基于大数据技术的管理会计云教学平台设计

赵玉婷

（湖南信息职业技术学院，湖南 长沙 410200）

随着全球经济的发展和信息化水平提升，管理会计在企业中的应用日益广泛，我国对于管理会计人才的需求也不断增加。在此背景下，管理会计教育培训工作面临前所未有的机遇与挑战[1]。大数据技术具有海量数据处理能力、快速数据处理速度和深度数据分析的特点，已广泛应用于企业经营管理、政府决策和社会治理等领域。同时，它的出现为管理会计教育改革提供了新的契机，通过构建基于大数据技术的管理会计云教学平台，有助于丰富管理会计教育教学资源、提高教学质量、实现个性化教学和精准评估，为培养高素质的管理会计人才提供良好途径。因此，本文对基于大数据技术的管理会计云教学平台进行深入研究，从数据层、控制层和表现层3个方面进行平台设计。希望通过本文的研究，能够推动管理会计教育培训模式的改革，同时希望为其他相关领域的大数据教学平台设计提供参考，共同推动我国大数据教育事业的发展。

1 管理会计云教学平台架构

基于大数据技术的管理会计云教学平台主要由数据层、控制层以及交互层组成，管理会计云教学平台的框架设计图如图1所示。

图1 管理会计云教学平台架构图

如图1所示，管理会计云教学平台主要包括数据层、控制层和交互层。数据层包括数据采集模块和数据处理模块，其中，收集模块承担了从多元化数据源搜集信息的重要任务，并保证这些数据被适配到系统能够接纳和处理的统一格式。处理模块的作用是对搜集的数据信息采取进一步加工、提取等操作[2]。控制层包括管理会计知识智能推荐模块、云直播教学模块、学习效果评价与反馈模块。管理会计知识智能推荐模块基于大数据技术和学生学习情况分析，自适应地提供适合学生个性化需求和学习水平的管理会计知识和学习资源；云直播教学模块实现教师的远程直播教学，包括在线课堂讲解、互动答疑以及学生作业审核等。平台表现层设计的核心宗旨是保证用户体验的质量，保证其能够便捷地运用平台资源，并迅速获取所需信息。

2 软件设计

2.1 数据层

2.1.1 数据收集模块

在基于大数据技术的管理会计云教学平台设计中，数据收集模块是管理会计云教学平台的重要组成部分，它负责从各渠道获取海量数据，包括但不限于学生基本信息、学习行为数据、教学资源和财务数据等，以保证平台有丰富的数据资源，以便进行后续的数据分析和应用[3]。

首先，需要明确所需采集的管理会计相关数据，例如学生学习行为数据、教师教学数据以及学习资源的统计数据等。通过API接口从已有的学校管理系统、在线学习平台等处获取学生学习行为数据以及教师教学数据；使用Python编程语言编写爬虫程序，从网页中抓取管理会计资源数据。计算度中心性指标衡量某个节点有多少个直接连接的邻居节点，度中心性越高，则该节点在网络中的影响力越大，以评估经过该节点的路径所占的重要程度，保证信息采集的快捷性与时效性。设度中心性指标为Ci，计算过程如公式（1）所示。

式中：ki为节点i的度数；n为网络中节点个数。度中心性指标公式计算节点i的度数与所有节点的最大可能度数之比，因此可以将度中心性标准化为0～1的值，当度中心性指标约为0时，表示节点的度数相对较低，表明该节点在网络中的影响力相对较小；当度中心性指标约为1时，表示节点的度数相对较高，说明该节点在网络中的影响力较大。

其次，必要的数据验证将保证采集的数据资源符合预定格式和要求，包括对数据逻辑性和完整性进行验证，数据逻辑验证将验证数据之间的逻辑关系是否符合规则；数据完整性验证将检查采集的数据是否完整[4]。在传输过程中采用AES对称加密算法进行加密，以保证数据的机密性；利用TLCG截断线性同余生成器进行数据脱敏措施，防止数据泄露和非法访问，保障数据的安全性和隐私保护，其计算过程如公式（2）所示。

式中：o为数据脱敏后的结果；fm为TLCG生成的数据随机数；fm+1为生成的下一个数据随机数；a为线性同余生成器参数；c为线性同余生成器参数。与a共同决定随机数的分布特性和为常数；v为线性同余生成器模数，即随机数的取值范围。通过以上步骤，可以实现数据脱敏，保护敏感信息不被泄露，保证在后续模块环境中使用安全、真实的数据集。

