大数据与分析论驱动医学院校计算机基础教学新模式研究

E-mail:weixing91119@163.com

大数据与分析论驱动医学院校计算机基础教学新模式研究

魏星1，2，常雪莲3，朱文婕1，杨小迪3，方强3

(1.蚌埠医学院 公共课程部，安徽 蚌埠233003；

2.中南大学 信息安全与大数据研究院，湖南 长沙410013；

3.蚌埠医学院 基础医学部，安徽 蚌埠233003)

摘要：随着获取、处理教育大数据能力的日益增强，以分析论为理论依据，能够在一定程度上预测教学行为和教学效果之间的关联模式。本文以医学院校的计算机基础课程为例，分析了目前教学所面临的问题，介绍了教育领域大数据的类型与获取方式，利用分析论建立教学模型，在此基础上提出教学新模式。希望依此为契机，对医学院校其他公共基础课程、医学专业课程教学模式产生积极影响。医学院校的教育工作者需要做好准备，须具备分析复杂大数据的能力，提升自身综合素质。

关键词：大数据；分析论；医学院校；计算机基础教学

收稿日期：2015-07-03

基金项目：安徽省重大教学改革研究项目(2014zdjy073)；蚌埠医学院教学研究项目(jyxm1511，jyxm1526，jyxm1527)

作者简介：魏星(1980-)，男，讲师，博士生，主要从事教育信息化理论和医学信息管理等研究工作。

中图分类号：G434

DOI:10.13555/j.cnki.c.m.e.2015.05.032

Big Data and Analytics on the Drive of the New Pattern

of Computer Basic Teaching in Medical Colleges

WEI Xing1,2, CHANG Xue-lian3, ZHU Wen-jie1, YANG Xiao-di3, FANG Qiang3

(1. Department of Public Course, Bengbu Medical College, Bengbu 233003;

2. Institute of Information Security and Big Data, Centre South University, Changsha 410013;

3. Department of Basic Medicine, Bengbu Medical College, Bengbu 233003, China)

Abstract：With the capacityof capture and processing big data increasing, using analytics as the theoretical basis, the insights gained from the analyses of these large amounts of data are helpful to the extent that they can improve capacity for prediction of the association pattern between teaching behavior and teaching effect. The computer basic course in medical colleges as an example, we analyze the present problems of teaching, introduce the types and access methods of education data, by means of the analytics on the establishment of teaching model, and propose new teaching mode. We hope that this article have a positive impact on the other public basic courses and medical professional courses teaching mode in medical colleges. Medical colleges educators need to possess the ability of analysis of complex data, and improve their overall qualities.

Key Words：big data; analysics; medical colleges and universities; computer basic teaching

大数据通常被定义为数据超出常用工具(一般指数据库软件)的能力来存储、处理、分析那些海量的来自不同数据源、不同形式的数据，数据量已经超过可以运行百万兆字节甚至PB级(1PB=1 024TB，即Petabyte，千万亿字节)计算机硬件处理的极限，也超过人类加工处理的极限[1]，所以被称之为大数据，大数据更适合服务于2个不同领域之间或一个领域之内[2]。大数据的定义还包括数据超出正常大小或体量时的多样性和速度。多样性指的是数据的不同类型、不同来源，收集数据是结构化还是非结构化的；速度不仅指数据的产生，还包括处理的时间[3]。

在高等教育领域中，频繁收集学生使用、互动信息，课程信息以及其它类型的教学数据，如高校行政部门的管理信息等，利用数据监管(Data Curation)[4]来发现新知识。高等教育大数据依据数据监管技术深度解析学生的学习表现和学习方法，能够对一些关键领域如学生实际表现等产生积极影响[5]。运用定期收集的来自学习管理系统、社会网络、学习活动和教学过程等方面的教学数据，可以进行早期识别、干预可能会带来风险的学生日常行为，同时可以开展更为行之有效的教学方法，并利用网络来转变传统授课方式[6]。如：2012年，哈佛与麻省理工宣布投资6000万美元开发类似网络教育平台，向全世界免费公开。所以，高等教育领域大数据可用于调查、改进课程内容和教学方法[7]。

