基于問題導向的混合式數據挖掘課程教學模式探索

摘要：隨著數據成為驅動創新發展的核心要素，高校亟須培養兼具扎實理論基礎和實踐能力的數據挖掘人才。然而，傳統數據挖掘教學模式過于注重理論知識的傳授，忽視了對學生實際問題解決能力和創新思維的培養。為此，本文提出一種基于問題導向的混合式教學模式，將數據挖掘實踐問題融入整個教學過程中，并有機結合線上線下教學資源，引導學生從問題出發，逐步深入地掌握數據挖掘知識和技能，從而提升其分析問題、解決問題和創新思維的能力。

關鍵詞：數據挖掘；問題導向；混合式教學；創新

中圖分類號：G642 文獻標識碼：A

文章編號：1009-3044（2025）04-0170-04 開放科學（資源服務） 標識碼（OSID） ：

0 引言

隨著科技的發展和智能設備的普及，數據已成為新的生產要素。據不完全統計，全球數據量正以指數級速度增長，2020年已達到60 ZB，預計到2035年將突破2142 ZB[1]。在國家大力推動“互聯網+”戰略的背景下，發展大數據已成為重要組成部分。國家鼓勵企業和科研機構加大對大數據技術的投入，以加速我國從傳統經濟向數字經濟的轉變。《“十四五”大數據產業發展規劃》強調，到2025年，國內大數據產業測算規模突破3萬億元，年均復合增長率保持在25%左右。目前，數據挖掘技術已經廣泛應用于商業、金融、醫療等多個領域[2]。通過數據挖掘技術，企業可以從海量數據中提取出有價值的信息，從而提升競爭力并推動創新[3]。例如，京東、淘寶等電商平臺通過挖掘用戶的歷史購買記錄、瀏覽行為和評分等數據，向用戶推薦個性化的商品或影視作品，提高用戶的購買轉化率。隨著各行各業對數據挖掘技術的應用日益廣泛，對數據挖掘人才也提出了迫切需求。

數據挖掘課程具有較強的交叉性，涉及數學、統計學、計算機科學等多個學科領域，強調理論與實踐相結合以及問題解決能力的培養。同時，數據挖掘技術發展迅速，知識體系不斷迭代，這極大增加了授課難度。面對日益增長的數據挖掘人才需求，探索有效的教學模式顯得尤為重要。

1 數據挖掘課程教學挑戰

數據挖掘作為一門新興且高度應用的交叉學科，其教學過程面臨著諸多挑戰。這些挑戰不僅源于學科本身的復雜性，也來自對教學模式的探索。

1.1 教學模式單調

傳統教學模式以教師講授為主，授課教師往往拘泥于教材，教學理念相對陳舊，課程體系也顯得僵化，學生被動接受知識[4]。同時，教材和教學內容常常滯后于技術發展，面對快速發展且實踐性極強的數據挖掘課程，教師常感力不從心。在教學評估方面，傳統模式主要通過考試來評估學生的學習效果，這種方式難以全面反映學生的實際能力。上述情況導致學生的學習興趣下降，同時也限制了學生對知識的深入理解。此外，受限于學時，許多數據挖掘前沿技術常常被忽視，學生難以將最新的理論知識應用于實際問題，從而限制了其解決問題能力和團隊協作能力的培養，無法滿足當下對應用型人才的需求。

1.2 基礎知識要求高

數據挖掘作為一門交叉學科課程，其知識體系融合了多個學科領域，這使得數據挖掘課程對學生的基礎知識提出了較高要求。理想情況下，學生在學習數據挖掘課程之前應具備扎實的數學基礎、統計學知識、數據庫知識以及一定的編程能力。然而，在實際教學中往往存在以下問題：首先，前置課程與數據挖掘課程之間的銜接不足，各門課程缺乏系統性的聯系，導致學生在學習數據挖掘課程時難以將之前學過的知識融會貫通。其次，學生的基礎差異較大，掌握前置課程的程度因人而異，編程水平也各不相同，這給教師的教學設計帶來了挑戰。

