浅谈大数据学习中工程数学的应用

第一篇：浅谈大数据学习中工程数学的应用

《工程数学》课程论文

学 院： 软件学院

专 业： 管理科学与工程

学 号：

姓 名：

浅谈大数据学习中工程数学的应用

在信息技术迅猛发展的当今社会，随着各行业各领域数据量的爆炸式增长，大数据的热度与日俱增，其应用在相关领域也扮演着越来越重要的作用。人们在互联网活动的信息会形成数据，通过对数据的收集、整理、挖掘、分析和深度应用，我们可以创新技术、思维、产品、营销和风险管理。在精准营销、信用评估、资产定价、风险管理和指数编制方面，大数据都发挥着非常重要的作用。

大数据不仅仅是指数据，也是技术，更是应用。要解决好应用的问题，首先要有灵活而又扎实的理论基础。从数据的前期处理，到中期的研究分析，包括后期结论的形成，大数据应用的每一步都离不开工程数学的理论支撑。在使大数据更好地应用到各行业各领域的相关研究中，工程数学发挥着至关重要的作用。

本人研究生学习阶段，跟随导师学习的便是大数据方向，在学习的过程中，经常遇到许多工程数学相关问题，发现工程数学在大数据研究的过程中的应用是随处可见，本文将主要从工程数学对专业学习的重要性、与大数据有关的主要工程数学知识、大数据中工程数学的应用三方面讲述。

一、工程数学对专业学习的重要性

我们知道, 人类的活动离不开思维, 钱学森教授曾指出: “教育工作的最终机智在于人脑的思维过程。”思维活动的研究, 是教学研究的基础, 数学与思维的关系十分密切, 数学思维的发展规律, 对工程数学的实践活动具有根本性的指导意义, 工程数学对于专业学习的重要性不言而喻。

1.工程数学是专业课建设和发展的阶梯和桥梁

从专业课程建设体系来探讨, 工程数学是专业课建设和发展的阶梯和桥梁。从大一到研究生阶段的学习过程中，我们不难看出工程数学总是优于专业课, 一般排在大

一、大二或者研一开课。而专业课一般排在大

三、大四或研二研三。为什么, 不妨举例说明: 机械原理课程中工业机械人的姿态矩阵及位置矩阵优化离不开线性代数课程的学习;机械制造技术基础中的产品加工质量正态分布离不开概率统计课程的学习;控制工程中的控制系统的传递函数离不开积分变化课程的学习。由上述例子发现专业课建设和发展离不开工程数学课程的学习。换句话也就是工程数学素质的培养。工程数学素质培养的

精髓就是: 数学逻辑思维能力的培养。数学逻辑思维能力, 也就是运用数学的思想和方法, 目的明确地对外来的和内在的信息进行提取与转化、加工与传输的思维活动能力。在整个过程中, 要求合乎逻辑, 不悖常理, 并能达到最终目的, 同时还要将其正确陈述, 让人信服。逻辑思维能力是数学能力的核心, 数学是一个各部分紧密联系的逻辑系统, 在数学领域中, 只有被严密证明了的结论才被承认为正确。数学证明离不开演绎推理, 演绎推理能力是逻辑思维能力的重要组成部分。可见工科专业课建设和发展离不开数学逻辑思维能力培养。可见, 工科院校工程数学素质培养的重要性。

2.工程数学作为一门基础学科, 一门思维学科, 是培养学生的创新意识和实践能力的主渠道之一。

从大学生思维培养来探讨工程数学素质培养的重要性。工程数学作为一门基础学科, 一门思维学科, 是培养学生的创新意识和实践能力的主渠道之一。要激发学生的主体意识, 让学生积极、主动地参与大学学习及生活的全过程, 进行独立思考, 提高独立解决问题的能力。要培养学生大胆创新、敢于求异、勇于探索的精神, 形成良好的思维品质, 为社会输送高质量的创新人才。大学生思维培养从大一开始, 接触到第一门数学思维培养便是高等数学。

