郭 倩，李建霞（华东理工大学科技信息研究所）

1 研究概述

随着科学研究第四范式的兴起，以数据为中心和驱动的科学研究特征日益突出，作为综合了数据获取、利用、评价、交流和共享等技能的数据素养已成为研究者提升科研创新能力的必备要素和核心竞争力。在数据密集型科研的助推下，科研数据库以及管理工具的开发应用为数据素养教育提供了有力平台。一些研究机构、图书馆协会纷纷筹措资金推进科研人员数据素养能力提升项目，着力探索数据管理培训和数据素养教育实践。在数据素养课程教学层面，Hunt研究了将数据素养融入现有学科课程对学生学习效率的影响［1］；McAuley等研究了开放数据、大数据和关联数据等数据素养相关知识对高等教育的影响［2］；Schneider提出应将数据素养教育纳入信息素养确立的相关课程中进行教授［3］；Maybee通过让学生学习在学科背景下使用数据来解决基于通用技能模型相关的缺陷问题［4］。在数据素养能力层面，澳大利亚统计局（Australian Bureauof Statistics，ABS）提出公众应掌握的数据素养能力包括：数据意识，理解统计概念的能力，分析、解释和评价统计信息的能力，沟通和理解统计信息的能力［5］；Shorish指出数据素养是大学生的一项重要能力，并要求学生对他们所生成的数据负责，灌输学生认识数据并掌握运用数据建立知识的能力［6］。在项目实践层面，美国肯特州立大学开展中学数据思维（Thinking With Data，TWD）项目，使用扩展的未来学习准备（Preparation for Future Learning，PFL）框架来教授跨学科的数据素养［7］；普渡大学图书馆联合斯坦福大学、明尼苏达大学以及俄勒冈等大学图书馆开展数据信息素养培训计划，开发可共享的数据信息素养培训课程［8］。此外，还有研究者分析了数据信息素养（Data Information Literacy Projects，DIL）对学生、教师、图书馆员的影响，以及将数据素养作为图书馆的标准等。总体来看，国外的数据素养研究主要集中在课程设置、能力提升及框架研究、实践培训、教育模式改革及创新、教育团队及策略构建等方面。

国内关于数据素养的相关研究起步稍晚，且以定性研究居多，其内容主要集中于介绍国外研究、分析数据素养概念及探讨数据素养教育策略或框架等方面。如，黄如花等关于数据素养教育内容的广泛性、主体的多元化以及形式多样化的探讨［9］；董薇针对馆员数据素养培养的框架体系和数据素养能力等级的定性划分进行了论证［10］。相对而言，针对数据素养的定量研究较少，且主要是利用调查数据进行能力测评，如采用因子分析法对数据素养能力进行量化评定；面向科研团队的嵌入式科研数据服务场景，定量测度团队成员的个人数据素养能力和在冲突中对他人观点的认同度［11］；从科研创新能力的层面分析了数据素养对科研绩效的影响［12］等。与国外研究相比，国内的数据素养研究主要局限于一些概念的探讨及经验的总结，教育实践则停留在对国外经验的引进和改良，且现有的数据素养能力评价文献多是采用因子分析或描述性统计，研究对象孤立，对大学生数据素养状况的调查研究缺乏宏观理论框架的指导，鲜有学者研究数据素养能力与教育成效的影响关系，缺少对开展数据素养教育内外部环境特征的分析及系统的策略研究［18］，未能对数据素养能力及教育效果之间的影响机制进行定量分析。

实际上，数据素养能力及成效研究涉及的诸如兴趣、成效、能力等概念是为了理解研究目的而建立的假设概念，它们并不存在直接测量的操作方法，因此研究人员只能利用一些可测量的变量作为这些潜在变量的“标识”。但在统计分析中，这些观测“标识”往往包含了大量的测量误差，而这些测量误差则会导致常规回归模型参数估计发生偏差，进而影响研究结果的科学性和准确性。虽然传统的因子分析可以处理测量误差，但却不能分析因子之间的关系，而结构方程模型（Structure Equation Modeling，SEM）综合了回归分析、因子分析、路径分析等多种方法的优点，能够在处理变量多重相互关系的同时将变量关系的检验能力从探索性分析转变为验证性分析，为探究潜变量之间的结果关系提供了可能［13］。它不仅允许自变量和因变量存在测量误差，且没有很严格的假设限制条件，因此广泛应用于经济学、社会学、教育学与行为科学等领域的研究［14］。

