数据分析与挖掘课程多维教学改革探讨

秦华妮

摘  要：大数据时代下，数据分析与挖掘的课程教学面临着内容更新快、涉及面广、难度大等挑战。针对这些挑战，该文阐述如何从教学理念、教学内容、教学方式、教学评价以及课程思政等角度进行多维度的教学改革探索。在教学理念上，融合OBE的以学生为主体，以产出为导向；在教学内容上，根据知识模块和培养的能力目标进行整合优化，以及融入课程思政；根据知识的难易程度，选择合适的教学方式；根据考察能力的不同改进教学评价方式等。这些改革都对改进该课程的教学效果起到很好的作用。

关键词：数据分析与挖掘；教学改革；混合教学；OBE理念；课程思政

中图分类号：G642        文献标志码：A         文章编号：2096-000X（2023）32-0111-05

Abstract： In the era of big data， the course teaching of Data Analysis and Mining is faced with the new challenges of rapidly updating of course content， involving wide range and great difficulty. In Aiming at these challenges， in this paper， we expounds how to explore multi-dimensional teaching reform from teaching philosophy， teaching content， teaching methods， teaching evaluation and curriculum ideological and political aspects. It includes the integration of OBE concept， student-oriented and output-oriented， the integration of teaching content and integration of the curriculum， and the appropriate teaching methods according to the difficulty of knowledge， and the improved teaching evaluation method according to the different investigation ability. These reforms have played a good role in improving the teaching effect of the course.

Keywords： Data Analysis and Mining; teaching reform; mixed teaching; OBE concept; curriculum ideology and politics

隨着移动互联网、电子商务、物联网和云计算等技术的兴起，人们产生的数据呈爆炸式增长。不仅数值型结构化数据如此，文本、音频、视频、图像和日志等非结构化数据也越来越多且复杂。这些数据资源正成为继土地、资本之后的新要素，人们越来越意识到数据的重要性。为了培养关于数据科学和技术的人才，越来越多的高等院校开设了数据科学与大数据技术专业。数据分析与挖掘作为该专业的核心课程，旨在培养具有数据科学思维和较强的解决大数据实际问题的能力，能获取数据、分析数据、运用数据及展示数据的高质量专业人才。

然而，随着大数据出现了“4V”特征：规模性（Volume）、多样性（Variety）、高速性（Velocity）和价值性（Value），关于这些复杂大数据的分析与挖掘的相关技术也日新月异地发展，使得数据分析与挖掘课程的知识也处于快速更新的状态。这对高校数据分析与挖掘课程的教学提出了极大挑战，迫切需要对该课程进行教学改革[1-4]。

本文针对数据分析与挖掘课程的现状，从教学理念、教学内容、教学方式、教学评价到课程思政等多维度进行教学改革和探索，旨在提高该课程的教学效果。

一  数据分析与挖掘课程教学面临的调整

数据分析与挖掘是五邑大学数据科学与大数据技术专业的核心课程，是一门融合了数学、统计、计算机技术及行业知识的多学科交叉综合性课程，其教学中存在着许多挑战。

（一）  知识点多，综合程度高

多学科交叉课程容易出现“样样都涉及、样样都不精”的问题[5]。数据分析与挖掘课程内容涉及了高等数学、线性代数、数理统计、机器学习、编程技术和算法设计等多门课程的基础知识，知识点繁杂，对学生的综合学习能力要求较高。既需要学生具备严谨的逻辑思维能力、扎实的理论功底，又需较强的实践能力。而在实际教学中，学生对基础相关知识掌握程度的差异比较大，对于基础知识掌握得较好的同学，这门课程的学习往往比较顺利，并且能从中大大提高对所学知识的综合运用能力，对以往所学的专业课程有更深刻的理解，也能开阔应用领域的前沿视野。然而，对于少数基础不扎实、综合能力不强的学生，对众多知识点的综合运用就会感到力不从心，这会使得他们在学习该课程时产生畏难情绪，进而学习动力不强。

