教学大数据分析

Ⅰ 借助大数据分析课堂教学有助于提升课堂教学效果正确吗

正确。
首先，教学评价的方式不再是经验式的，而是可以通过大量数据的归纳地，找出教学活动的规律。比如新一代的在线学习平台，就多出了行为和学习诱导的部分。通过记录学习者鼠标的点击，可以研究学习者的活动轨迹，发现不同的人对不同知识点有何不同反应，用了多长时间，以及哪些知识点需要重复或强调。对于学习活动来说，学习的效果体现在日常行为中，哪些知识没有掌握，哪类问题最易犯错等成为分析每个学生个体行为的直接结果。
大数据时代已来临，并对社会各方面产生深远影响，大大加快了社会信息化进展。也必将在教育教学领域产生积极的作用。大数据技术通过对教师与学生长期行为进行分析，得出具有个性化的教学行为、习惯、方式，从而更好的提升教学效果。

Ⅱ 教育大数据分析模型包含哪些

根据数据的类型可以分为以下几类：
一是降维。方法有很多，目前主流的是因子分析、主成分、随机森林
二是回归。比较传统的方法，根据因变量类型，可以分为一般回归和离散回归，商业上离散回归用得比较多，比如logit模型probit模型
三是聚类。这也是大数据分析的主要方法之一，算法有很多，说起来也复杂，没办法一一叙述。
四是分类。机器学习方面比较多、
五是时间序列。
六是关联。
大概就这几类，具体要看你有哪些数据，想要学习哪个模型，用哪个软件，这样回答起来可能更加准确。

Ⅲ 大数据如何影响课堂教学

“大数据”（BIG DATA）这个词，是2008年在维克托·迈尔-舍恩伯格及肯尼斯·库克耶编写的《大数据时代》这本书中首次提出的。“大数据”指不用随机分析法（抽样调查）这样的捷径，而是对所有的数据（近似于全样本）进行分析处理的一种方法。

1．什么是我们身边的大数据？

“大数据”已经渗透到我们生活中的方方面面。比如我们打开手机淘宝，呈现在我们面前的界面是不一样的。它推送给我们的商品是不同的，而且这些商品往往真的能够抓住我们的需求和心理，这是为什么呢？

其实这就是大数据分析出的结论。

淘宝这个平台，对每一个浏览过商品的人，购买过商品的人，都进行了全数据分析，可以轻松获取我们的很多信息。

例如我们的性别、年龄、家庭成员、喜好、是否结婚、是否有孩子、孩子的性别，甚至可以细致到你是爱穿休闲类的服饰，还是喜欢小清新类的服饰，或者是职业装类的服饰等等。通过你的每一次操作，收集到了这些数据之后，它经过分析和处理，进一步推测出了你可能会订购的商品，从而推送给你，让你花更少的时间检索而要花更多的钱进行消费。

