数据分析课程范文10篇

数据分析课程范文篇1

关键词：课程思政；总体设计；实践成效

2015年10月，党的十八届五中全会正式提出“实施国家大数据战略，推进数据资源开放共享”。[1]2021年《政府工作报告》也提出“加快数字化发展，打造数字经济新优势，培养数智化人才”。[2]随着大数据行业的发展，企业的数据能力、构建意识不断增强，更多的企业在不断引进专业数据人才。2020年，教育部出台的《职业教育提质培优行动计划（2020—2023年）》提出，职业教育要强化工学结合、知行合一，健全德技并修育人机制，落实立德树人根本任务，完善多元共治的质量保证机制，推进高质量发展。一方面是数据人才的稀缺，一方面是职教改革的迫切需要，因此，数据分析基础课程的课程思政建设“大有可为”也“大有作为”。本文按照提质培优的要求，遵循“一体化设计、结构化课程、颗粒化资源”的建构逻辑，对数据分析基础课程的课程思政进行实践探讨。

1数据分析基础课程的课程目标

数据分析基础是江苏信息职业技术学院（以下简称我校）面向所有专业开设的一门专业基础课。课程根据行业需求和“00后”学生特点，依据各专业人才培养目标进行设置，按照岗位能力分析应该掌握的知识点和技能点，形成课程教学目标，并细化为具体的知识点和能力点。以数据分析在各行业的应用为主线，对金融大数据、电商大数据等进行分析，培养学生的数据思维，使学生掌握数据分析的实用技能，最终达到知行合一、学以致用的目的。在专业教育的同时，以新时代中国特色社会主义思想为指导，坚持知识传授与价值引领相结合，注重课程思政教育教学改革建设工作，深入挖掘数据分析基础课程蕴含的思想政治教育资源，充分发挥专业基础课的育人价值，将价值塑造、知识传授和能力培养三者融为一体，培养“德、智、技”全面发展的高素质应用型人才。

1.1培育和践行社会主义核心价值观（德）

帮助学生塑造正确的世界观、人生观和价值观，这是课程思政的必备内容。[3]课程紧紧围绕经济类学科专业，结合专有的课程特色，梳理教学内容，找准数据分析知识体系中蕴含的育人元素并将其融入专业知识的传授中。[4]例如，从国家大数据战略及数据人才稀缺的角度谈当代大学生的责任担当，通过疫情数据分析激发学生的爱国情怀，从合理合法的数据采集角度谈法律意识、规范意识，从细致的数据整理角度谈专业人士的职业素养，通过多角度、多维度的数据分析谈辩证唯物主义在课程中的具体应用，并将这些思政元素内化为学生的精神追求、外化为学生的自觉行动，让学生成为德才兼备、全面发展的人才。

1.2夯实课程基础知识，服务专业知识（智）

课程思政不是课程的“思政化”或者“去知识化”，学习专业知识仍然是课程建设的第一要务。课程要求学生掌握数据分析的基本理论知识：数据类型、数据分析流程、数据调查、数据整理、数据一致性、统计表统计图、描述性分析、动态分析、指数分析、抽样推断、假设检验等。教师将各个理论知识点融入不同的项目中，项目设计从易到难、迭代进阶。

1.3对接产业升级，提升数据分析技能（技）

促进“1”与“X”的有机衔接，按照职业岗位的能力要求，制定完善的课程标准，基于职业工作过程重构课程体系，及时将大数据技术引入课程标准和教学内容中，将大数据分析与应用初级证书等有关内容融入课程教学，促进职业技能等级证书与学历证书相互融通。课程要求学生熟练掌握数据采集、数据整理、数据分析、可视化分析、数据分析报告撰写等实用技能。

2数据分析基础课程思政总体设计

2.1两大核心思政模块（面设计）

第一，社会主义核心价值观。结合大数据国家战略、数据分析人才稀缺现状及行业法律法规，主要围绕爱国、责任、敬业三大元素，在家国情怀层面提升学生对于党、国家和民族的认同，使学生懂责任、勇担当，在个人品格层面则强调培养学生的敬业精神、职业素养，引导学生明晰做人之理。第二，唯物辩证的科学思维。结合课程特色，将唯物辩证的科学思维有效融入。如在动态数列分析中融入坚持用发展的眼光看问题的思维，在相关与回归分析中融入科学把握事物之间联系的思维，在集中趋势和离散程度分析中融入一分为二地看待问题的思维。

2.2课程思政的知识和任务构建（点设计）

2.2.1课程内容项目化数据分析基础课程须根据不同的专业，制定一个与专业相关的项目，如金融管理专业的股市小数据收集与应用项目、市场营销专业的零售数据挖掘项目。其他通识项目的设置也紧扣专业人才培养需要，充分发挥新媒体的优势，引入时事热点，引导学生关注现实问题、经济问题，培育学生经世济民的职业素养。如通识项目可设定为“彰显数据力量，守护人民生命——疫情防控数据分析”“厉害了，我的国——GDP数据的描述性分析和动态分析”“合理消费，理性选择——相关与回归带你看房价”（具体见图1、表1）。2.2.2项目内容模块化，模块思政内容差异化按照数据分析的规范流程（采集、处理、分析、报告撰写）设置模块，每个模块注重内容不同的思政教育，如数据收集模块注重专业伦理教育、遵纪守法教育，数据分析模块注重培养学生的辩证法思维以及利用客观数据进行缘事析理的能力。

2.3课程思政的教学设计

把所挖掘的思政元素融入课堂教学，是课程思政的重点，具有很强的实践性和艺术性，需要选择合适的、多元的教学资源和教学方法作为辅助。2.3.1教学方法和思政融入方式两线并进、协同发力课程教学坚持遵循教学工作规律，充分发挥学生的主体作用，根据建构主义理论，主要采用六步教学模式（设疑定标—自主探索—合作交流—引导创新—多元评价—延伸拓展），使学生认识到知识的重要性（知），主动学习探索（行），体验获得知识、运用实践的成就感（情），力求做到教学过程中“知、行、情”的统一。此外，课程教学遵循思政教育工作规律，采取学生乐于接受的四种思政融入方式（开宗明义式、专题嵌入式、隐性渗透式、画龙点睛式），将育人元素与专业知识相融合。例如：采用专题嵌入式思政融入方式，把数据分析流程的专业知识设置在学生熟悉的疫情防控情境中；采用隐形渗透式思政融入方式，在课堂中播放宣传先进人物事迹的相关视频，以此引导学生树立爱岗敬业的工作精神和劳动精神。2.3.2升级教材，采用颗粒化、动态化教学资源为了保证课程思政的顺利实施，课程内容的选择尤为重要。[5]因此，课程组升级并出版了新教材。新教材基于高职学生特点，融入海澜之家、苏宁易购等校企合作企业的真实数据案例，充分体现了任务引领、实践导向的课程设计思想。除了开发纸质教材外，课程组群策群力，使电子教学资源颗粒化、动态化，共同制作电子教学资源，每学期结合时事热点优化、更新资源内容，将教学资源统一在教学平台上，便于学生利用零碎时间进行自主学习。通过颗粒化、动态化教学资源的应用，为专业知识与课程思政相融合提供完善的资源保障。

2.4课程思政的实施评价

主要从教师和学生两个层面进行评价。在教师方面，主要考核课程思政过程是否符合教学工作规律、思想政治工作规律和学生成长规律，使教师在广泛听取督导、同行评价的基础上不断改进教学方法。在学生方面，不再把对学生的知识准确率与技能熟练度的评价作为课堂教学的唯一指标。破除课堂教学“唯分数”的单一性评价，突出对课堂教学育人功能的动态性评价，突出对立德树人目标、内容、方法、过程与结果的整体性评价（改进结果评价）；以项目为单位进行过程性评价时将思政元素纳入过程考核，如检验学生的项目报告中是否体现了家国情怀、做人之理、辩证思维等思政元素（强化过程评价）；对课堂教学育人成效的发展性评价，如引导学生在任务引领下主动进行线上线下混合式学习探索、完成数据分析社团的项目任务（毕业生就业质量调查、横向课题任务），通过社团思政的模式检验课程思政成效（探索增值评价）。

3数据分析基础课程思政成效

课程思政的建设成效可以从三个方面进行衡量，即是否体现思想政治工作规律、是否符合教书育人规律以及是否符合学生成长规律。经过课程组近年来的努力，课程思政建设成效良好。

3.1科学融入思政元素

思想政治工作规律告诉我们，要反对形式主义，避免出现“两张皮”现象。课程组没有生搬硬套课程思政方法，而是采用四种思政融入方式将育人元素与专业知识相融合。例如，讲解数据分析在疫情防控中的应用时，采用画龙点睛式的思政融入方式，让学生感受到中国力量，坚持道路自信、制度自信。教师在课堂教学中要与学生进行沟通和交流，不断地激励学生，渗透隐性育人元素。

3.2以项目为引领，以任务为驱动，突显学生的主体性

课程采用项目式教学，以问题为导向，激发学生兴趣，鼓励学生分析问题、独立思考，同时创设各种问题情境，激发学生思维，激活学生思考问题的思路。[6]例如：在为电子商务专业学生授课时，可引导学生利用八爪鱼采集器从淘宝、京东等热门电商平台爬取相关产品的销售、性能、评价、对比指标等数据；在为金融管理专业学生授课时，引导学生爬取股市相关数据（某板块股票的成交价、成交量、涨跌幅、市盈率等）。学生通过课程的学习，能够独立思考问题、自主分析和解决其他数据场景问题。如我校学生在参加“泰迪杯”数据分析技能比赛中活学活用，能够有效分析疫情数据、在线课程数据、零售数据，并取得一等奖的好成绩。

3.3根据学生特点因势利导，提升课堂教学效果

职业院校“00后”学生的特点是世界观、人生观和价值观已具雏形，但还未定型。[7]他们在各个方面都表现出独立性倾向，对教师的依赖性明显减弱，具有较强的责任感和求知欲，能够积极主动地探索自己感兴趣的事物，易于接受新知识、新观念，敢于提出自己的独到见解，价值观念也呈现出多元化的特点。课程教学须遵循学生的认知特点和职业能力培养的基本规律，从易到难地设计课程内容，从学生的兴趣出发，将真实数据案例融入整个教学过程，坚持理实一体，加重技能考核，整合与课程相关的新媒体资源。通过这种方式，学生在课堂教学中的参与度、在教学平台上的互动性明显提升。

4数据分析基础课程思政特色

4.1将课堂思政与社团思政有效融合，双轮驱动，提升学生的综合素养

课程教学须充分利用三大课堂一体化实践育人模式，实现教、学、用的有机结合，真正实现数据分析能力的培养。[8]“第一课堂”的教学主要在校内常规教室进行，“第二课堂”的教学在我校苏信海澜人才孵化基地进行，“第三课堂”的教学在数据分析工作室及财经社团进行。坚持三大课堂一体化，多渠道地培养学生的数据思维，提升学生数据分析的实战能力，实现育训并举的教学目标。课程思政效果在实践中得到了检验，如我校学生完成了商学院2019年毕业生就业质量年度报告、钱桥街道2.8万人次的人口普查工作以及财经社团的数据分析任务。在项目实践中，学生践行课堂上教师传授的思政教育观念，学做人、学做事，增强了自身的责任意识和创新意识，体现出当代大学生应有的责任担当，有效检验了课程思政的课外延伸效果。

4.2系统性、过程性、动态性评价相结合，建立定性与定量

兼顾的立体评价机制，实现课程思政的精细化系统性评价强调从知识、技能、素养多方面考虑，过程性评价强调关注学生在多种平台的学习过程，动态性评价强调关注个体的发展。定性评价主要是深挖思政考核的评价点，如课程思政实施前后学生态度、情感、价值观上的变化，并将学生在社团活动、社会服务活动、横向课题任务中的参与情况和实际行为表现等纳入评价指标。定量评价主要依托教学平台的活动记录数据，对学生的整个学习过程进行跟踪，有效实施过程性评价。另外，课程组还将进一步探讨如何利用自身的数据分析优势，对学生的行为数据进行分析，并将其作为思政工作考核的参考指标。

5结语

在提质培优背景下，课程思政能力已然成为专业教师的软实力。我校结合专业要求、课程特色，通过教师团队的通力协作、集思广益，进行思想火花的碰撞，坚持教书和育人相统一、言传和身教相统一、潜心问道和关注社会相统一，将立德树人的根本任务落实落细，打造多门课程思政精品课程，真正实现课程思政与思政课程的同向同行、协同育人。

参考文献

[1]孙强.论总书记网络空间治理新战略[EB/OL].(2016-11-28).

[2]“政产学研用”多元融合培养数智化人才[EB/OL].(2021-03-30).

[3]杨辉煌.浅论大数据背景下的计算机科学现状及发展趋势[J].数字通信世界,2018(12):168-170.

[4]赵浚,高宝珠.课程思政的价值本源、现实困境与实践进路[J].湖南第一师范学院学报,2020(8):47-51.

