
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
用 SQL 验证业务逻辑:从规则拆解到数据把关的实战指南 在业务系统落地过程中,“业务逻辑” 是连接 “需求设计” 与 “用户体验 ...
2025-09-11塔吉特百货孕妇营销案例:数据驱动下的精准零售革命与启示 在零售行业 “流量红利见顶” 的当下,精准营销成为企业突围的核心方 ...
2025-09-11CDA 数据分析师与战略 / 业务数据分析:概念辨析与协同价值 在数据驱动决策的体系中,“战略数据分析”“业务数据分析” 是企业 ...
2025-09-11Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03