浦和红钻超清壁纸 | 文獻求助論文范文 | 論文題目 | 參考文獻 | 開題報告 | 論文格式 | 摘要提綱 | 論文致謝 | 論文查重 | 論文答辯 | 論文發表 | 期刊雜志 | 論文寫作 | 論文PPT
浦和红钻超清壁纸您當前的位置:浦和红钻超清壁纸 > 計算機論文 > 計算機應用技術論文

日本球迷浦和红钻:學生業績系統中大數據的應用研究緒論

時間:2017-02-23 來源:未知 作者:傻傻地魚 本文字數:9033字

浦和红钻超清壁纸 www.ksbedr.com.cn   第 1 章 緒 論。

  1.1 論文研究的背景和意義。

  大數據概述。

 ?。?)概念。

  隨著計算機技術的迅猛發展,計算機與人們的日常生產和生活都已經變得密不可分。人們可以通過計算機進行數據的收集和存儲,但是最近這幾年,這些數據呈現出了幾何數量級別的增長。圖 1.1 向我們展示了一個世界范圍內數據的增長量的評估,從 2010 年開始到 2020 年結束數據將會增長 50 倍[1].近年來,全球的數據呈爆炸式增長。"大數據"這個詞不斷地出現在公眾的視野中。在 2008 年,《Nature》雜志出版了"Big Data"專刊[2],對其所蘊含的價值和挑戰展開了深刻的討論并引起了各行各業對大數據的關注,自此,"大數據"正式登上歷史的舞臺,也成為科學研究的熱點問題。而在 2011 年,《Science》雜志出版了"Dealingwith Data"專刊[3],從互聯網技術、環境科學、生物醫藥等多個方面討論了大數據處理面臨的難題,也標志著大數據時代的到來。而關于什么是大數據,社會各界并沒有給出一個公認的定義,但是不同的定義基本上都是從大數據的三個基本特征出發的,即規模大、多樣性和產生速度快。維基百科中大數據的定義是使用一些目前現有的傳統數據處理工具很難處理的大型而復雜的數據集[4].徐子沛在《The Big Data Revolution》中說"大數據是指那些大小已經超越了傳統的數據集,普通的軟件工具不能采集、保存、管理和處理的數據"[5].Gartner(全球信息技術研究公司和分析)定義"大數據"是需要多樣化的處理機制才能具有更準確的判斷力、洞察力和優化力的海量、高增長率和新型的信息資產[6].隨著全球數據爆炸式的增長,大數據這個詞主要用來形容龐大的數據集。與傳統的數據集相比,大數據通常包括結構化和非結構化的數據,并且都需要更多的實時分析。此外,大數據也帶來了發現新的價值新的機遇。

 ?。?)產生。

  大數據的產生是計算機和網絡通信技術廣泛應用的必然結果,特別是移動互聯網、云計算、物聯網和社交網絡等新一代信息技術的迅猛發展。在人類發展史上從未有哪個時代像今天一樣能產生如此海量的數據,而且這些數據的產生已經完全不受時間和地點的限制。大數據已經普遍存在,工業、科學、醫療衛生、社會服務等領域都積累了 TB 級、PB 級乃至 EB 級的大數據。

  自 2010 起,全球進入了 web2.0 時代,Twitter(推特)、Facebook(臉書)、博客、微博、微信等新型社交網絡的出現和互聯網技術的發展,產生了海量的數據[7].Google 能夠處理千億以上的網頁數據,每月處理超過 400PB 的數據并且這個數據量持續增長;淘寶網的會員以及商品的數量都已經超過了上億件,每天的交易數據也呈高速增長的趨勢;Facebook 和 Twitter 每天處理的數據都已經超過了幾十億。隨著傳統互聯網向移動互聯網的轉型,以智能手機、平板電腦等常見的移動設備為代表的新型智能傳感設備的出現,使得人們更加方便快捷地實現實時的互動?;褂兄悄芷?、智能電視以及智能工業設備等都已經接入互聯網,由此產生的數據將進一步暴增[8].