例如你购买了一些孕妇类产品，可能在不久之后，它就会推送相关联的一些婴儿用品给你。

而我们消费后的评价与反馈，又使得他们不断改进自己，例如不同卖家的钻石星级，或者清退一些不合格的卖家等等这些行为，就是淘宝对自身的调整。

这种互利互惠的双回路的运转模式，可以看作是卖家与买家间的一种良性的互动方式，而这种互动方式在传统的卖场里面是不可想象，也难以实现的。

2．什么是课堂教学互动方式？

课堂教学互动方式，则是指在课堂上，教师与学生之间的一种信息交流方式。

在传统的课堂中，师生之间的互动交流方式比较单一，上课就是教师在讲，学生在听，一种单方向的传导过程。

有人说，教师就是知识的搬运工，课堂上很少有师生之间的交流。

还有一种观念是，教师对学生提问，学生回答，就是师生互动。

显然，这种认识是肤浅的，这将使师生互动流于形式。师生互动的根本目的是要引导和培养学生的高阶思维。

因此，真正的师生互动应该定义为思维的碰撞、智慧火花的生发之源。

近些年来一直被提及的可汗学院的教学与学习方式，之所以受到关注的原因，恰恰就是它基于大数据分析，解决了课堂教学互动这个难题。

大数据之所以能实现课堂教学互动，是因为它具有三个主要特征：反馈、个性化和概率预测。

我们传统的课堂教学是一种单回路的学习，即教师给予，学生接受。我们对学生进行考核，然后对他们进行评价。

我们不会或者没有条件来通过学生的成绩来反思自己的教学内容或者方式是否是恰当的。

我们不能从学生身上获得真正有用的反馈信息来改变自己的教学内容和行为。

所以说，传统的课堂教学是一种单回路的方式，根本没有实现师生间的良性互动。

此外我们的教学内容在编排上，考虑的是处于平均水平的学生，而这种水平的学生其实在现实中可能根本是不存在的。

换句话说，我们的教学没有照顾到“好”学生，也忽略掉了那些“差”学生，甚至连我们认为的中等水平的学生，也是不存在的，因为他们是平均后虚构出来的群体。

所以，我们的教学根本没有针对学生做出个性化的设计，这是教育普及大众化不得不做出的取舍。

传统的教学是没有反馈或反馈较少（没有时间或实在照顾不到，分身乏术），没有个性化，从而更谈不上有概率预测的一种教学。

而大数据下的新的课堂教学互动方式，却可以改变这种状况。

1．参考案例

维克托·迈尔-舍恩伯格及肯尼斯·库克耶编写的《与大数据同行——学习和教育的未来》一书，举了可汗学院的例子。

2004年，可汗是一个刚从哈佛商学院毕业一年的基金分析师，给自己的表妹辅导数学。

由于他们生活在不同的城市，因此，他在互联网上为她进行辅导，从此永远地改变了教育的世界。

他编写了若干程序来协助教学，这些程序能生成数学习题，并显示孩子们提交的答案是否正确。

同时，也收集数据，程序可以追踪每个学生的答对和答错的习题数量，以及他们每天用于作业的时间等等。

后来在此基础上创建的可汗学院，之所以可以闻名于世，就是因为它收集有关学生行为的数据，从中获取有用的信息来改变教学内容的设计，为每个学生定制个性化的学习方案。

可以说数据就是可汗学院运作的核心所在，大数据的支撑，互联网技术的飞速发展，使得相隔千里的师生之间形成了有效的课堂教学互动。

它改变了我们对面对面才能达成互动的传统认识。

此外，还有一个关于斯坦福大学吴恩达与他的机器学习课程的例子。

吴教授将课程放到了网上，他追踪学生与视频互动的行为。

在什么地方按了暂停键，什么地位按了重复键，在什么地方放弃了继续听课，他的目的不是督促学生学习，而是反思学生卡在了什么问题上，哪些教学内容难以理解，从而对课程进行调整。

例如，他发现学生本来都是正常的按顺序进行网上学习，但是很多学生在学习第7课时，都会去回看第3课的一个关于数学知识的复习课。

于是他发现，原来是因为第7课解决某个问题时，需要用到第3课复习到的一个数学公式，而很多学生并没有记住，因此他就对第7课时的教学视频做了改变，会自动弹出一个弹窗帮助学生来复习数学公式。

还有一次，他发现学生在学习第75课到第80课时，正常的学习秩序被打乱了，学生以各种各样的顺序反复观看这几节课。

他通过反复分析，发现学生的行为是在反复理解概念，于是他将这部分的教学内容制作的更加精细，更有助于帮助学生理解概念。

【 评价】

这是一个典型的大数据分析下，课堂教学互动变革实现了教学反馈的例子。

觉得我们传统的教学，只是通过每天判一判学生的作业，看一看他们的考试成绩，是无法得到这些动态的数据的，更无法得到改变我们教学内容与方式的有价值的信息。

于是我们的教学可能几年甚至几十年都在重复相同的内容和动作。因为我们不知道学生究竟是如何进行学习的。

2．参考案例

还有一个例子是关于“半岛大学”的暑期班项目，他们使用可汗学院的数学课程教授来自旧金山湾区贫困社区的中学生。

在课程一开始，一个七年级的女生的成绩在班里一直垫底，在整个暑期的大部分时间中，她一直是学得最慢的一个学生，但是在课程结束后，她的成绩是班上的第二名。

可汗对此感到好奇，于是调取了她完整的学习记录，查看她每一道习题和解题的时间，系统创建的图表对她学习进行的描绘，发现他很长时间都徘徊在班级的底部，直到在某个事件点上突然直线上升，超过了几乎所有的学生。

