中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2016）17-0106-02
职业教育生态是指依据生态学的观点，研究职业教育过程中学习者的生存和发展状态，以及学习者之间和学习者与职业教育环境之间环环相扣的关系。研究指出，创新人才的出现，并不是教育刻意培养的结果，而是缘于其所依存的良好教育生态[1]。在一个宽松的教育生态中，学习者摆脱模式化教育的束缚，自我完善、自我进化、自我超越，呈现出发展的多样性，并以“自然选择”的方式使符合社会发展的人才脱颖而出。在现代职业教育中，必须要营造一个适合个体自在发育的教育生态，才能培养出高素质的职业技术人才。
1 我国职业教育生态的发展和现状
在农业社会，我国的职业教育主要体现于家庭式、学徒制的作坊生态，学生在专业上选择不多，教师按学生的特点凭借自身的经验进行专业技能的传承。在当时的条件下，教师可教授的学生不多，挑选学生的条件也比较苛刻，这使很多的人，无法享有职业化教育的权利；另一方面，在小农意识的影响下，学生在学习方法和学习内容上都受到很大的局限，因而在农业社会的职业生态中，学习者虽然处于主体地位，但人的全面发展受到很大局限，职业教育在普及面上和效率上都处于相当低的水平；工业时代的来临，催生了以普众教育为核心的职业教育生态，使大部分的人沐浴到了教育的阳光，从作坊走向工厂，从土地走向机械，极大促进了社会生产的发展。在这种教育生态下，职业教育的公平公正得以实现，但由于其侧重于关注人才的“合格”和“量产”，所采用的“标准化”培养带来的是人才的“格式化”发展，严重压制了学生的个性和创造性，使学生沦为学习的机器，在学习过程中处于相当被动的地位。
随着信息化教育的展开，日益更新的技术和设备进入职业教育领域，有力地推动了现代职业教育的发展，在此基础上，很多职业院校做了教育教学变革的多种探索，但并未从实质上改变原来的职业教育生态，学生被置于更加被动学习的境地。在信息时代人才需求的映射下，现存的职业教育生态中人才培养方式落后、院校专业设置缺乏规划、教学效率低下、人才培养无法满足社会需求的现象普遍存在[2]。
2 职业教育新生态的时代诉求
当前，我国社会正处在经济发展的换挡期和经济结构的转型期，产业升级对职业教育的发展提出了更高的期待。为此，2014年国务院颁发了《国务院关于加快发展现代职业教育的决定》，同年6月，教育部等六部委联合了《现代职业教育体系建设规划（2014―2020年）》，明确提出将职业教育作为国家提升国际竞争力和经济与社会可持续谋发展的一个重要基础，要求现代职业教育要培养高素质劳动者和技术技能人才[3]。社会对人才的需求已经由单一转向多元，情况表明，目前的职业教育已无法适应社会快速发展的变化，时代呼唤高素质人才，职业教育也期待一个更有活力的新生态。
“橘生淮南则为橘，生于淮北则为枳”，果实的差异源于生态上的差别。要从根本上提升职业教育培养的人才质量，必须从根本上改变现存的职业教育生态。印度教育科学家苏伽特・米特拉指出：人的学习本质上是一种自组织行为。人本主义学习理论者也认为，人类具有天生的学习愿望和潜能，学习的进行必须要以学生为中心，只有尊重学生在教育过程中的主体地位，关注学生在学习中的主体能动，使他们感受到学习的乐趣，为自我实现而学习，才能激发他们内在的创造力[4]。学生是职业教育的主体，也是教育教学过程中最重要最活跃的要素，将学生置于被动学习的地位，是职业教育的本末颠倒。在信息时代，必须建立一个以人为本，以社会需求为导向，以多元人才培养为核心，以个性化自主学习为主体、灵活高效的、可持续发展的职业教育新生态。在新生态中，职业教育百花齐放、百家争鸣，在宽松、自由、竞争的环境下，孕育出具有独立思维和创造力的高素质人才。
3 大数据为重塑职业教育生态提供强有力的技术支持
大数据源于美国NASA研究人员对飞机周围难于获取和处理的模拟气流数据的描述[5]。尽管目前我们对大数据尚未有一个规范、统一的定义，但大数据浪潮还是以其独特的方式，给现实世界带来了一场巨大的变革，正处于信息化进程中的职业教育，必将迎来变革的又一次挑战和机遇。
3.1 大数据在教育领域的应用
2012年10月，美国教育部了《通过教育数据挖掘和学习分析技术来提高教与学：问题简述》报告，报告主张通过教育数据挖掘、学习分析和可视化数据分析来改进自适应学习系统，实现个性化学习。指出大数据在教育中的应用主要有两大领域，一个是对学习行为和学习过程进行量化、分析和建模的教育数据挖掘（EDM）；另一个是利用已有的模型来认识理解新的学习行为和过程学习分析技术（LA）[6]。近年来，随着我国职业教育信息化进程的不断推进，越来越多的学习系统和管理系统被应用到教育和教学中，海量教育数据逐步得以积累和呈现[7]，伴随大数据技术应用研究在教育领域的开展，我们可以通过挖掘、分析教育大数据，从新的视角对教学规律进行分析和探索，从多个维度实现对学习个体的关注，开展广泛的教育研究，进而推动职业教育的变革与创新。
3.2 大数据多维度推动职业教育新生态建设
无法适应社会发展的职业教育旧生态终将被新生态所取代，这是历史的必然。随着信息化的对职业教育教学要素的深入渗透，大数据从技术层面实现了各种学习行为数据的量化和显现。就职业教育来说，利用大数据技术，我们可以突破思维上的桎梏，破解实践中的难题，建立适合于孕育高素质人才的职业教育新生态。
1）大数据能促进职业院校的发展。现代职业教育是以就业为导向，以培养服务社会发展需要的高素质劳动者和技术技能人才为目的教育类型。目前，院校是职业人才培养的主阵地，大数据提供的预测研判分析，有助于职业院校洞察社会行业的生命周期，了解人才市场的供需平衡。在大数据的支持下，职业院校可科学、系统地设置和调整专业与课程，深化校企合作、工学结合模式的探索，使职业教育的人才培养紧密与社会需求相结合，学生也可以依据预测研判，迅速灵活地调整学习的目标和方向，提高学习的能动性和有效性，使职业教育新生态更具有活力和效率。
2）大数据推动职业教育教学模式变革。职业教育跨越了企业与学校，跨越了工作与学习，跨越了职业与教育，打破了传统学校式教育的“围城”，是“跨界”创新的教育[8]。这对职业院校的学习组织提出了的实践性和灵活性的要求，大数据能为此提供有效的数字化支撑。在职业教育的实践中，我们可以采取多样的学习组织形式，广泛开展基于资源的数字化学习、基于虚拟技术的情境创设学习、基于交互的探究学习、基于学习平台的混合学习、立足于知识技能培养的任务导向学习、拓展于问题解决的综合实践活动。丰富的学习模式和灵活的职业技能培养方式，为学生的学习和实训提供了多层次的选择空间，将学生对知识和技能的学习逐步引向深入；
3）大数据能促进教师能力的提升和职能的转变。国家对职业院校提出了“双师型”师资队伍建设的要求。要求职校教师具备教育教学能力和工作经验。大数据可为教师的专业发展建立个性化的“学习包”，定制个性化的进修和实训方案，使他们逐步成长为职业教育的复合型人才；在具体教学过程中，教师可通过大数据技术了解教学数据背后隐藏的关系，分析各学习要素对学习效果的影响，抓住教学中的关键要素和主要环节，有的放矢，建构出一种有利于体现学生主体地位，有助于体现教师支持的学习模型，进而不断优化教与学的过程；通过大数据技术，教师对学生的关注将由“学习分数”向“学习要素”转变，实现对每一个学习个体的背景、基础、态度、努力程度等数据的多维度了解，将学生置身于教育场景中进行审视和评估。在此基础上，教师以新的角色融入到学生的学习中，成为学生自主学习的过程中的“学习扶手”，既能保证学生的学习方向不偏移，又能确保学生在学习过程中不“跌倒”。
4）大数据能支持学生个性化的自主学习。大数据技术带来的教学信息、业务和组织结构扁平化将促进学校的功能由管理控制转向服务支撑。学生在学习中的核心地位得以确认，学习过程中的人格得到尊重，学习潜能得以发展。在职业教育的人才培养过程中，大数据可为学习者提供全方位的服务保障。随着学习资源和学习工具日益丰富、学习环境和方法更加灵活，大规模在线教育的适用，混合教学的普及，以及泛在学习、碎片化学习的蓬勃兴起，每个职校学生都有机会根据自身的意愿和特点，自由选择学习的方式，大数据提供的个性化评价分析使学生能够为自己量身定做个性化的学习策略，实现人才的多元化发展；新的职业教育生态将帮助学生突破传统教育的“厚茧”，以自适合自组织的学习方式获得全面、协调、可持续的智慧发展。
5）大数据能促进职业教育终生学习体系的建立和发展。在大数据环境下，国家教育部门可成立全国的职业教育数据中心，对职业院校的学生数据档案进行统一管理。这样在横向发展上，可推动全国职业院校的一体化进程，对学生资质和学分实行统一认证和管理，打破职业院校间的“围墙”，只要符合准入条件，学生不论年龄、不分地域，可以在全国的职业院校间选择自己喜欢的专业，进行专门的技能训练，以适应社会的不断发展对人才的层次提出的不同需求；在纵向发展上，可贯通职业教育和普通教育间的融合渠道，开展课程和学分互认，既有助于普通高校学生向职业教育的转向，又有利于满足职业院校学生在人文素养方面的学习诉求。在职业教育新生态中，通过终生学习体系，每一名学习者都有机会实现个人的价值追求，获得全面的发展。
4 结束语
信息技术并不是万能的点金棒，大数据只是为我们提供了开启人类认知世界大门的另一把钥匙。在数据驱动教育、变革教学的大数据时代，职业教育生态必将实现从以普众教育为核心向以学习者为中心的转变，并为我们描绘出智慧教育的美好愿景。历史业已证明，我们并不缺乏发明创造的基因，我们需要的只是一个合乎时代需求和人文关怀的职业教育生态，已经到来的大数据时代将帮助我们重塑职业教育生态，实现技术向教育、教育向人本的回归。这既是对学习的尊重，更是对人本身的尊重！教育，不是把真理教给学生，而是养成他们追求真理的品格。学习不是知识的被动加载，而是为让生命更有的尊严。让每一个学习者都能在职业教育新生态中绽放出属于自己的光彩。
参考文献：
[1] 郑也夫.吾国教育病理[M].中信出版社，2013.
[2] 张磊.大数据时代职业教育的创新研究[J].无线互联科技，2015（6）：109-110.
[3] 程建钢.职业教育信息化研究导论[M].北京：清华大学出版社，2015：1-90.
[4] 雷钢.人本主义学习理论对教育技术的新启示[J].中国电化教育，2010（6）：30-33.
