来源：《中国远程教育》2018年第8期 作者：张务农
摘要：科学化一直是教育研究孜孜以求的目标，而教育研究科学化的重要标志是对教育活动的数据化处理，包括数据模型的建立、数据的获取和分析以及数据规律的发现，并据此构建理论。但教育具有人文性，科学方法与人文旨趣间的不同诉求使自然科学研究方法在教育领域的推进一直遭遇阻力。大数据方法具有较强的“人文性”和较弱的“科学性”，在一定程度上调和了二者的矛盾，也使得大数据方法在教育研究科学化进程中具有重要价值。但大数据方法并不完美，自身也存在一些问题，因而其推进教育研究科学化进程也存在局限性。
关键词：大数据；大数据方法；经典科学；科学数据；教育研究；科学化；价值；局限
一、从“科学始于数据”谈起
数据一直是人类理解和表达世界的重要方式，记载着人类的认识历程。毕达哥拉斯正是通过对数的秘密进行思考创立了数学学科，提出了世界的本质就是数的哲学思想。近代自然科学把数据融入研究过程，不仅驱逐了神学和形而上学对人类认识世界的干扰，而且开拓了科学研究范式，确立了数据在科学研究中的核心地位。在波根和伍德沃德看来，科学研究的起点是观察，观察的目的是为了获得关于现象的数据，数据不仅是现象的“证据”，而且是现象显示其存在的唯一途径，是建构理论（逻辑实证主义）和证伪理论（证伪主义）的工具[11]。数据还是科学共同体的通用语言，没有了数据，科学共同体之间将不能交流，不同学科知识之间将不可通约，认识结果将不可共享也无法精确，也就没有现代科学研究范式。
虽然数据在自然科学研究范式那里奠定了无可争议的地位，但在人文、社会科学领域一直饱受争议。至少有以下几点使数据在社会科学领域的解释力受到怀疑：
从认识论根基来看，在科学研究范式中数据是现象的“证据”，是科学共同体的“语言”。这些隐喻意味着数字应当与现象相符合，能正确地代表现象。但这一点不仅被诠释学、存在主义等价值哲学所怀疑，而且遇到了自然科学（量子力学）事实证据的挑战。例如，量子的运动规律是无法被观察和测量的。正是利用这一点人类发明了绝对保密的量子通信技术，任何监听工具试图对量子通信进行测量时，量子纠缠态就会被破坏，也就是对量子通信内容进行直接数据化是不可能的。这说明，尽管数据帮助自然科学构建了知识的大厦，但其可能性、可靠性即便在自然科学内部也遇到了一定挑战，成为存在偶然性与价值性等种种量化困境的社会科学进一步排斥数据化方法的新证据。
从数据本身的质量来看，科学数据是一种受控数据、纯净数据、简化数据。在科学研究的过程中，为了获得某一方面的观察数据，往往需要对实验条件进行控制，以获得数据的纯洁性。但在社会科学领域，由于社会环境中的影响因素极度复杂，受控取数变得异常困难，取得的数据也总是受到怀疑。另外，受控取数获得的是简化的数据，因而说明的也是简化的现象。近代自然科学受到单子论影响，主张把复杂现象简化，进行单项的研究，然后再还原成总体，分析总体的现象。但人文社科领域更多秉承有机的世界观和方法论，与机械还原论的自然科学研究方法诉求难以相容。
近代自然科学研究范式遵循严格的因果逻辑，即探寻现象背后的根本原因，或曰必然因果。然而，这种因果关联受到休谟认识论的挑战。当休谟沿着经验因果的阶梯步步向上走去，发现所谓的因果竟然建立在形而上学的悬崖之上。尽管后来康德试图通过纯粹理性批判重建科学的因果性，但仍然无法从科学实践经验上否定因果之链源头的那段人为的“嫁接”和“跳跃”。所谓的因果只不过是“心理习惯”“恒常联系”“必然性”[9]。这些对因果关系的理解显然与自然科学所标榜的数据客观性、逻辑实证性、研究结果客观必然性有较大出入，也是自然科学基于数据的研究范式的未尽之谜。
不过，就像技术乐观主义者所声称的那样，技术的缺陷需要用更好的技术来弥补，数据的不足也应当由数据的发展来解决[3]。大数据作为数据发展的新形态，将会给科学研究带来何种可能？能否解决社会科学研究的数据化之惑？为了回答这个问题，首先需要澄清大数据与传统科学数据有何异质和异构。下面将从大数据的来源、特征和功能三个方面进行简要分析。
