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
在数据库设计与业务数据维护中,自增ID是数据表最常用的主键字段,用于唯一标识每一条业务数据,正常状态下ID应保持连续递增。但 ...
2026-08-31在数理统计、数据分析、经济测算与日常量化评估中,平均值是刻画数据集中趋势、反映整体水平的基础核心指标。在实际应用中,最常 ...
2026-08-31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 ...
2026-08-31在大数据时代背景下,海量行业数据亟需通过专业化工具挖掘潜在价值,辅助企业业务决策、优化运营模式、规避经营风险。Python凭借 ...
2026-08-28SQL是数据分析领域最基础、最核心的工具,承担着取数、清洗、统计、分层、归因的全流程工作。不同于单纯的语法练习,实战化SQL数 ...
2026-08-28 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-08-28随着新零售模式的快速普及,零售行业从传统的“货品驱动”全面转向“用户驱动”。门店交易数据、线上消费记录、浏览轨迹、复购频 ...
2026-08-27在数据分析、爬虫采集、接口开发、数据归档等场景中,JSON与CSV是两种使用率最高的数据存储格式。JSON为键值对结构化格式,适配 ...
2026-08-27 很多数据分析师每天都在计算指标、制作报表,但当被问到“什么叫指标数据元”“指标数据标准包含哪些核心维度”“指标数据质 ...
2026-08-27在数据分析工作中,时间序列是最常见的数据类型之一,订单时间、日志时间、交易时段、统计周期等数据均离不开时间处理。原始数据 ...
2026-08-26在数据分析与数据预处理工作中,原始数据普遍存在录入错误、系统故障、偶然极值等问题,极易产生异常数据。异常数据会严重干扰数 ...
2026-08-26 很多数据分析师能熟练写SQL、做透视表,但当被问到“数据是从哪里来的?经过哪些加工才进入数据仓库?ETL具体做了什么?”时 ...
2026-08-26在数理统计与数据分析领域,多因素方差分析与线性回归模型是研究变量关系、因素影响、数据差异规律的两大核心工具。二者均属于经 ...
2026-08-25数据分析的核心价值不在于数据计算与图表制作,而在于清晰、精准、有逻辑地输出结论、支撑业务决策。日常数据分析报告普遍存在结 ...
2026-08-25 很多数据分析师能熟练地写SQL、做透视表、算描述性统计,但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-08-25平均数是数据分析、数理统计与日常运算中最基础、最常用的统计量,核心作用是浓缩一组数据的整体水平、刻画数据集中趋势。在众多 ...
2026-08-24在MySQL数据库中,InnoDB存储引擎作为主流事务型引擎,默认事务隔离级别为可重复读(Repeatable Read,RR),这与SQL Server、Or ...
2026-08-24 很多数据分析师拿到数据就开始清洗、建模,但当被问到“这批数据属于什么类型——结构化还是非结构化?分类变量还是数值变量 ...
2026-08-24 很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-08-21在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20