每年每度的大学生数学建模大赛传来信息不难发现: 工程数学素质培养的重要性。数学建模是一种数学的思维方法体现, 是“对现实的现象通过心智活动构造出能抓住其重要且有用的特征的表示, 常常是形象化的或符号的表示。”从科学, 工程, 经济, 管理等角度看数学建模就是用数学的语言和方法, 通过抽象, 简化建立能近似刻画并“解决”实际问题的一种强有力的工程数学工具。建模是一种十分复杂的创造性劳动, 数学建模也是检验大学生工程数学逻辑思维能力培养好坏的竞技平台。可见, 工程数学素质培养的重要性。

二、与大数据有关的主要工程数学知识

工程数学是好几门数学的总称。我们本科研究生学习的“积分变换”，“复变函数”“线性代数”“概率论”“场论”等数学，这些都属工程数学。工程数学是为了让工科学生用更加方便的理论工具来处理工程常见问题，在这个数学体系中，与大数据技术有密切关系的数学基础知识主要有以下几类。

1.概率论与数理统计

这部分与大数据技术开发的关系非常密切，条件概率、独立性等基本概念、随机变量及其分布、多维随机变量及其分布、方差分析及回归分析、随机过程（特别是Markov）、参数估计、Bayes理论等在大数据建模、挖掘中就很重要。大数据具有天然的高维特征，在高维空间中进行数据模型的设计分析就需要一定的多维随机变量及其分布方面的基础。Bayes定理更是分类器构建的基础之一。除了这些这些基础知识外，条件随机场CRF、隐Markov模型、n-gram等在大数据分析中可用于对词汇、文本的分析，可以用于构建预测分类模型。

当然以概率论为基础的信息论在大数据分析中也有一定作用，比如信息增益、互信息等用于特征分析的方法都是信息论里面的概念。

2.线性代数

这部分的数学知识与大数据技术开发的关系也很密切，矩阵、转置、秩 分块矩阵、向量、正交矩阵、向量空间、特征值与特征向量等在大数据建模、分析中也是常用的技术手段。

在互联网大数据中，许多应用场景的分析对象都可以抽象成为矩阵表示，大量Web页面及其关系、微博用户及其关系、文本集中文本与词汇的关系等等都可以用矩阵表示。比如对于Web页面及其关系用矩阵表示时，矩阵元素就代表了页面a与另一个页面b的关系，这种关系可以是指向关系，1表示a和b之间有超链接，0表示a,b之间没有超链接。著名的PageRank算法就是基于这种矩阵进行页面重要性的量化，并证明其收敛性。

以矩阵为基础的各种运算，如矩阵分解则是分析对象特征提取的途径，因为矩阵代表了某种变换或映射，因此分解后得到的矩阵就代表了分析对象在新空间中的一些新特征。所以，奇异值分解SVD、PCA、NMF、MF等在大数据分析中的应用是很广泛的。

3.最优化方法

模型学习训练是很多分析挖掘模型用于求解参数的途径，基本问题是：给定一个函数f:A→R，寻找一个元素a0∈A，使得对于所有A中的a，f(a0)≤f(a)（最小化）；或者f(a0)≥f(a)（最大化）。优化方法取决于函数的形式，从目前看，最优化方法通常是基于微分、导数的方法，例如梯度下降、爬山法、最小二乘法、共轭分布法等。

4、离散数学

离散数学的重要性就不言而喻了，它是所有计算机科学分支的基础，自然也是大数据技术的重要基础，这里就不展开了。

三、大数据中工程数学的应用

当今时代，数据已经成为一种资源。怎样处理海量数据，从中挖掘信息，发现规律，探索潜在价值，已经成为科学研究和实践应用中十分关键的一个课题。大数据的研究和探索，离不开数学的理论基础。大数据的相应处理方法和分析方法，都需要有数学这个的理论后盾。数据的大规模收集和存储，正式研究分析前的数据处理，以及通过数据进行信息挖掘、规律分析、评判打分、预测分析等等，都需要工程数学为其提供思路和方法。

1.数据处理中工程数学的应用

在研究实际问题时，我们对最初的数据集要进行处理，又因为大数据具有时效性的特点，数据处理必须在期望的时间内完成，所以必须兼顾效果与效率。如果最初的数据含有噪声、不完整或者不一致，在进行研究分析前一定要先有预处理，对数据进行清洗、集成和选择，从而提高数据研究和分析的效率和准确性。有时候我们会面临着数据量或者指标集太大的问题，需要从中选择一些重要数据和关键指标。

