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。
CDA学员免费下载查看报告全文:2026全球数智化人才指数报告【CDA数据科学研究院】.pdf
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,数据已成为企业决策的核心驱动力,数据分析与数据挖掘作为解锁数据价值的关键手段,广泛应用于互联网、金融、医疗 ...
2026-04-17在数据处理、后端开发、报表生成与自动化脚本中,将 SQL 查询结果转换为字符串是一项高频且实用的操作。无论是拼接多行数据为逗 ...
2026-04-17面对一份上万行的销售明细表,要快速回答“哪个地区卖得最好”“哪款产品增长最快”“不同客户类型的购买力如何”——这些看似复 ...
2026-04-17数据分析师一天的工作,80% 的时间围绕表格结构数据展开。从一张销售明细表到一份完整的分析报告,表格结构数据贯穿始终。但你真 ...
2026-04-16在机器学习无监督学习领域,Kmeans聚类因其原理简洁、计算高效、可扩展性强的优势,成为数据聚类任务中的主流算法,广泛应用于用 ...
2026-04-16在机器学习建模实践中,特征工程是决定模型性能的核心环节之一。面对高维数据集,冗余特征、无关特征不仅会增加模型训练成本、延 ...
2026-04-16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