时间:2023-07-03 16:08:08
导语:在课堂大数据分析的撰写旅程中,学习并吸收他人佳作的精髓是一条宝贵的路径,好期刊汇集了九篇优秀范文,愿这些内容能够启发您的创作灵感,引领您探索更多的创作可能。
关键词:大数据;数据处理;商务决策技术
中图分类号:G640 文献标识码:A 文章编号:1002-4107(2016)07-0068-02
随着大数据时代的到来,数据分析已从过去由专门数据处理人员胜任的工作,变成了商务管理人员的日常事务性工作。企业在享受大数据便利的同时却面临着数据分析人才严重短缺的难题。据麦肯锡公司预计,到2018年,美国数据分析专业人才的缺口将高达14―19万,能够使用大数据帮助企业高效决策的管理人员的缺口将达150万[1]。因此,顺应大数据时代的需要,培养具有数据处理能力的专业人才,已成为目前世界各国高等教育改革的首要任务。
本研究运用大数据时代的思维方式和工作方式,力图设计一门紧密联系企业实践的数据分析课程――“商务决策技术”,以提升学生的商务决策能力,满足大数据时代企业对管理人才的新要求。
一、数据处理课程设置现状
随着大数据时代的到来,我国高等教育研究者针对大数据的特点,对已有的数据处理相关课程进行了改革。如:李海林根据大数据具体特性,从授课内容以及实践环节对高校数据挖掘课程进行了详细设计[2];邱胜海等针对关系型数据库在面对大数据管理时存在的问题,给出了开展非关系型数据库教学的具体措施[3]。然而这些以大数据为时代背景的教学改革,并非面向数理基础较差的经管类学生。为了提高经管类学生的数据分析能力,我国很多高校已开设数据分析与建模方面的相关课程,也撰写了相关教学书籍。如:蒋绍忠[4]、刘兰娟[5]等编写了各类商务数据分析教材;葛虹等[6]以经管专业课“数据分析与管理建模”为例,提出了知识的系统性训练和创新能力的培养的建议;邓维斌等针对经管类学生在数据分析能力培养中存在的问题[7],提出编写针对性强的实验指导教材,构建科学的实验教学体系,改变实验教学模式等主要改革措施。然而,这些为经济管理类学生开设的数据处理课程中没有加入大数据的相关内容。
本研究围绕即将开设的“商务决策技术”这门新课,基于大数据理念,从课程内容、教学手段等方面对该课程进行全方位设计。在设计前,为方便日后跟踪学生的学习进展,对学生的数理基础和学习需求等方面进行了问卷调查,并对调查结果进行详细分析。
二、经管类学生数据处理能力现状调查与分析
(一)调查问卷设计
本调查共发放问卷250份,回收有效问卷234份,回收率达到93.6%。主要由2013级和2014级经管类学生填写。主要借助于李克特量表的形式测试学生对相关问题的认知程度。
设计《大数据理念下数据分析方法教学调查问卷》,除了了解学生的性别、年龄、班级、文理科生等基本信息外,还从四个方面进行了详尽的调查:前沿技术、学习动机、教学方法以及考核方式。
(二)调查结果分析
四个方面的调查结果如下。
1.学生对前沿技术的了解程度。很多学生对最新的前沿技术不甚了解。仅118人(占50%)听说过“云计算”,87人(占37%)听说过“物联网”,即使大部分学生会使用手机上网,但调查结果却显示仅168人(占72%)知道“移动互联网”这个词。对“大数据”的了解更为有限,听说过“大数据”这个词的人仅78人(占33%),能准确或大概说出其含义的仅49人(占21%)。其中,25人认为大数据的主要特征是“数据量大”;27人认为是“数据类型繁多”;8个人认为是“价值密度低”;18人认为“处理速度快”,仅3人将大数据的这四个特征全部选中。虽然大部分人对大数据不甚了解,但207人(占88%)对大数据的未来前景较为乐观,173人(占74%)已经感受到了大数据在日常生活中的存在。
2.学生的课程选修情况。为了了解哪类学生会选修这门课程,是数据处理基础好的学生?还是对数据处理感兴趣的学生?学生学习的自信心强弱会不会影响他们的选课?如果所学课程对学生未来工作有用,会不会有更多的学生选这门课呢?带着这些问题,本研究使用SPSS中的Pearson相关性分析法挖掘出影响课程选修状况的主要因素。
从分析结果中可以发现,学生是否选这门课主要取决于两大因素:“工作需要”(相关系数为0.427)和“学习信心”(相关系数为0.163),与学生的“数据处理基础”、“对数据分析是否感兴趣”的关系不大。也就是说,如果学生认为学习这门功课对未来的工作有用,即使他们的数理基础并不好,学习兴趣也不大,他们依然会非常乐意选此课;此外,学生的自信心也是学好这门课的关键。很有信心学好数据分析方法的学生仅占12%,86%的学生对此没有把握。提及何种工作会用到数据分析技术时,仅有131人(占56%)觉得数据分析技术对管理工作有用,91人(39%)觉得对销售工作有用;而94人(占40%)觉得数据分析技术对管理或销售工作根本没用,仅数据分析员或IT工作人员会用到该技术。
3.学生喜好的教学方法。近60%的学生对教学方法不甚了解,特别是现代教学方法。在调查过程中,我们对四个目前热门的教学方法,如:案例式教学法、讨论式教学法、翻转课堂、MOOC进行了详细介绍。最后,65%的学生偏爱案例式教学法,47%的学生偏爱讨论式教学法,对于翻转课堂仅有19%的学生愿意尝试,MOOC仅13%的愿意尝试。当问到哪种教学方法适用于本课程的教学时,44%的学生希望使用案例式教学法,23%的学生觉得翻转课堂不错,22%的学生依然喜欢以教师为主导的讲授式教学方法,88%学生认为MOOC不适合数据处理课程的教学工作。
4.学生喜欢的考核方式。仅有18%的人愿意闭卷考试,开卷考试和学生上台讲解的考核形式最受青睐。此外,78%的学生希望参与到教师评分中,同意教师独自给分的仅占18%,同意仅依靠学生评分的也只占6%。
三、“商务决策技术”课程教学设计策略
根据以上分析,拟在实施本课程教学时注重以下几个方面。
(一)提高学生学习数据分析技术的自信心
该课程涉及定量分析,这是经管类学生最为薄弱的知识点。从调查分析中可以发现,“工作需要”和“学习信心”这两个因素对学生选修该课程比学生的“数据处理基础”和“学习兴趣”更为重要。因此,本课程首先安排2至4个学时来讲解什么是“大数据”,大数据在未来各个领域的应用前景,并通过实例、视频或实地调研让学生了解商务数据分析的一些实际应用,只有当学生切身体会到了数据分析技术在未来生活中的应用价值,才能从根本上调动他们主动学习的积极性和自信心。
(二)丰富大数据相关内容
大数据最重要的应用就在于预测,而预测是商务决策的基础。以往的经济预测多依赖于因果模型的分析,而大数据分析则是运用相关性分析方法从海量数据中发掘数据之间的联系,进而进行有效的预测。因此,本课程将重点讲授相关分析方法,不仅讲授诸如简单线性回归、Pearson相关系数等传统相关分析方法,还会介绍大数据相关分析方法,如:最大信息系数、随机相关系数等。
(三)采用多种教学模式与方法
从调查分析中了解到:以往以教师讲授为主、学生被动学习的传统教学模式不再受到学生的青睐,翻转课堂、案例教学法、讨论式教学法是学生喜爱的教学方式。因此,本课程将采用学生平等参与的讨论式教学方式,并事先设计“自主学习任务单”、制作教学视频、布置案例教学任务等多种教学手段,将教师的教学职能从单一的讲课向设计、组织、帮助与指导方向转变。
(四)师生共建考核方式与信息反馈机制
调查分析结果表明:传统死记硬背的考核方式不再受到学生的欢迎,开卷考试和上台讲课的考核形式更能全方位地衡量学生处理实际问题的能力。因此,本课程拟首先让教师和学生共同制定考核目标,细分考核内容以及考核方式;然后由学生自主选择考核方式和内容。评分时,组织成立学生考评团,所有学生轮番成为考评团成员,与老师双向沟通,共同评分。
本文展示了“商务决策技术”课程开设的调查研究工作,并依据分析结果,提出顺应大数据时代需要,培养具有现代数据处理能力的管理人才的具体措施。希望通过培养学生学好数据处理方法的兴趣和自信心,通过制订合理的教学计划、设计新颖的教学内容、运用现代化的教学模式、采取师生共同参与的考核方式,来提升学生适应大数据时代市场需要的数据素养。
参考文献:
[1]Manyika J.,et al.Big data:The next frontier for
innovation,competition,and productivity[EB/OL].
[2015-11-03].http:///insights/
business_technology/big_data_the_next_frontier_
for_innovation.
[2]李海林.大数据环境下的数据挖掘课程教学探索[J].
计算机时代,2014,(2).
[3]邱胜海,周玉敏,高锡荣等.大数据时代非关系型数据库
教学与实验改革探索[J].电脑知识与技术,2013,(9).
[4]蒋绍忠.数据、模型与决策――基于Excel的建模和商
务应用[M].北京:北京大学出版社,2013.
[5]刘兰娟等.经济管理中的计算机应用[M].北京:清华大
学出版,2013.
[6]葛虹,韩伟一.多模式交互教学与教学工作量评估――
以“数据分析与管理建模”为例[J].黑龙江高教研究,
2013,(2).
