大数据实训解决方案平台生态发展分析课件

单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,#,单击此处编辑母版标题样式,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,2018/6/26,#,大数据实训解决方案平台生态发展分析,大数据实训解决方案平台生态发展分析,大数据在教育领域中的应用,大数据在教育领域中的应用,国外教育大数据公司介绍,2024/11/19,当,IBM,刚刚开始与这一学区合作时，除了学生成绩不好之外，该县还面临着辍学率已增加到,48%,的严峻情况。根据联邦政府的,不让一个孩子掉队法,（,No Child Lift Behind,，,NCLB,），学生成绩糟糕的地方政府将受到惩罚。为了应对这一巨大的挑战，该县此前已经在学生数据的基础上建立了一个辍学指示工具，并将其用于全县层面的决策。但,IBM,认为这仍不足以改善莫白儿县窘迫的现状，需要借助,IBM,的技术支持重新建立大数据，进而利用大数据分析来改善学区内所有学生的整体成绩,1,IBM,“希维塔斯学习”是一家专门聚焦于运用预测性分析、机器学习从而提高学生成绩的年轻公司。该公司在高等教育领域建立起最大的跨校学习数据库。通过这些海量数据，能够看到学生的分数、出勤率、辍学率和保留率的主要趋势。通过使用,100,多万名学生的相关记录和,700,万个课程记录，这家公司的软件能够让用户探测性地知道导致辍学和学习成绩表现不良的警告性信号。此外，还允许用户发现那些导致无谓消耗的特定课程，并且看出哪些资源和干预是最成功的。,2,希维塔斯学习”（,Civitas Learning,）,推出了基于他们自己过去的学习成绩数据预测并改善其未来学习成绩的大数据服务项目。这家公司的新产品名为“学生成功系统”（,Student Success System,）。“渴望学习”声称加拿大和美国的,1000,多万名高校学生正在使用其学习管理系统技术。“渴望学习”的产品通过监控学生阅读电子化的课程材料、提交电子版的作业、通过在线与同学交流、完成考试与测验，就能让其计算程序持续、系统地分析每个学生的教育数据。老师得到的不再是过去那种只展示学生分数与作业的结果，而是像阅读材料的时间长短等这样更为详细的重要信息，这样老师就能及时诊断问题的所在，提出改进的建议，并预测学生的期末考试成绩,3,渴望学习”（,Desire 2 Learn,）,国外教育大数据公司介绍2023/7/31 当IBM刚,国外教育大数据应用案例,成功创造并发布了各自版本的利用大数据的适应性学习（,adaptive learning,）系统。在,2012,年国际消费电子展的高等教育技术峰会上，世界最大的教育出版公司培生集团（,Pearson,）与适应性学习领域里的先行者纽顿公司共同发布了主要由培生集团开发的适应性学习产品“我的实验室,/,高手掌握”（,MyLab/Mastering,）。这款产品在将全球范围内向数百万名学生提供个性化的学习服务，向他们提供真实可信的学习数据，让学校通过这些数据提高学生的学习效果并降低教学成本。首款产品将在美国的数十万名学生中使用，包括数学、英语，以及写作等技能开发课,4,“纽顿”（,Knewton,）,总部设在英国伦敦的培生集团和其他出版公司共同开发的“课程精灵”系统（,CourseSmart,），也允许教授们通过让学生使用电子教科书来跟踪他们的学业进展，并向助教们显示学生的学习参与度和学习成绩等大量的数据信息，只是这一系统尚不具备预测的功能。