2.1.2 数据处理模块

在数据处理模块中，OpenRefine工具对初始数据集执行净化处理，以保证数据的品质和精确性。相关的数据预处理步骤如图2所示。

图2 采集数据预处理流程图

如图2所示，对数据执行正则表达式验证，以保证其处于规定范围内、符合既定格式且具备唯一性。不符合这些标准的异常数据将被送回至数据收集单元重新获取。对于通过验证的合规数据，将按以下流程进行处理：首先，使用pandas库进行数据去重操作，以删除重复的数据记录，保证数据的唯一性；其次，执行数据净化步骤，纠正错误数据并清除缺失数据条目。最后，采用Z-score技术补充缺失数据点，该技术利用正态分布原理，并通过估算数据点与整体平均数的偏差来补足数据，具体计算方法如公式（3）所示。

式中：z为填充后数据点的值；τ为初始数据集；μ为初始数据集的算数平均数；α为数据集填充后的方差的无偏估计值。

利用numpy库的功能，对数据进行必要的转换，保证所有数值都有统一的度量单位，并且进行了规范化的线性处理，这样可以使数据集在特定的标准化范围内保持一致，为分析阶段做好准备。然后评估经过标准化处理的数据集的分散度，可以通过计算偏度统计量来实现，具体计算方法如公式（4）所示。

式中：l为偏度结果函数；εi为数据集中单个实例样本；κ为数据集的中央趋势度量；α为数据集的离散度度量；g为数据集的样本量；l为偏度统计量。

数值越大，数据的波动范围越广，说明数据集较为无序，因此需要重复执行标准化过程以规范数据；数值越小，则数据的波动性较低，表明数据集较为集中和一致，在这种情况下数据集将被转移到下一个模块进行处理。处理完成的数据集被加载至PostgreSQL数据库中妥善保存，并且利用定时的任务队列技术来执行实时监听任务。这确保了新数据能够即时被数据库摄入，从而保证数据集的内容的完整性和时效性。

2.2 控制层

2.2.1 管理会计知识智能推荐模块

基于人工智能技术的管理会计云教学平台中，智能推荐模块是关键的人工智能驱动组件。其宗旨是为每位学员提供量身定制的教学资源，这些资源精准地对应该学员的学习兴趣、个体特征和职位需求。

初步阶段，利用自然语言处理（NLP）技术对已收集及整理的用户数据执行深度剖析，涵盖管理会计实践经验、职业历史、企业所属行业以及个性化需求等多个维度，旨在更好地了解每位学习者的背景和学习需求，以定义每个学习者详细的学习特征和属性，进而为其提供基于需求的定制化管理会计知识智能推送。采用深度学习算法构建一套依托用户画像的个性化管理会计知识推荐数字模型，该模型将自动分析学习者偏好，并通过皮尔逊相关系数精准性估计学习者对尚未掌握、未知知识点的潜在兴趣度，具体计算方法如公式（5）所示。

式中：r为皮尔逊相关系数；xi和yi分别为用户x和用户y对商品i的评分；和y分别为用户x和用户y的平均评分。通过学习者之间的相似度分析，找到与目标学习者相似的其他学习者，并根据这些相似学习者对管理会计知识的喜好，预测目标学习者对特定知识的学习兴趣。然后利用强化学习算法调整推荐模型策略，使模型能够在推荐过程中动态地优化策略，逐步提高推荐质量。在强化学习过程中，将学习者的满意度作为奖励信号，引导模型在推荐过程中关注学习者的需求和兴趣。最后，采用贝叶斯全局优化方法搜索最优推荐算法参数，构建一个先验概率模型，以预测未尝试过的参数组合的性能表现。为更新概率模型，使用梯度下降优化算法，不断探索参数空间，经过多次迭代，得到最优参数推荐组合，梯度下降法计算过程如公式（6）所示。

式中：θ为当前参数值；η为学习率。控制每次迭代更新参数的步长，Δq（θ）为损失函数q（θ）关于参数θ的梯度以及方向导数。综上所述，该模块通过分析学习者的兴趣和需求，生成个性化推荐列表，为每个学习者推荐最相关的研究领域，包括财务报告、成本管理、预算编制和风险管理等方面。

2.2.2 云直播教学模块

通过管理会计云教学平台的云直播教学模块，教师可以在平台上开设实时在线课程，学生可以通过网络接入平台进行实时在线学习。通过自建服务器集群搭建云服务器环境，保证服务器具备足够的带宽和性能支撑高质量的直播流传输。然后搭载Phantom TMX系列超高速摄像机进行教师直播教学视频采集，利用大数据技术中先进的图像识别和前馈神经网络算法将不同地域及不同设备学习者的虚拟人物形象连接到同一个在线虚拟课堂环境中，并将所有在线学习者的虚拟形象进行智能混合。前馈神经网络算法如公式（7）所示。

