基于BOPPPS 模型的“金融數(shù)據(jù)挖掘”課程教學(xué)設(shè)計
——以“Apriori 關(guān)聯(lián)分析算法及金融應(yīng)用”為例

張在美

（長沙理工大學(xué)經(jīng)濟(jì)與管理學(xué)院 湖南 長沙 410076）

“金融數(shù)據(jù)挖掘”的課程理念是運用數(shù)據(jù)挖掘技術(shù)解決金融領(lǐng)域中的現(xiàn)實問題，在該課程的內(nèi)容設(shè)計上，應(yīng)當(dāng)技術(shù)、應(yīng)用兩手抓，既要學(xué)習(xí)數(shù)據(jù)挖掘的關(guān)鍵理論與技術(shù)，也要注重這些技術(shù)在金融領(lǐng)域的具體應(yīng)用，引導(dǎo)學(xué)生進(jìn)行創(chuàng)新思考的同時提高動手能力[1]。然而，對于金融學(xué)專業(yè)的本科生來說，其金融知識儲備較為充足，而計算機(jī)基礎(chǔ)相對薄弱，特別是在技術(shù)學(xué)習(xí)與工具運用上存在一定困難，因此，采用傳統(tǒng)的課堂教學(xué)方式向其灌輸數(shù)據(jù)挖掘技術(shù)知識，將難以取得滿意的效果。

BOPPPS 是一種強(qiáng)調(diào)以學(xué)生為中心、以問題為導(dǎo)向的探究式教學(xué)模型，契合當(dāng)前教學(xué)模式主流，也符合“金融數(shù)據(jù)挖掘”課程設(shè)計的需求。本文將以“Apriori 關(guān)聯(lián)分析算法及金融應(yīng)用”知識單元為例，詳細(xì)介紹其教學(xué)設(shè)計。

1 BOPPPS 教學(xué)模型概述

BOPPPS 教學(xué)模型由加拿大ISW（Instructional Skill Workshop）創(chuàng)建，目前被國內(nèi)外高校教師技能培訓(xùn)廣泛采用[2]。該模型將教學(xué)內(nèi)容分解為獨立的知識單元，每個單元圍繞教學(xué)目標(biāo)劃分為前后銜接的六個教學(xué)環(huán)節(jié)：

導(dǎo)入（Bridge-in）：引出本單元教學(xué)內(nèi)容，該環(huán)節(jié)的關(guān)鍵是成功引起學(xué)生的好奇心，激發(fā)學(xué)生的探究欲望與學(xué)習(xí)興趣，可以嘗試通過熱議話題、挑戰(zhàn)性問題思考、有趣的圖片或視頻等方式吸引學(xué)生的注意力；教學(xué)目標(biāo)（Objective/Outcome）：清晰展示可度量、可操作的教學(xué)目標(biāo)，讓學(xué)生明確學(xué)習(xí)方向，并以此為出發(fā)點和落腳點，貫穿于后續(xù)學(xué)習(xí)環(huán)節(jié)；前測（Pre-assessment）：了解學(xué)生的知識基礎(chǔ)，合理調(diào)整課程內(nèi)容的難易程度，進(jìn)一步明確后續(xù)講解的重難點，可通過提問、小測驗、討論等方式進(jìn)行；參與式互動教學(xué)（Participatory Learning）：通過師生之間以及學(xué)生之間的交互式學(xué)習(xí)與探討，深入理解并掌握課程內(nèi)容要點；后測（Post-assessment）：檢測學(xué)習(xí)目標(biāo)的達(dá)成度，檢驗教學(xué)效果；總結(jié)（Summary）：梳理知識點，引導(dǎo)學(xué)生反思，適當(dāng)延伸拓展。

以上六個環(huán)節(jié)缺一不可，環(huán)環(huán)相扣，無論是線上微課還是常規(guī)課堂，不拘泥于模型原有的時長限制，均可深入發(fā)揮對課程設(shè)計的指導(dǎo)作用[3-4]。學(xué)生全方位參與其中，通過教學(xué)過程中的多層次互動與反思，不但可以激發(fā)學(xué)生學(xué)習(xí)興趣，還可以幫助教師及時獲得反饋信息，充分了解學(xué)生的學(xué)習(xí)效果，及時調(diào)整后續(xù)教學(xué)內(nèi)容與節(jié)奏，促進(jìn)教學(xué)目標(biāo)的實現(xiàn)，使課堂教學(xué)更加科學(xué)高效。

