京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据让我们前所未有的方式和观点,看到究竟什么有用、什么没用,以前不可能观察到的种种学习阻碍,现在有办法一一化解,大幅改善学生的学习成效,颠覆传 统教学模式,造福更多学子。课程可以依据学生个人的需求做调整,真正做到因材施教,因为教师可以透过学生在线上学习时不经意的行为来判断成效、调整教学内 容和顺序,以及多次复习会造成学习瓶颈的困难观念,甚至即时因应学生的反应而出招等等。教师的工作不会被教学网路和影片取代,而会变得更有效益、也更有 趣,因为能够更专注针对学生作个人化的指导。
他们也认利用大数据分析,学校领导者和政府决策官员,也能用更低的成本提供更多教育机会,这些正是减少社会贫富差距、让社经阶层流动的重要因素;社会大众 也能够知道「学习」应当是怎么一回事,打破教育主管机关和学校的垄断地位,从而让教育的本质和体制彻底翻转。他们主张,大数据时代正是不断学习的时代、翻 转教育的时代!
不过大数据的应用是双面刃,我们可能会把相关性误判为因果,而且如果学生的个资无法被保护,其旧学习歷程被曝光,可是会影响日后的升学与就业。关于这方 面,《大数据:教育篇》引用了《大数据》的许多观念和案例,例如误将相关性当因果以及个资保护等等,所以建议也要去读《大数据》这本书。
不过,尽信书不如无书,作者在西方遇到的问题,和我们在东亚遇到的,有很大的差异。最大的差异有两点。
一个大差异,在一张很多网友在脸书分享的图表清楚表达出来:图裡有两条轴线,第一条轴线为「欧美人才养成」,而第二条则是「台湾人才养成」,轴线将学习生 涯分成「学前」、「小学」、「国中」、「高中」以及「大学」等五个阶段。「欧美人才养成」各阶段的学习目标相当明确并且不同,学前做好生活管理、小学探索 环境、国中要开始找寻自己的梦想、高中则要面对生涯抉择,而到了大学就要开始培养实务能力。
台湾人才培养的轴线,从「学前」一直到「高中」生涯,全是「读书考试」,一直到「大学」时期,才要将「生活管理」、「探索环境」、「找寻梦想」、「生涯抉择」以及「培养实务能力」一次统统完成,其中当然还少不了「读书考试」。
欧美的教育偏向素质教育,相对于偏重考试的应试教育而言,较为注重体育、艺术能力和多元智能的培养,而真正的素质教育,目的在于让学生能发挥个人潜能,各 展所长,并培养良好的品格,并不局限于学术上的才能。台湾的教育能够筛选出很会考试(甚至还不见得会「读书」哦)的学生,连公务系统都极度依赖考试,虽然 有好些公家工作几乎不需要考试的技能。可是因为考试实在太浮滥,使得疲于奔命的教师能好好用心出题的时间都被严重压缩,连有没有认认真真地好好考考学生各 方面的学术能力都成问题,更甭提学术能力也非社会所需的全部。
另外一个差异是,台湾的教育太过注重标準答案,可是严重扼杀学生的创意。但是欧美的教育很注重个人的启发,所以顶尖的人才在欧美的教育环境,往往可以更容 易发挥出他们的潜力,表现出他们充沛的创造力。可是他们的对素质一般的学生,反正做得不见得比台湾好。台湾的教育环境,让学生拚命练习考试、练习考试再练 习考试,让学生的程度比起欧美整齐的多。以我和朋友们在美国唸博班当助教的经验来看,台湾学生的程度差异在一个班中,算是比较整齐的,成绩优劣几乎凭个人 努力付出多寡。可是在美国大学,尤其是公立学校,大部分的学生,在数理方面真的很不行!
