新工科背景下大數據分析與處理研究生課程建設探索與實踐

摘要：針對新工科背景下大數據分析與處理研究生課程面臨的挑戰，本文以鄭州輕工業大學為例，探討一種基于OBE理念，融合項目驅動、問題導向和線上線下混合式教學的課程建設方案，并構建了多元化評價體系，以提升教學質量和培養適應產業需求的高層次人才。

關鍵詞：大數據；OBE教學；混合式教學；多元評價；課程建設

中圖分類號：TP311.5

文獻標識碼：A

文章編號：1009-3044（2025）14-0120-03

0引言

2017年，教育部發布的《關于開展新工科研究與實踐的通知》吹響了計算機類研究生課程教學改革的號角[1]。新工科建設是高等教育為了應對新一輪科技革命與產業變革的挑戰而采取的積極行動，它致力于推動學科交叉融合，培養出多元化、創新型滿足新興產業需求的卓越工程技術人才，這對大數據人才培養提出了更高的要求[2-3]。

大數據分析與處理是計算機科學與技術、軟件工程、電子信息等學科的一門重要的研究生專業核心課程，旨在培養學生海量非結構化數據的獲取、分析、處理方法和技術等方面的能力，從而為各行各業的決策和創新提供支持[4-5]。大數據分析與處理課程建設直接影響著軟件人才的教育教學質量和人才培養質量，因此，課程建設應充分考慮當前研究生教學現狀和培養目標，把握好新工科建設內涵，適應新一輪產業革命的發展趨勢和產業需求[6]。

1教學現狀及問題分析

大數據分析與處理作為一門交叉學科，涉及學科眾多，需要具備良好的人工智能、機器學習、數學基礎及扎實的編程能力。然而，學生本科專業來源不同，專業基礎和動手能力參差不齊，給教學工作的開展帶來了困難[7-8]。

1.1學生基礎差異導致課程內容定位困難

由于大數據分析與處理是一門針對軟件工程、電子信息等專業的研究生開設的一門專業核心課程，其學生專業基礎和研究方向差異顯著，課程內容定位困難，難以兼顧各方需求。例如，我校軟件工程專業的研究方向有人工智能、大數據處理技術、網絡信息安全、數字圖像處理等，本科專業主要為人工智能、智能科學與技術、計算機科學與技術、軟件工程、計算數學等。對于不同本科專業，2021—2023年大數據分析與處理課程的綜合平均成績如圖1所示。

本科專業為計算數學專業的學生由于編碼能力較弱，其大數據分析與處理課程的綜合平均成績偏低。大數據分析與處理側重機器學習方法的應用和數據的處理，在授課過程中，為了兼顧不同專業和方向的學生學習需求，需要建立一個科學合理的課程教學內容體系，以達到課程預期教學目的，提升研究生培養質量。

1.2傳統教學方法缺乏互動環節，難以激發學生學習的主動性，影響學習效果

在現實教學過程中，傳統的以教師為中心的教學方法，缺乏互動環節，難以激發學生學習主動性，影響學習效果。傳統的教學方法可保證教學任務按時完成，但沒有考慮學生的學習效果[9]。大數據分析與處理是一門實踐性很強的專業課程，其原理的理解本身就具有一定難度，這需要增加學生互動環節，建立以學生為中心的教學方法，調動學生學習的主動性，激發學生積極思考，增加學生在課程教學過程中的參與度，促進學生動手實踐，有利于課程教學質量的提高。

1.3重理論輕實踐，導致學生缺乏實際應用能力，與培養目標脫節

目前的大數據分析處理的研究生教學過程往往是理論知識的傳授，強調原理性講解，而忽視學生實踐能力的培養，學生對大數據處理方法和技術的運用能力得不到有效鍛煉，導致對大數據的處理流程和方法理解不透，大數據分析和處理工具掌握得不熟練，算法理解不到位[10]。例如，在數據獲取方面，強調了爬蟲的內核技術、Web頁面的獲取技術、反爬蟲技術，但沒有針對具體的頁面講解如何實現爬取指定頁面內容。在特征提取方面，重點講解了向量空間模型、概率模型的原理和方法，沒有針對具體案例講解其應用。因此，在大數據分析與處理研究生課程中增加實踐環節，有利于學生深入理解和掌握大數據處理方法和技術，提高學生運用大數據方法和技術解決實際問題的能力，有利于培養適應新時代產業發展需求的復合型人才。

