基于OBE 理念的“大数据分析与建模”课程教学研究

梁诗敏

（广东科技学院计算机学院 广东 东莞 523083）

OBE（Outcomes- Based Education）即成果导向教育，该理念强调以学生为中心、学习结果为导向[1]。基于OBE 理念的教学改革是当前教育教学改革研究的热点[2]，合肥工业大学在“Java程序设计”课程中引入基于OBE理念的“学习结果—教学内容设计—评价体系”模式，提高人才培养质量[3]；清华大学基于OBE理念设计“软件工程”课程的教学目标、教学内容和项目实践方法等，提高教学质量[4]。OBE 理念强调学生的参与和自主学习，满足不同程度学生的学习需求；OBE 理念鼓励学生在实践中应用知识，提高技能水平，帮助学生适应社会需求。因此，以OBE 理念指导应用型本科高校课程教学改革具有非常重要的意义[5]。

1 “大数据分析与建模”课程教学存在的问题

“大数据分析与建模”是数据科学与大数据技术专业的专业组选课程，为往数据分析、数据挖掘方向发展的学生而开设，致力于培养数据分析师。该课程的前驱课程为“Python 基础与应用”“数据可视化”“数据挖掘”等；后续课程为“大数据分析与建模课程设计”“毕业论文（设计）”“毕业实习”等。“大数据分析与建模”课程具有很强的综合性、应用性和实践性。在传统教学中，“大数据分析与建模”课程教学存在的问题在于：

1.1 教学目标定位存在偏差

本课程致力于培养数据分析师，但传统教学注重知识与技能目标，忽视了过程与方法目标的关键性作用，导致学生结合所学知识解决实际问题、报告的撰写与项目的汇报等能力不强。不合理的教学目标导致培养出的学生难以满足企业的岗位要求，毕业后不能顺利地实现从学校到企业的对接。

1.2 教学方法陈旧

传统教学主要采用讲授法和演示法等教学方法，忽视了学生的主体性，导致课堂有效互动少、学生参与度不高。陈旧的教学方法不能调动学生的学习兴趣和热情，不适用于互联网时代的大学生。

1.3 教学评价标准单一

传统教学评价在组成上侧重于期末成绩，甚少涉及平时成绩；在维度上侧重于知识与技能，甚少涉及过程与方法。单一的教学评价标准不利于实现教学评价的导向功能、反馈与改进功能。

3 基于OBE 理念的“大数据分析与建模”课程的改革策略

针对当前“大数据分析与建模”课程教学中教学目标定位存在偏差、教学方法陈旧和教学评价标准单一等问题，课题组在OBE 理念的指导下进行教学改革。首先，经过充分调研和实践，以需求为导向确定教学目标；其次，采用项目教学法、混合式教学模式，锻炼学生的实践动手能力与自主学习能力；最后，将正向考核和反向评估纳入教学考核评价中，构建可持续改进的考核评价体系。

3.1 以需求为导向制订教学目标、设计教学内容

OBE 理念认为学习成果既是学习结束的产出，也是学习开始的目标[6]。课题组从社会需求出发，结合学校定位和数据科学与大数据技术专业人才培养方案来反向制订教学目标[7]。“大数据分析与建模”课程的对口岗位为数据分析师，经过充分调研与实践，数据分析师的岗位要求主要为：①熟悉Excel、SPSS、Python 等数据分析工具，能够独立产出数据分析报告；②熟悉数据采集到数据可视化的全流程；③掌握常规的统计方法和技术，对推荐算法、数学建模、数据挖掘算法有一定了解。以需求为导向，确定“大数据分析与建模”课程的教学目标为：①熟悉大数据分析与建模的相关概念和流程；②掌握使用SPSS和Anaconda 中的Pandas、scikit-learn 和Matplotlib 等库来进行数据处理、数据分析与建模、数据可视化等的能力；③根据需求，综合运用SPSS 和Anaconda 中的库对真实数据进行处理和分析的能力；④掌握报告的撰写与项目的汇报。