（二）  教学方式单薄，难以满足大数据时代的课程需求

首先，数据分析与挖掘常常要处理大规模、多模态的高维数据集，在数据处理和分析挖掘过程中需要消耗大量的存储资源与计算资源，校内的普通教学平台难以支撑，还需要使用其他教学模式辅助。其次，如今的学生都是伴随着信息爆炸时代成长起来的，其学习方式不仅仅局限于课堂学习，还伴随着从哔哩哔哩、慕课、微信短视频等多渠道学习方式。这对传统的单一教学模式提出了新要求，教师需要及时吸纳新技术、新教学观念，顺势而为，利用好这些新方式为课程教学服务。然而，采用这些方式学习获得的新知识往往是碎片化的，所以并不能很好地理解，还需要教师从教学内容上加强体系化指导，使得他们能融会贯通。

（三）  教学内容的理论和实践部分的占比不平衡

数据分析与挖掘需要处理各种复杂数据，这要求有扎实的理论基础和较强的实践能力。而以往的教材往往有深奥的数学原理，但对实践部分不够重视，没有代码或代码的可读性与迁移性不强，学生听懂了原理但是不能运用；或者偏向于大量的代码实践，而其背后的算法原理和思维涉及太少，这使得学生遇到新问题时无法根据原理做出调整，限制了他们的创新性思维。要解决这个问题，教师还需要对课程的理论和实践二者的紧密关系进行深入思考，从学时、教学内容、教学方式上进行多角度探索和改进。

（四）  考核方式不全面

数据分析与挖掘是多学科交叉的课程，其学习成果的评价也应该是多样性的。一方面，传统的考核方式多采用闭卷考试，终评成绩以笔试成绩为主，再加上比例较小的平时成绩，对过程评价不够全面；另一方面，考点主要以教材中的算法原理和编程知识为主，有的学生死记硬背也能通过考试，对算法如何应用到实际问题中和调试代码能力的考察力度不够，需要增加实践部分的评价。

二  课程教学改革的探索

为了应对以上提到的课程教学的挑战，我们从优化知识体系、探索混合式教学模式、加强课程思政引领、融合OBE教学评价、以竞赛和科研拓展教学的五个方面进行课程教学改革。

（一）  课程知识体系的整合与优化

数据分析与挖掘课程的知识点繁多，且侧重点不突出，初学时难以窥全貌，导致学习方向感不强，学习兴趣不大，从而影响学习进程和效果。因而，有必要关注学生需求，重新整合课程知识体系。针对本专业立足于数学学院且是为工科设置的特点，充分结合本专业厚实的数学、统计方面师资优势，优化教学内容。考虑到要将知识、能力、素养有机融合，特别培养学生扎实的数学功底、夯实的统计思维，并加强培养学生对整个数据分析与挖掘的全流程实战能力。

在对数据分析与挖掘的整个课程知识体系进行梳理和重新设计后，形成五大核心知识模块，包括数据采集、数据预处理、数据分析、数据建模与挖掘和可视化技术[6-7]。这五大知识模块分别对应了培养学生数据分析与挖掘全流程中所需要的五大能力，即数据获取能力、数据整理能力、数据分析能力、数据建模和挖掘能力以及数据展示能力，见表1。

（二）  线下+线上的混合式教学模式探索

混合式教学模式是将课堂教学与在线教学相结合的一种教学方式[8]。为适应大数据时代数据分析与挖掘课程对硬件资源要求高、学生的学习方式多样化的新特点，结合课程内容的难易程度，采用线上加线下的混合式教学模式。课程共56学时，其中课堂线下讲授20学时，线上讲授20学时，实验课16学时。对于难度大的课程内容，如算法的数学理论、统计原理，学生初学时难以理解，这时主要选择线下教学，教师利用线下课堂进行详细讲解，既起到很好的指导作用，也能及时掌握学生接受知识的程度，适时启发，从而减少学生对课程学习的畏难情绪。对于硬件资源和算力要求高的部分课程内容，考虑采用线上教学，教师利用云技术展现课程知识运用之后的过程和效果。此外，除了课堂上的教学之外，还可以充分利用线上网络教学平台和网络资源，一方面，可以将课程内容制作成教学视频上传到线上课程中，另一方面，还可以推荐与课程内容联系紧密的学习内容，让学生开拓视野，从而巩固学习效果。

