融合OBE理念的数据分析与挖掘课程案例教学探索

摘"要：针对数据分析与挖掘课程的特点，融合OBE理念进行案例教学是提高该课程教学质量的重要手段。该文探讨在该课程中如何融合OBE理念进行案例教学。首先，指出课程案例设计不仅要构建体系化的知识，还要注重综合性强、重实践、成效性高等原则。其次，根据课程内容模块的关系，提出“单元案例库+全息式案例库”相结合的案例库设计思路。此外，梳理案例教学实施的流程和方法。最后，探讨基于OBE理念的案例教学的过程化评价指标和方法。

关键词：数据分析与挖掘；案例教学；OBE理念；案例设计；案例评价

中图分类号：G642"""文献标志码：A"""""文章编号：2096-000X（2024）36-0139-05

Abstract：BasedonthecharacteristicsofDataAnalysisandMiningcourse，caseteachingintegratingtheOBEconceptisanimportantmethodtoimprovethequalityofcourseteaching.Inthispaper，itisexploredthathowtointegratetheOBEconceptintocase-basedteachingwithinthiscourse.Firstly，itpointsoutthatthedesignofcoursecasesshouldnotonlyaimtosystematicknowledgeconstruction，butalsoemphasizesprinciplessuchasstrongcomprehensiveness，emphasisonpractice，andhigheffectiveness.Furthermore，basedontherelationshipbetweenthecoursecontentmodules，adesignideaforthecaselibrarythatcombinesa\"unitcaselibrary\"witha\"holisticcaselibrary\"isputforward.Additionally，itelaboratesontheprocessesandmethodsforimplementingthesecases.Finally，theevaluationindicatorsandmethodsforcase-basedteachingarediscussed.

Keywords：DataAnalysisandMining;caseteaching;OBEconcept;casedesign;evaluationofcases

随着大数据、人工智能时代的到来，企业和社会对于数据分析与挖掘技术和人才的需求日益增长，高等学校中的数据分析与挖掘课程也得到了越来越多的关注。数据分析与挖掘涉及多个学科领域的交叉知识，例如数学、统计学、计算机科学和人工智能等，同时在经济、金融、医疗健康、交通等行业领域有广泛应用，这使得数据分析与挖掘的课程教学高度强调理论与实践结合，一方面要培养学生具有敏锐而缜密的数据思维，另一方面要培养学生根据实际行业背景进行数据分析与挖掘的创新实践能力，以及制定科学而合理的决策方案的综合能力[1-3]。此外，数据分析与挖掘的技术和方法日新月异，不断涌现出新的算法和工具，对数据分析与挖掘课程的教学提出了更高的要求。为了培养适应大数据和人工智能时代新需求的数据分析与挖掘人才，在数据分析与挖掘课程教学中进行持续的改革探索和实践是非常有必要的。

OBE（Outcomes-basedEducation）理念，即成果导向教育，是一种以学生为中心，以成果为目标导向，注重学生的个性化需求和实际能力培养的教学理念。OBE理念要求教师不断反思和持续改进教学方法和策略，以适应学生的学习需求和成果导向的教育目标，这十分有助于推动教学改革。

案例教学是一种开放式、互动式的教学方式，教师根据教学内容及教学目标进行案例设计，以真实或模拟情境为背景，组织学生对案例进行文献检索、阅读、思考、分析、讨论和交流、解决问题、反思与总结等一系列的思维分析与实践活动。案例教学自1870年由美国哈佛法学院提出使用以来[4-5]，被迅速而广泛地运用到法学、医学、经济学和工学等具有鲜明行业特色的课程教学中，并产生了深远的影响。案例教学在我国高校的课程教学中也得到了非常有益的研究和实践[6-9]。

