非常不错:网站优化效果差是在哪些方面犯错了呢？

　　非常不错:网站优化效果差是在哪些方面犯错了呢？

　　并非每个网站优化都运行良好。如果优化如此简单，我还需要为促销付费吗？虽然优化依赖于坚持和耐心，但如果在不知不觉中犯了一些错误，如果继续下去，很难看到效果。结果不尽如人意是有原因的，那么网站优化不佳有哪些错误呢？更多SEO和网站建设案例可以在我们的官方网站上查看：

　　

" />

　　一、不熟悉规则

　　网站优化的工作基本依靠搜索引擎，熟悉引擎收录规则是企业的必修课。有时，无论您如何更新或发布，效果都很小。网站存在不合规问题，导致搜索引擎友好度低，影响抓取。虽然搜索引擎收录规则不经常变化，但当它发生变化时，公司并没有及时了解，网站上的许多问题都没有达到新的规则，这导致后期的优化效果越来越不理想。例如，网站上出现新的敏感字词，或违反广告原则。很多不恰当的词是普通的，如果不了解这方面，很容易误用词语，导致友好度低下。或者网站中的一些规划布局不再适合新规则，但无论出于何种原因，只有及时获取新规则，对网站进行调整和修改，合规程度越高，优化就越顺畅。

　　二是关键词太多

　　

　　这是企业在网站优化中容易犯的错误，关键词不是越多越好，而是集中某些人来凝聚角色。有些企业前期选择的关键词太多，认为所有文字都有用，想全部做。我觉得这些话都说完了，客户无论怎么搜索都能找到网站。事实并非如此，如果没有太多的精力和时间，当优化不到位时，它不会起作用，而是会分散。例如，一百个单词，但一个企业每天可能只能运营几十个甚至更少。如果只有十个左右的字，每次对这几个字进行操作，强度集中，效果会更好。这主要是太分散了，只能集中让一些词先起到排名作用，有的慢慢做，一开始不能操之过急。

　　三、文章质量差

　　选择采集

文章进行网站优化是一些企业的惯用方式，认为不费吹灰之力，而且资源很多，很多文章一次可以更新。不过，无论多少更新看不到排名上升，都会加大力度，认为更新数量不足以没有效果。众所周知，文章质量差是主要原因。选择采集

方式不利于优化，有些企业明白这一点，所以会选择一些同行网站，看他们发布什么，复制什么，认为自己的网站是新文章。每个人都可以复制粘贴，你怎么能根据别人的更新时间认为他们的文章是高质量的？也许它也是复制品，但也是伪原件。高质量的文章主要是新鲜的，没有在其他地方发表过。并且内容必须具有中心思想并且具有可读性，以便于收录

和搜索。

　　解决方案:教育大数据的来源与采集技术

　　摘要： 全面、自然、动态、持续地采集教育数据是教育大数据建设的基础性和引领性工作。业务差异直接导致教育数据源更加多样化，数据采集

更加复杂。本文讨论了教育大数据的来源，认为教育大数据源于各种教育实践，核心数据源是“人”和“物”;介绍了物联网感知技术、视频录制技术、图像识别技术和平台采集技术等四大类和13种常用数据采集技术，指出每种技术采集的数据范围和重点不同。总结了教育数据采集的注意事项：要提前规划设计，要有明确的边界，保持连续性和规范性，采集粒度要尽可能小，采集

过程要合乎道德。

　　介绍

　　2015年是我国教育大数据元年[1]，政府、企业、学校、科研人员、行政人员、教师、公众等开始关注教育大数据，相关政策文件、研究机构、学术活动、市场产品等也开始出现。然而，我国教育大数据研究与实践领域仍处于起步和探索阶段，是“摸石过河”，涉及一系列亟待解决的关键问题（如教育数据的自然采集、教育数据的安全管理和隐私保护、教育数据的安全管理和隐私保护、教育数据 教育数据的无缝流动和开放共享，教育数据的深度挖掘，学习分析等）。其中，全面、自然、动态、持续采集教育数据是构建教育大数据的基础性、引领性工作，需要明确一些基本问题：教育数据的来源在哪里？需要采集

