大数据背景下的高等教育模式研究

　　大数据的兴起，使得通过数据挖掘及分析实现高等教育的个性化、实时化已经迫在眉睫。
　　随着经济的快速发展，我国高等教育也步入了新的发展时期。尤其近年来移动互联网、云计算以及大数据的出现，更是在一定程度上对传统的高等教育模式提出了严峻的挑战。大数据的兴起，使得通过数据挖掘及分析实现高等教育的个性化、实时化已经迫在眉睫。
　　一、大数据概述
　　作为继云计算之后的信息技术领域的又一个热点，大数据在近几年受到学术界及实业界人士的高度关注。事实上，早在1980年，美国学者托夫勒就在其著作《第三次浪潮》中提出，“如果说IBM的主机拉开了信息化革命的大幕，那么‘大数据’才是第三次浪潮的华彩乐章。”随后，美国SGI（Silicon Graphics）的首席科学家John R. Mashey在1998年首次使用“大数据”这一术语，并对其具体含义进行了详细阐述（如何使用和分析大型数据）。直到2008年9月，Nature杂志推出了名为“大数据”的封面专刊。从2009年开始，大数据才逐渐被各个行业所熟知。
　　通常而言，大数据由数据存储、数据处理和数据分析三部分构成。首先，数据需要通过存储层予以存储，其次再根据具体的目标或需求建立相应的数据模型，最后与指标体系相结合对数据进行分析得出所需的决策。在这个过程中，分布式计算架构必不可少，通过云计算的分布式处理、分布式数据库、云存储和虚拟化技术等才能更好地对大数据进行挖掘和处理。如果说云计算作为硬件资源的一种虚拟化来支持大数据处理的话，那么大数据技术则是对于海量数据高效处理，其未来的发展趋势就是通过实时交互查询和分析为各行业提供有价值的决策信息。随着大数据的出现，数据量的衡量单位已从之前的MB、GB、TB发展到现在的PB、EB甚至ZB级别。John Rauser（2012）认为，大数据是任何超过了一台计算机处理能力的数据量。当然，除了规模大（Volume）这一特征外，大数据还具有以下几个特征：
　　1.处理速度快（Velocity）
　　大数据优势的发挥就体现在处理速度方面。数据的更新和流动速度非常快，大量的数据只有通过借助移动互联网、RFID（电子标签）、传感器等加快数据处理速度，才能更好地发挥大数据的价值。
　　2.多样性（Variety）
　　随着网络技术的发展，人们可以通过社交平台、网购平台、行车记录等方式采集数据，数据的源头越来越多样化，数据来源的广泛性使得数据种类繁多。与此同时，数据的格式也不再仅仅局限于传统的结构化数据，包括音频、视频、网页、图片等在内的非结构化数据逐渐成为数据存储的中坚力量。传统方式下，为了便于数据的储存和处理，人们更多地使用结构化数据，非结构化的数据被压缩甚至删除，极大地影响了信息的有效性。而大数据处理过程中主要关注的是个性化信息，注重用户的体验效果，因此非结构化数据正在崭露头角。
　　3.价值高（Value）
　　大数据之所以规模大，就在于原始数据包含了大量的细节信息。尽管在解决问题时会有很多不相关的信息存在，会在一定程度上降低决策的效率，但是，在同样的数据库情况下，人们会用它来解决更多的问题。也就是说，虽然数据的绝对数量增加，但其中有效信息数量比例有所减少，数据的价值密度和数据量两者呈反向变动关系。
　　二、对于高等教育模式的影响
　　1.教师教学模式
　　长期以来，我国的教育实施都是依据主管部门或者课程讲授者总结的经验来进行，很多被公认为“重要”的因素会在教育执行过程中反复、多次强调。但是，在有些情况下，经验性的东西反而缺乏科学性。以苹果公司为例，他们在销售电脑过程中并没有采用传统的搞促销，而是不停地发布更新更时尚的广告方式，而是通过对门店采集的数据分析，发现电脑屏幕和桌子呈现70度角左右的时候，以这类方式摆放的电脑销售量要比其他方式摆放的电脑销售数量超出15%。原因在于，与桌面成70度角摆放的电脑屏幕刚好处于反光的状态，这时候，人们自然而然会去调整屏幕角度。而在销售过程中，只要潜在的顾客与实物发生了接触，那么产品售出的概率就增加了15%。这一结论是通过大数据分析而不是经验得出的。教学亦是如此，相关问题的解决不再依赖于停留在每位教师头脑中的模糊的经验，而是基于对海量的教学问题的描述以及教学问题解决方案的分析（梁文鑫，2013）。不难看出，相对传统的经验模式，“用大数据说话”的数据分析模式正在引领着各行业包括教育行业的思维变革。
　　不仅如此，我国的高等教育模式也都一直倡导按照教学大纲、教学计划等有步骤、有计划地因材施教，但是在具体执行方面，由于师资、学生数量、教学任务等各种原因，多数都未能实现因材施教的真正目的。大数据时代，对海量的教育教学数据挖掘和分析可以将学生的真实情况及时并如实反映，如课堂教学过程中，哪些同学对于理论部分较为感兴趣，哪些同学对于实务较为关注等，通过数据分析，将与学生学习相关的信息直接反馈给教师。在这种方式下，教师可以此为依据选择最适合学生学习的内容和方法，教学模式也从群体教育向个体教育转变，极大降低了双方信息不对称的情况，真正做到因人而异，因材施教（庆年，2013）。同样的情况，学生在做课后作业时，对于同一类型的题目，如果正确率达到一定程度，数据分析可以让系统跳过该类型的题目；而某类型的题目如果出错率较高，则系统也可以通过多次强化来达到学习的目的。
　　2.教学评价模式
　　众所周知，高校的教学评价模式包括两个部分：一个是学生对于老师的评价，主要是通过学生对老师的课堂满意度进行各项分数打分；另一个则是老师对于学生的评价，主要通过对学生的日常到课率和课堂表现进行综合评定。但是，传统的评价模式仅局限于教师教的及学生学的好坏与否，我们不能仅凭简单的数字加以解读，具体的细节方面还有待于改进。例如，学生最喜欢教师的哪些课堂教学方式？学生在学习过程中的学习习惯是什么？通过什么样的方式能够最快地掌握知识？这些都是无法通过简单的传统教学评价实现的，只能通过长期的数据分析得到规律（如教师的教学习惯、学生的学习方式等），而大数据则为我们提供了这一平台，教育评价由仅依赖于结果这一“单一维度”层面转变为关注整个过程的“多元维度”层面。例如，通过技术层面的分析，我们可以根据学生的浏览记录和内容点击量的统计来判断其对相关知识点的掌握情况，包括难度如何及需要用多长时间掌握等，挖掘出与学生实际情况相符的信息，形成针对学生个体的直接效果，从而制定更符合實际情况的个性化教育策略。

相关热词搜索：高等教育 模式 数据 研究 背景下