科学数据来源于科学活动中的观察和测量以及由此派生的数据。科学数据活动是有意识、有目的的活动，目标是获取现象的证据。但大数据并不是科学数据积累的结果，科学数据充其量只是大数据汇集的一条溪流。因为在大数据认识论中，大数据反映的是世界的本来面貌，数据不仅可以表达事物的轮廓与色彩，还能够记录人的行为、习惯，甚至心理活动。人工智能技术的发展正在不断地昭示先前不能被数据化的东西正在实现数据化，如情感计算、价值观测量等。舍恩伯格正是通过观察文字、方位、社交等领域的数据化活动洞察到了世界的数据化本质：“世界万物都有数据化的形式，都可以被数据化”“世界不再是一系列自然事件和历史事件构成的，世界的本质是由数字构成的”[10]。因此，在大数据认识论的视域中，数据也是被“发现”的、被“感知”的。这种发现和感知的主体不局限于人的视力和心灵，也不局限于传统的科学仪器，而主要依靠一张布满了传感器和智能数据加工设备的所谓“互联网+”。因为在互联网+时代，人类一切活动都将在网络上留下痕迹并被记忆，物的联网（物联网）把物理世界纳入感知网络。发现和感知数据也是认识世界的过程，当能够发现或者感知数据的历史与趋势、聚合与离散、常态与异常时，就可以及时准确地把握世界的现在与未来，诊断存在的问题并寻找可能的出路。
从数据的特征来看，首先，大数据不是受控数据而是自然数据，构成大数据的主要部分不是在实验室里获得的，而是在网络空间自然记录的。其次，大数据具有即时性，是动态生成、实时传输的数据，更鲜活、更真实。最后，大数据不再具有纯净性，而是具有庞杂性和混沌性。大数据是一条条数据溪流汇聚而成的，跨界流通是大数据的基本特征，也是更多数据规律被显示、被发现的基本前提。由于大数据的庞杂性和混沌性，每次发现的数据规律都是冰山一角。大数据构成的“世界”具有无限性，具有客观实在性。
从功能上看，大数据不再像科学数据那样对世界进行分解，将世界还原成小的单元再进行数据化测量和分析，而是对世界的复杂性进行整体描述。测量和描述是不同的概念，不可测量之物却是可以描述的，就像对待量子运动那样，当无法对量子的运行轨迹进行测量的时候，就对它的特点进行更宏观的描述。大数据恰恰能发挥这样的功能。另外，大数据方法也不再追求逻辑因果的自洽性，而是呈现数据之间的关联性。基于此，传统自然科学研究范式在人文社科领域遇到的数据化与因果危机是否可以被大数据的分析方法化解呢？尽管在这里还存在争议，但大数据至少提供了新的问题解决思路。
概言之，从科学数据到大数据，数据的来源、特征和功能都存在很大不同，但从两种数据引发的方法论上看倒具有诸多潜在的互补性，也显示出大数据方法的超越性。这些互补性和超越性能否成为数据方法进一步深入具有浓厚人文气息的教育科学研究的契机呢？大数据能够在多大程度上消解人们对教育研究数据化分析的疑虑？
二、大数据之于教育研究科学化：一条新的路径
按照经典科学方法的应有之义，教育科学研究不仅需对研究对象进行科学化处理、构建数据模型，而且需设计可重复的实验情景，以寻求教育现象间的规律性联系。但教育科学研究不仅难以确定客观的研究对象，而且教育现象的量化、教育情景的再现、教育规律的构建都难以契合经典科学研究的标准，教育研究的科学化在此陷入困境。但若说数据方法乃是科学研究方法的根本特征，大数据方法无疑是一种科学的研究方法，只不过大数据方法对待数据的态度和方式不同，可以看作是教育研究科学化的“一条新的路径”。
（一）大数据对教育研究对象的科学化处理
教育科学研究对象的确立是教育科学研究展开的前提条件。教育科学研究对象包括教育现象、教育活动或者教育问题，三者是对教育科学研究对象基于不同视角的表达。但无论从哪个视角看，都难以构成严格意义上科学、客观的研究对象。首先，教育现象只是教育的表现形式，是教育的证据和待解释的事物[6]，是充斥各种意义、价值、权力矛盾的场所。而在现象学意义上，教育现象是冲破了种种科学迷雾的教育本真状态，是日常生活世界的原本状态，它甚至要尽可能剥离各种语言符号和各种预设程式的影响，因此它不仅不是客观的，而且是排斥客观的。其次，教育活动本身虽然是客观存在的，但教育活动只是一种实践。客观实践活动是人类主体和客观自然的统一形式，实践活动体现着实践主体的各种价值诉求。这一点也使教育科学研究很难以教育活动为客观基石建立教育科学的知识大厦。最后，教育领域的问题也不同于自然科学领域的问题，教育领域的问题主要是价值性问题而非客观性问题。教育首要解决的是求善的问题，而不是求真的问题。看来，教育现象领域是难以客观对象化的，经典科学研究方法对教育研究的科学化尝试只不过是将教育领域中的师生主体排除在外，抽离出了一种抽象的教育结构而已[6]。因此，经典科学研究范式与教育研究之间存在固有矛盾。但大数据方法不需“设定目标”“设定问题”，也不需“设定条件”“设定理论型”[7]，从根本上回避了这一矛盾，因而也化解了这一矛盾。大数据方法只需拥有数，大数据方法不苛求数据的来源，也就不再囿于经典科学的取数方式，打破了经典科学范式的基础，从而将曾被认为的非科学数据全都纳入了分析框架。也可以认为大数据方法的研究对象只有数，对象是数，方法是数，结论还是数。所以大数据方法并没有抛弃经典科学对科学的定义，即科学就是数据的科学，但它又不同于经典科学，它打破了经典科学范式的数据洁癖，包容了更多的数，同时也拓展了更多的可能，并悄然实现了研究对象的转换。