在数据处理中，统计学中的很多方法是经典而又常用的，如描述性统计分析、相关分析、回归分析等。其中回归分析往往是在相关分析的基础上，测定两个或者多个具有相关关系的变量之间数量变化的一般关系，再通过相应的数学模型，可以通过一个已知量推断另一个未知量。回归分析的主要任务就是根据样本数据估计参数，建立回归模型，对参数和模型进行检验和判断，并进行预测等。

除了经典、常用的方法之外，还有很多新的数学理论可以应用到数据处理中。例如测度论中，将两个或者有限个单调测度通过运算进行结合，能构造出新的单调测度，我们可以将这一研究应用到数据的降维处理中，与以往的挑选主因子的方法相比，更能保证数据的完整性和有效性，保留更多的信息。

2.数据挖掘中工程数学的应用

大数据时代，面对海量信息，要从看似复杂、无规律的数据中得到有效信息、获取潜在价值，数据挖掘无疑是最好的研究方向和技术选择。在整个研究过程中，数据的产生和收集是基础，而数据挖掘则是关键，其特点可以概括为：应用性、工程性、集合性、交叉性。在数据挖掘的总体分析方法和具体实施过程中，数学都扮演着重要的角色。

神经网络、关联分析、聚类分析、决策树方法是数据挖掘中常用 的方法。我们以模糊聚类分析为例，简单介绍一下其思路和方法。聚类分析遵循“最小化类间相似性，最大化 类内相似性”的原则，按照一定的标准，把相关性比较大的对象划分为一类，同时分类要尽量使属于不同类的对象之间差异最大化，由此可以把数据集划分成多个组。在模糊聚类分析中，我们首先进行数据标准化，然后进行标定，即对应模糊关系，建立模糊相似矩阵，再进行直接聚类或者基于模糊等价矩阵进行聚类，也可以采用最大树法或者编网法，得到聚类结果。其中最佳阈值的确定，可以由经验丰富的专家来确定，也可以通过统计学的方法确定最佳值。作为模糊数学中应用最多、最活跃的一个分支，模糊聚类分析在实际 生活应用和各学科领域的相关研究中都起到了非常重要的作用，其应用研究也相对成熟，是一个解决聚类问题的很好的方法。

四、结语

当今时代，数据已经成为一种资源。怎样处理海量数据，从中挖掘信息，发现规律，探索潜在价值，已经成为科学研究和实践应用中十分关键的一个课题。通过以上关于大数据中工程数学应用的相关讨论，可以看出，大数据的研究和探索，离不开工程数学的理论基础。大数据的相应处理方法和分析方法，都需要有工程数学这个的理论后盾。数据的大规模收集和存储，正式研究分析前的数据处理，以及通过数据进行信息挖掘、规律分析、评判打分、预测分析等等，都需要数学为其提供思路和方法，所以，要想更好地发展大数据技术和相关研究，必须重视工程数学理论的研究与发展，使之更好地与实践相结合，并注重与时俱进，根据实际应用的情况来改进和创新理论，通过实践需求来推动理论的进步和完善。

第二篇：大数据在制造业中的应用

大数据在制造企业中的应用

近年来出现的人力短缺、工资上涨、产品交付期短和市场需求变动大等问题，使得制造业正面临新一波转型挑战。如何在控制生产成本的同时，还能提高生产力与效率，则是转型的主要目的。在这样的背景下，德国、美国等制造业发达国家无不积极推动“工业4.0”。“工业4.0”本质上是通过信息物理系统实现工厂的设备传感和控制层的数据与企业信息系统融合，使得生产大数据传到云计算数据中心进行存储、分析，形成决策并反过来指导生产[1]。大数据的作用不仅局限于此，它可以渗透到制造业的各个环节发挥作用，如产品设计、原料采购、产品制造、仓储运输、订单处理、批发经营和终端零售。大数据使得订单处理方式有了质的变化