一、建立数据分析应用观念
数学课堂教学中涉及的大数据，是指多种数据的分类汇集，形成服务课堂教学的数据体系。其主要内容包括：教材内容分解、学生学力基础调查、课堂教学方法应用、教学思路的设计、课堂教学应急措施、教学训练内容等。教师对这些数据的把握，是展开课堂教学的重要前提。数学课堂教学是一个完善的操作体系，从教学设计到教学执行，都需要有更多数据的支撑，教师要建立数据分析应用观念，运用这些数据展开教学，提升学生的解题能力。课堂教学需要多种数据支持，教师在采集、运用这些数据时，应根据教学实际展开相关操作。如果需要调动学生的学习主动性，教师可以运用数字化教学方式，唤醒学生的数理思维。如果需要展开重点突破，教师可以运用大数据相关信息，为学生思维的突破提供一些启迪。如果要发动学生进行数学训练，教师可以利用数据库信息，经过筛选设计训练题型。如教学“轴对称和轴对称图形”相关内容时，教师让学生找寻生活中的轴对称图形案例，并利用网络进行信息搜集。学生面对这些直观信息，很容易进入到学习情境中。同时，为了给学生带来更多的实践感知体验，教师还要发动学生进行实际操作活动，并给学生设计具体的操作程序。在教学过程中，教师还需要对大数据进行选择性处理应用。大数据不是单纯的符号和数字，而是具有灵性的数学因子，教师应科学运用这些数据展开教学活动。而建立数据分析应用意识是崭新的课堂教学实践，可以给教师施教带来更多的思维启迪。
二、启动数据分层教学机制
作者简介：胡水星，湖州师范学院教师教育学院副教授、博士，研究方向：教育信息化、教育数据挖掘与学习分析。
大数据作为信息技术发展的新趋势，已经渗透到各行各业，成为重要的驱动因素，并掀起行业变革的巨浪。随着我国教育信息化水平的不断提升，越来越多的学习管理系统在教育领域中被应用，数据化的学习信息和学生信息逐渐增多，教育数据的海量增长，导致在教育管理、教育服务、教学研究、教育评价等领域也面临大数据问题，教育大数据时代已经悄然来临。“教育信息量的爆炸式增长以及相关数据处理技术的创新发展成为人们新的视野焦点，如何利用与分析这些数据信息，不仅影响着信息交流、知识传递和学习效果，更在一定程度上影响着教学决策制定和学习模式优化，已经成为目前教育工作者和学习者一致关注的方面。”
在数据分析驱动教育，变革教学的大数据时代，教育领域同样蕴藏着具有广泛应用价值的海量数据，利用教育数据挖掘和学习分析技术，构建教育领域的相关模型，探索教育变量之间的相关关系，为教育教学决策提供有效的支持将成为未来教育的发展趋势。
一、大数据及教育大数据关键技术
计算机技术、移动通信技术、互联网技术，再到大数据技术的登台亮相，不仅体现着信息技术的深入与发展，更体现着大数据时代的到来；大数据技术在教育领域的广泛应用引起了教育变革，推动了教育发展，学习分析实现了教育的探索性分析，数据挖掘实现了教育管理与决策的制定。学习分析和数据挖掘这两大大数据关键技术在教育领域的深入应用，为教育教学带来了新的机遇。
(一)大数据
2012年，联合国了大数据白皮书“BigDataforDevelopment：Challenges&Opportunities”，明确提出大数据时代已经到来。[2]大数据作为信息技术发展的新趋势，具有海量的数据规模(Volume)、快速的数据流转(Velocity)、多样的数据类型(Variety)和巨大的数据价值(Value)4V特性。[3]大数据是一种价值观、方法论……是一场思维的大变革，已经渗透到各行各业，成为重要的一种生成因素，并掀起了变革的浪潮。[4]通过对海量数据的分析挖掘，以一种前所未有的方式获得巨大的产品服务、深刻的真知灼见，为我们理解生活以及认识世界提供了一种全新的思维方式，实现思维的三大转变：一是不再依赖于小样本数据，而是与现象相关的所有数据；二是不再热衷于追求微观层面的精确，而是宏观层面的洞察力；三是从传统的因果关系追求中解脱出来，关注相关关系的发现和应用。[5]
大数据借助无所不在的传感设备和计算能力，对现实世界、虚拟世界以及虚实融合世界的复杂网络数据进行解析和挖掘，实现行为判断和决策。随着教育领域各种学习管理系统、课程管理系统、网络互动平台的应用，各种学习行为、学习状态等教育数据将海量增长，教育大数据时代已经悄然来临。大数据使得教育信息成为可捕捉、可量化、可传递的数字存在，大数据使得教育过程性考察成为可能，更能透过真实的数据发现教与学的关系，教育正悄悄地发生着一场革命。[6]
(二)教育大数据关键技术
近年来，随着大数据的推进与发展，教育大数据处理与分析已经成为推动教育改革与发展的驱动力，引起了各国政府和教育行政部门的高度重视。2012年10月美国教育部了《通过教育数据挖掘和学习分析促进教与学》(EnhancingTeachingandLearningthroughEducationalDataMiningandLearningAnalytics)报告。[7]力图通过教育大数据分析挖掘，促进“大数据”教育应用，从而为教育发展抢得先机。
大数据为海量教育数据的存取提供了技术基础，但原始的教育数据只是教育大数据的基础，只有通过对采集到的各种数据进行教育数据挖掘，构建学习分析模型，发现教育变量之间的关系，并实现赋予数据相关意义，才能使数据转变为信息；信息进一步经过分析和综合，形成知识；最后通过实践运用，知识才上升到智慧层次。[8]因此，教育数据挖掘和学习分析技术是教育大数据的关键技术。
1.教育数据挖掘
教育数据挖掘(EducationDataMining)是综合运用数理统计、人工智能与机器学习和数据挖掘等技术与方法，对教育原始数据进行分析处理，通过构建数据模型，对学习者的学习结果与学习内容、学习资源和教学行为等变量进行相关关系分析，从而有效地预测学习者未来的学习趋势。[9]并为教育工作者、学习者、学生家长、教育教学研究者以及教学软件开发者提供支持，实现教育系统中教育资源的良性互动，最终实现改进学习的目的。教育数据挖掘流程具体如图2所示。[10]
2.学习分析
学习分析(LearningAnalytics)的研究对象是学生及其学习环境，目的是通过对教育海量数据的分析和建模，发现潜在问题，优化和理解学习，预测学习者在学习中的进步和表现。学习分析具体过程如图3所示。显而易见，学习分析技术就是围绕学习者在学习过程中产生的各种信息数据，利用各种数学建模方法和数据处理技术来解释这些数据，并根据结果数据与分析信息，对学习过程与情境进行探究，并进一步发现学习的规律，为优化和完善教学提供相应的反馈，持续地促进学习者的学习。学习分析技术利用数据挖掘、数据解释与数据建模的优势，对学习平台中积累的大量数据信息进行采集、存储、分析和表示，并运用分析测量结果对学习者学习行为进行评估、预测和干预，为个别学生量身定制更有效的教育，进而改善和提升教与学的质量与效能，实现改善教学和促进学习的目的。[11]
除了学习分析和数据挖掘这两大教育大数据关键技术，近年来慕课、微课、翻转课堂、社会网络软件、云计算、Moodle等网络学习开源平台、WEB2.0技术都可以纳入教育大数据的技术范畴。
二、大数据促进教育变革
随着教育领域各种大数据技术的应用，我们已经进入一个数据驱动教学、分析变革教育的大数据时代。虽然技术还没有给教育带来如1987年AlfredBork所预言那样的变革[12]，但技术具有拓展、增强或者变革人类学习的潜力，科技进步不可避免地带来了教育的革新，并且对教育发展带来了深远的影响。如，大规模数据分布式处理技术实现了结构化与非结构化数据存储；云计算技术实现了教育资源的共建共享；社会性交互软件促进了学习型社会的构建；MOOCs与翻转课堂实现了个性化学习构建；开源学习管理系统实现了学习过程管理。大数据技术在教学领域的应用革新了教育思维方式、重构了教学评价方式、颠覆了传统教学模式、实现了个性化教育，教育大数据背景下教学的规训与教化在撤退，支持和服务在推进。[13]
(一)数据挖掘与学习分析有助于教学决策和评价
教育大数据记录了教学的过程，发现了新的知识，创造了更大的教育价值，促进和优化了教学策略和评价。移动互联网时代，知识的获取变得以学生为中心，因为，每个学生的智力特点和吸收水平都是不一样的，移动互联网支持了以学生为中心的学习，突破传统不再是所有人在统一的课堂上在规定的四十五分钟内听相同的教学内容。新兴的教育技术与资源使得教育更加以学习者为中心，使教育从批量到个性的实现成为一种可能；教师的教育思维也从宏观的群体教育向微观的个体教育方式转变，促进了以学习者为中心的个性化教育的实施，进一步使得因材施教成为一种可能。
从技术层面上说，学习者在互联网等媒体上留下的任何数据痕迹，都可以进行分析，可以发现数据背后隐藏的学习者相关学习特征、兴趣爱好、行为倾向，与教育教学相关的状态信息都将一览无余。从这个意义上来说，未来的教育发展方向就是应用学习分析和数据挖掘等大数据技术去实现精准的个性化教育。将大数据对教育教学中海量数据的整合分析，结合态度、行为和行为背景等因素，就可以发现学生思想、行为和心态的变化，分析出每个学生的特点，再结合总体学生的表现和其他因素的分布就可以准确对某位学生实施正确的评价，最终使得对每个学生的教学都可以建立在对过去行为数据的分析基础上。[14]从而真正打破传统技术背景下“不得不承认，对于学生，我们知道的太少”那样的窘境。[15]
大数据技术有利于对教师课堂教学计划、课堂教学评价、课堂视频资源中的各种数据进行提取和分析，从而为预测、处理教学行为、学习心理提供了重要依据，为教学评价提供了较为全面和完整的信息，克服了评估主观性强的缺憾，教学评价不再是经验式的，而是在大数据基础上的“归纳”，更具说服力和公信力，实现了教学评价的客观公正与科学正确，教学决策的针对性与时效性。
(二)微课与翻转课堂教学有利于个性化学习模式重构
未来教育在大数据技术的支持下变得越来越个性化，慕课、微课与翻转课堂的教学应用有利于个性化学习环境的构建，数字化课程资源的标准化定制实现了学习内容的学生自组织学习，在线学习使得学校教育和教师更多地转向学生个体，关注学习者的个性化培养，教师实现了从教学者到助学者角色的转变，更多地是承担学习的支持服务和协作交流。[16]个性化学习模式更多地关注师生之间、生生之间、学生与教育媒体之间的交往互动、个性化服务和灵活的教学范式。微课实现了知识从固化到碎片，移动互联网则使我们可以充分利用碎片化的时间。不仅如此，我们每一次对碎片化时间的利用都还可以是非常高效的，因为，学习系统了解你的学习情况，知道怎么让你更高效地学习。
传统教育是大家在一个封闭的客厅里，规定每节课45分钟，而现在移动互联网可以让学生和全世界各个地方的学习者交流，做到线下进行知识学习，线上进行知识传递，完全颠倒传统的教学结构，使强调知识传递、以教定学的知识传授模式逐步让位于强调问题中心、以学为主的整合探究模式，构建了新的教学范式。
教师可以利用微课和翻转课堂进行基于技术的课堂教学案例欣赏，积极开展分析、讨论和教学反思活动，在学习活动中实现对技术、学科和教学法之间的深层次理解。[17]在这种模式下，一方面，充分调动了学生的积极主动性，学习者在课堂上进行深入交互和思想碰撞，而不再是存在了几个世纪的那种被动的教学模式接受者；另一方面可以进一步加深对整合技术的学科教学知识的理解，培养教师将技术和学科教学知识整合地根植于自身课堂中的能力，实现将知识的传授迁移到了课外。
(三)在线视频与大规模开放课程有利于教学知识呈现
开放存取已经成为帮助所有人进行学习的关键因素之一，“技术支持了信息的开放存取，实现了知识共享的无处不在”，[18]这也是21世纪由新的学习技术所带来的张力和机会：学科内容的音频、视频等多媒体融入呈现，营造了更为丰富的交流互动和学生体验参与，促进了学习者情感领域的认知与发展，并进一步帮助我们所有人学习；现有的视频动画、网络多媒体、甚至3D的教学内容，生动逼真地呈现在学习者面前，使学习突破了传统的学校围墙的限制，未来的师生关系应该是从传道授业变成解惑的角色，传道授业由互联网上高质量的视频资源来替代；在线视频分享为每一位学习者打开了一扇从其他机构那里学习的大门，学习和培训从单中心到多中心，各种大规模开放在线课程让学习方式越来越丰富。通过向学习者提供观看、参与和反思的教学视频资源，实现了跨界学习交互和教学应用示范。这种交互和示范不仅能够展示如何理解技术、学科内容知识和学科教学知识之间的关系，更能够展示如何为学科内容领域的教学制定与技术有关的有效决策，[19]从而促进学习者自主建构知识体系，实现教学知识的呈现与内化。
(四)学习管理系统和web2.0技术有助于教学管理和情境参与
利用web2.0技术，用户可以在其中创建视频群组，订阅特定频道和成员的视频，上传视频，给视频贴标签。在世界范围内分享视频、创建播放列表、与拥有共同兴趣的人保持联系等。这些工具赋予了学习者在教育过程中的话语权，支持参与式学习。[20]大数据促进教育发展的第三大宏观趋势是建构一种协同、协商和共享这些知识和信息的文化创造；一种参与式学习文化。[21]正如约翰·赛利·布朗所指出的那样，在这种新型的参与式教育环境中，学习者开始参与到一种建构、改进、学习、分享的文化中。各种免费的教育资源随处可见、各种支持学习者参与的社会性工具软件层出不穷，资源和工具的结合能使学习者自由添加、实时评论和独立创建全新资源，这时我们需要重新审视和界定学习究竟是什么———学习不再是消费和吸收，而变成了生成和参与。由于有了Moodle、Sakai、Blackboard等学习管理系统和web2.0技术对学习参与的支持，实现了以学习需求和学习者为中心的转变，动态的教与学关系，通过挖掘知识、寻求联系、总结规律，每个教师和学习者都能发挥自己最大教育潜能。
三、大数据关键技术教育应用实证分析
大数据所带来的教育的未来，不单是表述一个理念和社会直觉，更是一种教育变革和社会行动。在大数据技术的支持下，教育不再是单一的理念交流与经验传承的社会科学，而确确实实变成依托教育行为数据的实证科学。在教育大数据时代，由于教学实验的布置，教育时空的设计、学习场景的构建、教育环境的创设、教育数据的采集和教育管理的决策，这些过去只能依靠理念灵感加经验的东西，可以实实在在地以数据形式进行记录、跟踪，真正变成一种数据支撑的行为科学。
大数据技术在教育教学实践中的广泛应用，积累了大量的学习状态数据，如何让数据说话，揭示教育数据背后的教育现象本质，为教育决策和政策制定提供建设性解决方案，我们将通过数据挖掘和学习分析这两大大数据关键技术在教学领域的应用案例进行实证分析，以期为数据挖掘和学习分析等大数据技术的教育应用提供借鉴与启发。
(一)基于教育数据挖掘的共词分析
教育大数据技术促进了教师专业发展，两者具有一定的相关性，国内许多文献对两者进行了深入研究，我们抽取10年以来在CNKI、EBSCO、Springerlink等国内外期刊上出现的教师专业发展和教育大数据相关的关键词频次，利用内容分析，文本分析等方法对关键词出现的共篇关系构建共词分析矩阵，并通过Ochiia相似性系数法对数据进行分析计算，从而将共词矩阵转换为相关矩阵，在相关矩阵的基础上，进一步构建相异矩阵，并采用多维度尺度分析法进行分析，形成教育大数据背景下教师专业发展的知识体系谱系图，从而对教育大数据教师应用提供良好的决策指导。
