大數據分析與量化研究的區別與整合
——兼議教育量化研究的未來走向

汪雅霜,嵇 艷

(1.南京大學 教育研究院，南京 210093；2.南京醫科大學 護理學院，南京 211166)

?

大數據分析與量化研究的區別與整合
——兼議教育量化研究的未來走向

汪雅霜1,嵇 艷2

(1.南京大學 教育研究院，南京 210093；2.南京醫科大學 護理學院，南京 211166)

大數據對社會科學研究產生較大影響，大數據分析開始逐漸應用于教育學等研究領域并取得了較好成效。隨著大數據分析在學術領域中的使用，人們對大數據分析和量化研究的認識產生了分歧，甚至有學者將大數據分析等同于量化研究。研究表明，大數據分析不同于教育學等研究領域中所使用的量化研究，兩者在科學研究范式、數據獲取方式、數據分析方法等方面都有所不同。但是，大數據分析與量化研究在學術研究中可取長補短，未來的研究可結合大數據分析和量化研究各自的特點進行整合，拓寬研究的思路與空間。建議在研究范式上強調知識驅動與數據驅動相統一，在數據獲取上強調結構與非結構、橫斷面與歷史數據相結合，在數據分析方法上強調統計推斷與數據挖掘相融合。

大數據分析；量化研究；教育研究；社會科學研究

一 學術研究已步入大數據時代

隨著互聯網、云計算以及物聯網等計算方法和信息技術的快速發展，數據獲取、儲存與分析功能獲得極大突破。大數據(Big Data)逐漸進入公眾的視野，大數據分析(Big Data Analytics)應用的范圍也越來越廣泛。大數據開始改變人們的認知與生活方式，對社會各界帶來沖擊與挑戰，對學術研究也產生了極大的影響。在教育學等研究領域，雖然有學者對大數據持懷疑和批評態度[1，2]，但大數據的倡導者認為，大數據克服了以往傳統“小數據”量化研究代表性差、主觀性強、準確性低等缺陷，使研究的結果更加客觀中立、規范科學。更有大數據的崇拜者由于大數據強大的數據基礎及其蘊含的信息和知識，對傳統量化研究干脆予以全面顛覆，更斷言數據科學家將會取代社會科學家[3]。眾所周知，量化研究自出現于社會科學研究領域以來，為經濟學、社會學等學科注入了全新的生機與活力。近幾年來，我國教育學研究領域也開始大量使用量化研究來對相關教育問題進行分析。量化研究通過把研究對象“量化”為數據，用“數據說話”，使得教育研究真正開始進入“科學”研究的范疇，推進了教育研究科學化的進程。量化研究離不開數據，而大數據分析則把數據的作用發揮到了極致，因此有學者認為，借助大數據分析的推力，教育學等社會科學將脫下“準科學”的外衣，真正進入“科學”的殿堂[4]。那么，大數據分析就是量化研究嗎？大數據分析與量化研究又有怎樣的聯系和區別呢？如何結合大數據分析與量化研究的特點來開展教育研究呢？

二 大數據與大數據分析的內涵與定義

(一)大數據的內涵

有學者將大數據定義為“龐大、多樣化、復雜的、縱向的和/或分布式的數據集，由工具、傳感器、網絡互動、電子郵件、視頻、點擊數據流和/或其它現在以及將來可使用的數字資源”[5]。維基百科定義大數據為“足夠龐大和復雜的數據集，以至于現有的數據管理工具或傳統的數據處理應用程序難以處理”。美國高德納公司(Gartner Group)認為“大數據”是需要新處理模式才能具有更強的洞察發現力、流程優化能力和決策力來適應海量、高增長率和多樣化的信息資產。以上幾種表述雖然不盡相同，但對大數據普遍的共識是：大數據的數據量龐大、種類繁多、數據復雜以致傳統工具難于處理。數據蘊含可供分析的信息，可創造知識和價值。目前，學術界一般用“4V”概括大數據的特征：即種類多(Variety)、速度快(Velocity)、容量大(Volume)、價值密度低(Value)。大數據的意義就在于，可供人類分析和使用的數據量在大增，通過對大數據的整合、交換、分析和挖掘，可以發現新的知識、創造新的價值，帶來“大知識”、“大利潤”、“大科技”和“大發展”[6]54-58。

