时间：2022-02-07 13:20:21
在传统教育中，教师通过与学生面对面的交流，获得学生学习行为的表现信息，较为容易掌握学生的学习情况和课程教学效果，但随着现代教育技术的发展，网络学习方式的普及，以及学生学习行为的变化，研究网络课程的教学方法受到了越来越多的关注。本文以Moodle网络课程管理系统为研究基础，分析并提出有针对性的数据挖掘方法构架，以达到对课程建设情况和学生学习情况的跟踪分析，为教师改进教学策略、提高网络课程教学质量提供有力支持及方法借鉴。
【关键词】 网络课程；数据挖掘；挖掘模式
【中图分类号】 G40-034 【文献标识码】 A 【文章编号】 1009―458x（2014）09―0068―04
一、引言
随着互联网以及移动设备的迅速普及，人们使用网络的时长在不断增加，通过网络进行学习的需求及能力也在迅速提高。据美国Ambient Insight研究报告指出，2009年美国中学以后的教育机构中，有44%的学生通过网络进行课程学习，预计到2018年，美国通过网络学习的学生人数将超过面授学生的总人数。在韩国，78%的高校都提供网络教学（Allen et al. 2008）。在中国，教育部于2011年10月启动了国家开放课程建设工作，教育部《教育信息化十年发展规划》（2011-2020年）中也明确提出了“推动信息技术与高等教育融合，创新人才培养模式”的要求，融合的关键就是要选择有效的网络教学模式，因此，对网络教学的质量和有效性研究正被人们所关注。
本文以Moodle网络课程平台为基础，分析并提出有针对性的数据挖掘方法构架，以达到对课程建设情况和学生学习应用情况的跟踪分析，为教师改进教学策略、提高网络课程教学质量提供有力支持。
二、选择Moodle网络课程平台的理由
之所以选择Moodle课程管理系统建设网络课程平台，是由于Moodle课程管理系统是一个开源免费软件，更主要的是其模块化的设计非常易于课程的创建，能使课程教师摆脱课程网站建设的技术屏障，还可以使教师从课程内容的设计者转变为教学资源与活动的组织者。[1]
在国外Moodle系统的应用得到了迅速推广。有数据显示，使用Moodle的国家和地区有200多个，注册使用机构有67，000多所，注册用户数量达5，800万，运行课程有600多万门。注册用户最多的前五位国家分别是美国、西班牙、巴西、英国和德国。[2]
三、教师所关注问题调查
根据教育部颁布的《CELTS-31教育资源建设技术规范》，将教育资源建设分为素材、课程、评价和资源管理系统开发四个层次。其中素材与课程是网络教育资源建设的基础，评价和资源管理系统则分别是确保质量与实现资源建设的工具与手段。[3]对于建设网络课程的教师需要了解它的使用情况，从而分析课程结构是否合理，调整课程内容的分布情况，优化网络课程的设计，提高教学效果。
为了解教师使用网络课程的期待值和目的性，我们采取目的抽样和随机抽样相结合的方式，样本来自笔者所在的三个教师专用QQ群人员。调查问卷设计从了解教师对网络课程的需求、认识、应用三个主要层面展开，具体的问卷内容为四个部份：了解参与问卷教师的基本情况；了解教师对网络技术应用的需求情况；了解教师对网络课程的认识及使用困难所在；了解教师希望网络课程能帮助解决教学中的哪些问题。问卷在公共专业问卷调查网站（问卷星）上，一周后回收有效问卷159份。数据分析基本报告可见链接：http：///report/3234099.aspx。
笔者所在院校为云南普通高校，与问卷的地图分布情况相吻合，应该更能代表云南普通高校的普遍情况（见图1）。
图1 问卷来源地理分布比率图
问卷中有96.61%的教师认为应该在教学中整合网络技术，有38.98%的教师因为技术应用能力的不足，不够明确如何使用网络技术（见图2），这说明我们建设网络课程应该选择如同Moodle这样简单易用的课程管理系统。
对于建设网络课程，教师关注度较高的前4个方面是：学生学习过程参与的情况、网络资源的使用情况、学生在线学习时间以及学生参与讨论的频度情况（见图3）。
图2 教师对网络技术与教学融合的意见
图3 教师关注信息统计
四、网络课程数据挖掘模式构架
数据挖掘技术是获取相关信息的有效技术手段。对于教师所关心的几个方面内容，这里提供几种可借鉴的方法：
1. 学生学习过程分析
美国教育评价专家斯克里文（G F. Scriven）在1967年所著的《评价方法论》中，提出形成性评价是为正在进行的教育活动提供反馈信息，以提高正在进行的教育活动质量的评价，是一种对学习进程的动态评价。教师和学生可以依据获取的反馈信息了解学习状态，及时调整教学或学习。[4]
在Moodle平台中具备学生学习进展跟踪功能。
方法一：通过设置“课程进度跟踪”，了解学生各项学习活动的完成情况。
如图4所示，进入课程，在“课程管理”/“课程进度跟踪”进行跟踪条件设置，然后再选择“课程管理”/“报表”/“课程进度”，就会显示选修该门课程的所有学生的各项学习活动的完成情况。
图4 课程进度跟踪设置
方法二：分析学生各项学习活动的参与度。
通过选择“课程管理”/“报表”/“课程成员”，可以详细地显示各项课程活动学生的参与情况，以及参与的次数，更清楚地分析学生的学习努力程度。如图5所示，列出了数据库原理及应用这门课程的“第一部分测验”活动、每个学生参与的次数。
方法三：采用数据挖掘手段，了解学生的学习风格。
此方法要求具备一定的数据挖掘知识及应用能力。通过Mysql系统提取Moodle后台数据库（＼server＼mysql＼data＼mysql）进行关联规则分析。
关联规则数据挖掘，可以发现学生学习行为之间的关系，通过对学生的某两类网络学习行为之间取值关系进行分析就可以得出它们之间的关联性，进而预测学生将要进行的下一个行为，从而挖掘网络学生学习行为之间的关系，使得学生学习风格显性化。[5]
2. 课程资源利用情况分析
课程资源建设是影响网络教学应用质量的重要因素。甘振韬等通过SQL Server的Analysis Services 工具，对网络课程的资源配置情况，包括资源配置指数和访问量进行分析。[6]
Moodle平台能很直观地呈现课程各项资源的访问情况。
方法：选择“课程管理”/“报表”/“课程活动”，课程设计的各项活动被访问量被详细统计出，如图6所示，教师可以清楚了解课程资源的利用率情况，分析学生的学习喜好，适当调整各活动资源的配比。
图6 课程资源访问情况
3. 学生在线学习时间分析
对于某门课程，通过分析学生的日志，可以掌握学生的在线学习时间，以及学习时段的分布情况。
方法：点击“课程管理”/“报表”/“日志”，其中可以设定查看所有成员或是某一个成员、所有活动或是某一项活动，以及所有日期或是某一天，学生的在线学习情况。如图7所示。
图7 学生日志
4. 学生参与讨论的频度分析
学生参与课程讨论的频度，可以反映学生的学习主动性，教师通过观察可以即时进行有针对性的教学干预。
方法：选择“课程管理”/“报表”/“课程成员”，如图8所示，学生参与“课程聊吧”活动的情况。
图8 学生参与讨论活动的频度
5. 学习成绩分析
学生的最终学习情况需要一个成绩评定，Moodle平台的设计理念中非常强调过程性评价，它能够记录学生学习过程中的各项活动成绩，包括师生、生生相互评价的成绩，汇总成学生的最终成绩。
方法一：查看教学活动的单项成绩情况。
直接使用Moodle平台所提供的课程管理功能，点击“课程管理”/“成绩”选项，打开成绩管理菜单，再选择“类别和项”下的“简略视图”（如图9），可以查看教学活动过程各项汇总成绩。并可以设置学习过程中各部分占总成绩的比率。
方法二：对测验试题结构分析。
在Moodle中若选择测验，则出现“测验管理”，再选择“测验管理”/“统计”，可以得到本次测验的统计分析报告。包括此测验的标准偏差、测验的分数分布偏度、分数的分布峰度等。还有此测验试题的结构分析结果，包括容易度指数、试题的标准偏差等（如图10），能让教师科学地调整测验的结构组成，试题的难易程度和分数的布局等。
图10 测验试题结构
方法三：在成绩管理菜单下选择“导出”为Excel、OpenDocument电子表格或其它文档，再进行统计分析。
6. 群组分析（分组）
学生分组开展学习，可以促进学生的集体意识及合作能力的培养，但如何分组？各分组成员真的能很好地协作吗？这需要教师特别注意，需要考虑如何分组才能更好地激发学生的学习积极性。
方法一：选择“课程管理”/“用户”/“小组”，可以自主创建小组，也可以用“自动创建小组”方式创建，如图11所示，就是以自动方式创建的小组，其中还可以指定小组数量或是每个小组成员数。这种方式设置的小组较为随机，如果希望分组能考虑成员的凝聚性可以选择方法二进行。
方法二：应用社会网络分析软件，如UCINET等，可以开展学习社群的关系距离及中心性分析，以及小团体分析等分析。通过收集学生在讨论区或是聊天室中的问答的关系情况获得分析数据。对于社会网络结构的特征分析可以辅助判断师生交互网络发展的成熟程度。
五、小结
本文基于Moodle网络课程管理系统，介绍了教师关心的几个方面的数据分析方法，为想要分析自己网络课程使用情况的教师提供方法借鉴，从而教师能够更好地调整网络课程的内容组成、结构布局，以及教学方法策略的调整。同时，本研究也适当突破Moodle网络课程平台，提供了在其它网络课程平台中进行数据挖掘分析的方法和思路。通过几个方面数据分析方法的整合，目的是提供一种进行网络课程数据挖掘模式架构的研究。今后，研究还应深入底层数据的分析，提供更具通用性的网络课程数据挖掘模式方法。
[参考文献]
[1] 黎加厚. 信息化课程设计――Moodle 信息化学习环境创设[M]. 上海：华东师范大学出版社，2007.
[2] 张伟远，段承贵. 网络教学平台发展的全球合作和共建共享[J]. 中国远程教育，2012，（10）：32-36.
[3] 邓康桥. workflow技术在网络课程开发管理系统中的应用研究[J].中国远程教育，2013，（4）：63-68.
[4] 刘纳. 基于数据挖掘技术的网络学习形成性评价研究[D]. 上海：华东师范大学，2012.
[5] 李素珍. 基于网络学习行为分析的网络学习风格与学习偏好挖掘模型研究[D]. 武汉：华中师范大学，2009.
[6] 甘振韬，梅文，郭玉军. 数据挖掘技术在网络课程资源配置中的研究[J]. 中国医学教育技术，2012，26（6）：635-638.
关键词：定量分析；教学模式；大数据；案例教学
中图分类号：G4
文献标识码：A
doi：10.19311/ki.16723198.2017.01.080
1引言
管理定量分析课程是应用统计学、运筹学、预测与决策等理论和方法研究经济管理问题的系列应用性课程，它通过收集、整理、分析和解释实际数据来获得有价值的信息和知识，探索经济管理问题的运行规律，辅助企业管理决策和提高管理效率。
近年来，大数据的出现对企业的生产、经营和决策等活动带来了深刻的影响和变换。越来越多的企业致力于应用大数据技术来挖掘企业经营数据的内在价值。
大稻菁际醯某鱿郑对管理定量分析课程教学带来了机遇和挑战，一方面，它极大地丰富了管理定量分析的教学内容，提供了诸多的新理念、新技术和新工具；另一方面，它对现有的管理定量分析课程的教学内容、教学模式和教学团队等带了更高的要求，已有的教学模式难以匹配大数据时代对管理人才提出的高要求。
如何顺应大数据时代的新趋势开展管理定量分析课程教学，如何结合新趋势优化管理定量分析课程设置，如何建立适应大数据背景下的管理定量分析课程教学团队，如何增强大数据背景下学生的数据驱动的管理决策意识，培养适应大数据时代要求的高素质人才，这些都是现有的管理定量分析课程教学所面临的问题，这也促使我们不得不去思考、探究、优化甚至改革现有的管理定量分析课程教学模式。
2现有的管理定量分析课程教学概述
笔者所在的教学团队来自于武汉科技大学管理学院，承担全院《管理统计学》、《运筹学》、《系统工程》等课程教学，具有丰富的教学经验。然而，在教学实践当中，我们发现：尽管现有的管理定量分析课程教学模式比较成熟，但是仍存在“三多三少”的不足，而这些不足恰恰难以应对大数据背景下对管理定量分析课程教学带来的挑战。
2.1理论讲授较多，实践教学较少
随着市场竞争的日趋激烈，越来越多的企业采用定量分析方法进行企业决策，管理定量分析方法也成为管理类专业的重要课程。然而，实际教学过程中却发现，学生对该类课程的积极性不高，学习过程中出现畏难，不耐烦等消极情绪，导致实际教学效果大打折扣。
究其原因，一方面，目前的管理定量分析方法主要介绍各种不同类型的定量方法的原理、模型和理论，因而教师主要采用理论讲授为主的教学手段，加上定量分析方法这类课程对数学要求较高，有不少理论模型、数学公式和逻辑推理，对学生的数学要求较高，相对于理工类学生，管理类专业的学生数学基础较为薄弱，因而学生本能地会产生排斥心理；另一方面，现有的定量分析方法主要讲授其原理，大部分老师缺乏参与企业实际管理决策的经历和经验，难以向学生讲授应用定量分析方法解决企业实际管理决策的情景和过程。
2.2数学推导较多，案例应用较少
目前，关于管理定量分析课程教学存在两种观点：一种是“重理论轻应用”，该种观点认为管理定量分析课程是一门综合统计学、运筹学、预测与决策等理论和方法的理论课程，应该注重定量分析的理论和方法的讲授，以理论推导和数学模式为主；另外一种是“轻理论重应用”，该种观点认为管理定量分析课程应该强调统计学、运筹学、预测与决策等在经济管理中的应用，以Excel和SPSS等工具为手段，突出应用案例教学。
目前，“重理论轻应用”的教学模式占大多数，这种模式注重理论讲授和数学推导，理论方法与实际案例结合不够，学生掌握了零散知识，但无法解决实际问题。此外，部分教材也以理论讲授为主，缺乏深度的应用案例，也不注重定量分析软件的应用，学生面对实际问题往往束手无策。
2.3知识传授较多，综合训练较少
管理定量分析课程考核一般采取闭卷考试，题型包括填空题、单项选择题、多项选择题、简答题和计算题等，尽管题型多样，但是这种考核方式仍然只能考察学生对基本的单一知识点掌握情况，难以考察其综合运用定量分析方法解决实际问题的能力。
然而，大数据时代的到来对从业者提出了更高要求，除了掌握基本的定量分析方法原理，还要求从业者具备应用定量分析方法来实现数据获取、数据预处理、统计建模、模型检验、模型评价、模型部署等，从而解决实际问题的综合能力。而这些综合能力无法通过单一知识点的考核来实现，需要通过参与理论学习、软件操作、模拟场景或实际项目等综合训练才能够达到。
3大数据背景下管理定量分析课程教学探讨
面对发展迅猛的大数据技术，现有的管理定量分析课程教学模式难以跟上大数据时代对其提出的新要求。如何顺应大数据时代的新趋势开展管理定量分析课程教学，如何结合新趋势优化管理定量分析课程设置，如何建立适应大数据背景下的管理定量分析课程教学团队，如何增强大数据背景下学生的数据驱动的管理决策意识，培养适应大数据时代要求的高素质人才，这些都是现有的管理定量分析课程教学所面临的问题，这也促使我们去思考、探究、优化甚至改革现有的管理定量分析课程教学模式。
3.1构建知识融合的课程设置
合理的课程设置是开展课程教学的前提，更是人才培养质量的重要保障。课程设置应适应于教学目的、培养目标和学科发展趋势。
最初，管理定量分析课程以“统计学”、“运筹学”为主干。随后，根据学科的发展趋势，先后加入“统计软件应用”、“计量经济学”等新课程。近年来，大数据的发展对从业者提出了更高要求，简单定量分析方法传授难以适应新要求，需要从业者掌握更多的分析方法和数据挖掘、机器学习等新技术。遵循知识融合的思路，管理定量分析课程应引入大数据分析、数据挖掘、机器学习等前沿技术，加强SPSS/SAS/R等操作能力，尤其应注重培养应用新技术解决企业实际经营管理问题的能力。
3.2探讨案例驱动的教学模式
尽管目前的管理定量分析n程有多媒体教学、板书教学等方式，但是管理定量分析课程仍以理论教学为主，简单统计工具应用为辅，忽视了培养学生的实际操作能力，无法形成“教-学-用”的良性闭环。
大数据时代下，数据拥有更大的价值，从业者应具备从数据中挖掘知识和信息的能力。因而，管理定量分析课程应引入实际案例，综合训练应用定量分析方法解决实际问题，挖掘新知识和新信息的能力。
管理定量分析课程教学应逐步转向理论传授、案例驱动相结合的模式。近年来，业界出现了不少应用大数据解决企业管理决策问题的案例。例如IBM开展基于大数据的订购分析；Google利用大数据预测全球流感趋势；百度预测春运流量等。这些都为管理定量分析课程教学提供了丰富的案例。
在课堂教学之外，通过参加大数据竞赛、邀请大数据分析专业人员开展讲座，参加科研项目，参与企业实习等，培养学生应用SPSS/SAS/R等处理和分析数据的综合能力。
3.3建设学科交叉的教学团队
管理定量分析课程教学离不开教师和教学团队的支持。大数据对管理定量分析课程教学提出了新要求，新背景下的管理定量分析课程教学涉及统计学、运筹学、统计软件、计量经济学、数据挖掘等不同学科的知识，因而建设一支适应大数据背景下的新要求的管理定量分析课程教学团队尤为重要。
目前，管理定量分析课程的教学师资主要以统计学和运筹学等学科背景为主，大部分老师未掌握数据挖掘、机器学习、R、SPSS等，建设学科交叉的教学团队是课程教学质量的重要保障。新型的管理定量分析教学应加强SPSS、R、数据挖掘、机器学习等的学习，建立学科交叉的教学团队，加强管理统计软件和数据挖掘等训练，注重理论教学和上机实践的结合，培养学生应用分析工具进行实践的能力。
4结语
管理定量分析课程是一类应用统计学、运筹学等理论和方法研究经济管理问题的系列应用性课程。大数据技术的迅猛发展对现有的管理定量分析课程教学带来了极大的挑战。本文以大数据背景下的管理定量分析课程教学模式为主线，首先，分析并总结现有的管理定量分析课程教学的“三多三少”的特点和不足；其次，结合大数据背景探讨了新型的管理定量分析课程教学模式，提出了：（1）构建知识融合的课程设置；（2）探讨案例驱动的教学模式；（3）建设学科交叉的教学团队的新型管理管理定量分析课程教学模式，它融合了课程设置、教学模式和团队建设，注重定量分析理论和应用的结合，有助于顺应大数据时代对管理类专业学生的新要求，培养他们的数据驱动的量化分析和管理决策意识，增强其解决实际问题的能力，进而提升其职业竞争力。
参考文献
[1]顾剑华.关于工商管理专业管理定量分析课程建设的思考[J].当代教育论坛，2009，（4）：127128.
