-
高校数据素养教育对大学生数据素养的影响分析
普通类 -
- 支持
- 批判
- 提问
- 解释
- 补充
- 删除
-
-
摘要
摘要
在大数据时代，我们的生活和学习离不开数字。大学生数据素养的培养在大学生的学习过程中起着非常重要的作用，高校在信息素质教育向数据素质教育转变中起着重要作用。在阅读大量文献的基础上，本文从数据素养教育和大学生数据素养教育两个维度构建了数据素养模型，并根据该模型设计了大学生问卷。通过对问卷调查结果的分析和讨论，探讨当前数据素养教育存在的不足，并提出相应的对策。
Abstract
In the era of big data, our lives and studies are inseparable from numbers. Therefore, it is very important to cultivate the data literacy ability of college students. In the process of transforming information literacy education to data literacy education, colleges and universities play a very important role. Based on a large number of literature readings, from two dimensions, one is data literacy education, and the other is data literacy for college students. Teachers' professional quality, teaching methods, educational resources environment, and curriculum are the dimensions of data literacy education. Build a data literacy model. And based on this model, design a questionnaire for college students. Analyze the questionnaire. Find out the shortcomings of current data literacy education, and propose corresponding countermeasures accordingly.
-
关键词
关键词： 数据素养教育；教学方式；结构方程模型
KeyWords：Data literacy education; teaching method; structural equation model
-
引言
数据意识是信息数据时代中不可避免的话题，很多同学不善于利用数据进行科研写作。当代大学生数据素养的养成不仅需要时间的积累，还需要正确的引导。数据素养教育在高校学生数据素质培养过程中起着重要的引导作用。对数据素养教育方面的探讨和建议有很多，但对于其到底如何对大学生数据素养的提高起到怎样的作用，影响如何的研究却很少，本文主要是通过问卷调查的形式结合数据分析的方式研究了高校数据素养教育和大学生之间的交互影响，希望能为后续高校数据素养教育研究提供一些理论指导和实践参考。
-
1问题的提出
1.1 研究背景
数字科学技术逐渐成为我们生活中的必需品[1]。爆炸式增涨是大数据的“4V”特征之一。正是由于这一特征。我认为同学们具备数据素养能力是非常有必要的。只有这样，同学们才可以呼应新时代的技能要求，才得以应对新时代下的学习挑战，才得以开展真正的智慧学习。因此，随着互联网时代不断融入我们的学习生活。大学生数据素养的提高，将促进个人发展进而推动社会的发展。
1.2 研究现状
近年来，数据素质教育发展迅速，研究的学者越来越多同时也出了很多的学术成果[2，3]。但相比来说，国外的研究更加注重理论与实践相结合，因此其发展也更加的成熟先进。目前来说，大部分的学者都聚焦在数据素养教育研究上，对于其辐射影响的研究却很少如（如何提高高校学生的数据素养、对其产生的影响等等）。因此，本文通过对数据掌握的影响进行背景调查、结构方程模型的建立、多维分析数据掌握教育系统中潜在变量之间的关系等方式探讨了数据素养教育对大学生的影响。
