数据可视化技术在教学中的应用探究

来源：SCI期刊网分类：电子论文时间：2022-03-04 09:37 热度：

　　摘要：随着信息技术在教育领域的不断应用，人类生产和获取数据的能力呈几何级数增长。如何对海量数据进行分析以支持学生的深度学习，以及如何利用信息技术更好地呈现教学内容、优化教学过程，成为教育研究者亟需解决的问题。由此，数据挖掘以及数据可视化技术成为学者和专家关注的热点。数据可视化技术不断演变，逐渐涵盖科学可视化与信息可视化的范畴，并包含部分知识可视化内容。对数据进行可视化处理，需要经过获取、分析、过滤、挖掘、表述、修饰与交互等流程，同时兼顾美学呈现形式与功能的需要，体现直观化、关联化、艺术化和交互性特征。常见的数据可视化工具包括VisualEyes、Google Trends 和Many Eyes等。利用数据可视化工具和技术，教师可以为学生直观呈现知识，及时了解学生学习状况，进行课堂教学、教学干预、教学评价等;学生可以自我评估，及时发现自己的学习问题，并形成知识框架与互联体系，促进知识表达与内化;教学管理者可以掌握教师教学效果和学生学习情况，调整教学管理与决策的目标、方法和策略。

数据可视化技术在教学中的应用探究

　　关键词：数据可视化;内涵解读;典型工具;教育价值;应用案例

　　信息技术在教育领域的不断发展，推动了教学信息化的进步，实现了教学内容、手段和方法的现代化;各种智能化学习平台、课程管理系统的建立，不断改进教学实践，促进教学质量的全面提升。经过教学信息化软硬件环境的快速建设，人类生产和获取数据的能力呈几何级数增长。如何更好地对海量数据进行分析，进一步支持学生的深度学习，以及如何利用信息技术更好地呈现教学内容、优化教学过程，成为教育研究者亟需解决的问题。

　　美国2010年国家教育技术规划——《变革美国教育：以技术增强学习》指出：“要为专业教育工作者提供资源和工具，促使教学者提供更好的教学。”Gartner公司2012年对716个教育相关领导和 1010名教师的调查发现，70%的教师对学校识别系统(School Identity System，SIS)内容评价不高，不相信 SIS 能够帮助他们解决一些重要教学问题;仅有 50% 的教师利用学习管理系统 (Learning Management System，LMS)数据来提高学生成绩。(Nagel，2012)可见在教育领域，教师对如何利用数据促进教学还不了解。“首届技术促进教育变革国际会议”中博伊西州立大学 Jui-Long Hung 博士(2012) 提出的教育数据挖掘 (Educational Data Mining，EDM)已经引起越来越多教育研究者的关注，其发展趋势之一便是利用数据可视化技术改善教学过程。数据可视化技术已逐渐成为教学信息化研究者和实践者高度关注的新领域。通过对教学中的数据进行可视化分析，可以更好地推动学习的进程。本文将探讨与阐释数据可视化技术的内涵和特征价值，并尝试解读数据可视化技术在教学中的应用，以期为促进我国的教学与科研提供借鉴。

　　一、内涵解读与价值分析

　　1.概念界定

　　对于数据可视化的定义，目前存在多种不同的观点。有研究者认为数据可视化仅仅是计算可视化的延伸与扩展，其可视化对象仍为空间数据(Spacial Data)，只是将抽象数据直观地表达出来，与信息可视化、知识可视化既有交叉又有不同。(赵国庆等，2005;刘波等，2008)也有研究者认为数据可视化是一个不断演变的概念，人们正在接受同时涵盖科学可视化(Scientific Visualization)与信息可视化 (Information Visualization) 的新生术语，(Post et al.，2003)它还包含知识可视化(Knowledge Visualization)的部分内容。(洪文学等，2010)数据可视化的范围也有不同的划分。Michael Friendly等(2001)提出了数据可视化的两个主要组成部分：统计图形(Statistical Graphics)和主题图(Thematic Cartography)，主要为信息的呈现。Friedma(2007)则认为数据可视化主要包括思维导图、新闻的显示、数据的显示、连接的显示、网站的显示、文章与资源、工具与服务等7个方面，范围更加广泛。本文不对数据可视化的概念和范围做哲学上的细致分析与辩解。根据本文的研究内容，笔者赞同数据可视化较为宽泛的界定，认为其同时涵盖了科学可视化与信息可视化，并包含知识可视化的部分内容。本文中，数据可视化的对象主要包括：教学中文章与资源的内容、学习者学习过程中产生的行为数据、学习者在学习探究过程中收集的数据以及学习者接受到的知识内容。

