基于大數據視野下心理學與教育學研究變革

張園園

摘要：大數據是研究領域的重要輔助工具。分析了心理學與教育學的大數據特征及獲取方法，闡述了大數據環境下心理學與教育學的研究方法及研究的主要特征，為相關工作人員提供理論參考，發揮大數據的信息整理功能，為心理學和教育學的發展奠定良好的基礎。

關鍵詞：大數據;心理學;教育學;研究變革

大數據即是海量資料，具有規模化、多樣性、效率性和價值密度低等特點，能為社會和學科的研究提供有效的理論依據。現階段，大數據涉及的領域有經濟、生產、科技、教育、管理等，打破了傳統學術研究的局限性，使研究更為高效和準確。

一、心理學與教育學的大數據特征

在價格不變的前提下每隔一段時間，大數據系統就會完成一次升級和優化，該理論相似于著名的摩爾定律，與大數據時代的發展不謀而合。隨著現代化技術的發展，計算機對數據的儲存和處理能力越來越強大，為大數據的發掘和應用奠定了基礎。

在心理學和教育學中，大數據的應用主要體現在結構化、半結構化和非結構化三個方面。前者屬于現階段研究的主題內容，后兩者由于數據量大，內容復雜，未來的發展前景廣闊。

結構化數據主要是利用圖表、數字以及符號等內容呈現的數據，表達類型有縱向、截面和面板三種。縱向是以時間軸為順序縱向排列的數據，可按照發展情況統計數據并加以分析;截面是將同一階段的個體水平截取比較，最終獲得統計結果;面板是通過多個截面數據的分析比較獲得結果的過程，其準確性和客觀性較強。

非結構化數據是將文本、視頻、音頻、圖片、文檔等信息搜集整理，掌握數據的過程。非結構化數據大體上可分為文字、多媒體及行為幾種，文字是指網上交流互動中保存的文字記錄，也可以是留言評論或文學作品等;多媒體是使將發送到互聯網上的視頻、圖片、音頻等內容記錄下來的過程，研究人員可基于此對多媒體中的人物展開分析，獲取其狀態和心理;行為是對個人的日常操作、一舉一動進行監控的手段，如網頁瀏覽時長等。

二、心理學與教育學大數據獲取方法

無論是心理學還是教育學，主體皆為人，所以結構化數據通常來自調查問卷、參考文獻或實驗探究等，而非結構化數據則是通過提取產品使用、服務以及互聯網數據等有價值的信息達到研究的目的。具體研究方法如下。

其一，最小數據庫。顧名思義，最小數據庫是研究主體的某一狀態或某件事，通過具有代表性的情況來分析主體，相比之下數據庫較小，內容較簡。由多個最小數據庫組成的數據庫集需要具備兩種優勢，一方面可將有價值的代表性數據簡化整合，另一方面要求數據完全圍繞研究主體展開，變量保持一致。利用最小數據庫獲取研究信息可避免在大數據中迷失方向，確保數據的客觀性。心理學及教育學主要是研究主體的心理動態、學業水平和動機產生的成就，所以最小數據庫應以此建立并完善，如，將某校學生作為主要研究對象，需要獲取的內容有班級、年齡、性別、身高、體重、成績、父母職業以及人格量表等，還可酌情增加其他變量，如，民族、籍貫等，成績和心理是主要研究方向，建立數據庫后，整合信息即可統計出數據之間的關系。

其二，大數據。隨著大數據時代的到來，結構化數據逐漸轉變為非結構化以及半結構化形式，操作更為簡單便利，數據準確性強，打破了調查問卷、交流訪談等傳統信息搜集方法的局限性，使其適應性更強。大數據獲取有兩種方法，一種是線下獲取，另一種是線上獲取。

線下獲取是對各機構數據的獲取，如，保險公司關于車險開展調查，將各種車型的出險數據及司機的駕駛習慣數據進行統計處理，進而有針對性地提供保險服務;教育部門為了調查青少年心理健康，開始每五年全國范圍大面積地獲取統計數據，這些數據可以作為學術探究的參考。

線上搜集主要利用互聯網技術進行，例如，獲取研究對象頻繁搜索的字詞，了解研究對象的網頁瀏覽速度、網站偏好以及點擊習慣等。與此同時，電子設備也可將用戶的常用詞匯、軟件使用情況、通話時間等內容傳遞給研究人員。再如，智能手環可將用戶的行走步數呈現出來。

其三，數據倉庫。數據倉庫是利用眾多信息采集工具獲取數據后整合而成。其與傳統數據庫相同點在于儲存功能強大，不同點在于支持數據運算處理，為決策提供參考條件。心理學及教育學研究需要將數據采集、篩選、處理、整合等，形成數據倉庫，為研究者提供有效信息。如，張強等三人獲取了所在地高二學生相關信息，建立了數據倉庫并得到了最終研究結果，獲取了學生心理和成績、家庭特征、家長受教育情況等內容。