(二)大數據分析的定義

大數據引起了人們的廣泛關注和高度重視，但大數據的“4V”特征決定了大數據分析才是其核心議題。如何有效處理和分析大數據，進行數據的去冗存精，從大數據中挖掘出有用的信息、發展新的知識、產生行動決策的智慧，才是大數據的關鍵。那么，何謂大數據分析呢？先從范式層面來看，有學者認為大數據分析是信息時代的產物及顯著特征，并構成了信息時代復雜性的基礎。知識本質上不再是傳統意義上的得到辯護的真信念集合，網絡本身成為了知識的本體。因此，知識發現的方式和科學研究的范式改變，不再是預設和檢驗某種假設，而是直接通過數據對復雜社會領域中的動態變化的法則進行分析和處理[7]。再從技術方法來看，有學者認為大數據分析即根據數據生成機制，廣泛采集、存儲并清洗數據，以大數據分析模型為依據，在大數據分析平臺的有力支撐下，運用云計算技術來調度計算分析資源，最終挖掘出隱藏在大數據背后的模式或規律的數據分析過程[8]。大數據分析的運用主要集中于政界與工業界，用于發現政治或商業等領域的運行規律，使決策者可以在數據所形成的證據基礎上推進決策的科學性，使決策更具權威性和準確性。目前，隨著信息技術與教育的深度融合，大數據分析也開始逐漸應用于教育學研究領域。大數據分析可以描繪出學生的學習路線圖，監測學生學習的全過程，從而為學校提升學生學習質量提供科學的依據。

三 大數據分析與量化研究的比較

(一)量化研究的發展歷程

大數據分析基于前所未有的海量數據。那么，大數據分析就是量化研究嗎？大數據分析與教育學等研究領域中所使用的量化研究有什么關系呢？要回答這兩個問題，還需要追溯量化研究的起源與發展，闡明量化研究的本質，進而揭示兩者的關系。18世紀30年代，法國著名的哲學家孔德(Auguste Comte)提出實證主義(Positivism)概念，主張用自然科學方法研究社會現象。實證主義承襲了經驗主義哲學的思想，強調感覺經驗，反對傳統神學和形而上學，認為唯有科學方法才是人類認識客觀世界的手段。孔德的早期實證主義思想奠定了量化研究的方法論基礎。隨后，涂爾干(Emile Durkheim)率先踐行了孔德的實證主義社會學，認為社會科學研究在于尋找普遍性的規律和事物之間的因果關系，并且以“社會整合度”分析了自殺行為的原因，證明了在社會科學研究中運用量化的可能性，開創了量化研究的先河。

除了受哲學思潮的影響，自然科學的巨大進步也激發了人們運用自然科學方法研究社會現象的熱情，形成了一股列寧稱之為“從自然科學奔向社會科學的強大潮流”[9]5。尤其是上世紀50年代以后逐步形成的當代科學技術革命，將這股強大潮流又推向了新的高潮，使社會科學研究中一直存在的科學主義方法論思潮更加根深蒂固。正如賴特·米爾斯(Wright Wills)所說：“在許多問題的研究中，與哲學有別的經驗主義方法無疑是游刃有余的。”[10]73

如上所述，教育學等研究領域中所使用的量化研究是在批判神學與形而上學的基礎上產生的，因后兩者的本體論已超出了人類理性認知的能力[2]。因此，量化研究是以客觀主義認識論為基礎的，通過統計學測量獲得數字資料，尋求能解釋社會現象與行為的普遍法則。強調在一個價值無涉、邏輯的還原論和決定論的理論框架下，測量與分析變量之間的因果關系[11]。量化(quantization)是以“量”的形式收集和分析經驗材料。量是一個基本的數學概念，以數為基礎，作為客觀事物之間區分異同的一種屬性，是事物可以用數來表示的規定性。通過測量可獲得量的大小，測量將量與作為標準的同類量進行比較。因此，量的表達是由數字構成的數的集合以及與物質集合相關的計量單位組成[12]。