,5,培生集团,国外教育大数据应用案例成功创造并发布了各自版本的利用大数据的,学习分析关键技术与主要工具, 内容分析法,是一种对文献内容作客观系统的定量分析的专门方法,是弄清或测验文献中本质性的事实和趋势,建立有意义的类目分解交流内容, 话语分析,利用话语的生产模式来行使权力,是权力的替代品,掌握话语权的人掌握社会规范, 社会网络分析,来分析其他类型数据对关系数据的影响,数据主要分为两类，属性数据和关系数据, 聚类,是在“物以类聚”这一理念之上,专门,针对大量的样品，按各自的特性进行相对合理的分类, 预测,根据已有数据或信息对整体或个体数据发展态势做出合理预测, 关系挖掘,在信息领域当中发展最快的技术,数据的高维特征并不是传统数据分析方法可,以轻易解决的, 文本挖掘,文本数据中抽取有价值的信息和知识的计算机处理技术,文本数据挖掘是数据挖掘的一个分支,1.,从学生方面来说，学习分析技术在了解学生学习现状之后，通过分析学生数据，找出相关问题，对学生学习过程进行优化，帮助学生培养良好学习习惯，从而达到学生自我学习的目的。,2.,从教师以及管理人员方面来说，学习分析技术可以评估教学课程和相关机构，帮助同步改善学校既定考核方式，深入分析教学数据，为教师帮助学生解决实际问题指明教学不足和更优方法。,3.,从研究人员方面来说，学习分析技术是一种研究学生和网络学习的有效工具。,4.,从技术开发人员方面来说，学习分析技术管理系统各模块各不相同的使用频次和路径能有效指导系统界面的相关优化设计，并可以完善系统日志相关管理功能。,学习分析关键技术与主要工具 内容分析法是一种对文献内容作客,数据挖掘在教育信息化中的具体应用空间,学习者特征由学习者的知识结构和学习风格组成。知识结构说明了学习者对正在或将要学习知识的掌握情况，主要包括学习者初始技能、当前技能和目标技能。学习风格包括学习者的生理特征、心理特征和社会特征三个方面,1,学习者特征分析,学校教学管理数据库中记录着各届学生与教师的学习、工作、社会活动、奖励、处罚等情况，利用数据挖掘的关联分析与演变分析等功能，寻找师生各种行为活动之间的内在联系。如,“,当存在,A,，,B,时可以推出,C”,这样的规则，即当有,A,行为和,B,行为发生时，还会有,C,行为。在实际情境中，如果发现学生或教师已有,A,，,B,行为时，马上可以分析其产生,C,行为的可能性，及时制定策略促进或制止,C,行为的发生,2,干预师生行为,利用学校教学数据库中存放的历届学生各门学科的考试成绩，结合数据挖掘的关联分析与时间序列分析等相关功能，就能从这些海量数据中挖掘出有用的信息，帮助分析这些数据之间的相关性、回归性等性质，得出一些具有价值的规则和信息，最终找到影响学生成绩的原因,。,3,合理设置课程,在教学科研网络普遍建立的今天，利用数据挖掘工具，对学生的学习成绩数据库、行为记录数据库、奖励处罚数据库等进行分析处理，可以即时得到学生的评价结果，对学生出现的不良学习行为进行及时指正。另外，这种系统还能够克服教师主观评价的不公正、不客观的弱点，减轻教师的工作量,。,4,学习评价,数据挖掘在教育信息化中的具体应用空间学习者特征由学习者的知识,自适应学习系统中教育大数据应用,2024/11/19,基于大数据的自适应学习系统运行流程图,第一步，学习者生成学习行为数据，经过内容传递模块，数据将被标记上时间戳；,第二步，数据按照预先定义的结构存入学习者数据库；,第三步，预测模块从学习者数据库和学生信息系统中采集数据，根据不同的分析目的，调用不同的分析工具和模型对数据进行分析；,第四步，自适应模块根据预测模块中数据挖掘和分析的结果，通过内容传递模块为学习者提供合适的学习指导和学习策略；,第五步，预测模块中数据挖掘和分析的结果同时被传递给显示模块，供教师和教学管理者使用；最后，教师和教学管理者根据分析结果，通过干预模块对系统进行人为干预,自适应学习系统包含六大模块：,（,1,内容传递模块。管理、维护、传递个性化的学习内容与评价给学习者，以支持学习者的学习行为。,（,2),学习者数据库。存储学习者在学习系统中的时间戳标记的学习者输人和学习行为数据。,（,3),预测模块。整合系统外部学习者信息系统中的数据和系统内部学习者学习行为数据，通过对数据的处理和分析，对学习者未来的学习行为和结果进行预测。,（,4),显示模块。将预测模块中的运行结果以可视化的方式显示给各类使用者。,（,5),自适应模块。根据预测模块的运行结果，触发内容传递模块，再根据学习者的学习水平和兴趣，推送合适的学习内容给学习者。,（,6),干预模块。