  根據美國市場調查公司 IDC 的預測[1],人類產生數據量的增長速度前所未有,基本上是每兩年翻一倍,而在 2020 年之前,這個增長速度也會繼續保持下去。

  全球在 2010 年正式進入 ZB 時代,預計到 2020 年,全球總共擁有 35ZB 的數據量,人類真正地進入了一個大數據的世界。

 ?。?)技術研究從 2003 年"大數據"概念的出現到現在,大數據處理技術經過了三代技術的更新[9].第一代是批處理技術,Google 在 2003 年和 2004 年分別發表了"GoogleFile System"[10]和"MapReduce"[11]兩篇文章,詳細地介紹了 Google 公司的數據存儲和數據處理模型。直到 2006 年 Hadoop 的發布,使得批處理技術達到了頂峰時期,憑借其開源和易用等特性,成為大數據處理的首選技術。Hadoop是HDFS(Hadoop 分布式文件系統,基于 Google File System)和 MapReduce 的開源實現,Hadoop 平臺是本論文中所使用的數據處理平臺,具體介紹詳見第 2 章。在之后的三、四年里,由于企業內部不同的需求,針對 Hadoop 子項目的開發層出不窮,比較有代表性的是 Facebook 發行的 Hive[12].Facebook 用 Hive 數據倉庫存儲數萬張表,超過了 700TB 的數據,每個月處理超過 200 萬個用戶的報告以及 ad-hoc分析;雅虎發行的 Pig[13],Pig 提供了一個支持海量數據分析的平臺;HBase[14]最初由 Powerset 公司建立(不久就被微軟收購),開始是作為 Hadoop 的一部分,后來成為 Hadoop 的一個頂級的子項目。Facebook 使用大規模 HBase 機群,可以很方便地橫向擴展服務規模,為數百萬用戶提供服務,每天處理數百億條事件。這些子項目也將在第二章中進行簡要的介紹。由于 MapReduce 是典型的離線計算框架,無法滿足在線實時計算需求,所以從 2010 年開始,出現了第二代處理技術-實時處理技術。在這個階段中典型的技術就是 Twitter 開發的 Storm[15]、Cloudera 開發的 Flume[16]、LinkedIn 開發的 Kafka[17]和 Samza[18].第三代大數據處理技術起始于 2012 年,Nathan Marz(Storm 的開發者)開發了 Lambda 架構[19].

  Lambda 是一種基于批處理和實時處理的混合型的架構,既可以實現對響應的實時性,又能解決海量數據的分析與處理問題,可以說是 Hadoop 和 Storm 的結合體。盡管目前又產生了新的大數據處理技術,還是有很多企業和研究機構繼續采用 Hadoop 平臺,或是將 Hadoop 平臺與新型技術聯合在一起處理數據。

 ?。?)應用。

  大數據開啟了一次重大的時代轉型,大數據應用已然成為當前最為熱門的信息技術,互聯網行業、零售行業、電信運營商、金融行業和政府等紛紛從海量數據中獲得了新的認知,從而創造出新的價值。

  大數據技術在互聯網行業的應用基本成熟,其它行業次之?;チ幸悼⒋笫縈τ鎂哂蟹淺4蟮撓攀?。因為互聯網行業如 Google 和 Amazon 等知名網站擁有大量的用戶交易數據和極其強大的數據處理后臺。Twitter、淘寶、新浪等都已開展較為成熟的大數據應用,如推薦好友、推薦相似商品等,電商交易分析,位置信息服務,廣告交易、跟蹤分析等[20].很多互聯網應用在操作應用程序、安全分析、導航和社交媒體中加入了精確的 GPS 位置追蹤,同時有頻繁的更新。

  精確位置追蹤為全球定位系統(GPS)測定點附近其他位置的海量相關數據處理打開了大門,這些位置信息可能帶來增加銷售或服務的機會[21].2012 年谷歌開發了無人駕駛汽車,根據海量的道路信息數據,該無人駕駛汽車可以像人類一樣能夠選擇合適的路徑行駛[22].Alibaba 在 2012 年發布了名為聚石塔的平臺,該平臺可以為天貓和淘寶的用戶提供云服務。Alibaba 依靠大數據技術對用戶交易數據的分析來為中小型企業提供小額貸款。同時聯合多家物流集團建立了網上物流平臺,為用戶提供方便快捷的物流服務。

  大數據在零售業的應用目前主要集中在客戶行為分析[21],通過對客戶行為的分析,改善貨架商品的擺放、產品推薦、產品細分和市場營銷等。Wal-Mart 是零售業大數據應用的標桿?;諶绱伺喲蟮目突Ы灰資菘?,Wal-Mart 可以對顧客的購物行為進行分析,了解客戶的購物習慣,發現其中的共性規律。兩個著名的應用案例是:"啤酒-尿不濕的捆綁銷售"和"手電筒-蛋撻的捆綁銷售".