[5]张诺,焦晶晶.造型基础课程群建设中课程内容的融合研究[J].教书育人,2014(8):245-246.

[6]吕长生.教书育人中教师应坚持的三个基本原则[J].教书育人,2012(12):32-34.

[7]李睿.职业院校思想政治课在素质教育中的作用[J].职业,2015(2):118-119.

数据分析课程范文篇2

关键词：课程思政；数据新闻；新闻传播人才培养

“强化思想引领和价值塑造，构建思想政治教育、职业道德教育、专业知识教育‘三位一体’新闻传播育人体系”①是2.0版卓越新闻传播人才教育计划的要求。打造新闻传播人才德育新模式，要求任课教师不仅要传授专业知识，还要注重思想引导和价值引领，以课程思政作为卓越新闻传播人才培养的有力抓手，将思想政治教育元素有机融合于专业课程教学中，以全新的德育模式培养新闻传播人才。“数据新闻与数据分析”课程是新闻传播学专业中实践性较强的新闻传播业务类课程，这门课程在培养学生掌握从数据到发现新闻、基于数据讲好新闻故事技能的同时，也要通过实施课程思想政治教育激发学生的社会责任感，培养学生正确的价值引导能力，使其未来能以过硬的专业技能、坚定的立场和满腔的热情从事我国社会主义新闻传播工作。

一、在教学目标中融入课程思政“数据新闻与数据分析”

课程是学科专业选修课，为新闻传播学专业学生开设。该课程的主要任务是向学生介绍数据新闻学的基本理论、方法和工具。为了胜任数据新闻领域的工作，学生需要知晓数据新闻的历史、经典案例或范例。“数据新闻与数据分析”课程注重培养学生的数据素养、批判性思维，引导学生理解具体的数据分析，了解数据可视化相关软件，基本掌握统计学概念、原理、方法及SPSS统计软件的应用，能正确运用数据结果发现值得讲述的故事（发现问题），运用数据讲故事（分析解决问题），并最终创作完整的数据新闻作品。“思想政治工作从根本上说就是做人的工作。”②在把思想政治教育融入专业课教学的过程中，要想最终实现“立德树人”的人才培养目标，除了强调传授基础知识、专业技能外，还应重视提升大学生的人文道德素养，使学生成为“德才兼备”的人才。对“数据新闻与数据分析”课程而言，“才”指学生对数据分析、数据可视化各种技能的掌握，“德”则指在数据新闻作品创制过程中诚实耐劳等道德品质的养成，以及对数据伦理与新闻传播伦理规范的遵守。因此，对“数据新闻与数据分析”课程的思政教育而言，应把立德树人的内容融入课程的教学目标中。通过对数据新闻的基本理论、方法和工具的系统讲授，使学生遵守新闻伦理与数据使用规范，熟悉数据新闻制作流程，运用数据结果发现故事、讲述故事，最终创作完整的数据新闻稿，并在此过程中养成良好的职业道德品质和家国情怀，为成为有知识、有温度、有情怀的新闻传播人才打牢思想基础。

二、在教学内容中挖掘思政元素

“挖掘课程的思想政治教育资源是先决条件。”③开展“数据新闻与数据分析”课程思政教育，首先需要对专业课程内容中的思政元素进行系统梳理，在此基础上精心设计教学内容，将思政教育融入课程教学中。“数据新闻与数据分析”课程内容涵盖数据记者的职业素养、数据新闻策划和选题、数据伦理原则等相关知识。教师要善于将每个章节蕴含的思想政治元素内化到教学内容中，在向学生传授数据新闻制作技能的同时，穿插数据伦理、职业精神和职业道德等价值理念，以实现“知识传授”和“价值引领”相结合，令学生切身感受到媒体行业与传媒人的责任与担当。

（一）在分析数据新闻优秀案例中体现思政

讲好中国故事、传播好中国声音，需要以正确认识国情、世情和党情为根基。应以马克思主义新闻观为指导，将蕴含丰富课程思政内容的优秀数据新闻作品收集起来，并创建经典案例教学资源库。那些处处体现着优秀媒体人业务水平的优秀数据新闻作品，往往蕴含着丰富的课程思政内容资源。在“数据新闻与数据分析”的教学中，教师应着重把讲解理论和技术与分析优秀案例相结合，把创制新闻内容与解读社会热点相结合，通过带领学生赏析数据新闻的精品力作，培养学生的社会责任感和家国情怀，力争做到能力与品德双提升。例如，教师将《改革开放40年数据报表出炉，20张图令国人动容！》《新中国成立70周年，大数据“数说”脱贫攻坚重大成就》和《中国共产党画像》等致敬建党、建国以及体现改革开放成就的相关优秀案例引入课堂，在培养学生面对重大选题时的信息整合能力的同时，增强其国家认同感，坚定道路自信、理论自信、制度自信和文化自信。在此基础上，因势利导，引导学生立足中国实践确定数据新闻作品选题，并以正确的新闻传播观制作正能量、高品质的数据新闻内容。通过优秀案例的熏陶，学生陆续创作出体现中国交通建设成就的《中国地铁50年》、体现建党百年成就和袁隆平科学精神的《粮食大国之路》、面向疫情影响的《疫情带来了哪些风口行业》等有情怀、有思想的数据新闻作品，体现出基于国情、民情和服务国家需求的新闻意识和价值判断。

（二）引介优秀数据新闻创作团队以体现思政

数据新闻作品的产制需要团队合力完成，精品的诞生更是团队协作的结果。团队成员一般由新闻传播专业人才、数据分析人才和可视化设计人才等三部分人员构成。在分享数据新闻优秀案例的过程中，教师通过对优秀数据新闻创作团队的介绍，弘扬数据新闻创作团队心怀家国、细致耐心等优秀品质，引导学生养成团结协作的精神和为了创作精品而反复打磨的匠心精神。从2014年起，中国每年都会举办数据新闻大赛和高校数据新闻大赛等赛事，包括高校在内的学生创作团队成为参赛主力。在教学中，我们着重对创作获奖作品的学生团队的创作过程进行介绍，有意识地以同龄人的榜样事迹强化学生的思想政治教育。例如，第三届数据新闻比赛一等奖作品《雾霾十三年：还远不是停下的时候》是由中国人民大学新闻学院2014级本科生陈庭玉等同学创作的。在讲授此案例的教学中，教师除了给学生分析该作品的选题思路、数据来源、故事架构及其可视化设计等内容外，还把主创者在这个作品诞生过程中经历的酸甜苦辣以及收获的心得体会等讲述给学生。例如，“最大的感受之一就是团队力量的强大及团队带来的无限可能性。”“在数据搜集整理分析阶段遇到的任何一个困难，都可能使我们终止这个选题。”“敢于想象、勇于尝试、坚持不懈，才能得到柳暗花明又一村的惊喜。”④优秀同龄人的创作感受令学生体会到在数据新闻创制过程的分工协作及不畏艰辛的精神，增强学生的专业认同感和自信心。

（三）在批评不良数据应用中体现思政

随着互联网海量数据时代的到来，新闻报道中越来越广泛地应用数据。然而，当前不少新闻报道对数据应用的科学性却有待提高，“数据说谎面面观”的教学讲授显得尤为重要。以往，我们会在讲授数据作假的认定标准及批判要求等内容的基础上，列举相关案例，说明数据新闻的创制要求数据材料诚信、客观和真实，同时强调数据作假的后果，这样的教学往往局限于数据伦理原则的运用。融入思政教育元素后，教师深入挖掘数据收集及运用中所涉及的伦理道德内涵，在教学中潜移默化地让学生认识到，坚持数据的真实可靠、全面权威是创制新闻作品必须遵守的规范，从中折射出的诚实守信的品质亦是为人处世应有的道德素养。与此同时，进一步引导学生紧密结合当前存在的数据失信现象进行深层次的讨论与思考。例如，教师通过介绍某些国家在新冠肺炎疫情初期对疫情数据的不重视，结合我国对疫情数据准确全面及时地公布等情况，使学生认识到数据对公众知情、民心稳定及疫情防控的积极作用。通过对披上统计外衣的商业营销中包装数据结果的行为及其后果进行解读，剖析保持统计机构独立性的重要性，向学生强调寻找与利用数据时，要重视采用权威独立的统计机构数据。教师系统有效地挖掘这些案例中富含的思政元素，使学生在掌握数据的采集分析和可视化等基本知识的基础上，能从更高的层面理解恪守数据伦理的重要意义，认识到新闻数据作假不仅涉及数据伦理原则，还涉及新闻传播职业道德，失实与误用数据还会对社会造成不良影响，从而培养学生的数字人文精神，使学生做出符合社会主义核心价值观的建设性的内容传播。

三、在教学方法中体现课程思政

数据分析课程范文篇3

关键词：大数据时代；新闻传播；数据分析；培养路径；培养体系

大数据时代高校人才培养面临新挑战，受技术发展影响深刻的新闻传播专业更是如此。新闻传播教育融入大数据内容迫在眉睫，然而现实培养效果不尽如人意。分析其原因是当前培养方式主要停留在课程层面，通过直接在传统课程体系中加入一门或几门数据类课程实现，课程设置缺乏理论依据，课程之间缺乏逻辑关联。数据分析能力独立于新闻传播传统核心能力培养之外，需在专业内生需求驱动下，系统化设计培养路径与培养体系，设计过程需充分考虑专业特点。

新闻传播人才数据分析能力培养路径

大数据时代新闻传播生态面临重大调整的同时也深度参与时代形态塑造，因此数据分析能力培养目标指向：深刻理解大数据内涵，既能利用数据分析方法支持新闻传播领域需求，也能清楚认识新闻大数据在解决其他领域问题上的潜能。培养路径设计亦围绕该目标实现，主要内容包括：（一）强化数据分析思维培养，弱化技术细节传授。数据分析能力分为两个层面：数据分析思维能力与数据分析技术能力。前者包括：理解分析方法背后数学逻辑，明晰方法适用问题类型，能正确解释分析结果；后者包括：根据数据分析方法特点能利用可视化软件或编写程序实现数据分析过程。因此，数据分析能力培养方式细化为三种：数据分析思维与技术并重培养；重技术实现，弱分析思维培养；重分析思维，弱技术细节培养。毋庸置疑，思维与技术并重培养最为全面，但在加重学习负担的同时不可避免地会压缩其他能力培养空间。正如哥伦比亚大学教授James W.Carey所言“新闻学的学术来源应该根植于人文科学和人文类的社会科学中，新闻应该与政治、文学、哲学、艺术、历史联系”[1]，并重式培养不免舍本逐末，影响人才整体培养目标实现。得益于集成软件的可视化操作以及新一代编程语言丰富的可调用程序“包”，数据分析技术实现难度降低，为“重技术实现”培养方式创造条件。但集成操作在封装数据分析过程的同时也导致学生对方法内涵及其背后逻辑理解不透，缺乏举一反三的能力，更无法融合知识背景对分析结果进行深度解读。另一方面，计算机性能提升促进数据分析方法快速迭代，从技术角度培养学生，容易导致教学内容滞后或在该能力培养上投入过多时间。因此，笔者倾向“重分析思维，弱技术细节” 培养模式。该模式重点讲授数据分析方法原理，适用问题场景以及对分析结果进行有效解释。在原理讲授上可根据内容难易程度采用不同方式，例如对于基于单一数学公式的可直接补充数学知识；对于涉及复杂数学原理的，可采用通俗的符合现实逻辑的语言来讲述。无论采用何种讲授方式，其目的就是让学生真正理解数据分析方法内涵，切实具备将方法应用到现实问题解决的能力。（二）开展信息素养教育，提高信息检索与连接学习能力。采用“重思维，弱技术”培养方式必然存在两个弊端：一是学生技术实现能力不足；二是无法及时跟进技术前沿。总结教学实践，笔者认为开展信息素养教育是解决这两个问题的关键。“信息素养”概念由美国信息产业协会提出，根据Doyle在《信息素养全美论坛的终结报告》中下的定义可知：理解信息在问题解决上的重要性，描述面向信息需求的问题，利用工具获取目标信息，选择有效信息并将其准确运用到问题解决上是开展信息素养教育的目的[2]，也正是克服“重思维，弱技术”培养方式下人才技术短板的关键。首先，针对技术实现能力不足问题，可通过与有技术优势的专业人员合作来弥补。识别合作对象是开展合作的前提，当前数据分析方法种类繁多，在解决现实问题时需要与有不同技术专长的对象合作。因此仅依靠人际网络很难全面识别，需运用信息检索技术，多渠道获取信息才能更全面定位潜在合作对象并与之建立关联。另外，不同专业人员的思维习惯以及对问题的理解存在差异，这种差异将影响合作效果。为提高沟通效率，除加强本专业学生沟通技巧外，关键在于提高学生对信息处理需求进行准确的、符合专业逻辑的描述的能力，而这正是信息素养教育内容之一。其次，针对无法及时跟进技术前沿问题，除了需要授课教师及时更新授课内容，保证课程紧跟技术前沿，更为重要的是培养学生连接学习能力。连接主义学习理论认为数字时代的学习可以看作在特定时间访问与使用所需信息的过程，与之对应，连接学习能力就是在学习需求驱动下获取与利用分布广泛的信息的能力[3] [4]。信息素养教育正是该能力的养成途径之一。（三）深化人文社会学科教育，促进深厚人文素养养成，提高数据分析结果的深度解读能力。上述两条路径培养学生适应大数据时展的能力，但在发挥新闻传播专业优势方面效果有限。本节将探讨新闻传播专业在数据分析流程中的优势以及如何强化这种优势。面向问题解决的新闻传播人才数据分析流程可划分为：问题解析、数据分析结果获取、数据分析结果解读三个阶段。问题解析阶段任务包括：判断问题是否可采用数据分析方式解决，如可行需要采集那些数据、选择那些数据分析方法，该阶段考验学生的数据分析思维。数据分析结果获取阶段任务包括：确定数据获取渠道并明确采集需求；定位专业人员并与之建立关联；通过与专业人员合作获取数据分析结果，该阶段需要学生具备坚实的信息素养。数据分析结果解读阶段任务包括：准确理解数据分析结果，融合背景知识对结果进行深度解读，形成可供阅读的分析报告，该阶段需要学生具备深厚的人文素养。近年来，数据分析结果解读在分析流程中的重要性日益凸显，深厚的人文素养是开展深度解读的前提，而这正是新闻传播专业学生的优势所在。一方面，新闻传播专业重视人文主义教育，与文学、历史学、哲学等不断交融，培养学生人文情怀、独立思考能力与批判精神[5]。更有学者呼吁在当前环境下更要加强文史哲教育，夯实新闻传播人才的人文基础[6]。另一方面，新闻传播学科内在基因强调与法学、经济学、政治学等社会学科交叉，培养学生跨界能力[7]。由此可知，数据分析过程中凸显新闻传播专业优势的关键在于深化人文社会学科教育，促进学生深厚人文素养养成，提高数据分析结果深度解读及对解读结果准确描述的能力。

