(江苏理工学院计算机学院 江苏常州 213001)
实施国家大数据战略是党的十八届五中全会提出的重要举措。在教育大数据应用领域,高校教师作为大数据应用的践行者和骨干力量,其自身的数据素养教育及测评成为教育大数据在高校落地首先面临的课题。近年来,基于有限体量的数据资源,开展的针对高校教师数据素养的理论探讨,数据素养的内涵分析以及提高教师数据素养水平的实践研究,学界已经积累了一些研究成果[1-3],然而在大数据背景下,如何密切结合大数据的特征,探索海量数据资源环境中数据素养的内涵,以及在此基础上开展数据素养测评研究,对于保障大数据素养的有效评价,并促进高校教师大数据素养目标的顺利达成具有重要的理论和实践意义[4-7]。目前学界的相关研究还比较零散,并缺乏系统化的评测方案。本文以大数据时代教育变革为背景,探索高校教师数据素养的内涵及评价体系等问题。
国外学界将数据素养称为数据信息素养(Data information Literacy, DIL)。David Herzog[8]认为DIL过程包括数据获取、评估、分析及可视化;Adam Beauchamp[9]则将DIL简述为阐释、评价和传播信息的能力;Jacob C arlson[5]认为数据素养教育应涵盖以下能力:数据采集、转换、重用、分析和可视化能力,并应注意数据伦理规范;Tibor Koltay[10]认为数据素养是关于获取数据并能进行批判式的评价和利用的能力;Qin Jian[4]强调数据素养教育过程中需要提升对科学数据的理解、利用和管理等能力。国内方面,黄如花等[11]深入分析英美等国的研究现状后认为,数据素养应包括数据意识、数据能力和数据伦理3方面内容;孟祥保[1]讨论了科学数据素养(Science Data Literacy)的3个层次,即具有数据意识,具备数据知识与技能,了解数据管理政策法规、数据伦理。
大数据时代高校教师数据素养的内涵是指教师在数据的采集、组织和管理、处理和分析、共享与协同创新方面的能力,以及教师在数据的生产、管理和发布过程中的道德与行为规范。教师通过个体或团体的方式收集学生的考试成绩、学习行为及其他数据,以丰富其使用数据的知识和技巧,并为学校和学生的发展开发基于数据的策略。数据素养不仅强调组织、解释、整合和分析等技能,而且注重评估知识、统计知识等。数据素养是准确观察、分析和处理不断变化的各种数据,有效使用数据并促进决策的能力。教育者可以将数据转换为信息,并最终转化为指导行动的知识,持续促进教与学。在大数据时代,高校教师(包括科研人员)在数据素养方面,应该具备数据意识、数据定位与采集、数据分析与解读、数据反思与决策、数据伦理道德等能力。
完整的评价体系应当包含评价主客体、评价指标和评价方法3个方面。
从事专业教学的教师是我们进行评价的客体,评价的主体则包含学生、同事、同行专家、教学督导人员、教学行政管理人员和学校领导等。学生在课堂或课后从任课教师那里获取专业知识或相关信息知识。教师的数据素养直接关系到学生的信息素养,所以说学生是最直接、最主要的评价主体。某专业教师的同行及大数据信息技术专家则是最重要的评价主体,同行专家能从教师的信息行为表现来评价某一教师的数据素养高低。另外,学校聘请的离退休人员和在职老教师组成的督导团队,以及教学行政管理人员、学校领导都应当参与对本校教师数据素养的评价。
评价指标是对评价目标中定性的部分进行量化、细化,把抽象的、原则性的评价目标具体化、行为化和可操作化。高校教师的数据素养评价指标主要包括:数据意识、数据知识、数据道德、数据能力和数据评价。在这套评价体系中,重点体现了对教师数据素养全面的、综合的评价,重视对教师获取及创造性地综合利用大数据的能力方面的评价。
考虑到高校教师数据素养的评价指标没有明确的外延边界,具有很大的“模糊性”,故用模糊综合评价法来建立评价模型。
(1)评价对象集合X{x1x2L L xk},该集合指的是所有接受评价的教师,集合中每一个元素代表不同的教师。
(2)评价指标集合V{V1V2L L Vm},该集合指的是不同的评价指标,每一个指标均为一级指标,每一个一级指标又包含若干个二级指标,因此还需要建立二级评价指标的集合Vi{v1v2L L vk}。
(3)评价权重系数集合A{A1A2L L Am},评价权重集合中的元素与一级评价指标集合中的元素是一一对应的,它反映了每一个一级评价指标的权重系数。同理,我们还需要建立二级指标权重系数集合。
(4)评价等级集合U{u1u2L L un},该集合中每个元素指的是不同的评价等级[12]。
评价指标与评价等级之间存在着模糊关系,我们用R表示此模糊关系,将其表示为模糊矩阵如下:
