教育研究如何跟上大数据时代_数据分析师培训
大数据时代的来临,为高等教育研究的范式转变带来了机会。
如何能有效地将巨量的数据资源转化为丰硕的教育研究成果,应用于改善教育的决策与实践,对教育研究界来说意义重大。而要实现这个目标,需要完成将数据资源转化为生产要素、合理搭配生产要素、高效完成研究生产、产品的转化与传播四个步骤。
第一步,资源转化为生产要素。
大数据被喻为“第三次浪潮”,其价值已得到商业领域的充分证实。然而,如何把沉睡的数据资源变成具有增值性的生产要素,是教育研究生产的预备步骤。
首先,作为生产要素的数据应具有明晰的价值性。大数据记录的既包括研究对象的实在行为,也包括他们的主观选择,显示了人们应然和实然的表现,且不再拘泥于以往的抽样方式,因为样本=全部。然而在大数据具有先天信效度优势的同时,还伴生着劣势,即数据虽具价值,但单位时间价值的含量可能有所不同。如两个小时的监控录像中也许有用的信息仅2-3秒。此刻,需要研究人员对问题进行明确的界定,并列明清晰、可计算的筛选标准,用以提取该研究需要的有价值数据,而其余的数据“尾矿”,应留存给其他研究者或相关部门挖掘。
其次,作为生产要素的数据可以被标准化。大数据时代要提高对混杂、无序数据的接纳程度,但这种接纳却是研究的大忌。中国人民大学应用统计科学中心主任赵彦云就曾表明,“指标不一致、指标口径不一致、时间不一致、空间不一致、指标体系不一致、分类不一致、编码不一致等,如此杂乱的数据库,基本上连常规的统计整理、统计描述和分析都无法做到。”研究者能做且该做的是,把非结构化信息进行一定标准化处理,将其变成可用于分析的数据,依此来建模并寻找因果关系。
再次,作为生产要素的数据应具有安全性。如各类骚扰短信和电话推荐教育信息让人不胜其烦,各国也多次出现叫停儿童发展数据的相关计划。那么用技术(如匿名化)与立法双重保护信息安全是数据用于研究的前提。
第二步,合理搭配生产要素。
期望在高等教育研究当中使用大数据,单纯投入数据显然是不够的,还需要匹配人力、物力和财力。
一方面,大数据时代最缺乏两类人才:数据科学家和跨学科的学者。大数据的优势在于数据科学家能用不同的算法呈现不同事物之间的相关联系——而这些事物往往不是同一领域或是直接符合我们主观预期的。新一代的教育研究学人需与数据科学家和其他学科专家合作,抑或是自己及时补充此类知识,以便于继续有说服力的探寻教育相关事务的因果联系,丰富人类的教育认知。
另一方面,大数据的运用需要硬件设施的匹配。云计算为存储和利用大数据提供了便利,却仍旧需要对维护与储存的平台系统进行支持。这部分器材造价不菲,且对环境也有一定要求,对巨量的教育数据搜集需要对应的财政投入保障。
第三步,高效完成研究生产。
一方面,研究应体现效率理念。在大数据的背景下,时间性显得格外重要——数据随时随地更新,科研数据的精度可更高,而延误的信息可能毫无价值。
另一方面,研究应呈现更准确的因果关系。大数据为我们展现了多种类型的相关关系,而研究者的责任在于从巨量的资料中挖掘更贴合实际、有说服力和实效的因果关系,厘清其间可能出现的干扰因素,让教育服务变得更精确,更符合个人发展需求。
此外,研究产生的应是更亲民的成品。所谓亲民,是指产品能用更鲜活、通俗、便捷的方式来提供,且产品本身更符合消费者的个人需求。大数据的优势就在于其可以充分地捕捉微观个体特征来进行分析,实现所谓的互动和可视化服务。未来的研究理应是服务友好型,而不再是板着脸说理论。
第四步,产品的转化与传播。
大数据时代不仅为研究者丰富了研究数据与题材,还为研究成果的转化与传播带来了便利。大数据让科研(知识产品)生产更具科学性,它使实践者在先验中成长,使决策者在自信中完善,不仅拓展了教育服务的机会,也改善了教育服务的质量。
但在不断肯定大数据改变我们的研究范式之时,我们也需要提前思考一些问题:大数据的实时更新、动态分析对整体形势的判断是否足够准确?会不会形成依赖而低估经验的价值?会不会消磨我们的创新力?我们的“学习自由”和“研究自由”被机器左右甚至决定?大数据的占据是否会引发新的社会不均等——固化甚至加深贫富差距?在数据处理技术差异大的情况下,大数据的公开是否可能危及国家安全?而到大数据发展到极致之时,大家的决策均享有并依据数据而行,这种动态的判别方式是否可能消解彼此的数据优势,而最终达到新的“数据对冲均衡”,到那时想取得先机还得回归经验。
数据分析咨询请扫描二维码
《Python数据分析极简入门》 第2节 7 Pandas分组聚合 分组聚合(group by)顾名思义就是分2步: 先分组:根据某列数据的值进行 ...