三、大數據視野下心理學與教育學的研究方法

（一）分類算法

分類算法中包括神經網絡、決策樹、支持向量機以及貝葉斯等分類形式，可為心理學及教育學研究奠定基礎。如，統計高校新生的心理、學習和生活情況建立分類樹，最終有效判斷其初入新環境的適應能力。現階段，分類算法在心理學領域的研究應用日益完善，而對于被研究者掌握的知識技能、答題速度以及考查知識的統計和研究也能作為教育教學的參考標準，幫助教師從學生的角度出發，制定符合學生心理特點和認知能力的教學計劃。

（二）聚類分析法

聚類分析法需要將數據歸類整理，從同一階段的數據中尋找特征，將相似性強的數據集中歸類，與其他類別組間差距較大。例如，將A、B兩市的小學生作為研究主體，研究內容為適應能力，以此為方向將學生一分為三，第一種為交際良好，適應能力強型;第二種為人際關系不佳，孤僻健談型;第三種為自尊心不強型。就此展開調查，幫助教師有針對性地采取教學方法。

（三）關聯分析法

關聯分析要求數據間有必然聯系，如，超市銷售量的研究，其中交易數據即是銷量的最直接體現，但還要分析相關商品之間的關聯性，如，牛奶和被子、泡面和泡面碗、水果和水果盒等，可以此為據關聯銷售，提升經濟效益。關于心理學和教育學的例子，如，將高中學生作為研究對象，選取高一、高二學生的入學成績、現在成績、學習現狀、生活習慣、家庭狀況、自我評價內容等，最終發現家庭狀況會對學生的成績產生影響，表現了心理與教育之間的關聯性。

（四）其他分析法

其一，貝葉斯分析法。將分類轉化為決策，為學術研究帶來了更多的可能性。如，獲取學生學習的行為，判斷其對任務執行的態度;再如，通過學生學習情況，判斷預測學生的成績走向。

其二，數據可視化。若研究變量較少，可通過直方圖、散點圖、莖葉圖、餅圖等形式呈現;若空間數據較多，則可使用等高線、切片圖等形式呈現;數據變量較多，可通過平行坐標系、矩陣等形式呈現。

其三，社會網分析法。社會行為中涉及到的內容較為復雜多樣，研究主體可選擇組織、個體、社區、集體等，通過相互之間的關系和指標來獲取研究結果。教育及心理學研究需要從社會網出發，而網絡技術可作為研究媒介，例如，在微博上利用社會網分析方法，提取個體以及社會結構的相關數據，二者之間的深入探究是未來學術研究的主要發展方向。

四、大數據視野下心理學與教育學研究的主要特征

大數據視野下教育學和心理學研究的特征主要體現在以下幾方面。

首先，抽樣趨近于全面。以往研究多從局部出發，利用抽樣調查的方法，將部分分析作為整體研究的代表，而大數據具有海量信息整合處理的能力，可將成千上萬的樣本采集整合，生成數據結果。這些樣本可實現整體范圍的研究和調查，避免局限性或制約性，防止結果以偏概全。線上及線下數據的整合和積累可使數據參考價值更強，打破時間或空間上的狹隘眭，使目標選擇更為科學合理。

其次，定期調查轉變為實時獲取。傳統研究中的調查問卷、參考文獻或實驗探究需要耗費大量的時間和精力，而且由于抽查的對象自身情況不同，平均水平受到的外界干擾較多;調查環節還可能會受到個體素質、時間、環境、狀態等影響。大數據獲取信息的方式主要源于網絡，研究人員可足不出戶獲取被調查者的相關信息，通過雙向性的交流互動獲取數據。無需面對面訪談，可打破時間和空間上的雙重局限。網絡系統還可直接將采集的信息進行整合處理，在短時間內制得統計圖，為分析提供依據。與此同時，研究者和被研究者進行一對一或一對多的互動，能實時掌握其情況，一旦發現不穩定因素能在第一時間更改數據，避免影響調查結果。

第三，主觀轉為客觀。傳統被調查者或多或少會在問卷中滲入主觀色彩，如，實時情緒的變動，獲取的結果可能也與平時存在較大差距。大數據時代是客觀數據的獲取，通過長時間規律性行為的掌控來判斷被調查者的心理活動，是一種無法自控的行為，這些數據不會受主觀意識所干擾，結果更為準確。

第四，因果轉為精準。傳統學術調查是由因溯果，存在一定的推導性，掌握的只是數據之間存在的關聯性或非關聯性，而大數據時代可以精確地獲得預測數據，根據客觀精準的結果制定調整和控制計劃，使研究方法更為先進科學。

總之，大數據時代給心理學領域和教育學領域帶來了研究變革的契機，研究人員應打破結構化研究的局限性，結合大數據內容探索學術研究的更多可能性，從現階段研究出發，發現數據之間的變化情況和關聯關系，借鑒以往成功經驗，創造出更多有價值的信息內容，確保大數據環境下研究的實效性。