京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据引发的风险与管控
前些时候,几乎全世界都在围观李世石和阿尔法狗的“人机大战”。在围棋对弈的两端,排名世界第五的李世石,在一定程度上代表着人类的智慧,接受以棋谱大数据撑腰的电脑阿尔法狗的挑战。
胜负总有定数。然而,在胜负之外,在娱乐狂欢之外,很多人开始陷入沉思,甚至忧思。
事实上,无论愿不愿意、接受不接受,大数据早已开始悄然渗入人类生活的每一个领域,乃至无孔不入,教育和学习领域亦不能例外。
当很多人尚不知大数据为何物时,当我们还在怀疑大数据所蕴含的威力,问它究竟能有什么用处时,甚至于浑然不知,以“无知者无畏”之姿态斥其无用时,世之智者如维克托·迈尔·舍恩伯格等,早已超越大数据“是否有用”这样初级的问题,而是从整个教育发展的过去、现在以及未来趋势入手,关照大数据时代背景下,教育领域即将面临的不可回避的巨变。
虽然,这一变革正如围棋对弈一般,场面上看起来并不那么喧闹,但实质上却是暗流汹涌,不可逆转。因为,大数据已经正在渗入教育和学习生活的方方面面,并将对这个世界的教育和学习产生深远的影响。
在《与大数据同行——学习和教育的未来》一书中,迈尔·舍恩伯格截取了喜马拉雅雪峰脚下不丹“唐卡绘画”传习这一传统教育的典型镜像,来意指传统教育的“薄暮”,并随之带领我们走进一个大数据时代学习和教育正在悄然发生的巨变场景。
事实上,大数据即将为教育领域带来的变革和益处,相对而言是较易接受和理解的。因为只需要让感兴趣的人们不断“尝到应用的甜头”,即可诱导人们步步深入,乃至深陷其中而难以自拔。至于如何利用大数据优化学习,相关专家已有诸多堪称细致入微的阐释。
至此,面对大数据,教育领域是否“过于保守”,就被提上了人们需要思考的议程。因为,表面看来,几乎在每一次的科技革新对人们生活、生产、学习带来的巨大改变中,教育领域都表现得不如工商企业那么灵敏。
但更为可贵的是,当人们还在纠结于对教育而言大数据是否有用、如何应用这些问题时,迈尔·舍恩伯克等智者早已开始警惕并洞悉大数据的另一面:大数据的阴暗面、不当应用即将带来的新的风险,以及人类面对大数据应有的恰当态度和应对措施等,从而将我们的思考引入大数据之于人类的道德、诚信、法治精神层面,乃至善良的人性。
新的科技革新,与生俱来的往往是一把双刃剑。见微可以知著,相对大数据而言,在当前的教育生活中,即使一个小小的“小数据”,比如一个小学生某一次的期末数学考试成绩,都很有可能被人无意间拿来给他贴上一个“毫无数学天赋”的标签,从而影响他的一生。
正如迈尔·舍恩伯格所说,遗忘是心灵垃圾的大扫除,而无法遗忘的旧数据,将是“最大的隐患”。在大数据时代,如果一个人学生时代的各种信息数据被永久存留而无法“遗忘”,从而形成他“永久的过去”,而这些数据随时随地可以被其他社会组织或个人,比如他将来的应聘单位提取,并因此依然将他定义在那些事实上可能早已消失得无影无踪的“过去”时,那将会对他产生何等的影响,带来多少烦恼?抑或经过基于大数据的一番难以辩驳的预测,给出一名小学生一个“被规划的未来”,因而让基于他过去的数据决定了他的未来,那将意味着什么?有时候,这样的思考可能会让人感到“细思恐极”。
此外,在大数据面前,个人隐私如何得到有效保护,以及能够拥有和利用大数据学习的学生能否因此而更加优秀,而那些不能拥有和利用大数据的学生能否因此而改进和提高的机会更少,从而形成一道不可逾越的“数字鸿沟”?对诸如此类问题的思考,也会让我们觉得,面对大数据的凶猛来势,教育领域是否真的“过于保守”,还需要分情况界定,因为过犹不及,保守和冒进往往是事物的两端。
数据无情人有情。正如迈尔·舍恩伯格所说,大数据的背后其实是人的问题。那么,大数据如何得到合理的管控,“取信于人”,为教育和学习所用,就成了一个极为迫切且值得深思的问题。
“合抱之木,生于毫末;九层之台,起于累土;千里之行,始于足下。”无论如何,面对大数据这一认识世界的新方式,还是要从认识大数据本身开始。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在 MySQL 数据查询中,“按顺序计数” 是高频需求 —— 例如 “统计近 7 天每日订单量”“按用户 ID 顺序展示消费记录”“按产品 ...