期刊论文一般都有几个关键词，用以说明本篇论文的主要研究领域和重点方向等，如果多个关键词在多篇期刊论文中重复出现，这说明这些关键词之间存在某种关系；如果几个关键词共现的频次比较大，说明这些关键词关系稳定，可以看成一种必然的联系。
利用文献管理软件NoteExpress对大数据和教师专业发展相关关键词进行统计分析，并按关键词出现的频次进行分类汇总、统计分析和数量排序。为了数据挖掘过程的清晰展现，提取重复出现频次较高的10个关键词为高频关键词，以内容分析的视角建立高频关键词共词矩阵，具体如表1所示。
共词矩阵是一个相关关系矩阵，其对角线上的数据表示为某关键词出现的频次，如关键词“大数据”共出现124次，它与数据挖掘同时出现在26篇期刊文献中，也可以理解为在26篇期刊论文的关键词中上述两个关键词共同出现。
为了对共词矩阵数据进行多元统计分析，挖掘其隐含的知识信息，需要对矩阵的数据结构进行变换，借鉴Ochiia相似性系数法则，实现对共词矩阵进行相似矩阵的转换。Ochiia相似性系数法的具体计算公式为：Ochiia系数=Nij/(Ni*Nj)1/2。其中Ni和Nj分别代表关键词i和j出现的频次，Nij表示两者共同出现的频次。经过统计分析，我们可以得到如表2所示的。
相似矩阵中的数字也称为相似数据，其大小表明相应的两个关键词之间距离远近的程度。为了方便进一步进行多维尺度分析，可以用1与全部相似矩阵上的数据相减，得到相异矩阵，其数字大小表示两关键词间相异程度，具体如表3所示。
相异矩阵中的数据也可称之为不相似数据，其数值的大小表明关键词之间相异的程度，如数据越大则表明关键词之间相似度越小，距离越远；反之则表明关键词之间的相似度越大，距离越近。[14]基于上述的相异矩阵，我们采用SPSS的分析—度量—多维尺度进行关键词图谱分析，得到如图4所示的教育大数据与教师专业发展高频关键词多维尺度图。
从上面的“教育大数据与教师专业发展高频关键词多维尺度图”中可以发现象限一、象限三和象限四是几块相对集中的研究领域。其中第一象限属于大数据范畴，主要关注“大数据”、“学习分析”和“数据挖掘”；第三象限主要属于教师专业发展范畴，主要包括“教师信息素养”、“教师Tpack”、“教师专业发展”；第四个象限属于个性化学习技术范畴，关注“慕课”、“翻转课堂”和“个性化学习”；相对这几个关键词集中象限，第二象限只有教学绩效评估，这说明教学绩效评估和其他几个范畴共同联系相对少些。关键词的图中分布也比较符合我们对相关文本内容的分析，对教师教育专业化发展具有很好的决策指导作用，如，在进行大数据学习应用时应该重视学习分析和数据挖掘的学习；在进行教师专业化培训时应该重视教师Tpack能力和教师信息素养的培养；在进行个性化学习支持服务的时候应积极利用翻转课堂和慕课进行学习环境构建、学习模式创设。
通过教育数据挖掘共词分析，很好地展现了教育大数据背景下教师专业发展的知识体系谱系图，更加明确地解释出教育大数据对教师专业发展的影响及两者之间的相关性，从而为教育大数据背景下的教师专业发展提供确实有效的指导与建议。
(二)基于社会网络分析的教育博客学习分析
社会网络分析可以对网络群体中的个体学习行为与学习行动者之间的关联和群体影响进行分析，通过相关的社会网络分析软件，利用距离、密度和中心度、社群图等概念对网络属性进行评价，是社会结构关系研究可视化的、说服力强的一种方法手段。教育大数据视野下，学习分析技术越来越被重视，社会网络分析作为一种学习分析方法，可以对网络学习平台、课程管理平台、网络日志等记录的大量过程化数据进行深入挖掘，发现网络学习中学习者的学习行为和社会交互特征，从而为网络学习提供决策引导和服务支持。
为了运用社会网络分析进行教育数据学习分析，我们选择一个浙江省中小学教师专业发展培训班作为样本数据，依托湖州师范学院精品课程《教育技术学基础》为网络平台，具体如图5所示。通过对培训教师在该课程网站上的教育博客群参与活动分析，选择培训班20名教师的教育博客交流情况，进行网络日志数据的收集。并规定博客的发帖、链接、回复和推荐都记为一次网络交流。
数据的处理分析主要采用社会网络分析软件UCINET6.0，数据挖掘以前，先根据教育博客上的网络日志进行数据获取，然后对参与博客交流的教师进行T1-T20的编码，培训教师用TEC编码标示。关系矩阵的建立，具体如表4所示。
行列交叉单元格中的数据表示第i行的教师对第j列的教师进行教育博客互动的次数，0表示没有互动，每个教师相对于本人，博客互动都定为1。经过Netdraw导入关系矩阵，经过UCINET6.0教师教育博客互动交流社群图分析，具体如图6所示。
从社群图中可以看出，TEC在网络博客群中处于中心地位，而且没有孤立的点，这说明教师专业化培训中培训教师处于主导地位，和受培训教师积极进行网络博客交流与互动，帮助受训教师解决问题；同时受训教师也积极相互进行合作交流，进行教育技术课程学习。
从表5中可以看出，TEC的入度和出度都是最高的，这进一步说明了教师在培训中的地位，起到了协作、引导和帮助的作用；同时T15出度比较多，说明该教师在培训中能够通过积极发帖引导其他教师进行培训交流；T20的入度比较多，说明其他参与培训的老师比较喜欢和该教师进行互动交流，同时也表明该教师在教育博客中的声望较好，比较受广大培训教师的欢迎。
四、结语
【中图分类号】 G40-057 【文献标识码】 A 【文章编号】 1009—458x（2013）02—0014—07
背 景
近年来，微博、社交网络平台（SNS）等Web2.0工具的快速发展大大促进了用户之间的远程交互。在这些工具的支持下，用户间发生着多种多样的交互行为，如浏览、回复、评论、关注、加为好友等，同时产生出了海量交互行为数据，使得基于行为数据的交互分析成为可能。在大数据的影响下，一个新兴的研究领域——“学习分析”（Learning Analytics）随之产生。在学习分析领域中，远程教育研究者进行了一系列研究。英国开放大学、加拿大阿萨巴斯卡大学等远程教育机构的研究者都对学习分析在远程教学中的应用进行了深入的研究。这些研究者中包括联通主义的主要提出者、加拿大阿萨巴斯卡大学的西门斯博士（Siemens）[1]。
2011年举行的首届学习分析与知识国际大会将学习分析定义为“测量、收集、分析、报告学习者及其学习情境的相关数据，以促进对学习过程的理解，并对学习及其发生的环境进行优化。”[2]通过这一定义可以了解到学习分析对数据的依赖性。学习分析需要将复杂的教学过程和庞大的行为数据有机整合。这一目标的实现需要在教学情境之下，针对多种分析任务，使用多种分析技术。
根据学习分析的不同任务，英国开放大学知识媒体研究所的Shum和Ferguson在《社会学习分析（Social Learning Analytics）》中把学习分析划分为五种类型，分别为学习网络分析、学习对话分析、学习内容分析、学习气质分析、学习情境分析[3]。从这一分类中可以看出学习分析是多种分析方法的统整，其中社会网络分析是一个重要的组成部分。
社会网络分析在社会学研究中有较为久远的历史渊源。1950年代，卡特赖特和哈拉瑞以图论为研究工具对社会互动展开了研究。哈佛商学院则在著名的“霍桑实验”中，首次运用社群图描绘了霍桑工厂中的社会互动结构 [4] 。而Watts等人的“小世界”理论让社会网络分析产生了广泛的社会影响[5]。
在远程教育领域中，特别是网络工具快速发展的背景下，社会网络分析被赋予了浓重的在线行为分析色彩。与社会学领域中的自陈式问卷、实地观察等方法不同，远程教育领域中的社会网络分析多由在线关系分析和在线行为分析构成。
近年来，国外研究者开始应用社会网络分析的方法研究Twitter和Facebook等社交媒体中的教学交互现象[6][7]。在国内研究中，王陆[8]、胡勇[9]为代表的国内研究者通过社会网络分析对以论坛为主的虚拟社区在线交互进行了分析。但对新兴社交媒体中的教学交互研究目前还较为少见。
究其原因，社会网络分析自身的复杂性是一个重要因素。与论坛中的交互相比，微博等社交媒体支持下的交互数量众多，内容庞杂，给分析带来了很大困难。即便研究者具备了社会网络分析的相关知识。前期的数据预处理工作也常常令人望而却步，分析过程中的数据调整和可视化工作也极为繁复。
社会网络分析离不开工具的支持。好的研究工具可以使研究过程事半功倍。对于社会网络分析工具的研究就成为成功进行社会网络分析，乃至整个学习分析的前提。
社会网络分析工具的发展
由于社会网络分析的重要性，多种分析工具应运而生，至今仍在蓬勃发展之中。有研究者对社会网络分析工具进行了研究，功能对比是最常见的研究方法。其中，最具有代表性的是Huisman和Duijn对于23种社会网络分析工具的对比[10]，研究者从多个角度对比了当时各种主要网络分析工具，包括Pajek、NetDraw、Netminer、UCINET等目前仍广泛应用的工具，该比较涉及软件的使用对象、数据格式、主要功能、支持帮助等信息。王陆在此基础上根据是否商业化和是否可视化将这些软件进行了进一步分类，并重点比较了NetMiner、Pajek和UCINET[11]。Hansen等人分析了各种社会网络分析工具，并指出缺乏界面友好和操作便捷的社会网络分析软件是社会网络研究在实践领域开展不足的重要原因[12]。Smith等人指出了JUNG、Guess、Pajek等多种社会网络分析工具的操作复杂性，指出简化操作并降低数据获取的难度，可以促进社会网络研究的开展[13]。通过对与社会网络分析工具的研究可以发现，随着各个领域对于社会网络分析的重视，其分析工具正在快速发展之中，工具应用的便捷性对分析的开展有着重要影响。
通过对现有的社会网络分析工具的分析还可以发现，按照工具的使用者可以将这些工具分为面向程序员的工具、面向研究者和数据处理专家的工具，以及面向实践者的工具，其应用门槛由高到低。
1. 开发接口
此类工具与编程语言密切相关，功能强大完备，但需要使用者有一定的编程经验。其代表有JUNG、Prefuse和Guess等工具。其中JUNG是Java Universal Network/Graph Framework的缩写，提供了一整套扩展库以实现基于Java的社会化分析和图形化[14]。Prefuse是另一种基于Java的数据分析工具，后又推出了支持Flash制作工具的Prefuse Flare。[15]Guess是基于Gython（Python的一个扩展版本）的数据分析工具，带有完整的操作界面，可以通过Python语言直接输入指令完成数据分析。[16]此类工具对于编程技能的要求将绝大多数使用者挡在了门外。
2. 专家工具
Pajek、UCINet 和NetDraw等工具是这类工具的代表。它们服务于具有较高数据处理技能的研究者。其应用不再需要编程能力，但对使用者的数据处理能力提出了较高要求。这一类工具同样提供了强大的分析功能，可以实现一定程度的可视化，但操作较为复杂，生成图形的灵活性欠佳。此类工具适合专门领域的研究者使用，对于广大教学实践者而言，门槛仍然较高。
3. 实践工具
随着社交媒体的应用日益广泛，社会网络分析的需求日益扩大，一类面向实践者的新型工具开始出现。此类工具的特点是界面友好，应用便捷，但功能依然强大，在很大程度上减少了数据预处理的工作量。由于此类工具大大减轻了社会网络分析的工作量，为远程教育的一线实践者敞开了通向社会网络分析的大门。NodeXL、Gephi、Netminer等就是此类工具的代表。
其中，NodeXL的特点尤为突出：它与Excel这一日常应用非常广泛的工具深度整合，降低了使用门槛；极大简化了操作过程，实现了一键数据可视化；提供了多种参数调整，覆盖了社会网络分析的绝大多数需求；并可以从Twitter、Facebook等社交媒体中直接导入交互数据，有着极高的实践应用价值。本文将对NodeXL的使用进行介绍。
NodeXL功能介绍
1. 概况
NodeXL（Network Overview， Discovery and Exploration add-in for Excel）与微软办公软件Excel深度整合，以Excel2007/2010模板的形式使用。加载模板后，使用者可以在Excel工作表中对社会网络的基础性数据（如边的信息）进行添加和编辑，之后只需要点击一个按钮就可以完成分析，并获得可视化图示。
NodeXL的开发者来自微软研究院、马里兰大学、斯坦福大学等机构。该软件遵循微软公开协议（Microsoft Public License，Ms-PL），可以免费使用和分发，并可以在此基础上进行二次开发。
2. 界面与功能
（1） 界面介绍
NodeXL的界面以选项卡的形式出现在Excel 2010中，如图1所示。功能从左向右分为数据、图形、可视化属性、分析、选项和现实/隐藏6个标签组。原有的Excel界面被分割成了两部分，左侧是数据界面，右侧是图形化结果。
在左侧的数据界面中，包含社会网络相关的多个工作表。其中最重要的有边（Edges）、节点（Vertices）、群组（Group）和整体度量（Overall Metrics）四个工作表。右侧的界面主要显示社会网络的可视化结果，其中，“动态过滤器”可以依据各种度量值（如出、入度等）对社会网络进行过滤。“刷新图形”则可以根据数据的调整重新获取数据。
（2）功能特性
NodeXL的功能特点可以被总结为三个方面，即数据获取、网络计算和图形定制。现分述如下：
NodeXL可以导入多种社会网络分析工具（如Pajek、UCINET、GraphML等）生成的文件，同时可以导入一般数据文件（如cvs文件等），保持了良好的兼容性。
同时，NodeXL的一个特色功能是可以从社会网络媒体导入数据，可以从Flickr、Twitter、Facebook和YouTube中直接导入数据。只需要提供这些工具的账号和密码就可以方便地从中获取社会网络信息。
借助Excel，NodeXL可以非常方便地进行数据的输入和转换。由于，NodeXL的数据本身就在Excel工作表中，Excel对数据的编辑功能，如计算、排序和筛选等功能都是可用的，这为数据处理提供了很大方便。
图1 中左侧显示的数据即是笔者从Flickr中直接获取的用户交互数据。
网络计算与图形化
NodeXL可以实现出度、入度、相邻性、中心性、聚类等等常见社会网络计算。只需要输入边的相关信息，NodeXL就可以通过“分析”（Analysis）标签组中的“图形度量”（Graph Metrics）功能，计算出这些值并填充到Excel数据表中。“图形属性”（Visual Properties）中的“自动填充栏目”（Autofill Columns）可以自动填充节点、边和群组中的属性值。
在“边”工作表中输入数据后，只需要点击“刷新图形”就可以生成社会网络图形。如果图形过于巨大，或者包含的边过多以至于无法发现交互规律时。NodeXL可以实现自动生成子图（Sub-graph），对图中的每一个节点自动生成社会网络图形。。
图形定制与数据过滤
在图形初步绘制完成之后，还可以对其进一步定制调整，使得重点信息更为突出。在图形选项中可以对边和节点的颜色、形状和大小进行调整。还可以根据条件对不同节点设置不同颜色。下图2为图形选项设置界面，图3为定制后的图形，图4为动态过滤器界面。NodeXL支持通过多种参数对社会网络图形进行过滤，可以对出入度、各种中心性、集聚系数等度量进行调整，从而呈现符合特定条件的节点和边。
应用案例