在实验课部分，结合案例式教学[9-10]，将有关数据分析与挖掘的实际项目设计成相对独立的案例，将整个案例的数据采集、数据预处理、数据模型建立、数据模型评价、模型优化和实验结果分析等全周期流程利用线上教学进行演示，让学生可以反复观看，在学生实践过程中随时可以借鉴案例，并得到启发。

根据课程教学的内容特点，進行线下线上混合式教学设计的学时分配见表2。

（三）  将思政教育融入到课程教学

习近平总书记指出，要用好课堂教学这个主渠道……守好一段渠、种好责任田。我们在数据分析与挖掘课程的教学中与思政教育同向同行，引导学生树立正确的世界观、人生观、价值观和荣辱观，透过教学的各个细节润物无声地贯彻立德树人的育人目标。数据分析与挖掘课程教学时需要处理的数据常与国计民生紧密相关，处理时用到的知识往往是算法原理、编程技术、行业背景知识等交叉融合，综合性强，很适合且很有必要结合课程内容展开思政教学，既能让学生产生共鸣，又提升了学生专业和思想政治的综合素养。

深入挖掘本课程的思政元素，并有机融入到课程教学的章节、知识点和教学环节，将纯理论的抽象教学转向与实际生产生活密切相联的有实践性的案例教学，充分利用好教学第一课堂进行课程思政。在讲授面板数据挖掘技术时，如时间序列数据，我们选择国家宏观经济数据为例进行讲解，对反映国家经济形势的常用经济指标进行可视化及预测，国内生产总值走势图（图1）让学生了解到国民经济随着改革开放在稳步增强，激发学生的民族自豪感。

在介绍非结构化数据挖掘技术时，如文本分析，数据可选用政府政策、服务民生、科技兴国等适合思政教育的文件，把国家战略、数据工程文化、创新精神等思政元素融合到课程教学中，培养学生的爱国主义精神。如选用2021年中央一号文件利用文本挖掘技术中提取高频词，并生成词云图进行可视化，如图2所示。

由图2可看到，词云图充分展示了农村建设、加强农业、乡村振兴和扶贫等工作始终是国家非常重视的头等大事。这既让学生学习了数据挖掘技术，又培养了学生的家国天下情怀。通过课程思政元素的融入，既丰富了课程内容，又进行了爱国主义的价值引领，引导学生思考把远大理想抱负和自身的专业知识结合起来，增强了他们以技术服务民生、为祖国繁荣富强作贡献的信心和决心。可见，在本课程教学中，融入思政教育可达到立德树人的协同效应，从而实现高素质和复合型人才的培养目标。

（四）  融入OBE理念的教学评价改革

考试评价体系是课程质量的保障。随着新知识、新技术不断融合到数据分析与挖掘的课程中，对实践能力的要求越来越高，则评价模式也要及时更新，做到知识、能力、素质的考核并重。传统的评价模式常以期末考试评价为主，由30%平时成绩+70%期末考试成绩来评定最终成绩。这种评价模式不能充分反映教学过程和教学效果。我们对此改进考核评价方式，将OBE理念融合到评价模式中，以学生为中心，以产出为导向，加强对学生的学习过程和效果的多维度考核。在学习过程中，学生是学习的主体，教师是参与教学的角色，注重考查学生创新精神和实践能力的发展。以知识模块为单元，教师通过对学生课前发布资源的掌握情况进行检查和小测，课堂上组织学生讨论知识点内容，以及课后对数据的挖掘思维的创新、应用等都纳入到该模块的评价中，形成课前、课中、课后的模块化阶段性的评价模式，促使学生完全参与到整个学习过程中，充分体现以学生为中心的教学理念。

另外，改变以往评价比例，考试方式由占比70%的闭卷考试改为占比40%的课程论文，增加课程内容过程化考核的比例为50%，平时成绩占比10%，见表3。这种评价模式能更准确地考察学生在每一个知识模块的掌握情况，而期末时完成课程论文，相对于闭卷考试，能避免学生靠突击复习、死记硬背过关的情况，更能促进学生对问题的独立思考能力、实践能力和创新思维能力，实现知识、能力、素养的综合培养。

