首都师范大学数据库

首都师范大学数据库（推荐8篇）

首都师范大学数据库 篇1

1.数据库、数据管理系统和数据库系统三者之间有何区别？有何关系？

数据库简称（DB)是长期存储在计算机内的，有组织的可共享的数据集合。数据库管理系统简称（DBMs)：数据库管理系统是位于用户与操作系统之间的一层数据管理软件，用于科学地组织和存储数据、高效地获取和维护数据。数据库系统（简称 DBS)：数据库系统是指在计算机系统中引入数据库后的系统构成，一般由数据库、数据库管理系统（及其开发工具）、应用系统、数据库管理员构成。

数据库和数据库管理系统是数据库系统的组成部分 2.什么是数据模式？

模式（schema）是数据库中全体数据的逻辑结构和特征的描述，而且它仅仅涉及具体的描述而不涉及具体的值，模式的每一个具体的值便是一个实例，而模式是相对比较稳定的实例是相对变动的。

3.试述数据库设计过程的各个阶段上的设计描述。

各阶段的设计要点如下： 1)需求分析：准确了解与分析用户需求（包括数据与处理）。2)概念结构设计：通过对用户需求进行综合、归纳与抽象，形成一个独立于具体DBMS的概念模型。3)逻辑结构设计：将概念结构转换为某个DBMS所支持的数据模型，并对其进行优化。4)数据库物理设计：为逻辑数据模型选取一个最适合应用环境的物理结构（包括存储结构和存取方法）。5)数据库实施：设计人员运用DBMS提供的数据语言、工具及宿主语言，根据逻辑设计和物理设计的结果建立数据库，编制与调试应用程序，组织数据入库，并进行试运行。6)数据库运行和维护：在数据库系统运行过程中对其进行评价、调整与修改。

 数据字典的内容和作用是什么？

 数据字典是系统中各类数据描述的集合。数据字典的内容通常包括： ? 数据项 ? 数据结构 ? 数据流 ? 数据存储 ? 处理过程五个部分其中数据项是数据的最小组成单位，若干个数据项可以组成一个数据结构。数据字典通过对数据项和数据结构的定义来描述数据流、数据存储的逻辑内容。数据字典的作用：数据字典是关于数据库中数据的描述，在需求分析阶段建立，是下一步进行概念设计的基础，并在数据库设计过程中不断修改、充实、完善。（详细参考《概论》书上6.2.3。注意，数据库设计阶段形成的数据字典与第十一章DBMS中的数据字典不同，后者是DBMS关于数据库中数据的描述，当然两者是有联系的）。

三、问答题 ．试述数据模型的概念、数据模型的作用和数据模型的三个要素。答：

数据模型是数据库中用来对现实世界进行抽象的工具，是数据库中用于提供信息表示和操作手段的形式构架。一般地讲，数据模型是严格定义的概念的集合。这些概念精确描述了系统的静态特性、动态特性和完整性约束条件。因此数据模型通常由数据结构、数据操作和完整性约束三部分组成。

(l）数据结构：是所研究的对象类型的集合，是对系统静态特性的描述。

(2）数据操作：是指对数据库中各种对象（型）的实例（值）允许进行的操作的集合，包括操作及有关的操作规则，是对系统动态特性的描述。

(3）数据的约束条件：是一组完整性规则的集合。完整性规则是给定的数据模型中数据及其联系所具有的制约和依存规则，用以限定符合数据模型的数据库状态以及状态的变化，以保证数据的正确、有效、相容。

解析数据模型是数据库系统中最重要的概念之一。

数据模型是数据库系统的基础。任何一个 DBMS 都以某一个数据模型为基础，或者说支持某一个数据模型。数据库系统中，模型有不同的层次。根据模型应用的不同目的，可以将模型分成两类或者说两个层次：一类是概念模型，是按用户的观点来对数据和信息建模，用于信息世界的建模，强调语义表达能力，概念简单清晰；另一类是数据模型，是按计算机系统的观点对数据建模，用于机器世界，人们可以用它定义、操纵数据库中的数据，一般需要有严格的形式化定义和一组严格定义了语法和语义的语言，并有一些规定和限制，便于在机器上实现。

2.什么是数据库的概念结构？试述其特点和设计策略。

三、问答题

1.定义并理解下列术语，说明它们之间的联系与区别:（1）域，笛卡尔积，关系，元组，属性

（2）主码，候选码，外部码

（3）关系模式，关系，关系数据库

2.试述关系模型的完整性规则。在参照完整性中，为什么外部码属性的值也可以为空？什么情况下才可以为空？答：实体完整性规则是指若属性A是基本关系R的主属性，则属性A不能取空值。

若属性(或属性组)F是基本关系R的外码，它与基本关系S的主码Ks相对应(基本关系R和S不一定是不同的关系)，则对于R中每个元组在F上的值必须为：或者取空值(F的每个属性值均为空值)；或者等于S中某个元组的主码值。即属性F本身不是主属性，则可以取空值，否则不能取空值。

３.等值连接与自然连接的区别是什么？连接运算符是“=”的连接运算称为等值连接。它是从关系R与S的广义笛卡尔积中选取A，B属性值相等的那些元组

自然连接是一种特殊的等值连接，它要求两个关系中进行比较的分量必须是相同的属性组，并且在结果中把重复的属性列去掉

.4 理解并给出下列术语的定义：函数依赖、部分函数依赖、完全函数依赖、传递依赖、候选码、主码、外码、全码(All-key)、1NF、2NF、3NF、BCNF、多值依赖、4NF。