下面将通过一个在线学习案例介绍NodeXL的使用过程。由于案例分析的目的是以说明工具应用为主，故此在介绍的方式上以数据分析的过程为主线。限于篇幅，在内容上仅涉及了整体交互行为的一个侧面，并不试图对案例中的交互情况进行全面分析。在研究方法上，本案例部分借鉴了Smith等人[16]的研究。
1. 案例介绍
本案例来自中央民族大学对新生开设的计算机基础课程。课程内容包括Windows操作系统、互联网应用、Office办公软件、多媒体应用基础等内容。课程采用了混合学习模式，包含12周网络学习和6学时面授。网络教学在自行搭建的Moodle教学平台中进行。参与课程的学生是通过入学考试选出的计算机水平较高的一部分学生，共有106名，来自全校各个院系。
在学期初，教师在课程中安排了一个相互认识环节，要求学生在Moodle中完善自己的个人信息，包括兴趣爱好等，之后，访问其他同学的个人信息，以增进相互了解。教师建议每个同学至少访问5个学生的信息，但并未强制要求。学生之间相互访问的行为数据被记录在Moodle平台数据库中。
2. 分析过程
（1） 数据获取
在此次学习活动中，Moodle共记录下了586条交互数据，涉及106名学生和两名教师（如图5）。Moodle支持行为数据的导出，可以将数据导出成Excel文件。导出的数据可以直接复制粘贴到NodeXL模板中的边（Edges）工作表中，如图6所示。
（2）整体网分析
在初步分析时，在“图形”（Graph）标签组中将网络类型设置为无向图（Undirected）以获得交互的整体图景。点击“刷新图形”，NodeXL将自动生成节点信息，填入节点工作表中，并显示图形，见图7。在NodeXL选项卡中点击“分析”标签组中的“图形度量”按钮（Graph Metrics）后可以计算出社会网络的重要参数，包括出度、入度、中心性、密度等信息，如图8所示。
（3）图形定制与数据过滤
通过整体分析已经得到了此次学习活动中的整体交互面貌，但其由于交互信息过多，图形过于复杂，并不能得到清晰结果。如果对各个节点的大小、颜色等根据各个度量值进行调整，可能会更为清晰地了解该活动中学生的交互情况。
在本案例中，度和集聚系数是度量交互状况的两个重要变量。其中，度代表着学生与他人交互的频繁程度。集聚系数则代表着学生与其他学生联系的紧密程度。集聚系数越高表明其节点成团的程度越高，也就表明了学生聚合成小团体的程度越高。于是，通过”自动填充栏目”（Autofill Columns）针对这两个参数值对图形进行定制。
其中，将颜色设置为按照集聚系数从绿色到红色渐变，半径大小设置为其度值，得到的结果如图9所示。可以看出红色节点都较小，而绿色节点则可以很大。这表明了，集聚系数较高（红色）的节点，其度反而小。也就是说，在本案例中，与周围小团体联系紧密的学生，没有与其他学生进行频繁交互。鉴于集聚系数和度可能会产生相互影响。这时有必要分别把出度和入度情况进行研究。
网络类型设置为有向图（Directed），重新生成图形（见图9），可以对各节点的出度和入度进行分别讨论。出度与教师布置的任务直接相关。教师在布置任务时建议学生访问5个以上其他同学的信息。达到了这一要求的同学其集聚系数和出度的情况是怎样的呢？在“动态过滤器”中选择“出度”，将其值最小值调整为5，结果见图10。图中剩余的节点颜色更接近绿色。这表明了这些访问了较多其他学生信息的同学与周围小团体联系的紧密程度较低。其中，两个同学的情况非常典型。图10中两个最大的节点所代表的学生，其访问其他同学信息的情况最为频繁，但颜色是很浅的绿色，代表了与他人联系紧密程度很低。
在“动态过滤器”中选择入度，并进行调整。发现将其值最小值调整为4时，两个节点都在图中消失了（见图11）。这说明两个节点所代表的学生被访问的次数很少。至此，发现度最大的两个学生，其集聚系数很小。为了进一步分析这一现象，需要分析学生个人的交互情况。
（4）个体网分析
为了分析每个学生在活动中的交互情况，需要对以学生个体为中心（Ego-centric Networks）的网络进行分析。选择“分析”标签组中的“子图”（Subgraph Images）可以把每个学生的交互图输出到特定文件夹中。在“图形”（Graph）标签组中选择“自动生成”（Automate）可以将每个学生的子图以及相关信息插入到Excel表中。图12是计算后所生成的图形和数据。为了便于讨论，仅截取了相关部分的数据。
可以看出，前文所述集聚系数较低而出度较高的两个学生的数据，相应节点的入度分别为2和3。也就是说仅有两三个学生访问过他们的信息。这与其出度（均为42）形成了鲜明对比。显然，这是两个不同于一般同学的学生。至此，社会网络分析将笔者从交互的整体图景导向了一个具体的交互现象。对于这个现象将在后文进行解释。
3. 讨论
在上述分析过程中，首先对学习活动进行了整体性分析，之后对个体的中心度和集聚系数进行了进一步分析，在分析过程中，通过不断调整相关参数发现了一个交互现象。诚如西门斯所言，社会网络分析，乃至整个学习分析，不一定能对学习过程给出全部答案，但一定可以让研究者去问更多问题。在此环节中，笔者将对本研究发现的问题进行解答。
总体而言，案例中学习活动所形成的是一个稀疏的网络，其密度仅达到了0.06，表明整体交互并不频繁。造成这一现象的主要原因有两个，一是这个学习任务并非强制，二是任务发生在网络学习的初始阶段，学生对网络学习的自主性不强。然而，在这个稀疏网络中却存在着两个与其他节点交互特别频繁的节点。
特殊节点的发现来自于对各个节点的度和集聚系数的考察。其中，度代表了单个学生和他人交互的频次，集聚系数代表了学生与他人形成小团体的程度。一般而言，如果一个学生与他人形成了交往密切的小团体，应当有着较高的度，同时有较高的集聚系数。但在本案例中，却发现了两个很特殊的节点，其度非常高，但集聚系数却非常低。进一步对这两个节点分析出度和入度情况表明，这两个学生的出度很高，但入度极低。
这个现象意味着什么？社会网络分析自身已经不能给出解释。笔者通过对这两个学生进行访谈发现，他们在班级中没有太多熟悉的同学，所以很希望结识更多新朋友。这一发现印证了分析结果。在后期学习中，教师安排这两个同学担任小组长，负责一些在线活动的组织协调，其表现积极活跃。
4. 小结
以上案例描述了NodeXL中一次社会网络分析的过程，包括了从数据获取、整体分析、图形定制、数据过滤到个体分析的全过程。其中，首先，通过Moodle平台获取了学生数据。之后，对其进行初步分析获得了整体交互情况。接下来，根据需要对形成的网络进行了参数调整，实现了动态过滤和图形定制。从而更为清晰地反映了交互状况。最后，针对网络中发现的特殊节点通过子图生成功能进行了个体网分析，更为清楚地了解了特殊节点代表的学生的交互情况。补充进行的访谈印证并进一步解释了交互状况及其原因。案例分析体现了从原始行为数据到宏观交互图景，再到微观交互现象的过程，具有典型意义，展示了NodeXL对社会网络分析的功能特性。
诚然，正如前述，本文中的案例分析重在展示一个NodeXL数据处理的完整过程。基于这一目的，笔者从教学实践者的角度，描述了如何针对一个教学活动展开分析的真实过程，从整体图景，渐渐聚焦到一个特殊的交互现象，再通过访谈对其进行深入挖掘，最终基于分析实施了教学干预。
通过本案例的分析过程可以获得两个结论。第一，社会网络分析可以呈现交互过程的全貌和细节，有助于描绘交互过程，发现交互现象。第二，社会网络分析并不能对交互过程进行全面解释，交互过程的分析需要多种研究方法的整合。从这两个结论也可以发现本研究的局限，即没有在设计阶段将多种研究方法考虑在内，因此对于交互过程分析的深入与全面程度不够。在后续研究中，将试图整合社会网络分析、内容分析和学习行为的统计分析对在线学习交互过程进行分析。
总 结
NodeXL代表着交互分析工具发展的一个新方向。它降低了分析门槛，与使用者较为熟悉的工具软件Excel相结合，可以直接从Web2.0工具获取数据，通过便捷的操作实现数据分析，并通过灵活的方式实现了依照条件的数据过滤和可视化图形的定制。这在很大程度上降低了数据获取、处理和呈现的难度，让使用者可以专注于对交互现象的分析和解释。
NodeXL带来的便利不仅造福于研究者，更造福于实践者。远程教学实践者在教学中有条件积累大量数据。如果能够对这些数据进行分析，无疑会成为教学评价和教学干预的重要依据。但工具应用的复杂性往往将实践者挡在了学习分析的大门之外。NodeXL所代表的工具较好地解决了这一问题，从而为教学提供了更多实证性证据。
《数据库原理》这门课程的特点是专业术语较多，各部分知识点较杂乱，不易贯通。部分章节内容还有些抽象，特别是有关“范式”和SQL语言的章节，这让有些学生学习起来往往感到力不从心。其实，我们只要采用有效的教学手段，让学生掌握正确的学习方法，有目的性、针对性地学习，就可以事半功倍，收到良好的学习效果。
1.讲解基础知识，把握学生认知规律
许多学生在学习数据库原理时，总觉得入门迟、得道难，一方面是由于学习重点的偏差，只注重语言知识的学习，忽略了逻辑思维能力的训练；另一方面是学习方法的偏差，只注意新知识的学习，而忽视了知识体系的融会贯通。
掌握方法论是大学生应具备的基本素质，不同的学科既有共性的方法论，也有各自的方法论。就数据库原理与设计而言，其主要的方法论是逻辑思维能力，这种逻辑思维与数学思维有许多共同之处，也有自己独特的地方，即与计算机紧密联系在一起的特点。
在学习数据库初期，我们会向学生讲授有关数据库的相关概念，可以如此逐一介绍。首先介绍数据，所谓数据（DATA），就是对现实世界客观事物的符号描述，分为数值型数据和非数值型数据。所谓数据库（DB），就是数据的仓库，是指能够长期存储的、大量有组织的数据的集合。从广义范围来看，可以说是任何一张二维表，包括用Excle或Access建立的表格。但从专业角度来说，它只意味着用数据库软件建立的文件的集合。严格地说，数据库是相关数据文件的集合，而不是指单个文件。所谓数据库管理员（DBA），就是管理和维护数据库的人员。所谓数据库管理系统（DBMS），就是管理和维护数据库的软件的集合。经过这种介绍方式，学生对数据、数据库、数据库管理员、数据库管理系统就熟练掌握了。
2.循序渐进教学，构建完整知识体系
《数据库原理》这门课程的主要内容有SQL语言、关系代数、关系演算语言、数据库设计与保护、关系理论等章节，最后以数据库系统设计实例为总结章节，对设计实例章节进行了规范和完善，给学生一个完整的实际应用的示例，使学生学以致用，扩宽学生的视野，提高学生的实际应用能力。关系代数和SQL语言这两章节的内容难度都不大，只要学生熟练掌握各种语句的关键词及其应用，透彻理解书中的例题并且多做多练就可以帮助自己熟能生巧。关系数据库的规范化理论部分属于需要多看多记的内容。第一范式，第二范式……这些概念非常抽象，学习的关键是要抓住数据依赖关系来区分各种范式，要弄清改变各种范式最终的目的是优化数据库，并把各种概念应用到实际例子中来记忆就可以大大提高学习效率。
在学习关系数据库设计理论这一章节时，很多概念比较抽象，难于理解，需要学生上课认真听讲，老师会结合实际应用实例讲解，多听多想多提问，就可以在脑海中把数据库的知识要点串成一个逻辑严密的知识体系。
数据库设计章节的内容则属于记忆加应用的类型，在熟记设计步骤的基础上，要反复阅读书中的例子以加深理解。学习数据库设计时必须要对整个数据库设计流程有清晰的认识。数据库设计分为六大阶段：需求分析概念结构设计逻辑结构设计数据库物理数据库实施数据库运行和维护，各阶段的主要任务及其生成的相关文档都要清楚明确，学生在老师的引导下，参照书中图书管理系统的设计，理解各个阶段的设计内容、设计方法和设计工具，会收到很好的效果。所以，在整个学习过程中要由浅入深、循序渐进，注重知识体系的完整性。
3.立体化教学环境，培养学生应用能力
大学学习生活中应重点培养学生的能力，以使学生步入社会后能够适应知识不断更新的需求。在教学中，我们利用课堂、机房、网络等空间，构建立体化的教学环境，把传授和理解，思考和验证、理论与实践结合起来，启发和调动学生的学习积极性，逐步提高学生的能力。
利用教室空间进行课堂教学，采用“提出问题一分析问题一引入新知识一解决问题-总结提高”的任务驱动的教学模式，从而使学生印象深刻、记忆牢固，对启发思维、激励情趣、提高学习效率起到重要作用。加强机房实践环节，老师要精心设计每一个实验及实验步骤，让每一个实验起到应起的作用。“精讲多练”，强化上机实验教学，是提高学生能力的重要环节。
利用网络空间开设课程网站，提供了比较完善的网上教学资源，包括电子课件和电子教案可供下载；网络课程集中了本课程的知识点、重点和难点，使学生能根据自己的需要，进行交互式的自主学习；按照讲课的顺序，每章都配有同步练习题，供学生预习和复习；每章都设有网上自测题，供学生自我测试，以调动学生学习积极性。
4.利用课余时间，积极参与社会实践
在授课过程中，本着因材施教的原则，对理论知识扎实、兴趣浓厚的学生，组成兴趣实践小组，让他们利用课余时间参与实践训练，可以在实践过程中把抽象的理论知识理解运用得更透彻。为学生提供机会参加一个数据库系统的实际项目设计，运用所学的数据库设计理论来指导实践，让学生实地调查了解数据库系统，分析各个系统的功能及其应用领域，指导学生自己用SQL语言做一个数据库管理系统，可以加深学生对前后理论知识的融会贯通。通过市场调查了解，加深学生对数据库技术的理解和认识，调动学生对数据库技术的兴趣和系统设计能力，使这部分学生在得到较快提高的同时，也带动了全班整体学习风气的改善。
5.结语
《数据库原理》是一门理论性、系统性和实践性都很强的课程，承担本课程的教师还应注意自身知识的不断更新和提高，采取符合学生认知规律的科学的教学方法，并根据学生的特点和专业来组织教学，在解决实际问题的过程中掌握数据库原理的方法和数据库技术的应用，必然会提高教学效果，为社会培养需要的实用型技术人才。
参考文献：
[1]钱雪忠，罗海驰，陈国俊.数据库理论及技术课程设计[M].北京：清华大学出版社，2009
教与学过程中的大数据采集和技术挑战
近些年最热的“题库”类应用，也是基于大数据的教育应用细分行业。越来越详尽的知识点体系，不断优化的交互反馈，使其成为很多教师、学生常用的在线学习工具。通过在线的形式，在用户使用过程中可以积累大量的学习行为数据。这些数据不仅包括答题的结果，还包括学习者的答题过程、时间、速度、停顿甚至部分思路，这样就可以让学习者更加方便、有效地提升自己的学习效果。在这一方面，我们的题库还有相当多需要努力的地方。从用户体验角度看，倒是移动端的App相对好些，例如魔方格。
相比题库这一类产品，以微课、MOOC为代表的新一代视频学习载体，则帮助学习者快速地获取学习资料，与全世界范围内有相同兴趣的人结成学习小组，通过互动讨论，促进共同的学习和进步。在这一过程中，我们可以获取到更立体的关于学习者的信息。比如，通过视频播放过程的观察，通过在线互动和课后作业完成情况的追踪，我们可以越来越真实地建立起学习者模型，从而为更好的课程和更有针对性的教学服务提供有力的参考依据。正如岳雷老师在网上教师实名互助社区中所说，微课最大的价值之一就是获得学习者的数据，更有效地支持他们的学习。Coursera（世界三大MOOC平台之一）发展团队中国区业务负责人伊莱・布林德博士介绍说，他们的平台会给教课的教授提供数据分析工具。通过这个工具，教授能够看到有多少学生看了他的视频、学生看了几遍这个视频;教师可以通过监测学生的具体表现，及时调节学习内容。他说，若学生不直接使用Coursera平台，而采取翻转课堂的学习方式，平台上的数据则可以帮助教师甄别哪些是学生已掌握的内容，哪些是学生需要进一步练习的内容。数据分析工具还可以应用于学生的互评活动。比如，可以通过数据把那些花了不到一分钟就给出的评价去掉，只取可靠的学生评分。同时，从研究者的角度看，平台记录下的所有的学生行为，可用于对不同教育问题进行深入研究。