　　2.构成要素

　　可视化技术按一般可视化过程可划分为“数据预处理”、“映射”、“绘制”和“显示”四步。(陈建军等，2001)但随着数据类型的复杂化，该解决方案已无法满足用户的需求。例如，视觉设计中，把数据映射到一个视觉表上，很难表述怎么处理成千上万的数据项;数据挖掘有能力解决视觉设计不能完成的工作，但在与数据的交互方面无能为力;基于软件的信息可视化能够增加和各种形式抽象数据的交互，但这种方法低估了视觉设计中的美学原理，无法将视觉设计作为一种有效的交流方式吸收进来。因此，Ben Fry(2009)根据数据可视化的最新发展与需求，提出了新的可视化流程，整个过程由以下7个步骤组成：(1)获取。收集数据，无论是数据库的表、文字记录、网络上的源文件，还是录像记录等。(2)分析。根据数据的意义构造一个结构分类图，并按分类排序。(3)过滤。删除冗余数据，只保留感兴趣、有价值的数据。(4)挖掘。应用统计学或数据挖掘方法来辨析数据格式，挖掘其中规律。(5)表述。选择一个基本的视觉模型，比如条形图、列表或树状结构图。(6)修饰。改善基本的表述方法，使它变得更加清晰、视觉化、直观化。(7)交互。增加方法来操作数据或控制其可见的特性，实现交互选择性。随着信息技术的发展，数据可视化的详细流程逐渐 “黑箱化”，先进的可视化工具将实现从数据获取到图形输出的“一条龙”服务，为更大范围的人们提供可视化服务。

　　3.特征价值

　　为了实现信息的有效传达，数据可视化需要综合考虑美学呈现形式与功能的需要，通过直观地传达关键特征，实现对数据集的深入洞察。Julie Steele和Noah Lliinsky(2010)认为可视化效果是否优质需要体现在4个要素上，即形式新颖、内容充实、直观高效和符合审美。随着数据可视化技术的不断发展，数据可视化技术具有以下四个特征：第一，直观化。直观形象地呈现数据，使用户可以看到分析对象或事件的多个属性或变量，且数据可以按其每一维的值分类、排序、组合和显示。第二，关联化。能挖掘并突出呈现数据之间的关联，直接快捷地弄清各个属性之间、事件之间的关系。第三，艺术化。通过不同的表现形式，增强数据呈现的艺术效果，符合审美规则。第四，交互性。通过用户与数据的交互，增强用户对数据的控制与管理，实现可视化形式的个性化呈现。

　　直观化和关联化强调数据可视化的功能性，艺术化和交互性强调数据可视化的美学设计和智能化。实现了直观化和关联化，就能够直观形象地呈现数据，找出数据之间关键独特的关联性;而智能交互性强的动态数据可视化过程则可实现信息的传达和双向沟通。(张浩等，2012)

　　数据可视化技术的发展，大大加快了数据的处理速度，使得工作、学习过程中产生的庞大数据可以得到有效利用。数据的可视化处理实现了人人、人机之间的图像通讯，使人们可以观察到传统方法难以观察到的现象和规律，有助于更好地促进人们的科研、工作和生活。