[2]邓淇中，周志强.管理定量分析课程教学改革探讨[J].当代教育理论与实践，2013，5（4）：9294.
[3]龚丽.管理定量分析课程的教学探讨[J].大学教育，2014，（17）：111112.
[4]李静辉，王旭，程培峰等.管理定量方法课程教学目标的定位[J].测绘与空间地理信息，2011，34（2）：1921.
关键词：学情；教学改革；课程；生源
中图分类号：TP393 文献标识码：A 文章编号：1009-3044（2017）01-0107-03
生源是学校的生命线，是制约高职院校发展的主要因素，这两年高职生源的变化，特别是生源的多样化，已成为影响高职院校教育教学工作的重要因素。以前学生生源来自高考普招，成绩基础好，学习的主动性和积极性高，有一定的求知欲，开展课程教学比较容易，课程教学的效果好。现在的生源多样化，导致学生的学习态度、主动性和积极性下降，对课程教学造成很大的影响，课程教学实施困难。目前需要研究好学生的学情，采取相应的对策。
1 学生学情分析
对于学生的学情，生源的多样化，导致学生分化较大，部分学生成绩优秀，动手能力强，能认真钻研专业技术，在国内各种竞赛中获奖，毕业后能在工作岗位中有很好的发展，但也有很多学生不爱学习，课堂不认真听讲，不喜欢动手操作，不喜欢实训，甚至对于专业不感兴趣。
1.1 学生的生源状况
最近两年生源状况如表1所示，数据通信课程教学针对2015级大二学生。
从表中可以看出生源的多样化：生源混编、自主单招和专业混编。学生的基础不同，这就给数据通信课程教带来了困难。
1.2 学生的课程安排状况
从表2中可以看出，学生课时较多，课表安排很满，每周28节课，学生任务重，学生没有自由的时间学习自己喜欢的课程和技能。只能被动的学习课程，长时间会导致学生学习疲劳，对于上课变得麻木，缺少主动参与课程教学活动。同时对于专业课程，方向较多，学生每个方向都学，导致广而不精。
1.3 调查问卷和访谈结果分析
针对学生的学习态度、兴趣、学习方法习惯和将来就业意向，进行调查问卷和分析。调查统计结果如图1、2、3、4所示。
从学情调查结果的分析中可以看出，学生的学习态度比较差，只有很少的学生有明确的学习目标，很多学生学习被动，甚至有旷课的，不想上课的。学习习惯比较差，不交作业或缺交作业，很多抄袭别人的作业，独立完成的很少。对于将来的就业意向，一半学生想良好就业，其他学生想创业或自主择业，还有部分学生没想好的。
2 数据通信课程教学改革
2.1 以职业认证为导向
以网络工程师的能力培养作为本课程改革教W的出发点，课程教学内容围绕网络工程师的考核内容，首先统计分析认证的重点知识，所占比例，制定课程的教学内容的重难点。
依据网络工程师的考核要点，对于网络技术课程的教学，实施改革，通过修改大纲和授课计划，注重认证的考核内容，提高实践教学的比例，注重学生的实践操作能力，增强学生的学习兴趣。如表3所示。
2.2利用华为网院的网络资源
鼓励学生通过华为网院，在线自主学习专业知识，提高专业技能。同时为学生的考证提供方便，申请折扣号，减轻学生进行网络工程师认证的负担。在学生学完每个阶段，对于所学内容进行知识的测试，让学生明白自己的掌握情况，同时也让老师了解教学效果，进行教学方法的调整。
2.3 对于学生进行分类教学
对于学生在二年级可以分专业方向，把学习的专业更细化，让学生学习自己感兴趣的方向，同时能减少学生的课时，让学生有时间去思考，引导其去主动学习，防止把时间浪费在过多的专业课程上，使学生学有所长，在学校中能很好地掌握一门专业技能。
课程结束后，对全体学生组织技能竞赛，对于表现好的学生进行奖励，让学生感受课程学习的成就感，同时明白技能的重要。
3课程教学改革的建议
首先通过校园图书馆、互联网等媒介广泛搜集文献资料，查阅有关高等职业院校学生的学情，了解国内外相关理论，分析其成功经验和存在问题，为课程教学提供理论基础。
然后通过设计调查问卷，搜集相关信息，了解学生的学情，通过具体学生的访谈，分析学生的的特点、发展前景和存在问题，找到相应对策。
最后通过课程教学的开展，找到提高学生学习兴趣的途径，进行数据通信课程的教学改革，找到解决问题的策略，为人才培养提供依据和教育教学改革提供方向。
4 结束语
学生生源的多样化及生源质量的下降，给高职教学造成了很大的难度，高职教学应该分析学生的学情，了解学生的状况，开展课程教学改革。本论文具体改革的步骤通过问卷调查、访谈、数据统计分析学生的学情，然后基于数据通信课程具体教学改革探索，找到改进学生学习方法、提高专业兴趣和技能的建议策略，从而为后面学生的培养提供一定的理论参考和行动策略。
参考文献
[1] 吴玉章，方建群.从学情调查探析高教改革的若干细节问题[J].医学教育管理，2015.
[2] 卜舒慧.学情分析视角下的高职思政理论课教学方法改革的[J].职教研究，2014.
关键词：研讨式教学；交通大数据；主动学习
中图分类号：G643 文献标志码：A 文章编号：1674-9324（2017）06-0148-03
一、引言
实现“两个一百年”奋斗目标和中华民族伟大复兴“中国梦”，教育的重要地位特别是基础教育的基础性、先导性地位，尤为突出。作为高层次人才培养的主要渠道和载体，研究生教育对于未来社会发展起着重要的作用[1]。教学内容与教学方法作为影响研究生能力发展的基本前提，是提升研究生全面发展能力的关键环节[2]。而关键环节的保障取决于如何培养造就高素质专业化的教师队伍。
研讨式教学法源于早期的德国大学，现已成为西方发达国家高校中的一种主要教学方法[3]。研讨式教学是一种在教师的指导下，遴选主要研讨专题，学生选择搭配，先由学生进行简短报告，教师、学生共同参与讨论的教学形式[4]。对于研讨课的教学方式，一些高校也进行了积极探索并摸索出了一些创新性的教学方式。比较典型的大致可以分为圆桌研讨式、小组报告式和师生角色互换式三种类型[5]。圆桌研讨式适合于小规模的授课，有利于发挥学生的主观能动性、课堂参与度和研究探索能力。小组报告式能够锻炼学生的分工合作和人际沟通能力，但要求学生能力高、团队协作精神强。师生角色互换式锻炼了学生知识探索、组织策划和口头表达等能力，但对学生的时间概念要求高，同时避免一些学术讲授质量不高的现象。
大数据是复杂网络科学、人类动力学蓬勃发展的基础，也为交通工程提供了崭新的建模途径[6]。随着科学技术的进步与发展，大量宝贵交通数据得以保存与分析。大数据分析与挖掘技术已经被广泛应用到交通工程研究，特别是交通需求预测、交通状态估算与预测、交通出行行为分析、智能交通管理等方向的应用[7]。传统的、以讲授基础理论交通工程知识为主的教学方法，难以让研究生在短时间内真正掌握大数据分析与挖掘技术。研究[8]表明研讨式教学法在医学学生中得到了普遍的欢迎，教学效果比传统的讲授式教学也得到了进一步提升。本文结合同济大学研究生精品课程建设的教学探索与实践，对研讨式教学法在研究生交通大数据分析课程进行探讨与总结。
二、研讨式教学设计
研讨式是以目标为导向、以解决问题为中心的教学方式，通过由教师创设问题情境及交通数据，然后师生共同查找文献资料，研究、讨论、实践、探索、汇报，提出解决问题办法的方式，使学生掌握知识和技能[9]。研讨式教学要求以“导”为主，即教导、引导、指导、诱导等，而不是传统的讲授，这就需要充分发挥教师在教学过程中的主导作用，在教学内容、教学形式和教学意识上做好充分的准备，同时要激发学生从被动思维向积极主动思维转变，学会主动、自觉地获取知识，运用所学专业知识解决实际问题，进而提高学生的综合素质和能力。
面向交通大数据分析的研讨式教学主要步骤可分为：（1）设置贴近日常交通问题的情境及准备相应的交通数据。（2）提出有思考价值的问题，特别是问题的答案不能是简单的“是”与“否”或“对”与“错”。这就要求教师有全面、深刻、独到的见解，同时需要了解学生原有专业知识基础和能力水平。对于同一情境，可分为多个小组同时准备。（3）学生利用相关的教学工具报告自己的观点或研究进展，鼓励学生以多媒体课件形式展示自己的观念，并在规定的时间内完成汇报。教学工具一般包括黑板、网络、多媒w课件等。（4）针对报告内容，课程参与者（教师、学生等）向报告人提问，可针对报告提出自己的不同观点，或要求报告人对某些内容进行解释或表达看法。对课堂中出现的有关学术问题的争论一般不作“是”或“否”的绝对评价，以免影响学生在课堂上自由地进行学术思维和交流。（5）教师进行专题评点，简短地对讨论分组小结，并对比分析每个小组的优缺点，最后对情境问题进行总结，给出分析类似交通问题的技巧与注意事项。
三、案例分析
交通运输行业大数据来源主要在三个方面：基于互联网的公众出行服务数据；基于行业运营企业生产监管数据；基于物联网、车联网的终端设备传感器采集数据，包括车辆相关动态数据。为提供全面的交通信息服务，需要处理分析这些类型多样的大量数据。《交通数据处理分析技巧与应用》是同济大学面向交通运输工程学院硕士或博士研究生的选修课。通过教学使学生了解交通大数据背景、掌握处理分析交通数据的基本技能、了解学术论文写作的基本结构、熟悉面向学术论文写作的数据处理和图表制作基本技巧。教学内容包括MATLAB数值分析、数理统计基础知识、数据缺失处理技术、数据修补技术、数据异常处理技术等方面。将课程的这几个方面作为一个整体，建立教学计划、教学内容、教学方法、课件制作的讨论制度，形成教学内容互相支撑、教学形式基本一致但各具特色的研讨式教学方法体系。课程的亮点是将加强教学过程的阶段考查（以课外作业为主），重点加强综合性较强的研究型、开放型习题，充分利用课外作业巩固课堂知识并拓展课外知识，从而提高学生的综合能力。每个方面教学安排1个以上案例或作业，从而使学生加深对数据处理分析技术与应用的理解，培养学生的研究与应用能力。作业情况占成绩的50%、学生参与度占成绩的25%、学生表达能力占成绩的25%。由于本课程内容多、涉及面广的特点，教学模式以课堂教学为主，充分利用信息化环境和教学手段，提高有限时段内的教学效率和教学效果。结合案例教学的手段，通过开放性议题和专业性问题设计作业，鼓励课后分组讨论，以此来拓展教学的广度和深度，鼓励学生独立思考、主动学习的习惯。在教学方法上以互动教学为主，同时，与课外讲座结合，引进国内外一流的专家学者作为实践教学的手段，保证学生能获得最系统、最新的知识和方法。
1.设置6个案例，基本上平均2周完成1个案例，以保证整个课程的全程紧张度。第1个案例为辛普森悖论（课后练习时间约为2小时），不同的数据处理方法得到不同的结论，甚至是相反的结论，以此来促使学生思考什么是正确的数据处理技术。第2个案例为MATLAB练习集（课后练习时间约为36个小时），让学生掌握一门数据处理分析基本工具。第3个案例为数据缺失集（课后练习时间约为6小时）。这个集合中包括若干数据缺失项，学生通过一定的数据处理技术，找出缺失的数据，并利用一定数据修补技术来填补缺失的数据。第4个案例为异常数据集（课后练习时间约为8小时）。这个集合包括若干数据异常项。学生通过一定的数据异常处理技术，找出异常的数据，并利用一定异常数据处理技术来填补异常的数据。第5个案例为综合练习（课后练习时间约为24小时）。在课程结束前6周布置该案例，不分组汇报，而是每个学生都单独汇报（每人约3―5分钟，加上1―2分钟提问）。
2.案例设置原则。尽量做到连续5年的数据集不雷同，避免学生抄袭往届学生成果。同时，案例需要提出一些开放性的问题，答案不具备唯一性，避免同届学生的抄袭，同时便于学生互相讨论。例如，基于视频采集的交通数据中包括了每辆车的车速，可提出一些交通流理论流密速的基本图分析，但不限制用何种时间颗粒度来将微观单个车辆参数转化成宏观交通流参数。这样就避免了答案的唯一性，其中的时间颗粒度问题可供学生之间讨论。
3.每个案例都需要进行汇报讨论。建议小班化教学，尽量做到每个学生在一个学期中都能单独讲2次，锻炼学生的多媒体制作能力、口头表达能力，同时引导学生注意提纲结构框架、突出思想方法、给出观点结论等。在课件制作上，既着眼内容上的简明扼要，又注意形式上的美观大方，为课堂交流打好基础。该部分是对研究生的学术水平以及作风、礼仪、形象、现场驾驭能力等总体水平的检阅，这也为研究生后续学位论文答辩打下了基础。
4.师生活动讨论。每次案例讨论，鼓励引导学生提出题。由于每个学生都在完成一些共同的开放性问题，因此学生能提出一些与案例相关的问题。另外，部分在完成案例时遇到的问题，也可能在其他组的成果中得到了体现。教师在这个环节上，注意时间的掌控、及时引导、启发、点拨学生提问，以免出现冷场或偏题、跑题等现象，使研讨不断深入。
5.归纳总结。教师需要对每个案例的报告进行梳理和综合点评后，进行归纳总结，给予制度化的反馈意见，明确提出进一步的修改完善建议，引导学生自主独立思考习惯，培养自主创新的科研能力和写作水平。
四、讨论与总结
研究生的课程教学对研究生知识的掌握、能力的提升和科学素质的培养具有重要作用，而适宜的教学方法是提高研究生人才质量、培养创新精神和科研能力的根本。研讨式教学法改变了传统讲授式以教师为中心、以传授知识为主要形式的教学模式，确定了学生在教学中的主体性地位，有利于发挥学生的主观能动性。教师在研讨式教学法的整个过程中起到了决定性的作用，需要从三个层面来建立保障体系：第一层面是合理的教学内容和教学手段。需要教师在充分掌握知识点的基础上，合理安排教学内容，同时不拘于传统的教学手段，不断创新教学方法。第二层面是解放教师。需要从体制机制上把教师从事务性工作中解放出来，使教师能把更多的心思放在教学内容和教学方法的创新中，同时也需要从财政上来解放教师，提高教师待遇，使教师能安心在教学科研岗位上。第三层面是荣誉感和使命感。除了通过改善办学条件、关心教师生活、提高教师待遇等手段，也可以为新进教师或退休教师举办入职或退休仪式等，培养造就高素质专业化教师队伍，使教师富有强烈的使命感和荣誉感。
参考文献：
[1]顾红，孙光民.研究生课程教学方法改革与实践[J].北京工业大学学报（社会科学版），2003，3（4）：92-93.