电子书包经过多年的努力，在国内部分学校展开了实验性使用。电子书包最大的改变就是每位学生都配备了一台数字化的终端。当学生有了这台终端后，对其学习过程的数据采集，才有了坚实的技术支持和可能性。在笔者分析的电子书包7大杀手级应用中，“评测和数据分析”位列第一。这也是电子书包行业内做得最突出的一个功能，让教师、学生、家长、领导、专家都叹服于数据的瞬时即达。基于数据库的数据分析让用户实现了梦寐以求的愿望。将来，随着电子书包监测能力的提高，其收集的数据将不仅仅是使用学习应用产生数据，还将记录学生在学习活动中个体行为表现，比如学习时眼到书本的距离、体态位置、用眼强度等，从而实现从单纯的知识学习到健康学习的转变。
所有这些数据的处理基础在于构建于云端的数据中心集群和新形式的结构化、非结构化的数据库和数据挖掘工具。这些工具能够让我们更便捷地搭建起有力的数据模型，不论是基于群体行为的“大”数据模型，还是针对学习个体或者典型学习群组的“小”数据仓库。
然而，无论“大”还是“小”，所有这些应用都存在一个前提，就是我们能否用一种更有效的方式获取到更多的全面、真实的数据。而这一点，对于教育行业的大数据应用，则尤其需要重视。
获取数据的真实性需求，意味着数据的提供者不能“主观地”提供“假”的数据给系统，否则基于此的数据挖掘和分析就变得越来越有局限性。这点在题库类型的应用中会表现得比较突出，学习者为了得到较好的结果，往往会尝试通过一些手段“欺骗”系统。比如，笔者曾在一次实验中发现，某个班级的学生在在线试卷的完成过程中，有相当比例的学生完成试卷的连贯性非常不好，甚至在提交作业后又会主动要求教师重新布置作业让其重做。深度访谈后发现，这其中很多学生为了获得足够好的成绩，会主动通过其他途径取得答案（比如提交一次，记下答案，要求重做，或者QQ上向其他已经提交的同学要答案）。这种情况下获得的学习数据，多少会有一些失真。真实数据的获取，最佳的状态应该是提供者根本意识不到数据被采集，或者至少没有主动作伪的动机，而学生为了取悦教师、家长，则经常有作伪的动机。从这个意义上来说，获取高可信度的数据是有困难的，需要从技术策略上对其进行有针对性的设计。
物联网在教育教学数据采集过程中具有天然优势
前述所有的数据获取来源，几乎都是“线上”通过PC或者移动终端获取而来。对于教学来说，当下还是有大量的学习时间、学习过程是发生在线下而非线上。教室中，家庭里，人与人之间的真实的互动反馈，通过线上的交流来替代，显然还是一种幻想。这就给数据采集带来了另外一个难题：怎样采集到更多的线下发生的学习数据？最近几年，越来越成熟的物联网技术和可穿戴设备，给我们提供了一条新的思路。
物联网技术应用到教育教学数据采集过程中，具备天然的优势：首先，数据采集过程，对于使用者来说是“离线”的，而非“在线”的;其次，数据的收集，大部分是学习者无法干预的;最后，这些数据的收集对传统业务流程的“改革”更小、“改善”更多，可以大大减少业务推进的阻力。
这样一种技术在最近几年越来越多地被引进到教育系统中来，从各个角度协助教育部门调整、改进管理和教学手段，提升教育服务质量。这其中，最早也是最普遍的应用，应该算使用智能校徽的校园门禁和安全管理系统。这类应用多数基于2.4GHz通讯的有源卡加接收器件，也有一些通过其他的Rfid无源卡辅以较大功率的有源天线加以实现。使用这样的系统后，学生可以自然上下学，无需在通过校门的时候刻意地到某个刷卡机器上刷卡，其位置信息就可以自动记录下来。类似的技术解决方案在矿山、物流等需要复杂的定点定位的系统中也有非常成熟和精巧的案例。
虽然上下学签到这样的业务对于校园日常的教育教学工作的影响非常有限，但却为物联网进入校园开了一个好头。当教师和学生开始拥有如Rfid卡片这样的物联器件的时候，我们就有可能采取更多、更有效的手段去深度挖掘其应用空间。
同样基于2.4GHz通讯的抢答器应用就是一款活跃在很多中小学课堂中的应用。它的操作非常简单，就是通过几个简单的按钮，收集课堂上学生对于某个问题的理解或者对某个作品的评价，并且即时产生出统计图表，这样可以更加方便地让教师获得学生的反馈信息，更好地组织教学。
最近跟着STEAM系统进入一些校园的传感器实验室应用，则是一种更加Geek式的操作，它构建一个相对封闭独立的小环境，集成温度、湿度、化学等多种传感器，利用摄像头、麦克风和互联网的辅助，帮助学校记录一些长期性的探究性课程，并借助网络让更多学生参与进来。比如，可以利用这套系统观察一株植物的全部生长过程，生成成长图表，记录观察日记，等等。唯一遗憾的是，这类系统对于学习者本身的观测和数据记录相对比较匮乏，更多属于教学探究工具。那么，有没有直接深入日常课堂教学流程，采集课堂学习数据的物联网技术形式呢？2014年的普教展上有一种基于物联网的教棒，让我们看到了这种方向的实践。
图1 兰尺魔法教棒
案例：兰尺魔法教棒
兰尺魔法教棒利用物联网技术实现了教学过程中数据的采集。它在一根类似于教鞭外形的“棒子”上集成了诸如传感器、通讯模块等元器件，可以对学生的电子学生卡、ID卡进行扫描、感应。只要是利用Rfid、NFC标签做成的卡片，都能被它识别出来，从而实现教师对学生的数据评价操作。当教师想要表扬或者批评某位学生的时候，只需要用这支教棒轻轻触碰学生的学生卡，相应的表扬或者批评的数据就可以实时记录在系统中。更加神奇的是，在教师的电脑屏幕上，还可以出现对应操作的动画效果。比如，表扬学生可以在屏幕上出现一朵小红花或者五角星。这种交互效果对于传统的课堂评价方式来说，是一种有趣的变化。教师不再需要烦琐地在黑板上记上名字，等下课再给学生发贴纸或者盖章，只要用“教棒”轻轻一点，整个操作就可以完成（如图1）。每一次评价操作，会伴随着一条线下数据的电子化记录，其中包含了学科、班级、时间、设备、教师、学生、评价操作、评价量值、对应维度等非常丰富的信息。系统中针对数据还可以做各种进一步的处理。比如，发小红花的同时，还可以给家长发一条信息，便于家长更好地了解孩子学情;或者有针对性地处理发小红花的数据，形成对教师教学过程或者学生个人发展的一些数据报表（如图2）;或者学生可以将获得的小红花兑换成为积分，实现二次激励（如图3）。相关业务系统同样采用物联网技术实现，学生只要拿着自己的学生卡即可将自己课上获得的小红花、积分兑换成奖品、奖励。
这种基于物联网的新一代教学工具和应用的出现，标志着物联网技术与教学的深度融合，为进一步的教学信息化改革提供了一条更加切实可行的选择道路。2014年北京和成都就提出了在2015年要实现100%的校园无线网络建设目标，那么基于无线环境下的高价值应用必将是众多学校在2015年要发力的方向。如何发挥校园无线网络的作用，除了已经初具形态的移动教学、移动OA外，教学评价、学生评价的无线网络大数据应用，必将成为行业应用的热点。
图2
图3 学生兑换积分
中图分类号：G642.0 文献标识码：A 文章编号：1007-0079（2014）23-0078-02
随着互联网的飞速发展，计算机应用技术已经渗透到社会生活中的各行各业。当人们用计算机来解决实际问题时，就要考虑数据的表示和数据的处理，而“数据结构”课程的主要研究对象就是数据表示和数据的处理。目前，“数据结构”已经成为高校计算机专业的重要基础性课程。一方面学生通过学习“数据结构”课程扩大和加深了从离散数学、编程语言获得的方法与技术；另一方面扎实掌握“数据结构”课程内容也为“操作系统”“高级编程”“算法设计”以及“软件工程”等课程的学习打下了坚实的基础。
由于“数据结构”课程具有较强的理论性，传统的授课模式和方法不能达到教学目的。许多学生在学习“数据结构”课程时会认为乏味无趣，无法领会该课程的学习目的，最终导致学生的学习效果不理想。针对上述问题，本文提出问题驱动法来弥补“数据结构”教学中的弊端。
一、研究学生心理，强调问题驱动式的教学
目前大部分高校都是使用C语言版的《数据结构》教材，这就要求学生应具备良好的C语言基础。很多高校的C语言教学还处于应试教学模式，并不重视学生程序设计能力的培养，仅仅通过课堂上教师的讲解，没有学生实际的练习操作，他们对诸如数组、结构体、指针等数据类型仍缺乏认识，也无法理解函数、函数的参数、函数的返回值、函数调用等知识点，更无法明白递归及递归过程。但是这些知识点在“数据结构”课程中的使用频率很高，[2]是该课程的重要基础。而在“数据结构”课程教学中，尽管教师在课堂上不厌其烦的讲解，但学生无法真正理解，导致教学质量不高，学生对数据结构的学习兴趣也大大减弱。[3，4]
针对“数据结构”课程教学中存在的上述问题，本文提出问题驱动式教学模式。问题驱动法不同于其他教学方式，是一种基于建设性教学理论的教学模式。这种建设性教育理论如下：学生的学习动力来源于有待解决的问题，教师的职责是帮助学生探索问题，引导他们找到问题的解决方法；然后学生通过教师的指导以及与同学间的讨论解决问题。在实际应用中，本文从程序设计师的视角对数据结构进行讨论，以问题为驱动，以应用为目的，对于每一种数据结构发展逻辑、表示方式进行解析，生动具体地演绎其中的内涵和道理。在具体实施时，应着重注意怎样将想法转换为设计，将设计转换为具体程序，将数据结构应用在实际程序设计中，从而帮助学生化抽象为具体，降低学习难度，提高学习兴趣。以图书馆查阅系统为例，学生可以如何检索所需书籍为引导，教师询问学生实际程序设计解决检索问题时用到哪些数据结构，讨论使用哪种数据结构更好。本着由简单到缜密的思路，可以先不用任何数据结构，会发现无法构建检索模块；之后采用常用的数据结构，会发现虽然可以构建检索模块，但是效率非常低；最后可以引导构建更为精巧的矢量结构、树结构、索引表、哈希表结构等。这样，围绕一个问题来实现程序设计，涉及到一系列的数据结构，从而让学生感受到各种数据结构不是凭空出现的，而是由于问题驱动经过逻辑上的逐步推理而得来的，从而帮助学生更加深入有趣地学习掌握数据结构。
问题驱动式教学模式不仅增加了学生在学习过程中的理解、记忆和推理等思维活动，还增强了学习的指向性，学生通过查阅资料探索问题。这种教学模式体现了以学生为主体、教师为主导的教学理念。在整个教学过程中强调学生的主体性，意在激发学生在学习过程中主动性、积极性和创造性，教师起着组织、引导、促进的作用。同时，学生是整个知识构建过程的组织者，通过主动、有目的地获取学习资料来实现学习的目标和任务。问题驱动法的关键是问题的设计，明确的问题有利于学生完成最终的学习任务，为此问题驱动法在实施过程中，要求教师必须根据课程内容、学生的认知能力和实际情况提出问题，以解决问题的方式引导学生主动学习和思考；教师设计的问题既要包括课程的主要知识点，又要循序渐进；同时教师要不断鼓励学生大胆尝试，激发他们的发散性思维。
二、建立起自主探索与协作的实践环节
问题驱动式学习旨在通过独立分析和解决问题的过程来培养学生自主学习能力以及解决具体问题时的协作学习的能力。所谓的自主学习，就是以学生作为学习的主体，通过学生自己的努力，自觉、主动、积极地获取知识。它要求学生在学习过程中独立地分析、探索、实践，充分发挥自身主动性，根据自身行动的反馈信息来形成对客观事物的认识和解决实际问题的方法。协作学习是在自主学习的基础上，通过小组协商讨论的形式，进一步加深对知识的理解和认识。学生通过协作学习，可以看到问题的不同侧面和解决方案，拓宽了学生解决问题的思路，对知识点也会有新的认识与理解。
在数据结构的实验教学部分，重点培养学生自主学习与协作学习相结合的能力，具体实施时将实验题目设计为必做题目和选做题目。教师制定必做题目，可以有目的的帮助学生夯实基础知识。教师在制定实验题目时应注意以下几个方面：一是选用难易适当的题目，通过该题目，学生能够较容易地理解和掌握数据结构的基本理论与方法；二是题目要紧贴学生的日常生活和学习，有助于激发学生的学习兴趣，调动他们的积极性；三是题目要充分应用到理论知识点，理论与实践相结合，真正达到学以致用，增强学生的实践能力，激发他们潜在的学习兴趣。这种问题驱动式的教学方式，不仅激发了学生自主求知的欲望，而且让学生也体会到了实验成功的喜悦。选做题目注重培养学生的实践操作能力以及创新思维。在此阶段教师以“导师”的身份出现，学生充分发挥主体作用，变过去“被动”学习为“主动”学习，在教师的指导和帮助下，主动搜集和查阅一些参考书、网络学习资源，通过自主探索和协作学习找出解决问题的方法，提高自主学习能力。当学生在解决问题时，可自由组合成组，2～3人适宜，明确分工，发挥各自长处，协作完成学习任务。教师对整个组的进程进行跟进指导。小组可以定期开小组会议，大家围绕一个主题展开讨论，取长补短，充分发挥共同学习、协作的精神，共同完成任务。所有题目采取一组一题制，避免抄袭。由此一来，学生在问题驱动的环境下，将生硬的课程知识生动具体的应用到实际项目中，进而对数据结构中的重难点知识进一步完善和重构，有效提升了自身的实践操作能力。
三、建立起公平的实验评价环节
教师对学生的实验结果给出正确的评价，同时在实验结果的基础上扩展纵向或横向思维，拓宽学生的思路，激发学生对数据结构的学习兴趣和竞争意识。在课程中，以小组为单位来完成实验，然后大家交流心得，相互点评。评价的标准如下：一是在实验中反映出学生对数据结构知识点的掌握应用情况；二是小组内部成员的合作沟通能力；三是学生自主学习能力；四是学生的创新能力等。当要求学生在大家面前展示自己的实验结果时，他们往往会完成的更好，细枝末节的问题也会考虑到。与此同时，同学间的相互交流能够集思广益，取长补短。通过实践证明，公平的实验评价环节是有效的、很有必要的，能巩固知识、完善结构、开阔思路。
四、建立相配套的评分机制
随着教学环境和社会环境的改变，考核体系也由传统的卷面模式转变为理论和实践相结合的模式，这样才能全面、客观、公平的考核学生学习该课程的水平。从两方面对“数据结构”课程进行考核：一是对该课程的理论知识点的考核。该考核主要针对理论知识的学习，采用卷面的方式。二是对学生实践能力的考察。该考核既注重学习的结果，也注重学习的过程和态度。因此对于实践能力的考核，沿着设计思路、代码的编写、实验时遇到的问题以及如何解决等线路进行，采取面对面交流的方式进行考核。
理论是实践的基础，实践检验并补充理论。采取上述评分机制促使学生理论实践两手都要抓，激励学生灵活运用所学的知识。另外，该评分机制既可以考察出学生的真实水平和能力，又有效地杜绝了少数学生的抄袭行为，更有助于推进教学质量的提高，激发了学生学习的积极性和主动性。
五、结语
将问题驱动教学法应用到“数据结构”教学中，通过与算法的适度分离和与程序设计的更加靠近，将数据结构的功能、程序设计实现和具体应用植入到学生的头脑中，以使学生能够使用各种数据结构来编写出真实有用的程序和软件，从而提高学生的实战能力。
参考文献：
[1]鹿.数据结构与算法课程教学方法的思考[J].计算机教育，
2010，（5）：88-90.