1.3 實踐內容不足

當前數據挖掘課程普遍存在實踐內容不足的問題。大多數教材過于注重理論知識的講解，缺乏深入淺出的實踐案例。雖然學生掌握了算法原理，但在面對實際數據集時，往往不知從何下手。僅憑理論知識，學生難以有效整合數據預處理、特征工程、模型選擇和模型評估等整個數據挖掘流程。此外，許多教材中的算法和附帶數據集與實際應用場景脫節，教材中的數據集或過于干凈，或規模較小，導致學生缺乏處理復雜和臟數據的經驗，難以培養其解決實際問題的能力。如何將理論知識與實踐應用有效結合、如何激發學生的學習興趣和創新思維、如何培養學生解決復雜數據問題的能力，已成為當前數據挖掘課程教學亟須解決的關鍵問題。

1.4 社會需求脫節

當前的數據挖掘課程普遍以傳統機器學習算法為核心教學內容。然而，隨著大數據時代的到來，這些算法在處理復雜、高維和非線性數據時逐漸暴露出局限性。近年來，深度學習技術的迅猛發展為數據挖掘領域帶來了革命性的變革，并在諸多領域取得了顯著成果[5]。然而，許多高校的數據挖掘課程仍停留在傳統的教學內容上，對深度學習技術的覆蓋不足。這種教學內容與實際產業需求的脫節，導致畢業生在就業市場上的競爭力不足。企業在招聘數據挖掘人才時，越來越看重求職者對深度學習框架相關算法的掌握程度。此外，傳統數據挖掘課程中所使用的數據集也與現實場景存在較大差異。教材中的數據集通常規模較小、特征簡單且數據質量較高，這與企業實際面臨的海量、高維和噪聲數據存在顯著差異。學生在學習過程中缺乏對真實世界數據復雜性的深入理解，從而在面對實際問題時難以有效解決。

2 問題導向的混合式教學模式構建

為了解決傳統數據挖掘課程教學中存在的問題，本文提出一種基于問題導向的混合式教學模式。該模式以培養學生解決實際問題的能力為目標，將問題驅動、案例教學和混合式學習等多種教學方法融入數據挖掘課程教學的各個環節。

2.1 數據挖掘課程在線慕課/微課資源

針對數據挖掘課程對基礎知識要求高的挑戰，打造一個系統化、互動性強且覆蓋面廣的數據挖掘慕課資源庫，以降低學習門檻并提升學習效率。首先，在豐富的在線慕課資源庫中，為每堂課精心挑選與課程內容高度契合的統計學、線性代數和數據庫等基礎知識模塊。這些模塊內容將根據學生對本堂課內容的預備知識掌握情況，教師在課前通過學習通或雨課堂進行有針對性的推送。通過快速復習鞏固，學生能夠將課堂時間最大化地用于新知識的學習和應用，有效提升學習效率，從而解決學生基礎知識薄弱的問題。其次，考慮到學生學習方式的多樣性，每位同學可以基于在線慕課資源定制微課學習方案。通過微課學習方案，能夠清晰呈現數據挖掘課程的重點，便于同學們根據自身需求靈活安排學習時間。基于數據挖掘課程的在線慕課資源，可以支持學生的個性化學習需求，提升學習效率。

2.2 數據挖掘課程在線實踐平臺資源

針對傳統數據挖掘課程在授課過程中面臨的實踐內容不足的挑戰，構建數據挖掘課程在線實踐平臺，使學生能夠靈活開展數據挖掘實踐，提升動手能力。首先，通過深度采用諸如EduCoder等線上實踐平臺資源，學生在無須購買昂貴計算機硬件的條件下，獲得一個穩定、高效且互動的低成本學習環境。其次，利用在線實踐平臺構建多種任務場景下的海量數據集，提供多樣化的學習材料以及在線編程環境，對學生的數據挖掘處理流程進行實時反饋，幫助學生快速發現并糾正錯誤，同時平臺提供多種可視化工具，幫助學生直觀理解數據和模型。最后，學生可以根據自己的興趣和水平選擇不同的數據挖掘學習路徑，而平臺也可以根據學生的學習情況推薦適合的學習資源。基于數據挖掘課程在線實踐平臺資源，為數據挖掘課程學習提供了全新的模式，充分培養學生處理實際問題的能力。

