究者等所有人员，它是未来教育发展的必然趋势。但作为新生事物，大数据具体的应用还不成熟，需要在实践探索中不断改进完善。

参考文献：

篇5

在课改初期，笔者也尝试进行了多媒体信息技术与数学学科教学整合的研究，实验下来，觉得有两点还是比较迷惘，一是更多时候是为了应用技术而技术，技术并不是不可替代，并不能真正促进课堂教学的改革；二是技术的引入，并没有对教育环境和教育现状造成实质的影响，学生并没有取得长足的发展，所以对整合的有效性也产生了质疑。近两年来，大数据浪潮汹涌来袭，笔者又对信息技术与学科教学整合进行了深化研究，在利用数据处理的方法来提高数学教学的实效性这一方向做了几点探究。

（1）在课上的研究。在课堂研究的过程中，笔者利用软件建立了课堂学习平台，在每天的学习过程中，利用平台搜集学生上课的所有数据，日积月累，从而形成一个数据仓库，面对数据仓库，我们不仅仅是对数据进行简单的统计，而是利用现代化的数据处理技术去研究数据仓库中各种数据所隐含的丰富信息，根据分析的信息笔者不断完善课堂教学设计，希望能更好地揭示错综复杂的教育现象的本来面貌。

（2）课堂前后的研究。2013年笔者引入一套课后评价反馈测试平台――“家教新干线”， “家教新干线”是学生在线学习的一个平台，是学生个性化的学习，他们的学习行为的数据都自动生成并留存，一方面易于他们后期的学习行为评价和评估，还能让学生根据个人的学习数据制定相应的学习计划；另一方面笔者也不用再基于自己的教学经验来分析学生的学习中偏好、难点以及共同点等，笔者只要通过分析整合学习的行为记录轻而易举就能得到学习过程中规律，可以利用数据挖掘的关联分析和演变分析等功能，在学生管理数据库中挖掘有价值的数据，分析学生的日常行为，可得知各种行为活动之间的内在联系，并作出相应的调整与对策。

通过一段时间的实验，笔者认识到，我们现在所谓的信息技术与学科整合、在线教育和数字化校园，都仅仅只是数字，还谈不上数据。随着互联网、云等综合技术的成熟，越来越多的数字云集在一起，才形成了数据。处于信息化的时代，学生获取知识的途径不再是课堂，获取知识的主要途径变成了网络和线上学习，而我们传统的课堂，也将成为交流学习成果，答疑解惑的场所。这又使笔者联想起比尔・盖茨的一段话：“五年以后，你将可以在网上免费获取世界上最好的课程，而且这些课程比任何一个单独的大学提供的课程都要好。”的确，现在我们的教育，正在向这个方面转变，这不正是大数据环境下的教学探索吗？

“越来越少的课堂，越来越多的网络；越来越少的讲授，越来越多的交互；越来越少的编制，越来越多的合作；越来越少的办公室，越来越多的实验室……” 这些场景也许你曾经不敢想象，但确实已经随着技术的倒逼，悄悄渗透到了教育领域。千百年来，作为教育工作者，都是想把教师的思维逻辑或者书本的思维逻辑连同知识容量一起拷贝到学生的大脑中。但是事实证明这些努力只是部分有效，这些仅仅是一个基础学习，不能造就人才。随着信息学和行为学的研究深入，人们才逐渐认识到，教育真正的最高境界，是发掘学生自身原有的动力和天分。教育到了变革的关键时期。我们作为教育工作者，应该向大数据时代、知识时代跨越，知识将无所不在。笔者认为我们目前教育正在进行或者未来必定主流的模式将是：视频成为主要载体，教育资源极其丰富；翻转课堂；按需学习；终身学习；不以年龄划线；远程教育的提法将消失；距离不再是问题，在学校之外进行，等等。

篇6

关键词：信息化教学，高职院校，教学能力

随着科学技术的飞速发展，信息技术已渗透到经济发展和社会生活的各个方面，全民教育、优质教育、个性化学习和终身学习已成为信息时代教育发展的重要特征。目前，人工智能、大数据、虚拟仿真等现代信息技术广泛应用于教育教学过程，促进了优质教育资源的全面覆盖，缩短了不同地域间优质教育资源调配差异，实现了教育公平。在“双高计划”建设背景下，全面提升高职教师信息技术应用能力，充分发挥信息技术教学优势，运用信息化教学手段进行教育教学，有利于提升高等职业教育人才培养质量。

一、信息化教学的理论依据

人工智能、大数据、区块链、移动终端、物联网、大数据等新兴技术，促进“互联网+”融合，推动职业教育信息化发展，是适应教育现代化的必然趋势。越来越多的职业院校教师能够主动利用信息化技术及平台，探索教学方法。信息化环境下的教学与传统的教学方式相比，具有教学方法灵活、交流互动手段多样、教学资源丰富等优势。

二、教师信息化教学中存在的主要问题

从近几年信息化获奖作品的质量和参赛数量来看，高职院校对信息化给予极大的热情。大部分职业院校不惜重金打造比赛作品，从VR、AR等先进设备的引进和视频的拍摄等各个环节都耗费了大量的人力、物力，但是，学校管理者和教师没有真正认识到信息化教学对促进教学模式改革、教学理念更新的重要性。大部分教师在教学活动中还是简单地利用计算机、互联网、投影等，教学设计没有新意，没有创设情境，学生的主体地位没有得到充分的发挥，教师缺乏将信息技术与专业课程进行整合的能力。

三、信息化教学能力大赛对提升教师信息化能力的促进作用

（1）创新了教学模式。信息化教学环境依靠互联网、云计算、大数据、物联网、人工智能、虚拟仿真实训室、全息投影等技术来创设和营造情境，使授课、学习、评价等与教学流程相关的各个环节全部信息化，这样不仅为教师提供了优质的教学资源和灵活的教学模式，也为学生提供了多样化的学习途径与学习方式。（2）创设教学环境。获奖作品越来越注重利用信息化教学创设教学情境，激发学生学习兴趣。比如《影视鉴赏》，在传统教学中，教师一般是通过播放影视作品，引导学生感知人物形象，分析人物形象，掌握人物形象的塑造手法。信息化教学改变了传统教学方式，教师主要采用任务教学法，借助蓝墨云班课，自主微课，使学生对电影中的人物形象有初步的认识，学生在头脑风暴区上传喜爱的电影人物图片、在讨论版推荐影片，教师汇总后针对性地挑选并制成数字电影库，为课堂练习做好准备。（3）推动了教学资源的开发与建设。综览近几年获奖作品不难发现，大赛越来越重视教学资源的开发和建设。在线开放课程已成为职业院校必备的教学平台，为了在比赛中取得优异成绩，大部分职业院校从2016年开启了在线开放课程的建设历程。各省教育主管部门为了鼓励职业院校建设在线开放课程的积极性，开展了省级在线开放课程的评选，从政策、制度、评优等方面加大了在线开放课程的倾斜力度。

