教育大数据应用中存在的问题、原因及对策-最新教育资料.doc

1前言教育大数据是整个教育活动过程中所产生的以及根据教育需要采集到的一切用于教育发展并可创造巨大潜在价值的数据集合[1]。借助于教育大数据分析,可有效促进教育教学发展,在个性化教学环境定制、提升教学水平、优化教学质量等方面具有积极意义。但亦应指出的是,大数据虽然带来思维方式的巨大变革,但是也可能成为一种过度膨胀的力量,使教育管理者寄希望于大数据能够解决教育领域的诸多问题。教育是培养人的过程,具有复杂性、公益性的特征。这一方面要求大数据的质量不断提高,另一方面在认识上应明确大数据不能代替丰富、动态、变化的教育教学实践活动,它仅是一种实践的指导,使实践更具理性化的特征。因此,如何基于实践的观点认识大数据,如何正确认识大数据,提升数据质量,如何利用教育大数据更好地服务于教育,是摆在教育工作者面前亟待解决的问题。 2教育大数据应用过程中面临的主要问题及原因数据共享存在障碍大数据相信全量数据,通过分析几乎全样本的数据来思考和分析问题。从抽样中得到的结论总是有水分的,而全部样本中得到的结论水分就很少,数据量越大,真实性也就越大。然而各地学校之间教育信息化基础设施环境的建设往往各具特色,互不兼容,限制了数据的共享,使得“数据孤岛”成为制约教育大数据发展的瓶颈。数据体系混杂出于计量的需要,总是****惯于把教育分解,然而分解后的数据指标体系所描述的属性特征并不保证是教育的真实再现。由于缺乏标准的数据体系,各学校对数据指标的性质差异以及数值差异所表示的实际意义存在认识上的分歧,各学校都倾向于强化本校数值较高的指标在综合分析中的作用,相对削弱数值水平较低的指标的作用,导致在数据收集和分析时存在指标各异、标准不同、口径不一的情况。教育大数据既包括常规的结构化数据(如成绩、学籍、就业率、出勤记录等),也包括海量难以分析的非结构化数据(如图片、视频、教学软件、学****游戏等)。不仅结构复杂,而且在收集数据的过程中因为操作系统以及版本的不同,数据收集的结果可能会存在多份的情况,造成不必要的数据冗余。另外,由于数据的真实性无法全部保证,数据中还可能存在许多的“伪数据”。由此可知,数据体系的混杂不仅增加了数据收集的难度,而且削弱了数据整合的价值。数据挖掘难度大教育大数据的价值就在于数据挖掘,没经过挖掘的大数据只是没有开采出来的原油,不具有实用价值,而数据挖掘就是通过算法模型搜索隐藏于其中的信息的过程。教育大数据中的非结构化数据将越来越占据主导地位,但是要把视频和图片等转换成有用的数据信息,则必须首先定义视频或图片等的价值。大数据时代信息分析的难点就在于对海量的非结构化数据的分析,而在此领域的研究尚不成熟。在海量、复杂、多维的数据中去挖掘数据之间的相关性,使用的数据越多,分析的难度越大,则讨论、分析、争议的时间、人力、财力等成本也会相应提高。而采用的数据过少,则又不能充分认识教育过程的本质。因此,数据挖掘的算法模型很重要,但是创建模型的人经常不清楚建模依据的历史数据在未来是否稳定,而使用模型的人也不知道整个数据模型的加工过程;创建模型的人可能不知道此种模型效果好不好,而使用模型的人也不知道该怎么去反馈使用的结果[2]。这样一来,信息不对称现象严重,影响了算法模型的质量优化。数据挖掘的本质就是还原。虽然好的数据模型是一种有益的提炼,但有时候也会因为缺少场景数据的支持,在某种程度上造成信息的歪曲。