大數據藍海

大數據於教育之運用：數據導向之學習分析與教育介入技術

圖六：數據導向之學習分析與教育介入技術示意圖

(Bienkowski, Feng, and Means, 2012)

學生的學習成效會受到許多因素的影響，例如學生的背景、個人特質、喜好、動機、學習行為、知識程度、教學方式等。然而收集和分析這些影響學生學習因素的數據費時費力，學生和老師難以取得即時的學習相關資訊來調整學習和教學。隨著學習資源管理系統和線上學習系統等電腦輔助學習系統逐漸被採用於學校和非正規教育，系統可以即時地收集和分析大量的學習相關數據，促使數據導向之學習分析與教育介入技術成為大數據於教育運用的研究重點。圖六是運用數據導向之學習分析與教育介入技術的模組與數據流示意圖(Bienkowski, Feng, and Means, 2012)。需要收集和分析的學習相關數據通常可分為學生個人資訊和學生學習數據。學生資訊包括學生的背景、個人特質、喜好、動機等數據。學生學習數據包括學生學習時的相關數據，例如教材瀏覽次數和時間、練習次數與時間、測驗表現、以及與老師和同學的學習互動。學者研發各種分類、關聯分析、和預測模型來分析相關數據，找出數據特定模式和趨勢，用來預測學生的學習行為和表現。預測模型所分析預測出的結果可以經由適性化機制提供學生適性化的學習內容與環境。預測模型所分析的結果也可以透過學習數據儀表板(learning dashboard)的視覺化呈現界面，協助學生和老師解讀數據並採取適當的行動。學生可以了解自身的學習狀況並調整學習方式，而教職員也可以針對個別學生或是群體學生作教育介入，輔導個別學生或調整教學。

數據導向之學習分析與教育介入技術已經開始被運用在實際教學情境。例如普渡大學的Course Signals系統收集與分析學生在每科目的修課表現、學習努力、先前的學習表現、以及學生特質，用來預測學生在每門科目的通過可能性(Arnold and Pistilli, 2012)。Course Signals可以提醒學生留意有被當風險的科目，也提醒老師輔導有被當風險的學生。ASSISTment系統的學習數據儀表板顯示個別學生使用系統的學習時間、完成單元數、和答題正確率，以及全班學生在各單元的答題正確率，協助老師了解學生的學習狀況，以便調整教學和輔導個別學生(Feng and Heffernan, 2007)。可汗學院(Khan Academy)的學習數據儀表板提供21項視覺化的學習指標幫助個別學生了解自身學習狀況，也提供班級的群體指標幫助老師了解學生的學習狀況以便調整教學(Ruipérez-Valiente, Muñoz-Merino, Leony, and Kloos, 2015)。

參考文獻

[1] Arnold, K. E. and Pistilli. M. D. (2012) Course signals at Purdue: using learning analytics to increase student success. In Proc. of the 2nd International Conference on Learning Analytics and Knowledge. ACM, pp. 262-270.

[2] Bienkowski, M., Feng, M. and Means, B. (2012). Enhancing teaching and learning through educational data mining and learning analytics: An issue brief. US Department of Education, Office of Educational Technology, pp. 1-57.

[3] Feng, M., & Heffernan, N. T. (2007). Towards live informing and automatic analyzing of student learning: Reporting in assistment system. Journal of Interactive Learning Research, 18(2), pp. 207-230.

[4] Ruipérez-Valiente, J. A. Muñoz-Merino, P. J. Leony, D. and Kloos, C. D. (2015). ALAS-KA: A learning analytics extension for better understanding the learning process in the Khan Academy platform, Computers in Human Behavior, 47, pp. 139-148.

 (本文由本中心周志岳教授提供)

大數據分析在醫療之應用

大數據(Big Data)時代來臨，隨著現今網路資訊傳遞快速與雲端技術的不斷演進，大數據已成為潮流的趨勢，一般人比較耳熟能詳的Facebook或者是Google的搜尋引擎，都是應用到大數據的方式建立其資料庫，這些被海量蒐集與傳遞的資訊大數據，為現今社會型態帶來日新月異的演進，想當然爾手中握有大數據的機構在世界上佔有舉足輕重的地位。

然而，除了日常生活所需要的資料，如今大數據也已被廣泛應用在醫療領域之中，大型的像是醫院與醫院間的醫療經驗分享，小型的如目前很受歡迎的ECG、血壓等生理監測穿戴式裝置，將一筆又一筆的數據傳到雲端中，進行遠端監測。這些醫療資訊將提供醫療機構，並且使醫療的技術精進，以及醫療品質的改善，同時這也代表著醫療與大數據結合其背後的無限商機。今年的華爾街日報對國際商業機器公司(IBM)砸了重金，與蘋果公司(Apple Inc.)、強生公司(Johnson & Johnson)等攜手併購醫療醫療軟體公司，企圖搶佔醫療大數據的龍頭[1]。台灣境內對於大數據與醫療結合還在起步的階段，雖然醫療監護還有許多App應用程式已在市面上流通，但缺乏充足的醫師或專業人員的判讀，甚至牽扯到資料保密性的法律問題[3]。

反觀海外卻已經將此技術應用在醫療照護或系統的建立，韓國的Soon Chun Hyang University Hospital (SCHUH)將韓國境內包含首爾在內等不同地區的醫療紀錄、資料全部彙整到統一的大數據中心，並委託中心利用這些醫療資料建立出完善的醫療系統，不但減少醫生在診斷時所花費的時間，同時避免誤診的情形發生改善當地的醫療品質，其效益估計可以降低每年40%的醫療成本[2]。

匹茲保大學醫療中心也利用大數據技術，對一些需要長期間監控的患者，24小時監測其生理狀況，病患訊息與大數據傳遞方式請見圖七，病患資料從圖七中右側開始，經過現有的監測裝置(下方)獲取病患生理資訊傳到左側的雲端中收集並整理，而大數據最重要的核心技術也是在這裡廣泛收集，交叉比對病患自身與其他相同案例，經過上方一連串的演算後，將所得到的結論最後回饋給所有的使用者[4,5]。當然對於一些有特殊過敏的病患，其資料會隨時告知醫護人員，減少過敏檢測所需要的時間與資源。此技術甚至還可以將腫瘤病患的長期資料做出一系列的演算，精確度高達95%去推估一些如病患腫瘤的位置。

圖七：病患數據與醫療系統結合示意圖(取自[4])

大數據與醫療的結合，已然勢在必行，甚至有可能完全改變現在的醫療結構，除此之外對醫療資源的運用與花費都有著相當正向的意義存在，雖說目前仍然許多需要克服的難題存在，但相信有朝一日，大數據這項技術會成為未來醫療的核心，隨著搭上大數據的波熱潮帶動醫療的快速進步，為人類醫療技術帶來曙光。

參考資料

[1]華爾街日報2015.04.14

[2] IBM官方網站(www.ibm.com/smarterplanet/us/en/ibmwatson/implement-watson.html)

[3] DigiTimes 電子時報2015.03.03、

[4] Demirkan H., “A Smart Healthcare Systems Framework”, A Journal article published in IT Professional, IEEE Computer Society, Volume 15, Issue 5, Pages 38-45, 2013.

[5] McNeil C., “Smart Integrated Biodiagnostic Systems for Healthcare,” E-Health, Jan.2010.

(本文由本中心謝建興教授提供)