
大数据时代的教育新使命
欧美发达国家和研究机构均非常重视大数据,在国家层面建立了教育大数据中心。譬如,美国建有国家教育大数据中心,其中涵盖近些年来不同类型的大学与中小学在数量、经费、教师人数等诸多方面的数据以及统计结果,经合组织(OECD)和英国也都各自建有教育数据中心。
近期,我们到美国密西根大学进行访问,深深感受到该校作为世界一流大学,大数据意识非常浓厚。该校建立的密西根大数据研究所(MIDAS),与图书馆以及多媒体服务中心等密切联系,为密西根大学乃至密西根州和全美的教学以及科研服务。密西根大数据研究所依托密西根大学而建,旨在利用大数据,服务科学研究、教学、培养人才以及做出各种决策。该研究所由跨学院、多学科的40多位密西根大学的科研人员组成,包括统计、生物统计学、数学、计算机科学、工程、信息科学等专家。研究范围不仅涵盖数据管理、数据共享、统计、机器学习、信息技术等领域,还包括天文学、进化生物学、疾病模型发现、卫生政策、材料合成、个性化医学、社会科学等领域。
据了解,密西根大数据研究所包括数据科学的挑战行动计划(涵盖学习分析、交通、社会科学、个性化医疗和健康领域)、数据科学教育和培训计划,以及一个工业参与项目。密西根大学的同仁们已经认识到:数据科学现已成为继理论、物理实验和计算分析之后的科学发现的第四模式。基于大数据的技术不仅能够应用于科学研究,也在教育、健康、政策分析和商业决策中产生重大影响。
无论是欧美国家层面的大数据中心,还是作为综合性大学的密西根大学的大数据研究所,都具有如下特点:首先是多样性,要从多个维度赋予某个事物的数据内涵;其次是动态性,数据要不断更新,政府组织、研究机构和各级学术组织,乃至每个科研工作者都是数据的提供者;再次是直观性,大数据不仅仅是数据的提供,更是数据统计的直观图像的研究、建构和分享;最后是共享性,每个人都是大数据的分享者。
就我们团队所见而言,无论是美国小学教室的墙报,还是中学课堂的教室文化,包括密西根大学数据研究所以及曼哈顿街区的广告,大数据以及数据文化无处不见。数据意识正在成为美国高等教育和中小学教育的隐性或显性课程,数据科学的文化正悄然兴起。在我国基础教育领域,数据意识重视程度远不如高校。例如,2015年8月27日,在北京市委市政府的支持与指导下,由中关村管委会、海淀区政府、北京大学、北京工业大学四方共同筹建了北京大数据研究院。清华大学、电子科技大学、中国人民大学等高校都成立了数据研究院、大数据研究中心或统计与大数据研究院等。尽管我国高等院校在数据研究院(中心)人员构成的跨学科性、与图书馆的协作性、为国家和地方做出决策的服务性等方面还达不到理想的程度,但我国部分高校对数据的愈发重视,将倒逼基础教育阶段的校长和教师们更加重视数据意识的培养。
在大数据时代,作为基础教育的主阵地,要培养的数据意识包括:
首先,重视理解数据类型的多维度性。从来源形式分为数字、文本数据、音频、视频数据等;从能否有序分类,可分为从结构性、半结构性和非结构性数据;从数据的存在形式又可分为时间数据、空间数据和生态系统的时空数据等。数据类型的多样性,是大数据时代建立全局观数据意识的前提。
其次,注重从多种途径采集数据。包括官方发布的数据、公共资源数据、研究机构和非政府组织发布的数据、各种研究的数据等。大数据不仅注重数量,更要注重同一事物的数据表征形式的多样性,后者是数据客观表征事物的根本保证。
再次是统计意识。包括利用数据进行统计决断,获得统计规律的意识,认识到统计的结论不是绝对,更不是唯一。
最后则是运用软件进行数据处理。包括运用图形计算器处理数据,在校本课程开发中,可以开发出各种可视化分析软件课程,供学生选用等。
作为基础教育工作母机的师范大学,不仅要培养具有数据意识与能力的师资,还要建构区域基础教育大数据研究中心,收集、建构、统计某个区域基础教育的方方面面大数据,着眼于服务于区域、学校的基础教育科研,服务于国家基础教育决策,进而建构区域基础教育生态系统指标,推动我国基础教育的健康发展。
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,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29在标签体系的落地链路中,“设计标签逻辑” 只是第一步,真正让标签从 “纸上定义” 变为 “业务可用资产” 的关键,在于标签加 ...
2025-09-29在使用 Excel 数据透视表进行多维度数据汇总时,折叠功能是梳理数据层级的核心工具 —— 通过点击 “+/-” 符号可展开明细数据或 ...
2025-09-28在使用 Pandas 处理 CSV、TSV 等文本文件时,“引号” 是最容易引发格式混乱的 “隐形杀手”—— 比如字段中包含逗号(如 “北京 ...
2025-09-28在 CDA(Certified Data Analyst)数据分析师的技能工具箱中,数据查询语言(尤其是 SQL)是最基础、也最核心的 “武器”。无论 ...
2025-09-28Cox 模型时间依赖性检验:原理、方法与实战应用 在生存分析领域,Cox 比例风险模型(Cox Proportional Hazards Model)是分析 “ ...
2025-09-26检测因子类型的影响程度大小:评估标准、实战案例与管控策略 在检测分析领域(如环境监测、食品质量检测、工业产品合规性测试) ...
2025-09-26