时间：2023-05-29 09:02:17
序论：速发表网结合其深厚的文秘经验，特别为您筛选了11篇课堂大数据分析范文。如果您需要更多原创资料，欢迎随时与我们的客服老师联系，希望您能从中汲取灵感和知识！
【摘 要】 在高等教育领域已经储备有海量教学过程数据的背景下，强调了教学过程数据的价值，提出了大数据思维下基于教学活动
>> 通信行业大数据分析及应用研究 大数据时代电子税务数据分析与应用研究 大数据时代下数据分析理念研究 信息时代背景下数理统计在大数据分析中的应用研究 大数据分析 炼钢―连铸生产过程数据分析及在仿真中的应用研究 大数据分析方法及应用初探① 大数据分析与应用问题研究 教育大数据分析研究与典型应用 极课大数据及教学应用研究 基于大数据分析评测电网调度能力的方法研究及应用 电信企业大数据分析的应用及发展策略研究 基于大数据分析的低压台区降损系统研究及应用 油田生产中大数据分析技术的研究及应用 基于大数据分析下的数学课堂教学研究 基于大数据的学业、教学过程评价系统的应用与研究 探究大数据下的智能数据分析技术 大数据时代下数据分析理念框架探讨 大数据时代下数据分析的主要变化 大数据时代下数据分析理念探究 常见问题解答 当前所在位置：l Chen， E.， Heritage， M.， & Lee， J. 2005. Identifying and Monitoring Students’Learning Needs With Technology[J]. Journal of Education for Students Placed at Risk， 10（3），309-332.
Duhon， R. 2014. Mapping Learning into the Experience API. Retrieved May 13， 2016， from https：///Publications/Magazines/TD/TD-Archive/2014/01/Mapping-Learning-Into-the-Xapi
Global Pulse. 2012. Big Data for Development： Challenges & Opportunities. Retrieved May 13， 2016， from http：///upload/2012-07/12071822344575.pdf
Glossary of Education Reform. 2013. Learning Experience. Retrieved May 13， 2016， from http：///learning-experience/
（一）计算机教学内容的变化
随着大数据技术的发展和大数据分析的成熟，大数据技术及应用必然会成为各高校重要课程。现在，美国的学校已经开设相关课程，比如，大数据分析统计基础、大数据分布式计算、大数据挖掘与机器学习等。国内一些高校也正在尝试开设大数据课程，帮助学生了解大数据，学数据分析。下一步，大数据基础、大数据分析、大数据处理的核心技术等等，必将成为计算机专业的必学内容，也会成为高校重要的基础课程。另外，计算机智能教学系统和教育测评软件将更多地使用在教学中，以记录学生的学习轨迹。而计算机专业的教师也必须熟练掌握大数据技术和分析方法。
（二）计算机教学思维的变化
原来的计算机教学基本是灌输式教学，老师教授的是计算机基础知识、C语言编程的模式、数据库的基本架构，等等。大数据和互联网的发展必然会改变这种授课方式，使知识的接受方式呈现多元化倾向。随着移动互联的发展，学生可以随时随地通过互联网更便捷的获取学习内容。而课堂上单纯的照本宣科、按部就班将不能吸引学生的注意力。因此，教师必须转变教学思维，以更多的案例和互动式教学，引导学生去寻找解决问题的办法，寻找“芝麻开门”的钥匙，只有如此才能让学生有兴趣待在课堂。同时，大数据带来的将是对海量教学案例的数据分析，让教师对计算机教学的难点及教授方法优劣有了更加清晰的认识，不必依靠教学经验去判断教学效果，完全可以驾轻就熟地进行互动教学，启发学生寻找最优解决方案，将是大数据时代下计算机教学的突出特点，这是对计算机专业教学思维带来的革命性变化。
（三）计算机教学模式的变化
目前，计算机教学主要模式是备课—教授—上机—测试，教师主要的精力放在了课前备课。而大数据技术的应用，将会让教师把更多的精力放在课后分析上，形成“备课—教授—上机—测试—数据分析—改进”的模式。在这个模式中，课后的数据分析将是整个教学过程的关键环节。通过大数据分析，可以对一个班的学生进行整体学习行为评价，可以对学生上机测试情况进行细化分析，可以对每个学生的学习习惯进行学习评估，分析学生的学习中偏好、难点以及共同点等，从而得出学习过程中的规律，改进教学方式，提高教学质量。
（四）个性化教学的深入开展
大数据技术的发展，使建立覆盖学生学习全过程、全要素的信息库成为可能，学生大量的试卷、课堂表现留存，学生的学习经历及成长轨迹，学生的家庭情况等等，都将被涵盖在大数据分析中。另外，前述的计算机智能教学系统和教育测评软件，将详细记录学生每次答题的背景、过程和结果。这些信息让教学分析变得更加容易，教师可以利用数据挖掘的关联分析和演变分析等功能，依靠学生的某些学习特征，比如答题持续时间，具体回答步骤和内容（可以细化到每次击键和每个笔划），答对的要素和答错的要素等等，在学生管理数据库中挖掘有价值的数据，并分析学生的日常行为，研究各种行为的内在联系，来据此形成针对学生个性化的教学策略，以帮助学生在学习方面取得更大的突破。
中图分类号：G640 文献标识码：A 文章编号：1002-4107（2016）07-0068-02
随着大数据时代的到来，数据分析已从过去由专门数据处理人员胜任的工作，变成了商务管理人员的日常事务性工作。企业在享受大数据便利的同时却面临着数据分析人才严重短缺的难题。据麦肯锡公司预计，到2018年，美国数据分析专业人才的缺口将高达14―19万，能够使用大数据帮助企业高效决策的管理人员的缺口将达150万[1]。因此，顺应大数据时代的需要，培养具有数据处理能力的专业人才，已成为目前世界各国高等教育改革的首要任务。
本研究运用大数据时代的思维方式和工作方式，力图设计一门紧密联系企业实践的数据分析课程――“商务决策技术”，以提升学生的商务决策能力，满足大数据时代企业对管理人才的新要求。
一、数据处理课程设置现状
随着大数据时代的到来，我国高等教育研究者针对大数据的特点，对已有的数据处理相关课程进行了改革。如：李海林根据大数据具体特性，从授课内容以及实践环节对高校数据挖掘课程进行了详细设计[2]；邱胜海等针对关系型数据库在面对大数据管理时存在的问题，给出了开展非关系型数据库教学的具体措施[3]。然而这些以大数据为时代背景的教学改革，并非面向数理基础较差的经管类学生。为了提高经管类学生的数据分析能力，我国很多高校已开设数据分析与建模方面的相关课程，也撰写了相关教学书籍。如：蒋绍忠[4]、刘兰娟[5]等编写了各类商务数据分析教材；葛虹等[6]以经管专业课“数据分析与管理建模”为例，提出了知识的系统性训练和创新能力的培养的建议；邓维斌等针对经管类学生在数据分析能力培养中存在的问题[7]，提出编写针对性强的实验指导教材，构建科学的实验教学体系，改变实验教学模式等主要改革措施。然而，这些为经济管理类学生开设的数据处理课程中没有加入大数据的相关内容。
本研究围绕即将开设的“商务决策技术”这门新课，基于大数据理念，从课程内容、教学手段等方面对该课程进行全方位设计。在设计前，为方便日后跟踪学生的学习进展，对学生的数理基础和学习需求等方面进行了问卷调查，并对调查结果进行详细分析。
二、经管类学生数据处理能力现状调查与分析
（一）调查问卷设计
本调查共发放问卷250份，回收有效问卷234份，回收率达到93.6%。主要由2013级和2014级经管类学生填写。主要借助于李克特量表的形式测试学生对相关问题的认知程度。
设计《大数据理念下数据分析方法教学调查问卷》，除了了解学生的性别、年龄、班级、文理科生等基本信息外，还从四个方面进行了详尽的调查：前沿技术、学习动机、教学方法以及考核方式。
（二）调查结果分析
四个方面的调查结果如下。
1.学生对前沿技术的了解程度。很多学生对最新的前沿技术不甚了解。仅118人（占50%）听说过“云计算”，87人（占37%）听说过“物联网”，即使大部分学生会使用手机上网，但调查结果却显示仅168人（占72%）知道“移动互联网”这个词。对“大数据”的了解更为有限，听说过“大数据”这个词的人仅78人（占33%），能准确或大概说出其含义的仅49人（占21%）。其中，25人认为大数据的主要特征是“数据量大”；27人认为是“数据类型繁多”；8个人认为是“价值密度低”；18人认为“处理速度快”，仅3人将大数据的这四个特征全部选中。虽然大部分人对大数据不甚了解，但207人（占88%）对大数据的未来前景较为乐观，173人（占74%）已经感受到了大数据在日常生活中的存在。
2.学生的课程选修情况。为了了解哪类学生会选修这门课程，是数据处理基础好的学生？还是对数据处理感兴趣的学生？学生学习的自信心强弱会不会影响他们的选课？如果所学课程对学生未来工作有用，会不会有更多的学生选这门课呢？带着这些问题，本研究使用SPSS中的Pearson相关性分析法挖掘出影响课程选修状况的主要因素。
从分析结果中可以发现，学生是否选这门课主要取决于两大因素：“工作需要”（相关系数为0.427）和“学习信心”（相关系数为0.163），与学生的“数据处理基础”、“对数据分析是否感兴趣”的关系不大。也就是说，如果学生认为学习这门功课对未来的工作有用，即使他们的数理基础并不好，学习兴趣也不大，他们依然会非常乐意选此课；此外，学生的自信心也是学好这门课的关键。很有信心学好数据分析方法的学生仅占12%，86%的学生对此没有把握。提及何种工作会用到数据分析技术时，仅有131人（占56%）觉得数据分析技术对管理工作有用，91人（39%）觉得对销售工作有用；而94人（占40%）觉得数据分析技术对管理或销售工作根本没用，仅数据分析员或IT工作人员会用到该技术。
3.学生喜好的教学方法。近60%的学生对教学方法不甚了解，特别是现代教学方法。在调查过程中，我们对四个目前热门的教学方法，如：案例式教学法、讨论式教学法、翻转课堂、MOOC进行了详细介绍。最后，65%的学生偏爱案例式教学法，47%的学生偏爱讨论式教学法，对于翻转课堂仅有19%的学生愿意尝试，MOOC仅13%的愿意尝试。当问到哪种教学方法适用于本课程的教学时，44%的学生希望使用案例式教学法，23%的学生觉得翻转课堂不错，22%的学生依然喜欢以教师为主导的讲授式教学方法，88%学生认为MOOC不适合数据处理课程的教学工作。
4.学生喜欢的考核方式。仅有18%的人愿意闭卷考试，开卷考试和学生上台讲解的考核形式最受青睐。此外，78%的学生希望参与到教师评分中，同意教师独自给分的仅占18%，同意仅依靠学生评分的也只占6%。
三、“商务决策技术”课程教学设计策略
根据以上分析，拟在实施本课程教学时注重以下几个方面。
（一）提高学生学习数据分析技术的自信心
该课程涉及定量分析，这是经管类学生最为薄弱的知识点。从调查分析中可以发现，“工作需要”和“学习信心”这两个因素对学生选修该课程比学生的“数据处理基础”和“学习兴趣”更为重要。因此，本课程首先安排2至4个学时来讲解什么是“大数据”，大数据在未来各个领域的应用前景，并通过实例、视频或实地调研让学生了解商务数据分析的一些实际应用，只有当学生切身体会到了数据分析技术在未来生活中的应用价值，才能从根本上调动他们主动学习的积极性和自信心。
（二）丰富大数据相关内容
大数据最重要的应用就在于预测，而预测是商务决策的基础。以往的经济预测多依赖于因果模型的分析，而大数据分析则是运用相关性分析方法从海量数据中发掘数据之间的联系，进而进行有效的预测。因此，本课程将重点讲授相关分析方法，不仅讲授诸如简单线性回归、Pearson相关系数等传统相关分析方法，还会介绍大数据相关分析方法，如：最大信息系数、随机相关系数等。
（三）采用多种教学模式与方法
从调查分析中了解到：以往以教师讲授为主、学生被动学习的传统教学模式不再受到学生的青睐，翻转课堂、案例教学法、讨论式教学法是学生喜爱的教学方式。因此，本课程将采用学生平等参与的讨论式教学方式，并事先设计“自主学习任务单”、制作教学视频、布置案例教学任务等多种教学手段，将教师的教学职能从单一的讲课向设计、组织、帮助与指导方向转变。
（四）师生共建考核方式与信息反馈机制
调查分析结果表明：传统死记硬背的考核方式不再受到学生的欢迎，开卷考试和上台讲课的考核形式更能全方位地衡量学生处理实际问题的能力。因此，本课程拟首先让教师和学生共同制定考核目标，细分考核内容以及考核方式；然后由学生自主选择考核方式和内容。评分时，组织成立学生考评团，所有学生轮番成为考评团成员，与老师双向沟通，共同评分。
本文展示了“商务决策技术”课程开设的调查研究工作，并依据分析结果，提出顺应大数据时代需要，培养具有现代数据处理能力的管理人才的具体措施。希望通过培养学生学好数据处理方法的兴趣和自信心，通过制订合理的教学计划、设计新颖的教学内容、运用现代化的教学模式、采取师生共同参与的考核方式，来提升学生适应大数据时代市场需要的数据素养。
参考文献：
[1]Manyika J.，et al.Big data：The next frontier for
innovation，competition，and productivity[EB/OL].