大数据时代正带给企业根本性的变革,同时,也给职场精英们提供了机遇,但机遇与挑战并存。这对于初入社会的大学生而言,无疑是提出了一个巨大的挑战。
1.1大数据时代对大学生的数据驾驭能力提出了新的挑战
在大数据时代,大学生若想获得好的就业机会需要有较强的数据驾驭能力,即数据素养,在科学数据的采集、组织和管理、处理和分析、共享与协同创新利用等方面的能力,以及研究者在数据的生产、管理和过程中的道德与行为规范。而大学生们鲜有接触大量数据并从中剔除糟粕找寻有用数据的经历,顶多是进行过几次较浅显的问卷调查工作,对数据技术、数据分析方法及相关软件、国际数据化发展进程等知之甚少,在数据素养方面可以说是零基础。
1.2大数据时代对大学生理性思维能力提出了新的挑战
在大数据时代,人们对于过往经验的依赖程度降低,而对数据分析得来的实时结果信任度大大提升,因此赢得就业竞争需要大学生具备理性、逻辑性强的思维方式,从而能冷静、不带感彩地处理和分析数据,得出客观的结论。而大多数中国学生的理性、批判性思考的能力偏弱,缺乏个人的独立思考,且文科专业尤其是语言类专业的课程设置对培养大学生理性思维能力的作用较小,大学生的理性思维能力亟待提高。
1.3大数据时代对大学生精确、快速、实时行动的能力提出了新的挑战
大数据时代信息瞬息万变,因此数据也是具有时效性的,要获取实时数据反馈就必须有精确快速的反应能力和行动能力。一部分平常对于生活中的信息疏于收集的大学生可能会缺乏对信息的敏锐度,从而导致其较慢的反应力和行动能力,若其这方面的素质没有得到提高,则可能会在工作中产生在数据分析工作完成后却发现得出的结论已不具时效性的情况,导致丧失最佳的工作机遇,降低了自身的职业发展竞争力。
2如何在大数据时代提高大学生就业竞争力
大数据时代带给了大学生数据分析能力、思维方式、科学精神、行动力等方面的就业挑战,因此政府、各高校及大学生自身都应积极应对挑战,从不同层面克服困难,共同提高大学生在大数据时代的就业竞争力。
2.1高校、政府应建立大学生就业大数据分析机制,做好大学毕业生的就业、创业服务工作
大学生就业大数据分析离不开大数据的支持,而大数据的建设是一项科学、有序、动态且可持续发展的系统性工程。政府需要从建立运行机制、规范建设标准、建设共享平台、提供专业队伍等多方面进行支持,且通过建立各高校就业数据库,分析各校历年就业率与其获国家资源倾斜度的关系,也能调节教育支持的力度,更好地帮扶教育产业。除此之外,将就业数据库数据与就业市场相关数据相比,还能帮助人力资源供需双方形成更理性的预期,减少就业矛盾,实现人力资源市场的多赢。而学校通过广泛收集历年大学生就业期望、就业去向等信息,并将其数据化,收入数据库,能有效预测毕业生就业率、就业去向。
2.2高校应推行大数据战略,让大数据走进课堂教学,培养大学生大数据意识
各高校应结合大数据时代特征进行教学改革,推行信息化管理与信息化教学。学校的管理与教学活动都存在着固定性与周期性,如对教师的考核、学生测试成绩分析、就业情况分析等,可以利用计算机分析这些数据并推荐合适的解决方案;课堂上,教师也应顺应信息化教育,突破传统的教学方式,通过“微学“”微课”等方式提高学生的学习兴趣,从而提高学习的效果。同时,知识点也可以通过数据化与测试题建立联系,计算机可以通过分析错题数、做题时间等数据为老师提供不同学生对于不同知识点的掌握情况。只有在校园中营造一种大数据氛围,培养学生们利用数据分析找寻有用信息的习惯,才能让他们具备大数据意识,做好走进大数据时代职场的准备。
2.3大学生要提高数据驾驭能力,透过数据看本质
大学生可以多对社会热点问题进行实践调研,通过访谈、问卷调查等方式获取大量真实数据,然后通过整理分析这些数据锻炼自己的数据驾驭能力。在整理实践调研的数据时,掌握图表分析、数据模型及数据分析软件的使用方法,如Hadoop、MapReduce等,提高数据分析的工作效率和准确性。除了加强数据分析技术的学习外,也需要补充来自统计学、数据挖掘等学科的理论知识,为数据分析提供理论支持。同时,勤思考、多动手、多总结的做法也能帮助大学生透过数据看本质。海量数据中不乏有虚假、消极、错误的数据信息,因此大学生必须具备良好的数据分析能力。数据分析就是一个不断假设、验证的过程,耐心、肯钻研的科学精神能够帮助大学生在一次次的假设验证后找到本质的规律。通过不断地实践练习,提高对数据的敏感度、分析能力,为日后职场中更好地开展数据分析工作打下基础。
2.4大学生应养成独立思考的习惯,培养逻辑思维和理性思维方式
大数据时代是鼓励个性化的时代,鼓励通过数据挖掘发现隐藏于数据下的种种规律,要做到这点,大学生必须要有独立思考、不受常规想法束缚的能力。美国计算机专家埃齐奥尼尔购买机票后却发现周围比他买票晚的乘客票价居然比他的便宜,本来是再普通不过的生活现象,但这却引发了这位专家的思考。他分析到若获得美国每一条航线上每一架飞机内的每一个座位一年内的综合票价的数据库,就可以预测飞机票的涨跌势,为消费者提供参考。这样的思考促使他最终创立了Farecast票价预测工具,顾客平均每张机票可节省50美元。独立思考不是漫无目的地想,而是有逻辑地思考。大学生要注意在日常生活中就养成逻辑推理的习惯,在问“是什么”后还要问“为什么”,尝试通过自己的推理找到答案,这是大数据时代对人才的要求。
3结语
【关键词】微课堂;大数据;个性化教育
0 引言
大数据、微课堂、个性化教育,给人一种强烈的时代感,让人立刻想到当前信息时代的产物。在当今世界个性化教育或者说自主学习成为趋势,而微课堂作为一种自主学习的方式,符合当前社会个性化教育的要求。微课堂根据课程标准来制作,通过互联网络,以多媒体为载体,围绕教学中的知识点或教学环节而展开的符合学生认知特点的教与学的活动。微课堂是信息化教学的饯行者,微课堂通过多媒体使教学信息前移,是信息技术在教育领域的创新。微课堂改变了传统的课程资源建设的核心,使传统的课程资源以教师上课为核心,资源的收集和建设主要围绕教师上课的需求;而微课堂的出现使得课程资源的建设向以学习者自主学习为核心,资源的开发和建设重点围绕学习者的学习需求。微课堂也改变了教育教学方式,使传统的以教师讲授为核心的教学方式向以学生自主学习、师生共同深度拓展为核心的启发式学习转型,使传统的以“教案”预设为特征的“演员型”教师向以教师组织下的师生共同深度拓展建构式学习的“导演型”教师转型。而随着大数据、云计算、深度学习的发展,微课堂的教育教学方式将获得更好的发展。而本研究主要探讨大数据对微课堂实施个性化教育的推动作用。
1 微课堂的本质
微课堂以建构主义为理论指导,强调的是课程的精心设计。在微课堂中教师根据教学内容将知识进行详细分解,并以教学视频的形式将知识点的讲解过程显现出来,这些教学视频都是以这个知识为核心。教学视频要求语句简练,教学内容易懂易学,并且要符合学习者学习规律――即视频时长不能过长,一般都要求在5-15分钟之间。微课堂的教学视频将教学内容进行了精细的讲解,并且这些视频也可以反复的观看。学习者在进行微课堂学习的过程中,辅助以教师上传的电子讲义和作业习题等资料以达到更有成效的学习。微课堂在建设的过程中要求课程教师将知识进行足够细致的切分,确保知识能在5-15分钟内能够讲解清楚,并且学生能够快速的理解接受。通过微课堂,教师不再需要对知识点进行重复的讲解,这为课程教师节省了大量的时间和精力,课程教师可以利用这些时间和精力对学生进行有针对性的指导,提供个性化的教学,提高学生的学习效果和教学效果。在微n堂中学习者可以重复的观看教学视频,从而对知识点进行查缺补漏。由于受到时间的限制,微课堂的课程比传统课堂课程教学设计更加简洁精练。虽然微课堂的教学资源呈现碎片化,但是微课堂的主线不散,所有的知识点和资源都是围绕一个主题进行展开的,微课堂的课程由教学内容、课间练习、课后练习、反馈、讨论和评估构成,与传统课堂课程相对,更加注重反馈。微课堂要求在短小的视频中必须包含与学习内容相关的问题,通过这些问题以获得学习者的及时反馈,了解学习者对学习内容的了解程度。
2 大数据助力微课堂个性化学习
大数据时代的到来,给教育带来了重要的机遇。在教学过程中,通过收集学生学习活动的各项数据,并利用大数据的分析功能可使我们了解不同学习者的不同需求,并根据学习者的需求开发和查找到适合个性化学习的学习资源、学习路径,因此实现真正的因材施教。大数据具有以下基本特征:(1)大量性。在大数据时代,数据的量巨大;(2)多样性。大数据的数据类型多样,既包括文本结构的数据,也包括非文本结构的数据――音频、视频、图片、地理位置等;(3)价值性。大数据价值巨大。在大数据中不仅包含了个人的信息,也包含了个人的行为习惯、学习爱好、个人需求等等,这些对于教育来说都是价值巨大的,但价值密度低。由于大数据的这些特性,正好解决了微课堂实施个性化教育的需求,推动了微课堂个性化教育的发展。具体作用体现在以下几个方面:
(1) 在微课堂的建设过程中,在大数据的辅助下,解放了课程教师,教师有更多的时间专注于提供个性化教学。
在大数据时代到来之前,微课堂的建设相当复杂,课程教师承担着课程建设的主要任务。在大数据时代到来之前,课程教师要建立一门微课堂课程首先要组织一个课程制作团队,然后课程教师要对课程知识点进行细分,接着根据细分的知识点录制相应的视频,同时还要分配人员去查找与知识点相关的资料,来辅助课程视频的录制。在视频录制好之后还要进行处理等等。这是一个复杂而费时的工作,但是课程教师却要全程跟进。再加上在微课堂教学中要解决学生的疑问,课程教师已经忙得焦头烂额了。然而大数据时代的到来,解决了课程建设中的很多问题,课程教师不再需要制作所有的视频和查找相关的资料了。通过大数据数据分析功能,可以快速的将课程需要的资料整理出来。大数据的分析功能也可以提供课程建设相关建议,课程教师在大数据的帮助下,能够很快的制作出微课堂课程。随着大数据时代的发展,课程的建设可以有机器来完成,教师就可以完全的从课程建设中解放出来,把教学重点放到个性化的教学和一对一的解答中去。
(2)大数据使得面向大众的教学向面向个性化教学转变成为可能。
当前的教育,不管是传统的教育教学还是基于网络的MOOC教育教学,大部分都是面向大众的教学。教学内容教学目标教学方式都是一样,学生要么集中到一个教室要么坐在电脑跟前,通过相同的教学方法观看着同一位老师讲着相同的内容。教师根本上就没有办法考虑个性化的教育,因为受教育的人数太多。然而大数据时代的到来,将改变这一状况。在学习者开始学习之前,微课堂会通过一序列的测试、问卷以及学习者在云端的数据来分析学习者的学习风格、学习爱好和知识水平,并且在学习过程中,全面地记录、跟踪和掌握学习者的不同学习特点、学习需求、学习基础和学习行为,并应用大数据的数据分析功能,为不同类型的学习者打造个性化学习、推荐个性化学习资源、学习方法等,从而使教学从面向大众转向面向个性化。
(3) 教学方式、教学重点、教学难点不再是由教师根据个人的主观经验来制定,而是由大数据的数据分析,找出学生各自的学习难点与重点。
在大数据之前,教学方式、教学重点教学难点是由教师根据个人的教学经验来确定的。然而现实学习过程中,不同的学习者喜欢的教学方式不一样或者说不同的学习者适合不同的教学方式。同样,学习的重点和学习难点对于不同的学习者来说应该不同,这也是个性化学习的需求。因为每个学习者的知识积累不同,所以每个学习者的学习重点和难点也应该不同。在大数据时代到来之前,这是很难实现的。而大数据的应用,能够解决这个问题,为不同的学习者提供不同的学习方式、学习重点和学习难点。在课程学习开始之前,通过收集学习者的行为习惯和学前测试可以收集学习者学习方式和知识水平方面的数据,通过大数据的分析,就能制定出适合学习者学习的学习方式。而在学习的过程中,不断收集学习者学习过程中的数据,经过大数据的分析功能,就可以很清楚的分析出每个学习者的学习难点。而通过大量数据的分析就可以获得教学的重点,而这个重点是通过“全数据”分析而来,不再是通过抽样或个人经验获得。
(4)基于大数据的微课堂能够真正以学生为主体。
个性化教育要求学习课程按照学习者的学习规律来选择和设计,并且学习进度也要根据学习者当前的水平和学习需求智能的调整。学习者在个性化学习环境中能够根据自己的知识水平自由地选择课程,根据接收能力的强弱设置课程进度,并且学习者也应该能为自己的学习负责。而大数据的存正好能够满足这些个性化学习的需求。大数据为个性化学习提供了一个新型、多元、高效的自主的网络学习生态圈,为个性化学习提供了极为有利的环境和条件。随着大数据的发展,云计算也得到了很好的发展,特别是高校云。高校云的发展为大数据在教学中的应用提供了有力的支持。高校云存储中心为大数据的应用提供了大量关于学生客观而又真实的行为记录的数据基础,数据处理中心对这些零散而又无特定结构的数据应用大数据的数据分析、数据挖掘等技术处理后能够获得学习者的特点、学习者当前的知识水平、学习者适合的学习方法等。这也使得教学能够真正从学习者出发,根据学习者的特点和知识水平等来展开,真正做到以学习为主体,而不是根据教师经验假设来展开。
3 总结
在微课堂的教学过程中,学习者都是大数据的生产者和消费者,学习者学习过程中的每一个操作每一个反馈,都是大数据中数据的一部分,而学习者学习过程中使用的资源、获得的帮助又是大数据反作用过来的反馈。利用大数据的分析功能对于学习者的学习过程进行分析具有较强的实用价值。在大数据分析的支持下,微课堂中的学习资源个性化推送、学习质量分析等问题将得到很好的解决。在大数据时代,微课堂也就成了个性化教育的诉求的实现途径。
【参考文献】
[1]姜强.基于大数据的个性化自适应在线学习分析模型及实现[J].中国电化教育,2015(1):84-92.
[2]金陵.大数据与信息化教学变革[J].中国电化教育,2013(10):7-13.
[3]张引.大数据应用的现状与展望[J].计算机研究与发展,2013(50):216-233.
关键词:数据挖掘;在线微视频;翻转课堂;系列课程;考核评价方式
0引言
众所周知中国社会在形态上已经进入了信息化时代,无论是网民数量还是网络经济发展的速度,均堪称世界第一。截至2015年6月,我国网民规模达6.68亿,互联网普及率为48.8%,其中,手机网民规模达6.20亿,占网民总数的90.1%,20~29岁年龄段网民的比例为31.4%,在整体网民中的占比最大。由此可见,互联网已经渗透到社会的各个方面,通过这种高效、快捷、方便的传播媒介,学生可以寻找到他们诸多学习疑惑的答案。随着各种在线视频课程如火如荼的发展,高等教育迫切需要做出相应调整。
在全球大数据浪潮中,对大数据进行智能分析和处理已经成为政府、企业、高校的关注焦点。在未来一段时间数据分析师将成为国内外人才紧缺的职业之一,这也对高校信息类专业的人才培养提出了挑战。数据挖掘基础课程是大数据分析的基础,大数据时代各种类型数据的爆炸式增长,对这门课程的内容提出了新的要求,本文将以重庆邮电大学数据挖掘基础课程改革建设为例,探讨结合在线课程教育的课堂教学改革。
1相关教学方法调研
在线课程的兴起可以追溯到2007年前后翻转课堂在美国的出现,但是到2011年以后,另一个重要在线教育方式MOOCs开始逐步崛起,二者本质上的区别主要在于:前者强调“互动与反馈”,而后者倡导建立“在线学习社区”。近年来,国内众多高校竞相鼓励教师运用网络技术积极推进线上线下混合教学。这种混合教学模式具备如下两个主要的特点:先学后教的方式赋予了学生更多的自由,他们的学习兴趣和针对性更强;“以教师为中心”的传统教学方式逐渐过渡到围绕“以学生为中心”来展开。这些特点都为改善本科教学质量提供了一条合适的路径。
虽然这种混合教学方式具有一系列优点,但也存在某些问题。公开在线课程每一节课的视频都超过45分钟,要让所有学生将一门课程所有的45分钟以上的视频在没有监督的情况下全部学习完是非常困难的。原因在于无论网上老师讲得再精彩,学生始终面对的是冷冰冰的机器,无法保证注意力的始终如一,相反课堂上面对面的教学可以让学生体会到更多的互动、关注和交流带来的人文情感,这些足以在适当的时候唤起学生的注意力。教学中完全的翻转课堂方式,容易使优生更强,却会使得那些不善于交流和表达的中等生论于边缘,本来的差生就更不用说了。近年来,一种以短小视频为核心的在线课程引起了教育者的极大兴趣,这种小型在线课程被称为微课程,它主要是针对某一知识点进行设计,录制成时长不超过15分钟的视频,同时提供配套的学习材料,帮助学习者随时随地快速学习。它能让学生课前迅速掌握每次课的主要学习点,带着问题来到教室进行进一步深入的学习。它的缺点是受时间限制,无法保证深入详细地给出每个知识点的来龙去脉。
因此我们认为引入微视频,探讨“在线微视频课程+翻转课堂+课堂教学”相结合的新的教学模式,进行相应的教学方式改革,可以改善教学的质量,更好地将知识传授给学生,提高学生学习的主动性,为课程改革起到实效。
2教学模式的设计
2.1教学中存在的问题
伴随着高等教育后大众化时代的到来,互联网应用蓬勃兴起,结合90后学生的性格特点,我们发现目前的课堂教学存在如下主要问题:
(1)课程体系和教学内容需要不断更新。随着网络资源的丰富,学生已能够随时从网络上吸取很多新知识新理念,专业课程的知识再也不能一成不变,必须随时更新。同样面对大数据时代及其带来的各种技术,智能科学与技术专业学生需要具备更广泛的数据分析相关知识和技术,这些都迫切需要核心专业课程数据挖掘基础不断地吐故纳新。
(2)教学模式和学生学习习惯发生变化。面对高等教育后大众化时代带来的学生数量急剧增加问题,以及在线网上教育带来的冲击和挑战,改革自身的教学模式成为必然。目前在校生全部都是95后,他们是在网络时代成长起来的,身上具有时代特点。他们注意力时间更短,见识广,兴趣多,更热衷于在线学习。