新闻传播人才数据分析能力培养体系

培养路径指明实现培养目标的方向，而真正实现目标需构建相应培养体系。参考美国密苏里新闻学院方式与郝红霞、刘峰学者研究[8]，培养体系包含三个子体系：课程、实训与师资子体系。

（一）数据分析能力培养课程子体系

面向数据分析能力培养的课程子体系既是内部关联紧密的完整课程集合，又隶属于新闻传播人才培养上层课程体系，因此既包含完全独立的课程门类，又有与新闻传播传统课程相融合的模糊边界。课程子体系包含三个模块：数据分析思维培养课程模块、信息素养训练课程模块、人文素养养成课程模块。1.数据分析思维培养课程模块。该课程模块目的是培养学生数据分析思维，使其理解数据分析方法内涵，在面对现实问题时能选择正确分析方法。总结实践经验认为案例式教学能更好实现培养目标，但课程设置上有两条不同思路：一是以数据分析方法为维度设置课程。可开设课程包括：“数据挖掘”“社会网络分析”等。课程讲授时可先讲授方法理论基础，包括方法的定义、数据逻辑、适用场景等；然后介绍数据分析方法在现实问题解决中的成功案例，帮助学生掌握方法的运用技巧。另一思路以新闻传播领域需求为维度设置课程。可开设课程包括“网络舆情分析”“数据新闻”等。课堂中可以讲授解决领域需求的传统做法是什么，在大数据环境下有什么新的思路，并以案例形式介绍成功运用于领域需求解决的数据分析方法。2.信息素养训练课程模块。该课程模块目的是培养学生信息意识以及掌握信息检索与数据获取技能。课程设置分为三部分：一是信息素养理论课程，从宏观层面向学生展示社会信息化过程、数据时代特征及对社会各方面影响等。该部分既可独立开设课程，也可融合在其他课程内容中，例如“数据挖掘”“网络舆情分析”；甚至可融入新闻传播核心课程，如“新媒体概论”。二是信息检索课程，训练学生准确检索所需信息技能。该部分既可单独开设课程，如南京财经大学（以下简称“南财”）开设的“文献与信息检索”，也可融入其他公共基础课中，如融入“计算机基础”课程。三是数据获取课程，训练学生利用数据采集工具，获取目标数据的技能。因为此类课程开设的目的是从技术角度强化学生数据意识，所以将课程设置为选修课更为合适。3.人文素养养成课程模块。该课程模块目的是促进学生人文素养养成，提高数据分析结果深度解读能力。课程设置分为两部分，一部分为夯实，学习文史哲基础，如南财新闻学院开设的“中国文学史”。另一部分为丰富学生其他领域知识，具体可结合学院自身特点，例如南财新闻学院依托学校财经背景开设了“宏观经济学”“管理学原理”等课程。

（二）数据分析能力培养实训子体系

数据分析能力培养的根本目标是培养学生将数据分析方法熟练运用到现实问题解决上，开展课程实训是实现目标的重要途径，而实训体系是进行课程实训的保障。实训子体系包含三个模块：硬件保障模块、软件保障模块、成果模块。1.硬件保障模块。硬件保障模块分为两部分：一部分为计算机硬件保障；另一部分是教室硬件保障，数据分析过程是团队分工协作过程，教室设置更推荐采用翻转课堂模式。2.软件保障模块。笔者倾向与专业人员合作来获取分析结果，同时鼓励学生通过选修课等方式学习分析技术，另外参与数据清洗等预处理工作可训练学生数据意识。软件保障模块分为三部分：第一部分是数据采集软件，例如：火车浏览器；第二部分是编程软件，例如： R语言、Python；第三部分是可视化软件，例如：用于数据预处理的Notepad++；支持数据挖掘的SPSS；支持社会网络分析的Ucinet、Gephi等。3.成果模块。数据分析报告生成后如能及时出去不但能激发学生积极性，还能让成果接受大众检验。与传统媒体时代新闻报道刊发平台稀缺不同，社会化媒体资源丰富，可利用微博、微信等平台创建公众号[9]，及时数据分析成果，并根据受众反馈持续改进。另外，公众号有运营管理需求，数据分析成果前也需经过编辑、排版、配图、美工等操作，客观上促进新闻传播人才综合能力提升。

（三）数据分析能力培养师资子体系

课程子体系确定授课内容，实训子体系提供实践平台，师资子体系则是两个子体系发挥实效的保证，也是培养体系中最为关键一环，包含三个模块：师资准备模块、教学培训模块、学术认同模块。1.师资准备模块。师资来源有两条渠道：从本学院选择或跨专业教师聘请。根据课程性质，思维培养模块课程更适合从本学院选择教师，原因有二：核心模块课程需要稳定的师资队伍；数据分析思维课程讲授需依据学生已有知识结构采用针对性方法，本院教师对学生了解更透彻。信息素养训练与人文素养养成模块课程更适合聘请跨专业教师，原因有二：其一，两个模块课程性质以公共基础课、选修课、通识课为主；其二，训练信息素养与人文素养目的之一是开阔学生视野，跨专业教师更可能带来新视角。2.教学培训模块。教师选聘有两条渠道：从新闻传播相关专业选聘或数据相关专业选聘。前一渠道选聘教师对新闻传播专业及其学生知识结构了解清晰，但数据分析能力相对薄弱，需有针对性地加强数据分析方法及其技术前沿培训。后一渠道选聘教师刚好相反，需及时补充新闻传播知识，通过专业学习更好定位领域需求及时调整授课内容，并依据学生知识结构改进授课方式。不同专业背景差异较大，课程先验知识也不尽相同，直接套用跨专业授课方式，容易增加学习难度。3.学术认同模块。学术研究与教学工作相辅相成，也是衡量教师专业水平的指标之一。跨专业选聘教师必然会面对“是否需要学术转型”这一问题。不转型，容易缺乏专业归属感；转型，数据相关专业与新闻传播专业的研究对象、范式差别大，学术成果发表存在一定难度。因此，该模块任务是制定跨专业学术认同标准，帮助跨专业教师顺利度过学术磨合期，保障师资层面的有机融合。

结语

针对当前新闻传播教育中数据分析能力培养不足的问题，本文系统化设计培养路径、构建培养体系。培养路径设计综合了新闻传播整体人才培养目标、专业知识结构等多方因素，在确保不影响整体人才培养目标实现前提下凸显新闻传播专业优势。围绕培养路径构建的培养体系全面涵盖了课程、实训、师资三个子体系，可操作性强。另外，鉴于数据分析能力培养是近年来对新闻传播教育提出的新要求，相关教学实践还在探索阶段，相关理论还需在实践中检验并不断改进与完善。

参考文献：

[1]JamesW.Carey撰，李昕译.新闻教育错在哪里[J].国际新闻界，2002(03):8-11.

[2]何智.中学教师使用信息技术教学的影响因素研究——以北京市中学为例[D].首都师范大学，2006.

[3]余秀才.新媒体语境下新闻传播教育面临的困境与革新[J].新闻大学，2015(04):133-139.

[4]郭应寿.连接主义学习理论[EB/OL].（2019-6-17）.

[5][7]张明新.多学科交融的新闻传播教育：过去、现在和将来[J].新闻与传播研究，2018，25(S1):93-95.

[6]胡德才.媒介融合时代新闻传播人才培养的理念与路径[J].新闻大学，2015(05):119-125.

[8]郝红霞，刘峰.基于云计算的全媒体新闻人才创新培养模式探析[J].新闻大学，2014(06):116-123.

数据分析课程范文篇4

应用统计专业学位的设立是为了适应现代统计事业发展对应用统计专门人才的需要而设置的，它的培养目标主要是让学生掌握扎实的理论基础和系统的专业知识和技能，具备数据采集、整理、分析和开发的能力，能够从事统计调查咨询、数据分析等“应用型”统计专门人才[5]110-111。然而，在大数据环境下实现的数据分析已不再局限于某一类特殊的行业统计分析需要，各行各业的运作发展都越来越依赖于大数据环境的存储、计算、统计分析与决策。对于多样化的大数据集，其所涉及的内容和知识结构必然是不同学科的交叉应用。大数据时代的数据分析专业人才的培养目标并不仅仅是传统的数据收集、整理与分析，而是需要掌握能适应大数据特点的新的研究方法和独立分析的能力，能很好地融会贯通其他专业的知识内涵，成为真正意义的专业大数据分析人才。然而传统的统计学人才培养目标和教学模式并不符合社会对大数据分析专业能力的要求。参考和借鉴文献[6-7]8-9,226提出来的一些建议，笔者探索从以下几个方面对人才培养目标和教学培养模式进行改革：（一）走出校园，深入社会，挖掘并归纳出社会用人单位对数据分析专业职位技能和能力素质要求，进而制定符合社会需求的人才培养目标，以市场需求为导向更好地指导教学实践活动。为了更好地为用人单位输送符合大数据时代需求的专业数据分析人才，尝试对高年级学生的培养方案设计中考虑以岗位需求为标准灵活调整和制定相应的培养目标和内容。（二）参考国外本科生专业人才培养的先进理念，引入“协作式”培养模式，大力支持大型企业与高校合作或高校与高校合作培养复合型和开发型人才。各个高校、企业可以发挥各自专业特长来实现合作，高校的不同专业之间也应该加强沟通和协作，例如在制定应用统计专业数据分析人才培养方案及实施过程中，可以以统计学科所在的学院为主导，让计算机学科、经济、金融及管理学科等相关学院协作参与完成[8-9]60-64。（三）总结教学过程存在的不足，探索新的知识学习和能力培养的创新模式。目前的教学活动主要以老师独立授课，学生被动接受知识为主的方式，培养过程计划性强，缺乏弹性，培养的评价也过于单一。在本科生培养中可以引入课程学习、导师指导和科学研究三个阶段，考虑采用导师指导与集体培养相结合的方式，一门专业课程的讲授不再局限于单个老师完成，在培养方案中考虑主题分组方式，鼓励授课教师根据自己的专业特点和知识背景共同参与一门课程的教学活动。多名教师协同工作的模式可以取长补短，在大数据分析的实际案例设计及课程内容上都更加贴近实际需求，产生更好的教学效果[6]8-9。

