高職擴招背景下OBE +分層分類的教學模式探討
——以大數據方向課程為例

王麗娟，李靜，所輝，奚文娟，王雅嫻

（廣東機電職業技術學院，廣東廣州 510515）

近幾年，國家經濟開始由高速發展向高質量發展轉變，為了優化產業和就業結構，讓更多的勞動者掌握專業技能，更有力地支撐行業發展，高職院校持續擴招。招生規模的擴大，在給高職院校帶來更大的發展空間以及優化職業教育體系和人才布局的同時，也給高職院校的教學工作帶來了很大的挑戰。擴招意味著高職院校的生源結構更加多樣化，生源可能來自高考、學考、中職升學、社會進修等各個層面，要保證職業教育的質量，課程教學改革勢在必行。

1 高職院校大數據教育現狀分析

目前，計算機相關專業是高職院校在校生人數最多的專業群，自從2016 年國家教育部發布的《普通高等學校高等職業教育（專科）專業目錄》在計算機類增加了大數據技術與應用以來[1]，各院校都先后設立了大數據相關專業或者方向。大數據技術的學習需要學生有扎實的數學基礎和計算機編程能力，高職院校擴招情境下復雜多元的生源結構和參差不齊的認知水平情況，增加了大數據相關教學的難度。

2021 年11 月，工業和信息化部發布《“十四五”大數據產業發展規劃》，推進了大數據行業的發展，產業規模擴大，以大數據為核心的新一代信息技術革命加速推動數字化轉型升級[2]。隨著大數據產業迅速發展，與其相關企業也在增多，對人才的需求也不斷擴大，無論是政府、企業還是個人，都離不開數據，大數據人才缺口正持續增大，未來基礎性數據分析人才缺口將達到1 400 萬人[3]。

高職教育是以培養學生應用能力為主旨，以促進學生就業為導向。高職院校大數據相關專業和方向近幾年的平均就業率比較高，但就業對口情況不佳，大量學生在畢業后從事與大數據完全不相關的職業。大數據領域就業是指從事大數據采集、存儲、清洗、處理、治理、挖掘并加以利用、管理、維護和服務相關的工作。企業提供的大數據崗位主要分成了四類：數據分析類、挖掘算法類、開發運維類和產品運營類[3]，挖掘算法類崗位對從業者的技能和學歷要求較高，其他三類對從業者的技能和學歷要求相對較低。解決學生就業對口問題要以課程教學改革為切入點，旨在逐步推進高等職業教育和人才培養模式的優化和改革。

2 擴招背景下高職院校大數據方向課程教學現存問題

在專業目錄新增大數據專業以后，初始主要是本科院校設立該專業，因此，后續高職院校大數據專業或方向的設立都是參考本科院校的人才培養體系和課程體系，這就存在很多問題，主要表現在課程內容和教學實施兩個方面。

2.1 課程內容選擇和組織形式

目前，大數據方向的課程內容涵蓋大數據處理流程，內容較多，而很多高職院校并沒有根據自身特點進行篩選，導致教學內容沒有針對性，內容龐雜但不夠深入。面對繁雜的課程內容，學生學習壓力大，難以掌握全部知識點，學習效果不佳。課程內容以直線式方式組織，前后內容基本不重復，未考慮知識的銜接性。學生學習到的知識是片段式的，難以形成連貫的知識體系。

2.2 教學活動實施

大數據方向課程教學是以實際應用為目的，是技能型的教學。高職院校大數據方向課程的教學仍然采用傳統教學方法，未注重能力的培養，難以調動學生學習的積極性和主動性，不利于學生掌握和應用技能。

3 基于OBE +分層分類的教學模式改革大數據方向課程

OBE（Outcome-Baced Education）教育模式圍繞五個問題開展：（1）學生取得什么樣的學習成果？（2）為什么要讓學生取得這樣的學習成果？（3）如何有效地幫助學生取得這些學習成果？（4）如何知道學生已經取得了這些學習成果？（5）如何保障學生能夠取得這些學習成果[4-7]。從大數據就業出發，以數據分析類、開發運維類和產品運營類三種崗位的專業技能和職業素養為主導，確定課程內容和組織形式、教學方式、教學評價方式。

在了解高職擴招特點的基礎上，制定有針對性的人才培養目標，分層分類培養、教學、考核、管理，以實現精準化教學[8-11]。分層分類教學主要是指兩個方面：學生和課程內容。雖然高職擴招以后，生源多元化，但根據心理學的研究，人的認知水平存在層級，且在不同層級之間存在明顯區別。所以，依據維果斯基認知水平理論，根據學生現有認知水平，將學生劃分成不同的層級。課程內容以模塊化的形式進行劃分，適配每個類別的學生。針對不同類別的學生提供不同的學習內容和學習方法（見圖1）。

圖1 基于OBE +分層分類的教學模式

3.1 確立以就業為導向的層級教學目標

根據OBE 教學模式，以就業為導向確立大數據方向教學目標。從多渠道獲取行業和崗位數據進行分析，從知識、技能和關鍵能力三個方面細化大數據方向不同崗位的層級教學目標。根據調研分析的結果，以數據分析類崗位為例：知識方面，需要學生掌握數理統計、數據采集、分析流程、分析報告撰寫等知識；技能方面，需要掌握常用的工具和軟件，比如Excel、Tableau、Python、數據庫等；關鍵能力方面，主要是分析問題、解決問題、溝通表達、團隊協作、數據安全等素養。