(二)大數據分析與量化研究的不同

針對大數據分析與量化研究的考察，我們不難發現兩者的不同，大數據分析不能等同于教育學等研究領域中使用的量化研究。首先，在研究的方法論層面上，大數據分析代表了信息時代一種新的復雜性的科學研究范式或知識發現方式。不同于量化研究傳統的科學研究范式的特征，基于大數據的科學研究具有數據密集型和數據驅動型的典型特征，與傳統科學研究的思維體系有較大的差異[7]。其次，在具體的方法層面上，大數據分析遵循的是量化研究的“量化”思路，但“量化”的本質發生了變化。教育學等研究領域中的量化研究的“量化”是測量研究對象以轉化為以數為基礎的量。而大數據分析是基于已有生成的數據，包括數字形式的數據，也包括圖形、表格、文字等半結構化和非結構化數據，以量化的思想對所有數據進行結構化的轉化。最后，在方法程序和操作方式上，大數據分析與量化研究也有所不同。量化研究使用的是傳統的基于統計學原理的數據處理與分析方法，而大數據分析則采用基于數據庫原理和計算機技術的數據挖掘和分析技術。綜上所述，大數據分析已經不再是傳統意義上的、基于小數據思想的量化研究。

四 大數據分析與量化研究的具體區別

那么，教育學等研究領域的量化研究與大數據分析具體有何區別？雖然兩者都是以數據為基礎進行分析，都試圖通過數據理解和把握人類社會，但是在科學研究范式、數據獲取方式、數據分析方法等方面都有了較大差別。

(一)科學研究范式不同

教育學等研究領域使用的量化研究是實證主義研究范式指導下的具體研究方法，首先遵循傳統科學研究“提出假設——構建模型——收集數據——驗證假設”的基本研究路徑，也就是基于問題收集數據，并通過實驗、觀察、調查等方法來處理研究對象。其次，量化研究收集的數據來自經抽樣得到的、假設能代表總體的樣本。因此，量化研究在統計分析時存在由樣本推斷總體的統計思想。而基于大數據的分析是通過對“總體”數據的分析與挖掘來發現知識。在大數據分析中，數據被認為是“全樣本數據”，不存在統計推斷的思想，數據分析路徑是直接從總體數據中發現規律并預測趨勢，加以歸納總結形成結論，即“發現—總結”。挖掘數據不是為了科學驗證，而是要發現數據背后隱藏的人類態度或行為的規律[13]。正如數據庫研究專家吉姆·格雷(Jim Gray)指出的兩者間的區別，大數據分析的典型特征是“數據驅動”，區別于傳統的由研究者提出問題或假設、構建框架、假設檢驗的“知識驅動”路徑[14]。大數據分析的認識論基礎是直接利用產生于數據中的規律和趨勢，而非通過數據分析檢驗結論。這也意味著大數據分析與教育學等研究領域使用的量化研究所遵循的科學研究范式不同。

