孙华:DT时代网络教育研究新范式

2012年,美国发起“大数据”研究。总统奥巴马称:“通过提高从大型复杂的数字数据集中提取知识和观点的能力,承诺帮助加快在科学与工程中的步伐,加强国家安全并改变教学研究。”透露出大数据研究的重要目标之一:教育。

一、大数据如何影响教育

美国学者戴维.霍尔在《大转折时代》中提出,到2015年,大规模开放式网络课程将改变高等教育的面貌,成为一种新的教育方式。因此探索一种适合于网络教育的教学模式是对大数据的有效利用,也是生活和思维大转折时代所亟需的。大数据对高等教育教学产生了深刻的影响,这种大背景下,高等教育中的成员网络教育教学也需要进行一些相关转向,以实现学科的调试和适应,使其教学真正适应当下的社会发展需求,具体主要包括以下几点:

1、教学视角的转向:从单向度的内“内容+关系”的多维度研究

大数据视域下网络教育研究新范式PRADA在纽约的旗舰店中每件衣服上都有RFID码。每当一个顾客拿起一件PRADA进试衣间,RFID会被自动识别。同时,数据会传至PRADA总部。大数据时代为调查研究提供了一个前所未有的全样本的机会,这比以往的基于抽样的问卷统计、电话调查等方法更加强大,也更加便捷。教育技术资源与应用容研究转向“内容+关系”的多维度研究随着大数据时代的到来,传统网络教育侧重于教学者单向度信息输入的局面将有所改变。传统网络教育中教与学之间的沟通,属于浅表层面,不能够有效的窥探出学习者在学习行为,学习习惯,学习心理,学习诉求和学习效果等方面的具体情况。而借助大数据,网络教育教学的研究视角则可以更加多元化,因此以学习者上述方面的指标考量为研究基点展开多向度的研究应该是未来网络教育研究的方向。这里我们可以借鉴一个关于奢侈品营销的案例。PRADA在纽约的旗舰店中每件衣服上都有RFID码。每当一个顾客拿起一件PRADA进试衣间,RFID会被自动识别。同时,数据会传至PRADA总部。每一件衣服在哪个城市哪个旗舰店什么时间被拿进试衣间停留多长时间,数据都被存储起来加以分析。如果有一件衣服销量很低,以往的作法是直接下柜。但如果RFID传回的数据显示这件衣服虽然销量低,但进试衣间的次数多。那就能另外说明一些问题。也许这件衣服的下场就会截然不同,也许在某个细节的微小改变就会重新创造出一件非常流行的产品。网络教学也一样,通过提取大量相关数据,对学习者浏览时间,浏览界面,浏览路径等数据进行挖掘,深入到目前网络教育教学中的一些无暇顾及的真空地带,找到学习者感兴趣愿意学,而且真正能学有所得的教学视角。

2、教学方法的转向:由教学内容的采集加工转向数据内的加工和可视化等

《国际教育百科全书》曾指出:近几十年来,教育革新最积极的领域之一是个性化教学。真正的个性化学习应该是对学生而言,学校知道其在什么时间需要什么样的服务,并以可以接受的价格,经由喜好的渠道对其进行最优质的服务;对学校而言,在合适的时间通过适当的渠道,对目标群体以合理的代价完成最优质的服务。两者都是在各自立场上达到自己的满足和需求。但目前网络教育的教学主要集中在教学信息的输入和拓展方面,而且教学内容在前端界面上呈现出较大的同质化程度,对于同一科目或者主题的教学来说,各种网络教学提供给学习者的前端页面是千网一面,没有根据学习者不同的学习基础和学习特点展开有针对性的教学。网络教育是根据需求去寻找自己所需的内容,这种按图索骥的学习行为无法也不可能满足以分析为导向的个性化学习服务需要。而且网络教育学生的年龄和知识背景差异很大,如何因材施教,合理安排课程结构和教学进度一直困扰着网络教育人员,也是始终困扰网络教育如何实现个性化学习服务的一大难题。