四、高职教师信息化教学能力提升的有效途径

（一）国家层面

1.以提质培优为契机，全方位提升高职教育信息化水平。“双高计划”和职业院校提质培优对职业院校提升信息化水平有明确指出，职业院校要加快智慧校园建设，适应“互联网+职业教育”需求，运用大数据、云计算、物联网、VR/AR、人工智能、5G网络、区块链等信息技术和教育理念的最新发展，构建信息技术支持下的教学空间、工作场所和虚拟场景及其相互融合的环境，促进学生自主、泛在、个性化学习。智慧教室、虚拟仿真实训室、虚拟工厂的不断完善，教学模式的改革，师生信息素养和信息化教学能力的提高，促进了信息技术与教育教学深度融合，提升了教师信息化水平。2.不断完善信息化教学大赛制度，积极转化大赛成果并广泛共享。国家对提升职业院校教师信息化水平非常重视，在中国特色高水平院校的申报环节中，把信息化国赛获奖经历作为必备条件之一。国家应出台转化大赛成果的制度，推动比赛成果转化。

（二）学校层面

1.推进智慧数字教室建设。全面改善学校网络条件，升级校园网主干带宽，实现无线WI-FI6和5G通信网络全覆盖，完成IPv6规模化部署。按照新一代互联网发展趋势，加快学校信息化基础设施建设，建设集现代技术为一体的智能教室，建成全向交互、全面感知、高效协同的智慧校园。运用信息技术推进教育教学改革，实施线上线下教学融合发展计划，全学段推动“课堂革命”。2.健全信息化教学考评制度。学校要高度重视信息化教学，完善学校信息化教学大赛机制，每年定期组织信息化教学比赛，积极打造优秀作品参加省级、国家级教学能力大赛，并对获奖教师在职称评定以及各种评优活动中倾斜。把学生信息化能力素养列入人才培养方案及日常学习计划中，提高学生利用网络信息技术和优质在线资源进行自主学习的能力。

篇7

关键词：大数据时代；教师德育胜任力；转向；培养路径

随着教育信息化、“互联网+”行动的不断推进和数字校园建设、“三通两平台”工程的精准实施，教育也正式迈入了以网络为平台、数据爆炸式增长为标志、云计算为支撑的大数据时代［1］。大数据时代的来临，对整个教育系统产生了颠覆性的影响，也必将对教师的教育教学与个人发展带来新的挑战［2］，对教师的德育胜任力提出新的要求。在大数据时代，海量信息和优质教育资源的开放共享削弱了教师传统意义上的道德权威；网络化生存中的人机互动更加凸显出了师生间面对面交流和沟通的重要性；多维多变的价值观念和学生复杂的价值诉求使得教师的价值引领作用在当下显得更为沉重［3］；慕课和翻转课堂虽然减轻了教师的教学压力，但却对教师在学生的思想引领、价值型塑、人格感化和情感陶冶等方面提出了更高要求……总之，在新形势下，教师完成立德树人根本使命的重要性、紧迫性和艰巨性更加突出。教育作为镶嵌在社会系统中的子系统，其发展必须与时代潮流相适应。这种适应虽然表现在调整课程内容和结构、革新教学模式和方法、应用新兴设备和技术等多个方面，但最关键的还是在于教师要与时俱进地更新教育观念，优化知识结构，提升专业水平。教师若想在大数据这股浪潮中游刃有余，就必须以自信的姿态、主动的精神和切实的行动提升自身的德育能力。那么，在大数据时代，教师德育胜任力的内涵应如何界定？它有哪些特征？教师德育胜任力又需实现哪些转向？我们该采取哪些措施来培养教师的德育胜任力？这些问题都是当前德育研究亟需解决的重要课题。

一、大数据时代的教师德育胜任力

胜任力研究虽有将近百年历史，但真正进入教育领域却始于20世纪70年代末。研究主题聚焦在教育管理者的胜任力培养上，如美国中学校长协会构建了校长胜任力指标体系，以此来指导校长选聘和职业发展工作［4］。在我国，关于教师胜任力研究的最早文献是2003年的《未来教师胜任力测评：原理和技术》一文，该文认为，“教师胜任力指教师个体所具备的、与实施成功教学有关的一种专业知识、专业技能和专业价值观”［5］。迄今为止，我国教师胜任力研究已走过15个年头，并取得了不少有价值的研究成果，学者们从概念界定、模型构建、研究方法、胜任力测评及具体应用等方面进行了较为深入的探讨。在整个教师胜任力研究中，虽然有部分学者对教师德育能力、教师德育素养（素质）、教师德育专业化展开了相关研究，如檀传宝教授认为，教师的德育素养结构由道德与文化素养、学科专业素养和教育专业素养三部分构成［6］。但目前尚未有人提出“教师德育胜任力”这一概念并对其进行研究，更没有人结合具体的时代背景来阐述教师的德育胜任力。进入大数据时代，传统的德育环境不复存在，教育对象在不断发生变化，教师德育胜任力的概念也需重新定义。在批判借鉴国内外学界关于胜任力、教师胜任力及教师德育能力（素养、素质）等概念的基础上，并结合当前时展和社会环境对教师德育能力提出的特殊要求，我们认为：大数据时代的教师德育胜任力是指大数据时代下每个教师能够成功实施德育工作需要具备的一系列显著的个体特征；这些特征主要包括高尚的道德修养、先进的德育理念、丰富的专业知识、高超的德育能力和良好的数据素养。上述概念具有五个主要特征：一是全员性。由于“没有离开教育的教学，也没有离开教学的教育”［7］，所以“教师即人师”，每位教师都应承担起教书育人的使命。二是相对独立性。虽然教师胜任力、教学胜任力、德育胜任力三者有重叠和交叉，但德育胜任力应该有其自身的独特性。三是综合性。教师德育胜任力是由知识、态度、能力和价值观等多种因素构成的整体。四是时代性。教师德育胜任力是一个随时展的动态概念，不仅传统的德育素养不可或缺，而且教师还要“加强对时展的了解，与时俱进地进行道德学习，从媒介素养到国际理解，不断增强自身的价值敏感性和价值选择力”［3］。五是个性化。教师除了要具备通用的德育胜任力之外，还应彰显出卡里斯玛特质，表现出与众不同的人格魅力。