二、基于大数据分析的特点科学构建课程体系

大数据背景下，人们可以通过互联网、数据库以及各种通信工具获得海量数据，人们日常生活、学习和工作的各类事物都可以实现信息化，世界几乎是由各种信息和数据所构成的。大数据的特点可以归结为四个V,数量大（Volume）、类型繁多（Variety）、价值密度低（Value）、速度快时效高(Velocity)[6]8-9。大数据的真正意义不在于能提供庞大的数据量，而是对海量的数据进行专业的处理和分析，并从中获取用户关注的信息。结合当前互联网应用中大数据本身的特点，从大数据中挖掘出重要知识并对之深度学习和分析的工具和方法也应与时俱进地发生改变，传统的统计方法和统计分析工具已无法满足大数据分析的需要。然而，在大多数高等院校中，统计学专业人才培养的课程体系并没有考虑社会的实际应用需求，仍然停留在以传统的统计模型框架为主导的课程体系设置，本科生教育的主要专业课程包括：数学分析、高等概率论与数理统计、应用随机过程、回归分析和多元统计分析等[10]248-249，这些课程内容和知识结构还不足以满足大数据时代对数据分析专业人才知识结构的要求，课程体系设置中缺少能有效整合的数据分析能力培养模块[11]66-68。因此，有必要针对各类院校师生各自的专业特点和学科基础，分层次、分阶段地展开课程体系改革。（一）参考国内外先进高校大数据分析专业的课程设置，结合本校的师资和专业结构特点采取灵活的策略制定课程计划，在实施学分制改革的高校中各类学生可以在学业导师指导下实施符合学生自身特点的课程学习方案。（二）以大数据分析人才需求驱动的课程体系改革要考虑市场的行业需求变化、大数据应用中跨学科的特点。素质好的数据分析人员不仅仅要具备专业的数据分析能力，还应该对具体数据中涉及的学科知识有较好的储备，能将不同行业的专业知识与数据分析紧密关联起来，实现大数据分析的效用最大化。此外，在充分借鉴国内外大学成功经验的基础上，课程设置应该与学生的学术倾向和基础能力紧密结合，注重基础课程教育的同时强调文理渗透，同时要兼顾学生的兴趣与学习的联系，在课程体系的设置中需要增设一些多领域、跨学科的选修课程，如经济学、金融学、保险学、管理学和会计学等。因此，校内跨学科或高校与高校之间联合培养是实现跨学科课程建设的有效方法之一。（三）科学构建课程体系的主要思路还包括根据大数据时代需求，对专业必修和专业选修课程在课程时间、顺序及内容等方面进行改革。专业必修课程重点内容为统计学和计算机科学的交叉部分，在讲授统计基础理论（如多元统计、决策树、时间序列等）课程基础上设置大数据案例分析课程，在案例分析过程中让学生实际操作企业当前应用的大数据计算平台[6]8-9，从而增强学生大规模分布式计算技能。为提高学生的实际动手和二次开发能力，专业选修课程需更多地开设与数据挖掘及面向数据的编程语言相关的课程，如数据挖掘算法、C++、Java和Python等课程，强化学生的数据挖掘和分析能力。

三、基于协同创新的理念开展实践教学改革

近几年，随着应用型、创新型人才培养目标的提出，学校越来越重视和加强对各类专业人才实践教学能力的培养，以“数据分析”为方向的专业人才需要运用统计分析软件对数据进行分析和决策，其实践教学的重要性更是不言而喻。然而，在大数据被广泛应用的时代背景下，高等院校中的实践教学仍然是培养高层次“大数据分析”人才的薄弱环节，实践教学教材及内容不规范、教学方法单一、软硬件的更新以及师资储备等方面都存在着一些问题[12]96-97。例如以模型驱动为主的实践教学模式已不适应大数据时代的要求，大数据时代数据是海量且复杂的，用简单的SPSS、Eviews为主的软件教学已无法处理大数据[5]110-111。因此，学习其他知名高校构建的协同创新的理念，结合财经类院校的统计学科及人才培养的特点，开展实践教学改革[13]248-249。对“数据分析”专业人才实践教学改革，笔者的建议如下：（一）根据协同创新理念，解决实践教学环节存在的实验教材（教学内容）缺乏实用性的问题，一方面可以参考企业对数据分析师、调查分析师资格认证相关培训教材，开发实用性强的《数据分析》实践教材，另一方面学校可以和企业或其他高校定期举办交流座谈会，面向企业需求甄选实践教学内容。（二）高素质的师资队伍对人才的培养无疑起着至关重要的作用，在提高指导教师理论和实践能力方面，借鉴协同创新联合培养的模式可以有效充分地利用企业、学校的各方面师资资源。例如北京大学、中国科学院、中国人民大学、中央财经大学、首都经济贸易大学5所高校已经与政府部门和产业界签署了联合培养大数据分析应用人才的合作协议[14]。广东财经大学也可以参照类似联合培养的做法，和广东其他高校、政府和企业合作。一方面企业或政府可以利用自身的资源为高校提供人才培养实习基地，并且引荐相关的技术人员聘为校外实习导师，指导学生在实习实践中建立以问题为导向，以项目为牵引的运作机制，让学生能够理论联系实际，切身体会数据分析的商业操作体系。另一方面，由于高校的专业教师缺乏社会实践的机会和经验，高校应该制定政策鼓励并推荐相关专业教师走出学校、走进企业，密切与企业合作交流，从而更进一步地提高教师对复合型专业学位人才培养的能力[15]29-32。（三）为了激发学生的学习热情，减少对实践操作的畏难情绪，实验课程的教学方法也需要探索创新性实践教育模式。教学过程可以考虑灵活的制定团队教学计划、案例实战分析、模拟实训等多样化的方式，减少单一的课堂内容讲授，在理论和实践教学环节中积极调动学生的主观能动性，提供更真实的企业大数据应用环境，并以学生为主完成实际案例分析。此外，基于不同的授课对象的特点，老师在教学过程中也要适当考虑学生的兴趣和需求，随时调整实验教学策略[9]。

数据分析课程范文篇5

关键词：统计学；数据挖掘；实验教学；数据分析师；项目式学习

1引言

2016年美国统计协会(AmericanStatisticalAsociation)对统计学的内涵给出一个较为简洁的说明，将统计学定义为：“thescienceoflearningfromdata”，即从数据中学习的科学[1].该定义实际上与数据科学（DataScience）的内涵如出一辙.笔者以为ASA之所以对统计学做出这样的内涵解释，实际上表明在大数据浪潮中，统计学正走在变革的道路上.大数据时代，数据的产生、收集、分析与应用等环节都发生着深刻的变化.互联网技术的高速发展使每个人成为数据的生产者，数据生产已经突破了时间、地点的限制，数据量也由抽样数据向大数据转化；数据的存储类型由纸和笔记载的关系型结构化数据向半结构、非结构和异构的网络数据类型转化；数据的采集由根据统计分析目的的调查式收集向基于大数据技术的自动化采集方法转化；数据的分析由传统的验证型分析方法向探索型分析方法转化；数据的应用由辅助管理决策向引导变革转化.以上变化正在重塑数据分析流程，而数据分析模式的变革必然引起教育模式的改革.事实上，在大数据洪流的冲击下，统计学专业的人才培养模式已经悄然发生变化.当前，统计学专业融合大数据、计算机、人工智能等相关学科知识，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人才的培养，已经成为共识.其中，在统计学专业课程体系中引入数据挖掘课程就是典型的代表.数据挖掘技术在一定程度上弥补了传统统计分析方法的不足，可以进一步增强学生探索性数据分析的能力，更加适应大数据时代的需求.与统计学强调推断理论和方法不同，数据挖掘强调经验，着重于从数据中挖掘有用的模式和价值，只要能够有效地解决问题，方法和模型本身并不重要.因而，笔者认为数据挖掘课程能够拓展统计学专业学生数据分析的思路和方法，进一步加深对数据分析内涵的理解.由此，本文致力于探索大数据背景下统计学专业数据挖掘实验课程教学模式，以提升统计学人才实践应用能力，使其不断适应大数据分析的需求.

2大数据时代市场对应用型统计人才的新需求

数据分析师是统计学专业大学生毕业后的主要职业选择之一.数据分析师是指在不同行业中，专门从事数据搜集、整理、分析，并依据数据做出行业或市场研究、评估和预测的专业人员；是以实际数据为依据，对项目现状及远期进行统计、分析、预测并转化为决策信息的专业人才[2].为了客观分析大数据时代应用型统计人才需具备的知识、能力和技术，本文通过智联招聘网对企业公布的数据分析师职位招聘信息进行了调研，这些招聘信息都是面向应届本科毕业生的，具有较强的针对性，调研时间为2018年8月3日.本文调研了七家上市公司[3]，有国企事业单位、互联网公司、金融公司、网络游戏公司、网络媒体公司等，各公司对数据分析师的岗位职责、知识要求、能力要求和技术要求见表1所示.从数据分析师的岗位职责来看，不同类型的企业虽然具体要求不同，但是核心职责是相同的，主要有三个方面：负责业务部门的数据需求分析，也就是通过调研了解业务部门的需求，确定数据分析对象和目的；构建业务数据分析指标体系，即如何开展数据分析工作，确定数据采集、处理和分析及结果解读等环节的指标、方法、模型及数据分析工具等；为业务部门提供数据决策支持，包括撰写调研报告、数据分析报告及设计数据产品和开发数据分析工具等等.从岗位职责的核心要素来看，数据分析师是非常契合统计学专业的人才培养目标的，从调研到设计到分析到结果解读，是数据分析的一个完整流程.但是，也可以看出很多企业在数据分析中特别强调了数据挖掘方法，如北京计算机技术及应用研究所强调用户行为挖掘和个性化推荐、金融界强调用户行为数据和网络日志数据挖掘，而这些都不是传统统计学分析方法的范畴.从知识要求来看，大部分企业都要求数据分析师具有统计学专业背景，但互联网公司特别强调统计学、数学和计算机的交叉和融合.实际上，数据分析师作为复合型人才，除了掌握必要的统计分析理论和方法外，数学建模和编程能力都是必不可少的.从能力要求来看，较强的数据敏感度和清晰的逻辑思维能力是核心要素.其次，从业务来看，数据分析师需要同不同的部门打交道，沟通协调能力和团队协作能力也是必不可少的.从技术要求来看，大部分企业都要求数据分析师至少要掌握一种统计分析软件，如SPSS或MATLAB；至少要熟悉一种编程语言，如Python或R；至少要掌握一种数据库技术，如MySql/Oracle/SQLServer等，最简单的是excel.在高校及商业统计分析领域，R语言是当前最受欢迎的统计编程语言之一.综合以上分析可以得出，统计学专业的学生要想成为出色的数据分析师，除了具备坚实的统计学理论和方法外，还需要具备良好的计算机能力，如数据库技术和编程能力.更重要的是，数据挖掘方法与技术作为大数据技术的基础已经成为数据分析师必备的技能，也是企业招聘时重点关注的技术.