根据教学目标，构建SPSS数据分析与建模、Python 数据分析与建模两个模块的教学内容。在细化组织教学内容的过程中，不应一成不变地使用教材内容开展教学，因为教材的编写一般遵循系统性原则，知识点全面，但是对于注重应用与实践的“大数据分析与建模”课程，教材难以发挥充分的指导作用。因此，在“大数据分析与建模”课程的教学中，课题组以需求为导向，反向设计教学内容，保证教学内容围绕着学习成果展开，从而达到教学目标[8]。为使学生掌握综合运用SPSS 和Anaconda 中的库对真实数据进行处理和分析的能力，教学内容应按照大数据分析与建模的流程来组织[9]，即“需求分析—数据获取—数据预处理—数据分析与建模—数据可视化—分析报告”。其中，应突出数据预处理、数据可视化等重点，突破数据分析与建模等难点。

2 采用项目教学法、混合式教学模式

本课程的教学分为基础和进阶两个部分。在基础部分，采用融入学生应掌握的知识和技能的简单项目进行教学；在进阶部分，采用覆盖大数据分析与建模中“需求分析—数据获取—数据预处理—数据分析与建模—数据可视化—分析报告”完整流程的综合项目进行教学。以基础部分的“机器学习与实现”为例，在餐饮大数据的背景下，学生在完成餐饮企业客户流失预测项目中学习逻辑回归、神经网络、支持向量机等内容；在完成餐饮企业客户价值分析项目中学习数据预处理、K—均值聚类等内容；在完成餐饮企业菜品关联分析中学习关联规则等内容。在进阶部分，一方面，学生在完成基于SPSS 的大数据专业人才薪资线性回归分析、移动通信客户聚类分析等项目中掌握综合运用SPSS 对真实数据进行处理和分析的能力。另一方面，学生在完成基于Python 的众包任务定价优化方案、地铁站点日客流量预测、汽车产品聚类分析、电商用户画像描绘与价值分析、深圳市二手房房价分析与预测等项目中学习综合运用Anaconda 中的库进行数据分析与建模。

“大数据分析与建模”课程具有很强的应用性和实践性，其教学分为课前、课中和课后三个环节。课前教学主要采用线上教学；课中教学主要采用线上+线下教学，课后教学主要采用线上教学[10]。课前，学生可以在超星学习通上预习课题组建设的微课、PPT 等学习资源。课中，以学生为中心，教师充当课堂组织者和学习引导者的角色。例如，在课堂上，就当堂教学内容在超星学习通平台组织随堂练习，启发学生的思考，使学生对知识的理解更加深入；就课内实训项目组织小组项目实施和小组汇报，提高学生的参与度，培养学生的语言表达能力、团队协作能力。课后，一方面，学生可以在钉钉上就在学习过程中遇到的问题与教师交流，解除困惑。另一方面，学生可以根据自身的学习程度，学习课题组推荐的“中国大学MOOC”上的相关课程。对于Python 编程基础较为薄弱的学生而言，可以学习“Python语言程序设计”等课程；对于Python编程基础较为扎实的学生而言，可以学习“人工智能实践：Tensorflow笔记”“推荐系统”等课程。

3.2 构建可持续改进的考核评价体系

OBE 理念下的教学考核评价并根据其反馈促进教学过程的持续改进是非常重要的一个环节。教学考核评价应基于明确的教学目标，采用多样化的评价方法，实现全面覆盖的评价[11]。一套全面的教学考核评价体系应包括正向考核过程和反向评估过程，从而形成考核评价体系的可持续改进[12]。在正向考核过程中，教师结合平时成绩和期末成绩对学生进行评价。平时成绩由考勤、课堂表现和作业三个部分组成；期末成绩由项目作品、报告撰写和项目汇报三个部分组成。在反向评估过程中，展开学生对教学的满意度、企业对学生的满意度等方面的调查，并根据反馈意见完善考核评价体系，从而促进教学考核评价从质量监控到可持续改进的转变[13]。

4 结语

基于OBE 理念的“大数据分析与建模”课程的教学改革以学习结果为导向，以学生为中心，注重培养学生的实践能力和自主学习能力，提高学生的参与度和教学效果。首先，以需求为导向制订教学目标后，根据大数据分析与建模的流程组织教学内容，促使学生获得学习成果、达到教学目标。其次，在教学过程中采用项目教学法，实现做中学，提高学生的学习兴趣和热情；采用混合式教学模式，拓宽学习渠道，满足不同程度学生的学习需求。最后，将正向考核和反向评估纳入教学考核评价中，采用多样化的评价方法，构建可持续改进的考核评价体系。