¿Alguna vez has oído hablar de la educación Yixue? Tienen algún tipo de sistema de enseñanza adaptativo, ¿verdad?

En vista de las oportunidades y desafíos que el big data trae a la educación, discutiremos y compartiremos con los lectores las diferencias entre big data y datos tradicionales, así como el progreso de su implementación en la industria. 1. La diferencia entre big data y datos tradicionales Como todo lo nuevo, big data es un concepto que aún no está claramente definido. Es tan joven que las universidades más de moda aún no han tenido tiempo de ponerse al día y ofrecer esta especialidad, y los expertos más de moda aún no han permitido que sus teorías dominen el mundo. Todos los que lo estudian todavía están descubriendo en qué se diferencian los big data de los datos tradicionales. Internet es una red mágica y el desarrollo de big data también es un modelo. Si realmente desea comprender big data, puede venir aquí. El número inicial de este teléfono móvil es 187, el número del medio es 3er0 y el último. es 14250. Puedes encontrarlos combinándolos en orden. Lo que quiero decir es que, a menos que quieras hacerlo o entiendas este aspecto, si solo te unes a la diversión, no vengas. Escriba big data en Google Scholar (Google Scholar) para consultar trabajos académicos de los últimos cinco años. Hay hasta 355.000 artículos y si ingresa las dos palabras clave "big data" y "educación", los resultados son aproximados. Aparecieron 17.600 resultados en la concordancia, pero menos de 10 resultados aparecieron en la concordancia exacta. Se puede ver que la minería de big data en el campo de la educación es todavía una tierra virgen inexplorada donde ningún primero en llegar ha establecido las reglas. En el campo de datos tradicional, un examen PISA puede producir más de 300 tesis doctorales en todo el mundo. Cada año, alrededor de 5.000 estudiantes de maestría y doctorado se capacitan en educación y psicometría en todo el mundo. Hay muchas revistas básicas del SSCI relacionadas con la educación y la estadística psicológica. Hay 489 tipos. Hay más de 160 instituciones profesionales que brindan análisis de datos para IES, ETS y otras instituciones, y se han formado más de 4.000 profesionales como WWC: el patrón meteorológico tradicional en el campo de los datos educativos. Se vuelve difícil cambiar su metodología y sistema de evaluación existentes. La cantidad de datos y métodos de análisis cambiarán inevitablemente de una escopeta a otra. En los datos tradicionales, los datos cuantitativos para el análisis generados por un estudiante después de completar la educación obligatoria de nueve años básicamente no excederán los 10 kb, incluida información personal y familiar básica, información relacionada con la escuela y los maestros, puntajes de exámenes en diversas materias, y altura y peso. Datos fisiológicos, registros de uso de bibliotecas y gimnasios, información médica e información de seguros, así como otros tipos de datos de evaluación. Con esta cantidad de datos, una computadora doméstica común con una configuración superior y software EXCEL o SPSS básico puede realizar análisis estadísticos en menos de 5,000 estudiantes y un procesador de doble núcleo, ACESS, SurveyCraft y otras configuraciones de software son suficientes para completar todo; operaciones estadísticas avanzadas del área. Este tipo de trabajo generalmente solo requiere conocimientos de nivel intermedio en educación y estadística psicológica, un conjunto de plantillas de análisis de datos para comparar y procesar paso a paso, y dos o tres meses de capacitación operativa para ser básicamente competente. El análisis de big data es un nivel de tecnología completamente diferente. Según una investigación de Classroom Observer, un conocido desarrollador estadounidense de software de aplicaciones de observación de aulas, los datos holográficos generados por un estudiante en una clase ordinaria de escuela secundaria de 40 minutos son de aproximadamente 5 a 6 GB, que pueden clasificarse, etiquetarse y analizarse. Sus datos cuantitativos son de entre 50 y 60 MB, lo que equivale a los datos totales que ha acumulado en el campo de datos tradicional durante 5.000 años. Para procesar estos datos, se debe utilizar tecnología de computación en la nube y software como Matlab, Mathematica, Maple, etc. para el procesamiento y visualización de datos. Los profesionales que pueden procesar estos datos generalmente provienen de los campos de las matemáticas o la ingeniería informática, lo que requiere una sólida formación y conocimientos profesionales. Lo que es aún más valioso es que no existe un método determinado para la extracción de big data y depende más del talento y la capacidad. talento del minero inspiración. La diferencia más esencial entre big data y datos tradicionales se refleja en la fuente de recopilación y la dirección de la aplicación. La forma tradicional de organizar los datos puede resaltar mejor el nivel del grupo: nivel académico general de los estudiantes, desarrollo físico y condición física, desarrollo social, emocional y adaptativo, satisfacción con la escuela, etc.

