统计与信息技术结合的数据分析课程的教学改革研究

◎张继超 贺 萍 刘钰靖 （北华大学数学与统计学院，吉林 吉林 132000）

一、引 言

2018 年3 月15 日，教育部办公厅发布《教育部办公厅关于公布首批“新工科”研究与实践项目的通知》（教高厅函〔2018〕17 号），决定认定 612 个项目为首批“新工科”研究与实践项目.新兴产业的专业主要以互联网和工业智能为核心，包括大数据、云计算、人工智能等相关工科专业.相对于传统的工科人才，未来新兴产业和新经济需要的是实践能力强、创新能力强、具备国际竞争力的高素质复合型工科人才.新兴工科专业的设置是为了提前布局培养引领未来技术和产业发展的人才，在对国家及产业未来需求和发展方向的准确把握基础上，成为新工科的“增量补充”.信息学科的数据科学与大数据专业培养的是具有大数据思维、运用大数据思维及分析应用技术的高层次大数据人才.统计学数据分析师的社会市场较为广泛，能在企业、事业单位和经济、管理部门从事统计调查、统计信息管理、数量分析等工作，以实现社会经济的良性运行，或在科研、教育部门从事研究和教学工作.

高校的人才培养模式仍是以传统的人才培养方式进行的，遵循“设置院系－开设专业－培养人才”的路径.而在新经济环境下，新兴工科专业的建设路径是“预测未来人才市场需求－学科建设与专业建设同步进行”.“以市场为导向”不仅是经济社会发展对高等教育提出的要求，也是高等教育引领社会进步必须承担的责任和义务.因此，建立新兴专业特有的培养方式，有效使用教师资源和更新适用专业特色教材来提高教学效果，合理规划课程设置等问题急需解决.

二、课程资源分析

“数据分析”课程中的统计与信息技术相结合是改革与创新教学设计的基础，下面我们分别从两大专业分析在数据分析课程中存在的优劣来为教学提出相应的改革措施.

1.数据科学与大数据技术专业数据分析课程

数据科学与大数据技术专业，简称数据科学或大数据，是学生在掌握丰富的软件课程和具有较强的实践操作能力基础上开设的课程，主要课程包括C 程序设计、计算机操作系统、计算机网络、Java 语言程序设计、Python 语言程序设计、大数据算法、人工智能、大数据机器学习、大数据平台核心技术、大数据分析与处理、大数据管理、大数据实践等.根据以上的理论课程设置和实践操作课程安排我们可以发现，本专业的学生可以考取软件工程、计算机科学与技术、应用统计学等专业的研究生或者在政府机构、企业、公司等从事大数据管理、研究、应用开发等方面的工作.

从以上课程的设置来看，数据科学与大数据技术专业的学生在建模中缺乏数据模型理论的创新能力，他们更擅长程序语言编程和软件操作，特别是对海量数据的挖掘缺乏一些背景知识.但从专业的培养和就业的方向来看，近两年，批准大数据专业的设立包括理学和工科学位，社会急需大量数据人才，并且他们的就业领域宽广.由以上可知，目前的专业培养中缺乏统计理论方法知识的补充、数学模型的使用和数据统计分析的手段.

2.统计学专业的数据分析

统计学是应用数学的一个分支，主要课程设置中除了必要的数学、物理基础知识外，还有统计类课程，如多元统计、回归分析、计算机应用基础、程序设计语言、数据分析及统计软件、实验设计与质量控制、数据结构与算法、数据库管理系统、计算机网络系统、系统分析与软件设计等课程.本课程主要通过概率论建立数学模型，收集所观察系统的数据，对其进行量化分析、总结，并做出推断和预测，使学生能具有良好的数学或经济学素养.

从专业介绍中我们会发现，除了数学知识的储备外，课程中还有大量的软件课程，目前用于统计分析的软件有R软件、SPSS 软件等.首先，市场软件的更新，Python 是目前排名第一的统计分析软件，已经超过了MATLAB.其次，软件使用的范围，Python 强大的软件包使得其在大数据、人工智能等工科领域很抢手.市面上有很多相关软件的教材，但关于Python 与数据分析的统计学学科应用的教材较少，特别是结合统计分析模型的Python 数据分析.再次，专业与教材不对称，目前统计学专业的数据分析课程一般使用的是梅长林著的《数据分析》，教材中配备的是SASS 软件的使用操作，分为理论部分和实践部分，符合教学设计.市面上同时存在着如复杂数据统计分析方法——基于R 的应用的教材，其中包括各种数据分析方法的实践.但考虑经费预算，Python 与R 软件更受高校欢迎.无论是数据科学专业还是统计学专业，在培养适应市场需求的人才的过程，涉及的不只是一种软件和模型方法.在创新型社会的竞争中，对人才的要求更加严格，这就需要学生不仅能应用一种软件解决问题，而且要学习多种软件和模型方法，能在不同的环境要求下运用所学的理论和实践课程解决实际问题.

