李桥兴 杜 可 吴俊芳

（1.贵州大学管理学院，2.贵州大学体育学院，贵州 贵阳 550025；3.桂林电子科技大学 广西高校云计算与复杂系统重点实验室，广西 桂林 541004）

关键字：体质健康；大数据分析；平台框架；大学生

随着我国经济水平的提高，国家开始从重点关注经济问题逐渐转变为更多的关注民生问题特别是人民健康问题。自从我国实施《“健康中国2030”规划纲要》以来，国家及地方政府积极推进健康中国建设和促进人民健康水平提升。紧接着，十九大报告再次提出实施健康中国战略，为人民群众提供全面健康服务。同时，人们对自身体质健康状况也越来越关注，更多人愿意为提升自身的体质健康而努力。基于较全面的角度来评判个人或群体的身体健康状况是民众体质健康的基本要求，其基本指标包含了身体形态、发育水平、生理生化功能、身体素质、运动能力、心理状态和适应能力等方面。以往受限于监测水平和处理手段，人们对体质健康的认识单一并且评价多具有偏颇性，往往不能够全面地评价个人或群体的体质健康状况。随着互联网普及、物联网兴起以及大数据技术的不断成熟，人们可以通过更多的仪器设备获得各项数据，能够及时处理和分析海量数据，进而更加准确地掌握自身的体质健康情况并相应做出有效的提升措施。

近年来，大数据平台逐步从理论走向实践，越来越多的学者从关注大数据平台的理论价值到关注大数据平台的实践应用。宫夏屹等提出了大数据平台的体系架构并对相关的技术和应用做了研究综述[1]。此后，大数据平台的实践应用得到了广泛的讨论，包括大数据平台的分析决策技术[2]、大数据分析的方向、方法和工具[3]以及在大数据平台应用过程中的模型建构[4]等。也有学者针对社会公共治理[5]、物流与供应链管理[6]、医疗健康[7]、智慧教育应用[8]等具体领域对大数据平台的应用进行了探究。

本文在借鉴其他领域大数据平台基础上，构造了我国大学生的体质健康大数据分析平台（Big Data Platform of Physical Health for College Students，简称BDPPH-CS）并探讨该平台的数据来源与处理模式以及流程与应用等。

1 大学生体质健康大数据分析平台的构建

文献调查和数据分析显示，我国大学生的体质健康有逐年下降趋势并引起了社会各界的广泛关注。我国政府高度重视大学生的体质健康情况，并从2014 年开始要求高校每年需组织对大学生的体质普测。大学生体质测试数据能够较真实地反映大学生的体质健康情况，但是具有一定的时延性，不能及时对学校和教师提出指导。鉴于此，本文希望以体测数据为基础，对学校、企业和政府各方提供的数据进行汇总并加以分析处理，以大数据分析的思维模式来处理这些海量、跨域、异构的数据，构建我国大学生的大数据应用平台，并根据平台分析结果，让教师能够对学生进行实时性指导、个性化辅导、针对性教学和科学化建议，切实有效地提升大学生的体质健康。

1.1 平台构建原则

BDPPH-CS 作为大数据平台的一种，需要遵循一般大数据平台构建的基本原则，包括：

1.1.1 安全性原则

大学生体质健康状况能够直接或间接地影响国家的政治、经济以及安全问题，BDPPH-CS 应当设置区别于学校一般的资源访问机制，提高安全性认定访问。另外也需要重视平台建设过程的硬件设施、软件系统以及人员操作等方面的安全性。

1.1.2 适配性原则

由于体质健康数据的来源多样且应用范围广泛，因此平台在开发、设计以及应用过程中要考虑到日后与其他平台、系统或应用的整合对接，以方便数据互联互通，从而可以进一步开发或扩展平台。

1.1.3 可延展性原则

BDPPH-CS 的应用是一项长期工程。随着时间的推移，其关注的目标也会进一步变化，对包括数据规范、数据来源、数据分析和数据应用也会有进一步的要求。因此要求平台的设计建设需具备较好的可扩展性才能够满足日后变化的要求。

1.2 平台数据来源

数据是大数据平台的基础要素，其重要不言而喻。而数据的来源将直接影响后续大数据平台应用的真实性、可靠性和有用性。经过对若干高校访谈、部分学生日常行为调研以及综合部分文献如[9]的分析结果，本文构建了大学生体质健康大数据的分析平台（BDPPH-CS）如图1。而科学有效的平台的数据源需要来自至少三方面的数据：

