咨询
STEP 1 / PROJECT SPECIFICATIONS
我们将在一个工作日内回复,资料保密处理
yjy.wisedu.com
推荐专题 / News
推荐新闻 / News 更多>>
英迈思活动 / FAQ 更多>>
英迈思活动 / Video 更多>>

最精细的用户数据,不在苹果亚马逊,而在高校领域

来自:
日期: 2017-10-25
浏览: 52

数据被誉为新时代的“石油”,而高校领域的这块“高产油田”还没有被有效开采。


市值高达 5077 亿美元的 Facebook ,就是一家早于众人发现这个秘密的传奇公司。创立之初,facebook的用户仅限于哈弗学院的学生,慢慢扩大到波士顿地区的高校。等到众人对facebook翘首以待的时候,它仍然要求必须有大学后缀的邮箱才可以注册。


Facebook对高校用户的青睐不是没有原因的。活跃的用户行为,可以充分尝试各种模式,收集用户反馈数据;可靠的用户身份数据,创造了和谐的氛围,免于被少数搅局者破坏。


望向未来,高校数据的挖掘与应用,至少有三个方面是科技巨头们都为之羡慕的。



数据源的立体化


高校数据源的立体化,体现在多样化和密集度两个方面。


最精细的用户数据,不在苹果亚马逊,而在高校领域


高校的数据来源多样,主要有 5 个方面:

学校业务系统的数据;

学校物联网设备产生的数据;

学校人员在教研、生活中产生的数据;

国家权威部门公布的有关数据;

通过数据服务商获取的与学校有关的数据。


而高校数据源的密集度,不仅体现在人均智能设备的数量和物联网设备的包罗万象,还受益于高校与师生学习工作、生活消费的深度互动。


其中传统的电子校务平台已经沉淀了大量的业务数据,关键的用户资料数据经过了多轮人工审核,具有很强的可靠性;而在物联网获取数据方面,校园的物联网设备密度大,餐饮、超市消费、住宿、水电等接近全天候覆盖,更为企业所不及;另外,学校人员在科研、生活中产生的数据,有些是通过精心设计的模式生成的,可以直接服务于大数据建设。


目前,设备管控的全面数字化、管理服务流程的全面智能化,已经成为高校信息化建设的普遍共识;打破数据孤岛,对结构化、非结构化数据进行关联和融合处理,正是当下热点。


作为高等院校,虽然面临着数据融合的问题,但难度仍比市场上跨企业的数据融合容易得多。



数据挖掘的可靠性


数据挖掘的最好驱动力,其实是内在需求。而高校的师生群体,对新鲜事物的接受能力和探索精神远高于一般人群,提供了数据挖掘的第一动力——需求。


而在满足需求的过程中,各个节点的风险度决定了数据挖掘的可靠性。


需求催生问题,后面定义一个问题,就必须弄清楚问题又与什么因素相关;其次,筛选出有价值的数据,难点是要懂得数据背后可能的隐含信息。


高校大数据在这个逻辑中也具备显著的特征:


首先,问题与因素的关联直接。许多大学城拥有相对独立的生活圈,用户的绝大部分行为都在校园内做出,简单的模型就能准确的捕捉行为规律。


“ 

例如,城市白领的就餐行为,会受到上班工作量、就餐人流量波动、营销活动等多种因素等影响。而学生的就餐行为,与课程安排、菜品设置、天气因素等强相关,同时相关数据都易于捕捉。从中就不难发现菜品设置和学生欢迎度的相关性。


其次,数据分析的持续性很高,筛选数据比较方便。每年的新生入学时,很多高校都会发布高校大数据,就学生的资料信息和过去的用户行为作出各种分析图表。


例如,一个学校历年发布的各个学院的图书借阅排行榜,每年总会有几部老面孔出现。如法学院的《论法的精神》、软件学院的《c++入门经典》、人文学院的《乌合之众》,这些经典著作的借阅率展现了一个学校的底蕴;而一些当红炸子鸡的轮替,比如《狼图腾》、《货币战争》、《从0到1》、《未来简史》,又体现了学生们的知识更新频率和社会风潮的参与度。


最精细的用户数据,不在苹果亚马逊,而在高校领域


数据应用的场景最丰富


高校数据应用的场景“最”丰富,这个“最”要打上引号。一方面,社会生活更为复杂,客观上场景数量更多,不能称之为“最”;另一方面,任何一家企业受限于资源和对场景的控制能力,真正能操作的场景有限,反不及高校为多。


最精细的用户数据,不在苹果亚马逊,而在高校领域

 

大数据的应用场景,大体上可以分为:教学应用场景、科研应用场景、管理应用场景三个方面。目前,管理应用场景的动作最多。


例如,围绕学生来源与质量的招生分析,学生专业与就业情况的就业分析、学生轨迹与学生画像相关性的用户分析等。


但是在所有应用场景中,仍有缺位和最为重要的是教学应用。


教育部杜占元副部长在接受采访时说,要坚持把应用驱动作为推进教育信息化的基本方针。同时他也指出,教育信息化必将带来教育理念的创新和教学模式的深度革命。


美国教育部教育技术办公室也曾发文提出,应用数据挖掘和学习分析技术解决教学实际问题的解决途径,那就是:学习者知识模型、学习者行为建模、学习者学习体验建模、学习者学习档案、知识领域建模、学习要素和设计原则分析、趋势分析、适应性和个性化分析。


要做好教学应用,首先要懂得教学的实践,懂得需求和关联因素,其次还必须懂得数据背后的信息,最后需要站在平台的高度看问题,想数据、关联模型,把各种不同的模型有机组合,部署到合适的平台上面。


一些高校在教学应用的建设过程中,已经深刻的意识到这个问题,提出了把教育学家、心理学家和互联网产品经理引入到建设中来。


教育部陈宝生部长提出:“到 2049 年,中国教育要稳稳地立于世界教育的中心。”这个伟大愿景,鼓舞着高校信息化建设者们,运用好高校大数据的优势,交出新的更好的答卷。


关键词:
分享:
Hot News / 热点新闻
地址:中国·南京·江宁区将军大道100号金智科技园
电话:025-68755381   邮箱:marketing@wisedu.com
传真:+86 0755-2788 8009
邮编:330520
Copyright@ 2018-2019江苏金智教育信息股份有限公司 All rights reserved
犀牛云提供企业云服务