相比于传统的课堂讲授方式的教学效果，案例教学对理论与实践要求高的课程具有难以比拟的特别优势，因此，在数据分析与挖掘的课程教学中实施案例教学，必定起到较好的效果。进一步地，在案例教学中融合OBE理念，也会更好地改进数据分析与挖掘的课程质量。本文对此进行探讨，将OBE理念融合到该课程案例教学的各个环节中，提出该课程案例的开发原则、案例库的设计思路以及案例教学的实施方法，最后提出案例教学评价方法，以持续改进课程教学质量，促进案例教学的创新和实践。

一"案例的开发原则

好的案例有助于教师达成教学目标，有助于学生完成知识点的链接和知识体系的建构、强化思维训练、提高解决综合问题的能力。本文提出数据分析与挖掘课程的案例开发应遵循以下几个原则。

（一）"注重知识构建，综合程度高

数据分析与挖掘的教学内容知识点繁杂，单纯的孤立讲解会使人感觉沉闷，就很需要案例将这些知识点有机地组织起来，但目前教材的案例教学所占比重小，包含的知识点单一，或者仅对知识点进行印证，没有进一步挖掘深层的规律，这会忽略有价值的信息。教师在设计案例时要避免这种浅尝辄止的情况，要以构建学生的系统性知识为目标，选择具备综合程度高的案例。

以数据预处理单元的知识为例，虽然逐个讲解了数据预处理的一些常见方法和技术，但学生此时感到知识是分散的，而目前教材大多选用案例来匹配和验证单个知识点，学生得到的实战锻炼有限。为了弥补不足，教师应注重选择更加“原生态”的数据集，例如使用知名机器学习网站UCI上的titanic数据集，并涵盖十多个数据预处理的知识点进行综合设计：①如何读取数据文件。使用Pandas读写文档时，根据文档类型以及是否有表头、中文、特定分隔符等，促使学生实战时主动去探索关于文件类型、形状等与参数设置的关系。②如何观察数据信息。数据文件读取转化为Pandas的DataFrame格式后，启发学生观察数据的基础信息，包括数据内存、维度形状、特征的连续或离散类型、特殊特征（如时间特征）的处理等等，根据观察到的这些信息，要如何进行相应的转换和处理。③如何清洗数据。这个步骤要启发学生结合数据实际用途的因素，选择相应的办法处理数据缺失值、重复值、异常值等。经过综合设计后的案例可以避免此部分知识点过于分散琐碎而导致学习效率低的情况。

（二）"具有强实践性

数据分析与挖掘的课程内容涉及大量算法和模型，需要理论与实践相结合。基于此，案例主题必须具有很强的实践性，可选择涉及多个真实领域的问题作为案例主题，通过真实的数据场景，让学生从多个角度进行思考和分析，观察数据、分析数据、结合需求设计解决方案、实施方案并对结果进行解读和评估。通过实践和应用，学生可以更好地理解算法的原理，培养创新思维和跨领域合作能力，在未来的工作中更加灵活地运用，提高就业竞争力。

以分类算法的学习为例，从时下实际热点问题中选择并设计成案例。例如，在金融行业的信用风险评估问题中，使用分类算法识别金融行业的贷款风险级别，可以帮助银行制定差异化的信贷政策，降低不良贷款率；在医疗行业的疾病诊断问题中，使用分类算法识别和预测癌症等重大疾病，早发现早干预，降低疾病危害，提高患者生活质量；在通信行业的用户满意度指数评价问题中，使用分类算法识别用户群体，针对性地改进服务流程，增加用户黏性，提高市场竞争力。这些案例都具有非常强的实践性。

（三）"成效性高

案例的成效性主要指案例在实施后所取得的实际效果，它要求全面评估案例，主要从以下几点衡量：实现了预设的目标，影响积极且广泛，实施的成果能持续存在，具有可复制性或推广性，实施成本相对于收益是合理的，等等。成效性低的案例会使得学生感受不到学习的价值，从而失去学习的欲望。而颇具成效性的案例能够帮助学生看到通过数据分析与挖掘帮助管理者发现问题、优化流程、提升效率，或者降低不必要的消耗[8]。