1.2.1 直接数据源

体测数据。体测数据包含了两个主要方面：一方面，体侧数据是指高校开展普测而获取的数据，如身高、体重、肺活量、短跑50 米、长跑800 米或1000 米、立定跳远、坐位体前屈、引体向上或1 分钟仰卧起坐等。其实，我国高校的体测工作已经开展多年，并形成一套较完善的体质测试的指标体系。这些指标主要针对学生在体态、柔韧、速度素质、下肢力量、上肢力量、爆发力、腰腹力量、耐力素质和最大摄氧量等方面。体质测试尽管还有若干不足，但还是能够在一定程度上反映学生的体质健康情况，相应数据所对应的体质指标在一定程度上能够相对全面地反映大学生的体质健康状况。尽管这方面的普测数据收集需要耗费大量的人力物力，但其数据的准确性高、针对性强，并且均为易处理的结构化数据，是构建大学生体质健康大数据平台的重要数据来源。另一方面，体测数据还包括了高校在各级各类体育比赛的数据。目前，多数高校在运动会、运动节等比赛中的竞技性项目减少，而体测达标项目增多，因此学生的参与度也逐渐增多。此类数据能够弥补普测数据的数据量单一和偶然性的问题，形成更完善、更标准的体测数据体系。就数据类型而言，此类数据的来源范围广、结构多样。通过专家测评，可将每种项目所能体现的学生体质状况的数据汇总并导入大数据平台，完善大数据平台的数据来源。

体育教学数据。体育教学数据是指老师在体育课对学生进行体育指导的记录，包括上课时间、上课内容、对学生课堂表现的评价以及学生的自评等。由于大学生体育课基本为小班教学，因此老师在每节课的教学活动中能够较好地顾及到大多数学生。课堂教学不仅对每个学生的评价具有针对性，而且对学生群体的评价也具有较好的作用。体育教学的多样性也包括对学生上课的内容和指导均有不同，由此产生的教学数据也各有不同。教师需要对教学数据进行分类整合和无量纲化处理，进而完善对学生的评价体系[10]。

学生学习数据。学生学习数据是指学生在学习行为和学习结果等方面的数据。学习数据的来源广泛，包括从各个系统汇集的多种数据，如学生的课程、考试、测验、学习、作业等多方面情况；其数据类型多样，既包括如学习的时间和成绩等结构化数据，也包括如学评教、社会实践等难以量化的非结构化数据。将数据越细分到各个行为部分，越能得出学生学习行为的特点，也越客观地反映学生的学习行为状况，进而反映出学生的学习行为与体质健康的关系。

相关设施使用数据。其他设施使用数据的类型不一、来源不定，但可包括图书馆、体育馆等设施以及网络、能源（如水、电、热）等资源的使用数据。例如图书馆每时间段的在馆人数和开放时长等的数据；体育馆每时间段的在馆人数和设施使用率等的数据；教室和网络等使用状况与能源消耗情况等的数据，以及其他相关设施的学生行为数据等，均可以反映学生的生活习惯、体育偏好等信息并得出其体质健康状况。

1.2.2 间接数据源

校园运动类APP 提供的数据。近年来，越来越多的企业和高校合作，将运动类APP 推入大学校园，记录大学生的运动锻炼状况，并作为大学生体育成绩的重要一部分。校园运动类APP 在高校中的普及为大数据平台的搭建提供了契机。现有的校园运动类APP 大都与跑步、走路等简单的运动有关，既可直接地反映大学生的运动健身习惯，又能够提供大学生包括运动类型、运动强度和活动时间等方面的数据。这些数据可针对大学生提供部分的运动训练建议，更加契合大数据平台建设。校园运动类APP 大多为高质量、结构化的数据，能够更好地助力大数据应用平台的构建。

学生食堂数据。本文提出的食堂数据具体指大学生在POSS 机上刷卡所获得的数据。此类数据的结构简单且为结构化数据，但因学生数量而导致数据量十分庞大。就数据关系而言，通过校园卡的绑定，可以获得大学生的饮食规律等方面数据进而获取其消费行为分析的相关数据，既包括就餐时间分布、就餐的数量和质量、饮食消费与口味偏好等个人的微观消费行为数据，也包括用餐人数分布、刷卡次数、学生忠诚度等宏观的学生群体消费行为数据。