[2]徐清，喻萍，刘天宁.将研讨式教学方法带进研究生课程教学[J].昆明大学学报，2006，17（4）：67-68.
[3]The Higher Education Academy，Seminar Teaching[EB/OL].2016.
http：//english.heacademy.ac.uk/explore/resources/seminars/index.php.
[4]单甘霖，齐晓慧.研究生课程教学的研讨式教学方法初探[J].中国电力教育，2009，（130）：103-104.
[5]孙绍荣.高等教育方法概论（修订版）[M].上海：华东师范大学出版社，2010.
[6]王璞，黄智仁，龚航.大数据时代的交通工程[J].电子科技大学学报，2013，42（6）：806-816.
[7]唐要安.大数据在交通中的应用[J].交通世界（运输.车辆），2013，（24）：126-127.
[8]Brunton，P.A.，L.A. Morrow，G. Hoad-Reddick，J.F. McCord，and N.H.F. Wilson，Students' Perceptions of Seminar and Lecture-based Teaching in Restorative Dentistry[J].European Journal of Dental Education，2000，（4）：108-111.
[9]研讨式教学[EB/OL].百度百科，2016.
http：///link？url=xWboAMQZtCHPZVzcyrS-
论文关键词：教学改革 VF 数据库
论文摘要：VF数据库是面向对象可视化中小型数据库开发系统的程序设计语言，是一门实用性、操作性强的计算机课程之一。它广泛应用于企事业单位的数据库管理。如何提高学生VF数据库技术应用能力，培养高技能人才，是教学工作的重点。针对这一问题，我们在VF数据库的教学中，在教学内容与教学方法的改革上进行了一些实践与探索。
VF数据库不仅是国家计算机等级考试的重要组成部分，更有着强大的数据和信息管理功能，在实际管理工作中，具有广泛的用途。是诸多专业的必修课。但是非计算机专业学生在学习时仍然存在学习主动性不强、综合能力差、逻辑观念弱等问题，所以在VF数据库课程教学中要立足教学现状，针对教学中的突出问题与矛盾，对VF数据库课程的教学思想、教学内容、教学方法等诸多方面进行全方位的教学改革，以此来促进应用型本科院校VF数据库课程教学质量和水平的不断提升。
一、 VF数据库教学现状
VF数据库既包含对数据库的管理和应用，还包含对数据库应用系统的设计和开发，较SQL Server简单易学易懂，较MS－ACCESS学习稍有难度。在我校的VF教学实践中，主要存在以下几个问题：一是课程开设的专业主要是财务管理、国际贸易等非计算机专业，该类专业学生没有学过计算机语言类课程，对数据库管理和程序设计开发兼而有之的VF学习有一定难度。专业术语和基本操作均存在认知的过程。二是课程开设的班级学生有统招和对口，学生生源层次不同；有省内招生和省外招生，学生基础层次不同，因而其学习态度、学习能力有所不同。从学生学习该课程的初始能力分析：有的学生热爱学习，但基本操作能力稍差；有的学生思维活跃，但眼高手低；还有些学生学习态度及知识理解均较好，但理论基础不足。不同层次学生均各有所长、各有所短，对VF课程的学习与理解存在差异。但在教学过程中，教师通常会采用同一本教材、同一个课件、同一授课方法、同一个要求，不利于学生的学习。三是课程的实践学时偏少。自上学期开始，我校各专业重新修订了人才培养方案。在修改培养方案时，增加了专业课程的学时而减少非专业课程学时，由于开设VF数据库课程的专业均为非计算机专业，新的人才培养方案与原方案相比，VF数据库课程总课时减少，实践课时的比重也降低了。对操作性、技能性强的计算机课程而言，上机实践课课时的压缩，对教师的教学提出了更高的要求，对学生及时理解并掌握所学知识增加了难度。基于以上VF教学实际情况，在教学过程中为了适应教学改革的需要，满足不同层次学生学习的需求，教学内容与教学方法的改革与创新是必要的，甚至是迫在眉睫的。
二、V F教学改革的主要举措
改革就是创新，要破除守旧的思想，把最新的课程体系带给学生，真正的让学生们学以致用。下面是几点本人对数据库（VF）课程改革的几个想法：（一）联系日常生活，激发学生的学习兴趣。数据库和程序设计的教学，一定要密切联系实际。数据库类课程的特点是基础理论学习内容较多，一些概念性内容不容易理解，例如关系模式、关系运算、数据库的规范化问题，查询优化、数据库的恢复技术、并发控制等知识，对于没有实际数据库设计维护经验的学生来说，理解上有一定的难度。所以，在刚开始上课的时候就要从学生身边最常见到的学生档案管理、考试成绩管理等系统信息数据入手，去认识数据库系统，启发学生在与自己有关的信息中，比如通讯录管理、班会开支管理、出勤记录管理等方面去了解数据库系统。通过联系实际，学生在课程学习的时候就不会感到抽象和陌生；因为有了这些天天打交道的贴切生活的的实例，学生在课程学习的时候会感到形象和具体，有亲切感，进而激发学习的兴趣和动力。（二）制作数据库（VF）课件。先进的教学手段能创造最佳的教学效果。转贴于 先进的教学手段是一种艺术，能使教师充分发挥、实现自己的创意，形成最佳的教学效果。数据库（VF）课程的特点是表格多、图形多、界面多，诸多逻辑结构等方面的问题给教学带来了许多困难，传统的教学方式显然不能满足目前的教学需要。（三）电子化教学改革的尝试和实践。网络化的教学平台、电子化的实验和作业平台、电子化的考试系统是VF课程建设中进行电子化教学改革的三大重要举措。多媒体教室和实验室、校园网、学生宿舍终端及其他公共终端、教学素材即可组建一网络化教学平台，配置网络教学软件后可以进行远程网络教学、广播教学、师生对话及答疑等教学活动。学生作业和实验是学生进行课程实践的主要方式，也是检查学生学习进展情况的重要方法，有书面和电子文档两种主要形式。要克服传统作业和实验的固定性、增加习题的多样性和解决教师及时评阅问题，那么开发习题库和网络作业及实验平台是一种很好的途径。利用校园网开发VF课程作业网页，学生可以在平台中进行作业解答、提交、成绩查阅等操作。电子化的考试系统是实现无纸化考试的基础。目前，VF的期末考试仍然是有纸的试卷考试，但是，如果能开发出来VF的期末考试系统进行网络化考试，那将会有事半功倍的效果。国家计算机一、二级考试目前均是网络化考试，学生在历年考试中也有不错的表现，说明学生对于网络化考试环境已经比较熟悉，推行网络化VF课程教学与考试是可行的。
三、创新VF数据库教学方法
1.密切联系实际，上好第一节课，树立学习信心。数据库和程序设计的教学，一定要密切联系实际，从学生身边最常见的学生信息管理、成绩管理等系统入手，去认识数据库系统。在第一次进行VFP课程教学时，把使用VFP开发的数据库管理系统在大屏幕上演示给学生看，包括各个模块功能演示，如：登录模块，数据的录入、查询、修改、维护等。并告诉他们学完这门课程后，自己也将能开发出类似的系统，例如通讯录管理、日常开支管理等一些实用系统，树立学生学好数据库的信心。
2.采用项目教学法，以项目开发为主线，合理设计学习任务。项目教学法是指将传统的学科体系中的知识内容转化为若干个教学模块，围绕着项目模块组织和开展教学，使学生直接参与项目全过程的一种教学方法。例如，在学生信息管理系统中涉及的4大模块，每个模块的理论讲授与上机练习都要认真规划，合理设计，紧密围绕项目开发的步骤去学习。该项目首先需要创建项目、数据库、数据表，那么在数据模块中就要结合系统所需学习建立．pjx、．dbc、．dbf等相关文件，并进行表的操作、创建索引、表间关联等设置，这是数据库管理系统的基础工作。查询模块和显示模块是数据库管理系统的重点，主要实现对数据库中数据的增、删、改、查和显示操作，前3大模块的例题在设计时要与学生信息管理系统密切相关，学生上机实践时形成系列任务，为完成整个项目积累基础文件。最后进行菜单设计，完成菜单模块中文件的调用，连编成可运行地系统。
总之，我们要在自己的VF数据库课程教学中勇于探索、勇于实践，为学生提供一个动态的、生动的、多元化的学习环境，促使学生更积极的去获取数据库专业知识，提高数据库应用能力、拓展数理逻辑与创新思维，进而获得良好教学效果，为应用型本科院校VF课程教学改革的提供真实生动的案例，积累丰富宝贵的经验。
参考文献：
关键词：大数据；经管类专业；课程体系
中图分类号：G642.0 文献标志码：A 文章编号：1674-9324（2016）13-0054-02
大数据时代给社会经济发展带来了机遇和挑战，社会各行各业对数据分析需求大幅上升，需要借助数据分析实现数据的增值，挖掘数据背后的潜在价值，为其经营管理决策、投资决策提供智力支持。随着社会经济发展对具有数据管理和数据分析能力的应用创新型经济管理人才的需求逐渐攀升，也引发了对高校经管类专业学生能力的更高要求。面对纷繁复杂的社会经济环境，经管类专业学生必须能够广泛应用定量分析技术，能够从海量数据中获取有效数据，运用科学的方法从这些数据中提取出有用信息，建立相应的模型，作出最优决策。
统计学是培养经管类专业学生定量分析能力的一门重要课程，是众多高等院校经管类专业的专业基础必修课，是以后深入学习相关定量方法类课程（诸如计量经济学、管理运筹学、市场调查与预测等）的基础。因此，统计学课程体系设置是否合理，将直接影响到学生获取有效数据和分析数据应用能力的培养，进而影响学生定量分析能力的培养。
一、经管类专业统计学课程体系存在的问题
1.课程教学定位模糊。我国高等院校经管类专业统计学教学中的最大弊端在于一直按照前苏联划分方式将其归类为一门偏重于简单数据整理课程，而将相应的统计分析所采用方法和理论归为数理统计，因此在教学中不重视对后者的学习。然而，西方发达国家的统计学课程是同时包括这两个部分内容的，尤其是后一个部分内容是定量分析的重要基础。因此，在传统统计学教学定位下，学生只认识了基本理论与概念，却掌握不了处理和分析数据的能力，这与经管类专业应用型人才培养目标相背离，难以适应大数据时代社会各领域对经济管理人才素质的新需求。
2.课程体系有待完善，与经管类专业融合不够。目前，大多数高等院校经管类专业统计学课程设置只涉及理论统计学这一领域，未将统计分析方法与相关经管类专业知识有机结合。在这样的课程体系安排下，学生虽然掌握了统计基本理论和方法，但难以体会到统计在本专业学习中的应用价值，当面临现实的经济、管理问题却无能为力，不会运用所学统计方法，结合专业知识对实际问题进行定量分析。这种状况与经管类人才定量分析能力培养目的相违背，难以实现具有创新能力的经管类人才的培养目标。
因此，如能结合经管类专业特点，对统计学的课程体系进行优化建设，势必能够培养出具有定量分析技能，满足社会需求和企业需求，符合大数据时代人才素质要求的经济管理人才。
二、大数据时代经管类专业统计学课程体系构建
1.明确课程教学定位。目前，统计学教学中偏重于统计学基本概念、基本模型和基本方法的理论知识学习，系统性较强，有利于学生全面了解统计学的知识体系，但是对统计思维能力的培养和统计方法的应用重视不够，这不仅会让学生望而生畏，从而失去学习的主动性与积极性，更为重要的是学生不能够学以致用，在自己本专业深入学习过程中不会运用统计学知识来解决实际的经济管理问题，而在教与学中出现的这些问题源头在于教学定位不够准确。因此，本文提出新的课程教学定位：以应用创新型人才培养为导向，提高经管类专业学生定量分析能力为目标，结合经济学科和管理学科的特点，通过统计学的理论教学、案例分析、课程设计、实验（践）等教学环节，培养学生统计思维能力和统计应用能力，具备运用统计学理论与方法，研究社会经济管理领域有关数据收集、整理、分析等解决实际问题的综合能力，以适应大数据时代对经济管理人才的新需求。
2.课程体系优化建设。根据新的教学定位，统计学课程体系优化建设的基本思路：一是课程体系设置要强调基础知识、注重灵活应用、突出定量分析的教学理念和教学目标；二是课程结构上，突出专业针对性，强调统计学科和经济学科、管理学科的有机结合，使课程特色化；三是建立实践教学体系，加强学生实践能力的锻炼，为学生提供综合素质和能力提高的实训平台；四是将统计分析软件的运用融入到课程体系之中，加强统计分析软件的技能培养。
因此，本文将运用模块化系统集成思想，根据经济与管理类各专业的要求，提出按专业分模块，按模块分层次，按层次定内容的改革方案，构建“课程体系课程子系统课程模块具体内容”的递阶控制结构模型，具体如图1所示。
在统计学课程体系优化建设中，我们运用系统科学的方法构建出模块化、层次化集成的课程体系在整体功能上达到了最佳状态。
课程基础子系统是统计学理论基础和统计思维培养阶段，由统计学基本原理和基本理论构成，体现了“厚基础”的功能。课程应用子系统和课程案例子系统是统计分析能力训练阶段，首先结合认知性案例模块系统介绍统计分析方法，让经管类专业学生了解统计分析方法的基本原理，其次进一步结合专业特色案例模块和统计分析软件模块，通过分专业教学方式，使不同专业学生能够体会到统计学在本专业中的应用，增强学生的学习兴趣，体现了“强能力”的功能。课程实践子系统是统计应用能力实践阶段，是培养大数据时代应用型经管人才的重要环节。课程实践主要包括课堂实践和实验室模拟，课外实践主要包括社会实践活动、实训实习和相关竞赛，通过课程实践和课外实践两大平台训练学生运用所学统计调查、统计整理和统计分析等知识解决实际问题的综合能力。课程选修子系统是统计应用能力扩展阶段，该阶段在学生掌握统计学相关知识的基础上，通过选修统计预测与统计决策两大模块，进一步培养学生的定量分析能力。
三、结束语
大数据时代经管类专业统计学课程体系构建，应注重强化基础理论，突出知识的实用性和创新性，做到统计知识与实例分析相结合，与软件应用相结合，理论教学与实践教学相结合，与实际应用相结合。根据经管类各专业特色，以“知识+能力+应用”模式进行模块化、层次化课程体系设置，从本质上提升学生的数据素养和信息素养，提高解决实际问题的定量分析能力，以适应大数据时代对人才素质的新需求，使具有数据管理和数据分析能力的经济管理人才在就业市场上更具有竞争力。
参考文献：
[1]孙根年.课程体系优化的系统观及系统方法[J].高等教育研究，2001，（2）.
