¿Por qué la distancia euclidiana no se adapta bien a los datos? En vista de las oportunidades y desafíos que el big data trae a la educación, discutiremos y compartiremos con los lectores las diferencias entre el big data y los datos tradicionales y el progreso de su implementación en la industria. Primero, la diferencia entre big data y datos tradicionales es la misma que la de todas las cosas nuevas. Big data es un concepto que no ha sido claramente definido. Demasiado jóvenes, las universidades más de moda aún no han tenido tiempo de ofrecer esta especialidad y los expertos más de moda aún no han unificado la teoría. Todos los que lo estudian todavía se lamentan de lo diferentes que son los big data de los datos tradicionales. Internet China es una gran China mágica, y el desarrollo de big data también es un modelo. Si realmente quieres aprender sobre big data, puedes venir aquí. El número inicial de este teléfono móvil es 187, el número del medio es tres cero y el último número es 14250. Puedes encontrarlos combinándolos en orden. Lo que quiero decir es que, a menos que quieras hacerlo o entiendas este aspecto, si simplemente te unes a la diversión, entonces no vengas. Escriba big data en Google Scholar para buscar trabajos académicos de los últimos cinco años, hasta 355.000 artículos. Pero si ingresa las dos palabras clave "big data" y "educación", habrá alrededor de 00 resultados para concordancia aproximada y menos de 0 para concordancia exacta. Se puede ver que la minería de big data en el campo de la educación es todavía una tierra virgen inexplorada y nadie ha establecido las reglas todavía. En el campo de datos tradicional, un examen PISA puede producir más de 300 tesis doctorales en todo el mundo. La educación y la psicometría mundiales forman a unos 5.000 estudiantes de maestría y doctorado cada año, y hay hasta 4,9 revistas principales del SSCI relacionadas con la educación y el análisis estadístico psicológico. Hay más de 0 instituciones profesionales que brindan análisis de datos para IES, ETS y otras instituciones, con más de 4000 empleados, formando estándares industriales como WWC: se ha formado el patrón meteorológico tradicional en el campo de los datos educativos. La cantidad de datos y métodos de análisis conducirá inevitablemente al intercambio de armas por armas. En los datos tradicionales, los datos cuantitativos que puede analizar un estudiante después de completar nueve años de educación obligatoria básicamente no excederán los 0 kb, incluida información personal y familiar básica, información relacionada con la escuela y los maestros, datos fisiológicos como puntajes de exámenes en diversas materias. , registros de uso de bibliotecas y gimnasios, información médica y de seguros, y otros tipos de datos de evaluación. Con una cantidad de datos tan grande, una computadora doméstica común con alta configuración y software EXCEL o SPSS básico puede realizar análisis estadísticos sobre el número de estudiantes por debajo de 5000, un procesador de doble núcleo, ACESS, SurveyCraft y otras configuraciones de software son suficientes para completar; todo el proceso. Operaciones estadísticas avanzadas por áreas. Este tipo de trabajo generalmente requiere solo educación intermedia y conocimiento de estadística psicológica, un conjunto de plantillas de análisis de datos para el procesamiento de control paso a paso y dos o tres meses de capacitación operativa. 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, y los datos cuantitativos que se pueden clasificar, etiquetado y analizado es de aproximadamente 50-0 MB, lo que equivale a la cantidad total de datos que ha acumulado en el campo de datos tradicional durante 5.000 años. El procesamiento de estos datos requiere el uso de tecnología de computación en la nube y se requiere software como Matlab, Mathematica y Maple para procesar y visualizar los datos. Los profesionales que pueden manejar estos datos generalmente provienen de los campos de las matemáticas o la ingeniería informática, lo que requiere una gran experiencia y capacitación. 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 inspiración del minero. La diferencia esencial entre big data y datos tradicionales radica en la fuente de recopilación y la dirección de la aplicación. Los métodos tradicionales de recopilación de datos pueden resaltar mejor el nivel académico general de los estudiantes, el desarrollo físico y la condición física, el desarrollo socioemocional y adaptativo, la satisfacción con la escuela, etc. Es imposible e innecesario recopilar estos datos en tiempo real, pero se obtienen mediante evaluaciones periódicas y escalonadas. Los datos tradicionales reflejan la variable dependiente del nivel educativo, es decir, qué tan bien los estudiantes aprenden las materias, qué tan buena es su salud física y mental y cómo se sienten con respecto a la escuela. Estos datos se obtienen enteramente 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 ejercerán mucha presión sobre los estudiantes. Y los big data tienen la capacidad de prestar atención al desempeño microscópico de cada estudiante: cuando abre el libro, sonríe y asiente cuando escucha algo, cuánto tiempo permanece en un tema, la cantidad de veces que abandona en diferentes materias, ¿Tomará la iniciativa de iniciar un intercambio con compañeros chinos? Estos datos no tienen significado para otras personas y representan características de desempeño altamente personalizadas.