在全世界的教育环境中,大数据作为一种适合学习者个性差异的愈来愈多样化的技术已经发展起来。大数据让这种差异化变成了现实。有关网络教育学习者的研究数据可能来自同一个大数据库,这些数据可以将目前对学习者信息采集的环节多维化。通过时间序列搜索出重复发生概率较高的模式。在时序模式中,一个有重要影响的方法是“相似时序”,须按时间顺序查看时间事件数据库,从中找出另一个或多个相似的时序事件。网络教育的竞争就是各种教学法的精细化准确化,并且在呈现给学习者的用户前端界面上进行优化,增强前端界面与学习者之间的黏合度,如此整个网络教育教学的链条才会不断下移,才会更加符合学习者个体的特点。同时网络教育的教师角色定位应该由知识的灌输者转变为学习者学习能力提高的引导者,进行指导性教学。教师可以根据教学需要和不同学习者的需要,对相关教学信息进行合理组织和规划,以有效的方式组织和呈现信息,提供对信息的深层次导读,以使学生更方便地访问,并在信息加工处理过程中形成科学的意义建构。

3、数据库支持的转向:由简单的、有限的数据库转向非结构化的大数据库

做数据分析要先明确分析什么,以实现什么需求。只有拥有了需求,教学才能有针对性地对数据进行分析,把数据深层次的价值挖掘出来,让它们为决策服务。随着大数据时代的到来,网络教育数据的发展与前几年比较已经不是一个数量级。大数据的数据体量巨大,从TB级别,跃升到PB乃至ZB级别,大数据所涉及的资料量规模巨大到无法通过目前主流软件工具进行处理和识别,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,这需要巨大的数据库作为支撑。另外,网络教育的大数据资源相对驳杂,是一种非结构化的数据呈现,需要与相应的非结构化的数据库相对接。

据统计,全球结构化数据增长速度约为32%,而非结构化数据增速高63%。对于传统的结构化的数据,由于已经达到一定数量,以关注其应用为主,而对于正在生长的海量的非结构化数据,则要关注怎么收集、用什么方式有效管理。网络教育正在掌握着越来越多活的数据,这为网络教育提供了新的方向,即寻找某个规律背后的原因。从沉淀的数据中发现有价值的信息,深入挖掘、综合利用、转化为知识,体现信息系统的真正价值,而这方面可拓展空间几乎是不可限量的。从网络教育的角度来看,如何充分利用信息系统中的数据,是系统实施之后最重要的工作,也是长期的工作。

非结构化数据库资源在Web2.0网络应用模式的驱动下,含在基于Web2.0的社会化网络之中。博客(Blog)、社会化书签(Social Bookmark)、维基(Wiki)、播客(Podcast)、微博(Micro Blog)、网盘、社会化网络服务(SNS)、论坛(BBS)这些社会化网络都可以成为网络学习教育资源承载的平台。这类资源的表现形式有物化的,也有非物化的,有显性的,也有潜在的。但它们的一个共同特征就是非结构化,其自身的内部结构特征和知识的传递顺序呈现出一种非线性的“网络状”,动态性共享性强、传播发展、稳定和可控性相对较差。其次这些网络资源种类繁多有多媒体多语种的表现形式。有助于人们资源结构的更新和重构。最后资源的广泛性分布,大量多源的、异构的网络资源数据分布式存储在世界各地联网的主机中。以超级链接的方式将文字、图像、音频、视频等资源链接成超媒体系统,已经发展成巨大的网络资源库。而且各种资源强大的共享性,使得人人都可以分享和传播。因此,非结构化的大数据可以抽丝剥茧根据用户的身份信息和最新动态,主动嗅探、感知用户的当前需求情境,进行服务资源的发现、匹配与推介,最终完成一对一式“适位化”信息传播效果,从而对有效提高媒体资源的利用率。

