時間：2023-07-30 08:52:05
緒論：在尋找寫作靈感嗎？愛發表網為您精選了8篇數據統計分析學習，愿這些內容能夠啟迪您的思維，激發您的創作熱情，歡迎您的閱讀與分享！
一、激發學生興趣
美國教育學家布盧姆曾提出：“學習的最大動力，是對學習材料的興趣?！庇捎谛W生年齡特征和性格愛好的特點，他們會對自己感興趣的內容擁有極大的研究和學習動力，并且能夠在這種動力的驅使下促進自己的能力提升。因此，教師必須抓住小學生的這種特點，充分結合小學生喜聞樂見的生活內容進行課程的導入、設計和教學，使得他們能夠在興趣的激勵下實現深入的學習，實現知識的有效掌握。
舉例而言，在引入“統計”的課程時，教師可以詢問學生：“假期就要到了，電視臺打算在這個階段播一部大家都喜歡看的電視劇，但是因為時間限制，只能從《西游記》《還珠格格》和《武林外傳》中選一部播出。大家認為電視臺怎樣就知道大家喜歡哪部電視劇了呢？”這樣的話題可以立即激發小學生的興趣，并幫助電視臺出謀劃策。在這個過程中，教師可以適時引入統計的概念，讓學生了解統計對于生活的重要性，擁有學習和研究的熱情，從而提高學生的學習效率。
二、借助生活經驗
由于統計與數據分析的知識在小學數學教學中占據的內容相較于代數、幾何而言較少，并且可以利用的素材也不像其他知識那樣廣泛。因此教師應當積極挖掘相關知識在現實生活中的資源，讓學生能夠根據自己的生活經驗解決問題，實現學習，并發現統計與數據分析在生活中的應用價值。
例如，教師可以引導學生調查平時最喜歡吃的零食和水果，從而確定在新年聯歡會之前采購怎樣的食物。學生可以根據自己的經驗進行調查表的制作，并在調查后進行數據的整理和總結，最終確定采購的食物，這樣不僅可以讓學生利用統計的結果進行決策的制定，還可以解決身邊的現實問題，發現知識的價值，提高學習的熱情和效率。
三、創設教學情境
統計與數據分析的知識源于生活，在學習和使用的過程中也要回歸生活。然而在學習的過程中，師生不可能將所有的教學活動都放在實際的生活中，這就要求教師創設相應的教學情境。對此，教師可以在應用題和例題的講解以及知識的傳授中充分創設教學情境，讓學生在真實的情境中讓抽象的知識變得具體、生動，從而降低知識的學習難度，實現學習效率的提升。
比如，在講解關于“概率”的知識時，教師可以創設這樣的情境：購物中心進行有獎活動，買夠500元的顧客可以抽獎一次，每天設置一等獎1名、二等獎3名、三等獎6名、紀念獎30名。已知每天滿足抽獎條件的顧客為200人，那么每個顧客抽中一等獎的概率是多少，能夠中獎的概率是多少。這樣的情境讓知識變得更加形象、具體，學生在學習的過程中也更容易接受，教師的教學效率能夠有效提升。
四、開展多樣活動
關鍵詞：數據分析；統計；數學；教學策略
中圖分類號：G623.5 文獻標志碼：A 文章編號：1008-3561（2017）12-0027-01
能夠根據具體問題背景選擇合適的統計圖是學生統計素養的一個重要內容，也是學生對數據分析能力的一個表征。扇形統計圖是在學生認識了條形統計圖、折線統計圖后的小學階段的最后一個統計內容，該內容增加了選擇合適統計方法的難度，使“數據分析”變得尤為重要。因此，教師在教學中要以數據為載體，以學生原有知識經驗為基礎，引導學生展開漸進式思考，探尋統計的有效方法，培養數據分析觀念。
一、引發認知沖突，點燃統計內需
學習是一種由外而內的過程，學習最大的動力來自學生心靈深處，源自于自身的認知沖突。教師在教學中創設教學情境的目的正是為了借助外部環境的刺激，引發學生的內部認知沖突，促使學生在矛盾中生成新的需要，將學習不斷引向縱深。蘇教版六年級下冊的“扇形統計圖”一課意在使學生通過聯系百分數的意義，體會扇形統計圖描述數據的特點。為了讓學生深刻領會扇形統計圖的特點，教師在教學中改變了教材的編排順序，沒有直接出示例題中的扇形統計圖，而是引導學生感知數據，造成他們認知上的矛盾沖突，點燃他們新的統計內需，逐步引出扇形統計圖。教師這樣給學生出示例題：我國陸地總面積大約是960萬平方千米，其中丘陵占9.9%、山地占33.3%、高原占26.0%、盆地占18.8%、平原占12.0%?！巴瑢W們能否根據數據設計出一個統計圖反映出我國陸地各地形分布情況？”教師邊出示條件邊提問。學生一聽說設計統計圖，馬上聯想到以前學習的內容，有的說：“我們可以畫出條形統計圖?！庇械恼f：“我們可以設計成折線統計圖?！苯處煴頁P了學生善于聯系舊知的意識后說：“請同學們想一想條形圖與折線圖分別用來反映什么？例題中的數據表示什么含義，可以用它們來表示嗎？”教師的提示喚醒了學生的數據意識，經過對數據的觀察與思考，學生們一致認為：“條形統計圖用來直觀反映數量多少，折線統計圖反映了數量的增減變化，這道題中的數據都是百分數，表達的是部分量與總量的關系，看來以前學的那兩種統計圖不合適。”“那該怎么辦呢？”一個女生迫不及待地問道?！笆前。覀冊撚迷鯓拥膱D形來表示部分量與總量之間的關系呢？”教師故意裝作不知，“看來我們必須另找出路了?！?/p>
二、引導自主思考，點化繪制圖形
面對學生的急切心理，教師沒有直接將“扇形統計圖”推出，而是借助生活情境的觀察感悟，引導他們自主思考，摸索出扇形統計圖的特點和畫法，逐步點化學生繪制出扇形統計圖?！跋日埻瑢W們來看一個有趣的拼盤?！苯處熯呎f邊給學生展示了一張課前制作的地地形分布模型：用一個圓形塑料盤代表我國陸地總面積，在圓盤內用各種顏色的橡皮泥分別表示不同地形。教師用這個拼盤圖對學生進行暗示啟發，學生甲一點就通：“原來百分數關系可以用圓與扇形來表達，用一個整圓表示總量，用扇形表示各部分量?！睂W生乙補充道：“平原占12.0%，表示平原面積占我國陸地總面積的12.0%，我們可以用一個圓來表示我國陸地總面積，在圓內畫出一個扇形表示平原面積。” 教師接著說：“同學們的悟性真高，像拼盤那樣表示各部分量與總量之間關系的統計圖我們稱為扇形統計圖。下面，就請同學們自己嘗試著畫出我國陸地各種地形分布情況統計圖。”然后教師又引導學生根據各百分數的含義，討論如何繪制出各個扇形。學生丙聯系圓心角的知識道出了平原部分的畫法：“一個圓是360°，360°的12.0%是43.2°，在圓內畫出一個圓心角是43.2°的扇形就表示平原的面積了?！痹趯W生丙的引領下，同學們迅速算出其他扇形的圓心角度數，并畫出了完整的扇形統計圖。
三、引領梳理反思，點醒對應思想
為了實現“教是為了不教”，教師在教學中經常引領學生梳理思路，反思學習得失，總結學習經驗，使他們獲得了質的提升。在學習“扇形統計圖”一課的過程中，由于有了先前基于數據分析的精心引導，學生親歷了統計方法的選擇與統計圖的繪制，對扇形統計圖的特點和作用了然于心，讀懂扇形統計圖自然不成問題。因此，在組織學生對統計圖中的信息進行簡單分析之后，教師增設了一個“回顧反思”環節，讓學生回顧整個統計活動經歷，使學生懂得了不同的問題背景需要用不同的數據分析方法，各種統計圖的選用必須與數據意義相適應。如反映數量增減可選擇折線圖，要表達數量多少可選用直條圖，要反映各部分量與總量之間的百分比關系可選擇扇形統計圖。高年級學生的類比分析能力比較強，教師讓他們通過簡要梳理與反思，能使他們明晰數據分析方法的選擇的重要性，對數據分析方法的選擇有清晰的認識，進而點醒他們的數學思想。
四、結束語
總之，統計教學是一個系統而完整的活動過程，從對問題背景的理解、對數據的解讀、對統計方法的選擇，再到圖形的繪制等，這一切都離不開科學嚴謹的分析。數據分析是統計的核心，教師在統計教學中應以數據為核心，引領學生在科學分析中選擇出合適的統計方法，從而圓滿地完成統計任務。