  Wal-Mart 的大數據分析顯示,爸爸們一般在買尿不濕的時候,通?;掛蛞恍┢【?。因此,商家把這兩種商品擺放在一起銷售,使得商品的銷售量大增。另一個是手電筒和蛋撻的例子,Wal-Mart 的大數據分析顯示,在颶風季節,手電筒和蛋撻的銷售數據都很高。根據這一特點,一旦到了颶風季節,Wal-Mart 就會把手電筒和蛋撻擺放在一起銷售。

  電信業大數據應用集中在客戶行為分析、網絡優化、威脅分析等方面。運營商收集來自各種產品和服務的客戶行為信息,并進行相應服務的改進和網絡優化。如分析客戶的套餐使用情況,分析新老客戶的忠誠度及其它業務需求,尋找以及預測潛在客戶。電信行業應用大數據技術具有自身的數據優勢,因為其所針對的用戶群都需要實名制注冊,而且這些信息往往都是真實有效的。所以基于此類的數據分析是可靠的,通過這些精準的分析結果可以為用戶提供合適的套餐,流量預警等服務。而電信行業與互聯網行業的聯合促進了新的商機,如 Orange和 Facebook 開展的 Party Call 業務,用戶需要將 Facebook 賬號和電話號進行綁定,那么 Facebook 的任何活動將會通過短信或電話通知用戶,還可以為 Facebook推送電話號中的好友。

  金融業應用系統的實時性要求很高,積累了非常多的客戶交易數據,金融行業的大數據應用目前主要是客戶行為分析、金融風險分析等。Citibank 在亞洲有超過 250 名數據分析人員,并在新加坡建立了一個"創新實驗室"[22],專門用來進行大數據相關的研究和分析。比如 Citibank 根據消費者的信用卡交易數據如消費的時間、地點等為消費者推薦合適的商場和餐廳的優惠信息。我國很多中小企業在銀行貸不了款,因為他們沒有擔保。Alibaba 公司根據淘寶網上的交易數據情況篩選出財務健康和誠信的中小企業,對這些企業不需要擔保就可以貸款。

  ZestCash(美國公司)的主要業務就是給一些沒有信用記錄或信用記錄不好的顧客提供貸款業務。ZestCash 與其它銀行最大的不同在于其所依賴的是大數據處理和分析能力。如果一個顧客說他曾經有過信用不良記錄,那么大多數銀行都不會為其貸款,但是 ZestCash 會搜集顧客的相關數據,通過大數據分析,其實發現某些這種顧客是有可能一次付款的,那么 ZestCash 會為這種顧客貸款。

  大數據技術已經廣泛應用到各行各業中,但是在我們所查閱的國內外文獻中發現大數據技術在教育中的應用很少,而且存在一定的局限性。下面介紹一下大數據技術在教育中應用的國內外研究現狀。

  國內外研究現狀。

  目前國內外對教育數據的研究都取得了一定的成果,但是基本上都是采用傳統的技術來挖掘信息。大數據的興起為各行各業的轉型都帶來了契機,但是在教育領域中大數據技術的應用還處于起步階段,雖然一些研究者提出了一些應用的理論但應用實踐的案例還很少,只有部分高校和研究機構對此進行了研究。而這些技術也并沒有完全解決當前高校教育管理者所面臨的所有的難題。

  大學生的信息管理系統一直記錄著學生的基本信息,如每門課程的成績、校園卡刷卡記錄、圖書借閱信息等。隨著時間的推移以及各大高校的擴招,這些信息呈爆炸式的增長。這些數據可被實時的收集,然后進行分析并改進教學計劃。