鉴于此，本文在问卷调查的基础上，将数据素养教育资源、能力、成效纳入统一的研究框架，采用结构方程模型对不能直接测量的能力、成效等潜在变量及其内在因子进行深入解剖以分析它们之间的内部影响机制，得到教育资源、能力各组成要素与教育成效之间关系的量化分析，进而揭示它们之间的内在联系，以期为数据素养标准的制定、数据素养教育环境的优化以及数据素养教育合作方式的改善提供参考和借鉴。

2 教育资源、数据素养能力与教育成效的内涵

2.1 教育资源

学校是为社会培养人才的专门机构，学校教育是有计划、有组织、有目的地向学生传授一定的社会规范、价值标准和知识技能的过程，而教育资源是指与教育教学实践密不可分的基本要素。教育资源是指教育系统中支持整个教育过程以达到一定教育目的、实现一定教育和教学功能的各种资源，通常包括教师资源、课程资源和物质资源。刘建国等认为科学合理的素养教育资源是提升公民素养的前提条件［15］。在数据密集型知识环境下，数据的识别、收集、统计、分析、交流、评价等能力成为高校师生必备的知识框架内容，数据素养能力也成为公民既重要又普遍的能力。据此，本研究的数据素养教育资源是指为教学目的而专门设计的或者服务于教育的各种能被使用的资源，属于课程资源的范畴。

2.2 数据素养能力

高等教育的目的是培养人才，而人才的衡量标准是对其能力的有效评定。当前，数据素养能力已成为推动科研发展的不竭动力，是数据密集型科研范式下衡量个人潜力的重要因素。国内业界认为数据意识、数据获取能力、数据处理与分析能力、数据交流能力、数据道德等，是评价数据素养能力的重要维度。据此，本文认为数据素养能力是指个体不断获取数据知识、学习数据相关技能以改善自身数据获取、处理、运用、交流，以提升其应对不断变化的数据环境的能力。它包括能够有效且恰当地发现数据的价值，并能在数据获取、利用、管理过程具备一定的专业操作技能，且普遍遵循数据使用过程应坚守的道德与规范。

2.3 教育成效

教育质量的提升不仅在于实施适应当代特征的教育改革，还在于对教育实施情况进行持续不断的评估。张红霞认为，在图书情报学领域，成效研究更多将视角投向服务效果和对用户的影响。2003年，英联邦大学和国家图书馆学会（The Society of Colleges，National and University Libraries，SCONUL）认为：成效评估应把焦点转移到关注在提供服务时“管理者试图要达到的目标”，并根据此特定的服务目标来寻找带给用户的变化［16］。美国、德国、法国等国家也纷纷从知识、信息素质、学术或职业成功、社会容纳程度等方面来评价图书馆对个体技能、综合能力、态度、行为带来的改变［17］。由于目前国内关于数据素养教育成效的研究还处于空白，本文综合以上研究的思想和理念，将数据素养教育成效视作学生通过接触教育资源和项目而得到改变的情形。据此，本文将数据素养教育成效的重心主要放在研究高校数据素养教育活动对受教育者的学习兴趣、能力和其学术研究的影响。

3 问卷调查与信效度检验

3.1 问卷设计与调查

本研究的高校数据素养教育资源情况结合司莉等对图书情报专业研究生数据素养课程的设置及特征［18］，从我国高校数据素养教育现状出发，从开设相关数据技能课程、开展数据技能培训情况、对统计数据库访问情况三个方面来设计问卷；数据素养能力从高校学生的数据意识、数据获取能力、数据处理与运用能力、数据分析与评价能力、数据交流与共享能力以及数据安全与伦理道德六个维度共17个调查项来设计调查问卷（见表1）；对教育成效的调查则侧重于数据素养教育对用户积极影响的考察；设计“数据素养及相关技能的提升对学习兴趣和态度的影响程度”“数据素养及相关技能的提升对学习成绩的影响程度”和“数据素养及相关技能的提升对科研的影响程度”三个问题。问卷采用李克特五级量表法，被调查者根据自身实际情况进行打分，1—5分表示程度从弱到强。