医学院校必须以培养合格的医学人员为主要目的，来满足社会日益增长的医疗保健领域对人才的需求。医学的多样性决定了医学教育的复杂性[8]。Cho等人[9]认为在医学教育中，如何利用好海量的医学文献，具有关键性作用，他们建议在医学生的早期教育中要加强对医学文献的收集、分析、审查、批判等能力的培养，提高他们的信息素养。Corrin等人[10]通过一个在线临床日志系统收集并分析了主要反应临床经验记录的医学教育数据，结果显示它能够帮助医院加强医学生临床经验和教学课程之间的对接。这些研究表明，教师和学生均需具备一定的计算机素质。在大数据时代下，世界瞬息万变[11]，计算机基础教育在医疗教育系统中需要找准自身位置，突出医学特色，建立一个灵活的、适应时代需求的课程体系，计算机可以作为一个工具或手段来收集、分析医学教育数据，并告知教师如何改进教学内容和方法[12]，以此提高医学院校计算机基础教育质量。因此，加强医学院校计算机基础教育势在必行。

1　医学院校计算机基础教学面临的问题

医学是一门对认知、理解、掌握客观数据要求极高的学科，随着计算机的普及以及大数据时代的到来，对医学生的计算机能力又有了新的更高的要求。传统的计算机教育方法，只注重讲授理论和操作要点，忽视了学生实际学习效果，也没有结合医学知识，无法激发学生的学习积极性，也很难学以致用。目前医学院校计算机基础教育主要存在以下几个问题：①学生之间的计算机能力存在较大差异，不同省市、城乡之间学生受到的计算机教育程度不尽相同。②教学课时不足，无法做到针对性教学。③学生的学习过程与效果未记录，无法做到客观数据分析。④教学没有紧密结合医学知识，附属医院以及医学相关的研究每年都会产生海量的临床数据、文献资料等各类医学数据，需要考虑如何将这些医学大数据应用在计算机基础教学中。⑤师资队伍医学背景薄弱。这些问题对医学生的计算机基础教育产生了不利影响。大数据时代的到来，为解决这些问题带来了新思路。

2　计算机基础教学大数据

传统教学模式与学习过程无法记录下来，最好的结果就是在参与者脑海中留下印象，没有文字记录，没有具体数据说明教师授课时学生的理解程度以及学习效果[13]。然而随着互联网以及大数据技术的进一步普及与完善，数字技术可以实时记录教学过程中的所有行为轨迹。在网络教学管理系统中，每位学生都会产生大量与学习相关的数据，在进行分析处理后可以找到有助于提高教学水平的信息，来帮助教师修改教学内容，改进教学方法，以数据为驱动，变革高校教育模式。利用大数据对高等教育进行研究的主要目的就是增强教育活力和学习兴趣[14]。教育大数据可以汇总、结合政府或机构统计的数据，如学生的家庭背景，健康情况，获奖情况等，依此确定更广泛的行为模式及其影响效果，这比单独使用教学数据分析出的结果更为精准、有效[15]。

计算机可以存储结构化、半结构化和非结构化各种教育数据，如课件、音频、视频、试卷、答疑、报表、文档等，大数据在计算机基础教育中的应用，具有以下几种方式。

(1)使用个体学习数据增强个性化学习能力。例如，学生在计算机实验室练习模拟试卷时，可以完整记录其每一步操作，记录其一开始选择或填写的答案，而后否定又填写了其他答案等这些所有过程，最后将结果以及操作过程完整反馈给学生本人，达到个性化学习的目的。

(2)纵向获取来自同一数据源的数据。例如，可以从教务处获取国家或学校招生政策改变、课程调整、教学地点或时间改变等数据，及时采取措施，消除对教学产生的不利影响。

(3)横向获取不同数据源在同一时间段的数据。例如，可以收集不同学校、不同专业的医学生在同一学期学习大学计算机基础的学习成绩，结合同一时段采用的不同教学方法等其他教学数据，进行统计分析。

(4)结合纵向和横向数据。例如，可以结合考试成绩和学习日志系统，为所有在校学生在不同时间段建立事实基准测试推断程序，为每位学生建立个人学习进步模型。

(5)结合计算机教育信息和医学信息。网络上具有海量的医学信息，如：电子病历、CT影像图片、文献资料、基因组测序报告等，通过计算机查询、数据挖掘等技术，可以得出有关公共健康的信息或预测，能够极大激发医学生学习计算机的兴趣。