1.2.3 第三方数据源

医疗数据集。校医院的数据能够直观地反映某学校大学生的身体健康状况。但是校医院提供的相关医疗数据往往受限于医院本身的规模、层次以及学生的个人状况。而政府能够收集到的医疗数据集与之不同。某地区的医疗数据集能够更加全面地反映某年龄层次的群体健康状况。医疗数据包括病人的姓名、性别等自然数据，也包括病人入院、接受治疗、接受检查和护理以及出院等相关检查治疗记录。医疗数据的数据量丰富，既有结构化数据，也包括图形图像信息等非结构化数据[11]。通过整合校医院和所在地区医院的医疗数据，能够拥有针对大学生年龄段群体的健康状况数据。

电商相关数据。通过电商相关数据，了解某地区的大学生的购物喜好。电商数据类型多元。就数据来源而言，包括购物、娱乐、饮食、社交等方面，也包括对运动、健康方面的投入，以及网上订餐的相关数据。不同的数据来源不仅能够提供的数据体量大，数据类型也十分丰富。以网购为例，通过获取大学生的消费频次、消费时间、消费偏好、消费单价等数据，可进一步分析大学生的个人和群体消费特征，进而探索网购对大学生体质健康的影响。

运动健康类APP 数据。与校园所推行的运动健康类APP不同，面向市场的运动健康类APP 具有更强大的功能。包括与智能手环、智能手表等相结合的APP 能够采集到更多的健康数据。以华为健康为例，其APP 能够提供包括心率、睡眠质量、压力、血压等多种健康数据。此类数据往往因为来源于不同APP，其数据类型更复杂，数据形式更多样。但是这些数据如果能够整合到大数据平台，则可提出更具针对性的健康建议，并能够发挥出更大的应用价值。

1.3 平台大数据处理

丰富的数据量是大数据分析的基础，而数据的管理、分析与应用是大数据分析的出发点和落脚点。目前的大数据分析技术还是基于以往的数据挖掘和统计技术，包括分类、聚类、关联和时序分析等。因此有必要进一步展开大数据的分析和应用。

1.3.1 体质健康大数据的分类研究

分类技术是数据挖掘的重要内容之一，其目的是采用各种算法模型来预测数据对象所属的类别。当前分类算法的研究较为成熟，其算法主要有K-最邻近、决策树、贝叶斯、神经网络和支持向量机等。如决策树算法具有易于理解和解释、容易提取规则、运行速度较快等特点，被广泛应用于各种分类分析中。归纳学习算法以实例为基础并应用于可分类的离散数据。在大学生体质健康大数据平台的数据分析中，分类技术可应用于各项体质健康素质的类别整合，得出不同地区学生的不同指标的健康类别，可在提高学生体质、改进教学方式方法、提高体育锻炼效率等方面提出针对性建议。

1.3.2 体质健康大数据的聚类研究

聚类有别于分类但容易混淆。分类模型基于已知的数据对象的类别，而聚类用于处理未知的数据对象的类型。聚类需要通过观察学习，将体质健康数据的对象集合分成相似的若干对象类。大学生体质健康大数据的不同聚类算法也分别对应不同的划分、层次、密度、网格、模型等标准。这些算法适用于了解大学生的学习习惯、生活习惯以及锻炼习惯等对体质健康的影响。这种划分比基于传统认知的分类观测更具科学性，也更能找到各类数据间以往不能发现的关联，有利于对学生的生活、学习、锻炼提出科学的建议，也有利于家长、教师对不同群组实现个性化指导。

1.3.3 体质健康大数据的关联分析

关联分析旨在发现数据库中不同项之间的联系，通过联系规则帮助决策者分析个人或群体的行为特征。在关联分析的Apriori、FP-growth、多层关联规则挖掘等算法中，FP-growth 较Apriori 而言，其算法的执行效率较高而被更广泛应用。在构建大学生体质健康大数据平台时，关联规则可应用于分析大学生的日常生活和体质健康之间的内在联系。例如学生饮食习惯的饮食时间和食物种类等与学生体质健康的肺活量及身高体重等之间的内在联系；再如在体育教学中，关联分析可以判定教学流程是否更有利于提升学生的体质，特别是耐力类训练和爆发类训练等的合理调配安排。

