新工科背景下基于OBE的大數據課程教學實踐

摘"要：首先，本文通過問卷調查與師生訪談相結合的方式，分析我校的“大數據技術原理與應用”課程的主要教學問題與原因。其次，以此為依據，結合“新工科”專業建設的新要求，提出基于OBE教育理念的教學改革措施并進行教學實踐。最后，通過課程考核數據的分析對比，發現學生的學習成果得到提高，措施預期效果得到實現。

關鍵詞：新工科；OBE理念；大數據；教學改革

1"概述

《教育部高等教育司關于開展新工科研究與實踐的通知》與《高等學校人工智能創新行動計劃》提出了“新工科研究和實踐圍繞工程教育改革的新理念、新結構、新模式、新質量、新體系開展”，要求推進“新工科”專業建設。在國家政策與社會發展的雙重推動下，越來越多的高校開設了大數據技術相關課程，以培養大數據技術的專業人才［1］。

“大數據技術原理與應用”課程作為大數據相關專業的基礎課程，是“新工科”專業改革類項目的重要內容［1］，是一門綜合性較強、涉及知識面較廣的課程，在培養大學生的大數據思維與數據分析能力等方面都起到了重要作用［2］。課程的培養目標是培養滿足新工科教育要求的，具有創新能力、實踐能力和團隊合作精神的工程人才［3］。OBE（OutcomeBased"Education，OBE）教育理念是一種以成果為目標導向，以學生為本，采用逆向思維的方式進行的課程體系的建設理念［4］。因此，OBE理念與本課程有著較高的契合度，通過以學生為中心，以學習成果為指導，重構教學內容，優化教學方法以及規范教學資源，進而達到提高課程質量的效果。

2"教學現狀調查與原因分析

為了解本校“大數據技術原理與應用”的學情，通過調查問卷班級授課、隨堂聽課活動和師生訪談等調研方式，總結出以下教學問題。

2.1"學習分化嚴重

學生的學習分化現象普遍存在，課堂表現差異性較大，課程成績也存在較大斷層。通過調查問卷與師生訪談，發現造成該現象的直接原因是學生的學習動機存在較大差異，而根本原因則是學生專業背景的差異性。接下來是調查問卷中受訪學生的專業分布數據，如表1所示。

經統計，受訪學生（115個）的專業組成以計算機類專業為主（74.77%），但也含有25%以上的非計算機類專業，而且部分專業與計算機類專業差別較大，如食品類、運輸類和畜牧業類等專業。

2.2"實驗教學效果不佳

大部分學生在實踐環節的學習進度緩慢，經常會出現各種問題。為了解原因，我們設置了相關問卷問題，結果發現，學生反映的影響實驗學習的問題主要集中在硬件條件和組件版本兼容方面。以下結合課程特點，分析原因：

（1）Hadoop框架與組件的安裝與部署過程煩瑣，且容錯性較低，任何一個配置出現問題，整個系統將無法正常運行。

（2）Hadoop生態圈組件之間存在較大的功能耦合性，如Hbase、Hive等組件的功能必須依賴HDFS的底層數據存儲服務。

（3）大數據分析流程需要多個組件協同工作，對實驗設備的配置條件要求較高。

3"改革措施

3.1"以學習成果為導向，重構教學內容體系

目前，我國大數據相關專業人才需求量巨大，且廣泛分布于各種類型的崗位，其中以技術開發類崗位的人才需求較高［5］，因此，教學內容應以大數據基礎原理與實用性數據分析技能為主。

因此，針對2.1中的問題，根據行業發展需求與學生的學習需求，教師應因地制宜地對《大數據技術原理與應用》的內容進行篩選與階梯式的模塊化設計（如圖1所示）。

圖1

把課程內容劃分為基礎模塊、進階模塊與高階模塊，教師根據學生的學習目標向其推薦學習模塊，學生以此模塊作為學習導向。例如，學生的專業要求只需要其了解大數據的基本概念，教師則可推薦其學習基礎模塊即可；若學生希望進一步了解某個專業數據分析工具的使用，以便應用到今后的學習與生活中，教師則可以建議學生在選擇進階模塊作為目標學習；若學生希望將來從事相關的專業技能崗位，要求其具備較高的大數據素質，我們則鼓勵學生選擇以高階模塊作為目標而學習。

3.2"以學生為中心，優化教學方法

針對2.2中的問題，采取線上線下混合式的分段教學方法以及規范教學資源標準，以具體介紹其內容。

3.2.1"分段式教學

《大數據技術原理與應用》的每個章節都要求學生先學習組件的基礎理論，然后安裝和使用組件。故針對2.2中的問題，根據知識的屬性與各個教學階段的特點，將每個知識模塊的教學內容分成三段：（1）環境搭建與基本使用。（2）架構與原理。（3）綜合實踐。這三段內容將被安排在課前、課中、課后三個教學階段中進行。其具體內容與分段依據如圖2所示。