表1 个体数据素养能力构成要素

本次调查以国内高校在读博士生、硕士生和本科生为对象，通过“问卷星”平台采用网上问卷填答的方式进行，调查时间为2018年3月28日到4月16日，共回收问卷450份。其中填答不全及明显不合格问卷32份，有效问卷418份，问卷有效率达92.89%，满足问卷统计分析的基本要求。

从样本数据来看，本次问卷所调查的对象来自北京大学、武汉大学、南京理工大学、华东理工大学、福州大学、上海大学、南京理工大学、西北师范大学、广西师范大学等高校，其中本科生占61.72%，硕士生占34.21%，博士生占4.07%。

3.2 信效度检验

信度指测验结果的一致性、稳定性及可靠性。信度系数愈高即表示该测验的结果愈一致、稳定与可靠。本文利用SPSS22.0统计分析软件，采用内部一致性信度检验方法进行调查问卷数据的信度检验，并通过Cronbach’s Alpha系数值来分析量表的信度。实际应用中，Cronbach’s Alpha值至少要大于0.5，最好能大于0.7［19］。在本研究中，得到的关于高校学生数据素养教育总量表信度为0.929，数据素养教育资源分量表信度为0.815；数据素养能力分量表信度为0.936，教育成效分量表的信度系数达到0.739，都达到了0.7以上，说明本次调查所使用的三部分问卷信度良好，具有较高的稳定性和可靠性。

效度是指测量的有效性程度，即测量工具能否准确测出其所要测量的事物的程度。一般认为KMO的测定结果在0.9以上表示非常好，在0.7以上即可。为了衡量本次调查问卷的内在结构是否合理，笔者对问卷调查的数据进行探索性因子分析，得到的KMO值为0.864，大于0.7，Bartlett球形度检验Sig.为0.000，小于0.005，说明问卷的效度较好。

4 数据素养教育资源、能力对成效的影响机制分析

4.1 研究假设

（1）教育资源与数据素养能力的关系。学校作为教书育人的基本场所，其教育资源的多少与资源状况的优劣直接影响着学生学习活动的进程并决定着学生个体能力的发展。事实上，能力是资源及其有机结合所具有的内在动力特征，由于高校学生受到的数据素养教育在资源上存在诸多差异，表现出来的个体素养能力也显著不同，而教育资源即课程门数越多、方式越科学合理，学生的学习成绩越好。可见，无论是学术氛围、教学设备、师资，还是课程设置、内容等都对学生个体能力的提高有着至关重要的作用，而这些细分内容均属于教育资源的整体范畴。由此可以得出：教育资源的丰富性、开创性以及合理性等对学生个体能力的培养存在显著影响。

假设1（H1）：高校教育资源对学生数据素养能力存在显著正向影响。

H1-1：高校开设数据相关技能课程越多，学生的数据素养能力越强。

H1-2：高校开展数据相关技能培训越多，学生的数据素养能力越强。

H1-3：学生访问统计数据库次数越多，其数据素养能力越强。

（2）数据素养能力与教育成效的关系。数据素养教育就是培育学生具备一定的数据敏感性，能围绕教学、科研、社会服务等基本活动恰当且有效地发现、使用数据、具备一定的数据操作技能和数据伦理意识。学生对数据信息使用的意愿、接受程度以及在生产、管理、使用数据过程的相关技能和态度上存在差异，会直接影响数据素养的教育成效。此外，学生通过学习掌握相关数据技能，为学习、科研、创新创造提供知识和方法基础，将有更多主动性和自主性拓展知识和研究范围，引领其取得更高成效，培养高超的个体数据素养能力是数据素养教育卓有成效的动力之源。因此，数据素养能力与教育成效存在着紧密联系，学生的个体数据素养能力和水平对教学质量与成效有显著影响关系。