大数据的核心作用在于预测。大数据可以快速精准地预测市场趋势和客户需求，并对客户进行细分，为其提供量身定制的合适服务。企业通过大数据的预测结果，便可以得到潜在订单的数量，然后直接进入产品的设计和制造以及后续环节[2]。即企业可以通过大数据技术，在客户下单之前进行订单处理。而传统企业通过市场调研与分析，得到粗略的客户需求量，然后开始生产加工产品，等到客户下单后，才开始订单处理。这大大延长了产品的生产周期。如海尔集团于2013年1月构建了SCRM（社交化客户关系管理）会员大数据平台。销售人员可进行大数据分析，精准预测出个体消费者的需求，实现了在客户下单之前进行订单处理。大数据使得仓储运输和批发经营不复存在

由于大数据能够精准预测出个体消费者的需求以及消费者对于产品价格的期望值，企业在产品设计制造之后，可直接派送到消费者手中。虽然此时消费者还没有下单，但是消费者最终接受产品是一个大概率事件。这使得企业不存在库存过剩的问题，也就没有必要进行仓储运输和批发经营。大数据使原料采购更加科学

大数据技术可以从数据分析中获得知识并推测趋势，可以对企业的原料采购的供求信息进行更大范围的归并、匹配，效率更高。大数据通过高度整合的方式，将相对独立的企业各部门信息汇集起来，打破了原有的信息壁垒，实现了集约化管理，可以根据轻重缓急，更加科学合理地安排企业的财政支出。其次，利用大数据的海量存储与快速数据处理功能，可以对采购的原料的附带属性（节能、节水、环保等）进行更加精细化的描述与标准认证，通过分类标签与关联分析，可以更好地评估企业采购资金的支出效果。此外，大数据能预测原材料的价格以及原材料品质的好坏。这使制造业企业更加科学地采购原材料成为可能，企业可以采购到质优价低的原材料。大数据使得产品设计制造更加优化

借助大数据技术，人们可以对原物料的品质进行监控，发现潜在问题立即做出预警，以便能及早解决问题从而维持产品品质[3]。大数据技术还能监控并预测加工设备未来的故障几率，以便让工程师即时执行最适决策。大数据技术还能应用于精准预测零件的生命周期，在需要更换的最佳时机提出建议，帮助制造业者达到品质成本双赢[3]。例如，日本汽车公司Honda将大数据分析技术应用于电动车电池上。由于电动车不像汽车或油电混合车一样，可以使用汽油作为动力来源，其唯一的动力就是电池，所以Honda希望进一步了解电池在什么情况下，绩效表现最好、使用寿命最长。Honda公司通过大数据技术，可以搜集并分析车辆在行驶中的一些资讯，如：道路状况、车主的开车行为、开车时的环境状态等，这些资讯一方面可以帮助汽车制造公司预测电池目前的寿命还剩下多长，以便即时提醒车主做更换，一方面也可以提供给研发部门，做为未来设计电池的参考。

再如BMW公司应用大数据分析，在短短的12周时间内降低80%的零件报废率。一台汽车需要的零件有很多种，其中一个是与引擎结合的引擎上盖。以前，BMW要等到最终引擎组装阶段，将引擎上盖组装完成后才知道到这个零件能否使用，如果不能使用就只好将整个引擎报废。而通过大数据技术，BMW公司在引擎生产线上可以做即时的检测与分析，倘若品管没有问题则直接进到最后的组装程序，但若零件品质不好且无法修补则直接报废，或者零件品质不好但能经过其他方式修补，则在修补后再度进行品管测试，借此提高生产效率并降低报废率。大数据使得终端零售畅通无阻

通过大数据技术，企业可以了解整个供应链中需求和供应的变化，从而促进了产品的终端零售。如沃尔玛的零售链平台提供的大数据工具，将每家店的卖货和库存情况大数据成果向各公司相关部门和每个供应商定期分享。供应商可以实现提前自动补货，这不仅减少门店断货的现象，而且大规模减少了沃尔玛整体供应链的总库存水平，提高了整个供应链条和零售生态系统的投入回报率，创造了非常好的商业价值。

当今，世界各国始终致力于以技术创新引领产业升级，而大数据的利用使得资源节约、环境友好、可持续发展，智能化、绿色化的发展趋势得以实现[4]。因此，大数据背景下的制造业领域将具备广阔的市场空间和前景，这是制造业企业的莫大机遇。