以经典的商品销量预测题为例。该案例中选取全球知名的Kaggle竞赛平台中关于厄瓜多尔大型杂货零售商CorporaciónFavorita的数百家超市超20万种商品的销量数据，要求对不同商店数千种商品的单位销量建立销量模型并进行预测。这个案例的成效性在于通过模型建立和预测能帮助商店避免积压商品过多、生鲜商品减少腐烂、畅销产品不会出现缺货等不良情况。此案例的结果可以推广到其他有类似问题的领域，体现了其成效性，让学生体会到知识和技术的价值，从而激发学生的学习乐趣。

（四）"从获取学科知识到培养“专家思维”

“专家思维”指的是一种深入、系统且具备创新性的思考方式，它不局限于对基础知识和技能的掌握，更强调对知识的深度理解和迁移运用，像专家一样的思考，洞察复杂问题的深层规律，创新性地提出解决方法和优化策略，具有主动持续学习的自驱力。

数据分析与挖掘课程涉及的数据往往表面是错综复杂的，规律深藏其中不易被察觉，案例教学中要注意让学生学会像“专家”一样去洞察这些有价值的深层信息。这要求案例的设计既要有基于特定知识点运用的元素，达成可预测的基本学习结果，还要有打破既有知识线性增长的刻板局限性，提高学生网状思维的能力。因此在案例设计时有必要增加一些更灵活、具有开放性的问题，引导学生从知识和技术的熟练操作者转向成为主动构建更加复杂的知识体系并能大胆创新的“专家”。

以电商平台用户评价问题为例，该案例设计不仅要考虑到学生爬取某知名电商平台的数据、进行数据预处理的能力，还要引导学生像“专家”一样，通过识别电商用户中的高价值用户群体、如何了解用户购买偏好、如何决策用户偏好的趋势变化等挖掘出具有商业价值的信息，并进一步地利用这些识别结果制定推荐商品的营销策略。学生根据教师的提问启发作出一些合理假设，例如高价值用户群体会倾向于购买高价位的商品，因此建议电商平台推荐一些知名经典品牌的商品；购买球拍的用户很可能是运动爱好者，建议电商平台可进行关联推荐运动服装、运动鞋等；某用户从之前浏览汽车的次数最多转变为浏览婴儿用品的次数最多，则推断其可能进入新手父母阶段，建议电商平台调整推荐策略。这个案例通过真实的电商用户数据，让学生不仅在实践中学习和应用知识和技能，还培养了“专家思维”。

二"融合OBE理念的案例库设计

根据数据分析与挖掘课程的特点，其教学内容可分为相对独立的三个模块：编程基础篇、数据分析篇、数据挖掘篇。基于此，课程案例库的设计分为两个主要部分：单元案例库和全息式案例库，如图1所示。单元案例库作为全息式案例库的基础，适用于每个单元的知识巩固阶段。全息式案例库是适用于单元知识的组合深化以及理解整个数据挖掘的全流程，常用于几个单元学习之后。案例库的设计也要体现OBE理念，对案例的效果进行分析总结，以及根据学生的反馈效果及时对案例库优化改进。

图1"案例库的结构示意图

（一）"逐层递进的单元案例

单元案例库包含基础单元、进阶单元、高阶单元。其中，基础单元的案例对应于编程基础篇的知识模块，以强化数据分析需要的编程技术为主，包括基于Python的编程技巧、基于Numpy库多维数组的高效运算技术、基于Pandas库的数据分析技术和基于Matplotlib、Seaborn库的可视化技术等。进阶单元的案例对应于数据分析篇的知识模块，主要以研究数据的分布规律、相关关系等为主，包括基于数理统计知识为背景的数据描述性分析、探索性分析、统计性分析等。高阶单元的案例对应于数据挖掘篇的知识模块，以挖掘数据内在结构和规律为主，包括回归预测、聚类分析、分类算法等技术。