式中：d为输出层输出；e为输入层输入；j为权重矩阵，连接输入层和隐藏层以及输出层和隐藏层；b为偏置向量，对应于每个隐藏层和输出层的神经元，f（e×j+b）为激活函数，用于将输入转化为输出。该阶段的目标为创建一个具备管理会计知识智能教学功能的生态系统，在该系统中参与在线课程的学生和教师将配备各自的虚拟代表，并在共用的学习环境中协同参与。利用FFmpeg编码工具对采集到的视频进行压缩编码，以减少带宽占用并提高播放效果，并通过RTMP流媒体传输协议将经过编码的视频流实时传输到云服务器上。利用WebSocket即时通信技术为学生提供在线提问、答疑环节和课堂小测验等实时互动功能。为满足学生的学习需求，云直播教学平台需要提供录制回放功能，将直播过程录制视频保存在阿里云OSS云端，方便学生随时观看，同时考虑到教学内容的安全性和保密性，云直播教学模块需要采取SSL/TLS加密传输、JWT用户身份验证和OAuth2.0认证授权管理等安全措施。

2.3 表现层

基于大数据技术的管理会计云教学平台中，表现层的作用是向学员展示直播界面和学习数据，并确保系统的易用性和用户友好性。首先，使用Vue.js前端框架进行界面开发，以实现直播界面、学习数据展示和其他交互功能。其能够提供响应式和组件化的开发模式，使界面在不同设备和分辨率下都能保持良好的显示效果和性能。其次，利用Animate.css和ECharts提升数据展示的直观性和趣味性。HTML负责构建页面的基本骨架，定义页面的结构，例如头部、导航栏、主要内容区域、侧边栏以及脚部等，以实现清晰、有序的页面布局。此外，使用图标库和标签等元素，以清晰地表示每个选项。在这个模块中，为确保学员能够参与互动并获得相关信息，需要提供明确的输入字段和相关提示。最后，采用Node.js服务器技术保证平台的性能和稳定性，并将PostgreSQL数据库作为主要的数据库系统，以存储和管理教育培训平台的数据。

3 测试试验

3.1 试验准备

为验证基于大数据技术的管理会计云教学平台的实际应用效果，本次试验准备了一系列软硬件环境及技术框架。选用高性能的Microsoft Server作为运行环境，以确保平台的稳定性和可靠性。在开发过程中，采用成熟的Microsoft .NET Framework进行快速开发，以构建轻量级的高性能应用程序。同时，为处理高并发请求并提升平台访问速度，采用Nginx作为Web服务器，其使用事件驱动的异步非阻塞I/O模型，可以同时处理数以万计的并发连接。为增强实时数据处理和提升用户参与体验，采用WebSocket协议来优化通信机制，确保用户在界面上的每一项操作都能迅速得到响应，并即时反映结果。后端架构采用JSON格式作为数据交换主要方式，便于不同客户端（例如Web端、移动端）之间的通信。此外，为满足大数据处理需求，试验还采用了Hadoop、Spark等大数据技术框架，同时为保障平台安全，采用SSL（安全套接字层）加密技术，保障用户数据和隐私安全。

3.2 试验结果

为深入分析基于大数据技术的管理会计云教学平台在性能方面的表现，本研究在5个异构节点上执行了一系列资源消耗测试。试验结果见表1。

表1 测试试验结果

试验结果显示，该平台的平均数据采集时间为8.52 ms，该指标反映了系统具备高效的数据采集能力，能够快速捕捉并响应用户请求；平均数据传输速率为21.20 Mbit/s，此传输速率充分支持高数据吞吐量的场景，保障了大规模数据集的即时传输与处理；计算时间在2.02 s内完成，表明平台能够快速完成数据处理任务，提供及时的分析结果，且所有节点的准确率都在98.5%以上，表明平台在数据处理和分析方面的准确度非常高，能够满足用户对数据准确性的需求。综上所述，基于大数据技术的管理会计云教学平台具备高速的数据采集和传输能力、快速的计算处理能力以及高准确率的数据分析能力，使该平台适用于管理会计云教学领域，能够提供高效、准确的教学支持和服务。

4 结语

综上所述，大数据技术的应用为管理会计教育领域带来了前所未有的创新和变革，在提高教学效果、优化教育资源配置和推动教育公平目标的实现等方面具有重要的现实意义。本研究首先设计了一个基于先进大数据技术栈的管理会计云教学平台的总体架构，接着详细阐述了该平台中数据收集、数据处理、管理会计知识智能推荐以及云直播教学四个核心模块的技术构建和实现过程，最终成功搭建并运行了管理会计云教学平台。展望未来，随着机器学习、人工智能和复杂事件处理等技术的进一步融合与优化，平台将实现更加深入和精准的个性化教学，为管理会计教育提供更加智能化、灵活化和人性化的服务。此外，基于大数据技术的管理会计云教学平台在为我国教育事业发展带来巨大变革的同时，相关技术人员需要关注数据安全、隐私保护等潜在的风险与挑战。