Isi kandungan:
Walaupun istilah "Big Data" telah lama wujud sekarang, sejak kebelakangan ini semakin dikaitkan dengan pendidikan, dan khususnya teknologi pendidikan. Hari-hari papan cangkuk dan projektor overhead telah datang dan pergi dan kini digantikan oleh iPads dan smartboards. Pada masa yang sama, Awan, teknologi mudah alih, dan juga aplikasi mula membentuk masa depan pendidikan moden.
Mereka yang mencadangkan masa depan inisiatif pendidikan menyedari bahawa data telah berubah bukan sahaja cara orang membeli, tetapi juga cara mereka berfikir. Akibatnya, kerana dunia di sekeliling kita menjadi lebih banyak data yang didorong oleh data, data besar mempengaruhi segala-galanya dari akauntabilitas guru untuk mempelajari ruang.
Digunakan sebagai rujukan kepada sejumlah besar data yang dikumpulkan oleh sesebuah organisasi, data besar telah menjadi kaedah pilihan bagi syarikat untuk mengetahui tren terkini dalam tingkah laku pengguna dan kemudian menggunakan maklumat tersebut untuk mengubah suai perkhidmatan dan produk supaya mereka lebih menarik pengguna. Kini, aplikasinya melangkaui analisis pengguna, dan menurut pakar pendidikan Dr. Jason Ohler, data besar merupakan salah satu trend teknologi utama yang akan mengubah pendidikan di masa depan, serta mengembangkan peluang pelaburan. (Untuk beberapa pandangan mengenai peluang pelaburan yang dicipta oleh data besar, lihat artikel: The Big Play Dalam Data Big .)
Menggunakan Data Besar untuk Pendidikan
Sebagaimana yang telah disebutkan, pengumpulan dan analisis data besar sedang meresap di dalam bidang pendidikan, walaupun pada masa lalu teknik tersebut terutama digunakan untuk memahami pengguna. Institusi pendidikan kini mengumpul data mengenai pelajar di seluruh negara, termasuk skor kebolehan dan ujian, untuk meningkatkan strategi pengajaran dan belajar bagaimana untuk melibatkan diri dengan lebih baik pelajar. (Untuk membaca tentang pendidikan peranan dalam ekonomi, lihat artikel: Bagaimana Pendidikan Dan Latihan Mempengaruhi Ekonomi. )
Dalam apa yang dikenali sebagai kelas yang didorong data, proses mengumpul dan menganalisis kerja-kerja pelajar secara digital telah menjadi komponen penting dalam bagaimana sistem sekolah mengesan dan melaporkan prestasi pelajar . Ini berlaku bukan sahaja di peringkat daerah, tetapi juga di peringkat negeri, malah di peringkat persekutuan. Malah, pengumpulan dan analisis data digital membentuk komponen teras ujian standard.
Di peringkat bilik darjah, kurikulum data dan digital bahkan mempunyai kesan ke atas cara guru mengajar dan pelajar belajar. Sebagai contoh, data telah membuat perbezaan dalam cara guru menilai kerja pelajar dan menetapkan skor. MasteryConnect, misalnya, menawarkan pelbagai ciri yang berbeza, termasuk aplikasi taksiran gelembung-lembaran yang membolehkan guru memberi penilaian yang dibuat pada peranti mudah alih atau tablet.Di samping itu, guru secara automatik boleh mengeksport skor dan kemajuan trek, ciri yang boleh memberi manfaat untuk menjejaki kemajuan pelajar mengikut parameter yang direka khusus, seperti piawaian negeri dan juga Teras Biasa.
Pengenalan data besar ke dalam bilik darjah juga membuka jalan untuk pembelajaran yang lebih diperibadikan dan menyesuaikan diri. Peningkatan bilangan syarikat yang mengkhusus dalam teknologi pendidikan, seperti Knewton, kini telah membuat kursus digital yang bergantung kepada data besar dan analisis ramalan untuk mengembangkan apa yang pelajar belajar dan bagaimana mereka belajar. Sebagai contoh, Knewton, yang dipanggil sebagai infrastruktur pembelajaran adaptif, membantu guru mengenal pasti apa yang pelajar tidak menguasai dan menyasarkan modul pelan pengajaran untuk membantu pelajar menguasai bidang tersebut.
Pengumpulan dan analisis data tersebut tidak lama lagi akan menjadi perniagaan besar. Persatuan Pendidik melaporkan bahawa ConnectEDU, sebuah syarikat berteknologi, sedang dalam proses menubuhkan platform pengajaran dan pembelajaran digital untuk mengesan kemajuan pelajar di beberapa sekolah. Wawasan yang diperoleh daripada data yang dikumpulkan di platform itu kemudiannya boleh digunakan untuk membantu guru dalam menyesuaikan sumber dan kaedah pengajaran mereka dengan matlamat akhir untuk meningkatkan penglibatan pelajar.