（二）大数据对教育量化数据科学化处理
大数据的研究对象转变为数据，而且对数据来源和数据标准没有限定，逻辑上使得大数据在教育科学研究中有更广的适用性。这意味着大数据方法对教育现象量化问题更包容，一切来源、一切质量的数据都可以纳入大数据分析框架，从而在数据论基础上为人文社会领域的数字化奠定了基础。近现代以来，教育测量兴起，但教育测量一直没有成为教育研究叙事的绝对主流，反而因其可能带来数字化标签的恶果而受到种种指责。其原因有二：其一是经典科学研究方法采集的数据是有条件、有标准的数据，过多的标准和条件设置使取得的数据过滤掉了大量信息，因而也就可能失去所描述教育研究对象的一些价值。其二，传统科学研究方法本质上秉承的是机械的世界观，在方法论上把整体切割为部分加以研究，然后以部分说明整体，但教育领域恰恰是生态领域而非机械领域。大数据方法的数据表达弥补了上述缺陷，因为大数据包容的特性使其能够更好地反映混沌、复杂领域的真实面貌，因而成功地把数据量化的合法性推向了人文领域。首先，大数据具有跨界性，弥补了经典科学数据自成体系的分割状况，不同空间数据之间的交流与融通能为教育研究者提供更为全面的数据。其次，大数据记录的是相对原始的数据。它没有经过科研人员的条件控制，也没有经过科研人员的主观加工或者科研团队成员之间的协商，机器对数据的记录与人相比能够更好地剔除人的主观认知偏见。不过科学实验数据等人为数据也是大数据的构成部分，但它要被重新放在更复杂的数据系统中得到检验和发掘。正是在更宽广的数据视域和更复杂的数据联系中，教育的“人文规律”才可能像自然科学领域的客观规律一样被揭示出来。总之，大数据方法对各种数据更包容，使数据量化有更广泛的适用范围，这是“科学研究”标准的转变，为教育领域量化研究的合法性构建了基础，也迎合了教育领域的基本特点。
（三）大数据对教育研究证据问题的科学化处理
证据是教育科学研究的基本前提，毋宁说，基于证据的教育研究即是教育科学研究。经典科学研究方法中的证据是可重复出现的证据，能在严格的实验条件下得到控制和表达。但教育空间截然不同于自然科学实验室。教育空间的生活世界属性使得教育空间不可控、不能控、不应控，证据缺乏可重复性。值得注意的是，近年来“基于证据”的教育研究成为教育研究科学化新的进路。至于为什么叫“基于证据的教育研究”而不直接叫“教育科学研究”，乃是因为经典科学研究方法中的证据有严格的条件，新提法中的“基于证据”从一定程度上泛化了教育研究证据的概念。教育研究的证据范围更为广泛，它不应当只包括“重效果和技术主义的证据”，还应当包括“理论证据和人文证据”[5]。教育活动中的人文证据，如学生个体的情感表达、情绪体验等方面的证据往往不可重复，这就使得经典科学研究方法中的取证方法在教育领域难以适用。
大数据方法开辟了新的取证方法，它不设置实验条件，而是在自然条件下记录数据，通过对数据的聚类、分类和趋势性分析取得教育、教学决策的证据。另外，大数据方法不需要重复的数据，它只需要跨界数据、异质数据。大数据的可靠性不是建立在实验的可重复次数上，而是建立在数据的跨界性、丰富性基础上。另外，大数据用盖然性化解了教育科学研究方法中证据的科学化问题。大数据方法中的盖然性，即不追求两个事件或诸事件之间的必然逻辑因果关联，而是通过事件出现的伴随性特征归纳出结论。这样的方法也适合教育领域的基本特征。在教育现象中A事件和B事件的联系，只能通过A的类似事件和B的类似事件的伴随状况来归纳，因为A事件是不可重复的，B事件也是不可重复的。大数据的上述取证方法可以看作是对经典科学方法的巨大突破，它不再需要精确的证据，也不需要精确的结论，也不追求必然的因果。但正是这种模糊性空间包容了教育科学研究，也为研究结果解释的灵活性拓展了疆土。