大数据起源于一些技术性学科，如天文学、基因组学、气象学等，定期收集和分析海量数据的概念，这些领域的数据集往往在形式和结构上具有高度的一致性和可预测性[16]。教育类数据虽然有大量数据产生，但是这些数据具有异质性，无法使用一种软件对所有类型数据进行有效保存和组织，安全性和保密性也限制了它们的可访问性，许多机构的数据还处于非共享状态，这些都不利于大数据的应用。因此，需要提高数据共享性、可靠性以及数据标准化程度，才能更好地运用大数据技术改革高校教育模式。

3　计算机基础教学分析论

分析论(Analytic)被Cooper定义为：“通过定义问题发展过程可操作的见解，以及统计模型的应用，分析现有的和/或模拟的数据”[17]。Davenport等人[18]确定分析论具有2个关键功能：一是提供信息或建议；二是提供见解。这些功能对应着已经发生的事，正在发生的事以及将要发生的事。关键维度实践分析模型如表1所示。

表1　Davenport关键维度教学分析论模型

依赖于不同关键技术，不同的分析论能够探究不同类型、不同领域的数据，当然也可以用于计算机基础教育中。主要包括以下几方面内容。

(1)预测分析。利用现有行为模式精准模拟未来行为，这种预测分析算法被称为“倾向性”和“可能性”分析。例如，个别学生经常在上午第一节课有迟到或逃课行为，可能和这个学生不良的作息习惯有关，那么就可以预测该学生未来可能会存在亚健康状态。关键技术：机器学习，即系统能从数据收集过程中自主学习。

(2)聚类和异常值识别。发现有异常情况发生，必须立即采取行动。例如，大规模逃课现象发生时，应立即通知所在系部辅导员并提出警告。关键技术：聚类分析和模式识别。

(3)决策支持。动态监测实时数据，用来告知决策者现在的状态，这个决策者可以是学生本人、教师或学校管理人员等。

(4)知识发现。通过计算机算法汇总大量数据集，寻找不可预知的关联和模式。

图1　基于域的计算机基础教学分析论模型

由此，可以得到基于域的计算机基础教学分析论模型，如图1所示。分析论运用在医学院校的计算机基础课程改革中，需要获取所有与学习本课程或与学生本人相关的数据，如电子档案、社交媒体等信息。主要包括三种分析：①学术分析。分析计算机基础课程在医学院校中所处地位，以及学校支持力度；②学习分析。使用分析技术帮助计算机基础课程改革教学大纲、教学内容、教学方法，完成培养合格医学生的教学目的；③预测分析。统计分析同一地区不同医学院校的计算机基础课程教育模式与成效，在这些大数据中，分析挖掘有用信息，预测教学行为与教学效果之间的关联与模式。

4　大数据与分析论驱动计算机基础教学新模式

大数据时代下，将分析理论运用于计算机基础课程建设中来，结合医学特色，重新规划、整合计算机基础教学，为学生提供各种自主学习资源与服务，建立大数据驱动的计算机基础教学新模式。主要有以下几方面。

(1)大型开放式网络课程(massive open online courses，MOOC)教学平台。MOOC采用云计算架构，利用网络化特性，提供大量的视频学习资源和人机交互功能，支持开放性网络服务。MOOC促进了个性教学模式的发展和学生创新思维的培养，学生可以根据自身实际学习情况，预习、复习对应的内容，解决了学生计算机应用能力差异大的问题，也弥补了教学学时不足的问题，学生有足够时间研讨教学重点、难点。MOOC还能够针对记录、作业、测试中出现的错误，提出下一步学习任务单。

(2)在线答疑系统。目前，在线Answer Web自动答疑系统使用最广，它是一个具有开放、共享、交互性质的问题及答案的网络数据库。学生输入关键词后可以在系统已有库中查找相关资料，若没有相关答案，则自动提交后台，解答后，立即对系统库进行添补，系统会记录所有的问题和答案以及学生提问过程中的行为。把在线答疑系统应用到大学计算机基础教育中，能够解决辅导答疑的问题。