1.3.4 体质健康大数据的时序分析。

时序分析是通过分析数据的时间特性来研究事物的变化规律并完成预测等工作。在BDPPH-CS 应用中，时序数据挖掘通过提取与时间属性相关的潜在有用的信息知识，实现对大学生体质健康进行短中长期预测，可指导大学生的日常行为。时序建模方法包括基于时间分类的一元时序、多元时序、离散时序以及连续时序等。通过时序分析可以比较大学生在不同季节、不同年级等阶段的学生体质的影响因素，并通过大数据平台获得提升大学生体质健康状况的建议。

以上举例说明了大学生体质健康大数据分析的一般思路。通常来说，展开大数据分析需要选择合适的算法模型。模型构建者或者算法选择者不仅仅需要对数据分析的方法或算法有大体的了解，掌握每一种算法模型所要表达的思想，也要求相关人员能够根据业务要求选择合适的方法解决业务需求，以便针对性地选择或重构模型。因此，相关人员应当了解大数据分析的常用算法以及算法解决问题的优劣性等。没有最好的算法，只有更适合的算法。算法的选择要从不同的角度全面考量算法的适用性。其选择原则一般包括成本导向、技术导向和实用导向等。

一个算法得到的结果往往不具有全面性。在条件满足的情况下，应当考虑构建基于组合算法群原理的模型体系。通过多方法建模得到的分析结果，其结论也一般会更加科学、公正。在考虑某个实际问题时，通过不同类型的算法对同一组数据进行不同角度的处理，往往得到的对比结果更具有启发意义。另外，选择算法并不是大数据分析的关键，其关键是算法重构与优化。只有通过不断实践，才能构建出针对该问题的更合适算法，也逐步使得模型更加有针对性。

1.4 平台大数据分析的实现

同传统的数据分析思路相通，BDPPH-CS 包括数据收集、数据ETL（即转载、清洗与加工）、数据挖掘和数据可视化等四个主要的过程（如图2）。而这四个过程都是基于大数据计算框架实现的。大数据计算框架可分为批处理和流处理。当前主流的大数据计算平台如Hadoop 和Spark 等都是基于批处理模式。相比于Hadoop 和Spark 等而言，体质健康大数据平台是一种轻量级的大数据框架，侧重于优化完善内存的计算与处理，加快负载的批处理运行速度。显然，具有多样性、兼容性和高效迭代等特征的批处理模式更适合于数据挖掘算法的并行运行。由于BDPPH-CS 数据的来源广、体量大、类别多，所以建议大学生体质健康大数据平台宜采用Spark 的大数据计算框架，并且其架构从下向上包含数据存储、数据分析和数据展示等三层。

数据存储层即为从各个角度所收集到的各种来源的数据，并且进行数据的转载、清洗加工，主要考虑不同类型数据的储存和接入。从学校获得的数据、与学校有合作的企业数据以及政府或第三方企业拥有的数据等各方面数据经过转载、清洗和加工后，可分类为日常数据、体测数据和教学数据。构建BDPPH-CS 一般以日常数据为基础，以体测数据为导向，并配合教学数据。

数据分析层处于中间层次，是通过Spark 框架以各种算法对相关数据进行数据分析，具体可采用分类算法、聚类算法、关联规则以及机器学习等实现，满足体质健康大数据挖掘的需求。

数据展示层在把数据分析过程简化的基础上，将数据信息通过图形、图表等传统的展示方式，以及基于手机、智能穿戴设备等新型的展示方式，直接为政府、高校以及家长学生提供直观的展示和科学的建议。数据展示层通过直观、易懂、便捷地将数据分析层所挖掘分析获得的信息以可视化的形式展示出来。可视化实现既包括图像处理、计算机图形学、计算机视觉、计算机辅助设计等，也包括AR、VR 等技术，并且后者能与更多的可穿戴智能设备相结合。通过这些工具将隐藏在数据中的关系、趋势、信息和规律等以可视化方式呈现。