參考文獻：
大數據一詞是由英文單詞“Big Data”翻譯而來。大數據時代的到來既是信息技術領域的一場持久而深刻的變革，更在全世界范圍內開啟了思想的劇變，從而成為引領社會實現新興技術不斷向前發展與變革的利器，深刻地影響著人們的生產與生活。“當今社會已經邁入了大數據時代，大數據已經滲透到當今所有的行業和業務領域，成為重要的生產因素。”[1]在這個宏觀背景下，大數據的社會價值和科學價值的不斷得到彰顯與利用，給高校的教育與管理也帶來了新的機遇。教育領域的大數據運用有其自身的特點，在高校的實現應當側重從學生的學習過程、日常生活的微觀表現進行測量，開展精準的“學生畫像”，有效分析與預測研究對象的學業完成進度與趨勢，從而為學校教育教學質量提升和學生教育管理服務提供保障。
目前，國內不少高校通過利用大數據技術，深度挖掘在校大學生的行為數據，但每個學校都因有自身不同的辦學特色和現實情況，如何結合學校信息化校園建設，開展針對在校學生的行為數據分析與研究，幫助教學、學工等相關部門提供可視化圖表的方式呈現數據分析結果和學業預警等相關意見，從而為學校教育與管理服務，提供決策建議與意見，具有強烈的現實意義和廣闊的應用前景。
2 一卡通數據系統分析云平臺
本文以圍繞學院校園一卡通系統建設，開展智慧校園和智慧管理研究，通過對學生教室考勤、宿舍門禁，校園消費、上網記錄、獎勵資助及購水購電等信息，關聯學生教務、圖書及其他物聯網等應用系統后臺數據庫，結合系統基礎數據庫的表結構特征和關鍵字段，設置相應的邏輯關系和判斷條件，通過校園一卡通大數據分析云平臺，從學生學業警示預警、個性化學習、上網行為、消費行為、獎懲資助和就業幫扶等六個維度，使用聚類、關系規則和序列模式挖掘等技術指標與手段，開展深度數據分析與數據挖掘，形成可視化圖表的方式呈現出數據分析的描述結果，給出相關的建議結論或預警意見，供班導師、輔導員、相關職能部門查看與使用，從而為學校教育、管理與服務提供決策支持和智慧服務。[2]
3 學生行為大數據分析
3.1 學業警示預警分析
基于一卡通數據系統分析云平臺關聯學生教務系統，系統管理員根據權限可以實現實時查看學生個人學業完成及積欠課程的情況，各班導師或輔導員可以統計與分析相關專業學生的學業完成度統計數據，結合學生的課堂考勤、心理測評、圖書借閱、重修課程、上網數據等對學生的失聯、留級及預判延長學制、不能畢業等情況予以預警。根據動態分析數據，班導師和輔導員可以及時與學生本人、任課教師和學生家長取得聯系，幫助學生分析和查找問題，指明努力方向。
3.2 個性化學習分析
基于一卡通數據系統分析云平臺結合學生選修課程、個人興趣與綜合評估，分析學生個人現狀及特點，通過大數據分析，給予相關培養建議，從而圍繞校園數據資源，指導學校相關職能部門定期向學生推送個性化的網絡教學資源、網絡書籍與紙質圖書資源、兼職與就業招聘信息等，提高課外閱讀量和專業學習水平，從而實現個性化教學指導與幫助。
3.3 上網行為分析
基于一卡通數據系統分析云平臺對學生的上網行為統計分析，通過對學生上網時間、上網地點、上網時長、上網內容、流量下載等數據建模，挖掘與分析學生上網行為習慣。通過統計分析日均上網或游戲時長較長的學生情況，結合學生學業完成度等，定期開展預警警示工作，班導師和各學院學團也可以有針對性的開展學風檢查、建設與整頓工作，從而更好地培育優良的校風、班風與學風。
3.4 消費行為分析
基于一卡通數據系統分析云平臺對校園的消費數據進行分析，發現和診斷群體消費的偏好以及潛在的問題，有效分析與預測未來消費新趨勢，加強后勤服務場所的管理與引導。學?？梢葬槍ω毨炔煌矸萏卣魅巳洪_展分類型的數據分析，通過消費數據的挖掘，在貧困生認定和精準幫扶等方面提供可靠的數據支持，從而有效地為學工、教務后勤等部門的管理與服務提供信息數據支持。
3.5 獎懲資助行為分析
基于一卡通數據系統分析云平臺對學生在校期間的獎懲資助行為分析，完善學生獎懲助困的動態分析與監控。通過及時完善相關信息，便于后期的數據統計及篩查工作，同時有利于完善貧困生的資助體系，開展貧困生精準幫扶工作，引導與管理好校園義工和勤工儉學崗位。通過全面梳理學生獎勵及資助數據，能有效加強對受處分學生的動態的監控，及時受理學生處分的撤銷與評議，提高受處分學生主動承擔社區及義工服務的意識。
3.6 就業行為分析
基于一卡通數據系統分析云平臺對全?；蛘卟糠謱I提供市場就業細分，結合學生生源地區、專業特長、性格特征、個人愛好、學業完成度、能力模型及求職意向，設計就業工作模型，匹配相關用人單位及招聘信息，通過大數據實施雙向精準推薦，從而更好地服務學生和用人單位。針對就業市場的大數據分析和結論，還可以為學?，F有專業建設及人才培養方案的重構，提供數據支撐，從而進一步服務教學與管理工作。
4 數據分析結果評價
基于一卡通數據系統分析云平臺的運用，針對應用系統后臺數據庫開展數據分析，通過大數據挖掘方法，開展系統總體構建設計，利用從原數據層到數據處理層，再到數據庫倉層，最終到終端用戶層的框架模型，維度分析因果和映射關系，輔助以靈活可視化的查詢界面、圖形與圖表等形式，呈現出研究對象的學習、上網、消費、獎懲、資助、閱讀、就業等日常行為特征，分析其行為特征與學校智慧化校園管理與監督之間的關系，為學校的教育、教學與管理工作提供決策建議和意見。
4.1 有助于學校精細化管理
通過平臺，理清管理職責與權限，加強工作的細化與內化，逐步實現學生的精準化管理，既提高了工作的效率，又提升了工作的水平。通過信息系統，改變原有相對粗放的管理模式，量化分析學生的學習行為和日常表現，洞察學習規律，促進管理工作橫向到底、縱向到邊。[3]
4.2 有助于學校精準化服務
通過平臺，運用數據監測，分析與定位重點幫扶的班級及學生，積極關注情況特別學生群體，幫助學業預警、心理異常、經濟特困、就業困難、違紀處分等類型的學生分析困難與問題，找到走出困境的途徑與方法，從而將幫扶工作做到精準到位，幫助每個學生充分發展。
4.3 有助于學校精心化育人
通過平臺，透視教育數據，優化管理與評價機制，建立全方位育人體系，為學校及學生個性化教育和教學干預行為進行準確預測與服務，加強部門間的聯動與溝通，從而推進學校決策的系統化與科學化，打造全員、全過程的育人格局，打造精心育人工程。
關鍵詞:大數據;統計學;數據分析;抽樣理論;理論
重構隨著信息科學技術的高速度發展,當代獲取和儲存數據信息的能力不斷增強而成本不斷下降,這為大數據的應用提供了必要的技術環境和可能.應用大數據技術的優勢愈來愈明顯,它的應用能夠幫助人類獲取真正有價值的數據信息.近年來,專家學者有關大數據技術問題進行了大量的研究工作[1],很多領域也都受到了大數據分析的影響.這個時代將大數據稱為未來的石油,它必將對這個時代和未來的社會經濟以及科學技術的發展產生深遠的意義和影響.目前對于大數據概念,主要是從數據來源和數據的處理工具與處理難度方面考慮,但國內外專家學者各有各的觀點,并沒有給出一致的精確定義.麥肯錫全球數據分析研究所指出大數據是數據集的大小超越了典型數據庫工具集合、存儲、管理和分析能力的數據集,大數據被Gartner定義為極端信息管理和處理一個或多個維度的傳統信息技術問題[23].目前得到專家們認可的一種觀點,即:“超大規?！笔荊B級數據,“海量”是TB級數據,而“大數據”是PB及其以上級別數據[2].
