¿Cuál es la aplicación de big data en la vida futura?
Resumen:? El 15 de febrero, el profesor Sun, decano y profesor de la Escuela de Software del Instituto de Tecnología de Harbin, compartió un tema titulado "Aplicación de Big Data en campus universitarios inteligentes" en la columna de microconferencias de la aplicación CIO Times.
Palabras clave:
Aplicaciones en la era del director de información
Microcursos
15 de febrero, Decano de la Escuela de Software de Harbin Universidad de Ciencia y Tecnología, El profesor Sun compartió un tema titulado "Aplicación de Big Data en campus universitarios inteligentes" en la columna del microcurso de la aplicación CIO Times, que se dividió en dos partes: la era de los datos pequeños y la era de big data y los casos de aplicación de big data en campus universitarios inteligentes.
1. La era del big data y la era del big data
"Datos" significa "conocido" en latín y también puede entenderse como "existencia". Entonces "datos" son "existencia" y "grandes datos" son "gran existencia". Estudiar big data significa estudiar la gran existencia, es decir, estudiar toda la materia, todos los comportamientos, todos los pensamientos y al propio ser humano.
Los datos están inundando y cambiando la vida y el trabajo de las personas. La digitalización se refiere al proceso de transformar fenómenos en formas cuantitativas que puedan analizarse mediante indicadores, incluida la clasificación y comprensión del mundo, y la formación de experiencias almacenables. La informática y el registro contribuyen a la generación de datos, que es la base de la datificación. La digitalización es la conversión de datos analógicos en códigos binarios representados por 0 y 1, lo que facilita a los humanos el uso de la tecnología moderna para procesar mejor los datos. La digitalización es un concepto y la digitalización es un medio; los datos existen desde la antigüedad, pero la digitalización está en ascenso.
La era de los datos pequeños se basa en el muestreo aleatorio. El principio es obtener la mayor información con la menor cantidad de datos. Sin embargo, esto hace imposible comprender algunos microdetalles y no favorece el análisis de algunas subcategorías específicas. Y "la no uniformidad es la esencia del mundo", y la falta de detalles afectará la exploración e investigación de todas las actividades naturales y humanas. Además, el muestreo aleatorio se basa en la premisa teórica del investigador y sólo puede responder preguntas seleccionadas, lo que dificulta la consideración de otras preguntas. En otras palabras, la era de los datos pequeños se enfrenta al problema del "sesgo" debido a una información extremadamente limitada.
La era del big data significa la digitalización del mundo, lo que significa que la esencia del mundo es la información. El mundo se considera no sólo como un conjunto de acontecimientos sino también como un conjunto de información y datos. Este es un cambio profundo en la visión del mundo: los humanos tienen experiencia pasada en la comprensión y procesamiento de eventos, en lugar de seguir ciegamente la experiencia. Los seres humanos recopilan "datos" pero saben claramente que "lo que ven, piensan y obtienen" son todos "datos". Vivimos en un mar de datos y nosotros mismos somos los datos.
Lo anterior, desde la era del big data hasta la era del big data, ha ido acompañado o producido los siguientes cambios y entendimientos:
1. la población. Observar, comprender y cuidar el mundo con una actitud más amplia, más integral y más integral.
2. Los big data tienen menores requisitos de precisión. En la era de los datos pequeños, debido a que hay pocos datos, la precisión de los datos es muy alta. Cuando aparece una gran cantidad de datos o se necesita una gran cantidad de datos, es inevitable aceptar la complejidad de los datos.
3. Tenga en cuenta que los errores de datos no son una característica inherente del big data, sino que son problemas reales que deben abordarse y que pueden existir durante mucho tiempo.
4. Miscelánea nunca equivale a errores. La hibridación es la norma en big data y debería ser el estado básico y la configuración estándar.
5. El big data revela información detallada que las muestras tradicionales no pueden revelar. Big data es la forma básica de procesamiento "preciso".
6. En la era del big data, ya no nos interesa buscar la causalidad, sino que intentamos explorar la relación entre diferentes cosas y, sobre esta base, encontrar objetos relacionados observables para la predicción. Y la predicción es el núcleo de las aplicaciones de big data.
