基于OBE理念的案例驱动教学在数据挖掘课程中的应用

李 根

（广东工商职业技术大学人工智能与大数据学院，肇庆 526020）

随着大数据时代的开启，数据获取和存储技术随之蓬勃发展，数据量呈爆发式增长，极大地改变了人们的生活和行为。如何在海量的数据资源中找到有用的信息，这就需要对大数据进行精准、科学的分析。而数据挖掘技术作为深层次的数据分析方法，在众多行业领域有着广泛的应用。数据挖掘是培养学生利用数据挖掘技术处理各领域问题的核心课程，然而目前课程总学时相对较少，课程讲解拘泥于教材，课本教学资源和实践教学较为欠缺。如若继续采用传统单一教学模式，显然难以保证学生能够熟练掌握数据挖掘、分类、预测以及聚类等关键技术。文章基于OBE成果导向教育的理念，以学生为主体、教师为主导，聚焦学习者最终的产出，提出了旨在增强学生创新和实践能力为目标的案例驱动教学方法[1]。

1 数据挖掘课程教学概述

在新工科背景下，作为一门新兴且前景广阔的应用型课程，数据挖掘教学内容紧跟大数据时代前沿，主要以大数据挖掘的算法和应用为重点，侧重培养学生数据挖掘逻辑思维能力，使学生熟练掌握数据挖掘的基本原理、R语言或Python编程技能及相关实践方法，具备极强的数据思维、高阶思维，能够将所学知识运用到解决实际问题上来，善于挖掘数据各种因素之间及背后隐藏的内在信息，养成“用数据说话”的探索意识和务实精神。数据挖掘课程在我国高校开设的时间并不长，由于本身具有交叉性、复杂性、抽象性、原理性强、算法细节多、教学难度大等特点，而且数据挖掘所研究的内容处于多学科广泛交叉的综合领域，包括统计学、数据库、机器学习、模式识别等。对于教师而言，无论是“教”还是“学”，要想有效向学生传授并让学生理解数据挖掘的本质绝非易事。对于学生而言，由于受自身理论基础较为薄弱以及知识系统不健全等因素的影响，学生容易产生畏难情绪，造成对该课程学习兴趣不足的现象。由于数据挖掘课程具有显著的实践性特征，通过实践环节能够让学生高效、快速掌握数据获取、整理、预处理、挖掘分析以及结果分析等流程，从而深刻体会数据挖掘的本质。对于任课教师而言，理论教学需要分配大量的课时，造成实践学时相对有限，加之学校可提供实践教学的保障机制不够健全，以至于实践教学缺乏系统性。此外部分教师还存在重学习过程不重学习成效、忽略学生个性化需求以及教学内容驱动教学过程的问题，表现为课堂教学理念老化、课程体系结构僵化以及缺乏有效教学效果评估的现象，这些教学中的“痛点问题”亟需得到解决[2]。

2 OBE教育理念及应用思路分析

2.1 OBE教育理念的本质内涵

20世纪80-90年代，OBE(Outcomes-Based Education)教育理念产生。作为一种基于学习产出的成果导向教育模式，在全球教育领域中得到了广泛关注，而且不断应用于不同学科课程教育教学改革当中。OBE教育理念主张在教学准备阶段，教学设计要侧重围绕学生的学习产出，保证学生的主体地位，让学生明晰预期所要取得的成果。通过采取反向设计教学的方式，利用学习成果作为驱动，同步开展与之对应教学活动。在教学推进阶段，教师按照学生能力水平、兴趣特征等差异化学情，设定针对性的教学任务，确保全体学生只要肯努力投入，便可实现阶段性的学习目标，极大激发了学生学习的自主性和积极性，从而获得切实的成效。在教学效果阶段，教师依托相应的评估体系，科学评定学生整个学习过程的成果产出[3]。

2.2 OBE教育模式应用的注意事项

在应用OBE教育模式的过程中，要求任课教师掌握OBE的内涵和流程，针对教学及学习效果设计科学、精准、实效的考评实施办法，明确教学活动完成后学生应达到何种技能水平，从而采取反向教学设计方式和相关保障性举措，促进学生全员实现既定目标。在具体的实操过程中，还需要教师注意以下事项：首先，在OBE模式下，无论是采取任务驱动法、案例教学法，还是应用翻转课堂法、导学式等，都需要任课教师以成果产出为导向，时刻关注学生学习产出目标，绝对不能够受教学实施进程所影响，这样才有助于培养学生能力目标和技能目标的实现，确保人才培养与任职岗位需求相匹配。其次，为提升学习产出成果，在设置课程总体目标的基础上，教师必须要充分考虑差异化学情，设置相对灵活的课程进度安排，分门别类地制定下属目标的等级，不必追求课程进度齐头并进。借助课程一体化资源平台，为学生提供不同学习产出目标自测与考核机制。根据相应的学习目标，学生可实时检测学习效果，达到自我督促和相互取长补短的效应。最后，OBE教育理念主张以最终学习结果作为抓手，为此教师应遵循反向设计原则重塑课程设计，按照目标产出—实现产出—评估产出的思路，为学生提供清晰、实时、迭代的学习产出路径，特别是课程要侧重提供有效实现结果的实质性案例驱动内容[4]。

