首页 >> 教育学 >> 教育技术学
余胜泉等:大数据时代的教育计算实验研究
2019年08月14日 08:53 来源:《电化教育研究》2019年第1期 作者:余胜泉 徐刘杰 字号
关键词:大数据;教育研究;研究范式;教育计算实验;计算机仿真

内容摘要:基于大数据的计算实验研究在宏观层面可用于研究教育资源配置,在中观层面可以研究教育公共服务,在微观层面可以研究各要素及个体对教育系统的影响作用,帮助人们科学制定教育政策,改进教育系统。

关键词:大数据;教育研究;研究范式;教育计算实验;计算机仿真

作者简介:

  原标题:大数据时代的教育计算实验研究

  作者简介:余胜泉(1973- ),男,江西鄱阳人,北京师范大学未来教育高精尖创新中心教授,主要从事移动教育与泛在学习、信息技术与课程整合、网络学习平台关键技术、区域性教育信息化等方面的研究,E-mail:yusq@bnu.edu.cn;徐刘杰,北京师范大学教育学部。北京 100875

  内容提要:大数据为教育研究带来新机遇,全样本的数据来源、因果分析向相关性研究的转变、计算机仿真方法的应用以及数据驱动实验的实现推动了教育研究范式转变。教育计算实验研究借鉴了计算社会学的思路,基于教育系统的客观事实,利用计算机仿真技术实现教育系统模拟,通过参数演化,自动化、快速生成大数据,基于大数据分析观察教育系统演化过程,总结教育演化规律,使教育研究可量化、可检验、可重复。基于大数据的计算实验为教育提供了新的研究方法与分析技术。基于大数据的计算实验研究在宏观层面可用于研究教育资源配置,在中观层面可以研究教育公共服务,在微观层面可以研究各要素及个体对教育系统的影响作用,帮助人们科学制定教育政策,改进教育系统。

  关 键 词:大数据 教育研究 研究范式 教育计算实验 计算机仿真

  标题注释:教育部哲学社会科学研究重大课题“‘互联网+’教育体系研究”(课题编号:16JZD043)。

  [中图分类号]G434

  [文献标志码]A

  教育研究范式分为思辨研究与实证研究,而实证研究又分为定量研究、定性研究和混合研究。思辨研究有着独特的本体论价值和突出的认识论价值,它关注解决“应然”问题,主要建构概念、理论和观点,并通过逻辑推理来解决概念的、规范的问题[1]。但是,思辨研究以个体经验材料作为论据对论点进行论证,研究结论受个体理性认识能力和主观经验影响痕迹大,对个体的理性推演能力和理论功底要求也较高。而且,思辨研究过分注重对事物内部统一性的探求,从而容易忽视对事物内部的矛盾性或变动性的认识,容易出现用静止的观点看问题的倾向[2]。

  实证研究是基于事实和证据的研究,具有客观、量化、有定论、可检验等特征[3]。教育实验研究是实证研究中最常用的一种方式,具有严格的实施规则,也是目前大多数研究者较易把握和使用的研究方法。但是,教育实验研究仍然存在一定的局限性。首先,教育中与人的行为相关的情境比较复杂,许多干扰因素难以彻底排除,每个研究在时间、样本、情境方面都具有特殊性,一个独立的研究有时难以帮助人们在类似情境中基于该研究结果做出决策,由此导致研究结果在教育实践中的应用效果受到质疑[4]。其次,人的生理特征、心理特征和社会特征的复杂性导致教育的数据化程度极其有限,无法保证教育实验研究在给定的完全相同的条件下进行,不可能真正控制各种内部与外部变量[5],这就使得教育实验研究不同于自然科学实验,无法还原和重复。即便是相同的情境,相同的被试,由于人具有主观性,加上心理变化导致被试对干预手段的反应发生变化,致使研究结果发生改变,导致教育研究实验结果不可验证。因此,教育实验研究存在不可重复性、不可验证性、研究结果无法应用于现实等问题,导致教育研究的科学性无法确保。

  随着数据密集型科学的快速发展,数据成为教育研究和利用的主要对象,大数据技术以“大数定律”为基础,通过相关性或关联性分析,寻找教育活动的内部主导因素和高关联性外部因素,为教育决策、教育管理和教育研究提供技术支持,大数据技术引起了教育研究的范式转变。计算社会学使用计算实验方法,仿真模拟真实的社会系统,通过改变输入变量属性观察社会系统的演化过程和结果,总结社会系统的演化规律。大数据技术与计算社会学思路的结合,为教育研究提供了新的思路。