(3)考核评价方式亟待发生改变。95后的大学生特立独行,更愿意表现自己。随着互联网这种新媒体承载知识的不断丰富,学生的创新思维和实践能力可以通过网络学习得到充分的发挥。因此对学生的学习能力和成绩的评价不能再仅限于笔试考核,这倒逼着考核方式的转变。
2.2教学改革的主要措施
1)建立“在线微视频课程+翻转课堂+课堂教学”相结合的新的教学模式。
首先借助已经上网的在线微视频课程作为数据挖掘基础课程的“课前推送”,引导学生课前对每一讲视频的内容进行课前预习并完成该视频课程提供的课后作业。教师可以根据学生课前作业的完成情况在课堂上有针对性地开展教学,同时学生通过课上互动,可以很好地提高学习的积极性和兴趣度。对于一些简单易懂的数据挖掘算法,比如关联规则挖掘中的Apriori算法、分类算法中的决策树ID3和C4.5算法、KNN算法以及聚类算法中的K-means算法,要求学生学习微视频课程,制作PPT并在课堂上讲解这部分内容。这种在线教育和实体课堂优势的相互融合,会获得良好的教与学效果,同时也能反哺式建设在线微视频课程。
2)形成围绕数据挖掘基础课程的系列课程,强化系列课程的教师团队建设,保障教学质量。
大数据时代给计算机人才带来了机遇,也提出了挑战,教学应该不断地适应计算机人才培养的需要,调整相关的课程体系结构,以帮助学生实现与社会需求的无缝对接。因此建立一个围绕专业核心课程的系列课程体系非常重要,这种建设紧紧围绕核心课程展开,既可以保障专业核心课程的教学质量,又可以满足学生学到的专业知识与社会需求不掉线。为此我们确定了以数据挖掘基础课程为核心的系列课程体系,即数据分析实践、数据可视化和大数据分析与处理,这3门课程的学时统一设置为24学时,其中的数据分析实践课程主要讲授数据统计分析方法的知识,数据可视化课程围绕数据分析可视化的方法展开,大数据分析与处理主要介绍目前较流行的大数据平台应用知识。
一支稳定的中青年结合的教学团队是保障系列课程教学质量的重要因素,稳定的教师队伍可以有效地保证教学过程中的大纲设置、内容更新和教材使用的一致性,有利于教学过程中的沟通,从而不断地提高教学质量。
3)数据挖掘基础课程教学内容的更新和模块化建设。
随着大数据时代对人才的需求,不同专业都有了开设数据挖掘课程的要求。我们根据不同专业的不同需求,及时调整并规范不同学时下的数据挖掘基础课程的教学内容,并优化教学大纲,提炼教学内容。将整个课程内容分为必修模块和选修模块,如表1所示。对智能科学技术专业要求必须讲授全部两个模块的内容,而一些学时有限的其他信息类专业在完成必修模块内容的同时,可以根据需要适当选讲部分选修模块的内容。
4)改革数据挖掘课程的考核评价方式。
学生期末总评成绩在期末开卷笔试基础上,引入小组作品完成质量的考核。作品完成质量从“过程参与表现+口头表达能力”两个方面进行评分,这有利于对学生真实能力的评价,过程参与表现就是将每个学生在小组项目中所做出的贡献作为最终期末考评的一个考核指标,这一分数可以由小组内成员互相给出。口头表达能力体现在小组代表讲解和答辩项目成果的表现上,这一成绩可以由小组之间互相打分,按照一定的比例将学生的成绩加上教师给出的答辩成绩作为该项评价的总分。目前我们给出的这个成绩的换算比例是“组内分数30%+组间分数30%+教师分数40%”。这种考核方式可以保证教师准确把握每个学生掌握和运用知识的能力,也利于提高学生动手能力,真正改善课堂的教学质量。
3结语
关键词:大数据时代;数据库课程体系;改革;教学模式
数据库的原理和应用一直以来都是高校计算机专业课程中的重要组成部分,具有较强的理论性和实践性。随着大数据时代的到来,大数据技术已经被广泛应用于学生的生活服务、课程体系开发及课堂教学系统中,这也给以关系数据库为主导的高校数据库教学提出了新的挑战。因此,在这样的大背景下,我国高校应当与时俱进,对数据库课程体系进行改革和创新,从而为社会发展培养出更多高素质信息技术人才。可见,加强对大数据背景下高校数据库课堂体系改革和教学模式创新的研究是非常具有现实意义的。
1大数据背景下数据库技术类课程体系的改革
1.1数据库系统
数据库系统是大数据背景下数据库技术中的“基础篇”,因此,高等院校应当增加对数据库系统讲授经典的关系数据模型及相应的数据管理技术的课时,将其作为必修课程,每周必须要安排3个课时。经典数据库技术主要包括数据库学科中重要和通用的基础理论和思路。课程重点应当包括关系数据模型、数据库逻辑设计、ER模型、查询优化、数据库表设计和事务管理等。同时还要简单地介绍关系代数、函数依赖、规范化的基本理念和思想及SQL语句、视图、存储过程、触发器等基本思想。这些理论知识在学期末采取闭卷考试的方式对学生的掌握情况进行考核。
1.2海量数据分析
在大数据背景下,数据库管理将面临着海量的数据,学生必须要学会对这些数据进行分析和处理。因此,高校应当将海量数据分析作为选修课程,每周安排3个课时。NoSQL数据管理技术是对关系型数据管理技术的补充,其中主要包括针对异构海量数据的存储、查询及分析等技术,是电子商务、社交网络和web搜索等新型应用的技术支持,同时这也是大数据背景下数据分析的主要技术。高校可以将NoSQL数据管理技术的应用作为大数据时代数据库技术的“提高篇”。该项课程应当采取课程和实验相结合的方式进行教学,在学期末采用实习报告的方式对学生进行考核。
1.3数据库系统实践
数据库是一门理论和实践相结合的课程,因此,高等院校数据库课程改革中必须要注重实践教学。将和数据库系统概论相对应的实验课程作为必修课,每周安排2个课时;将和海量数据分析相对应的实验课程作为选修课,每周安排3个课时。数据库系统实践课程可以采取以下方式进行:第一,以关系型数据库为实验平台,在实验室的计算机上完成,实验的主要内容包括数据库的设计、表格的设计、数据的查询处理、性能测试、事物的管理、视图以及存储过程和触发器等。第二,以分组的形式完成实验任务,实验的主要内容包括分布式集群的搭建、Hbase和Hive系统的配置和数据管理、Hadoop系统配置、MapReduce编程模型的应用、海量数据的存储和查询及海量数据的分析算法和性能测试等。
2大数据背景下高校数据库课程体系改革的实施与保障
2.1加强师资队伍建设
师资队伍是实施高校数据库课程体系改革的前提。目前,高等院校的数据库任课教师大多擅长传统的关系型数据库管理技术,但是缺乏对海量数据分析和数据系统实践的能力,这也使得师资队伍的建设成为实施数据库课堂体系改革的主要瓶颈。新的课程体系对于数据库任课教师的专业能力和水平提出了更高要求。因此,高等院校必须要根据海量数据分析和数据库系统实践的教学内容和要求,加强师资队伍建设。可以聘请企业精英作为讲师,也可以通过培训和自主学习提高现有师资的专业素养,从而提高高校数据库课程教学的团队水平。
2.2完善实践平台
实践平台是实施高校数据库课程体系改革的基础。目前,很多的高校计算机专业实验室都严重缺乏可供部署海量数据管理平台的分布式集群和相应的软件配置。因此,高等院校应当从实验课程的角度,通过借鉴“去IOE”的思路(由个人电脑或服务器所构成),配置实验项目和运行相关软件系统的硬件平台,从而满足学生实践操作的学习需求。另外,在课程教学过程中,应当使用开源软件,通过硬件设备为实验课程的顺利开展提供保障,从而不断完善数据库实验教学,提高学生的实践能力。
3大数据背景下教学模式改革分析
3.1传统教学模式特点
传统教育模式中,教师根据授课计划查阅相关资料及文献,以确保讲课过程的科学性,学生提前预习,从而使教师和学生在课堂上形成一个很好的融合,使授课顺畅有序进行。但是传统教学往往采用一种满堂灌的教学模式,忽视了学生的主观能动性,教学模式固定并且单一。从传统教学过程上来看,教师面对的是几十人的班级授课,学生学习水平参差不齐,教师只能按照学生的中等水平进行讲授,不能将学生的学习水平控制在自己能够控制的范围内。这样会导致水平高的学生认为教师讲得过于浅显而不想听,水平低的学生会觉得听不懂也不想听,教学效率相对较低。
3.2大数据背景下教学模式分析
首先,在大数据时代,学生可以通过在线学习途径获取知识,与传统课堂教学模式相比,在线意味着教育工作者可以提供不受时间和地点限制的教学活动。于是出现了慕课和微课等在线教学平台,充分利用了网络的交互特性,支持师生之间、学生与学生之间全天候地在线互动与交流。其次,传统教学模式中,为了提高教育的公平性和大众化,教师在固定的场所、在有限的教学时间对很多学生进行标准化、灌输式教学模式,无法因材施教到每个人,导致人才培养同质化现象非常严重,限制了学生创新意识的培养。但是,在大数据背景下的教学模式越来越个性化,教师在教学过程中开始关注学习者个性化培养模式,教师由灌输式教学模式转变为助学教学模式,为学习者提供服务和协作交流。最后,大数据背景下,教师不再需要完全按照教案的模式进行授课,而是自己精心设计一些教学资源,比如微课、慕课、反转课堂,同时可以充分借助一流教学名师的经验,给学生提供一个更好的教学环境,教师的职能由传统的以教学为中心转变为设计、组织、帮助和指导式教学,真正实现线上和线下混合学习,打造汇聚更多优质课程和学习者的学习社区平台。支持教师采用多种模式进行教学,借助视频等软件构建一个学习型社区,给学生提供一个重体验、强交互的学习环境,提高学生的学习质量和学习效率。