（五）  以竞赛、科研拓展课程教学改革

数据分析与挖掘课程内的实验主要针对知识模块进行设计，能强化对每个模块的掌握以及相应能力的培养。而对于整个数据挖掘流程的整体实战练习是不够的。为了解决这个问题，必须增加学生的实践机会，其中鼓励学生参加与课程相关性较高的学科类竞赛或科研项目就能起到很好的补充。

1  以赛促学

我们针对数据科学与大数据技术专业的人才培养目标，遴选出与课程相关程度较高的全国大学生数学建模竞赛、泰迪杯全国数据挖掘竞赛，采用先校内选拔再资助的方式组织学生参赛，在比赛过程中提高学生数据分析与挖掘的实战能力。此外，也要鼓励学生适当参加Sas数据分析大赛、Kaggle数据分析竞赛、阿里云数据分析大赛等其他各类竞赛，这些竞赛的赛题来自于各行业，非常考验学生在综合分析问题、设计数据模型、行业数据挖掘等方面的能力。一般来讲，学生参加2～3个此类竞赛之后，数据分析与处理、数据建模能力和算法挖掘能力明显强于较少参加比赛的同学，学生也因此获得更多的实习和就业机会，并且能更快更好地承担专业技术工作。

2  在科研活动中加深对课程内容的理解和创新

教师如果能超越课程本身引领学生接触前沿科技成果，挖掘和捕捉专业领域内新热点，给学生打开一扇学术之窗，让学生感受到专业之美，就会激发学生的学习兴趣。首先，吸引学生积极参加教师在数据分析与挖掘类的科研项目，指导其阅读科研学术论文，了解数据分析与挖掘的研究前沿，并启发学生在研究上的创新，学习撰写学术论文。这些训练对于提高学生的创新思维、解决问题的能力以及写作水平都有非常大帮助，有的学生在校期间就发表了科研论文，极大地增强了他们学习的自信心和积极性。另外，还指导学生积极申报大学生创新创业项目。每年学生获得的国家级、省校级创新创业项目，多以数据分析与挖掘课程相关的内容为基础展开。这些项目的实施可以让学生更进一步加深对数据分析与挖掘课程内容的理解，逐渐运用自如，并进行创新探索，学生都深感受益匪浅。

三  结束语

大数据时代背景下，数据分析与挖掘课程遇到了一些新问题和挑战，本文阐述了如何从教学內容、教学方式、教学理念、教学评价及课程思政等多维度进行课程教学的改革。在改革中以学生为主体，优化课程知识体系，融合课程思政和OBE理念选择相应的教学方式，增加过程管理和评价，以竞赛、科研拓展教学，巩固学生学习成果等，形成了以学生为中心，进行知识传授、能力培养、素养提升的培养模式，对改进课程教学效果起到了很好的作用。今后，我们将继续学习新的教学理念、内容、模式和技术等，与时俱进地持续改革和探索，为培养高质量人才而努力。

参考文献：

[1] 曹楠源，许卫霞.“数据挖掘”课程教学探讨[J].教育教学论坛，2022（4）：172-175.

[2] 杨秀璋，武帅，夏换，等.大数据时代数据挖掘与分析课程教学改革探究[J].计算机时代，2021（9）：107-111.

[3] 罗来鹏.《数据挖掘》课程思政教学探索与实践[J].电脑与信息技术，2022，30（4）：69-71，78.

[4] 罗莉霞.新工科背景下数据挖掘课程思政教学改革研究[J].林区教学，2021（12）：25-28.

[5] 梁循.交叉学科课程金融数据挖掘教学探索与实践[J].高教学刊，2020（24）：114-116，119.

[6] 王斌会.Python数据分析基础教程[M].北京：电子工业出版社，2021.

[7] 林子雨.大数据导论——数据思维、数据能力和数据伦理[M].北京：高等教育出版社，2020.

[8] 周雷，尹梓名，郑建立.《云计算与数据挖掘》混合教学模式的研究与实践[J].软件，2020，41（7）：281-283.

[9] 贾媚媚，刘泉，马晓普，等.面向新工科的数据挖掘实验课程教学案例设计[J].现代计算机，2021（3）：80-83.

[10] 卫志华，孔思尹，丁志军，等.新工科背景下数据挖掘课程综合性实验设计[J].计算机教育，2020（3）：127-130，135.