查看答案

函数依赖：设R(U)是一个关系模式，U是R的属性集合，X和Y是U的子集。对于R(U)的任意一个可能的关系r，如果r中不存在两个元组，它们在X上的属性值相同，而在Y上的属性值不同，则称“X函数确定Y”或“Y函数依赖于X”，记作X→Y。*解析： 1）函数依赖是最基本的一种数据依赖，也是最重要的一种数据依赖。2）函数依赖是属性之间的一种联系，体现在属性值是否相等。由上面的定义可以知道，如果X→Y，则r中任意两个元组，若它们在X上的属性值相同，那么在Y上的属性值一定也相同。3）我们要从属性间实际存在的语义来确定他们之间的函数依赖，即函数依赖反映了（描述了）现实世界的一种语义。4）函数依赖不是指关系模式R的在某个时刻的关系（值）满足的约束条件，而是指R任何时刻的一切关系均要满足的约束条件。答：完全函数依赖、部分函数依赖：在R（U）中，如果X→Y，并且对于X的任何一个真子集X，都有X′→Y，则称Y对X完全函数依赖，记作： 若X→Y，但Y不完全函数依赖于X，则称Y对X部分函数依赖，记作： 传递依赖：在R（U）中，如果X →Y，（Y ? X），Y →X，Y→Z，则称Z对X传递函数依赖。候选码、主码： 设K为R中的属性或属性组合，若K → U则K为R的候选码（Candidate key）。若候选码多于一个，则选定其中的一个为主码（Primary key）。*解析： 1）这里我们用函数依赖来严格定义码的概念。在第二章中我们只是描述性地定义码（可以复习2.2.1）：若关系中的某一属性组的值能唯一地标识一个元组，则称该属性组为候选码（Candidate key）。2）因为码有了严格定义，同学在学习了《概论》5.3数据依赖的公理系统后就可以从R的函数依赖集F出发，用算法来求候选码。答：外码：关系模式R中属性或属性组X并非R的码，但X是另一个关系模式的码，则称X是R的外部码（Foreign key）也称外码。全码：整个属性组是码，称为全码（All-key）。答： 1NF：如果一个关系模式R的所有属性都是不可分的基本数据项，则R∈1NF。*解析：第一范式是对关系模式的最起码的要求。不满足第一范式的数据库模式不能称为关系数据库。答： 2NF：若关系模式R∈1NF，并且每一个非主属性都完全函数依赖于R的码，则R∈2NF。3NF：关系模式R 中若不存在这样的码X，属性组Y及非主属性Z（Z ? Y）使得X→Y，（Y → X）Y→Z，成立，则称R ? 3NF。BCNF：关系模式R ?1NF。若X→Y且Y ? X时X必含有码，则R ? BCNF。*解析：同学们要真正理解这些范式的内涵。各种范式之间的联系：5NF? 4NF? BCNF? 3NF? 2NF? lNF（《概论》上图5.2）。能够理解为什么有这种包含关系。答：多值依赖：设R（U）是属性集U上的一个关系模式。X，Y，Z是U的子集，并且Z=U-X-Y。关系模式R（U）中多值依赖X→→Y成立，当且仅当对R（U）的任一关系r，给定的一对（x，z）值，有一组Y的值，这组值仅仅决定于x值而与z值无关。4NF：关系模式R ? lNF，如果对于R的每个非平凡多值依赖X→→Y（Y ? X），X都含有码，则称R ? 4NF。*解析：对于多值依赖的定义有多种。《概论》上定义 5.9后面又给出了一种等价的定义。习题中的第4题是另一种等价的定义。同学们可以对比不同的定义来理解多值依赖。选择自己容易理解的一种定义来掌握多值依赖概念。

简述数据库物理设计的内容和步骤。．试述数据库物理设计的内容和步骤。

答：数据库在物理设备上的存储结构与存取方法称为数据库的物理结构，它依赖于给定的 DBMS。为一个给定的逻辑数据模型选取一个最适合应用要求的物理结构，就是数据库的物理设计的主要内容。数据库的物理设计步骤通常分为两步：(l）确定数据库的物理结构，在关系数据库中主要指存取方法和存储结构；(2）对物理结构进行评价，评价的重点是时间效率和空间效率。



三、问答题

1.试述SQL语言的特点。答：(l）综合统一。sQL 语言集数据定义语言 DDL、数据操纵语言 DML、数据控制语言 DCL 的功能于一体。(2）高度非过程化。用 sQL 语言进行数据操作，只要提出“做什么”，而无需指明“怎么做”，因此无需了解存取路径，存取路径的选择以及 sQL 语句的操作过程由系统自动完成。

(3）面向集合的操作方式。sQL 语言采用集合操作方式，不仅操作对象、查找结果可以是元组的集合，而且一次插入、删除、更新操作的对象也可以是元组的集合。

(4）以同一种语法结构提供两种使用方式。sQL 语言既是自含式语言，又是嵌入式语言。作为自含式语言，它能够独立地用于联机交互的使用方式；作为嵌入式语言，它能够嵌入到高级语言程序中，供程序员设计程序时使用。(5）语言简捷，易学易用。

2.什么是基本表？什么是视图？两者的区别和联系是什么？．什么是基本表？什么是视图？ 答

两者的区别和联系是什么？基本表是本身独立存在的表，在 sQL 中一个关系就对应一个表。视图是从一个或几个基本表导出的表。视图本身不独立存储在数据库中，是一个虚表。即数据库中只存放视图的定义而不存放视图对应的数据，这些数据仍存放在导出视图的基本表中。视图在概念上与基本表等同，用户可以如同基本表那样使用视图，可以在视图上再定义视图。

3.试述视图的优点。7 ．试述视图的优点。答

(l）视图能够简化用户的操作；(2）视图使用户能以多种角度看待同一数据；(3）视图对重构数据库提供了一定程度的逻辑独立性；(4）视图能够对机密数据提供安全保护。

4.所有的视图是否都可以更新？为什么？答: 不是。视图是不实际存储数据的虚表，因此对视图的更新，最终要转换为对基本表的更新。因为有些视图的更新不能惟一有意义地转换成对相应基本表的更新，所以，并不是所有的视图都是可更新的.5.哪类视图是可以更新的，哪类视图是不可更新的？答：基本表的行列子集视图一般是可更新的。若视图的属性来自集函数、表达式，则该视图肯定是不可以更新的。

7.数据库的完整性概念与数据库的安全性概念有什么区别和联系？

8.什么是数据库的完整性约束条件？可分为哪几类？

9.RDBMS在实现参照完整性时需要考虑哪些方面？

10.DBMS的完整性控制机制应具有哪些功能？ 7查看答案

数据的完整性和安全性是两个不同的概念，但是有一定的联系。前者是为了防止数据库中存在不符合语义的数据，防止错误信息的输入和输出，即所谓垃圾进垃圾出（Garbage In Garbage Out）所造成的无效操作和错误结果。后者是保护数据库防止恶意的破坏和非法的存取。也就是说，安全性措施的防范对象是非法用户和非法操作，完整性措施的防范对象是不合语义的数据。

8查看答案

完整性约束条件是指数据库中的数据应该满足的语义约束条件。一般可以分为六类：静态列级约束、静态元组约束、静态关系约束、动态列级约束、动态元组约束、动态关系约束。静态列级约束是对一个列的取值域的说明，包括以下几方面： 1.对数据类型的约束，包括数据的类型、长度、单位、精度等 2.对数据格式的约束 3.对取值范围或取值集合的约束。4.对空值的约束 5.其他约束静态元组约束就是规定组成一个元组的各个列之间的约束关系，静态元组约束只局限在单个元组上。静态关系约束是在一个关系的各个元组之间或者若干关系之间常常存在各种联系或约束。常见的静态关系约束有： 1.实体完整性约束。2.参照完整性约束。• 3.函数依赖约束。动态列级约束是修改列定义或列值时应满足的约束条件，包括下面两方面： 1.修改列定义时的约束 2.修改列值时的约束动态元组约束是指修改某个元组的值时需要参照其旧值，并且新旧值之间需要满足某种约束条件。动态关系约束是加在关系变化前后状态上的限制条件，例如事务一致性、原子性等约束条件。

9查看答案

RDBMS在实现参照完整性时需要考虑以下几个方面： 1）外码是否可以接受空值 2）删除被参照关系的元组时的考虑，这时系统可能采取的作法有三种：（a）级联删除（CASCADES）；（b）受限删除（RESTRICTED）；（c）置空值删除（NULLIFIES）3）在参照关系中插入元组时的问题，这时系统可能采取的作法有：（a）受限插入（b）递归插入 4）修改关系中主码的问题一般是不能用UPDATE语句修改关系主码的。如果需要修改主码值，只能先删除该元组，然后再把具有新主码值的元组插入到关系中。如果允许修改主码，首先要保证主码的唯一性和非空，否则拒绝修改。然后要区分是参照关系还是被参照关系。