搭建实现BDPPH-CS 框架的构建者应该具备以下能力：一是计算机、统计、管理等方面的基本原理和知识。实现BDPPH-CS 框架需要搭建者既有包括数据挖掘、系统构建、数据库、数据分析等相关的计算机处理技术，也要有针对系统工程、顶层设计、项目管理、统筹管理等相关的管理学知识。二是对业务有足够充分的了解，既包括对BDPPH-CS 流程的全方位了解，也重点包括对数据源的对接以及对体质健康相关知识的了解等。

1.5 平台大数据分析的评价与反馈

在数据展示层展示出的可视化结果，通过结构化的组织、流程化的处理以及系统化的展示将信息准确把握，便于有效反馈学生个体、学生群体的体质健康状况。学生端可呈现BDPPH-CS 的个性化分析报告，便于学生查看个人的体质健康评价和分析报告。同时，BDPPH-CS 也可以为教师呈现学生群体和个体的分析报告，帮助教师根据不同时段的报告来调节教学方式，有助于促进体质、教育、评价的有机结合[12]。

体质健康大数据分析的评价和反馈要遵循以下原则：1.以结果为导向。分析结果要以不同形式呈现给包括学生、家长、教师、高校、政府等不同类型的群体，要能根据不同群体的不同需求以不同结果呈现。2.报告简明易懂。分析结果要通俗易懂，力求简单实用。3.动态变化。分析和评价要根据具体情况不断调整大数据的分析思路，形成新的视角对问题进行分析。同时，分析和评价要根据算法模型的变化而不断变化，以应对新的需求。

2 大学生体质健康大数据平台的应用

在实践应用中，BDPPH-CS 需要结合具体应用场景和应用需求，收集相对应的数据、设计相应的算法及可视化路径，形成具体的应用模式。针对目前的现状，其应用主要涉及3个方面，包括针对性引导、个性化教学和智能评价。

2.1 针对性引导

针对性引导是BDPPH-CS 应用的核心。一方面，该平台以个体学生的数据情况具体分析某个体学生的体质健康状况。该学生的分析结果再综合其运动、饮食、生活、学习等多方面数据进行体质评价和提出优化方案，从而引导该学生更加健康的生活方式，以便于提高其体质健康。另一方面，该平台针对群体学生的数据情况，分析某类别群体学生的体质健康状况，如按照年级、学院、专业等划分的类别群体。通过该类学生群体的行为习惯，在校方、院方以及教师等配合下，针对该类学生群体的体质健康状况的整体提升，提出更加有针对性的解决方法。

2.2 个性化教学

个性化教学是BDPPH-CS 应用的延伸。针对高校体育课和体育锻炼不被学生重视的现象，BDPPH-CS 可以提供整体、部分或个体学生的体质健康数据，让高校从群体的各个层面来把控学生的体质健康状况，有针对性地提高部分或个体学生的身体素质[13]。例如，通过分类规则可以把身体素质分别在耐力、爆发力、柔韧性等不同方面有不同提高要求的学生进行分类并有针对性地集中训练，并提供使学生更加感兴趣的体育教学活动。

2.3 设施的布局和优化

设施的布局和优化也是BDPPH-CS 应用的拓展。通过BDPPH-CS 的构建，政府和高校能够真实地了解到学生的日常生活习惯，并通过设施的布局和优化在恰当的时间引导学生开展更加健康的生活。例如高校通过BDPPH-CS 发现学生大都在下午五点到八点这个时间段内参加运动锻炼，而晚上七点到十点是学习的高峰时间，则高校应该在食堂的开放时间和食物的种类搭配等方面进行科学安排，以便于学生在锻炼后的营养补给和在学习上的能量补充，也可以在学习高峰时间段注意开放更多的教室和座位，还可以在学校附近引导开设更多的有利于学生健康生活的设施，如健身房、书店等，同时限制网吧、游戏厅、酒吧等娱乐场所的营业数量和营业时间等。

3 大学生体质健康大数据平台的发展挑战

3.1 信息孤岛

搭建BDPPH-CS 的最大问题是信息孤岛。信息孤岛是指不同部门、不同系统的数据集之间无法建立有效的连接，导致数据群处于一种高度的分散状态，难以全面实现信息共享。现如今我国大多数大数据平台都是根据自身的工作特点建立起的不同网络服务平台，但是大部分的独立平台基本没有与其它平台建立一个有效的数据连接机制，使得信息共享水平越来越低，加上网络平台背后的支撑数据库在管理上始终难以形成一种统一规范的标准，因此产生出来的信息就属于信息孤岛。其根源是在搭建大数据平台之初没有考虑到日后系统间、部门间的数据交换和数据共享等一系列问题，缺乏顶层设计的思想。