（四）大数据对教育研究中规律的科学化处理
在传统科学研究方法中，规律即确定的因果关联，研究的目的就是寻求规律。因果关系是一系列“因”和一个“果”之间的关系，因和果之间是必然的关系。因果关系具有客观性、特定性和时间序列性等特点。不过，在不同的学科领域，因果性有不同的表达形式，即因果性是一个宽泛的概念，但客观性是其根本特征。不过，波普尔认为获取因果关系的逻辑实证主义的“观察方法”渗透着观察者的主观偏见，科学归纳法则存在着用有限证明无限的逻辑错误[1]。波普尔由此提出“所谓的科学因果关系只不过是有待证伪的结论”[8]。休谟则把因果关系归结为“心理习惯”“恒常联系”“必然性”三种类型，提出了新的因果观。在休谟看来，科学研究中的归纳法只是一种心理习惯，或者说是一种概率论。总之，经典科学对因果规律的定义是逻辑必然性，但也不尽然，它具有更丰富和多元的内涵。
教育领域具有强人文性、弱规律性特征。教育领域的因果关系既不够客观（教育主要是价值活动），也不够必然和恒定。在教育现象领域不会有事件A的n次重现，只会有A的类似事件不断出现，因此教育领域的规律只能通过类似归纳法获得。而大数据方法本质上就是一种类似归纳法，它基于概率论，其发现的结论不具有必然性与恒常联系的属性，它只是一种心理习惯意义上的定律。而教育生活领域正是由意义和价值系统构建的心理习惯领域。更为重要的是，具有心理习惯定律发现功能的大数据认识论是一种“创构认识论”[4]。在创构认识论中，认识主体更容易发挥人的主观能动性，使科学研究方法的发掘功能向求善求美的方向转变。
三、大数据之于教育科学研究：未尽的困惑
尽管大数据方法克服了传统自然科学研究方法的诸多局限，使数据方法应用于教育科学研究更加合理可信。但世界上没有完美的方法，大数据方法也存在自身方法论局限，加之理想和现实的差距，使其在教育科学研究领域的应用也呈现出一些问题和不足，需在学理上加以澄清。
（一）仍然存在的教育现象数据化追问
从认识论上看，大数据由于其庞杂性、混沌性、跨界性，具有描述和揭示复杂社会现象的可能与潜力。这也是技术乐观主义者认为大数据将为人文社会科学带来科学研究春天的依据所在。的确，通过现代计算机网络，大数据可以随时随地记录人类个体极其复杂和细微的行为，而且通过数据的可通约性实现不同学科之间资源的共享[2]。但是，用大数据来表征教育世界的教育现象，仍存在难以克服的缺陷。无论现代智能机器对人类行为的感知和记录如何详细，这些数据本质上仍然只不过是“行为数据”而不是“思维数据”（内部情感、态度、价值观、思维过程等）。大数据客观、详尽地记录和分析的是人在互联网上留下的各种“痕迹”“符号”，这种外显的客观痕迹和符号更接近于人类行为的表征，而不是内部真实心理、情感的直接显现。也许大数据方法可以遵循行为主义心理学的原理，把分析人类行为的作用发挥到极致，但认知心理学所揭示的行为分析局限，大数据方法如何克服呢？在教育学研究中，学生的主观内部世界才是研究的根本重点。目前，对学生内部思想情感数据的获得仍无法离开学生的主观经验报告，因为迄今最先进的智能机器也无法记录并直接呈现学生的内部心理，或者说会存在很大误差。因此，很难想象一个依靠数据客观性、注重外部行为记录的大数据方法能彻底解决教育科学研究问题。另外，大数据的客观性也是相对的。大数据虽然能在很大程度上滤除数据使用者的主观偏见，但却难以避免数据工程师的主观偏见。数据工程师的认识对计算认知过程的主观性渗透，将使大数据对教育现象的反映进一步失真。大数据方法虽不为教育现象的数据量化设定条件，也不追究数据的来源，但并不意味着数据的来源和数据的质量不重要。在当前的大数据方法技术构架中，仍然存在一些数据量化的盲区，限制了大数据方法潜在功能的发挥。
（二）意犹未尽的因果关联之辩
