基于大數(shù)據(jù)技術的管理會計云教學平臺設計

趙玉婷

（湖南信息職業(yè)技術學院，湖南 長沙 410200）

隨著全球經濟的發(fā)展和信息化水平提升，管理會計在企業(yè)中的應用日益廣泛，我國對于管理會計人才的需求也不斷增加。在此背景下，管理會計教育培訓工作面臨前所未有的機遇與挑戰(zhàn)[1]。大數(shù)據(jù)技術具有海量數(shù)據(jù)處理能力、快速數(shù)據(jù)處理速度和深度數(shù)據(jù)分析的特點，已廣泛應用于企業(yè)經營管理、政府決策和社會治理等領域。同時，它的出現(xiàn)為管理會計教育改革提供了新的契機，通過構建基于大數(shù)據(jù)技術的管理會計云教學平臺，有助于豐富管理會計教育教學資源、提高教學質量、實現(xiàn)個性化教學和精準評估，為培養(yǎng)高素質的管理會計人才提供良好途徑。因此，本文對基于大數(shù)據(jù)技術的管理會計云教學平臺進行深入研究，從數(shù)據(jù)層、控制層和表現(xiàn)層3個方面進行平臺設計。希望通過本文的研究，能夠推動管理會計教育培訓模式的改革，同時希望為其他相關領域的大數(shù)據(jù)教學平臺設計提供參考，共同推動我國大數(shù)據(jù)教育事業(yè)的發(fā)展。

1 管理會計云教學平臺架構

基于大數(shù)據(jù)技術的管理會計云教學平臺主要由數(shù)據(jù)層、控制層以及交互層組成，管理會計云教學平臺的框架設計圖如圖1所示。

圖1 管理會計云教學平臺架構圖

如圖1所示，管理會計云教學平臺主要包括數(shù)據(jù)層、控制層和交互層。數(shù)據(jù)層包括數(shù)據(jù)采集模塊和數(shù)據(jù)處理模塊，其中，收集模塊承擔了從多元化數(shù)據(jù)源搜集信息的重要任務，并保證這些數(shù)據(jù)被適配到系統(tǒng)能夠接納和處理的統(tǒng)一格式。處理模塊的作用是對搜集的數(shù)據(jù)信息采取進一步加工、提取等操作[2]。控制層包括管理會計知識智能推薦模塊、云直播教學模塊、學習效果評價與反饋模塊。管理會計知識智能推薦模塊基于大數(shù)據(jù)技術和學生學習情況分析，自適應地提供適合學生個性化需求和學習水平的管理會計知識和學習資源；云直播教學模塊實現(xiàn)教師的遠程直播教學，包括在線課堂講解、互動答疑以及學生作業(yè)審核等。平臺表現(xiàn)層設計的核心宗旨是保證用戶體驗的質量，保證其能夠便捷地運用平臺資源，并迅速獲取所需信息。

2 軟件設計

2.1 數(shù)據(jù)層

2.1.1 數(shù)據(jù)收集模塊

在基于大數(shù)據(jù)技術的管理會計云教學平臺設計中，數(shù)據(jù)收集模塊是管理會計云教學平臺的重要組成部分，它負責從各渠道獲取海量數(shù)據(jù)，包括但不限于學生基本信息、學習行為數(shù)據(jù)、教學資源和財務數(shù)據(jù)等，以保證平臺有豐富的數(shù)據(jù)資源，以便進行后續(xù)的數(shù)據(jù)分析和應用[3]。

首先，需要明確所需采集的管理會計相關數(shù)據(jù)，例如學生學習行為數(shù)據(jù)、教師教學數(shù)據(jù)以及學習資源的統(tǒng)計數(shù)據(jù)等。通過API接口從已有的學校管理系統(tǒng)、在線學習平臺等處獲取學生學習行為數(shù)據(jù)以及教師教學數(shù)據(jù)；使用Python編程語言編寫爬蟲程序，從網頁中抓取管理會計資源數(shù)據(jù)。計算度中心性指標衡量某個節(jié)點有多少個直接連接的鄰居節(jié)點，度中心性越高，則該節(jié)點在網絡中的影響力越大，以評估經過該節(jié)點的路徑所占的重要程度，保證信息采集的快捷性與時效性。設度中心性指標為Ci，計算過程如公式（1）所示。

式中：ki為節(jié)點i的度數(shù)；n為網絡中節(jié)點個數(shù)。度中心性指標公式計算節(jié)點i的度數(shù)與所有節(jié)點的最大可能度數(shù)之比，因此可以將度中心性標準化為0～1的值，當度中心性指標約為0時，表示節(jié)點的度數(shù)相對較低，表明該節(jié)點在網絡中的影響力相對較小；當度中心性指標約為1時，表示節(jié)點的度數(shù)相對較高，說明該節(jié)點在網絡中的影響力較大。

