学文网大数据论文篇1
〔摘要〕本文利用Web of Science数据库，对国际大数据研究领域的文献进行收集，分别按照论文的年代、著者、国别与机构进行统计分析，并利用SPSS软件对文献的高频关键词进行聚类分析和多维尺度分析，利用Ucinet软件予以可视化呈现，总结了国际大数据研究的现状与热点，以期对国内大数据的研究提供有益的参考和借鉴。
〔关键词〕大数据；共词分析法；聚类分析；多维尺度分析；可视化
DOI：10.3969/j.issn.1008-0821.2013.09.026
〔中***分类号〕TP391；G250.252〔文献标识码〕A〔文章编号〕1008-0821（2013）09-0129-06
2011年5月，麦肯锡全球研究院（McKinsey Global Institute）了研究报告《大数据：创新、竞争和生产力的下一个前沿领域》（Big data，The next frontier for innovation，competition，and productivity）[1]。2012年1月在瑞士达沃斯举行的世界经济论坛上，“大数据”是讨论的主题之一，论坛上的题为《大数据，大影响》（Big Data，Big Impact）的报告中提出，“数据已经成为一种新的经济资产类别，就像货币或黄金一样。[2]”2012年3月29日，美国***府在白宫网站上了《大数据研究和发展倡议》（Big Data Research and Development Initiative），该倡议涉及联邦***府的6个部门，这些部门承诺将投资超过两亿美元，来大力推动和改善大数据的提取、存储、分析、共享和可视化。
无论是美国***府的倡议，麦肯锡的研究报告，还是世界经济论坛的议题，都预示着人们，大数据时代已经到来。大数据正在撬动全世界的神经，大到一个国家、企业，小到每一个***存在的个人，都将成为大数据时代的贡献者和受益者。那么，大数据究竟是什么？维基百科将大数据解释为“是指无法在一定时间内用通常的软件工具进行捕获、管理的数据集合”[3]。关于数据量究竟要达到多少才可以被称之为大数据，目前尚无统一说法。一般认为，大数据的数量级应该是“太字节”，即240。大数据之“大”，并不仅仅在于其“容量之大”，更多的意义在于，人们可以“分析和使用”的数据在大量增加，通过这些数据的交换、整合和分析，人类可以发现新的知识，创造新的价值，带来“大知识”、“大科技”、“大利润”和“大发展”[4]。
目前国内学者中，杨绎以国内文献为研究基础，以关键词分析为主要方法，对目前国内期刊和报纸上有关“大数据”的文献进行了研究[5]。韩芳芳等以CNKI为数据源，从文献、作者、关键词3个角度分析我国大数据领域的相关文献。笔者认为很有必要对国际大数据领域文的献进行分析，从而把握国际大数据领域的研究现状与热点，以供国内学者参考借鉴。
1数据来源与研究方法
Web of Science（简称WOS）是美国汤姆森集团开发的产品，是大型综合性、多学科期刊引文索引数据库。WOS收录了世界上经过同行专家评审的有影响力的文献，选用WOS作为数据源进行研究可以保证研究资料的权威性。本文选取WOS数据库下3个子库Science Citation Index Expanded（SCI-EXPANDED，科学引文索引扩展版）、Social Sciences Citation Index（SSCI，社会科学引文索引）、Arts & Humanities Citation Index（A&HCI，人文艺术科学引文索引），检索年限为“所有年份”，数据库更新日期为2013年4月5日，以“big data”为检索词进行“主题”检索，共检得171篇大数据领域的相关文献（检索日期：2013年4月10日）。
本文借助SPSS 190软件，采用共词分析法对国际大数据的研究热点进行分析。共词分析法（Co-term Analysis）最早是在20世纪70年代中后期由法国文献计量学家提出的，其思想来源于文献计量学中的引文耦合与共被引的概念。共词分析法的基本原理是，统计一组词（关键词或者主题词）两两在同一篇文献中出现的次数，以此作为基础进行聚类分析，从而得出这些词语之前的亲疏远近的关系，进而分析出这些词语所代表的学科或者主题的结构变化情况[7]。共词分析法研究的是某一学科领域中当前的学术文献所集中关注的主题，很适合于分析某一学科的研究热点和知识结构[8]。