[2015-11-03].http：///insights/
business_technology/big_data_the_next_frontier_
for_innovation.
[2]李海林.大数据环境下的数据挖掘课程教学探索[J].
计算机时代，2014，（2）.
[3]邱胜海，周玉敏，高锡荣等.大数据时代非关系型数据库
教学与实验改革探索[J].电脑知识与技术，2013，（9）.
[4]蒋绍忠.数据、模型与决策――基于Excel的建模和商
务应用[M].北京：北京大学出版社，2013.
[5]刘兰娟等.经济管理中的计算机应用[M].北京：清华大
学出版，2013.
[6]葛虹，韩伟一.多模式交互教学与教学工作量评估――
以“数据分析与管理建模”为例[J].黑龙江高教研究，
中图分类号：G434 文献标志码：B 文章编号：1673-8454（2015）22-0021-04
智慧教育、智慧课堂是当前教育信息化研究的一个新的热点问题，是信息技术与教育教学深度融合的产物。智慧教育的核心在于用最新的信息技术变革和改进课堂教学，打造智能、高效的课堂。当今社会进入大数据时代，大数据的出现将会对社会各个领域产生深刻影响。在教育领域也不例外，美国许多高校和基础教育领域十分重视大数据的应用，2012年美国国家教育部了《通过教育数据挖掘和学习分析促进教与学》的报告，我国也有不少学校和教育软件企业进行教育大数据和学习分析技术的探索。因此，利用大数据技术分析和改进学习行为，变革传统课堂教学，构建基于动态学习数据分析的智慧课堂模式，具有重要的现实意义。
一、智慧课堂的提出及发展
人们对智慧课堂的理解总体上有两类，一类是从教育视角提出的，另一类是从信息化视角提出的，本文所使用的概念是后一类。在英语中，关于“智慧”的表达有三种，即Smart、Intelligent或Wisdom。2008年，IBM最早提出“智慧地球（Smart Planet）”，随后出现了智慧城市、智慧教育、智慧课堂等概念。IBM使用及广泛推广的“智慧地球”是“Smart Planet”。因此，现在人们所说的“智慧课堂”是智能化课堂（Smart Class），主要是从信息化的视角理解的，即使用先进的信息技术实现教育手段和课堂的智能化，进而实现教育教学的智慧化。
基于信息化的视角来分析，随着信息技术迅速发展及其在学校教育教学中的广泛应用，从早期的辅助手段向与学科教学的深度融合发展，传统课堂向信息化、智能化课堂发展，对智慧课堂的认识也在不断深化。目前对智慧课堂概念的定义也有多种类型。比如：有的学者定义“智慧课堂”是物联网和教育云端等新技术于一体的智能课堂；[1]有的认为“智慧课堂”重点在课堂中的应用，是通过云计算、网络技术、应答系统等技术手段来支持个性化学习的有效展开；[2]有的学者提出建立基于电子书包的“智慧课堂”系统，具有课前多媒体电子教材预习、课中互动教学、课后微课程作业辅导等功能，为实现“颠倒的课堂”和学生随时随地碎片化学习提供了全面支撑[3]等等。
实际上，智慧课堂的概念是随着信息技术在教学中的不断应用与融合而逐步发展的。当今社会进入教育大数据时代，基于大数据技术分析和改进学习行为、变革传统课堂已成为一种必然趋势。这里我们结合自己的研究，提出基于动态学习数据分析的智慧课堂概念。
二、智慧课堂的概念
所谓“智慧课堂”，是以建构主义学习理论为依据，利用大数据、云计算、物联网等新一代信息技术打造的智能、高效的课堂。其目的是基于动态学习数据分析和“云+端”的运用，实现教学决策数据化、评价反馈即时化、交流互动立体化、资源推送智能化，全面变革课堂教学的形式和内容，构建大数据时代的信息化课堂教学模式。智慧课堂的提出与发展既是信息技术在教学领域应用的产物，同时也是课堂教学不断变革的结果。
对上述智慧课堂定义的理解，应重点把握以下几个方面的内涵：
1.智慧课堂的构建依赖于大数据学习分析技术
数据改变教育是智慧课堂的核心理念。对于具体的课堂教学来说，数据是反映教学效果的最为显著的指标，比如：学生识字的准确率、作业的正确率、多方面发展的表现率――积极参与课堂教学的举手次数，回答问题的次数、时长与正确率，师生互动的频率与时长等。在课堂教学中生成了海量的数据，对这些数据进行加工、挖掘和分析离不开大数据技术和方法。基于大数据的学习分析，智慧课堂从依赖于存在教师头脑中的教学经验转向依赖于对海量教学数据的分析，一切靠数据说话，依靠直观的数据对学生的学习行为进行判断和制定教学决策，实现了基于数据的课堂教学。
2.智慧课堂基于全过程动态学习评价和智能推送
传统课堂上每位教师常常要面对几十个学生，很难及时把握和照顾到每个学生的个体差异。智慧课堂基于全过程动态学习评价和智能推送，有效地改变了这一状况：通过课前富媒体预习材料和作业，进行预习测评和反馈，深化学情分析，优化教学设计，便于精准教学；通过课中推送随堂测验，进行实时检测数据分析和即时反馈，改进教学策略，调整教学进程；通过课后作业数据分析，实施针对性辅导，为学习者即时推送合适的个性化学习资料，实现个性化的学习支持。
3.智慧课堂采取“云+端”的教与学服务方式
智慧课堂的实施基于云计算技术、采取“云+端”的服务方式，部署和应用智慧课堂的信息化平台――智慧教室，其主体由微云服务器、端应用工具、云平台等组成。智慧课堂信息化平台提供学习资源管理与服务、教育信息管理、多元化评价等功能，通过教室内多种终端设备的无缝连接和智能化运用，打破了传统意义教室的黑板、讲台和时空概念，具备动态学习数据的采集和即时分析功能，实现了教与学的立体沟通与交流，使传统课堂发生了结构性变革。
4.课堂是翻转课堂进入2.0时代的最新成果
翻转课堂的基本要义是基于教学视频的应用将传统教学流程颠倒过来，从“先教后学”转变为“先学后教”。大数据时代强调数据分析和应用，基于大数据等信息技术的全面支持，从一般性观看视频转变为课前预习、测评分析及反馈，从“先学后教”转变为“以学定教”，从对课堂的控制转向基于数据的动态学习分析、即时反馈及据此实现的教学机智，已经从早期的“流程颠倒”的翻转课堂1.0转变为“结构性变革”的翻转课堂2.0，从而实现了大数据时代的“智慧课堂”。（传统课堂、翻转课堂与智慧课堂的关系见表1）
三、智慧课堂的信息化平台架构
智慧课堂常态化应用的前提是具有先进、方便、实用的工具手段。为此，需要构建基于学习动态数据分析和“云+端”应用的智慧课堂信息化平台。智慧课堂信息化平台应用功能的基本架构如图1所示：
在图1中，智慧课堂信息化平台的应用功能由从下至上的四个层次构成，主要包括：
（1）资源管理与服务层：主要是进行学习资源的管理和提供服务，包括课程标准、全科电子教材、各类题库系统、教学动态数据和教育管理信息。
（2）多元评价支持层：提供对学习和教学质量的形成性评价、总结性评价和诊断性评价服务，包括测试系统、GPA综合评价系统、教学质量评价系统和动态评价分析系统。
（3）端应用服务层：提供智能终端的学习、管理和应用功能，包括微课制作与应用、学习资源推送、端应用工具、第三方APP应用等。
（4）用户实现层：提供教师的“教”与学生的“学”的应用程序和方法，最终实现对课前、课中、课后的教学信息支持。
四、智慧课堂的教学结构模型
智慧课堂是基于动态学习数据分析实现的智能、高效的课堂，是利用现代信息技术对传统课堂不断改进的结果。大数据及学习分析等技术的应用，使得课堂教学结构发生了重要的变化，我们从与传统课堂教学结构的对比来分析智慧课堂的教学结构模型。
1.传统课堂的教学结构
传统课堂教学采用的是“5+4流程”结构，即包括教师“教”的5个环节和学生“学”的4个环节以及相互之间的联系方式，共同组成课前、课中、课后的完整课堂教学过程，构成了教学持续改进的过程循环。传统课堂的教学结构理论模型如图2所示：
课前环节
（1）教师备课：教师依据上一次课学生作业和教学经验进行备课。
（2）学生预习：学生对上一次课堂上布置的预习内容进行预习，但预习结果的反馈要到上课时间。
课中环节
（1）授课实施：教师依据备课方案进行讲授，学生跟随老师的思路进行听课。其间，老师根据学生的学习情况进行提问，部分学生代表回答问题，实现了部分互动。
（2）布置作业：教师布置课后的作业和预习任务。
课后环节
（1）完成作业：学生在课后完成作业，第二天或下一次上课时递交给老师。
（2）批改作业：老师在收到作业后完成作业批改，批改的情况往往难以及时反馈到下一节的备课中。
（3）评价反馈：老师将作业批改结果反馈给学生，通常需要两三天之后。
2.智慧课堂的教学结构
智慧课堂教学采用的是“8+8流程”结构，即包括教师“教”的8个环节和学生“学”的8个环节以及它们的互动关系，共同组成课前、课中、课后的完整课堂教学过程，构成了教学持续改进的过程循环。智慧课堂的教学结构理论模型如图3所示：
课前环节：
（1）学情分析：教师通过智慧教学平台提供的学生作业成绩分析，精确地掌握来自学生的第一手学情资料，确定本节课的教学目标；
（2）资源：根据教学目标和学情，教师向学生推送富媒体预习内容（微课、课件、图片、文本等），同时推送预习检测的内容；
（3）学生预习：学生预习教师推送的富媒体内容，并完成和提交预习题目，记录在预习过程中的问题；
（4）课前讨论：针对预习中的问题，学生在论坛或平台上进行相关讨论，提出疑问或见解；
（5）教学设计：教师根据学情分析结果，教学目标、教学内容，学生预习检测统计分析和讨论的情况，修改教学设计方案。
课中环节
（1）课题导入：教师采取多种方法导入新课内容，主要通过预习反馈（对学生提交的预习检测统计分析）、测评练习和创设情景等方式导入新课程，提示或精讲预习中存在的问题；
（2）展现与分享：学生展现课前自学成果，围绕新课导入进行演讲展示、分享观点，并重点听取在预习中理解不透的知识，积极参与课堂教学；
