面向解决复杂工程问题的“大数据与数据挖掘”教学研究

来源:用户上传      作者:

　　摘要：学生工程教育培养的核心问题是培养学生解决复杂工程问题的能力。解决该问题，首先要准确理解和把握复杂工程问题的本质，其次要针对该目标采取有针对性的教学方法和手段。因此，本文从解读和阐述复杂性工程问题入手，以“大数据与数据挖掘”课程为例，分析该课程特点以及现有问题，并针对上述培养目标，给出适应该课程的一系列教学方法和改革措施，包括产学合作、项目驱动、“多师”授课、翻转课堂和综合评价等策略。
　　关键词：复杂工程问题;大数据与数据挖掘;产学合作;项目驱动
　　中图分类号：G434  文献标识码：A  论文编号：1674-2117（2019）10-0106-04
　　引言
　　近几年，我国高等教育正在大力开展工程教育认证。工程教育认证是一项国际通行的合格性评价标准，为学生培养质量提供基本标准，即依照行业提出的基本质量标准要求完成工科专业人才培养。工程教育认证推进工程教育改革，与工程师制度紧密衔接，增强培养出来的人才对产业发展的适应性，同时大大提升了我国工程技术人才的国际竞争力。
　　本文以“大数据与数据挖掘”课程为例分析和讨论如何运用产学合作和项目驱动等教学策略培养学生的复杂工程问题解决能力。首先，建立产学深入合作以获取更切合实际的复杂工程问题——大数据和数据挖掘问题;其次，确定合适的大数据与数据挖掘项目，学生自由组队实施项目;最后，通过翻转课堂让学生进行项目答辩，通过教师、学生和企业三方给出学生综合评价。
　　“复杂工程问题”的解读
　　国际公认的具有权威性和影响力的《华盛顿协议》指出“工程”是包括数学、自然科学和工程知识、技术和技能整体的、有目的性的应用。“复杂工程问题”的核心特征是必须运用深入的工程原理进行分析才能得到解决，特别要强调的是复杂工程问题并不等同于高难度且工作量大的问题。可见，掌握工程原理的分析和运用是学生具备解决复杂工程问题能力的基本技能。分析工程原理需要深入，运用工程原理需要经过分析以后解决问题。“复杂工程问题”除了上面的核心特征以外，还具有以下6个选择性特征：①涉及多方面技术、工程和其他因素，且相互之间可能存在冲突;②需要通过创造性地建立合适的抽象模型才能解决;③仅靠常用方法是不能完全解决的;④涉及的因素可能没办法完全被专业工程实践标准和规范所包含;⑤相关各方利益不完全一致;⑥具有较高的综合性，包含若干相互关联的子问题。具备核心特征和6个选择性特征中一项或多项的工程问题都属于复杂工程问题。
　　“大数据与数据挖掘”课程特点和问题
　　作为数据科学与大数据技术专业的必修课程和核心课程，同时亦为计算机科学与技术、软件工程等专业的选修课程和专业课程，大数据与数据挖掘是在完成离散数学、数据结构、数理统计与概率论、计算机程序设计和数据库原理及应用等基础课程之后开设的，目的是让学生更深入了解大数据与数据挖掘的基础理论知识、应用前景与发展方向，培养学生解决实际大数据与数据挖掘领域复杂工程问题的能力，提高学生的创新思维以及动手实践能力。所以，提高“大数据与数据挖掘”课程的教学效果对学生的今后学习与就业都有十分重要的意义。
　　1.“大数据与数据挖掘”课程特点
　　大数据与数据挖掘应用背景面向的就是复杂工程问题，以下分别从系统性、交叉性、丰富性以及伦理性四个方面对大数据与数据挖掘的复杂性进行解读。
　　（1）系统性
　　大数据与数据挖掘描述的是一整套以数据为驱动的计算机系统，包括数据采集、数据清洗、数据管理、数据分析、数据可视化等，不但要描述大数据与数据挖掘所涉及的方法、技术、模型和理论，还要阐述大数据与数据挖掘中涉及到的知识产权和伦理道德等方面。
　　（2）交叉性
　　大数据与数据挖掘具有多学科多领域交叉的特征，涉及数学、数据库、可视化、信息科学、机器学习、高性能计算等，所涉及的方法、技术、模型和理论具有广泛性。同时，数据来自应用领域，使得大数据与数据挖掘与应用领域及领域知识密切相关。
　　（3）丰富性
　　因其涉及的学科和领域很多，大数据与数据挖掘所涉及的方法、技术、模型或理论甚多，任何一个方面都可以有丰富的现有的资源可以使用，任何一个方面都值得去深入研究创新，更可以通过研究创新以解决大数据与数据挖掘方面的复杂工程问题。