研究和应用面临三大挑战
我们根本目的是从大数据中挖掘出价值。从政府角度来说,要进行大数据的有效管理,制定包括安全在内的各种公共政策,这就是政府要作为,从数据的获取、标准、规范、安全、保障等等方面研究。作为高校和科研院所来说,最核心的是要进行大数据的分析和处理,也就是智能化的挖掘、关联、融合、算法分析这些核心技术的探索和研究。作为企业界来说,要结合各自的领域,开展大数据的应用挖掘以及融合应用。所以说我们要形成一个数据是基础、平台是支撑、分析挖掘是核心,最根本的是要实现目标导向、问题驱动,实现效率的提升和经济效益社会效益的挖掘和发挥。
世界顶级大国都把大数据核心技术的研究作为未来抢占大数据产业自主知识产权的一个核心制高点来探索研究。第一从理论和技术角度来看,传统的计算理论和传统的数据处理分析技术难以完全适用。一方面是大数据和传统的中小规模的数据有本质的特征上的差别。第二在传统的计算平台计算范式方面也有根本性的转折。我们知道传统的数据量是中小规模,现在都是ZB级,10的18次方超大规模的数据量。从数据的结构来说,从传统的结构化朝大量的非结构化方向发展,从过去以静态为主朝着流数据发展,从单一的数据源朝着多元异构的方向发展,从多媒体朝着跨媒体融合的方向发展。这些数据特征的变化使得我们传统计算理论难以适应。从计算平台和计算范式来说,从过去的集中存储向现在的各地多数据中心的分布式存储方向发展,从多线程并行朝着多机协同的方向发展,从存储和计算相分离朝着数据和计算紧密深度融合的方向发展,从计算密集型或者数据密集型朝着两者混合的密集型方向发展,从静态全量计算朝着动态流式计算的方向发展,这些变化都是大数据分析中将要面临的理论和计算方面的挑战。在大数据分析与处理方面核心技术严重缺乏,我们熟悉的大数据处理核心技术的底层的核心软件、核心系统,像Spark、Hadood、Hbase这些著名的开源商用软件几乎全是被国外垄断,我们国家在这个领域缺乏自己的自主知识产权。第三,难以适配工程化应用的需求,比如大数据算法在工程化技术方面还处于基本空白状态。我们虽然有很多好的大数据算法和核心技术,但是应用到实际当中工程方面的适配还处于空白或者盲点。另外缺乏适用于大数据分析的工程化工具和快速的部署手段,核心技术与产业需求存在缝隙,缺乏面向行业的智能大数据决策支持工具和成熟的工程化解决方案,这些方面都是我们今后研究的重点和难点。
西安交通大学申请到了大数据分析技术国家工程实验室,在大数据的基础算法、核心技术、数据产品研制、行业工程应用特别是高端人才培养方面打造国内一流的科研和人才培养的平台。
教育大数据的研究应用
下面介绍一下国家工程实验室过去几年在教育领域大数据的研究应用方面所做的工作。
第一,陕西省高等教育大数据平台的研究与应用。西安交通大学为全省建立了高等教育大数据的汇聚分析和应用的数据中心,可以把全省所有高校的办学状态数据、政府管理部门的各方面的教育统计数据以及互联网上的有关教育的数据汇聚到一起。在这个平台上不仅有办学的管理状态数据,而且有各类慕课课程资源以及师生的信息管理平台,还有大量的互联网开放数据聚集在这个平台中。在这个平台上我们面向教育主管部门、高校开放为用户提供各种各样的学习、管理、质询、统计分析等应用。这个平台的数据还可以跟教育部评估中心、教育部规划司、财务司、学生司等相关司局进行互联互通,打通了数据之间的壁垒问题。在这个基础上,我们实现了全省高等教育数据的汇聚,从而打破了各高校数据的孤岛。另外可以建立横向关联比较分析、纵向自我历史比较分析,提供高校、政府管理部门、社会科学精准的数据服务,以及为他们的科学服务提供分析。
在这个平台上,我们开展了四项典型应用。第一,为全省本科高校进行教学质量的审核评估工作,运用互联网+大数据技术建成了覆盖全省高等职业教育、本科教育和研究生教育,包含办学条件、师资队伍、学科专业、课程教学、毕业就业等全方位一体化的质量监测网络,省级高等教育监测的大数据平台,开展了用数据和事实说话的省级学校两级高等教育的质量常态监控。第二,服务陕西省“一流专业”申报、评审与评估等方面的基础工作,这个工作现在把全省的教学状态的数据全部收集到这个系统里。第三,开展陕西省教育经费绩效分析与评估,这项工作我们已经进行了三年,对各个大学办学的基本绩效以及办学的成效进行实时在线的科学精准的统计分析,为政府决策绩效奖励提供支撑服务。第四,毕业生就业质量的跟踪和评价。已经建成了全省就业质量大数据分析应用服务,并且以这个系统为基础,高校毕业生就业状况的报告,过去需要大量的人工工作,现在基本上在这套系统上自动生成就业质量报告。
另外,MOOC中国平台在现实上的应用也是我们的重要努力方向。我们的目标和理念是做政府想做社会愿做但是单一高校做不了的事情,根本目的是打造互联网教育公共服务体系的2.0版本。目前这个联盟已经有117所高校加盟,超过10000门视频课程,超过10000注册用户,300经营讲师,收集客户端下载量超过900万。MOOC中国这个平台正在为服务国家“一带一路”的人才培养提供服务,我们在MOOC中国的平台基础上成立了由中国工程院和联合国教科文组织授予我们的国际工程科学支持的培训,在泰国建立东盟中心,面向“一带一路”开展包含中国文化、语言、教育、技术等特色资源,在这个特色资源中我们特别构建了六大主题数据库,为中国的企业走向“一带一路”提供各种服务。
通过互动交流、实践应用等多种形式对丝路国家来华留学的留学生以及中国企业走向“一带一路”国家发展的工程技术人才培养各种各样的技术人才。这个平台在技术方面突破了知识地图导航学习、知识汇聚核心关键技术,为用户提供可视化的知识声音导向的个性化资源推荐和服务。
课堂教学质量监测大数据平台。我们通过把课堂教学质量的实时各类数据,包括学生评价的数据、督导评价的数据等实时录入这个大数据平台。在这个平台上我们可以实现过去对课堂教学质量模糊宏观的评价,到通过大数据的精准分析实现量化精准的评价;从过去部分随机抽查课堂教学变成全面覆盖,从过去期中期末两次监测变成实时、常态、持续的监测,从过去的事后评价变为实时、动态的在线评价。在这样的基础上,我们一方面可以挖掘一些教学质量好、受学生欢迎的老师,也可以对不负责任、课堂教学质量不高的老师提出惩戒,实现精准督导。
关键词:实践教学;统计学;高校
中图分类号:G642.3 文献标识码:A 文章编号:1002-4107(2017)04-0036-03
“大数据”是时下全球热议的话题之一,数据无处不在,涉及各个行业领域。大数据技术研究与价值应用已成为新一轮科技竞争的战略制高点,它给科学和教育事业带来了新的生命力,同时对传统教育也提出了新的挑战。2014年中国大数据技术大会上了《中国大数据技术与产业发展白皮书(2014 年)》和《2015 年大数据十大发展趋势预测》,指出“跨学科领域交叉的数据融合分析与应用将成为今后大数据分析应用发展的重大趋势”[1]。在这种背景下,统计学专业应顺应社会发展,探索教学模式,融合计算机、数据分析、统计等相关学科,引导学生认识和掌握数据处理的新技术,推动交叉学科应用型本科人才的培养。本文探索提升本科生的智能数据分析实践能力的培养模式,以便提高其就业竞争力,满足社会需求。
一、大数据新形势对统计人才的新需求
统计学作为一个与大数据密切相关的学科专业,其需要及时调整和优化课程结构,改变教学内容与手段
等,以满足社会人才需求和适应外部变化的环境。华东师范大学副校长朱自强接受光明日报采访时指出:大数据技术会通过“学科交叉”战略,为相关学科向更高层次的发展提供历史性机遇[2]。据调查报告指出,数据科学家需要扎实的教育背景,其研究领域分布为数学与统计学(32%),其次是计算机科学(19%)以及工程学(16%)[3]。该领域中跨界融合型人才是未来的人才培养趋势,统计学专业有独特的优势。据不完全调查发现,涉猎网站上谷歌、百度和格力等部分大公司对于大数据人才岗位需求及相关技能提出各自具体要求(见表1)[4]。