Estos datos no son posibles ni necesarios para recopilarlos en tiempo real, sino que se obtienen mediante evaluaciones periódicas y por etapas. Los datos tradicionales reflejan el nivel de la variable dependiente de la educación, es decir, el estado de aprendizaje de las materias de los estudiantes, su estado de salud física y mental y sus sentimientos subjetivos sobre la escuela. Estos datos se obtienen completamente con el conocimiento de los estudiantes y son muy deliberados y opresivos, principalmente a través de exámenes o encuestas a escala, por lo que también generarán mucha presión para los estudiantes. Y los big data tienen la capacidad de prestar atención al desempeño microscópico de cada estudiante individual: cuándo abrió el libro, sonrió y asintió cuando escuchó algo, cuánto tiempo permaneció en una pregunta y la cantidad de veces que faltó a clases en diferentes ¿Cuál es la diferencia y con cuántos compañeros iniciarás una comunicación activa? Estos datos no tienen significado para otras personas y representan características de desempeño altamente personalizadas. Al mismo tiempo, la generación de estos datos se basa completamente en procesos: en el proceso del aula, en el proceso de los deberes, en la interacción entre profesores y alumnos o alumnos… se genera en las acciones y fenómenos que ocurren cada momento. La integración de estos datos puede explicar el nivel de variables independientes en las microrreformas educativas: ¿Cómo deberían estar en línea los cambios en las aulas con las características psicológicas de los estudiantes? ¿El curso involucra a los estudiantes? ¿Qué tipo de métodos de interacción profesor-alumno son populares? ...y lo más valioso es que estos datos son completamente observados y recopilados por los estudiantes sin su conocimiento, y solo requieren la asistencia de ciertas técnicas y equipos de observación, sin afectar el aprendizaje y la vida diaria de los estudiantes. La colección también es muy natural y real. Por lo tanto, con base en los puntos de vista anteriores, no es difícil encontrar que en el campo de la educación, los datos tradicionales y los big data presentan las siguientes diferencias: 1. Los datos tradicionales interpretan la situación educativa macro y general y se utilizan para influir en la educación. decisiones políticas; big data puede analizar Las condiciones microscópicas e individuales de los estudiantes y del aula se utilizan para ajustar el comportamiento educativo y lograr una educación personalizada. 2. Los métodos tradicionales de extracción de datos, métodos de recopilación, clasificación de contenido, estándares de aceptación, etc. tienen reglas existentes y una metodología completa es algo nuevo, y aún no se han formado métodos, rutas y criterios de evaluación claros. 3. Los datos tradicionales provienen de evaluaciones por etapas y específicas, y el proceso de muestreo puede tener errores sistemáticos; los grandes datos provienen de registros procedimentales en tiempo real de comportamientos y fenómenos, y errores en métodos de muestreo y observación técnica de terceros más pequeños. 4. Los talentos, las habilidades profesionales, las instalaciones y el equipo necesarios para el análisis de datos tradicional son relativamente comunes y fáciles de obtener. Los talentos, habilidades profesionales, las instalaciones y el equipo necesarios para la minería de big data son relativamente altos, y los profesionales deben tener una El sentido de innovación y la inspiración para extraer datos. En lugar de aquellos que siguen los pasos paso a paso, esos talentos son muy escasos. 