二、大数据时代教师德育胜任力的转向

整体而言，大数据进入教育领域，既是一场革命，也是一种挑战；既是一次十分难得的机遇，也是一种无法回避的负担。大数据在给学校德育的改革创新与转型发展带来福音的同时，也对教师德育胜任力提出了全新挑战，需要所有教师的主动适应与积极作为，但在付诸行动之前，我们有必要弄清楚大数据时代下的教师德育胜任力究竟面临着何种挑战，需要从哪些方面进行转向。1.德育思维由经验式思维转向数据式思维大数据不仅是一种信息资源和技术工具，更重要的是“一种思维方式，即让数据开口说话，让数据成为人类思考问题、做出行为决策的基本出发点”［8］。思维方式上的变革是置身于大数据时代的教师遭遇到的最大挑战。这是因为，在教育领域，教师长期以来已经习惯于依靠自身的常识、直觉、经验或有限理性进行思考和决策，而很少去倾听身边数字所发出的声音［9］。然而，大数据时代的来临使得这种经验式的德育思维难以为继，教师的德育决策需要基于数据分析而制定。大数据具有的相关性、开放性、个性化和前瞻性思维可以帮助教师采集到有关学生品德发展的海量数据，通过数据挖掘和关联分析，就能够比较全面而准确地掌握学生的兴趣爱好、个性特征、思想动态、价值取向和行为趋势等重要信息，教师就可以在此基础上为学生提供符合其需求的个性化教育服务。显然，这种数据式的德育思维具有无可比拟的优势，不仅可以为教师的德育工作打开新的思路，而且还能增强学校德育的实效性，因而也对传统的德育思维造成了巨大冲击。如今，当教师在德育实践中遇到棘手的德育难题时，优先考虑的应该是尝试着从数据视角去寻求解决方案，而不是沿袭传统思维。2.德育重心由集体式教育转向个性化服务由于师资力量、技术手段和思维习惯等因素的共同影响，当前的学校德育基本上是根据学生的平均水平和总体特征而实施的同质化教育，这使得我国古已有之的因材施教的教育理想始终难以落到实处。然而，有了大数据的支持，教师就能够观察和收集到每个学生的品德发展数据。这些数据为教师读懂千差万别的学生打开了一扇窗户，也将促使德育重心从宏观的群体教育转向以学生为中心的个性化服务。在大数据时代，学生道德需求的多元化和个性化趋势日渐凸显，教师就应该根据学生不同的品德发展水平和独特的学习风格，选择合适的德育资源组织德育教学及相关活动，其工作重心“从知识传授逐渐演变为开展教学评估，根据学生学习节奏、进度和效果，为学生设计个性化的学习计划和方案，与学生就学习效果、学习方法和学习计划等进行有效沟通”［10］。此外，学生每一种品德的形成，其知、情、意、行四个要素的发展方向和水平也不尽一致，这就要求教师能够根据相关数据识别出学生品德发展结构中的短板或不足，从而有的放矢地进行教育补救。当然，大数据只是为个性化德育服务提供了条件支持和技术可能，若要真正实现，还需要教师付出果敢的努力和行动，不断提升自身的德育素养。3.专业能力由传统素养转向数据素养大数据虽然为教师能够胜任德育工作创造了有利条件，但同时也对教师的专业能力提出了新的要求，即从传统素养向数据素养转变。首先，教师要具有强烈的数据意识，能够敏锐地察觉到海量数据中真正有价值的信息，并能快速而准确地捕捉到这些信息。其次，教师要具备筛选和清洗数据的能力。大数据的海量性和复杂性特征导致了数据的价值密度离散、容错率增大，如何通过强大的机器算法实现数据的去冗降噪和价值提纯，是教师面临的一大难题。再次，教师要拥有较强的数据解读和分析能力，能够挖掘出数据背后的隐藏价值，赋予数据特定背景，使其成为信息，再对信息进行归纳总结，使其升华为教育智慧。譬如，在一次百以内加减运算的数学考试中，甲、乙二人的成绩分别为100分和98分，如何看待这一微弱差距，不同的教师会表现出不一样的行为。数据解读能力强的教师会结合二人的知识基础、学习习惯、性格特征等相关数据，客观而准确地分析其中原因，进而在接下来的教育教学中为乙同学提供精准的个性化服务，如巩固已学知识或克服粗心毛病。反之，数据解读能力弱的教师可能会将这一差距仅仅看成是数字间的不同，出现解读不够或解读过度的现象。前者认为二者间没有本质差别而不问不顾，后者夸大二者间的差距而引发晕轮效应，这两种做法都会为乙同学的发展埋下祸根。最后，教师还要具备对大数据德育应用进行伦理审视的能力，谨防大数据在德育应用中出现侵犯学生隐私、践踏教育伦理、限制学生自由和阻碍学生发展等伦理风险。

三、大数据时代教师德育胜任力的培养路径

篇8

关键词：学习分析技术；大数据；中国大学MOOC；本土化

中图分类号：G434 文献标志码：A 文章编号：1673-8454（2016）05-0004-04

一、提出问题

过去的几十年里，各领域都出现了大规模的数据增长，如：最近快速发展起来的大规模开放在线课程MOOC（Massive Open Online Classes），数以万计学习群体的学习数据都将被实时互动的MOOC教学模式平台及时记录，产生各种结构化、非结构化和半结构化等数据类型，如何将巨大的数据资源转换为有用的知识与信息资源？这是当下亟待解决的问题，也是教育工作者、管理者和学习者们所关注的话题，学习分析技术是测量、收集、分析和报告有关学生及其学习环境的数据，用以理解和优化学习及其产生环境的技术，运用相应的学习分析技术对学习者的基本信息数据和学习数据进行分析可以更深入、具体地了解教师的学习行为，找出影响培训效果的因素，从而有效地监控、预测学习者的学习过程，给予学员以恰当的学习指导，提升培训效果。为进一步分析中国大学MOOC课程的学习情况，本研究旨在作为中国大学MOOC课程的学习者和研究者对如何把学习分析技术更好地应用到MOOC当中，进行探究。

二、学习分析及其系统构成

1.学习分析

最早的学习分析定义源于 EDUCAUSE的“下一代学习挑战”，其中将学习分析定义为“使用数据和模型预测学生收获和行为，具备处理这些信息的能力”[1]。很多学者也给出了不同的见解，加拿大阿塞巴斯卡大学的 G. Siemens 教授于 2012 年对相关定义进一步提炼之后提出：认为学习分析是“关于学习者以及他们的学习环境的数据测量、收集、分析和汇总呈现，目的是理解和优化学习以及学习情境”[2]，刘清堂教授认为“学习分析”（Learning Analytics）指大范围收集学生的学习数据并加以分析，从而评价学生的学习进度，预测其未来的学习表现，并查找潜在问题[3]。著名的《地平线报告》在2012版中将学习分析定义为：通过收集学生的大量数据进行分析，从而对其学习表现进行评价和预测，并发现潜在的问题[4]。本研究认为学习分析由数据整理、信息加工、知识转换、智慧调整四部分构成，如图1所示。