　　二、典型工具

　　1. VisualEyes——在线可视化编辑工具

　　VisualEyes是由美国弗吉尼亚州数字历史中心于2007年创建、现由美国弗吉尼亚大学科学、人文及艺术技术创新网(Sciences， Humanities & Arts Network of Technological Initiatives，SHANTI)运营的一个可支持中文的在线可视化工具。VisualEyes 以XML为脚本语言，可交互性、可视化地呈现随时空变化的内容。另外，VisualEyes 本身是用 Adobe Flash的脚本语言Actionscript 3.0创建的，它可以提供Flash环境的最佳特性和兼容性。作为一个开放性的在线编辑平台，VisualEyes 采用乐高积木的 “虚拟搭建”理念，设计者可以按照自己的需求，将网络上各种类型的资源(可以是图片、视频、音频以及数据库等)链接到平台上，再辅助一些简单的脚本，最终形成结构化产品。VisualEyes具有优良的界面、低技术门槛、便于二次开发和时空交互性的特点。(李婧，2011)

　　用户使用此类数据可视化工具，可以积极、自主地为所分析、组织的数据或信息创建一种可视化的呈现。首先，用户需要对原始数据有一定的了解且明确数据可视化的存在和意义，从而积极主动地进行数据可视化。其次，用户在可视化数据的过程中，一方面提升自己对数据的理解深度，一方面获取新知并且及时将可视化过程中的思考，反馈到原始数据的分析和组织过程中去。(张浩等，2012)

　　2. Google Trends——揭示数据关系

　　用户在使用搜索引擎时，已经厌倦了大篇幅的文字阅读，期待更加直观、高效的数据呈现方式。Google Trends(谷歌趋势)是 2006 年 5 月 Google公司推出的一款基于搜索日志分析的应用产品。它可以通过图形化的方式展示最热门的关键词，以及各种关键词自2004年开始的历史走势及与此相关的新闻报道。在Google Trends中，每一关键词的趋势记录图都分为搜索量和新闻引用量两部分。用户可直观地看到每一关键词在Google全球的搜索量，以及相关新闻的引用情况变化走势，并有详细的城市、国家/地区、语言柱状图显示。谷歌趋势最多可以同时比较5个关键词的统计数据。(程东箭，2006)2011年日本大地震，Google Trends制作的可视化数据动画，成功跨越了各种语言交流的障碍，形象、准确、高效地向全世界人民传达了地震的震区覆盖面、震幅大小等随时间变化的整体趋势信息。

　　此类数据可视化服务可以为用户查询、检索的数据或信息提供可视化的呈现方式。它对用户检索的数据信息进行相应的可视化处理——挖掘数据之间的重要关联或者呈现一个有理有据的数据发展趋势并进行图形化处理，最终为用户呈现一个动态、图形化、高效、令人印象深刻的可视化结果。(张浩等，2012)

　　3. Many Eyes——集合可视化工具的在线社区

　　为数据找到合适的可视化方式是一种科学艺术。Many Eyes 是由 IBM 视觉通讯实验室(Visual Communication Lab) 和 IBM Cognos 软件集团于 2007年所创建的一个在线可视化社区。通过这个社区，用户可以上传数据集，对其他用户所创建的可视化进行评论、评分或共享，创建或者加入自己感兴趣的可视化主题中心。它的一个突出特色就是允许用户利用网站当前已有的数据集来创建交互式的可视化作品。在Many Eyes上创建可视化作品极为简单，只需要通过三步：第一，选择数据集(可选择现有的数据集或者自己上传数据集);第二，选择可视化类型;第三，发布可视化作品。(中文信息可视化社区，2012)

　　在数据可视化社区中，用户需要思考和解决如何对数据进行设计、统计分析和组织，以及选择和使用哪种可视化工具进行分析。在社区中，可视化数据和模型可以得到用户的评价和反馈。这有利于可视化模型的优化，并促进数据的有效利用。