允许教师、教学管理者和系统开发人员根据预测模块的运行结果，对自适应系统实施人为干预,自适应学习系统中教育大数据应用2023/7/31基于大数据的,教育数据挖掘和学习分析的区别,2024/11/19,教育数据挖掘,学习分析,技术,常用技术是分类、 聚类、 贝叶斯模型、 关系挖掘和用模型来发现数据中有意义的信息,常用技术是统计、可视化、 系统网络架构、 情绪分析、 影响分析、话语分析，概念分析和意义建构模型,起源,源于教育软件、学生建模和预测课程的结果,源于语义网络、 智能课,程和系统干预,重点,重视对所采用的数据挖掘技术的描述和比较,重视对数据和结果的描述,发现,自动化的发现是关键， 利用人类判断是用来完成这个目标的工具,利用人类判断的是关键， 自动化的发现是用于实现这一目标的工具,早期的教育数据挖掘主要是网站日志数据的挖掘，现在新的计算机技术支持的交互式学习方法和工具 （智能辅导系统、 仿真、 游戏） ， 为量化和收集学生行为数据带来了新的机会。 特别是更加集成、 更加模块化和更加复杂化的在线学习系统提供了更多类型的数据，其中包含了数据挖掘算法需要的许多变量。 教育数据挖掘能发现这些数据中的模式和规律，探索建立预测模型，让我们重新发现和预测学生如何学习。,1,教育数据挖掘,对学习分析的定义，指的是对学生学习过程中产生的大量数据进行解释，目的是评估学业进步、预测未来表现、发现潜在问题。数据来自学生的显性行为，如完成作业和参加考试；还有学生的隐性行为， 如在线社交，课外活动，论坛发帖，以及其他一些不直接作为学生教育进步评价的活动。学习分析模型处理和显示的数据帮助教师和学校更好地理解教与学。学习分析的目标是使教师和学校创造适合每个学生需要和能力的教育机会,。,2,学习分析,教育数据挖掘和学习分析的区别2023/7/31教育数据挖掘学,教育数据挖掘和学习分析典型应用,详细应用领域情况,教育数据挖掘和学习分析应用领域主要包括：学习者的知识、行为和经历建模；学习者建档；领域知识建模；趋势分析,学习分析应用领域,1.,学习者知识建模,2.,学习者行为建模,3.,学习者经历建模,4.,学习者建档,5.,领域知识建模,6.,学习组件分析和教学策略分析,7.,趋势分析,8.,自适应学习系统和个性化学习,教育数据挖掘和学习分析典型应用详细应用领域情况教育数据挖掘和,数字化学习的发展性评价系统的特征分析,支持学习过程的全数据采集与存储,支持测试类型的多样化,支持知识增长的可视化,支持学习过程的及时督导,支持评价的个性化,已有研究认为，基于发展性评价的数字化学习评价系统，如网络教学中的学习评价系统应支持过程信息的全面采集、支持自评与互评、支持多种反馈形式等，结合大数据及数字化学习的特征，大数据背景下的数字化学习发展性评价系统应具备如下特征：,数字化学习的发展性评价系统的特征分析支持学习过程的全数据采集,数字化学习发展性评价系统设计,系统模型设计,教师,学生,干预,/,评价,课程学习活动,讨论互动,学习契约,课前测试,过程测试,章节测试,同学互评,期末测试,教师评价,随堂记录卡,评测功能子系统,数据采集,数据清理,数据转化,混合存储系统,教育数据挖掘,社会网络分析,语义分析,对比分析,对比分析,结果数据库,分析结果,大数据,分析子系统,采集与存储子系统,仪表盘,及时反馈,诊断性评价,过程性评价,终结性,评价,反馈子系统,可视化,数据,在对现存问题及系统特征分析的基础上，构建了大数据理念下的数字化学习发展性评价系统模型。该系统由测评功能子系统、采集与存储子系统、分析子系统和反馈子系统构成,数字化学习发展性评价系统设计系统模型设计教师学生干预/评价课,数字化学习发展性评价系统工作流程,2024/11/19,数字化学习的发展性评价系统的工作流程如图所示。下面将结合学习者在课前、课中和课后三个阶段的学习过程进行分析说明。