Al mismo tiempo, la generación de estos datos es completamente procedimental: el proceso de clase, el proceso de los deberes, la interacción entre profesores y alumnos o alumnos… en las acciones y fenómenos que ocurren en cada momento. La integración de estos datos puede explicar el nivel de variables independientes en las microrreformas educativas: ¿Cómo deberían cambiar las aulas para adaptarse a las características psicológicas de los estudiantes? ¿El curso involucra a los estudiantes? ¿Qué tipo de interacciones profesor-alumno son populares? .....Y lo más valioso es que estos datos son completamente observados y recopilados sin el conocimiento de los estudiantes, solo requieren la asistencia de ciertas técnicas y equipos de observación y no afectan el estudio y la vida diaria de los estudiantes, por lo que. Este coleccionismo también es muy natural y auténtico. Por lo tanto, con base en el punto de vista anterior, no es difícil encontrar que en el campo de la educación, los datos tradicionales y los big data muestran las siguientes diferencias: Según los datos tradicionales, la situación educativa macro y general se interpreta y utiliza para influir. las decisiones de política educativa; los macrodatos pueden analizar micro y situaciones individuales de los estudiantes y del aula y pueden usarse para ajustar el comportamiento educativo y lograr una educación personalizada. En segundo lugar, los métodos tradicionales de extracción de datos, los métodos de recopilación, la clasificación de contenidos y los estándares de aceptación tienen reglas ya preparadas y metodologías completas de extracción de big data es algo nuevo, y actualmente no existen métodos, rutas ni estándares de evaluación claros. En tercer lugar, los datos tradicionales provienen de evaluaciones por etapas y específicas, y puede haber errores sistemáticos en el proceso de muestreo. Los grandes datos provienen de procesos, registros en tiempo real de comportamientos y fenómenos, y los métodos de observación y muestreo de terceros y tecnologías son pequeños; errores. En cuarto lugar, los talentos, las habilidades profesionales y las instalaciones necesarias para el análisis de datos tradicional son relativamente comunes y fáciles de obtener; los profesionales necesitan innovar y inspirarse en la minería de datos, no seguir. los pasos. Estos talentos son muy escasos. 2. La crisis educativa oculta en la era del big data "Tenemos que admitir que sabemos muy poco sobre nuestros estudiantes": esta es una confesión en la introducción de la investigación de la Facultad de Educación de la Universidad Carnegie Mellon, y también es una de las Las diez principales conferencias anuales sobre educación en los Estados Unidos. Los temas centrales más comunes. Esta falta de conocimiento sobre los estudiantes no tuvo ningún impacto negativo en la historia de la educación durante cientos o incluso miles de años antes del siglo II, pero se ha vuelto fatal en el desarrollo de la educación en los últimos diez años después de la revolución de la tecnología de la información. enfermedad crónica. "En el pasado, era indiscutiblemente importante que los estudiantes fueran a la escuela para aprender conocimientos. Esto se debía a que en ese momento la gente tenía muy pocos canales para adquirir conocimientos y era imposible obtener conocimientos sistemáticos sin abandonar la escuela", dijo Arnetha Ball. , profesor de la Universidad de Stanford ) en un discurso de apertura en la conferencia de la AERA (Asociación Estadounidense de Investigación Educativa). "Sin embargo, la popularidad de Internet en China ha quitado el estatus de las escuelas del altar". Las preocupaciones de Ball no son descabelladas. Según datos publicados en línea por Kids Count, el número de estudiantes de 5 años que participan en educación en el hogar en los Estados Unidos llegó a 90.000 en 2002, lo que representa una proporción considerable. Al mismo tiempo, han surgido aulas chinas con contenidos cada vez más sofisticados. La Academia Khan, fundada en 2009 y rápidamente se hizo popular en todo el mundo, es un representante destacado. Desde cursos abiertos en prestigiosas universidades hasta Khan Academy, la popularidad de este modelo de aprendizaje en línea en China simplemente demuestra que el entusiasmo de la gente por aprender no ha desaparecido, sino que está muy ansioso por despedirse del modelo de enseñanza académica tradicional. El tradicional modelo de enseñanza colectiva, estático e incluso "arrogante", se está estirando para satisfacer las necesidades de una población estudiantil cada vez más diversa e individualizada. El modelo de Khan Academy no solo ayuda a los estudiantes a elegir 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 de aprendizaje 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 más y se conecta con el sistema de evaluación adaptativo por computadora (CAT), que permite a los usuarios controlar su progreso de aprendizaje a través de la autoevaluación y obtener materiales de aprendizaje con precisión, se creará un "circuito cerrado" de productos chinos interconectados. Se formarán ventajas y fortalezas. Pero si el modelo curricular de la educación tradicional no innova, el formato 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; que pueden obtener de forma independiente recursos de aprendizaje más apropiados. Por ejemplo, ir a la escuela puede ser simplemente para cumplir con las obligaciones impuestas por un rol social, y mucho menos por necesidad, y mucho menos por una experiencia o interés placentero. 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 análisis detallados y de alta tecnología.