以回归预测的单元案例库为例，如图2所示。此单元案例库针对线性回归、Ridge回归和Lasso回归的常用回归算法分别进行三个单元案例设计，各个单元案例之间相对独立，而选择使用相同的糖尿病数据集可以很好地对三个案例的适用情景、算法过程、预测结果进行横向比较，并进行总结。

图2"回归预测的单元案例库

（二）"多维度的全息式案例

为了让学生建立对数据分析与挖掘的全流程的认知，在案例设计时还要突破单元模块，增加包括数据读取、数据清洗、特征工程、数据建模、参数优化和模型评价等多维度的全息式案例，在学生掌握课程单元知识的基础上，将不同单元的知识模块进行融合，有必要时还进行重组。全息式案例不仅有助于学生对知识进行贯通，还旨在促进学生将数学、统计学、数据分析与挖掘、计算机编程技术和哲学思考等融入一体，将技术升华到学科思维和思政思维，达到通过课程教学来育人的教育完整过程。全息式案例的结构和涉及的知识点如图3所示。

三"融合OBE理念的案例教学实施方法

数据分析与挖掘课程案例的教学实施是一个系统的、多步骤的过程[10-11]，主要实施步骤大致可分为案例准备、案例引入、小组协作和反思总结，如图4所示。在实施的每个环节中都注重OBE理念的融合，以学生的能力培养为目标，并进行结果反馈和持续改进。

图3"全息式案例示意图

图4"案例教学的流程图

（一）"案例准备

教师遵循本课程案例开发的原则，选择具有鲜明行业特色、有利于培养数据思维、能够引发学生兴趣和思考的主题，编写内容丰富的案例库。每个案例要精心创作，预先设计一系列由浅入深、由易到难的问题，并确保案例的完整性，各个案例之间保留较大差异性，避免同质化。

（二）"案例引入

在单元知识学习之后，教师及时根据学时数从单元案例库中挑选两到三个单元案例在课堂引入，由教师引导学生带着问题去阅读、分析，鼓励学生思考和提出自己的疑问和观点。课后再选取多个案例供学生阅读和观摩。在中后期从全息式案例库中选择一组案例，让学生对案例进行复现和重新创作，培养学生的“专家”思维。

（三）"小组协作

案例内容包括与数据相关的行业背景、收集数据、明确任务、进行合理假设、设计方案和讨论结果并撰写报告。这些过程以开放性问题居多，适合学生以小组为单位进行团队合作，集思广益进行案例分析和解决问题。不仅能提高效率，还能促进学生之间的思维碰撞，激发他们的创新思维，同时锻炼了他们的团队协作能力、沟通能力和领导力。

（四）"反思总结

案例教学中反思与总结环节是非常有益的。学生以“专家”身份来分析问题，提出整个数据挖掘过程中遇到的困难，并给出如何解决的办法。在讨论结束后，学生通过反思和总结，提炼出可复用的数据分析、数据模型框架和策略，加深对数据分析与挖掘原理和方法的理解，提高问题解决能力和决策能力。

四"融合OBE的案例教学的评价方法

数据分析与挖掘课程的案例教学中存在较多开放性的问题，重在培养学生的分析能力、实践能力、协作能力等，如果采用传统的闭卷考试进行评价会导致考核过于机械，不利于综合能力的培养。对案例教学融合OBE理念进行过程化评价是对评价方式很好的创新[12]。

在数据分析与挖掘课程的案例教学中，为了促进和检验学生的学习效果和能力，教师应采用科学、合理的考核方法和评价标准，并鼓励学生积极参与评价和反馈，以提高考核的准确性和评价的公正性。为此，我们采取定性评价指标与定量评价指标相结合的方式，见表1。定性评价指标主要考虑教师和学生的主观感受，占比40%；定量评价指标包括学生参与度、案例分析报告成绩，占比60%，其中案例分析报告的成绩占比最大（达50%），以保证学生从案例教学中能够及时提炼和总结，并进一步深化巩固学习效果。