(二)數據獲取方式不同

教育學等研究領域使用的量化研究中的數據是研究者為了特定研究目的，主動運用抽樣技術從總體中抽取出具有代表性的樣本，再通過實驗、觀察、調查等方法收集的，其數據具有有限性、穩定性、不可擴充性等特征。而大數據具有復雜性、不確定性、涌現性等特征[13]，主要通過網絡技術生成，包含互聯網、智能設備、醫療設備、視頻監控、移動設備等，除少量數據可以被公開共享以外，絕大多數都掌握在政府與企業手中，研究人員難以獲得。與傳統數據在研究中的工具性和依據性不同，大數據分析先有數據，再通過對數據的結構化與全面分析獲得有價值的結論，數據本身已經上升到蘊含豐富的有待開發的信息和知識的資源地位[12]。盡管傳統數據的客觀性和真實性等被大數據擁護者們所詬病，但大數據也并非無所不能，也有其先天不足之處。首先，由于大數據的隨機生成特點，可能形成眾多沒有價值的數據，而有價值的信息可能被掩蓋，即大數據“價值密度低”的特點。其次，大數據也是基于一定條件下的總體數據，而非隨機抽取的能代表總體的個體總和，數據的代表性可能并不如量化研究。例如，研究中來自互聯網的數據，因網絡用戶往往是特定的用戶群體，而不能代表所有人群。第三，教育學等研究領域使用的量化研究注重使用問卷管理等技術以確保數據盡可能真實準確，而大數據在產生、管理和使用過程中，由于某些主觀因素，例如受利益驅使的人為操控，在可信度方面也有不盡如人意之處。

(三)數據分析方法不同

在量化研究的數據分析階段，對數據的處理依賴基于數學原理和定律、以概率論為基礎的統計學方法。由于研究者難以獲取總體數據，由此催生了由樣本推斷總體的思想，包括一系列抽樣技術和參數估計方法。因此，統計學的主要任務就是要克服非絕對隨機取樣引起的變異，運用分析方法通過對樣本數據的統計描述和推斷而獲得對研究對象總體的認識。而大數據的出現，因數據量之龐大、類型之復雜、發展之快速，使得數據分析僅靠統計學的一己之力已經難以實現。統計學必須加入以計算機科學、數學、邏輯學、系統科學、行為科學等眾多學科為基礎的數據科學中[13]，才能解決大數據分析的問題。為克服統計方法計算能力有限的問題，大數據分析需要依托云計算，主要依賴基于計算機科學的數據挖掘技術，包括機器學習，通過各種算法從數據中挖掘信息，如發現相關性規律、預測分析等，這與教育學等研究領域的量化研究所使用的分析方法不同。

五 大數據分析與量化研究的整合

大數據分析不同于教育學等研究領域中使用的量化研究，但大數據分析的興起與發展并不意味著量化研究方法的式微。因為目前的技術限制無法完善大數據本身的缺陷，例如大數據更多的是記錄人的行為，而較少兼顧主觀態度和價值觀。因此，大數據分析不能取代抽樣調查、實驗研究等量化研究在教育學等研究領域中的地位，但大數據分析為量化研究開拓了更廣闊的研究領域。兩者在知識發現和數據類型等方面存在互補。一方面，量化研究的“小數據”忌諱“數據驅動”，強調基于理論的假設驗證，而大數據分析恰恰利用了“大數據”，旨在通過數據發現知識；另一方面，大數據可以彌補量化研究“小數據”的不足，擴大數據的規模并豐富數據的類型。因此，積極應對大數據帶來的機遇與挑戰，整合大數據分析與量化研究，充分利用大數據的優勢，在教育學等研究領域中開展更好的量化研究，這是研究者值得思考的議題，也是教育量化研究的未來走向。

目前，在教育學等研究領域中使用大數據分析來開展研究已成為一種趨勢，大量的研究人員開始利用大數據分析技術，在研究中增加新維度、拓展新空間。近幾年來，一些學者進行了積極嘗試，例如復旦大學的研究者利用慕課平臺上的中文課程“大數據與信息傳播”后臺點擊行為大數據，分析了四種視頻風格及六種PPT特征，并對分析進行評分者一致性的檢驗，將視頻特征的分析結果與跳轉行為頻率之間的關系進行比對[15]。那么，具體而言，教育學等研究領域的研究者在大數據背景下如何開展更好的量化研究呢？根據上文所述，量化研究與大數據分析主要在科學研究范式、數據獲取方式、數據分析方法三個方面存在區別，這三個方面也是開展科學研究最為關鍵的環節。因此，以下也將從這三個方面進行闡述。