　　（4）伦理性
　　大数据和数据挖掘应用的目的是促进经济社会发展，造福人类，同时也应该考虑大数据和数据挖掘应用可能带来的不良影响，因此要有风险意识。同时，大数据与数据挖掘更增强了社会大众对数据隐私的保护意识，因此要有数据隐私保护意识。
　　2.“大数据与数据挖掘”课程问题
　　大数据与数据挖掘是数据科学与大数据技术专业、计算机专业和软件工程专业中一门综合性以及实践性非常强的专业课程，采用传统的教学方法可能会导致课堂氛围非常枯燥。因此，教学过程中要注重教学内容的复杂工程应用性、实践性、针对性和专业性。“大数据和数据挖掘”课程教學现在普遍存在如下问题，亟待改革。
　　第一，部分内容理论比较抽象且内容过多，尤其是数据清洗所涉及到的数学公式和数学知识点比较多，数据仓库数据模型相对较抽象，难以理解，数据挖掘算法也包含很多理论支撑，所以学生在学习中极易产生枯燥、乏味的感觉。
　　第二，内容理论多于实际，该课程内容包括数据清洗、数据仓库和数据挖掘，这就需要用足够的课时来教授学生各部分的知识点，尽量使学生在大数据与数据挖掘方面有个完整的知识体系，但目前很少有具体项目来贯穿整个课程。
　　第三，任课教师本身缺乏大数据与数据挖掘的完整知识体系，使得教师在讲授理论时不能很好地结合现实生活实践，即不能将当前实际项目案例和该课程教学有机地结合在一起，与实际的大数据与数据挖掘实践有明显的差距。 　　第四，“双师”型教师严重匮乏，大部分高校教师只专注于科研而少有在公司或者企业工作过的经历，且在培养本科生的科研能力方面没有真正地深入，仅通过简单的實验培养学生的动手能力，所以他们常常在授课过程中忽视学生的项目实践能力的培养。
　　第五，该课程实验侧重于传统动手编程能力的培养，而缺少数据思维的培养，即教师很少谈及数据思维，甚至侧重程序验收而不是强调数据采集—管理—分析的整个过程，并且缺少适合实验教学使用的实验环境和项目资料，使学生不能将所学到的知识应用于实际。
　　“大数据与数据挖掘”课程教学改革措施
　　1.理论知识：结合项目传统授课和“多师”授课
　　理论部分教学仍采用教师授课为主的模式，但需要以大数据与数据挖掘项目案例去形象化阐述理论。教师授课以向学生讲述大数据与数据挖掘的基本理论为主，内容力求少而精，同时借助大数据与数据挖掘项目案例，以通俗易懂的接受方式讲授给学生，目的是在较短时间内让学生了解现阶段最广泛使用的大数据与数据挖掘技术的理论知识，为下一步的学习奠定基础。同时，考虑到大数据与数据挖掘知识体系的完整性，保留数据预处理、数据仓库和数据挖掘授课内容。由于存在教师科研方向问题以及项目案例缺乏等问题，引入“多师”授课方式，即不同部分由不同教师，甚至可以外聘企业人员来校授课，但是在授课前一定要协商好上课内容，保证授课内容的前后衔接和有机结合，以培养学生数据思维为主，培养学生在大数据与数据挖掘方面的兴趣爱好，引导学生自主学习，使学生平稳过渡到深入研发阶段。
　　2.应用技术：从项目出发和“用中学”
　　大数据与数据挖掘与其他计算机课程不同，学生需要面对的不是单一的软件工具和编程语言，而是一组软件工具组成的软件支持环境。为了增强大数据与数据挖掘课的真实性，可选用一组业内流行的大数据与数据挖掘工具和编程语言，如ETL、Hive和Python等，营造一个适合“大数据与数据挖掘”课程的项目实践环境。考虑到相关工具和编程语言的复杂性，为避免学生陷入单纯学习软件功能和编程语言的误区，要坚持“用中学”的方针，不要求学生面面俱到掌握软件功能和编程语言，而是从实用角度出发，以完成项目为目的，掌握软件常用功能和编程语言基本语法等。同时，围绕项目可以布置一些课外任务，以巩固学生对大数据与数据挖掘所涉及应用技术的熟练程度，同时拓宽学生对应用技术的扩展学习。
　　3.项目实践
　　通过项目实践完成情况可以考察学生对大数据与数据挖掘的方法和技术的掌握和运用情况。
　　（1）项目遴选
　　项目的选取遵循“生产性、相关性、发展性和可操作性”四大原则，选择的项目要和学生的生活学习相关，同时要是他们熟悉的，要有一定业务流程，能满足学生今后可持续发展的需要，便于课堂开展教学实施，如气象实时监控与预测、交通实时监控与预测。要想使学生在大数据与数据挖掘的各知识点均有练习，最好的方式是通过产学合作的方式与相关企业或政府部门建立起长期合作，由企业或政府部门提出复杂工程问题，选择其中一个作为授课用，并把该复杂工程问题对应的项目（授课用项目）贯穿到整门课的教学包括理论教学和应用技术教学的过程中。