2.3 數據挖掘課程線下實踐基地資源

針對傳統數據挖掘課程面臨的社會需求脫節挑戰，構建數據挖掘課程線下實踐基地資源，以提升學生的數據挖掘實踐能力。首先，本文在具體實施過程中依托學院的大數據產業研究院，為實踐基地搭建完善的硬件和軟件環境，以滿足大規模數據處理的需求。其次，通過在實踐基地定期開展數據挖掘綜合項目，讓學生從數據采集、清洗、算法建模到結果分析，完整地經歷典型數據挖掘項目的處理過程，加強學生對知識體系的融會貫通。最后，積極與企業開展相關合作，由企業提供真實的數據集供學生進行分析和建模，使學生能夠參與實際業務場景中。通過建立線下數據挖掘實踐基地，為學生提供真實的數據環境和項目實踐機會，培養具備扎實理論基礎和豐富實踐經驗的數據人才。

3 教學過程設計

以問題為導向的數據挖掘教學過程，通過設計真實、開放且具有挑戰性的問題，將問題導向貫穿于整個教學過程，從而激發學生主動思考，培養其分析問題和解決問題的能力[6]。相較于傳統授課方式，基于問題導向的教學模式更能培養學生的批判性思維、協作能力與創新能力。

3.1 問題導向的課前教學策略設計

在課前階段，應明確本次課程的學習目標與問題設置，并緊密結合數據挖掘的實際應用場景和行業熱點。首先，設計課程預習任務，針對本次課程的教學內容，引導學生使用混合式數據挖掘課程資源提前掌握基礎知識。然后，提出具有挑戰性且與學生興趣點契合的問題，問題設計應兼具啟發性和挑戰性，既能激發學生的學習興趣，又能促使其深入思考，進而主動探索解決方案。最后，鼓勵學生通過查閱文獻、觀看教學視頻等方式自主探索問題的解決方案，并形成初步思路。在這一階段，授課教師應充分利用混合式數據挖掘課程教學資源，幫助學生更好地完成課前準備任務。

3.2 問題導向的課中教學策略設計

在課中階段，教師應以問題驅動，并結合場景引入。首先，教師可以拋出一個貼近生活的實際問題，引導學生思考數據挖掘技術在解決此類問題中的作用。接著，通過分析經典的數據挖掘案例，將抽象的理論概念具象化，幫助學生更好地理解數據挖掘技術的應用價值。然后，進行理論講解與實踐結合的教學環節。教師要系統地講解案例中涉及的數據挖掘概念、算法原理和常用工具，并結合具體案例，將抽象的理論概念轉化為易于理解的知識點，幫助學生建立知識體系，為其打下堅實的理論基礎。在此階段，教師還需通過課堂演示、分組編程等方式，引導學生動手實踐，將理論知識應用于實際問題的解決中，培養學生的編程能力和問題解決能力。最后，進行分組討論與合作學習。圍繞案例中特定的數據挖掘問題展開討論，鼓勵學生分享觀點、互相啟發。在小組合作中，培養學生的團隊協作能力和溝通能力，共同尋找問題的最佳解決方案。同時，授課教師需要鼓勵學生對小組討論成果進行相互反饋，分享經驗，促進相互學習。

3.3 問題導向的課后教學策略設計

在數據挖掘課程的課后階段，授課教師應通過布置典型的數據挖掘問題、提供及時的反饋、利用混合式數據挖掘課程教學資源以及組織學生進行作品展示，促進學生對數據挖掘知識的深入理解和應用，培養其解決實際問題的能力。首先，針對課堂內容，設計典型問題并提供相應的數據集。同時，引導學生通過查閱文獻、搜索資料等方式，深入探索問題的本質，并提出自己的見解。隨后，指導學生采用在授課階段學習到的數據挖掘算法，對問題進行建模。在解決問題的過程中，鼓勵學生充分利用線上平臺資源。最后，建立在線討論平臺，方便學生隨時提問和討論。教師可及時解答學生的疑問，提供個性化指導，并推薦高質量的學習資源，如學術論文、開源代碼等，以幫助學生拓展知識面。此外，在課后階段，需要引導學生熟練使用數據挖掘高級工具，如 Python 生態下的Scikit-learn、TensorFlow、PyTorch 等。授課教師應提供高質量的代碼示例，幫助學生理解工具的使用方法和技巧。通過掌握數據挖掘高級工具，不僅能提升學生的實踐能力，還能使其更深入地了解行業前沿技術。