  一、大数据教育研究新机遇

  大数据具有数据量大、实时性强、涵盖面宽、结构形态多样、动态变化等特征[6],为教育研究带来新的方法论和研究手段。

  (一)教育研究的数据来源于全样本

  虽然实证研究能够突破思辨性研究的局限,在一定程度上保证教育研究的科学性,但是在教育实证研究中,观察、实验和调查等方法获取的是小样本数据,是特定情境下的教育现象数据,是局部范围内的个体样本数据,是研究者主要关注的部分变量的数据,大部分属于结果性数据,而非过程性数据,由此得到的实证研究结果并不能够科学地代表复杂的教育系统,得出的结论也难以适用于整个教育系统。而且,抽样的数量和代表性会影响研究结果的质量。

  过去通过收集小样本数据研究教育问题和教育现象的方法已不能满足现代复杂的教育系统发展和教育研究的需求,当前亟须来源于整个教育系统的大数据支撑教育研究。教育大数据不受样本选择的影响,可以处理和某个教育现象相关的所有变量和所有数据,并由此发现数据背后的教育规律。教育大数据包括教育系统大数据和系统要素的个体大数据,是全样本、全过程的数据。系统大数据针对教育系统的所有要素以及所有要素的全部个体,涵盖了教育系统的全体样本和全体变量。对系统大数据进行数据挖掘和学习分析所得到的研究结论能够覆盖所有教育现象和教育问题,能够面向整个教育系统,能够准确地揭示和反映教育规律。个体大数据针对教育系统要素的每一个个体,数据来源于个体教育活动的全过程,涉及与个体相关的所有变量。个体大数据记录的是每一个个体的发展全过程,是连续性数据而不是局部数据,对个体的大数据进行挖掘和分析不仅能够揭示个体特征,而且能够对个体进行微观分析,了解个体的发展历程,发现个体成长规律,预测个体发展中可能遇到的问题,从而针对个体实施有效的干预,以促进个体成长和发展。

  (二)教育研究的数据具有丰富的多态性

  传统教育研究的数据来源具有明确的目的和对象,且多是通过调查、访谈、观察等获得数据,数据维度比较单一。而且传统的数据收集方法无法排除人们因主观性以及对概念的误解等因素造成的数据不真实、不客观等问题,从而降低了教育研究的信度和效度。基于大数据的教育研究不再局限于单一维度的数据采集与统计分析,而是收集教育现象中所有形态的数据,包括结构化和非结构化数据,然后对多模态的数据从多种维度出发做统计性分析,从而精确地找出事物之间的相关关系,为研究者提供新的研究视角。例如:使用多态性数据分析不仅能够研究与学习有直接相关的认知因素,还能够探索影响学习的非认知因素。

  大数据的多态性及大数据技术对结构化数据、半结构化数据和非结构化数据的全面采集,突破了传统教育研究中只能通过收集结构化数据实施“观察现象—发现问题—分析原因—提出对策”的因果研究的范式,使得教育研究者能够对体量庞大、类型多样的数据集合进行对比分析、交叉检验和聚类统计,它更加强调发现而非证实,强调数据集之间的相互关联,强调数据正负误差的相互抵消,能够更多地从发现多个数据集之间的相关关系中找出问题、探索规律和预测趋势[7]。因此,大数据使得教育研究在不受样本影响的情况下处理与某个现象相关的数据,通过对多模态的数据进行相关分析,能够帮助人们发现数据背后的规律,帮助人们高效、准确地预测未来,从而建构教育研究的科学意义。

作者简介

姓名:余胜泉 徐刘杰 工作单位:北京师范大学

课题:

教育部哲学社会科学研究重大课题“‘互联网+’教育体系研究”(课题编号:16JZD043)。

转载请注明来源:中国社会科学网 (责编:毕雁)
W020180116412817190956.jpg
用户昵称:  (您填写的昵称将出现在评论列表中)  匿名
 验证码 
所有评论仅代表网友意见
最新发表的评论0条,总共0 查看全部评论

回到频道首页
QQ图片20180105134100.jpg
jrtt.jpg
wxgzh.jpg
777.jpg
内文页广告3(手机版).jpg
中国社会科学院概况|中国社会科学杂志社简介|关于我们|法律顾问|广告服务|网站声明|联系我们