1. 松鼠AI智適應教育：人工智慧與教育領域的「自適應學習」怎樣完美融合
松鼠AI是乂學教育開發的國內第一個擁有完整自主知識產權、以高級演算法為核心的自適應回學習引擎。據栗浩答洋介紹，乂學教育在全球做了一個超納米級的知識點的拆分，對知識點拆分的細膩顆粒程度，超過了Knewton和ALEKS的5-10倍，「當我們做的越細膩，我們對一個學生知識點的診斷也就越精準。據了解，松鼠AI將知識進行劃分，利用AI將學生熟悉掌握的知識摘除，專門攻克其尚未解決的難題，用他的話說就是：「哪裡不會就點哪裡。」具體而言，就是先通過人工智慧把知識點進行細分，然後通過「貝葉斯網路+推斷+知識追蹤」的方式，對每一個學生的薄弱環節進行針對性輔導，使學生不會把時間浪費在已熟練掌握的知識點上，從而提高學習效率。
2. 如何運用人工智慧打造高效的自適應學習系統
人工智慧設備具備自學習自適應能力，需解決如下問題: 一，智能設備機主欲求的數碼表達原理及欲求抽象化並數碼化方案。 二，機主欲求換算為設備欲求的換算，輸入及存儲方案。 三，設備欲求與現行進程的對比方案
3. 作為自適應學習平台knewton的系統是怎麼運作的
Knewton所做的是基於規則的自適應學習
自適應在很多學習環境中都已經用到，最早內的幾十年前就已經說容了自適應。到底自適應是什麼意思，現在我們講的是基於共識的自適應概念。
最簡單的一種就是學生自己定步調，決定學習的節奏。但他們的學習材料和順序還是一樣的。現在市場上得MOOC就是這一類。好處就是如果學生學會了，可以很快的往前進。問題是很多時候學生已經知道了，但學生不能跳，也不讓學生選擇不同的學習路徑。
另外一種叫做單點自適應產品。這種自適應就是預先已經有設定好的路徑，學生上課之前就會測評，看他應該選擇哪個路徑，有時候學生可以更提前一些。
4. 自適應的教學效果請問怎樣啊
這個當然也得看學生，整體的快速提升還是收到廣大家長的追捧的，按照乂學教育的路徑和方式的教學系統,基本可以提升 3-5 倍。
5. 「自學習、自組織、自適應」分別是什麼意思
自學習系統(self-learningsystem)亦稱學習系統。模仿生物學習功能的系統。它能在系統運行過程中通過評估內已有行為的正確性或優良容度，自動修改系統結構或參數以改進自身品質的系統。與自適應系統不同之處在於：經學習而得到的改進可以保存並固定在系統結構之中，從而較易於實現，並可作為自動設計或調整的一種辦法。
自組織系統，即能自行演化或改進其組織行為結構的一類系統。在一般系統論中，其最廣泛的含義是指:該系統能在與環境相互作用條件下，通過自身的演化而形成新的結構和功能。
「自適應」一般是指系統按照環境的變化，調整其自身使得其行為在新的或者已經改變了的環境下達到最好的或者至少是容許的特性和功能，這種對環境變化具有自適應能力的系統稱為自適應系統。
6. 人工神經網路怎樣實現自組織,自適應，自學習
人工神經網路就像一來個黑盒子，自用於模擬任意函數。根據一定的訓練樣本(即所需模擬函數已知的輸入和輸出關系)神經網路可以改變其內部結構使其模型特性逼近訓練樣本。即所謂的自學習，自組織和自適應。並且，由於神經網路是採用整體逼近的方式，不會由於個別樣本誤差而影響整個模型特性，即所謂容錯特性。
其實用仿生的例子更容易理解，就像一個嬰兒，父母不斷教他說話，他最終能學習理解父母語言的意思，並且偶爾父母說錯一兩個字，孩子也能聽懂。
