巨量資料分析應用於提升幼兒天文科學學習成效之初
探
戰寶華 國立屏東大學教育行政研究所副教授一、前言
眺望天際，無邊無垠；仰望星空， 靜謐閃爍。夜空繁星點點，極是壯闊 又參雜絲毫平靜、甚是奧秘又透露些 許 牽 引， 令人 陶醉 美 麗誘 人星 空 之 餘，不免油然而生探索之心，而天文 科學具有普及便利、無城鄉差距、無 數位落差等特性，任何地點即可抬頭 觀察、任何環境都能融入學習、任何 現象皆有創思啟發。只要牢記關注天 氣、善用科技、監測月相、避開光害、 往高處去等五大觀星要件，亦即避免 雲霾霧或灰塵阻礙視線、利用星圖安 排觀星路徑時程、注意暗淡天體恐被 月光遮蓋、避開各類型燈具等光害來 源、以及高海拔地方應較能清楚觀測 等五項要點（Astronomical Society of the Pacific, 2015），即能找到最佳觀星 條件，逐步探索天文科學之奧秘。 李名揚（2012）認為，未來公民 應該具備科學素養，才能具有因應驟 變環境之社會適應力與國際競爭力。 因為科學是有系統、有邏輯之概念認 知結構，且具備可觀測、可驗證之想 法證實體系，故科學素養即是具有對 科學與技術之認知、瞭解、思考、應 用、過程、實作、探索、態度等面向 之能力展現（陳文典，2006），對個人 繼續增進多元智能，以及達成理性社 會運作，皆有極大助益。但臺灣學生 對科學之學習興趣及自信卻相當低落 （王韻齡，2016.11.28），其中教師與 教學議題在塑造學生對科學學習之觀 念與素養上，扮演極其重要角色，且 從小學習科學之觀念，將深深影響學 生願意投注時間及心力於科學相關活 動 與 未 來 職 業 類 型 選 擇 （ Logan & Skamp, 2013; Nugent et al., 2015），因 此深化幼兒科學學習經驗與強化未來 繼續探索興趣，有其不容小覷之實質 功能。此外，二十一世紀網路科技蓬 勃發展，不僅資訊紛雜多變，學習觀 念與模式亦隨之改變，如何去蕪存菁 則需善用兼具 volume（大量）、velocity （快速）、variety（多變）、veracity（真 實）、visualization（視覺化）、versatility （多功能）、value（價值）等 7V 特質 之巨量資料（Big Data）於分析與規劃 （Yu, Shin, & Ahn, 2016），乃是提升政 策 擬定與 方 案效能之 關鍵思維。 爰 此，本文擬以巨量資料分析之應用模 式為基礎，探討提升幼兒天文科學學 習成效之思考方向，以供主管機關及 教育從業人員參考。二、文獻探討
(一) 臺灣學生科學素養現況與深耕作法 依據 OECD（2016）公布 2015 年「國 際學生能力評量計畫」（the Programme for International Student Assessment ，簡 稱 PISA 2015）之統計結果，臺灣學生於 72 個參與計畫之經濟體中，科學排名第 4，但亦顯示出臺灣學生對科學沒有興趣之 窘境，因在享受科學學習（enjoyment of learning science）的五題項中，依序排名 第 36、52、52、62 以及 62。加上稍早公 布之 2015 年「國際數學與科學教育成就 趨勢研究調查」（Trends in International Mathematics and Science Study ， 簡 稱 TIMSS）之結果，確實呈現出臺灣學生對 科學及數學之學習興趣及自信是相當低 落，亦即高成就卻低興趣之極端落差（王 韻齡，2016.11.28）。是以面對臺灣學生對 科學沒有興趣之窘境，實乃科學推廣與學 習上之一大隱憂。 艾瑞克森（Eric Erickson）於心理社 會發展理論（psychosocial develop- mental theory）中提出發展八大階段，且 4-6 歲 學齡前兒童開始具有主動好奇，以及行 動有方向與責任感，亦即逐步為 6-11 歲 學齡兒童時期之發展奠定基礎，若能關 注新學習因素之交互作用，將對獲取新 能力相關之新技能的深化，具有事半功 倍 之 奠 基 效 果 （ Keenan, Evans, & Crowley, 2016）。事實上，許多研究（Dion, Brodeur, Gosselin, Campeau, & Fuchs, 2010; Flores, Curby, Coleman, & Melo, 2016; Ivancich, Schwartz, & Kaplan, 2000; Nutbrown, 2013）已發現，建立高質量幼 兒學習計畫對全人發展極為重要，因為 早期學習不僅能強化幼童視覺概念化之 整體進展，亦能優化情感、社會與認知 技能之關鍵發展，更能強化未來職涯進 步成功之重要基礎。