浅论大数据时代的数据素养培养策略

《浅论大数据时代的数据素养培养策略》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、浅论大数据时代的数据素养培养策暁摘要：大数据在创造巨大机遇的同时也带来了许多挑战及问题。做好迎接人数据时代的准备，把握机遇、迎接挑战，须将数据素养培养成为每个公民必须具备的基本素养。该文阐述了大数据时代下数据素养的基本概念，并分析了数据素养的基本组成要素，然后对数据素养培养策略进一步进行了探讨。关键词：大数据；数据素养；策略中图分类号：TP391文献标识码：A文章编号：1009-3044(2013)36-8199-021大数据时代的趋势及面临的问题1.1大数据时代的趋势高性能计算机集群、网络、电子商务等对象的高度融

2、合和发展带来了数据规模的惊人增长。不仅如此，数据的复杂程度也迅速增加，人们似乎已生动地感受大数据(BigData)时代的到來［1-2］。大数据已被美国在内的多国政府视为重要的战略资源，我国应尽快研究并制定本国的大数据战略。及早审度、并制定针对大数据环境的具冇前瞻性的发展战略将决肚未来国家的竞争实力和发展前景［3］。如何将人数据的资源优势进一步扩大，注重搜集、存储、管理、运用的过程中总结发现大数据的规律和关系,并利用发现的规律和关系提升效益、指导决策，应成为下一阶段重点研究的方向和H的。1.2大数据时代面临的问题大数

3、据的特点多总结为"4V”(Volume、Variety、Velocity>Value)。以数据为屮心的传统学科的研究产生了越来越多的科研数据,设备监控、物联网等也是极具规模的数据源。然而网络环境下，特别是人型的互联网公司的服务贡献了极大规模的个人数据。其兴起导致了许多人们以往在生产、经济活动、科学研究甚至口常生活中的很多惯性思维发生巨大变化。PB级数据使得在无需寻找模型或花费大量时间做假设分析的情况下，结合大型计算机集群和统计分析就可以得到信息甚至知识。借助于云平台，普通民众完全有可能分享到同样规模的计算能力和利用

4、它们得到的统计结果背后的关系。大数据的数据來源及应用涉及广泛，它虽然带來了无数机遇，但与此同时网络数据中心、信息技术、政策制定和人才培养方面都面临巨大的挑战。在这些方面当中，制约大数据未来发展的最大瓶颈，无疑将是兼具跨学科背景和高数据素养的人才的缺乏［4］。2数据素养的概念及基本要素在大数据时代，数据不再仅仅是來源、目的或结果，而是跃升为社会的基础设施和工具，有别于传统模式中计算能力和处理效率取决于软、硬件的强大，大数据时代看到的是更多依据于发现过程屮相关人员的数据素养。人数据这个新兴的交叉学科方向，其数据获取、模

5、式合并、降噪存储、统计分析等需要熟悉不同学科领域的基础理论和研究方法的复合人才才能胜任。2.1数据素养的概念数据素养(dataliteracy),与"信息素养”(informationliteracy)概念有着不容忽视的密切关系。数据素养通常指的是研究者在工作中对科学数据的采集、组织和管理、处理和分析、共享等过程屮所具有的能力，还应包括研究者在数据的生产、管理和发布过程中普遍遵循的道德与行为规范［5］。泽可斯基是第一个使用信息素养概念的人，他将信息素养描述为在工作中不仅善于掌握信息资源，而.且可以熟练运用多种信息工

6、具來帮助解决问题。这种能力通常是可以经过训练获得的［6］。这一概念发展至今，在大数据时代背景下产生的相关概念——数据素养，强调的仍是快速获取，形成决策，解决问题。只是在人数据环境下需快速地从数据中发现关系，解决问题，而后还须总结规律，找出共性。毫无疑问大数据在今后必定会催生经济社会、企业经营发生重大变化。面对大数据时代信息能力的差别可能带来的巨大差异，应提前做好政策制左、配套投入、人才培养等方面的工作。普通大众对数据越来越强势的局面，也应具备起码的数据素养。2.2数据素养包含的基本要素结合以往信息素养理论方面的研究

7、，数据素养应包括数据意识、数据技能和数据伦理这三方面。首先，从意识层面上来说具备•定数据意识是整个数据素养的先决条件。大数据时代将社会发展推进到快进模式。面对海量数据，算法不再有效、存储不再一致，只要及时发现数据相关性，即可转化成具有高价值的可见结果。无需繁琐的建模、验证，上一秒的经验也许到下一阶段就已过时，因此，没有相当的数据意识，无法在第一时间做出反应，那么一切都是枉然。英次，善于用数据挖掘、分析和可视化工具展现海量数据中的价值，将为人类创造巨大财富。反之，缺乏数据技能将成为获得这些财富的极大阻碍。人数据中蕴藏

8、的口人利益使企业不得不重视数据，也使得计算机行业与信息行业的区别越来越不明显，山单纯对计算速度的追求转变为关注大数据处理能力，软件编程也从程序为核心转变为围绕数据设计［3］。当前科学研究中同样存在着问题：一方面是传统的存贮机制、数据库管理模式、算法的失效；科学研究领域对数据管理、分类、分析、挖掘工具依旧缺乏的现状。另一方面，对数据密集型科研范式的研究也有待发