3.2 分層分類模塊化的教學內容

根據學生分類情況和知識邏輯，將課程內容劃分為多個通用和專用模塊。課程內容的組織采用螺旋式方式，根據學生的職業傾向性，在不同階段使部分內容重復出現，逐漸擴大知識范圍、提高難度。針對不同類型的學生提供不同難度的內容，采用不同模塊的組合。采用多樣化的教學方式，調動學生的學習積極性，發揮其潛能。

3.3 多樣化的教學組織形式

采用線上和線下相結合形式，將整個教學過程分為課前、課中和課后三個階段[12]。線上教學：整合超星、慕課、智慧職教等平臺的課程，學生以類別為單位，在教師的引導下自主探索學習，設置隨堂練習和學生分享環節，及時檢查學生的學習情況。線下教學：教室、實驗室、企業三種情境配合，教師在教室借助多媒體進行理論知識講授，實操和項目部分通過實驗室和企業來展開。同時，鼓勵學生參加各類大數據比賽，考取大數據相關證書，課證賽融通。

3.4 多元化的教學評價模式

結合形成性、總結性和增值性評價[13-14]，在課前和課中通過問卷、隨堂練習等方式開展形成性評價，完成系列知識點學習時進行總結性評價，全過程開展增值性評價，關注學生的變化，形成綜合性、全面的評價。

4 OBE + 分層分類的教學模式在軟件技術專業大數據方向課程中的應用

以廣東機電職業技術學院軟件技術專業大數據方向的數據分析方法與應用課程為例開展OBE+分層分類的教學。

4.1 根據學生的認知、學習水平和職業傾向進行分類

根據學生的認知水平、學習水平和職業傾向設計問卷，問卷題目涉及主觀和客觀兩方面，主觀性問題是由客觀性問題決定的。客觀性問題主要涵蓋學生對學習、生活、解決問題等的滿意程度。認知類題目答案設置為兩個等級，職業傾向類題目答案設置為三個層級，分別代表不同層級和類別。經過問卷調查數據的分析，將學生分成五類，課程教學會根據劃分的類別分別展開。

4.2 課程內容的選擇和模塊化

帶著OBE 教學模式的前兩個問題以及就業崗位所需要的技能，針對高職教育的特點，確定了數據分析方法與應用課程的教學內容是以Python 語言為基礎的數據分析，包括Python 基礎、數據結構、函數、NumPy 基礎、Pandas 基礎、數據清洗、數據規整和可視化8 個部分。課程內容也體現了螺旋式的組織形式，前三個部分的基礎內容，學生在大一第二學期已經學習過，其余部分屬于新增內容，新增知識由易到難循序漸進。確定課程內容以后，將其按照知識點邏輯劃分成通用模塊和專用模塊。

4.3 以學生為主體、以教師為主導的多樣化教學

將課程與就業緊密結合，帶著OBE 模式的后三個問題開展課程教學。課前，主要是預習，數據分析應用案例和發展狀況部分的內容是教師帶著學生參觀本地一家大數據分析企業，讓學生了解大數據的應用，激發學生學習的主動性和積極性；技能知識的學習是利用線上課程資源來展開，學生以劃分的類別為單位開展預習，并對預習的結果進行形成性評價，教師主要通過學生的預習數據安排授課內容、形式、方式等。課中，教學形式比較多樣，理論內容借助多媒體進行講授或者通過翻轉課堂向學生展示；實操內容，分別為教師演示、帶著學生實操，學生自主實操，實操結束后以類別為單位讓學生匯報展示。課后，通過作業對知識進行延伸拓展，根據學生作業情況和反饋情況，教師開展教學反思。

4.4 以證、賽促進教學

高職院校大力推進“1+X”證書制度的施行，大數據產業的崛起也衍生了“大數據+ X”。由工業和信息化部組織的每年6 月和11 月進行的信息化技術水平考試與大數據方向課程教學內容非常匹配，且該證書的考試時間也是課程的中后期，學生都報考了該證書考試。

大數據相關的比賽非常多，比如職業院校學生專業技能大賽（大數據技術與應用）、“泰迪杯”數據分析技能賽、計算機程序設計員（大數據分析方法）賽項等。這些競賽的考查內容與課程內容高度相關，教師鼓勵學生參加此類競賽，將所學知識進行轉化。

4.5 教學評價與教學反思

大數據方向課程考核由平時成績和期末成績組成，不同類別學生的期末成績通過統一考核取得，平時成績則根據學生在學習過程中的綜合表現來評定，對不同類別的學生進行平時成績的評定時側重點不同。教師根據授課中多元化的評價數據，對教學實踐總結思考。針對大數據方向課程，教師后續應該進一步提高實操和完整項目訓練的比例，讓學生能夠更好地學有所用。

5 結語

高職院校在擴招過程中面臨著機遇與挑戰并存的局面。本文以軟件技術專業大數據方向課程為研究對象，提出了基于OBE +分層分類的教學模式，根據學生的認知水平和就業傾向進行層級和類別的劃分，能夠更加合理地劃分學生群體，更有針對性地選取課程內容，以期為擴招背景下的大數據課程教學提供一些參考。