10查看答案

DBMS的完整性控制机制应具有三个方面的功能： 1.定义功能，即提供定义完整性约束条件的机制。2.检查功能，即检查用户发出的操作请求是否违背了完整性约束条件。3.违约反应：如果发现用户的操作请求使数据违背了完整性约束条件，则采取一定的动作来保证数据的完整性。

4.试述事务的概念及事务的四个特性。

6.数据库转储的意义是什么？ 试比较各种数据转储方法。

4查看答案

事务是用户定义的一个数据库操作序列，这些操作要么全做要么全不做,是一个不可分割的工作单位。事务具有四个特性：原子性（Atomicity）、一致性（Consistency）、隔离性（Isolation）和持续性（Durability）。这个四个特性也简称为ACID特性。原子性：事务是数据库的逻辑工作单位，事务中包括的诸操作要么都做，要么都不做。一致性：事务执行的结果必须是使数据库从一个一致性状态变到另一个一致性状态。隔离性：一个事务的执行不能被其他事务干扰。即一个事务内部的操作及使用的数据对其他并发事务是隔离的，并发执行的各个事务之间不能互相干扰。持续性：持续性也称永久性（Permanence），指一个事务一旦提交，它对数据库中数据的改变就应该是永久性的。接下来的其他操作或故障不应该对其执行结果有任何影响。

5查看答案

首都师范大学数据库 篇2

关键词：大数据时代,大学生,数据素养

在物联网、云计算等技术的推动下, 信息以海量数据的形式爆炸生成, 数据成为构建地球村的重要信息资源, 对人们的生产生活方式产生了重大影响。大学生群体的知识结构较为成熟, 不仅是深受新媒体传播影响最为深刻的核心受众, 也是大数据时代接触和利用数据或信息较为频繁的公民群体。但由于大学生群体社会阅历单薄, 且缺少对数据系统的认知和利用, 因此他们容易迷失在数据的汪洋中, 易被媒体左右。大学生现有的能力水平已经落后于大数据时代的发展要求, 只有不断提升其数据素养, 才能使他们在数据的熔炉中练就一双火眼金睛, 利用数据和信息促进自身发展, 进而参与到公共领域的构建中去。

一、大数据时代的数据素养

如今, 我们时刻生活在数据的包围中, 不论是各种商业活动或是娱乐活动, 都在源源不断地产生大量数据。“如果数据被赋予背景意义, 它就成了信息;如果数据能够提炼出规律, 它就成了知识;如果数据能够借助于各种分析工具为我们提供正确的决策, 那它就是资源。”[1]可见, 数据将发展成为影响未来国际竞争的重要因素之一。数据素养是指人们有效地发现、评估和使用信息与数据的能力, 它主要包括三个部分:一是认识到数据价值以及可能引起危害的数据意识;二是利用分析工具对数据进行挖掘和处理的数据技能;三是在数据利用的过程中产生的各种社会关系的道德意识、道德规范和道德行为总和的数据伦理。[2]这三者相辅相成, 数据意识是数据素养的前提和基础, 数据技能是数据素养的核心组成部分, 数据伦理是数据素养不断发展的保障。我国对数据素养的研究近几年才开始, 它最初作为数据管理服务领域的一个核心概念, 主要是由科研人员和图书馆员着手研究, 但随着大数据时代的到来, 数据素养成为信息素养的重要组成部分, 对公民的基本素养也提出了更高更严格的要求, 它强调公众应该具备基础的数据素养, 能够发现数据中蕴藏的价值, 这不仅关系到公民整体生活质量的改善, 而且关系到我国综合国力的提升。

大学生群体作为新媒体传播的核心受众之一, 是知识社会的重要建构者和推动者, 有着较大的进步性和影响力。但是他们在面对海量数据时的无动于衷或手足无措, 也充分说明了其数据素养的缺失。这意味必须采取有效措施来强化大学生的数据素养水平, 提高他们对数据和信息的主人翁意识, 使他们成为大数据时代强有力的知识群体和数据人才。

二、数据素养深度访谈结果分析

本文以烟台大学的大学生作为调研对象, 采取随机抽样的方法从烟台大学文、理、工三个学科中选出10个主要专业, 并从这10个专业中各随机抽取5名同学对其数据素养进行深度访谈, 所选样本中男女比例各占一半, 基本上代表了烟台大学大学生的状况, 通过深入访谈分析存在的问题, 据此提出建议, 旨在为我国其他高校大学生的数据素养教育提供依据和参考。

深度访谈主要围绕着大学生对数据和数据素养的认识和理解等方面进行, 以此了解烟台大学大学生数据素养的基本现状。访谈的内容主要包括数据意识、数据技能和数据伦理三个方面, 问题主要涉及大数据、数据安全、数据素养的概念和组成以及大数据时代数据素养的重要性等。通过访谈可以发现, 在数据意识方面, 大学生群体虽然大体上都能够认识到大数据时代数据素养的重要性, 但是他们对数据的认识较为表象, 摄取不到其背后所蕴含的关键信息, 并且主动挖掘数据的意识不足, 忽视数据同现实生活的联系, 同时对数据的保存意识普遍较低, 但是女生要稍强于男生。在数据技能方面, 大部分人缺少对数据分析理论的学习, 对数据素养的内涵及组成了解较少, 并且只能使用一些较为初级的数据分析软件。相对于文科生而言, 理科和工科学生的数据呈现能力稍强一些, 这与他们平时的实践科研活动密不可分, 但从性别来看, 女生在对无效数据的整理方面要稍强于男生。在数据伦理方面, 大多数学生都能意识到网络环境的不安全性, 但他们也容易忽视他人的数据隐私, 此外, 大部分大学生都表示知道知识产权和个人隐私权的存在, 但是对其法律法规的具体内容则知之甚少。从访谈结果来看, 大学生群体整体上虽然具备了基本的数据素养, 但是他们的数据意识淡薄, 不但认识不到数据中所蕴含的有用信息, 而且将数据独立于现实问题之外, 不擅于整理无效数据, 缺乏备份意识, 同时他们的数据技能不足, 对数据的挖掘力度不够, 处理和利用数据分析工具的能力低下, 数据呈现方式单一, 数据伦理有待提升, 对数据隐私的重视有待强化。

综合深度访谈的结果来看, 我国大学生的数据素养现状并不乐观, 远未达到大数据时代的发展要求。这不仅需要大学生自身发挥主观能动性, 积极探求如何提升自身数据素养的有效途径, 而且需要学校和社会多方配合, 有效整合资源, 共同为大学生数据素养的提升作出努力, 这样才能使大学生准确地处理各种数据, 并利用这些数据解决现实问题, 不被大数据时代所淘汰。

三、大数据时代大学生数据素养的培养途径

(一) 个人层面

大学生应对如此复杂的信息环境, 关键在于要发挥主观能动性, 注重对自身数据素养的培养。第一, 大学生要提高对数据的重视, 学会辨别有效数据和错误数据, 同时在日常生活中增强对数据的敏锐性, 学会从海量数据中提炼出有用信息, 并将之与现实问题紧密联系。第二, 大学生要主动学习关于数据分析的相关理论, 掌握基本的数据分析工具和分析方法, 学会用多种方式灵活呈现数据, 并注重后期的数据整理和交流。第三, 大学生要提高对数据隐私的重视, 同时也要注重对数据的保存, 主动学习有关知识产权和个人隐私权的相关法律法规, 为自身数据安全保驾护航。