（1）数据整理：包括声音、图片、文字、邮件等各种结构化、非结构化和半结构化数据，乃至多媒体数据，并对数据进行筛选、搜集等。

（2）信息加工：通过各种技术、算法、教学理论等各种技术手段过滤、处理、加工和分析数据，表现为数据之间的联系。

（3）知识转换：提取有意义有价值的数据，转换为有用的知识和信息资源，强调数据转换知识。

（4）智慧调整：富有洞察力、综合分析能力，在了解各方面信息后，能够预测学习规律和学习行为的发生并采取行动进行干预。

可见，学习分析技术针对海量数据的搜集整理，采用不同的技术手段、分析方法、教学理论以可视化的方式解读数据，提取有价值的数据，从而发现学习规律，为其学习行为，教学模式，课程设计等方面提供及时反馈，促进有效学习。

2.学习分析系统的构成

学习分析系统集成了信息技术与教育信息化的深度融合，它实质上是一种数据化、支持各种技术、算法服务的信息系统，与大数据平台结合并使之转化为有价值信息的系统。通常比较完善的学习分析系统由信息库、在线支持服务系统、交互式测试系统、软件与校对工具、预测和干预引擎、监测系统等部分构成，并集成在统一的用户平台，如图2所示。学习分析系统的各个子系统具有不同的支持服务。

（1）信息库：提供学习者的所有数据与信息，以便于搜索与获得。

（2）在线学习支持服务系统：提供在线学习平台，高等教育相关课程，使用技能课程等的学习计划、题库、技能图谱等功能。

（3）交互式测试系统：提供自我控制、结构化及互动的学习方式，帮助学习者完成学习任务所需的知识和技能。

（4）软件与校对工具：帮助学习者完成特定任务，并进行校对，提供所需工具支持。

（5）监测系统：跟踪学习者观看视频、作业和讨论等学习行为表现，评价学习者的学习绩效。

（6）干预引擎：进行学习者进程追踪和自动化以及人工干预。

（7）预测引擎：综合来自学生信息的统计学数据和学生信息库的学习行为数据，跟踪学习者的学习进展情况，预测未来学习者的学习状况。

三、基于“中国大学MOOC”的学习分析系统框架设计

1.“中国大学MOOC”的发展现状

面对世界范围内MOOC的急速发展，我国高校继2012年与edX、Coursera和Udacity签约合作后投入了大量人力物力于中国大学MOOC建设中，希望能树立起自己的民族资源品牌。2014年4月由重庆大学组织成立的“WEMOOC东西部高校课程共享联盟”成为中国最大的MOOC式在线互动学堂；上海教委发起建设的大型在线教学服务平台“上海高校课程中心”已经在发展中国本土化的MOOC方面有一些前期实践积累[5]。2014年5月8日，网易云课堂承接教育部国家精品开放课程任务，与“爱课程网”合作推出的“中国大学MOOC”项目正式上线。首批上线来自16所“985工程”高校的56门课程，截止8月份已有100门（包括已开课程和待开课程）课程，涵盖北大、浙大、中科大、复旦大学等20所知名高等学府，课程的讲师为各个领域内的顶级名师，“中国大学MOOC”将根据成绩，把证书分为合格和优秀两类。

2.中国大学MOOC的一般教学模式

中国大学MOOC的课程分为七大模块：评分标准、教学安排、课件、测验与作业、考试、讨论区、分享，如图3所示，不同的课程有不同的评分标准和教学安排，每门课程相关的课件、测验、作业与讨论是课程的主要模式包括：

（1）观看视频：课程会提供几段教学视频，每段视频都会讲解重要知识点和教学内容，学习者可以有选择性和目的性地观看。

（2）讲间练习促进知识内化：视频中增加一些小练习题，以单项和多项选择等形式，让学习者对视频所学内容进行消化并吸收。

（3）随堂交互：有些视频结束学习者可以在讨论区与教师、学习者随堂交互，讨论相关学习内容，发表自己的想法和理解。

（4）完成回顾性测验并提交作业：每周也安排了单元小测验，让学习者对本周所学重要内容进行回顾练习，在线提交以获得老师的批改反馈，也能让教师及时了解阶段教学的结果和学生学习的进展情况、存在的问题等，以便及时反馈、及时调整和改进教学工作。

（5）讨论区：中国大学MOOC大部分课程每周都会提供学习者讨论的话题，让学习者在讨论区讨论，学习者也可自主的在老师答疑区、课堂交流区、综合讨论区和老师同学之间进行交流，或者可以自发形成讨论组私底下再度学习探讨，讨论在有的课程中会作为课程计分的一部分。

（6）中期测验：在课程结束时，会有针对课程内容、讨论话题、提交作业等结业考试。

3.基于中国大学MOOC的学习分析系统应用的框架设计

图4描述了在中国大学MOOC教学过程中，教学者、管理者和系统通过学习分析技术对学习者进行实施干预，首先学习者需要在网易云课堂上申请注册，选择参与课程进行学习，体验预先设计好的课件，完成测验与作业，在讨论区和教师、学生相互讨论问题，在此过程中系统会通过一种“反馈学习”的机制，利用自己产生的数据判断自身算法和参数选择的有效性，并实时进行调整，持续改进自身的表现[6]。另一方面对于MOOC学习者产生的学习行为数据，都将即时地以网页点击流方式记录下来，存储在学习者用户数据库。

学习分析系统对学习者在中国大学MOOC课程的学习数据研究常用方法：

（1）社会网络分析

社会网络分析（social network analysis ），是由社会学家依据数学方法、图论等研究出来的一种定量分析方法，对网络学习过程进行系统的分析，强调信息的分布和个别学习进展，需要使用很多相关的工具和方法。例如可以用Mzinga工具来分析学习者在这门课程学习中的参与程度，影响学习者个性化学习过程的情景因素；可以用Gephi工具可视化处理各种数据，判断学习者在哪方面有学习认知的困难。

（2）文本分析

文本是最常见的存储信息形式，如电子邮件、教学文件到网站页面等.文本分析是从各种格式结构的文本中提取有用的信息和知识的过程。例如：在中国大学MOOC中的测验和考试环节主要用于处理如何寻找给定问题的最佳答案，它涉及问题分析、答案检索和提取、回答演示方面的不同分析。