  此外,若利用合適的工具加以分析處理,可以讓教育機構的研究人員研究學生的學業表現。

 ?。?)國外研究現狀。

  大數據挖掘和分析軟件可以為學生和老師提供及時的學業表現的反饋,可以幫助教育部門評估高校的教學狀況和取得了什么樣的成就,從而更容易的評估教育機構的發展趨勢。芝加哥公立學校使用一個名為 IMPACT(InstructionalManagement Program and Academic Communications Tool)的軟件[23],通過以下四個方面來追蹤學生在學校的表現: 學生信息管理,課程與教學管理,學生服務管理和成績單。北亞利桑那大學[24]采用 GPS(Grade Performance System),當成績、出勤率、學術成果出現問題時學生會收到警告信息,同時學生也可以進行積極的反饋。美國普度大學在課堂上應用課程信號系統(Course Signals System),應用該系統可以檢測預警信號,并對那些學習能力和課堂表現相差懸殊的學生提前進行干預,以便讓他們達到一個最佳的學習狀態。博爾州立大學開發了一個可視化協同知識的分析應用平臺,應用到學生的協同知識建設活動中,它采用交互設計和信息可視化技術,以評估并提升合作者之間的認知。但是這些技術并沒有普及使用。文獻[25]中通過收集社交網絡的數據,應用 Hadoop 框架分析學生的行為。通過學生的考試分數和通過率分析學生的學業表現。數據集是來自 14 個不同大學從2008 年到 2012年的學生數據,例如Public大學, Cochin大學,MahatmaGandhi 大學等。根據學生的考試成績對比了不同學校的通過率,并且根據學生成績分析不同學校學生的智商對比分析。該系統平臺集成了 Hadoop-Hive 來分析通過率、學校評分和其它的量化數據。這樣的分析系統為教育管理部門提供了很多有意義的教學依據。像 Twitter、Facebook 和 YouTube 等社交平臺,學生們隨意地分享每天的生活狀態,文獻[26]中應用 Hadoop 框架對 Twitter 上學生發布的微博進行分類統計分析,最后發現大部分的學生都渴望參與更多的社交活動,這項結果是來自印度韋洛爾理工大學的研究。他們將 Twitter 上的數據下載到Hadoop 分布式文件系統中,然后進行自然語言處理以及加入分類算法,并且將Twitter 上的信息分為 4 大類:沉重的學習負擔,消極的情緒,缺乏社交活動和其它數據。

  除了對學校、教師和學生的數據分析外,在線教育也是大數據在教育中應用的一個研究重點。2011 年是美國在線教育的一個重要的里程碑[27],來自 2500 多所高校,超過 610 萬學生接受在線課程,比 2010 年增長 56 萬以上。傳統的教學方式是老師讓學生把卷子帶回家,學生做完卷子后再拿回學校給老師批改,老師批改完之后再發給學生,同時老師還要統計哪道題學生錯的最多,哪個知識點學生沒有理解等,這種方式浪費了師生大量的時間,而且效率低。新型的在線教育融合大數據技術完美的解決了這樣的問題。學生每做完一道題,計算機會計算學生需要多長時間完成的任務,同時計算機也會及時反饋學生的答案是否正確,以及與全國各地做過這道題的同學相比來評估學生的表現。老師們也會收到學生所有表現的反饋信息,以便及時補充教學資源和改進教學方法。典型的教學方法很少提供及時的反饋信息,需要教師花費數小時制定日常任務,都不是很積極主動地展示學生如何提高理解能力,并沒有充分利用數字資源的優勢。通過大數據挖掘和大數據分析很容易洞察學生的表現和學習方法,大數據挖掘和分析軟件可以為學生和老師提供及時的學業表現的反饋,這種方法可以分析潛在的教學模式,以預測學生的行為表現,如成績下降、是否生活上出現困難需要額外的幫助,或是否能夠完成苛刻的任務等。Vincent Aleven 和他的同事在 Carnegie Mellon 大學通過 Intelligent Tutoring Systems 進行實驗研究[28],實驗中所用的工具可以幫助老師們開發在線課程例如化學和物理等,老師可以根據學生在電子系統中記錄的數據開發課前和課后測試。文獻[29]中對美國大數據教育應用的領域和案例以及所面臨的挑戰進行了詳細的介紹。文獻[30]中通過處理在線學習系統中學生的登陸信息來分析和預測學生的行為。該文獻利用 Hadoop MapReduce 框架來從 171GB的數據中提取學生的信息。每條信息代表的是學生從登陸系統到退出系統的一系列的活動。這些信息作為 weka(數據挖掘平臺)的輸入數據,這篇文章用到了5 種分類方法來預測學生的行為表現。根據預測的結果,課程管理人員就可以知道哪些學生需要額外的幫助。