哪些数据？常用的数据采集技术有哪些？采集

时需要注意什么？本文试图回答上述问题。教育大数据的来源

　　教育是一个超复杂的系统，涉及教学、管理、教学和研究、服务和许多其他业务。不同于金融体系清晰、规范、一致的业务流程，不同地区、不同学校的教育业务虽然有一定的共性，但差异也比较突出，业务上的差异直接导致教育数据来源更加多样化，数据采集

更加复杂。教育大数据产生于各种教育实践，包括校园环境中的教学活动、管理活动、科研活动和校园生活，以及家庭、社区、博物馆、图书馆等非正式环境中的学习活动。它包括在线和离线教育和教学活动。教育大数据的核心数据源是“人”和“物”——“人”包括学生、教师、管理人员和家长，“物”包括信息系统、校园网站、服务器、多媒体设备等教育设备。根据来源和范围的不同，教育大数据可分为六类，如个人教育大数据、课程教育大数据、班级教育大数据、学校教育大数据、区域教育大数据、国民教育大数据等，由下而下、从小到大汇聚[2]:(1）个体教育大数据包括《教育管理信息化丛书》中采集的师生基本信息 行业标准（教学技术〔2012〕3号）》由教育部于2012年正式发布。用户行为数据（如学生随时随地的学习行为记录、管理员的各种操作行为记录、教师的教学行为记录等）和用户状态描述数据（如学习兴趣、动机、健康状况等）。（2）课程教育大数据是指围绕课程教学产生的相关教育数据，包括课程基本信息、课程成员、课程资源、课程作业、师生互动行为、课程评估等数据，其中课程成员数据来自个体层，用于描述与学生课程学习相关的个人信息。（3）班级教育大数据是指逐班采集

的各类教育数据，包括班级中每个学生的作业数据、考试数据、每门课程的学习数据、课堂记录数据、班级管理数据等。 （4）学校教育大数据主要包括各种学校管理数据（如概述、学生管理、 办公室管理、科研管理、财务管理等）、课堂教学数据、教学事务数据、校园安全数据、设备使用和维护数据、教室实验室等使用数据、学校能耗数据和校园生活数据。（5）区域教育大数据主要来源于学校和社会培训及在线教育机构，包括国家标准规定的教育行政数据、区域教育云平台产生的各种行为和结果数据、区域教研所需的各种教育资源、各区域层面开展的教学科研和学生竞赛活动数据， 以及各种社会培训和在线教育活动数据。（6）国民教育大数据主要采集

各地区产生的各类教育数据，重点关注教育管理数据。

　　图1 教育大数据来源 2 教育数据采集技术

　　

" />

　　教育数据的采集

需要多种技术的组合，每种技术都有不同的数据范围和重点。图2显示了教育数据采集

的技术系统，包括4类和13种常见的数据采集

技术。

　　图

　　2 教育大数据采集技术图1 物联网感知技术 这类技术主要包括物联网感知技术、可穿戴设备技术和校园*敏*感*词*技术。其中，物联网感知技术主要用于采集设备状态数据，可穿戴设备技术主要用于采集个体生理数据和学习行为数据，校园*敏*感*词*技术主要用于采集各种校园生活数据。物联网感知技术是实现万物互联的前提，是物理世界中采集

信息的重要渠道[3]。目前，利用物联网传感技术在教育领域采集基础信息，主要通过传感器和电子标签等方式——通常，传感器用于感知采集点的环境参数，电子标签用于识别采集点的信息。对于采集到的信息数据，需要通过无线网络上传到网络信息中心进行存储，并采用各种智能技术对感知数据进行分析处理，实现智能控制。学校的教室设备、会议设备、实验设备等分散分布，信息透明度小，管理困难，通过粘贴RFID标签或传感器到这些物理教学设备上，分配专人管理，统一管理和调度，有效检测设备的工作状态。可穿戴设备技术可以将多媒体、传感器和无线通信等技术嵌入到人们的服装中，支持手势和眼球运动等多种交互方式[4]。近年来，智能眼镜、智能手表、智能手环等新产品不断出现，不同形式的可穿戴设备正逐渐融入人们的日常生活和工作。

