當我們備受啟迪時，常常可以將它們寫成一篇心得感悟，如此就可以提升我們寫作能力了。優質的心得感悟該怎么樣去寫呢？那么下面我就給大家講一講心得感悟怎么寫才比較好，我們一起來看一看吧。

描寫大數據中心年度工作及感悟一

摘 要,本文從高校教育大數據的匯聚融合與挖掘應用的角度,分析了如何運用教育大數據技術推動大學管理和人才培養的創新改革的思路和方法。首先,分析了教育大數據對高校現代化、精細化、規范化管理的4個價值,其次,給出了高等教育大數據技術平臺的基本技術架構,第三,結合教育大數據實際應用,介紹了陜西省高等教育質量監管大數據中心、mooc中國、西安交通大學教學質量綜合監控與評價三個典型案例,最后,提出了教育大數據分析挖掘中的3項基礎性關鍵技術

關鍵詞,高等教育,大數據,分析,挖掘

高校大數據分析挖掘至少有四個典型價值, 一是使得大學的管理更加精準高效,可以朝著智慧治理、分類管理、過程監控、趨勢預測、風險預警的方向發展,真正實現基于大數據分析規律的精準治理,改變管理的模糊性, 二是可以更加準確地分析評價課堂教學的質量,過去我們對課堂、對老師的評價是定性和模糊的,而在大數據智慧課堂的模式下,可以真正實現采集樣本的持久化,采集方式

的多元化,挖掘手段的多樣化,分析技術多維度,通過這些方式可以提高課堂教學的質量, 三是使得教和學更加智慧,更加有效。對學生來說,老師可以了解學生學習的進展情況,發現學習興趣點,以及對老師講的哪些內容理解或者不理解,學習路徑分析及課程推薦等等。對教師而言,不僅可以跨校跨地域分享他人的優秀課程,而且可以對學習者進行精準分類,進行個性化指導, 四是資源服務的個性化、精準化推薦與服務,學習績效的個性化評價,以及個性化教學管理,個性化手機內容推送等等,這些功能將有效提升教與學的效率和質量

首先,我們對高等教育大數據技術平臺有一個總體的頂層設計,如圖1所示。這不僅是學校自己要有一個大數據的管理平臺或者是數據中心,而且也是面向區域乃至全國的平臺。教育部評估中心正在努力建立國家級高等教育教學質量監控大數據中心,陜西省也是這樣考慮的。數據來自高校、教育管理部門以及行業、第三方、企業用人單位等等各方面采集的數據,該數據平臺既有大學的業務數據、課程資源,也有政府部門的統計數據,還有學生網上學習的日志數據,用戶產生的ugc數據,比如微信、微博、論壇等等的數據,基于大數據平臺,開展面向學習者、面向高等教育管理機構、教師、高校等提供服務,并和教育部評估中心、主管部門等

進行數據交換與對接

顯然,這樣一個大數據平臺必須是一個高性能的計算平臺,沒有這樣的基礎設施一切無從談起,所以去年我們學校花了很大的力氣做了兩件事,一個是把校內二級單位原來小的集群計算進行整合,形成學校統一的高性能云計算平臺,既面向校內的科學研究、人才培養提供服務,其實也可以為社會提供合作共建共享模式。目前,我們已建立了一種自我造血機制,四兩撥千斤,以這個平臺吸引更多的外部資源,努力擴展平臺的性能和應用

目前,我校的高性能平臺除了應用于材料、航天、能動、信息等大型科學計算之外,還開展了以下三項典型的大數據應用

案例1,陜西省高等教育質量監控與評估大數據應用

圖2所示的是陜西省高等教育的整體架構。其數據基礎是來自陜西省100多所高校的各種辦學狀態數據,有將近700個表格,以及陜西省教育廳各個職能部處的各種各樣的管理數據,此外還有行業第三方提供的數據,包括招生、就業數據等等,這個平臺上我們開展預測預警、查詢在線分析、信息發布、統計決策等等,主要是為省級教育管理部門、評估機構、教育管理機構提供各種各樣的辦學狀況的分析、統計、關聯分析

建設全省高等教育大數據服務平臺,實時采集各高校的辦學狀態數據,其根本目的是為了匯聚全省各高校的辦學狀態數據,打破數據孤島,融合各方數據,實現橫向關聯比較、縱向歷史分析,提供精準服務,支持科學決策