2025-10-31在数据分析中,“累计百分比” 是衡量 “部分与整体关系” 的核心指标 —— 它通过 “逐步累加的占比”,直观呈现数据的分布特征 ...
2025-10-31在 CDA(Certified Data Analyst)数据分析师的工作中,“二分类预测” 是高频需求 —— 例如 “预测用户是否会流失”“判断客户 ...
2025-10-31在 MySQL 实际应用中,“频繁写入同一表” 是常见场景 —— 如实时日志存储(用户操作日志、系统运行日志)、高频交易记录(支付 ...
2025-10-30为帮助教育工作者、研究者科学分析 “班级规模” 与 “平均成绩” 的关联关系,我将从相关系数的核心定义与类型切入,详解 “数 ...
2025-10-30对 CDA(Certified Data Analyst)数据分析师而言,“相关系数” 不是简单的数字计算,而是 “从业务问题出发,量化变量间关联强 ...
2025-10-30在构建前向神经网络(Feedforward Neural Network,简称 FNN)时,“隐藏层数目设多少?每个隐藏层该放多少个神经元?” 是每个 ...
2025-10-29这个问题切中了 Excel 用户的常见困惑 —— 将 “数据可视化工具” 与 “数据挖掘算法” 的功能边界混淆。核心结论是:Excel 透 ...
2025-10-29在 CDA(Certified Data Analyst)数据分析师的工作中,“多组数据差异验证” 是高频需求 —— 例如 “3 家门店的销售额是否有显 ...
2025-10-29在数据分析中,“正态分布” 是许多统计方法(如 t 检验、方差分析、线性回归)的核心假设 —— 数据符合正态分布时,统计检验的 ...
2025-10-28箱线图(Box Plot)作为展示数据分布的核心统计图表,能直观呈现数据的中位数、四分位数、离散程度与异常值,是质量控制、实验分 ...
2025-10-28在 CDA(Certified Data Analyst)数据分析师的工作中,“分类变量关联分析” 是高频需求 —— 例如 “用户性别是否影响支付方式 ...
2025-10-28在数据可视化领域,单一图表往往难以承载多维度信息 —— 力导向图擅长展现节点间的关联结构与空间分布,却无法直观呈现 “流量 ...
2025-10-27这个问题问到了 Tableau 中两个核心行级函数的经典组合,理解它能帮你快速实现 “相对位置占比” 的分析需求。“index ()/size ( ...
2025-10-27对 CDA(Certified Data Analyst)数据分析师而言,“假设检验” 绝非 “套用统计公式的机械操作”,而是 “将模糊的业务猜想转 ...
2025-10-27在数字化运营中,“凭感觉做决策” 早已成为过去式 —— 运营指标作为业务增长的 “晴雨表” 与 “导航仪”,直接决定了运营动作 ...
2025-10-24在卷积神经网络(CNN)的训练中,“卷积层(Conv)后是否添加归一化(如 BN、LN)和激活函数(如 ReLU、GELU)” 是每个开发者都 ...
2025-10-24在数据决策链条中,“统计分析” 是挖掘数据规律的核心,“可视化” 是呈现规律的桥梁 ——CDA(Certified Data Analyst)数据分 ...
2025-10-24在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23