这充分说明，当学生以自己最适合的步调和顺序进行学习时，即使一个被看似没有能力的“差生”也是可以变为优等生的。

【 评价】

这是一个典型的大数据分析下，课堂教学互动变革实现了个性化教学的例子。

如果这个女孩放在我们传统的基于小数据的教学课堂上，几次考试的成绩都不理想，可能她就会被我们归类为“差生”，于是各种补习加各种辅导，完全打击了她的自信心，成绩的阴影甚至会影响到她的一生。

而可汗学院的课程，利用数据监控了她的所有的学习过程，时间是一个连续的变量，针对她的特点设计了适合她的习题，循序渐进，激发出了她最大的能量。

她完全根据这种个性化的定制，按照自己的学习节奏进行学习，不用去关注到其他人的学习进度与成绩。细思极恐，我在想我们的教育究竟扼杀掉了多少这样的人才？

我们真的应该好好认清大数据带给我们的课堂教学互动的变革，这种变革很多时候甚至不是技术上的，而是理念上的。

在反馈与个性化的基础上，大数据的更大的优势就体现在了概率预测这方面了。

例如我们可以对学生个体为提高其学业成绩需要实施的行为作出预测。比如选择最有效的教材、教学风格、反馈机制等等。

其实，在小数据时代，我们跟学生家长所说的某些建议，比如您的孩子应该加强数学这方面的学习，您的孩子适合去学文科等等这些建议，其实也不是肯定的事实，也只是概率性的干预。

因为可能根据老师所谓的经验，这个学生选择学习文科，将来考上一本的可能性更高。而大数据与过去最大的区别是，我们是通过对事物加以测量和量化，以更高的精确度说话。它的预测准确率更高。

比如，大学的选课方面，可以根据你以往的学习基础以及学习行为，预测出你选哪门课的通过率会更高，你未来的职业规划怎样进行会更加顺利等等。

大数据所实现的这种概率预测，似乎与课堂教学互动方式的变革没有直接的关系。

但是仔细分析不难发现，这种预测其实是师生间互动的一种延续，我们对学生的影响不只局限于课堂上，而是延续到了未来选择的层面上，使得互动交流更上了一个台阶。

1．利用数据反馈信息调整课堂教学策略

以高考备考为例：

上图是追踪某高中四年所有学生高考数学各知识点得分率的情况，我们可以看出对其中一部分知识点的得分率维持在高位。

这就说明学校一贯的培养策略与日常教学方法是正确的，只需要保持即可，无论教师还是学生不需要过于焦虑，因为大数据反馈的结果对未来教学效果有一定的预测功能。

2．关注学生的个性化发展

大数据不仅对规模庞大的数据进行全样本分析，得到一般规律，更重要的是很能体现出个性，它可以记录下每一个学生的变化，方便教师针对每一个学生调整课堂教学方式。

上图是大数据分析系统给出的某一个学生在一次考试中的情况，从图中可以看出，数学与物理是这个学生的优势学科，英语是这个学生最薄弱的学科，那么在进行改进策略制定时，要多听取英语老师的建议。

大数据可以帮助教师的课堂教学行为不像传统课堂那样，针对的是所谓的“平均水平”的学生授课，而是能照顾到每一名学生。

例如，利用信息技术监控学生的课堂测试与课堂练习情况，随时调取任意学生的过程进行点评，统计每一名学生过程中出现的问题，这样教师对课堂进程的判断不是根据经验，而是根据实际情况随时调整。

总之，课堂教学互动方式的变革，不应该只是技术层面上的变革，媒体技术，网络平台的建设已经非常的成熟了，我们需要的变革是组织变革，是思想的变革。

现在流行的微课、慕课（MOOCs）其实就是大数据渗透到教学互动领域冰山的一角，形式并不重要，重要的是隐藏在这些形式下的数据所反映出来的学生行为，以及反馈给教师的教学信息，从而引起他们的思考和改变，形成双向的回路，实现真正的“互动”，这才是大数据真正的价值。

大数据下的教师要成为“数据脱盲者”，我们需要通过读取数据来追踪学生的进步，通过概率预测解释什么是对学生最有效的学习。

我想这应该意味着我们需要建立一套完善的系统，在这个系统中，有数据处理的专家，有解读数据分析数据的分析师，有利用数据改善教学的教师。

只有在这个良性循环的系统中，才能真正实现课堂教学互动，呈现个性化的教学，让教育针对每一个孩子。

希望我们的教育和教学可以因为大数据而发生真正的变革。

Ⅳ 利用教育大数据，建立学生个性化分析指导

这是互联网＋时代，这是大数据时代。但是 “不得不承认，对于学生，我们了解的太少！” （卡耐基）

比较2500年前孔子时代的教育，和现今国内大部分中小学的教育模式，基本都是以教师主讲，学生听课，先进一些加上互助探究。课堂关注学生整体发展，对学生个体研究则少之又少。因材施教，有教无类，喊了2500年的教育口号，至今仍难实现。