7. Después de explicar la correlación, se puede analizar la relación causal. Sin embargo, cabe señalar que la causalidad es sólo una forma especial de asociación. En la era de los grandes datos, la causalidad ya no es la base para explicar el mundo; la correlación es ubicua y es más fácil de descubrir y más eficiente en la era de los grandes. datos de guía. Incluso con el desarrollo de big data, las relaciones causales previas pueden ser falsificadas o vistas como correlaciones.
El punto 1 es la transformación de la epistemología a través de big data; los puntos 2 a 5 reflejan las necesidades de datos completamente diferentes en la era de big data y los puntos 6 y 7 son las relaciones lógicas entre la subversión de los datos; prioridades. Desde un punto de vista práctico, el punto 1 se puede utilizar como premisa, los puntos 2 a 5 se pueden utilizar como directrices para la recopilación y el procesamiento de datos, y los puntos 6 y 7 se pueden utilizar como directrices para la interpretación de los datos.
2. La aplicación del big data en campus universitarios inteligentes
En 2015, el país propuso y formuló un plan de acción "Internet", elevando "Internet" a estrategia nacional. La propuesta de "Internet" definitivamente agregará una nueva connotación e inyectará un nuevo impulso a la construcción de campus inteligentes en colegios y universidades. Con la ayuda de "Internet", acelerar la actualización del campus digital a campus inteligente, aprovechar al máximo una serie de nuevas tecnologías, nuevos conceptos y nuevos modelos, como la computación en la nube, el Internet de las cosas, el Internet móvil y los big data. construir un nuevo campus inteligente para apoyar firmemente la estrategia de desarrollo futuro de la escuela, promover la innovación en los métodos de evaluación y capacitación de talentos, mejorar la gobernanza escolar y brindar servicios personalizados multinivel y decisiones de gestión inteligentes. La connotación central de la construcción de campus inteligentes en las universidades se puede resumir como "conciencia ambiental integral, interoperabilidad de red perfecta, ecología de nube flexible, soporte de datos masivos, entorno de aprendizaje abierto, servicios personalizados para profesores y estudiantes, toma de decisiones de gestión inteligente, gestión eficiente de los asuntos escolares". ”.
En el proceso de informatización en colegios y universidades, se generan diversos datos estructurados y no estructurados, incluidos datos de gestión docente, datos de recursos docentes, datos de información de los estudiantes, etc. Los datos son diversos y complejos, desde los principios y estrategias de gestión de colegios y universidades hasta el consumo diario de los estudiantes. El uso de tecnología big data para recopilar y analizar estos datos y transformarlos en recursos disponibles para la gestión y los servicios universitarios jugará un papel muy importante en la construcción de campus inteligentes.
Los siguientes ejemplos ilustran la aplicación de la tecnología big data en campus inteligentes.
1. Visualización de la situación integral de la escuela
Para los administradores de la escuela, a través de un análisis integral y una visualización de la situación de la escuela, pueden comprender y comparar intuitivamente a los estudiantes de la escuela horizontal y verticalmente (pregrado). estudiantes, estudiantes de posgrado), cursos, resultados de investigaciones científicas, becas, empleo, personal docente, distribución de docentes, cuadros, mobiliario, activos, vivienda, rankings, consumo y otros aspectos. Combinado con los patrones cambiantes de los datos a lo largo de los años, puede proporcionar una base para la toma de decisiones auxiliares. La correlación de datos entre diferentes sistemas puede proporcionar nuevas ideas para que los gerentes tomen decisiones.
La visualización integral de la situación escolar incluye principalmente visualización de análisis de datos básicos y visualización de análisis de datos de comportamiento.
Análisis de datos básicos: como análisis de datos de inscripción, análisis de datos de estudiantes, análisis de datos de graduación, análisis de datos de docentes, análisis de datos de cursos, análisis de datos de desempeño, análisis de datos de empleo, análisis de datos de activos universitarios, etc.