其次，必要的數(shù)據(jù)驗證將保證采集的數(shù)據(jù)資源符合預定格式和要求，包括對數(shù)據(jù)邏輯性和完整性進行驗證，數(shù)據(jù)邏輯驗證將驗證數(shù)據(jù)之間的邏輯關系是否符合規(guī)則；數(shù)據(jù)完整性驗證將檢查采集的數(shù)據(jù)是否完整[4]。在傳輸過程中采用AES對稱加密算法進行加密，以保證數(shù)據(jù)的機密性；利用TLCG截斷線性同余生成器進行數(shù)據(jù)脫敏措施，防止數(shù)據(jù)泄露和非法訪問，保障數(shù)據(jù)的安全性和隱私保護，其計算過程如公式（2）所示。

式中：o為數(shù)據(jù)脫敏后的結果；fm為TLCG生成的數(shù)據(jù)隨機數(shù)；fm+1為生成的下一個數(shù)據(jù)隨機數(shù)；a為線性同余生成器參數(shù)；c為線性同余生成器參數(shù)。與a共同決定隨機數(shù)的分布特性和為常數(shù)；v為線性同余生成器模數(shù)，即隨機數(shù)的取值范圍。通過以上步驟，可以實現(xiàn)數(shù)據(jù)脫敏，保護敏感信息不被泄露，保證在后續(xù)模塊環(huán)境中使用安全、真實的數(shù)據(jù)集。

2.1.2 數(shù)據(jù)處理模塊

在數(shù)據(jù)處理模塊中，OpenRefine工具對初始數(shù)據(jù)集執(zhí)行凈化處理，以保證數(shù)據(jù)的品質和精確性。相關的數(shù)據(jù)預處理步驟如圖2所示。

圖2 采集數(shù)據(jù)預處理流程圖

如圖2所示，對數(shù)據(jù)執(zhí)行正則表達式驗證，以保證其處于規(guī)定范圍內、符合既定格式且具備唯一性。不符合這些標準的異常數(shù)據(jù)將被送回至數(shù)據(jù)收集單元重新獲取。對于通過驗證的合規(guī)數(shù)據(jù)，將按以下流程進行處理：首先，使用pandas庫進行數(shù)據(jù)去重操作，以刪除重復的數(shù)據(jù)記錄，保證數(shù)據(jù)的唯一性；其次，執(zhí)行數(shù)據(jù)凈化步驟，糾正錯誤數(shù)據(jù)并清除缺失數(shù)據(jù)條目。最后，采用Z-score技術補充缺失數(shù)據(jù)點，該技術利用正態(tài)分布原理，并通過估算數(shù)據(jù)點與整體平均數(shù)的偏差來補足數(shù)據(jù)，具體計算方法如公式（3）所示。

式中：z為填充后數(shù)據(jù)點的值；τ為初始數(shù)據(jù)集；μ為初始數(shù)據(jù)集的算數(shù)平均數(shù)；α為數(shù)據(jù)集填充后的方差的無偏估計值。

利用numpy庫的功能，對數(shù)據(jù)進行必要的轉換，保證所有數(shù)值都有統(tǒng)一的度量單位，并且進行了規(guī)范化的線性處理，這樣可以使數(shù)據(jù)集在特定的標準化范圍內保持一致，為分析階段做好準備。然后評估經過標準化處理的數(shù)據(jù)集的分散度，可以通過計算偏度統(tǒng)計量來實現(xiàn)，具體計算方法如公式（4）所示。

式中：l為偏度結果函數(shù)；εi為數(shù)據(jù)集中單個實例樣本；κ為數(shù)據(jù)集的中央趨勢度量；α為數(shù)據(jù)集的離散度度量；g為數(shù)據(jù)集的樣本量；l為偏度統(tǒng)計量。

數(shù)值越大，數(shù)據(jù)的波動范圍越廣，說明數(shù)據(jù)集較為無序，因此需要重復執(zhí)行標準化過程以規(guī)范數(shù)據(jù)；數(shù)值越小，則數(shù)據(jù)的波動性較低，表明數(shù)據(jù)集較為集中和一致，在這種情況下數(shù)據(jù)集將被轉移到下一個模塊進行處理。處理完成的數(shù)據(jù)集被加載至PostgreSQL數(shù)據(jù)庫中妥善保存，并且利用定時的任務隊列技術來執(zhí)行實時監(jiān)聽任務。這確保了新數(shù)據(jù)能夠即時被數(shù)據(jù)庫攝入，從而保證數(shù)據(jù)集的內容的完整性和時效性。

2.2 控制層

2.2.1 管理會計知識智能推薦模塊

基于人工智能技術的管理會計云教學平臺中，智能推薦模塊是關鍵的人工智能驅動組件。其宗旨是為每位學員提供量身定制的教學資源，這些資源精準地對應該學員的學習興趣、個體特征和職位需求。

