
大数据挖掘学生个性 互联网+能否破解“上学难”
走进生活的互联网+
一个毫无教学经验的美国人萨尔曼·可汗录制的数学教学视频,让美国2万多所学校的数学老师和学生们为之倾倒。课堂上,学生们观看这些视频,老师不再讲课,只负责答疑。这些视频简明、生动、易懂,共有4800集,多数时候10分钟内便可让学生理解一个数学概念,其在互联网上的点击率已接近5亿次,共有4800万人观看。美国杂志《福布斯》刊文称这是一个一万亿美元的商业机会。一根网线、一个超炫的新技术或许就能打破教育的传统模式,创造出巨大的经济价值,在互联网+时代,似乎没有什么是不可能的。
尽技术之所能让人们学习
萨尔曼·可汗如今在网上开设了可汗学院,他把视频放在免费网站上,其月访问量达到了500万人次,而麻省理工学院的开放式课程网站月访问量不过只有150万人次。比尔·盖茨对此评价说:“萨尔曼·可汗是一个尽一切所能利用技术让更多人学到知识的先锋。”他认为这是“一场革命的开始”。
的确,传统的黑板教案灌输性教学,已经使学生厌烦。那么,如何在仅有的四十五分钟之内做到让学生高质量的吸收呢?这不仅需要老师个性化的语言表达特色,更需要运用科技做出图文并茂的高质量资源,不断地给学生以脑洞大开的想象启迪。这就是所谓的精品课程,如今“慕课”的崛起,就以打造这样的精品课程为竞争力。
慕课可以通过软件技术达到视听兼具的效果,把枯燥无味的东西变得生动有趣。比如建筑学课上的纪录片,解剖学课上的视觉化电教室解剖效果,这对学生的理解有很大的帮助。通过慕课,老师的职能将不再是单纯的知识传播者,他们还是实践体验的引导者和开拓者。
尽管有人预测说,未来的学校将不再有建筑和围墙,人们在任何地方任何时间都可以学习,并获得学位证书。但也有人认为,在未来教育模式比例划分中,教学约占50%,慕课约占15%,其余的是自播课。
暂且不论学校的“围墙”会不会消失,从现实的角度来说,可汗学院和“慕课”的兴起,给传统教育带来的启示还在于,教师的教学经验不再被局限于学校和班级的有限空间,而成为不受时间和空间限制,可复制和易于传递的形式。
河南新乡市太行山下的金章小学今年9月体验了在线教育这种新课堂,这个山区小学师资力量极度匮乏,250多名学生,只有10名教师,并且与全乡6个小学共用一个全职英语老师。通过在线直播课的形式,这个小学五年级的学生们得以与北京的外教老师和手工课老师共同上课,通过屏幕和话筒来交流。目前,这个项目的推动者淘宝教育已经为这些孩子制定了一学期的语文和英语课程。
“上学难”其焦点在于师资和资源在时空上分布的不均衡,而互联网却恰恰能在这两点上有所突破。未来,在对乡村进行教育帮扶时,或许不应局限于建一所校舍,买一批文具,而应该通过铺设光纤网络、配置摄像头、电脑和投影仪,将城市的优质教育资源通过互联网与师资力量薄弱的乡村对接,实现人才和资源的软性帮扶,让乡村的学生能享受到城市里的优质教育。
大数据充分挖掘学生个性
教育行业刚刚开始跟上数字革命的脚步,前景广阔。尽管大多数反对者谴责学生坐在电脑前学习,但是大部分业内人士都知道,更加有效地利用新的技术成果将老师的时间用在与学生的交流上,才是数字时代真正可挖掘的金矿。
先从我们最熟悉的一些传统数据看起。在教育学院、学校档案室中,是否有堆积如山的试卷和调查表?我们朦朦胧胧地意识到,这些资料是有价值的,但却困惑于这些数据究竟能说明哪些成绩以外的深层次问题,该如何去处理与统计?这些数据究竟可不可信、有没有代表性?数据又如何成为决策的依据?