4、教学手段的转向:由简单的技术支持转向参与式教学的工具

“个性化的网络学习”表明了个性化与网络学习的联系,既突出了个性化教学在网络学习中所起的重要作用,又解决了传统教学中个性化的天然局限性带来的弊端。个性化不是自由化,学习者的学习活动必然要在一定的历史社会背景展开。新媒体技术带来的受众自主性、参与性,以及传播的群体交互性毫无疑问为网络教育的个性化教学,即参与式学习的确立提供了可能。为了能使用户的个性化学习需求得到充分发展而又保证其学习行为不失控,必须在网络教学过程中寻求一种平衡,即个性化定位下的参与式学习。麻省理工学院比较媒介研究中心主任亨利·詹金斯在其名著《文本盗猎者》中提出了“参与式文化(participatoryculutre)这一概念,他还颇具建设性地指出:当今不断发展的媒介技术使普通公民也能参与到媒介内容的存档、评论、挪用、转换和再传播中来,媒介消费者通过对媒介内容的积极参与而一跃成为了媒介生产者。媒介技术在提供个性化学习方面优势得天独厚,同一时间适合某个学习者的信息会很多,如果不分层次而进行信息堆积,很容易使学习者陷入信息海洋中。

信息社会以创新型人才的培养为目标,个性化、创造力的培养成为教育的重点。呼唤个性化教育的回归已成为教育发展的方向,大数据中的数据挖掘技术为网络教育解决个性化教育的回归和大量培养人才两者之间这一内在矛盾提供了可能和现实的途径。数据挖掘是一种处理海量数据并从中建立有效模型和规则的自动或半自动的挖掘技术。数据挖掘技术通常分为有指导的分类、无指导的聚类以及关联规则等多种方式。关联规则是数据挖掘中一个非常重要的方法。通常,一个事务数据库中包含大量的交易数据,每一条交易记录中包含用户数据、商品清单以及时间等信息。大数据的魅力在于数据之间的关联性。关联规则就是在大量数据的属性中发现有意义的联系,最早由Agrawal和Srikant等提出。执行关联规则主要分为两步:首先从数据中找出频繁项集;然后发现数据之间的关联并作为规则。远程学习中关联规则主要用于分析学习者的学习行为。因此,对学习者提供个性化服务时,应该进行信息筛选,以找出对学习者个性发展具有决定性意义的信息。

为了在网络学习过程中发现学习者的个性信息,除了对学习者的注册信息进行收集外还需要对学习者学习过程中的行为进行分析,以发现学习者对学习内容的偏好信息。Web使用数据挖掘技术从网络数据中发现使用模式,并以此得到用户的访问模式,从而根据这种模式为用户定制合适的推荐页面,它是Web挖掘的一种。通过Web使用挖掘技术对学习行为的分析和研究,了解和掌握学习者学习的情况、需求、能力、进度、兴趣等,及时调整学习计划,呈现符合个性的学习资源,使得每一个学习者获得个性化的服务。学习者个性化模型是存在于一个学习进程中的动态过程,因此在建立模型之前需要对学习进程进行分析。为了适应学习者个性,学习对象的安排不再是一种纯粹的线性过程,它也可能是一种根据学习者个性特征组成的非线性学习过程。在个性化学习系统中,标准化的学习材料具有更好的可访问性、重用性、可管理性以及交互性。学习内容重组是实现个性化内容递送中最关键的一个环节,不但要和学习者的个性学习进程相匹配,而且要根据学习进程中的学习对象挖掘出与之相适应的辅助材料。从而使学习者既不会因学习材料匮乏而无法进行个性化的学习,也不会因为学习材料过多而导致个性学习失控。

二、大数据分析为网络教育传播开辟新视界

大数据分析的关键其实并不在于掌握大量的数据,而是在于从数据中提取意义的能力,以及发现隐藏的模式与可能的关系的能力。大数据的收集与分析能力的提升,为网络教育品牌形象管理提供了新的有利条件。