大数据支持的教育，是智慧教育，是结合教育经验和大数据支持的全新教育教学改革。教育大数据具备以下特征：周期性强，复杂度高，价值高。中小学阶段，教育大数据应用主要体现在反馈，个性化和概率预测三个层面。教育大数据可以全面反馈个体学习者的学习状况，提供全方位的数据展示。从而根据每一位学生的实际，制定个性化的干预和指导，促进学生的自主成长和个性发展。提升对教育规律的认识深度、教育政策的制定方式，完善整个教育系统的结构，预测教育结果。通过大数据支持，现代教育将逐步成为一门实证科学，有据可依，有章可循的教育科学。

利用教育局建立的教学发展性评价系统，可以更加直观地发现学生的真实，真实学习状况，生活状况，甚至思想状况。

1，建立数据驱动的新型学习流程

传统课堂上，教师设计教学，引领、指导学生的学习活动，学生选择参与学习活动。

数据驱动的新型学习模式，教师依据大数据设计教学活动，进行教学测评，挖掘学生学习数据，确立新的教学目标，调整教学策略，重新设计教学活动。学生依据自身学习状况，确立学习角色，参与学习活动，在活动中调整学习策略，确立新的学习目标，投入到新的学习中。利用互联网＋的技术支持，记录，分析，反馈，促进教、学进步。

2，建立学生个人知识图谱

传统课堂上，教师的教学内容统一，教师讲授什么，学生学习什么。对于学生个体而言没有选择性，有些同学基础薄弱，对于先行知识还没有掌握，学习新知困难重重，课堂一知半解。有些同学已经完全掌握相关知识，课堂上不得不亦步亦趋，浪费时间。教师对于每个学生的知识体系了解不足，教学针对性不足，教学效率低下。

大数据驱动下的智慧教学，提供给每一位学生相应科目，相应学习单元的知识图谱，通过学习、检测、反馈、应用等活动，记录每个知识点的学习情况。教师依据学生个体知识图谱，安排教学活动，布置个性化学习活动。课堂的教学，从围绕时间展开，转为围绕学习进度展开，促进学生个体的进步发展。

3，针对学生采取个性化分析指导。

大数据改善了学生学习的三个层次：反馈，个性化和概率预测。通过对教育大数据，建立学生成长模型，包括品德发展、学业发展、身心健康、兴趣特长四个维度，使学生发展显示可视化、数据化，探索各种变量之间的关系，形成诊断性的预测。

通过大数据的分析，建立学生个性化的学业诊断。依据大数据，观察学生的出勤、课堂表现、平时作业以及考试等过程性评价的数据，就可以分析出学业成绩和学习行为各要素的相关性，进而针对学生个体形成诊断意见，提出个性化分析指导。

2014级有一学生，中考入学成绩居年段20名，英语成绩处于中上层次。在高一上学期期中考试和期末考试中，英语学习成绩一路下滑，接近及格边缘。班主任、科任教师发现情况，及时到教研室查阅该生的各项成长数据，发现学习作息时间正常，在单词背诵、阅读理解、以及英语学习总时间上与其他优等生一致，唯有课时练习完成不及时不主动。

与学生座谈，分析英语成绩下滑原因：在英语学习时间无差别的基础上，由于时间分配存在差异，在同步练习上花时间偏少，导致成绩与优等生差距拉大。引导学生改正学习习惯，课后及时复习，完成课时练习。

数据显示，干预后，该生的英语成绩稳步上升，达到高点。

学生的成长具有特异性，利用大数据观察、记录、分析学生的成长历程，预测学生发展潜力，引导学生职业规划，促进学生个性化发展和健康成长。

Ⅳ 教育大数据的技术体系框架

一般而言，大数据的处理流程包括数据采集、数据处理、数据分析与应用服务四个环节。

从下往上依次是：教育数据采集层、教育数据处理层、教育数据分析与展现层和教育数据应用服务层——通过数据传输接口，数据采集层将采集到的各类教育数据传递给数据处理层，并通过数据整合、存储形成教育数据平台；基于该教育数据平台，分析与展现层可实现教育数据的可视化展现和大数据的分析与挖掘，并将分析结果通过数据接口传递给应用服务层。