同样的问题也困扰过美国的教育研究者们,因此他们早在1968年就在教育部成立了全美教育数据统计中心。通过多年的摸索与反复试错,终于形成了一套完整的教育数据处理方法的方法论,并在2002年通过了《教育科学改革法》,明确了数据在教育决策中的决定性地位——所有教育政策的制定都必须由实证数据进行支持。同年,美国教育研究所与全美教育数据中心合并重组后,成立了教育科学研究院(IES),成为全美最重要的教育决策咨询机构。
在大数据支持下的互联网教育更天然地支持个性化。这是一个用户建模的过程,初始数据是学生的年龄、性别、生理、家庭背景、兴趣爱好,在学生的学习过程中,还会进行动态建模,根据其表现不断调整教学方案和内容,并最终在保证基础教育的条件下充分挖掘个人专业潜力,实现人尽其才。
奥巴马连任美国总统的胜利被世界媒体与科技界总结为一场“大数据”的胜利。奥巴马的数据团队对数以千万计的选民邮件进行大数据挖掘,精确预测出了更可能拥护奥巴马的选民类型,进行有针对性的宣传,从而帮助奥巴马成为美国历史上唯一一位在竞选经费处于劣势情况下,实现连任的总统。这告诉我们,只要数据量够大,够及时,挖掘够深刻,我们完全可以分析出每个选民的投票概率。这一幕未来也会出现在教育领域,大数据在教育中应用,会让我们能够“走近每一个真实的学生。”
随处可得将是未来的趋势
2015年,在我国的手机应用市场,拍照搜题类应用变得非常火热。学霸君、阿凡题、学习宝等移动应用的出现,让老师住进了学生的口袋里,据了解,提供类似业务的约有上百家企业。
移动通信技术、大数据技术的发展,使得“随时可得”成为标准的互联网应用模式,这种模式应用到教育上,就是随时随地有人帮你解答不会的问题,就像身边携带了一位老师。有不懂的知识,用移动终端就可以找到对应的老师讲解,而传统面授教学则根本无法做到这一点。互联网教育的未来是这样的,学生和学生家长用手机或平板电脑轻轻一点,线上教师就应声而来,想选什么老师就选什么老师,效果不好随时换新的老师,而且价格至少便宜一大半。传统面授环境下,学生和教师需要到指定地点上课,上2小时的辅导课,学生和老师至少需要额外花费一小时的时间用在路途上,而线上授课则免去了来回奔波之苦,在效率上更胜一筹。在线教育将会成为跟自来水一样的即开即用式日常服务,从而实现对传统教育培训的颠覆。
或许70后的家长们对线上教育还心存芥蒂,处于半信半疑的状态。但是,有很多80后家长,自身也是在互联网时代中成长起来的。所以当未来的三五年内,更多的80后、90后新生代父母成为家长的主力军时,就是互联网教育的爆发之日。
最后要说的是,未来,越来越多的工具会进入学校的课堂,这些工具将像20世纪的计算机实验室一样以共享资源的形式出现在学校。最终,3D打印机、激光切割机、3D眼镜等数字设备将无处不在。学生将使用这些设备来探索和测试在人文学科,数学,科学上的想法,而学生们对电脑的关注反而会下降,因为它的很多功能将被集成在其他的工具中。
一个科技、经济快速发展的时代,正与我们同行。虽然现在互联网教育的未来还不是很明晰,但有一点可以确定,三年五年内将会出现另一番景象。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
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 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02CDA 数据分析师:助力企业破解数据需求与数据分析需求难题 在数字化浪潮席卷全球的当下,数据已成为企业核心战略资产。无论是市 ...
2025-09-02Power BI 度量值实战:基于每月收入与税金占比计算累计税金分摊金额 在企业财务分析中,税金分摊是成本核算与利润统计的核心环节 ...
2025-09-01巧用 ALTER TABLE rent ADD INDEX:租房系统数据库性能优化实践 在租房管理系统中,rent表是核心业务表之一,通常存储租赁订单信 ...
2025-09-01