(二) 学校层面

学校作为大学生新媒介素养教育的领头人, 在培养大学生数据素养的过程中也发挥着至关重要的作用。第一, 在课程设置上, 学校应该注重数据通识教育, 对不同专业的学生开展不同层次的数据素养课程, 以选修或必修的形式, 确保不同专业的学生都能学习基础的数据分析理论和分析工具。第二, 在师资力量上, 学校应该组建一支专业性较强的教师队伍作为数据素养教育的有力支撑, 为大学生提供精准的数据指导和解答, 提高他们对大数据的认识和重视。第三, 在教学方式上, 学校可借鉴采用3PBL (program、problem、product) 教学方法, 它强调在课程学习中“以体验代替课堂, 以问题代替书本, 以产品代替考试, 通过教学活动培养学生的问题意识、参与意识与表达意识”, [3]教师可以结合物联网、云计算等大数据应用, 带领大学生共同完成一个项目的数据分析, 将理论与实践相结合, 使学生在相互讨论中增强合作意识和参与能力。第四, 学校应该组织多种关于数据素养方面的活动, 如数据新闻大赛等, 既能提高大学生的积极性, 也能增强大学生数据新闻的制作能力。

(三) 社会层面

社会层面的数据素养教育是指社会上的各种媒介组织或机构发挥自身优势, 为大学生数据素养的提升贡献力量。第一, 各种社会媒体可以为大学生提供实践平台, 使他们参与到数据新闻的内容制作中, 从而提升他们的数据分析能力。第二, 情报局的工作人员和科研人员也可以与学校合作, 开展一些数据素养讲座, 共同探讨大学生数据素养的培养策略。第三, 某些企业的数据管理平台可以组织大学生实习, 进行基础的数据搜集、整理和分析工作, 使他们在实践环境中提升自身的数据素养。

数据素养是大数据时代大学生不可或缺的基本素养之一, 其数据素养的提升需要个人、学校和社会的共同协作, 个人努力是前提, 学校培养是基础, 社会辅助是关键, 只有三者共同努力, 经纬纵横地编织成数据素养培养网络, 我国大学生的数据素养水平才会迅速提升, 这不仅对大学生的个人发展有着极大益处, 而且对于整个社会发展和国家进步都有着重大意义。

参考文献

[1]孙翔飞.新闻传播学 (热点80讲) [M].人民日报出版社, 2015:113.

[2]曲德强, 李陈财.当代大学生数据素养的现状分析及培养方法研究[J].思想政治教育研究, 2015 (4) :97.

首都师范大学数据库 篇3

关键词 高校毕业论文 数据库设计 结构设计 SQLserver

一、数据库的建立

之前有提到过本毕业论文管理系统主要具有3个实体，学生，教师和论文；学生主要功能是对论文的选择，教师则是申报课题及给学生成果评价。关系模式基本如下：学生信息（学号，姓名，密码，邮箱）学号是主键；教师信息（工号，姓名，密码，邮箱）工号是主键；课题信息（教师工号，教师姓名，论文编号，论文名称，论文类别，论文备注）论文编号是主键；课题选择（学号，学生姓名，工号，教师姓名，论文编号，论文名称）学号是主键；课题确认（学号，学生姓名，工号，教师姓名，论文编号，论文名称）学号是主键；学生论文评价（学号，学生姓名，工号，教师姓名，论文编号，论文名称，论文分数，教师评价）学号是主键；主要数据库管理系统可以用到MySQL或者SQL Server 2012，就完全可以满足数据的存储，而且是完全免费的。

二、逻辑结构设计

为了便于简化操作，学生和教师信息表只用了四个数据项；根据具体情况，自信修改。教师发布的课题信息存在课题信息表中。数据表详细设计我们需要写出字段名和字段类型，为了方便理解和修改，我们可以给出注释。

接下来让我们理解一些什么是逻辑结构设计，在这个阶段的任务是将概念结构设计阶段所得到的概念模型转换为具体DBMS所能支持的数据模型（即逻辑结构），并对其进行优化。一般我们是可以分为三步来进行的。首先从E-R图向关系模式转化，也就是将E-R图中的实体、实体的属性和实体之间的联系转化为关系模式。在转换过程中可能会遇到这样的问题，需要大家多多的注意，比如转化后命名问题和非原子属性问题。其次是数据模型的优化，我们知道数据库逻辑设计的结果肯定不具有唯一的性质。那么我们怎么来提供它的性能呢？我们就应该适当修改数据模型的结构。最后是关系视图设计，关系视图的设计又称为外模式的设计，也叫用户模式设计，在这里用户是可直接访问的。我们要知道不同用户可有不同的关系视图，并且是可以出现在同一个系统中的。关系视图是来自逻辑模式的，但是在结构和形式上有时候可能是和逻辑模式不一样的。

三、物理结构设计

数据库的物理设计是指对数据库的逻辑结构在指定的数据库管理系统上建立起适合应用环境的物理结构。像在一般的例如SQLserver关系型数据库中，确定数据库是否有物理结构，只需要来确定数据库的存储位置和存储结构是否存在，其中包括确定关系、索引、日志、备份等数据的存储分配和存储结构，并确定系统配置等。通过上面的逻辑结构分析所得到表的关系，下面使用Microsoft SQL Server 2008 语言写一个简单的设计，我们就可以得到数据库和相应的表了。

USE [Thesis] GO

SET ANSI_NULLS ON GO

SET QUOTED_IDENTIFIER ON GO

CREATE TABLE [dbo].[教師信息表]（

[TeaName] [nvarchar]（50） NULL，

[TeaId] [int] NULL，

[TeaPasswd] [nvarchar]（50） NULL，

[TeaEmail] [nvarchar]（50） NULL

） ON [PRIMARY] GO

SET ANSI_NULLS ON GO

SET QUOTED_IDENTIFIER ON GO

参考文献：

[1]任峰.基于B/S模式的网络课程制作与管理系统的开发[J].福建电脑， 2007（10）.

[2]董燕萍.学位论文提交发布系统的构建[J].中原工学院学报， 2007（01）.

[3]郭毓，郭海，房学军，黄岩慧.基于Internet的毕业设计双向选题系统设计[J]. 实验室研究与探索， 2005（S1）.

[4]杜美萍.基于.NET的高校教务管理系统的设计与实现[J].办公自动化，2009（12）.

