大数据如何助教育更加公平优质

金沙js55,李总理在今年的政府工作报告中指出:“实施大数据发展行动,加强新一代人工智能研发应用,在医疗、养老、教育、文化、体育等多领域推进‘互联网+’。”当前,发展教育大数据已成为推进我国当前教育领域深化改革和创新发展的战略选择。

美国白宫科技政策办公室于 2016 年10 月发布了题为 《为人工智能的未来做好准备》和《国家人工智能研发战略规划》两份重要报告。报告认为,人工智能技术对社会各领域的影响越来越深刻,教育是人工智能应用的一个重要领域。

党的十九大报告提出,努力让每个孩子都能享有公平而有质量的教育。在教育领域实施大数据发展行动中,好的教育大数据怎样才能挖掘出来,又该进行怎样的分析处理?大数据怎样为教育助力使其更加公平优质?对此,记者对相关专家和从业人员进行了深入采访。

金沙js55 1

访谈嘉宾:

目前为止,人工智能已经开始在很多社会领域发挥重要的作用,而人工智能与智慧教育引领教育教学的创新,也已经成为教育信息化发展的必然趋势。

戚万学 曲阜师范大学党委书记、中国教育大数据研究院院长

(1)智能导师,个性化教与学

甘健侯 云南师范大学民族教育信息化教育部重点实验室常务副主任

智能导师是人工智能在教育领域的一个重要应用。世界首个智能导师出现在1982年,它主要由计算机模拟教师教学的经验和方法,向具有不同需求和特征的学习者传递知识。

方海光 首都师范大学教育技术系教授、远程教育研究所所长

金沙js55 2

李 超 学堂在线总裁

(2)智能助手,如教育机器人

好的教育大数据怎样才能挖掘出来

智能助手被应用于教育领域,主要作为教师的教学助手和学生的学习助手。

记者:当前,“大数据”成了一个时髦名词。好的教育大数据是什么样?教育数据数量越多越好吗?

金沙js55 3

戚万学:大数据之“大”,我们一般理解为“数量”规模之大,通常数据样本量越大,越有利于对数据进行多维的聚类、聚合、聚集分析,更有利于“扫描”和“透视”看似毫无价值、毫无关联数据之中的相关性、逻辑性直至规律性,从而可以进行评价和趋势预测。大数据之“大”,还有一种理解是处理技术的“大”。对于教育大数据而言,需要数据的不断累积和增多,同时也需要相应大数据挖掘分析技术不断提高。教育大数据的价值在于帮助决策,一般而言,好的教育大数据要具备精确、完整、可靠性、视觉化呈现、存取性高等特征。

教学助手可帮助教师完成课堂辅助性或重复性的工作,如点名、批改试卷、监考等,还可帮教师收集整理资料辅助备课、教研,减轻教师的负担,提高工作效率。学习助手可为学生快速地找到所需资源,或是针对性地推送学习资料,帮助学生管理学习任务和时间等等。

甘健侯:教育大数据之“大”并非只是数量之大,更为强调的是数据蕴含的“价值”之大。实质上,教育大数据并不是越多越好。对于数据科学家来说,重要的不是得到最多的数据,而是看通过哪些数据可以得出真正有价值的结果。教育大数据大致分为教学资源类大数据、教育教学管理大数据、教与学行为大数据、教育教学评估大数据四类。教育大数据并非包括所有数据,因为教育活动过程中也会产生大量无意义的“噪声”数据,需要根据教育的应用目的进行数据过滤和“清洗”,为后期深度挖掘和分析做准备。因此,好的教育大数据一定是科学、客观、准确、有用的,要把数据与人的差异化有机结合起来。

(3)实时跟踪与反馈的智能测评

方海光:教育大数据并非越多越好,教育大数据要能服务教育发展、具有教育目的性,而非盲目地囊括一切数据。教育大数据是以业务应用导向为评判标准的,即应用是检验教育大数据的唯一标准。好的教育大数据可以在提升教育质量、促进教育公平、实现个性化学习、优化教育资源配置、辅助教育科学决策等方面发挥重要作用。

智能测评强调通过一种自动化的方式来测量学生的发展,担任了一些人类负责的工作,包括体力劳动、脑力劳动和认知工作,且极大地缩短了时间、提高了精准度。 通过人工智能技术而实现的自动测评方式,能够跟踪学习者的学习表现,并实时做出恰当的评价。

记者:教育大数据丰富多样、种类繁多,在海量的教育数据中,怎样挖掘出好的教育大数据?