一些研究學者把大數據特征進行概括,稱其具有數據規模巨大、類型多樣、可利用價值密度低和處理速度快等特征,同時特別強調大數據區別于其他概念的最重要特征是快速動態變化的數據和形成流式數據.大數據技術發展所面臨的問題是數據存儲、數據處理和數據分析、數據顯示和數據安全等.大數據的數據量大、多樣性、復雜性及實時性等特點,使得數據存儲環境有了很大變化[45],而大部分傳統的統計方法只適合分析單個計算機存儲的數據,這些問題無疑增加了數據處理和整合的困難.數據分析是大數據處理的核心過程,同時它也給傳統統計學帶來了巨大的挑戰[6].產生大數據的數據源通常情況下具有高速度性和實時性,所以要求數據處理和分析系統也要有快速度和實時性特點,而傳統統計分析方法通常不具備快速和實時等特點.基于大數據的特點,傳統的數據統計理論已經不能適應大數據分析與研究的范疇,傳統統計學面臨著巨大的機遇與挑戰,然而為了適應大數據這一新的研究對象,傳統統計學必須進行改進,以繼續和更好的服務于人類.目前國內外將大數據和統計學相結合的研究文獻并不多.本文對大數據時代這一特定環境背景,統計學的抽樣理論和總體理論的存在價值、統計方法的重構及統計結果的評價標準的重建等問題進行分析與研究.
1傳統意義下的統計學
廣泛的統計學包括三個類型的統計方法:①處理大量隨機現象的統計方法,比如概率論與數理統計方法.②處理非隨機非概率的描述統計方法,如指數編制、社會調查等方法.③處理和特定學科相關聯的特殊方法,如經濟統計方法、環境科學統計方法等[7].受收集、處理數據的工具和能力的限制,人們幾乎不可能收集到全部的數據信息,因此傳統的統計學理論和方法基本上都是在樣本上進行的.或者即使能夠得到所有數據,但從實際角度出發,因所需成本過大,也會放棄搜集全部數據.然而,選擇最佳的抽樣方法和統計分析方法,也只能最大程度還原總體一個特定方面或某些方面的特征.事實上我們所察覺到的數據特征也只是總體大量特征中的一小部分,更多的其他特征尚待發掘.總之,傳統統計學是建立在抽樣理論基礎上,以點帶面的統計分析方法,強調因果關系的統計分析結果,推斷所測對象的總體本質的一門科學,是通過搜集、整理和分析研究數據從而探索數據內部存在規律的一門科學.
2統計學是大數據分析的核心
數的產生基于三個要素,分別是數、量和計量單位.在用數來表示事物的特征并采用了科學的計量單位后,就產生了真正意義上的數據,即有根據的數.科學數據是基于科學設計,通過使用觀察和測量獲得的數據,認知自然現象和社會現象的變化規律,或者用來檢驗已經存在的理論假設,由此得到了具有實際意義和理論意義的數據.從數據中獲得科學數據的理論,即統計學理論.科學數據是通過統計學理論獲得的,而統計學理論是為獲得科學數據而產生的一門科學.若說數據是傳達事物特征的精確語言,進行科學研究的必備條件,認知世界的重要工具,那么大數據分析就是讓數據最大限度地發揮功能,充分表達并有效滿足不同需求的基本要求.基于統計學的發展史及在數據分析中的作用,完成將數據轉化為知識、挖掘數據內在規律、通過數據發現并解決實際問題、預測可能發生的結果等是研究大數據的任務,而這必然離不開統計學.以大數據為研究對象,通過數據挖掘、提取、分析等手段探索現象內在本質的數據科學必須在繼承或改進統計學理論的基礎上產生.
統計數據的發展變化經歷了一系列過程,從只能收集到少量的數據到盡量多地收集數據,到科學利用樣本數據,再到綜合利用各類數據,以至于發展到今天的選擇使用大數據的過程.而統計分析為了適應數據可觀察集的不斷增大,也經歷了相應的各個不同階段,產生了統計分組法、大量觀察法、歸納推斷法、綜合指標法、模型方程法和數據挖掘法等分析方法,并且借助計算機以及其他軟件的程度也越來越深.300多年來,隨著數據量以指數速度的不斷增長,統計學圍繞如何搜集、整理和分析數據而展開,合理構建了應用方法體系,幫助各個學科解決了許多復雜問題.現在進入了大數據時代,統計學依舊是數據分析的靈魂,大數據分析是數據科學賦予統計學的新任務.對于統計學而言,來自新時代的數據科學挑戰有可能促使新思想、新方法和新技術產生,這一挑戰也意味著對于統計學理論將面臨巨大的機遇.
3統計學在大數據時代下必須改革
傳統統計學是通過對總體進行抽樣來搜索數據,對樣本數據進行整理、分析、描述等,從而推斷所測對象的總體本質,甚至預測總體未來的一門綜合性學科.從研究對象到統計結果的評判標準都是離不開樣本的抽取,完全不能適應大數據的4V特點,所以統計學為適應大數據技術的發展,必須進行改革.從學科發展角度出發,大數據對海量數據進行存儲、整合、處理和分析,可以看成是一種新的數據分析方法.數據關系的內在本質決定了大數據和統計學之間必然存在聯系,大數據對統計學的發展提出了挑戰,體現在大樣本標準的調整、樣本選取標準和形式的重新確定、統計軟件有待升級和開發及實質性統計方法的大數據化.但是也提供了一個機遇,體現在統計質量的提高、統計成本的下降、統計學作用領域的擴大、統計學科體系的延伸以及統計學家地位的提升[7].