1.3 研究内容
本文通过发布有关大学的数据素养培训对大学生的数据素养的影响的相关调查表，对当前大学的数据素养培训和学生的数据素养，内容数据进行了实质性研究。对问卷进行了分析，并从多个方面分析了大学的数据素养以及数据素养教育与大学生之间的复杂关系。
-
2相关概念及内涵阐述
2.1 数据素养的内涵
目前，尽管诸多学者的研究方向均指向数据素养领域，但迄今为止，数据素养还没有被给予一个公认的标准概念。因此学界对于数据素养的定义也层出不穷且各不相同，表2-1为数据素养领域代表性研究人物对数据素养的解读。
表1 代表人物观点
代表性人物
观点
黄如花
从数据意识、能力以及伦理三个方面来研究数据素养[5]。
杨晓琼
在数据意识为指导、特定的数据环境下，合法、合理且有效地去获取、分析、解释和使用数据的能力就是数据素养[6]。
张静波
数据素养就是具有收集、管理、分析、共享和创新数据的能力，同时还要符合数据伦理和相关法规 [7]。
Carlso
数据素养能力维度，包含以下几个方面，分别是数据收集、管理、监控、存储、分析、伦理等[8]
通过对上述代表性人物观点的分析和总结以及其他一些文献的阅读、理解，作者认为：数据素养主要包括六个维度:数据的意识、获取、处理、分析、利用以及数据伦理。因此，本文对数据素养教育的研究也从这6个方面进行展开。
2.2 数据素养教育维度
陶丹指出：课程系统、课程培养、非课程教学这三个部分是创业教育质量评估体系主要构成部分[9]。张明海的研讨声明，教育实体，指导平台的三个因素也能够建立数据素养教育体系[10]。孟祥保提议了4点海外对于数据涵养教导有关的经验：（1）惟有遵循实质需要提出的数据素养理论，才是科学的数据素养理论;（2）数据素养教育的培养实质理应条理显明且拥有可传播性；（3）数据素养教育确定要聘任专业技术突出的教育从业者；（4）数据素养教育举措万般化，当代科技的进展容许依托差异的数据平台实施数据素养教育[11]。本文以高等教育为基点，结合教育指标体系存在一定的通用性这一特点，分析总结前人的研究成果后，构建了数据素养教育的不同维度，把与数据素养相关的课程、教育资源环境、教学方式、教师专业素养作为对数据素养教育的度量，在这基础上对数据素养教育进行更深层次的研究探索。
2.3 测评模型构建
本次研究主要基于两大维度，其一是数据素养教育维度，其二是大学生数据素养维度。由于这两大维度相关的研究要素无法直接测量，因此传统的研究方法已不能满足研究需要。为了探究诸多潜在变量之间的关系，本研究采用结构方程模型进行相关研究、描述。
结构方程模型不仅可以观察潜变量之间的关系，还可以判定不可测变量之间的关系。结构方程模型由测量模型和结构模型两个部分组成。前者是用来研究潜变量与各指标之间标准化回归关系的。调查问卷可以测量出与研究因素相关的指标。如果路径系数或者标准化偏回归系数呈现显著性，就说明我们假设的指标是符合我们所研究的潜变量。由于结构方程模型是经验模型，所以大多时候还需要有理论支持的假设性评价模型。
图1 初始结构模型
（1）教师的专业素质首要体现在两个方面：数据学识程度和科研才干。沈玖玖觉得数据伦理与数据解析与利用技能呈正关联[12]。对数据征采能力和科研绩效的感化，而科研成效是数据分析和利用的最直接体现。科学研讨成果是科学研究绩效的主要外部化，因而，科学研究成果是科学研究绩效的重要外部化。教师的科研成效在一定水平上反应了教师的科研才能和专业素质，张明海指出，数据素养教导离不开专业教育队列[10]。张进良觉得：最先，教师的数据教养应具备优化科学抉择的才能；第二，教学绩效和科研成效的价值必须维持在一定的程度[13]。任亚楠提到教师素质直接感化教育过程的目标和质量[14]。教师的水平和技能在很大程度上影响着教育质量，遵循以上论断，本文假使教师的专业素质与学生的数据质量呈正关联。
（2）现在，数据素养教育在有线教育中广泛应用。线下教育与线下教育。邓李军提到指出，数据素养教育课程是以LIB指南为基础，分为课堂教学、小组讨论、小组讨论四种模式[15]。胡卉认为，实际操作能力是数据素养的重要组成部分[16]。例如，江苏师范大学大学生创业园是一个面向全体学生的常规培训项目，它组织并参加模拟商务竞赛、网上商务之路加竞赛等比赛。培养数据分析能力、数据意识和伦理道德。因此,笔者认为,数据意识的建立、伦理道德的培养和数据能力的培养离不开理论的掌握和实践的训练,合理的教学方法（包括课堂理论教学、实验实践教学、研讨式、讲座式等合理搭配）都会影响学生数据素养的培养,基于以上分析，笔者认为数据素养的教育方法会对大学生的数据素养产生积极的影响。