金沙js55 4

戚万学:教育过程中每分每秒都在产生大量丰富、复杂且多样的信息,这些信息必须经过深入的挖掘才能转化成可以运用的教育数据。如何挖掘教育大数据一直是摆在教育研究者与政府面前的重要课题,也是一个难题。好的教育大数据是凭借数据挖掘者敏锐的洞察力与先进的挖掘技术来获得的。好的教育大数据必须有好的理念、好的问题意识、有趣的研究设计,然后才是好的挖掘技术。在数据挖掘过程中,应该避免唯技术化和工具化倾向。

(4)教育数据的挖掘与智能化分析

李超:大数据挖掘不能离开教育实践,无论是在线教育还是课堂教学,我们都不能为了抓数据而去抓数据,而要从贴近教师的教学需要、满足学生的学习需要出发,真正以学习者为中心去获取大数据。非结构化的教育数据如图片文本,需要通过充分利用好现在的信息技术手段,通过人工智能、模式分析、行为分析的了解和认知科学的发展、教育技术的最新理念,把它们转换成结构化的教育数据。更关键的是要能够把这些非结构化数据,通过模型在教育过程中去指导、帮助教师以及指导整个系统开发,然后再去获取数据优化模型,通过往复的过程以后,可以真正实现科学化指导。

教育数据挖掘,是综合运用数学统计、机器学习和数据挖掘等技术和方法,对教育大数据进行处理和分析,通过数据建模,发现学习者学习结果与学习内容、学习资源、教学行为等变量之间的相关关系,来预测学习者未来的学习趋势。

甘健侯:好的教育大数据需要对教育数据进行深度挖掘。这个过程中需要综合运用数学统计、机器学习、数据挖掘和人工智能等多交叉领域的技术和方法,对教育大数据进行处理和分析。通过数据建模,发现学习者学习结果与学习内容、学习资源和教学行为等变量的相关关系,来预测学习者未来的学习趋势,促进学习者有效学习的发生。

金沙js55 5

方海光:好的教育大数据也是重要的教育资源之一。为使数据资源物尽其用,当前最需要的就是挖掘能够促进共建共享的教育大数据。共建共享不仅有利于加速教育大数据产品的应用和开发,也有利于降低成本优化体验。对于半结构化或非结构化的数据,可以采用自然语言理解、模式识别等人工智能手段进行信息抽取,还可以通过专家人为地进行协同标签处理,这样可以将其转化为结构化数据。对于杂质较多的数据,可以在数据挖掘时进行数据清洗。对于实时产生的数据可以使用自动获取效率优先的方式来采集数据。

教育数据挖掘与智能化分析,一方面能够向学习者推荐改进他们学习效率的学习活动、资源、经验和任务;另一方面,它能够为教育工作者或智能学习系统本身提供更多、更客观的反馈信息,来更好地调整和优化教育决策、完善课程开发,同时,还能根据学习者的学习状态来改进教学计划、组织教学内容以改进教学过程。

丰富多样的教育大数据如何处理

(5)学习分析与学习数字肖像

记者:在云存储和云计算的基础上,如何利用信息技术等手段对非结构化和半结构化教育数据进行有效处理?