首都师范大学数据库 篇4

在1868年，作为对教育内容的补充，加州大学获准进行对加州地区地理和生物学的标本采集和研究。今天，130年之后，坐落于伯克利的加州大学主校园仍然盛况空前，它的博物馆里收藏从人类学到动物学的许多标本。

“收藏品的数量正在飞速增长，管理这些收藏品的工具和技术的改进非常重要。”博物馆信息工程（Museum Informatics Project,MIP）总监Tom duncan说，“我们正致力于通过电子技术使大学的收藏品能够更加广泛地被人们利用于教育、科研和公共服务。”博物馆的信息工程的核心采用的是 Sybase的数据库、工具和技术。

加州大学的博物馆收藏上网

使用普通的Web浏览器就可以访问MIP的站点(www.mip.berkeley.edu)，通过点击它的超链接列表可以浏览博物馆、部门结构和其它资源信息，内容形式丰富多彩，包括图象、文本和数字，搜索引擎可以根据主体词迅速查找出相关资源。

Duncan先生评论说：“由于我们把收藏品放到网上，世界各地的人都可以清晰生动地查阅以前在校园以外根本看不到的资料，讲师可以给学生看更多的原始资料，研究人员可以在办公桌前查阅所需的资料。Duncan和他的MIP同事已经在数据入口、Web访问和其它的功能方面开发了许多应用。他们把这些应用提供给校长和收藏管理人员，并提供数据建模和其它顾问服务。MIP的客户可以通过数据库访问数万种数据图象，

Sybase的技术使应用快速开发和高效发展

MIP的工作量的增加和用户多种多样的需求需要灵活的并且先进的技术方法去实现。”我们处在一个复杂的领域，涉及到各种知识和各种社会制度。“Duncan说，”这意味着我们需要实现它的技术，而不能出现其它问题。先进地技术能够帮助我们以更加理性和高效的方式做事。“Sybase提供给MIP强大的技术优势，包括Sybase基于组件的应用提交技术、Sybase数据库产品中的新特点和Sybase对企业计算环境的承诺。

”Sybase的组件技术对我们来说非常有用，因为我们要为大学中很多不同的项目服务。“Duncan解释说，”首先，我们建立一系列组件，然后把他们装配到不同项目的不同应用中，这样能够非常高效地建立新的应用。第二，我们可以集中管理Web访问，这样做也是高效率的。收藏爱好者可以按自己地需要建立数据库，最终用户可以使用任何平台进行访问，但是我们只需要在访问层进行维护和升级工作。“

Duncan还指出Sybase组件技术另外两方面的优点。从短期看，组件技术使MIP能够非常快速地向客户提交新功能。从长期看，组件技术是公共大学网络数据库结构的基础。他说：”很多项目只需要建立单独的应用，但是我们想要建立一个公共的服务，无论使用者是谁或者技术如何发展，这个服务能够被长期地使用。为了实现这一点，底层系统必须是容易管理和易于改进的。“

Sybase 的开放技术是领先的

MIP必须使系统功能在图象和文本处理方面具有高效性，要使用户如同坐在图书馆里月阅览一样。在这方面Sybase Adaptive Server Enterprise 11.5完全可以满足要求。”我们使用Adaptive Server可以获得一些新的功能，如全文检索引擎和特殊查询服务，这些功能真的提高了我们地系统功能。“Duncan介绍说。

加州大学和博物馆以及其它地方都看到了MIP在博物馆信息系统支持模式上的进步。”我们的工作是把我们博物馆中的属于世界的文化和科学遗产提供给全世界，这是一个伟大地项目。我们的工作得到了Sybase公司地大力支持。“Duncan说。

首都师范大学数据库 篇5

SAGE于1965年创立于美国，分支遍布北美、欧洲、南亚及泛太平洋地区。SAGE期刊内容涵盖人文社科、理工科技和医药等领域，涉及的主要学科有：新闻与传播学、法学和刑法学、社会学、国际关系和政治学、经济管理、观光旅游学、音乐教育、语言文学、教育学、心理学、材料科学、城市规划学、工程学、环境科学、生命科学等等。SAGE英文全文期刊数据库现有515种期刊，100%为同行评审期刊，具有很高的品质和学术价值，其中51%的SAGE期刊被ISI收录，30%的SAGE 期刊在各自的领域排名前十位。

为了让广大读者更好地利用这个数字资源，图书馆特别邀请SAGE中国区培训师傅强先生为我们开设一场数据库专题讲座，内容包括学术研究发表途径、SAGE重点学科期刊介绍、SAGE平台检索与使用方法等，讲座期间还将进行读者互动、问答环节等，并有小礼品赠送。欢迎广大师生踊跃前来参加。

讲座时间/地点：2011年10月26日14：30-15：30华中科技大学图书馆老馆二楼报告厅

讲座主题：方便无限，精彩尽现---SAGE学术出版及科研成果辅助主讲人：傅强

讲座大纲：

●

● 国内科研与国际出版趋势分析（附图表与统计、社会科学方面情况）学术期刊质量评判的三个常用标准

o 期刊引用报告（SSCI）、IF

o 同行评审期刊

o 行业学会与出版（在经济管理/国际关系领域重要学会）

● SAGE数据库资源

o 学科分类（国际分类）

o 相关学科的重点期刊内容指导Top Journals

o 具体介绍高IF期刊的接受稿件要求

●

●

北京大学管理科学数据中心 篇6

这次会议标志着国家自然科学基金“北京大学管理科学数据中心”的正式启动。该项目是国家自然科学基金在管理科学领域迄今为止支持力度最大的项目。在未来五年中，国家自然科学基金委员会将在数据采集、数据管理与服务、智库建设三个方面给予北京大学管理科学数据中心资助和支持。

在启动会上，基金委宣布成立了由国内外著名管理科学专家组成的“北京大学管理科学数据中心”指导专家组，负责“数据中心”项目的科学规划和学术指导。专家组组长由美国佐治亚理工大学及中央财经大学教授李海铮担任。

在启动会上，“北京大学管理科学数据中心”项目总负责人李强教授作了“北京大学管理科学数据中心”项目的总报告，国家发展研究院张晓波教授、赵耀辉教授和经济学院刘伟教授分别对本项目资助的“中国家庭追踪调查（CFPS）”“中国健康与养老跟踪调查（CHARLS）”以及“智库建设”等子课题的建设方案进行了介绍。几位项目负责人还回答了指导专家组提出的问题。

根据几位项目负责人的介绍，在今后的五年中，管理科学数据中心将以国家自然科学基金委重大资金支持为契机，以数据采集与数据分析等方面的队伍和技术为基础，以北京大学目前两个具有国际水平和通用价值的大型追踪调查项目“中国家庭追踪调查”和“中国健康与养老跟踪调查”为主，建立数据采集、数据管理和服务平台，为管理科学等领域研究提供高质量的数据支持。在此基础上，建设开放性的研究平台，汇集国内外学术力量，利用中心收集的数据，就国家经济管理重大需求领域开展有数据支撑的、跨领域交叉学科研究，发挥国家智库的作用，为中国政府决策科学化提供支撑。

报告结束后，专家组对报告的内容进行了讨论。专家们高度评价国家自然科学基金委建立管理科学数据中心的意义，并就数据中心未来数据收集项目的整合、平台共享的效率、智库共享服务等问题提出反馈意见。

项目汇报和讨论结束后，王恩哥发表了讲话，他感谢自然科学基金委对“北京大学管理科学数据中心”的支持，对指导专家组的意见和建议表示肯定。他表示，北京大学将会以自然科学基金委的支持为契机，进一步加强对管理科学数据中心的领导和支持，促进管理科学数据中心更好、更快地发展，在今后的几年中交出一份令基金委和国内外管理科学学者满意的成绩单。