（3）内容分析

内容分析（Content Analysis），是指对于明显的传播内容进行客观而有系统地量化并加以描述的一种研究方法。它通过特征分析、发展分析和比较分析对某一对象在不同问题、不同时期和不同样本资料等情况下进行内容分析，判定对象的特征、发展趋势及与其他对象之间的异同。ROST content mining工具，是一个大型的内容分析工具平台，对学习内容、成绩考核、作业完成情况等量化处理生成可视化的分析结果，研究学生的思想、意图和动机，预测学生的行为动态。

教学者和管理人员根据学习分析系统对学生学习行为数据的分析情况，预测和干预学习者的学习表现及下一步所需要的教学内容和形式，同时做出有效调整，以不断达到理想中的结果，使教学、学习效果更优化，从而实现因材施教。例如：适应性学习系统就是建立在对学习行为的数据采集和分析基础上，及时向教师反馈学习者的学习效果，并向学习者推荐下一步的学习策略（包括学习内容的难度、学习环节的形式和顺序等）[7]。在这个过程中，学生通过自我组织、制订并执行学习计划，从而控制整个学习过程。

本研究以哈罗德・拉斯维尔传播模型所揭示的教育技术研究五个方面的重要研究领域，如图5所示为主要依据，针对图4的中国大学MOOC，从应用项目、研究问题和所需分析的数据三方面列出学习分析技术在这重要研究领域的应用设计，如表所示。

四、结束语

随着中国MOOC本土化的快速发展，海量数据的产生、挖掘、统计和分析也成为新的挑战和机遇，学习分析技术以学习数据为分析对象综合运用各种相应的分析工具，建立数据结构与知识信息的联系。

（1）在MOOC这种动态、开放、大规模的学习环境中，学习分析技术很好的观察反映出学生在学习内容、发现问题、解决问题的过程性结果，学习者需要依据结果对自身的学习质量做出评判和校正，实现教学中的知行统一。

（2）学习分析技术通过统计处理的方式对学习数据进行量化分析，全面、客观、准确地描述教学现象和规律，深入挖掘隐藏在复杂的数据后面的知识，使对中国大学MOOC学习过程的研究结果更为真实、系统、科学，从而提高研究结果的水平。

（3）基于中国大学MOOC的学习，教师只能通过各种类别的数据来判断学生的掌握程度，学习分析技术的应用可以促使教师利用图形和可视化工具解析复杂的、海量的数据，同时教师也可以诊断自己的教学效果，如美国加州大学开发了QSP（the Quality School Portfolio），目的是促进教师对学生绩效的可视化分析能力。

由此，如美国圣地亚哥州立大学副校长依山・辛格 （Ethan Signer）校长在一次访谈中所说：“‘数字排放’（Digital Exhaust）中有成千上万名学生留下了他们参与MOOC的学习数据，这是我们进行大数据分析并设计有效教学的宝贵资料。”学习分析技术在MOOC领域的应用潜力是有待更深地挖掘，大部分学者对学习分析的研究集中在表述现象，而对学习分析应用的研究相对较少，就目前中国大学MOOC的本土化发展现状来说，学习分析技术的应用是极具研究价值的。

参考文献：

[1]吴永和，祝智庭.学习分析：教育信息化的新浪潮[J].远程教育杂志，2013（4）：11-19.

[2]Siemens，G..Learning Analytics a Foundation for Informed Change in Higher Education[DB/OL].[2013-01-17].http///gsiemens/learning-analytics-educause.

[3]朱珂，刘清堂.基于“学习分析”技术的学习平台开发与应用研究[J].中国电化教育，2013（9）：127-132.

[4]孙洪涛.学习分析视角下的远程教学交互分析案例研究[J].中国电化教育，2012（11）：40-45.

[5]顾小清，胡艺龄，蔡慧英. MOOCs的本土化诉求及其应对[J].远程教育杂志，2013（5）：3-11.

篇9

关键词：大数据；学习分析技术；教学变革

中图分类号：TP3 文献标志码：A

大数据，作为当今最热门的关键词，已在各行各业中掀起变革的巨浪。在教育领域中，同样蕴藏着具有应用价值的海量数据。荷兰著名的行为观察软件商NOLDUS公司的研究表明，在一节40分钟的普通中学课堂里，一个学生所产生的全息数据约有5-6GB，而其中可归类、标签、并且进行分析的量化数据约有50-60MB，这相当于在传统数据领域中积累5万年的数据量总和。[1]那么，如何有效挖掘、分析和利用这些数据来更好地改进教学？学习分析技术给出了很好的答案。美国新媒体联盟（NMC）与美国高校教育信息化协会（EDUCAUSE）的《2013年地平线报告（高教版）》预测：学习分析技术将在未来的两到三年内成为主流技术，并得到广泛的应用。[2]

一、学习分析技术的内涵

学习分析技术是一个新兴的研究领域，旨在应用数据分析为教育系统的各级决策提供参考，关键内容就是应用于教育领域的大数据分析。这一研究方法原先来自于商业领域，商家通过对消费者的活动进行数据发掘分析来把握消费趋势。比如淘宝网会根据用户购买和浏览过的产品，来推断用户对某类产品的偏好。又如在社交网站中，新浪微博会根据个人的关注对象推荐该用户可能感兴趣的其他对象。这类技术的实质，就是通过对数据的提取、归类、分析与总结，进行统计性的预测和判断。

基于学生相关数据的分析则是以学生群体为主体，以设计出更完善的教学方法为目标，致力于为学生提供高质量、个性化的学习体验，并评估制定的学习计划是否能有效帮助学生加强学习，这些分析结果对于教学双方来说都具有重要的意义。对教育工作者和研究人员而言，学习分析在剖析学生与在线文本、课件之间的互动中发挥着至关重要的作用。对学生而言，通过开发用于分析学生具体数据的移动软件和在线平台，能够为学生提供符合他们学习需求的支持服务系统，使他们受益于学习分析，提高学习成绩和学习效率。

二、学习分析技术的分析方法

学习分析技术除了传统的数据分析方法外，充分吸收了大数据时代下各个领域的新技术，包括社会网络分析法、话语分析法和内容分析法。这些新技术的引入，使得学习分析逐渐科学化、现代化和智能化。

社会网络分析法（Social Network Analysis）原先是一种社会学研究方法，它是对社会网络的关系结构及其属性加以分析的一套规范和方法，现已广泛运用于教育领域。如果将学习者个体作为研究对象，通过社会网络分析法，我们不难判断学习者个体向哪些同伴寻求了学习帮助，在哪些方面产生了学习认知上的困难，又有哪些具体的情境因素影响了学习者个体的学习过程等。如果将整个网络作为研究对象，社会网络分析法主要关注的是网络学习过程中信息的分布和个体学习的进展情况。