根据既有认识，传统的所谓科学的方法是追寻因果性的，而大数据方法主要揭示相关性。因果性是事物之间明确、确定的逻辑关联；相关性则是事物之间非明确、不必然确定的关联。据上文分析，大数据所揭示的关联至多是一种心理习惯，反映这种关联的大数据定律本质上是概率论，大数据只是记录了类似事件出现的概率，不具有必然性，只具有盖然性。但这种盖然性在教育科学研究领域将面临伦理困境。因为盖然性对个别事件、偶发事件是没有意义的，因为盖然性偏爱大概率事件，而教学领域却无法忽视小概率事件。高度盖然性的规则也不适合教育领域。例如，一种教育方法经过大数据统计对99%的学生有效而对1%的学生无效，那么就无法用99%的概率定律来适用1%的学生，因为在教育学的伦理法则中99%的重要性和1%的重要性是一样的。有很大可能，适用于99%人的数据定律也适用于剩余的1%的人，但从教育至善的法则来看，教育科学研究需要确定的答案，而不是建立在高概率的基础上。此外，从大数据方法中发现的教育现象之间的关联能不能进一步挖掘因果关联？截至目前的看法有两种：一种是大数据揭示的关联性恰好就是因果性，二者发生了巧合。另一种则是通过人的“既有数据”和“背景知识”来发现因果性[9]，即大数据方法本身并不直接揭示因果关系，而是通过人类认识主体去揭示。比如，通过大数据可以对学生分数进行聚类、分类、趋势等统计分析，但有关分数的数据本身只是现象，而不是原因，揭示背后的原因需要教师的劳动。当然，大数据方法也可以根据其他标准对学生进行分类，比如根据学生学习行为标准进行分类说明，但是何种分类标准更具有参考价值，更能揭示学生学习差异的根本原因，只能靠教师的既有经验和心理数据进行判断。这说明教师不可能像苏加特说的那样，有了大数据教师就无须思考、教学就会变成体育运动，大数据的评判和运用需要教师的教育学知识基础、批判性思维以及价值观的介入。
（三）需要澄清的大数据适用规范
上述分析表明大数据方法并不是万能的科学研究方法，它有巨大的优势，也存在一些不足，需要为大数据在教育科学研究中的应用设定规范。其一，客观看待教育现象的数据化问题。大数据虽是客观的资源，但大数据渗透着技术工程师的种种偏见，因而具有有限的客观性。大数据呈现的数据规律应与研究者的经验展开对话。其二，数据的本质就是对现象的归一化处理，它既抹平差异，也制造新的差异。一方面，在对教育现象的描述中数据可能将任何异质的“一”归结为同质的“一”；另一方面，数据的堆砌制造出对研究对象多少、长短、优劣的比较，而赋予教育对象数字化标签正是教育研究领域所忌讳的。因此，大数据方法在教育研究中应用的首要前提是将教育价值观融入问题分析，而不是全盘接受大数据呈现的直接数据结果，这与唯利是图的商业领域纯粹比较数字大小和优劣的大数据方法十分不同。其三，正确看待大数据的解释力和预测力。大数据的解释力由于其盖然性在科学研究中并不算高。但就教育研究而言，大数据由于其尽可能统计所有样本，接近于完全归纳法，因此在解释力和预测力上总体超越了传统的科学小数据。但由于教育现象具有低解释力和低可预测性，而大数据具有低可解释力和高预测性，大数据方法应用会进一步降低教育研究的解释力（按照经典科学的标准看），但能提高其预测力。其四，明晰大数据与微观问题、小数据与宏观问题之间复杂的辩证关系。按照一般的看法，大数据不是宏观数据，而是全部数据，它不仅能解决宏观问题，也能解决微观问题。但根据教育领域大数据的发育状况，大数据解决宏观问题、小数据解决微观问题才能发挥各自的优势。比如，当前运用国家宏观教育大数据制定宏观教育政策是合适的，但无法有效解决微观问题。微观领域的大数据仍不够成熟，抓取学生个体大数据的技术操作存在难度，不够普遍，因而数据积累有限。其五，大数据方法有较强的实践性和较弱的理论性，因此更适用于实践领域而不是理论领域。
（四）无法回避的理想与现实鸿沟
大数据既是理想的，也是现实的。一些研究文献在涉及大数据方法论时总是从理想的视角进行分析，或不对理想的大数据方法和现实的大数据方法进行区分，难免造成认识上和实践上的混乱。首先，大数据的构架和物联网、云计算构架密切相关，但后者的发展并没有达到理想状态。物联网发展的理想图景是世界万物的联网，也是物联网和人联网的深度融合。云计算则是网络上传感器获得数据的计算中枢。但从目前来看，物联网主要是局部联网，远未实现万物网的发展目标。而人的生活空间也没有完全网络化、虚拟化，网络空间远不是人生活世界的唯一组成。由于上述物质技术条件的限制，目前现实大数据只是相对的大数据、局部的大数据、领域内的大数据，而大数据需要各种数据自由流通汇集成数据海洋，这正是所谓大数据混沌性、庞杂性、跨界性的根源。因而现实状况限制了大数据理想方法和结果的实现。其次，诞生于商业领域的大数据方法天生具有求用、求效的价值取向，与教育研究的诉求存在一定矛盾。随着市场力量向学校的渗透，一些针对学校的网络化建设也带有明显的商业利益诉求，教育力量之外因素的介入也使得教育数据不那么纯净。