7. 自適應學習工具能實現因材施教嗎
自適應學習工具能否實現因材施教
十年前，一名十幾歲的男孩問巴菲特，互聯網對伯克希爾的業務會有什麼影響。十年後，他問了同樣的問題，人工智慧對伯克希爾的業務會有什麼影響。巴菲特回答道，人工智慧會導致在某些領域的就業明顯減少，但這對社會有好處。
毋庸置疑，解放勞動力是智能行業發展給人類社會帶來的最直接的影響。但是，巴菲特沒有提及的是，人工智慧最誘人的地方是在勞動力和人類智慧極限之外所顯示出的能量。回歸到天天投所關注的教育領域，我們可以看到，AI技術的應用基本已經開始向兩個大方向分化：一是以智能閱卷系統、智能排課系統為代表的專注於教務效率提升的工具；另一類則是以智能評測、自適應學習系統為代表的的個性化學習工具。後者的目標與我們幾千年來一直在追求卻從未真正實現的教育方法——「因材施教」是相一致的。
在傳統的班課教學過程中，教師的教學內容和教學進度是根據所有學生的整體水平所指定的，因為個體偏好、短板、認知能力和學習歷程等因素不同，對大部分學生而言，他們所接受的教學方案都是不一個最優選項。課後的一對一輔導可以部分解決這一問題，但它的弊病在於老師對學生掌握情況的獲取成本過高，學生每換一位老師，都要重新進行一次「知識大篩查」才能進一步制定個性化的解決方案。此外，這種學習模式的價格過高，將大部分經濟條件一般的學生排除在外了。
自適應學習工具的出現在一定程度上解決了上述問題，學生的掌握情況可以根據他的答題結果被記錄下來，並根據其測試進度實時調整，如果有需要的話可以同步反映給教師。系統則可以根據每個學生在測試和自主學習過程中所表現出的水平和偏好推送定製的學習內容。
這幾乎是自適應學習工具所共有的大邏輯。以下是天天投摘錄的近三年內有融資動向的國內部分自適應學習產品。
就國內的情況看，當前的自適應學習工具尚處於成長期，缺乏成熟的公司作為參考，公開可查數據有限。
所以，回歸到產品本身，可能是目前最接近自適應學習工具內在價值的評價方法。
產品定位
產品經理進行產品設計的第一步，永遠是需求分析。即產品誕生的初衷應該是「為什麼人提供什麼樣的服務」，而不是「因為我們擁有什麼技術所以要做一款什麼樣的產品」。第二種邏輯有可能造成產品偽需求或者是偏離設計意圖局面。以題庫類應用為例，從拍照搜題演變到「抄題神器」，這類應用就曾因為使用場景和設計初衷的偏差而飽受媒體詬病。
另外，產品定位的專一性直接決定了市場的天花板。數據顯示，2016年中國GMAT考生在7萬左右，按照教育行業的情況，Top1品牌市場佔有率也不超過15%，由此大致可見此類學習工具的營收極限。當然，不排除有創業公司以某一細分領域切入，跑通後在進行業務拓展。被譽為全球自適應學習平台典範的Knewton最初就是從GMAT、LSAT、SAT等標准化在線考試起家的。不過，對數據、渠道、用戶都很少甚至是沒有交叉的方向來說，這樣的規劃無異於再造一款新產品，研發成本、時間成本都難以忽略。所以，專注於某一細分市場的學習工具或不著急開疆拓土，把自己的勢力范圍扎實深入地經營下去，說不定還能收獲意想不到「戰略地位」。
切入設計
以上依次是阿凡題、學霸君、作業幫、猿題庫四款應用的首屏截圖。從幾個顯眼的相機圖案，不難看出，這幾款產品都採用直接從學生端切入的邏輯，以搜題吸引流量為先。猿題庫的不同之處在於將搜題功能獨立，在第三屏「發現」的功能中，設置了拍照搜題的按鈕，可以把用戶帶到「小猿搜題」應用的下載界面。
