众所周知，数据新闻除了传统的文字编辑、素材收集、采访写作，还会涉及数据分析、数据处理、网页制作、图形绘制等工作，此外还需要前端工程师的参与，共同形成线上的交互型的产品。
如何运用大数据解码热点教育话题？我给大家介绍曾经做过的一个选题：《30年各国教育经费大观》。
初，是准备从个体出发去分析中国普通家庭教育的投入状况。
现在家长对于90后、00后各个方面投入都很大，甚至有些人算过一笔账：一个孩子长到18岁，家长会有几十万甚至上百万的投入。
调研后发现，很多研究机构对家庭教育的投入已经有非常完善的分析报告，但这些分析报告都是基于近几年的数据，数据量不够，没有办法形成一个完整的数据集群。所以，我们决定从一个新的角度入手，去调查对于一个孩子的教育投入。
这个过程中我们发现，家庭教育投入由包括经济状况、成员年龄和人文地域环境等多种因素共同决定，由此深入即可看出一个地区家庭教育投入的综合状况。
如果将教育投入从家庭上升到国家层面，站在世界的角度观察各国的教育投入状况，将会得出怎样的结论呢？
在这里我还是要推荐下我自己建的大数据学习交流裙：805127855， 裙 里都是学大数据开发的，如果你正在学习大数据 ，小编欢迎你加入，大家都是软件开发党，不定期分享干货（只有大数据开发相关的），包括我自己整理的一份2018最新的大数据进阶资料和高级开发教程，欢迎进阶中和进想深入大数据的小伙伴。
针对这样一个选题，我们发现了一个非常重要的指标：4%（国家的教育经费总投入/国民生产总值），国际上将4%作为衡量一个国家教育水平的基础线。如果超过4%了，说明这个国家的教育水平尚可。
2012年，我国首次达到了“基础线”，国内外多家媒体据此进行了报道，历数我国在过去几十年中教育投入方面的积极努力。但是，我们依然无法知晓我国教育在世界上的地位以及各国百态。
因此，我们决定推出一篇报道，从4%出发，记录世界教育进程中各国演变动态，从而反衬出这个国家的教育政策。
在确定了主题以后，我们从世界数据银行找到了专门统计各国教育投入数据的一个数据库，从中截取1983到2013年30个年度国家教育投入的数据样本，经过数据清洗、填充，选取了30个国家的样本作为研究对象，同时选取了毛入学率作为教育投入结果的衡量指标（见图1）。
众所周知，数据新闻除了传统的文字编辑、素材收集、采访写作，还会涉及数据分析、数据处理、网页制作、图形绘制等工作，此外还需要前端工程师的参与，共同形成线上的交互型的产品。
如何运用大数据解码热点教育话题？我给大家介绍曾经做过的一个选题：《30年各国教育经费大观》。
最初，是准备从个体出发去分析中国普通家庭教育的投入状况。
现在家长对于90后、00后各个方面投入都很大，甚至有些人算过一笔账：一个孩子长到18岁，家长会有几十万甚至上百万的投入。
调研后发现，很多研究机构对家庭教育的投入已经有非常完善的分析报告，但这些分析报告都是基于近几年的数据，数据量不够，没有办法形成一个完整的数据集群。所以，我们决定从一个新的角度入手，去调查对于一个孩子的教育投入。
这个过程中我们发现，家庭教育投入由包括经济状况、成员年龄和人文地域环境等多种因素共同决定，由此深入即可看出一个地区家庭教育投入的综合状况。
如果将教育投入从家庭上升到国家层面，站在世界的角度观察各国的教育投入状况，将会得出怎样的结论呢？
在这里我还是要推荐下我自己建的大数据学习交流裙：805127855， 裙 里都是学大数据开发的，如果你正在学习大数据 ，小编欢迎你加入，大家都是软件开发党，不定期分享干货（只有大数据开发相关的），包括我自己整理的一份2018最新的大数据进阶资料和高级开发教程，欢迎进阶中和进想深入大数据的小伙伴。
针对这样一个选题，我们发现了一个非常重要的指标：4%（国家的教育经费总投入/国民生产总值），国际上将4%作为衡量一个国家教育水平的基础线。如果超过4%了，说明这个国家的教育水平尚可。
2012年，我国首次达到了“基础线”，国内外多家媒体据此进行了报道，历数我国在过去几十年中教育投入方面的积极努力。但是，我们依然无法知晓我国教育在世界上的地位以及各国百态。
因此，我们决定推出一篇报道，从4%出发，记录世界教育进程中各国演变动态，从而反衬出这个国家的教育政策。
在确定了主题以后，我们从世界数据银行找到了专门统计各国教育投入数据的一个数据库，从中截取1983到2013年30个年度国家教育投入的数据样本，经过数据清洗、填充，选取了30个国家的样本作为研究对象，同时选取了毛入学率作为教育投入结果的衡量指标（见图1）。
（图1）
选取毛入学率作为衡量指标是考虑到如果一个国家投了很多，但收益很差，毛入学率很低，可以认为其教育投入是无效的，所以在数据分析过程中我们就加入了一个结果之间的比对。
为了获得客观准确的数据规律，我们使用Tableau可视化分析软件以及Echarts交互式图表，分别对比了同一年度不同国家的入学率以及点位变化、单个国家在30年中的入学率及点位走势。