3.1大數據時代抽樣和總體理論存在價值
傳統統計學中的樣本數據來自總體,而總體是客觀存在的全體,可以通過觀測到的或經過抽樣而得到的數據來認知總體.但是在大數據時代,不再是隨機樣本,而是全部的數據,還需要假定一個看不見摸不著的總體嗎?如果將大數據看成一個高維度的大樣本集合,針對樣本大的問題,按照傳統統計學的方法,可以采用抽樣的方法來減少樣本容量,并且可以達到需要的精度;對于維度高的問題,可以采取對變量進行選擇、降維、壓縮、分解等方法來降低數據的復雜程度.但實際上很難做得到,大數據涵蓋多學科領域、多源、混合的數據,各學科之間的數據融合,學科邊界模糊,各范疇的數據集互相重疊,合成一體,而且大數據涉及到各種數據類型.因此想要通過抽樣而使數據量達到傳統統計學的統計分析能力范圍是一件相當困難或是一件不可能的事.大量的結構數據和非結構數據交織在一起,系統首先要認清哪個是有價值的信息,哪個是噪聲,以及哪些不同類型的數據信息來自于同一個地址的數據源,等等,傳統的統計學是無法做到的.在大數據時代下,是否需要打破傳統意義的抽樣理論、總體及樣本等概念和關系,是假設“樣本=總體”,還是“樣本趨近于總體”,還是不再使用總體和樣本這兩個概念,而重新定義一個更合適的概念,等等.人們該怎樣“安排”抽樣、總體及樣本等理論,或人們該怎樣修正抽樣、總體、樣本的“公理化”定義,這個問題是大數據時代下,傳統統計學面臨改進的首要問題.
3.2統計方法在大數據時代下的重構問題
在大數據時代下,傳統的高維度表達、結構描述和群體行為分析方法已經不能精確表達大數據在異構性、交互性、時效性、突發性等方面的特點,傳統的“假設-模型-檢驗”的統計方法受到了質疑,而且從“數據”到“數據”的統計模式還沒有真正建立,急切需要一個新的理論體系來指引,從而建立新的分析模型.去除數據噪聲、篩選有價值的數據、整合不同類型的數據、快速對數據做出分析并得出分析結果等一系列問題都有待于研究.大數據分析涉及到三個維度,即時間維度、空間維度和數據本身的維度,怎樣才能全面、深入地分析大數據的復雜性與特性,掌握大數據的不確定性,構建高效的大數據計算模型,變成了大數據分析的突破口.科學數據的演變是一個從簡單到復雜的各種形式不斷豐富、相互包容的過程,是一個循序漸進的過程,而不是簡單的由一種形式取代另一種形式.研究科學數據的統計學理論也是一樣,也是由簡單到復雜的各種形式相互包容、不斷豐富的發展過程,而絕不是完全否定一種理論、由另一種理論形式所代替.大數據時代的到來統計學理論必須要進行不斷的完善和發展,以適應呈指數增長的數據量的大數據分析的需要.
3.3如何構建大數據時代下統計結果的評價標準框架
大數據時代下,統計分析評價的標準又該如何變化?傳統統計分析的評價標準有兩個方面,一是可靠性評價,二是有效性評價,然而這兩種評價標準都因抽樣而生.可靠性評價是指用樣本去推斷總體有多大的把握程度,一般用概率來衡量.可靠性評價有時表現為置信水平,有時表現為顯著性水平[8].怎么確定顯著性水平一直是個存在爭議的問題,特別是在模型擬合度評價和假設檢驗中,因為各自參照的分布類型不一樣,其統計量就不一樣,顯著性評價的臨界值也就不一樣,可是臨界值又與顯著性水平的高低直接相關.而大數據在一定程度上是全體數據,因此不存在以樣本推斷總體的問題,那么在這種情況下,置信水平、可靠性問題怎么確定?依據是什么?有效性評價指的是真實性,即為誤差的大小,它與準確性、精確性有關.通常準確性是指觀察值與真實值的吻合程度,一般是無法衡量的,而精確性用抽樣分布的標準差來衡量.顯然,精確性是針對樣本數據而言的,也就是說樣本數據有精確性問題,同時也有準確性問題.抽樣誤差和非抽樣誤差都可能存在于樣本數據中,抽樣誤差可以計算和控制,但是非抽樣誤差只能通過各種方式加以識別或判斷[910].大多數情況下,對于樣本量不是太大的樣本,非抽樣誤差可以得到較好的防范,然而對于大數據的全體數據而言,沒有抽樣誤差問題,只有非抽樣誤差問題,也就是說大數據的真實性只表現為準確性.但是由于大數據特有的種種特性,使得大數據的非抽樣誤差很難進行防范、控制,也很難對其進行準確性評價.總之,對于大數據分析來說,有些統計分析理論是否還有意義,確切說有哪些統計學中的理論可以適用于大數據分析,而哪些統計學中的理論需要改進,哪些統計學中的理論已不再適用于大數據統計研究,等等,都有待于研究.所以大數據時代的統計學必是在繼承中求改進,改進中求發展,重構適應大數據時代的新統計學理論.
4結論
來自于社會各種數據源的數據量呈指數增長,大數據對社會發展的推動力呈指數效應,大數據已是生命活動的主要承載者.一個新事物的出現,必然導致傳統觀念和傳統技術的變革.對傳統統計學來說,大數據時代的到來無疑是一個挑戰,雖然傳統統計學必須做出改變,但是占據主導地位的依然會是統計學,它會引領人類合理分析利用大數據資源.大數據給統計學帶來了機遇和挑戰,統計學家們應該積極學習新事物,適應新環境,努力為大數據時代創造出新的統計方法,擴大統計學的應用范圍.
參考文獻:
[1]陳冬玲,曾文.頻繁模式挖掘中基于CFP的應用模型[J]沈陽大學學報(自然科學版),2015,27(4):296300.
[3]卞友江.“大數據”概念考辨[J].新聞研究導刊,2013,35(5):2528.
[5]靳小龍,王元卓,程學旗.大數據的研究體系與現狀[J].信息通信技術,2013(6):3543.
[6]覃雄派,王會舉,杜小勇,等.大數據分析:Rdbms與Mapreduce的競爭與共生[J].軟件學報,2012,23(1):32-45.
[7]游士兵,張佩,姚雪梅.大數據對統計學的挑戰和機遇[J].珞珈管理評論,2013(2):165171.
[8]李金昌.大數據與統計新思維[J].統計研究,2014,31(1):1017.