(3)网络医学信息查询系统。在此系统中，主要采用启发式教学，其重在引导，通过平等对话和研讨，提出一个或多个医学问题，如：II相药物代谢的葡萄糖醛酸苷化反应能帮助人体抵抗哪些不利健康的物质或毒素？要求学生分组讨论，再通过所学计算机知识快速在网上查询相关资料，并能够举例说明、简要分析、得出结论，增强学生分析问题与解决问题能力、交流能力、合作能力、语言表达能力和理论联系实际能力[19]。常见的医学信息数据库有：GenBank数据库，OMIM人类孟德尔遗传数据库，PubMed文献数据库，DrugBank数据库，ExPASy蛋白质数据库等。

图2　大数据与分析论驱动计算机基础教学新模式

如图2所示，学生和教师在使用各种网络教学系统时，输入的数据和学习行为都被系统记录下来。利用实践分析模型和大数据技术，对记录下来的数据进行分析，挖掘出与学生学习特征相关的数据。这些数据为学生的后续学习提供个性化的推荐，规划个性化的学习路线，并向教师反馈学生的学习行为和效果，为后续教学提供个性化的推荐，帮助教师修订教学大纲和内容，以改进教学方法。特别是对医学生而言，提供了医学信息查询系统，通过计算机技术查询网络上的海量医学数据，如：电子病历、CT影像图片、文献资料、基因组测序等，通过数据挖掘等技术，可以得出有关公共健康的信息或预测[20]，能够极大激发医学生学习计算机的兴趣。

5　讨论

大数据必将给医学类院校计算机基础教育带来巨大改变，曾经依靠经验和灵感的授课过程，将会被以客观数据分析为主的决策分析所慢慢代替，大数据已经悄然改变着教学过程，也必将深度改变计算机基础教学模式，主要体现在如下几个方面。

计算机教学内容的变化。随着大数据技术的发展和医学信息数据量的指数性增长，如何更好利用和挖掘现有医学信息成为研究人员所面临的难题[21]，医学类院校教育也应与时俱进，特别是计算机教学，应当把计算机技术与医学信息结合起来，帮助学生了解医学大数据，学习医学大数据分析与挖掘技术，提高就业竞争力，同时也能帮助教师提升自身业务素质。

计算机教学思维的变化。原来的计算机基础教学基本属于灌输式教学，而随着大数据和互联网的发展，知识的接受方式呈现多元化倾向，教师必须转变教学思维，以更多的案例和互动式教学来引导学生去寻找解决问题的办法。同时，大数据带来海量医学数据，让教师对计算机教学结合医学特色的教授方法有了更加清晰的认知，启发学生寻找最优解决方案。这是大数据时代下医学院校计算机基础教学的最突出特点。

计算机教学模式的变化。在传统计算机基础教学中，课前备课占据了教师绝大部分精力，而大数据会让教师把更多精力放在课后分析上，形成“备课-教授-上机-测试-分析-改进”的新模式，通过大数据，可以对一个班级甚至一位学生的学习行为、学习习惯、上机测试情况、学习难点等进行分析评价，从而得出教学过程中的规律，改进教学方式，提高教学质量。

个性化教学的深入开展。大数据技术的发展，使得建立覆盖学生学习全过程、全要素的信息库成为可能，学生的大量试卷、课堂表现、学习经历、成长轨迹、家庭背景等都将被包含在大数据分析中，教师可以利用数据挖掘技术，依据学生的学习特征，比如答题持续时间，具体回答步骤和内容，答题答对、答错的要素等，研究各种行为的内在联系，找到学习弱点，据此形成针对学生个性化的教学策略，提高教学效率。

因此，本文提出建立医学计算机基础教学新模式的研究内容，具体关系如图3所示。

图3　研究内容示意图

6　结论

教师的专业知识和综合素质是影响教学质量的重要因素[22]，医学院校的计算机教师应当在巩固专业知识的同时，不断学习医学基础知识，开阔眼界，这不仅有利于教师在教学科研工作中创新、发展，也有利于解决医学院校计算机基础教育所面临的问题。

本文通过教育数据实践分析和大数据技术的运用，结合医学院校教学特点，以计算机基础教育为例，构建了实践分析模型，通过实时数据汇总分析，提升教学质量。并希望以此为契机，建立医学高等教育标准化教学模型，对医学院校其他公共基础课程及医学专业课程教学模式产生积极影响。教育工作者必须做好应对复杂大数据分析的准备[23]，加快提升自身综合素质，探索研究，在严格保护信息隐私的前提下，合理运用这些新兴技术，培养出适应社会需求的具有高信息素养并具有创新思维和创新能力的新时代医学生。

参考文献：

[1]Marx V. The big challenges of big data[J]. Nature, 2013, 498(7453):255-260.