因此，由幼童時期 即運用仰頭可見之豐富星空資源，結合 生動有趣之天文學習輔具，開始導引對 科學之認知、誘發對科學之興趣，對未 來科學之學習動機與成效具正向深遠影 響。 (二) 巨量資料分析發掘情報與政策應 用 Bhadani 與 Kotkar（2015）指出， 巨量資料分析已成為革命性技術與全 球市場新浪潮，有助於通過將數據分 析轉換 為知識應用 ， 以預測 未來趨 勢、探索思考行為、增強行動誘因， 進而提升組織運作效能與競爭優勢。 由於巨量資料之非結構化性質，分析 需要傳統工具之外，亦需要其他新技 術以處理相關數據，以利組織做出明 智 之 決 策 （ Rajesh, 2013; Singh & Singla, 2015）。因此如何統整現有資料 庫，運用合宜技術解讀巨量資料，實 為當務之急。因為存起來的檔案就是 儲存（storage）、看得到的數據僅是資 料（data）、看得懂的資料成為資訊 （information）、用得出來的資訊才是 情報（intelligence）（翟本喬，2013）。 事實上，許多情報都深藏不露，確實 需要多元探勘與詮釋，始能發掘出真 正有價值之資訊情報，以協助制定更 有競爭力之策略作為。車品覺（2014） 亦指出，若只運用現有數據做分析， 不是真正瞭解巨量資料，必須能夠正 確解讀 數據，且用 數 據建立 思考模 式、找尋關鍵機會、產生價值心法， 才是攸關組織能否探究實質需求、可 否具備勝出契機之核心觀點。 巨量資料已改變許多傳統決策思 維，且在教育部推動下，已跨入教育 機構之經營管理範疇，亦即藉由系統 性數據分析作為校務經營管理決策之 依據， 期能透過新 的 分析思 維及技 術，將潛藏之寶貴訊息挖掘出來以翻 轉教育，並改善教學輔導相關機制之
設 計 與規 劃（ 評鑑 雙 月刊 編輯 部 ， 2015）。依據 2016 年 11 月公布之最新 臺灣網站流量數據調查發現，在臺灣 一個月中，有 753.4 萬名不重複網友透 過 PC 造訪各式網站、單日有 336.5 萬 名使用人數、每月每人平均使用 13.4 天 ， 而其 中無 論何 種 分類 數據 之 標 準，入口搜尋、社交媒體、新聞資訊， 皆為前五大人數眾多之網站類型（創 市際市場研究顧問，2016 年 11 月）， 累積為數可觀之龐大資料，因此利用 巨 量 資料 之探 勘方 式 來蒐 集相 關 資 料，並加以檢視與分析，應能瞭解目 前幼兒天文科學學習情形，以及探究 如何提升成效之合宜策略。 (三) 巨量資料探勘思維掌握與工具擇 定 巨量資料之處理技術主要包括資 料採集、資料處理、資料存儲、資料 分析、資料挖礦、資料呈現與應用等 部分，其中，資料採集是指利用多個 網路平台或資料庫進行查詢處理之工 作；資料處理是將採集之數據集成到 特定資料庫以利數據處理；資料存儲 是結構化存儲大量採集而得之快速增 加數據；資料分析是依據研究目的對 數據進行深度分析以擷取有價值之資 訊；資料挖礦是從文本網頁中理解語 義以挖掘隱性知識；資料呈現與應用 則是將分析所得之資料進行歸納與分 類、解讀與詮釋後，提出關鍵決策資 訊架構，以協助提升方案建構與抉擇 品 質 （Dean, 2014; Marz & Warren,
2015）。同時跨產業資料探勘亦有標準
程序（cross-industry standard process for data mining, 簡稱 CRISP-DM），諸
如，清 楚瞭解從事 資 料探勘 目標之 business understanding、廣泛知曉合適 資料系統來源之 data understanding、實 際 執 行 資 料 收 集 詳 細 步 驟 之 data preparation、建立資料收集形式共通邏 輯之 modeling、驗證數據輸入模型符 合規則之 evaluation、監控資料收集儲 存分析動作之 deployment 等六大階段 （蔡秋榮，2016），若能掌握探勘思維 與擇定合宜工具，應可確實提升巨量 資料處理與探勘之品質。 然而巨量資料之價值不僅在於技 術層面之操作亦在於如何詮釋應用， 因為巨量資料之快速發展可能改變未 來教學樣貌，因此如何善用巨量資料 探勘與分析技術，以挖掘教育資料中 潛藏寶藏、進而界定教育市場偏好興 趣及發展方向，應是各級教育單位不 容忽視 之重點（林 甘 敏、郭 欣怡， 2016）。