（3）教育资源和环境可分为广义和狭义，后者是指数据素养教育和培训的实际实验环境，主要包括图书馆数据的存储、检索和利用资源。以及培训相关单位数据能力的实验室软硬件设施。张辉蓉觉得教育环境资源感染着教师培养措施的抉择与行使[17]。教育环境资源影响着教师教学方式的选择与运用。郝媛玲指出一个良好的教育环境是数据素养教育的关键[18]。现阶段，图书馆仍是高校数据素养教育的主要载体。与高校图书馆相关的教学和实践资源设置，在高校数据素养教育中起着举足轻重的作用，因此，笔者认为，大学图书馆的数据资源环境以及相关的数据素养教学实训环境（如大数据共享中心、大型数据分析实验室）、数据库信息系统分析设计实验室软硬件设施都是影响学生数据素养教育的诸多因素；作者认为，数据素养教育资源环境和大学生的数据素养存在正相关关系。
（4）课程开设是高校开展数据素养教育的最基本形式。因此，高校中与数据素养相关的课程被设置的是否合理、是否涵盖全面。在大学生数据素养的培训中有着至关重要的作用。其中的核心问题是设置课程群，这是学者张明海提出的核心问题，决定着数素养教育取得的实际效果[10]。除此之外，杨晓琼开展了相关研究，研究结果发现，开设数据素养课程不仅对专业教学有促进作用，同时还提高了同学们的科学素养[7]。郝媛玲认为在高校层面，数据素养教育应当完善课程体系[18]。就如上饶师范学院而言，学校图书馆里有很多与数据素养相关的数据。一些学院还陆续开设了与数据获取、处理、分析相关的《统计学》、《信息存储与检索》、《教育技术学研究方法》、《数据挖掘》、《信息计量学》等课程。
基于上述理论，笔者提出了大学生数据素养被教师专业素养、教育资源环境、课程设置、教学方式影响着的观点，并做出大学生数据素养被四种维度正向影响的相关假设。本文根据四大维度，构建了数据素养教育与数据素养之间的假设关系如表2-1。
表2 基本路径假设
H1
教师专业素养对学生数据意识的提高有正向影响
H2
教师专业素养对学生数据获取能力的提高有正向影响
H3
教师专业素养对学生数据处理能力的提高有正向影响
H4
教师专业素养对学生数据分析能力的提高有正向影响
H5
教师专业素养对学生数据利用能力的提高有正向影响
H6
教师专业素养对学生数据伦理能力的提高有正向影响
H7
教学方式对学生数据意识的提高有正向影响
H8
教学方式对学生数据获取能力的提高有正向影响
H9
教学方式对学生数据处理能力的提高有正向影响
H10
教学方式对学生数据分析能力的提高有正向影响
H11
教学方式对学生数据利用能力的提高有正向影响
H12
教学方式对学生数据伦理能力的提高有正向影响
H13
教育资源环境对学生数据意识的提高有正向影响
H14
教育资源环境对学生数据获取能力的提高有正向影响
H15
教育资源环境对学生数据处理能力的提高有正向影响
H16
教育资源环境对学生数据分析能力的提高有正向影响
H17
教育资源环境对学生数据利用能力的提高有正向影响
H18
教育资源环境对学生数据伦理能力的提高有正向影响
H19
课程设置对学生数据意识的提高有正向影响
H20
课程设置对学生数据获取能力的提高有正向影响
H21
课程设置对学生数据处理能力的提高有正向影响
H22
课程设置对学生数据分析能力的提高有正向影响
H23
课程设置对学生数据利用能力的提高有正向影响
H24
课程设置对学生数据伦理能力的提高有正向影响
2.4指标设置
表3 指标测量表
维度
指标符号
测量指标
数
据
素
养
数据意识
b1
知道数据对于人们的重要性
b2
数据的查找与存储意识
b3
使用数据是为了干什么
数据获取
c1
怎样最先获得一手的数据资源
c2
如何获得获取第二手数据资源
c3
获取的资源必须有保障性
数据处理
d1
可以熟练使用数据处理工具
d2
能够将获取的数据进行转化
数据分析与利用
f1
熟悉数据处理方法
f2
能够阐释数据中反映的信息
f3
善于用数据来论证观点
数据伦理
g1
可以保证获取的数据真实可靠