[2]范莉丽，彭涛.基于C语言的数据结构教学技巧[J].计算机教育，2011，（18）：61-64.
2.解决学习型党组织创建活动有实际成效而无综合评估的问题。学习型党组织创建是全党的统一行为。在未能制定出统一评估体系之前，评判一个县、一个市乃至一个省的创建活动开展是好是坏、是快是慢，与同级其他成员相比处于什么样的水平，是相当困难并且充满主观因素的工作。广大受访的党员干部提出，可以通过对基层党组织“创学指数”的汇总分析加工，进一步得到一个单位、一个县、一个市甚至全省的“创学指数”。由于“创学指数”指标体系在全省范围内都是统一的和通用的，因此“创学指数”可以顺利地实现横向比较和纵向比较，并在最大程度上排除人为因素和其他主观因素的干扰，为综合评价创建工作提供了有力工具。
二、“创学指数”的设计
《中央党内法规制定工作五年规划纲要(2013-2017年)》强调，要“健全学习型党组织建设制度”。在大数据越来越成为分析、评估、预测事物发展状态、趋势这一背景下，编制、创学指数既是落实这一要求的重要举措，也是推进学习型党组织创建规范化制度化的重要载体和有效手段。我们认为，学习型党组织创建指数，是全面反映党组织“学习型”建设综合变动向度和程度的度量值。从方法论上讲，就是在建立一套指标体系的基础上，通过实际状况和权重的计量综合测算出创学指数，客观全面动态地反映学习型党组织创建的总体状况。从统计学上讲，是一种描述性、评价性、预测性兼备的技术性测量工具和动态反馈系统。编制创学指数，必须把握好科学完备、符合实际、简便易行、行之有效的基本原则，明确测评主体，理清基本要素，细化测评指标。
1.理论依据及基础。通过查阅中文文献资料，关于学习指数的相关研究成果鲜有。2009年，学习型中国促进会了《中国中小企业学习指数》，企业学习指数成为中小企业打造学习型组织、提升可持续竞争力的年度权威指标；[1]华东师范大学人才资源研究中心叶忠海教授提出了学习型社会建设量化的核心问题，认为“为科学有效而简明地量化并把握学习型社会建设的进程，学习型社会建设者有必要研究、探索和掌握‘社会学习指数’”[3]；深圳市委党校领导干部考评(研究)中心的龚建桥同志提出了“干部学习指数”问题，认为“干部学习指数是促进干部学习的一种有益尝试，将有利于在促进干部学习的工作中实现从概念到方法到成效诸方面的转变”[3]。同时，关于学习型城市建设评价、学习型党组织建设评估的实践探索日益增多，如湖南省自2011年以来已连续了3届的“城市阅读指数”。目前，指数评价已从传统的经济系统走向经济、社会、文化各个方面，“软实力也要硬指数”、文化领域的“CPI”“PMI”“PPI”等成为评估、指导宣传思想文化工作的新举措、新亮点。全国范围内，“幸福指数”、“文明指数”、“创意指数”等在实践中不断完善，这些都为学习型党组织创建指数的建构、编制提供了理论依据、心理预期和实践参照。
2.指标体系的构建。制定指标体系是构建学习型党组织创建指数的关键环节。什么样的党组织才是学习型党组织？这个问题在调研中反复被提及。对各级各类党组织学习型建设水平进行科学量化和评估，关键在于构建科学合理的指标体系，使之既反映创建工作的总体要求，又能反映学习型党组织的内在特性、核心要素和建设规律。问卷调查中，在“您认为创学指数最核心的要素是……”这道题中，有37%的人选择了“创学任务体系”、45%的人选择了“创学保障体系”、53%的人选择了“创学成效体系”，还有4%的人认为是“学习目标体系”、“要素指标”、“行为指标”和“效果指标”。在座谈中，有些同志提出，指标体系的设置，从一级指标到三级指标要越来越具体。在调查研究的基础上，我们拟将创学指数评价指标体系分为三个层次，一级指标分为3个：创学任务体系、创学保障体系、创学成效体系。(1)创学任务体系。问卷调查中，在“您认为创学任务体系最核心的要素是……”这道题中，有28%的人选择了“创学目标”、53%的人选择了“创学环境”、31%的人选择了“学习内容”、74%的人选择了“学习方式”、55%的人选择了“创学活动”，还有2%的人提出“学习理念”和“学习氛围”。将创学目标、创学环境、学习内容、学习方式和创学活动作为创学任务体系的二级指标，得到广泛认同。在座谈中，一些同志提出，学习型党组织建设是“一把手”工程，而要抓好这个“一把手”工程，首要的就是要抓好党委(党组)中心组学习这一龙头工程。据此，我们认为，评价创学任务体系的二级指标为创学目标、创学环境、学习内容、学习方式和创学活动，其中，学习方式的权重值应高于其他四个二级指标。(2)创学保障体系。在座谈中，许多同志提出，一个单位的学习型党组织建设是否抓实、抓细、抓深，关键要看创学组织机构健不健全、经费投入到不到位、设施保障充不充分和制度机制完不完善。问卷调查中，在“您认为创学保障体系最核心的要素是……”这道题中，有29%的人选择了“组织保障”、37%的人选择了“经费保障”、18%的人选择了“设施保障”、57%的人选择了“制度保障”，还有2%的人提出“措施保障”和“时间保障”。将组织保障、经费保障、设施保障和制度保障作为创学保障体系的二级指标，得到广泛认同。要推进学习型党组织建设常态、长效，必须通过建立制度机制来固化。据此，我们认为，评价创学保障体系的二级指标为组织保障、经费保障、设施保障和制度保障，制度保障这一指标的权重值应最大。(3)创学成效体系。问卷调查中，在“您认为创学成效体系最核心的要素是……”这道题中，有49%的人选择了“以学立德”、32%的人选择了“以学增智”、57%的人选择了“以学兴业”，还有3%的人提出“以学提能”。将以学立德、以学增智和以学兴业作为学习成效的二级指标，得到广泛认同。座谈中，一些同志指出，建设学习型党组织的落脚点，应是提高党员干部思想政治素养，推动本地区本部门本单位党的建设，进而促进本地区本部门本单位的工作。据此，我们认为，评价创学成效体系的二级指标为以学立德、以学增智和以学兴业，其以学兴业的权重值应最大。为了实际测量需要，二级指标应分解为若干三级指标，我们在吸收调研中一些同志提出的观点和建议的基础上，通过认真研究，设计了学习型党组织创建指数指标体系。
3.创学指数的生成。创学指数生成可依照四个步骤进行：第一步，宣传动员。通过多种方式，向各级党组织宣传学习型党组织创建指数开发与的重要价值，动员各级党组织和广大党员干部积极配合指标数据采集工作。第二步，指标数据的采集。所有数据的采集遵循分级、分类、等比例抽样的方式来确定测量对象，对于客观性指标数据，采用查阅相关文件、会议记录、成果汇编等现成资料，或实地调查(问卷调查、个别访谈)和现场考试等方式直接获得；对于主观性指标数据，采用委托专业的第三方机构设计针对性的量表进行测量的方式间接获得。第三步，指标数据库的建立。建立学习型党组织建设的指标数据库，将各个时段采集的指标数据及时录入数据库备用。第四步，指标数据的计量。根据需要，从指标数据库中导出相应数据，严格按照指标体系的权重分布对数据进行综合计量，得出初步指数。
三、“创学指数”的推广应用
调研中，广大干部群众对如何推广创学指数提出了很多好的意见和建议，集中起来，主要是以下三个方面：
1.分类编制创学指数。调研中不少干部群众提出，推动学习型党组织建设是全党的统一行动，不但涉及机关事业单位的党组织，还涉及企业、乡镇、社区、社会团体内的党组织，由于各类组织性质不同、人员结构不同、工作内容不同、所处层次不同，创建工作的立足点和侧重点也会有差别。因此，在编制“创学指数”时必须考虑到创建工作的复杂性和多样性这一特点，不宜搞“一刀切”，即用一个指标体系去评估不同类别和层次的党组织的学习型建设。编制学习型党组织创建指数，可分地域，也可分行业和类别。以湖南省为例，分地域可“湖南省14个市州学习型党组织创建指数”，分行业和类别可“湖南省机关学习型党组织创建指数”、“湖南省企业学习型党组织创建指数”、“湖南省学校学习型党组织创建指数”、“湖南省社区学习型党组织创建指数”、“湖南省农村学习型党组织创建指数”。
在计算机技术和互联网技术普遍应用的今天，大数据技术为行业发展和进步起到了积极的作用。就教育行业的发展来讲，有了大数据技术的利用，教育的针对性、专业性和市场化特征表现的更加明显，教育实效性效果有了显著提升。总结分析大数据在中职计算机技术教学中的应用，其产生了三方面的突出价值。
1.1大数据为中职计算机技术教学的课程设置提供了参考
计算机技术的发展日新月异，所以很多职业院校的计算机课程实际上是与社会脱节的，这对于职业院校的价值体现十分不利。中职计算机技术教学实践积极的利用大数据技术分析当前社会计算机的应用需求现状，可以为更加合理的设置计算机技术课程提供参考。简言之，大数据技术能够准确的分析技术发展以及应用趋势，可以为中职计算机技术教学的实践提供参考，使院校在课程设置的时候做到充分的与社会接轨，这样，职业教育的价值发挥会更加的显著。
1.2利用大数据技术可以为计算机技术教学的创新提供依据
传统的教学模式显然已经不能适应当前的教育需要，尤其是职业教育，传统教育模式对其的限制表现的越来月明显，所以教育模式、教育方法需要做创新。大数据技术的利用一方面能够掌握未来计算机人才需要的基本方向，另一方面可以了解到各种计算机教学方法的利用实效，基于人才发展方向和教学方法的具体分析，中职计算机技术教学可以选择更符合人才发展方向的教学模式，这对于教学促进来讲也是有积极意义的。
1.3大数据技术的利用能够为中职计算机技术教学的优化提供帮助
在教学实践中总会遇到各种各样的问题，利用大数据技术做教学问题的总结和分析，职业院校以及老师会更加清楚的掌握到教学中比较容易犯得错误，基于数据结果进行错误发生的研究和分析，能够有效的帮助中职计算机技术教学实现优化和进步。
2大数据背景下中职计算机技术教学存在的问题
2.1教学目标设定不科学
中职院校在对计算机应用技术进行教学时，对于一些非专业性的学生的教学目标，只是让学生们掌握住计算机的基本知识以及相关的操作技巧，帮助学生们通过全国计算机的考试，而对于一些非专业的学生只要考试及格，就可以满足就业要求。在这种教学目标之下，很多的学生们往往是为了提高自己的过关率，而对于一些考试内容进行学习，忽视了对其他计算机以及网络应用技术的了解和认识，很多学生的学习目标也出现了偏差。
2.2基础教材与现实需要的差距较大
经过对当下中职院校学生们的计算机基础教材以及大纲进行调查研究，可以发现其中包括了计算机的基本知识、计算机的操作系统、办公自动化的基础，以及计算机网络基础的内容，教师们在对教材进行讲解时往往注重于理论的灌输，忽视了学生们对于一些实践应用的培养，这样会造成考试和需求之间的相分离。在对学生进行教学时往往注重学生们对于一些应用模块题型的练习，而忽视了对相关内容的讲解，导致学生们知识为了应付考试，对于一些常见的常考的函数有所了解，但是对于多级列表设置等模块仍是相对存在着一定的偏差，由于中职院校计算机基础教材的内容不能够满足考试所需，很难真正的提高学生们的专业技术水平以及计算机应用技术。
2.3教学方法较为单一
在对计算机进行教学时往往以理论灌输为主，教师在课堂中居于主体，学生们只是被动的接受，参与热情不高，也无法提高自身的主观学习能动性。当下部分中职院校在进行计算机应用技术教学时依然是把课堂的实际任务操作演练或者是借助多媒体教学作为重点内容，帮助学生们对基本理论知识进行理解，尽管这样能够让学生们了解教材的重点内容，但是学生们实践能力相对较差，这种理论教学和实际教学相分离的教学模式，让学生们对于计算机应用技术的学习，日益的丧失兴趣，尤其是缺乏主动性和积极性，很难真正的解决实际的问题。
2.4教学实践与理论的脱节表现较为明显
中职院校开展计算机应用技术教学学生们的地位较为被动，教师们不注意和学生之间的互动，这样不仅让学生们的积极性下降，而且不能够及时的发现学生们在学习的过程当中存在的问题和不足，教师在讲解中也缺乏重点和针对性，这样不仅导致学生们对计算机教学较为反感，而且也不利于提高自己的主观学习性，最终让学生们在大数据时代的背景之下，对于计算机应用技术的掌握程度依然有限，无法满足社会对计算机专业人才的需求，也不利于提高中职院校学生们综合素质的提升，影响到学生们的未来就业。
3基于大数据背景下中职院校计算机技术移动教学措施分析
3.1改变传统的教学模式，提升教学的灵活性
传统的教学模式固定性比较强，学生学习的时间和地点比较的固定，这对于移动学习来讲十分不利，所以在大数据背景下要积极的进行教学模式的改变，提升教学的灵活性。就教学模式的改变来看，主要有两点：（1）针对大数据分析的结果总结教学实践中的重点问题，然后由老师基于重点做教学视频的制作。一般来讲，遵循“一个问题一段视频”的原则，这不仅对具体的问题进行了针对性的阐述，而且有效的区分了问题的解答，缩短的视频的实践。在生活和学习中，学生能够利用移动设备和网络进行灵活的在线学习，比如业余时候进行短视频的观看。（2）采用平台联系模式做移动学习。平台联系模式主要指的是老师利用大数据分析的结构构建具体问题的分析平台，学生能够在移动设备中随时随地的访问平台进行询问和探讨问题，进而解决相应的疑惑。总之，利用大数据分析技术做“问题教学”模式的构建，并积极的利用当前生活中的数据交流平台和移动网络设备，学生的移动学习效率会有进一步的提升，学习的灵活性和有效性得到显著的加强。
3.2创新教学方法，强化移动教学实践的加强
教学方法对具体的教学效果提升有重要的影响，因此在中职计算机技术教学实践中基于大数据分析创新教学方法，强化移动教学实践的加强现实意义显著。就具体的方法创新来讲，目标表现比较抢眼的方法有两个：
3.2.1采用碎片教育法
所谓的碎片教育法和系统教育法是相对的，这种教育方法的实施目的是让学生能够灵活的利用课余时间做小知识的学习和掌握。从具体的分析来看，系统的知识量比较大，需要的学习周期也比较长，所以学生很难在教学中实现移动学习。碎片教育法将系统性的知识进行肢解，将其拆解为零散的知识点，学生在生活实践中可以利用移动设备等进行细小知识点的存储，这样，其可以在生活休息中实现移动学习，掌握相关知识。