2 基于BOPPPS 的“Apriori 關(guān)聯(lián)分析算法及金融應(yīng)用”教學(xué)設(shè)計

2.1 導(dǎo)入（Bridge-in）

關(guān)聯(lián)分析是數(shù)據(jù)挖掘的重要技術(shù)之一，在這一環(huán)節(jié)中，為吸引學(xué)生學(xué)習(xí)興趣，引入經(jīng)典案例“啤酒與尿布”：20 世紀(jì)80 年代，沃爾瑪在發(fā)明了條形碼、無線掃描槍、計算機(jī)跟蹤存貨技術(shù)后，積累了大量顧客消費記錄，通過運用數(shù)據(jù)挖掘技術(shù)進(jìn)行分析時意外發(fā)現(xiàn)，與尿布一起購買頻率最高的商品，是看似毫無關(guān)聯(lián)的啤酒。此關(guān)聯(lián)規(guī)則的發(fā)現(xiàn)為沃爾瑪制定銷售策略提供了重要依據(jù)，通過對兩種商品擺放位置及價格的調(diào)整，大大提升了二者的銷售量。

在介紹上述成功案例后，進(jìn)一步通過提問與討論的方式引發(fā)學(xué)生思考，現(xiàn)實生活中，類似“啤酒與尿布”的關(guān)聯(lián)關(guān)系廣泛存在，你能想到的有哪些呢？比如穿衣搭配、氣象關(guān)聯(lián)、精準(zhǔn)營銷等等。進(jìn)一步思考，在大家熟悉的金融領(lǐng)域中，又有哪些現(xiàn)象存在關(guān)聯(lián)關(guān)系？有何方法可以挖掘這些關(guān)聯(lián)規(guī)則？由此引出本知識單元的學(xué)習(xí)內(nèi)容。

2.2 教學(xué)目標(biāo)（Objective/Outcome）

針對本單元學(xué)習(xí)內(nèi)容，向?qū)W生清晰闡述應(yīng)達(dá)到的學(xué)習(xí)效果及目標(biāo)，包括需掌握的知識與技能、課程思政目標(biāo)等。

知識與技能目標(biāo)：①理解支持度、置信度、頻繁項集、關(guān)聯(lián)規(guī)則等基本概念；②掌握Apriori算法的核心思想與步驟；③通過一個完整具體的金融數(shù)據(jù)關(guān)聯(lián)分析案例，理解Apriori關(guān)聯(lián)分析算法解決了金融領(lǐng)域哪些問題，是如何解決的。以上三個目標(biāo)從基礎(chǔ)認(rèn)知，到技術(shù)核心，再到具體應(yīng)用，層層遞進(jìn)，緊密貼合學(xué)生的學(xué)習(xí)思維，有助于對該知識單元的整體把握。

課程思政目標(biāo)：引導(dǎo)學(xué)生了解近年來人工智能、數(shù)據(jù)挖掘技術(shù)的發(fā)展及對金融領(lǐng)域的滲透，明確金融科技、數(shù)字金融成為未來金融創(chuàng)新的重要方向以及服務(wù)實體經(jīng)濟(jì)、深化金融改革的重要力量。使學(xué)生意識到成為具有跨學(xué)科知識結(jié)構(gòu)、跨學(xué)科思維能力的高素質(zhì)金融科技人才的重要性，同時強(qiáng)化學(xué)生對中國金融業(yè)發(fā)展模式與未來前景的信心和奮斗決心。

2.3 前測（Pre-assessment）

本環(huán)節(jié)可采取現(xiàn)場提問或通過雨課堂向?qū)W生發(fā)布相關(guān)題目等方式進(jìn)行摸底測試。由于前測是課堂內(nèi)測試，不宜占用過多時間，因此測試題目應(yīng)精煉易解，主要起到對本單元所需的對以往知識進(jìn)行回顧點醒的作用。