2013年9月1第33卷第9期1现？代？情？报1Journal of Modern Information1Sep，20131Vol.33No92013年9月1第33卷第9期1国际大数据研究论文的计量分析1Sep，20131Vol.33No92文献计量分析
2.1年代分析
通过对文献发表时间的分析，可以勾勒出国际大数据研究领域的发展轨迹，揭示其发展的总体趋势。将在数据库中检索得到的论文按照年度进行归类，如表1所示。
从表1可以看出，国际大数据研究可以分为两个时期：第一时期从1974-2007年，是起步探索时期。这一时期的研究成果比较零散，数量较少，除2006年有3篇外，其余年份均在2篇或以下。第二时期是从2008年至今，是快速增长期。2008年的文献量突然增长到11篇，究其原因，是因为2008年9月《Nature》杂志开设了“大数据”专刊，发表了10篇有关大数据研究的文章，从大数据的技术、发展方向以及对人类的挑战等多个角度介绍了大数据的相关问题。这10篇文献也被后来的文章多次引用，揭开了国际上研究大数据热潮的序幕。2012年文献量达到历史性的84篇，是第一时期文献量最多的2006年的近30倍。这与2011年麦肯锡研究中心的大数据研究报告以及2012年初奥巴马的大数据倡议息息相关。由于数据库的收录具有滞后性以及检索时间是4月份，2013年的数据不全，却已经有29篇文献，可以预测未来几年国际大数据研究还会继续保持快速增长的趋势。
大数据论文篇2
循证医学（EvidenceBasedMedicine，EBM）是一门重视证据制作的学科，其基础是数理统计学，它要求随机对照实验(RandomizedControlledTrail，RCT)的样本及环境一致。在现有条件下，由于样本的差异性和稀少性，很难满足EBM的RCT要求。例如，要达到敏感度90%、特异度85%、显著水平0.05、允许误差0.05，需要采集的正负样本分别达552例及783例。为了弥补样本不足而导致的证据可信问题，Meta分析试***综合不同研究人员的研究结果。但是，样本的时空及环境差异仍然使Meta分析结果备受质疑。
只有在同一时间同一地区大量采集样本，才有可能满足RCT随机对照实验的样本要求。RCT样本问题可望在大数据时代得到解决，随着泛在随时采集样本的大数据时代的到来，以及不间断采集医疗数据的可佩戴设备出现，样本数据的稀缺等问题将随巨量数据消失。而随着新型大数据分析挖掘工具的出现，特别是深度学习技术的不断发展和应用，证据及其结论的准确可信性必将大大提高。目前，深度学习识别5749个人脸的精度已达99.15%，其准确程度已经超过人眼和大脑。因此，深度学习必将为循证医学带来一场新的***。本文将分析循证医学在数据证据获取、分析、制作等方面所面临的挑战，介绍医疗大数据时代的数据采集、整合、分析和处理方法，介绍面向医疗大数据的深度学习技术自动提取疾病特征的原理和方法，以及医疗大数据及基于云计算的深度学习对循证医学所带来的各种变革。面向大数据的深度学习将特征提取与决策分析过程合二为一，大大降低了医生在临床及医学研究中应用循证医学的劳动强度。结合医疗大数据、云计算和深度学习的循证医学，将克服过去数据证据稀少、偏颇、失信、不公、过时等不足，将具有更加广阔的推广应用前景和发展动力。
1循证医学与数据证据
循证医学，简之就是“遵循证据的医学”，又被称为实证医学。循证医学重视医生的临床经验，即传统意义上的经验医学，同时又强调诊断、***等决策应在临床证据最为符合病症的基础上作出[1]。在循证医学的创立、发展与传播方面，英国的科克伦(ArchiebaldL.Cochrane)、美国的费恩斯坦（AlvanR.Feinstein）以及萨克特（DavidL.Sackett）做出了重大贡献，成为循证医学的奠基人。科克伦强调大规模随机临床试验的重要性。他认为只有在大规模临床试验中使用随机分组策略，才能避免因样本分组而产生的选择性偏差，保持对照组和试验组样本的背景因素平衡，从而才能做出最终正确的比较与评价。