第三篇：课堂中的大数据应用

一、课堂中的大数据应用

课堂中生成的大数据：

1.教师教学行为数据：教师教学行为的数据主要是教师在授课过程中的言行。

2.学生学习行为数据：学生学习行为的数据主要是学生在课堂中的反应、作业完成情况以及对知识点的掌握情况。

课堂大数据的用途

1.分析和评价教师教学行为，促进教师教学行为的改善 2.为学习分析提供依据，促进教学干预和个性化学习3.发现教育教学问题，为学校和管理部门提供决策依据

随着平板电脑等移动终端设备在课堂中的应用，采用智能手段获取学生学习的数据也成为可能。典型的应用是收集学生对知识点的掌握情况，如将课 堂练习与教学知识点相关联，在移动终端上做课堂练习时，运用软件实现课堂 练习的智能分析，自动获得学生对教学知识点掌握情况的数据。

二、关注学生课堂数据，挖掘信息课堂亮点

教师要敢于直面自己的课堂，看看录像，听听录音，及时反思自己的课堂，优化教学引导，课堂教学的时间观念就会强很多，课堂效率也会提高不少。

三、基于 PADClass 模型的数字化课堂学习过程数据挖掘与分析研究 信息的单向性和数据的不可跟踪性使得课堂学习过程只能依靠教师的经验进行分析，在学习过程中的多维信息交互数据不能得到即时处理与分析，导致个性化学习缺乏实际基础。

一方面，通过数据挖掘和数据分析以及可视化等技术可以实现对课堂上教师和学生的教学行为和随堂测试数据信息的采集、处理、存储以及可视化呈现;另一方面，通过基于数据的教学策略优化，可以减轻教师教学负担，激发学生学习兴趣，实现教育资源合理配置，促进信息技术与教学过程的深度融合。可以把课堂数据分析分为四个方而，即教师分析、学生分析、活动分析和资源分析。其整体分析结构如图。

其中教师分析根据教师的课前备课、课上授课和课后评价等行为分为备课分析、导学分析、互动分析、评价分析、教学目标分析和课后分析;学生分析根据学生课上行为和作业测试情况分为互动分析、评价分析、作业分析、测试分析和学习结果分析;活动分析根据活动的类型和时长分为活动类型分析和活动时长分析;资源分析根据资源的类型、大小和使用情况可分为资料分析和使用频率分析。它们为分析教师与学生的行为和教学目标的完成情况提供了科学精确的数据依据。

可以把数据分为单节课和阶段性两个维度来分析。单节课就是在某一节特定的课上，对教师和学生的交互信息和学生的测试成绩进行精确的处理，并最终用图形化的形式展示出来。阶段性就是在某一阶段内，对某个班级或某个学生进行阶段性分析.用图像化的形式直观展示。

图4为测试时题目正确率及交卷人数实时状态，该图由两部分组成:左侧为“题目正确率统计图”，显示当前已交卷学生的单个题目的答题正确率;右侧为阳寸序图”，显示当前已交卷学生的人数。

图5为测试时每个学生实时作答情况，答对的选项填充为绿色，答错填充为灰色，未选为空白。S-P表用来实时显示学生的正确率及每个题目的作答情况。

图6为单日随堂考成绩分析，是该教师某天在某班的某门课上进行随堂考试成 绩的分析。图7为单日作业提交率分析.是该教师所教的某一班级某天提交某门课的作业情况分析。教师通过“实时分析图”能够了解每个题目的正确率和学生的交卷情况。

第一，教师通过“举手”能够及时了解学生对知识的掌握情况。

第二，教师通过“实时分析图”能够了解每个题目的正确率和学生的交卷情况。第三，教师通过S-P表能够详细的了解每个学生的学习情况。

第四，教师通过“单题选项分布统计图”能够了解每个题目学生整体的掌握情况。

第五，教师通过“成绩等级分布图”能够了解学生成绩等级的分布情况。

第六，教师通过“过程分析图”能够“看到”学生的过程分析图给教师呈现了学生做每个题目做题过程。

四、面向课堂教育信息的数据挖掘研究

维度二学生信息的挖掘“(1)参与状态:一是观察学生是否全员参与学，二是看有的学生是否参与教，把教与学的角色集于一身。没有学生积极参与的课堂教学，是谈不上开发学生潜能的。(2)交往状态:一看课堂上是否有多边、丰富、多样的信息联系与信息反馈，二看课堂上的人际交往是否有良好的合作氛围。