安全与监控贯穿整个流程，以保证教育数据各个环节的安全性和可控性；标准与规范则是整个框架的基础，以保障各个环节之间以及整个系统教育数据的融通与共享。

各个环节的主要任务及其涉及的关键技术如下：

1、教育数据采集

数据采集涉及的关键技术包括：数据源的选择和高质量原始数据的采集方法，多源数据的实体识别和解析方法，数据清洗和自动修复方法，数据演化的溯源管理，数据加载、流计算、信息传输技术等。

2、教育数据处理

教育数据处理环节包含慎并 数据整合和数据存储 。其中，数据整合是指通过高质量的数据整合方法，对数据进行加工处理，并在尽可能保留原有语义的情况下去粗取精、消除噪声，从全局的角度保证数据的一致性和相关性；数据存储是所有数据的集中存放地，主要用来存放各种结构化、半结构化和非结构化的历史数据、预测数据、汇总数据以及需要共享的数据等。

3、教育数据分析与展现

（1）教育数据挖掘

教育数据挖掘是一个将来自各教育系统的原始数据转换为宽拿迹有用信息的过程，这些有用信息可为教师、学生、家长、教育研究人员以及教育软件系统开发人员所利用。

（2）学习分析

学习分析是指通过测量、收集、分析、汇报学习者和他们所处环境的数据，用以理解和优化学习以及学习发生的环境。

目前，学习分析领域常用的分析方法包括网络分析法、话语分析法和内容分析法。

4、教育数据应用服务

通过对教育大数据的分析，可以辅助教师更好地调整和改进教学策略，重构教学计划，完善课程的设计与开发；向学生推荐个性化的学习资源、学习任务、学习活动和学习路径；帮助家长更加全面、真实地认识孩子，与学校一起促进孩子的个性化成长；帮助教育管理者进行更科学的管理决策；帮助社会公众把握教育的发展现状，享受更具针对性、更适合自己的终身学习服务。

后续深入介绍。

参考文献

教育敏碧大数据的技术体系框架与发展趋势——“教育大数据研究与实践专栏”之整体框架篇  杨现民

Ⅵ 教育大数据与其他行业大数据的主要区别是什么

教育大数据，顾名思义就是教育行业的数据分析应用。而大数据，则需要具备5V的特点(IBM提出)：Volume(大量)、Velocity(高速)、Variety(多样)、Value(低价值密度)、Veracity(真实性)。

其中的“大”主要指的是 Volume(大量)，我们现阶段用的数据分析，大部分情况下的数据量还达不到这个“大”的级别。

教育行业在数据分析的应用方面，主要痛点有以下四个方面：

1.数据涉及面窄

数据主要来源为数字化校园系统产生的，其他教学管理的数据多为手工录入非结构化数据，数据维度少，数据来源不足。

2.数据接口不完善

内部信息系统的教务系统、一卡通系统、图书馆系统、财务系统等数据都不规范一致，数据结构也不一样，各业务系统接口对接难度大，业务接口与数据结构还不规范。

3.缺乏统一的数据管理平台

没有统一的数据处理中心对数据进行管理，没有人力维护各系统的接入，有效数据量少，数据质量差，达不到大数据处理分析要求。

大数据与教育相结合是大势所趋，在教育大数据背景下，知识教学不再只能在学校进行，作为教师，应该清醒地认识到教育的功能究竟是什么，就是教育即生长。在这样一个大数据的时代，应该把关注人的生长提升到重要的地位。

Ⅶ 大数据分析的具体内容包括哪些

大数据分析的具体内容可以分为这几个步骤，具体如下：

1.数据获取：需要把握对问题的商业理解，转化成数据问题来解决，直白点讲就是需要哪些数据，从哪些角度来分析，界定问题后，再进行数据采集。这样，就需要数据分析师具备结构化的逻辑思维。
2.数据处理：数据的处理需要掌握有效率的工具，例如：Excel基础、常用函数和公式、数据透视表、VBA程序开发等式必备的；其次是Oracle和SQL sever。这是企业大数据分析不可缺少的技能；还有Hadoop之类的分布式数据库，也应该掌握。
3.分析数据：分析数据需要各类统计分析模型，如关联规则、聚类、分类、预测模型等等。SPSS、SAS、Python、R等工具，多多益善。达内教育大数据云计算课程体系，内容较全，技术深，涉及JavaEE架构级技术，分布式高并发技术，云计算架构技术，云计算技术，云计算架构技术等。
4.数据呈现：可视化工具，有开源的Tableau可用，也有一些商业BI软件，根据实际情况掌握即可。