與「搜題類應用」有較大區別的自適應學習工具是以「快樂學」為代表的老師、學生、家長三端聯動應用。
2016年，快樂學被一起作業網全資並購。從邏輯上看，這兩款產品的確有許多相似之處，最直觀的一點便是都從教師端切入市場。從一起作業網教師端和學生端的應用界面可以看到，學生只有在指定教師的管理下使用該軟體才有意義。而被稱為「一起作業中學版」的快樂學則從北京市的中學開始試，從《考試分析報告》入手實現學生的個性化指導。需要說明的一點事，「快樂學」的一部分價值依然體現在教務效率的提升上，比如老師可以通過軟體查看每道題的錯誤率，傳統的這一工作需要教師人工統計，耗費較多時間。當然，不可否認個性化教學本身是在效率提升的基礎上實現的。
乂學教育則跳脫了傳統課程的限制，既不從作業輔導，也不從錯題管理、考試提分這樣的剛需切入，而是通過現在加盟模式招生，通過搜集的數據和自適應學習系統生成定製的教學內容和培養方案。
產品的切入點反映和考驗的其實是企業的核心競爭力。工具類應用首屏的功能往往能體現產品的核心技術價值，如圖片識別和搜索能力是題庫類軟體的技術基礎，語音評估技術則是口語學習類工具的技術核心；通過公立校進入市場離不開渠道拓展能力；加盟系統的搭建更考驗運營能力。對於初創企業來說，這些是考驗，通過之後，就是壁壘。
變現方式
變現是工具類產品繞不開的魔咒。能把自適應技術和教育情懷講得天花亂墜的創始人也可能會被「你賺錢了嗎？」這個簡單到有些庸俗的問題所尷尬到。但這卻又是一個現實到難以逃避的問題。
以上依次是阿凡題、學霸君、作業幫、猿題庫四款應用的變現界面。可以看到，阿凡題加入了電商模塊，學霸君和作業幫賣的都是1對1輔導的課時卡，猿題庫則開設了1對1輔導的小班課。它們的共同特點是，都和自適應學習功能本身沒有關系。換句話說，這些軟體將題庫作為一個流量入口，聚集到足夠的特定人群後開始賣商品、服務以及廣告。在互聯網情境下，這樣的安排首先是可行的，以谷歌和微信為例，它們面向C端的核心業務本身都是免費的，但並不影響其通過流量變現，關鍵在於用戶數量和黏性，後者可以反映在次日留存率和日均使用時長等數據上。
後向服務變現也是快樂學創始人的早期的變現設想。教師端切入的產品對用戶的強製程度更高，從而用戶黏性更強。目前，一起作業網的收入來源主要為教輔商向學生提供增值服務的收費分成。乂學教育的模式則更像是傳統的線下培訓機構，亮點在於通過技術授權降低加盟商的師資成本。Knewton的主要變現邏輯是為出版商、硬體開發商等B端機構提供技術支持。朗播網則通過向C端直接銷售自適應學習系統使用許可權的方式獲利，這種模式比較適合於成熟度較高的標准化考試。
總的來說，自適應學習工具還處於早期階段，研發和流量獲取成本較高，變現方式尚在試驗當中，業務未進入常規運營狀態。在數據空白的階段，應用的評測在一定程度上可以幫助我們認識產品的天花板、核心競爭力和商業模式等信息，至於成長性，則需要更長時間的考驗。
8. 自適應學習有哪些基本概念
自適應學習有哪些基本概念
自適應學習是現代瀏覽器主流樣式，越來越多的企業選擇這樣自適應學習的網站，簡潔方便。
9. 聽說過乂學教育嗎他們有個什麼自適應教學系統，對嗎