　　可穿戴技术提供了自然捕获学习者的学习、生活和物理数据的可能性。通过穿戴相关设备，可以实时记录学习者的运动状态、呼吸量、血压、运动量、睡眠质量等生理状态数据，以及学习者使用的学习时间、内容、位置、设备等学习信息。此*敏*感*词*包括：餐饮消费、洗浴费、超市购物、运动健身、课堂考勤、图书借阅、银行转账、 电脑充电、学生选课、助学补助、医疗和医药等，几乎涵盖了校园生活的方方面面。在一些地区，校园*敏*感*词*系统还与城市交通、医疗等系统挂钩，学生可以轻松使用该卡乘坐公共交通工具、地铁、买药等。这些数据的采集

不仅对教育管理有价值，而且对整个城市的管理和规划也很有价值。2 视频录制技术：此类技术主要包括视频监控技术、智能录制技术和情感识别技术。其中，视频监控技术主要用于采集校园安全数据，智能录音技术主要用于采集课堂教学数据，情绪识别技术主要用于采集学生学习过程中的情感数据。校园安防监控系统

　　是一套旨在全面实时监控校园运行，跟踪学生出入学校，准确监控和预测校园内可能出现的危机位置，实现校园防火、防盗和综合安全管理的系统[6]。校园安防监控系统的核心技术是视频监控，主要借助不同监控点的*敏*感*词*采集整个校园数据，从而服务于校管中心、市教育局监控中心等不同监控单位实时诊断校园安全。视频监控系统可以实现对学生、老师和校外进出校园人员的监控，实现校园内突然奔跑、人员密集等异常情况的预警，实现对校园设备的全面监控和管理，实现对各班情况的有效监控[7]。通过先进的流媒体和智能自动控制技术，智能录播系统可以实时自动采集课堂教学数据，同步实现校园网络或互联网上的视频直播和远程互动教学功能，成为可以在互联网上实时直播和点播的学习资源， 并充分再现课堂教学的全过程[8]。智能录音系统主要通过三个*敏*感*词*实时采集教学过程中的音视频信息，这些*敏*感*词*可以在教室内跟踪定位。此外，智能录音系统还通过电子白板的录音采集

教学课件，最终形成三个不同角度的课堂录音视频，教学课件视频和定制的合成视频。通过在课堂上安装智能录音系统，实时采集

教师在课堂上的提问、指导、评价等教学行为，可以完整记录教师在教学中使用的内容、时间和方法，还可以采集

学生在课堂上的回答、记录、听力和分心情况。情绪

　　识别技术通过观察人们表达、行为和情绪产生的前提环境来推断情绪状态，其基本目的是赋予计算机观察、理解和产生像人一样的各种情绪特征的能力。目前，情绪识别技术主要通过面部表情和语音特征提取情绪信息。情绪是影响线上线下学习效果的重要变量，学习过程中的情绪数据采集

至关重要。通过情绪识别技术，实时确定学生的情绪状态，提供有针对性的支持服务。以在线学习为例，当学生在学习过程中烦躁时，系统可以通过情绪识别技术给予学生适当的鼓励或减缓学习进度;当学生感到无聊和沮丧时，系统可以适当降低内容的难度，给予鼓励的话，调动学生的积极性;当学生感到自信时，系统会根据学生的水平提供更具挑战性的学习内容和材料[9]。目前主流的情绪识别技术是基于面部表情特征的情绪计算，通过*敏*感*词*实时采集学习者的面部特征、肌肉运动等表情特征值，进行情绪识别。此外，它还可以实时采集

学习者的语音、文字、绘图等输入信息，并对其中收录

的情感信息进行内容挖掘和智能分析和识别。随着人类对人脑结构认识的加深，基于脑电波的情绪识别采集技术将成为未来情感数据采集和情绪识别的重要渠道。3 图像识别技术图像识别技术是人工智能的一个重要领域，是指利用计算机对图像进行匹配、处理和分析，识别目标和物体的各种模式的技术[10]，主要包括在线复阅和阅读技术、点阵数字笔技术和照片搜索技术。