g2
获取数据时不侵犯他人的利益
g3
自觉遵守与数据相关的法律法规
数
据
素
养
教
育
教师专业素养
m1
数据素养水平
m2
有哪些科研成果
教学方式
n1
在课堂使用的教学方法
n2
如何开展实践性教学
n3
如何开展研究讨论教学
n4
如何开展与理论讲座相关的教学
教育资源环境
p1
图书馆有哪些相关资源
p2
学校具备哪些实训环境
p3
学校建设的实验环境
课程设置
q1
与数据意识相关的课程
q2
与数据获取相关的课程
q3
与数据处理相的关课程
q4
与数据分析相关的课程
q5
与数据伦理相关的课程
-
3 实证研究
3.1 抽样调查和问卷处理
根据数据素养教育对大学生数据素养影响的假设，设计并根据实际情况进行调动，问卷分为三个部分：第一部分为被调查者的基本个人信息；包括性别、年级、专业等，1-3题为其对应的测试题目；第二部分是大学生数据素养问题，对应于问卷中的4-9个问题，第三部分是高校数据素养教育，第一部分是选题。第二部分和第三部分采用Lickett V量表，以大学生为研究对象，于2021年11月至12月中旬进行调研。
年级
性别
学科
合计
男
女
社科类
理工类
农业类
医学类
大一年级
18
9
9
6
11
1
0
大二年级
52
22
30
8
24
9
11
大三年级
50
18
32
16
28
5
1
大四年级
117
65
52
24
75
8
10
合计
237
114
123
54
138
23
22
3.2问卷评估
（1）信度分析
利用spss 17.0软件对问卷数据进行可靠性分析，并对结果进行分析。α系数为测量值。如果测量值一致，则可根据可靠性标准接受问卷数据。通常α系数大于0，6是一个可靠的范围。
表5-1是效度分析结果，除教育资源和环境的信度系数为0.598外，其他潜在变量的信度系数均大于0.6。问卷的总体信度分析结果为0.910。说明高校数据素养教育与大学生数据素养在整体和各维度上具有较高的内在一致性和稳定性，问卷信度检验是有效的。这可能是由于问卷的随机性，以及教育资源和环境维度的可靠性差。从表中可以看出，维度之间的一致性并不理想。为了提高问卷的可靠性，可以考虑删除一些不必要的措施。在随后的模型评估中，我将使用度量指标的确定因子r2来确定哪些度量指标需要删除，以改进度量模型的拟合。
（2）效度分析
在本文中，我们使用结构方程模型研究了样本数据，并确定了因子分析是否可行，并用kmo和bartlett球面试验对样本数据的有效性进行了分析。当球试验卡方检验统计量小于0.05，KMO检验系数大于0.5时，证明了势变量的收敛性和差异性，证明了模型的有效性。样本数据的KMO和Bartlett值如表5-1所示。该表显示了样本数据的卡方统计值。显著性水平p<0.05，kmo检验系数的总值为0.905，验证了与假设模型相关的数据样本具有有效性。
表 5 各变量信度和效度的分析结果
划分维度
测量指标
Alpha 系数
项删除的
Alpha 系数
KMO 测量值
P值
整体
所有指标
0.910
0.905
***
数据素养
数据意识能力
0.754
0.743
0.740
***
数据获取能力
0.733
数据处理能力
0.741
数据分析能力
0.690
数据利用能力
0.671
数据伦理能力
0.729
教师专业素养
教学方式
课堂教学
0.707
0.686
0.694
***
讨论式
0.611
理论讲座教学
0.653
在线课程
0.619
教育资源环境
图书馆资源
0.598
0.456
0.557
***
实验环境
0.303
实践环境
0.705
课程设置
数据意识课程
0.904
0.886
0.901
***
数据获取课程
0.885
数据处理课程
0.891
数据分析课程
0.883
数据利用课程
0.885
数据伦理课程
0.881
3.2模型估计
3.2.1模型参数估计
理论模型的协方差矩阵与实际样本协方差矩阵的“差”最小。模型的参数结构方程模型是参数估计的原理[19]。如果模型与问卷数据一致，则它们之间的协方差矩阵应该是相近的，协方差矩阵中“差”的定义是不同的。因此，有一些估计方法，如模型参数的估计。但最常用的方法是极大似然估计，它利用测量值与整个模型拟合评价值之间的共线关系，为评价模型中涉及的所有变量提供估计参数。大批研究阐明，尽管勘测指标不是正态分散，最大似然估量办法也能取得得当的估计值，模型抉择最大似然估计方法和Amos 23.0数据说明软件对模型的未知参数实行估计[20]。