话语分析法（Discourse Analysis）原先是一种语言学研究方法，是在课堂对话基础上建立的口语分析方法，经过不断发展引入到教育领域，在课堂教学实践中得到了广泛应用。在大数据时代下，话语分析的对象不仅仅只是教学过程中面对面的对话内容，还涉及网络课程与会议中产生的文本内容，以及网络背景下的异步交流内容等。通过话语分析技术，我们可以对网上学习交流过程中话语的文本性含义有更深入的了解，从而探究知识建构的本质，对整个学习发生的过程获得更加清晰的认识。

内容分析法（Content Analysis）是一种对传播内容进行客观、系统和定量描述的研究方法。内容分析的过程是一个层层推理的过程，其实质是对传播内容所含信息量及其变化的分析，即由表征的有意义的词句推断出准确意义的过程。[3]在教育领域中运用内容分析法，不仅可以对学习者的学习过程数据进行定量分析，探寻学习者的行为模式；还可对其进行定性分析，运用积累的大量经验来预测当前的学习者行为，为学习者提供个性化的学习资源服务。

三、学习分析技术的模型

笔者根据学习分析技术的决策流程，构建了一个基本的模型（如图1所示）。

1.数据的收集

学习分析技术需要大量数据作为支撑，仅仅依靠结构化数据是远远不够的，必须同时收集不同系统中的非结构化数据，保障分析结果的正确性、一致性和完整性。

目前，教育系统中已经积累了大量的学生信息。信息系统中的学生信息、课程信息和教师信息这些档案类信息都可以作为学习分析的数据来源之一；课程管理系统（CMS）和学习管理系统（LMS）中也蕴藏着大量可以挖掘的信息，包括课程中的交互信息（与老师或学生的交流等）、学习表现信息（作业完成情况等）以及行为信息等；同时，基于教师经验、教师观察以及教师直觉的课程指导方针也是形成决策树分析的必不可少的部分。

2.数据的处理

结构化数据的考量很难反映一个学生在一堂课中吸收了多少知识，但是通过其在系统中的行为反应可以转化为可量化的数据来对其学习过程进行分析。比如在在线课程中，可通过多个方面检测学生的表现：比如与同班同学相比，在网站上花费的时间；登录网站的频率；犯了同样错误后重复犯错的概率；在某一科目停留的时间等等。通过综合分析这些数据，可以对学生的学习行为有更深入的了解，从而更加微观地了解学生。

3.软件分析

学习分析软件按照专业程度来分，可分为专用工具和通用工具两种。“专用工具”一般是学习分析项目中的核心分析工具，它专门针对某一项目的具体要求进行设计和开发，在项目实施过程中运用该工具搜集和分析学习者数据，从而指导教学。典型的专用工具有Socrato、SNAPP和 LOCO-Analyst等。而“通用工具”则是原来应用于互联网、可用性设计等其他领域的工具，后来被转用于教育情境下，用来分析学习者如何使用教学系统，主要有Mixpanel Analytics、Userfly、Gephi 等几种。[4]

4.行为干预

学习分析结果可用来评估学生表现，并及时提供反馈意见，同时还可根据学生的学习效果，有针对性地调整学习内容和方法，为学生提供指导和帮助，提高学生的学习能力。

四、学习分析技术所带来的教学变革

1.个性化教学的变革

学习分析技术的运用可以为每个学生提供一个个性化的学习环境。例如，如果一个学生解决一个问题所花费的时间远少于其他同学，系统分析结果就会自动给予提示与线索，试图促进该学生加强学习。这种即时性的提示在过去是不可能完成的任务，学生至少要等待多天，直到他们的作业被批改完。同时，在使用学习分析技术一段时间后，教师能够通过信息追踪和分析，判断自己的教学方法是否有效，从而进行相应的调整。因此，每个学生都能各自拥有一套为他们量身定制的个性化学习课程。

国内外大学中，较早应用学习分析的案例之一是美国普渡大学的“信号项目”。该项目于2007年启动，将数据从学生信息系统、课程管理系统和课程成绩单中提取出来，按照学习表现分类，从而对那些极有可能不及格或辍学的学生有针对性地提供服务。美国奥兰治县的马鞍峰社区学院通过它的“高等教育个性化服务助理”或叫SHERPA（Service-Oriented Higher Education Recommendation Personalization Assistant）系统，运用学生数据成功实施了个性化教育。该软件为每个学生建立详细档案，记录了其完整的在校期间的日程信息、跟随导师学习的经历以及其它个人信息；接着对这些信息进行分析，提出对时间管理、课程选择的建议，以及分析其它有助于学生在学业上获得成功的要素。

2.教师角色的变革

学习分析技术的运用将使教师不再仅仅是一个“教师”，同时承担了分析师的角色。传统意义上的教学主要是经验式的，教师凭借自己的主观判断来选择教授课程的内容和方式，然后通过一次次的反复实践来进行验证。而大数据时代下的学习分析技术有助于教师从这种传统的教学模式中解放出来，教师所做的决策将不再是纯粹的经验式判断，而是建立在数据分析的基础上。

美国教育发展中心（Education Development Center）和学生与技术中心（Center for Children and Technology）对如何利用数据帮助美国纽约市公立学校的教师进行教学决策开展了研究实践。他们与一家公司合作，对学生在数学学习过程中的数据进行了记录与分析，最后生成了可供教师分析的书面报告和网络报告。书面报告为教师提供了标准的全班学生学习情况的报告，为教师根据学生的需求分组、关注学生的个体特点等提供了依据。网络报告则为学校不同层次的员工提供不同层次的信息和重点。

五、结束语

大数据时代的来临，强有力地推动着教育信息化发展的浪潮。通过学习分析技术，使教学实践从关注宏观群体走向关注微观个体，并使教育个性化服务成为可能。但是，学习分析技术作为一种新兴技术，也面临着诸多挑战，距离其大规模运用可能还有较长的路要走，需要广大研究者深入研究，进一步开拓该技术的服务对象和应用场景，真正发挥大数据背景下学习分析技术的作用。

参考文献：

[1]张韫.大数据改变教育――写在大数据元年来临之际[J].上海教育， 2013（10）.

[2]2013 horizon report[EB/OL]. http：///publications/2013-horizon-report-higher-ed. 2013-4-23.