从表1中可以看出:数学和统计学功底、建模能力、运用R,SAS,Python等辅助软件及掌握大数据平台是大数据岗位的基本要求。处理数据是为了应用,无论哪一个岗位都会要求分析数据,包括需求分析、特征提取、结果分析与关联分析。因此数据分析最重要的可能并不是软件、算法,而是熟悉整个流程,例如数据清洗、分析工具的选取、参数的设置及原理、结果价值分析与解释等。这要求统计专业的学生精通相关的软件与编程的同时,还要熟练掌握本专业知识。因此,学生只有经历过一套完整的程序过程,才能懂得如何从数据中发掘知识的原理及技术流程。
目前高校数学系开设的统计学专业主要是数理统计方向,重视统计推断,进行各种证明,但案例教学较少,淡化了培养学生分析社会经济现象的能力,其不利于学生应用统计知识解决实际问题。本文从分析当前的社会需求出发,借鉴“设计型学习”模式探索实践教学改革,以此来提升培养学生认识数据和理解数据的能力[5-6]。
二、新需求导向下的统计学实践教学改革
(一)重新定位人才培养目标
在网络、大数据、云计算等新技术不断发展的背景下,社会人才需求、教学资源和外部环境都在迅速发生改变,其促使各专业进行教学改革。对于统计学而言,统计数据已完全突破了传统统计学所涉及的统计数据概念内涵,统计数据从数量、结构、类型上已经完全不同于魍骋庖逑碌耐臣剖据,其更具有现代“信息”的含义[7]。相应的统计数据收集技术,整理、传输和存储管理方法、指标体系、分析方法等内容已发生根本变化。“懂数据、会分析”的复合型人才缺乏是当下国内外面临的共同困难[8]。统计学专业应具有国际视野,重新定位培养目标、教学理念与机制,结合区域经济发展为学生提供未来职业规划指导服务,在各个环节中提升学生的数据处理能力,培养具有高阶思维和高阶能力的应用型人才。
(二)优化课程设置与教学手段
统计学本科专业课程设置要体现大数据时代对统计人才培养的要求。大数据背景下数据的管理、分析与挖掘类课程需要增加,尤其是实践类课程,形成突出实践能力培养的课程群或课程模块。最主要的是针对社会需求,依托学校与数据相关的优势学科,通过学科交叉和行业、企业、实务部门开展深度合作建设实践教学基地,集聚相关资源协同创新,提升本科生数据分析能力。通过设计实践课程的模块,以产教融合、协同育人方式形成有效的课本知识与实践操作的衔接,为学生创造理论与实践相融合的社会情境。
当下,知识更新较快,需要课内和课外相互配合完成教学任务。慕课、微课、翻转课堂已成为重要的课堂教学补充资源和课外自学学习平台。丰富形象的图片和视频等教学材料,多感官的刺激不但符合现代学生的学习特点,而且能够极大地激发学生的学习动力[9]。教师应积极应对这些新变化,及时学习新知识、新技术,调整教学观念、教学内容、教学方法,更多地开展实践教学。教师也应瞄准国际前沿,采取先进的教学理念,有效利用优秀的网络资源开展课前和课后辅助教学和互动交流,引导学生逐渐实现自主发现式学习。在实践教学手段中,重视高阶思维和高阶能力的培养,借鉴国外的先进实践教学模型,改变实践层面以尝试和经验总结为主的教学手段。例如设计型学习正在国际教育界兴起,其强调学生在具体的任务或挑战情境中主动探究,具有设计性、整合性、迭代性、反思性等品质特征。在分析和解决问题的能力、合作能力及创新能力等实践上,设计型学习彰显了其独特价值。与过去那种单纯强调知识呈现与传递的教学方式不同,设计型学习蕴含着新的学习和教学设计假设,其有效地融合了自主、协作、探究等新型学习方式。因此,设计型学习可以为当前教学方式改革提供一种新思路。借助于这一先进的实践教学手段,引导学生注重“功在平时”。在课前教师帮助学生甄别选择合适的资源,如问题背景、相关知识讲解的网络资源等。在课堂上,教师掌握课堂教学和学生自主学习结合策略,针对学生遇到的问题进行讲解,小组之间进行交流、分享成果。然后让学生在课后进行反思、修改、再设计,同时注意引导和关心后进生的学习状态和方法,直到任务圆满完成,从而形成线上线下相互配合的教学手段。
(三)强化校内实验与实践环节
以专业实验室和教师科研课题为载体,依托学校相关的优势学科,对接社会需求,利用学科交叉和对外合作机会汇聚各种创新要素,践行协同创新理念,构建适合本科生的多层次的实践教学体系。针对不同年级的学生,制订不同的进实验室计划,一年级学生以认知教学为主,开拓其对理论基础课的应用性和数据分析价值的认知视野。二、三年级的学生已经开始学习统计学专业基础课和统计软件,在相关课程实践环节中以大作业形式,设计与课堂教学相关的扩展数据分析主题,引导学生对生活中的数据分析问题进行深入分析、寻找合适的选题,并依托各类相关科研课题达到对实际背景数据的理解、推理、发现和决策。例如:网上调查是一项重要的社会活动,用其得到的数据来分析和反映人们的活动规律及观点。引导学生针对分析某类现象等进行设计问卷、发放问卷、回收统计和统计分析等活动。这一完整的环节让学生了解调查过程中统计误差成因及控制手段,加深对统计过程、数据质量的理解。鼓励四年级学生利用实验室、实习基地与专业教师的各类科研项目的资源,开展毕业论文工作,并独立完成有关的实验,全面培养学生的数据处理能力。例如,可以引导学生对某门课程辅助教学App需求统计分析、智能测试系统设计、代码编写。通过实践活动,引导学生自主地基于已学的专业知识去学习新知识,自主走进数据世界、探索数据王国。
与此同时,学分设置、考核评价体系也要做出适当的调整。在实践教学方面,积极推动“大学生创新创业训练计划”和“优秀本科生走进实验室计划”等创新实践活动保障机制。在总学时不增加的前提下,施行大学生创新实践学分确认制度,对学生在各种学科竞赛、创业竞赛及学术研究中获得的成绩给予学分认定。考核注重“功在平时”,评价学生的多方面能力,尤其是应用相关理论处理实际问题的能力。具体可以采用多种考核方法相结合的方式。如:增加平时的考核力度、增加实践项目的考核、通过布置适当的项目论文,采用答辩的形式,以锻炼学生独立分析解决问题的能力[10]。
(四)注重校外实践学习
目前统计学课程的校内实践教学过程中,由于实践资源不够的限制,所涉及数据处理及统计建模等活动较多地使用统计年鉴或其他公开数据集,这种学习模式与真正的实际应用还有一段距离。为了更大程度上调动学生的学习积极性来接触科技前沿,应充分发挥学科竞赛与社会创新模式和平台优势,形成校扔胄M馐导教学协调促进的模式。
目前与统计学相关的竞赛受到大型互联网企业、学术团体及政府部门的关注,不定期举办开放型竞赛为选手提供施展才华本领的机会。例如有全国大学生统计建模大赛、全国大学生大数据挖掘竞赛和阿里巴巴大数据竞赛等。这些竞赛一方面是为高校学子提供接地气的大数据实战机会,推动高校和研究机构对大数据和算法的研究发展;另一方面也是为了加快相关领域的人才成长。这些竞赛主题及选题、难度均适合统计学专业学生参与,其可以让学生和教师接触前沿的应用方向、有机会学习和尝试解决真实的业务与社会问题。跟踪这样的竞赛有助于提高学生的学习兴趣,进而促进实践教学方法的改革、提高创新人才培养的质量。
在大众创业、万众创新的时代背景下,社会创新模式与平台有助于开阔师生的视野,并可以为校内实践学习与实践应用提供有针对性的引导。因此在统计实践过程中,嵌入创客教育的模式,与相关的创客平台合作建立实习基地,让学生接触社会决策活动,拉近学习者与生活的距离[11]。创客教育强调的创新精神和综合运用知识技能解决实际问题的能力,是将来学生在求职和就业中必不可少的能力,其可为学生创造理论与实际相结合的认知机会、促使学生形成以自身专业特长与兴趣爱好结合的主动学习模式。
针对社会对人才的新需求,通过设计不同模块的实践活动对统计学专业实践教学环节进行改革,其有利于发挥学生的特长,调动学生的学习兴趣,为学生的职业发展做好充分的准备,从而顺应大数据时代的发展,进而促进人才培养质量、促进专业办学特色、促进经济社会发展。
参考文献:
[1]2015年大数据十大发展趋势预测[J].中国教育网络,
2015,(Z1).
[2]朱自强.高校可借大数据自我提升[N].光明网,2013-
11-12.
[3]九个成为数据科学家的必备技能[EB/OL].[2016-09-03].
http:///archives/38264.
[4]数据科学领域的职位划分以及职责技能[EB/OL].
[2016-09-03].http:///archives/37376.
[5]李美凤,孙玉杰.国外“设计型学习”研究与应用综述
[J].现代教育技术,2015,(7).
[6]丁美荣,陈壹华.基于设计型学习的计算机网络实验教
学研究[J].计算机教育,2011,(1).
[7]张维群.大数据时代统计学科建设与教学改革专家研讨
会纪要[J].统计与信息论坛,2015,(2).
[8]徐宗本.用好大数据须有大智慧――准确把握、科学应
对大数据带来的机遇和挑战[N].人民日报,2016-03-15.
[9]谢小芸,李立清.项目教学法在独立学院统计学实践教
学中的应用[J].中国农业教育,2007,(4).
[10]王丽丽,杨帆.“互联网+”时代背景下大学英语教学改
革与发展研究[J].黑龙江高教研究,2015,(8).
