现代产业学院模式下数据科学与大数据技术专业实践教学探索

罗兰花 曾霖 黄江鑫 余长庚 殷玉玲

关键词：现代产业学院；数据科学与大数据；实践教学；协同育人

数据科学与大数据技术专业是国家战略新兴产业发展急需的本科专业，是科技革命、产业变革和数据经济蓬勃发展对高校工科专业发展提出的新要求。我国高校开设大数据本科专业已经进入第六年，全国各类高校已陆续开始围绕数据科学与大数据技术专业建设展开研究并申报大数据专业。根据教育部公布的数据可知，截至2022年6月，共有764所高校获批数据科学与大数据技术专业[1]。五年多来，我国数据科学与大数据技术专业在培养目标、课程体系、教学资源及教学模式等方面不断发展完善，取得了显著的阶段性成效。作为新兴的工科专业，数据科学与大数据技术专业更加注重产业需求导向、跨界交叉融合和支撑引领。但是，由于科技变革加速和社会需求变迁加快，数据科学与大数据技术专业建设也面临诸多挑战。在未来推进数据科学与大数据技术专业建设过程中，如何构建不同类型高校大数据专业实践教学体系？如何创新实践教学模式，激发学生的学习主动性和积极性？如何进一步提高人才培养的质量？这些问题亟待进一步的探索和实践。

1 数据科学与大数据专业人才培养目标

总体来看，目前数据科学与大数据技术专业人才培养目标大致可以分为两类：研发类工程师和应用类工程师。其中，研发类工程师包括大数据架构师、大数据系统工程师、大数据研发工程师等；应用类工程师主要分为大数据分析师、大数据运维工程师、大数据算法工程师及数据科学家等[2]。其中，大数据架构师是指能够承担大数据平台的架构设计、技术选型、搭建、开发、监控和性能调优，保证集群高效稳定运行；大数据系统工程师则为搭建、调优、维护大数据系统，在遇到故障的时候及时处理；大数据研发工程师是指对数据清洗、标注和处理，数据建模与设计开发，以及为数据分析师、数据挖掘工程师或数据科学家提供分析使用的数据；大数据分析师是指运用现有算法、模型、工具进行数据分析，解决具体的业务问题或实现业务目标，不对模型进行改进；大数据运维工程师是能对大数据基本组件进行安装、配置、使用和运维；大数据算法工程师是指能进行大数据算法研发、算法性能优化，并及时掌握前沿的知识与算法；而数据科学家是指采用科学方法，善于运用数据分析与挖掘工具，对大数据进行重现与认识，发现其中的新问题，并且能对已有算法和模型进行改进和优化，以解决新的问题[2]。

不同类型的高等院校在数据科学与大数据技术专业人才培养目标的定位有所不同，比如，985及211等高校大数据专业人才培养致力于大数据架构师、大数据算法工程师、数据科学家等复合型、创新型人才培养为目标，而地方本科院校多以培养大数据架构师、大数据分析师、大数据挖掘工程师等应用型、复合型人才培养为目标。人才培养目标的定位不同，课程体系、教学模式和考核目标等存在较大差别。因此，探索不同类型高等院校数据科学与大数据技术专业建设方案和教学改革实践具有重要意义，同时也是目前大数据专业建设的研究热点。

2 数据科学与大数据技术专业特点

2.1 跨学科性质

数据科学与大数据技术专业是基于计算机科学、统计学、信息技术、人工智能等学科不断创建起来涉及多学科交叉的融合性新兴专业。多学科交叉融合教育是为了培养具有比较深厚的理论基础，掌握多门跨学科知识和多种应用技能，具备解决跨界复杂工程问题的能力和素养的复合型人才[3]。随着数据驱动的学科发展和研究进展，一方面，数据作为不同学科间同质化的基础和媒介不断弱化学科边界；另一方面，随着研究方法向探索型转变，开展跨学科领域的交叉研究将有利于对海量数据进行更全面的关联性分析，形成学科间优势互补，解决更多复杂的科研问题。综上，数据科学与大数据技术专业本质上是跨学科的。

2.2 以数据为核心

没有数据，数据科学则是无源之水、无本之木。数据采集、清洗、整合、处理、分析以及结果展示全阶段是数据科学经验的核心。学生需要理解和实践数据生命周期的所有阶段，实现知识范式到数据范式的思维转变，具备良好的数据素养和数据处理能力，才能真正参与实质性的数据科学领域的项目开发和问题研究[4]。建立从基础课程、通识课程到专业课程再到选修课程的完善的课程体系，将数据素养和数据处理能力的培养贯穿于所有课程实践中。实践内容应包括获取各种来源的原始数据，并应涉及数据清洗、标注、转换、处理、数据分析与展示的数据处理全过程，自始至终，数据发挥着核心的作用。数据科学与大数据技术专业的学生应掌握数据分析的基本方法、工具以及大数据项目开发所需的相关软件，理解真实的业务数据，结合真实世界的领域知识进行数据建模分析与决策，实践经验的积累显得尤为重要。