[2]曾五一，肖红中、庞皓，朱建平.经济管理类统计学专业教学体系的改革与创新[J].统计研究，2012，（2）.
[3]姚寿福.经济管理类本科专业统计学课程教学改革思考[J].高等教育研究（成都），2012，（3）.
[4]朱怀庆.大数据时代对本科经管类统计学教学的影响及对策[J].高等教育研究（成都），2014，（3）.
关键词：大数据；数据挖掘；电子商务；教学设计
0引言
近几年，随着互联网技术的发展和对人们工作生活的不断渗透，随着移动互联、物联网、云计算、智慧工程等新兴信息技术的出现和普及，数据在人们的生活中呈爆炸式增长，人们开始进入大数据时代。由于海量数据中记录了企业的发展、运营以及人们生活和行为的点点滴滴，所以，挖掘海量数据背后存在的模式、规律和趋势，并结合各行各业进行创新应用，已经成为这个时代的重要课题。我国电子商务经过近20年的发展和数据累积，已经从用户为王、销售为王进入到数据为王的阶段，如何针对用户消费行为的分析，提升电子商务的运营效率，促进精准营销的开展，增加客户黏性，从而实现电子商务的智能化发展，是当前电子商务发展的重中之重。因此，在大数据背景下，为适应行业发展需求，国内外很多高校，尤其是应用型本科院校，在电子商务专业本科生中陆续开设大数据分析与挖掘系列的课程，其中作为大数据研究与应用的重要支撑技术的数据挖掘，是其中一门重要课程。
1电子商务专业开设数据挖掘课程的必要性
1．1行业发展的必然要求
进入大数据时代，“互联网＋”技术与传统行业深度融合，电子商务数据已覆盖了从用户、商家、第三方、物流等一系列商务环节。因此，充分利用大数据，有效分析和挖掘大数据的价值和规律，已成为推动电子商务深化发展的重要引擎。首先，数据挖掘技术是电子商务智能化的基础。由于电子商务的活动从开始就具备了信息电子化的先天优势，所以，用户在电子商务网站上发生的所有行为信息都被日志记录，包括用户对产品的搜索、浏览、在购物车加入或取出商品、收藏产品、对商品的讨论、评价、分享等。对这些用户行为信息进行收集和分析，可以挖掘用户的兴趣特征和潜在需求，实现对用户的个性化推荐。其次，数据挖掘技术支撑电子商务的精细化营销的实现。通过网络爬虫收集用户在消费过程种对商品的兴趣、偏好、评价等数据，并进行分析挖掘，可以更好地对用户进行细分，针对性地制定营销策略，更准确地把握用户态度和对产品的情感倾向，及时控制营销中的不良影响，从而提升用户体验和用户黏性。第三，数据挖掘技术推动电商物流的优化。通过对电商物流数据的分析和挖掘，可以预测市场需求变化的规律，帮助企业合理地进行库存管理和控制，优化配送路线，进行物流中心选址策略分析等。可见，对于电子商务专业大学生开设数据挖掘课程是行业发展的必然需求。
1．2专业人才培养的迫切需求
电子商务是利用信息和通信技术，通过Internet在个人、组织和企业之间进行商务活动和处理商务关系的一种活动。随着云计算、物联网及移动互联等新兴信息技术的迅速发展，大量传感器和监控设备不间断的数据采集和行业数据的持续积累，使大数据成为时代的鲜明特点。教育部电子商务专业教学指导委员会王伟军教授等人对138个电子商务专业本科人才的市场招聘需求进行研究发现，网络营销与数据分析是当前电子商务专业的主要能力需求，而目前我国开设电子商务专业的高校中开设数据挖掘及其相关课程的只有14所。因此，该类别人才缺口目前较为严重，市场需求量较大。为了适应时展需求，高校在人才培养时既要注重电子商务运营管理能力的培养，同时更要注意商务数据分析与挖掘能力培养。培养同时具备这两种能力，并且可以将两种能力有效结合起来的应用型人才，是当前高校电子商务专业发展的趋势和方向。总之，在当前的电子商务活动中，商务管理是核心，数据分析与挖掘是手段。在大数据背景下，要提升电子商务的管理效率，实现电子商务的智能化发展，必须应用好数据挖掘这把利器。因此，在电子商务专业开设数据挖掘课程，是行业发展的必然要求，也是专业发展的迫切要求。
2电子商务专业数据挖掘课程教学思路设计
数据挖掘是一门交叉学科，涉及统计学、数据库、机器学习、高性能计算等多门学科相关内容，要求学生具有较为扎实的基础知识。由于课程难度较大，早期高校都把该课程作为研究生的专业课程。为适应市场需求和行业发展，近年来，也有些高校将此课作为本科生高年级选修课开设。从该课程的传统教学上来看，由于学生理论基础不够扎实，课程教学又多侧重算法的分析与实现，导致该课程存在教学难度大、理论教学过多、学习兴趣难以提高等问题。考虑到传统教学的问题以及电子商务专业培养应用型本科人才的实际情况，笔者认为该课程在教学过程中应“轻算法，重应用”，以启发学生数据思维为主，以理解算法思路为主（忽略细节实现），以合理构建数据挖掘模型、正确解读数据挖掘结果为主。在组织教学时，采用基于场景的启发式教学方式。该课程在讲授每个数据挖掘方法时，都通过一个电子商务问题进行导入；通过本节所授方法，形成解决问题的思路；最后通过专门数据挖掘软件进行方法的应用，通过对挖掘结果的解读分析，为导入问题的决策分析提供依据。通过这种由浅入深，由易到难的方式，引起学生学习兴趣，激发学生主动思考，真正成为课堂的主体。实践环节是学生理论联系实际的关键步骤，选用合适的数据挖掘软件工具非常重要，对于电子商务专业的学生，数据挖掘重在问题的建模和方法的应用，所以，该课程选择的数据挖掘工具是IBM公司的SPSSModeler。SPSSModeler拥有丰富的数据挖掘算法，本课程涉及到的分类、聚类、关联分析、时序分析、社会网络分析挖掘等主要数据挖掘功能均可实现，而且其操作简单易用，分析结果直观易懂，可以使用户方便快捷地实现数据挖掘。学生通过对算法基本思路的了解，针对实验问题设计数据挖掘方案，并通过数据挖掘软件进行算法的应用和结果的分析，理论和时间的顺利衔接，进一步加深学生对数据挖掘方法的认识和理解。
3电子商务专业数据挖掘课程教学内容设计
数据挖掘课程主要讲解数据挖掘的基本概念、主要方法和技术、应用情况及发展趋势，目的在于启发学生的数据思维，提升学生数据分析与挖掘的能力，深入理解电子商务数据在电子商务中的重要地位和作用，实现商务管理和数据挖掘的有机结合。由于数据挖掘课程理论性和应用性均较强，反映在教学要求上，既要重视理论学习，又要重视实践环节。具体来说，就是一方面通过理论教学使学生对理论内容有较深入的理解和领悟；另一方面结合实践教学，鼓励学生多动手，多思考，综合运用所学知识分析和解决实际问题。
3．1理论教学设计
针对大数据时代的数据特点和应用特点，在数据挖掘课程的理论教学设计时，其内容不仅包括传统的基础性的分类、聚类、关联分析、时序分析等数据挖掘方法，还注重根据电子商务行业特点进行知识的拓展介绍，比如在将关联分析的时候，除了传统的购物篮分析，还增加了序列模式分析内容；比如在结合社会化电子商务的发展，对社会网络分析、文本挖掘等前沿数据挖掘知识也进行了一定的拓展介绍。这些拓展内容，不但丰富了学生的知识体系，也为部分学生的课下深度扩展指明了方向。我校电子商务专业的数据挖掘课程总学时为48学时，其中理论教学32学时，主要内容及其学时分配如表1所示。表1数据挖掘课程理论教学安排序号章节标题内容提要学时1数据挖掘概述数据挖掘基本概念与功能；基本流程与步骤；基本方法与应用；拓展：数据库，数据仓库与数据挖掘的关系22数据预处理数据清洗；数据的集成与转换23分类分析决策树分类；贝叶斯分类；分类特点及结果分析64聚类分析K－means聚类；两步聚类；聚类特点与结果分析65关联分析频繁项集；关联规则挖掘；关联分析效果评价；拓展：序列模式分析86时序分析移动平均模型；指数平滑模型；拓展：ARIMA模型67数据挖掘发展趋势社会网络分析；文本挖掘；Web挖掘2理论教学在组织时，基本上以“课堂引例－问题分析－算法思路讲解－课后练习”的方式展开。通过实例分析，给学生介绍各种算法的基本思想和相关概念，引起学生学习兴趣。在讲授算法时，通过具体的简单数据演算实例来分析数据挖掘的过程和结果，使学生在实际案例中明白数据挖掘算法在处理数据过程中的作用和意义。虽然该课程开设在电子商务专业的第六学期，但是，由于数据挖掘课程本身需要多个学科的基础知识，在目前的大学课程体系内，难以在有限的时间内开设全部先修课程。因此，在理论讲解时，对涉及到学生比较生疏的知识点，应根据学生的知识水平，予以补充说明。例如，在讲决策树分类时，对于信息论中信息熵基本概念和计算方法，可以结合实际数据集合，进行讲解和计算。
3．2实验教学设计
数据挖掘是一门紧密结合实际应用的课程，具有较强的实践性。实践教学环节中，首先教师讲解实验步骤，然后安排学生进行实验，并对实验结果做详细分析与评价。每个实验要求学生完成以下几方面的内容：（1）根据实验问题设计数据挖掘方案和实施流程；（2）进行数据预处理，并构建数据挖掘模型；（3）解读数据挖掘结果，并联系实验问题进行具体分析；（4）实验拓展与总结。在实验拓展和总结部分，可以设计一些开放性的题目，比如在进行关联分析时，可以设计这样的问题“如果支持度阈值设置时降低十个百分点，频繁项集会有哪些变化？关联规则的准确性和适用性会有哪些方面的变化？”。在实验环境下，学生可以通过对比实验，比较容易得到结果，而在总结这些变化规律时，又可以强化和巩固对关联规则、频繁项集、支持度、置信度等这些概念和指标意义的理解，从而更好的应用在以后的工作实践中。结合电子商务活动特点以及数据挖掘在电子商务中的应用，该课程的实验是16学时。在实验设计时，共设计了五个单人实验和一个综合性多人实验.由于使用数据挖掘技术处理实际问题时，很多时候需要综合运用一些数据挖掘方法，其设计方案不止一种，分析结果也不一定完全一致。为激发学生的主观能动性，本课程在最后需要每个小组共同完成一个综合性的数据挖掘作业。研究表明，对于本科生来说，指导教师给出一些具体的题目，如大学生消费状况预测、校园共享单车满意度分析等，这些热点问题更容易激发学生的学习兴趣。综合作业从数据挖掘方案的设计、数据采集、数据预处理、数据建模、结果分析以及报告撰写全部由小组成员协作完成，通过这样一个完整的分析问题、解决问题的过程，不但可以锻炼学生综合应用知识的能力，也可以锻炼学生的沟通写作能力。在综合性作业完成的过程中，教师需要给予一定的指导，例如教师可以介绍问卷星等网络调查平台或网络爬虫等工具帮助学生进行原始数据的采集；通过对数据挖掘方案的点评，帮助学生更合理的选取数据分析指标，设计数据挖掘方案；通过报告撰写指导，帮助学生规范化的总结实验分析结果。
4结论
大数据时代的电子商务活动中，对电子商务人才的数据挖掘和分析能力非常迫切，在电子商务专业中开设数据挖掘课程是行业发展和专业发展的必然要求。在电子商务专业开设数据挖掘课程既有别于研究生也有别于计算机等理工科专业，“轻算法，重应用”，以提升学生主动学习兴趣为导向，采用基于场景的启发式教学方法更合适。本文从教学思路、教学方法、教学内容等方面进行了思考和探索，经课程开设两年来的教学实践证明，学生在学习上的主观能动性得到了一定的体现，理论和实践相结合的能力得到了锻炼。激发学生学习兴趣，培养学生的主动性思维，是当前教学中的重要课题，在电商行业不断发展的过程中，如何更好的将最新行业问题融入教学过程，实现理论和实践的有机结合，需要我们进一步深入思考和探索。
参考文献
［1］冯然，陈欣．论数据分析类课程在电子商务专业设置中的重要性［J］．河南教育，2015，（2）．
［2］黄岚．数据挖掘课程实践教学资源库建设［J］．计算机教育，2014，（12）．
［3］薛薇．基于SPSSModeler的数据挖掘（2版）［M］．中国人民大学出版社，2014．
［4］李海林．大数据环境下的数据挖掘课程教学探索［J］．计算机时代，2014，（2）．
［5］韦艳艳，张超群．“数据仓库与数据挖掘”课程教学实践与探索［J］．高教论坛，2011，（1）．
关键词：大数据；数据处理；商务决策技术
中图分类号：G640 文献标识码：A 文章编号：1002-4107（2016）07-0068-02
随着大数据时代的到来，数据分析已从过去由专门数据处理人员胜任的工作，变成了商务管理人员的日常事务性工作。企业在享受大数据便利的同时却面临着数据分析人才严重短缺的难题。据麦肯锡公司预计，到2018年，美国数据分析专业人才的缺口将高达14―19万，能够使用大数据帮助企业高效决策的管理人员的缺口将达150万[1]。因此，顺应大数据时代的需要，培养具有数据处理能力的专业人才，已成为目前世界各国高等教育改革的首要任务。
本研究运用大数据时代的思维方式和工作方式，力图设计一门紧密联系企业实践的数据分析课程――“商务决策技术”，以提升学生的商务决策能力，满足大数据时代企业对管理人才的新要求。
一、数据处理课程设置现状
随着大数据时代的到来，我国高等教育研究者针对大数据的特点，对已有的数据处理相关课程进行了改革。如：李海林根据大数据具体特性，从授课内容以及实践环节对高校数据挖掘课程进行了详细设计[2]；邱胜海等针对关系型数据库在面对大数据管理时存在的问题，给出了开展非关系型数据库教学的具体措施[3]。然而这些以大数据为时代背景的教学改革，并非面向数理基础较差的经管类学生。为了提高经管类学生的数据分析能力，我国很多高校已开设数据分析与建模方面的相关课程，也撰写了相关教学书籍。如：蒋绍忠[4]、刘兰娟[5]等编写了各类商务数据分析教材；葛虹等[6]以经管专业课“数据分析与管理建模”为例，提出了知识的系统性训练和创新能力的培养的建议；邓维斌等针对经管类学生在数据分析能力培养中存在的问题[7]，提出编写针对性强的实验指导教材，构建科学的实验教学体系，改变实验教学模式等主要改革措施。然而，这些为经济管理类学生开设的数据处理课程中没有加入大数据的相关内容。
本研究围绕即将开设的“商务决策技术”这门新课，基于大数据理念，从课程内容、教学手段等方面对该课程进行全方位设计。在设计前，为方便日后跟踪学生的学习进展，对学生的数理基础和学习需求等方面进行了问卷调查，并对调查结果进行详细分析。
二、经管类学生数据处理能力现状调查与分析
（一）调查问卷设计
本调查共发放问卷250份，回收有效问卷234份，回收率达到93.6%。主要由2013级和2014级经管类学生填写。主要借助于李克特量表的形式测试学生对相关问题的认知程度。
设计《大数据理念下数据分析方法教学调查问卷》，除了了解学生的性别、年龄、班级、文理科生等基本信息外，还从四个方面进行了详尽的调查：前沿技术、学习动机、教学方法以及考核方式。
（二）调查结果分析
四个方面的调查结果如下。