[11]李小涛,高海燕,邹佳人等.“互联网+”背景下的STEAM
【关键词】大数据 个性化 教育
教育最理想的状态是能蛳窨鬃铀提倡的那样做到“因材施教”。可是,在受到19世纪工业革命浪潮的影响,教育也开始实施所谓的“大规模批量生产”。这种整齐划一的管理方式无疑很大程度上阻碍了学生的个性化发展。小到学生个体的个性化发展和全面发展,大到教育系统中各个元素的教育公平,都受到了一定程度的损害。大数据时代的到来,为解决这一问题提供了可能性。
大数据具有三个特征:数据量大、输入和处理的速率高、数据多样性。这三个特征决定了大数据是一种海量数据或者说是巨量数据。生活在这样的时代当中,我们生活中所产生的信息数据会被时刻保存住,通过专业的分析、梳理反作用于我们的生活,为生活带来许多便利。而这种巨量数据分析在教育领域中的应用,尤其是如何促进教育个性化的发展,仍需要进一步的探讨和研究。
一、个性化教育的内涵
教育学家顾明远曾提出:最终的教育公平,应该是每个学生都能通过教育而激发潜力,得以发展,通过教育而获得人生路上的成功。要实现这个目标,则需广泛推行因材施教、鼓励个性发展的个性化教育,以取代陈旧的教学模式。个性化教育,微观上看来就是因材施教,注重学生的个别差异。宏观上看来就是事关教育公平,这是一个国家教育领域的大事。
第一 ,学生的角度。随着科学技术的进步,学生获得有效学习的方式和资源的渠道也在不断扩展。大规模的在线课程开放系统――MOOCs,就是一个例证。在在线学习的平台上,学生能够接触到自己学校以外的各种优秀的课程,并且能够与全世界各地的学生进行交流学习。在这样的一个平台上,学生可以根据自己喜好有针对性地选择课程进行修读,在上课过程中,也可以有选择性地快进或者重播,达到课堂学习效果的最大化。同时教师也可以通过对学生在上课过程中所产生的数据信息进行分析,从而发现课程本身需要改进的地方以及学生的掌握情况,然后进行改进。学生在遇到学习瓶颈的时候可以从多个渠道获得帮助,比如相关学习的论坛,或者与在线学习的学生一起讨论等等。
第二 ,教师的角度。在大数据技术的支持下,教师可以深刻地挖掘教育教学数据,通过分析这些数据,采取相应的教育对策。另外,对这些数据的有效分析,可以有效地提高学生的学习效果,加快学生的发展速度。同时,通过分析所采集的数据,可以对学生的学习效果进行科学的预测,并及时地调整教学方式,从而提高学习进度。个性化教育是一个持续的过程,需要教师在这个过程中发挥重要的作用。首先应该充分地了解所在班级的每一个学生。所谓因材施教,就是要充分挖掘每一个学生的个性,有的放矢。其次教师应该充分掌握科学技术,提高自身的素质,与时俱进。
第三 ,学校的角度。对于学校来说,为了迎接和适应大数据时代对教育领域的冲击以及学生和家长对个性化教学的急切需要,学校应该将大数据的收集和学生的学习分析进行技术性的结合,为学生教师创建一个混合式的学习环境来满足学生对个性化教育的需求和个人全面发展的要求。
二、个性化教育所面临的挑战
我国现如今许多学校课堂容量都特别大,往往是一名教师管理五六十个学生,同样的教学要求,同样的教学方法,来管理不同个性、不同接受水平的五六十人,其结果是增加了很多无效的教学时间。2010 年中国青少年研究中心公布了“中日韩美四国高中生学习意识与状况比较研究”结果,结果显示,受访的中国高中班级规模普遍较大,超过六成班级人数在 50 人以上,受访的中国高中班级容量在城市间有明显差距,北京市被调查学校班级人数均少于 50 人,京外城市均超过 50人。郊区班额超大现象突出,60 人以上的班级占受访总数的近一半;城区学校班容量多在 51 ~ 60 人之间。这种现象,一方面可以反映出我国受教育的人口总量在不断地提高,这是我国义务教育规模不断扩大的一种良性表现。然而,另一方面,做任何事情,尤其是教育事业,不能只注重量的扩大,而不注重质的飞跃。
三、 大数据在教育领域中的价值分析
“大数据 ”这一概念对于我们来说已不陌生。维基百科上给出的大数据定义是:数据量规模巨大到无法通过目前主流软件工具获取、管理、处理、整理,成为帮助企业经营决策,达成更积极目的的信息。教育大数据有广义和狭义之分。广义的教育大数据是指所有来源于日常教育活动中的人类的行为数据,而狭义的教育大数据是指学习者的行为数据,它主要来源于学生日常管理系统、在线学习平台和课程管理平台等。无论是狭义的教育大数据还是广义的教育大数据,都对大数据在教育领域中的应用起到了推动的作用。在应用过程中,应当广泛而系统地收集学生不同种类的学习数据,以便后期的云计算。
(一) 促进教学的有效性
大数据具有“4V”的特点,分别是Volume大容量、Variety多样性、Velocity高速度、Value高价值。这四大特性决定了大数据具有一定的预测价值。大数据的预测价值作为大数据的核心价值必然可以在教育领域有所体现。通过大数据分析教与学行为数据来预测分析和评估教学行为,远远要比单一的学生、教师评价要精准。因为,大数据分析的支点是建立海量数据,通过对数据的分析来得出相应的结果。美国教育部在2012年的《通过教育数据挖掘和学习分析促进教与学》报告中指出:“目前教育领域中大数据的应用主要有教育数据挖掘和学习分析两大方向。”前者是指综合运用数学统计、机器学习、数据挖掘的技术和方法对教育大数据进行处理、分析。后者是指在处理和分析的基础上对学习者提供人为的适应性反馈。在大数据时代,人们不再像以往那样通过停留在教师头脑中的经验来对教学问题进行分析反馈,而是对海量教学数据的描述分析,并提出解决方案。而且,教师完全有可能对每一个学生的学习行为数据进行分析,从而得出每一个学生的问题所在以达到真正意义上的因材施教。总而言之,在大数据的时代背景下,通过对教学行为的数据收集和分析可以探索其与教学效果的相关性,从而提高教学的有效性。
(二) 促进教育决策的合理性
教育领域的决策,一直以来都是缺少可靠的数据作为依托和根据,决策的制定也往往是专家学者根据以往经验的分析拟出的。但是,大数据时代的到来,给我们的生活带来了巨大的变化,在大数据时代,教育政策的制定不再是简单的经验模仿,更不是政策制定者以自己有限的理解、假想、推测来取代全面的调查、论证和科学的判断,而是强调更精确化地捕捉各个层面的变化数据,以及由数据展现的复杂相关和因果关系,将教育治理和政策决策带来的危机转化为机遇。在教育决策方面,大数据带给我们的是更加全面的信息,更加清晰的现状分析和更加可靠的预测。所以,在教育决策的实施过程中,它的作用是非常大的。
(三) 推痈鲂曰教育质的飞跃
在这种高度发展的科学技术的支持下,教育将会回归到以生为主,教学模式也会得到提高和优化,我们的教育也将实现真正的个性化教育。而实施个性化教育的最好方式就是我们近几年流行起来的大规模网上开放性学习课程,也就是慕课(Massive Open Online Course,MOOCs),MOOCs被寄予了厚望的原因在于,相对于传统的教学模式来说,幕课能够在更大程度上实现个性化教育,推动学生的个性化发展。MOOCs在实施的过程中,会在线记录学习者在哪些地方回播了,哪些地方快进了,哪些地方停留的时间长等细节,这些细节会生成数据反馈给教师,教师可以通过对这些数据的理性分析,有针对性地为学生提供帮助。总之,这种技术与教育相结合的方式能够最大程度地实现个性化教育,使教学方式多样化。
(四) 促进教育评价和学习分析的客观化
在这种以庞大数据量为基础,以高效的数据分析技术为手段的教学模式下,促使教育教学评价从过去的以经验为评价依据转向更加科学化、客观化的以数据分析为主要依据。喻长志指出:大数据将重构教育评价,由原来的经验式评价转变为基于数据的过程性评价,通过大数据的支持来分析教学规律。不仅如此,教学评价的主体也向多元化发展,不再只关注教师、学生,而是全面的展开。这种以数据分析为依据的评价方式,无论是对学生还是对教师都是具有重大帮助的。它可以明确指出个人在哪一方面有欠缺,哪一方面有优势等。
无论什么时候高超的科学技术都只是辅助教师开展教育活动的工具,无论多么优秀的科学技术都替代不了人的作用,科学技术能多大程度地运用于教育领域关键在于我们自己的把控。
参考文献:
[1] 徐鹏,等. 大数据视角分析学习变革――美国《通过教育数据挖掘和学习分析促进教与学》报告解读及启示[J].远程教育杂志,2013(6).
[2] 梁文鑫.大数据时代――课堂教学将迎来真正的变革[J].北京教育学院学报(自然科学版),2013(1).
[3] 陈霜叶,等.大数据时代的教育政策证据: 以证据为本理念对中国教育治理现代化与决策科学化的启示[J].全球教育展望,2014(2).