,系统工作流程,数字化学习发展性评价系统工作流程2023/7/31数字化学习,多维度的网络学习行为模型,2024/11/19,从学习行为多样性的角度,可以将网络学习过程中学习者的网络学习行为模型如图 所示：,自解释学习目标,收集信息,加工整理信息,发布信息,交流,使用信息（问题解决）,Internet,及其他学习资源,检测评价反馈调控,网络学习行为多维度模型,网络学习交流行为,I :,点对点地实时交流,如用,QQ,、,MSN,等工具请教教师、专家等。,II :,点对点地异步交流,如用,E- mail,请教教师、专家、登录教师、专家的,Blog,等。,III :,多对多地实时交流,如聊天室等。,IV :,多对多地异步交流,如,BBS,等。,在网络环境下的学习行为体系包括如下方面的内容：,( 1 ),信息检索学习行为,( 2 ),信息加工学习行为,( 3 ),信息发布学习行为,( 4 ),人际沟通、 交流的行为,( 5 ),基于问题解决的学习行为,多维度的网络学习行为模型2023/7/31从学习行为多样性的,多层次的网络学习行为模型,2024/11/19,从纵向的角度考察网络学习行为,可以将网络学习行为分为高级、 中级和低级三个不同的层次。 所谓低级网络学习行为主要是指学习者在网络学习过程中对于不同的媒体刺激,(,如声、 光,文本、 图形图像、 视频等,),所做出的一次性操作行为反应。 中级网络学习行为是指学习者个体在学习过程中与承载教学内容的教学媒体、学习团体以及学习环境所作的交流、 交互行为。 高级网络学习行为则指的是学习者借助网络学习环境进行的面向问题解决的协作、 探究等行为。 层次化的网络学习行为模型如表,1,所示,网络学习行为层次的划分,有助于对网络学习行为实质的理解,更有助于针对网络学习者的行为特征,设计出合理的学习系统和学习资源。 在对网络学习行为进行分析的过程中,需要清楚了解行为的属性特征。几种常见的网络学习行为的属性参数如表,2,所示。,多层次的网络学习行为模型2023/7/31从纵向的角度考察,利用,数据平台来整合全校内外的业务,例如,：与子院系将科研数据放入平台处理,与学生,家长,校友,共享学校数据,将数据,嵌入,到学校日常业务工作流程,例如,：根据学生的日常表现的大数据分析结果,来评估奖学金的发放标准,通过数据,辅助,决策,提供预警,例如,：学生的成绩预警,老师的,KPI,预警,准确,、,及时、完整,看到数据,例如,：校领导的管理驾驶舱,教师绩效统计报表,平台,数据进入学校管理,指标预警,决策支持,报告绩效,快速查询,数据服务,辅助决策,报告绩效,教育大数据价值金字塔,利用数据平台来整合全校内外的业务将数据嵌入到学校日常业务工作,金融分析实,训,环保分析实,训,交通分析实,训,统计学应用实,训,课程,实训层,虚拟桌面接入平台,用户管理,实验管理,教学层,实训教室云平台,实训教室支撑平台,基础设施层,创客实验室,产学研一体化实训实验教室,金融分析实训环保分析实训交通分析实训统计学应用实训课程虚,东软为中国众多大学提供数字化校园平台、学生一体化应用系统、,BI,主题应用系统、人力资源系统、数字媒体播放系统等全面解决方案和产品，以帮助高校建立多层次、创新型、开放式的数字化校园，提高高校办学的质量和效益，提升学校核心竞争力。,主要客户包括：华东师范大学、中国人民大学、北京邮电大学、上海外国语大学、中国政法大学等。,东软：,RealRec,数据科学平台,东软为中国众多大学提供数字化校园平台、学生一体化应用系统、B,南京云创大数据科技股份有限公司成立于,2011,年,3,月，是专业从事大数据、云计算、云存储技术领域研发及产品销售的高新技术企业，注册资本,3000,万,元。,公司依托革命性的技术创新迅猛发展，被选为中国云计算创新基地理事长单位，在江苏省第二批科技型中小企业中排名前列。公司于,2015,年,12,月,28,日在新三板,挂牌。云,创大数据以知识产权为核心战略，目前已申请专利、著作权、商标近百项，通过了,ISO9001,质量管理体系认证，并与,Intel,、联想、神州数码、曙光、浪潮等多家知名企业开展了深入的合作。目前云创大数据的产品已经在环保、地震、公安、教育、广电等,10,多个领域建立了,200,多个成功案例。