（3）新任务下达：教师下达新的学习探究任务和成果要求，并下达任务完成后的随堂测验题目，推送到每个学生终端上；
（4）合作探究：学生开展协作学习，主要包括分组合作探究、游戏教学等方式，教师设计活动，为学生分组，进行互动讨论，学生开展小组协作后提交成果并展示；
（5）实时测评和反馈：学生课上完成课程导入和新任务后，进行诊断服务，完成随堂测验练习并及时提交，得到实时反馈；
（6）精讲与点评：基于数据分析，教师根据测评反馈结果对知识点难点进行精讲，对薄弱环节补充讲解，重点进行问题辨析，通过多样化的互动交流解决学生在新任务中遇到的问题；
（7）巩固提升：学生针对教师布置的弹性分层作业和任务，对所学习的新内容进行运用巩固，拓展提升。
课后环节
（1）个性化推送：教师依据学生课堂学习情况，针对每个学生个性化的课后作业，推送学习资源；
（2）完成作业：学生完成课后作业并及时提交给老师，得到客观题即时反馈；
（3）批改作业：教师批改主观题，并录制讲解微课，推送给学生；
（4）总结反思：学生在线观看教师所录解题微课，总结所学内容，在平台或论坛上感想与疑问，与老师、同学在线讨论交流，进行反思。
五、智慧课堂的主要应用价值
基于动态学习数据分析的智慧课堂，对传统教学产生了革命性的影响，在教学实践中具有重要的特色和应用价值，主要体现在以下几个方面：
1.有利于构建建构主义理想学习环境
建构主义学习理论是现代教育技术领域的核心理论，为智慧课堂的构建奠定了坚实的理论基础。建构主义认为，知识是学习者在一定情境下借助他人（包括教师和学习伙伴）的帮助，通过意义建构的方式获得。理想的学习环境包括情境、协作、会话和意义建构四大要素。智慧课堂依据建构主义理论设计课堂教学模式，能够非常好地满足建构主义学习理论对学习环境所提出的较高要求。智慧课堂按照知识建构螺旋上升的特点，围绕课前、课中、课后的教学闭环，利用多种新媒体、新技术和智能设备，基于动态学习数据分析和“云+端”的运用，能够创造和展示各种趋于现实的学习情境，增进师生间、生生间的立体化沟通交流，有利于开展协作、探究学习，实现学习者知识意义的建构。
2.促进课堂形态的重大变革
智慧课堂教学中现代信息技术手段的深度应用，使课堂形态发生了重大变革。新技术、新媒体和智能终端为学习者提供了丰富的认知工具与支撑环境，为师生建立了更为开放的教室和课堂活动。例如，云端智慧教室无传统的讲台与黑板，课桌以分组讨论方式摆放，在教学过程中采取多元的交互协作方式，教师面向学生教学并直接融入小组讨论；教师可以通过手中的任意移动终端设备（手机、PAD）实现书写并向教室内大屏幕投射，教师常用的PPT不仅仅可以一帧一帧展示用，而且可以进行任意的手写、标注、推演等，传统的课堂已经变成了数字化的“体验馆”、“实验场”。
3.创新课堂教学结构和模式
大数据背景下的智慧课堂教学，在教学观念、教学内容、教学方式和教学流程上都发生了重大变化，课堂教学模式得到了“颠覆”。从以教师为中心强调知识传授的传统教学转变为以学生为中心强调能力培养；从传统多媒体教学的“望屏解读”向师生共同使用技术转变，师生、生生之间的沟通交流更加立体化，无障碍地进行即时交流互动；学习资源实现富媒体化、智能化、碎片化，按需推送、实时同步。课堂结构发生了变革，教学进程从“先教后学”到“先学后教”、“以学定教”，学习与智能测评在前，教师依据课前测评分析，有的放矢，分层教学，通过微课吧、分组讨论、精讲点评、分层练习等方式组织更加个性化的课堂教学，课后教师能够给每个学生个性化的作业，真正实现了个性化教学和因材施教。
4.构建全过程学习评价体系
基于动态学习数据分析的智慧课堂，其核心是对学生的学习全过程进行动态、实时的诊断评价和反馈。利用大数据学习分析技术提供测评练习，教师能够快速地对学生的学习全过程做出诊断评价。例如，通过智能评测系统实现数字化作业或预习预设的问题评测，收集、判断学生已掌握的知识和技术，自动数据分析与反馈，为教师的备课提供了及时、准确、立体的信息，据此实现有的放矢的备课，选择适应的教学策略。通过随堂练习及评测系统，进行实时测评、统计，快速分析与反馈学生的课堂学习效果，及时调整课堂教学进度与内容，体现了教师的教学机智，展示了教学艺术。基于数据的分析成为引导学生学习的依据，通过课后作业数据分析和反思评价，对学生进行个性化的辅导和实现教学的持续改进。
5.实现智慧课堂的常态化应用
智慧课堂取得实际成效的前提是常态化应用，常态化应用的前提是具有先进、方便、实用的工具手段。通过开发应用智慧课堂信息化平台，提供“微课”制作与推送功能、动态学习评价与数据分析功能、灵活方便的智能终端应用功能等，实现常态化教与学的应用。例如，“微课制作与应用平台”相对于传统的教学视频制作和应用工具来说，更加简单、方便、实用，使得智慧课堂的实现，不再只是表演阶段，因为技术足够的简单与方便，教师能快速融入到日常教学之中；随堂录制的微课，因为其足够的“小”、足够的方便，让微课的制作与应用实现了常态化。师生“端应用工具”是具有即时通讯功能的教学工具，支持包括苹果、安卓、windows在内的多应用平台，可以实现师生在课堂教学中的立体沟通，同时师生间可以实现课前、课后的随时随地问答、讨论与教学交流，保证了基于“端”的教与学应用常态化。
参考文献：
一、“大数据”简介
大数据给法学教学带来了对于如何分析学生学习情况的全新认知方式。
二、大数据为民办院校法学教学改革带来的新的发展机遇
民办院校的教师师资力量弱，学苗差，学生考研率低，就业率低。长春财经学院在法学教学改革中，引入翻转课堂教学模式。而大数据作为一种新的研究方式，可以为翻转课堂提供更好的数据分析。(一)辅助提升法学学情分析。利用大数据可以从海量的数据分析中，提供教学需要的学生学习情况的信息。促进教师进行教学改革，提升教学效率。1．大数据对学习过程进行监控大数据则可以通过对学生线上学习过程进行监控，为教师提供数据帮助教师掌握学生学习情况。如为了防止学生观看视频的学习过程中有偷懒行为，保证学生学习的效果以及成绩的真实性，超星等网络平台也采用了许多新的手段。2．大数据对学生学习效果提供统计数据大数据可以帮助教师对学习效果进行统计。如，提供随堂测验的统计数据等。在教学实践中，如何对学生的学习效果进行合理的评价，仍是一个需要进一步改革的问题，尤其是采用翻转课堂教学模式下。(二)辅助配置教学资源。大数据可以辅助教学资源的优化配置。在当前的教学改革工作中，要注重大数据的分析，特别是对于学情的分析，确保教学改革取得应有的效果。通过利用大数据对学生学习情况进行分析，查找规律，辅助教师评估每个学生的学习质量、效果及学习的困难点，从而合理分配教学资源。(三)促进教师和学生的良性互动。在网络信息时代，学生对于知识的需求量越来越大，社会对于学生的能力的要求也越来越高，要求上岗即能上手，因此，学生需要真正能够利用所学知识解决问题。而大数据可以更好的促进二者关系的良性互动。
三、大数据时代民办院校法学教学改革面临的主要挑战
在大数据时代，法学教学改革迎来了新的问题。当前，法学教学改革中面临着许多与大数据时代相关的挑战，其中较为典型的问题包括如下几个方面:(一)大数据对真实学情的掌控上，仍需完善。目前，超星尔雅平台已经建立起了教学互动平台，利用大数据对学生的网络学习过程及效果，及时进行统计分析。然而，在实践中，依然存在大数据无法掌控的问题，如不能真实的反映学生的学习效果。(二)如何运用大数据分析学情，仍需论证。目前，大多数的教师认为，目前大数据可以作为学情分析的参考，如分析学生的学习习惯，但不能以此作为认定学情分析的标准。综上，在不断的深入法学研究的方方面面，大数据为法学研究提供数据参考，也为我们法学教学提供数据分析，为法学教学的现代化提供有益的辅助支持。我们要提升重视现代化科技力量的运用。利用大数据对海量数据分析、整合，从而发现学生学情的新规律，提升法学教学水平，在运用大数据时，需要注意数据固有的局限性，对数据分析进行恰当合理的利用。
［参考文献］
1.1大数据时代对大学生的数据驾驭能力提出了新的挑战
在大数据时代，大学生若想获得好的就业机会需要有较强的数据驾驭能力，即数据素养，在科学数据的采集、组织和管理、处理和分析、共享与协同创新利用等方面的能力，以及研究者在数据的生产、管理和过程中的道德与行为规范。而大学生们鲜有接触大量数据并从中剔除糟粕找寻有用数据的经历，顶多是进行过几次较浅显的问卷调查工作，对数据技术、数据分析方法及相关软件、国际数据化发展进程等知之甚少，在数据素养方面可以说是零基础。
1.2大数据时代对大学生理性思维能力提出了新的挑战
在大数据时代，人们对于过往经验的依赖程度降低，而对数据分析得来的实时结果信任度大大提升，因此赢得就业竞争需要大学生具备理性、逻辑性强的思维方式，从而能冷静、不带感彩地处理和分析数据，得出客观的结论。而大多数中国学生的理性、批判性思考的能力偏弱，缺乏个人的独立思考，且文科专业尤其是语言类专业的课程设置对培养大学生理性思维能力的作用较小，大学生的理性思维能力亟待提高。
1.3大数据时代对大学生精确、快速、实时行动的能力提出了新的挑战
大数据时代信息瞬息万变，因此数据也是具有时效性的，要获取实时数据反馈就必须有精确快速的反应能力和行动能力。一部分平常对于生活中的信息疏于收集的大学生可能会缺乏对信息的敏锐度，从而导致其较慢的反应力和行动能力，若其这方面的素质没有得到提高，则可能会在工作中产生在数据分析工作完成后却发现得出的结论已不具时效性的情况，导致丧失最佳的工作机遇，降低了自身的职业发展竞争力。
2如何在大数据时代提高大学生就业竞争力
大数据时代带给了大学生数据分析能力、思维方式、科学精神、行动力等方面的就业挑战，因此政府、各高校及大学生自身都应积极应对挑战，从不同层面克服困难，共同提高大学生在大数据时代的就业竞争力。