1.4缺乏針對研究生教學的專業教材，現有教材內容更新滯后，與技術發展不相適應

大數據分析與處理是一門交叉學科課程，涉及知識面廣，目前針對本科教學的大數據教材較多，而面向研究生教學的大數據教材比較少，且有的教材內容偏陳舊，相關技術缺乏更新，與目前大數據技術發展不相適應。例如，《互聯網大數據處理技術與應用》是建立在阿里云平臺上大數據技術的介紹，缺少機器學習、深度學習技術的介紹和應用。喻梅編著的《數據分析與數據挖掘》缺乏機器學習、深度學習方面技術的介紹。于海浩編著的《大數據技術入門——Ha?doop+Spark》側重Hadoop和Spark技術的講解，缺乏大數據分析與處理的理論知識和內容講解。

2大數據分析與處理課程的建設途徑

為適應新工科研究生教育改革需求，解決目前大數據分析與處理課程存在的課程定位難、學生學習積極性不高、重理論輕實踐、專業教材少的關鍵問題，本文以鄭州輕工業大學大數據分析與處理研究生課程教學為例，遵循新工科“應用能力、創新能力和國際視野”的教學理念，從課程內容設計、教學方法改革、實踐能力培養、多元評價等方面開展課程建設探索實踐，課程建設途徑如圖2所示。

2.1科學設計課程內容

針對不同研究方向和不同專業學生的實際基礎，結合大數據分析與處理教學實際，在設計教學內容時盡可能突出大數據處理方法與技術的重點，同時適當引入最新的神經網絡和深度學習技術，從數據獲取技術、結構化處理與語義分析技術、大數據分析模型與算法、大數據技術平臺及隱私保護、綜合應用5個模塊設計教學內容，既強調知識結構的系統化，又通過綜合應用案例強化學生對知識的掌握和應用，其教學內容設計如表1所示。

2.2改革教學方法和教學方式

多措并舉，完善教學方法和教學方式，提高教學質量。在課堂上，改變傳統的單一傳授式教學方法，采用以學生為中心的教學，引入OBE教學理念，根據需要采用項目驅動、問題導向的教學方法，激發學生學習興趣，鼓勵學生主動探索和解決問題。除了傳統的知識傳授，針對某個專題，通過布置專題研討任務，引領學生課下查找文獻資料，制作PPT，在課堂上展示分享自己的研究成果和觀點，促進學生之間的相互討論交流。同時，結合學習通在線教學資源，開展線上線下混合式教學，通過布置實驗和作業，培養學生的動手實踐能力和創新能力。

課前，學生通過教師在學習通發布的預習任務、學前資料、學情調查問卷，學習學前資料，完成調查問卷，查閱文獻資料，積極參與線上討論，鎖定疑難問題清單，教師以此確定學生學情，明確線下課堂的教學重難點；課中，教師重點講解疑難問題，組織引導學生討論，學生匯報交流成果，并針對學生的討論進行點評答疑；課后，學生根據教師發布的實驗任務、線上作業、討論任務和擴展學習資料，查閱文獻資料，上機編碼完成實驗，并撰寫實驗報告和線上作業，積極參與互動交流，進一步深化知識體系結構。以學生為中心的教學方式如圖3所示。

2.3強化實踐能力的培養

結合大數據企業需求，邀請東軟、中軟企業行業專家現場座談，參與課程教學方案的制定和教學內容的設計，在實際教學內容中將企業項目案例和教師自身實際科研項目引入大數據課程教學過程，培養學生適應未來新興產業需求的工程技術人才。例如，在大數據獲取方面，企業專家參與制定Web頁面數據的爬取和結構化處理。在結構化處理模塊，將“大學生招聘信息系統”項目中的模塊引入實際教學過程，通過實際案例講解N元模型在命名實體識別中的應用。

在大數據分析模型與算法模塊，通過“垃圾郵件檢測系統”“物流大數據安全與快遞業務異常智能分析系統”等項目講解KNN、支撐向量機、貝葉斯、決策樹、CNN在分類任務中的應用。通過綜合案例加強學生的動手實踐能力的培養，進一步完善學生對理論知識的理解和掌握，案例驅動教學過程如圖4所示。

通過布置實際項目任務強化學生實踐能力的培養，在分配任務時，兼顧學生不同程度的學習基礎，將學生按每3人分為一個小組，小組中盡量有計算機、數學基礎較好的各一名，這樣有利于發揮學生各自特長，保證實驗任務的順利完成，促進學生取長補短，通過實驗任務促進自身綜合能力的提升。