他建议及时将切实医学证据传播给使用者，接受专家评估并对可信度进行适当分级，以使医学证据能被及时整理、归纳与更新。费恩斯坦奠定了现代流行病学的数理统计与逻辑基础。从1970年到1981年，他在美国《临床药理学与***学》杂志（ClinicalPharmacologyandTherapeutics）上，以“临床生物统计学”（ClinicalBiostatistics）为题连续发表了57篇论文，将数理统计学和逻辑学导入到临床流行病学，科学系统地建立了临床流行病学的有关理论体系。萨科特则为循证医学的传播与发展做出了巨大贡献。他发起并主编了与循证医学有关的两本著名杂志：《美国内科医师学会杂志俱乐部》和《循证医学》。
1997年，他还主编出版了《循证医学》一书，该书被译为多种文字并在世界上广为传播。正是在《美国内科医师学会杂志俱乐部》上，加拿大盖亚特(rdonH.Guyatt)于1991年首次提出了循证医学一词[3]。从循证医学与数理统计和逻辑学的渊源，便可以看出循证医学注重证据的内涵。它是一门非常强调证据制作的学科，同时又非常重视医学证据的传播和评估，这正是它区别于以往医学的特点。通过评估产生可信证据，通过传播发挥证据价值。医生在诊断与***过程中，不仅基于经验直观判断，而且结合证据科学决策，更加客观地进行诊断与***。短短十多年的时间，在世界各国医学研究与临床实践中，循证医学得到了广泛深入的应用。科克伦最初创建的世界循证医学协作网已经包括约50个专业协作小组，所收集的医疗证据几乎覆盖所有临床医学领域。1996年，我国华西医科大学建立了中国循证医学中心，并于1999年正式加入世界循证医学协作网；2001年，中国循证医学中心创办了《循证医学》杂志，发表在各类杂志的循证研究论文达45842篇。但是，循证医学也有其面临的问题，如对证据进行科学评价等问题。临床证据目前还没有完整、科学的定义，证据评价标准及推荐级别尚未完全统一，不同国家不同疾病的证据质量分级不尽相同。而且，随着人类对疾病认识的加深以及诊疗手段的革新，评价标准还会随这些因素的变化而变化。
循证医学的基础是数理统计学，要求RCT的实验样本及环境一致，以便排除个体差异及环境干扰，但这在现有条件下近乎不可能实现。号称大规模随机对照实验的样本偏少，对照组和试验组难有条件一致的个体，环境随时间空间变化造成实验对照控制困难。目前，大规模的医学样本采集困难，几百个样本已经算是比较大的样本了；而根据统计理论如要达到90%的敏感度，至少需要约1300个的数据样本。为了克服RCT样本不足的问题，Meta分析方法得到了广泛应用：通过综合已有研究多个样本集的结果，可以推得大规模样本集的综合结果。Meta分析取得了很多有价值的研究成果，但是，Meta分析的基础也是数理统计学，其运用的前提是样本及实验环境一致，正是在这一点上它备受质疑。首先，不同样本集的权重控制难于完全公正，因为其实验环境难于恰当评价和把控，实验结果难免有过度包装和偏颇之嫌。Meta分析存在的另一个问题是：它所依赖的数据往往不是最新的即时案例，制作的证据可能因环境与气候的变化而失去应用价值。总之，循证医学所面临的问题包括：证据的稀缺性、偏倚性、可靠性、及时性、公正性，以及环境的一致性等方面的问题。由于证据的一致性和及时性存在问题，基于历史数据进行Meta分析备受质疑。2014年，《英国医学杂志》在名为《循证医学濒临破产》的文章中指出[5]：循证医学的证据属于间接证据，基础建立在已经发表的研究文献上，利益冲突容易影响证据的公正性，证据环境与临床决策环境存在距离；循证医学助长了过度诊断、过度***，并可能存在沦落为利益集团代言人的危险。
2大数据对循证医学的影响