　　其中，在线复习和阅读技术主要用于采集

学生的考试成绩数据，点阵数字笔技术主要用于采集

各种作业、练习、

　　和考试数据，照片搜索技术主要用于采集

学生的家庭作业练习数据。互联网评分系统是中考、高考、*敏*感*词*或*敏*感*词*等大型考试活动常用的评分技术，是学生考试成绩数据的重要采集技术。评分系统依托计算机网络技术和图像处理技术，采用专业的扫描阅读设备，扫描处理各类试卷和文件，实现机器对客观题的自动评价和教师网络对主观题的高效评价。随着题库系统和人工智能技术的不断发展，一些产品已经实现了对一些主观题的自动评估。点阵数字笔是一种新型的高科技纸张书写工具。通过在普通纸张上打印看不见的点阵图案，点阵数字笔正面的高速*敏*感*词*可以随时捕捉笔尖的运动，同时将数据传输回数据处理器，最后通过蓝牙或USB电缆向外传输信息[11]。点阵数字笔不仅可以保存学习者的最终书写结果，还可以记录学习过程信息，如写作风格、书写顺序、书写时间等，还可以结合写作或绘图过程同步录音，采集

写作过程中的情境信息。点阵数字笔是一种非常自然的写作数据采集

工具，非常贴近用户的日常写作习惯，因此有望成为家庭作业和练习数据的领先采集

工具。照片搜索技术是图像识别技术在教育领域的应用形式之一，主要通过终端设备（如智能手机、平板电脑等）获取相关主题的照片，然后系统根据现有的题库自动匹配、处理和分析，最后筛选出最相似的问题， 带有图片的答案和解决方案想法。

　　市面上越来越多的作业题库产品开始提供照片搜索功能，为采集

学生日常作业练习数据提供了良好的渠道。除了检索问题的答案外，照片搜索技术还可以存储学生的家庭作业练习结果，并通过拍照和上传来处理数据。这些数据可以通过软件平台的处理和分析，有效地用于教师的教学决策和学生的自我诊断。4 平台采集技术：此类技术主要包括在线学习和管理平台技术、日志搜索分析技术、手机APP技术和网络爬虫采集技术。其中，在线学习管理平台技术主要用于采集各种在线学习和管理数据，日志搜索分析技术主要用于采集

运维日志和用户日志数据，手机APP技术主要用于采集

各种移动学习过程数据，网络爬虫采集技术主要用于采集

教育舆情数据。在线学习管理平台是当前教育数据采集的重要载体，可以采集大部分在线学习、教学和科研和管理活动的数据。各种在线学习平台和管理平台，由于定位和功能不同，其支持采集

的教育数据的范围和类型也不同——一般情况下，在线学习平台主要负责采集

课程学习数据，如课程基础信息、课程资源、课程作业、师生互动信息、课程评估结果等;管理平台（如资产管理系统、人事管理系统等）主要负责学生身份、设备资产、科研、财务、人事等信息的采集和管理。

　　除了使用专用的在线学习和管理平台采集

数据外，还可以通过第三方插件采集

数据，例如基于 Firefox 的油猴脚本，可以在 BlackBoard 平台中自动采集

交互式数据，包括*敏*感*词*交互的频率、交互内容和交互方向 [12]。日志文件存储了大量的用户和系统操作信息，通过日志搜索和分析技术可以有效地过滤掉有用的信息。日志搜索分析技术是指通过日志管理工具对日志进行集中采集和实时索引，提供搜索、分析、可视化和监控等功能，最终实现对在线服务的实时监控、业务异常原因定位、业务日志数据的统计分析、安全合规审计[13]。一方面，日志搜索分析技术可以实时监控教育设备和资产的运行状态，如设备功耗、故障信息、安全威胁等，为智能运维提供数据支撑。另一方面，它可以详细记录用户的操作行为，如系统登录次数、登录时间、增删、检查和修改等基本信息，可用于教师、学生和管理员的行为模式诊断。近年来，随着移动终端和通信技术的发展，移动APP技术逐渐成为移动学习过程中数据采集的领先技术。本质上，手机APP技术类似于在线学习和管理平台技术，只是采集