举个例子来说,我们常常看到学生在实验数据中,他们尝试要把上吨的盐溶在小烧杯裡,或者把实验桌上的小铅球射上火星,因为连单位都搞错了Orz 有位老师在普通生物学考题上问学生什么是pH值,居然有四分之一的学生选择「它不存在」;还有老师指出,大四的学生,居然有两成回答果蝇的基因数量是小于 一,另外两成写无穷大(正确数目大约是一万多),他说那四成学生基本上是「完全的废物」;还有很多搞笑的事,真是罄竹难书。面对这些学生,教授们的态度往 往是「放弃」,可是大数据或许能让这情势反转。
台湾的教育环境,往往比欧美更善待中上程度的学生,用严酷的练习考试来磨练他们的能力,可是却严重地忽略了顶尖人材的教育,而且也几乎完全没有为培养社会 各界的领袖所準备。台湾的大学,就算连顶尖的台大和清大,大致上都还是停留在训练优异的干部为主,教授的教学方式和内容,和其他大部分的大学几乎没差太 多,顶多深度有一些差异而已。可是,就拿美国来说,顶尖大学的目标是在培养顶尖的领袖!一流大学的目标是在培养社会各界菁英、二流大学的是在培养优异的干 部、叁流大学的是在培养良好的基层员工等等。所以,很不幸的,台湾的大学可能在培养优异的干部上很称职,可是要成为社会各界菁英,就只能靠学生自己的努力 和见识,领袖的话就算了。
要培养出优异的干部,大数据的应用应该有其优势,可是社会菁英和领袖的培养,大数据或许无用武之地,因为大据数无法告诉你过去未曾发生的事情,也无法预测 和产生出创新,因此对于台湾的教育,大数据可以提高学生的学业,可是五育的训练,以及领袖和社会菁英的培养,我们可能先不要去思考什么大数据之类的,先从 整体教育环境下手才比较实际。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数字化时代,用户是产品的核心资产,用户运营的本质的是通过科学的指标监测、分析与优化,实现“拉新、促活、留存、转化、复购 ...
2026-04-15在企业数字化转型、系统架构设计、数据治理与AI落地过程中,数据模型、本体模型、业务模型是三大核心基础模型,三者相互支撑、各 ...
2026-04-15数据分析师的一天,80%的时间花在表格数据上,但80%的坑也踩在表格数据上。 如果你分不清数值型和文本型的区别,不知道数据从哪 ...
2026-04-15在人工智能与机器学习落地过程中,模型质量直接决定了应用效果的优劣——无论是分类、回归、生成式模型,还是推荐、预测类模型, ...
2026-04-14在Python网络编程、接口测试、爬虫开发等场景中,HTTP请求的发送与响应处理是核心需求。Requests库作为Python生态中最流行的HTTP ...
2026-04-14 很多新人学完Python、SQL,拿到一张Excel表还是不知从何下手。 其实,90%的商业分析问题,都藏在表格的结构里。 ” 引言:为 ...
2026-04-14在回归分析中,因子(即自变量)的筛选是构建高效、可靠回归模型的核心步骤——实际分析场景中,往往存在多个候选因子,其中部分 ...
2026-04-13在机器学习模型开发过程中,过拟合是制约模型泛化能力的核心痛点——模型过度学习训练数据中的噪声与偶然细节,导致在训练集上表 ...
2026-04-13在数据驱动商业升级的今天,商业数据分析已成为企业精细化运营、科学决策的核心手段,而一套规范、高效的商业数据分析总体流程, ...
2026-04-13主讲人简介 张冲,海归统计学硕士,CDA 认证数据分析师,前云南白药集团资深数据分析师,自媒体 Python 讲师,全网课程播放量破 ...
2026-04-13在数据可视化与业务分析中,同比分析是衡量业务发展趋势、识别周期波动的核心手段,其核心逻辑是将当前周期数据与上年同期数据进 ...
2026-04-13在机器学习模型的落地应用中,预测精度并非衡量模型可靠性的唯一标准,不确定性分析同样不可或缺。尤其是在医疗诊断、自动驾驶、 ...
2026-04-10数据本身是沉默的,唯有通过有效的呈现方式,才能让其背后的规律、趋势与价值被看见、被理解、被运用。统计制图(数据可视化)作 ...
2026-04-10在全球化深度发展的今天,跨文化传播已成为连接不同文明、促进多元共生的核心纽带,其研究核心围绕“信息传递、文化解读、意义建 ...
2026-04-09在数据可视化领域,折线图是展示时序数据、趋势变化的核心图表类型之一,其简洁的线条的能够清晰呈现数据的起伏规律。Python ECh ...
2026-04-09在数据驱动的时代,数据分析早已不是“凭经验、靠感觉”的零散操作,而是一套具备固定逻辑、标准化流程的系统方法——这就是数据 ...
2026-04-09长短期记忆网络(LSTM)作为循环神经网络(RNN)的重要改进模型,凭借其独特的门控机制(遗忘门、输入门、输出门),有效解决了 ...
2026-04-08在数据分析全流程中,数据质量是决定分析结论可靠性的核心前提,而异常值作为数据集中的“异类”,往往会干扰统计检验、模型训练 ...
2026-04-08在数字经济飞速发展的今天,数据已渗透到各行各业的核心场景,成为解读趋势、优化决策、创造价值的核心载体。而数据分析,作为挖 ...
2026-04-08在数据分析全流程中,数据处理是基础,图形可视化是核心呈现手段——前者负责将杂乱无章的原始数据转化为干净、规范、可分析的格 ...
2026-04-07