2.1高校、政府应建立大学生就业大数据分析机制，做好大学毕业生的就业、创业服务工作
大学生就业大数据分析离不开大数据的支持，而大数据的建设是一项科学、有序、动态且可持续发展的系统性工程。政府需要从建立运行机制、规范建设标准、建设共享平台、提供专业队伍等多方面进行支持，且通过建立各高校就业数据库，分析各校历年就业率与其获国家资源倾斜度的关系，也能调节教育支持的力度，更好地帮扶教育产业。除此之外，将就业数据库数据与就业市场相关数据相比，还能帮助人力资源供需双方形成更理性的预期，减少就业矛盾，实现人力资源市场的多赢。而学校通过广泛收集历年大学生就业期望、就业去向等信息，并将其数据化，收入数据库，能有效预测毕业生就业率、就业去向。
2.2高校应推行大数据战略，让大数据走进课堂教学，培养大学生大数据意识
各高校应结合大数据时代特征进行教学改革，推行信息化管理与信息化教学。学校的管理与教学活动都存在着固定性与周期性，如对教师的考核、学生测试成绩分析、就业情况分析等，可以利用计算机分析这些数据并推荐合适的解决方案；课堂上，教师也应顺应信息化教育，突破传统的教学方式，通过“微学“”微课”等方式提高学生的学习兴趣，从而提高学习的效果。同时，知识点也可以通过数据化与测试题建立联系，计算机可以通过分析错题数、做题时间等数据为老师提供不同学生对于不同知识点的掌握情况。只有在校园中营造一种大数据氛围，培养学生们利用数据分析找寻有用信息的习惯，才能让他们具备大数据意识，做好走进大数据时代职场的准备。
2.3大学生要提高数据驾驭能力，透过数据看本质
大学生可以多对社会热点问题进行实践调研，通过访谈、问卷调查等方式获取大量真实数据，然后通过整理分析这些数据锻炼自己的数据驾驭能力。在整理实践调研的数据时，掌握图表分析、数据模型及数据分析软件的使用方法，如Hadoop、MapReduce等，提高数据分析的工作效率和准确性。除了加强数据分析技术的学习外，也需要补充来自统计学、数据挖掘等学科的理论知识，为数据分析提供理论支持。同时，勤思考、多动手、多总结的做法也能帮助大学生透过数据看本质。海量数据中不乏有虚假、消极、错误的数据信息，因此大学生必须具备良好的数据分析能力。数据分析就是一个不断假设、验证的过程，耐心、肯钻研的科学精神能够帮助大学生在一次次的假设验证后找到本质的规律。通过不断地实践练习，提高对数据的敏感度、分析能力，为日后职场中更好地开展数据分析工作打下基础。
2.4大学生应养成独立思考的习惯，培养逻辑思维和理性思维方式
大数据时代是鼓励个性化的时代，鼓励通过数据挖掘发现隐藏于数据下的种种规律，要做到这点，大学生必须要有独立思考、不受常规想法束缚的能力。美国计算机专家埃齐奥尼尔购买机票后却发现周围比他买票晚的乘客票价居然比他的便宜，本来是再普通不过的生活现象，但这却引发了这位专家的思考。他分析到若获得美国每一条航线上每一架飞机内的每一个座位一年内的综合票价的数据库，就可以预测飞机票的涨跌势，为消费者提供参考。这样的思考促使他最终创立了Farecast票价预测工具，顾客平均每张机票可节省50美元。独立思考不是漫无目的地想，而是有逻辑地思考。大学生要注意在日常生活中就养成逻辑推理的习惯，在问“是什么”后还要问“为什么”，尝试通过自己的推理找到答案，这是大数据时代对人才的要求。
关键词
泛在学习；学习生态；有效学习；英语学习；大数据
近年来，移动互联网、大数据等信息技术发展日新月异，已经成为推动教育变革的重要力量。移动通信终端的普及为学生营造了泛在英语学习环境，大数据技术开启了个性化智能教育时代，翻转课堂、MOOC、微课等新型教学模式层出不穷，虽然它们不能取代传统教学模式，但英语教师必须与时俱进，重视信息技术对传统英语课堂的改造和提升，以全新的视角思考英语教学的变革方向。
一、研究理论概述
1.泛在学习理论
泛在学习是指任何人在任何时间和任何地点都可以通过泛在网络实现任何知识内容的学习。泛在网络和泛在计算技术为人类实现随时随地的泛在学习提供了技术保障，信息技术和教育技术的融合发展正深刻改变着知识的传播方式和学生的学习方式，不断重构着教育和学习的生态环境。一方面，移动通信终端的多元化发展解除了传统英语学习对地点的约束，翻转课堂、MOOC等新型教学模式使学生可以自由地选择学习时间、进度、内容和学习方式。另一方面，传统教学设备正在向数字教学设备变迁，教育领域信息基础设施建设有效地推动跨区域教学资源整合，海量的多媒体教学内容必须和学生的碎片化时间有效结合，教师需要针对不同学情的学生进行精准施策和差异化施策。
2.学习生态理论
学习生态是由学习群体及其所处的环境共同构成的生态系统。系统由信息技术、多媒体教学设施等支撑，通过以合作、交流、共享、互动为特征的教育实践，实现知识信息传递和有效学习，从而促进系统的不断优化。学生与学习环境、学生和学习群体之间密切联系、相互作用，通过知识的吸纳、内化、创新、外化、反馈等过程实现有效学习[1]。在泛在学习的背景下，学习生态研究的是教育信息、学习主体、教师、教育信息环境之间相互作用的生态系统，需要从教育信息化建设和应用的视角研究各个生态系统成员之间的相互作用规律，维护生态系统的平衡发展。
3.有效学习理论
有效学习是指学生在教师的指导下，针对学习内容采取适合自己的学习策略，积极主动地参与到学习过程中，高效率地完成知识建构，从而实现学习目标并优化自身知识结构的学习行为。有效学习是对学习内容、学习方法、学习过程、学习结果的价值追求[2]，学生可以实现对知识的深层次理解和灵活应用。学习内容的优化在大数据背景下表现为对海量学习内容的筛选、清洗与转化[3]，使之满足学生的学习需要。学习方法调整是建立在对学生学习情况进行多元评价的基础上，根据学生个人学习偏好、认知习惯、学习方式、情感态度因素、学习内容的变化而动态进行的。学习过程的积极参与是指学生能够积极主动地学习，充分和师生进行合作、交流，善于提出问题、分析问题和解决问题。学习评价是学生改变学习计划、优化学习方法的重要手段，对学生学习可以起到引导、激励、启示和教育作用。
二、当前英语泛在学习模式存在的主要问题
1.传统课堂教学和线上教学环节缺乏有效衔接
首先，传统课堂教学和线上教学在教学节奏、知识范围上没有有效衔接。例如，学生不知道如何在线上学习课堂上没有掌握的知识点，或者在线上环节重复学习课堂中已经掌握的知识点。其次，缺乏对课堂英语学习和个性化英语自主学习的融合创新设计。在传统课堂教学中，整齐划一的教学标准无法满足英语学习分层分级的差异化教学要求。不同学情的学生对学习时间、空间、内容、方式的需求不尽相同，教师在教学中没能和学生线上学习的大数据分析结果进行有效的融合对接，仅根据自身的教学经验和主观判断作为实施因材施教的依据，因此其决策缺乏精准性和稳定性。
2.泛在学习缺乏生态性系统设计，学生英语泛在学习的用户黏性不高
当前泛在学习过程特别是在线学习过程缺乏师生互动性、社交互动性、线上线下互动性。泛在学习仅停留在将文字、图像、视频等教学资料数字化、网络化、集成化和泛在化的阶段，这在某种程度上增加了学生英语学习的选择性和便利性，但缺乏针对不同学生的学习黏性设计，因此泛在学习效果并不理想。
3.英语泛在学习体系缺乏具有“参与感”和“现场感”的语言学习环境
建构主义理论认为，知识的获得是在学习环境的特定情境作用下，借助教师的帮助与学习伙伴的协作，通过意义的建构过程实现的。因此在英语泛在学习过程中，必须增强学生在特定情境下的沟通和交际活动的参与性[4]。例如，如果在英语课程设计和在线学习设计环节，鼓励学生广泛参与学习内容、学习方法、学习偏好的设计，就会让学生感受到教师对学生的爱与尊重，从而增强学生学习的主动性和积极性，使不同学情的学生都能在学习过程中体验自我实现感，实现自主学习。另外，教师缺乏对学生多元需求的感知和把握，缺乏语言锻炼的“现场感”设计，使学生无法在接近真实生活情境的语言环境中得到语言交际锻炼。
三、基于大数据分析的英语泛在学习生态系统
移动通信和大数据分析技术的发展为有效解决当前英语泛在学习模式存在的问题提供新的方式和途径。基于大数据分析的英语泛在学习生态系统以学生的英语学习需求、特征、习惯、喜好等大数据挖掘为切入点，联合学校、互联网教育机构、教材编写人员、教师、信息化支撑机构、教育管理机构、在校学生和在职学员等生态系统成员共同把泛在学习落实到教学环境、模式设计、资源开发、评价机制和管理机制等工作中，不仅仅是教育内容资源和信息的共享空间，而且是实施素质教育和个性化学习的公共服务平台。因此，本文构建了基于大数据分析的英语泛在学习生态系统，主要包括大数据采集、大数据存储、大数据分析、大数据应用四个子系统，并构建了系统体系结构模型。
1.大数据采集子系统
首先，大数据采集子系统要实现数据、文字、图像、音频、视频、多媒体等结构化数据和非结构化数据采集，实现跨区域、跨机构、跨教学环节的数据互联互通和数据采集功能，解决教育数据资源配置效率不高的问题。其次，实现英语教学设计、教学实施、课程内容建设、网络学习内容资源建设、语料库建设、学生学习认知过程监控、学生学习情感态度监控和学习评价等全教学链条的数据采集功能，为生态系统成员之间的共生发展提供良好的数据资源基础。英语教学设计数据主要采集教师按照教学大纲和教学目标要求对不同学生制定的学习内容、学习进度、学习路径等数据，厘清学生在课堂上和网络上分别学什么、在哪学、怎么学的问题。教学过程数据主要采集教师在教学中帮助学生解决英语学习问题的经验、做法和策略，包括情感态度、认知因素的调控、语言情境的构建、师生的有效互动等。课程内容数据主要是采集教师、学校、互联网教育机构课程教学内容数据，包括教材内容、课件、题库、案例等授课内容资料，以及以上资料经过碎片化处理的数据资料。网络资源数据库主要采集互联网、校园网上英语学习方面的相关资料。英语语料库数据主要采集中国学习者英语语料库、美国当代英语语料库等语料库内容，以及英语教材、英美小说、散文、演说词、电影剧本、新闻稿等英文自然语料。学习行为数据库主要采集学生课堂学习行为和线上学习行为数据。课堂学习行为包括是否预习、复习等，线上学习行为数据采集学习日志、学习习惯、学习时长和学习路径等。学习评价数据主要采集教师或者在线学习系统对学生的学习能力、学习方法、学习策略运用、学习过程和学习结果的评价数据。学习情感态度数据主要是通过问卷、访谈等方式采集影响学生英语语言习得的动机、态度、焦虑、自信等指标。