渠道来自移动终端，采集

方式更加灵活多样。学生可以通过无线网络和使用移动终端（如智能手机、平板电脑、PDA等）与云学习平台进行交互。

　　

" />

　　通过结合移动终端的定位技术，系统将学习者的学习位置、学习时间、学习内容、学习状态等信息实时采集，为教师实时监控学生的学习情况，进而实现个性化的智能辅导。网络爬虫是一种自动下载网页的计算机程序或自动脚本，是搜索引擎的重要组成部分[14]。网络爬虫产品如优采云

采集

器、网页抓取软件等，在数据采集

领域应用广泛，可以实时定期采集

各大门户网站的数据，监控各大社交网站、博客，自动抓取企业产品的相关评论。随着互联网新媒体（如门户网站、微博、微信）的兴起，教育领域的信息传播呈现出传播快、范围广、内容多样的特点。网络爬虫采集技术可以实时监控和采集教育领域的网络舆情数据，从而为有效处理各种突发事件提供可能。三、教育数据采集

注意事项

　　数据采集

是教育大数据建设的基础性和开创性工作。随着许多新技术（如眼动追踪技术、语音交互技术、体感技术等）的逐渐成熟，越来越多的数据采集技术将应用于教育领域，推动教育大数据采集更加实时、连续、便捷。为保证高质量教育数据的可持续采集，在教育数据采集实践中需要注意以下事项： 1 提前规划设计，教育大数据的建设和应用是一项系统工程，需要顶层设计才能有目的、有序地采集优质教育数据。规划设计内容包括：数据采集范围、使用的数据采集技术、数据采集环境的部署、数据采集质量的保障措施、数据采集的应用目的和场景、数据的存储方案、数据的更新机制、数据的交换标准等。不同层次的教育数据采集要有不同的侧重点：国民教育大数据和区域教育大数据要注重管理数据采集，同时注重大数据在社会、医疗、交通等领域的关联和交叉挖掘，注重教育政策的制定和区域教育的均衡发展;学校、班级、课程大数据应注重教与学活动数据的采集

，注重提高教学质量;个体大数据应侧重于个体学习者行为数据、状态数据和情境数据的采集，重点服务于学习者的个性化学习诊断和发展。2要有明确的边界，大数据虽然具有混合性、来源多样性等特点，数据的存储成本越来越低，但并不一定要把所有数据都包括进去，没有价值的数据不值得采集

和分析。教育

　　大数据也是如此，其采集

要有明确的边界，而不是盲目采集

任何教育活动数据。采集

哪些数据取决于数据的使用目的。例如，为了检测和评估学生的学习进度，需要采集

和分析课程浏览、作业练习、沟通互动、问答等实时数据，而不采集

学生的饮食和运动等数据。当然，我们不否认饮食、运动等数据在诊断学生身体状况方面的价值。这里所说的“数据边界”是相对于具体的应用目的而言的，任何数据分析模型的构建都需要依赖于特定的数据采集

，只有这样才能保证分析模型的有效性和分析结果的应用价值。3 为了保持连续性和规范性，很多时候，仅凭一个学生的作业成绩并不能说明什么，但如果把班级里每个学生的作业成绩甚至作业的过程数据都采集

起来，就可以客观评价学生的整体学习效果，找到学习盲点，诊断教学难点，进行有针对性的教学和个性化的辅导， 那么家庭作业数据就有“大”价值。教育大数据的采集要坚持“持续创造价值，规范提升价值”的理念。一方面，教育数据的采集要保持连续性，即根据前期规划设计，定期、连续、定期采集

各类教育数据，通过长期积累，从小数据中生成大数据;另一方面，为了保证后期数据的整合和一致处理，教育数据的采集

应遵循特定的技术标准和规范。目前，全国信息技术标准化技术委员会教育技术

　　分技术委员会在教育信息化标准的制定方面做了大量工作，一些技术标准已经成为国家标准，各应用系统的研发要遵循教育管理信息化标准、教育资源建设标准、教育资源建设标准、教育资源化标准、 等。此外，一些国际通用标准也值得学习，如IMS-QTI（问题和测试交互）标准、xAPI（学习经验记录）规范等。 4 采集