篇10

【关键字】大数据；云计算；教育资源；数据处理

【中图分类号】G40-057 【文献标识码】A 【论文编号】1009-8097（2013）07-0059-04

引言

“大数据”（Big data）是IT界继“Web2.0”、“数据挖掘”和“云计算”之后近两年最流行的词。大数据革命也正以Apache Hardtop为中心如火如荼地进行着，IBM、EMC、Oracle、VMware和MicrosoR等商业机构已看到了在这场革命中蕴含的商业价值，都争相投入到研究大数据的领域，都希望能抢先占有市场的主动权，并基于云计算等平台开发了诸如Biglnsights等产品，大数据技术能够帮助用户在茫茫的数据海洋里快速找到所需的资源。面对大数据的这些优势，教育界也掀起了对大数据的研究热潮，在《2013NMC地平线报告（高教版）》中非常有预见性的认为“大数据和学习分析”将在未来2至3年成为主流技术。在“大数据”时代如何提高对日益增长的教育资源的处理能力，寻找新的数据计算策略是当今教育界所关注的焦点，而要解决以上的几个问题，我们就必须理性地认识大数据。

一 大数据概述

2011年5月，全球知名咨询公司麦肯锡（MckinseyandCompany）了《大数据：创新、竞争和生产力的下一个前沿领域》报告，首次提出了“大数据”的概念，并在报告中指出“数据已经渗透到每一个行业和业务职能领域，逐渐成为重要的生产因素；而人们对于海量数据的运用将预示着新一波生产率增长和消费者盈余浪潮的到来”。但到目前为止对大数据的定义还没有一个明确的界定，但各种表达均存在一个共同点，即：大数据不是传统意义上的海量数据，而是一种具有数据量庞大、数据种类繁多、数据信息多样化的特点。据DCCI互联网数据中心在2012年7月26日举办的“Adworld2012互动营销世界”上给出的数据显示：2010年，全球数据量已达1.2ZB，而在如此庞大的数据中，只有10%的数据是结构化数据，其余的则是由邮件、视频、微博等大量的半结构化数据和非结构化数据它还具有市场价值高，预测速度快等特点。如日本大地震发生后仅9分钟，美国国家海洋和大气管理局（NOAA）就了详细的海啸预警。

二 大数据与云计算的结合，给高校教育资源的应用带来新机会

云计算的出现打破了以前高校信息化建设中的“信息孤岛”现象，它成为了各种分散教育资源集中应用的平台，这使得各种教育资源得到充分的应用，同时，云计算的出现让教师与学生有了真正的互动，并且它与各种终端设备的无缝连接，为移动学习提供了有力的技术支撑。然而大数据的出现更是让云计算的应用有了真正的用武之地，它们的有力结合将会释放出巨大的能量，它几乎会波及各行各业，对于教育领域而言，他们的结合也将会给高校的教育资源的应用带来更多的机会。

1 给数字图书馆带来新变革

对于图书馆行业来说，云计算的出现也改变了传统图书馆的服务模式，应用云计算的存储、管理等相关技术为读者提供网络化应用，这在很大程度上改变了传统图书馆的窗口服务模式，因此各省高校都纷纷以云为基础建立起高校图书馆联盟以更快、更好地发展图书馆行业，如江西省高校图书馆联盟平台应用云技术真正实现了资源共享一体化、服务一体化、管理一体化。然而在大数据时代下的图书馆行业更将面临新的变革，大数据可应用数据分析、挖掘等技术对存储在云服务端的各种分散的关系化、结构化和非结构化数据进行分析和挖掘，掌握读者的借阅行为、爱好、知识应用能力等以预测读者对知识服务的需求，使图书馆管理人员能根据预测进行决策；也可应用大数据技术对读者的科研创新合作过程及合作交互型知识服务过程将要发生什么进行分析和预测，从而应对图书馆未来所面对的生存危机，同时也可通过应用大数据的分析，预测以及智能决策等技术为图书馆建立科学及实用的风险评估模型，如数据图书馆馆藏信息安全评估模型。

2 让数据更能引导用户学习

对于教育界而言，大数据与云技术的结合使得教育资源的应用突破了原有意义上的应用格局，使教师与学生不仅仅是能够共享存储在云服务端的教育资源，并且能够通过大数据的数据分析、数据挖掘等技术对各种类型多样的数据进行分析和挖掘，以得出隐藏在其背后的数据信息，并为师生提供最合理的策略和方案。教师可以通过大数据技术对学生学习行为、学习爱好等非结构化数据进行分析及挖掘，让教师做出预测并及时做出决策，更好地引导学生学习，同时也可应用大数据的分析技术对开设的课程进行效果评估，以及时调整培养方案；大数据技术也可对学生某一段时间以来的各种表现，如上网、业余学习等非结构化数据的进行分析，预测出下一个时期将会发生的事情，以便尽早通过这些预测做出最适合学生健康发展的决策，并且基于大数据的数据分析技术为学生推荐学习轨迹，开展适应性学习，自我导向学习。

3 让高校教育决策者在掌握更多数据后做出更正确抉择

早期的关系化数据时代，对数据分析基本上是采用抽样的方法，推及所有人群，其准确性会大打折扣。而在当今大数据时代，利用大数据的分析能力，IT能够提供给企业决策层的将会是一个从各个领域进行了全面筛选的信息，这能够让企业的领导层更准确地了解市场、客户以及自己的产品。同样高校云存储中心为大数据的应用提供了更多关于师生客观而又真实的行为记录的数据基础，数据处理中心对这些零散而又无特定结构的数据应用大数据的数据分析、数据挖掘等技术处理后将会给决策者预示出做出某一决策后未来的发展趋势，使决策者在了解其发展趋势之后决定是否做出某一决策，这样，使得决策者能在低风险下做出正确的决策，真正实现基于数据进行决策。其次，大数据技术也可帮助高校提高教学质量，促进教育公平。高校可从数据中心获取关于高校内正常教学活动所产生的各项教学数据并在信息部门的协同下应用大数据的数据分析、挖掘技术实现自上而下的开展教学管理优化，促使高校教学管理体变革。

三 大数据时代云资源数据处理及服务

从存储在云服务端的资源中发现数据并加以利用，再提出相应的策略以指导师生学习是大数据对数据分析、挖掘的最终目标，然而关系数据库生成的简单报表远不能达到此目标，这就需要对数据进行更加深入的分析，这些分析需要依赖复杂的分析模型。运用这些模型人们不仅可以通过数据了解现在发生了什么，而且可以对将要发生什么进行预测，以便在行动上做出一些主动的准备。对于高校师生更是如此，他们不仅希望通过数据了解发生了什么，更是希望通过数据对未来进行预测，以便让他们做出相应的方案，这样他们就可以在信息化时代处于主动的状态而不是被动状态。