[關鍵詞]數據結構；算法；數據元素；系統應用
中圖分類號：TP311.52 文獻標識碼：A 文章編號：1009-914X（2017）22-0102-01
1 引言
隨著計算機技術日新月異的發展，程序可視化教學在教育和教學中已經顯示了明顯的優越性。所謂可視化教學，是指在計算機軟件與多媒體技術的幫助下，將一些抽象、深奧、復雜的事物以及發展過程，用仿真化、虛擬化、實體化的方式，在教學方法中顯現出來。可視化教學應用方便，可以使計算機學習者直觀地觀察、體驗并利用這些可視化的知識模型，從而使計算機學習者較為輕松地進行課程的學習，對計算機學習者的認知能力與創新能力都會有較大的提升。
可視化教學應用于數據結構算法教學當中，可以改變傳統教學方法中的枯燥乏味局面，吸引計算機學習者的注意力。可以將文字、數據、圖片、源代碼等其它多媒體動態地融合在一起，豐富算法的執行過程?？梢宰層嬎銠C學習者體會在大量不同的數據結構下，算法執行效率的差異。計算機學習者也可以充分的利用自己的課余時間進行自我學習，通過可視化教學軟件研究算法的執行過程，培養計算機學習者自主學習的能力。
2 數據結構與算法系統的需求分析
傳統的數據結構與算法教學方法中，有些算法的執行過程比較抽象，教師為了講解一個算法往往需要輔助大量的圖形示例。常規的板書和一般的幻燈投影授課均難以有效地展示這種抽象性和動態性，容易造成教學的低效和學時膨脹。有一些學?？吹搅吮锥?，苑⒊雋聳據結構教學網站供計算機學習者學習和交流；也有一些學校則開發出了可視化數據結構教學演示系統，將數據結構中算法的執行過程直觀展示在用戶面前。整體上看，這些系統在一定程度上促進了用戶的學習，但還存在著一些不足，如系統以“教”為中心而設計，缺乏以用戶為中心的人機交互理論的指導，學習者與軟件的交互機會少且單一。因此，一個供用戶自主設計算法，在實踐環節上進行創新，提出自己的見解和設計，并得以驗證，從根本上和底層次上深化對數據結構與算法的理解的學習平臺的苑⒂任重要，互聯網支撐的數據結構與算法學習系統將解決這個問題。系統能夠讓用戶熟悉數據結構課程的核心理念，掌握相關算法內部的運行機制。本文在研究數據結構模塊的基礎上，將開發一個數據結構與算法學習系統，聯動演繹各數據結構模塊是如何有機結合的，并為用戶提供自主設計算法的接口，這也是本系統區別于其他系統的一個創新點。
本文提出的數據結構與算法學習系統的設計目標為：系統良好的交互界面，包含數據結構各功能模塊的算法演示，各模塊詳細信息查看，利用計算機圖形界面技術，提供良好的用戶界面。系統實現一系列數據結構的算法，用戶能實時查看算法圖形動態演示過程，并提供各算法和數據結構的詳細中間結果信息，幫助用戶進一步理解算法的執行過程和效率。系統不僅可以為用戶展示數據結構算法的執行過程和中間結果，還提供編程接口讓用戶實現自定義算法，并對該算法進行測評，以圖形界面的方式展示在用戶面前。系統具備良好的穩定性，采用了多種安全機制確保服務器的穩定運行，保證了系統的安全可靠。充分運用面向對象的設計思想來設計系統模塊，使其具有良好的擴展性，方便系統的后期維護和擴展。
3 數據結構的系統總體架構
系統采用典型的三層架構作為開發模型，本系統的三層架構主要劃分為客戶端、服務器端和服務資源層。系統客戶端是一個瀏覽器，顯示用戶的使用界面，不同的用戶通過瀏覽器向服務器端發送請求，然后接收服務器的返回信息展示在用戶界面上。服務器層位于系統的服務器端，包含了數據庫服務器和應用程序服務器，它提供了數據支持，實現了算法引擎和代碼測評，算法引擎提供了經典算法的演示和用戶自定義算法演示，代碼測評負責對用戶提交的源代碼進行測試，并生成y試數據。服務資源層位于系統的服務器，它提供用戶經典算法庫和可視化類庫，經典算法庫包含了相關的代碼以及算法演示的全過程，可視化類庫提供用戶的一些畫圖操作，讓圖形界面的演示更為美觀。
優秀的系統必須能夠滿足系統的擴展和維護需求，數據結構與算法學習系統三層架構側重于設計的簡單化，簡化客戶端的功能，將復雜操作置于服務器端。系統的客戶端，也就是瀏覽器層，僅僅用來顯示用戶工作界面和執行一些畫圖操作。系統的客戶端是前臺用戶瀏覽器，顯然，瀏覽器不會對測評系統產生任何影響，只要客戶端瀏覽器支持環境就可以運行該系統，而目前的瀏覽器都對其進行了支持。不管客戶端有多少不同種類和數目，都不會影響系統的完善和后期維護，這樣就減輕了系統開發和擴展維護的難度。另一方面，系統服務器端承載了絕大多數的負載，基于此情況，服務器端的配置就必須要合理，后臺服務器的一個小小的錯誤都有可能對系統測試服務造成不可預計的影響，因此，保證系統服務器端的安全穩定運行是十分關鍵的。
在本系統的三層架構中，利用基于面向對象的方法進行系統的苑，按照系統需求對服務器做了不同模塊的劃分，主要分為三個部分。分別是數據庫、算法引擎和代碼測評程序。數據庫為用戶提供數據支持，能夠滿足用戶對數據的增加、修改、刪除、更新等操作。算法引擎負責對算法進行解釋，給用戶提供算法的演示功能，并能夠將用戶按照系統要求編寫的代碼轉變成圖形方式展示在用戶面前。代碼測評程序主要對用戶提交的源代碼進行完整的測評，其中包括源代碼編譯，源代碼測試和程序監控等。對于服務資源層，包括兩大部分，分別是經典算法庫和可視化類庫。經典算法庫包含了數據結構九大章節的數據結構模型和相關的算法，供算法引擎調用，在客戶端上展示出來?？梢暬悗焯峁┝艘幌盗械臄祿Y構畫圖操作，使算法的演示過程顯得生動形象。
服務器層用分離可縮放結構，算法引擎部分與代碼測評程序兩者沒有直接交互。本文設計的系統將算法引擎與代碼測評分離開來，測評模塊用多線程處理機制，極大的提高了系統的響應速度，雙方通過數據庫進行~合。這種結構的設計也使得測評模塊的復雜性有所降低，首先，測評模塊易于維護，不同模塊的修改不會對其他的模塊造成影響，其次，利于系統的負載均衡。如果算法引擎和代碼測評在同一臺服務器運行，當同時測試的用戶比較多的時候，非常消耗服務器資源，容易照成服務器負載過重。用了分離可縮放結構，代碼測評系統就可以單獨的放在另外一臺服務器上，專門負責源代碼的測評工作，甚至可以放在一個集群上，有效地提升系統的運行效率。通過對系統進行分層，能夠使得系統的各大模塊之間沒有強的Q合，彼此之間相互聯系卻不會相關干擾，使得開發過程方便快捷，對以后的維護和擴展也有著極大的好處。
參考文獻
[1] 在線學習系統的設計與開發[J].李萍.電子世界.2013（13）.