因此，在现代社会条件下，教育大数据的培育不仅需要市场力量的介入，更应当注重政府力量尤其是教育价值力量的主导。最后，捕捉大数据的各种计算机硬件软件不是全能的，数据的记录方法和处理方法被技术人员设定，只具有有限的功能，因而所谓的大数据仍然是具有某种目的性的部分数据或特定视角数据。只不过由于目前技术的空前发展，赋予了人们前所未有的数据视野。最后则是人为的数据隐私、数据开放、数据共享等方面的障碍。即便如此，大数据方法在局部领域内的应用不仅突破了传统自然科学的数据化处理和分析范式，而且取得了巨大成果。无论现实与理想有多大的鸿沟，趋势是明确的，大数据方法将成为一种新的教育科学研究范式，不过，这个过程既需要理想牵引现实，也需要脚踏实地探索。
参考文献：
[1]黄欣荣.大数据对科学认识论的发展[J].自然辩证法研究，2014（9）.
[2]刘红，胡新和.数据革命：从数到大数据的历史考察[J].自然辩证法通讯，2013（6）.
[3]盛国荣，葛莉.数字时代的技术认知[J].科学技术哲学研究，2012（4）.
[4]王天思.大数据中的因果关系及其哲学内涵[J].中国社会科学，2016（5）.
[5]阎光才.对英美等国家基于证据的教育研究取向之评析[J].教育研究，2014（2）.
[6]杨开城，许易.论教育科学[J].电化教育研究，2016（5）.
[7]张弛.大数据思维范畴探究[J].华中科技大学学报（社会科学版），2015（2）.
[8]张华夏.波普尔的证伪主义和进化认识论[J].自然辩证法研究，2003（3）.
[9]张晓强，杨君游，曾国屏.大数据方法：科学方法的变革与哲学思考[J].哲学动态，2014（8）.
[10]V.M-舍恩伯格，K-库克耶.大数据时代[M].盛杨燕，周涛，译.杭州：浙江人民出版社，2013：123-125.
[11]J.Bogen,J.Woodward.“Saving the Phenomena”[J].Philosophical Review97,1988(47).
Using big data to improve educational research
Wunong Zhang
Abstract:Educational research has always been striving to be rigorous.An important aspect of educational research is data processing,including the establishment of data models,data acquisition and analysis,as well as data pattern discovery,which leads to the formulation of theories.Nevertheless,education is humanistic in nature.Different approaches between scientific methods and humanistic interests make natural science research methods confronted with difficulties in the field of education research.The big data method tends to be more humanistic than scientific,which somehow softens the contradiction between the two,and thus,is of great value in ensuring the rigorousness of educational research.But the big data method is far from perfect with limitations of its own which need to be clarified.
Key word:Big data;big data methods;classical science;scientific data;educational research;scientific;value;limitations
责任编辑：张国彦