3.2.2翻转教学法、面对面教学以及在线教学等方法
在网络时代之下，可以借助于网络教学的平台开展计算机应用教学。比如教师可以通过进行翻转课堂教学模式，调动学生的主动参与热情，激发学生的主观能动性，通过对教学内容进行模块化的设计，并且制定出不同的任务，让学生们真正的在做中学、学中做，因此教师可以依托于现有的网络教学平台，采取面对面教学或者是在线教学等教学模式。通过构建这种计算机网络教学的平台，可以让学生们享受到更加优质的教学资源，也进一步增强了教师和学生之间的互动。
3.3构建网络教学平台，为移动教学提供资源
在大数据背景下，构建网络教育平台为移动教学提供资源，这于中职院校计算机技术的教学提升来讲现实意义显著。就网络教育平台的具体构建来看，主要分为两部分内容：（1）构建在线学习平台，此平台突破了传统教学模式的时间、空间限制，老师可以在平台上进行学习资料的共享，学生能够通过平台观看和学习老师共享的资源，这样，学生在课堂之余又多了一个学习的平台与渠道。通过平台的利用，学生与老师实现了从课上到课下的对话，知识领悟会更加的深刻，所以学生无论是理论记忆还是技术感受都会有明显的提升。（2）实现了对课程资源的有效补充。从具体的分析来看，虽然利用大数据分析结果能够实现针对性的课程设置，但是毕竟课程的执行周期较长，所以一些新技术、新内容无法在教材当中另做补充。网络教学平台可以作为信息资源补充站，老师以及学校将相关专业的最新消息在平台上，由老师和学生做在线的共享学习和交流，这不仅提升了老师的知识范围，学生也能够接触到最新的技术发展信息。简言之，通过网络教学平台的构建，中职院校的计算机技术教学有效的实现了课上和课下的联动，实现了课本资源和网络资源的相互补充，这对于最终的教学成果提升有显著的价值和意义。
3.4基于移动学习目标做评价和考核
其实，通过历史犯罪数据预测犯罪活动，仅是通过数据挖掘改变世界的一个例子。而类似的分析方法实际上可用于任何数据组——浩渺繁复的宇宙，复杂多变的人类行为，甚至是我们每天自己创造的数据。在这些复杂的表象下面寻找规律，并对未来作出预测，数据挖掘分析正在改变着我们的生活方式。
在伦敦金融城，一位科学家世家出生的商人大卫·哈丁认为数据应用的潜力是不可限量的，并相信自己找到了运用数学赚入万贯钱财的秘诀。在南非，一位天文学家准备通过聆听每一颗恒星的信号，来为整个宇宙编制星表，发现宇宙演变的规律。
全球最大的在线影院Netflix在美国有2700万订阅用户，在全世界则有3300万，现在它比谁都清楚大家喜欢看什么样的电影和电视。这得益于Netflix对其用户在线活动的跟踪和记录。通过对这些庞大的数据的挖掘和分析，Netflix能获取到用户的观影特点，预测其可能喜欢的影片，并适时地推荐给用户。对数据的利用不但能让Netflix为用户提供更贴心的个性化服务，还能拍摄出观众喜欢的影视作品。
现在，大数据的影响已经深入到我们生活的方方面面，从医疗业到广告业，到高级金融界，乃至教育行业。在复杂的表象下面寻找规律，并对未来作出预测，数据挖掘分析正在改变着我们的生活方式。可以预见，大数据即将成为21世纪最强大的一种力量。
教育大数据愿景
大数据将如何改变教育呢？2012年9月，美国布鲁金斯学会（Brookings Institution）技术创新中心主任Darrell M. West在《有关大数据与教育的研究报告》（Big Data for Education： Data Mining， Data Analytics， and Web Dashboards ）中描绘出了这样一个未来的学习场景。
12岁的苏珊正在进行一门旨在提高她的阅读技能的课程。她一直在阅读一些短篇小说，每隔一周，老师都会给她和她的同学进行纸笔测试，测量他们词汇和阅读理解能力。几天后，苏珊的老师批改完试卷，并返回成绩。测验表明，她的词汇掌握得不错，但在关键概念上还需加强。
在未来，她的弟弟理查德是通过电脑软件程序学习阅读。他每阅读一个故事，计算机都会收集他学习过程的相关数据。每个任务后，会弹出一个小测验在他的屏幕上，是有关词汇和阅读理解的问题。理查德每回答一个问题，他都将得到即时反馈，显示他的答案是否正确。对于困难的题目，电脑会推送给他更详细的解释词语和概念的网站链接。他的综合表现情况会可视化地显示在一个仪表盘上，包括作业和测试的正确率，已经掌握的概念列表，以及学习表现与同学乃至全国的学生的比较情况等。
在一个学习环节结束时，他的老师会收到一封自动邮件，其中显示了理查德和班上其他学生的个人表现以及全班情况的汇总，包括阅读时间，词汇知识，阅读理解，补充电子资源的使用情况等。教师根据汇总信息，能很快发现需要额外帮助的学生，学习时间不够的学生，以及全班大部分学生都有困难的内容。接下来，教师可能会通过集中讲授、个别辅导，人为干预学习系统以适合学生的学习步调，或为没掌握的技能增加额外学习材料。
对于学校管理者，通过数据分析可视化仪表盘能查看年级、全校乃至整个学区的学生的学习情况。如果发现低效的课堂和学习表现不佳的学生群体（根据性别，收入情况等划分），管理者会依据学习分析结果决定是否给予特定的干预。对于更大范围的异常表现，管理者会依据学习分析数据调整管理策略，以适应教师更好的教和学生更好的学。
2012年10月，美国教育部了题为《通过教育数据挖掘和学习分析来提高教和学》（Enhancing Teaching and Learning Through Educational Data Mining and Learning Analytics）的教育大数据的报告，为教育中利用大数据指明了方向。报告认为：大数据无处不在，教育中也是如此；强调学生学习系统需要更好的模型来预测学生的学习行为和进步。该报告主张通过教育数据挖掘、学习分析和可视化数据分析来改进自适应学习系统，实现个性化学习。在教育中有两个特定的区域会用到大数据：教育数据挖掘和学习分析。教育数据挖掘是对学习行为和过程进行量化、分析和建模；而学习分析是利用已有的模型来认识理解新的学习行为和过程。
在线学习、智能辅导系统、虚拟实验室、仿真教学和学习管理系统的研究人员和开发人员正在探索如何更好地理解和使用教育数据挖掘和学习分析，以提高教学和学习。业界也达成共识，大数据才是教育领域真正的革命性创新。
大数据带来的挑战
虽然趋势已经明朗，但是，在学校层面仍然对教学实践中关于学生数据的收集和利用感到茫然。相关调查研究表明，K12学校迎接大数据还面临下面一些挑战。
挑战一：“一对一数字化学习”还未普及
“一对一数字化学习”就是学生人手一台智能学习终端，能随时接入网络进行学习，包括：获取学习资源，与教师或同伴交流，学习成果，参加在线评测等。
在“一对一数字化学习”环境下，学生每天有越来越多的时间与智能终端进行交互，用于学习和生活。这样才有大量的学生相关数据被收集起来，用于数据挖掘和分析。因此，“一对一数字化学习”终端的普及是实现教育大数据的基础。
但是根据皮尤研究中心的互联网与美国人生活项目在2012年的调查结果显示，在美国K-12学校，学生人手一台学习终端的达成率不及30%。而在国内，面临的困难更大。新的教育规划纲要也仅提出把生机比（学生和电脑的比例）提升到8：1以上，并未明确提出实现生机比1：1的目标。即便在国内的发达地区，也只是个别学校实现了人手一台学习终端。
2011年，BYOD的理念在美国被引入到K-12学校的“一对一数字化学习”项目中。BYOD是Bring Your Own Device的缩写。意思就是如果学校没法提供给学生人手一台学习终端，那么可以通过让学生把自己的设备带到学校作为数字化学习的工具。学校仅资助少数没有自己设备的贫困学生。这个理念一经提出，很快得到许多学校的认同。
BYOD解决了学生终端设备的问题，学校就能把有限的资金投入到无线网络架设、增加带宽以及解决BYOD带来的安全性等方面。
挑战二：学校使用数据还需培训
数据驱动决策已经演变成教育流行语。教师可以使用数据，以提高他们的教学实践，并能改善学生的学习成果。但是要做到这一点却不那么容易。
2012年，美国学校管理者协会（AASA）携手学校网络联合会（COSN），以及全球性的信息技术研究和咨询公司Gartner一起实施了一个项目，叫做“缩小鸿沟：将数据转化为行动”（Closing the Gap：Turning Data into Action）。他们认为教师利用数据，最好的开始是学生信息系统（LMS）和学习管理系统（SIS）。毕竟，这些都是学校最经常使用的两个数据源。的确，我们从这些系统收集了很多关于孩子们的数据，如果不使用它，它就只是一堆数字。
但是，Gartner公司调查了716个学区、学校和技术领导，以及1010名教师。其研究发现，教师们很少使用到系统的这一功能。而当学区选择SIS和LMS应用程序，他们的领导不会强调把课堂上使用数据作为选择和实施过程中的一部分。
缺乏使用的部分原因是专业发展的问题：70%的受访教师评价他们的SIS 系统专业培训内容为“弱”。此外，仅有23%的教师说，他们利用SIS的数据帮助他们计划课堂活动，超过70%的教师不相信SIS能帮助他们解决自己课堂上重要的问题。
教师使用LMS系统的情况稍好。然而，即使这样，也只有一半的教师反映他们利用了LMS系统中的数据来提高学生的成绩。
问题的部分原因是，SIS和LMS的相关活动目前在各学区被认为是IT部门的事情。因此，学区不利用LMS和SIS在课堂上也就不足为奇了。况且，以前教师们并不拥有这些信息，即便现在把信息开放给教师们使用以帮助学生学习，他们也不能立刻就上手办到。
在对一个非常有效地在课堂上使用SIS和LMS系统的学区进行了研究后，发现他们对于实践最好的建议是：改变管理模式。从教育而非技术的角度评估、选择和部署SIS和LMS项目，从各部门选出代表组成跨职能的团队，持续培训用户直到能熟练使用应用程序来解决问题。
挑战三：各种学生数据格式有待统一
如果一个老师想了解一个特定的学生是否偏离了学习标准。它往往会涉及查询多个数据流：一个学生信息系统（SIS），以获得基本的入学数据；另一个是过去的成绩数据，这来自于上级教育部门维护的报告系统；而最近的作业和成绩则来自学习管理系统（LMS）。每个系统都可能有各自的密码，更不用提它各自的数据格式，用电子表格软件手工编译整合这些数据到同一个图表，无疑意味着巨大的工作量。
显然，除了要求教师使用数据外，学校还面临着另一个严峻挑战——数据孤岛。许多学校目前使用的多个信息管理平台和软件应用工具产生了大量不同类型的数据，并且还处于分散状态。也就是说，大量的学生数据被锁在各个数据孤岛上，无法进行有效的整合和利用。因此，要实现教育大数据，还得把各种系统连接起来，实现互相通信和数据的互操作。
公益项目inBloom的前身是2011年成立的“共享学习协作”（Shared Learning Collaborative）项目，由比尔和梅琳达·盖茨基金会和卡内基公司资助。其搭建了一个基础的与数据源无关的开放源代码的数据集成平台。这个数据平台通过开放的数据接口，可以让各种平台和软件互相通信，实现数据的互操作。inBloom为K-12学校提供了一个存储各种学生数据的数据仓库云服务，允许美国各州和学区整合已有的不同来源和格式的学生数据，使数据的集成和调用更方便。
另外，inBloom项目还解决了身份认证管理和数据报告的问题，这是长期困扰教师并阻止他们获得和有效地使用学生数据的最大障碍。总体上说，inBloom已经初步形成了一套功能完善的数据基础架构，包括为多机构提供独立和安全的数据储存共享服务，捕捉多种应用数据的应用程序编程接口（API）， 解决多密码和麻烦的用户身份目录，以及数据可视化显示的仪表盘。
2013年5月，美国国家教育技术董事协会了名为Transforming Data to Information in Service of Learning的关于大数据技术规范的文档。主要定义了数据的标准和框架，涉及数据的互操作性和共享等技术和协议。这一文献的彻底扫清了未来教育大数据发展面临的数据孤岛的障碍，对K12大数据技术和产品开发有重要的指导意义。
大数据先行者
虽然教育大数据应用还面临诸多挑战，但是大数据给教育发展和创新带来的价值，对于学校来说，就像一座未开掘的金矿。一些地区和学校积极探索，成为了教育大数据的第一批掘金者。
大数据识别高危学生
格威内特县公立学校（GCPS）是美国佐治亚州的亚特兰大地区最大的学区，下属133所教育机构，有超过162，000名学生。为了了解各学校办学水平，提高学生学习成绩，该学区与IBM合作，采用其预测建模和分析软件的集成解决方案——eCLASS来收集、整合和分析学生的数据，能够快速识别需要帮助的学生，给予及时的干预，并持续跟踪学生进步。具体实施包括以下几步。
集成来自多个来源的数据来帮助识别学生的表现和成就。
为高危学生建立学习预警系统。
支持协作学习社区，帮助教师、学生、家长和专家一起工作，确定并实施教学干预计划。
数据进行汇总和分析，以确定干预方案效果。
GCPS的负责人科林·马丁说，过去我们总是基于最终测试成绩评价学生的表现。现在可以在过程中了解学生的情况，而不必等到年终的评测结果。这样能及时发现有问题的学生，并给予实时的帮助，避免学生因学习失败而辍学。
大数据实现自适应学习
美国Carpe Diem学校是免费的在线公立学校系统。目前它正使用大数据技术来驱动基于计算机的自适应教学。Carpe Diem有两所试点学校，分别在亚利桑那州尤马和印第安纳州波利斯。
现在的学生几乎整天在学校使用计算设备，从学生与计算设备进行交互的结果和网页访问流量数据，可以绘制每个学生行为的详细档案，也包括全体学生的学习行为。这就是大数据技术，它能结合学生学业表现和学习行为，不但使教师，也让计算机系统更全面地了解学生，并帮助或替代教师作出判断，且自动对学生的学习行为作出响应。这种基于大数据的自适应学习技术是下一波K-12的创新。