1.学生对前沿技术的了解程度。很多学生对最新的前沿技术不甚了解。仅118人（占50%）听说过“云计算”，87人（占37%）听说过“物联网”，即使大部分学生会使用手机上网，但调查结果却显示仅168人（占72%）知道“移动互联网”这个词。对“大数据”的了解更为有限，听说过“大数据”这个词的人仅78人（占33%），能准确或大概说出其含义的仅49人（占21%）。其中，25人认为大数据的主要特征是“数据量大”；27人认为是“数据类型繁多”；8个人认为是“价值密度低”；18人认为“处理速度快”，仅3人将大数据的这四个特征全部选中。虽然大部分人对大数据不甚了解，但207人（占88%）对大数据的未来前景较为乐观，173人（占74%）已经感受到了大数据在日常生活中的存在。
2.学生的课程选修情况。为了了解哪类学生会选修这门课程，是数据处理基础好的学生？还是对数据处理感兴趣的学生？学生学习的自信心强弱会不会影响他们的选课？如果所学课程对学生未来工作有用，会不会有更多的学生选这门课呢？带着这些问题，本研究使用SPSS中的Pearson相关性分析法挖掘出影响课程选修状况的主要因素。
从分析结果中可以发现，学生是否选这门课主要取决于两大因素：“工作需要”（相关系数为0.427）和“学习信心”（相关系数为0.163），与学生的“数据处理基础”、“对数据分析是否感兴趣”的关系不大。也就是说，如果学生认为学习这门功课对未来的工作有用，即使他们的数理基础并不好，学习兴趣也不大，他们依然会非常乐意选此课；此外，学生的自信心也是学好这门课的关键。很有信心学好数据分析方法的学生仅占12%，86%的学生对此没有把握。提及何种工作会用到数据分析技术时，仅有131人（占56%）觉得数据分析技术对管理工作有用，91人（39%）觉得对销售工作有用；而94人（占40%）觉得数据分析技术对管理或销售工作根本没用，仅数据分析员或IT工作人员会用到该技术。
3.学生喜好的教学方法。近60%的学生对教学方法不甚了解，特别是现代教学方法。在调查过程中，我们对四个目前热门的教学方法，如：案例式教学法、讨论式教学法、翻转课堂、MOOC进行了详细介绍。最后，65%的学生偏爱案例式教学法，47%的学生偏爱讨论式教学法，对于翻转课堂仅有19%的学生愿意尝试，MOOC仅13%的愿意尝试。当问到哪种教学方法适用于本课程的教学时，44%的学生希望使用案例式教学法，23%的学生觉得翻转课堂不错，22%的学生依然喜欢以教师为主导的讲授式教学方法，88%学生认为MOOC不适合数据处理课程的教学工作。
4.学生喜欢的考核方式。仅有18%的人愿意闭卷考试，开卷考试和学生上台讲解的考核形式最受青睐。此外，78%的学生希望参与到教师评分中，同意教师独自给分的仅占18%，同意仅依靠学生评分的也只占6%。
三、“商务决策技术”课程教学设计策略
根据以上分析，拟在实施本课程教学时注重以下几个方面。
（一）提高学生学习数据分析技术的自信心
该课程涉及定量分析，这是经管类学生最为薄弱的知识点。从调查分析中可以发现，“工作需要”和“学习信心”这两个因素对学生选修该课程比学生的“数据处理基础”和“学习兴趣”更为重要。因此，本课程首先安排2至4个学时来讲解什么是“大数据”，大数据在未来各个领域的应用前景，并通过实例、视频或实地调研让学生了解商务数据分析的一些实际应用，只有当学生切身体会到了数据分析技术在未来生活中的应用价值，才能从根本上调动他们主动学习的积极性和自信心。
（二）丰富大数据相关内容
大数据最重要的应用就在于预测，而预测是商务决策的基础。以往的经济预测多依赖于因果模型的分析，而大数据分析则是运用相关性分析方法从海量数据中发掘数据之间的联系，进而进行有效的预测。因此，本课程将重点讲授相关分析方法，不仅讲授诸如简单线性回归、Pearson相关系数等传统相关分析方法，还会介绍大数据相关分析方法，如：最大信息系数、随机相关系数等。
（三）采用多种教学模式与方法
从调查分析中了解到：以往以教师讲授为主、学生被动学习的传统教学模式不再受到学生的青睐，翻转课堂、案例教学法、讨论式教学法是学生喜爱的教学方式。因此，本课程将采用学生平等参与的讨论式教学方式，并事先设计“自主学习任务单”、制作教学视频、布置案例教学任务等多种教学手段，将教师的教学职能从单一的讲课向设计、组织、帮助与指导方向转变。
（四）师生共建考核方式与信息反馈机制
调查分析结果表明：传统死记硬背的考核方式不再受到学生的欢迎，开卷考试和上台讲课的考核形式更能全方位地衡量学生处理实际问题的能力。因此，本课程拟首先让教师和学生共同制定考核目标，细分考核内容以及考核方式；然后由学生自主选择考核方式和内容。评分时，组织成立学生考评团，所有学生轮番成为考评团成员，与老师双向沟通，共同评分。
本文展示了“商务决策技术”课程开设的调查研究工作，并依据分析结果，提出顺应大数据时代需要，培养具有现代数据处理能力的管理人才的具体措施。希望通过培养学生学好数据处理方法的兴趣和自信心，通过制订合理的教学计划、设计新颖的教学内容、运用现代化的教学模式、采取师生共同参与的考核方式，来提升学生适应大数据时代市场需要的数据素养。
参考文献：
[1]Manyika J.，et al.Big data：The next frontier for
innovation，competition，and productivity[EB/OL].
[2015-11-03].http：///insights/
business_technology/big_data_the_next_frontier_
for_innovation.
[2]李海林.大数据环境下的数据挖掘课程教学探索[J].
计算机时代，2014，（2）.
[3]邱胜海，周玉敏，高锡荣等.大数据时代非关系型数据库
教学与实验改革探索[J].电脑知识与技术，2013，（9）.
[4]蒋绍忠.数据、模型与决策――基于Excel的建模和商
务应用[M].北京：北京大学出版社，2013.
[5]刘兰娟等.经济管理中的计算机应用[M].北京：清华大
学出版，2013.
[6]葛虹，韩伟一.多模式交互教学与教学工作量评估――
以“数据分析与管理建模”为例[J].黑龙江高教研究，
2013，（2）.
Abstract As the development and application of big data increases， the U.S. government has actively encouraged universities in policy to carry on interdisciplinary graduate programs to train the next generation of data scientists and engineers. Companies and research institutions are also actively cooperating to promote such programs. In the United States， more than forty universities have started their Master's Programs in Big Data Analytics； there are currently over twenty great Programs available at these universities， all of which deserve careful researching. After in-depth analysis of these Programs' websites， sharing the view of American experts on big data will provide a valuable reference for the Chinese Master's Programs in Big Data Analytic
Keywords The United States； Big Data； Master's Programs； data science； business analytics； graduate program
1 背景
2009年IBM首次提出“智慧星球”概念，大数据的开发和应用受到人们关注，为了弥补大数据相关人才的缺口与技能的缺乏，IBM目前已经与世界超过一千所大学在大数据和分析方面开展合作[1]，IBM赋予大数据“Data savvy. Insight driven.”的内涵，中文可以意译为“领悟数据，提升见识，洞察秋毫，驱动优化”，这四个英文单词已成为各美国大学大数据与分析专业的课程描述中使用频率非常高的词汇。目前，在大数据开发与应用方面企业是主力军，几家著名互联网公司成功地将其产品和服务与大数据和数据分析结合，成为业界典范和研究对象。伴随着企业对大数据的开发和应用的深入，对相关人才产生需求，一批知名企业开设了自己的大数据研究中心，与大学开展合作，催生了大学大数据专业教育。
1.1 美国政府的“大数据研究与开发计划”直接推动
2012 年3月29日，美国总统奥巴马宣布启动“大数据研究与开发计划”（Big Data Research and Development Initiative）[2]，旨在提高从海量数字数据中获取知识和观点的能力，从而加快科学与工程发现的步伐，加强美国的国家安全，实现教育与学习的变革。对于未来大数据人才的缺乏，美国国家科学基金会正在实施一项全面的长期战略，包括从数据中获取知识的新方法、管理数据的基础设施、教育和队伍建设的新途径，尤其是：（1）鼓励科研院校开展跨学科的研究生课程，以培养下一代数据科学家和工程师；（2）向加州大学伯克利分校提供1，000 万美元的资助，将机器学习、云计算、众包三种方法整合起来，用于将数据转变为信息等与教育行业有关的六条措施。在此计划背景下，美国有数十所大学纷纷开办了大数据及其分析等相关专业的硕士研究生课程。
1.2 政府部门和研究机构对未来大数据人才缺口的预测
2011年麦肯锡全球研究所（MGI）发布的《大数据：下一个创新，竞争和生产力前沿》（后简称为《大数据》）[3]非常具有影响力，该报告讨论了大数据给商业和经济发展带来的新的可能性，并预测，至2018年美国需要44 至49万大数据深入分析人才，存在14万至19万缺口；需要400万名具备基于大数据分析而且能熟练并进行决策的经理和分析师，这一类人才缺口在2018年将达到150万人，《大数据》报告建议要解决未来人才缺口，需要加快扩大专业教育和职业培训，以及引进海外人才。根据美国劳工局2014年1月最新的统计数据，2012年市场雇用了718，700名具有管理分析技能的专业人员，平均年薪是78，600美元，2022年市场将需要852，500名这方面的专业技术人员，未来八年将有19%的需求增长[4]。这些报告中提及的未来大数据相关人才缺口的数据，在美国各大学大数据相关专业的硕士研究生课程描述中被频频引用。
1.3 对大数据人才知识结构与综合能力的讨论
在大数据分析和应用中的各种数据与决策模型需要被不断地测试和优化，同时，更需要相应人员高质量的计划和执行力，因此，对大数据人才的知识结构与综合能力提出了很高的要求。除了大数据相关书籍外，几位知名学者和专家在美国主流媒体上发表的文章对大数据相关专业的开设和发展起了推波助澜的作用。例如：2012年10月托马斯?达文波特[5]（Thomas Davenport）和帕蒂尔（D.J. Patil）在《哈佛商业评论（Harvard Business Review）》杂志上发表的《数据科学家：21世纪最受欢迎的职业（Data Scientist： The Sexiest Job of the 21st Century）》[6]文章，指出大数据科学家应该具备的基本知识结构与综合能力：沉浸在大数据中时能有价值发现；会编写程序代码；充满好奇心；具备数据分析和交流沟通能力等。还有文章对数据科学家的知识结构与综合能力提出看法[7]：要成为大数据科学家，学生仅具备良好的数学、统计学和计算机科学等专业知识还不够，还要具备其他专业领域较深的知识背景，例如：生物或物理专业领域知识，最重要的是要有创造故事的能力（ability to create narrative-to create story telling），数据是冰冷的，强调只有专业人才能使数据有生命有利用价值。对大数据及相关人才应具备知识结构与综合能力的广泛研究讨论，给美国大数据相关专业的开设提供了非常有价值的参考。
2 美国大数据相关专业硕士研究生课程的开设情况
据不完全统计全世界有近170所大学开设了大数据相关专业[8]，其中约150所大学开设了硕士研究生以上的学位课程。还有资料显示，美国有超过60所大学开设了大数据相关专业[9]，在欧洲有30多所大学，其中英国有13所，占了近一半，中国境内有2所，分别是香港中文大学的数据科学与商业统计（Data Science & Business Statistics）硕士课程和纽约大学上海分校的商业数据分析科学（Master of Science in Business Analytics）硕士课程。
美国大学开设大数据与数据分析相关专业的硕士研究生课程的确切数字我们没有查到官方的正式统计，但一些研究机构或学者在自己的研究网站上进行收集统计并予以公布，例如：北卡罗莱纳州立大学 （North Carolina State University） 高级数据分析研究院（Institute for Advanced Analytics）[10]的统计资料较为全面可靠，他们将全美的大数据分析硕士学位课程按三个类型进行统计，即：数据分析科学硕士学位课程（MSA，Master of Science in Analytics）有14所大学，共性是属新开发的跨学科课程，将应用数学、统计学、计算机科学，以及各种商业学科诸如营销、财务等融合在一起，即使一些学位使用预测分析（Predictive Analytics）或数据分析（Data Analytics）冠名其课程内容也大致相同；商业数据分析硕士学位课程（MSBA，Master of Science in Business Analytics）有17所大学，其特点基本上是由各大学商学院新开设或改名而来的，也会有与其他学院联合办学的情况，和MSA类似面向技术的课程稍少一些，但也并不意味着MSBA就完全偏向商科；属其他学科的硕士学位但主修方向是数据分析（Other M.S. Programs， Analytics Tracks and Concentrations）的有14所，常冠以数据科学（Data Science）这个名称，一般开设在商学院以外的学院，将数据分析课程与其他学科结合的硕士学位，还有的情况是将原有的旧专业改为数据分析专业，有时还可能沿用原有的专业名称，目标是从庞大数量与种类的数据中去获得能有效沟通的可执行见解。这45所大学相对集中在美国的东部与北部区域[11]。
2.1 本文分析研究对象