　　三、数据可视化技术推动教学过程的优化

　　数据可视化技术的直观化、关联化、艺术化和交互性的特点，以及智能可视化工具的出现，为处理教学过程中的数据提供了良好的支持。教师可以为学生呈现直观化的知识，使得枯燥的学习内容变得艺术化，加深学生对于知识的掌握程度;可以通过对学生学习数据的分析，优化“教”的过程，并为学生提供个性化的指导;还可以将其作为一种评价学生的手段，进行总结性评价和过程性评价。数据可视化技术还可以作为学生的一种认知工具，用以支持、指导和扩展学生的系统化思维水平。学生可以通过对探究性数据的可视化，加深对知识的理解，完成知识的显性直观化，增加知识的交互性与关联性。依据学习分析进行的学习过程反馈为学习者自我评估提供了依据，有助于学习者在自我反思中进步，形成自己的学习路径图。此外，教学过程中的数据分析也可以使教育管理者对教学的整个流程有深入的了解，更加科学地完成教师考核、教学设计，更具针对性地管理学生，为学校的科学决策提供依据，更好地促进学校整体发展。

　　1.教师角度：学习分析，优化教学环节

　　数据可视化技术可以帮助教师通过数据收集工具和可视化分析工具，直观获得有关学生的学习绩效、学习过程以及学习环境的信息，这些信息可以为教师设计课程、为学生提供教学支持提供依据。(Olmos et al.，2012)教师可以从学习管理系统中，获得学习者行为数据，包括登录系统时间、访问网页、完成课程任务和交互的情况等。通过这些数据的分析，教师能对学生的学习需求、学习风格、学习进展进行判断，进而修改教学日程、内容和方式，对需要帮助的学生进行指导干预，并制定能够满足学生学习需求的个性化教学方案。(顾小清等， 2010)此外，在这个过程中，教师也可对自己的教学过程和教学成果有一个直观的审视，以此促进教师的专业发展。

　　数据可视化技术还可以改善教师的教学方式。教师可以根据教学内容开发生动交互的学习材料，让学生直观地接受知识;可以让学生通过可视化工具对学习数据进行分析，自主探究知识。在数据可视化技术的支持下，教学的评价方式也随之发生变化。教师可以通过对学生学习过程的可视化展示，进行过程性评价;也可以在总结性评价中，改变传统的纸质测试，利用可视化工具对学生的多元智能进行综合评测(例如让学生构建课程的知识体系结构图)。总之，数据可视化技术可以让教学过程的各个环节得到优化，进而提高教学质量。

　　2.学生角度：促进知识探究、内化，进行自我评估

　　学生在进行探究式学习的过程中，可以对一些研究数据进行可视化的处理分析，探究知识规律。学生也可以根据自己的理解对现有的知识进行可视化建模，形成知识框架与互联体系。可视化的知识模型能够促进学生间有效的沟通与交流，便于发现自己和其他同学的异同，有助于完善自己的知识体系。同时，使用可视化建模工具呈现知识有助于学习者以具体和有意义的方式来表征概念，促进思维的外显和学习的反思。学习者在接受评价形成模型的过程中，促进了新旧知识的整合，建构了知识网络，培养了自我反思的能力;通过模型，学习者将自己对于知识的理解表现出来，有助于加强知识结构化的形成，培养结构化思维模式。知识的结构化过程是“新手”向“专家”转变的过程。(王大平等，2004)当知识以一种层次网络结构呈现的时候，会提高信息搜索速度。

　　对学习过程数据的可视化处理结果，可以作为学生自我评估的参照。学生可以直观了解自己的学习行为(学习时间、时长和浏览内容等)，并与其他同学形成比较，反思自己的学习过程，促进学生自我规划，成为主动的学习者。比利时鲁汶大学计算机科学系Govaerts等人在ROLE(一个欧盟项目)中，开发了一个内嵌在网页上的应用程序，用来记录学生在课程中的参与活动情况，并将数据进行可视化分析，以折线图、平行坐标、柱状图等方式来显示学生的学习情况，为学生提供反馈，以促进他们更好地学习。(顾小清等，2012)