想了解更多有关大数据分析的详情，推荐咨询达内教育。达内教育已从事19年IT技术培训，累计培养100万学员，并且独创TTS8.0教学系统，1v1督学，跟踪式学习，有疑问随时沟通；自主研发的26大课程体系更是紧跟企业需求，企业级项目，课程穿插大厂真实项目讲解，对标企业人才标准，制定专业学习计划，囊括主流热点技术，助力学员更好的提高。感兴趣的话点击此处，免费学习一下

Ⅷ 教育大数据是什么教育大数据作用有哪些

本文主要内容是介绍教育大数据的定义与作用，在了解教育大数据前我们首先要了解什么是大数据。大数据技术是21世纪最具时代标志的技术之一。国务院发布的《促进大数据发展行动纲要》中提出“大数据是以容量大、类型多、存取速度快、应用价值高为主要特征的数据集合”。简单的说，大数据就是将海量碎片化的信息数据能够及时地进行筛选、分析，并最终归纳、整理出我们需要的资讯。

教育大数据，顾名思义就是教育行业的数据分析应用。

而大数据，则需要具备5V的特点(IBM提出)：Volume(大量)、Velocity(高速)、Variety(多样)、Value(低价值密度)、Veracity(真实性)。

其中的“大”主要指的是 Volume(大量)，我们现阶段用的数据分析，大部分情况下的数据量还达不到这个“大”的级别。

教育行业在数据分析的应用方面，主要痛点有以下四个方面：

1.数据涉及面窄

数据主要来源为数字化校园系统产生的，其他教学管理的数据多为手工录入非结构化数据

数据维度少，数据来源不足。

2.数据接口不完善

内部信息系统的教务系统、一卡通系统、图书馆系统、财务系统等数据都不规范一致，数据结构也不一样，各业务系统接口对接难度大

业务接口与数据结构还不规范

3.缺乏统一的数据管理平台

没有统一的数据处理中心对数据进行管理，没有人力维护各系统的接入

有效数据量少，数据质量差，达不到大数据处理分析要求

在具体的应用方面，即数据分析体系搭建上，可以在以下四个方面开展。

1.教务管理

在这方面可以进行招生分析、就业分析、住宿分析、图书馆分析、资产数据统计分析等。

2.教学创新

在这里可以进行教学质量评估、上网行为分析、学生成绩分析、学生特长能力分析

3.应用创新

可以进行学生轨迹分析、学生画像、学生舆情监控

4.科研支撑

可以开展科研成果分析统计、科研项目研究、科研经费跟踪研究，对整个科研情况有全面的了解和掌握。

1.大数据或把老师从作业批改中解放

在线教育除了能以优质教育资源为学生提供帮助外，对广大家长、老师和学校也大有裨益。苏静以作业帮家长版的“口算批改”功能为例介绍，家长或老师只需要用手机对着学生作业一扫，就能立刻对作业完成智能批改，显示出批改结果，能够大大节省老师和家长批改作业的时间。

事实上，随着人工智能等新兴技术的深入应用，在线教育平台能够为家长、老师、学校提供更有效的教学辅助。

2.因材施教，将更有的放矢

“人工智能+大数据精准教育”系统能利用大数据技术，完成对学生学习进度、学力、习惯的跟踪和分析，系统后台能够准确对用户进行用户画像，找到他们的知识薄弱点，形成用户学情报告，这可以帮助老师和学校更细致地了解每一个学生的情况，并有的放矢地制定更精准的学生学习计划。

Ⅸ 教育大数据分析方法主要包括哪三类

一、大数据与大数据分析概述

随着数据获取、存储等技术的不断发展，以及人们对数据的重视程度不断提高，大数据得到了广泛的重视，不仅仅在IT领域，包括经济学领域、医疗领域、营销领域等等。例如，在移动社交网络中，用户拍照片、上网、评论、点赞等信息积累起来都构成大数据；医疗系统中的病例、医学影像等积累起来也构成大数据；在商务系统中，顾客购买东西的行为被记录下来，也形成了大数据。