在广泛收集相关资料全面分析后发现，一些较少数量、较窄范围的统计分析名录受到各大学的普遍关注和认可。2013年1月7日道格?汉斯肯（Doug Henschen）在《大数据分析硕士学位课程之排名前20（Big Data Analytics Masters Degrees ： 20 Top Programs）》[12]文章中详细介绍了北美地区20所大学的大数据分析专业的情况，虽然作者强调只是收录不涉及排名，但因为有一定影响力，许多大学以被列入此名录为荣。同样重要的一个排行名录发表在一个叫Degree Prospects， LLC团队开办的名为masters in data science的网站上，这个网站专门帮助大数据专业的学生解决各种专业知识和学习问题，该教育服务科研团队最新收集的《全美23所知名大学数据科学硕士课程（23 Great Schools with Master’s Programs in Data Science）》[13]（见表1）名录，较有代表性地罗列了全美大学中重要的数据科学硕士研究生学位课程。本文就以这23所大学的数据科学专业为主要研究对象，综合其他信息源展开分析。
2.2 美国23所大学大数据专业硕士课程概况（详情见表一）
美国最早开办数据分析专业的是北卡罗莱纳州立大学。2005年6月北卡罗莱纳州立大学首次提出申请，由北卡理事会授权在2007年2月成立高级数据分析研究院（Institute for Advanced Analytics，后简称为IAA），成为美国正式的第一个数据分析硕士研究生（M.S. in Analytics）学位授予单位。著名的决策支持大型集成信息系统SAS（Statistics Analysis System）早期时段（1966～1976年）就是由北卡罗来纳大学开发的，IAA与SAS保持的密切合作成为其办学的特色优势。在这23个知名的数据分析科学专业中，有11个开设在商学院，绝大多数称为商业数据分析硕士（Master of Science in Business Analytics）；有6个开设在工学院，以计算机或工程学院为主，多数是计算机科学硕士学位主修（Concentration）数据分析方向；设在管理学院的有4个，多数为商业管理硕士学位主修数据分析方向；其余2个分别由专设的数据分析研究所和研究生院开办。除了专业课程外，许多大学还成立有专门的大数据研究所配合教研活动，例如：哥伦比亚大学的数据科学研究所（Institute for Data Sciences）、哈佛的应用计算科学研究所（Institute for Applied Computational Science）、加州大学伯克利分校的算法?机器与人实验室（AMPLab）等等。
2.3 美国23所大学数据科学专业硕士课程设置特点
2.3.1 入学要求、学制、课程持续时间、学分和学费方面的情况
各大学对报考学生的数学和计算机知识结构都有较为统一的明确要求，诸如工程、计算机科学、数学、信息技术等专业的学士，最理想的是商业知识和数据分析技能都具备的学生。例如：田纳西大学（University of Tennessee）要求学生具备数学和计算机背景知识；不具备相关知识的会被要求补齐相关课程学分，宾利大学（Bentley University）要求学生在进入核心阶段前要完成经济学、统计学和市场营销的学分。德雷塞尔大学（Drexel University）的课程是针对那些有兴趣于定量方法、通过数据分析探索和揭示内在关系、利用数据来解决商业问题，希望提升能力或从事商业分析的职业人，所以提出有工作经验的学生会有较强的入学竞争力。普杜大学（Purdue University）将传统商业咨询与数据分析结合，即利用集成的分析方法和现代信息技术来生成商业情报和解决特定行业的问题，因此要求入学学生具有很强的分析、量化、团队领导、组织和沟通能力。西北大学（Northwestern University）则明确提出将班级人数控制在23人，并集中个人指导，有机会形成良好的同学关系，有助于将这种关系超越学术带到工作关系中去。纽约大学（New York University）在6国家的9个城市有分校，要求学生有两个学习单元可以在纽约以外分校完成，其他的三个须在纽约大学本部完成。加州大学伯克利分校开设在线网络教学，但也要求学生在校园有4-5天的体验。学制有全日制（Full Time）、在职教育（Part Time）和网络教育（Online）三种，所有23所大学都提供全日制课程，其中有12所大学同时提供在职教育，8所大学同时提供网络教育。学制时长为1至2年，最短的为期9个月有3所大学，近11所大学须时2年。需要修满的学分多数在30个以上，最高的德保罗大学（DePaul University）需要52个学分。学费普遍在4万以上，最贵是麻省理工的92，827万美元。
2.3.2 各大学充分利用校内的资源优势来开展教学
北卡罗莱那州立大学是最早获得数据分析硕士授予权的大学，号称要培养世界上最好的数据分析专业人才，《哈佛商业评论》认定该校的专业与斯坦福大学、麻省理工学院、加州大学伯克利分校、哈佛大学和卡内基梅隆大学等名校的专业齐名，历届毕业生就业率都超过90%，与SAS结成合作伙伴关系，在SAS的帮助下结合实际项目对学生进行教学，提高学生毕业后求职的竞争力，学校还鼓励学生开展四五人的团队合作，许多毕业生获得SAS产品证书。例如：全球前25大医疗计划和生物制药公司以及医药研发外包组织都在使用SAS来获得医疗效果、利润、客户行为偏好方面的战略洞察，北卡罗莱那州立大学与SAS联手开展抗癌项目，由此带来的分析智能帮助这些公司组织实现业务转型和持续增长。
哥伦比亚大学（Columbia University）的课程自称为“大杂烩”，目标是为那些希望扩大和深化理解计算机科学的学生，研究方向非常多，诸如：计算生物学、计算机安全、计算机应用基础、应用生物信息学、欺诈检测、智能系统、感知、金融、信息检索等领域的机器学习、自然语言处理、软件系统、视觉和图形，以及网络系统等研究方向。课程特色是强调个性化，学生可选择自己需要的主修方向。
卡耐基梅隆（Carnegie Mellon University）大学的学生可通过iLab的实验室系统开展应用研究，获得实践知识经验。
麻省理工学院斯隆（Sloan）管理学院的MBA项目包含了一个无与伦比的深度案例研究与实时案例讨论组合、令人振奋的合作项目；整合杰出的教师授课、提供与非凡业界领袖的接触机会，利用行动学习实验室（Action Learning Lab），提供引人入胜的课程。研究方向包括企业管理、金融、创业和创新。麻省理工还配备了许多研究中心，如：数字化商业中心（Center for Digital Business）、计算机科学与人工智能实验室（ Computer Science and Artificial Intelligence Laboratory），以及经济学和管理科学计算研究中心（Center for Computational Research in Economics and Management Science），组合广泛的学习机会让学员处于令人羡慕的地位和体验中，使学生在学术、人脉、专业方面获得巨大收益。
2.3.3 各大学非常重视通过与校外合作来提高学生的实际应用能力
这23所大学中有9所仅提供全日制课程，其余的大学都在提供全日制课程的同时，还提供在职教育或网络教育，特别为在职人员提供学习机会，结合学生的工作经验，可以缩短人才培养的周期，纽约大学和罗格斯大学（Rutgers University）将数据分析与信息管理专业列为MBA课程。
麻省理工的课程以专业、多样、严谨出名，培养领导型人才，其特色是允许学生在导师的指导下订制自己的课程，特别安排众多实践课程，注重与世界各地的行业领袖交流，例如：提供斯隆创新期计划（SIP，The Sloane Innovation Period），即一周密集的经验领导学习；行动学习实验室（Action Learning Labs）计划，即结合课堂学习和真实的商业经验的实践机会，其中在中国实验室（China Lab）会安排与在MBA 国际班学习的中国行业领袖级企业家合作共同应对挑战；以及四周时间的独立活动期（IAP，Independent Activities Period）。
路易斯安那州立大学（Louisiana State University）的课程受SAS的赞助，故其课程是模仿北卡罗莱纳州立大学（North Carolina State University） 高级数据分析研究院（Institute for Advanced Analytics）的课程。
斯坦福大学（Stanford University）所处的地理位置在硅谷使它大获益处，该校的学生被允许使用Amazon的EC2云平台做大规模计算。
宾利大学（Bentley University）地处美国128号公路高科技密集带，众多高科技公司对这个课程的需求，使得宾利大学的课程实现跨越式发展。
康涅狄格大学（University of Connecticut）课程建立在与通用电器（General Electric）的10年伙伴关系之上，与SAS和IBM也有技术合作，毕业生在商业分析和项目管理方面展现出与现实社会紧密结合的扎实基础。
2012年旧金山大学（University of San Francisco）的MSA（Master of Science in Analytics）开始招收学生，一直与众多知名公司保持着良好关系，例如：贝宝（Paypal）、 汤森路透（Thomson Reuters）、“调查猴子”（SurveyMonkey）、思科（Cisco）和摩斯拉（Mozilla）等等。
2.3.4 各大学将数据分析与原有特色专业结合，开设相关领域的大数据分析课程
这23所大学开办数据分析课程还有一个特征就是，许多学校将原有的特色专业与数据分析相结合，在各自领域的基础上关注数据分析。北卡罗莱纳州立大学、德雷克塞尔大学（Drexel University）、路易斯安那州立大学（Louisiana State University）将目光聚焦商业与数据分析的结合；辛辛纳提大学（University of Cincinnati）、田纳西大学（University of Tennessee）的统计与运营管理系将应用学习课程打造成为面向商业与大数据的课程。
旧金山大学（University of San Francisco）的MSA（Master of Science in Analytics）专业是由文理学院和管理学院联合提供的一个创新的跨学科课程，为与大数据有关的各种数学、计算技能与方法进行严格的训练，让学生熟练地将数据分析与战略决策关联起来， 以及将分析结果在商业场景中有效沟通。
辛辛纳提大学（University of Cincinnati）的商业数据分析专业硕士研究生课程（Master of Science in Business Analytics）也颇有历史渊源，前身的定量分析专业（M.S. in Quantitative Analysis）从1970 年代就已经开始由该校的运营、商业分析与信息系统系（Department of Operations， Business Analytics， and Information Systems）开办，它将自己的数据分析学位的课程解释为运营研究和应用数据统计的结合（A Master of Science degree in operations research and applied statistics），在商业环境中开展应用数学和计算机的应用，这独特的专业课程已经帮助毕业生在专业工作中获得回报，并在商业世界的各个角落都表现出色。
田纳西大学（University of Tennessee）的课程强调对商业了解的重要性，学生要学习大型商业背景下的技术技能，采用数据分析方式优化商业流程。除了提升分析技能的核心课程外，学生须在数据分析与实用统计或过程优化两个领域的结合选择其一作为主修。2013年田纳西大学打算增加更多的研究方向，包括：供应链、客户分析、医疗和金融方面的数据分析。
普渡大学（Purdue University）善长于咨询业与数据分析结合，培养商业分析咨询、金融咨询与市场营销咨询方面的人才。
密歇根州立大学（Michigan State University ）商业数据分析专业（MS in Business Analytics）的特色是由布罗德商学院（Broad College of Business）、工程学院（College of Engineering）和自然科学学院（College of Natural Science）三院合办。
德保罗大学（DePaul University）应社会对大数据科学家的各种需求，课程强调技术能力和行业实践经验，为学生在数据挖掘高级技能、多元统计、机器学习和数据库处理方面提供培训。通过各行业赞助提供的数据分析项目，学生必须完成现实中的数据分析问题研究或参与数据分析领域的实习，专业研究方向涉及计算方法（Computational Methods）、医疗保健（Health Care）、酒店管理（Hospitality）和市场营销（Marketing）等。
马里兰大学（University of Maryland）的课程以市场营销为目的，让学生综合全面地理解所需的数学和统计模型，以及用于分析客户数据的工具，重点在于教授学生如何利用和处理大量的数据，设计强大的分析模型，有效地帮助客户解释并帮助他们设计产品，预测营销活动的影响，更好地了解客户，史密斯商学院（Robert H. Smith School of Business）是十个研究中心的汇集地，其中包括著名的复杂商业研究中心（Center for Complexity in Business）。
康涅狄格大学（University of Connecticut）的项目管理是其特色专业，所修的课程要求有四门商业分析、四门项目管理。
2.3.5 关注不同层次人才的培养
各学校都有不同的人才培养目标，配备不同层次课程供学生选择。麻省理工斯隆管理学院MBA是培养领导型的专业人才，课程能赋予学生领导能力和信心，以及迎接各种挑战的能力，并推动学生实现职业目标和抱负。
卡耐基梅隆大学（Carnegie Mellon University）则专注技术人才的培养，毕业生将成为掌握商业流程分析、预测建模技术、地理信息系统映射（GIS mapping）、分析报告、市场细分分析和数据可视化的跨学科精英。
普渡大学（Purdue University）的每个学生也将参与普渡推出的全球领导人计划（Global Leaders initiative），项目致力于领导、沟通和职业发展培训。