　　另外，对学习平台数据的可视化处理，可以为学生建立单独的纵向成长记录，形成个性化的学生进步报告。将学生在读期间的全过程以可视化的方式呈现出来，即可实现Dawson等所说的情景：追踪学生从最初入学、课程进展、最终毕业以及就业过渡的整个学习生涯，那么一个丰富的学生学习经历的画卷将会产生出来。(李逢庆等，2012)

　　3.教育管理者角度：进行教学管理和决策

　　对学校教学过程数据进行可视化处理，可以帮助学校修正愿景、提供期望，并向社会公布和展示反映学校绩效的各种数据成绩，进而帮助学校确定发展目标和整体发展策略。学校管理者可以依据教学过程数据的可视化处理，考核教师绩效。为了有效监控地方电大网上教学情况、对地方电大网上教学工作进行有针对性的指导和帮助，中央广播电视大学每年要组织对地方电大日常网上教学的跟踪检查，以此作为评价地方电大进行网上教学的重要指标，这时数据的统计与可视化处理就起到了重要的作用。(魏顺平，2013)学校可以通过数据可视化的分析，得知每一个学生的具体表现情况，进而针对性地对学生进行管理和教育，及时发现每一个落后的学生，不让一个学生落后。普渡大学的“警告信号系统 ” (Signals —— Stoplights for Student Success)就是一个典型的例子。学校通过从网络教学平台以及课程成绩簿中收集信息来形成学生学习困难的层次，分别用绿色、黄色和红色来标示危险等级，进而对学习成绩有“危险”的学生进行有针对性的教育。

　　此外，学生在在线学习中产生的数据也将为教育管理者选择设计更好的教学平台提供依据。例如，通过记录鼠标的点击，可以研究学习者的活动轨迹，发现不同的人对不同知识点的不同反应，明确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。单个个体行为数据似乎是杂乱无章的，但当数据累积到一定程度时，群体的行为就会在数据上呈现出一种秩序和规律。分析这种秩序和规律，有助于设计合理的在线学习平台，弥补缺乏教师面对面交流指导的不足，保证教学效果。

　　四、在教学中的应用案例

　　1.课堂教学

　　李婧(2011，2012)使用VisualEyes开发了人民教育出版社九年级上册《世界历史》中 8 个单元的可视化课程，并在安徽省马鞍山市第二中学实验学校九年级历史组进行了教学实验。图 1 为教学实验中的一个实例，教学内容为《新航路的开辟》。教师可以在可视化课程中指定教学内容进行呈现，例如这里指定展示“新航路的开辟”中 “哥伦布的航海路线”。随着时间轴的播放，地图上动态地描绘出哥伦布随时间变化的航海路径。可见，VisualEyes 可呈现随时空变化内容的优良特性，有利于学生的时空感知，帮助学生理解抽象的知识。通过可视化工具开发课程教材，能够让学生生动直观地了解课程知识，提升课堂教学质量。

　　2.教学干预

　　现在很多网络教学平台 ( 如 Blackboard、 Moodle)，都会记录用户行为，例如系统登录时间、资源访问情况、与其他同伴的交互等。通过这些数据的可视化分析，教师可以直观地了解学生的学习情况，更有针对性地满足学生的学习需要;并根据学生学习中的具体问题，提供有针对的建议和指导意见，促进学生的发展。南京大学研究生“双语学习科学导论”课程中，使用Blackboard平台进行网络讨论与交流。教师为了了解学生在网络上的行为、时间等，利用Blackboard平台中“统计评价”功能自动生成统计图(如图2-5)。通过这些直观的图表，教师可以对学生的学习情况有一个直观的掌握。如通过图2，老师可以了解学生在某块知识点下的努力程度或者交流程度，选择学习不足的重点内容(如设计研究：学习科学的核心)进行补充指导。通过图3，教师可以发现周三是学生访问论坛的高峰期，而本次课程是在周三下午进行，因此可以推测学生更多的是为上课或临时完成作业而进行讨论，并非一个长期逐步的学习计划。这对教师如何安排课程、如何组织学生有计划的学习都具有重要的指导意义。通过图4和图5，教师可以了解整体或个别学生的学习时间规律。结合学生在课堂的表现，教师可以为学生进行个性化的反馈，促进教学的优化。