大数据（Bigdata）又称巨量或海量数据，是指数据规模巨大以至在合理时间内，无法通过当前主流软件工具，获取、处理、分析以便决策的结构复杂的数据[6]。大数据如下具有4V特点：Volume（巨量）、Velocity（瞬速）、Variety（多样）、Value（价值）。巨量是指已经不能再用GB（即1024MB）和TB（即1024GB）为单位，来衡量大数据的存储容量或规模，而要以PB（即1024TB）、EB（即1024PB）乃至ZB（即1024EB）为单位来计量数据容量。在巨量的医疗大数据中，各种条件的样本都会存在，因此，证据的稀缺已经不是问题。瞬速是指兼具方向的快速变化，即数据随时间和空间快速变化。大数据中的样本通常是全空间的、多维度的、全时间的及瞬时变化的。由于大数据地域环境广，数据样本量巨大、正反样本齐全，证据的“制作”已不再必要，而是随时随地客观地存在。瞬速性通过可佩戴健康监测设备体现，这为及时获取病患信息提供了极大便利。多样是指数据的种类繁多、结构复杂、因果并存、甚至同一数据表现出不同形式。数据的多样性对数据的理解和分析是一个巨大挑战，但同时也为样本分析结果的验证带来便利。因此，在医疗大数据环境下，不仅随时可以采集样本进行分析处理，还能对分析得到的结果马上进行验证，从而能够保证医学证据的可靠与可信。
价值是指相比小规模、历史数据而言，大数据具有更高的研究和使用价值。由于任意时刻任意地点都有大量样本，样本的稀缺性和及时性已经不是问题，这为医学研究扫清了采样障碍；同时由于样本丰富冗余多样，也为研究结果的验证提供了便利；大数据除具有巨量历史数据外，还有不同地域环境的巨量即时数据，这使循证决策更具应用价值和时效性。大数据将首先改变医学数据的采集方式。大数据的形成往往依靠自动采集技术，随着可佩戴监测设备如iWatch等的出现，医学数据的采集及积累速度将出现爆炸性的增长。以往的数据同大数据相比，如同沧海之一粟。且以往的数据往往靠手工采集完成，普遍存在稀缺、偏倚、可靠、及时、公正等问题，这样采集的证据必然会影响医学研究的结论。基于手工证据进行决策，其结论未必准确及时公正可靠。医疗大数据不间断地在不同地点同时采集，不仅包含历史数据以及即时数据，甚至还可能包含未来需求信息，例如，ogle就是通过人们对感冒药品的搜索来预测流感的。大数据的出现将改变医学数据的管理方式。在网络数字化高度发达的今天，尽管已经出现了电子病历，但纸张病历在数据管理中仍然重要。然而，纸张病历有其固有缺陷，如容易破损或丢失、整理归档的周期过长、借阅的时间成本极高、研究采样的工作量巨大等等。伴随大数据出现的数据融合技术能将不同医院的电子病历整合在一起，并同可佩戴健康监测设备的数据及时集成，大大减少了电子病历的整理、借阅和数据采集时间，这不仅对病人的疾病诊断和预警监控更加有利，同时也对医生的临床及医学研究更有帮助。通过语音和可视眼镜等现代化的数据浏览设备，医生在查房间隙就能获知下一病人既往病情，从而能大大减少医生的劳动强度，使医生有更多时间***病人，有更多的时间进行医学研究。
大数据的出现将改变医学数据的分析方式。以往在收集样本数据以后，通常使用SAS或SPSS等软件，对采集的数据进行统计分析，发现相关病因或建立决策模型。这些软件受计算能力及内存容量的限制，只能处理样本量不大的数据，并且处理的数据维数有限，例如，SPSS不能超过40维，而医疗大数据的维数成千上万。通过手工或统计软件的计算方法，将无法满足医疗大数据的分析需要。
当维数超过30个致病因素时，可能要考虑230种因素组合，普通统计软件已无法计算和处理，必须依靠内存及速度“无限”的云计算。必须研究与开发基于大数据和云计算的分析与挖掘技术如深度学习技术，使其能够自动完成高维病因数据的分析与主要病因的提取。总之，医疗大数据的采集、整合、分析、处理、研究完全靠人工完成已极其困难，没有利用云计算的统计分析软件也难于完成医疗大数据的分析和处理。在大数据时代，必须借助深度学习等技术完成医疗大数据的分析和挖掘。虽然医疗大数据能够弥补数据样本的不足和不公，但只有借助更为先进的分析工具和软件，才能为循证医学带来进一步的变革和发展。
3大数据对循证医学的变革
证据制作是循证医学的核心，证据能为医生的诊治提供参照，因此，循证医学得到了快速发展。但是，矛盾、偏颇、过时的证据也使循证医学备受质疑。首先是证据及其结论存在大量的矛盾，使人们对循证医治的结果产生怀疑；其次是证据偏颇使其成为利益代言人的工具；其三是证据时过境迁使医治达不到预期效果。而医疗大数据的出现恰好能够弥补以往证据采集与制作的不足。首先，医疗大数据使证据的稀缺问题得到解决；其次，随大数据广泛汇集的医生及病人评价，可有效避免证据成为利益代言人的工具；其三，可穿戴等自动采集设备可保证证据的时效性。这将有助于循证医学同中医的结合。