罗格斯大学（Rutgers University）则培养结合型人才，将目光投向信息与数据发现科学（Discovery Informatics & Data Sciences），目标是培养学生分析数据驱动决策的能力，课程汇集了数据管理、统计、机器学习和计算领域知识，学生将获得各种技能包括：分析大型数据集的能力，开发建模解决方案来支持决策和很好地理解数据分析驱动的业务决策，形成的特色是将数据分析、各种学科融合于商业，为学生在依靠数据驱动的行业（如：金融、医疗、生物科技等行业就业）打下基础，成为预测建模师，数据挖掘工程师或数据分析师等。
印第安纳大学（Indiana University）课程关注培养学生的人文软件实力，安排有战略性思维这门课，内容涉及博弈论和商务策略内容。
2.3.6 各大学都非常重视实践课程
几乎所有的大学都将毕业实践计划或实践提至很高的位置，课程中都将它列为必修课，有9所大学将毕业设计（Capstone）作为明确的要求写在课程安排中，Capstone（也称为顶点计划）是在毕业前为进一步培养学生研究能力与交流技能的一个必须环节，是美国大学教育的重要特色。有的大学则采用毕业实践（Practicum）或毕业实习（Internship）的方式去实现理论学习与实际操作的对接，例如：西北大学（Northwestern University）提供长达8个月的行业实践项目。但是，有两所大学却稍有不同，例如：宾利大学（Bentley University）由于80%的学生是在职教育、50%是国际学生，都在晚上上课，所以无实习计划的强制要求；斯坦福大学（Stanford University）建议学生要完成毕业研究计划和实习，但不是必须的条件。
3 美国大数据硕士专业教育给我们的启示
3.1 正视数据经济“分析3.0（Analytics 3.0，Data Economy）”时代的来临
如果我们比喻大数据是“智慧星球”中流动的血液和养分，围绕对大数据的分析、应用、人才培养的研究则是让“智慧星球”健康发展的基础工作。美国著名学者托马斯?达文波特（Thomas Davenport）集研究、教学和商业管理于一身，对数据分析研究有独特的见解，提出“分析3.0（Data Analytics 3.0）”的观点[14]，他认为：传统（1950～2000年）的数据分析是对过去数据的回顾属于描述型，其类型95%属于报导和描述、5%属于预测和指导，称为“分析1.0 （Analytics 1.0，Traditional Analytics）”时代；当前（2000年至今）热门的大数据分析是运用模型根据过去的数据预测未来属于预测型，其类型95%属于报道和数据可视化描述、5%属于预测和指导，称为“分析2.0（Analytics 2.0，Big Data）”时代；而我们正在进入的“分析3.0（Analytics 3.0，Data Economy）”时代被定义为“数据经济快速影响（Fast Impact for the Data Economy ）”背景下使用模型来规范最优行为和行动，属于规范指导型，其类型90%属于预测和规范指导性质，是经过系统运算后自动生成的内容。“分析3.0”时代最重要的特征就是数据经济，不仅网络公司，任何行业任何类型的公司都可能参与到数据经济中来，将数据分析嵌入到公司的关键过程和员工行为中。托马斯作为有影响力、敏捷和多产的思想家，他的“分析3.0”的观点对美国大学的大数据专业教育有深刻影响。因此，我们应该看到数据分析与应用的发展趋势，以及其更深入和更广泛的未来，中国需要类似这样的专家，也需要这样的研究讨论氛围，这对中国的大数据人才培养极为重要。
3.2 清晰了大数据科学家应具备的知识结构与综合能力
数据科学家应具备的知识与技能要求非常高，美国有许多学者进行了讨论，中国要培养自己的大数据人才需要参考美国的做法。从美国各大学的专业课程中的核心、必修、选修科目加上毕业设计（Capstone）的设置情况[15]，我们可以获得一些启示，可将数据科学家应具备的知识与技能归纳为“技术硬指标”和“人文软实力”两个方面[16]。
技术硬指标方面主要有以下要求：（1）数学。微积分和线性代数是大多数数据挖掘应用程序需要矩阵计算的基本算法。（2）统计学。掌握相关性分析、多元回归，揉合各种数据从不同角度进行预测性和指导规范性建模，会使用R、SAS、SPSS、SciPy、Stata等统计工具软件。（3）编程和写脚本。掌握编程语言可以更具竞争力，如：Python、C/C++、Java、Ruby、Perl、MATLAB、Pig等。（4）数据库。熟练掌握SQL，关注NewSQL这类高扩展、高性能数据库，如：Cloudera Impala、Clustrix、VoltDB等。（5）分布式计算系统：熟悉Apache产品族，钻研NoSQL平台，了解Apache Cassandra和MongoDB的优缺点，动手实践Hadoop、HBase、Cassandra、MapReduce、Hive等不断出现的新系统。（6）数据挖掘。数据挖掘是跨学科的，借鉴人工智能和机器学习、统计数据和数据库系统等。（7）数据建模。从ERWin、Agile Data Modeling、ORM Diagrams、UML class diagrams、CRC cards、Conceptual/logical/physical schema、DDL、Bachman diagrams、Zachman Framework等数据建模工具开始，掌握建模技术和方法。（8）预测建模。（9）机器学习。（10）数据可视化。选择掌握Flare、HighCharts、AmCharts、D3.js、Processing、Google Visualization API、Raphael.js、Tableau等其中一些可视化工具。
人文软实力方面主要有以下要求：（1）专业领域知识。对某行业及其数据非常了解，诸如医药、政府、零售、制造业等。（2）创造力和求知欲。有创造力的数据科学家都是充满好奇心的，需要出众的发现能力。（3）善于包装会编故事。将复杂的数据包装后像讲故事般娓娓叙述出来。（4）顺利执行项目、保证实现目标的项目管理能力。（5）保护数据隐私的道德。（6）通过简短的交流能达到目的的能力，称为电梯间交流（elevator speech）能力。
3.3 为跨学科开设大数据硕士研究生课程提供参考
中国在2004年开始数据分析人才的考培工作，首批项目数据分析师（CPDA，Certificate of Projects Data Analysis）诞生。目前，国内数据分析师较为擅长的是处理已经发生的问题，找出问题源头，并且尽快排除问题，但是，相对缺乏发掘未知问题的能力[17]。大数据的应用价值在于预测未来，这样的应用需求与国内数据科学家不匹配，这将成为国内发展大数据应用的最大挑战。2013年1月，国内首个“大数据技术与应用”软件工程硕士项目在北京航空航天大学正式启动。在国务院学位办正式批准设立的专业硕士学位中“应用统计学硕士”（Master of Applied Statistics）是与大数据最相关的专业，目前，统计专业在全国至少有五六个培养方向，例如：厦门大学侧重经济统计；中央财经大学、西南财经大学侧重金融统计；中国人民大学门类比较齐全，涉及经济、生物与卫生流行病、风险管理等多个方面；南开大学侧重工业统计；北京大学和北京师范大学侧重理论统计；复旦大学侧重管理统计；首都经贸大学侧重金融统计分析和市场调查与分析，实践比例占大部分。众多开办统计学专业的大学中，只有中国人民大学、南开大学、天津财经大学、西南财经大学、厦门大学五所大学的统计学属于国家重点学科[18]。另外，一些知名大学还建立了大数据研究中心，如清华大学、北京大学、中国人民大学、北京航空航天大学、北京邮电大学、厦门大学等，背后支撑的是各校统计分析、计算机和经济管理专业，有研究生参与大数据研究与实践工作。中国大数据硕士专业教育刚刚起步，我们需要启动类似美国的“中国大数据科学与工程研究计划”纲领性文件，国家在大数据平台的构建、典型行业的应用以及研发人才的培养等方面应提供相应的财力、物力与人力支持[19]，明确鼓励科研院校开展跨学科合作来培养下一代数据科学家。大数据专业课程跨学科非常明显，无论中国将来的大数据专业集中出现在商学院还是计算机学院，或是完全新设专业，在未来中国如何跨学科合作培养出足够数量的、有发现能力的大数据人才是值得我们认真思考的。
关键词：学习分析；系统设计；
中图分类号：G434 文献标志码：A 文章编号：1673-8454（2017）03-0088-03
一、引言
信息技术的飞速发展及其在教育领域中的普遍应用，催生了众多的教育、学习管理系统，其间记录、存储着海量的学习者信息及学习过程数据，如何将这些数据转化为有效的信息、知识，进而优化学习过程与学习资源，并为教学决策、学习优化服务，最终实现学习绩效提升，这一切备受教育工作者以及学习者的关注。[1]（陈炬， 刘赣洪，2014）
2011年2月在加拿大的阿尔伯特省班芙市召开的第一届学习分析和知识国际会议上一致通过了学习分析的定义，即学习分析技术是测量、收集、分析和报告有关学生及其学习环境的数据，用以理解和优化学习及其产生环境的技术。[2]
学习分析技术能够对学习者或学习团体的学习数据信息进行分析，是数据挖掘技术在教育中的具体应用，从而为改进学习或学习资源提供指导。更加侧重解释和语义化数据来改善学习。[3]（李婷， 傅钢善，2010）
国内外对教育数据研究主要从理论探索和方法介绍的描述性研究、可行性分析论证研究、数据挖掘方法的具体应用及数据挖掘过程的实例分析这几个方面进行比较。[4]具体的研究状况如表1所示，学习分析系统作为学习分析技术实践的主要工具，国内的研究并不多。
二、系统总体建构设计
1.系统架构设计
本系统采用B/S（Browser/Server，浏览器/服务器模式）架构，根据本系统分析的配置方案结合软件分层开发的设计理念，用户通过浏览器发送请求，浏览器在获得用户的请求后发送给服务器，服务器获得请求后，将相应的数据通过Web浏览器再反馈给用户，实现了数据从服务器端到浏览器的传递。
2.功能结构设计
本系统采用软件工程系统流程的指导方法，选用B/S 模式设计的方案，配合设计的各种功能模块、选择母版页的思路和 CSS样式表，并用 javascript 脚本语言，总体上实现系统的功能组织结构。
本系统主要有三个大的功能模块――个人用户、学校用户、管理员用户。其中个人用户主要有个人基本信息、个人课程信息、发/回帖子、个人收藏夹模块，个人基本信息可以细分为提交、修改、重置个人信息功能，个人课程信息包含浏览课程信息。
学校用户主要有学校基本信息、学校课程信息、发/回帖子、学校收藏夹模块，学校基本信息可细分为提交、修改、重置学校信息功能，学校课程信息可细分为提交、修改、重置课程信息功能。
管理员用户主要有撰写公告、公告管理、个人用户管理、学校用户管理模块，其中，撰写公告可细分为提交、重置公告功能，公告管理可细分为查看、删除公告功能，个人用户管理和学校用户管理可以细分为删除个人用户和删除学校用户功能。系统的功能结构如图1所示：
三、系统详细设计
1.权限过滤与用户发帖
通过在Control用户控件文件夹中对WebControl的配置，可以让普通用户和管理员之间的界限划分得更加清晰，在登录系统实现相关查询的时候变得更加明确，从而让普通用户不能够越权，实现对课程信息的删除和批量删除管理。用户在登录系统之后，选择菜单栏中的学校，在学校列表中选择自己意向学校的课程，浏览课程和相关课程信息内容后，可以对浏览的课程信息做出反映，对不理解的问题可以发帖求助讨论。而且只有登录后才可以浏览课程信息和发帖。
2.系统管理
当管理员登录系统的时候，管理员对系统进行管理，管理员登录系统后，可以有的主要管理功能是，公告撰写、公告管理、个人用户管理、学校用户管理。管理员系统管理的时序图如图2所示：
3.数据库设计
通过对学习分析系统需求抽象分析，将得到的十个关键抽象概念，设计成一个实体，分别为学校表（compass）、学校总数表（compassStore）、获取课程信息表（getCourseInfo）、课程信息表（giveCourseInfo）、公告表（news）、用户表（person）、用户总数表（personStore）、回托畔⒈恚replyInfo）、发帖表（resume）、网页信息表（webInfos）。表与表之间通过外键的引用和索引，提高数据库中数据的获取效率。本系统数据库设计中，各表的关系视图如图3所示：
通过对抽象概念的分析，其中较为主要的表设计有课程信息（giveCourseInfo）表、浏览课程信息（getCourseInfo）、个人帖子（resume）表、网页信息（webInfos）表。本文将主要围绕着网页信息（webInfos）表进行详细的论述。网页信息（webInfos）表，表的主要字段AccessCount：访问次数、数据类型为长整型，ConnectionString：系统日志，数据类型为varchar（200）。具体的设计如表2所示。
四、学习分析
通过用户对学习分析系统使用一段时间后，能够通过后台数据库设计的网页信息（webInfos）表来获取对应注册用户的学习行为，可以知道，在一个时间段内网页的总访问量是多少、访问了哪些网页，确定学习者群体的个性特征。并通过后台数据库中的浏览课程信息（getCourseInfo）表信息获得学习者学习课程的过程性数据，包括课程学习的次数、课程学习的进度。通过对个人帖子（resume）表的分析，可以获取用户学习中讨论或问得最多的问题。
通过对这些数据的分析，从而可以获得哪些内容是学习者访问最多的，哪些是学习者比较受欢迎的内容，通过访问量最多的内容与访问量较少内容的比较，进而分析学习者的学习行为并为相关课程提供改进的方案和建议。让课程开发人员设计出更多合理和符合个性化的学习资源。
五、小结
新世纪以来，终生学习已经深入人心，学习分析系统已经在教育领域有较多的部署。如何分析学习分析获取的学习数据，进而改善系统设计，完善教学决策，不至于“淹没在数据的海洋中，却又忍受着信息的饥渴”。学习分析系统作为获取学习者学习数据的重要工具，已成为教育者和学习者关注的焦点。本文研究学习分析系统还有待从这几个方面继续展开：①学习分析系统的优化设计，提高系统的可扩展性，通过学习数据的分析，改进系统。②如何却确保系统获得数据的安全，保护学习者学习数据的隐私。③如何设计更合理的系统功能模块，获取更多的学习数据。
参考文献：
[1]陈炬，刘赣洪.学习分析技术研究现状的文献分析[J].广东广播电视大学学报，2014（6）：1-4.
[2]The New Media Consortium.Learning Analytics[EB/OL]. http：///horizon2011/，2014-05-06.