環境搭建與基本使用：包括實驗環境的安裝部署和基本命令的學習。這部分內容主要以過程性知識與簡單的驗證性實驗為主，故完全可以布置在課前，讓學生以自學的形式完成。教師在課前通過線上平臺發布教學資源，學生可以反復觀看，提前完成實驗環境的部署與基本命令的學習。

架構與原理：包括大數據生態組件的架構、工作機制、編程API的講授與演示。此部分知識既包含理論知識，又包含實踐知識，為課程的重難點內容所在，故應由授課教師在課中集中向學生講解。

綜合實踐：學生根據所學知識，綜合利用大數據生態組件的編程API與基本命令，完成數據分析實驗。此部分為學生綜合應用階段，可安排在課中與課后進行，教師應及時跟進學生反饋并做出針對性指導。

以下以HBase的分段教學為例，各個階段的教學內容規劃與教學行為如圖2所示：

3.2.2"規范教學資源

授課教師或課程負責人在開課前根據技術發展情況，協商統一好教學中所用的軟硬件標準，例如教材版本、平臺參數、軟件版本等，避免學生在實驗學習中受到該類問題的影響。規范后的軟件版本參數見表2。

4"實踐效果驗證

為了驗證教學改革的實踐效果，對我校兩個授課班級進行了教學實踐，并根據相同的考核方式進行考核。授課班級的學生均由學校隨機分配，課程成績由平時成績（占50%）和課程設計成績（占50%）兩部分組成。

4.1"平時成績分析

平時成績由多個子項目的分數組成，其中，評價主圖與評價內容的多元化避免了傳統的課程考核的單一性問題［6］。平時成績的考核體系見表3。

對于實驗班與對照班，分別采用本教學改革與傳統的教學模式開展教學，得到其平時成績的分布情況（如圖3所示），其中左圖為對照班考核數據，右圖為實驗班考核數據。

由數據可知，對照班的平時成績的平均分是72.9，實驗班則是74.4，對照班的分數在（80，90）區間的占比為1/52，而實驗班是7/46，這些均能在一定程度上說明優化后的考核體系，可以多方位地評價學生，提高評分的客觀性，激發學生平時學習的積極性。

4.2"課程成績分析

課程成績屬于終結性評價，是指學生在完成了一個學期的課程學習后，綜合運用所學知識與技能完成一個關于大數據分析的全流程任務?？己梭w系的考核體系見表4。終結性評價

以下是課程設計分數的情況（如圖4所示），其中左圖為對照班數據，右圖為實驗班數據。

由數據可知，對照班的課程設計成績的平均分是8288，實驗班則是86.11，對照班的分數在（80，90）區間的占比為20/52，而實驗班是23/46。這些均能在一定程度上說明優化后的考核體系，可以多方位地評價學生，提高評分的客觀性。

綜上所述，從平時成績、課程設計成績和課程成績兩方面分析，學生的課程學習效果均得到提升，融入OBE教育思想的教學改革實踐得到了積極效果，提高了學生的學習積極性與學習成果質量。

結語

立足于新工科建設背景，基于OBE教學理念，針對課程“大數據技術與原理”提出教學改革措施并進行教學實踐，最終取得了實質性的教學效果，為相關類型課程的教學改革提供了參考案例。

參考文獻：

［1］教育部辦公廳關于公布首批“新工科”研究與實踐項目的通知.

［2］馮小潔.基于大數據思維的大數據技術原理與應用教學改革［J］.計算機教育，2020（04）：133137.

［3］龔萬煒，王春霞.遵循OBE理念的新工科移動通信課程教學改革［J］.福建電腦，2023，39（08）：121124.

［4］新工科下人才培養“OBE”模式.教育部學校規劃建設發展中心［20210728］.

［5］呂英杰，脫虹，翟浩，等.大數據專業人才社會需求分析及人才培養策略［J］.高教學刊，2023，9（01）：1720.

［6］沈利迪.基于OBE的多元化課程考核評價體系設計與實踐［J］.電腦與電信，2020（12）：3739+61.

課題（基金）項目：廣州市科技局科學研究項目：大數據分析平臺的關鍵技術及應用示范（課題編號：2016070"10152）

作者簡介：周健燁（1995—"），男，漢族，廣東佛山人，碩士，助教，主要研究方向：計算機科學與技術、大數據。