基于数据挖掘的理实一体教学模式在汽车专业群教学应用分析

陈 婧，赵祥全

（贵州交通职业技术学院，贵州 贵阳550008）

据公安部统计，截至2019 年底，全国汽车保有量已经达到2.6 亿辆。在数量巨大的汽车背后，一个亿万级汽车后市场亟需大量的汽车专业高素质技能人才，包括汽车运用与维修、汽车新能源、汽车车身修复、物联网、现代物流等。但是，汽车专业群是基于“新技术、新产业、新业态、新模式”，教学管理、课程改革、学习效率等问题复杂、学科交叉，人工识别能力低，所以整理并挖掘汽车专业群在理实一体化教学模式过程中隐藏的数据与规律存在着巨大挑战。大数据背景下，随着数据挖掘技术的应用，许多隐含在理实一体化学习中的知识信息不断被发现。文章就基于数据挖掘的理实一体化教学模式在汽车专业群教学应用进行研究。

1 数据挖掘与理实一体教学模式

1.1 数据挖掘

数据挖掘，百度上给出的定义是：资料探勘、数据采矿。又称数据库中的知识信息的发现，是从大量的、不完全的、模糊的、随机的数据中，提取隐含在其中、潜在、有用的信息和知识的过程。一般采用计算机，并通过统计、在线分析处理、情报检索、机器学习、专家系统（依靠过去的经验法则）和模式识别等方法。

面对职业院校教育问题的复杂性和多学科交叉的性质，我们可以通过分析和挖掘学生学习行为的相关数据，发现和预测未来职业教育中研究与教学实践中的各类问题，如协助校方做出决策、帮助教师改进课程以及促进学生提升学习效率等方面均表现出其独特性，来解决教育教学实践中的问题。

1.2 理实一体教学模式

职业教育传统的理实一体教学模式，主要指师生之间面对面交流的课堂教学模式，在整个教学环节中，理论和实践交换进行，老师一边教，学生一边学、一边动手做，这样直观与抽象交错出现，以学生为中心，理实一体。突出了学生操作能力和技术技能的培养，可以充分调动和激发学生的学习热情。

近年来，在大数据背景下，教育领域和信息领域都产生了颠覆性的变革，远程教育系统、智能手机应用和在线社交网络为数据挖掘研究提供了海量数据。比如学生手机常见的QQ、微信、钉钉、云课堂、学习通、蘑菇云、蓝魔云班课等。截至2019 年末，中国智能手机用户人数超过13 亿人次，因此，数据挖掘正处于“大数据”的时代。数据挖掘是统计学与计算机应用科学及背景学科相互交叉的产物，为理实一体化教学模式应用与汽车专业群实践的发掘与整理提供了新的方法。

1.3 汽车专业群

汽车专业群人才培养围绕智能交通道路运输服务产业链、关键技术岗位的技术技能需求，形成了以汽车运用与维修技术为核心专业、汽车车身修复维修技术、新能源汽车运用与维修、物流管理、物联网应用技术为特色专业的“一核心、四特色”的专业群结构。

2 数据挖掘的理实一体教学模式在高职院校汽车专业群应用优势及目的

2.1 应用优势

数据挖掘技术用于理实一体教学模式应用的优势主要有三方面：

（1）推进职业院校教学模式改革实践的重要力量，对建设高水平汽车专业群有强大的支持作用。

（2）符合职业教育人才培养的规律要求，使汽车专业人才培养更加科学、快速。

（3）促进学生有效对接就业岗位的有力保证，更好地满足服务区域经济需求。

2.2 应用目的

高职院校汽车专业群建设的参与者是由校方及教育部门、教师、学生、教育科研者等，每个人的站位不一样，对数据挖掘的使用目的也不一样。具体如下：

校方及教育部门据此了解国家产业布局、区域经济、行业需求、教育机构的历史与现状，决策改革管理制度，科学分配教育资源，改进对教师、教学、课程的评价机制。

教师了解教学的效果，改革教学方法、手段，了解学生的个体差异与总体情况，优化教学和多元化的评价考核方式，促进教与学的有效性。

学生进一步清楚自己的个性爱好、学习能力及习惯，认识自己的学习效率及学习进展，评估学习行为，预测需要的课程资源和学习策略，建立自信。

3 数据挖掘的理实一体教学模式在汽车专业群的应用分析

3.1 应用实践

数据挖掘的理实一体教学模式在汽车专业群应用实践流程，主要包含了：

第一步数据采集和预处理。在理实一体化背景下，对职业院校汽车专业群教育教学过程中产生的数据，有课堂理论教学的教材、课件、教法、作业，有实践动手操作的工单、卡片、音频、视频，有安装在手机上的教学APP，社交媒体，采集这些海量的原始数据，经过数据清洁，数据集成、合并，数据转换等预处理，转换为符合使用要求的有用的信息数据格式。

这一步非常关键，职业院校汽车专业群教育教学过程中采集的数据是我们研究数据来源，后面研究的基础，将直接影响研究结果，也是最终要改进提升的研究目标对象，这个分析过程非常复杂、琐碎，工作量庞大，需要大量的人力资源和时间来完成。

第二步进行数据挖掘。首先是数据分类，对已经选好的数据进行分类建模，其目的在于为数据对象指定一个类别，比如学生的性格习惯、兴趣爱好分类等。其次是数据预测，通过已知的分类数据建模去预测未知的数据，比如学生的成绩预测、就业的预测。再次是相关性分组。其目的是发现哪些事情总是一起发生，比如学生什么时间段上网游戏、提交作业等。最后是聚类建模，它是自动寻找并建立分组规则的方法，它通过判断样本数据之间的相似性，把相似样本划分在一个簇中。

第三步数据评估，就是数据质量评估，是从数据挖掘中归纳总结出理实一体教学模式应用中存在问题，发现有用的信息和知识，再利用这些有用的信息和知识来构建知识、行为，从而改进提升改善促进教育教学质量，提高信息和数据的准确性和有效性，为教育教学的决策打下更坚实的基础。

3.2 存在的问题

学校、教师、学生是本研究的对象，进行数据挖掘中，首先会牵扯到保密、安全、隐私等诸多问题，会导致学术道德问题、伦理问题和法律制度问题等。显然，数据挖掘的合法、合规、谨慎的使用，有待制定和完善相应的法律法规及具体制度。其次由于缺少公开的数据，数据量样本的不足，导致研究结果会产生偏差。

4 结 语

随着数据挖掘应用研究的深入开展，以及职业院校建设高水平专业群愿望的增强，将会有越来越多的职业院校引入数据挖掘，为培养高素质技术技能人才，为地方经济发展做出了重要的贡献。借助互联网翅膀，借助数据挖掘技术，教育工作者将更好地读懂教师、教材、教法改革，读懂千差万别的学生，让我们切实了解每位学生的真实学习状况，给每位学生提供更加优质、个性化的教育资源。为更好、更快地培养出符合现代交通运输产业发展急需的德技并修、创新型、复合型、高素质技术技能人才而努力。