假设2（H2）：个体数据素养能力对教育成效存在显著正向影响。

H2-1：个体数据意识越强，教育成效越明显。

H2-2：个体数据获取能力越强，教育成效越明显。

H2-3：个体数据处理与运用能力越强，教育成效越明显。

H2-4：个体数据分析与评价能力越强，教育成效越明显。

H2-5：个体数据交流与共享能力越强，教育成效越明显。

H2-6：个体数据安全与伦理道德越高，教育成效越明显。

（3）教育资源与教育成效的关系。教育资源的影响自学校教育产生开始就引起广泛的重视，对于学校教育的重要性不言而喻。因此，提高教育机会和教育质量，取得满意的教育成效，是教育发展的主要目标。数据素养教育过程在提升数据意识、数据需求、数据获取利用、数据分析评价以及数据交流共享等能力的同时，也为创造力提供了方法论基础。由此可见，良好的素养教育资源可以为教育个体创造学习氛围，促进其快速成长和吸收相关知识技能，是推动素养教育快速平稳发展和取得突出成效的关键所在。

假设3（H3）：高校教育资源对教育成效存在显著正向影响。

H3-1：高校开设数据相关技能课程越多，教育成效越明显。

H3-2：高校开展数据相关技能培训越多，教育成效越明显。

H3-3：高校学生访问相关统计数据库学生访问越多，教育成效越明显。

4.2 假设检验与回归分析

根据上述假设分析，以教育资源为自变量，数据素养教育成效为因变量进行回归分析得到模型1；以个体数据素养能力为自变量，教育成效为因变量进行回归分析得到模型2；将教育资源与个体数据素养能力同时为自变量，以教育成效为因变量得到模型3（见表2）。将表2中模型1、模型2和模型3的指标汇总，得到表3。最后再以教育资源为自变量，个体数据素养能力为因变量进行回归分析得到模型4（见表4）。根据以上四个模型的回归分析，进一步验证教育资源、个体数据素养能力、教育成效之间的相互影响关系，从而对研究假设进行初步判定。

表2 教育资源、个体数据素养能力与教育成效的回归系数

表3 教育资源、个体数据素养能力与教育成效的回归模型指标汇总

表4 教育资源与个体数据素养能力的回归模型指标系数

由表2可知，模型1、2、3的回归方程均显著（P＜0.001），其中模型1、2分别是教育资源以及个体数据素养能力作单一的自变量，而模型3是两者同时为自变量。从模型1、2与模型3的对比可以看出，增加一个自变量所产生的变化在统计上是显著的（P＜0.001），因而选用模型3来描述三者间的线性回归关系较为合适，即教育资源和个体数据素养能力都对教育成效存在显著影响。

模型 R R2 调整R2 标准估计的误差 P 1 0.356 0.127 0.125 2.37713 0.000 2 0.396 0.157 0.155 2.33637 0.000 3 0.447 0.200 0.196 2.27792 0.000

根据表2、表3中模型3的回归指标参数可知，教育资源的回归系数为0.230，个体数据素养能力的回归系数为0.299，两者共同解释教育成效19.6%的变异，即教育成效的差异有19.6%可以由教育资源和个体数据素养能力的差异所解释。又因为教育资源与个体数据素养能力的回归系数均为正，则可说明教育资源与个体数据素养能力对教育成效存在正向影响作用，即验证了假设2与假设3。

由表4可看出，教育资源对个体数据素养能力存在显著影响（P＜0.001），其能够解释个体数据素养能力17.8%的变异，亦即个体数据素养能力的差异有17.8%可以由教育资源的差异来解释，且数据素养教育资源的回归系数为正值，也说明教育资源对个体数据素养能力存在显著正向影响，即假设1成立。