針對大數據帶給教育的機遇與挑戰，與讀者深入探討和分享大數據與傳統數據的區別，及其行業落地的進展情況。 一、大數據與傳統數據的區別 與所有新鮮事物一樣，大數據是一個尚未被明確定義的概念。它如此年輕，以至於最時髦的大學還沒來得及趕上開設這門專業，最時髦的專家也還未能讓自己的理論一統江湖。所有對它進行研究的人都還在感悟，大數據究竟與傳統數據有怎樣的區別。 互聯網是個神奇的大網，大數據開發也是一種模式，你如果真想了解大數據，可以來這里，這個手機的開始數字是一八七中間的是三兒零最後的是一四二五零，按照順序組合起來就可以找到，我想說的是，除非你想做或者了解這方面的內容，如果只是湊熱鬧的話，就不要來了。 在google scholar（谷歌學術搜索）中鍵入big data，查詢近5年來的學術著作，共有355,000篇之多；而如果輸入「big data」與「ecation」兩個關鍵詞，模糊匹配下約出現17,600條結果，而精確匹配下則不足10篇。可見，教育領域的大數據挖掘，仍然是一片未開墾，未有先來者制定規則的處女地。而在傳統數據領域，一次PISA考試就能在全世界各地產生300篇以上的博士論文，全世界教育與心理計量方向每年約培養碩士與博士5000人，教育與心理統計分析相關的SSCI核心期刊多達489種，為IES、ETS等機構提供數據分析的專業機構有160餘家，從業者4000多人，而像WWC這樣的行業標准已經形成——傳統的教育數據領域氣象格局已成，很難撼動其已有的方法論與評價體系。 數據量與分析手段也必然走向鳥槍換炮。傳統數據中，一個學生讀完9年制義務教育產生的可供分析的量化數據基本不會超過10kb，包括個人與家庭基本信息，學校與教師相關信息，各門各科的考試成績，身高體重等生理數據，圖書館與體育館的使用記錄，醫療信息與保險信息等，以及其他類別的評估數據。這樣的數據量，一台較高配置的普通家庭電腦，初級的EXCEL或SPSS軟體就能進行5000名以下學生量的統計分析工作；而雙核處理器，ACESS，SurveyCraft等軟體的配置足以完成整個區域的高級統計運算。這樣的工作一般只需要中級水平的教育與心理統計知識，一套可供按部就班進行對照處理的數據分析模版，以及經過兩三個月的操作培訓就能基本勝任。 而大數據的分析則完全是另一種層面的技術。根據美國著名的課堂觀察應用軟體開發商Classroom Observer的研究，在一節40分鍾的普通中學課堂中一個學生所產生的全息數據約有5-6GB，而其中可歸類、標簽、並進行分析的量化數據約有50-60MB，這相當於他在傳統數據領域中積累5000年的數據總和。而要處理這些數據，需要運用雲計算技術，並且需要採用Matlab，Mathematica，Maple等軟體進行處理並進行數據可視化。而能夠處理這些數據的專業人才一般來自數學或計算機工程領域，需要極強的專業知識與培訓，而更為難能可貴的是，大數據挖掘並沒有一定的方法，更多需要依靠挖掘者的天賦與靈感。 大數據與傳統數據最本質的區別體現在採集來源以及應用方向上。傳統數據的整理方式更能夠凸顯的群體水平——學生整體的學業水平，身體發育與體質狀況，社會性情緒及適應性的發展，對學校的滿意度等等。這些數據不可能，也沒有必要進行實時地採集，而是在周期性、階段性的評估中獲得。傳統數據反應的是教育的因變數水平，即學生的學科學習狀況如何，生理健康與心理健康狀態如何，對學校的主觀感受如何等問題。這些數據，完全是在學生知情的情況下獲得的，帶有很強的刻意性和壓迫性——主要會通過考試或量表調查等形式進行——因此也會給學生帶來很大的壓力。 