杨卫作了总结讲话。他指出，在中国经济和社会发展面临新的机遇和挑战的形势下，加强数据收集和数据服务成为发展管理科学以及提高政策决策科学化的重要任务。国家自然科学基金委适应科学发展和政策研究的需求，探索支持数据收集、数据服务平台的新方式。“国家自然科学基金北京大学管理科学数据中心”的建立是基金委第一次对数据平台项目进行资助，希望以这次资助为契机，进一步拓展国家自然科学基金资助科学研究的方式。杨卫希望北京大学管理科学数据中心以科学严谨的态度，收集高质量的数据，服务管理科学和相关领域的科学研究，服务国家的政策研究。

大数据时代大学教育的机遇与挑战 篇7

早在2011 年5 月,麦肯锡公司[1]发布的《大数据: 下一个创新、竞争和生产力的前沿》报告中指出: 大数据的规模以及其存储容量正在迅速增长,大数据已经渗透到各个行业中,成为重要的生产因素,成为可以与物质资料和人力资本并论的生产要素。正如马克思[2]所说“各种经济时代的区别,不在于生产什么,而在于怎样生产,用什么劳动资料生产。劳动资料不仅是人类劳动力发展的测量器,而且是劳动借以进行的社会关系的指示器。”大数据的演进与生产力的提高将产生直接的关系,大数据将成为重要的生产资料。同时,用于大数据分析的关键技术包括云计算、数据仓库、Big Table等日趋成熟,使大数据的整合、处理、管理、分析成为可能。2013年,被称为“大数据时代元年”,标志着大数据时代的正式开始。进入2013 年,“大数据”走入了我们的生活,对各行各业产生了深刻的影响,每个行业的经营模式、生产模式、管理模式等正产生翻天覆地的变化,也为各行业带来了改革的契机。维克托·迈尔·舍恩伯格[3]在《大数据时代》中指出: “大数据开启了一次重大的时代转型。大数据正在改变我们的生活以及理解世界的方式,成为新发明和新服务的源泉,而更多的改变正蓄势待发……”大数据时代不仅仅包含着各种类型数量众多的数据,更重要的是代表了快速取得并有效利用有价值资料的能力。在大数据时代到来之前,由于定量研究是建立在假设和有限的抽样数据的基础上,使得定量研究复杂而缺乏准确性,大数据时代将彻底改变这一状况,它可以让纷繁复杂、单调枯燥的数据变成可以说话的信息,它的实质不仅在于大量的占有数据,更多的是提供了预测性和前瞻性的信息和知识。淘宝、京东等众多购物网站可以根据顾客的浏览历史数据判断出顾客的喜好和最近的需求; 沃尔玛等跨国连锁超市可以实现从啤酒、尿布、日用品等全系产品销售数据的分析,以此实现准确的物资仓储储备; 美国洛杉矶警局利用各类案件的大数据的分析来合理安排巡逻车和布置警力。这些无疑不是大数据预测性的体现。大数据的预测性帮助我们在特定的背景下提炼出数据潜在的规律,从而指导实践,提高效率。

2 大数据时代给大学教育带来的深刻影响

麦肯锡公司发布的《大数据: 下一个创新、竞争和生产力的前沿》报告中指出: 大数据的有效应用可以创造出巨大的潜在价值。运用在教育领域也势必通过多种方式创造价值,第一,在大学教育中,让原本互相分离的部门之间更加容易的获得相关的数据就可以使教学方案、教学计划、教育回馈等实现并行,大大提高教学效率; 第二,随着大学创造并储存更多数字形式的教育数据,应能够通过对比实验,提供更具有学习效果的教学方法; 第三,利用大数据对学生进行具体的细分,可以精确的制定更具有个性化的教学方案; 第四,在大学教育中利用大数据可以提供算法研究进而形成成熟的分析方法,可以改善教育决策的科学性,实现教育决策的风险最小化。大数据在大学校园里是无处不在的,网络、计算机及智能手机的普及让大学生的社交活动、在线学习,日常的信息管理等都成为大数据的主要来源。这些大数据在技术支持下将为教学本身提供数据驱动的检测,同时也给大学教育带来了深刻影响。首先,大数据时代的大学教育,学生的学习、老师的教学都发生在数字的环境中。大学教育所依赖的教学工具,电子教科书、数字化讲坛、甚至是大学本身都将是大数据获取的平台。在这个数字平台中,大学将收集以往无法收集或即使收集起来也没有反馈的数据,如大学生在线课堂的反馈、网络课程的中途退出、电子教科书上的标注、图书馆的借书记录等等都将被记录并进行处理。在这一过程中,大数据有能力将数据的生成、处理分析、利用分隔开来分类利用。其次,大数据时代大学教育可以实现符合每名学生的个体需求,而不是为一组类似的学生定制的个性化学习。传统的大学教育系统是基于平均水平的设计的教学方案,那么一定会同时伤害位于正态分布曲线两侧的学生。大数据时代学生将在各自的多媒体学习平台进行学习、互动,老师给的教学回馈也将是具有针对性,真正实现维克托. 迈克. 舍恩伯格所说的: 实际上是“一个尺寸适合一个人”的方式。最后,通过对大数据的分析,通过概率预测优化学习内容,学习方式和学习时间等具体内容。在大学教育这个数字平台,将更全面的发挥“预测”这个大数据最重要的功能,帮助我们更加准确对学习内容、学习的方式和时间进行精准的安排设置,提高整体效率。

3大数据时代大学教育面临的发展机遇

( 1) 单向度反馈向多向度反馈的变革。在传统大学教育中,反馈随处可见,课后作业、课堂参与、出勤率、论文及考试成绩等分数,都是学校及老师给学生及家长的反馈,但这种反馈几乎都是单向度的,即由教师和学校指向学生和家长。这些分数代表着学生在学校的学业表现,同时社会及用人单位也依赖这些分数作为衡量学生的学习行为的指标。现行的教育反馈只是对学生的学习表现进行打分,然而校方却很少评价自身,更不会全面和系统的对自身的教学进行评估,也不会对采用的教科书、测验和课堂讲解等教学内容和手段是否对学习有益进行衡量。大数据时代的到来正在彻底改变这一现状,大学将能够收集到过去无法获取的学习数据,并用于学习过程的处理。大数据还能使用新的方式组合数据,并充分发挥其作用以提高学习理解和学业表现,同时将分享给教师和学校管理者以改善教育系统,完成校方与学生的双向反馈。在传统大学教育中,学生在阅读教科书过程中,有的段落和篇章进行了反复阅读,那么是因为其讲述的内容丰富有趣,还是晦涩难懂,都无从可知。学生是否在特定的段落进行了标注及笔记,为什么这么做? 学生是否在中途就已经放弃了阅读? 如果是,放弃的位置是在哪里?这些问题传统方法无法给出准确答案。直到大数据时代的到来,才找到可行方案。当教科书出现在电脑上,上述的信息不仅可以采集还有可以进行处理,可是实现学生、教师、出版商之间的反馈。在传统大学教育中,也有专门的审核委员会对大量教材进行审核,但委员会的评估工作往往存在局限性,他们可以对内容的精确程度进行检验,并与公认的教学标准进行比较,但是缺少了解教材是否对学生有效的实证方法。在大数据时代,教科书出版商通过分析电子书平台上的综合数据分析,清楚地分析教科书中的有效内容和无效内容,以此作为完善写作的基础。在过去,教科书信息的反馈是单向的,即从出版商到学校,在大数据时代,信息的反馈是多项进行的,实现与校方、学生、教师、出版商的多项反馈。