2024-11-25数据分析需要学习的内容非常广泛,涵盖了从理论知识到实际技能的多个方面。以下是数据分析所需学习的主要内容: 数学和统计学 ...
2024-11-24数据分析师需要具备一系列多方面的技能和能力,以应对复杂的数据分析任务和业务需求。以下是数据分析师所需的主要能力: 统计 ...
2024-11-24数据分析师需要学习的课程内容非常广泛,涵盖了从基础理论到实际应用的多个方面。以下是根据我搜索到的资料整理出的数据分析师需 ...
2024-11-24《Python数据分析极简入门》 第2节 6 Pandas合并连接 在pandas中,有多种方法可以合并和拼接数据。常见的方法包括append()、conc ...
2024-11-24《Python数据分析极简入门》 第2节 5 Pandas数学计算 importpandasaspdd=np.array([[81,&n ...
2024-11-23数据分析涉及多个方面的学习,包括理论知识和实践技能。以下是数据分析需要学习的主要方面: 基础知识: 数据分析的基本概念 ...
2024-11-22数据分析适合在多个单位工作,包括但不限于以下领域: 金融行业:金融行业对数据分析人才的需求非常大,数据分析师可以从事经 ...
2024-11-22数据分析是一种涉及从大量数据中提取有用信息和洞察力的过程。其工作内容主要包括以下几个方面: 数据收集与整理:数据分析师 ...
2024-11-22数据分析师需要掌握多种技能,以确保能够有效地处理和分析数据,并为业务决策提供支持。以下是数据分析师需要掌握的主要技能: ...
2024-11-22数据开发和数据分析是两个密切相关但又有所区别的领域。以下是它们的主要区别: 定义和目标: 数据开发:数据开发涉及数据的 ...
2024-11-22数据架构师是负责设计和管理企业数据架构的关键角色,其职责涵盖了多个方面,包括数据治理、数据模型设计、数据仓库构建、数据安 ...
2024-11-22数据分析师需要具备一系列技能,以确保能够有效地处理、分析和解释数据,从而支持决策制定。以下是数据分析师所需的关键技能: ...
2024-11-22数据分析师需要具备一系列技能,以确保能够有效地处理、分析和解释数据,从而支持决策制定。以下是数据分析师所需的关键技能: ...
2024-11-22数据分析师需要具备一系列的技能和能力,以确保能够有效地处理、分析和解释数据,从而支持业务决策。以下是数据分析师所需的主要 ...
2024-11-22需求持续增长 - 未来数据分析师需求将持续上升,企业对数据驱动决策的依赖加深。 - 预测到2025年,中国将需要高达220万的数据人 ...
2024-11-22《Python数据分析极简入门》 第2节 4 Pandas条件查询 在pandas中,可以使用条件筛选来选择满足特定条件的数据 importpanda ...
2024-11-22数据分析师的工作内容涉及多个方面,主要包括数据的收集、整理、分析和可视化,以支持商业决策和问题解决。以下是数据分析师的一 ...
2024-11-21数据分析师必须掌握的技能可以从多个方面进行归纳和总结。以下是数据分析师需要具备的主要技能: 统计学基础:数据分析师需要 ...
2024-11-21数据分析入门的难易程度因人而异,总体来看,入门并不算特别困难,但需要一定的学习和实践积累。 入门难度:数据分析入门相对 ...
2024-11-21