3基于R语言的项目式数据挖掘实践教学模式探索

R是一套完整的数据处理、计算和制图软件系统.其功能包括：数据存储和处理系统；数组运算工具（其向量、矩阵运算方面功能尤其强大）；完整连贯的统计分析工具；优秀的统计制图功能；简便而强大的统计编程语言.特别是，R是免费、开源、全面、可视、交互的专业统计分析和数据挖掘软件.通过R的相关集成开发环境（IDE），如RStudio/PyCharm等，用户可以轻松访问数据库，并利用一些集成的统计工具，灵活机动的进行数据分析，构建属于自己的统计分析项目（Project），甚至创造出符合需要的新的统计计算方法.因此，R受到了教育界的热捧，成为大学生最喜欢的统计分析与数据挖掘软件之一.此外，2018IEEE顶级编程语言交互排行榜中，R语言排名第七，是过去十年中发展最快的编程语言之一，也是最好的数据科学语言之一[4].由此，笔者认为，R语言是统计学专业学生进行数据分析的不二之选.项目式学习（project-basedlearning，以下简称PjBL）是一种以学生为中心的系统教学方法或模式，让学生围绕来自项目中的现实工作任务来学习知识和技能，并认真地设计产品和任务[5].其中，项目是指复杂的任务，学习者为了完成项目目标，需要展开调查、参与设计、解决问题、制定决策等[6].项目式学习最大的亮点是通过完成项目的形式，发挥学生学习的主动性和自觉性，在做中学，在学中做，有利于提高学生学习效率，提升学生实践和创新能力.基于以上分析，笔者认为在R软件的集成开发环境下，实施数据挖掘实验课程的项目式学习方案是可行的，也符合应用型统计人才培养目标的定位.下面将从数据挖掘实验课程教学计划、实验项目设计、考核方式、典型项目示例和实验教学效果进行论述.3.1课程教学计划.数据挖掘是一门多学科交叉且实践应用性较强的课程，一般是在硕士研究生阶段才开设的课程.在本科生阶段开设数据挖掘课程具有较大的难度，需协调好相关课程的前后逻辑，如该课程必须开设在概率论与数理统计、数据库原理、计算机基础等课程之后.作为应用型本科院校，巢湖学院数学与统计学院于2016年开始在统计学本科专业开设数据挖掘课程，课程性质为专业核心能力课程，总学时52，理论课学时40，实验课学时12.理论课与实验课的安排如表2所示.由于统计学专业学生未将R语言的学习列入人才培养方案，所以在理论课阶段安排了8个学时的R语言学习，目的是在进入正式的数据挖掘项目学习之前，熟悉R的数据组织、整理和可视化方法，教学方法为讲练结合、学生边听边实践操作.从模式识别的角度来看，数据挖掘技术的主要任务,包括分类、聚类、回归、关联、序列分析和偏差分析6种模式的识别[7].其中，回归是统计学的传统分析方法，时间序列分析方法在人才培养方案中有专门的《时间序列分析》课程.因此，本课程主要选择了分类和聚类这两类方法，分类选择了近邻分析法和支持向量机，聚类主要有k-means聚类和基于密度的聚类方法.另外，人工神经网络作为人工智能的热点研究领域，也纳入本课程学习中，可以作为深度学习的入门知识.3.2实验项目设计.在实验教学中，本课程围绕K近邻分析、支持向量机、k-means聚类和人工神经网络四个主要的算法设计了四个综合性的开放性实验项目.实验教学过程采取项目学习式教学模式，授课教师只是提出实验的问题和实验的目的，并不规定严格的实验步骤和过程，教师根据理论课所讲授知识及时引导学生，让学生根据实验问题和目的，自行设计实验内容和实验过程，包括数据采集、数据预处理、模型与方法选择、基于R软件的数据分析过程、结果的可视化与分析等.在实验过程中，教师指导学生组成实验项目小组，一般由3名学生共同组队，通过小组讨论、相互协作共同完成实验项目.经过教师的指导，使每个实验项目小组在3个课时的时间内，确定实验内容和项目实施计划，实验实施过程可在课后完成.实验项目结项方式为小组成员共同完成项目实验报告，项目实验报告内容包括实验目的、实验内容、实验过程、结果分析和实验总结.3.3考核方式.数据挖掘作为考查课，考核方式比较灵活，也给课程组进行考核方式改革提供了便利.课程组经过研讨决定采取开放性课程设计的方式作为期末考试的形式，并结合平时课程表现和平时实验项目完成情况评价综合成绩.其中，期末的开放性课程设计成绩在综合成绩中占比60%，平时课堂表现和平时实验项目完成情况占比40%（课堂表现占40%，平时实验项目完成情况占比60%）.3.4典型实验项目教.学示例-以基于R的K-近邻分析为例K-近邻分析法（K-nearestneighbor,KNN）是分类型数据预测的经典数据挖掘方法，在输入变量较多，样本量较大的情况下，是简单而有效的建模方法[8].课程组设计了鸢尾花数据集(IRIS)的分类预测实验项目.3.4.1问题提出.利用已有的鸢尾花数据集(IRIS)，通过K-近邻分析法对新的鸢尾花数据进行分类预测，要求构建合理、具体的模型，基于R软件实现模型的训练和预测.3.4.2项目提要.请同学们根据实验问题，设计实验内容.一些实验要点供同学们参考：a.如何利用R软件掌握鸢尾花数据集(IRIS)的特征？提要：str()函数可以查看数据集的变量和数据；scale()函数可以实现数据的归一化处理.另外，请同学们自行查阅资料了解R软件数据预处理的方法.b.K-近邻分析法中距离的选取依据是什么？提要：K-近邻分析法将样本包括的观测数据看成是p维特征空间（变量个数为p个）中的向量，应选择合适的距离度量方法，以测度预测向量X0与邻居向量X之间的距离，作为邻近关系的依据.主要的距离度量方法有：闵可夫斯基距离、欧氏距离、绝对距离、切比雪夫距离和夹角余弦距离.请同学们查阅资料分析各种距离度量方法的适用范围，并确定鸢尾花数据集(IRIS)适用的距离度量方法.c.K-近邻分析法中K值选取的依据是什么？K-近邻法的核心问题之一是确定预测向量X0的邻居个数，即K值的确定.一般可以依据以下方法：一是依据旁置法计算参数K取不同值时的预测误差；二是依据留一法计算参数K取不同值时的预测误差.请同学们查阅资料，是否还有其他更好的K值确定方法？3.4.3R软件操作提要.R实现K-近邻法的函数是class包中的knn函数.可通过install.packages(‘class’)加载class程序包，并使用library(class)载入到工作空间中，可通过help(knn)查看knn函数的使用方法.3.5实验教学效果.通过一个学期的实验教学来看，本文提出的基于R语言的项目式数据挖掘实验教学模式取得了较好的教学效果.从学生的综合成绩来看，成绩分布合理，不及格率较低，大部分学生的综合成绩分布在70-89这个分数段内，说明学生对数据挖掘的基本理论和应用技术掌握的较好.从平时实验项目的完成情况来看，大部分小组能够较好的完成实验项目.对于项目式教学模式，不少同学反映比单纯的输出式教学模式效果好很多，不但增强了学习的主动性和积极性，而且增强了团队合作意识，广受学生欢迎.但是在实践教学过程中，也出现了很多问题.例如，在课程教学初期，学生普遍反映R语言的入门难度较大，希望教师能够在R语言学习方面给予更多的建议和支持；在项目式学习过程中，出现了实验完成效果参差不齐和个别学生过于依赖小组其他成员，从而坐享其成的情况.笔者认为，任何教学模式都不是完美的，这些问题还需要任课教师结合学生学习实际拿出解决方案，这也是笔者在下一阶段的教学过程中重点思考的问题.

4总结

数据分析课程范文篇6

关键词：计算机基础课程；个性化教学；大数据分析；概念；方法

大数据是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产[1]。个性化教学是一类能够尊重学生个性、兴趣乃至特长并进行因材施教的教学方法。由于学生间存在素质差异，针对不同素质学生开展不同模式的教育可以使教育效率与质量得到显著提升[2]。大数据技术能够通过云数据分析与计算将结果直接呈现于教师面前，教师据此对学生实际学习状况做出实时追踪与评测，并依据其实际状况制定不同的个性化学习计划，精准地把握学生在学习中存在的弊病并予以补足，实现从传统的任务导向教学向数据导向教学的轻松转变，其应用意义不可谓不深远。

1大数据分析在个性化教学中的应用意义

1.1转“被动”为“主动”

在基于大数据分析技术的个性化教学模式下，学生以往的学习行为皆会以数据信息形式被大数据分析系统纳入数据处理范围内。借助该类数据的分析，教师可以轻而易举地发现学生与众不同的优势及潜力，这些优势及潜力或许学生自身都未曾发现，而教师发现后可以此为依据为学生设定学习计划，选择个性化教学方向，更好地适应学生的学习状况。在这种教学方式下，许多在过去认为“学习难”的学生能够真正发现学习的乐趣，从根本上来讲，这正是一种“授之以渔”的方式。通过此类大数据分析学生能够真正实现从“被动学习”转变为“主动学习”。

1.2帮助学生“查漏补缺”

大数据分析能够将学生以往的学习历程、学习状况尽数纳入至数据分析系统内，通过不同类型的数据分析，教师与学生自身皆可通过数据分析结果得出自身存在的欠缺，如学习过程中的不良行为等，此时教师便可据此作出及时有效教学干预，学生亦可据此对自身学习行为作出更正或完善。

1.3优化教育决策

传统教育模式下学生需要学习的课程皆由学校进行制定，无论教师还是学生在实际教学过程中皆无课程选择方面的“话语权”。然而教师作为教育的“一线工作者”，对课程的接触与了解比校方更深，所以在教学内容的调整方面应当给予教师一定的话语权[3]。而大数据分析在个性化教学内的应用能够在一定程度上改善这一现状，教师在教育决策中的地位能够得以显著提升，教师可以依据学生需求制定真正符合学生个性化特征的教育决策，如教育环境的优化、课时量的调整等等。

1.4完善教学评估及反馈

在传统教学模式下，教学评估与反馈多依赖于教师、班主任或辅导员与学生之间的交流与交互，这会存在一定的片面性和主观性。而大数据分析不仅能够为教师提供“实时数据”，更能够以固定模式对不同的学生做出分析，以此令教学评估得到合理完善。除此之外，在传统教学模式下多数教师习惯于使用标准考试及评测结果来对自身所采取的教学计划、方法做出调整，然而这种考试及评测多以阶段性模式存在，难以真正为教师带来实时数据反馈，而大数据分析则可令教师紧跟进度现状，随时随地为学生制定对其有益的学习计划或策略。

2基于大数据分析的个性化教学构建对策

在信息时代下，数据信息正是效率与质量的最根本保证，通过大数据分析，个性化教学不再是空谈，构建基于大数据分析的个性化教学不仅与新时代下“以人为本”的教学理念相合，更可推进我国教育事业的发展。由此可见，要构建个性化教学模式，大数据分析技术的融入正是其中关键[4]。以计算机基础课程为例，本文总结了如下基于大数据分析的个性化教学构建对策。

2.1通过数据收集建立数据库

要对大数据做出有效分析，数据获取是其最根本前提，且这里的“数据”并非以往的少量数据，而是包罗万象的海量数据。要实现数据信息的收集，对数据用户进行建模是最基础前提，即收集每个学生的基本信息，如参与计算机基础课程学生的班级、姓名、学号等等，这些信息可以归纳至学生基础信息库中。在教师真正开展计算机基础课程教学前应当对学生进行有关计算机基础的前测，发掘学生在相关知识方面的薄弱点，如计算机思维能力、计算机基础应用、计算机语言及MicrosoftOffice等软件的实际掌握情况等等。通过此前测获取第一批信息数据，从中发掘学生在以往计算机学习中存在的薄弱点并匹配最适合学生实际状况的学习方式等等。除此之外，教师还需在信息数据库内填充足量的学习资源，如与计算机基础课程相关的各类入门课程及微课，在学生得知自身存在的欠缺后可以依据欠缺内容获取补齐欠缺的学习资源。

2.2构建基因级知识图谱与知识树

所谓“知识图谱”，即一类将全部知识点汇总的结构图，这种结构图一般以“网络”形式存在，而一旦该类知识图谱构建完成，知识与知识间存在的关联性可以立时得到凸显，这一点对于在课程方面基础薄弱的学生尤为重要。以计算机基础课程为例，教师可以对知识点做出基因级的拆解与分析，如Windows系统操作、Word与EXCEL等Office软件的应用等等，每一个知识点都是一片“树叶”，而串联起这些知识的“枝干”便是计算机应用。通过计算机基础课程的前测及课堂小测、学生操作时间、娴熟程度等数据的获取，知识树便可在大数据分析中成型，知识树的每一片树叶代表着学生对计算机基础课程不同内容的学习状况，其中可以以绿色代表掌握状况良好、以黄色代表掌握状况一般、以黑色代表掌握状况较差等等，不同的树叶颜色对应着不同的补习策略。学生在后续复习过程中可以通过点击该知识树的树叶跳转至对相应的知识图谱内容进行复习及学习，而绿色树叶较多的学生则可以通过点击空白的树叶对后续内容做出预习等等[5]。

2.3基于数据算法实现分层学习

提供个性化的学习路径是构建个性化教学的关键，通过大数据分析，教师可以得到不同学生的不同学习需求，随后可依据学生不同的需求状况制定个性化“学习序列”。在此方面，教师应当以学生个体静态数据与动态学习行为数据为基础构建学生特征模型，如学生经常看课的类型、课程中不同内容的学习时间及浏览点击次数等等，这些内容都可以纳入至数据算法中以对学生的学习风格做出推算，其余诸如学生课程内的答题时间、错题类型、答题比例及正确率亦可纳入计算学生知识水平的算法范畴。在编制好算法后，学生便可以通过自主学习开展不同层次的学习，实现分层学习，系统会以学生实际状况为依据推荐相关内容，如相关的操作习题及学习视频等等。举例而言，当学生对计算机基础课程中《Excel操作》这一单元进行学习时，系统会依据学生的浏览时间及答题比例为学生推荐Excel公式操作题，如比较常见的“汇总”“平均数”公式设置等。当学生操作发生错误后，系统会于后续自动为学生推荐相关习题的短视频，后续更会数次推荐与之类似的Excel工作簿操作习题。当学生错题次数提升，系统亦会随之增加相关视频与习题的推荐次数，后续当学生遇到相关习题后操作时间控制于一定时间内，系统便会随之减少推荐次数，并为学生推荐后续学习内容的预习视频。如此一来，计算机基础课程的教学便实现了与学生特征相匹配的个性化教学。

3结语

综上所述，在个性化教学中，大数据分析的应用不仅能够激发学生学习兴趣、帮助学生查漏补缺，还能够优化教育决策、完善教学评估及反馈。而在个性化教学中实际应用大数据分析技术时，学校及教师首先需要通过数据收集建立数据库，后续则需要构建基因级知识图谱与知识树并基于数据算法实现分层学习。如此一来，大数据技术的效能方可得以有效与最大程度的发挥，从而真正实现“个性化教学”。

参考文献

[1]杨芳,孔伟,魏通,等.个性化研究性教学探讨——以中国民航大学物理教学为例[J].高教学刊,2021(04):89-92.

[2]徐燕玲,梁伟斌.基于混合学习的个性化教学模式的实践与思考——以中职农村医学专业病理学课程为例[J].现代职业教育,2021(16):94-95.

[3]程晗.基于OpenStack的高职大数据在线个性化教学平台研究[J].数码设计（下）,2021,10(3):154.

