基于OBE理念的《Python数据分析》混合式教学模式研究

贾扬蕾，袁梦洁

(江西理工大学 经济管理学院，江西 赣州 341000)

2020年以来，受新冠疫情影响，在线教育得到了广泛的应用，高校教师的课程开始移至网络平台，线上教育与线下教学的结合为高校课程教学改革指明了方向。课程《Python数据分析》是目前比较热门的课程，一方面要求学生掌握数据分析理论及方法，另一方面实践性要求较强，因此如何针对课程特点进行线上、线下教学设计是需要解决的问题。社会对人才的需求在创新创业能力、主动学习的能力等综合能力上也提出了要求，OBE理念注重学生自学能力和综合能力的培养[1]。因此，基于OBE理念进行《Python数据分析》教学设计是现实需求，探索OBE理念的《Python数据分析》混合式教学模式，具有现实意义。

1 《Python数据分析》课程特点分析

《Python数据分析》是高校计算机、商务数据分析及数学领域相关专业的专业课程[2]，其涉及程序设计、数据分析两方面的内容。《Python数据分析》课程要求学生掌握数据分析的理论知识及相应Python库的应用，并利用各种Python库(包括NumPy、pandas、matplotlib以及IPython等)高效地解决各种各样的数据分析问题，培养学生Python数据分析和应用实践能力。在教学过程中，课程主要有以下特点：

(1)《Python数据分析》是一门综合性的课程，涉及面广。《Python数据分析》是一门交叉科目，涉及计算机、数学、管理科学等学科，学习起来难度大。

(2)《Python数据分析》课程实践性强，难度较高。如涉及统计学中的回归及聚类分析法、算法等，课程内容抽象、复杂，需要学生课后多上机多实践，对学生的自学能力要求较高。

(3)《Python数据分析》课程内容相对独立。课程主要包括Python数据分析基础、使用pandas库进行数据可视化分析、Python中建立预测模型及Python实现推荐系统等教学单元，除Python数据分析基础外，其他单元内容之间的联系较弱。

针对这种相对复杂、不易掌握且内容独立的课程，基于OBE理念， 探索课程混合式教学模式，显得十分必要。

2 《Python数据分析》混合式教学模式设计

针对课程特点，构建基于OBE理念的《Python数据分析》混合式教学模式，利用在线课程教学平台，对每一个教学单元，设计线上、线下教学[3]。课前设置教学目标、建设教学资源；课中把知识点串联起来，指导学生逐步掌握并实现课程的成果要求；课后进行成果评价并反馈调整[4]。

2.1 线上教学设计

(1)课前。进行教学目标设置、教学资源建设及教学手段选择。线上教学的目的为教学单元理论基础的掌握。教师准备线上发布的学习资料，包括与每个教学内容相关的教学视频、实验指导书、多媒体课件、教材部分章节及期刊论文等。

(2)课中。通过慕课开展教学，学生实现成果、达成教学目标。利用网络平台进行在线学习，学生可根据教学大纲观看教学视频或教学课件，或根据自身情况进行调整，如提前学习或重复观看视频，也可以通过阅读相关书籍、论文的形式进行学习，利用线上平台提供的讨论区或即时通信软件进行讨论，也是提高师生互动、激发兴趣的方式。在教学视频重难点讲解处设置问题，题目以选择题和判断题为主，学生回答题目后才能继续观看视频，以加深学生对课程重难点的理解。教学视频观看结束后，要求学生进行测试，并将成绩纳入总成绩。针对《Python数据分析》课程教学内容和特点，课后测试题应以项目实践为主，给定相关专业或现实生活中的案例作为分析对象，要求学生使用相关的方法进行数据分析。作业和测试可帮助教师及时准确地了解学习情况。

(3)课后。线上评价并进行调整，整个教学过程中体现“持续改进”[5]。结合后台查看的课程各项数据，可以对教学质量进行综合评价。

2.2 线下教学设计

课前线下进行目标设置，并从总体设计课堂教学。《Python数据分析》的线下教学包括理论和实践两部分，理论教学采用讲授与讨论形式，以理论知识的掌握为目的；实践教学采用展示与上机形式，以实践能力的提升为目的。课堂教学包括课堂教学内容、教学方法、教学手段及教学重难点等设计。

课中教师组织课堂教学，学生实现成果。在线下课堂教学实施过程中，课堂教学可按5个环节进行设计。

(1)讲解重难点。由于《Python数据分析》课程的难度较大，受理解能力的限制，虽然经过了线上的学习，但仍有学生对重难点掌握不好。因此线下有必要针对每个教学内容的重点难点进行回顾，帮助学生理解、巩固及提高。