这份数据拥有很多维度：持续的维度、入学率的维度、教育投资的维度，同时我们需要展示哪些国家在哪些年代达到了4%，以及对不同国家的一个区分。
依据经济学知识，人均国民生产总值（GDP）随时间的变化是同期各种因素综合作用的结果。那么，教育投入和毛入学率会随之有怎样的变化呢？
我们分别选择1997年亚洲金融危机波及的各国以及世界经合组织成员国作为研究对象，观察其在30年中的走势，也就是说我们从这30个国家当中又提取了一些具有代表性的国家进行分析。
通过分析我们发现在教育投资受到大事件影响的同时，也在国家教育政策的调控之下。但是，观察毛入学率进一步发现，即使该国通过政策调整使得教育投资越过“基础线”，也并不能证明该国的教育质量一定高于其他国家。（见图2）
在对全世界的分析结束之后，我们又特地把我国的教育进步和世界进行了一个对比。作为一个发展中国家，我国虽然越过了4%的基础线，但和其他发达国家对比还是有一定的差距（见图3）。
因为中国人口数量众多，地域差别也比较大，在教育方面如资源分配不均、城乡差异大等各类问题还有很多需要改进的地方。
在这个作品中，我感兴趣的第一个问题是越富有的国家投入的教育经费一定越多吗？随后我通过数据进行了解释。第二个疑问是教育经费增幅大的国家和地区，入学率的增长一定快吗？第三个问题是否所有在基础线以上的国家的孩子都可以接受学校教育？这是对于投资和收益的一个思考。
在这里我还是要推荐下我自己建的大数据学习交流裙：805127855， 裙 里都是学大数据开发的，如果你正在学习大数据 ，小编欢迎你加入，大家都是软件开发党，不定期分享干货（只有大数据开发相关的），包括我自己整理的一份2018最新的大数据进阶资料和高级开发教程，欢迎进阶中和进想深入大数据的小伙伴。
在过去的一年多里，新华网数据新闻部做过教育类新闻产品21个，涉及高等教育、职业教育、留学、高考、就业以及教育经费问题等，几乎数据新闻部团队的每一个人都参与了教育类新闻产品的策划制作，可见我们对于教育类数据新闻的重视力度之大。（见图4）
与此同时，推出的这些报道收效也是非常好的。比如在今年高考前夕推出的《高考倒计时，远离高考复习“雷区”》在PC端获得了873次点赞，《数据辩论：出国留学值不值》在PC端获得了564次点赞，2016年“国际家庭日”发布的《中国家庭教育现状：这些棘手的问题你遇到过吗》在PC端获得547次点赞。
我们可以看到，凡是获得点赞数量多的这些产品，都是大家非常关注的热门话题，是契合时代发展以及百姓民生话题的。
研究以上案例可以看出，针对教育话题的讨论往往是综合的，当我们从不同角度切入时会讲述出不同的故事。
诸如教育以及医疗永远都是热门的话题，这类话题往往会牵扯出经济或者文化问题。那么，当我们聊起一个教育的话题时，应该聊点什么呢？
当一个编辑最初在搜索引擎中输入“教育”二字，大量的信息混杂着广告吐槽八卦论坛灌水贴扑面涌来，所以在寻找起点阶段，精准检索有利于提高工作效率。
通过头脑风暴以及理性的思维，可以得出一个树状图（见图5）。这张图将教育领域分为对象、形式、内容、地点、地区、时间和评价成果。继续细化就会出现受教育者、教育者、教育管理者；也会出现远程教育、自学教育、在职教育、品德教育、基础教育、高等教育等。
这时，大家就已经可以联想到很多热门的教育话题了。通过这样的思维方式就可以进一步聚焦问题与矛盾。
现在我们来看树状图的最后一层，通过将最后这层连线，会让我们的话题更加精确。比如，我们选择以女性和男性作为教育对象，再去选择高等教育这个选项，就会组合出接受高等教育的男性以及接受高等教育的女性的话题，再由此就可以发展出教育公平性的话题。
再比如，我们选择特殊教育去拓展话题，当中等教育和特殊教育联系在一起，可以去看这个特殊教育的水平问题；如果把发达地区、欠发达地区和特殊教育联系在一起。就可以去探讨特殊教育在发达地区、欠发达地区分别是怎么样的一个发展状况。我们可以做很多诸如这样的连线，从而得出很多话题供我们去分析和策划。
除了常见的5w2h分析法，PEST分析在数据分析当中也比较常见，它是对于一个事件综合的考量。所谓PEST，即Political（政治），Economic（经济）, Social（社会） and Technological（科技），近年增加了教育（Education）与人口统计（Demographics）两个因素。
当我们综合了方方面面的因素后，就会带入很多背景数据，当把这些数据组合在一起就会碰撞出新的有价值的新闻。
当教育攀上大数据，给传统的新闻报道带来很多的改变。我觉得最重要的是不能把新闻单纯地看作是传播的信息，而是应该以一种新闻产品的思维去看待。
首先，它是一个信息的承载。其次，为了让大数据发挥出它最大的传播价值，我们需要把新闻更多地设计成一个媒介工具，在提供数据规律的同时提供给用户指南，让它顺着我们的指南性思维去探索更多大数据背后的故事。