2. La crisis educativa oculta en la era del big data “Tenemos que admitir que sabemos muy poco sobre los estudiantes”: esta es una confesión en la introducción de la investigación de la Facultad de Educación de la Universidad Carnegie Mellon, también en Estados Unidos. Los temas centrales presentados con mayor frecuencia entre las diez principales conferencias anuales educativas. Esta falta de comprensión de los estudiantes no tuvo ningún efecto negativo en la historia de la educación durante cientos o incluso miles de años antes del siglo XXI, pero se ha convertido en una enfermedad fatal del desarrollo educativo en la última década después de la revolución de la tecnología de la información. "En el pasado, era irrefutable que los estudiantes fueran a la escuela para aprender conocimientos, y eso se debía a que la gente tenía muy pocos canales para acceder al conocimiento en ese momento, y era imposible obtener conocimientos sistemáticos sin abandonar la escuela". profesor de la Universidad de Stanford En su discurso de apertura en la conferencia de la AERA (Asociación Estadounidense de Investigación Educativa), dijo: "Sin embargo, la popularidad de Internet ha sacado del altar el estatus de las escuelas, las preocupaciones de Ball no son descabelladas". Según datos publicados por Kids Count Census Data Online, el número de estudiantes de entre 5 y 17 años que reciben educación en el hogar en los Estados Unidos alcanzó 1,97 millones en 2012. En comparación con la población natal, que disminuye año tras año, esta proporción de población es muy significativo. Al mismo tiempo, han surgido clases en línea con contenidos cada vez más sofisticados, y Khan Academy, fundada en 2009 y rápidamente se hizo popular en todo el mundo, es un destacado representante entre ellas.

Desde cursos abiertos en universidades reconocidas hasta Khan Academy, la popularidad de este modelo de aprendizaje en línea simplemente demuestra que el entusiasmo de la gente por aprender no ha desaparecido, pero la gente ya está muy ansiosa por decir adiós al modelo de enseñanza académica tradicional. El tradicional modelo de enseñanza colectiva, inmutable e incluso "arrogante", parece estirarse a la hora de adaptarse a grupos de estudiantes cada vez más diversos y personalizados. El modelo de Khan Academy no solo ayuda a los estudiantes a elegir de forma independiente el contenido que les interesa, sino que también puede saltar rápidamente al nivel de dificultad que más les convenga, mejorando así la eficiencia del aprendizaje. Los alumnos no tienen presión para estudiar y pueden controlar por sí mismos la duración, el momento, la ocasión y la cantidad de revisiones. Es concebible que si el modelo de Khan Academy se desarrolla aún más y se vincula al sistema de evaluación adaptativo por computadora (CAT), permitiendo a los usuarios dominar su progreso de aprendizaje y obtener materiales de aprendizaje precisos a través de la autoevaluación, entonces se formará Internet. y el poder del "circuito cerrado" de productos será disruptivo. Y si el modelo curricular de la educación tradicional no innova, la forma del aula no cambia y el papel y la conciencia de los docentes no cambian, entonces la existencia de la escuela sólo tendrá significado para los estudiantes que carecen de recursos de aprendizaje modernos; estudiantes que pueden obtener de forma independiente recursos de aprendizaje más adecuados. Por ejemplo, ir a la escuela puede ser simplemente para cumplir con una obligación impuesta por un rol social que ni siquiera es necesario, y mucho menos una experiencia placentera o impulsada por el interés. La investigación de big data puede ayudar a los investigadores de educación a reexaminar las necesidades de los estudiantes y descubrir qué tipo de cursos, clases y profesores pueden atraer a los estudiantes a través de un análisis detallado y de alta tecnología. Pero el problema es que la ventana de tiempo que el desarrollo social da a los investigadores educativos no es amplia, porque demasiadas personas también están tratando de dividir la limitada energía y atención de los estudiantes mediante la extracción de grandes datos. Y, hasta cierto punto, están mucho más motivados y sinceros que los investigadores en educación. Los primeros en sufrir la peor parte son los diseñadores de