關鍵詞 泛在學習 學習生態 有效學習 英語學習 大數據
近年來，移動互聯網、大數據等信息技術發展日新月異，已經成為推動教育變革的重要力量。移動通信終端的普及為學生營造了泛在英語學習環境，大數據技術開啟了個性化智能教育時代，翻轉課堂、MOOC、微課等新型教學模式層出不窮，雖然它們不能取代傳統教學模式，但英語教師必須與時俱進，重視信息技術對傳統英語課堂的改造和提升，以全新的視角思考英語教學的變革方向。
一、研究理論概述
1.泛在學習理論
泛在學習是指任何人在任何時間和任何地點都可以通過泛在網絡實現任何知識內容的學習。泛在網絡和泛在計算技術為人類實現隨時隨地的泛在學習提供了技術保障，信息技術和教育技術的融合發展正深刻改變著知識的傳播方式和學生的學習方式，不斷重構著教育和學習的生態環境。一方面，移動通信終端的多元化發展解除了傳統英語學習對地點的約束，翻轉課堂、MOOC等新型教學模式使學生可以自由地選擇學習時間、進度、內容和學習方式。另一方面，傳統教學設備正在向數字教學設備變遷，教育領域信息基礎設施建設有效地推動跨區域教學資源整合，海量的多媒體教學內容必須和學生的碎片化時間有效結合，教師需要針對不同學情的學生進行精準施策和差異化施策。
2.學習生態理論
學習生態是由學習群體及其所處的環境共同構成的生態系統。系統由信息技術、多媒體教學設施等支撐，通過以合作、交流、共享、互動為特征的教育實踐，實現知識信息傳遞和有效學習，從而促進系統的不斷優化。學生與學習環境、學生和學習群體之間密切聯系、相互作用，通過知識的吸納、內化、創新、外化、反饋等過程實現有效學習[1]。在泛在學習的背景下，學習生態研究的是教育信息、學習主體、教師、教育信息環境之間相互作用的生態系統，需要從教育信息化建設和應用的視角研究各個生態系統成員之間的相互作用規律，維護生態系統的平衡發展。
3.有效學習理論
有效學習是指學生在教師的指導下，針對學習內容采取適合自己的學習策略，積極主動地參與到學習過程中，高效率地完成知識建構，從而實現學習目標并優化自身知識結構的學習行為。有效學習是對學習內容、學習方法、學習過程、學習結果的價值追求[2]，學生可以實現對知識的深層次理解和靈活應用。學習內容的優化在大數據背景下表現為對海量學習內容的篩選、清洗與轉化[3]，使之滿足學生的學習需要。學習方法調整是建立在對學生學習情況進行多元評價的基礎上，根據學生個人學習偏好、認知習慣、學習方式、情感態度因素、學習內容的變化而動態進行的。學習過程的積極參與是指學生能夠積極主動地學習，充分和師生進行合作、交流，善于提出問題、分析問題和解決問題。學習評價是學生改變學習計劃、優化學習方法的重要手段，對學生學習可以起到引導、激勵、啟示和教育作用。
二、當前英語泛在學習模式存在的主要問題
1.傳統課堂教學和線上教學環節缺乏有效銜接
首先，魍晨翁媒萄Ш拖呱轄萄г誚萄Ы謐?、肿R范圍上沒有有效銜接。例如，學生不知道如何在線上學習課堂上沒有掌握的知識點，或者在線上環節重復學習課堂中已經掌握的知識點。其次，缺乏對課堂英語學習和個性化英語自主學習的融合創新設計。在傳統課堂教學中，整齊劃一的教學標準無法滿足英語學習分層分級的差異化教學要求。不同學情的學生對學習時間、空間、內容、方式的需求不盡相同，教師在教學中沒能和學生線上學習的大數據分析結果進行有效的融合對接，僅根據自身的教學經驗和主觀判斷作為實施因材施教的依據，因此其決策缺乏精準性和穩定性。
2.泛在學習缺乏生態性系統設計，學生英語泛在學習的用戶黏性不高
當前泛在學習過程特別是在線學習過程缺乏師生互動性、社交互動性、線上線下互動性。泛在學習僅停留在將文字、圖像、視頻等教學資料數字化、網絡化、集成化和泛在化的階段，這在某種程度上增加了學生英語學習的選擇性和便利性，但缺乏針對不同學生的學習黏性設計，因此泛在學習效果并不理想。
3.英語泛在學習體系缺乏具有“參與感”和“現場感”的語言學習環境
建構主義理論認為，知識的獲得是在學習環境的特定情境作用下，借助教師的幫助與學習伙伴的協作，通過意義的建構過程實現的。因此在英語泛在學習過程中，必須增強學生在特定情境下的溝通和交際活動的參與性[4]。例如，如果在英語課程設計和在線學習設計環節，鼓勵學生廣泛參與學習內容、學習方法、學習偏好的設計，就會讓學生感受到教師對學生的愛與尊重，從而增強學生學習的主動性和積極性，使不同學情的學生都能在學習過程中體驗自我實現感，實現自主學習。另外，教師缺乏對學生多元需求的感知和把握，缺乏語言鍛煉的“現場感”設計，使學生無法在接近真實生活情境的語言環境中得到語言交際鍛煉。
三、基于大數據分析的英語泛在學習生態系統
移動通信和大數據分析技術的發展為有效解決當前英語泛在學習模式存在的問題提供新的方式和途徑。基于大數據分析的英語泛在學習生態系統以學生的英語學習需求、特征、習慣、喜好等大數據挖掘為切入點，聯合學校、互聯網教育機構、教材編寫人員、教師、信息化支撐機構、教育管理機構、在校學生和在職學員等生態系統成員共同把泛在學習落實到教學環境、模式設計、資源開發、評價機制和管理機制等工作中，不僅僅是教育內容資源和信息的共享空間，而且是實施素質教育和個性化學習的公共服務平臺。因此，本文構建了基于大數據分析的英語泛在學習生態系統，主要包括大數據采集、大數據存儲、大數據分析、大數據應用四個子系統，并構建了系統體系結構模型（圖1）。
1.大數據采集子系統
首先，大數據采集子系統要實現數據、文字、圖像、音頻、視頻、多媒體等結構化數據和非結構化數據采集，實現跨區域、跨機構、跨教學環節的數據互聯互通和數據采集功能，解決教育數據資源配置效率不高的問題。其次，實現英語教學設計、教學實施、課程內容建設、網絡學習內容資源建設、語料庫建設、學生學習認知過程監控、學生學習情感態度監控和學習評價等全教學鏈條的數據采集功能，為生態系統成員之間的共生發展提供良好的數據資源基礎。
英語教學設計數據主要采集教師按照教學大綱和教學目標要求對不同學生制定的學習內容、學習進度、學習路徑等數據，厘清學生在課堂上和網絡上分別學什么、在哪學、怎么學的問題。教學過程數據主要采集教師在教學中幫助學生解決英語學習問題的經驗、做法和策略，包括情感態度、認知因素的調控、語言情境的構建、師生的有效互動等。課程內容數據主要是采集教師、學校、互聯網教育機構課程教學內容數據，包括教材內容、課件、題庫、案例等授課內容資料，以及以上資料經過碎片化處理的數據資料。
網絡資源數據庫主要采集互聯網、校園網上英語學習方面的相關資料。英語語料庫數據主要采集中國學習者英語語料庫、美國當代英語語料庫等語料庫內容，以及英語教材、英美小說、散文、演說詞、電影劇本、新聞稿等英文自然語料。學習行為數據庫主要采集學生課堂學習行為和線上學習行為數據。課堂學習行為包括是否預習、復習等，線上學習行為數據采集學習日志、學習習慣、學習時長和學習路徑等。學習評價數據主要采集教師或者在線學習系統對學生的學習能力、學習方法、學習策略運用、學習過程和學習結果的評價數據。學習情感態度數據主要是通過問卷、訪談等方式采集影響學生英語語言習得的動機、態度、焦慮、自信等指標。
2.大數據存儲子系統
大數據存儲子系統主要實現對大數據采集子系統采集的海量結構化、非結構化數據進行數據清理、歸檔、壓縮，實現一體化數據存儲?？梢詫崿F跨區域、跨系統的英語泛在學習數據的融合，解決不同教學機構、數據結構、操作系統帶來的信息孤島問題。英語學習數據倉庫是指集成了大數據分析子系統和應用子系統決策分析所需的泛在學習數據，這些數據是按照一定的英語學習主題進行組織，是在對原有分散的各類英語泛在學習數據庫數據進行加工、匯總和整理后得到的，有效地消除了各類源數據中的不一致性，所以英語學習數據倉庫的信息均是關于學生英語泛在學習全局情況的一致性信息。數據倉庫的這些全局性信息同r通過網絡云平臺實現英語泛在學習數據的云端存儲，可以直接由大數據應用子系統調用。
3.大數據分析子系統