2.大数据存储子系统
大数据存储子系统主要实现对大数据采集子系统采集的海量结构化、非结构化数据进行数据清理、归档、压缩，实现一体化数据存储。可以实现跨区域、跨系统的英语泛在学习数据的融合，解决不同教学机构、数据结构、操作系统带来的信息孤岛问题。英语学习数据仓库是指集成了大数据分析子系统和应用子系统决策分析所需的泛在学习数据，这些数据是按照一定的英语学习主题进行组织，是在对原有分散的各类英语泛在学习数据库数据进行加工、汇总和整理后得到的，有效地消除了各类源数据中的不一致性，所以英语学习数据仓库的信息均是关于学生英语泛在学习全局情况的一致性信息。数据仓库的这些全局性信息同时通过网络云平台实现英语泛在学习数据的云端存储，可以直接由大数据应用子系统调用。
3.大数据分析子系统
认知因素和情感因素是影响英语习得效果的两个重要方面。大数据分析子系统首先结合学生应该达到的学习目标对学生个体的英语学习认知行为和学习的情感态度进行数据挖掘，分析学生的动机、态度、焦虑、自信、兴趣等情感因素，以及学习毅力、能力、习惯、方法、英语水平和常犯错误等认知行为因素，对数据挖掘结果进行聚类运算和分类处理，根据学生的学习认知行为和学习态度情况将学生细分，以识别不同学生之间相似的泛在学习需求，以及某个学生个体在不同学习阶段泛在学习需求的差异性。同时，大数据分析子系统会对学生的学习过程和学习结果进行动态综合评价，并根据学习评价结果判断学习方案的优劣，有针对性地进行线上和线下学习方案的调整。
4.大数据应用子系统
大数据应用子系统包括学习信息推送系统、学习信息定制系统、在线互动学习系统、语言情境仿真系统、知识关联推荐系统、知识精准搜索系统、知识树形管理系统和娱乐在线学习系统等应用。学生可以通过学习终端连接到相关应用系统进行英语语言知识的有效学习。学习信息推荐系统自动推荐给学生的学习信息是学生应掌握而目前未掌握的英语知识。学习信息定制系统可以满足学生根据自身学习需求而定制某类主题的学习信息。学生一方面通过在线互动学习系统可以和辅导教师进行交流互动，解决学习中遇到的问题，另一方面可以通过社交软件实现和其他学习者的沟通和交流，共享英语学习经验。语言情境仿真系统可以实现某类主题的英语学习情境的在线仿真，让学生在接近真实环境的英语语言情境中进行英语交际锻炼。知识关联推荐系统是根据学生所学知识点，自动关联推荐对应的拓展知识点。知识精准搜索系统可以帮助学生快速实现英语知识的精准有效搜索，从而进行有针对性的学习。知识树形管理系统可以实现学生已掌握知识和未掌握知识的树形目录管理，实现线上学习和课堂学习知识管理的无缝链接。基于大数据分析的英语泛在学习生态系统有利于充分发挥信息技术对传统英语教育的改造提升作用，可以有效促进信息技术与教学过程、内容、方法和教学评价体系的深度融合。在生态系统的价值取向上注重以促进学生全面健康发展为中心，注重需求导向的个性化学生培养模式。在学生习得效果评价体系上注重加强学习过程评估，强调过程评估和结果评估相结合。系统注重充分挖掘学生的个体差异，充分挖掘学生的学习潜能，围绕学生英语学习习惯的形成和学习情感态度的培养，以现代信息技术为辅助手段，将英语语言知识进行碎片化、情境化、可视化处理，通过采取教育信息推送、关联推荐和定制化相结合的方式实现知识的在线传播，给学生提供个性化、定制化的英语学习信息服务，带给学生全新的英语泛在学习体验。
作者：张慧丹 单位：中国音乐学院社科部
参考文献
[1]张豪锋，卜彩丽.略论学习生态系统[J].中国远程教育，2007（4）.
近年来，移动互联网、大数据等信息技术发展日新月异，已经成为推动教育变革的重要力量。移动通信终端的普及为学生营造了泛在英语学习环境，大数据技术开启了个性化智能教育时代，翻转课堂、MOOC、微课等新型教学模式层出不穷，虽然它们不能取代传统教学模式，但英语教师必须与时俱进，重视信息技术对传统英语课堂的改造和提升，以全新的视角思考英语教学的变革方向。
一、研究理论概述
1.泛在学习理论
泛在学习是指任何人在任何时间和任何地点都可以通过泛在网络实现任何知识内容的学习。泛在网络和泛在计算技术为人类实现随时随地的泛在学习提供了技术保障，信息技术和教育技术的融合发展正深刻改变着知识的传播方式和学生的学习方式，不断重构着教育和学习的生态环境。一方面，移动通信终端的多元化发展解除了传统英语学习对地点的约束，翻转课堂、MOOC等新型教学模式使学生可以自由地选择学习时间、进度、内容和学习方式。另一方面，传统教学设备正在向数字教学设备变迁，教育领域信息基础设施建设有效地推动跨区域教学资源整合，海量的多媒体教学内容必须和学生的碎片化时间有效结合，教师需要针对不同学情的学生进行精准施策和差异化施策。
2.学习生态理论
学习生态是由学习群体及其所处的环境共同构成的生态系统。系统由信息技术、多媒体教学设施等支撑，通过以合作、交流、共享、互动为特征的教育实践，实现知识信息传递和有效学习，从而促进系统的不断优化。学生与学习环境、学生和学习群体之间密切联系、相互作用，通过知识的吸纳、内化、创新、外化、反馈等过程实现有效学习[1]。在泛在学习的背景下，学习生态研究的是教育信息、学习主体、教师、教育信息环境之间相互作用的生态系统，需要从教育信息化建设和应用的视角研究各个生态系统成员之间的相互作用规律，维护生态系统的平衡发展。
3.有效学习理论
有效学习是指学生在教师的指导下，针对学习内容采取适合自己的学习策略，积极主动地参与到学习过程中，高效率地完成知识建构，从而实现学习目标并优化自身知识结构的学习行为。有效学习是对学习内容、学习方法、学习过程、学习结果的价值追求[2]，学生可以实现对知识的深层次理解和灵活应用。学习内容的优化在大数据背景下表现为对海量学习内容的筛选、清洗与转化[3]，使之满足学生的学习需要。学习方法调整是建立在对学生学习情况进行多元评价的基础上，根据学生个人学习偏好、认知习惯、学习方式、情感态度因素、学习内容的变化而动态进行的。学习过程的积极参与是指学生能够积极主动地学习，充分和师生进行合作、交流，善于提出问题、分析问题和解决问题。学习评价是学生改变学习计划、优化学习方法的重要手段，对学生学习可以起到引导、激励、启示和教育作用。
二、当前英语泛在学习模式存在的主要问题
1.传统课堂教学和线上教学环节缺乏有效衔接
首先，魍晨翁媒萄Ш拖呱辖萄г诮萄Ы谧唷⒅识范围上没有有效衔接。例如，学生不知道如何在线上学习课堂上没有掌握的知识点，或者在线上环节重复学习课堂中已经掌握的知识点。其次，缺乏对课堂英语学习和个性化英语自主学习的融合创新设计。在传统课堂教学中，整齐划一的教学标准无法满足英语学习分层分级的差异化教学要求。不同学情的学生对学习时间、空间、内容、方式的需求不尽相同，教师在教学中没能和学生线上学习的大数据分析结果进行有效的融合对接，仅根据自身的教学经验和主观判断作为实施因材施教的依据，因此其决策缺乏精准性和稳定性。
2.泛在学习缺乏生态性系统设计，学生英语泛在学习的用户黏性不高
当前泛在学习过程特别是在线学习过程缺乏师生互动性、社交互动性、线上线下互动性。泛在学习仅停留在将文字、图像、视频等教学资料数字化、网络化、集成化和泛在化的阶段，这在某种程度上增加了学生英语学习的选择性和便利性，但缺乏针对不同学生的学习黏性设计，因此泛在学习效果并不理想。
3.英语泛在学习体系缺乏具有“参与感”和“现场感”的语言学习环境
建构主义理论认为，知识的获得是在学习环境的特定情境作用下，借助教师的帮助与学习伙伴的协作，通过意义的建构过程实现的。因此在英语泛在学习过程中，必须增强学生在特定情境下的沟通和交际活动的参与性[4]。例如，如果在英语课程设计和在线学习设计环节，鼓励学生广泛参与学习内容、学习方法、学习偏好的设计，就会让学生感受到教师对学生的爱与尊重，从而增强学生学习的主动性和积极性，使不同学情的学生都能在学习过程中体验自我实现感，实现自主学习。另外，教师缺乏对学生多元需求的感知和把握，缺乏语言锻炼的“现场感”设计，使学生无法在接近真实生活情境的语言环境中得到语言交际锻炼。
三、基于大数据分析的英语泛在学习生态系统
移动通信和大数据分析技术的发展为有效解决当前英语泛在学习模式存在的问题提供新的方式和途径。基于大数据分析的英语泛在学习生态系统以学生的英语学习需求、特征、习惯、喜好等大数据挖掘为切入点，联合学校、互联网教育机构、教材编写人员、教师、信息化支撑机构、教育管理机构、在校学生和在职学员等生态系统成员共同把泛在学习落实到教学环境、模式设计、资源开发、评价机制和管理机制等工作中，不仅仅是教育内容资源和信息的共享空间，而且是实施素质教育和个性化学习的公共服务平台。因此，本文构建了基于大数据分析的英语泛在学习生态系统，主要包括大数据采集、大数据存储、大数据分析、大数据应用四个子系统，并构建了系统体系结构模型（图1）。
1.大数据采集子系统
首先，大数据采集子系统要实现数据、文字、图像、音频、视频、多媒体等结构化数据和非结构化数据采集，实现跨区域、跨机构、跨教学环节的数据互联互通和数据采集功能，解决教育数据资源配置效率不高的问题。其次，实现英语教学设计、教学实施、课程内容建设、网络学习内容资源建设、语料库建设、学生学习认知过程监控、学生学习情感态度监控和学习评价等全教学链条的数据采集功能，为生态系统成员之间的共生发展提供良好的数据资源基础。