学习数字肖像是指将每个学习者的学习心理与外在学习行为表现特征通过挖掘、统计、分析不同类型的动态学习数据而将其立体化、可视化地刻画出来。刻画学习数字肖像的实现也必须基于智能化的数据挖掘和机器学习算法等关键技术。通过为学习者刻画立体、可视的数字肖像,可为不同学生的个体化学习以及教师的针对性教学提供精准的服务。

戚万学:非结构化数据转化为结构化数据,是大数据产生效力的重要途径。常见的教育大数据,都是非结构化的类型,能直接进行数据分析的结构化数据反而较少。举例而言,教师的教学视频、学生的作业等都属于非结构化的数据。要解决非结构化数据带来的挑战,就是利用信息技术进行数据转化。在数据分析方面,目前已经有相当成熟的分析方式,包括传统统计学的回归分析、类别分析和决策树等,真正面临的挑战反而是数据的清洗及去敏的处理,关键是确保数据与数据产生者之间的匿名性,即在经过数据清洗后,无法通过数据去辨识出该数据所属者的信息。如此,才能确保学生个人的信息不外流,符合一般教学及研究的伦理守则。

金沙js55 6

李超:在教育大数据的挖掘和分析上,在整个教育教学过程中,现有的手段能够收集到的信息还不够。在大量占有这些数据的时候,我们一定要利用人工智能或者最新的神经网络深度学习等技术,基于实践数据去进行处理总结和分析,同时要把这些结果和总结分析反哺到教育过程中去。

目前,传统的人工智能学习系统更多是为了满足某个专门领域的学习需求,而且这些系统常常作为学校教育的补充,尚未深入地影响学习者的日常学习和生活,但尽管如此,人工智能也已展示出对未来人类生活势不可挡的影响力。随着各类人工智能化教育产品的不断研发面世,相信不久的将来,甚至在这一两年,我们就能看到人工智能给人类教育,尤其是教育工作者的教育方式、学习者的学习方式带来的革命性改变。

甘健侯:教育数据的处理可分为教育数据的获取与抽取、教育数据的存储与管理、教育数据的分析与挖掘三个阶段。在云存储和云计算的基础上,传统关系数据库无论从描述能力上还是从管理数据的规模上,都无法应对非结构化和半结构化的数据管理要求,因此如何利用信息技术建立有效的非结构化和半结构化教育数据管理平台是关键。首先,针对半结构化和非结构化数据存储和分析的需求,建立统一的数据模型。其次,利用云存储和云计算,构建分布式与并行处理模型和架构,支持高度并行化与可扩展性,从而保证教育大数据的高效处理。再其次,支持查询语言与数据可视化功能,满足用户对教育大数据进行访问与分析的接口需要,以提升教育数据处理的有效性。

我们翘首拭目以待。

方海光:目前,人们对半结构化和非结构化数据的个体表现、一般性特征和基本原理尚不清晰,这些都需要通过多学科交叉来研究和讨论。但是,人们可用开源信息技术平台收集半结构化和非结构化数据。由于大数据所具有的半结构化和非结构化特点,基于教育大数据的数据挖掘所产生的结构化的“粗糙知识”(潜在模式)也伴有一些新的特征。这些结构化的粗糙知识可以被决策者的主观知识过滤处理并转化,生成半结构化和非结构化的智能知识。人类和数据的协同加工过程,反映了教育大数据研究的新思路。

记者:在教育大数据的挖掘及分析处理上还面临哪些挑战?如何解决?

甘健侯:教育本身是个复杂的系统工程,其结构非常复杂,涉及教育教学资源、教育教学管理、教与学行为、教育教学评估等多方面的大数据,因此,教育大数据的挖掘和分析处理上还面临一些挑战:缺乏统一的数据规范;结构性的教育大数据短缺、数据分析模型有待验证;非结构化的数据处理技术尚不成熟。对此,我的建议是,一是遵循顶层设计,制定统一规范;二是注重全过程多维度数据采集,建立科学准确的数据分析模型;三是善于使用新方法和新工具,深化挖掘模型、分析方法与教育教学的融合。

本文由金沙js55发布于教育资讯,转载请注明出处:大数据如何助教育更加公平优质

TAG标签:
Ctrl+D 将本页面保存为书签,全面了解最新资讯,方便快捷。