[4]盛骞莹,张文清,王燕,等.以学生为主体的混合式个性化教学模式在分析化学课程中的探索与思考[J].大学化学,2021,36(01):93-98.

数据分析课程范文篇7

【关键词】创客；经济数据分析；培养机制

一、研究背景

为适应医药经济和卫生事业发展需要，医药院校陆续开设了医药贸易、人力资源管理、公共事业管理、医疗保险、医药营销等经济管理类本科专业。各专业都是属于经济管理与医药学交叉融合而形成的新兴交叉专业，旨在培养学生扎实的经济管理、医药学理论基础以及较强的医药产业经济分析能力，医药数据处理能力以及创新创业等社会实践能力。当前医药市场经济信息量大，需要借助于经济模型和计量软件分析处理市场数据，拟合医药市场变化趋势，进行市场预测，为政府决策和企业项目策划提供依据。而医药经济管理各专业的培养目标就是培养学生扎实的医药经济理论知识和一定的理论建模和数据分析处理能力，能够运用经济学模型和计量统计软件，分析医药市场数据信息和存在问题，模拟医药经济变化趋势，为政府制定医药产业政策、企业拓展市场以及经营决策提供理论支持和模型参考。因此，在专业建设中要更加注重学生经济分析、数据建模和计量分析能力的培养。医药院校在医药经济管理专业建设和学生专业素养培育存在“重医药、轻经管”、“重理论、轻实践”的现象，学生经济理论和数理基础薄弱，市场调研和数据采集能力不足，急需培养医药理论和经济管理理论交叉复合型人才，能够在经济调研基础上，构建经济学模型，借助计量统计软件进行数据分析，研究医药市场突出问题及对策，为社会提供理论和数据支持。基于医药经济创客实验室已经在医药本科院校建立，因此，本研究将从创客视角提出医药经济管理交叉专业本科生医药经济数据分析能力的培养机制和保障体系。

二、医药院校医药经济数据分析能力培养的现状

1.实践基础。医药院校经济管理学院在经济管理专业建设中重视学生实践能力的培养质量。经过多年的课程建设、师资培养以及创客实验室的建设，以创客空间为基础的本科生医药经济数据能力培养机制已经初步建立并具有了一定的实践基础，主要表现在：第一，课程基础建设。医药院校经济管理学院已经建立了以经济课程、数理课程、统计学课程和相关实验课程为核心的创客模式的经济数据分析课程体系。医药经济管理相关专业开设了《宏微观经济学》、《统计学原理》、《计量经济学》、《医药高等数学》、《概率论与数理统计》、《线性代数》、《经济分析与预测》、《管理定量分析》等一系列经济与数理类课程，相关经济计量分析课程的开设培养了学生经济分析能力、市场调研能力、数据分析能力以及市场分析与预测的能力，这些为学生医药数据分析能力培养提供了必要的知识储备。第二，师资队伍建设。医药院校经济管理学院在经济学、统计学、计量经济学以及实验指导教师方面师资配置较为充足、师资结构合理，教师普遍具有扎实的经济学及统计学理论基础，具备计量分析及数据建模能力，撰写过高水平的计量分析学术论文，承担省级重点课题多项，具有指导学生运用软件平台进行创新创业模拟比赛的经验。此外，还邀请校外医药企业专家和实训基地的老师作为学生创新创业的指导专家，这在实践教学环节充实了学院的师资力量，为数据分析、项目运行提供了师资队伍储备。第三，实验室建设。医药院校经济管理学院重视实验室建设，建设了医药贸易综合实验室和金融统计分析实验室，购置了相关统计分析软件、金融分析软件、会计电算化软件以及国际贸易模拟软件，建立了教学互动软件平台，便于学生交流互动与教师指导。第四，创新创业平台建设。医药院校经济管理学院重视大学生创新创业平台建设，特别是已经建立了医药创客实验室平台。创客实验室是以互联网为载体，以学校实验室为核心区域，以学校项目孵化基地为支撑，以经济数据处理能力和创新创业实践能力提升为培养目标而建立的集创意交流、数据处理、市场模拟、成果展示以及项目孵化功能为一体的创新创业平台，医药产业创客实验室的建立为学生提供一个创意交流、数据处理、市场模拟、成果展示以及项目孵化的创新创业基地，有利于学生医药经济数据分析能力的培养与提升。

2.存在问题。医药本科院校在医药数据培养能力方面仍然存在以下问题：第一，数据分析培养模块短板。医药院校经济管理专业的课程设置中缺乏医药经济数据分析培养模块的设置。当前医药经济管理相关专业开设课程主要涉及三种类型，医药类课程、经济管理类课程、计算机及数理类课程。相关医药院校也开设了计量经济学课程，但由于课时较少，主要涉及一元线性回归分析理论和多元线性回归分析理论知识。经济数据分析能力培养中强调计量经济理论的学习，而缺乏实践操作能力培养，特别是在实际医药企业模拟实践中，较少地运用数据分析方法进行经济分析和经济预测，缺乏理论与实践的紧密结合。这种情形不利于学生数据分析能力的提升和应用型复合型人才的培养。第二，计量数据分析师资力量薄弱。医药院校重视医药经济相关专业课程建设，在医药经济管理专业师资建设中，注重培养经济学、管理学教师队伍，不断迎合医药经济发展和大数据时代的需要。但是在医药经济数据分析和处理方面，仍然受到医学统计学思想的影响，在课程开设中较多地使用医学统计学课程，师资也主要是医学统计学教师队伍，教学中注重方差分析和卡方检验。医学统计学主要适用于实验环境下数据分析与处理，而医药经济则是出于社会环境下，强调通过调查获取数据，运用样本数据特征来反应总体的数据特征，因而，在课程教学中要注重强调社会学调查研究、数据搜集、数据分析等能力的培养。医药院校在统计学、计量经济学、市场调查与预测等课程方面师资薄弱，而这与当前医药经济迅速发展的现状不相适应，亟需改变。第三，学生数理基础参差不齐。医药经济管理各专业学生大多是文理兼招，学生数理基础薄弱且水平层次差异较大。部分学生在学习统计学、计量经济学和进行数据分析处理时，面对数理理论的深奥及软件操作的复杂性，往往很难培养自身的学习兴趣。在教学过程中，教师也缺乏有效的方法对学生的学习行为进行引导，预期的教学效果也很难实现。学生软件操作和融汇贯通能力有待提高，学生在遇到具体研究目标时，难以进行因素分析寻求解释变量，确定研究模式，运用何种分析方法进行具体操作。第四，实践教学手段单一，缺乏项目支撑。当前医药院校实践操作体系是在授课教师的主导下，按照既定的教学目标，由教师先进行演示，然后学生在教师的指导下完成指定的软件操作内容，这样往往会导致学生只能对课堂已经教授的实践内容轻车熟路，而对于没有事先安排的内容则感觉无从下手，缺乏变通理念和创新思维。实践教学缺乏有效载体支撑，从书本到软件，难以激发学生学习热情。如果能够借助创新创业项目，让学生运用实际案例或者模拟情景，进行项目分析、问卷调研、数据搜集、数据处理与分析以及项目孵化等，则会培养学生学习兴趣，提升学生数据分析能力和实践操作能力。

三、医药院校本科生医药经济数据分析能力培养机制建设———基于创客视角的分析

创客一词来源于英文单词“Maker”，最早由《连线》杂志主编克里斯•安德森提出，创客原意是指借助于载体将各种创意通过努力转化为现实产品的人。在信息社会里，创客依据网络平台搭建创客空间，通过思维碰撞和信息共享，将创新理念付诸于创新实践活动，并最终转化为新产品。[1]2007年以来，创客空间风靡全球，共有2000多家创客空间陆续建立。2011年后，创客理念逐渐引向教育领域。例如美国的斯莱大学的OEDK（OshmanEngineeringDesignKitchen）创客空间，设计了创客课程，提升创新实践能力。清华大学的i.Center是由校基础工业训练中心联合校内各单位和校外合作单位成立的创意创新创业实践基地，为全校学生在创意挖掘、模型设计、产品制作和创业孵化等方面提供支持。[2]针对医药院校学生在医药经济数据能力培养中存在的问题，在专业建设中引入创客教育理念，以创客实验室建设为契机，完善创客课程体系建设，优化师资结构，构建医药经济数据分析能力培养运行机制。

1.基于创客的医药经济数据分析课程体系及师资队伍建设。第一，课程体系建设。课程体系建设实施模块化设计，将药学、经济学、计量分析课程进行模块化处理，既要考虑各模块培养目标的实现，又要考虑模块之间的联系，突出数据分析能力的培养和实践操作能力的提升。基础理论模块要加强医药学、经济学等基础理论课程的开设，注重医药学和经济理论等专业基础理论学习，通过开设《基础医学概论》、《药理学》、《西方经济学》、《统计学》、《计量经济学》等课程，加强医药基础理论、经济学基础理论和数理基础理论的学习，为医药经济数据分析能力提升提供依据。同时，开设《SPSS统计分析》、《计量经济学实验课程》、《创新创业实践课程》等应用型课程，讲授计量经济软件操作，进行数据分析实践能力的培养。[3]第二，师资团队建设。师资团队从校内从事经济学、统计学、计量经济学、实验室教师队伍以及校外医药企业专家、校外实习基地指导教师中进行遴选，建设一支懂经济分析、数据处理、软件操作以及线上平台操作，又熟悉项目策划和创新创业实践活动的创新创业师资团队。创客教师结构包括理论教学、软件培训、项目设计以及项目孵化等方面师资力量，理论课教师主要是经济学、统计学和计量分析方面教师，主要讲授医药经济数量分析所必备的基础理论知识，主要由专业授课教师承担；软件培训教师主要由理论课教师和实验教师共同承担，将通过实验课程以及项目设计培训传授学生统计学和计量经济学软件操作方法；项目设计及项目孵化教师由学校专业课程教师和校外实训导师构成，由实践项目入手引导学生进行项目策划、市场分析和项目设计，将所学数据分析理论与技巧应用到实际操作中去。师资培训可由校外培训和校内培训两种形式进行。校外培训主要选送教师参加计量软件培训和创客师资培训等专题培训，让团队教师学会SPSS、Eviews、Stata等计量统计软件的操作，接受创客的理念培训和技能培训，进行知识储备和技能提升，以服务于学生。校内培训主要由学校计量分析骨干教师对团队成员进行培训，熟悉数据分析与处理技术以便指导学生进行数据处理和项目设计。

2.医药经济数据分析创客实验平台的建设。建设一个医药经济数据分析创客实验室平台，为学生提供创业中如何获取市场数据信息，如何处理数据以及在数据处理的基础上如何进行项目设计、策划，直到项目孵化付诸实践。创客实验室为学生提供了一个产生创意、搜集信息、处理数据、设计策划的技术平台。医药数据分析创客实验室主要有创意交流区、数据搜集与处理区、项目策划区、项目孵化区等几个功能区构成。创意交流区主要是让医药类各专业大学生分享创意、完善创意、实现创意，是进行医药产业技术创新活动开展和交流的场所，旨在帮助医药管理类大学生进行创意交流、激发创新灵感、进行创新思想碰撞、交流创新方法，是启发创新立意、进行思想和方法交流的场所；数据搜集与处理区主要是在创新主题确定之后，搜集相关医药产业市场数据，借助实验室运用计量经济学理论构建分析模型，进行相关医药产业、医药市场特征及问题的实证分析，为进行项目设计提供数据支撑。数据搜集与处理区是学生在确定创意主题的基础上，通过线上信息平台搜集市场相关信息数据，借助于学院实验室建立数据库并进行数据建模，运用计量软件对医药经济数据进行处理，对医药市场特点、问题进行实证分析；项目策划区是在医药产业数据进行分析的基础上，对项目的发展目标、经营路径和组织机构进行策划，并构建项目的运行机制以及确定资金运营的预算；项目孵化区借助学校的大学生项目孵化基地和实训基地，为项目实践提供场所，形成更多的创新项目和创新成果。成果展示区主要展示创新创业动态、创意经验、创新产品和成功案例。