英语教学设计数据主要采集教师按照教学大纲和教学目标要求对不同学生制定的学习内容、学习进度、学习路径等数据，厘清学生在课堂上和网络上分别学什么、在哪学、怎么学的问题。教学过程数据主要采集教师在教学中帮助学生解决英语学习问题的经验、做法和策略，包括情感态度、认知因素的调控、语言情境的构建、师生的有效互动等。课程内容数据主要是采集教师、学校、互联网教育机构课程教学内容数据，包括教材内容、课件、题库、案例等授课内容资料，以及以上资料经过碎片化处理的数据资料。
网络资源数据库主要采集互联网、校园网上英语学习方面的相关资料。英语语料库数据主要采集中国学习者英语语料库、美国当代英语语料库等语料库内容，以及英语教材、英美小说、散文、演说词、电影剧本、新闻稿等英文自然语料。学习行为数据库主要采集学生课堂学习行为和线上学习行为数据。课堂学习行为包括是否预习、复习等，线上学习行为数据采集学习日志、学习习惯、学习时长和学习路径等。学习评价数据主要采集教师或者在线学习系统对学生的学习能力、学习方法、学习策略运用、学习过程和学习结果的评价数据。学习情感态度数据主要是通过问卷、访谈等方式采集影响学生英语语言习得的动机、态度、焦虑、自信等指标。
2.大数据存储子系统
大数据存储子系统主要实现对大数据采集子系统采集的海量结构化、非结构化数据进行数据清理、归档、压缩，实现一体化数据存储。可以实现跨区域、跨系统的英语泛在学习数据的融合，解决不同教学机构、数据结构、操作系统带来的信息孤岛问题。英语学习数据仓库是指集成了大数据分析子系统和应用子系统决策分析所需的泛在学习数据，这些数据是按照一定的英语学习主题进行组织，是在对原有分散的各类英语泛在学习数据库数据进行加工、汇总和整理后得到的，有效地消除了各类源数据中的不一致性，所以英语学习数据仓库的信息均是关于学生英语泛在学习全局情况的一致性信息。数据仓库的这些全局性信息同r通过网络云平台实现英语泛在学习数据的云端存储，可以直接由大数据应用子系统调用。
3.大数据分析子系统
认知因素和情感因素是影响英语习得效果的两个重要方面。大数据分析子系统首先结合学生应该达到的学习目标对学生个体的英语学习认知行为和学习的情感态度进行数据挖掘，分析学生的动机、态度、焦虑、自信、兴趣等情感因素，以及学习毅力、能力、习惯、方法、英语水平和常犯错误等认知行为因素，对数据挖掘结果进行聚类运算和分类处理，根据学生的学习认知行为和学习态度情况将学生细分，以识别不同学生之间相似的泛在学习需求，以及某个学生个体在不同学习阶段泛在学习需求的差异性。同时，大数据分析子系统会对学生的学习过程和学习结果进行动态综合评价，并根据学习评价结果判断学习方案的优劣，有针对性地进行线上和线下学习方案的调整。
4.大数据应用子系统
大数据应用子系统包括学习信息推送系统、学习信息定制系统、在线互动学习系统、语言情境仿真系统、知识关联推荐系统、知识精准搜索系统、知识树形管理系统和娱乐在线学习系统等应用。学生可以通过学习终端连接到相关应用系统进行英语语言知识的有效学习。学习信息推荐系统自动推荐给学生的学习信息是学生应掌握而目前未掌握的英语知识。学习信息定制系统可以满足学生根据自身学习需求而定制某类主题的学习信息。学生一方面通过在线互动学习系统可以和辅导教师进行交流互动，解决学习中遇到的问题，另一方面可以通过社交软件实现和其他学习者的沟通和交流，共享英语学习经验。
语言情境仿真系统可以实现某类主题的英语学习情境的在线仿真，让学生在接近真实环境的英语语言情境中进行英语交际锻炼。知识关联推荐系统是根据学生所学知识点，自动关联推荐对应的拓展知识点。知识精准搜索系统可以帮助学生快速实现英语知识的精准有效搜索，从而进行有针对性的学习。知识树形管理系统可以实现学生已掌握知识和未掌握知识的树形目录管理，实现线上学习和课堂学习知识管理的无缝链接。
基于大数据分析的英语泛在学习生态系统有利于充分发挥信息技术对传统英语教育的改造提升作用，可以有效促进信息技术与教学过程、内容、方法和教学评价体系的深度融合。在生态系统的价值取向上注重以促进学生全面健康发展为中心，注重需求导向的个性化学生培养模式。在学生习得效果评价体系上注重加强学习过程评估，强调过程评估和结果评估相结合。系统注重充分挖掘学生的个体差异，充分挖掘学生的学习潜能，围绕学生英语学习习惯的形成和学习情感态度的培养，以现代信息技术为辅助手段，将英语语言知识进行碎片化、情境化、可视化处理，通过采取教育信息推送、关联推荐和定制化相结合的方式实现知识的在线传播，给学生提供个性化、定制化的英语学习信息服务，带给学生全新的英语泛在学习体验。
参考文献
[1] 张豪锋，卜彩丽.略论学习生态系统[J].中国远程教育，2007（4）.
[2] 曹贞.以有效学习为目标的大学课堂教学[J].教育与职业，2007（26）.
0 引言
大数据、微课堂、个性化教育，给人一种强烈的时代感，让人立刻想到当前信息时代的产物。在当今世界个性化教育或者说自主学习成为趋势，而微课堂作为一种自主学习的方式，符合当前社会个性化教育的要求。微课堂根据课程标准来制作，通过互联网络，以多媒体为载体，围绕教学中的知识点或教学环节而展开的符合学生认知特点的教与学的活动。微课堂是信息化教学的饯行者，微课堂通过多媒体使教学信息前移，是信息技术在教育领域的创新。微课堂改变了传统的课程资源建设的核心，使传统的课程资源以教师上课为核心，资源的收集和建设主要围绕教师上课的需求；而微课堂的出现使得课程资源的建设向以学习者自主学习为核心，资源的开发和建设重点围绕学习者的学习需求。微课堂也改变了教育教学方式，使传统的以教师讲授为核心的教学方式向以学生自主学习、师生共同深度拓展为核心的启发式学习转型，使传统的以“教案”预设为特征的“演员型”教师向以教师组织下的师生共同深度拓展建构式学习的“导演型”教师转型。而随着大数据、云计算、深度学习的发展，微课堂的教育教学方式将获得更好的发展。而本研究主要探讨大数据对微课堂实施个性化教育的推动作用。
1 微课堂的本质
微课堂以建构主义为理论指导，强调的是课程的精心设计。在微课堂中教师根据教学内容将知识进行详细分解，并以教学视频的形式将知识点的讲解过程显现出来，这些教学视频都是以这个知识为核心。教学视频要求语句简练，教学内容易懂易学，并且要符合学习者学习规律――即视频时长不能过长，一般都要求在5-15分钟之间。微课堂的教学视频将教学内容进行了精细的讲解，并且这些视频也可以反复的观看。学习者在进行微课堂学习的过程中，辅助以教师上传的电子讲义和作业习题等资料以达到更有成效的学习。微课堂在建设的过程中要求课程教师将知识进行足够细致的切分，确保知识能在5-15分钟内能够讲解清楚，并且学生能够快速的理解接受。通过微课堂，教师不再需要对知识点进行重复的讲解，这为课程教师节省了大量的时间和精力，课程教师可以利用这些时间和精力对学生进行有针对性的指导，提供个性化的教学，提高学生的学习效果和教学效果。在微n堂中学习者可以重复的观看教学视频，从而对知识点进行查缺补漏。由于受到时间的限制，微课堂的课程比传统课堂课程教学设计更加简洁精练。虽然微课堂的教学资源呈现碎片化，但是微课堂的主线不散，所有的知识点和资源都是围绕一个主题进行展开的，微课堂的课程由教学内容、课间练习、课后练习、反馈、讨论和评估构成，与传统课堂课程相对，更加注重反馈。微课堂要求在短小的视频中必须包含与学习内容相关的问题，通过这些问题以获得学习者的及时反馈，了解学习者对学习内容的了解程度。
2 大数据助力微课堂个性化学习
大数据时代的到来，给教育带来了重要的机遇。在教学过程中，通过收集学生学习活动的各项数据，并利用大数据的分析功能可使我们了解不同学习者的不同需求，并根据学习者的需求开发和查找到适合个性化学习的学习资源、学习路径，因此实现真正的因材施教。大数据具有以下基本特征：（1）大量性。在大数据时代，数据的量巨大；（2）多样性。大数据的数据类型多样，既包括文本结构的数据，也包括非文本结构的数据――音频、视频、图片、地理位置等；（3）价值性。大数据价值巨大。在大数据中不仅包含了个人的信息，也包含了个人的行为习惯、学习爱好、个人需求等等，这些对于教育来说都是价值巨大的，但价值密度低。由于大数据的这些特性，正好解决了微课堂实施个性化教育的需求，推动了微课堂个性化教育的发展。具体作用体现在以下几个方面：
（1） 在微课堂的建设过程中，在大数据的辅助下，解放了课程教师，教师有更多的时间专注于提供个性化教学。
在大数据时代到来之前，微课堂的建设相当复杂，课程教师承担着课程建设的主要任务。在大数据时代到来之前，课程教师要建立一门微课堂课程首先要组织一个课程制作团队，然后课程教师要对课程知识点进行细分，接着根据细分的知识点录制相应的视频，同时还要分配人员去查找与知识点相关的资料，来辅助课程视频的录制。在视频录制好之后还要进行处理等等。这是一个复杂而费时的工作，但是课程教师却要全程跟进。再加上在微课堂教学中要解决学生的疑问，课程教师已经忙得焦头烂额了。然而大数据时代的到来，解决了课程建设中的很多问题，课程教师不再需要制作所有的视频和查找相关的资料了。通过大数据数据分析功能，可以快速的将课程需要的资料整理出来。大数据的分析功能也可以提供课程建设相关建议，课程教师在大数据的帮助下，能够很快的制作出微课堂课程。随着大数据时代的发展，课程的建设可以有机器来完成，教师就可以完全的从课程建设中解放出来，把教学重点放到个性化的教学和一对一的解答中去。
（2）大数据使得面向大众的教学向面向个性化教学转变成为可能。