Análisis de datos de comportamiento: situación de comedor en la cafetería de la escuela, comportamiento de consumo de tarjetas, comportamiento de Internet, comportamiento de préstamo de libros, tiempo de uso de la biblioteca, análisis de correlación entre tiempo/tráfico de Internet y rendimiento, análisis de caracterización y alerta temprana de espera de grupos clave .
Por ejemplo:
(1) Estadísticas de información sobre empleo universitario. A partir del análisis estadístico multidimensional del destino de graduación de los estudiantes universitarios, la unidad de empleo, el área de empleo, la industria laboral, el salario laboral, etc., presenta de manera integral la situación laboral de los colegios y universidades, ayuda a las oficinas de empleo de las universidades a descubrir patrones de empleo de los estudiantes y brinda apoyo a los estudiantes para brindarles orientación laboral específica.
(2) Análisis estadístico de la información docente. Para los líderes escolares, presenta la clasificación de cursos populares en colegios y universidades, estadísticas sobre cursos ofrecidos por varios departamentos, análisis estadístico del desempeño de los estudiantes y análisis de las tasas de fracaso. Presenta de manera integral la distribución del aprendizaje y el desempeño de los estudiantes durante su tiempo. en la escuela y brinda orientación para que los colegios y universidades abran cursos y mejoren Brindar apoyo para el rendimiento estudiantil.
(c) Análisis estadístico de una tarjeta. Muestra el poder de consumo general y las preferencias de los estudiantes universitarios y brinda apoyo al departamento de logística para comprender las preferencias gastronómicas y de compras de los estudiantes y mejorar los niveles de servicio de manera específica.
(4) El poder de consumo de cada fuente de estudiantes. De acuerdo con las estadísticas del poder de consumo de los estudiantes en esta área, se pueden ver en detalle las estadísticas de la cantidad de consumo de los estudiantes y los tiempos de consumo en un determinado período de tiempo.
(e) Analizar el uso de la red escolar y recopilar estadísticas sobre el comportamiento en línea de los estudiantes.
A través del análisis estadístico de las direcciones de Internet de los estudiantes, combinado con sus datos de información personal básica, se puede calcular la frecuencia de uso de un determinado tipo de sitio web por diferentes categorías de personas según diferentes dimensiones como género, lugar de origen, departamento, etc. . Si los registros registrados son lo suficientemente detallados, incluso se pueden calcular las preferencias o tendencias de los estudiantes en el consumo online, lo que también es una referencia importante para el departamento de logística o ingeniería.
Las tecnologías relevantes aplicadas incluyen: análisis de correlación de datos, integración de datos de múltiples fuentes, procesamiento masivo de datos de registros, pruebas comparativas, establecimiento de sistemas de indicadores, AgileBI y motor de búsqueda de texto completo.
2. Análisis del uso de los recursos públicos
Para los colegios y universidades, los recursos públicos como comedores, estadios, aulas, bibliotecas y hospitales universitarios son limitados, y los profesores y estudiantes son limitados. no tienen buenos recursos No hay forma de comprender las capacidades de servicio de estos recursos, lo que genera colas frecuentes y aglomeraciones, lo que trae una mala experiencia al aprendizaje y la vida de profesores y estudiantes. Con el avance de la informatización escolar, los sistemas de información de gestión de varios departamentos se han ido construyendo y poniendo en uso gradualmente. Con el desarrollo de la tecnología, especialmente la aparición de Internet de las cosas y los equipos de detección inteligentes, se ha hecho posible proporcionar servicios inteligentes; en el campus digital.
Los datos proceden del consumo de tarjetas, control de accesos con tarjetas, redes inalámbricas, videovigilancia de seguridad del campus, etc.
(1) La densidad de personas en comedores y baños públicos, la densidad de personas que planean cenar en comedores y baños públicos en distintos momentos, y los pasatiempos y hábitos gastronómicos de diversos miembros del personal (grado, lugar de origen, título profesional, etc.).
(b) Uso de las aulas, densidad de personal, uso de las aulas en cada periodo de tiempo, número de aulas, etc. ; Asistencia basada en red inalámbrica.