認知因素和情感因素是影響英語習得效果的兩個重要方面。大數據分析子系統首先結合學生應該達到的學習目標對學生個體的英語學習認知行為和學習的情感態度進行數據挖掘，分析學生的動機、態度、焦慮、自信、興趣等情感因素，以及學習毅力、能力、習慣、方法、英語水平和常犯錯誤等認知行為因素，對數據挖掘結果進行聚類運算和分類處理，根據學生的學習認知行為和學習態度情況將學生細分，以識別不同學生之間相似的泛在學習需求，以及某個學生個體在不同學習階段泛在學習需求的差異性。同時，大數據分析子系統會對學生的學習過程和學習結果進行動態綜合評價，并根據學習評價結果判斷學習方案的優劣，有針對性地進行線上和線下學習方案的調整。
4.大數據應用子系統
大數據應用子系統包括學習信息推送系統、學習信息定制系統、在線互動學習系統、語言情境仿真系統、知識關聯推薦系統、知識精準搜索系統、知識樹形管理系統和娛樂在線學習系統等應用。學生可以通過學習終端連接到相關應用系統進行英語語言知識的有效學習。學習信息推薦系統自動推薦給學生的學習信息是學生應掌握而目前未掌握的英語知識。學習信息定制系統可以滿足學生根據自身學習需求而定制某類主題的學習信息。學生一方面通過在線互動學習系統可以和輔導教師進行交流互動，解決學習中遇到的問題，另一方面可以通過社交軟件實現和其他學習者的溝通和交流，共享英語學習經驗。
語言情境仿真系統可以實現某類主題的英語學習情境的在線仿真，讓學生在接近真實環境的英語語言情境中進行英語交際鍛煉。知識關聯推薦系統是根據學生所學知識點，自動關聯推薦對應的拓展知識點。知識精準搜索系統可以幫助學生快速實現英語知識的精準有效搜索，從而進行有針對性的學習。知識樹形管理系統可以實現學生已掌握知識和未掌握知識的樹形目錄管理，實現線上學習和課堂學習知識管理的無縫鏈接。
基于大數據分析的英語泛在學習生態系統有利于充分發揮信息技術對傳統英語教育的改造提升作用，可以有效促進信息技術與教學過程、內容、方法和教學評價體系的深度融合。在生態系統的價值取向上注重以促進學生全面健康發展為中心，注重需求導向的個性化學生培養模式。在學生習得效果評價體系上注重加強學習過程評估，強調過程評估和結果評估相結合。系統注重充分挖掘學生的個體差異，充分挖掘學生的學習潛能，圍繞學生英語學習習慣的形成和學習情感態度的培養，以現代信息技術為輔助手段，將英語語言知識進行碎片化、情境化、可視化處理，通過采取教育信息推送、關聯推薦和定制化相結合的方式實現知識的在線傳播，給學生提供個性化、定制化的英語學習信息服務，帶給學生全新的英語泛在學習體驗。
參考文獻
[1] 張豪鋒，卜彩麗.略論學習生態系統[J].中國遠程教育，2007（4）.
[2] 曹貞.以有效學習為目標的大學課堂教學[J].教育與職業，2007（26）.
[3] 陳明選，陳舒.論信息化環境下大學生的有效學習[J].高等教育研究，2013（9）.
【關鍵詞】數據分析；實踐；統計
中圖分類號：G635.5 文獻標識碼：A 文章編號：1671-0568（2015）36-0122-01
我國相關教學制度規定，在數學教學中，必須重視對學生空間觀念、數據分析觀念及推理觀念等的培養。數據能夠幫助學生正確判斷學習及生活中的相關問題，從而做出正確抉擇，數據現已充斥著整個社會，因此，現代公民必須重視對數據分析、數據收集及數據整理等能力及觀念的培養，從而提升自身決策的合理性與準確性，實現數據的有效傳輸與表達。
一、數據分析觀念內涵
數據分析觀念主要是指現實生活中人們在解決相應的問題時，需要對與問題相關的數據等進行調查研究，同時，通過對相關數據的分析理解其中的內涵，找到解決問題的方法。在數據分析過程中，同樣的數據有多種數據分析方法，這就需要相關人員根據相關問題的具體要求選擇合理的分析方法。數據分析是統計的核心要素，因此，數據分析內的相關要素及相關內涵主要包含以下幾個方面：
1. 具有數據相關意識
數據的應用充斥著人們的現實生活與學習，要合理、準確地解決現實問題需要有數據意識。在解決問題之前，需要對信息及數據進行收集，同時，學生根據數據提煉內部的相關信息及有效數據，幫助學生高效解決相關問題。
2. 選擇合理的數據搜集與分析方法
分析與整理相同數據具有多種分析方法，這就需要學生對相關問題進行分析從而選擇最合理的方法。例如，在對數據統計中的統計圖表進行繪制時，往往具有多種圖表表現形式，但是學生在進行相關統計圖表選擇時會選用最佳的統計圖表，如在對相關數據中的數量關系進行統計時，則可選用條形統計圖，若表現各數據在整體數據中所占比例時，則可選用扇形統計圖。
3. 通過數據分析體驗隨機特征
數據的隨機性主要是指在解決同一問題時，其收集到的數據可能存在差異性，另一方面是指足夠的數據中具有相關規律。例如，探究數學學習中關于學習知識點需要用多長時間時，就可以對數據進行統計。在統計過程中，會發現每天的知識點、學習時間具有差異性，但在多次試驗之后便可發現其中的相關規律。數據雖然具有隨機性，但在多次試驗驗證后其數據又具有相對穩定性。
二、在統計教學中培養學生數據分析觀念的途徑分析
1. 引導學生基于現實參與數據收集及分析活動
在統計學教學中，教師可以積極引導學生參與數據收集及分析活動，促進學生數據分析意識及分析觀念的形成。學生數據分析觀念的養成首先需要數據分析意識的養成，學生在遇到困難時，可產生利用數據解決問題的意識，因此，教師在具體教學中可依照實際生活設計具有現實意義的數學實際情境，這樣可以最大限度地激發學生完全投入到統計活動中，使學生通過實際情景對數據進行收集、整理、分析并做出解決問題的最終決策，通過在活動中的實際體會逐步促進自身數據分析觀念與分析思維模式的養成與提升。
2. 重視情感作用，激發學生的求知欲望
在統計教學中，學生良好的學習情緒以及強烈的求知欲對其學習進步以及智力開發具有非常重要的影響，在數據分析觀念的培養過程中，重視對學生情感的教育與引導可使學生盡快進入學習狀態，營造輕松、和諧的教學氛圍，將學生帶入教學情境中，不僅有利于教學工作的開展與教學任務的實現，同時還有利于良好師生關系的形成。
在“統計”課程教學之前，教師在課堂中可以進行情境創設。例如，周末組織班級學生外出郊游，要求學生思考郊游的地點及郊游活動應怎樣選擇。此時，學生因聽到有關游玩的話題比較興奮，便積極地展開討論，教師再對學生進行統計課程帶入教學，這樣，不僅使得課堂變得生動、活躍，使學生的積極性增強，為課程的展開創造了良好的環境，使教學內容更易開展。
3. 引導學生掌握數據收集、整理及分析等方法
在數學統計學教學中，常用的數據收集方法一般為直接獲取數據的方法，包括實驗、調查，等等，同時也包括資料翻閱等間接獲取方法。收集數據工作結束之后，需要對看似雜亂的數據進行整理、分類，在對數據進行描述時，常用的方式主要有計數、統計圖等，因此，需要學生認識條形統計圖、扇形統計圖及折線統計圖等統計方法，并運用以上方法對數據進行有效分類，同時還可運用自身語言知識解釋其含義，分析數據主要是指對數據進行簡繁分析并達到交流作用。數據分析過程是復雜的思維分析過程，在問題解決的過程中，教師應引導學生根據問題的具體情況選擇合理的分析方式，從而使學生在學習中不斷完善自身的想法并實現對數據分析方法的有效掌握。
例如，對班級學生身高進行分析與相關問題探討：某小學某班級中學生的身高在134～160cm之間，學生根據班級身高記錄單對班級中學生的身高進行分析統計，從而得出學生中最低身高為134cm，最高身高為160cm，若要選擇參與跳高的運動員時，學生可以通過數據進行探討，并對學生的身高按照從高到低的順序進行排列后選出多名身高最高的學生，之后再對整理數據的作用進行相應分析。
4. 引導學生重視數據隨機性，使學生全面認識數據
教師在對學生進行數據分析觀念的培養中，需要選擇適當的問題對學生進行數據隨機性體驗。例如，在對學校校門口一天之內各個時段的人流量統計活動中，教師可引導學生選用合適的方式進行人流量的統計與記錄，同時在開展該活動中，學生還應考慮數據的有效性及數據所需時間，等等，引導學生在所監測的不同數據中找尋相應規律，最終順利解決問題。
在數學統計教學中，學生數據分析觀念的培養，是統計學與概率學教學的開展基礎，同時也是數學問題解決的有效觀念之一。在對學生進行數據分析觀念的培養中，教師應重視對學生具體實踐教學的開展及數據統計方法的教授，使學生選用最合理的數據整理、分析等方法，從而促使學生數據分析統計思維的養成，實現數學教學的最終目標。
參考文獻：
[1] 范明明.中小學生數據分析能力的培養研究[D].武漢：華中師范大學，2014.