当前的教育，不管是传统的教育教学还是基于网络的MOOC教育教学，大部分都是面向大众的教学。教学内容教学目标教学方式都是一样，学生要么集中到一个教室要么坐在电脑跟前，通过相同的教学方法观看着同一位老师讲着相同的内容。教师根本上就没有办法考虑个性化的教育，因为受教育的人数太多。然而大数据时代的到来，将改变这一状况。在学习者开始学习之前，微课堂会通过一序列的测试、问卷以及学习者在云端的数据来分析学习者的学习风格、学习爱好和知识水平，并且在学习过程中，全面地记录、跟踪和掌握学习者的不同学习特点、学习需求、学习基础和学习行为，并应用大数据的数据分析功能，为不同类型的学习者打造个性化学习、推荐个性化学习资源、学习方法等，从而使教学从面向大众转向面向个性化。
（3） 教学方式、教学重点、教学难点不再是由教师根据个人的主观经验来制定，而是由大数据的数据分析，找出学生各自的学习难点与重点。
在大数据之前，教学方式、教学重点教学难点是由教师根据个人的教学经验来确定的。然而现实学习过程中，不同的学习者喜欢的教学方式不一样或者说不同的学习者适合不同的教学方式。同样，学习的重点和学习难点对于不同的学习者来说应该不同，这也是个性化学习的需求。因为每个学习者的知识积累不同，所以每个学习者的学习重点和难点也应该不同。在大数据时代到来之前，这是很难实现的。而大数据的应用，能够解决这个问题，为不同的学习者提供不同的学习方式、学习重点和学习难点。在课程学习开始之前，通过收集学习者的行为习惯和学前测试可以收集学习者学习方式和知识水平方面的数据，通过大数据的分析，就能制定出适合学习者学习的学习方式。而在学习的过程中，不断收集学习者学习过程中的数据，经过大数据的分析功能，就可以很清楚的分析出每个学习者的学习难点。而通过大量数据的分析就可以获得教学的重点，而这个重点是通过“全数据”分析而来，不再是通过抽样或个人经验获得。
（4）基于大数据的微课堂能够真正以学生为主体。
个性化教育要求学习课程按照学习者的学习规律来选择和设计，并且学习进度也要根据学习者当前的水平和学习需求智能的调整。学习者在个性化学习环境中能够根据自己的知识水平自由地选择课程，根据接收能力的强弱设置课程进度，并且学习者也应该能为自己的学习负责。而大数据的存正好能够满足这些个性化学习的需求。大数据为个性化学习提供了一个新型、多元、高效的自主的网络学习生态圈，为个性化学习提供了极为有利的环境和条件。随着大数据的发展，云计算也得到了很好的发展，特别是高校云。高校云的发展为大数据在教学中的应用提供了有力的支持。高校云存储中心为大数据的应用提供了大量关于学生客观而又真实的行为记录的数据基础，数据处理中心对这些零散而又无特定结构的数据应用大数据的数据分析、数据挖掘等技术处理后能够获得学习者的特点、学习者当前的知识水平、学习者适合的学习方法等。这也使得教学能够真正从学习者出发，根据学习者的特点和知识水平等来展开，真正做到以学习为主体，而不是根据教师经验假设来展开。
3 总结
在微课堂的教学过程中，学习者都是大数据的生产者和消费者，学习者学习过程中的每一个操作每一个反馈，都是大数据中数据的一部分，而学习者学习过程中使用的资源、获得的帮助又是大数据反作用过来的反馈。利用大数据的分析功能对于学习者的学习过程进行分析具有较强的实用价值。在大数据分析的支持下，微课堂中的学习资源个性化推送、学习质量分析等问题将得到很好的解决。在大数据时代，微课堂也就成了个性化教育的诉求的实现途径。
【参考文献】
[1]姜强.基于大数据的个性化自适应在线学习分析模型及实现[J].中国电化教育，2015（1）：84-92.
[2]金陵.大数据与信息化教学变革[J].中国电化教育，2013（10）：7-13.
2019年12月，农业农村部、中央网络安全和信息化委员会办公室关于印发《数字农业农村发展规划（2019-2025年）》的通知，部署了用数字化引领驱动农业农村现代化，加快农业农村生产经营、管理服务的数字化改造的发展战略，将全面提升农业农村生产智能化、经营网络化、管理高效化、服务便捷化水平作为农业农村发展的目标[1]。农业农村的数字化建设离不开专业人才的培养。农林经济管理专业毕业生的就业方向主要有农业经营单位、面向农业农村的政府管理部门、事业单位、科研院所等。随着农业农村数字化发展战略的推进，给传统的农经人才培养带来了一系列的挑战[2]。在数字经济和智慧农业的时展背景下，数据分析能力是农经专业学生重要的核心竞争力。如何提升农经专业学生数据分析能力，是农经专业人才培养中面临的重要课题[3]。
1农业农村数字化发展战略给农经人才培养带来的挑战
1.1对农经人才的数据思维的更高要求
在大数据时代，无论是农业生产经营活动，还是农村的行政管理中都有大量的数据资源。农业企业、农业合作经营组织、农产品产销数据、农产品溯源数据为农业经营者提供了生产、物流、销售环节大量的数据资源。经营者需要认识到数据是一种新的生产要素，要调动数据作为生产要素的属性，让数据分析为管理决策服务[4]。在数字中国的建设进程中，各级政府部门工作人员通过各级各部门的行政管理智能，收集了大量省、市、区、县级的区域经济社会发展数据。社区网格化管理下收集了微观层面的农业经营单位数据、农村常住人口数据、医保数据、扶贫数据、农村小额信贷数据。这些数据资源是政府提高行政效率、提高政务服务质量的宝贵资源。
1.2对农经人才的数据分析能力的更高要求
在大数据时代，每天都有海量数据生成，如何能更好地利用这些数据，让数据能发挥其为管理决策服务的功能，与数据使用者的数据分析能力是密切相关的。例如，农业经营单位在农业生产环节的农业投入数据、农产品销售数据、电商平台的客户反馈评论、农产品库存的动态数据，如何整合分析这些数据，要求农业经营者系统掌握数据分析、数据挖掘、文本分析等多元化的数据分析方法。政府管理部门掌握的农业人口的迁移数据、农村常住人口网格管理数据、农村居民医保数据、扶贫数据等，数据类型丰富，数据量庞杂，如何实现数据库的整合，要求政府部门工作人员掌握数据库管理、大数据分析技术。
2农经专业数据分析课程群建设中存在的问题
2.1课程之间连贯性不足
以笔者所在的高校为例，为农经专业本科生开设的数据分析类课程，见表1。数据分析课程群包括了通识教育、专业教育和实践教育。从目前的课程设置来看，涵盖了数据库、统计学、经济计量学、多元统计、大数据分析等领域，内容丰富。数据库应用由计算机学院开设，是一门通识教育课程，在授课时教师往往将其视为一门计算机类的入门课程，在教学中没有针对农经专业学生的特质，将数据库的教学与其在农经领域的应用结合起来。学生在学习中往往会觉得该课程与专业联系不够紧密，教学内容枯燥，缺乏学习兴趣。
2.2学生学习的软件种类繁多，但不够深入
在统计学和多元统计课程中，学生将学习EXCEL、SPSS或者R语言的应用，在经济计量学课程中学生将学习Eviews或STATA的应用，在数据挖掘与大数据分析课程中学生将学习Python语言的应用。在每一门课程中学习的软件都不同，对于软件的学习缺乏连贯性和延续性，虽然学生接触的软件种类多，但是由于学时所限，每一种软件都只是入门级的介绍，无法进入到深度学习。
2.3与专业课学习联系不够紧密，缺乏应用机会
学生缺乏在专业课学习中运用数据分析类课程所学知识的机会。数据分析类课程主要介绍数据分析方法和软件的应用，但大部分都安排在第5学期和第6学期。学生在学习了数据分析方法后，缺少在专业学习领域里运用这些方法的机会。例如学生若要完成产业经济学、农业技术经济学、农产品国际贸易学的专题研究、课程论文，需要用到统计学、经济计量学、大数据分析的方法，但在第2-4学期开设大量专业课的学期，数据分析类课程还没有开设。若能将数据分析类课程尽量靠前安排，学生可以在后续的专业学习、课题研究中运用所学的方法，一方面夯实数据分析技能，另一方面也可以增加学生对专业课的学习兴趣。
2.4排课不够科学
在大三阶段，学生可以选修多元统计、数据挖掘与大数据分析、Python语言三门选修课。但到了大三，学生专业课的学习任务重，选修课种类考虑繁多，学生选课可能出于兴趣、学分安排或者准备考研保研考虑，并不是每一位同学都会选修上述课程。尤其是计算机能力不太强、对数学类课程感到困难的同学，会倾向于选择难度小的课程。
3基于项目驱动式教学理念的数据分析课程群改革
3.1开展项目驱动式教学的意义
项目驱动教学法是基于行动导向的探究式教学方法，是将真实的或模拟的项目转化为教学项目，结合课程内容将项目分解为若干工作任务，创设工作情境，引导学生完成任务，进而实现项目教学目标的教学活动[4-5]。项目驱动式教学法最显著的特点是“以项目为主线、教师为主导、学生为主体”，改变了以往“教师讲，学生听”被动的教学模式，完善了学生主动参与、自主协作、探索创新的新型教学模式。与传统教学方法相比，教学实施过程中，学生的目标更清晰明确，可避免传统课堂教学的被动性，进而提高学生学习知识的兴趣和主动性[6]。在数据分析课程群中引入项目驱动教学，一方面能让学生运用所学的数据分析方法分析现实问题，创设数据分析情境，加深对所学方法的理解和运用，激发学习兴趣，培养自主学习能力；另一方面也可以有针对性地创设围绕“三农”问题的数据分析项目，让学生从数据分析中加深对“三农”问题的感性认识，培养对农经专业学习的兴趣，提升对农经专业的认同度。具体来讲，可以从以下方面开展对数据分析课程群的改革[7]。
3.2统筹规划教学内容，加强课程间的连贯和递进
农经专业数据分析课程群目前主要包括必修课数据库应用、统计学和经济计量学，选修课多元统计、数据挖掘与大数据分析，以及实践课R语言与统计应用、Python语言。统计学教学的重点在于对基础性的统计方法的运用，经济计量学教学的重点在于让学生掌握经济计量分析的范式，如何利用经济计量模型开展实证分析。多元统计强调对复杂多维数据信息的提炼。数据挖掘与大数据分析教学的重点在于大数据时代数据挖掘方法的应用。此外，针对于目前学生所学的软件门类过多，软件操作不够熟练，建议在统计学、多元统计、数据挖掘大数据分析中统一采用R语言进行教学，让学生通过几门课程的学习，能够熟练掌握一种统计分析软件。