初步階段，利用自然語言處理（NLP）技術對已收集及整理的用戶數(shù)據(jù)執(zhí)行深度剖析，涵蓋管理會計實踐經驗、職業(yè)歷史、企業(yè)所屬行業(yè)以及個性化需求等多個維度，旨在更好地了解每位學習者的背景和學習需求，以定義每個學習者詳細的學習特征和屬性，進而為其提供基于需求的定制化管理會計知識智能推送。采用深度學習算法構建一套依托用戶畫像的個性化管理會計知識推薦數(shù)字模型，該模型將自動分析學習者偏好，并通過皮爾遜相關系數(shù)精準性估計學習者對尚未掌握、未知知識點的潛在興趣度，具體計算方法如公式（5）所示。

式中：r為皮爾遜相關系數(shù)；xi和yi分別為用戶x和用戶y對商品i的評分；和y分別為用戶x和用戶y的平均評分。通過學習者之間的相似度分析，找到與目標學習者相似的其他學習者，并根據(jù)這些相似學習者對管理會計知識的喜好，預測目標學習者對特定知識的學習興趣。然后利用強化學習算法調整推薦模型策略，使模型能夠在推薦過程中動態(tài)地優(yōu)化策略，逐步提高推薦質量。在強化學習過程中，將學習者的滿意度作為獎勵信號，引導模型在推薦過程中關注學習者的需求和興趣。最后，采用貝葉斯全局優(yōu)化方法搜索最優(yōu)推薦算法參數(shù)，構建一個先驗概率模型，以預測未嘗試過的參數(shù)組合的性能表現(xiàn)。為更新概率模型，使用梯度下降優(yōu)化算法，不斷探索參數(shù)空間，經過多次迭代，得到最優(yōu)參數(shù)推薦組合，梯度下降法計算過程如公式（6）所示。

式中：θ為當前參數(shù)值；η為學習率。控制每次迭代更新參數(shù)的步長，Δq（θ）為損失函數(shù)q（θ）關于參數(shù)θ的梯度以及方向導數(shù)。綜上所述，該模塊通過分析學習者的興趣和需求，生成個性化推薦列表，為每個學習者推薦最相關的研究領域，包括財務報告、成本管理、預算編制和風險管理等方面。

2.2.2 云直播教學模塊

通過管理會計云教學平臺的云直播教學模塊，教師可以在平臺上開設實時在線課程，學生可以通過網絡接入平臺進行實時在線學習。通過自建服務器集群搭建云服務器環(huán)境，保證服務器具備足夠的帶寬和性能支撐高質量的直播流傳輸。然后搭載Phantom TMX系列超高速攝像機進行教師直播教學視頻采集，利用大數(shù)據(jù)技術中先進的圖像識別和前饋神經網絡算法將不同地域及不同設備學習者的虛擬人物形象連接到同一個在線虛擬課堂環(huán)境中，并將所有在線學習者的虛擬形象進行智能混合。前饋神經網絡算法如公式（7）所示。

式中：d為輸出層輸出；e為輸入層輸入；j為權重矩陣，連接輸入層和隱藏層以及輸出層和隱藏層；b為偏置向量，對應于每個隱藏層和輸出層的神經元，f（e×j+b）為激活函數(shù)，用于將輸入轉化為輸出。該階段的目標為創(chuàng)建一個具備管理會計知識智能教學功能的生態(tài)系統(tǒng)，在該系統(tǒng)中參與在線課程的學生和教師將配備各自的虛擬代表，并在共用的學習環(huán)境中協(xié)同參與。利用FFmpeg編碼工具對采集到的視頻進行壓縮編碼，以減少帶寬占用并提高播放效果，并通過RTMP流媒體傳輸協(xié)議將經過編碼的視頻流實時傳輸?shù)皆品掌魃稀＠肳ebSocket即時通信技術為學生提供在線提問、答疑環(huán)節(jié)和課堂小測驗等實時互動功能。為滿足學生的學習需求，云直播教學平臺需要提供錄制回放功能，將直播過程錄制視頻保存在阿里云OSS云端，方便學生隨時觀看，同時考慮到教學內容的安全性和保密性，云直播教學模塊需要采取SSL/TLS加密傳輸、JWT用戶身份驗證和OAuth2.0認證授權管理等安全措施。