關鍵詞：聽障大學生； 教學評價； 統計分析
【中圖分類號】G762
學生教學評價，即學生作為評價主體對教師的教學質量進行評價。其主要目的是為教師的教學提供有用的反饋，以促進教師提高教學質量，從而為提高學生的學習效果服務 [1、2]。聽障大學生，作為特殊的學生群體，日常教學應賦予更多的關心和愛心。對聽障大學生教學評價數據的研究，可以促進從事特殊教育的老師改善教學方法，調整教學態度，進一步提高特殊高等教育的課堂教學質量顯得格外重要。
數據數理統計分析是數學的一個分支，是指研究如何有效地收集和使用帶有隨機性影響的數據。通過數據的數理統計分析，可以進行數據的整理和問題的推斷[3]?，F代數理統計分析的一個顯著特點就是運用計算機實現有關的統計計算與分析，目前也有許多應用計算機軟件對于教學質量進行分析討論的報道。本文利用SPSS軟件（Statistical Product and Service Solutions）對聽障大學生教學評價數據進行統計分析，以更好的發揮評價的診斷、激勵和導向的作用。
一、數據分析來源
本文數據來源于某大學某學期聽障大學生教學評價數據，共涉及25門課程。教學評價分為十項指標，分別為“tm1”：儀表端莊，教態自然，精神飽滿；“tm2”：上課準時、足時，認真負責，嚴格要求學生；“tm3”：關懷和尊重學生，有固定的輔導和答疑時間師生關系融洽；“tm4”：教學目標、要求、考核形式明確，推薦有助我們學習的參考文獻；“tm5”：授課內容充實，信息量大，重難點突出，進度安排適當；“tm6”：作業有利于我們掌握知識和自主學習，批改和分析認真；“tm7”：思路清晰，闡述準確，語言規范生動；“tm8”：因材施教，注重學生創新意識和能力培養；“tm9”：教學方法靈活，教學手段恰當，注重互動，課堂氣氛活躍；“tm10”：掌握了本課程的核心內容，激發了學生學習興趣，提高了分析問題、解決問題的能力。
二、分析方法
本文主要使用了SPSS軟件中的描述性統計分析（Descriptive Statistics，得到原始數據轉化成標準化的取值，可以直觀了解數據的情況，同時便于進一步分析）；K-S單樣本檢驗分析（Kolomogorov- Simirnov One-sample Test，主要考察數據是否符合正態分布）；主成分分析（Principal Component Analysis，將多個變量通過線性變換以選出較少個數重要變量）；K中心聚類分析（K-means cluster analysis，將數據進行分類，辨別樣本之間的親疏關系）；單因素方差分析（one-way ANOVA，調查按某個研究因素的不同水平分組后該因素的效應）。
三、結果與分析
（一）學生教學評價整體情況及正態分布分析
分析教學評價整體情況可以了解聽障大學生課堂教學質量的總體情況。從表1可以看出，該學期聽障大學生教學評價總分范圍在81.48-99.82之間，平均成績為89.69±3.62。利用SPSS軟件進行正態分布分析，得到表2及圖1。從表2得到單樣本K-S檢驗Z統計值為0.500，漸近顯著性水平為0.964，遠大于0.05，因此教學評價結果符合正態分布。
（二）學生教學評價指標主成份分析
利用SPSS進行學生教學評價指標主成份分析后，得到表3。主成份分析法只提取到1個成分，且變量系數均接近1，因此可以認定本體系10項指標相互獨立，影響較小。
（三）不同課程學生教學評價聚類分析
通過SPSS軟件K中心聚類分析方法，將25門課程進行聚類分析，得到表4、表5。從表4可以看出，通過聚類分析，通過學生教學評價成績將25門課程分為了2類，1類優秀成績為15門課程，2類良好成績為10門課程。表5則表示每門課程所屬聚類。
（四）學生教學評價指標的聚類分析
通過SPSS軟件K中心聚類分析方法，將學生教學評價十項指表每門課程的得分進行聚類分析，得到表6、表7。通過聚類分析，將評價指標分為了2類，指標1、2、3被歸為類別1，可以看出主要是指教師的教學態度；指標4-10被歸為類別2，主要考查教師的教學業務水平。
（五）不同學科類別科目學生教學評價差異性分析
根據課程不同性質，將參與評價的25門課程分為了學生思政（兩課）類、文科（外語、語言等）類、理科（數學、物理等）類。
利用SPSS進行單因素方差分析。文科類課程與理科類課程學生教學評價成績有顯著性差異，且文科類課程得分要高于理科類課程。原因可能由于理科類課程需要大量邏輯思維能力，聽障大學生可能在這方面有所欠缺，因此課堂教學效果不如文科類課程。此外，學生思政類課程與文科、理科類課程均沒有顯著性差異，其得分介于兩者之間。
（六） 不同職稱教師授課學生教學評價差異性分析
根據授課教師職稱不同，將參與評價的25門課程分為了教授授課、副教授授課及講師授課三類。
利用SPSS進行單因素方差分析。教授授課類學生教學評價得分與副教授、講師授課類直接均存在著顯著性差異，且總分均值要高于其他兩類?？梢?，教授因為在知識、授課經驗上的累積，其教學效果要好于副教授及講師。副教授及講師教學評價得分則無顯著性差異。
四、結語
本文通過計算機軟件等輔助手段，將原本多而無規律的教學評價數據進行了分析處理，獲得了許多有價值的信息，這些都有利于教育管理進行優化管理，更好的做出決策，為強化教學管理、提高教學質量打下基礎。本文只是在聽障大學生教學評價過程中，利用計算機輔助手段進行分析的初步探索。教學評價是一項非常復雜的質量監控的過程，如何進一步利用計算機軟件等為教學質量提供支持，有待我們繼續研究。
參考文獻
[1] 魯進勇，夏建剛. 本科教學質量評價的文獻綜述[J].學問?科教探索，2008，18：24-25.