3.2 数据安全

广泛的数据源是搭建BDPPH-CS 的基础。然而，仅仅依靠高校提供的数据是有限的。需要结合企业提供的数据搭建相对完整的数据闭环，通过全方位的数据对学生日常生活方式提出全面的评价。但是与企业合作的问题不仅仅包括因为数据结构、数据格式导致的数据沟通障碍，还包括对数据安全管理方面可能出现的漏洞。BDPPH-CS 的数据直接与我国大学生的体质健康和生活习惯等情况挂钩。在高校与企业进行数据交互的同时，很容易造成数据泄露。校企在合作的同时必须重视数据安全，建立完善的信息安全措施、运维保护措施以及应急保障措施，通过技术和管理双渠道把风险降到最低。另外，数据安全还具体包括：通过严格而规范的技术手段如基础设施的及时更新和物理层面的安全保护等，以规避数据的存储与使用等风险；定期对相关系统开展安全升级与运维管理；提高工作人员的安全意识、自觉意识以及法律意识等。

3.3 数据处理模型的建立

搭建BDPPH-CS 的关键是数据处理模型的选择、应用以及有针对性地修正。数据处理模型包括数据ETL、算法选择以及可视化展示等过程，并且每个过程都直接或间接地影响数据的准确性。以算法为例，在各种算法都存在可选时，应该选择不利影响相对较小的算法来处理数据。如在BDPPH-CS 中，考虑学习相关的数据对学生体质健康的影响时，就应该选择决策树算法而避免选择最近邻算法。这是因为决策树算法具备易于理解和能够处理不相关关系等特征，同时最近邻算法需要耗费大量内存，在处理器相对一般的情况下容易造成系统崩溃。因此，选择数据处理模型时应当咨询专家，从成本和技术等角度综合考虑来选择算法方案。

4 大学生体质健康大数据平台的发展方向

事物的发展都是一个历史过程而需要不断发展，搭建BDPPH-CS 也是如此。随着需求的不断变化和技术的不断更新，BDPPH-CS 也存在一个演化的过程，其发展方向包括但不限于以下方向：

4.1 将BDPPH-CS 发展为全体学生体质健康大数据平台

搭建BDPPH-CS 的目的是通过相对全面的数据来源，以科学的方法来评判大学生的体质健康，并且能够针对性提出学生体质的提升措施。本文以大学生为研究对象进行探讨，不仅是因为大学生的体质测试相对完善和准确，更是因为大学生的数据较容易获取。当BDPPH-CS 逐渐成熟后，可以逐步拓展到中小学生，形成针对全体学生体质健康的大数据分析平台（Big Data Platform of Physical Health for All Students，简称BDPPH-AS）。将BDPPH-CS 发展为BDPPH-AS的原因有两方面：一方面，学生健康一直是社会大众持续关注的焦点，搭建BDPPH -AS 的确能够在一定程度上为提升学生体质健康提供行之有效的解决措施；另一方面，尽管中小学生相对大学生而言其数据获取不够全面，但是随着相关技术的普及，通过家校联合等多种方式，也能够提供全体学生的相对全面的数据，从而有效解决数据来源的问题。

4.2 将SPHBD 平台发展为全社会的体质健康大数据平台

当BDPPH-CS 拓展为BDPPH-AS 并发展成熟后，通过进一步扩大数据来源并改进和丰富算法，可以将服务对象拓展为针对全社会所有人，即将BDPPH-AS 扩展为体质健康大数据分析平台（Big Data Platform of Physical Health，以下简称BDPPH）。此时，全体公民的体质监测、体育锻炼、身体保健和健康医疗等数据均融合进BDPPH，促进我国全民体质健康的提升。

5 结束语

本文构建大学生体质健康大数据的分析平台并探讨了相关问题。不同于传统的体质健康提升方式，基于BDPPH-CS的体质健康分析与提升建议，综合了宏观层面的定性分析和微观角度的定量计算，使大学生体质健康的指导工作更加科学，也更加有针对性和可操作性，将在协调政府、学校和家庭三方的共同努力以提升大学生体质健康发挥积极的作用。