据报道，Carpe Diem在亚利桑那州的试点学校取得了巨大的成功。这所学校把自适应技术支持学习、辅导、小组项目和课堂教学相结合，为每位学生提供高度个性化的教育。学校有7个年级240名学生，只配备了1名数学老师和1名助教，学生的数学成绩却非常好。由于已经成功地用技术取代了教师的大部分劳动，因此其教育成本低得惊人，每名学生每年仅5597美元，远低于得克萨斯州为每名学生提供的约7000～7500元/每年的成本。Carpe Diem学校被“商业周刊”和“美国新闻与世界报道”评为美国最好的高中。
大数据关注学生运动健康
卢湾第一中心小学是上海市黄浦区的一所信息化示范学校。在坚持锻炼增强学生体质的同时，为了保障学生安全，该校正在尝试利用学生运动数据实现体育课程的差别化教学。
卢湾第一中心小学老师们研发了“云手表”。云手表和一般的手表外观上并无太大差别，它除了可以显示时间外，还可以通过无线连接的方式实现无线签到、实时测量学生心跳并上传到网络平台的功能。如果每个学生在上体育课时都佩戴这样的手表，老师可以通过网络随时掌握每一个学生的心跳、运动量等数据。这不但可以及时预防运动猝死一类的悲剧发生，还可以作为差别化教学的数据依据。
在2013上海教育博览会教育信息化展会上，“云手表”的功能引发了参观者的巨大兴趣，特别是家长们给予了很高的关注。
据卢湾第一中心小学校长吴蓉瑾介绍，卢湾第一中心小学在“云课堂”体育课堂教学实践中，根据“每天一小时校园体育活动”的要求，始终积极探索体育课堂教学与信息技术的有效结合。根据体育学科的特点，教师们初步设想了“云手表”这一检测工具，通过应用于体育课堂教学、晨练、课外活动等，对学生的体育锻炼情况进行实时监测、真实记录，达到即时反馈、及时矫正，甚至可以为学生提供一对一的个别辅导，开出“个人运动处方”。
“通过试用，我们发现这款‘云手表’激发出了学生们最大的运动兴趣，由于数据采集的便捷性，使得孩子们的运动状态能够立刻呈现‘可视化’的状态，学生能够自我监测，互相之间也能进行比较和竞争。”吴蓉瑾希望，“云手表”能够让学生轻松成为“运动达人”。
大数据实现个性化学习
School of One（SO1）是纽约市教育部门的一项初中数学教改项目。它的特点是以学生为中心，采用大数据分析和适应性技术搭建个性化混合式学习环境，满足每个学生的个性化学习需求。
大数据技术不但能获取学习者的行为，还能预测学习者的行为和结果。因此基于大数据技术的学习算法能针对每个学生的家庭背景、兴趣爱好、个性特点，以及知识基础、学习能力、学习方式和学习需求等，并结合课程标准、数字化学习资源类型，以及教师的授课特点等，为学生绘制独特的学习路径图，推荐合适的课程材料和教师，安排最佳的时间表。因此，SO1的学习分析算法，有助于确保每个学生在其教育的有效点进行学习。通过收集数据，它能更多地了解学生和更好地预测进度，以更有效地适合每个学生。
每一天，SO1的学习算法需要分析的数据包括：学生的学习历史和背景，前一天的评估数据，以及可用的内容、教室、人员和技术；确定哪些课时内容在统计学上最有效地适合哪种类型的学生。然后，它会为每个学生和每个老师生成一个独特的每日时间表；且每个时间表和教学计划都是自动调整以适应每个学生的学习步伐、能力和最成功的学习方式。比如引导学生参加包括大组教学、小组教学、小组合作、虚拟教学、自主学习、实时远程辅导等学习。
SO1项目中，教师可以修改系统生成的时间表，且教师本身也是计划的一部分参与到学生学习环境中。因此，这里技术并没有完全替代教师，而是在线和面对面，技术和教师的结合。
2011年，美国教育发展中心的儿童和技术中心对该项目2010年的实施进行了独立评估，结果显示：参与学生的数学成绩显著跑赢非参与的学生。在2009年《时代》杂志评选的50项最佳发明中，该项目是唯一的一项教育创新。
《数据库基础》是高职院校计算机及相关专业的一门重要主干课程。通过对课程学习，让学兵学会Oracle 9i的安装与卸载，能说出数据库的有关概念和基本原理，会使用SQL语句对表的数据进行查询、增加、修改、删除等操作，培养学兵对Oracle 9i数据库系统的应用和管理技能，为后续学习和将来工作打下良好基础。
学兵学历大部分为高中或初中，他们的信息技术起点水平及个性存在差异。如何通过60学时的教学，充分挖掘学兵的潜力，实现学兵个性化发展，使学兵理解数据库的有关概念和基本原理，学会Oracle 9i的基本操作使用方法，面临很大的挑战。因此通过该课程的实际教学，针对学兵特点，重新思考教学内容、教学方法和手段、考核方式等方面的内容具有十分重要的意义。本文将结合笔者担任四期《数据库基础》课程教学的经历，讨论如何上好学兵《数据库基础》课程的几个思路。
1.课程兴趣培养
兴趣是最好的老师，是激发学兵学习积极性的动力。有了兴趣，学习就能保持良好的情绪和注意力，变被动为主动，变厌学为乐学；有了兴趣学兵就会喜欢和教员交流、沟通，和同学探讨、钻研，学得轻松，学习效果好，而且形成良性循环。经过四期的《数据库基础》课程教学教学手段，我发现学兵在开始学习数据库时，由于好奇心所致，大多学习热情、积极性很高，都想学、爱学，但在学习了一段时间后，往往出现怨学、厌学。我们该如何给学兵一个良好的教学氛围，激发和保持它们学习数据库的兴趣呢？
1.1掌握学兵的心理特点，激发学兵学习兴趣
新课的导入，是课堂教学中的一个重要环节。教员正确、巧妙地导入新课，可以激发学兵强烈的求知欲望，引起他们的深厚兴趣，在学兵注意力最集中的时间里突出教学的重点与难点[1]。例如在进行数据库入门教学，我引入了超市购物和网上购物。针对大家熟悉的超市购物管理系统，提出一系列问题：收款机是如何知道那么多商品的价格？商品调价期间，如何保证每台收款机收取同种商品时价格一致？仓库出库员如何知道超市中的某些物品快销售完了，需要及时补充？接着，以在淘宝网上购物为例，利用图例展示网上购物的一般流程，让学兵思考：如何在网上查找我们需要的商品？如果购买许多商品，如何查看每一件商品的具体情况？商品的质量有保证吗？有没有售后服务？网站是如何存储、管理顾客和商品信息的？这样一系列的疑问让学兵感到神奇：数据库是什么？为什么能使用数据库来存储、管理信息？怎样使用数据库方便、快捷的查询统计信息呢？所有一系列的问题就会在学兵的脑海中冒出来。要想解决上面的问题，我们首先要认识数据库。这样我们课堂内容的引出就顺其自然。
有了上面的引入，学兵的脑子里惦记的肯定就是“超市购物管理系统”、“网上购物管理系统”，这时候我们就可以恰到好处的向学兵讲明这两个系统的共性，为什么这些地方会用到数据库，以此为出发点，让学兵结合自身的生活环境，从自己的生活中找出类似的数据库系统。这样，就让学兵意识到：原来我们身边这么多地方都用到了数据库系统会计毕业论文范文。
1.2活跃课堂气氛，发挥学兵的主体作用
数据库基础是一门理论与实践紧密结合的专业课，既要让学兵熟悉一些基本理论，同时又要学会Orale 9i数据库的操作与使用。课堂上不仅要向学兵传授知识，更重要是向学兵传授学习的方法。教学中我们以教员为主导、学兵为主体，采取多种教学方法，发挥学兵的学习主动性，着力培养它们勤动手、勤动口、勤观察、勤思考的良好习惯，把感知与思维结合起来，使学兵全身心投入学习。例如，在Oracle 9i创建表的教学中，教员先做一个自我介绍，让学兵通过教员的表述和自己的观察，提炼出教员相关的属性。接着教员提出一个实际问题：“新学期已有一批学兵报到，需要入学登记，请设计一个学兵登记表，这个表应该包含哪些字段（需要登记学兵的哪些相关信息）？在数据库中是如何创建表示的呢？”通过这个实例，采用“问题——思考——点拨”的形式，使学兵始终处于积极思维状态教学手段，体验发现问题到解决问题的过程。在一个活跃的课堂氛围中，学兵既学会了相关知识，又在参与知识形成的过程中学到了探究知识的方法，培养了自主学习的意识。
2.教学内容的分析与筛选
数据库技术涉及的内容非常广泛，结合学兵教学的特点，数据库基础的教学目标是要求学兵在学习数据库基本理论的基础上学会基本的操作技能。因此，在数据库基础的教学中会争议这样一个问题：如何分配理论和实践两部分内容的教学时间？
传统教学模式是先对数据库基本原理、理论进行讲解学习，然后通过例子对其应用进行学习。由于课程相关数据库基本原理较为抽象、枯燥、不易理解，因而这种教学模式会造成：一方面学兵在理论知识学习阶段对本课程的学习兴趣降低，听课时会感到被动乏味；另一方面学兵在实践阶段又会发现与理论之间脱节，由于理论基础不扎实，没有理论指导，实践无从下手[2]。认识到传统教学模式的弊端，我们在这门课程上做了一些改革，结合与专业相关的例子来讲解和阐述数据库的基本原理，力求以更科学合理的方式讲授这门课程，使学兵在学习过程中不会觉得学习数据库理论过于抽象和难懂。
对学兵来说，教学内容要面向实际应用，要与工作岗位零距离对接。我们根据学兵工作的实际需要，精心提炼和组织教学内容，把整个数据库课程教学内容分为三部分：数据库原理、SQL语言和Oracle数据库系统管理。数据库原理包括数据库基础知识、Oracle 9i的安装配置与基本操作，通过这些内容的学习，使学兵明确数据库的基本概念，对Oracle 9i先有感性认识。SQL语言包括表的创建和删除、单表查询、多表查询和数据更新，重点讲述创建表的结构和数据约束以及使用SQL语句对表的数据进行查询、增加、修改、删除等操作，从而锻炼学兵开发、设计数据库的能力。Oracle数据库系统管理包括Oracle 9i的常用管理工具、Oracle 9i数据库的安全性和Oracle 9i的备份和恢复，通过这些知识的学习，培养学兵对具体数据库系统的应用和管理技能。
3.采用多种教学方法和手段
教学过程中教学方法和手段的运用对于提高教学质量十分重要。在日常教学中，总的思想是由易到难，深入浅出，循序渐进，理论联系实际，面向应用，同时注意知识的前后联系。
3.1教学方法
笔者认为，针对学兵的数据库基础教学，可以合理采用以下教学方法。
（1）启发式教学。不能够孤立地讲理论和原理，而是通过启发式教学，针对数据库的实际应用去探索理论和原理与实际的结合，进而明确怎样利用理论和原理解决一些实际问题。例如教员从“学兵登记表”出发，启发学兵思考怎样便捷、有效地管理学兵的相关数据，由浅入深，从学兵字段的设定，到常用数据类型的用法，再到构建数据表，逐步引申，学兵就能将这些知识连贯起来教学手段，体会利用数据库管理信息的基本思想。
（2）任务驱动教学。教员通过巧妙设计，将要传授的知识和技能蕴含于任务之中，使学兵在完成任务过程中掌握所学知识与技能，其核心思想是“以任务为主线，教员为主导，学兵为主体”。任务驱动教学法的基本过程可分为提出任务、分析任务、学兵自主学习、交流讨论、解决问题及总结经验等几个阶段。在此过程中，学兵始终处于主体地位，教员是学兵学习的组织者、服务者和导航者。其结果是学兵既学到了知识，又培养了分析问题、解决问题的能力。
（3）案例式教学。在数据库教学中引入案例教学，运用案例教学手段，进行示范教学，实现边讲边练，工学结合，大大缩短教学情境与实际环境的差距，有利于引导学生在理论与实际结合中理解知识，有利于培养学生分析问题、解决实际问题的能力，提高学生的实践能力和综合应用能力[3]。在教学过程中，从身边最常见的学兵档案管理、考务管理、图书管理系统等入手去认识数据库系统的操作。这样学兵在学习的时候不会感到抽象，因为所接触到的都是他们自己常见到的丰富的数据信息，从而对学习数据库知识产生亲切感，调动他们的积极性和探索精神，培养学习的主动性，提高实践能力。
其实，授课方法远不止这三种。还有讲授法、讨论法、演示法、图示法等等。总之，教有良法，但无定法，教员应从实际出发，选用各种适当的方法。
3.2教学手段
在教学中充分利用现代教育媒体，将各种电教、网络设备的功能充分应用于教学。这些媒体的表现力各有特色，也都有其侧重面会计毕业论文范文。教学过程中，不同教学内容按需要选取恰当的教学手段。下面将不同教学情况下所采取的教学手段归纳如下：
（1）采用多媒体课件。在讲授基本知识时，教员根据教学内容需要配合多媒体课件，减少板书时间以增加信息量的传授；同样，对于课程中抽象性较强和难以理解的内容，如表的连接等，借助多媒体演示可以对抽象内容进行动态演示，有利于学兵对知识的理解。
（2）利用计算机辅助教学软件。教员采用主控端，统一进行教学演示，这样学兵随后进行操作时，就会得心应手。这样不但能最大限度地发挥计算机的作用，还能在学习的同时掌握教学内容。
（3）播放教学资料片。在学习过程中，给学兵播放与Oracle 9i相关的一些视频，教员在一旁稍作提示，既让学兵感到生动直观，又拓宽了学兵的知识面。
（4）实践教学。实践教学是提高本课程教学时效性的重要教学手段。在实践课的教学中，要注意两个问题：首先教学手段，“任务驱动”，让学兵明确目的和任务；其次，在上机过程中，随时答疑解惑，并给予指导。
（5）网络课程教学。利用网络课程方式与学兵交流，解答疑难，这种不受时空限制的方式把教学扩展到了课后，充分利用网络的时空优势和技术手段，营造师生间互动和学兵间互动的环境。
4.采用多种考核方式
考试是检查教学效果、评价教学质量、衡量是否达到教学目的的重要途径之一。《数据库基础》课程在考核形式上，应改变以一份试卷定学兵优劣的做法，可采用多种考核形式，以加强对学兵平时学习的考核与督促。应增加平时成绩在总成绩中所占的比重，将学兵的平时成绩计入课程总成绩。平时的考核可以采用作业（书面作业和上机操作）、课堂提问、讨论以及阶段性测验等多种形式，在平时适当给学兵一些压力，引起学兵对这门课的重视，有利于考查学兵在每个阶段掌握知识的实际水平，全方位、多角度地反映出学兵的真实成绩和综合能力。
5.结束语
总之，在我看来，要达到《数据库基础》课程的培养目标，首先要明确课程的教学目标，了解学兵特点，设计课程内容、制定授课计划、选择教学方法，以实现培养面向部队、紧贴岗位的总目标。同时学兵通过系统的学习和实践学会实用的知识和技能，为以后的学习和工作打好坚实的基础。
参考文献
[1]叶碧苹.计算机教学中学习兴趣的培养[J].中国信息技术教育，2010(12)：17.
[2]廖定安，刘子明.高职院校《数据库原理与应用》教学浅谈[J].科技资讯，2008(24)：142.