  除了上面所列出的兩個方向外,國外許多高校已經把大數據技術加入到傳統的教學課堂中[31].高級計算機科學課程中就將一些大數據技術加入到教學計劃中。例如在數據庫這門課上,可以將 MapReduce 結合傳統的關系型數據庫,以此來證明 MapReduce 等大數據技術并沒有完全讓傳統的數據處理技術過時。教師也可以結合 MapReduce 模型進行課上的練習。NoSQL 和 NewSQL 等技術也可以加入到數據庫課程的介紹中。在高級數據庫課程中不同類型的數據庫管理系統的對比介紹會讓學生對數據庫有更深入的認識。

 ?。?)國內研究現狀。

  我們主要對中國知網提供的論文進行檢索,截止到 2015 年 6 月,除了報紙和會議報道,共檢索出 253 篇有關"大數據"并且包含"教育"的文章。每年發表文章的情況如圖 1.2 所示。從圖中我們也可以看出,大數據在我國教育中的應用是從 2012 年開始的[32],并且逐年遞增。教育信息化在 2014 年實現了快速發展。

  2014 年 3 月教育部辦公廳印發的《2014 年教育信息化工作要點》中指出我國教育信息化的工作程序中已經列入了大數據在教育中的應用。大數據技術與教育數據的結合是當代教育事業發展的必然趨勢。目前各大高校都已經開展了教育信息化工作,建立教育信息化的公共服務平臺,開展數字化智能校園。

  北京郵電大學建立了一個基于 Hadoop 技術的高校學生行為分析系統[33],通過采集、存儲以及處理校園大數據環境中的各類數據,對學校的教育和教學決策起到了至關重要的作用。在科研方面,通過科研項目記錄,分析學??蒲蟹⒄狗較?,以便更好的調整今后學??蒲械墓ぷ髦匭?;在教師數據方面,通過對學院教師工作量的分析從而幫助完成學校對學院和教師的評定工作;在學生數據方面,通過對學生的成績進行分析,對表現不好的學生進行重點關注以及進行必要的思想輔導,促使學生的全面健康發展。文獻[34]中設計了一種基于 Hadoop 的遠程教育海量資源存儲和檢索的方法,支持基于內容的高效檢索,相比傳統的共享存儲方法提高了檢索效率。該架構使用 HBase 來存儲遠程教育資源,遠程教育資源主要包括教案、題庫、音頻和視頻等。使用 MapReduce 實現針對海量數據基于內容的檢索。文獻[35]采用 HDFS 進行遠程課件的資源管理?;Ψ洞笱Ы⒘艘桓齷?Hadoop 的智能數字化教育服務架構,解決了海量教育信息的獲取、存儲、分析和分析報告可視化呈現等問題[36].

  基于校園大數據,可以用大數據技術分析和預測學生的學習情況、教師的教學情況等,這些分析結果可以幫助和引導學生健康快速的成長[37,38].同時也有利于教育工作者和高校領導及時掌握教學計劃和學生學習動態,為教學決策提供重要的參考依據,從而使得校園管理更加智能和科學[39,40].文獻[41]中建立了一個大數據處理平臺,利用 Hadoop 平臺實時分析海量的教育數據。通過 MapReduce對教育數據進行處理,提高了數據處理的速度和效率。它所采用的數據源主要包括:學生信息、教室信息等;采用 Hadoop 分布式文件系統存儲這些數據,該平臺可以做以下分析工作:學生的學習行為、學生的性格特征和學習能力等。北京師范大學利用社交網絡分析方法,分析了在線學習系統中老師和學生的交互數據[42].文獻[43]開發了一套在線教育分析系統,不僅能對學生的學習行為進行分析,又能對教學資源進行分析。

  無論是在國內還是國外,大數據技術在教育中的應用都處于起步階段,主要研究方向就是教學模式和教學管理 2 方面。雖然大數據在教育中的應用具有很大的優勢,也必將是未來教育領域發展的趨勢。但是大數據技術對于我國教育領域的應用尚處在萌芽期,我國的教育工作者應該及時關注國外先進的技術和發展動態。隨著大數據技術的發展,以及在各行各業越來越成熟的應用,那么一定會有更多的研究學者關注其在教育領域的應用。