4.3 数据素养教育成效影响机制的结构方程全模型路径分析

本研究以极大似然法（Maximum Likelihood，ML）作为模型的估计方法对模型中各因子间的关系进行验证，根据已有理论研究结合数据素养教育成效影响机制分析可构造影响我国数据素养教育成效的路径结构方程概念模型（见图1）。由模型及假设可知，高校教育资源为外生潜变量；高校开设数据相关技能课程、开展培训情况、相关统计数据库访问情况是外生测量变量；个体数据素养能力、教育成效是内生潜变量；数据意识、数据获取能力、数据处理与运用能力、数据分析与评价能力、数据交流与共享能力、数据安全与伦理道德、兴趣态度、学习成绩、科研能力是内生测量变量。

图1 数据素养教育成效路径的结构方程原始模型

其中，F表示潜变量，X表示外生观测变量，Y表示内生观测变量，e为观测变量与潜变量之间的误差（残差）。

为进一步检验原始模型是否成立，需进行数据拟合、模型修正及模型检验。文章采用AMOS 22.0，通过计算模型拟合指数来验证理论结构模型对数据拟合的程度，得到模型拟合指数值如表5所示。

表5 模型拟合指数值

其中，CFI是比较适配指数；TLI为非规准适配指数；IFI为增值适配指数；GFI为适配度指数，也称为拟合优度指数。CFI、TLI、IFI、GFI的数值都介于0与1之间，其值愈接近1，表示模型拟合愈佳，其值愈小，表示模型拟合愈差，一般大于0.90的取值表示模型拟合较好。RMSEA为渐进残差均方和平方根，其值愈小，表示模型适配度愈佳。一般而言，若RMSEA的数值高于0.10以上时，则模型适配度欠佳；在0.08至0.10之间则模型尚可，具有普通适配；在0.05至0.08之间表示模型良好，即合理适配；若数值小于0.05表示模型适配极好［20］。表6显示的是本模型中各拟合指数值均达到了理想水平。在对数据进行拟合和模型的修正过程中，发现增列误差变量e4与e5，e4与e9间的共变关系，可以降低整体模型适配度的卡方值，并界定两者相关且没有违背SEM的假定，因此进行模型的修正并最终得到结构方程模型总体路径结果（见图2）。

图2 结构方程模型总体路径结果

基于以上数据，经过结构方程理论特定的参数检验和模型修正后，计算得到各项参数的估计值（见表6）。

表6 模型的参数估计值

从图1及表6的路径关系及参数估计可得以下结论。

（1）高校教育资源（F1）对学生个体数据素养能力（F2）的路径系数为0.545，在p<0.001条件下达到显著，证明假设1（H1）成立，即高校教育资源对学生个体数据素养能力存在显著的正向影响。

（2）个体数据素养能力（F2）对教育成效（F3）的路径系数为0.251，在p=0.002<0.01条件下达到显著，证明假设2（H2）成立，即学生个体数据素养能力对教育成效存在显著的正向影响。

（3）教育资源（F1）对教育成效（F3）的路径系数为0.381，在p<0.001条件下达到显著，证明假设3（H3）成立，即高校数据素养教育资源对教育成效存在显著的正向影响。

4.4 数据素养教育成效内部影响因素路径分析

在现实的高校数据素养教育活动过程中，首先是教学部门为学生提供一定的教育资源，学生通过接受教育获得相关的数据素养能力，最后通过知识内化来提高学习成绩或产生科研成果。可以说，数据素养教育只有通过个体数据素养能力的提升，才能将教育转化为指导人们行动的知识，从而获得良好的教育成效。因此判断具备较高数据素养能力的人通过对数据的利用和挖掘，从而产出更多的知识并将其转化为学习动力和科研实力，一定程度上间接放大了数据素养教育对成效的影响作用。

为了深入探究教育资源、个体数据素养能力对教育成效的内部影响因素，本研究将教育资源与个体数据素养能力的内部各要素作为定量指标，通过Amos 22.0进行路径分析，深层挖掘数据素养教育资源、能力及成效的关系，结果如图3所示。