( 2) 大学教育组织结构的变革。大数据时代大学的教学环节必然与大数据技术紧密相连,传统教育机构的组织管理机构势必作出调整与适应。

第一,大学教育将出现新的职业分工,大学数据的分析、处理和在教学中应用必须有专门的技术人员来完成。由一位对冲基金分析师创建的可汗学院,大数据成为了该学院运作的核心。截止2013 年年底,这个非盈利组织共有50 名员工,其中有10 人专门从事数据分析并取得了骄人的成绩。因此,专业的数据管理人员,数据分析人员,数据开发应用技术人员必将成大学教育中的新成员。

第二,大学组织管理机构的重组。数据之所以在大学教育中可以发挥巨大的作用,其中最重要的原因就是大数据能够迅速反映知识在各个环节传递中所遇到的问题和发生的状况,具有数据价值的时效性。校方的政策执行过程中的数据、老师教授过程的数据、学生学习过程中的数据都会第一时间被收集、分析、挖掘。

分析的结果也会实时呈现出来,如果还是通过传统的直线型或智能型的组织结构模式,很难在有效的时间内将数据分析结果快递下去。为了适应大数据时代信心的快速响应及传播的要求,扁平化的大学组织管理机构将成为大数据时代发展的趋势。

( 3) 提供个性化的教学方案。至今为止,大学的教学方式虽然进行了很大的改变,学生可以进行诸如小组讨论等多种方式的学习,但从本质上看并没有什么不同。学生们接受相同内容的课程学习,使用同样的教材,做着同样的习题。大数据时代的来临将给大学教育注入新的活力,大数据时代的预测性和前瞻性,为大学教育的个性化教学提供了可行前提。在大学校园,能够借助大数据对学生的学习情况进行记录及分析。学生普遍使用的QQ、微信、微博等社交网站、图书馆、网络课程、在线教育平台等可以记录并分析学生的每个学生的思想动态、家庭背景、考试成绩、学习过程等等。这些数据不仅可以帮助学校完成学生各自的思想教育,还能有针对性的进行专业知识的学习,从而形成系统的,有针对性的教学方案。大数据能够实现学习知识的扁平化,不需要把学科的知识按照专业、科目、年级进行严格划分,而是构建学科知识库,通过大数据来分析和预测学生的学习态度、学习习惯、对知识的掌握程度、进而向每名学生提供合适的课程内容,恰当的课程进度,适宜的辅导教师及准确的课程形式。正如维克托·迈尔·舍恩伯格在《大数据同行》一书中举的案例[4]: 在可汗学院,教师通过控制面板取得学生的学习进度,学生也在系统中发挥积极作用。学生每一次与系统的交互都被记录下来,这些是数据用于分析,并向教师、学生及家长提供学习情况的反馈。

( 4) 科学的教育决策方法。教育决策方法一定会紧跟大数据时代发展,利用大数据的科学方法分析决策活动,改变以往的依靠经验进行判断,采用大数据的新技术和方法进行决定,保证决策的精准性和可靠性。第一,大数据时代使决策信息的获取与处理更加科学。现代决策理论创始人伯特. 西蒙认为在决策的过程中至关重要的因素就是信息,信息是合理决策的生命线。大数据的信息平台为信息的收集提供了基础,大数据的数据处理技术让信息变得更加有效。决策者可以根据收集和处理过的信息,及时掌握问题的本质,做出科学的决策,同时在其后的反馈中发现决策方案的偏差,做出调整,保证教育决策的有效性和科学性。第二,定量分析与定性分析相结合的科学决策方法。以往的教育决策往往是按照决策人的经历和主观判断做出的,而忽视问题的复杂性、环境的多样性进行分析,特别是在大数据时代,教育决策呈现出很多新特点和新问题,传统的定性分析已经不能满足实际需求,定量分析则可以弥补定性分析在微观上的弱点,对备选方案进行定性和定量分析相结合的基础上,可以提升备选方案的可比性,做出科学的判断。

4 大数据时代大学教育的面临的挑战

( 1) 大数据技术层面的挑战。大数据技术层面的挑战既包括计算机等硬件条件的制约,同时也包括大数据人才缺乏的挑战。2012 年10 月,美国教育部发布的《通过教育数据挖掘和学习分析促进教与学》的报告中指出[5]大数据在教育应用的技术挑战主要有3 个方面: 第一,大数据的应用基础是首先拥有大量的数据样本,那就会涉及到对海量数据的采集、分析、储存和整理的问题,包括计算机的数据处理能力、云计算的技术挑战; 第二,大数据在大学教育中应用,对采集到的数据进行分析,最终得出解决问题的方法是大数据的核心环节,那必然要面对数据分析技术的挑战; 第三,数据兼容性的挑战,大学教育中的数据是以多种形式存在的,不同数据在不同的存储系统中有着各自的编码和格式,造成不同系统间的数据可能无法共享问题。人才短缺的挑战也不容忽视,麦肯锡公司预测美国到2018 年将缺乏数据分析人才14 万~ 19 万人,这些人才不仅需要具备固有的数学能力和专业知识,还要经过长时间的培训。面对中国大学教育大数据的挖掘及使用较晚,能够驾驭大学教育大数据的数据工程师也必将成为稀缺人才,从而制约着大数据在大学教育中的应用。

( 2) 大学生个人隐私及信息的挑战。在大学教育中,我们一方面享受大数据时代带给我们的便捷和具有个性化的教学方案,同时我们也在大数据的采集中为此付出了代价。每名学生在数字化的校园已经变得完成透明,课程内容、学习的进展,甚至于晚饭吃的什么都被一一记录下来,每个人似乎没有隐私可谈。虽然有一些国家和法律对已经颁布了一些隐私保护法,来防止对个人信息的全面采集和长期储存。这些法律通常都会要求数据的使用者公布数据采集的对象及用途,并且必须征得本人同意后才可以使用。大数据的价值在于数据可以重复利用,但在搜集数据的初期通常不会考虑数据的下次利用。个人的教育信息是特别敏感的,它深入到每名学生的成长历程中,在教育中,可以允许通过个人数据改进学习资料、学习工具,学习方法等,但如果要使用这些数据来预测学生未来的能来,必须有更加严格的监督管理机制。那么如何保护好每名学生的个人信息,让数据的使用机构为自己的滥用行为承担责任。在这个道路中还有很长的路要走,还要清除很多的障碍,面临着巨大的挑战。