中医的***过程通常比西医长，其证据采集及疗效评估存在很大问题，而随着可穿戴健康监测设备等技术的发展，长期持续采集***证据及疗效将不再困难，从而有助于循证医学在中医等领域发展壮大。此外，随大数据兴起的先进数据分析与挖掘技术，将对循证医学起到巨大的推进作用。临床决策分析评价是确定循证***方案的关键步骤，现有的决策分析评价模型包括决策树、Markov过程等一系列模型，这些模型在面临高维大数据时力不从心，难于继续提供较高的决策精度，使医生对医治方案是否有效失去信心。随着大数据深度学习技术的出现，病因的分析和提取已完全自动化，且大大降低了建立决策分析模型的工作量，提高了***方案的决策精度。对于任何疾病诊治方案，考虑的疾病致病因素越多，即证据或特征维数越多，得到的参考信息就越多，诊治的准确性就会相应提高。但是，医生在遇到大量高维的证据数据时，往往面临从中选择少数有效证据的难题。例如，假定要考虑30个致病因素或检验指标，建立决策模型就要考虑230种因素组合，从中筛选一个最优因素组合作为模型输入的工作量是巨大的。因此，要得到由若干最优证据构建的最佳决策分析模型，医生们所投入的研究精力可想而知。
筛选最优因素组合是医生们最费精力的工作，目前这项工作可以被深度学习自动完成了。深度学习最早由Hinton等人在2006年提出，它是一种无监督的特征学习和提取技术，它通过低层特征的组合构建更加抽象的高层特征。2012年，Lecun等人利用卷积神经网络真正实现了高效的多层深度学习。传统的神经网络学习只有单向认知过程，通常只包含一个隐含层，因层数较少而被称为浅层学习。深度学习则包含认知和生成两个过程，并且每个过程都包含多个隐含层，其模型的总体框架如***1的虚框部分所示。如***1所示，深度学习的“输入层”可以理解为各种致病因素以及各种检查化验结果，例如遗传环境因素以及肝功全套指标等；自底向上的箭头表示认知过程，自顶向下的箭头表示生成过程，即深度学习由两个互逆的过程构成；认知权重向量WnT和生成权重向量Wn表示深度模型的知识。原始“输入层”经“隐含层H0”认知得到输出，输出又经“隐含层h0”生成得到新“输入层”，如果原始“输入层”和生成的“输入层”完全一致，则说明认知产生的输出是完全正确的。根据信息论的有关理论，学习总是会产生损失，新旧输入不可能完全一致。因此，只要两者近乎一致就可以了。认知和生成权重同隐含层的每个输出相关联，wake-sleep深度学习算法用于双向调节权重：(1)利用下层输入和认知权重向量WiT产生输出表示，然后使用梯度下降法调节生成权重向量Wi；（2）利用输出表示和生成权重向量Wi产生输入表示，然后使用梯度下降法调节认知权重向量WiT。通过逐层学习最终得到顶层的认知和生成权重向量WnT、Wn。在深度学习完成后，如果要建立决策分析模型，只需将顶层输出即自动提取的特征，作为分类模型如支持向量机的输入，并用类别标记如肝硬化分级训练支持向量机，就可以得到用于决策分析的精确分类模型，分类模型如***1的虚框外部所示。2014年，香港中文大学汤晓鸥教授领导计算机视觉研究组(mmlab.ie.cuhk.edu.hk)，开发了一个名为DeepID的深度学习模型，在LFW数据库上识别5749个人脸的准确率已达99.15%，其精细和准确程度已经超过了人眼和大脑。医疗大数据及深度学习必将为循证医学带来一场新的***。不仅数据缺失、偏颇以及过时等问题会被迎刃而解，而且证据收集、制作以及诊治方案的决策都将会自动化，这将扩大循证医学在所有领域包括中医等领域的应用范围，大大降低医生在证据制作、***方案决策与疗效评估等方面所付出的精力，推动循证医学向更深更广更加现代化的方向发展。
4总结
医疗大数据带来的变革将是全方位的，它不仅为医学研究和证据制作带来便利，同时也将促进中医等替代和补充医学的发展。作为大数据采集的一项关键技术——便携式/可佩戴健康数据自动采集技术，将大大提高医疗数据采集以及证据制作的效率，解决中医等疗效数据需要长期采集观测的难题，弥补循证医学存在的证据偏颇、不公、过时等缺陷，促进循证医学更加客观、公正、可靠地在临床***中应用。