圍繞Apriori關(guān)聯(lián)分析算法及金融應(yīng)用的教學(xué)內(nèi)容，前期所需期準(zhǔn)備的知識包括兩個方面：一是關(guān)于關(guān)聯(lián)分析算法的技術(shù)基礎(chǔ)知識，如條件概率、集合、布爾型數(shù)據(jù)、剪枝等相關(guān)概念及原理；二是在應(yīng)用方面，對現(xiàn)實生活以及金融市場中與關(guān)聯(lián)分析有關(guān)問題的了解程度。可以設(shè)置相關(guān)問題進(jìn)行測試并引發(fā)學(xué)生思考，如：一個包含k 個元素的集合可以產(chǎn)生多少個子集？在股票市場上，個股之間以及不同的股票市場之間是否存在關(guān)聯(lián)性，有何具體的關(guān)聯(lián)表現(xiàn)？

2.4 參與式互動教學(xué)（Participatory Learning）

參與式互動教學(xué)作為BOPPPS 教學(xué)模型的主體，是教學(xué)的關(guān)鍵環(huán)節(jié)，旨在改變傳統(tǒng)的被動式教學(xué)，引導(dǎo)學(xué)生主動加入教學(xué)環(huán)節(jié)中，體現(xiàn)“以學(xué)生為中心”的教學(xué)理念。本部分將選取一個完整的金融案例貫穿始終。

首先，基本概念與數(shù)據(jù)準(zhǔn)備。通過PPT 向?qū)W生展示一組簡化的顧客超市購物記錄，稱為事務(wù)數(shù)據(jù)集，請學(xué)生觀察各條購物記錄的異同。此時，學(xué)生會發(fā)現(xiàn)，某些商品組合會在不同的購物記錄中多次出現(xiàn)，而不同的商品組合出現(xiàn)的概率以及條件概率存在差異。由此現(xiàn)象引出“支持度”“置信度”“頻繁項集”“關(guān)聯(lián)規(guī)則”等概念，并結(jié)合購物記錄進(jìn)行理解消化。另外，通過引導(dǎo)，學(xué)生還會發(fā)現(xiàn)，數(shù)據(jù)集中的每一條購物記錄包含的商品數(shù)量各異，這并非一個典型的關(guān)系型數(shù)據(jù)集，請學(xué)生思考能否以及如何進(jìn)行轉(zhuǎn)換？結(jié)合布爾型數(shù)據(jù)知識，探討給出轉(zhuǎn)換方案，建立布爾型數(shù)據(jù)集，做好數(shù)據(jù)挖掘準(zhǔn)備。

其次，Apriori 算法原理。Apriori 關(guān)聯(lián)分析包含頻繁項集產(chǎn)生和規(guī)則產(chǎn)生兩個步驟[5]。其中，頻繁項集的產(chǎn)生較為關(guān)鍵，基于之前準(zhǔn)備好的數(shù)據(jù)集，通過如圖1（p114）所示的項集格結(jié)構(gòu)結(jié)合支持度測試來完成，請學(xué)生思考，如果對格結(jié)構(gòu)中的每個項集進(jìn)行支持度測試，開銷將非常大，有什么方法可以節(jié)省開銷呢？此時引入先驗原理，即“如果一個項集是頻繁的，則它的所有子集一定也是頻繁的；反之，如果一個項集是非頻繁的，則它的所有超集也一定是非頻繁的”。利用此原理進(jìn)行剪枝，如圖1 所示，可大大節(jié)省測試成本。關(guān)聯(lián)規(guī)則是在頻繁項集基礎(chǔ)上確定規(guī)則前件與后件，并結(jié)合置信度測試產(chǎn)生，此處引導(dǎo)學(xué)生對比頻繁項集減小開銷的做法，運用先驗原理進(jìn)行規(guī)則剪枝。