粒度应尽可能小，数据粒度是指数据的细化和综合程度[15]。一般来说，细化程度越高，粒径越小;细化程度越低，粒度越大。吕海燕等[16]认为，数据采集

应该处于适当的粒度级别，粒度级别既不能太高也不能太低。这是因为低粒度可以提供详细的数据，但它占用更多的存储空间并且需要较长的查询时间;高级别的粒度允许快速轻松地进行查询，但不提供过于精细的数据。就教育大数据采集

而言，在保证数据有效性的基础上，数据粒度应尽可能精细，以便从中提取更多潜在价值。传统的教育数据以分数为核心，作业和试卷只是作为表征成绩的数字符号采集，即采集的数据相对细化。如果在线学习平台或点阵数字笔技术能够采集

每个学生的回答过程，如做题的顺序、每个问题的停留时间、修改的答案数量等更详细的过程记录数据，可以更准确地判断学生有哪些知识点有疑问，以及错误回答的具体原因（草率或未掌握知识）。

　　因此，可以说“小颗粒采集

大数据，大数据蕴含着巨大的价值”。5. 采集

过程应符合道德规范，数据隐私和安全一直是大数据发展的障碍之一。教育数据采集

的来源来自学生、教师、家长和学校，数据种类繁多，包括成绩、排名、家庭背景等诸多涉及个人隐私的信息。目前，国内关于教育数据隐私保护的法律法规还不完善，学校、教育机构等机构对*敏*感*词*保护的意识有待加强。由于监管不力，教育行业存在许多无良企业，出售教师、学生和家长的信息以获取商业利益。无论是出于研究、管理还是商业目的，任何教育数据在采集

前都应遵循教育数据采集

的道德规范（建议相关部门尽快汇编），数据产生主体也应享有一定的知情权和选择权。数据采集

的初衷和最终目的应该基于“服务教育发展，服务教师成长”的理念，而不是基于利益驱动盲目采集

或采集

数据。引用

　　[1] 杨先民， 唐思思， 李继红.教育大数据技术框架与发展趋势——“教育大数据研究与实践栏目”总体框架[J].现代教育技术，2016，（1）：5-12.[2] 杨先民， 王柳辉， 唐思思.大数据在教育中的应用模式与政策建议[J].电子教育研究，2015，（9）：54-61.[3] 李鲁义， 郑彦林.现代教育技术，2010，（2）：8-10.[4] 湖北省科技厅.可穿戴技术[OL].[5]张升平.重庆工商大学学报（自然科学版），2008，（1）：56-59.基于云计算的分布式校园视频监控系统设计[J].计算机测绘与控制，2013，（10）：2676-2679.[7] 李胜，胡佳龙，刘宇.RFID智慧校园安防管理系统研究与应用[J].现代教育技术，2013，（3）：95-99.[8]张飞碧.智能自动录音系统架构分析[J].中国大众教育，2008，（5）：104-108.[9]赵莉， 黄成伟.实用语音情感识别中的一些关键技术[J].数据采集与处理，2014，（2）：157-170.[10] 吴晓静， 陈兴娥.遗传算法在图像识别技术中的应用[J].宝山学院学报，2013，（5）：67-69.[11]刘增辉.基于数字笔的答题纸系统设计与实现[J].计算机应用与软件，2011，（8）：240-243.[12] Macfadyen L P， Dawson S. 挖掘LMS数据以开发教育工作者的“预警系统”：概念验证[J].计算机与教育， 2010，（2）：588-599.[13] 轻松记录。LogEasy产品概述[OL].[14] 孙利伟， 何国辉， 吴立发.计算机知识与技术，2010，（15）：4112-4115.[15] 李静.计算机科学与现代化，2007，（2）：57-58，61

　　[16] 吕海燕， 车晓伟.计算机工程与设计，2009，（9）：2323-2325， 2328