
大数据时代的教育新使命
大数据时代,数据科学给予了自然科学、工程技术、人文社会科学量化的依据,意味着量化研究走进了各个科研领域的新时代。同时,大数据的建立及其研究结果,不仅是科学研究和技术创新的平台,也是人才培养的基础,更是各种决策的依据。
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 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15