圖1 項集的格結(jié)構(gòu)及剪枝

最后，Apriori 算法的金融應(yīng)用。在掌握了Apriori 算法基本原理基礎(chǔ)上，以前述思考題中的股票市場為例，對國際上主要股票價格指數(shù)之間的下跌關(guān)聯(lián)情況進(jìn)行分析[6]。在此環(huán)節(jié)中，注意引發(fā)學(xué)生進(jìn)行相關(guān)思考與探討，如國際上主要的股票價格指數(shù)有哪些？如何定義具體的指數(shù)下跌幅度？如何處理各國交易日期不一致問題？等。另外，還應(yīng)注重對學(xué)生動手實踐能力的培養(yǎng)，通過課堂示范，對運用Python 實現(xiàn)本案例的主要代碼進(jìn)行解析，展示運行結(jié)果，并對結(jié)果進(jìn)行解析。例如，得到的一條形如“rule：DJI--FTSE--GDAXI→FCH（support：0.09751434，confidence：0.96835443）”的規(guī)則，可解釋為：如果道瓊斯工業(yè)指數(shù)、英國富時100 指數(shù)、德國DAX 指數(shù)跌幅都在0.5%以上，那么法國CAC40 指數(shù)跌幅也在0.5%以上的可能性達(dá)到96.84%，該規(guī)則的支持度即發(fā)生的概率為9.75%。另外，還可以讓學(xué)生對獲得的所有關(guān)聯(lián)規(guī)則進(jìn)行綜合拓展分析，通過引導(dǎo)分析將會發(fā)現(xiàn)，一些全球化程度比較高且經(jīng)濟(jì)發(fā)達(dá)國家的知名指數(shù)如美國道瓊斯工業(yè)指數(shù)、德國DAX 指數(shù)、英國富時100 指數(shù)、法國CAC40 指數(shù)、日本日經(jīng)225 指數(shù)等出現(xiàn)關(guān)聯(lián)性下跌的情形比較顯著，即對負(fù)面事件的影響存在著較為一致的看法，而亞洲國家或地區(qū)指數(shù)參與度不高，在關(guān)聯(lián)分析結(jié)果中較少見到這些指數(shù)。

2.5 后測（Post-assessment）

后測環(huán)節(jié)主要是針對課堂學(xué)習(xí)效果的檢驗評估。本知識單元對學(xué)生的考查主要集中在Apriori 關(guān)聯(lián)分析算法的基本原理與步驟及其在金融領(lǐng)域的應(yīng)用。可以設(shè)置相關(guān)問題由學(xué)生思考回答，如概述先驗原理、總結(jié)Apriori 關(guān)聯(lián)分析的基本思路，以及針對在國際主要股價指數(shù)下跌關(guān)聯(lián)案例中對Python 實現(xiàn)過程的掌握以及對所獲關(guān)聯(lián)規(guī)則的解釋。

2.6 總結(jié)（Summary）

本知識單元的教學(xué)重點是培養(yǎng)學(xué)生數(shù)據(jù)關(guān)聯(lián)分析的思維，掌握經(jīng)典Apriori 關(guān)聯(lián)分析算法的核心思想，并針對金融領(lǐng)域的具體問題進(jìn)行分析應(yīng)用，得出有意義的結(jié)論，為金融決策提供參考。結(jié)合后測環(huán)節(jié)的結(jié)果，了解學(xué)生對本單元內(nèi)容的掌握情況，從整體上再次梳理總結(jié)教學(xué)內(nèi)容體系與思路，結(jié)合其中的重難點進(jìn)行補充強(qiáng)調(diào)，并布置課后作業(yè)練習(xí)，如中國股票市場個股關(guān)聯(lián)性分析。此外，引導(dǎo)學(xué)生進(jìn)行拓展思考，比如Apriori關(guān)聯(lián)分析算法的缺點是什么，還有哪些其它的關(guān)聯(lián)分析方法？從而引出后續(xù)知識單元的學(xué)習(xí)內(nèi)容，引導(dǎo)學(xué)生提前做好準(zhǔn)備。

3 結(jié)論

“金融數(shù)據(jù)挖掘”是一門技術(shù)與應(yīng)用并重的交叉學(xué)科課程，對于金融學(xué)專業(yè)的學(xué)生來說，數(shù)據(jù)挖掘技術(shù)的學(xué)習(xí)存在一定的困難，容易產(chǎn)生枯燥厭煩的心理。因此，在授課中教師應(yīng)當(dāng)從學(xué)生容易接受的角度出發(fā)，將技術(shù)學(xué)習(xí)與金融應(yīng)用緊密結(jié)合在一起，并引入案例等多種教學(xué)方法，將課程內(nèi)容劃分為一系列相互獨立又可前后串聯(lián)的知識單元，然后基于BOPPPS 模型針對每一個教學(xué)單元進(jìn)行精心設(shè)計，真正做到以學(xué)生為中心，在師生互動中發(fā)現(xiàn)問題、學(xué)習(xí)技術(shù)、解決問題，最終實現(xiàn)教學(xué)目標(biāo)。