(3)思维状态:看学生是否对教师的提问，提示信息作出积极的反馈;学生是否主动提出问题、发表见解。

(4)情绪状态:一看学生是否有适度的紧张感和愉悦感，二看学生能否自我控制与调节学习情绪。有时课堂会突然爆出笑声又嘎然而止，会从激烈的争论转人专注的聆听，就是一种自发并能自控的良好情绪状态。

(5)生成状态:一看学生是否都各尽所能，感到踏实和满足，二看学生是否对后继的学习更有信心，感到轻松。

维度三教师、学生课堂交互信息的挖掘：

五、课堂数据可视化的价值与教学应用

基于网络智能设备的课堂数据可视化，一方面继承了数据可视化“一图胜千言”的表达优势，另一方面又通过技术将已构建教学关联的课堂数据，以即时反馈、全局展示、动态累积、趣味呈现的方式应用于课堂教学各环节和活动中，在支持课堂管理的同时，着重突出“可视化”的教学互动及教学的动态生成，促进了教学过程的不断改进。

课堂数据可视化的内涵：数据可视化借助图表、图像形象地呈现数据，支持用户直观了解数据本身，分析蕴含在数据背后的信息与数量关系，其主要目标在于“通过图形化的手段清晰有效地传达信息”，帮助人们“揭示趋势、探索来源、获取新知”。研究表明，大脑要处理的信息多跟视觉有关，超过 80%的大脑细胞是处理视觉信息的，人们在加工视觉信息时认知负荷很低，所需努力极其微小（Sibbet，2010）。数据可视化充分应用“一图胜千言”的可视化表达方式，具有显著的沟通力、呈现力与吸引力，在课堂教学中常被用于呈现教学信息，通过图形图像的方式增进学生对教学内容的理解与认知，支持学生学习过程中的认知建构，或是对已记录的教学数据加以可视化，便于后期的比较与分析。

其应用主要包括获取课堂表现数据、呈示可视化结果、自主调整反馈三个基本流程。各流程间顺序并不固定，可根据教学实际灵活调整，通过这些流程的不断应用促成教学改进的良性循环，如图

其中“获取课堂表现数据”，通常指通过应用智能设备获取学生课堂表现数据，主要有行为表现、认知表现和情感表现三类。

1.课堂数据可视化应用带来课堂形态的新变革

首先，课堂数据可视化的应用使课堂交互真正得以“实时实地”。如使用课堂应答工具Socrative可即时了解学生对某一知识点的掌握情况，从而减少师生间反馈所需的时间，促使课堂交互真正实现“实时实地”。

其次，课堂数据可视化应用可自主设置课堂交互的透明度，在充分尊重学生的同时增进课堂交互的自由度。如 Socrative 可在不同测试题型如简答题中设置是否匿名，为课堂中的学生创设毫无压力的表达空间，使其更愿意且更真实地表达自己。

第三，课堂数据可视化应用可使课堂交互充分面向个体和全体学生。如 Class Dojo 将全体学生行为表现信息置于单一界面中，教师可以通过这种可视化的方式即时了解个体和全体学生的行为表现情况。

2.课堂数据可视化应用是教师数据素养发展的重要内容 课堂数据可视化一方面将数据应用渗透于教师教学与沟通交流的各环节和各层面，另一方面在技术应用上简化了教师数据统计与分析的工作，使教师能够切实关注基于数据的教学发展而非数据本身。

3.课堂数据可视化应用推进教师技术应用的优化变革

课堂数据可视化应用实则是基于数据的技术应用，这种基于数据的技术应用在教学整合的“相对优越性”、教师教学的“兼容性”、教学效果的“可观察性”上均较传统的技术应用更能激发教师应用技术的积极性与主动性。一是数据与教学切实关联，二是数据具有动态性特征，三是数据具有一定的指示作用。

课堂数据可视化教学应用案例 1.Class Dojo简介

Class Dojo是一款免费的基于学生行为数据可视化的课堂行为管理网络工具，旨在帮助教师管理课堂和改进学生行为表现。这项功能主要通过四个环节实现：（1）量化学生行为，（2）评估学生行为，（3）呈示学生行为得分，（4）生成学生“行为报告”。