( 3) 理性对待概率预测。在大学教育中,大数据的预测将无处不在,它会以所有人为对象进行教育数据的全面收集,用于对未来的学习进行预测。比如斯坦福大学的吴恩达教授发现在一门机器学习的课程中,有超过一半的同学做错了“计算成本”的线性回归,但经统计分析在浏览过编号为830 的论坛文章的学生中,则有64% 不会再犯同样的错误。如有学生再犯这个错误时,就不需要学生的自行判断而是依靠大数据的预测为驱动手段,系统将自动推送这篇文章帮助学生解决问题,提高学习效果。在大数据时代诸如此类的概率预测比比皆是,那这些概率的预测是否会限制学生学习的自由选择,并最终影响到学习的效率的提高。就如上面的例子,如果没有大数据的预测和驱动,有些学生可能只需要将相关知识遗忘的部分进行简单的温习,而不是需要花费大量时间进行大篇幅的阅读。如何利用旧的个人数据进行预测,预测的结果也必须理性的看待。大学生作为每个个体,都要不断的成长、发展和变化,而收集到的数据却始终保持不变,这些数据只能显示在数据收集的那个时期学生一些学习状况,那么未来的预测是否也要加入这些数据的影响呢。也就要求数据分析人员积极谨慎地对待这些数据,客观的判断这些数据信息与现在的学生是否存在着关联的关系。正如维克托·迈尔·舍恩伯格在《大数据同行》一书中讲到: “全面教育数据带来的首个重大威胁,并不是信息发布的不当,而是束缚我们的过去,否定我们进步、成长和改变的能力。”

大数据时代大学教育面临以上3 个方面的挑战,还要面临一些其他挑战,其一,在大学教育中大数据意识及大数据观念淡薄,缺乏一些数据公开和数据共享方面的政策和制度,导致虽然产生了大量的数据但对数据的保存、利用不够。其二,如何确定数据的可信性,在大学校园数据无处不在,社会的数据、通过传感器收集的数据和网络空间的数据,但这些数据并不都是可信数据。大数据在大学教育中面临的挑战是多种多样的,有些涉及技术层面,有些涉及政策层面,还有些涉及大数据本身,面对这些挑战,教育者只有前瞻性地思考应对大数据时代大学教育的策略,才可以利用好大数据的潜在价值,推动大学教育的变革。

摘要：随着大数据元年的到来,大数据已经开始冲击着各行各业,并影响着大学教育的方方面面。大数据时代将改善学习的核心要素,给大学教育带来深刻的影响。在大数据时代大学教育由单向度反馈转向多向度反馈,为实现个性化的教学方案提供必要的前提。同时大数据在大学教育中的应用还将面临技术层面、学生个人隐私及预测结果的正确运用等多方面的挑战。

关键词：大数据时代,大学教育,机遇,挑战

参考文献

[1]麦肯锡公司.大数据:下一个创新、竞争和生产力的前沿[M].赛迪译丛,2012:3.

[2]马克思.马克思恩格斯全集[M].北京:人民出版社,2002:210.

[3]维克多·迈尔·舍恩伯格,肯尼思·库克耶.大数据时代[M].盛杨燕,周涛,译.杭州:浙江人民出版社,2013:270.

[4]维克多·迈尔·舍恩伯格,肯尼思·库克耶.与大数据同行[M].赵中建.张燕南,译.上海:华东师范大学出版社,2015:121.

大数据背景下高职大学英语教学 篇8

【关键词】大数据 高职大学英语 英语教学

【基金项目】2015年市级课题“吉尔认知负荷理论指导下高职英语口译教学模式探讨”。

【中图分类号】G71【文献标识码】A 【文章编号】2095-3089（2016）09-0097-01

一、引言

近年来，随着社会经济与科学技术的快速发展，移动互联网、云技术、物联网等已渗透到人们的工作、学习、生活方方面面，社会步入了大数据时代。大数据时代的到来，必将对传统的教学方式、学习方法以及教学评价带来巨大的影响。《大学英语课程教学要求》提出，新的教学模式应以现代信息技术，特别是网络技术为支撑，使英语的教与学可以在一定程度上不受时间和地点的限制，朝着个性化和自主学习的方向发展。

二、大数据背景下的英语学习

大数据兴起于2009年，也被称为海量数据、巨量数据，由大量结构复杂、类型多样的数据组合而成，通过云技术的处理，对数据进行加工、集成或共享。大数据的特点就是数据体量巨大、数据类别繁多、价值密度底、处理速度快。大数据不仅仅意味着更多的信息，它也改变了人们的生活习惯、行为方式，甚至认知方式和思维方式。

大数据时代不仅为英语学习者带来了海量、内容丰富多样、形式各种各样的学习资源，而且大量的英语学习工具、学习平台和在线学习课程应运而生，学习者可以选择自己感兴趣的课程，按照自己的学习基础来安排学习的进度，可以随时随地学习，向老师提出问题，和同学在线讨论，教师在线答疑，给出正确的答复。

三、高职大学英语教学现状

随着经济全球化的发展，我国与其他各国的经济、贸易往来日益频繁。众所周知，英语是最重要的国际通用语言，被广泛应用于商贸往来。梁桂春（2011）认为，对于高职高专学校而言，要想在经济全球化背景下培养出高质量的人才，必须要重视英语教学质量的提升。与之同时，人才市场对劳动人才的英语水平也提出了要求，只有具有较高英语水平的人才，要人才市场更具有竞争力，被更多的公司和企业所青睐。目前高职大学英语教学现状如下：

第一，从学生方面看，各大高职院校生源参差不齐，学生基础薄弱，学习英语兴趣不浓厚，学习动机不明确、且学习态度不端正。

第二，从教师方面看， 师资力量薄弱，职业英语师资匾乏、师资队伍结构不合理，“双型“教师数量不够，教师教学理念落后。

第三，从教学过程看，教学目标模糊不清、教学内容偏离目标、教学模式依旧传统、教学评价形式单一。

四、大数据背景下高职大学英语教学

随着大数据时代的到来，利用大数据，创造有利于英语学习的环境，转变教学理念，更新教学内容，提高教学质量，以培养适应新时代发展和需要的个性化的高职人才。

第一，利用大数据，为学生提供个性化教学。利用大数据技术，搜集和分析学生在英语学习过程中产生的数据，了解其学习特点、动机和需求，统计出学生普通薄弱的语言环节，学习中普通存在的问题，帮助学生找到适合自己的学习方式，更好地提升英语水平，对学生的个性化学习和自主化学习有极大地推动作用。

第二，利用大数据，为学生提供海量的、丰富的、地道的英语学习资源。通过网络平台以及云计算技术，教师可以搜索所需的教学资源，包括英语教学的多媒体资源、音频资料、数据资料等，而且形式多样，有文本、音频、视频、电子词典等。在教学中，教师加入生活中的真实地道的语言材料，让英语贴近学生生活，激发学生学生学习兴趣。

第三，利用大数据，丰富教学手段和教学模式。在教学过程中，教师可以将互联网大数据与传统教学方法优势相结合。教师通过设计自然真实的交际任务，激发学生的求知欲和好奇心，鼓励学生输出所学的知识，将互联网获取的知识、数据转换为实际技能，提高英语的应用能力。

五、结语

大数据时代已经来临，它给高职大学英语教学带来了机遇和便利，同时也带来了新的挑战。大学英语教师要积极应对大数据对英语教学的挑战，充分利用大数据，丰富英语教学资源，设计真实灵活的英语任务，激发学生学习兴趣，培养适应社会和时代发展需要的个性化高职人才。

参考文献：

[1]崔慧，《大数据时代大学英语教学的新尝试和新思考》， [J]，海外英语，2015.10：51-52.

作者简介：