在循证医学的证据评估以及利用方面，伴随大数据出现的云计算能够提高证据分析与处理的效率，大大节省医生临床应用和医学研究所需要花费的时间；面向大数据的深度学习能够从浩瀚的高维医疗数据中，自动完成疾病致病因素及环境因素等的筛选与提取工作，并能建立精度远远超过人脑的决策分析模型，从而大大提升医生建立和应用循证***方案的信心，有助于循证医学被各科医生更加广泛地接受和应用。尽管深度模型包含更多的隐含层，其学习时间要远远长于浅层学习，但两种模型的决策时间相差不大，因此，这并不妨害深度模型的有效应用。特别值得一提的是，深度学习将证据提取与决策分析两个过程合二为一，大大降低了医生在临床及医学研究中应用循证医学的劳动强度。基于大数据、云计算和深度学习的循证医学，由于能够降低劳动强度、提升工作效率、提高决策精度，因而将具有更加广阔的应用前景和发展方向。
5展望
大数据和云计算时代的到来，将推进循证医学的研究和发展，并为其提供深度学习等先进手段。医疗大数据将不再稀少、偏颇、过时以及不公，将避免循证医学成为利益代言人的工具；便携式/可佩戴健康设备作为大数据自动采集数据的工具，将有助于解决循证医学证据采集的难题，促进循证医学在包括中医在内的更广领域推广应用；自动整理大数据的数据融合技术、以及自动提取证据并建立决策模型的深度学习技术，将大大提高医学证据提取及医治方案决策分析的效率，推动循证医学被临床医生及研究者更加广泛地接受和应用。总之，大数据/云计算和深度学习将为循证医学带来一个崭新的春天。
作者：马光志 张晓祥 周彬 左秀然 聂庆华 单位：华中科技大学医学***像信息研究中心 华中科技大学附属同济医院 华中科技大学附属协和医院 武汉市中心医院 武汉侨亚百老汇信息技术有限公司
大数据论文篇3
一、大数据时代的大学教育
1、对大学教育的影响
大学教育是第二次产业***时为了适应工业所需的大量的技术人员的产物。当今，学生知识的来源不再局限于课堂，不再拘泥于某一个专业，他们可通过互联网、微信、微博等信息平台来获取文本的、***像的甚至是视频的各种知识。学生的知识面将比以往的任何朝代更加宽范，对校园以外世界的了解将更加深入。比如现在的***教育平台edX和Mooc，上面有世界著名学府的各种课程，包括我国清华和北大的优秀课程。学生只要通过互联网，就可以接受到名校的教育，在学习过程中，通过鼠标点击的记录，可以研究学习者的活动轨迹，发现不同的人对不同的知识点有何不同的反应，用了多少时间，哪些知识点需要重复或强调，哪种陈述方式或学习工具最有效。通过分析这种秩序和规律，***学习平台也在逐渐弥补没有老师面对面交流指导的不足。同时现在的教育平台还能通过虚拟现实进行实践辅导。以麻省理工开放的电子电路课程为例，注册这一门课的人比整个麻省理工所有在世校友总数还多。由此可见，许多学生已经把注意力放到了课堂之外。
2、如何积极应对
对于学校：在学生从课堂走到互联网时，未来的学校存在的意义在哪儿，是学校更应该关注与关心的。学生可以在宿舍甚至在家就完成了各种课程的学习和同学之间的交流，那么对学生的考核和效果的评定也不再局限于某一个固定场所来进行。学校更应该重视***书馆电子资源的建设和开放，更应该重视实践实验室的建设，提供更多方便学生来进行实习和实践训练的场所和项目。对于教师：在大数据时代，教师的教与授又该体现在哪儿呢？我们更应该深刻思考，改变传统的课堂教学的思维模式。我们可以将教的过程放在网络平台上，放在课前来进行，课堂中以学生做作业、教师指导和答疑为目的。这只是改变了传统的教学模式，对于教师自身我们又该如何作呢？在面对丰繁复杂庞大的数据时，我们应积极跟进发展自我，重新进行定位。一类应加强自己的实践操作能力，专业从事实践辅导和教学；另外一类专业从事研究；另外一类抓住大数据所给予的机遇，发展自己，跟上时代步伐，成为专业化极强的教师，对专业进行解惑和学习方向的指导。对于学生：知识和信息量极大丰富，我们如何从中甄别出有利于自己的知识，对自己进行特色化的教育，需要自己的判断力和教师、家长的指导。我们要关于利用已有的学习平台和学习媒介，不断提高自己的自学能力，发展自己的创造性和创新性的能力。
二、小结
大数据和大数据时代，数据量的指数级的增长，给我们带来了无限的机遇，同时信息的准确和真实性也是需要我们不断地发掘方法和技术进行改进的。高等学校的教师和学生如何应对这个新的时代，跟上时代的步伐是我们每一个都应该深思的问题。
作者：胡艳慧 王文晶 单位：山西大学商务学院