3.基于Class Dojo的课堂数据可视化教学应用（1）激发全员共同参与（2）创设游戏化课堂 可将学生课堂行为管理作为游戏机制，通过将数据应用和趣味呈示的色彩、声音、时间乃至学生个人形象相关联，从个性化形象设置、评估过程到竞争机制、互动反馈等方面。具体可从以下三方面考虑：一是为所有学生设置独特的卡通人物形象。二是重视学生行为评估过程的游戏化。三是充分应用 Class Dojo 所提供的随机抽取、计时器和倒计时等功能，开展各种各样的趣味活动，有效提高学生的课堂参与。

（3）展开即时、全面、自主的教学互动（4）增进教育利益相关者间的协作交流 Class Dojo 除了在课堂教学中作为学生行为的即时评价与管理工具外，还会对学生的行为表现加以记录和存储，并以“行为报告单”的方式动态呈现出“整个班级”或单个学生在某一段时间内的发展变化情况。Class Dojo根据教师、家长和学生的应用特征为各自提供了不同的应用界面，方便教师、家长和学生即时查看学生的行为表现。

六、学习仪表盘：大数据时代的新型学习支持工具

学习仪表盘基于信息跟踪技术和镜像技术，对学习者的学习行为、习惯、情绪、兴趣等信息进行记录和追踪，通过分析与可视化、个性化的显示，为在线教育的学习者、教师、研究者、教育管理者等提供多层次的学习支持，帮助学习者实现自我认知、学习反思以及意义建构，促进学习新方法或模式的产生。

应用案例

（1）可汗学院学习仪表盘 在这一学习仪表盘中，要学的知识被精细切割为上百个知识点并可视化为由

549 个小格组成的“任务进度”图，其中每个小格代表并链接一个知识点要完成的学习任务，其颜色深浅表示了学习者对该知识点的掌握程度。学习者可以设计个性化 的学习路径并自由选择想要学习的知识点，还可以通过练习或测试提升对某一知识点的掌握程度

（2）“快乐学”学习仪表盘

学生入口的仪表盘页面能够显示学生在练习过程中的错题类型与数量，并通过分析学生在学习中的弱点与盲点生成个性化练习题，帮助学生强化和提高。教师入口的仪表盘页面既能够支持师生间一对一的交互，又能基于对学习者的数据分析辅助教师生成个性化试卷，从而实现个性化教学。家长入口的仪表盘页面在可视化子女总体学习指数（如图4所示）的同时，还可以显示某类知识点的具体学习情况

多对象学习支持

学习者。学习仪表盘可以追踪学习者的学习过程与结果并提供多种反馈信息，包括对课程参与情况的反馈，如学习材料使用情况、在线活动参与度、论坛参与率、在线测试成绩、作业及考试成绩等;学习者在学习共同体内的学习情况反馈，如学习进度的比较与推荐、学习策略建议等;学习者学业进步的总体反馈，包括学习情况总结、参与各种学习活动及使用各种信息技术工具的情况总结等。

教学者。学习仪表盘具有可定制性与可扩展性，可以满足教师多方面的教学需求。(Siemens et al.,2011)首先，教师可以通过学习仪表盘更深刻地了解学习者个体与群体的学习情况，如学生对于个人进步的感知、学习中的情绪情感体验、话题讨论的参与程度、实时学习检测情况以及与检测内容相对应的在线学习活动参与情况等，使教师可以获取学习情境中更为全面但却不太有形(Less Tangible)的信息，从而追踪并掌握影响学习者持续学习参与度(Sustained Learner Engagement)的因素。其次，学习仪表盘提供了一些便捷的插件，可以让教师选择和定制对信息和数据的分析角度，从而帮助教师及时发现和预测“处于危险状态”的学生并进行干预，如个性化谈话、学习方法建议、学习材料补充等。另外，学习仪表盘具有良好的开放性，教师可以方便地与同校或外校的教师共享信息资源。