3.3基于项目驱动对教学内容进行整合及优化，调动学生主动参与
例如统计学课程介绍了基础性的统计分析方法，在后续课程经济计量学、多元统计、数据挖掘与大数据分析中引导学生运用基础性统计分析方法，对数据进行初步的统计分析和整理，为经济计量分析、多元统计、数据挖掘做好数据处理上的准备，让学生体会到关联课程中所学知识的联结。鼓励学生积极参与“三下乡”活动，开展田野调查实践，围绕“三农”开展调研，运用统计和计量方法对调研数据进行分析，鼓励学生参与到教学中来，培养学生的学习兴趣，学以致用。
3.4建设“项目驱动”实践教学模块
结合农经专业课程体系，建设数据分析课程群“项目驱动”实践教学模块。在农经专业的课程体系中开设的农业经济学、农产品贸易、农村社会学等专业性课程对大量的“三农”问题进行了探讨，这类课程中涉及的城乡差异问题、收入和消费问题、农产品价格波动、农产品贸易等现实问题的研究，都离不开基于现实数据的定量分析。因此，在农经专业的数据分析课程群中可以结合教学内容引导学生对专业课学习中热点问题的研究，围绕课程教学大纲，建设“项目驱动”实践教学模块，理论联系实际，让学生在研究项目中运用所学的数据分析方法，加深对专业知识的理解。
4农经专业数据分析课程群优化方案
在大数据时代，数据分析能力是学生的核心竞争力之一。数据分析类课程在建设中要强调理论与实践的结合，不能只是将教学停留在课堂上，引入体现专业特色的实践教学环节。可以从以下几方面开展数据分析课程群的优化：第一，数据分析基础类必修课安排在大一学年。在第1学期，可以安排R入门、Python入门、数据可视化课程，让学生尽早接触当前主流的数据分析软件，激发学生对R或Python的学习兴趣，让学生自我拓展学习空间。R入门、Python入门、或者数据可视化课程都属于数据分析的基础课程，无需其他先修课程。在这一时期，让学生开始接触数据分析软件，学习数据可视化的分析工具，有利于培养学生的数据思维、数据意识和软件实操能力。第二，将与农经专业课有关的专业必修课统计学、经济计量学安排在第3-4学期学习。统计学课程需要学生先行修读高等数学和概率论课程，经济计量学需要学生先行修读微观经济学、宏观经济学，因此可安排在第3-4学期。让学生在掌握了一定经济管理专业知识后，可以更好地体会统计学、经济计量学方法论学科的应用价值。第三，将数据分析进阶类选修课多元统计、大数据分析、数据挖掘、机器学习等课程安排在第5-6学期。为高年学生提供丰富的数据分析类选修课，让学生结合自己的兴趣、未来的发展规划学习更加多元化的数据分析技术。鼓励学生能在专业论文习作、学科竞赛中有更多的机会运用自己所学的数据分析方法，增加学生的收获感和成就感，挖掘学生的学习潜力。第四，改革课程考核评价体系，采用项目式管理和评估的思路，由学生自主开展一个数据分析项目，从收集数据、提出问题、分析数据到提炼研究结论，开展小组团队成员互评。教师跟踪学生的项目开展过程，从学生的学习态度、投入程度、数据分析质量等综合评价学生的学习效果。
5结束语
将项目驱动教学引入到农经专业数据分析课程群的建设，让学生参与到教学中去，突破传统教学中“教师教学生学”的局面，让学生通过参与项目，运用数据分析方法解决项目中的实际问题，激发学生的学习兴趣和潜能，让学生体会到所学知识的应用价值，让学生不再对数据分析类课程望而生畏。本文的研究对于农经专业学生数据分析能力的培养有重要的意义，强调理论与实践的结合，提高学生数据分析的高阶能力，也能为同类课程开展项目驱动教学提供借鉴。
参考文献：
[1]农业农村部中央网络安全和信息化委员会办公室关于印发《数字农业农村发展规划（2019-2025年）》的通知[EB/OL].（2019-12-25）[2020-4-14].
[2]李虹贤.农业经济管理专业人才培养模式创新研究与实践[J].智慧农业导刊，2022，2（7）：110-112.
[3]冯开文，陶冶.农业经济管理专业实践教学改革———以中国农业大学经济管理学院为例[J].教育现代化，2017，4（23）：54-56+63.
[4]杜洪燕，陈俊红.乡村振兴背景下中国数字农业高质量发展路径研究[J].南方农业，2021，15（21）：213-214.
[5]金娥.基于项目式学习的《现代教育技术应用》课程学习框架的设计与实践研究[D].武汉：华中师范大学，2021.
1 大数据给课堂教学模式带来的影响和挑战
1.1 “大数据”提供新的教育平台
自2011年开始美国教育领域率先掀起了在线教育的改革浪潮，智能学习平台在全球逐渐兴起，如Coursera等。全球多所高校通过在线教育平台免费开放课程，实现了教育资源的共享和交流。这种在线学习平台改变了传统的面对面教学模式，必将给现代教学改革带来深刻的影响。
1.2 “大数据”发展新的教学模式
大数据时代线上学习逐渐成为学习知识的主要途径，并且能轻而易举获取最优秀的教学资源。除此之外，它还能对学习者的学习行为自动进行提示、诱导和评价，进而弥补了缺乏面对面交流指导的不足。通过智能分析、整合大量的在线学习行为，它能很轻易地掌握学习规律和特征，然后针对具体学习者提供有针对性的辅导，最终实现在线学习和即时交流学习心得，以及实现学习互动。
1.3 “大数据”重建教学评价方式
传统教学评价活动主要是学生根据任课教师的授课表现进行评价，以及教师依据学生考试成绩和平时成绩等对学生进行评价。但是，传统教学评价活动往往缺乏沟通的及时性和互动性，教学评价结果无法实现即时反馈。比如教师无法明确知道哪些教学方式是最受学生欢迎和接受的。而大数据技术通过分析师生长期教学行为，得出具有个性化的教学行为和规律。“大数据”评价方式从技术层面以更科学的方式归纳总结教学活动规律，它实现了过程导向评价而非结果导向评价。
2 大数据环境下教学模式创新的动力机制分析
近年来随着技术的不断成熟发展，“大数据”为传统教学模式的创新和改革注入了新的活力和动力。“大数据”环境下教学模式的创新，主要通过三个层面的三种转变来实现：一是教师层面从经验式教学向数据分析式教学转变；二是学生层面从依赖课堂和教师向分析自身学习行为转变；三是媒介层面从简单、单一的工具向多样、复杂的多媒体介质转变。
2.1 教师层面：从传统教学经验转向海量数据理性分析
传统教育领域主张，由富有教学经验的几十年老教师通过传、帮、带年轻教师的方式发展教师队伍。这一主张在今日仍然被广泛应用。这主要是因为，老教师经过多年教学实践形成和积累了丰富的教学经验，而这种教学经验的多少、优劣与教师的教学质量紧密相关。归根结底，教学经验的积累和运用仍然是属于有限理性范畴。在大数据时代，计算机会对存储的海量教学记录进行分析，并且能及时为有需要的教师提供相应的教学解决方案，此种教学解决方案是建立在理性的数据分析基础上的。因此，在大数据时代教师的授课方式也将迎来全新的转变，教学经验在教学活动中的优势地位将得以改变，逐渐向教学案例理性分析转变。
2.2 学生层面：从依赖于课堂和教师转向对自身学习过程的数据分析
如今的教学授课方式仍然是“一对多”的教学模式，这种“大锅饭”式集体授课方式在有限的时空范围内无法真正实现“因材施教”。在传统课堂教学中，授课教师无法照顾到每个个体差异而提供相应的教学措施，教师对课堂教学节奏的把握仍然是基于教师的经验判断，教学过程仍然是按部就班地开展。在大数据环境下实现对个体学习数据的分析是完全可能的，也就是数字化学习过程，而通过现代媒介工具则是完全可以实现数字化学习过程的。比如，通过测试题库的完成时间和答题准确率等学习记录数据，计算机针对数据进行分析，进而发现个体学生需要重新掌握哪些知识点，哪些知识点又是需要进一步巩固的，这样，学生的学习行为与知识点建立了联系，而大数据又能因人而异提供有效的指导，使每个个体能够有的放矢。
2.3 媒介层面：从简单、单一的工具转向丰富、多样的多媒体介质
传统教学模式下教材是主要的学习资源，而板书、PPT展示是主要的授课手段，这些学习载体和工具都是单向沟通的，知识接收者的信息反馈并不畅通，更别提挖掘和分析知识接收者的学习行为了。随着信息技术的发展，数据量、数据处理能力都得以质的发展，这都是依靠现代丰富的、多样的媒介工具和分析工具而实现的。通过这些工具和媒介，知识传播者和知识接收者之间的界限被打破，两者可以实现即时的沟通和交流，能更贴近接收者，理解接收者的需求。
3 “大数据”教学模式的特征分析
3.1 注重教学的预测性判断
“大数据”对传统教学活动和教学过程进行了改良，一方面“大数据”通过大量数据分析会对教学活动出现的新情况进行调整；另一方面，新知识点和新教学法随时会被挖掘出来，教学内容和知识更具有前瞻性。“大数据”的重要功能，是在复杂的教学过程中根据海量数据进行分析，进而归纳总结出具有预测性的内容。比如个体学生采用什么样的方式巩固知识和活学活用更为有效，何种教学方式与当前学生学习特征更为匹配等等。此外，通过对教学数据的分析，可以总结出学生的学习行为特征和倾向，以有效预防教学过程中不适行为的出现。
3.2 教师的专业知识与数据分析能力并重
教师的专业知识不仅是影响教学活动重要因素之一，而且还是学生衡量教师教学能力的重要标准之一。教师的专业知识要求在任何时候都是占有重要地位的，但是在大数据时代下教师还需掌握教学数据分析的能力。如何在海量数据中挖掘出具有教学意义和教学价值的知识和内容，是教师在今后教学活动和教学过程中必须掌握的一项技巧和任务。通过对教学数据的挖掘、分析和解读，对与授课对象相关的数据分析，以及如何有效利用有用数据应用到具体教学活动中，促进学生可持续发展，是极其重要的。
3.3 个性化教学成为主流，真正实现因材施教