[2]Manyika J, Chui M, Brown B, et al. Big data:The next frontier for innovation, competition, and productivity[J]. 2011.

[3]Zikopoulos P C, Eaton C, DeRoos D, et al. Understanding big data[J]. New York et al:McGraw-Hill, 2012.

[4]Howe D, et al. Big data:The future of biocuration[J]. Nature, 2008, 455(7209):47-50.

[5]West DM. Big data for education:Data mining, data analytics, and web dashboards[J]. Governance Studies at Brookings, 2012:1-10.

[6]Siemens G, Long P. Penetrating the Fog:Analytics in Learning and Education[J]. EDUCAUSE review, 2011, 46(5):30.

[7]Picciano AG. The Evolution of Big Data and Learning Analytics in American Higher Education[J]. Journal of Asynchronous Learning Networks, 2012, 16(3):9-20.

[8]Maojo V, Martin F, Crespo J, et al. Theory, abstraction and design in medical informatics[J]. Methods Inf Med, 2002, 41(1):44-50.

[9]Cho N, Gilchrist C, Costain G, et al. Incorporating evidence-based medicine in the undergraduate medical curriculum:early exposure to a journal club may be a viable solution[J]. University of Toronto Medical Journal, 2011, 88

(3):154-155.

[10]Corrin L, Olmos M. Capturing clinical experiences:supporting medical education through the implementation of an online Clinical Log[J]. 2010.

[11]Khan N, Yaqoob I, Hashem I A T, et al. Big data:survey, technologies, opportunities, and challenges.[J]. Scientific World Journal, 2014.

[12]Mennin S. Self-organisation, integration and curriculum in the complex world of medical education[J]. Medical education, 2010, 44(1):20-30.

[13]Rachel HE, et al. Developing the role of big data and analytics in health professional education[J]. Medical Teacher, 2014, 36(3):216-222.

[14]Angela van Barneveld, Kimberly E Arnold, and John P Campbell. Analytics in Higher Education:Establishing a Common Language[J]. Educause Learning Initiative, 2012, ELI Paper 1

[15]Mayer-Scho¨nberger V, Cukier K. Big data:A revolution that will transform how we live, work, and think[R]. Boston, MA:Houghton Mifflin Harcourt, 2013.

[16]Baker RSJD, Yacef K. The state of educational data mining in 2009:A review and future visions[J]. J Educ Data Mining, 2009,1(1):3-16.

[17]Adam Cooper. What is Analytics? Definition and Essential Characteristics[J]. Cetis Analytics, 2012.

[18]Davenport TH, Harris JG, Morison R. Analytics at work:Smarter decisions, better results[M]. Harvard Business Review Press. 2010.

[19]Otero P, Hersh W, Jai Ganesh AU. Big Data:Are Biomedical and Health Informatics Training Programs Ready? Contribution of the IMIA Working Group for Health and Medical Informatics Education.[J]. Yearbook of Medical Informatics, 2014, 9(1):177-81.

[20]Bourne P E. Confronting the Ethical Challenges of Big Data in Public Health[J]. Plos Computational Biology, 2015, 11(2).

[21]Vaitsis C, et al. Visual analytics in healthcare education:exploring novel ways to analyze and represent big data in undergraduate medical education[J]. Peerj, 2014：2.

[22]Ginns P, Prosser M, Barrie S. Students’ perceptions of teaching quality in higher education:the perspective of currently enrolled students[J]. Studies in Higher Education, 2007, 32(5):603-615.

[23]EllawayRH, et al. Developing the role of big data and analytics in health professional education[J]. Medical Teacher, 2014, 36(3):216-222.

(编辑：杨俊武)