若能有效精確擷取、分析與解 讀資料，應能洞察趨勢先機，發現潛 在價值 與機會（鄭 江 宇、曾 瀚平， 2016）。Agnellutti（2014）亦指出，有 效數據搜集是強化大數據生命周期之 第一個重要環節，可分別針對系統日 誌、網絡數據、資料庫之內容蒐集， 以提高 資料準確度 與 實用性 。易言 之，巨量資料不僅意謂數據龐大，更 是內藏許多有價值之資訊，所以藉由 標準化採集流程、可視化數據資料、 客觀化數據分析、正確化訊息解讀、 價值化立論判斷等環節，應可有效進 行探勘分析與解讀。諶家蘭（2015） 亦指出，臺灣巨量資料市場規模連年 擴增，而藉由前膽思維與洞察，巨量 資料分析可更透徹瞭解顧客與市場動 向，以利做出精準之決策支援。
三、提升幼兒天文科學學習成效
之思考方向
(一) 利用巨量資料分析發現盲點 臺灣徒有絕佳天文科學素材，但 天文資源卻未能妥善運用，且相關研 究與文獻極度缺乏，因此可結合巨量 資料分析之前瞻性，將為數眾多且龐 雜之多樣數據資料，進行萃取、提煉、 分析，以找出隱藏之重要訊息與變化 之內在規律（Agnellutti, 2014），進而 提升學習成效、強化資源效率，為幼 兒天文科學學習往下扎根，做好準備 與擬妥因應策略。余承叡、盧冠宇、 吳維文與丁士翔（2016）即指出，善 用巨量資料分析可掌握整體設備效率 及使用情形，並藉由蒐集資料、萃取 資訊、統計建模等步驟，協助組織提 出優化資源運用效率、改善流程規劃 缺口之做法，強化產能與製程控管能 力。同時依據財團法人臺灣網路資訊 中心之「2016 年臺灣寬頻網路使用調 查報告」資料顯示，全國 12 歲以下之 民眾約有 126 萬人曾上網；12 歲以上 民眾有 1,757 萬人曾上網，總計全國民 眾有 1,883 萬人曾上網過，其中，1,816 萬人最近半年有上網（鄭天澤、楊亨 利、陳麗霞、胡正文，2016），顯示網 路資料數量多元且龐大。因此利用巨 量資料探勘相關網站，以採集與研究 議題相關之資料，其發現盲點之價值 不容小覷。 (二) 善用天文科學扭轉學習興趣 面對臺灣學生對科學沒有興趣之 窘境，扭轉臺灣學生科學學習高成就 低興趣之現況，實屬當務之急，因此 在有意義學習與知識提取之理論基礎 下，利用天文科學之普及與便利性， 並結合 學齡前兒童 天 文學習 之價值 性，可收幼兒科學學習往下扎根之事 半功倍成效。同時在巨量資料分析之 實務趨勢下，利用龐大多樣之數據資 料分析，可發現提升天文科學學習成 效之適切做法，讓無論是議題偏好之 落差、資源運用之落差、配置模式之 落差或決策應用之落差等問題，皆能 迎刃而解。然而巨量資料分析雖能降 低抽樣可能造成之誤差，但尚須縝密 步驟以提高結論之精確，亦即不僅需 嚴謹探究驗證所發現之問題，更需詳 細解讀資料與周延分析。爰此，藉由 綜整資料庫搜尋、情緒分類系統、字 句邏輯程式演算法等方式（Bifet, 2013; Boyd & Crawford, 2012; Ramanathan & Sarulatha, 2013），可確保資料分析與驗 證演算之品質，進而提供網路資訊分 析更為精確之品質檢測標準。同時透 過蒐集（collect）、處理（process）、分 析（analysis）、傳佈（disseminate）之 程序形成組織記憶，以通透瞭解科學 學習高成就低興趣之關鍵，確實協助 扭轉學習興趣之 策略 抉擇（ Minelli, Chambers, & Dhiraj, 2013; Russom, 2011; Williams, 2016），進而大幅提高 因應方案之正確性與適用性。 (三) 運用經驗扎根幼兒科學學習 在知識提取與有意義學習之理論 基礎下，可以增進長期學習效果並產 生有品質之學習成果（Karpicke, 2012; Mayer, 2011），因此藉由臺灣豐富精彩 之天文科學素材，並結合天文科學學習往下扎根之做法，促使幼兒從小即 有對科學探索及學習之興趣，讓成功 與 快 樂之 學習 經驗 持 續傳 遞正 面 能 量 ， 不僅 可提 高未 來 科學 學習 之 興 趣，亦可藉由從小即不斷重複辦得到 的小事，累積未來接受更高挑戰之韌 性與毅力（郭欣怡譯，2013）。易言之， 結 合 知識 提取 效益 、 有意 義學 習 效 果、以及發揮大腦潛能效用等理論基 礎，並藉由巨量資料探勘分析之技術 運用，可將理論與實務論述之邏輯銜 接，對幼兒天文科學學習成效、天文 科學資源應用，進行多元角度探究， 將可善用天文科學多元優異特質，進 而 落 實提升 科普優勢 與未來學習興 趣、擴大幼兒科學範疇以深化科普經 營之扎根目標。