【关键词】应用型;数据结构;任务驱动;实验教学;案例教学法
0 引言
应用型人才的培养目标是知识、能力、素质和谐发展的高素质人才，是介于传统学科型人才与职业技能型人才的“中间型人才”，要求既有本科人才的学科教育特征，又有应用人才的职业教育特性，着重培养学生解决实际问题的能力应该是专业的主要特性也是最需要加强的部分[1]，数据结构是计算机科学与技术专业的一门专业基础课程，在计算机科学与技术的课程体系中起着承上启下的作用。其教学目的是使学生学会分析计算机所加工处理的数据的数据结构特性，为软件开发过程中涉及的数据选择适当的逻辑结构、存储结构及相应的算法，并初步掌握算法的时间效率分析和空间效率分析的技术。
学好数据结构对于提高学生的理论认知水平和实践能力有着极为重要的作用。学生学习数据结构的最终目的是为了获得求解问题的能力。对于现实世界中的问题，学生应该能从中抽象出一个适当的数学模型，该数学模型在计算机内部用相应的数据结构来表示，然后设计一个解此数学模型的算法，再进行编程调试，最后获得问题的解答。现在，各个高校数据结构教材的主要内容集中在“基本数据结构的定义和分析、基本数据结构的应用”这两个方面，而我们教学的目的不仅是让学生了解数据结构的理论知识，更重要的是培养学生解决实际问题的能力，所以我们认为应用型本科数据结构的教学要以培养学生的实践能力为核心，重点提高分析设计能力和编程能力，这样才能搞好数据结构课程的教学，为学生后续课程的学习及实践打下良好的基础。
1）数据结构课程自身特点
（1）本课程高度抽象，需要数理逻辑、图论、集合论和代数系统的基础;
（2）内容丰富，学习量大。“数据结构”的研究不仅涉及到计算机硬件（编译理论、存储设备和存取方法）的研究范围，而且与计算机软件的研究有着更密切的关系，无论是编译系统还是操作系统，都涉及到数据元素在存储器中的分配问题，在研究信息检索时也必须考虑如何组织数据，以便查找和存取数据元素更为方便和高效率;
（3）需要运用许多前驱课程没有涉及到的知识，在解答问题时也因此困难重重;
（4）隐含在各部分的技术和方法丰富。
2）数据结构教学现状
长期从事数据结构教学和对学生学习情况的调查发现，现在数据结构教学中存在如下一些问题。
（1）学生难理解。《数据结构》课程是培养学生逻辑思维能力、抽象思维能力，锻炼学生分析问题、解决问题能力的课程，由于抽象程度比较高，学生难以联系实际，因此对课程的理解有较大的难度。例如，在课堂上，我们经常提到定义节点或记录，需要说明用户类型，一般用elemtype表示，但学生好长一段时间不能很好理解这一表示。
（2）学生难实现。在《数据结构》课程包含了大量的算法，目前大部分的数据结构教材都是采用C语言进行算法描述，而且主要使用的是C语言里的指针、函数和结构体这些知识。但在教学中发现这些C语言内容恰恰是学生掌握情况最不理想的部分。虽然大多数学生能读懂算法，明白算法思想，但自己编写程序实现时却很困难，从某种意义上说，学生只停留在验证上，从而学生对这门课的学习兴趣和学习目的性更加迷茫。
（3）应用困难。一般教师在教学中都会向学生说明数据结构课程更加注重应用，但在教学过程中往往很难甚至没有具体的应用，学生反映教材中内容学懂了，但仍然无法应用到实际问题中。一方面，不知如何选择数据结构;另一方面，不清楚如何优化算法，学生的学习积极性受到了一定的影响。
（4）教学模式单一 。目前，“数据结构”课程在在教学手段上采用多媒体课件教学或者传统的黑板加粉笔的教学方式，这种方法虽然清晰、方便，但由于本课程涉及大量的概念、抽象数据类型以及算法，理论性强又较为抽象，特别是算法的描述无法在课堂上一一详细介绍，算法的执行过程很难在课堂上充分演示，使学生难以想象数据之间的复杂关系。即使学生在课堂上听懂了，课后也可能无法及时上机实践，由此导致教师讲授的知识多于学生吸引的知识，长此以往学生便失去了学习的热情。
1 数据结构课程教学方法改革
针对数据结构教学中经常出现的问题，提出根据不同内容采用不同教学方法，形成一门课程多种教学方法并举的综合教学方法改革。
1.1 课堂教学化抽象为具体
数据结构课程涉及数理逻辑、图论、集合论和代数系统的基础，内容高度抽象，涉及很多概念和技术。为了帮助学生理解化，降低学习难度，化抽象为具体，采用图示法帮助理解基本概念，制作动画演示帮助理解算法过程。例如在讲解单链表中的头插入法建立链表算法[2]时，先分析扫描字符串局部插入核心步骤，两步操作，第一步：将原链表的第一个节点成为新生成的节点后继，语句为s->next=head->next;第二步：新生成的节点成为第一个节点，语句为head->next=s;然后用幻灯片做图形动画演示，每一个操作步骤对应的图示过程如图1所示。
图1 用头插入法建立链表过程
1.2 采用任务驱动教学，激发学生的学习热情
任务驱动教学是教师根据课堂教学目标和教学内容的需要，通过设置具体任务或案例，引导学生积极参与分析、讨论、协作等活动，让学生在具体的完成任务情景时积极思考、主动探索，以提高教与学的质量和效果，培养学生认识问题，分析问题和解决问题等综合能力的一种教学方法[3]。任务驱动法一般分四个步骤[4]：①设置情景、创建任务。②分析任务、提出方案。③搜集素材，完成任务。④评估总结。作者所教授的数据结构时，为便于学生更好地理解和掌握线性表顺序存储、排序算法、查找算法等概念，熟练得掌握插入排序、二分查找等基础算法，首先安排任务“学生成绩管理系统”。然后将问题分解为有输入学生成绩、按学生成绩排序、根据学号或姓名查找学生成绩、和基本信息统计等任务，第三步要求学生用课堂上学过的算法来解决每一个模块，最后一个一个模块去点评，指出存在的问题和优化的方法，这样逐步推进，使学生有一种从了解、熟悉到深入理解、掌握、运用的渐进过程。
1.3 引入案例教学法，培养学生的应用意识
案例教学法是一种开放式、互动式的教学方式，需要教师根据理论教学内容事先精心策划和准备案例，指导学生提前阅读，并组织学生开展讨论案例，形成反复的互动与交流。将知识融入案例之中，重视实践，可以大大激发学生的学习兴趣，培养学生分析问题和解决问题的能力，从而达到提高该课程的教学效果案例分析法，一般在教学过程中分三步[4]，①首先抽象出数据的逻辑结构。②确定数据的存储结构。③算法设计。本文作者在教学中，教材是李春葆编写的《数据结构教程》[2]，根据不同内容设置不同案例，例如，对于线性表，选用案例学生信息管理系统，对于栈，选用停车场管理系统;对于队列，选用医院病人就诊管理系统;对于树结构，采用计算机中文件管理模型;对于图采用实际交通图等。经过努力，在案例和问题的驱动下，教师的引导下，学生主动去分析问题和解决问题，就产生了学习该课程的兴趣，很自然地就掌握了该课程的内容。
2 加强实验教学，提高学生动手能力
数据结构不仅具有较强的理论性，同时也具有较强的可应用性和实践性。因此，一定要重视教学实践。长期以来，课程组重视实践教学，致力于理论基础和实践教学的完美结合，形成了保证基础实验，强化设计实验，推动综合实验多层次的实践教学体系[6]。基础实验是将理论课上讲的抽象数据类型上机编程实现，在实现的过程中，深刻理解抽象数据类型和类之间的关系、算法设计和程序实现之间的关系、问题描述和成员函数之间的关系，课程组根据数据结构课程大纲要求，每章编制以验证为主的基础性实验，目的是帮助学生理解理论课上学习的内容，同时也训练了学生的编程;设计实验是在基础实验的基础上，给出面向实际应用的实践题目，由学生自己设计数据结构、定义类、实现类，从而解决该实际问题，这样将几个知识点连接起来，自己设计解决一个小的问题，课程组根据大纲和教材设计了如表达式分析与计算、迷宫、停车场管理问题、医院病人就诊、约瑟夫环问题、高速公路建设问题、教学计划编排等问题，要求学生利用课后时间，可以集体讨论解决，也可以一个学生独立完成，提高了学生分析问题和解决问题能力;综合实验是给出面向实际应用的稍大一些的实践题目，课程组设置了学生信息管理系统、图书管理系统、集合运算、车票管理系统等综合实验题目，每一个题目都要求学生按照需求分析、概要设计、详细设计、测试分析、效率分析步骤解决， 在实验课组织学生分别演示程序，分组讨论，教师根据存在的问题进行点评. 其目的是培养学生的程序设计、程序调试和程序分析能力，最大限度避免程序抄袭现象。通过设置综合实验题目、实验目的和要求，提高学生的综合程序设计。
3 结束语
分析了数据结构课程自身特点，通过对传统教学中存在的几个问题的改进，理论课采用抽象变具体、案例教学法和任务驱动法，激发了学生学习数据结构的学习兴趣，提高了学生的学习主动性，强化了程序设计的理念，增强了学生分析问题和解决问题能力，数据结构在应用型本科的核心地位更加明显，课程教学效果得到了一定的改善，今后我们将进一步优化教学内容，改进教学方法，以培养应用型、创新型人才为宗旨，为培养出合格的计算机专业人才打下夯实基础。
【参考文献】
[1]钱国英，徐立清，应雄.高等教育转型与应用型本科人才培养[M].浙江大学出版社，2007，11：74-75.
[2]李春葆.数据结构教程[M].4版.清华大学出版社，2013，1.
[3]何克抗.建构主义学习环境下的教学设计[M].北京师范大学出版社，1998.
[4]曹春萍，陈平.问题驱动法在“数据结构”教学中的应用探讨[J].中国电力教育，2014（23）：78-79.
[5]宗瑜.案例教学法与《数据结构》教学改革[J].皖西学院学报，2009，25（2）：30-31.
[6]秦玉平.数据结构课程实践教学改革与实践[J].渤海大学学报：自然科学版，2013（12）：398-400.
基金项目：安徽科技学院教学研究项目（X2012030）。
引言
近年来，随着高等教育信息化的深入研究与技术的普及，越来越多的国内外专家学者开始重视学习分析技术的理论与实践研究，2010―2013年连续四年，新媒体联盟和美国高校教育信息化协会提出了学习分析技术，并预测其将成为教育技术领域的主流技术。[1]这一技术的提出使得传统教学中无差别化的大班教育模式的弊病逐渐得到改善，教师一味灌输、学生单纯接受的学习方式逐渐变成以学生为中心，尊重个体差异化，“因材施教”变成了可能。
国内已有的研究大多以模型对比分析或基于概念框架的案例分析为主，从构成要素、分析方法、分析工具等多维度入手对案例进行解读。但很少有研究从学习分析的各个环节对案例进行剖析，因此笔者借助西蒙斯学习分析过程模型对案例展开对比分析，从数据类型、分析过程、追踪预测、个性化或适应四个环节对三所国外高校的具体应用案例进行对比分析，寻求不同项目之间的差异及其原因，为建立更为普适性的模型奠定基础，同时为国内相关案例的开展提供借鉴。
国外案例分析框架
1.概述
模型是科学研究的重要工具，本文使用西蒙斯学习分析过程模型对来自英属哥伦比亚大学“自我导向学习”、美国普渡大学“课程信号”、马里兰大学“自我检查活动”进行四个关键环节的对比分析，得到不同案例之间的共通性与差异性。
2.案例分析框架
（1）学习分析过程框架
在西蒙斯的学习分析过程模型中[2]（如右图），数据来源主要分为两类，一类是由学习管理系统、课程管理系统产生的数据，或来自移动设备、社交媒体的交互数据，这类数据用于分析学习者特征以及所处情境并生成学习者档案；另一类是来自课程、作业、测验成绩等具体学习数据，通过使用语义分析以及连接技术得到有关课程知识习得情况的智能数据。经过两类学习数据以及实时数据追踪进行分析计算，并合理建模预测，系统根据预测结果推送个性化学习资源、工具等。学生进行自我诊断并自适应，教师进行及时干预、警告和协助。
（2）具体环节
①数据类型主要分为学习者数据以及智能数据两类，在学习者数据中学习行为类型可分为活动参与度（登录平台次数、平台在线时长、课程访问数量）、积极性（新消息查看时间、新任务查看时间、作业提交时间）、态度（教学材料的点击次数、课程资源浏览时长）、自我诊断（根据教师反馈修改次数、修改及时性、修改时长）四个方面，智能数据可分为同伴协作（讨论区提问次数、解答回复次数、回复内容被赞频率）、学习效果（作业测验完成百分比、测试成绩、作业评定）两个方面。
②分析过程指通过社会网络分析法、语义分析法、内容分析法、统计法、数据挖掘[4]等学习分析技术对搜集到的数据结合情境因素进行深入分析阐释，了解学习者的学习过程、学习需求，形成学习者风格，分析复杂的交互过程，建构预测模型。
③追踪预测环节通过对学习者的数据进行实时追踪，使用已有的预测模型，对学习者的学习结果进行预测，对高危学生提出预警，并根据实时数据对预测结果不断修正。
④个性化或适应[3]作为学习分析的最终目标，一方面指系统个性化向学习者推荐学习资源、同伴、工具、路径等，根据不同学习者的特征以及学习进度进行推送。同时教师根据可视化分析给予学生相应的帮助，选取不同的教学策略有针对性地对学生进行指导。另一方面，学生自我诊断，实现学习者对资源的自主建构，提高主观能动性。
3.案例描述与分析
（1）英属哥伦比亚大学“自我导向学习”
【项目目标】为了对学生学习成绩预测的各项指标进行合理建模，以便为学习者的自我导向提供支持，英属哥伦比亚大学对学生三个学期基于Blackboard的在线生物课程数据进行回归分析并建模，使得学习者可以进行自我监控，在掌握学习数据的同时与同伴进行比较，以了解自己的优势与不足。
【项目流程】通过对课程内容的访问、论坛、聊天室、测验、自主交流工具等方面的分析，将与学习者学业成绩呈显著相关的变量归纳为3个关键变量，为了得到有效的LMS追踪数据，只保留完成所有课程的学生数据，最终选取了118名学生作为样本。[5]
其中，使用编写工具、搜索功能、访问成绩、查看资料等操作记录作为交互过程被搜集为学习者数据，通过这些数据可得出学习者的简要介绍，同时为之后的分析提供数据支持。学生的作业完成情况、聊天室、讨论区信息的发送数目等作为智能数据与学习者数据一起用于分析。[6]为了实现实时数据分析，本案例使用SNAPP社会网络分析工具与LMS无缝对接，提取学习者在线学习产生的数据，形成交互视觉图，以更直观地显示学习者的学习动态。当LMS中有成员在论坛中发布消息时，网络结构图会实时更新。实验结果表明：该模型以81%的准确率预测了该门课程将会不及格的同学，从理论层面证明了基于LMS数据挖掘开发“早期预警系统”的可能性，教师可以根据预警系统快速识别处于“危险”中的学生，从而及时给予干预。
【总结】通过本案例我们看到了学习分析的广阔前景，较高的预测准确率使得自我导向预测模型的可靠性有了提高，从理论层面上实现了对“早期预警系统”开发的可行性，同时在数据处理时形成完整的步骤，为今后的研究提供了很好的参考依据。但是用作科学预测的指标还需进一步完善，寻找是否还有其他指标对成绩有预测作用。[7]对用于指标的探索性因子分析应在更多的教学情境中检验和修正。
（2）美国普渡大学“课程信号”
【项目目标】随着班级规模的持续扩大，在高等教育教学的过程中，尤其是在线学习中学生缺席、未充分参与课堂、学习滞后等现象频繁出现，但作为教师很难快速识别高危学生并及时调整课程。为了缓解持续下降的新生保有率以及持续增长的毕业周期等问题，使学生尽快跟上教学节奏、避免掉队，美国普渡大学启动了“课程信号”项目帮助学生优化学习过程。
【项目流程】“课程信号”项目于2007年实施。基于Blackboard平台，课程信号系统对学生数据进行搜集。数据来源主要有两类：一类是包括学习者地区、种族、性别、奖惩、前期学业历史、与系统交互次数、课程努力程度等一系列学习者特征的数据，此类学习者信息帮助生成学习者档案；另一类是来自课堂表现，即学生所获学分百分比的数据。系统结合两类数据，并根据SSA算法分析计算得出每位学生的数据，由所得数据在学生和教师端显示红、黄、绿三色信号灯预警。系统进行有效干预[8]，推送合适的学习资源帮助学生完善学习过程；学生也可以及时自我修正，有效避免了毕业周期延长的现象；同时教师也能及时发现学生的各类问题。对比数据发现[9]，使用课程信号系统后，成绩为A、B的学生增加了10.37%，学生的整体学习成绩有了明显提升。
通过对比各项数据与成绩的相关性，并经过多次的完善与调整，该系统建立了较为科学的SSA算法进行预测，并对学生数据采取实时追踪，更加精确、及时地为学生的学习提供分析。
【总结】作为学习分析领域的经典项目，经过不断优化完善，“信号课程”项目积累了大量的学习数据可供参考分析，其项目流程以及该系统在美国应用广泛。
（3）美国马里兰大学“自我检查活动”
【项目目标】为实现学生的自我诊断与评估，以直观的数据形式帮助学生了解自己的学习进程并与匿名同学之间进行比较学习，这样既保护了学生的隐私，同时也增强了他们的主观能动性。学生在充分了解自己的优势和不足后，通过自我组织学习过程，制订学习计划、学习策略等方法，从各角度进行自我修正与提升。
【项目流程】美国马里兰大学（UMBC）在2007年开设了“自我检查活动”（CMA）[10]，这个学生自我检测评估工具利用数据仓库集合从学生管理系统中获取的背景资料、等级等学习者档案信息数据，以及从Blackboard平台中收集的课程访问次数、时间、点击次数等学习者与系统的交互数据，作业成绩等智能数据。该系统在集成两类数据后通过Google Analytics对学生数据进行提取分析，形成可视化分析报告提供给师生，学生根据分析报告中的可视化描述，可清晰地了解自己的学习情况以及学习活动的参与度，同时该系统支持同学之间匿名进行比较，使他们能快速了解自己在班级中的活跃度及所处位置等。学生通过实时更新的个人化反馈，及时修正自己的行为；对于使用的教学材料，教师也可以进行相关干预。
CMA项目的实施对学生的学习起到积极的推动作用，在为期两年超过110门课程的跟踪调查中，有39%的学生等级有较为明显的提升。
【总结】在学习分析过程中，基于Blackboard平台的数据大多关注用户的文档管理、电子邮件的发送、聊天室讨论区的互动；而CMA项目则通过对数据的分析对学生进行合理评估，同时学生通过与其他同学的比较找到差距，提升了学习的主观能动性，并增强了对学习的责任感。
（4）案例分析总结
通过对国外三所高校的学习分析案例比较后，笔者就数据类型、分析过程、追踪预测、个性化或适应进行比较分析（如上页表）。
通过比较分析可得出：
①所获取的数据维度越广，需要的分析方法越多。
三个项目的分析过程中，学习者参与度、态度、学习效果数据均被搜集但有一定的局限性，数据来源应更加多样化，英属哥伦比亚大学搜集到同伴协作的智能数据，并使用社会网络分析法对学习者学习网络的构建情况进行解读，涉及学习情境因素对学习者的影响。相比而言，美国普渡大学及美国马里兰大学的数据来源范围较窄。
②项目目标不同使用的分析方法也不同，精准预测需要建模。
为了对学习者的学习行为进行预测，英属哥伦比亚大学及美国普渡大学需要建立相关算法模型，而美国马里兰大学只需进行数据挖掘，即可分析形成可视化描述。