3.2.2显著性检验
显著性检验是随机变量的参数或分布的先验假设，然后使用样本信息来确定假设是否合理[21]。有限概率检验是显著性检验。如果最初的假设是真的，测试结果迫使您放弃原来的假设，AMOS软件对模型中的未知参数进行了估计，得到了非标准条件下各因子负荷的估计值和各负荷对应的标准偏差，参数估计与标准偏差的比值为以临界比（cr）统计量计算，也称为t检验统计量，计算t检验的概率p，并用p值检验因子负荷的统计显著性。本文假设在显著性水平α=05（95%可信区间）时，t大于阈值1，96，t的显著性概率为0.05，具有统计学意义。路径系数如下：
表6 路径系数分析结果
指标维度
Estimate
C.R
P
数据意识⬅教师专业素养
-0.31
-1.739
0.082
数据获取⬅教师专业素养
-0.502
-1.435
0.151
数据处理⬅教师专业素养
-0.718
-0.285
0.776
数据分析⬅教师专业素养
-0.748
-1.121
0.262
数据利用⬅教师专业素养
-0.726
-3.051
0.002
数据伦理⬅教师专业素养
-0.439
-0.608
0.543
数据获取⬅教学方式
3.945
0.958
0.338
数据意识⬅教学方式
1.867
0.892
0.372
数据处理⬅教学方式
-21.933
-0.736
0.462
数据分析⬅教学方式
-4.588
-0.582
0.56
数据利用⬅教学方式
-0.274
-0.099
0.921
数据伦理⬅教学方式
-5.749
-0.673
0.501
数据处理⬅教育资源环境
31.045
0.747
0.455
数据意识⬅教育资源环境
-0.58
-0.2
0.842
数据获取⬅教育资源环境
-2.843
-0.497
0.619
数据分析⬅教育资源环境
8.865
0.807
0.42
数据利用⬅教育资源环境
3.345
0.867
0.386
数据伦理⬅教育资源环境
9.115
0.766
0.444
数据分析⬅课程设置
-0.55
-0.825
0.409
数据意识⬅课程设置
-0.535
-2.973
0.003
数据获取⬅课程设置
-0.593
-1.696
0.09
数据处理⬅课程设置
-0.178
-0.071
0.944
数据利用⬅课程设置
-0.63
-2.63
0.009
数据伦理⬅课程设置
0.132
0.183
0.855
从输出结果可以看出数据资源环境和教学方式对于数据素养的路径系数估计的临界值小于1.96，显著性水平远高于0.05，说明该假设路径不具备明显的统计显著性。
图2 标准化参数估计模型
本文为了探究数据的分布情况，采用拟合优度中的卡方检验作为本数据处理的主要手段。因为卡方检验相对于经验分布类检验可以检验离散型数据，而经验分布类检
验连续性数据的，很明显本组数据是呈离散型分布的。适应度指数用于评价理论模型与实际样本之间的拟合程度，比较不同模型之间的拟合效果，但不能解释具体路径的优缺点。卡方自由度比：一般卡方自由度比小于3.0时，模型拟合度较好；当卡方自由度比小于1.0时，模型拟合过度，误差较大。3.0表示理论模型不能反映实际观测数据，应剔除模型保守使用，CFI为相对拟合指数，取值在0～1之间，越接近1，模型整体拟合越好，理想情况下CFI大于0，9.RMSEA是一个近似的均方根误差指数。RMSEA越小，模型越好。理想状态为RMSEA<0.06，当RMSEA>0.08时不可接受。AGFI是拟合质量的修正指数，介于0和1之间。接近1，模型拟合质量较好，在理想条件下，AGFI>0.9，模型拟合指标计算结果见表3-5，各指标拟合度均达到可接受值。结果表明，该模型能较好地拟合数据，其结果具有重要的现实意义和理论价值。
表7 拟合指数计算结果
拟合指标
CMIN /DF
GFI
CFI
RMSEA
AGFI
Default model
2.465
0.869
0.896
0.079
0.814
3.3模型修正
（1）修正原因
因为模型1中的路径系数有好多负的，这是不符合假设的，数据本身的影响，所以把数据素养作为潜变量构建结构方程模型，更符合规范。