1 大数据时代数据处理

云计算的出现在很大程度上解决了数据存储以及计算等问题，因此各高校纷纷投入资金以建设以云为中心的教学环境，以提高教育资源的利用率。但对于数据的分析仍然是依赖于简单的关系数据库，这种简单的分析方法对数据的分析，查询往往耗费大量的时间、人力、物力并且效率不高。面对这些问题，大数据时代提出利用Hadoop技术包括内存检索技术，数据实时反应技术对大量的教育资源进行分析的方法，这个方法通过构建一个基于云计算的大数据资源处理平台，并通过Map Reduce编程模型对数据进行管理，以提高对数据分析的速度以及效率。该数据处理平台首先是对各种碎片数据进行收集，其主要的数据来源是存储在远程云服务端的教育资源，包括学生信息云、教室信息云等教育信息资源，在完成数据收集之后，便可对这些碎片数据进行过滤，以提炼出连续的、低信息粒度的数据，而后将提炼出的优质数据交于上层以进行数据分析，利用这个数据处理平台对几百甚至是几千个数据节点进行分析。数据挖掘是利用数据挖掘算法，包括分类算法，回归算法，聚合算法和降维算法等挖掘算法，对数据分析之后的数据进行数据挖掘，以挖掘出隐藏在数据背后有价值的信息为用户做出决策奠定基石。在大数据时代对数据的挖掘依然是结合云计算，采用的数据挖掘技术对存储在云服务端的大量的、不完全的、模糊的教育资源挖掘其隐藏在这些数据背后的事先不知道的，但是又存在着对教师以及学生非常有价值的信息，并及时提出预警和指导帮助，同样图书馆也可根据读者的借阅图书信息数据对读者的学习行为、借阅行为、爱好等数据分析，提出新的服务方案、策略。其数据处理平台如图1所示。

（1）云资源层：云资源层的数据主要来源于云服务端的资源，如教室信息云，学生信息资源云等教育资源，通过Hadoop中的HDFS技术对这些数据信息进行存储，再利Hbase、ZooKeeper等数据处理和管理工具动态生成MapReduce任务并对其进行计算和聚合高效处理。

（2）模型层：模型层对存储在数据层里的学生信息数据进行Hadoop的ETL处理输出汇总信息，包括学生学习行为，与他人协作行为等基本行为模型的分析，以掌握学生性格特征，学习能力，对资源满意度等基本信息，以期在对学生有更多了解后，给他们提出最适合他们自己学习的指导。

（3）应用层：通过模型层对学生信息或者其他教育资源信息分析后得出的结果，包括学生学习能力，学生性格特征等信息，对教师目前的教学效果以及学生的学习效果进行评估，并对未来师生教与学的效果进行预测，通过对预测的结果进行分析、挖掘给师生提出最佳教与学的策略。

2 大数据时代的教育资源服务

云计算和大数据技术的兴起以及用户对知识需求的变化使高校资源服务得以变迁。在大数据的背景下，高校教育资源在服务方式、途径、模式等方面将会不断得改变。未来的高校为教师、学生提供的服务将是通过数据的汇聚、过滤、分析和挖掘这一系列数据操作而得出的。因此，未来的高校提供给师生的服务将更加具有针对性和鲜明性。首先，在大数据的背景下，教育所提供的资源服务对于用户来说，只需要关注其最终结果而不必知道其内在原因。高校资源服务最终目标是为用户提供最快、最及时、最准确的服务，对于高校数据处理中心而言只需应用大数据技术对各种碎片数据进行分析和挖掘，以研判采取的某种教学方式对教师的教学效果或学生学习效果是否有影响，如果效果明显，那么决策者只需决定是否采用这种教学方式，不必要去追究这样做会使效率改变的原因。其次，大数据时代下的资源服务将会更加主动、更加贴近用户的实际需求，随着信息化时代的加速，各高校在以数字校园的背景下纷纷对资源系统进行整合，以最大限度的提高资源的应用，如此一来高校师生不仅可以尽可能的应用资源，而且也可以参与诸如资源平台建设、服务评价等交互式工作，而系统可以收集用户在该平台上留下的“痕迹”以动态的掌握用户对各种资源的需求，及时满足用户的需求，这样使用户对资源中心所提供的资源更加认可，而资源中心也会因为用户的认可而大大增强主动服务的意识。

四 大数据时代高校教育发展趋势

云计算为大数据提供了更多可弹性扩展，廉价的存储空间和计算资源，而且其提供的资源不仅种类繁多，并且分布广泛，是高校异构系统处理数据的有力方式，因此，在大数据时代下，高校教育将会朝着更多方向发展。

1 向以学生心中有数的终生制学习方向发展

大数据时代，高校信息中心将不仅仅是简单的关系数据，而更多的是记录了关于学生在资源共享平台留下的行为方式（浏览、下载）等非结构化的数据，而数据处理中心的任务是对这些数据进行分析、挖掘，最终以某种数据表示方式呈现给学生，让学生了解自己在各类资源子系统的活动频次及活动类型和某段时期内的学习状况，同时给学生提出量身定制的学习计划。因此，这将会使学生从以往的“模糊”学习向“以学生心中有数”的学习发展，真正实现终生制学习。

2 改变传统教与学课堂，向以交流为主的课堂方向发展

在未来的大数据环境下，课堂将会是以交流为主的学习，在传统的课堂中教师主要是充当教的角色而很少是学生当中交流的一员，这种方式很难达到很好的教学效果，然而在大数据时代下，通过大数据技术为教师呈现学生的基本情况，教师在了解学生基本情况后可以制作出尽可能包括众多的学生不理解的知识点的学习视频。而学生在课后可根据教师制作的教学视频，有目的、有选择性地观看，回到传统的课堂将疑难点与教师或同学面对面的交流，这样一个以交流为主的课堂学生积极性也会更高，而且学习效率也将大大提高。

3 使教室管理向更高效、更安全、更快捷的方向发展

传统的实验室或多媒体教室的管理通常是一个管理人员管理一个机房或某几个机房，然而这样的管理方式却不是高效率的，而且大大浪费高校的人力资源，在大数据时代，高校内可将校内所有计算机实验室或者多媒体教室的信息存储到数据中心，利用大数据技术，对不同校区、不同教室类型、不同学期、不同时段以及不同教室里的教学设备产生的各项参数进行分析，挖掘后，并通过反馈的数据对某一教室里在某一时刻的某一设备进行一个未来的趋势的预测，判断是否可能发生故障或者该设备是否可以承受高负载的运行等情况，这样可使管理人员提前对这些将会发生故障的设备进行更换，以避免较大的损失，这将会大大提高设备的利用率，并且在这种趋势下只需少数管理员在设备监控中心对校内所有机房进行监控，这样大大节省了高校的人力、物力、财力。