(c)Uso y densidad de salas de conferencias y recintos deportivos. Proporcionar a profesores y estudiantes la disponibilidad de lugares para reuniones, el uso de instalaciones deportivas (si hay clases disponibles, etc.) y la liberación de densidad de personal.
(e) Publicar el uso de asientos en la biblioteca y la densidad de población, y proporcionar información sobre los asientos vacantes y la ocupación de la biblioteca.
Distribución de la densidad de población en las escuelas. Con base en los datos de la red inalámbrica de la escuela y la información de videovigilancia de seguridad, se identifica el mapa de distribución de calor del personal de la escuela.
Las tecnologías relacionadas aplicadas incluyen: análisis de asociación de datos, minería de datos (análisis de agrupamiento), procesamiento masivo de datos de registros, integración de datos de múltiples fuentes (integración de datos de registros y datos estructurados), base de datos y distribución de memoria de alta velocidad. Motor de búsqueda de texto completo.
3. Informe de datos personales
Brindar servicios de datos personalizados para docentes y estudiantes del campus, mostrando su estado de aprendizaje, consumo, vida y salud en el campus.
Los hábitos de comportamiento personal pueden ayudar a los estudiantes a comprenderse mejor a sí mismos y a las diferencias entre ellos y los demás a través de un análisis de datos riguroso, y ayudar a los profesores y estudiantes del campus a sentir el cuidado humanista y los cambios provocados por la informatización.
Los datos proceden del consumo de tarjetas, control de acceso a bibliotecas, sistema de préstamo de libros, sistema de red del campus, control de acceso a estadios, etc.
(1) Informe de análisis sobre hábitos de facturación y consumo de tarjetas del campus
(b) Informe de análisis sobre frecuencia, duración y hábitos de préstamo de la biblioteca
; (c) Informe de análisis de facturas online y hábitos online;
Informe temporal de ejercicio físico.
A través de la cuenta oficial de WeChat y la aplicación de las universidades, la era de Internet móvil hace que sea conveniente para los usuarios leer, compartir y difundir a tiempo.
Proporcionar servicios de datos personalizados para profesores y estudiantes del campus, mostrar sus comportamientos y hábitos personales en términos de aprendizaje, consumo, vida, salud, etc. en el campus, y ayudar a los estudiantes a comprenderse mejor a sí mismos y a su salud a través de rigurosos análisis de datos Las diferencias con los demás ayudan a los profesores y estudiantes del campus a sentir el cuidado humanista y los cambios provocados por la informatización.
Las tecnologías relevantes aplicadas incluyen: análisis de correlación de datos, extracción de datos (retratos de usuarios), procesamiento masivo de datos de registros e integración de datos de múltiples fuentes.
4. Análisis de la eficiencia en la utilización de los recursos de revistas electrónicas bibliotecarias.
Las universidades gastan dinero cada año en comprar colecciones de revistas famosas para proporcionar a profesores y estudiantes servicios convenientes de recuperación y descarga de documentos. El uso de recursos de revistas electrónicas por parte de las bibliotecas y las diferencias en las preferencias de diferentes disciplinas por diferentes recursos de revistas electrónicas es lo que las bibliotecas necesitan entender con urgencia.
A través del análisis de big data de los registros de recuperación de literatura de revistas de usuarios universitarios, se optimiza el plan de adquisición de revistas en papel, lo que permite a la biblioteca comprar recursos (recursos electrónicos en papel tradicionales) que los profesores y estudiantes necesitan más y mejorar la eficiencia de las adquisiciones existentes.
La práctica habitual de las escuelas es comprar las estadísticas de acceso de los recursos de las revistas electrónicas a proveedores de datos (como Wanfang y CNKI). Sin embargo, este método se basa en los datos de acceso generales de la escuela para el análisis estadístico y no puede hacerlo. basarse en los usuarios, por lo tanto, es imposible obtener un análisis detallado del acceso a las revistas por parte de diferentes grupos de personas según diferentes disciplinas, diferentes características universitarias y profesionales y diferentes niveles docentes, y también es imposible comprender un análisis comparativo horizontal. del uso de diferentes bibliotecas de recursos. Extraer las palabras clave de búsqueda de profesores y estudiantes también es una dirección muy importante, pero los métodos tradicionales no pueden comprender información específica, como las preferencias de búsqueda y los puntos de acceso de búsqueda de profesores y estudiantes en las escuelas.