（2）模型修正后的显著性检验
表8 修正后的路径系数结果
指标⬅维度
Estimate
C.R
P
数据素养⬅教师专业素养
-0.137
-2.384
0.017
数据素养⬅教学方式
0.615
3.008
0.003
数据素养⬅教育资源环境
0.168
0.665
0.506
数据素养⬅课程设置
-0.025
-0.494
0.621
图3 修正标准化参数估计模型
（3）修正后的模型适配度
表9 拟合指数计算结果
拟合指标
CMIN /DF
GFI
CFI
RMSEA
AGFI
Default model
2.241
0.862
0.907
0.073
0.816
3.4结果分析
从模型的路径系数表显示，教学模式，教育资源环境和课程设置对大学生数据素养有显著影响，教学方法对大学生数据素养的影响系数为0.615；教育资源环境对大学生数据素养的影响系数为0.168，因此，教学方法对正确使用数据、提高数据质量、获取数据的能力、获取数据的能力等都有积极作用。处理能力，分析，在数据课程中运用和影响学生的道德能力和道德意识，需要正确的教学方法来帮助学生培养数据素养，因此，在学校中寻找合适的教育方法，建立正确的数据素养教育小组，是非常重要的。
-
4结论与建议
4.1结论
标准化路径系数响应了因果变量对模型中结果变量的讲明力。结构方程建模的宗旨是显露潜在变量之间的结构联系，首要表现在标准化路径系数上。
从本文模型的路径系数可以看出:
教师专业素养对大学生数据素养的影响系数为-0. 317。结合实际情况分析，教师的专业素养，多多少少在一定程度上都会正向影响大学生的数据素养，只不过是程度大小的区别。所以路径系数为负数显然是不合理的。这说明数据出现了问题，有待进一步提高问卷数据的信效度。
教学方式对大学生数据素养的影响系数为0.615。证明在教学过程中，教师使用正确的教学方式可以极的提高大学生的数据素养。所以教师在教学前要慎重选择与同学们自身情况相适应的教学方式；
教育资源环境对大学生数据素养的影响系数为0.168。这表明学校提供的在线课程、丰富的图书馆资源、充足的实践环境、设施齐全的实验环境在一定程度上正向促进大学生的数据素养。高校教育下一步的目标就是要优化教育资源环境，让在线课程越来越优质、让图书馆资源越来越丰富、需要强化数据课程的实践环节以及实习基地的建设，相关教导单位应该为学生供应优秀的数据实施设施，以及项目实践机遇;这样才可以使影响系数越来越大，效果越来越显著；
课程设置对大学生数据素养的影响系数为-0.025。据问卷填写者的反馈得知很多高校很多专业并没有设置与数据素养相关的课程。此影响系数为负值也间接的说明了与数据素养相关的课程不仅仅需要教师的理论传授，与此同时，更需要实际指导。希望高校越来越重视数据素养相关课程的设置。
4.2建议与不足
基于研究，提出以下建议:
①教师拥有高水平的数据素养是培养学生的数据素养最为关键的因素，因此，提高高校教师的数据素养水平是大数据时代的首要任务。教师数据素养的培养应该被高校重视，并且积极的向教师提供学习数据专业知识的资源和机会。除此之外，还应提供验证所学理论的实践机会;
②高校应该积极设置与数据素养教育相关联的课程，数据涵养课程群的设置对大学生数据素养的培养有着至关重要的作用。例如，数据素养课程群整合到相关专业课程体系中，与创新创业的实施紧密相连。形成了数据素养教育与创新创业教育理论与实践相结合的教育形式。
③数据素养教育资源的现状非常重要，高校应重视图书馆数据库和高校数据知识库的建设。各教学单位应稳定数据实验室和数据培训基地的建设。
基于研究，本文存在以下不足:
①调查方式有些单一。仅仅采取了线上调查的方式。希望在以后的研究生活中，加大样本的调查范围、增加多种多样的调查方式。力求把不同地方、不同专业的高校学生整合到此研究的调研范畴中。不断的提高本研究的科学性。
②因为样本具有随机性和样本数量有限，调查问卷所得到的数据并不能完全理想的符合最初的假设，信度分析时发现教育资源环境这一维度信度较低。而且模型一种的路径系数有较多的负值，这是不符合假设的。模型修正后的路径系数虽然更符合规范，但是依旧存在负相关。
-
参考文献
[1] 赵艳芳,潘文林.数据科学与大数据技术专业程序设计课程教学初探[J].云南民族大学学报(自然科学版),2021,30(03):298-300.