(2)课堂讨论交流。在重难点理解基础上，结合实例，抛出问题，引导学生思考、讨论。学生的问题往往比较发散，因此，需要教师通过启发，把问题集中在算法及代码的实现上。同时，课堂上的深入讨论有助于学生在实例的基础上举一反三，逐步从理解到应用，从案例的学习到解决学习、工作中的问题。如进行企业销售量的预测、通过电子商务网站的数据进行用户分类等。

(3)任务布置。通过课堂的讨论、交流，确定分析对象，进行分组、布置任务，要求学生使用相关的方法进行数据分析、并给出任务的工作计划。

(4)成果实现展示。《Python数据分析》实践课上，教师指导学生实现项目成果，学生完成项目后提交，选取代表性作业，要求学生在课堂上进行讲解和展示。展示结束后，先由学生相互提问、讨论，引导学生发现问题、分析问题及解决问题。随后，由教师进行具体、针对性点评。

(5)课堂总结。针对线上、线下学习及作业中存在的问题进行总结，如对教学单元中涉及的数据分析方法的优缺点进行比较。

课后组织评价，教师进一步改进课堂教学，学生完成进行总结提炼，形成系统化知识。

2.3 课程评价机制设计

在Python数据分析混合式教学模式实施过程中，主要从教学过程[6]和目标达成度两个角度对课程教学效果进行评价。

(1)教学过程评价。教学过程评价按照线上教学设计和线下教学设计内容进行评价。评价主体为教指委、专业督导及校内同行老师。

(2)教学目标达成度评价。Python数据分析课程的目标是让学生掌握数据分析的理论知识及相应Python库的应用，通过一系列的Python语言数据分析训练项目，培养学生一定的Python数据分析和应用实践能力。因此，教学目标达成度的评价将项目的成果实现作为核心内容，其中，项目实践需联系企业实际、综合运用Python数据分析的各项知识，评价主体为校内外指导教师。

3 教学单元设计

3.1 线上教学设计

(1)课前。线上教学目标是掌握Python实现推荐系统理论基础，为线下的知识巩固和实践做好准备。教师制作视频、课件等资源(主要内容：协同过滤推荐算法原理及过程、Python内置函数、内置字典与集合)，建设题库、试题库。

(2)课中。线上教学设计以学生为中心，教师通过线上平台发布教学资料及视频，内容包括协同过滤推荐算法原理及过程，以及涉及的Python内置函数max、lamada表达式及字典的使用，并围绕课程内容发布作业及讨论，作业由平台自动批改，以便学生了解学习情况，互动讨论提高学生的积极性。学生相应通过阅读教学资料、观看视频及完成作业达到自学目的，线上学习进度、次数、时长在教学进度范围内由学生自主决定。

(3)课后。学生课后完成组间评价，一方面充分发挥学生的主导意识；另一方面由学生自主对照评价标准，规范认真完成任务、提高成果质量。主要从系统完整性(包括数据集中的数据数量；计算相似度，建立推荐字典；生成推荐列表并输出)、选题创新性(是否面向技术前沿，有创新)、逻辑清晰度(算法逻辑是否清晰，程序结构是否合理)、程序的稳定和可靠情况(包括不同输入下程序的输出结果、稳定及可靠程度的判断)及成果展示情况(演示是否流畅、回答问题是否简明准确)5方面进行评分。最后，教师和学生通过线上平台进行教学效果评价。

3.2 线下教学设计

(1)课前。线下课堂教学的主要目标为Python实现推荐系统相关知识的巩固及实践技能的提升。推荐系统实现时可以基于不同的数据集，并设置创新相似度计算、排序及推荐的数量，实现个性化的成果。因此，教师一方面要提炼重难点、制作教案，设计课堂教学形式；另一方面引导学生选题，指导学生实践并完成自己的推荐系统。

(2)课中。① 教师重难点讲解(主要内容：不计算相似度的简单推荐字典{商品：待推荐用户对商品的兴趣……})；② 组织小组讨论、引导学生选题(创新相似度计算、排序、推荐的数量、基于各类网络数据集进行推荐等)；③ 在学生充分讨论的基础上确定选题及问题需求；④ 一周后学生进行成果讲解并现场回答问题；⑤ 观看成果展示及评价任务完成情况，并在教师评价后进行总结提炼。

(3)课后。专业教学指导委员会对Python实现推荐系统教学单元的教学目标、教学重难点及教学安排进行线下教学内容评价；教学督导围绕课程访问量、视频点击率、作业完成情况进行线下教学评价；校内外指导老师围绕课程考核方式及课程成果进行相应评价。

4 结 语

针对《Python数据分析》课程的混合式教学模式进行探索，将OBE理念贯穿于教学环节，进行线上资源发布、线下课程安排，引导学生课前预习、课中思考、课后实践及总结，环环相扣、不断递进，培养双创型人才。最后，设计课程评价机制，推进多元化的考核体系，注重实践及应用能力的培养，从而满足时代对人才的培养需求。