Los datos de registro de red exportados registran el comportamiento de profesores y estudiantes que acceden a la biblioteca de recursos de revistas electrónicas. Al utilizar tecnología de big data para procesar datos como registros de URL exportados y extraer información clave, se logrará un análisis integral del uso de recursos electrónicos de la biblioteca y un análisis de multitudes, lo que brindará asistencia para las decisiones de adquisición de la biblioteca.
Los datos provienen de la lista de recursos de revistas electrónicas adquiridos por la biblioteca, los registros URL de profesores y estudiantes en línea y la autenticación de identidad de profesores y estudiantes en línea.
Las tecnologías relevantes aplicadas incluyen: análisis de asociación de datos, procesamiento masivo de datos de registros, integración de datos de múltiples fuentes (integración de datos de registros y datos estructurados) y motores de búsqueda distribuidos de texto completo.
5. Monitoreo de la opinión pública en el campus
Bajo la marea de Internet móvil, tanto la información positiva como la negativa se difundirán a mayor velocidad. La reputación de una escuela tiene un gran impacto en la matrícula, el empleo y la evaluación. Con la popularidad de Internet móvil y las redes sociales, los colegios y universidades están prestando cada vez más atención a la evaluación social de la escuela. En la actualidad, algunos colegios y universidades utilizarán datos de Internet para monitorear la reputación de la escuela y usarán big data para monitorear noticias relacionadas con la escuela, temas de comunicación y comentarios de los usuarios en los nuevos medios de Internet en tiempo real para comprender la opinión pública, la reputación y influencia de la escuela.
Las tecnologías relevantes aplicadas incluyen: minería de texto, análisis semántico (juicio positivo y negativo), cálculo de similitud semántica, motor de rastreo elástico y motor de búsqueda distribuido de texto completo.
La aplicación del big data en los campus inteligentes que conozco también incluye el análisis estadístico de la información docente. A través de un análisis de muestra de la estructura del conocimiento del curso, combinado con el proceso educativo y la distribución del desempeño académico de los estudiantes, se verifica la racionalidad del proceso de enseñanza del curso y el grado de logro en la certificación de educación en ingeniería, y se analiza integralmente la racionalidad del establecimiento del curso.
Otro ejemplo es el análisis de la información de gestión de activos escolares. Con la ayuda de la plataforma de información de gestión de activos, se puede realizar la recopilación y el análisis de la infraestructura del campus, el equipo experimental de enseñanza y el equipo de red de comunicación del campus. orientación para la dirección de la construcción de infraestructura escolar y equipos experimentales de enseñanza Proporcionar soporte de datos para el mantenimiento y actualización de los equipos de comunicación de la red del campus.
La "Plataforma de gestión de estudiantes Smart Grid" se basa en los resultados de la tecnología de la información universitaria y la construcción de campus digitales, y utiliza la red comunitaria, la red de gestión y la red educativa como portadores para construir un proceso integral de gestión y servicio. para el desarrollo de los estudiantes Marco general optimizado. Asesorar activamente a los estudiantes a lo largo de su ciclo vital de vida, estudio y desarrollo ideológico, formando un nuevo modelo coordinado y sostenible de gestión inteligente y desarrollo de orientación, con retratos de los estudiantes, advertencias de comportamiento de los estudiantes (estado de estudiante, estudio, consumo, salud física y mental). y Análisis del estado económico de la familia de los estudiantes, recuperación integral de datos de los estudiantes, análisis de grupos de estudiantes y otras funciones. y puede ayudar a los estudiantes en la gestión de la educación sobre seguridad, asesoramiento sobre salud mental para estudiantes y financiación específica.
Debido a limitaciones de tiempo, hoy hubo demasiados intercambios. Gracias