3 基于OBE理念的案例驱动教学在数据挖掘课程中的应用研究

3.1 课程目标重塑与分解

基于OBE理念，按照数据挖掘课程人才培养要求，在案例驱动教学中需要对课程目标进行重塑与分解，并提出更高层次的要求，包括知识推理获取、知识运用以及知识发现与共享三个不同层次的目标，以培养学生根据不同的数据挖掘任务，能够在实际的操作中熟练解决实际问题的能力，详见表1。

表1 案例驱动下的数据挖掘课程教学目标

首先关于知识获取目标阶段，要求教师通过对数据仓库和数据挖掘等核心理论知识的讲解，帮助学生夯实基础知识。由于数据挖掘课程涉及到大量专业术语，而且概念晦涩难懂，在该阶段引入真实的案例，能够便于学生对抽象知识的理解，提升知识吸收效率以及对课程学习的专注度。

其次关于知识运用目标阶段，需要侧重培养学生实际分析解决问题的素养。通过案例教学驱动，教师引导学生利用信息平台搜集与案例教学相关的资料，并将资料整理与问题挂钩，探寻关键问题，找到解决问题的最佳办法，实现将知识获取及推理能力充分运用的有机过渡。

最后关于知识发现与共享目标，要求师生、生生保持密切的交流与合作。由于数据挖掘涉及多个学科领域，在解决问题的过程中会运用到大量的知识点，因此需要发挥团队的合作、共享与交流的力量，通过共同探讨与研究，实现全方位知识共享、问题共享与成果共享。

3.2 教学环节设计与实施

3.2.1 数据挖掘案例驱动教学模式 在数据挖掘课程中应用案例驱动教学模式，需要从准备阶段、实施阶段、总结阶段三个环节入手，确保整个教学过程中与案例资源有机结合，具体应用流程见图1。

图1 案例驱动教学模式的应用流程

首先，教师根据课程教学需求，确定案例教学目标，在充分尊重学生意愿的基础上，采取自由分组的方式，做好小组成员划分工作，每组人数限制在3～5人。其次，根据案例的实际需求，师生协同确定数据挖掘分析任务，力争小组间的案例不雷同，便于组与组之间应用不同的数据挖掘分析推理方法。最后，教师应加强对过程性解决方法的考核，引导学生自主分析、总结、思考获取解决方案[5]。

3.2.2 案例资源的优选 为提升学生数据挖掘的实践能力，优选案例教学资源必不可少。教师应该围绕教学大纲和成果导向目标，精心设计最适宜的教学案例，以期最大限度提升学生发现、分析及解决问题的能力。基于数据挖掘课程知识点的特点，建议将案例优选划分为四大类，每一类由不同的子案例组成，详见表2。

表2 案例分类及子案例知识点

3.3 案例驱动进度控制

由于数据挖掘课程学时有限，单靠课堂时间既要完成理论教学又要推进案例教学显然有些捉襟见肘。为此一些项目案例教学需要在课后进行。要求学生在课下能够自主地阅读参考相关资料，以小组为单位做好讨论、共享和分析工作。教师作为辅助者，应及时掌握学生阶段性任务动态成果，结合学生反馈进行针对性启发、解惑，或者给予技术上的支持。案例驱动教学在实施过程中，建议采取线上+线下混合形式的定期讨论课，每组选派一名代表定期汇报阶段性任务的成果情况，便于教师对案例任务进度的精准控制。具体实施流程和任务见图2。

图2 任务进度安排流程

按照图2流程安排，教师在做好应用案例介绍和相关技术理论讲解的同时，要结合不同小组任务完成情况，有侧重地针对性引导，确保学生能够自主、如期完成教学任务。

3.4 学习产出效果评估方法

案例驱动教学的学习产出效果评估引入了过程性考核的理念，改变了以往“一考定终身”的评价束缚。按照课程学习、课程论文、期末考试的情况进行全过程考核，综合考察学生数据挖掘的综合研判能力、团队协作与交流能力、案例任务项目完成情况等。对于各个环节设立相应权重，并按照二级指标的比重进行线性加权综合，具体考核与评价方案为：学生综合测评总成绩=课程学习成绩（40%）+课程论文成绩（20%）+期末成绩（40%）。最后根据每名学生的最终评价结果及相关反馈意见，不断对案例驱动教学目标、方案和资源内容进行完善和优化。

在大数据时代背景下，数据获取和存储技术随之蓬勃发展，数据挖掘技术具有无限的应用发展空间。随着社会对数据挖掘高质量人才需求的提升，数据挖掘作为一门新兴的应用型课程，教学内容应紧跟大数据时代前沿，针对教学存在的问题，不断加强课程改革的投入和力度。基于OBE理念的案例驱动教学，以课程学习产出目标为出发点，采取面向最终成果的适切性案例驱动教学，引导学生从案例实际出发去发现问题、分析问题，最终解决问题[6]。通过优选差异性、层次性、实效性的案例分析任务项目，充分整合了多元学习工具、教学资源和指标体系，有助于激发学生的主观能动性和求知欲望，晦涩难以理解的课堂教学变得生动，促进学生更好地理解，人才培养更加卓有成效，具有推而广之的可行性。