　　相关知识推荐：英文论文怎样查重和降重

　　澳大利亚卧龙岗(Wollongong)大学领导多个学校共同参与的“学习网络可视化与评估项目”，研发了学习网络可视化评估工具。该软件可以从学习管理系统中收集学生的学习行为信息(如在线时间、下载次数等)进行分析，这些分析结果可以用于调整教学，为学习者提供指导，提高其学习能力。(李青，2012)此外，网络教学平台，例如 Blackboard 9.0 具有的“早期预警功能”(Early Warning System)，可以根据教师制定的规则，对学生在教学平台中的表现自动进行评价。当学生表现达到教师设定的警戒线时，就会自动给出预警信息，及时发现学习中存在问题的学生。

　　3.教学评价

　　张宝辉教授等人使用计算机建模工具“Model-It”在新加坡一所小学的四年级课堂中进行教学实验，利用模型对学生进行考核评价。在研究中，研究者首先向学生介绍了对象、变量和关系的基本概念，并用“影响空气质量的因素”为例演示了用Model-It建立模型的过程。接着，向学生展示了具有两条食物链的食物网，然后要求学生建立自己的食物链模型。最后，研究者将学生创建的模型统一收集上来。在教学实验过程中，研究者在介绍 Model-It 的使用之前，依据科学课程的成绩和性别，采访了18个学生，了解他们对于模型和建模的认识情况。随后，研究人员对这18个同学的建模过程进行了记录。最后，研究者按照一定标准，将学生成绩与建模质量进行比较。图6为教学实验中一个学生建立的食物链模型。

　　利用可视化工具进行评价是实现考试学习化、考试创作化、考试个性化、考试团队化、考试智能化、考试资源化的新型评价方法(桑新民，2009)的有效途径。上述可视化的建模方式，可以更全面地反映学生特点，促进学生综合素质的发展。此外，相对传统测试而言，建模评价测试的过程成为学生新的学习过程。学生可以根据自己的理解，通过学生之间的互动交流完成测试。除此之外，教师还可以利用可视化工具对学生的学习行为进行整理，形成可视化图形，对学生的网络行为表现进行过程性评价。例如李文昊、白文倩(2011)在“现代教育技术”网络课程中，应用Ucinet 6.0对学生在博客中的自主反思和交流情况进行分析，建构了社群图，以此来判断学生之间的互动交流情况，对学生的学习过程进行评价。

　　4.知识探究

　　张宝辉教授等人在新加坡中小学科学教育中设计开发了“iMVT”(Modeling and Visualization Technology Enhanced Inquiry-Based Science Learning)教学法，通过模型建构的可视化处理，让学生通过自己创造的各种知识表象来揭示科学现象内部各部分之间的关联性，培养学生系统化的思维方式，促进系统化知识的提炼和升华。(Zhang et al.，2010)此后，张宝辉教授团队在此研究的基础上，继续设计开发 “WiMVT”(Web-Based Modeling and Visualization Technology Integrated Inquiry-Based Science Learning Environment)，方便学习者之间进行沟通协作，更好地促进学习。WiMVT引入了渐进式建模的观点，为学生提供三种建模工具：绘图工具、定性建模工具和定量建模工具，帮助其逐步加深对知识的理解。(孙丹儿等，2012)

　　哥伦比亚大学的Peter Eisenberger教授在交叉性课程 “ 地球和人类系统 ” (The Earth/Human System)中让学生使用概念图工具 VUE(Visual Understanding Environment)来创建知识地图，帮助学生理解复杂问题，并将可持续发展的复杂问题与其各自的生物、物理和社会科学领域知识加以联系。(Beeby，2009)Marcia C. Linn 教授等人也将可视化工具应用在科学教学过程中，并取得了不错的教学效果。(Kali et al.，2008)学习者通过可视化的工具可以进行探究性的实验活动，并将自己所接触的知识表达出来，帮助自己了解各个知识点之间的内在联系，促进知识的内化。