四、結語
巨量資料分析植基於資訊科技軟 體 之 應 用 ， 能 夠 清 楚 界 定 出 資 料 （data）、資訊（information）以及情報 （intelligence），以利提供決策參酌基 礎，因此應用巨量資料分析提升幼兒 天文科學學習成效，不只深具有形與 無 形 效益 ，更 具潛藏 推動價值 與意 義，茲以 FOCUS 做為提升幼兒天文科 學學習成效之中心思維，亦即追隨創 造力（F=Following creativity）、組織資 源（O=Organizing resources）、掌握機 會（C=Catching opportunities）、運用知 能（U=Utilizing competence）、專業表 現（S=Specializing performances）。易 言之，若能融合利用巨量資料分析發 現 盲 點、 善用 天文 科 學扭 轉學 習 興 趣、以及運用經驗扎根幼兒科學學習 等提升成效之思考方向，聚焦擴散性 思考之歷程，強調創造力之發揮，讓 幼兒透過接觸天文科學之機會，培養 對環境之敏感度、對問題之思考力、 對觀念之綜整力，並強化對科學之興 趣。同時藉由統整具備普及便利特性 之天文 科學以及可 資 利用之 天文資 源，掌握學習經驗與機會以扭轉臺灣 學生對科學學習之高成就卻低興趣的 反差現象，並運用專業知能發現幼兒 天文科學學習落差情形，進而提出適 切解決方案與建議，應能有效提升幼 兒天文科學學習成效，並為政府推動 科普創意化、科普智慧化、科普延展 化提供政策制定之參酌依據。 參考文獻 王韻齡（2016.11.28）。TIMSS國際 評比臺灣學生數學、科學成績佳，熱 情自信敬陪末座。親子天下，取自 https://flipedu.parenting.com.tw/article/2 960 余承叡、盧冠宇、吳維文、丁士 翔（2016）。邁向工業4.0-製造業的大 數據分析應用實例。電工通訊，2， 68-77。 李名揚（2012）。科學素養-學習科 學的新態度。科學人雜誌，取自 http://sa.ylib.com/MagCont.aspx?PageId x=2&Unit=featurearticles&id=2096 車品覺（2014）。大數據的關鍵思 考：行動×多螢×碎片化時代的商業智 慧。臺北市：天下雜誌。 林甘敏、郭欣怡（2016）。運用大 數據分析檢視科技大學系所就業面之 培育成果。中科大學報，3（1），95-115。 郭欣怡（譯）（2013）。成功者不 說的7種驚人學習法。臺北市：核果文 化。 陳文典（2006）。科學素養的內 涵。載於教育部暨國立臺灣師範大學 （主編），九年一貫課程自然與生活科 技學習領域-科學素養的內涵與解析 （三版）（頁1-10）。臺北市：教育部。 創市際市場研究顧問（2016年11 月）。即時通訊軟體使用概況。創市際 市場研究雙週刊，76。取自 http://www.ixresearch.com/wp-content/u ploads/report/InsightXplorer%20Biweek ly%20Report_20161130.pdf 評鑑雙月刊編輯部（2015）。大數 據治校。評鑑雙月刊，57，8-8。 翟本喬（2013）。Big Data, Big Intelligence：從資料、資訊到情報。載 於鐘慧真、梁世英（譯），Big Data大 數據的獲利模式：圖解、案例、策略、 實戰（頁5-7）。臺北市：經濟新潮社。 蔡秋榮（2016）。應用大數據預測 品質。品質月刊，52（5），34-39。 鄭天澤、楊亨利、陳麗霞、胡正 文（2016）。2016年臺灣寬頻網路使用 調查報告。臺北市：財團法人臺灣網 路資訊中心。 鄭江宇、曾瀚平（2016）。指尖下 的大數據：運用Google Analytics發掘 行動裝置裡的無限商機。臺北市：天 下文化。 諶家蘭（2015）。企業導入大數據 分析與應用之概述。會計研究月刊， 355，54-58。
Agnellutti, C. (2014). Big data: An
exploration of opportunities, values, and privacy issues. New York: Nova Science
Publishers.