2.3 强调思维能力培养

数据科学与大数据技术专业重点培养学生创新应用、跨界资源整合和复杂工程实践能力，尤其注重学生多种思维能力的培养，其中包括计算与统计思维、程序设计思维、大数据思维、逻辑思维和工程思维等。数据科学提供整合和使用多种思维来解决问题的能力，而不是一味强调某一种思维。因此，在专业课程体系的构建中应平衡好这些思维能力的培养，将思维能力的培养融入课程教学全过程，以获得最高效的教学效果。

2.4 对数学基础要求较高

众所周知，数据科学通过构建模型来解读纷繁的世界，而数学则为建立模型提供了描述的語言，为此，数据科学与大数据技术专业的人才培养需要建立扎实的数学基础[4]。数据科学专业数学基础课程以概率与统计、高等数学、离散数学为主，同时辅以随机过程、线性代数、图论、贝叶斯理论与算法、应用回归分析等内容。与传统的数学课程所不同的是，数据科学更关注基于数据驱动的问题进行建模，其重点是数学基础在数据科学领域的应用，而不是数学的理论推导或证明。

3 地方应用型高校数据科学专业发展现状剖析

数据科学是大数据时代催生的一门新兴学科，我国数据科学与大数据技术专业总体上办学时间较短，第一批获批的高校办学时间也才六年，地方应用型高校则普遍更短。短暂的办学时间里，我国地方应用型高校人才培养模式方面取得了较快发展。但是，人才培养模式仍存在专业精准度不高、课程设置未契合实际、校企合作的深度和广度不足等问题；部分高校存在培养思维固化、实践教学缺乏专业特色、师资力量不足等弊端。具体来说体现在以下几个方面：

1） 大数据产业快速发展更加依赖于知识和技能的集成与创新，人才规格需求不断提升，如何精准对接大数据领域产业需求，是专业培养目标的确定与完善亟待解决的问题。目前数据科学专业仍存在人才培养目标不够清晰，未能紧密对接国家与地方社会经济发展需求，实践教学体系与培养目标未能高度统一等问题。

2） 数据科学作为新兴工科专业，缺少根据相关标准和要求进行专业建设的经验。部分高校实践教学体系和教学模式缺乏创新性，高校、企业等不同主体之间协同不深入，导致校企合作的深度和广度不够。

3） 校企合作共建的教学资源建设不充分。业界技术创新需求和人才培养核心能力要求在课程标准、教学内容、教学体系、实验时间等的具体化机制建设体现还很不充分，导致关乎数据科学与大数据技术专业人才培养核心命题的课程或短课程建设滞后。

4） 师资力量不足，实践教学缺乏充足的业务或行业工程背景，具有工程实践背景的教师比例不高，学生工程实践能力有待提升。

4 现代产业学院模式下数据科学实践教学改革举措

将现代产业学院建设作为地方应用型高校教学改革的突破口，有力破解了人才培养供给与产业需求脱节的供需结构性矛盾。通过与企业联合，深化校企合作办学模式，双方共同制定专业培养方案、共同开发项目案例、共同组建教学科研团队、共同搭建实践教学平台，夯实课程基础实验、课程实训、创新创业、项目综合实践和毕业实习，积极探索产教协同育人模式，促进学生获得多样化发展。实践表明，现代产业学院是地方高校培养高素质工程技术人才的组织创新，建设现代产业学院是实施校企合作工程人才培养供给侧结构性改革的重要途径[5]。

4.1 坚持需求导向，重塑数据科学与大数据技术人才培养目标

以服务国家战略规划为己任，精准对接大数据产业需求、合理对标行业标准、借鉴企业先进技术体系，充分发挥现代产业学院贴近行业前沿的组织优势，将企业的优质资源、先进技术标准、企业工程师培训体系和企业文化引入课程教学内容中，促进人才培养链、地方产业链和创新链深度对接，优化数据科学与大数据技术人才培养目标和具体的专业培养规格，夯实人才的科技知识储备、工程实践能力和综合素质。针对地方本科院校数据科学与大数据技术专业特点和实践教学中存在的突出问题，充分发挥现代产业学院的组织优势，秉持偏重技术技能、兼顾理论基础的应用型本科教育办学理念，以培养高层次应用技术人才为办学定位，结合已有工科专业建设的经验，构建出基于现代产业学院的数据科学与大数据技术专业实践教学体系建设总体架构，见图1。

4.2 持续优化实践课程体系，构建实践教学新范式

校企双方充分发挥各自优势，共同修订与完善实践课程体系，形成课程设置合作制订与动态化调整管理机制。借助企业方的反馈和需求，全程监控专业领域动态发展状况，将前沿技术和行业需求技能及时更新到课程设置中，使课程体系调整紧跟数据科学发展方向和前沿知识更新迭代的步伐，实现课程设置与产业需求无缝对接，课程内容与职业岗位技能无缝对接[6]。同时加强校企联合对行业标准、岗位需求和课程内容的分析论证，围绕区域产业发展和专业人才培养实际需求，注重多元复合能力、多岗位职业能力与职业素养的整合，增强人才培养的适应性与针对性，持续优化实践课程体系。现代产业模式下数据科学与大数据专业实践教学课程体系如图2所示。