,南京云创大数据科技股份有限公司：,BDRack,大数据实验一体机,南京云创大数据科技股份有限公司成立于2011年3月，是专业从,大数据教学一体机是为高校定制的大数据教学科研平台，是供学生完成大数据与云计算实验的集成环境，还提供了配套的资源服务,教材、,PPT,、实验手册、项目案例手册、配套的教学视频和案例视频等提供一站式服务，有助于高校更好地满足课程设计、上机实验、实习实训、科研训练等多方面需求，缓解大数据师资不足的问题。,普开数据：大数据教学一体机,大数据教学一体机是为高校定制的大数据教学科研平台，是供学生完,经过大量的前期调查，比较和分析准备工作，,北大,重点实验室最后选择了华为基于高性能服务器,RH5885 V2,的,HANA,数据处理平台。,HANA,提供的对大量实时业务数据进行快速查询和分析以及实时数据计算等功能，在很大程度上得益于华为,RH5885 V2,服务器的高可靠、高性能和高可用性的支撑。 华为,RH5885 V2,是新一代四路,/,八路机架服务器，采用,Intel Xeon E7-8800/4800,系列处理器，支持,6,核、,8,核及,10,核,CPU,类型，最高频率,2.66GHz,，最大,30MB L3,缓存空间，完全能满足大数据分析、挖掘对服务器提出的具备强大处理性能的要求；支持两个高性能,GPU,，这就在很大程度上提升了系统图形处理与浮点计算能力，恰好满足了大数据分析中图形展示对服务器提出的高性能,GPU,要求。,RH5885 V2,其他的特点还包括：可灵活扩展，八路服务器支持,128,条内存，最大容量,4TB,；可靠性高，支持多达,35,项容错特性；维护简单，支持免开箱维护和绿色环保等。这些特点都为,HANA,提供了强大的硬件支撑，让,HANA,能够顺畅地进行大数据的各种应用。,华为：北大重点实验室,IT,架构解决方案,经过大量的前期调查，比较和分析准备工作，北大重点实验室最后选,浪潮携手,沈阳大学,在大数据科研领域展开合作，沈阳大学信息工程学院将采用浪潮大数据软硬一体化解决方案,云海大数据一体机，为其“大数据处理实验室”装上科研“引擎”，促进其在大数据领域的科研创新。这是继华中科技大学“大数据协同创新平台”项目之后，浪潮再次与高校科研机构合作,。,沈阳大学是国内较早开展大数据研究的高校之一，组建了大数据处理实验室，重点研究大数据在视频监控、智能交通、环境监测等、物流管理等领域的应用，旨在既可以满足海量数据存储、快速查询、高并发快速响应等研究需求，也要能够弹性应对数据的海量增长，为未来预留足够的成长空间，实现投资价值的最大化。更为重要的是，沈阳大学希望能够在最短的时间内完成实验室的建设以及大数据分析、应用软件的部署，以便“先人一步”深入开展大数据研究。,浪潮：云海一体机应用,浪潮携手沈阳大学在大数据科研领域展开合作，沈阳大学信息工程学,产品对比,东软数据科学教育解决方案,南京云创,学教育解决方案,北京普开数据学教育解决方案,华为教育教学解决方案,浪潮集团教育教学解决方案,实训,理论教学,大数据基础,数据挖掘与机器学习,案例教学,16,套,6,套,12,套,3,套,3,套,数据科学平台工具,R,，,Python,，,SQL,，,DSL,语言,交互方式,Notebook,形式,命令行,Workflow,形式,命令行,命令行,多维特征分析,8,种方法,5,种方法,3,种方法,5,种方法,5,种方法,算法,14,种算法,3,种算法,5,种方法,5,种方法,5,种方法,可视化展现,9,类,无,3,类,无,无,文件导入接口,10,种文件类型,2,种文件类型,2,种文件类型,5,种文件类型,3,种文件类型,创意创新创业实验室,创客团队创收渠道,有,(,数据模型商店,),无,无,有,(,华为应用市场,),无,创客团队开发者支持平台,有,(,开放平台,),无,有,(,柠檬学院,),有,(,华为工具市场,),无,创客互动空间,有,(,互动社区,),无,有,(,普开数据问答平台,),有,(,开发者社区,),无,大数据实训平台产品生态分析,产品对比东软数据科学教育解决方案南京云创学教育解决方案北京普,