Astronomical Society of the Pacific (2015). The total skywatcher's manual:
275+ skills and tricks for exploring stars, planets, and beyond. San
Francisco, CA: Weldon Owen. Bhadani, R. A., & Kotkar, S. N. (2015). Big data: An innovative way to gain competitive advantage through converting data into knowledge.
International Journal of Advanced Research in Computer Science, 6(1),
168-170.
Bifet, A. (2013). Mining big data in real time. Informatica, 37(1), 15-20. Boyd, D., & Crawford, K. (2012). Critical questions for big data.
Information, Communication & Society, 15(5), 662–679.
Dean, J. (2014). Big data, data
mining, and machine learning: Value creation for business leaders and practitioners. Hoboken, NJ: John Wiley
& Sons.
Dion, E., Brodeur, M., Gosselin, C., Campeau, M., & Fuchs, D. (2010). Implementing research-based instruction to prevent reading problems among low-income students: Is earlier better.
Learning Disabilities Research and Practice, 25(2), 87-96.
Flores, R. L., Curby, T. W.,
Coleman, H., & Melo, K. (2016). Using early learning standards to provide high-quality education for all children: The early learning guidelines toolkit.
Theory into Practice, 55(2), 145-152.
Ivancich, J. E., Schwartz, D. A., & Kaplan, S. (2000). Integrating exemplars in category learning: Better late than never, but better early than late.
Behavioral and Brain Sciences, 23(4),
481-482.
Karpicke, J. (2012). Retrieval- based learning: Active retrieval
promotes meaningful learning. Current
Directions in Psychological Science, 21(3), 157-163.
Keenan, T., Evans, S., & Crowley, K. (2016). An introduction to child
development. Thousand Oak, CA: Sage.
Logan, M.R., & Skamp, K.R. (2013). The impact of teachers and their science teaching on students’ ‘science interest’: A four-year study. Inter-
national Journal of Science Education, 35(17), 2879-2904.
Marz, N., & Warren, J. (2015). Big
data: Principles and best practices of scalable realtime data systems. Shelter
Island, NY: Manning Publications Co. Mayer, R.E. (2011). Applying the
science of learning. Boston, MA: Allyn
& Bacon.
Minelli, M., Chambers, M., & Dhiraj, A. (2013). Big data, big
analytics: Emerging business intelligence and analytic trends for today's businesses. Hoboken, NJ: John
Wiley & Sons, Inc.
Nugent, G., Barker, B., Welch, G., Grandgenett, N., Wu, C., & Nelson, C. (2015). A model of factors contributing to STEM learning and career
orientation. International Journal of
Science Education, 37(7), 1067-1088.
Nutbrown, C. (2013). Conceptual- ising arts-based learning in the early years. Research Papers in Education,
OECD (2016). PISA 2015 results
(Volume I): Excellence and equity in education. Paris: OECD Publishing.
Retrieved from: http://dx.doi.org/10. 1787/9789264266490-en
Rajesh, K. (2013). Big data
analytics: Applications and benefits. IUP
Journal of Information Technology, 9(4),
41-51.
Ramanathan, S., & Sarulatha, N. (2013). Big data: A marketers
perspective of emerging marketing approach. International Journal of
Management Research and Reviews, 3(5), 2872-2880.
Russom, P. (2011). Big data analytics. TDWI Best Practices Report,
4, 1-35.
Singh, J., & Singla, V. (2015). Big data: Tools and technologies in big data.
International Journal of Computer Applications, 112(15), 6-10.
Williams, S. (2016). Business
intelligence strategy and big data analytics: A general management perspective. Cambridge, MA: Morgan
Kaufmann.
Yu, S., Shin, D., & Ahn, J. (2016). A study on concepts and utilization of geo-spatial big data in South Korea.
KSCE Journal of Civil Engineering, 20(7), 2893-2901.