(一)科學研究范式：強調知識驅動與數據驅動相統一

大數據分析重構了知識的構成問題和研究過程，形成了研究與實踐范式的轉換，表現為知識驅動轉向數據驅動，從知識發現轉向某種意義的智慧獲取[16]。大數據分析代表了信息時代一種新的復雜性的研究范式，新的研究范式形成新的研究思路與方法，不必拘泥于傳統的基于理論來建構模型，只需依賴大量數據就能發現復雜的關系與結構，創造出新的知識。大數據分析拓寬了量化研究的視野，盡管有不少學者將大數據分析思維理解為只需要探究一般的相關關系，即幫助我們在大量的數據中，挖掘出事物之間的相關關系。但基于大數據的量化研究并不能止步于相關分析，而要以相關分析為基礎來尋找相關聯的變量，再深入科學理論從而發現更為復雜的因果機制。正如有學者指出，大數據時代有助于發現隱藏的“歷史事實”，但決定或影響大數據資料背后一系列“歷史事實”所構成的整體性現象中的錯綜復雜關系的因果機制，仍然依賴于運用科學理論不辭余力地去探索，唯有對因果機制的梳理解決，才能更好彰顯大數據對量化研究的貢獻[17]。因此，在知識驅動模式產生的理論基礎上，實現“知識驅動”與“數據驅動”的融合是大數據時代教育學等相關學科研究范式轉變的必然趨勢。在相關理論的指導下，研究者可以結合現實需求與大數據中的特定數據，改變先有數據后有分析的邏輯順序，先凝練出大致的研究方向并提出理論假設，再利用大數據平臺挖掘數據，從而更好地驗證假設和解決現實問題，研究結果也可以進一步補充理論的發展。比如，有學者發現在線學習領域的相關研究大部分集中于在線學習資源建設與教學設計等方面，卻忽略了在線學習中學生情緒的測量。因此，江蘇師范大學的學者們基于情緒測量理論，采取大數據的一般處理流程，綜合網絡爬蟲、視頻監控、情感識別、可穿戴設備、文本挖掘等大數據分析技術等來構建在線學習情緒測量模型?；诖髷祿脑诰€學習情緒測量模型強調“知識驅動”與“數據驅動”的融合。模型包括應用層、技術層和數據層，根據其功能劃分為四個模塊——用戶數據模塊、反饋交互模塊、情緒集成模塊以及分析診斷模塊。該模型旨在解決在線學習中缺少情感交流的問題，可提高在線學習者加強學習過程中的情感交互，提升學習者在線學習的興趣，使學習者的積極情緒得以激活以及在線學習效率得以大幅度提升[18]。

(二)數據獲取方式：強調結構與非結構、橫斷面與歷史數據相結合

目前，教育學等研究領域中使用的量化研究以分析結構化數據為主，對于內涵豐富的非結構化數據并沒有非常適切的分析方法。但大數據分析技術對于數據結構的要求并不像量化研究那樣高，人們在互聯網上留下的行為習慣信息、社交信息、地理位置信息、偏好信息等各方面的信息都能實時進行處理，全方位的描繪出每一個個體的個性化特征[19]。因此，量化研究若能利用大數據平臺，實現結構化與非結構化資料相統一，在大數據中直接獲取并篩選出與研究問題相契合的變量，那么量化研究就會如虎添翼，大大節省數據采集與清洗過程中的人力成本和時間成本。另外，除了反映當下狀態的橫斷面數據，歷史數據的收集是大數據研究的優勢。即便傳統量化研究也可以收集縱向的歷史數據，但與信息時代的大數據相比是極為有限的。大規模的歷史數據有助于將傳統的量化研究置于更廣闊的時間與空間維度下，幫助研究者理解數據的歷史背景與社會制度環境，挖掘清楚“因”導致“果”的關系鏈條與傳導機制[20]。因此，利用大數據平臺，從中獲取半結構化與非結構化的數據以及豐富的歷史數據，是當前教育學等相關領域研究者利用大數據進行量化研究的可行途徑。比如，2011年，哈佛大學、麻省理工學院、谷歌研究團隊與大英百科全書的學者，在國際頂尖期刊《科學》上發表了題為《使用百萬數字化書籍的文化量化研究》的論文。該項研究是借助大數據平臺獲取豐富歷史數據，實現結構化與非結構化資料相統一的典型案例。研究團隊借助谷歌圖書的海量數字化資料，分析了公元1500年到2000年間500多萬本書籍高達5000多億單詞的語料庫。通過在語料庫中對關鍵詞的使用頻率變化進行分析，可以展示500年來人類文化發展史中或饒有興致或鮮為人知的現象和趨勢[21]。