首先,該平臺面向省教育廳提供了11項功能,從根本上解決了原來各處室間的數據孤島的問題,實現了數據融合,橫向關聯,縱向融通,這個數據和各個高校是實時融通的,為省教育廳領導和職能部處提供了領導儀表盤、各職能處室的專項服務、81張高基表及年報年鑒表格的自動生成、績效分析、招生就業及辦學指標計算、教育評估等功能,從根本上解決了數據碎片化及其治理問題

其次,面向全省高校輔助決策,為高校領導以及校內各個職能部處提供了系列功能,包括辦學情況綜合分析和在線查詢,專業結構分析比較,校級的教學質量監控評測體系,教師管理等等,這些功能非常實用,這是大學實現精細化、規范化、現代化管理的必備基礎。以我校為例,我們過去教師的數據可能在人事處、教務處、科研院等學校的職能部門,采取本平臺以后,把教師有關的所有數據都進行了融合,打通了所有原來割裂的數據。從去年開始,我們學校的職稱評聘,年度考核全部基于這一平臺,全部在大數據里,建立健全了基于數據驅動的精準化服務,解決了數據碎片化歷史遺留問題,實現了從管理信息化向服務信息化的根本轉變

第三,為本科教育教學評估及專業認證提供技術支撐。鑒于本平臺能提供比較全面的高校辦學狀態數據,便于專家在進校之前全面系統地掌握學校辦學的情況,找到問題,精準查看驗證,提高效率,給高等教育評估提供了重要支持。基于本平臺,我們成立了中國西部高等教育評估中心,接受陜西省教育廳指派的省屬本科高校的審核評估和專業論證。如果沒有這一高等教育大數據平臺的支撐,工作量和難度是極其巨大的,甚至難以實現

案例2,mooc中國技術平臺

mooc中國成立于2015年1月,到目前為止已經有121所高校加入,理事單位40家,會員單位80家。該平臺的宗旨是,做政府想做的,做社會愿意做的,做單一高校做不了的事情。例如,真正解決校際資源共享、學分互認等,開拓遠程教育國際化等未來發展的難題。 圖3給出了mooc中國的技術框架。其核心是互聯網+教育,實現互聯網教育從1.0到2.0的升級。基于這一平臺,既要開展網絡教育業務的國際化,比如我們牽頭成立的“絲路大學聯盟”,其目的之一是借助mooc中國平臺,實現網絡教育業務的國際化,通過mooc中國平臺,面向“一帶一路”國家開展開放教育和技能培訓

到目前為止,mooc中國已經有了9911門課程,用戶將近600萬,其中光it培訓的有500多萬,學歷教育在讀

學生50多萬

案例3,西安交大教育教學大數據分析挖掘與應用

學校非常重視教育信息化技術融入和應用到教育教學之中,去年一次性建成了80個智能教室,把物聯網技術、云計算技術應用于智能教室和教學一線,基于物聯網技術實現教室設備的集中管理、智能控制,同時,將互聯網技術深度融入到教室的管理當中,除了多媒體的直播錄制功能以外,還提供了學生考勤和專家的精準督導,通過云平臺來集中管理各個教室,比如說開投影機、關電源、關多媒體設備等等,都可以通過后端的云平臺集中管控,真正實現教室管理的數字化、智能化、精細化,提升了教學保障的能力,也大大提高了教室管理的效率。更重要的是,這些教學的過程數據可以全程采集下來,獲得數據,有了這些數據,就可以做精準化分析服務,建立西安交大教學質量大數據監測中心 目前,我校的教學大數據主要包括兩大部分,一是教師在授課過程中的全程錄制的課堂實況,二是學生在學習過程中產生的大量日志數據。基于這個平臺,我們可以開展教育教學的大數據關聯分析,開展課堂教學質量的綜合評價,實現正面激勵、負面懲戒、精準督導,實現教學評價從模糊宏觀到量化精準、從每學期制到持續常態、從部分隨機到全面覆蓋、從事后評價到實時動態的根本轉變。通過評價激勵老師敬畏課堂,評選精品課堂、示范課堂,在全校內進行正面

表彰,另外也作為教學質量評價的重要依據,包括教師的職稱晉升,評選最喜愛的老師等等

此外,本系統還為學院領導和管理部門提供了針對性的信息服務與決策支持,以數據說話,量化分析,改變了以前我們的模糊評價,采取多維度、全覆蓋、持續化、精細化的過程評價與監控