　　（2）项目驱动
　　大数据与数据挖掘理论较抽象，且所需基础理论知识繁多，学生不宜理解和掌握，可以借助企业实际项目（授课用项目），将实际和理论相结合，这就需要教师具有工程实践经验和解决复杂工程问题的能力，并能够很好地将理论和实际结合在一起进行授课，即把实际真正解决复杂工程问题的过程、方法、理论和技术融入到理论授课过程中。理论授课需要项目驱动，大数据与数据挖掘实践更需要数据驱动型项目，真实项目不但可以让学生通过项目感受和掌握大数据与数据挖掘的理论、方法和技术等，更能带动学生学习兴趣和实际动手的积极性。
　　（3）团队协作
　　根据大数据与数据挖掘实践过程分析并确定团队协作人员人数，并根据学生的能力和水平，进行合理有效的分工，明确学生的学习任务和角色，尤其是大数据与数据挖掘实践过程中的角色以及相应的任务，如数据采集、数据清洗、数据管理（文件系统、数据库、数据仓库等）、数据分析和数据可视化等以及细分项。值得一提的是，为了更好地帮助学生认识大数据与数据挖掘各个环节和各个角色的重要性，需要约束和规范学生定期进行小组讨论并做会议记录，按时提交相应会议记录——进度、问题及解决办法等;同时，约束和规范学生撰写项目文档，并按期提交，但要在理论、方法和技术方面给学生发挥的空间。为了更好地把大数据与数据挖掘项目开展下去，可以为每个团队配备一名教师和一名企业人员，以帮助学生解决遇到的无法解决的复杂工程问题。
　　（4）翻转课堂
　　在大数据与数据挖掘项目实施过程中，设定若干阶段性成果汇报和最终答辩环节，由学生准备素材设计PPT，并由学生在讲台上讲述阶段性成果和所遇到的已经解决的和未解决的问题，这样不但可以培养学生的表达能力，还可以培养学生材料搜集整理的能力，同时更凸显团队协作的能力。
　　（5）综合评价
　　传统教学模式中主要由授课教师来完成最终成绩包括平时成绩和期末成绩的评定。为了能够更好地衡量学生团队在大数据与数据挖掘项目进行过程中的表现，在阶段性成果汇报和最终成果答辩过程中，可由教师、学生和企业人员共同参与答辩评审，并且对学生团队内的每一个人都可以提问，以保证团队内的每一个学生已熟悉和掌握软件开发过程中应知必会的知识。
　　结语
　　解决复杂工程问题能力的培养是一项系统性的工作，同时也是一个动态的、循序渐进的工作，贯穿整个教学过程。只有准确理解和把握复杂工程问题，才能有针对性地开展教学设计和教学活动。本文探讨了“大数据与数据挖掘”课程教学改革措施，结合实际大数据与数据挖掘项目给出了复杂问题教学实施方法，如项目遴选、项目驱动、团队协作、翻转课堂、综合评价等，希望对其他涉及复杂工程问题的课程教学有一定的启发。
　　参考文献：
　　[1]蒋宗礼.本科工程教育：聚焦学生解决复杂工程问题能力的培养[J].中国大学教学，2016（11）：27-30+84.
　　[2]林健.如何理解和解决复杂工程问题——基于《华盛顿协议》的界定和要求[J].高等工程教育研究，2016（05）：17-26+38.
　　[3]钱振江，龚声蓉，徐文彬.面向复杂工程问题的应用型本科计算机类专业人才培养模式研究和实践[J].计算机教育，2017（06）：10-13.
　　[4]王洪，洪玲.大数据背景下《数据挖掘理论》课程教学思考[J].现代商贸工业，2018（20）：142-144.
　　[5]朱卫平，陈佳玲.大数据时代下的“商务智能与数据挖掘”课程教学改革研究[J].计算机教育，2017（10）：33-36.
　　[6]渠畅，杨静.本科阶段数据挖掘课程教学探究[J].高等教育，2018（03）：183-183.
　　[7]赵晓凡.公安高等院校数据挖掘课程教改研究[J].计算机教育，2018（01）：39-42.
　　[8]黄艳梅.大数据背景下“数据挖掘”课程的教学研究[J].江苏科技信息，2017（34）：63-65.
　　基金项目：浙江工业大学专业核心课程建设项目“数据挖掘”。
转载注明来源:https://www.xzbu.com/9/view-14837941.htm