3.基于创客的医药经济数据分析能力培养运行机制。基于医药经济数据分析创客实验室的运行机制主要由创新创业大赛激发学生创新意识，运用激励机制提升学生参与激情，由学生搜集市场数据进行处理和分析，进行项目策划并付诸实践，由创客实验室来实现对学生医药经济数据分析能力的培养和提升。具体的运行机制：学校组织各种类型创新创业大赛，将创新创业大赛作为学生评优基础材料之一，引导学生积极申报，结合所学知识结构构建跨学科创新团队。遴选优势创新项目：学校组织评审，遴选有创意新颖、构思科学、路径可行和有市场潜力的创新项目，并组织专业指导教师和企业专家给予指导。项目设计和策划：项目创新团队对搜集的产业及市场数据，进行项目论证与设计。项目孵化：对具有一定优势且具有潜在市场的项目，邀请投资公司进行风险投资，进行项目孵化。拓展创新产品市场：学生建立创业企业，学校在注册与资金上给予扶持，教师或企业导师在产品营销方案与创新产品市场拓展方面进行指导。四、医药院校医药经济数据分析能力培养的保障体系建设以创客空间为主导的医药经济数据分析能力培养以课程建设和团队建设为依托，以创客实验室为平台，完善和优化培养机制，培养与提升数据分析实践能力。同时还要从服务机制、激励机制和保障机制三个方面建设医药经济数据分析能力培养的保障体系。第一，服务机制。完善项目服务体系建设，项目策划离不开医药市场供求分析，需要搜集产品市场供求数据，进行技术处理。建立项目论证的技术培训机制，通过专题培训、赛前培训等形式对学生进行数据建模、计量方法和统计软件等技术分析方法的培训。创业项目扶持机制，学生创业项目在企业登记、资金筹集、法律服务等方面需要指导教师给予帮助，学校要为学生提供相关创业知识、理论、技巧的系统培训，建立学生创业专项基金对创业项目进行扶持。第二，激励机制。学校及相关职能部门设立专门的学生创业基金给予专项经费支持，由创客实验室开展创新创业训练。最近几年，教育主管部门批准设立了创客实验室，学校在实验室建设及运行机制方面进行了大力支持，为学生进行项目策划和运行提供了平台支持；学校建设大学生创业孵化基地，设立学生创新创业竞赛专项资金，用于创业教育及实践。第三，政策保障。学校应制定健全的创业保障制度，对参与创业指导的教师计算任课学时，纳入到教师的年度工作考核及绩效认定当中；学校制定相关政策鼓励学生参与创新创业训练、技术创新活动，将创新创业计划纳入到学生评优，折算成学分给予认定，通过多种形式引导学生积极参与创新创业，提升技能；在学生毕业设计中，将数据处理与分析能力作为毕业设计合格的一个重要衡量标准，鼓励学生建立数理模型进行实证分析。

【参考文献】

[1]梅凯，陈效林.我国创客空间发展的体系构建与政策支持[J].学习与实践，2015，（12）：5-15．

[2]郝思思，范乃强.基于创客空间的创客教育课程体系研究[J].现代教育技术，2017，（5）：109-114．

数据分析课程范文篇8

一、高职院校实验室存在的问题

现阶段，高职院校的机房实验室存在诸多问题。

（一）实验室设备落后

部分机房实验室设备已经投入使用多年，故障频发，虽然投入大量维修升级资金，但收获效果甚微。实验室门禁仍然采用传统的人工开锁模式，极其不便；机房内部的环境监控设备只是安装摄像头，无法智能调节实验室温度，无法监控每台设备的运行情况。

（二）管理手段滞后

实验室仍然采用传统的人工管理手段，实验室管理员同时管理多个实验室，力不从心；实验室的实训、实践课程需要人工去安排；现有的实验室管理软件功能有限。这些都导致实验室管理的工作效率不高，无形中增加了管理成本。

（三）实验数据空缺

不收集教师实验教学数据和学生使用实验设备以及实验学习数据，只有传统的纸质信息登记表，将导致实验室管理者无法快速、全面、精准地掌握实验设备状况、学生实验情况。

（四）缺乏大数据学习平台

人工智能和大数据专业虽已成为高职院校的新兴专业，然而校内未配备大数据实践平台和人工智能实训室；学生虽然在学习与专业相关的知识，但是无法把学到的技术应用到具体的实践中。这些都将导致学生难以真正掌握与大数据相关的技术

二、实验室建设大数据分析

管理系统的意义和目的高职院校应运用“互联网+”的理念,以大数据为核心,拓展大数据分析管理系统在实验室正常教学与日常管理中的应用,构建全新的实验室管理模式，能实现实验室、实验仪器设备与实验耗材管理的规范化、信息化，提升实验教学的管理水平与服务水平。大数据分析管理系统全面落实“产、学、研、用、赛”一体化的思想和模式，从课程设计、项目教学、科研、竞赛和校企合作等方面注重学生综合素质及高层次职业技能人才的培养；利用现有虚拟化教学资源，搭建实战平台，将课程设计、项目教学和大数据分析三者融为一体，由难而易、循序渐进，逐步提高学生学习的质量和成效；利用大数据融合框架，创建与企业一致的实战与科研环境，提升学生的动手能力和项目实战能力，使得学生所学知识与企业岗位人才需求无缝衔接；同时与教师的科研工作紧密配合，有助于提高教师的科研水平。

三、大数据分析管理系统的设计和功能

大数据分析管理系统由数据库、人工智能技术、数据分析技术、云服务、数据安全等相关技术结合而成。大数据分析管理系统包括实验室管理、教务管理、数据分析、数据挖掘、决策分析等模块。各模块间数据共享，通过数据分析和数据挖掘将实验室数据中关键信息资源挖掘出来，并进行决策分析，为实验室的发展提供帮助。构建基于大数据分析的管理系统，能基本实现实验室管理、教务管理、数据分析、数据挖掘功能。其中，系统架构分为展现层、SaaS层、PaaS层、采集层。学校通过管理系统挖掘出有利于提升实验室教学的数据，提高教学质量。首先对由实验室教学设备、教学资源库、学生基本信息、学生在实验室中的操作信息等组成的资源数据库进行采集和分析，将有效数据收集分类，将无用的数据删除；应用挖掘算法、聚类算法、支持向量机（SVM）算法等技术进行挖掘与分析，分析得出数据之间相关联的内在关系，实现实验室的全过程管理，方便实验室管理者及时发现问题和解决问题。

四、大数据分析管理系统在实验室中的应用

大数据分析管理系统在实验室日常教学和管理中，不断在教学方法、课程设计、管理模式、师资队伍建设、课程思政教学的培养上进行探索和改革。高职院校以产业学院为依托，使项目教学、专业建设与实验室建设相协调，继续坚持以“应用型、高品质、创新型”作为现代信息化人才培养目标，以学生为本，完善以传授知识、培养能力、提高技能为核心，在管理模式、教学方法等方面紧密跟踪学科发展前沿，不断提高和创新大数据分析管理系统。

（一）打造“产学研用赛”大数据实验云平台

高职院校应依托产业学院，建立“产学研用赛”大数据实验云平台，即包含教学、实验、实训、考试、竞赛于一体的综合实验平台。该平台采用Web与Docker容器技术，同时适用于局域网与互联网，可实现教学实验、考试作业、自学测试、资源共享、课程开发、综合评估、大数据统计等功能。该平台使用方便，功能强大，维护升级简单，安全可靠，并提供了大量的大数据科学微视频、教学课件、素材、源码、实验案例，方便教师上课使用、学生实验练习使用。

（二）健全“产学研用赛”大数据人才培养模式

高职院校应建立健全“产学研用赛”大数据人才协调培养模式，通过大数据分析管理系统实验室来创新人才培养模式，建立起专业化的人才培训基地，为区域大数据发展提供源源不断的人才保障。大数据分析管理系统实验室还将结合不同地域和行业的特色，将企业的岗位需求与学校的人才培养结合起来，开展协同育人、制订人才培养及岗位培训计划，为企业大数据相关岗位提供完整的人力资源解决方案，缓解大数据人才严重紧缺的问题。

（三）加强师资队伍建设

目前，在高职院校专职的实验室管理人员中，具有较强管理能力又精通数据分析的人才很少。要实现信息化、智能化管理，高职院校需要加大对专职实验管理人才的培养，特别是数据分析方面的培训。第一，高职院校应制定相应的实验室岗位职责，突出岗位性质。鉴于目前大部分实验室都由教师兼职管理，高职院校应建立和完善人才选拔机制，通过引进和内部培养的方式，建立一支高素质的专职实验室管理人才队伍。第二，领导层面应高度重视信息化人才队伍的培养，出台相关激励制度，将信息化、智能化考核纳入实验管理考核和录用范围中。第三，高职院校应创新培养方式，选送优秀的专职实验室管理人员到企业培训，到兄弟院校参观、交流等，不断提升他们的大数据分析、应用能力。第四，对于大数据分析实验室的管理，高职院校要组织人员编写详细的操作管理手册，提供给教职工使用。

（四）强化课程思政教育

实验室教学是课程思政教育的重要组成部分，是“立德树人”的主战场。为贯彻落实中共中央、国务院《关于加强和改进新形势下高校思想政治工作的意见》精神，高职院校应将思想政治工作贯穿实验室教育教学全过程。教师应采用多元化的教学模式，并融入当代人文素质教育内容，将社会主义核心价值观、时代楷模、抗“疫”英雄、大国工匠、传承中国传统文化、国家网络安全、职业道德等思政元素贯穿教学；通过设置“一句话问答”的方式收集数据，通过大数据分析管理系统开展数据分析，引导学生树立正确的人生观、价值观、世界观，充分发挥大数据分析管理系统在课程教学中的育人作用，承担起“课程思政”工作的主体责任。

五、结语

大数据分析管理系统为实验室管理带来了全新的理念，推动着高职院校实验室管理的改革，特别是人、财、物三方面要与时俱进，同时在实验室的建设布局中要考虑合理性，注重总体规划，完善管理制度和人才培养模式，充分运用数据分析、数据挖掘、信息决策功能，为实验室管理、教学改革决策提供依据，以实现高效、规范的管理。

参考文献：

[1]刘昕林,邓巍,黄萍,等.基于Hadoop和Spark的可扩展性大数据分析系统设计[J].自动化与仪器仪表,2020,(03).

[2]杨丽群.大数据分析实验室建设研究[J].河北旅游职业学院学报，2018,23(02).

[3]晁妍,陈文龙,王浩.大数据技术在高校实验室管理系统中的应用[J].电脑知识与技术,2020,16(18).

[4]周少珂,任立锋,李晨.高职院校大数据技术创新实验室建设与研究[J].教育教学论坛，2020,(12).

数据分析课程范文篇9

［关键词］数学建模；商务数据分析与应用专业；实施路径

数学模型是连接实际问题与数学问题的桥梁，是对某一实际问题，根据其内在规律，作一些必要的简化与假设，运用适当数学工具转化为数学结构，从而用数学语言描述问题、解释性质、预测未来，提供解决处理的最优决策和控制方案。数学建模是架设桥梁的整个过程，是从实际问题中获得数学模型，对其求解，得到结论并验证结论是否正确的全过程。数学建模是用数学语言和方法，借助数学公式、计算机程序等工具对现实事物的客观规律进行抽象并概化后，在一定假设下建立起近似的数学模型，并对建立的数学模型进行求解，然后再根据求解的结果去解决实际问题。在这个过程中要从问题出发，充分发掘问题内涵，按照问题中蕴含的内生动力，寻求合适的模型，经过实践检验后多次修改模型使之渐趋完善，同时还要进行因素灵敏度分析，找出对问题影响较大、更大或最大的因素。随着社会的发展，大数据时代的来临，数学建模越来越引起人们的重视，很多高校将数学建模纳入课程体系之中，以提高学生运用专业知识、数学理论与方法及计算机编程技术综合分析解决问题的能力，特别是数学建模竞赛能有效提升学生的计算机技术与运算能力、团队协作能力、写作表达和创新实际能力。近年来，随着互联网技术的迅速发展，形形色色的数据环绕着我们，数据分析方面的人才需求陡增，造就了商务数据分析与应用专业的问世。商务数据分析与应用专业虽是2016年才增补的新专业，但它是一个跨数学、电子商务、计算机应用等学科的边缘专业。培养主要面向互联网和相关服务、批发、零售、金融等行业，掌握一定的数理统计、电子商务及互联网金融相关知识，具有商务数据采集、数据处理与分析、数据可视化、数据化运营管理等专业技能，能够从事商务数据分析、网店运营、网络营销等工作的高素质技能型人才。商务数据分析与应用专业的学生毕业后主要从事电商数据化运营过程中的数据采集与整理、调整与优化、网店运营与推广等工作。从2019年开始1＋X证书制度试点工作拉开了序幕，职业教育迈入考证新时代，商务数据分析与应用专业作为第二批试点专业正在如火如荼地进行着，这将拓宽学生就业创业渠道，提高学生就业创业本领。但作为一名优秀的数据分析师要对数据敏感，熟知业务背景，认知数据需求，具有超强的数据分析与展示能力。若将数学建模融入商务数据分析与应用专业的人才培养体系中去，不仅使学生运用数学思维解决问题的能力得到提升，更使学生思路变得富有条理性，让学生养成敏锐观察事物的习惯，对学生的未来发展产生深远的影响。

1将数学建模融入商务数据分析与应用专业的可行性分析

将数学建模融入商务数据分析与应用专业不是牵强附会的关联，具有一定的可行性。

1．1在课程体系上具有可行性

数学建模是源于实际生活的需求，借助于数学的思维及知识去解决问题，需要学生具备一定的数学基础和计算机编程相关知识。商务数据分析与应用专业的课程体系中含有统计基础、数理统计与应用、C＋＋、数据分析与处理等课程为学生学习数学建模奠定了基础。