第四篇：金税工程的应用情况--数据分析应用

金税工程的应用情况--数据分析应用 金税工程的应用情况 数据分析应用
【发布日期】 2006年10月23日 ： 【来源】 ： 字体： 【大】 【中】 【小】

近年来，税务系统数据利用的方式逐步由信息查询发展到数据分析和应用，尤其是充分 利用税收征管信息以及有关宏观经济等第三方信息，进行税收经济分析和企业纳税评估，用 于税源监控，促进税收征管。税务总局应用税收宏观经济分析系统（国家“863”重点项目）开展数据分析。一是利用外 部门提供的数据进行分析，包括来源于国家统计局的统计信息、国家信息中心的统计数据、海关总署的海关报关单数据、质检总局全国组织机构代码管理中心的组织机构代码数据等。二是利用税务系统内部的数据进行分析，包括税收快报数据、税收会计统计报表数据、全国 重点税源报表数据、全国税收调查报表数据、增值税管理信息系统相关数据、出口退税管理 信息系统相关数据、综合征管信息系统相关数据等。三是建立数据分析模型进行分析，包括 纳税能力评估分析模型、同业增值税与计税销售额比值模型、税收收入预测模型、区域贸易 关联分析模型等。税务总局根据税收经济分析发现的问题，指导省以下税务机关有针对性地 对地区、行业、企业深入开展分析和评估。省以下税务机关应用税务总局开发的综合数据管理系统和自行开发的有关数据分析软件 开展数据分析。一是对纳税人的有关信息进行“一户式”查询，包括登记和认定资料、申报征 收资料、发票管理、出口退税、稽查信息、违法违章信息、文书审批、单户综合分析和单户 预警等。二是进行征管质量考核，对数据质量指标、申报指标、征收指标、稽查指标和发票 管理指标等进行自动统计，实现对基层业务的量化考核和监控。三是开展综合分析，对税收 数据进行统计、查询、分析，使税务机关全面掌握纳税人的情况。四是加强预警监控，根据 日常征管工作中发现的税收异常和疑点，进行有明确指向性的数据排查。基层税务部门根据 税收经济分析发现的问题，通过行业分析和企业纳税评估查找原因，针对存在的问题采取措 施加强征管，对涉嫌偷逃骗税企业，及时移交稽查部门处理，从而实现税收经济分析、企业 纳税评估、税源监控和税务稽查的良性互动。

第五篇：浅谈大数据在教育管理中的应用

浅谈大数据在教育管理中的应用

大数据的发展给困境中的教育变革提出了新的挑战。大数据越来越广泛应用于教学，通过在线测试、实时调查等方式获取学生的基本情况、了解学生的学习潜能等，从而使教师更容易针对问题，因材施教。

学校已有的信息采集设备对我们的数据收集具有重大意义。例如：网上阅卷系统，高考、中考阅卷早已采用网上阅卷。可能很多老师知道网上阅卷的优点，如评卷的公正性、准确性、高效性。其实网上阅卷系统更是一个数据的采集系统，采用网上阅卷系统对数据的采集、统计和分析的深度还是广度都大大地超越人工所能及的范围。

如10月中我校进行了本学期第一次统考，语文试题主观题共设了22个采分点，评卷系统采集了22个得分点的数据，很容易发现各知识点的得分情况。教学过程中的成功之处和薄弱点得到了极其详细的反映。网上阅卷的统计分析结果还能对试卷的质量如难度、信度、区分度、效度等指标进行科学的分析，使命题中存在的问题也得以全面地反映。由此可见，玩转当前的 “小数据”对现实的教学有益，也是迎接大数据时代到来的一种准备。

大数据时代教师需具备的三种基本能力：第一种能力是获取及整合学生、学校数据的能力，第二是探索数据背后价值和制定精确教育教学行动计划的能力，第三是把这些计划快速实时地应用于教育教学工作中的能力，应用于课堂的能力。要实现这些能力的提升一方面有赖于学校及教育主管部门对教师的培训，另一方面当然依靠我们老师自身与时俱进的学习。日益强大的互联网、多媒体及概念软件、开源软件等为师生提供了更加自由、灵活的学习和探索空间，求知的视野被极大拓宽。学习与生活、教育与社会不再被孤立，学生、学校与现实生活的体验更为接近，学生学习兴趣、学校办学动力将被大大激发。

大数据的应用在教学管理方面，较之传统的教学，更加高效、开放和多元，教学活动参与者之间的沟通更加通畅，互动更加深入，教师的备课、作业批改、教学评价等更加智能化。大数据时代的到来，可以通过技术层面来评价、分析并进而提升教学活动。