图3 教育资源内部各要素通过数据素养能力影响教育成效的路径分析

由图3可知，在高校数据素养教育活动中，教育资源通过影响学生个体的数据素养能力进一步影响了其教育成效，即个体数据素养能力在教育资源对教育成效的影响中存在显著的中介效应。从教育资源内部要素来看，学校开展数据技能培训情况及访问统计数据库情况通过个体数据素养能力更能影响教育成效，因此学校应加强开展相应的数据技能培训以及统计数据的建设、宣传，指导学生熟练运用统计数据库完成相关研究。

由结构方程模型总体路径分析结果可知，在数据素养能力各内部要素中，数据意识和数据安全伦理与道德相比其他内部各要素对教育成效的影响要小，因此剔除数据意识和数据安全伦理与道德，提取数据素养能力对成效影响较大的内部要素进行深入分析（见图4）。

由图4中各路径系数乘积可知：学生利用教育资源加强个体数据获取能力对教育成效的影响最大，数据处理与运用能力以及数据分析与评价能力对教育成效的影响较大，而数据交流与共享能力对教育成效的影响最小。因此在教育资源满足学生需求的情况下，应加强学生数据获取、处理与运用以及数据分析与评价的能力，进一步提升教育成效。

图4 教育资源通过数据素养能力内部要素影响教育成效的路径分析

之后选取教育资源和能力中对教育成效影响较大的内部要素进行交叉分析，计算各路径系数乘积，结果见图5。

图5 教育资源内部要素通过数据素养能力内部要素影响教育成效的路径分析

由图5可知：开展数据技能培训能较大程度提升学生的数据处理与运用能力并影响教育成效；学生对统计数据库的访问越频繁，其数据获取能力相对越好，也更能影响教育成效；开展数据技能培训和统计数据库访问情况对学生数据分析与评价能力的影响几乎相同，并且都能对教育成效产生显著影响。

5 问题及对策

研究发现，教育资源、数据素养能力对教育成效影响显著。同时我国高校的数据素养教育探索过程也存在若干问题，所取得的教育成效差强人意。通过结构方程总体路径分析发现，学生数据素养能力中数据意识和数据安全与伦理道德方面相较于其他能力有所欠缺，由此可见学生对数据素养教育的认知度不够。就目前各高校数据素养教育开展情况而言，数据素养教育培训活动多是以教师为中心进行的任务命令式的教学，其教学内容、教学方法、考核标准虽然提升了学生的数据素养，但学生在解决实际困难时依然无从下手。因此，资源不足、能力欠缺是目前我国高校数据素养教育面临的主要问题之一。为此，高校的数据素养教育应着力加强以下几个方面的工作。

（1）重视意识培养，营造良好数据文化氛围。通过结构方程总体路径分析发现，学生数据素养能力中数据意识的影响系数仅为0.59，这说明我国高校的数据素养教育在对数据意识的培养方面有所欠缺。数据素养教育的首要任务是培养受教育者的数据意识，即对特定数据的敏感性，这种敏感性的养成则必须根植于特定的学习环境与实践环境［21］。从我国数据素养教育开展情况来看，目前大部分高校在数据素养教育方面做了一定努力，尤其是图书馆在信息检索课程开设、数据库讲座等方面投入了较多精力，但所取得的成果不尽如人意，无论是学生个体认知方面还是学校的课程设置方面，高校对数据意识与文化氛围的培养都存在明显欠缺。因此，高校在推进数据素养教育进程的同时，应从政策支持和环境建设入手，将数据素养教育贯穿于学校的人才培养计划和教学服务体系，进行数据素养教育的学科渗透和模式创新实践。同时要充分考虑如何通过课程实践环节（如实习、实验、课程论文等）培养学生的数据意识和数据道德观；定期举办各类数据感知、数据安全以及伦理道德宣传讲座，从而营造良好的数据素养文化氛围，逐步培养学生的数据意识与认知能力，加强数据意识、数据文化、数据道德伦理、科学数据生命周期等软环境的建设。