Juga, menurut Teknologi Kampus, McGraw-Hill, seorang pemimpin dalam penerbitan buku teks, telah melancarkan sistem pembelajaran yang menyesuaikan diri yang akan menjejaki sesi soal jawab pelajar. Sistem ini kemudian akan membentangkan sumber pembelajaran yang sesuai, berdasarkan soalan-soalan yang tidak dapat dijawab pelajar.
Daerah sekolah tempatan telah cepat mengambil peluang yang dibentangkan oleh data besar. Institusi Brookings melaporkan bahawa di Beaverton, Oregon, daerah sekolah tempatan menggunakan sistem pergudangan data bersama sistem maklumat pelajar untuk melihat maklumat pelajar yang luas secara real-time, termasuk profil disiplin pelajar, demografi, dan permintaan mereka dan ketidakhadiran yang tidak dapat dikesan. Daerah sekolah juga boleh menggunakan sistem maklumat khusus untuk mengukur metrik ke peringkat individu untuk merancang campur tangan yang disesuaikan.
Malah kerajaan Amerika Syarikat telah melonjak pada kereta besar data dan menerapkannya kepada sektor pendidikan. Papan pemuka kebangsaan yang digunakan oleh Jabatan Pendidikan Amerika Syarikat menyusun maklumat dari sistem sekolah awam di seluruh negara untuk tujuan mengukur sama ada negara akan menemui sasarannya 2020. Penunjuk yang diukur oleh papan pemuka termasuk peratusan individu dalam kumpulan umur tertentu yang telah melengkapkan Ijazah Bersekutu atau lebih tinggi, jumlah umur 3 dan 4 tahun yang mendaftar di prasekolah, bilangan 18 hingga 24 tahun - terdaftar di kolej dan universiti, dan kemahiran membaca dan matematik untuk 4 th graders.
Jumlah data yang kini dihasilkan oleh sekolah telah meningkat ke tahap yang begitu banyak sistem sekolah awam bergelut di bawah beratnya. Pada tahun 2012, satu penyelesaian inovatif untuk membantu sistem sekolah yang dibanjiri oleh data telah dirancang.inBloom, sistem komputer yang dicipta untuk menyimpan data pendidikan, disokong oleh pelaburan $ 100 juta dari asas Gates dan Carnegie. Yayasan Bill & Melinda Gates kini merupakan pelabur paling aktif dalam teknologi pendidikan. Semasa inBloom akhirnya menimbulkan kebimbangan terhadap privasi pelajar, jangka hayat yang pendek ini menggariskan keperluan yang berkembang untuk daerah sekolah untuk menguruskan jumlah besar data yang dihasilkan dalam sektor pendidikan. (Untuk membaca lebih lanjut mengenai organisasi dermawan seperti Yayasan Bill & Melinda Gates, lihat artikel: The Five Privatealthy Foundations .)
The Bottom Line
Semakin banyak syarikat dalam bidang teknologi pendidikan mula menumpukan tenaga mereka ke atas aplikasi data besar untuk pendidikan, perkahwinan antara pendidikan dan data besar menjadi semakin dekat. Data besar, seperti yang telah mengubah cara di mana syarikat mendekati isu-isu perniagaan yang berkaitan, bersedia untuk mengubah pendidikan dan teknologi di belakangnya. Penyedia perkhidmatan dan teknologi pengurusan data yang bertujuan untuk sektor pendidikan akan mempunyai peluang besar untuk bergerak ke hadapan. Baru-baru ini, MyOnlineSchool mengumumkan bahawa ia telah menerima dana pembiayaan benih baru sebanyak $ 678,000 dari kumpulan pelabur baru. Pembiayaan ini akan digunakan untuk mempercepatkan pengeluaran hobi dan kursus vokasional firma serta meningkatkan reka bentuk bilik kelas maya yang responsif syarikat, menurut NewsFactor. MyOnlineSchool pastinya bukan perpaduan teknologi dan pendidikan yang terakhir untuk menarik pelabur, memandangkan data, teknologi, dan pendidikan terus bergabung.
Boleh analisis teknikal dipanggil nubuatan yang memuaskan? Analisis teknikal
Seolah-olah berguna, tetapi ada yang mengatakan ia hanya mengukuhkan apa yang dipercayai pelabur.
Adalah lebih baik menggunakan analisa asas, analisis teknikal atau analisis kuantitatif untuk menilai keputusan pelaburan jangka panjang dalam pasaran saham?
Memahami perbezaan antara analisis fundamental, teknikal dan kuantitatif, dan bagaimana setiap ukuran membantu pelabur menilai pelaburan jangka panjang.
Bagaimana saya boleh menggabungkan analisis teknikal dan analisa asas dengan analisis kuantitatif untuk menghasilkan pulangan dalam portfolio saham saya?
Belajar tentang bagaimana nisbah analisis asas boleh digabungkan dengan kaedah penyaringan saham kuantitatif dan bagaimana penunjuk teknikal digunakan dalam algoritma.