[2] 沈玖玖,徐萍,艾文华.高校数据素养教育对大学生数据素养的影响分析——以南昌大学为例[J].图书馆学研究,2019(07):2-14.
[3] 张薇薇,施茜薷.基于知识建构的本科数据素养教育学习环境设计[J].现代情报,2021,41(03):121-130.
[4] 阳作林,张艳艳.大数据时代高校意识形态安全风险的防范[J].学校党建与思想教育,2021(08):83-85.
[5] 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.
[6] 杨晓琼.大数据时代高校数据素养教育的合作路径［J］.情报资料工作，2015(3):98－102.
[7] 张静波.大数据时代的数据素养教育［J］.科学，2013(4):29－32.
[8] Carlson Jacob，Fosmire Michael，Miller C C，Nelson Megan Sapp. Determining Data Information Literacy Needs: A Study of Students and Research Faculty［J］.EN，2011,11(2).
[9] 陶丹，陈德.中国高校创业教育质量评价指标体系研究［J］.科技管理研2010(5):84－86.
[10] 张明海，周艳红.大数据时代大学生数据素养教育的目标定位及体系构建［J］.图书馆，2016(10):84－88.
[11] 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.
[12] 沈玖玖，吴成，蒋雨婷，胡志伟.数据素养对科研绩效的影响模型分析［J］.情报理论与实践，2017(6):4－50.
[13] 张进良，李保臻.大数据背景下教师数据素养的内涵、价值与发展路径［J］.电化教育研究,2015(7):14－19.
[14] 任亚楠.浅谈教师教学能力的发展与培养［J］．科技资讯，2011(16):205.
[15] 邓李君.高校图书馆数据素养教育问题与对策研究［J］.新世纪图书馆，2017(8):27－31.
[16] 胡卉，吴鸣，陈秀娟.英美高校图书馆数据素养教育研究［J］.图书与情报，2016(1):62－69.
[17] 张辉蓉，贾瑜.教育环境对教师教学方式选择与运用影响程度的实证分析［J］.课程.教材.教法,2014(8):32－37.
[18] 郝媛玲，沈婷婷.数据素养及其培养机制的构建与策略思考［J］.情报理论与实践,2016 (1):58－63.
[19] 张东哲,黎明月，胡佳玉.大学生消费者对牙刷产品的满意度研究［J］.经济研究导刊，2018(2):112－115.
[20] 黄务兰，张涛.基于结构方程模型的移动图书馆用户体验研究———以常州大学移动图书馆为例［J］.图书馆杂志，2017(4):80－89.
[21] 聂祚兴.车身噪声传递函数的全局灵敏度分析及稳健优化设计［D］.长沙:湖南大学,2012.
-
附录
附 录
问卷说明：
问卷包括 3 部分: 第一部分是调研基本信息，包括性别、年级、专业学科，测量表中为 1～3 题; 第二部分测度大学生数据素养的6个维度，测量表中为4～9题; 第三部分测度高校数据素养教育的4个维度，测量表中为10～23题。以下详细说明对应关系。
题目序号
维度
1
性别
2
年级
3
专业
4
数据意识
5
数据获取能力
6
数据处理能力
7
数据分析能力
8
数据利用能力
9
数据伦理
10
教师专业素养
11
课堂教学
12
讨论式
13
理论讲座教学
14
在线课程
15
图书馆资源
16
实验环境
17
实践环境
18
数据意识课程
19
数据获取课程
20
数据处理课程
21
数据分析课程
22
数据利用课程
23
数据伦理课程
高校数据素养教育对大学生数据素养的影响调查问卷
一、个人基本信息
1.您的性别？ [单选题] *
○男 ○女
2.您所在的年级？ [单选题] *
○大一年级 ○大二年级 ○大三年级 ○大四年级
3.您的专业属于哪个领域？ [单选题] *
○社科类 ○理工类 ○农业类 ○医学类
二、数据素养