而大數據有能力去關注每一個個體學生的微觀表現——他在什麼時候翻開書，在聽到什麼話的時候微笑點頭，在一道題上逗留了多久，在不同學科課堂上開小差的次數分別為多少，會向多少同班同學發起主動交流？這些數據對其他個體都沒有意義，是高度個性化表現特徵的體現。同時，這些數據的產生完全是過程性的：課堂的過程，作業的過程，師生或生生的互動過程之中……在每時每刻發生的動作與現象中產生。這些數據的整合能夠詮釋教育微觀改革中自變數的水平：課堂應該如何變革才符合學生心理特點？課程是否吸引學生？怎樣的師生互動方式受到歡迎？……而最最有價值的是，這些數據完全是在學生不自知的情況下被觀察、收集的，只需要一定的觀測技術與設備的輔助，而不影響學生任何的日常學習與生活，因此它的採集也非常的自然、真實。 所以，綜合以上的觀點，我們不難發現，在教育領域中，傳統數據與大數據呈現出以下區別： 1、傳統數據詮釋宏觀、整體的教育狀況，用於影響教育政策決策；大數據可以分析微觀、個體的學生與課堂狀況，用於調整教育行為與實現個性化教育。 2、傳統數據挖掘方式，採集方法，內容分類，採信標准等都已存在既有規則，方法論完整；大數據挖掘為新鮮事物，還沒有形成清晰的方法、路徑、以及評判標准。 3、傳統數據來源於階段性的，針對性的評估，其采樣過程可能有系統誤差；大數據來源於過程性的，即時性的行為與現象記錄，第三方、技術型的觀察采樣的方式誤差較小。 4、傳統數據分析所需要的人才、專業技能以及設施設備都較為普通，易獲得；大數據挖掘需要的人才，專業技能以及設施設備要求較高，並且從業者需要有創新意識與挖掘數據的靈感而不是按部就班者，這樣的人才十分稀缺。 二、大數據時代潛藏的教育危機 「不得不承認，對於學生，我們知道得太少」——這是卡耐基·梅隆大學（Carnegie Mellon University）教育學院研究介紹中的一句自白，也同樣是美國十大教育類年會中出鏡率最高的核心議題。這種對於學生認識的匱乏，在21世紀之前長達數百甚至上千年的教育史中並沒有產生什麼消極的效應，但卻在信息技術革命後的近十年來成為教育發展的致命痼疾。 「過去，對於學生來說，到學校上學學習知識具有無可辯駁的重要性，而那是因為當時人們能夠接觸知識的渠道太少，離開學校就無法獲取成體系的知識」斯坦福大學教授Arnetha Ball在AERA（美國教育研究會）大會主旨發言中說道，「但是，互聯網的普及將學校的地位從神壇上拉了下來。」Ball的擔心不無道理。根據Kids Count Census Data Online發布的數據，2012年全美在家上學（Home-Schooling）的5-17歲學生已達到197萬人，相對逐年價下降的出生人口，這一人口比重十分可觀。 與此同時，應運而生的則是內容越來越精緻的網上課堂，而創立於2009年並迅速風靡全球的可汗學院（Khan Academy）正是其中的傑出代表。從知名學府的公開課到可汗學院，這種網路學習模式受到熱捧恰恰證明了：人們對於學習的熱情並沒有過去，但是人們已經極端希望與傳統的學院式授課模式告別。一成不變，甚至「目中無人」的傳統集體教學模式在適應越來越多元化、也越來越追求個性化的學生群體時顯得捉襟見肘。 可汗學院模式不但支持學生自主選擇感興趣的內容，還可以快速跳轉到自己適合的難度，從而提高了學習的效率。