三、数据分析课程教学改革设计

下面我们从教学模式、教学资源、教学方法、考核方式四个方面，对跨专业的数据分析课程改革进行说明.

1.教学模式

传统教学模式以教材讲授为主，章节之间的连贯性依赖于教师的课程安排和授课技巧，理论和实践严格分开，学生不能很好地将理论知识应用于解决实践问题，因此这样的教学效果并不理想.而数据分析是理论和实践相结合的课程，在开设本课程时，学生已经掌握了相关的理论基础和软件技能，不同专业基础的学生在面对同一数据分析问题时可发挥其独有的特长.例如，以统计为基础的学生掌握了多元统计分析、SPSS 软件和R 软件等统计建模知识.目前统计分析软件，如R 软件、SPSS 软件等，具有扎实的统计建模理论知识功能.数据分析领域中的另一主角是以数据科学与大数据技术为基础的学生，他们在建模中缺乏数据模型理论的创新能力，更擅长程序语言编程和软件操作，特别是对海量数据的挖掘缺乏一些背景知识.因此，混合教学模式可以在一定教学理论指导下建立起较为稳定的教学活动结构框架，使得整个教学活动各要素之间紧密联系，帮助学生挖掘他们的潜能.

2.教学资源建设

教学资源是混合式教学改革的核心.教师在教学中不能只讲理论不讲实践，也不能只讲实践不讲理论，理论与实践在教学课件与教案中要充分融合，但又可以分割开来.教师要根据章节内容合理安排上机操作，不断修正课件和教案设计，优化板书演示内容，借助互联网技术的优势，不断更新模型案例，如以近年来的建模问题作为例题，以获奖优秀论文为例讲解如何解决实际问题.主要目的是让学生成为问题解决过程的主角，教师则作为分析过程的配角，实现以学生为主体的教学模式，同时丰富实践模块的内容.

针对目前教材不足的现状，教师应设置适合不同专业不同模型的教学方式，实现数据分析的研究内容，形成专题专项指导.教师可以引入R 数据统计分析、Python 大数据分析的应用等大数据分析理论和软件介绍，拓宽学生的知识视野并增强他们的技术能力.在软件应用上，教师应为学生提供 Excel、 Python、R 语言、SPSS 统计分析软件的操作手册和使用说明.这里建议至少要用2 种软件，一种是行业使用，一种是学科专业使用.要对数据分析结果进行对比，通过理论分解和实验操作，双向促进学生对知识的理解，提倡学生的独特思维和创新思想.

3.教学方法

混合式教学方法是在融合各类教学资源的情况下，以学生兴趣为驱动，项目案例操作为指引，抓住学生的学习触动点，引导学生喜欢并学好课程内容.同时，混合式教学方法能以自身的经历为基础，从兴趣出发，将理论和问题之间的关系更加紧密地联系起来，促使学生更好地理解理论之间的联系.如2019 年全国大学生数学建模C 题目“机场出租车问题”，将人生选择问题与时间序列模型结合起来，利用计算机科学技术仿真模拟进行可视化展示，使学生充分理解理论之间的联系，提升学习效果.在模型讲解过程中，以人生的切身感受为例，让学生在人生感悟中掌握模型的基本原理.同时，对理论知识体系的内在逻辑进行深刻分析，并辅以简单的计算和推导，使其更加充分地理解理论之间的联系.

4.考核方式

数据分析课程作为专业选修课程，对学生的考核可以以累积分数考核的方式进行.要增加考核的复杂度，使学生的成绩不仅仅依赖于期末考试成绩和出勤情况，还要注重平时的表现，进行综合计算.同时，课程结束前，要围绕一个课题让学生自己设计调查问卷，采集数据，再对数据进行处理.这样的考核方式不仅能有效提升学生对课程的兴趣，让学生参与到数据产生和解决的全过程，而且可以提升学生的综合素养，使学生得到多方面的发展，

四、总 结

经过一年的教学实践，从学生的评价中可以发现以下改变和收获.

第一，课堂教学效果成果显著.混合模式的教学方式使得课堂变得生动、有趣，极大地提高了学生的学习能动性.特别是理论课中添加实际操作效果，让学生茅塞顿开.

第二，人才培养成效明显.在实践环节，学生提交了自主选题的实验报告，使学生从报告选题、数据选择与处理、模型构建、模型优化、模型分析等步骤对某一问题进行了较为深入、完整的研究.

第三，成果运用效果明显.个别同学通过完善实验报告撰写了毕业论文，还有同学在数学建模大赛中使用数据分析的方法获得了奖励，实现了成果的转移与应用.这些应用都说明数据分析课程的混合式教学取得了一定的效果.灵活的教学方法和优化的教学内容激发了学生最大的学习兴趣，开放的课堂才能使学生成为主人，学生的学习能力和思维能力也才能得以提升.当然，本文中的研究仅仅是对混合式教学改革的初步探索，还有诸多不足之处，希望在今后的教学过程中不断完善，不断优化.