4.3 赋能教师教学能力提升，打造师资队伍良好发展生态

数据科学与大数据技术作为一门新兴专业，各种新技术新思维不断涌现。需要教师对相关知识和前沿技术的发展怀有强烈的好奇心，在校企合作不断深度融合的过程中，专业教师应以此为契机，通过参加各类培训、观摩、交流等方式，掌握新知识和新技能，全面提升业务知识水平和职业素养。积极整合利用区域优质创新资源，通过建立企业教师库等方式，聘请龙头技术骨干、研发人才等作为教师队伍的组成部分，实施师资队伍教学管理体系优化生态，同时为高校教师提供工程实践和一线锻炼的机会，加强工科教师与行业人才双向交流，强化教师行业背景和实践经历。此外，健全教师考核制度，促进教师丰富教学资源，争先创优，打造师资队伍良好发展生态。

4.4 有序嵌入多方优质资源，持续完善教学资源

现代产业学院模式下的校企合作的精髓之一是充分利用不同主体的资源优势，积极引入外部主体的资金投入、先进技术、科研人才等资源，对接产业需求融合资源要素，为数据科学人才培养提供强有力的保障支持[5]。其一，促进校企资源整合，共建实验平台、实训基地、培训基地，共同开发项目化课程，项目案例，出版系列教材，有效整合各类优质教学资源，实现师资、设备、人力、资源多维共享。其二，整合行业规范、企业精神、工程伦理和创新文化等非技术资源要素，将之深度嵌入培养方案、课程标准、教学设计、课程评价等具体培养过程，加强学生领域知识、职业素养和创新思维能力的培养。此外，还应重视将领域知识渗透到实践教学过程中。在数据科学项目开发中，领域知识和技术技能同等重要，只强调技术技能是远远不够的。数据科学技术解决的是一个具体用户任务或工程问题，领域知识则是典型的领域背景知识，领域知识有助于更好地理解数据、产品设计理念和问题背景，在数据科学应用开发中，某个数据产品可能关注广告客户的匹配和对应，此时就需要除了数据科学之外的心理学、市场营销、经济学等领域知识[7]。

4.5 夯实数学基础，加强思维能力培养

相较于计算机类其他专业，数据科学与大数据技术专业学生需要掌握更为扎实的数学基础，具备良好编程水平，熟练掌握大数据基础知识、数据分析与建模的技术、项目开发工具及环境的使用，深入理解业务逻辑，能够灵活地运用大数据思维、模型和工具解决实际业务问题，毕业生方可从事大数据挖掘、分析、研发、测试、运维和管理等工作。与传统的数学课程所不同的是，数据科学与大数据技术专业更关注对数据驱动的问题进行建模，其重点是数据科学的应用，而不是数学的理论推导或证明。主要课程包括：高等数学、概率与统计、离散数学、线性代数、图论、贝叶斯理论与算法、随机过程、应用回归分析、数值分析等内容。同时，加强学生程序设计思维、大数据思维、逻辑思维和工程思维等思维能力的培养，将思维能力的培养贯穿整个教学过程。在专业课程教学过程中融入这些思维能力的培养，开设的课程主要包括高级语言程序设计、算法设计与分析、数据分析与挖掘算法、Hadoop大数据技术、机器学习、R语言与数据科学应用等。

4.6 聚焦复杂工程问题解决能力培养，不断优化考核评价方式

基于科学、全面、客观、可操作、数据易收集等原则建立课程考核评价体系，使用过程评价为主要考核方式。课程评价体系的建立应与毕业达成度、工程认证标准相结合，并将评价结果运用于培养目标、课程教学体系、教学资源、教学设计与授课过程的持续改进，从而起到长效反馈的作用。考虑数据科学与大数据技术专业的历史沿革和目前的發展现状，适用于以过程性考核为主、过程性考核和终结性考核有机结合的课程考核方式，并在实践过程中不断完善课程考核体系，坚持以“重过程-多元化-考能力”为指导思想，重点聚焦考查学生的思维能力、领域知识的掌握程度、复杂工程问题解决能力、沟通交流能力、创新能力、合作能力等技术和非技术领域的考核评价。

5 结束语

数据科学与大数据技术专业人才的培养是计算机领域人才培养的热点问题。既是国家的重大战略发展需求，也是科技革命、数字经济和社会发展的时代需求。地方本科院校数据科学专业人才应以区域经济和行业发展人才需求为导向，依托现代产业学院推进校企合作的深度和广度，建设校企协同创新的多元化专业实践教学体系和实践教学模式；建设从基础到应用、再到面向特定行业领域有机结合的大数据专业一体化实验实训环境，满足学生数据科学项目实践能力培养的需求；加强数据科学特色课程的研发，促进学科交叉、课程交叉、实现资源共建共享；以过程性考核为课程主要考核方式，不断创新过程性考核评价体系，重点考核实践动手能力、创新应用能力和解决复杂工程问题能力；依托企业方的反馈和需求、专业自我评估和教学反馈机制，持续改进数据科学实践教学课程体系和实践教学模式，进一步提升人才培养质量。