首先,介紹一下大數據人工智能的基本原理。前段時間,alphago戰勝世界圍棋冠軍這一故事炒得很熱。這對我們的教育科研工作者提出了一個重要的課題,到底人工智能會不會戰勝人類的智能,將來教師存在的主要價值是否還有必要,863計劃正在研究一個項目,到2020年,人工智能軟件參加高考得分要超過一本線,這就是說,計算機教出來的機器軟件參加高考都能達到一本線以上。這就引起我們的思考,這是一個深層次的方向性問題。當然我們今天不是談這個問題,而是我們要看看alphago的原理,其核心是價值計算函數,用收益函數來判斷圍棋下一步該落子到哪里其收益是最大的,其中采用了人工智能深度學習方法。alphago并非天生聰明,其實他的智慧是分三步完成的, 第一步,給alphago輸入了3000萬個人類圍棋高手的棋譜和走法,任何一個人是不可能記住3000萬個棋局的,只有人工智能才能記住 第二步,alphago自己和自己對弈,在對弈過程中找到自己的薄弱點,進而改進和完善,這其實和人的學習原理類似

第三步,才是人機對弈,從職業選手到世界圍棋冠軍,通過這樣不斷的對弈完善算法,校正學習,使得alphago具有強大的智能計算能力。alphago的難點在哪,其關鍵在于在一個巨大的落子空間選一個最大的收益點,或者落子點,稱之為movepicker,,函數,這個空間很大,有10170次方,在如此龐大的計算空間中選擇最優函數,只能依靠高性能計算平臺

alphago為我們研究大數據問題提供了思路和啟發。我們在研究教育大數據問題中需要著力攻克以下理論與技術難題

第一,大數據造成了嚴重的認知碎片化問題。比如,大家在百度搜糖尿病會檢索出4440萬個數據源,誰也看不過來,并且里面還有一大堆真假難辯的數據。所以,碎片化知識的聚合是一個非常基礎的難題,高度的碎片化降低了知識的可用性,造成了分布性、動態化、低質化、無序化等典型的問題

一方面是知識的碎片化,另一方面是每個人的興趣和需求還不一樣。所以,資源的碎片化整合以及個性化推薦是今后人工智能中的關鍵問題。我們的思路是,一方面,我們要

從資源的角度把無序、分散、低質的資源進一步重組以后形成知識點,形成有序的知識地圖,另一方面,要對學習過程進行跟蹤,實現興趣、個性、情感等方面的動態分析與挖掘,兩者結合起來,建立基于用戶興趣和個性的資源推薦,最后實現個性化精準過濾,通過知識地圖面向用戶提供導航學習,從而緩碎片化知識的問題。開展這一研究也要建立龐大的基礎數據,就像剛才講的alphago,光靠智能軟件肯定不可能那么聰明,需要建立龐大的知識地圖、知識圖譜,并將其放到了國際開源社區和開放數據平臺之上 第二,碎片化知識的聚合問題。其目的是解決“既見樹木,又見森林”的問題,破解“學習迷航”、“認知過載”的問題。我們正在承擔國家自然科學基金重點項目,研究如何將多源、片面、無序的碎片化知識聚合成符合人類認知的知識森林,找出主題與主題之間的認知關系,最后形成一個知識森林,其中需要解決主題分面樹的生成、碎片化知識的裝配、知識森林生成、學習路徑選擇與導航等有關知識地圖、知識圖譜構建與應用等許多基礎性關鍵技術

第三,學習行為的分析和挖掘技術。網上學習最大的好處我們可以把教師和學生所有的教與學的行為記錄下來,討論、作業、習題、筆記及進度記錄下來,有了這些數據,我們可以進行后續分析,開展學習行為的特征識別和規律發現等等,既可以跟蹤挖掘某個個體的學習規律,也可以找出一

個群體、一個小組的特征和規律。針對不同的課程,開展課程點擊率、學習人群、知識關注點、學習時間等的分析與跟蹤,刻畫一個學生學習的過程,從時間、空間和課程知識導航的角度,甚至圍繞某個知識點,研究學習者的特征、行為、交互等相互之間的關系,為老師深化課程改革、探索以學生為中心的教學設計具有非常重要的意義

教育是全人類、全社會發展的基礎性事業,隨著互聯網+技術全面滲透和深度融入教育教學,不僅產生了大量的課程資源和學習內容,而且還產生了巨量的教育教學管理數據、行為數據、服務數據,蘊藏著巨大的價值,亟需我們開展深入研究,可謂前景廣闊,挑戰巨大，

,編輯,王曉明,