juegos; los adolescentes son su principal grupo de consumidores. Dejando de lado a los mundialmente famosos Blizzard Entertainment, Electronic Arts Inc., Nintendo y otros gigantes internacionales, incluso las empresas nacionales Shanda Network, The9th City, Giant Technology y Taobao Game como Mi Network ya han establecido una investigación profesional y poderosa sobre la "experiencia del usuario". equipos. Utilizarán varios microcomportamientos, como seguimiento ocular, seguimiento de la frecuencia cardíaca, seguimiento de la presión arterial, tasas de microoperación del teclado y el mouse, etc., para estudiar cómo hacer que los jugadores inviertan más tiempo en el juego y estén más dispuestos a gastar dinero real. dinero mundial para comprar juegos del mundo virtual. ¿Cuándo deberían aparecer los enemigos, qué nivel deberían tener y cuánta energía necesita gastar el protagonista para derrotarlos? Estas variables han sido estrictamente diseñadas y controladas por una sola razón: los grandes datos les dicen a los creadores de juegos que ese diseño es el. uno que pueda atraer mejor a los jugadores para que sigan jugando. A continuación se encuentran las industrias culturales en cadena, como las películas, los vídeos y las novelas juveniles. ¿Por qué miras videos uno tras otro en el sitio web y no puedes parar? Es porque calculará qué tipo de videos le gusta ver a la cuenta y qué tipo de canciones le gusta escuchar en función del historial de navegación de la cuenta, y seguirá sus preferencias; y las novelas en línea más vendidas pueden no parecer "nutritivas", pero la elección de palabras, oraciones, número de palabras en los párrafos, altibajos de la historia e incluso el tipo de personaje del protagonista lo son. respaldado por investigaciones relevantes: a los lectores a menudo no les gustan las novelas bien estructuradas y bien diseñadas. Es por eso que los dramas coreanos con tramas sencillas son tan populares. A través de repetidas investigaciones sobre calificaciones, han descubierto los elementos que la audiencia más necesita. Y han demostrado ser exitosos una y otra vez. Además, hay muchos investigadores más poderosos, como los del comercio electrónico, que siempre pueden encontrar productos que usted esté dispuesto a comprar a través de los datos; incluso saben que los padres que compran pañales están más dispuestos a comprar cerveza. Puede que estos campos no parezcan particularmente relevantes para nosotros los educadores, pero están inextricablemente vinculados al objeto de nuestra mayor preocupación: los estudiantes. Hace cientos o incluso décadas, los estudiantes no enfrentaban tantas tentaciones. Las escuelas ocupaban una gran proporción en sus vidas y tenían el impacto más significativo en ellos, por lo que los educadores siempre tenían suficiente control sobre los estudiantes.

Los terminales cercanos a las personas, como los teléfonos móviles y los iPads, registran cada bit de los pensamientos, decisiones y comportamientos de las personas en todo momento. Lo más importante es que frente a estos potentes terminales de recopilación de datos, las personas no tienen intención de esconderse. Las personas presentan completamente sus diversas experiencias. Las personas se toman la molestia de repetir una y otra vez comportamientos que no quieren mostrar en situaciones experimentales. , creando así cantidades masivas de datos, cosas que la investigación de datos tradicional no puede hacer, y muchas de las dificultades con las que luchan los paradigmas de investigación tradicionales son invisibles en el momento en que llegan los big data. La llegada del big data ha permitido a todos los campos de las ciencias sociales pasar de los macrogrupos a los microindividuos gracias al desarrollo de tecnologías de vanguardia, que permiten rastrear los datos de todos y estudiar así la "naturaleza humana". Y para los investigadores en educación, estamos más cerca que nunca de descubrir estudiantes reales.