时至今日，大数据并没有特别公认的定义。有三个不同角度的定义：（1）“大数据”指的是所涉及的数据量规模巨大到无法通过人工在合理时间内达到截取、管理、处理并整理成为人类所能解读的信息[1]。（2）“大数据”指不用随机分析法（抽样调查）这样的捷径，而采用所有数据进行分析处理的方法的数据[2]。（3）“大数据”是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。

通常把大数据的特点归纳为4个V，即数据量大（Volume）、数据类型多（Varity）、数据的价值密度低（Value）以及数据产生和处理的速度非常快（Velocity）。

对大数据进行分析可以产生新的价值。数据分析的概念诞生于大数据时代之前，但传统的数据分析和大数据分析是不同的。传统的数据分析往往是由客户提出一个问题，分析者围绕该问题建立一个系统，进而基于该系统解释这个问题；而大数据分析有时候并没有明确的问题，而是通过搜集数据，浏览数据来提出问题。

另一方面，传统的数据分析是在可用的信息上进行抽样，大数据分析则是对数据进行不断的探索，通过全局分析连接数据，达到数据分析的目的。

传统的数据分析的方法，往往是大胆假设小心求证，先做出假设，再对数据进行分析，从而验证先前的假设；而大数据分析则是对大数据进行探索来发现结果，甚至发现错误的结果，之后再通过数据验证结果是否正确。

因此，传统的数据分析可以看成一种静态的分析，大数据分析可以看成一种动态的分析。尽管如此，大数据分析和传统数据分析也并非是泾渭分明的，传统数据分析的方法是大数据分析的基础，在很多大数据分析的工作中仍沿用了传统数据分析的方法。

基于上述讨论，我们给出“大数据分析”的定义：用适当的统计分析方法对大数据进行分析，提取有用信息并形成结论，从而对数据加以详细研究和概括总结的过程。

大数据分析分为三个层次[3]，即描述分析、预测分析和规范分析。描述分析是探索历史数据并描述发生了什么（分析已经发生的行为），预测分析用于预测未来的概率和趋势（分析可能发生的行为），规范分析根据期望的结果、特定场景、资源以及对过去和当前事件的了解对未来的决策给出建议（分析应该发生的行为）。例如，对于学生学习成绩的分析，描述分析是通过分析描述学生的行为，如是否成绩高的同学回答问题较多；预测分析是根据学生的学习行为数据对其分数进行预测，如根据学生回答问题的次数预测其成绩；而规范分析则是根据学生的数据得到学生下一步的学习计划，如对学生回答问题的最优次数提出建议。

大数据分析的过程可以划分为如下7个步骤：（1）业务调研，即明确分析的目标；（2）数据准备，收集需要的数据；（3）数据浏览，发现数据可能存在的关联；（4）变量选择，找出自变量与因变量；（5）定义模式，确定模型；（6）计算模型的参数；（7）模型评估。

我们以预测学生学习成绩为例解释上述过程。首先，我们的目的是根据学生的行为预测学习成绩。接下来，对于传统的方法来说，通过专家的分析确定需要什么数据，比如专家提出对学生成绩有影响的数据，包括出勤率、作业的完成率等，可以从数据源获取这样的数据；大数据分析的方法有所不同，是找到所有可能相关的数据，甚至包括血型等，这些数据与成绩之间的关系未必有影响，就算发现了关系也未必可以解释，但是获取尽可能多的数据有可能发现未知的关联关系。

Ⅹ 教育大数据分析的三大方法

一、常用大数据分析方法
1、描述性分析
这是业务上使用最多的分析方法，也是最简单的数据分析方法，为企业提供重要的指标和业务衡量方法，可以通过企业各种数据获得很多客户的情况，例如客户的喜好，使用产品习惯等。
2、诊断分析
做好描述性分析之后就可以进行诊断分析了，主要是通过评估描述性数据，诊断分析工具可以使数据分析对数据进行深入分析，并深入数据的核心，一个设计良好的数据分析工具可以集成数据读取、特征过滤和按时间序列进行数据钻取的功能，从而更好地分析数据。
3、预测分析
预测分析是用于预测未来事件发生的可能性，一个可量化值的预测，或者事件发生时间点的预测，都可以通过预测模型来完成，预测模型也是一种重要的方法，在许多领域得到应用。
4、指令分析
数据和复杂性分析的下一步是指令分析，指令模型可以帮助用户决定应该采取什么措施。