2.3 表現(xiàn)層

基于大數(shù)據(jù)技術的管理會計云教學平臺中，表現(xiàn)層的作用是向學員展示直播界面和學習數(shù)據(jù)，并確保系統(tǒng)的易用性和用戶友好性。首先，使用Vue.js前端框架進行界面開發(fā)，以實現(xiàn)直播界面、學習數(shù)據(jù)展示和其他交互功能。其能夠提供響應式和組件化的開發(fā)模式，使界面在不同設備和分辨率下都能保持良好的顯示效果和性能。其次，利用Animate.css和ECharts提升數(shù)據(jù)展示的直觀性和趣味性。HTML負責構建頁面的基本骨架，定義頁面的結構，例如頭部、導航欄、主要內容區(qū)域、側邊欄以及腳部等，以實現(xiàn)清晰、有序的頁面布局。此外，使用圖標庫和標簽等元素，以清晰地表示每個選項。在這個模塊中，為確保學員能夠參與互動并獲得相關信息，需要提供明確的輸入字段和相關提示。最后，采用Node.js服務器技術保證平臺的性能和穩(wěn)定性，并將PostgreSQL數(shù)據(jù)庫作為主要的數(shù)據(jù)庫系統(tǒng)，以存儲和管理教育培訓平臺的數(shù)據(jù)。

3 測試試驗

3.1 試驗準備

為驗證基于大數(shù)據(jù)技術的管理會計云教學平臺的實際應用效果，本次試驗準備了一系列軟硬件環(huán)境及技術框架。選用高性能的Microsoft Server作為運行環(huán)境，以確保平臺的穩(wěn)定性和可靠性。在開發(fā)過程中，采用成熟的Microsoft .NET Framework進行快速開發(fā)，以構建輕量級的高性能應用程序。同時，為處理高并發(fā)請求并提升平臺訪問速度，采用Nginx作為Web服務器，其使用事件驅動的異步非阻塞I/O模型，可以同時處理數(shù)以萬計的并發(fā)連接。為增強實時數(shù)據(jù)處理和提升用戶參與體驗，采用WebSocket協(xié)議來優(yōu)化通信機制，確保用戶在界面上的每一項操作都能迅速得到響應，并即時反映結果。后端架構采用JSON格式作為數(shù)據(jù)交換主要方式，便于不同客戶端（例如Web端、移動端）之間的通信。此外，為滿足大數(shù)據(jù)處理需求，試驗還采用了Hadoop、Spark等大數(shù)據(jù)技術框架，同時為保障平臺安全，采用SSL（安全套接字層）加密技術，保障用戶數(shù)據(jù)和隱私安全。

3.2 試驗結果

為深入分析基于大數(shù)據(jù)技術的管理會計云教學平臺在性能方面的表現(xiàn)，本研究在5個異構節(jié)點上執(zhí)行了一系列資源消耗測試。試驗結果見表1。

表1 測試試驗結果

試驗結果顯示，該平臺的平均數(shù)據(jù)采集時間為8.52 ms，該指標反映了系統(tǒng)具備高效的數(shù)據(jù)采集能力，能夠快速捕捉并響應用戶請求；平均數(shù)據(jù)傳輸速率為21.20 Mbit/s，此傳輸速率充分支持高數(shù)據(jù)吞吐量的場景，保障了大規(guī)模數(shù)據(jù)集的即時傳輸與處理；計算時間在2.02 s內完成，表明平臺能夠快速完成數(shù)據(jù)處理任務，提供及時的分析結果，且所有節(jié)點的準確率都在98.5%以上，表明平臺在數(shù)據(jù)處理和分析方面的準確度非常高，能夠滿足用戶對數(shù)據(jù)準確性的需求。綜上所述，基于大數(shù)據(jù)技術的管理會計云教學平臺具備高速的數(shù)據(jù)采集和傳輸能力、快速的計算處理能力以及高準確率的數(shù)據(jù)分析能力，使該平臺適用于管理會計云教學領域，能夠提供高效、準確的教學支持和服務。

4 結語

綜上所述，大數(shù)據(jù)技術的應用為管理會計教育領域帶來了前所未有的創(chuàng)新和變革，在提高教學效果、優(yōu)化教育資源配置和推動教育公平目標的實現(xiàn)等方面具有重要的現(xiàn)實意義。本研究首先設計了一個基于先進大數(shù)據(jù)技術棧的管理會計云教學平臺的總體架構，接著詳細闡述了該平臺中數(shù)據(jù)收集、數(shù)據(jù)處理、管理會計知識智能推薦以及云直播教學四個核心模塊的技術構建和實現(xiàn)過程，最終成功搭建并運行了管理會計云教學平臺。展望未來，隨著機器學習、人工智能和復雜事件處理等技術的進一步融合與優(yōu)化，平臺將實現(xiàn)更加深入和精準的個性化教學，為管理會計教育提供更加智能化、靈活化和人性化的服務。此外，基于大數(shù)據(jù)技術的管理會計云教學平臺在為我國教育事業(yè)發(fā)展帶來巨大變革的同時，相關技術人員需要關注數(shù)據(jù)安全、隱私保護等潛在的風險與挑戰(zhàn)。