（2）加强资源建设，开展多元教育主体合作。良好的资源配置不仅可以提升学生个体的数据能力，教育资源的丰富性在一定程度上也可以满足学生的个性化需求，进一步影响学生的学习兴趣，从而表现出良好的教育效果。从问卷调查的统计分析可知：教育资源对数据素养能力和教育成效的影响比较显著，但目前高校所提供的数据素养教育资源比较有限，同时学生也未能很好地利用现有的资源。因此，加大力度扩展教育资源并重视学生个体数据素养能力的培养、寻求与其他教学主体间的合作、开展多元教育主体联合的培养模式来共同实施数据素养教育已是大势所趋。高校学生由于个人能力、专业要求的不同，其数据素养和需求也存在差异，高校的数据素养教育应从学生实际情况出发，针对不同专业、群体数据素养情况，联合图书馆员、专业教师、数据技能专家和数据库商等多元主体，进行测试和分级教学。第一，起步阶段可从基础通识教育培训开展，在信息素养教育中整合数据素养内容，由图书馆员进行数据意识培养、基础理论指导和获取途径介绍等，使学生对数据基础理论知识有一定的了解；第二，由数据库商进行系统化的检索技巧、数据分析和知识发现等指导，进一步深入加强学生对数据分析的认知；第三，当学生对数据检索有了整体概念之后由专业教师进行写作指导、数据建模和配备项目实践等，步入高级阶段后，由数据技能专家指导数据研发与架构、数据挖掘、数据加密等，最后由科研人员负责指导数据交流共享、数据评价以及数据伦理和道德等数据使用规则和数据应用技巧。这不仅有利于完善数据素养教学内容和丰富教学形式，而且有利于通过融入专业应用场景来改善专业教育效果，基于应用需求使学生的学习热情得到激发，能从根本上提升学生个体数据素养能力，进而有效提升高校学生数据素养教育成效。

（3）加大技能培训，提高数据分析评价能力。数据素养本质上是在数据意识驱动下，从特定数据环境中合理合法且有效地获取、分析、解释、评估和利用数据的基本能力。分析发现，开展数据技能培训对数据处理与运用能力的影响显著，开展数据技能培训可通过影响数据分析与评价能力从而影响教育成效。目前，高等教育正提倡实践创新型教育，让学生尽可能根据需求获取相应技能才是高校数据素养教育的重心和提升教育成效的关键。在当前的大数据语境下能够方便、自由地获取各种数据和信息，但对高校学生来说，存在的问题是如何以批判性眼光分析、解释、评估和利用它们。信息素养教育的改革方向将从“嵌入式”技能发展转向体验式学习，为学生提供参与高影响教育实践的机会，激发学生对信息研究和数字文化的学习兴趣［22］。因此，高校的数据素养教育应以课程设置的特色化和实践性为目标，加强理论与实践的联结，使课程培训设置贴近专业需求和专业实践，大量增加数据应用的场景性案例研究，增设统计数据库的应用和讲解，重点加强学生数据技能训练，通过具体的数据处理过程培养学生通过数据发现问题、分析问题、处理问题的能力，促进学生对信息开发、学术研究和知识创造的理解。

（4）搭建网络平台，加大数据获取交流渠道。分析发现，教育资源对数据素养能力和成效影响显著，学生数据交流与共享能力对教育成效也存在一定影响。但根据问卷收集的数据来看，目前学生的数据交流与共享能力还很薄弱，高校不同专业的大学生群体更希望获取个性化的数据服务。因此，高校的数据素养教育也应加大力度搭建连接高校内外部的动态化网络平台，充分整合相关数据资源与服务，将相关统计数据资源链接、组织到科研院所以及图书馆的信息平台之中，并根据学生的专业背景和课题需要调整资源配置，为其进行个性化数据内容及相关工具的推送服务；同时利用相关技术平台，选择、加工、导入和组织相关的数据资源并对获取的科学数据提供存储、整合、分析和二次利用服务；通过动态化、多维度的网络互动交流平台实现高校内外部的联合发展，拓宽学生数据素养培养及数据交流与共享的途径，促进数据及知识的流动，进而激发学生的学习兴趣、提升个体数据素养能力并取得良好的教育成效。