學習者沒有學習的壓力，時長、時機、場合、回顧遍數都可以由自己控制。 可以想像，如果可汗學院的模式進一步發展，與計算機自適應（CAT）的評估系統相聯系，讓使用者可以通過自我評估實現對學習進度的掌握以及學習資料的精準獲取，那麼它將形成互聯網產品的「閉環」，其優勢與力量將是顛覆性的。 而如果傳統教育的課程模式不革新，課堂形態不脫胎換骨，教師角色與意識不蛻變，那麼學校的存在就只有對現代化學習資源匱乏的學生才有意義；而對於能夠自主獲得更適宜學習資源的學生來說，去學校可能只是為了完成一項社會角色賦予的義務，甚至談不上必要性，也就更談不上愉快的體驗或興趣的驅使了。 大數據的研究可以幫助教育研究者重新審視學生的需求，通過高新的技術以及細致的分析找到怎樣的課程、課堂、教師是能夠吸引學生的。但問題在於，社會發展給予教育研究者的時間窗口並不寬裕，因為有太多人同樣在試圖通過大數據挖掘設法瓜分學生們有限的精力與注意力。而且從某種程度上，他們做得遠比教育研究者更有動力與誠意。 首當其沖的是游戲的設計者——青少年是其主要消費群體。撇開馳名世界的暴雪公司（Blizzard Entertainment），美國藝電公司（Electronic Arts Inc.），日本任天堂公司（Nintendo）等國際巨鱷不談；即使是國內的盛大網路，第九城市，巨人科技，淘米網路等游戲公司，亦都早已組建了專業實力強勁的「用戶體驗」研究團隊。他們會通過眼動跟蹤，心律跟蹤，血壓跟蹤，鍵盤與滑鼠微操作速率等各種微觀行為來研究如何讓玩家在游戲中投入更多的時間，更加願意花真實世界的錢來購買虛擬世界的物品。什麼時候應該安排敵人出現，敵人應當是什麼級別，主人公需要耗費多少精力才能夠將其擊敗，這些變數都得到了嚴格的設計與控制，原因只有一個——大數據告訴游戲創作者，這樣的設計是最能夠吸引玩家持續游戲的。 其次是電影視頻、青春小說等鏈式文化產業。為什麼在網站上看視頻會一個接一個，無法停止，因為它會根據該賬號的歷史瀏覽記錄推算出其喜歡看什麼樣的視頻，喜歡聽什麼類型風格的歌，並投其所好；而暢銷網路小說看似並沒有「營養」，但裡面的遣詞造句、語段字數，故事起伏設定，甚至主人公性格的類型都是有相關研究進行支持——讀者往往並不喜歡結構嚴密、精心設計的劇情——這就是為什麼情節千篇一律的韓劇受人追捧的原因，他們通過收視率的反復研究，挖掘到了觀眾最需要的那些元素，並且屢試不爽。 此外還有許多更強大的研究者，比如電子商務，總能通過數據找到你可能願意購買的商品——他們甚至知道買尿片的父親更願意買啤酒。 這些領域看似與我們教育者並無特別關聯，但是他們與我們最關心的對象——學生卻有著千絲萬縷的聯系。數百年甚至數十年前，學生並不會面對如此多的誘惑，學校在其生活中占據極大比重，對其影響也最為顯著，因此教育者對於學生的控制總是有著充分的自信。但是，當不同的社會機構與產品開始爭奪學生的注意力時，教育者的自信就只能被認為是一種無法認清形勢的傲慢了——因為在這場「學生爭奪戰」中，傳統學校看上去實在缺乏競爭力。 即使教育研究者願意放下身段，通過大數據的幫助來悉心研究學生的需求與個性。但是人才的匱乏也是非常不利的一點因素——相比於商業環境下對研究實效的追逐，教育研究的緩慢與空洞顯得相形見絀。在互聯網企業紛紛拋出「首席數據官」的頭銜，向各種數據科學狂人拋出橄欖枝，並且在風險投資的鼓舞下，動輒以百萬年薪進行延聘時，大數據研究的前沿陣地必然仍是在互聯網行業中最轟轟烈烈地開戰。 