3.4 多元化課程過程評價機制構建

構建完善的數據挖掘課程過程評價機制，對于提升教學質量、促進學生學習效果具有重要意義。本教學模式從學習過程和學習效果兩個維度進行課程過程評價。學習過程評價維度注重學生在學習過程中所展現的思維方式、學習態度和知識點掌握程度；學習效果評價維度主要關注學生最終的學習成果，即學生是否達到了預期的學習目標。學習過程維度下的評價指標包括在線慕課/微課學習時長、在線平臺實踐完成度、小組討論參與度、作業完成情況和簽到與課堂表現。學習效果維度下的評價指標包括實踐項目完成質量和期末考試成績。每個評價指標對應著適合的評分方法和權重，具體如表1所示。

通過構建多元化的課程過程評價機制，教師不僅可以了解學生的學習進度和掌握程度，還能發現學生在學習中存在的問題，并及時給予反饋和建議，從而幫助學生改進學習方法，提高學習效果。

3.5 問題導向的混合式課程教學優勢

基于問題導向的混合式課程教學是一種以真實、開放性問題為驅動的教學方法，該方法有效結合了線上和線下的教學資源，激發學生主動探索與合作解決問題的積極性。整個教學過程如圖1所示。

通過將線上和線下教學資源有機結合，充分發揮兩者的優勢。一方面，學生可以根據自身的學習進度和特點，靈活選擇學習方式和內容，從而提高學習的主動性；另一方面，教師可以借助線上平臺實時監控學生的學習情況，及時提供個性化指導，幫助學生更好地掌握知識和技能。這種模式不僅打破了傳統教學的時空限制，還豐富了教學形式，提高了學習的趣味性，為學生和教師創造了更加靈活、高效的學習環境。在數據挖掘課程中，基于問題導向的學習能夠有效培養學生全面的數據分析能力和解決實際問題的能力。這種教學方式通過將抽象的數據挖掘概念置于真實的業務場景中，不僅激發了學生的學習興趣，還培養了他們分析問題、批判性思維、創新能力和動手實踐能力。更重要的是，基于問題導向的學習促使學生將所學知識融會貫通，實現知識的內化。這種教學方法不僅能幫助學生更好地掌握數據挖掘的理論知識，還能培養他們將理論應用于實踐的能力，使其具備解決復雜數據問題的能力和數據驅動思維。

4 結論

數據挖掘課程作為一門高度實踐性和交叉學科的課程，旨在培養學生運用數據分析技術解決實際問題的能力。然而，傳統的數據挖掘教學模式過于注重理論知識的傳授，忽視了對學生實際問題解決能力和創新思維的培養。為了解決上述問題，本文提出一種基于問題導向的混合式教學模式。該模式的核心思想是在整個教學過程中貫穿數據挖掘的實際問題，引導學生從問題出發，主動探索并深入學習。同時，通過有機結合線上和線下的教學資源，為學生提供豐富的學習資源和交互平臺，強化他們對數據挖掘知識的理解，并利用多元化的課程過程評價體系對學生的數據挖掘能力進行有效評估。基于問題導向的混合式教學模式將理論教學與實踐教學緊密結合，充分利用現代信息技術，有效提高了學生的學習效果，從而支持培育具備創新能力和實踐能力的數據人才。

參考文獻：

[1] 周峰，章蓀.基于Sklearn和PyTorch的數據挖掘課程教學設計研究[J].電腦知識與技術，2024，20（15）：1-4.

[2] 劉恬寧，劉佳麗，黃潔微，等.數據挖掘技術在糖尿病管理中的應用進展[J].暨南大學學報（自然科學與醫學版），2024，45（1）：11-20.

[3] 柯美勝.大數據分析驅動企業商業模式的創新研究[J].商場現代化，2023（12）：13-15.

[4] 李根.基于OBE理念的案例驅動教學在數據挖掘課程中的應用[J].吉林農業科技學院學報，2023，32（6）：110-113.

[5] 孟令睿，丁光耀，徐辰，等.基于深度學習的新型視頻分析系統綜述[J].軟件學報，2022，33（10）：3635-3655.

[6] 尹偉民.問題導向式方法在法學本科教學中的設計與應用[J].航海教育研究，2023，40（4）：82-86.

【通聯編輯：梁書】

基金項目：安徽省高等學校科學研究項目（2023AH050914，2024AH050114）；安徽工程大學質量工程項目（2022lzyybj02，2024jyxm76）；安徽工程大學校級項目（2022YQQ094）