(三)數據分析方法：強調統計推斷與數據挖掘相融合

量化研究與大數據分析各有所長。量化研究收集數據帶有一定的目的性，是“為研究”而收集，也可以說是基于理論創新而“制造”數據，從這個方面來說，傳統小數據比大數據更適合開展具有理論意義和理論突破的研究[22]。而大數據分析更擅長于發現規律和預測趨勢。從關注的人群來看，教育學等研究領域中的量化研究關注個體和特定小群體的研究，而大數據分析關注總體人群的研究，從而舍棄了對個體或小群體在研究中的價值。在具體的數據分析方法層面，量化研究方法包括實驗研究中的因果推斷、調查研究中的相關分析和回歸分析等。而大數據分析則主要依靠可視化分析、語義分析以及偏差分析等數據挖掘技術。大數據分析一般很難使用傳統意義上的因果推斷與回歸分析模型，但是考慮到大數據的海量性，如果能把基于大數據所做的數據挖掘技術與統計推斷技術進行結合，就能形成具有說服力的證據鏈[23]。若能發揮兩種數據分析方法各自的特點，促進大數據分析與量化研究的優勢互補，將會大大促進研究結果的完整性與可信度，這也是在大數據背景下教育學等相關學科開展量化研究的重要方法。比如，在關于慕課的相關研究中就可以很好地把數據挖掘技術與統計推斷技術相結合。目前，慕課的具體實現的方法就是教育數據挖掘和學習分析。學習分析是一個跨學科的研究領域，涉及計算機科學、信息科學、學習科學、統計學以及心理學等相關學科。學習分析通過監測學生的學業表現來發現學生學習過程中的相關問題并進行及時干預。而學習分析的重要研究工具之一就是統計推斷方法。教育數據挖掘更注重新的數據分析方法與模型，而學習分析則更強調利用已有的統計模型來回答影響學生學習的相關問題[24]。東北師范大學的研究者基于大數據學習分析將數據挖掘技術與統計推斷技術相結合來分析在線學習行為，找出影響學生學習結果的預警因素，并建立相關的學習干預模型。同時，研究人員結合深度訪談與問卷調查來對模型的有效性進行驗證。研究結果表明干預模型能夠有效識別出有學習困難的學生，并能及時向學生發出預警信息以及提供個性化的干預措施[25]。

[1]胡弼成,王祖霖.“大數據”對教育的作用、挑戰及教育變革趨勢——大數據時代教育變革的最新研究進展綜述[J].現代大學教育,2015,(4)：98-104.

[2]楊子飛.“第三洞穴”與“數據主義”——論大數據社會科學的內在矛盾[J].自然辯證法研究,2016,(8):63-67.

[3]閻光才.教育及社會科學研究中的數據——兼議當前的大數據熱潮[J].北京大學教育評論,2013,(4):77-86.

[4]李國杰.大數據研究的科學價值[J].中國計算機學會通訊,2012,(9):8-15.

[5]FLORIDI L. Big data and their epistemological challenge[J].Philosophy&Technology,2012,(4):435-437.

[6]涂子沛.大數據[M].桂林：廣西師范大學出版社，2012.

[7]戴潘.基于大數據的科學研究范式的哲學研究[J].哲學動態，2016,(9):105-109.

[8]官思發,孟璽,李宗潔,等.大數據分析研究現狀,問題與對策[J].情報雜志,2015,(5):98-104.