1、品牌接触点的精准把握

按照美国西北大学舒尔茨教授的定义,品牌接触是指用户接触到关于产品、品牌、市场等的信息的过程。品牌接触点必须准确地适应细分目标受众的习惯和行为诉求,这样才能精确推送品牌信息,从而以点带面,构建用户头脑中关于品牌形象的整个图景。

在大数据时代,基于交互性的传播平台,以及智能的数据库管理,用户的形象被勾勒得更加清晰,并且根据兴趣与需求被重新标签化、归类化,这样就提升了品牌形象推广的精准度。在2012年的美国大选中,奥巴马的团队就充分利用了大数据技术做个人形象品牌的推广决策,大数据技术被广泛应用于竞选策略的实施调整与资源的优化配置。大数据时代,会带来让人耳目一新的品牌传播思路与路径的转变。早在2011年,麦肯锡在题为《海量数据,创新、竞争和提高生成率的下一个新领域》的研究报告中就已经指出,大数据已经渗透到每一个行业和业务职能领域,逐渐成为重要的生产因素;而2012年达沃斯世界经济论坛上,就有报告宣称,数据已经成为一种新的经济资产类别,就像货币或黄金一样。这是大数据的价值所在。由于有了对大数据的认知,用户的需求、交流、参与可以被无限细分,网络教育可以更加注重细分市场,寻找利基。

品牌形象管理必须以用户为核心。网络教育要实现品牌定位,首先网络教育的品牌形象传播要从用户角度出发,研究了解用户的所思所想。新媒体时代,碎片化、多样化的消费者成为主流,品牌个性变得至关重要。个性是品牌的灵魂,具有强烈个性的品牌会更容易引发用户的关注,与用户自身相契合的品牌总能吸引用户的目光,从而引发品牌认知、品牌接触和品牌消费行为。教育市场放开后,网络教育的核心竞争力集中在为学习者提供个性化的服务方面。对教育来说,个性化,参与式的教学是网络教育由外而内地在用户心目中占据一个有利位置的最好突破口。

2、用户需求交叉点的精准发现

大数据时代的数据具有了独立存在的价值。2012年IBM与牛津商学院对英国和爱尔兰的公司对于大数据的使用做了调查,发现近六成的企业承认竞争优势与大数据有关。理性行为理论(TRA)认为,行动是由一个人做出行动的意愿所决定的,而这个意愿则是这个人对于行为的态度和反映社会影响的主观规范的函数。也就是说,预测用户将采取何种行为,最好的办法是了解其意愿,也就是其头脑既有的对于事物及自身的认知和准则。大数据时代,数据智能使得很多想法变成了可能,例如通过对于个体小数据的分析,可以根据用户的爱好或人际情况定位品牌传播;比如整合碎片信息,通过语义分析,了解用户对于网络教育的感知、态度等。例如Netflix(奈飞)就是基于大数据技术完成了渠道到内容的转型,成功塑造了精品网络剧播出平台的品牌形象。《纸牌屋》以及Netflix品牌营销的成功,都是对大数据时代的精准判断。大数据技术运用的核心在于精确预测可能性。

长期以来,人们用抽样代替普查,但是在碎片化的今天,抽样的代表性和准确性受到了一些质疑。当前网络教育竞争激烈,广告成本相对增加。网络教育需要通过建立品牌形象来减少宣传成本,优化用户的学习环境,增加自身在教育市场的竞争优势。大数据时代为调查研究提供了一个前所未有的全样本的机会,这比以往的基于抽样的问卷统计、电话调查等方法更加强大,也更加便捷。网络教师市场用户每一次的体验数据的收集与分析,可以提供有价值的参考。

大数据时代势不可挡,随着社交网络的逐渐成熟,移动带宽迅速提升,云计算、物联网应用更加丰富。网络教育与媒体息息相关的特性决定了网络教育的教学者与学习者会通过更多的传感设备、移动终端接人到网络,由此产生的数据及增长速度将比历史上的任何时期都要多,都要快。大数据时代赋予网络教育的不仅仅是具体的方法,更多的是思想方法。

作者:四川广播电视大学 孙华

You may also like...