关键词: 数据分析课程 翻转课堂 教学设计
数据作为信息的主要载体,在当今“大数据时代”背景下扮演着重要的角色。对数据的分析和利用已经成为每个行业重要的生产因素,并广泛应用于各行业和领域。数据分析就是用适当的统计方法对收集的资料进行详细的研究,提取有用的信息并形成结论,以求最大化地开发数据资料的功能与发挥数据的作用。在我校,数据分析课程是信息与计算科学系的必修课程,对提高学生的建模能力及数据分析水平有重要的作用。
数据分析课程的特点就是要求学生具备较高的理论基础水平、综合应用及动手能力,还需要学生掌握必要的分析解释能力。将理论与实际案例结合,发挥学生的主观能动性,增加学生的动手实践和分析解释环节,是数据分析教学中必须遵循的原则。而翻转课堂正是通过对知识传授和知识内化两个环节的颠倒,实现学生对授课内容的理解和对知识点的内化,也就是理论结合实践的过程。因此本文针对数据分析课程特点和存在的问题,结合翻转课堂的教学理念,对数据分析课程各个教学环节进行设计研究,以期促进数据分析教学,使之更好地为专业素质的培养提供服务。
一、数据分析教学存在的问题
1.理论教学
数据分析课程的理论与方法内容丰富,涉及面广,应用范围大。在理论教学中,学生学习理解掌握理论基础具有一定的难度。如对各分析方法的理解掌握,必须建立在良好的数学基础上,综合运用所学数学知识才可以理解各种数据分析的理论分析原理。同时学生还需要理解掌握各分析方法理论的内在联系,并把握其不断发展的趋势,才能真正掌握数据分析的理论与方法。我校现在的数据分析课程教学理论课程授课方式单一,传统教学方式使学生只能对课程方法理论浅尝辄止,无法深入了解,综合运用。同时单一的课堂授课模式无法对学生的掌握程度进行有效的评价和检测。
2.实践教学
数据分析课程对学生的动手能力要求很高。学生在理解掌握各种分析方法的理论基础上,需要掌握一定的统计软件的使用方法,如SPSS,MATLAB。这需要将理论方法,如复杂的公式,与实际软件使用相结合。实验教学中,要求学生有较高的计算机编程能力,然后结合数据分析的理论方法,对数据进行分析,并应用于实践。现阶段我校数据分析课程中,学生实践课时偏少,而且传统授课模式让学生的学习处于被动状态。实践教学中只能根据老师和教材的指导,对课本上的例题程序进行练习,极大地限制学习广度和深度,且无法有效地将本课程与实际生活与应用联系起来,从而挫伤学生学习和动手的积极性。
3.学生能力培养
数据分析课程对学生能力的培养体现在综合运用能力和对结果的分析解释能力。理论课程传统的填鸭式教学,和实践课程拘泥于教材的例题程序的现状,将数据计算与数据分析分割开来,势必会限制学生综合运用能力和分析解释能力的发展,影响学生学习兴趣和课程教学效果。
二、翻转课堂教学理念
翻转课堂起源于美国林地公园高中,两位化学老师通过让学生在家观看视频,课堂进行练习的方式,完全颠覆传统教学模式。翻转课堂将传统教学模式中知识传授和知识内化两个阶段颠倒过来。与传统授课模式不同的是,知识传授不再是完全由课堂中教师的讲解完成,而是通过信息技术的辅助在课前或课后等业余时间完成,同时知识的内化不再是单一的由课后作业或者练习完成,而是通过在课堂中进行疑难解答、项目式学习、合作学习等方式进行。因此,对翻转课堂教学方法的实际有效利用可以将大学生学习时间最大化,并培养学生的自学能力、自我约束能力及分工合作能力。
在数据分析课程教学中,学生可以利用课余时间,结合教师提供的数据分析每一模块的课前学习材料,实现对数据分析课程基本方法和理论的了解,这样很好地利用学生的课余时间,培养学生的自学和约束能力。而对所学数据分析方法的具体应用、深入理解及综合分析等方面,学生可以通过课堂的各种活动和学习方式,以及和教师的及时沟通,和同学的合作交流等方式,在知识内化这一环节获得比传统课堂更好的学习效果。
三、翻转课堂在数据分析教学中的应用设计
近些年国内外很多对翻转课堂教学的研究,形成针对各个学科和地区的教学模式。如RobertKarplus提出的“探索-解释-应用”三阶段学习周期,RamseyMusallam提出的“探索-翻转-应用”模式,国内南京大学张金磊等人提出的由课前学习和课堂学习组成的翻转课堂教学模式等。
针对数据分析课程学科特点和本校学生基础水平及实际情况,本研究提出数据分析翻转课堂的教学流程:
课前――概念探索教学视频平台交流
课中――问题解决(经验交流,教师讲解)测试反馈项目创建协作学习及汇报
课后――平台交流,作业反馈
在课前教学环节中,概念探索是根据数据分析课程的学科特点设计的,由于学生初次接触数据分析,对很多基本概念及意义没有深入了解,意识不到社会意义和实践意义,在这一环节中学生可以通过教师给出的简单具体的实例演示,再加上信息丰富的网站、视频及博客等手段在教学交流平台上阐述自己对所学概念的理解,相互交流,以此实现对概念的初步正确理解。如对聚类分析的理解,学生可以概念探索这一过程中通过具体实例演示和对各种信息的阅读,了解到聚类分析作为数学工具的基本思想和在现实生活中的重要意义。
教学视频主要是微视频和幻灯片。对于教学视频的观看,要求学生针对自己的数学学习基础有选择地观看。教学视频中主要针对本单元学习内容进行讲解,同时还会提供与本单元学习相关的数学基础理论的教学内容。这种数学基础与数据分析内容相结合的教学材料可以让数学基础不完善的学生更有效地理解本单元的知识。在视频或者课前学习资料的制作中,需要结合每一章节的实际,主题突出,简短生动,而且有效。如在聚类这一章节中,对于各种聚类方法的介绍可以结合具体的实例,如与生活密切相关的人均家庭收入问题等,通过不同方法展示对比,从而做到对每一聚类方法的理解和融会贯通。同时需要介绍相关的Matlab编程方法,让学生结合理论和实际,通过编程过程实现对理论知识的理解和应用。
课前学习中,反馈是比较重要的一部分。教师可以通过平台交流得到课前理论学习的反馈信息,同时可以通过在线学习简单的作业练习,由此获得课前学习的反馈。
课堂教学仍然是很重要的一环。课堂上教师首先组织学生面对面交流,解决并了解课前学习中遇到的问题,对普遍性问题做详细解答。然后经过简单的例题让学生编程实现,并进行相应的解释,由此测试学生的学习效果。这样教师可以更好地掌握学生对每一章节数据分析理论的学习效果,以及学生对理论的应用构建能力。在保证学生对概念和理论的学习后,教师可以提供项目创建的基本信息和参考实例,如数学建模题目等。学生分组合作交流,选择自己感兴趣的问题成立合作组,结合本章节内容分析解决问题,寻找合适的数据处理方法,应用相关软件编程实现自己的想法,将理论应用于实践,并进行有效的分析,学生的问题解决过程和讨论过程可以在课下进行。在学生充分准备后,课堂上进行分组汇报,并进行自评和互评,实现学生对理论的应用和相互学习。
本章节教学内容结束后,教师组织学生在教学平台交流,并展示自己的作业和反思内容,巩固对本章节内容的理解。
四、教学设计效果分析
1.符合大学生学习特点
大学生作为已经独立的学习个体,拥有独立的学习和思考能力,同时具备独立学习时间和空间,而传统教学方式无法充分发展学生的独立学习能力,让学生的课余学习漫无目的,松散自由,无法充分利用课余时间。翻转课堂在数据分析课程教学中的应用让学生在课余时间的学习有的放矢,通过学习交流平台还可以相互交流督促,培养学生良好的独立学习和探索学习的习惯。
对于思想上已经独立的大学生来讲,个性化学习更符合学生的行为习惯和思想意识。在数据分析课程的学习中,学生可以根据自己的基础、学习习惯及自己的喜好等自由选择学习的材料、时间和方式,互不打扰,又可以相互交流。如对概念和理论的理解,学生可以通过网络资料,也可以选择图书馆的书籍,观看教学材料等方式进行,每位学生理解的深度和广度可能会有所不同,通过相互交流和共同知识构建和应用又可以相互弥补。这样的教学和学习方式极大地满足了不同学生对知识的需求,避免一刀切式教育,可以充分发挥学生的学习潜力。
2.增强学习效果
通过初步的教学实验,接受翻转课堂数据分析课程的学生无论在理论知识理解还是实践应用上都有明显提高。相对于传统课堂中的学生,在数据分析课程结束后,翻转课堂中的学生可以较好地阐述相关理论,通过Matlab软件编程实现对理论的应用,并给出合理的解释。通过测试对比可以看出,翻转课堂中的学生理论基础更加扎实,编程能力有很大提高。在翻转课堂试行后,学生在数学建模大赛中成绩有明显进步。
3.改善教学氛围
在数据分析翻转课堂中,学生学习积极性有很大提高。首先学生已经通过概念的探索阶段对所要学习的知识有初步了解和认识,能够较好地意识到所学知识的社会意义,增强学习兴趣和信心。其次,学习方式多样化,学生可以充分利用自己喜欢的现代信息设备,将手机、平板及电脑等学生喜爱的现代化信息设备变成学习的工具。避免学生与教师之间对手机等工具的对弈,改善学生将手机等单纯作为娱乐工具的现象。此外,学生在交流平台上的发言、总结和展示不仅乐意给学生带来成就感,而且可以激发其他学生的学习动力,形成你追我赶的学习氛围。
通过将翻转课堂理念初步运用于数据分析课堂,发现这一理念的运用可以有效解决目前数据分析课程教学中存在的一些问题,将理论教学与实践教学密切联系起来,并有效调动学生的学习积极性,取得较好的教学效果。在这一过程中,我们发现翻转课堂理念的实施不能拘泥于形式,需要根据具体问题和课程需要进行相应的调整。同时翻转课堂中需要教师付出更多精力进行探索,如更合适的教学资料和课堂活动设计。总之,翻转课堂理念的实施带来的不仅是教学形式的变化,更是对教师工作分工和角色的改变。
参考文献:
[1]宋艳玲,孟昭鹏,闫雅娟.从认知负荷视角探究翻转课堂[J].远程教育杂志,2014,(1):105-112.
[2]汪晓东,张晨婧仔.“翻转课堂”在大学教学中的应用研究[J].现代教育技术,2013,(8):11-15.
[3]张金磊.“翻转课堂”教学模式的关键因素探析[J].中国远程教育,2013,(10):59-64.
[4]周学刚.浅谈“数据分析”课程的教学[J].中国电力教育,2011,(7):110-111.
[5]窦建军.数据分析课程教学中的几点体会[J].徐州教育学院学报,2008,(3):146-147.