[9]林聚任，劉玉安.社會科學研究方法[M].濟南：山東人民出版社，2004.

[10]賴特·米爾斯.社會學的想象力[M].北京：生活·讀書·新知三聯書店，2010.

[11]YILMAZ K. Comparison of quantitative and qualitative research traditions: epistemological, theoretical, and methodological differences[J].EuropeanJournalofEducation,2013,(2):311-325.

[12]劉紅，胡新和.數據革命:從數到大數據的歷史考察[J].自然辯證法，2013,(6):33-39.

[13]李金昌.大數據與統計新思維[J].統計研究,2014，(1):10-17.

[14]蔣家河,陳振華.風險傳播視角下對大數據的反思[J].青年記者,2016,(18):28-29.

[15]陳侃，周雅倩，丁妍，嚴文蕃，呂倩文.在線視頻學習投入的研究——MOOCs視頻特征和學生跳轉行為的大數據分析[J].遠程教育雜志,2016,(4):35-42.

[16]方環非.大數據:歷史、范式與認識論倫理[J].浙江社會科學,2015,(9):113-120.

[17]韓炯.從計量史學邁向基于大數據計算思維的新歷史學——對當代西方史學量化研究新發展的思考[J].史學理論研究,2016,(1):65-74.

[18]晉欣泉，王林麗，楊現民.基于大數據的在線學習情緒測量模型構建[J].現代教育技術,2016,(12):5-11.

[19]大數據非結構與半結構化[EB/OL].(2013-09-09)[2016-11-03].http://www.enkj.com/idcnews/Article/20130909/2447.

[20]陳志武.量化歷史研究的過去與未來[J].清史研究,2016,(4):1-16.

[21]陳云松.大數據中的百年社會學——基于百萬書籍的文化影響力研究[J].社會學研究,2015,(1):23-48.

[22]唐文方.大數據與小數據:社會科學研究方法的探討[J].中山大學學報(社會科學版),2015，(6):141-146.

[23]陳云松,吳青熹,黃超.大數據何以重構社會科學[J].新疆師范大學學報(哲學社會科學版),2015,(3):54-61.

[24]張羽，李越.基于MOOCs大數據的學習分析和教育測量介紹[J].清華大學教育研究，2013,(4)：22-26.

[25]趙慧瓊，姜強，趙蔚，等.基于大數據學習分析的在線學習績效預警因素及干預對策的實證研究[J].電化教育研究，2017,(1)：62-69.

[責任編輯：羅銀科]

Differences and Integration Between Big Data Analytics and Quantitative Research——Future Direction of Educational Quantitative Research3

WANG Ya-shuang1，JI Yan2

(1. Institute of Education, Nanjing University, Nanjing, Jiangsu 210093;2. Nursing School, Nanjing Medical University, Nanjing, Jiangsu 211166, China)

Big data analytics has great influences on social science research and has been gradually applied in educational research. However, there are some misunderstandings on big data analytics and quantitative research. Some researchers even think big data analytics is the same as quantitative research. This paper shows that big data analytics is different from the quantitative research in scientific research paradigm, the approach to data acquisition and data analysis method. But the study also shows that it’s possible for integrating the big data analytics and quantitative research in the future educational research. It is suggested that the research paradigm of knowledge-driven and the data-driven be unified, the structure and non-structure data, the cross-sectional and historical data be combined, and the data analysis method on statistical inference and data mining be integrated.

big data analytics; quantitative research; educational research; social science research

2017-02-08

江蘇省教育科學“十二五”規劃2015年重點資助課題“江蘇省本科生學習投入度的實證研究”(B-a/2015/01/002)。

汪雅霜(1985—)，男，湖南桃江人，教育學博士，南京大學教育研究院助理研究員，研究方向為教育測量與評價、定量研究方法； 嵇艷(1982—)，女，江蘇鹽城人，教育學博士，南京醫科大學護理學院講師，研究方向為心理與教育測量、教育統計與評價。

G526.5

A

1000-5315(2017)04-0036-06