五"融合OBE理念的案例教学改革成效

本课程在实施融合OBE理念的案例教学改革之后，学生的学习兴趣变得浓厚，数据思维、分析能力和使用数据挖掘新技术的能力明显增强。课程学习之初，学生拿到数据大多无从下手，经过案例教学的训练之后，学生思维变得非常活跃，可以展开多角度、多粒度的问题分析，并将分析的思路实施之后能达到预期的目标，对得到的结果进行可视化展示。此外，学生在参加与课程相关的各类数据分析或数据挖掘竞赛时获奖人数和获奖等级显著提升。学生毕业之后大多从事与数据分析与挖掘相关的工作，例如金融、电商、能源行业的数据分析岗、数据挖掘岗、数据工程师岗等。这与通过本课程的案例教学收获的数据思维、技术、分析和决策能力有着密切的关系。

六"结束语

融合OBE理念的案例教学是数据分析与挖掘课程教学的重要手段和环节，对提高教学质量和培养学生专业能力起着重要作用。本文总结了从案例的开发原则、案例库的设计、案例教学的实施过程和案例教学的评价方法等方面进行的探索和实践，并持续优化案例教学，案例教学的效果因此得到了很大提升，学生在数据分析与挖掘方面的专业实践能力、分析能力、创新能力和团队协作能力等显著增强。

随着近年来社会的快速发展，新技术和新行业不断涌现，数据分析与挖掘课程的案例教学要与时俱进，我们要不断学习新知识和新技术，拓展新的专业视野，持续提升教学能力和专业素养，不断探索和创新案例教学方法，为学生提供更加丰富多元的案例教学内容、模式、评价方法等，培养具有很强的数据分析与挖掘能力的高质量人才。

参考文献：

[1]秦华妮.数据分析与挖掘课程多维教学改革探讨[J].高教学刊，2023（32）：111-115.

[2]刘顺祥.从零开始学Python数据分析与挖掘[M].北京：清华大学出版社，2022.

[3]王磊，邱江涛.Python数据挖掘实战[M].北京：人民邮电出版社，2023.

[4]魏小娜，张学敏.深度学习视域下的案例教学：价值功能、标准再构和教学实施[J].教育学报，2023（1）：102-111.

[5]屈芳.哈佛案例教学：历史回溯、特点探析与方法借鉴[J].管理案例研究与评论，2024（4）：663-674.

[6]周学荣，黄青青，郝若曦.加强案例教学，培养高素质人才[J].中国高等教育，2021（8）：47-49.

[7]安成锦，游鹏，许可，范崇祎.“信号与系统”课程的“案例+”教学改革[J].电气电子教学学报，2024（3）：53-56.

[8]齐琪，房琛琛，崔舒宁，等.“一例到底”在构建计算机求解能力中的探索与实践[J].计算机教育，2024（7）：72-77.

[9]肖静华，谢康，吴瑶.基于产教融合的商科“活”案例教学模式[J].管理案例研究与评论，2023（6）：819-828.

[10]邓娜，林松，熊才权，等.基于案例和悬念的数据挖掘教学模式设计[J].计算机教育，2018（11）：97-99.

[11]吕盛坪，王海林，李君.数据挖掘教学示教与学生实践系统设计与开发[J].实验技术与管理，2021（8）：163-168.

[12]毕雪萍.OBE案例教学过程性评价研究[J].管理案例研究与评论，2023（1）：107-114.

基金项目：广东省高等教育教学改革项目“融合OBE理念的《数据分析与挖掘》课程混合式教学研究”（GDJX2022013）；五邑大学高质量课程建设与创新创业教育建设改革项目“线下一流课程——数据分析与挖掘”（KC2022042）

作者简介：秦华妮（1977-），女，汉族，湖南常德人，博士，副教授，系主任。研究方向为数据挖掘与机器学习。

DOI：10.19980/j.CN23-1593/G4.2024.36.033