　　5.学习者模型分析

　　大规模网络开放课程(Massive Open Online Courses，MOOC)的兴起，为全球的学习者提供了得到更好的用户体验和学习支持的机会。MOOC与之前兴起的开放教育资源(OER)的一个明显不同便是增加了行为评价和学习诱导。(CIO 时代网， 2013)MOOC由于向全世界开放，学习者众多，管理者可以收集更广泛的数据，进而研究世界各国学习者的行为模式，打造更好的在线平台。教育技术咨询专家和分析师Phil Hill(2013)根据MOOC中学习者的表现数据，提出了5种学习者模型：

　　爽约者。在一门MOOC课程的注册者中，这类学生往往是最大的群体。他们激活了帐号，并注册了课程，但是却从来没有登录过这门课程。

　　袖手旁观者。这些学生登录了课程，也许还阅读了课程内容，浏览了其他学习者的讨论，但是，除了镶嵌在视频中的那些弹出式测试，他们不参与其他任何形式的评估。

　　临时进入者。一些学生参与某一门课程中的一些选题或者一些活动(如观看视频、浏览或参与讨论)，但是不去努力完成整个课程。

　　被动参与者。这些学生以消费的方式浏览一门课程。他们也许观看视频、参加测试、阅读讨论组的内容，但是通常不会主动完成课程作业与任务。

　　主动参与者。这些学生全身心地投入MOOC课程学习，参与讨论组，完成绝大多数作业、任务和所有的测验与评估。

　　综上，数据可视化技术可以帮助教学管理者建立学习者模型，对学习者学习表现进行分析，进而发现课程设计上的问题，完善教学设计与平台功能，提供更好的教学支持服务，促进教学组织的发展。

　　五、小结

　　数据可视化技术经过多年的发展，已经产生了一大批优秀的产品工具，并在工程、计算、金融、医疗等领域得到了较为成熟的应用。然而其在教育领域的应用尚显不足。如何对学习过程中产生的数据进行挖掘，并得到良好的可视化显示应用?如何让知识变得直观、艺术、关联、交互?如何利用数据的可视化处理来加强学校的管理与决策?这些都还需要研究者不断去探讨实践。数据可视化技术作为教学信息化发展的重要途径，将为支持教学服务提供有力的帮助，促进教师教学、学生知识构建以及学校管理。——论文作者：张金磊张宝辉刘永贵

　　参考文献：

　　[1][美]Ben Fry(2009).可视化数据 [M].张羽.北京:电子工业出版社.

　　[2]CIO时代网(2013).大数据正对教育行业带来革新[EB/ OL].[2013-04-31]. http://www.ciotimes.com/industry/jy/78601.html.

　　[3]陈建军,于志强,朱昀(2001). 数据可视化技术及其应用 [J]. 红外与激光工程,(5):339-342.

　　[4]程东箭(2006). Google Trends谷歌趋势热力上线 [J].互联网天地, (9):38.

　　[5]顾小清,黄景碧,朱元锟等(2010).让数据说话:决策支持系统在教育中的应用[J].开放教育研究,(5):99-106.

　　[6]洪文学,王金甲(2010).可视化和可视化分析学[J].燕山大学学报, (2):95-99.

　　[7]教育部(2012).教育信息化十年发展规划(2011-2020年) [EB/OL]. [2013-04-31].http://www.edu.cn/zong_he_870/20120330/ t20120330_760603.shtml.

　　[8]李逢庆,钱万正(2012).学习分析:大学教学信息化研究与实践的新领域[J].现代教育技术, (7):5-10.

　　[9]李婧(2011).可视化工具 Visual Eyes 及其在教学中的应用初探[J].现代教育技术, (1):125-128.

　　[10]李婧(2012).浅谈基于可视化工具Visual Eyes的教学案例的设计[J].中国远程教育, (4):87-90.

　　[11]李青,王涛(2012).学习分析技术研究与应用现状述评 [J].中国电化教育, (8):129-133.