  論文研究的意義。

  隨著高校招生規模的不斷擴大和信息技術的不斷發展,各個高校都建立了自己的教務管理信息系統,這些系統大大提高了教學以及管理的水平,同時也積累了海量的教學和管理數據。例如在學生的成績、書籍、論壇和就餐卡等方面就足以產生大量的數據,除此之外還有教學設備、教室信息和圖書等領域。因此,學校的信息系統是非常龐大的信息集合,已經積累了大量的數據。這些數據也是本次論文中所重點研究的數據集。也許在大多數人眼中這些數據之間并不存在什么相關性,然而一旦找到合適的工具將這些數據加以處理,那么這些數據背后隱藏的價值是我們所想象不到的。目前,大多數的高校使用的數據庫系統只能提供簡單的操作如教育數據的錄入、查詢和統計等,然而隨著數據量的增加,這些數據只能羅列在數據庫中漸漸的被人們遺忘,而且會成為人們的負擔。國際數據公司IDC 做了一個預測,截至到 2020 年,如果對數據加以分析,33%的數據都會包含有價值的信息,這些尚未開發的價值可以在社交媒體的使用模式、各個研究領域中科學數據的統計、和社會學數據交叉的醫學信息等中挖掘[1].

  與其它數據相比,教育信息資源是無形存在的,是對一個學生乃至一所學校的發展都是至關重要的,而如何合理的利用這些數據進行教學的管理和決策更加重要。通過大數據技術可以對學生展開學習行為、生活習慣乃至思想變化方面的分析,并對其未來發展方向做出判斷,以便于學生盡早進行自我調整,也更有利于學校優化教育和管理。

  1.2 論文的主要研究內容。

  本文利用 Hadoop 平臺對吉林大學電子科學與工程學院(2002 年-2010 年,除了 2005 年)的學生成績數據做了分析和處理,采用 HDFS 存儲學生數據、采用關聯規則算法分析學生成績數據并對傳統的關聯規則算法-Apriori做了改進,使得改進后的 MapReduce Apriori 算法更加適用 Hadoop 平臺也有利于更深入的挖掘學生的成績數據。

  本文主要進行了以下幾項工作:

  1. 閱讀了大量的中英文文獻,了解國內外發展現狀,掌握 Hadoop 框架及其生態統、HDFS、MapReduce 和 Apriori 算法等基礎知識,為論文的撰寫奠定了夯實的理論基礎。

  2.詳細研究了關聯規則算法的基本原理,結合 MapReduce 編程模型的特點改進了傳統的 Apriori 算法,并通過實驗驗證了改進后算法的有效性,以及改進后算法的可行性分析和性能對比。

  3.通過搭建 Hadoop 平臺,對學生數據做了初步的統計處理,并結合改進后的算法分析了所采集的學生數據,得到了其中蘊含的有價值的信息,可以為以后的教育研究者提供參考依據。

  本文的主要創新點如下:

  1.根據 MapReduce 編程模型的特點,對傳統的 Apriori 關聯規則算法進行了改進,改進的算法不僅實現了發現頻繁項集這一過程,同時也根據發現的頻繁項集篩選出了強關聯規則。

  2.通過對大數據技術的學習和學生數據的分析,本文搭建了 Hadoop 集群平臺來分析和處理真實的學生成績數據。

  1.3 論文的組織結構。

  依據上一小節所述的主要內容,本文總共分為五個章節,每一章的主要研究內容如下:

  第一章主要介紹了本文的研究背景、大數據概念及其技術應用領域、有關教育大數據的國內外研究現狀,介紹了本文的主要研究工作、創新點和本文的組織結構。

  第二章詳細介紹了 Hadoop 框架及其生態系統、Hadoop 分布式文件系統(HDFS)工作原理和 MapReduce 編程模型的原理。

  第三章介紹了傳統的 Apriori 算法,結合 MapReduce 編程模型的特點對其進行了改進,并通過實驗驗證了改進后算法的可行性以及其性能穩定性。

  第四章介紹了搭建 Hadoop 集群平臺的過程,對原始數據進行了統計分析并且應用了改進后 MapReduce Apriori 算法,發現了學生數據中有價值的信息。

  第五章對本文進行了總結和展望,總結了主要研究的內容和存在的不足,同時也提出了一些改進的意見,為未來的教育工作者和研究學者提供了借鑒意義和研究方向。

  1.4 本章小結。

  本章為整篇論文的緒論部分,主要介紹了大數據概念、技術、應用和教育大數據,為本篇文章的立題和研究背景提供了重要的依據,之后又介紹了關于教育大數據的國內外研究現狀,說明了本文的主要創新點,最后概括了本文的主要研究內容和組織結構。

    論文來源參考:
    相近分類: