基于美国DQP 框架的高职院校大数据专业课程体系诊改研究

2020-03-01刘中胜

教育现代化 2020年103期

刘中胜

（广东岭南职业技术学院，广东广州）

关键字：DQP；大数据；课程体系

一引言

随着信息技术、经济、产业的发展，使得当今社会迈入大数据时代，海量数据的产生和应用，推动着对海量数据的采集、存储、处理和应用的新技术发展。大数据时代的发展对掌握大数据技术人才的需求越来越迫切。为了满足大数据技术人才的需求，近几年以来，各高校纷纷增设大数据专业，然而作为新技术人才的培养、新专业的建设，大数据专业建设处在摸索、起步阶段，并未达到期望的成熟度。为了推动高职院校建立人才培养的质量机制，教育部出台了《教育部办公厅关于建立职业院校教学工作诊断与改进制度的通知》（教职成厅〔2015〕2 号）文件，各高职院校为了贯彻落实各部门文件精神，按照“需求导向、自我保证、多元诊断、重在改进”的工作方针[1]，建立学校常态化的内部质量保证体系，将教学诊断与改进工作作为质量保障的重要工作内容和环节。DQP(Degree Qualifictions Profile) 是美国高等教育的学历学位资格培养框架[2]，是美国高等教育改革的框架标准，基于美国DQP 框架对高职院校大数据专业课程体系的诊断与改进是非常值得不断创新探索和深入研究的。

二美国DQP 框架概述

DQP 是美国高等教育改革的框架性工具，其重要目的是使毕业生获得高质量的高等教育学位，广泛应用于副学士、学士和硕士三个教育层次的教学改革[3]。DQP 以成果导向为基础，从五个学习领域角度描述了毕业生在专业知识、专业能力和综合素养等方面所需达到的毕业要求，清晰地描述了毕业生在相应的专业领域中“应该知道什么”“能够做什么”。DQP 的五大学习领域以“专业的预期学习成果”（Program Outcome，简写POC）[4]来标识，五大学习领域如下：

POC1，即为“专业知识（Specialized Knowledge）”。主要描述在专业知识和技能等方面的要求。

POC2，即为“广泛和融合的知识（Broad and Integrative Knowledge）”。描述了跨领域的知识掌握情况，以及面对专业环境和其他社会环境中问题的处理能力。

POC3，即为“智力技能（Intellectual Skills）”。描述知识探究、信息资源利用、多元化思维、道德考量、定量分析和沟通技巧等方面的要求。

POC4，即为“应用和协作学习（Applied and Collaborative Learning）”。描述对新知识的学习能力、分享能力、应用能力和扩展能力的要求。

POC5，即为“公民和全球学习（Civic and Global Learning）”。描述对公民和全球的文化、意识、责任和问题等方面的学习与处理能力的要求。

五大学习领域虽然是从不同的角度对毕业生的综合学习成果做了明确的要求，但他们之间相互联系、相互融合，构成完整的高等教育学位质量指导架构[5]，如图1 所示。

三现行大数据专业课程体系的问题诊断

（一）培养目标不明确

图1 DQP 框架

大数据专业是热门的“新工科”专业，好的培养目标通常需具有层次性、创新性、前瞻性等基本特征。然后较多高职院校在定位大数据专业的培养目标时，常常表现随意性、临时性、混淆性和模糊性。主要问题可以概括如下几点：一是培养层次定位不清。模糊高职培养目标与本科培养目标的区别，没体现高职培养层次的本质性、独特性。二是培养方向不明确，岗位定位不清晰。不同的就业方向、职业岗位是区别培养目标的根本。三是跨学科性、交叉性、综合性等特点不明显。企业对大数据专业人才，往往不是局限于某一狭窄的知识领域，最期望大数据人才具有数据分析、大数据平台技术与应用、行业综合知识和能力。

（二）课程设置不合理

导致大数据专业课程设置不合理的主要原因在于培养目标不明确和师资力量未达到要求。高职院校的大数据专业课程设置主要存在的问题体现在如下几方面：一是课程结构不合理[6]。不合理现象包括专业知识和专业技能结构不合理，在设置时不分析就业方向、就业岗位、就业层次的具体需求，最后导致专业知识和技能结构不合理。大数据专业的课程设置，有些院校只是在原来的软件技术、计算机应用等相关专业上加上或替换一门、二门为大数据课程，拼凑式的设置课程，而没有形成大数据专业科学的知识框架和能力体系。另外，综合素质培养课程设置未包含“新工科”与新思想和融合性、交叉性、协作性、国际性等综合素养的培养。二是学习成果不具体。在设计课程标准或课程规范时，对学生的学习成果具体要求不清晰，成果数量过少或过多，甚至某些学习成果要求与课程名完全不匹配，而且课程的学习成果对专业的预期学习成果支撑程度低。三是素质结构不合理。培养人才只重视专业知识和技能的培养，而忽视“完整职业人格”的培养，导致学生的情感精神、职业精神和社会能力、发展能力、国际能力、协作能力等方面的综合素质欠缺。四是课程进度不合理。某门课程安排在哪个学期较为合理时，往往不注重课程之间的先修、共修、后修的逻辑关系，不注重学生学习能力的渐进性特征，而只按教师专长方向、时间冲突等情况来设计，这样导致课程体系的各课程、知识结构之间的无依赖性、无融合性、无贯通性、无支撑性的逻辑关系。

（三）考核模式传统老旧

某些高职院校的考核模式还是采用传统老旧的模式，方式单一、内容片面[7]，最常见的就是采用“平时考核+期末考试”形式，平时只考核学生的考勤、作业表现，期末考试常采用试卷、成果等形成，学生的最终课程成绩等于“平时考核成绩×百分比+期末考试成绩×百分比”。对于“新工科”的大数据专业和新型职业教育来说，这种传统的考核模式没有创新性，没有系统性，对于职业教育的课程考核模式还需要站在企业角度、职业角度、岗位角度设计出包含创新性、多元化、多样式等特征的考核模式。

四基于美国DQP 框架的大数据专业课程体系改进的对策

针对上述高职院校大数据专业课程体系所存在的问题，结合美国DQP 框架的特点，以及企业对大数据专业毕业生的期望，可从如下几个方面改进、优化，建立“以岗位需求为导向、以职业发展为导向、以技术发展为导向、以社会发展为导向”的大数据专业课程体系。

（一）做好就业岗位分析，明确培养目标

大数据技术是现在信息技术的重要技术之一，随着大数据技术在各领域的应用需求扩大、深入和普及，各种大数据技术也不断发展、更新和成熟，各个企业对掌握大数据知识和技能的人才需求非常迫切，为了培养社会、企业所需的合适人才，关键任务就是先认真做好就业岗位分析，明确“以就业为导向[8]”培养目标，培养大数据产业人才为总体目标。根据现在大数据产业对大数据技术人才的职业岗位要求的调研，大数据就业方向可概括为大数据分析类、大数据研发类、大数据应用类、大数据实施与维护类等方。每个就业方向包含不同的就业岗位，各企业对相应的岗位任职要求做到具体化、详细化的说明。总体来讲，大数据就业岗位包括了算法工程师、大数据分析工程师、大数据挖掘工程师、大数据可视化工程师、大数据研发工程师、大数据实施工程师、大数据运维工程师、大数据系统架构师等不同的岗位工程师。这些就业方向、就业岗位涉及不同层次的人才培养，高职院校大数据专业应把握“以就业为导向、以技能为本位”的理念，确定培养哪种或哪些的岗位人才作为具体的目标，并以此设计合理的、科学的专业课程体系。

（二）做好专业POC 规划，支撑培养目标

根据DQP 框架的要求，在进行大数据专业建设时，需制定科学的大数据专业规范，设计合理的POC 是专业规范的重要组成部分。在规划大数据的五大POC 学习领域时，需详细描述每个POC 的具体专业预期学习成果要求，同时还需认真考虑五大POC 中的每个POC 所占的合理比重，不要过分偏重某个POC 而弱化其他POC,更不要空缺某个或某几个POC，一定要体现五大POC 之间的协作性、关联性和融合性，并且需体现五大POC 对大数据专业人才培养目标的高支撑度。设计各个POC 学习领域所占的学分时，注意学分分布的合理性，专业毕业所修学分需达到五大学习领域的学分之和，如图2 为大数据专业的“五大学习领域”必修课程学分值分布图示例。

图2 大数据专业五大学习领域必修课程学分值分布图

（三）做好课程SOC 规划，支撑专业POC

在DQP 框架下，每门课程需制定合理的课程规范，课程规范最重要的组成部分是“课程预期学习成果”（Subject Outcome，简写SOC）。根据课程的教学内容来设计学生在完成此课程后应达到的预期学习成果（SOC），SOC 的要求需描述清晰，并与专业规范中的POC 建立对应关系，并体现对POC 的支撑度。同时，一门课程的SOC 数量要适当，不同太多，也不同太少，根据内容、学分、对POC 的支撑度来确定SOC 的数量，一般情况下，一门课程的SOC 数量规划在3～6 之间较为合适。例如大数据专业的《Python 数据分析与应用》课程的SOC 可以设计成5个SOC，结合各SOC 对应专业规范中的POC 要求，详细描述各SOC 课程预期学习成果的要求。然后根据SOC 的预期学习成果要求，设置Python 编程基础、Numpy 数值计算、Pandas 统计分析及数据预处理、Matplotlib 可视化和数据分析综合应用等内容模块实现SOC，并按SOC的要求检验学生的学习成果达成度。

（四）改革课程考核模式，突出考核职业性

在DQP 框架下，设计课程考核模式时，既要考虑课程规范中的课程内容及SOC 要求，还需考虑专业规范中的POC 要求，同时，作为职业教育的课程考核，还应体现职业素养、职业内涵的考查。改革传统的考核方式，采用“过程性考核+结果性考核+应用性考核”创新性考核方式。其中过程性考核，不只是考核学生在课堂上的考勤、作业、表现等内容，还应考核学生在课外的专业拓展、职业拓展等相关内容，应用性考核侧重学生在专业知识和技能的课外应用、职业精神和素养在国内国际领域的展现、行业创新创业的实践、行业的技术技能考证、技术资格水平考证、职业技能竞赛、科研课题、知识产权和论文等方面的成果。经过考核模式的创新性改革，并不断改进，将突出考核形式多样化、创新化，考核内容多元化、职业化。