2.4構建完善的評價體系

課程考核方式對學生課程學習具有重要的導向作用。雖然大數據分析與處理課程是一門專業核心課程，但它是一門涉及知識結構比較復雜的課程，簡單的考試難以考查出學生的實際能力，且對于研究生來說，不能以簡單的期末考試去評價一個學生的科研能力。為了保證大數據分析與處理課程的教學效果和教學目標的順利實施，通過構建多元化的評價體系，注重過程性評價和結果性評價。

以鄭州輕工業大學為例，大數據分析與處理課程采用專題PPT個人分享、實驗、作業、課程報告或期末考試4個方面評價學生課程的學習情況。結果性評價占總成績的40%，過程性考核占總成績的60%，多元評價考核方式及權重分配如表2所示。

3課程建設成效

新工科背景下的大數據分析與處理研究生課程建設是一個系統工程，需要多方面的共同努力和持續探索[11]。經過3年多的探索和實踐，大數據分析與處理的教學體系科學、完整，課程特色比較鮮明。獲批“大數據分析與處理”“大數據處理方法與技術”河南省研究生教育改革與質量提升工程項目“在線精品課程”“研究生精品教材”2項，完成《Python機器學習》《人工智能》學術著作、省部級規劃教材2部。本課程在線課程于2021年2月在超星學習通上線，建設有課程視頻、課后習題、上機實驗、PPT等教學資源，已經在2021、2022、2023級軟件工程、電子信息等專業使用，效果良好。

4結束語

在新工科教育的背景下，課程團隊在教學內容組織、教學方法改革、學生實踐創新能力的培養、課程考核評價等方面進行了一系列的教學改革和實踐，研究生的科研能力和實踐創新能力取得了較為顯著的效果。為進一步提升課程教學質量和研究生培養質量，還應從明確課程目標、優化課程結構、完善課程內容、加強師資建設、強化課程評價等方面完善課程體系。

通過組織團隊內部定期學術研討，邀請專家指導科研項目撰寫，加強與外界的學術交流，進一步提高教師隊伍的科研水平，從而促進研究生教學質量和指導水平，更好地適應未來新工科教育發展的需要。

參考文獻：

[1]中華人民共和國教育部《.教育部高等教育司關于開展新工科研究與實踐的通知》[EB/OL].2017-02-20.http：//www.moe.gov.cn/s78/A08/tongzhi/201702/t20170223_297158.html

[2]薛偉，陳國歡，吳宣夠，等.新工科背景下研究生機器學習課程建設研究[J].安徽工業大學學報（社會科學版），2022，39（3）：62-64.

[3]張婧，田甜.面向大數據行業需求的人才培養模式創新研究：以研究生為例[J].教育教學論壇，2020（28）：90-91.

[4]隋文濤，任慧茹，趙國勇，等.模式識別與人工智能研究生課程建設實踐[J].中國現代教育裝備，2024（13）：129-131.

[5]胡春龍，吳陳，左欣，等.研究生“機器學習”課程教學改革研究[J].教育教學論壇，2019（10）：99-100.

[5]廖卓凡，鄧澤林，張建明，等.大數據分析需求下研究生Python課程教學模式改革研究[J].計算機教育，2019（12）：145-147，152.

[6]白雙，梁晨“.深度學習算法與實現”研究生課程的教學探索與實踐[J].工業和信息化教育，2023（5）：21-25.

[7]萬爛軍，肖滿生，文志強，等.基于OBE理念的計算機類研究生課程教學改革[J].計算機教育，2022（5）：141-144.

[8]馬志強，翟娜，王洪彬，等.人工智能專業學位研究生實踐課程體系建設探索與實踐：以內蒙古工業大學為例[J].軟件導刊，2024，23（8）：174-179.

[9]汪曉妍，潘翔，夏明，等.互動合作式研究生科研創新培養探索與實踐[J].計算機教育，2022（9）：49-52.

[10]方艷梅，李冠彬，盧偉.機器學習高階課程建設的探索與實踐[J].計算機教育，2023（3）：119-123.

[11]趙緒營，姜建錦，王志強，等.研究生算法課程的分層次多樣化教學研究[J].計算機教育，2018（4）：94-97.

[12]張林，沈瑩.研究生課程高級數字圖像處理的建設方案[J].計算機教育，2017（6）：70-73.

[13]夏英.研究生高級數據庫系統技術課程建設與實踐[J].計算機教育，2015（23）：4-6.

【通聯編輯：王力】