矩阵中的rij表示Vi对第j个等级的隶属度,它依赖于一级评价指标Vi所包含的各个二级指标对各等级的隶属度及各二级指标对此一级指标的权重。设Vi所包含的第P个二级指标对第q个等级的隶属度为(P=1,2,…,k,q=1,2,…,n),第P个二级指标对该一级指标的权重为。于是可以确定模糊矩阵为:
通过对此矩阵进行m次运算可以得出R矩阵。
在综合国内外文献对数据素养内涵、组成能力的阐述的基础上,笔者从数据意识、数据获取能力、数据道德、数据处理与分析能力及数据评价能力等几个维度构建了高校教师数据素养能力评价指标集合,如表1所示。
表1 高校教师数据素养能力评价指标体系
根据上述构建的指标体系,设10个评价者对某教师进行评价,将评价等级分为5等,分别对应于优秀、良好、中等、及格、不及格。假设对B11指标,认为是优秀的有4人,良好的有1人,中等、及格、不及格的分别是4人、1人、0人,于是认为该二级指标分别属于这5个等级的隶属度为4/10、1/10、4/10、1/10、0/10。然后依次对B12、B13、B14、B15、B16进行统计,分别得出这几个二级指标的隶属度,于是我们可以得到以下结果:
由于我们设了优秀、良好、中等、及格和不及格5个等级,并且设了5个一级指标,因此R矩阵是一个(5×5)方阵。通过上面的计算,我们得出了R矩阵的第一行(也就是第一个一级指标各元素的隶属度),利用同样的方法,我们可以得出R矩阵的其余四行。
通过以上计算,我们就得出了R矩阵(一级指标隶属度的模糊矩阵)。
由于在B集合中第3个元素的值最大,所以该教师数据素养的评价结果为第三个等级,即中等。
对高校教师数据素养进行评价的最终目的是为了切实提高教师的数据素养,达到数据化教学。高校教师数据素养评价的发展方向不是仅仅采用一些评价方法得出教师的数据素养水平,而是通过评价使教师的认知得到发展,使其看待问题的方法得到改进,解决问题的能力得到不断提高。虽然相关学者都强调了数据素养评价的重要意义,但是对于如何通过评价促进教师数据素养的提高还处于探讨阶段,而真正比较完善的高校教师数据素养评价系统还有待于探索挖掘。
[1]孟祥保,李爱国.国外高校图书馆科学数据素养教育研究[J].大学图书馆学报,2014(3):11-16.
[2]Session 74-Information Literacy with Reference and Information Services[EB/OL].[2017-04-21].http:∥www.Ifla.org/node/6271.
[3]缪其浩.大数据时代:趋势和对策[J].科学,2013,65(4):25-28.
[4]QIN JIAN,D'IGNAZIO J.Lessons Learned from A Two-year Experience Inscience Data Literacy Education[EB/OL].[2017-04-21].http:∥docs.lib.purdue.edu/iatul2010/conf/day2/5.
[5]CARLSON J,FOSMIRE M,Miller C C,et al.Determining Data Information Literacy Needs:A Study of Students and Research Faculty[J].Portal Libraries and the Academy,2011,11(2):629-657.
[6]张静波.大数据时代的数据素养教育[J].科学,2013,65(4):29-32.
[7]李芸.浅论大数据时代的数据素养培养策略[J].电脑知识与技术,2013,9(36):8199-8200.
[8]HERZOG D.Data Literacy:A User's Guide[M].Missouri:SAGE Publications,2015:224.
[9]ADAM BEAUCHAMP.What is Data Literacy? [EB/OL].[2017-04-10].http://databrarians.org/2015/02/what-is-data-literacy/.
[10]KOLTAY T. Big Data,Big Literacies?[EB/OL].[2017-04-10].http://citaliste.rs/casopis/br24/koltay_tibor.pdf.
[11]黄如花,李白杨.数据素养教育:大数据时代信息素养教育的拓展[J].图书情报知识,2016(1):21-29.
[12]杨纶标,高英仪.模糊数学及应用[M].广州:华南理工大学出版社,2001:143-144.
[13]彭祖赠,孙韫玉.模糊(Fuzzy)数学及其应用[M].武汉:武汉大学出版社,2002:52-142.