1．2在教学团队上具有可行性

数学建模相关课程需要一支专业基础扎实、年轻、富有创造力的教学团队。教学团队中的教师不仅要有较为宽广的数学知识，也要具备较强的计算机编程和操作能力，这样才能培养学生从实际问题中刻画问题的本质并抽象出数学模型的能力。我校商务数据分析与应用专业的数学建模相关教师共9人，由来自于统计专业、计算机专业、电子商务专业等专业背景的教师组成，完全可以胜任数学建模相关课程的教学与指导。

1．3在教学环境上具有可行性

本专业校内教学条件比较完善，校内实训室基本上能够满足所有专业课程及专业实操课程的教学需要，学生可以在仿真的环境中进行练习。鉴于现有校外实训基地的实习内容与学生所学专业并不对口或融合度较低的现状，学校还要积极拓展校外实训衔接度高的校外实训基地，让学生真正参与到企业活动中去，着实提升学生的商务实践技能。校内教学条件完全可以胜任数学建模相关课程的教学。

2将数学建模融入商务数据分析与应用专业的实施路径

任何的教学改革都不是一蹴而就的，是时间沉淀出来的产物，从无到有、从有到优需要一个漫长的过程。要将数学建模融入商务数据分析与应用专业，需要从课程体系、教学团队、管理制度等方面着手。

2．1构建数学建模的课程体系

将数学建模融入商务数据分析与应用专业，首先要制定融合数学建模的人才培养方案，明确数学建模在培养方案中的知识、素质、能力等培养目标和要求，设置数学建模在教学计划中的相关理论、实践等教学环节的课时与学分分配。对大一学生增设数学建模课程，将数学建模与统计学、经济应用数学并行教学，其中涉及数学建模思想、基本数学模型、Matlab软件入门等内容，使学生了解几类基础的数学模型、常规的数学建模步骤及方法。在教学中加入商务数据分析案例，根据问题需求先建立数学模型，然后通过Matlab编程求解出结果，并运用软件进行计算、仿真和模拟，这样将数学建模、数学实验和商务数据分析三者有机衔接起来，不仅可以激发学生的学习兴趣，提高学生运用数学建模进行商务数据分析及预测的能力，也为之后的数学建模竞赛铺路。

2．2组建数学建模的教学团队

数学建模的教师不仅要熟悉初等几何、微分方程、优化、图与网络、概率等机理分析性建模，还要熟悉统计、预测、检测等测试分析性建模；不仅要掌握差分方程、插值与拟合、回归分析、线性规划等数学建模方法，还要熟练掌握Matlab、LINGO等各类建模语言的使用。作为数学建模的教师，面对商务数据方面的实际问题，要全面深入细致地了解问题的背景，准确无误地明确问题的条件，在查阅、收集、阅读掌握相关的数据、信息和资料的基础上，清晰准确地形成问题的主要特征，初步确定模型类型。然后根据特征和目的，找到问题的本质，忽略一些次要因素，给出必要的、合理的简化与假设。在分析与假设的基础上，利用数学工具和方法，描述对象内在规律，建立变量间关系，确定数学结构，建立商务数据的问题模型。数学建模的一系列过程需要教学团队的合理分工与协作，在日常教学过程中既要重视数学理论，又要重视实践案例教学。使学生了解基本的数学模型和编程思想，把教学重心放在案例的分析、模型的选择、程序的实现、灵敏度的分析等过程之中。通过对大量问题的数学模型的建立及计算机编程的求解，让学生触类旁通地处理一些实际问题，使学生体会到数学的魅力所在及学以致用的道理，从而提高学生商务数据分析与应用能力，为学生今后的创新创业奠定基础。教学团队不仅要完成数学建模相关课程的教学，还要加强数学建模教学的研究和应用，加强与外界的交流，推动教学改革，以提高数学建模的水平和质量。

2．3成立数学建模的学生社团

除了数学建模融入商务数据分析与应用专业教学之外，还可以在学校成立数学建模社团，吸纳学校中对数学建模感兴趣的学生，特别是商务数据与分析专业的学生进入社团。由数学建模老师定期对社团学生进行指导，将数学建模相关的数学公式、数学方法，数学建模的流程，竞赛论文的撰写要领，编程技巧等以讲座的形式传授给学生。同时，社团学生之间成立互助小组，互助小组中选择商务数据分析与应用专业的学生为组长，由组长带领其他组员共同探讨数学建模的学习方法与技巧，分享数学建模的编程技术与相关资料，交流数学建模的解决问题的思路。这样由一个专业带动多个专业，一个社团辐射到整个学校，在提高学生的数学建模能力的同时，也为数学建模竞赛选拔人才做好准备。数学建模社团的建立在丰富学生业余生活的同时，也给那些对数学有兴趣的学生提供了一个相互交流的平台，不仅可以开阔学生数学发现和研究的思维，还可以加强数学理论与实际问题之间的联系，提高学生运用数学思维方式解决实际问题的能力。

2．4参加数学建模的相关竞赛

为了更好地发挥数学建模在培养大学生创新创业能力过程中的引领作用，学校组织学生参加数学建模的相关竞赛，并将其发挥到极致。大学生数学建模竞赛是提高学生数学建模能力最好的平台，美国在1985年开始创办数学建模竞赛，我国大学生于1989年开始参赛并逐步成为参赛主体，到2019年共有15个国家25370队注册参赛，其中中国大陆地区代表队约占98％。我国第一届大学生数学建模竞赛（CUMCM）于1992年创办，2019年1490校区42992队报名参赛，现已呈现出一派繁荣景象，其他数学建模竞赛，如：深圳杯、电工杯等也如火如荼地开展起来。想在竞赛中取得优异的成绩是一个系统的工程。数学建模参赛团队通常由3名学生组成。在学生选拔时，就要综合考虑学生的知识、能力、性格等因素，这3名学生不仅要有较好的计算机技术与运算能力，更要有吃苦耐劳的精神和较好的团队合作意识。在教学指导时，不仅为学生讲解一些基础的数学建模方法和技巧，更要注重综合分析解决问题、逻辑思维、语言文字理解与表达、科研创新等能力的培养。在模拟训练时，指导教师严格把关，让学生合理安排三天时间在网上查阅资料，分析问题之后建模与解答，检验与分析，再完成竞赛的论文的写作。通过多次有针对性的模拟训练，学生摄取新知识、新技能的能力得到提升，定量与定性分析的思维能力得到锻炼，责任意识得到加强，自主学习的习惯逐渐养成，不畏艰难的品质得到磨练，团队创新能力得到提高。指导教师通过对数学建模的研究和学生的指导，教学相长，自身的建模能力也将得到大幅提升。面对一些实际的商务数据问题，能够通过建立一些相关的数学模型，探索出解决实际问题的方案，并从这些方案中选择出最合理、最科学、最恰当的方案。

2．5搭建数学建模的管理体系

将数学建模课程融入商务数据分析与应用专业难度不大，但是要让学生组队参加数学建模竞赛并出彩，就需要学校领导重视及相关职能部门支持，在校内建立健全数学建模管理制度，如将数学建模竞赛作为二级学院考核指标、数学建模指导教师的工作量计算办法、学生在奖学金与评先评优等方面优先考虑等。只有建立健全校内管理体系，才能激励更多的教师主动承担数学建模相关课程的教学，参与数学建模社团的指导，同时激发学生学习数学建模的兴趣与参加数学建模竞赛的积极性。

3结语

综上所述，将数学建模融入商务数据分析与应用专业是培养学生运用数学知识进行商务数据分析的重要举措，也是培养学生创新思维的重要途径。融入时要讲究方法和策略，确保整个教育教学模式的协调与统一，注重数学建模思想的渗透，鼓励学生用数学建模方法解决一些实际问题。如果说1＋X证书制度如同金钥匙帮助学生打开就业的大门，那么数学建模的融入如同舵手带着学生乘风破浪，驶向更加灿烂的明天。

主要参考文献

［1］耿显亚．安徽理工大学数学建模活动助力人才培养［J］．教育现代化，2017，4（52）：10－11．

［2］安东．高校数学建模竞赛与创新思维培养探究［J］．纳税，2017（6）：109．

［3］薛雷．基于数学建模竞赛的大学生创新创业能力培养研究［J］．教育现代化，2019，6（86）：60－61．

［4］肖利均．数学建模竞赛教育和信息技术人才培养探究［J］．科技展望，2016，26（4）：351－352．

数据分析课程范文篇10

关键词：高等学校；智慧教室；数据分析

一、智慧教室数据分析平台开发目的

随着计算机技术和“互联网+”的迅速发展，当前的我们正处在一个信息化的时代。在现代化大学的建设进程中，学生的日常上课出勤管理在高校诸多管理系统中有非常重要的地位，所以开发一个便利的学生考勤管理系统对于高校现代化进程来说非常重要[1]。面对日趋庞大复杂的学生考勤信息时，传统的方式方法已经不能够满足当前的需要。因此开发一个用于系统化管理分析智慧教室学生刷卡数据的分析平台是亟待需要的。通过对智慧教室数据的分析掌握学生的出勤情况，更好的为学校和教师制定教学计划和对学生的考核。对数据的分析得到学生对不同的课程的喜爱程度或不同课程出勤不同的原因。使老师和学生能从静态的考勤信息中获取有价值的信息。该平台的应用，将会对学校在课程开设、课程时间的制定上有一定指导意义。

二、智慧教室数据分析平台总体功能

智慧教室数据分析平台总体功能E-R图如下图所示。

三、智慧教室数据分析平台总体设计

根据用户需求分析得知，智慧教室数据分析平台包括学生用户和管理员用户两个模块。其中学生用户模块包括个人信息维护、查看个人课表信息、考勤数据查询以及个人密码的修改、对错误考勤数据提出申诉。管理员用户模块包括管理员信息维护、查询学生或者班级考勤信息、查询课程刷卡数据分析、对学生提出的错误考勤数据申诉进行审核。总体设计中详细设计这一步是软件开发过程中不可或缺的部分，详细设计是要将解决方案进一步具体化，换言之，就是要解决需要怎么样完整详细的设计与实现这个平台。通过了详细设计这个重要步骤，就可以对目标产品获取一个准确细致的描述，同时可以列出对每个功能方案的具体描述。因此，描述可以直接翻译成平台实施阶段期间以某种编程语言编写的程序。本数据分析平台是基于经典的J2EE应用程序的B/S模式的三层结构，将本数据分析平台划分为表示层、应用层和数据层。下面对三层结构分别进行介绍：（1）表示层：JSP页面给予了向整个服务器的Java库模块为使用超文本传输协议的应用产品提供了服务的接口。（2）控制层：控制层和业务处理层采用的方案是Servlet。JavaServlet其中一个功用即是具有实时拓展服务器，同时以Request-Response的结构体系向使用人员提供用户端服务。Servlet是运行在Java-enabled网页服务器中的。（3）数据访问层：数据访问层主要是依靠JDBC。JDBC是一个JavaAPI接口，可用于处理SQL查询语句。JDBC能够向各类关系型数据库提供规范的连接端口。JDBC为设计和实现更复杂的工具和接口提供了基准，向和数据库领域相关的研究人员编译类似的数据库软件产品提供了现实条件。

四、数据分析平台开发过程中解决的问题

用户是该平台的最终使用者。智慧教室数据分析平台的主要目标是处理高等学校学生上课出勤查看以及在智慧教室系统中的数据分析两大问题，通过对智慧教室数据分析平台的目标使用者的实际调查和研究，可以产生相关结论，智慧教室数据分析平台中应该包括两种身份类型的使用人：学生和管理员使用人。下面对两种使用人对智慧教室数据分析平台的需求做以描述。学生用户的功能主要有维护个人身份信息、查看个人课程安排信息、查看智慧教室个人刷卡数据、错误考勤信息申诉、修改密码等。管理员用户的功能主要有个人信息维护、以学生、班级、课程为索引关键词查看考勤信息、查看考勤信息分析数据、学生考勤信息申诉审核、修改密码等。

五、结束语

本数据分析平台基于MVC模式框架设计与开发，前端界面实现选择了DIV+CSS、JavaScript等技术，后台采用JSP+Servlet，数据库选择MySQL。分析平台针对高校智慧教室考勤系统，将繁杂的线下高校教学考勤数据统计分析过程转换为线上的信息化分析平台，使得考勤数据统计分析整个流程更加的高效、准确、公平。使学生考勤数据统计分析工作更为客观、高效。本课题所提出的智慧教室数据分析平台已经较完整的实现了该平台的基本需求，但通过仔细分析发现该平台还有些许不足之处有待改进。例如：因为该平台涉及到全校的所有学生，如何解决多用户并发处理是一个值得研究和考虑的问题；当数据量增大时，没有考虑到筛选数据时的灵活性。由此可见，本平台虽然已经实现了基本的需求，但是这其中研究和改进的空间是巨大的，也可以说这是一个非常值得研究的课题。

参考文献