4.您认为数据在学习和生活中很重要并且愿意花费时间去获取自己需要的数据？ [单选题] *
○完全不同意 ○很不同意 ○基本同意 ○很同意 ○完全同意
5.您知晓多种数据来源的渠道和相应的检索方法(如报告、文献、国内外数据库网站等)？ [单选题] *
○完全不同意 ○很不同意 ○基本同意 ○很同意 ○完全同意
6.您会使用以下几种数据处理软件(如Excel、Matlab、SPSS、Amos和LIndo等？) [单选题] *
○0种 ○1~2种 ○3~4种 ○5~6种 ○7种以上
7.您可以对不同结构、不同形式的数据(如图形、表格、字符等)进行解读和识别？ [单选题] *
○完全不同意 ○很不同意 ○基本同意 ○很同意 ○完全同意
8.您能够结合实际情况对统计分析结果做出准确的解释，并总结出其中的规律和原因？ [单选题] *
○完全不同意 ○很不同意 ○基本同意 ○很同意 ○完全同意
9.您了解与数据相关的法律法规？ [单选题] *
○完全不同意 ○很不同意 ○基本同意 ○很同意 ○完全同意
三、数据素养教育
10.您认为您的任课教师的数据专业素养很强？ [单选题] *
○完全不同意 ○很不同意 ○基本同意 ○很同意 ○完全同意
11.您参与的数据素养教育课程以课堂教育为主？ [单选题] *
○完全不同意 ○很不同意 ○基本同意 ○很同意 ○完全同意
12.您参与的数据素养课程中经常采用讨论的方式？ [单选题] *
○完全不同意 ○很不同意 ○基本同意 ○很同意 ○完全同意
13. 您参加过培养数据素养相关讲座？ [单选题] *
○完全不同意 ○很不同意 ○基本同意 ○很同意 ○完全同意
14. 您学校对于数据素养开展了MOOC线上教育课程？ [单选题] *
○完全不同意 ○很不同意 ○基本同意 ○很同意 ○完全同意
15.您认为学校图书馆资源很丰富，可以满足自己对数据的需求？ [单选题] *
○完全不同意 ○很不同意 ○基本同意 ○很同意 ○完全同意
16.您所在的学校或学院有完备的与数据素养教学相关的实践环境(如专业实验室，大数据实验室，数据库等)？ [单选题] *
○完全不同意 ○很不同意 ○基本同意 ○很同意 ○完全同意
17. 您有参与过多少次学校科研项目的完成、专业学术论文的撰写、创新创业大赛(“互联网+”大赛、“挑战杯”比赛、商道、企业模拟竞争大赛 、“三创赛”等)实践活动？ [单选题] *
○0次 ○1~2次 ○3~4次 ○5~6次 ○7次以上
18. 您学习了以下课程的数量是多少《大数据与信息传播》、《大数据系列》、《大数据技术基础》、《元素养》、《现代信息技术基础》、《大数据算法》、《信息资源管理》？ [单选题] *
○0种 ○1~2种 ○3~4种 ○5~6种 ○7种以上
19. 您学习了以下课程的数量是多少《获取与整理数据》、《信息资源管理》《信息存储与检索》、《统计学》？ [单选题] *
○0种 ○1种 ○2种 ○3种 ○4种
20.你学习了以下课程的数量是多少《统计学》、《从EXCEL到MySQL:商业数据》、《数据库原理》、《运筹学》、《网页设计与开发》、《WEB编程技术》、《用Python玩转数据》、《数据库原理》、《JAVA语言程序设计》、《面向对象程序设计》、《数据科学家》？ [单选题] *
○0种 ○1~2种 ○3~4种 ○5~6种 ○7种以上
21. 您学习了以下课程的数量是多少《统计推理》、《回归模型》、《信息计量学》、《计算机网络》、《信息可视化》、《数据管理与分析》、《数据分析管理》？ [单选题] *
○0种 ○1~2种 ○3~4种 ○5~6种 ○7种以上
22. 您学习了以下课程的数量是多少《统计学》、《网页设计与开发》、《WEB编程技术》、《JAVA语言程序设计》、《数据挖掘》《程序设计实践》、《让数据有意义》？ [单选题] *
○0种 ○1~2种 ○3~4种 ○5~6种 ○7种以上
23.您学习了以下课程的数量是多少《数据标准数据》、《网络信息安全》、《数据伦理与道德》、《知识产权保护》？ [单选题] *
○0种 ○1种 ○2种 ○3种 ○4种
-
-
- 标签：
-
加入的知识群：
学习元评论 (0条)
聪明如你，不妨在这 发表你的看法与心得 ~