分析形勢後的姿態，以及投入的力度與強度，或許是教育領域在進入大數據研究時最先需要充分考慮的兩個先決條件。 三、誰在為大數據歡呼：一場關於「人性」研究的啟蒙 孜孜不倦地觀測、記錄、挖掘海量的數據，有朝一日終會推導出或簡約或繁復的方程，以此得以在自然科學的歷史豐碑上留名——數百年來，這種對數據的崇拜早已成為了物理學家、化學家、生物學家、天文地理學家們的信念。而牛頓，貝葉斯，薛定諤等一代代巨匠的偉業也揭示了數據對於科學發現的無限重要價值。 相形之下，社會科學領域的研究就要慘淡地多——他們同樣看重數據，同樣追求統計與分析的「程序正義」，同樣勤勤懇懇地設計實驗與調研，去尋找成千上萬的被試，同樣像模像樣地去嵌套方程……但是幾乎很少有研究結果能夠得到普遍的承認，不管是社會學、心理學、經濟學、管理學還是教育學。 當然，社會科學領域的研究者們遇到的困難是顯而易見的：「人性」與「物性」是不同的，物質世界比較穩定，容易尋找規律；而由人組成的社會極其善變，難以總結。從數據的角度來說，人的數據不如物的數據那麼可靠： 首先是人不會像物那樣忠實地進行回應：誰知道一個人填寫的問卷有多少是注意力不集中填錯的、語文水平不高理解錯的、還是壓根沒打算講真話？此外，人與人本身的差距也大於物與物的差距：兩個化學組成相同的物質表現出各種性質幾乎是完全一樣的，但即使是兩個基因完全相同的雙胞胎也會因為不同的人生經驗，而表現出大相徑庭的行為特徵。 但這些都還並不關鍵，最最重要的是：人無法被反復研究。人不是牛頓的木塊，不是伽利略的鉛球，不是巴普洛夫的狼狗，人不會配合一次次從斜坡上被滑下來，一次次從比薩塔頂被扔下來，一次次流著口水乾等著送肉來的鈴聲。而我們知道，在「科學」的三個標准中，首當其沖的就是「可重復驗證」。 換句話說，我們可以獲得的關於「人性」的數據不夠大，不夠多，不夠隨時隨地，因此我們無法從數據中窺見人性。2002年諾貝爾經濟學獎授予心理學家丹尼爾?卡尼曼（Daniel Kahneman）時，似乎標示著社會科學領域已經接受了這樣一種事實：人類的行為是無法尋找規律、無法預測、難以進行科學度量的。社會科學開始懷疑用純粹理性的方法是否可以解答關於「人性」的種種現象。與此相映成趣的是2012年的美國大選，奧巴馬的團隊依靠對網路數據的精準篩選捕捉到了大量的「草根」選民，而對於其喜好與需求的分析與把握更是贏得其信任，從而在不被傳統民調與歷史數據規律看好的情況下一舉勝出。這跨越十年的兩個標志性事件讓人們對於「數據揭示人性」可能性的認識經歷了戲劇性的轉變。 如今，迅速普及的互聯網與移動互聯網悄然為記錄人的行為數據提供了最為便利、持久的載體。手機，iPad等貼近人的終端無時不刻不在記錄關於人的點點滴滴思考、決策與行為。最最重要的是，在這些強大的數據收集終端面前，人們沒有掩飾的意圖，人們完整地呈現著自己的各種經歷，人們不厭其煩一遍又一遍重復著他們不願在實驗情境下表現出來的行為，從而創造著海量的數據——傳統數據研究無法做到的事，傳統研究範式苦苦糾結的許多難點，都在大數據到來的那一剎那遁於無形。 大數據的到來，讓所有社會科學領域能夠藉由前沿技術的發展從宏觀群體走向微觀個體，讓跟蹤每一個人的數據成為了可能，從而讓研究「人性」成為了可能。而對於教育研究者來說，我們比任何時候都更接近發現真正的學生。