課堂大數據分析模板(10篇)

導言：作為寫作愛好者，不可錯過為您精心挑選的10篇課堂大數據分析，它們將為您的寫作提供全新的視角，我們衷心期待您的閱讀，并希望這些內容能為您提供靈感和參考。

篇1

中圖分類號：G434 文獻標識碼：A 論文編號：1674-2117（2015）20-0036-04

在教育領域中，大數據具有很強的應用價值，基于學生全息數據的分析催生了一個新興的研究領域――學習分析，就是一個明顯的佐證。學習分析（Learning analytics）是運用先進的分析方法和工具預測學習結果、診斷學習中發生的問題、優化學習效果的一類教學技術的集合。[1]學習分析著眼于對學生學習過程中的數據進行收集、分析，對學習過程進行評估[2]，發現學習過程中隱藏的問題，提出問題解決對策。學習分析的興起受益于信息技術的發展，尤其是云計算平臺的大規模應用助推教學資源的網絡化和基于網絡化、碎片化學習方式的普及。

學習分析帶給一線中小學教師的不僅僅是信息技術支持下利用數據對學生的學習情況進行分析的教育應用，也應該是一種基于學生學習數據開展教育教學實踐與研究的教育理念。在這一理念的啟迪下，筆者開展了基于以下調查數據分析的高中信息科技課堂教學實踐研究。

2014學習水平起點問卷調查簡介

為了了解上海市高中生信息科技學習水平的情況，上海市教研室于2014年9月組織了上海市中學生信息科技學習水平起點問卷調查。起點問卷調查共26題，分三個模塊，即學生基本情況、學生學習興趣傾向、學生現有的知識與技能。

學生基本情況模塊主要包括學生初中學習信息科技的年數、獲得信息科技知識與技能的途徑、解決家中計算機故障的方式、上網設備、上網地點和上網時間、網上信息搜索的方式和維護信息安全的方法。

學生學習興趣傾向模塊主要包括擁有博客或微博的情況、使用微信或飛信或易信的情況、上網所做的事情、對當今社會信息技術發展熱點的關注度。

學生現有的知識與技能主要包括對計算機（智能手機）硬件及性能指標的了解程度、是否會安裝和卸載軟件（計算機、平板或智能手機）、系統軟件的辨識、常見的網絡知識的了解程度、曾經使用過的程序設計語言和圖像處理軟件、算法與程序設計的掌握程度、平面設計與創作的掌握程度。

三個模塊的試題不僅涉及了學生現有的知識儲備情況，也反映了學生在日常生活與學習中利用信息技術解決各種問題的現狀，為高中信息科技教師了解學生信息科技的學習水平起點、開展教育教學工作和研究工作提供了原始而真實的數據。

閔教院附屬中學2014學習水平起點問卷調查數據分析

閔教院附屬中學是一所美術特色學校，學生的錄取成績是上海市高中錄取分數線，因此，學生在學習上的表現或多或少存在一些問題，學習能力也有些欠缺。閔教院附屬中學參加2014學習水平起點問卷調查的學生一共111人，占高一年級學生總數的97.37%，基本能夠反映我校全體學生的信息科技學習水平起點情況。

從調查問卷的數據來看，學生基本情況較好，在初中階段上過（1年、2年和3年）信息科技課的學生占93.69%，沒學過信息科技的占6.31%。在上網方面，有98.2%的學生經常上網或偶爾上網，智能手機是學生上網的主要設備，有93.69%的學生在家中上網，說明接入互聯網的學生家庭占比較高。學生獲取信息科技知識的主要途徑是信息科技課和閱讀網上教程，說明學生獲取信息的途徑較為單一。

在學生學習興趣傾向模塊上，有71.17%的學生有“自己的博客或微博”，但是經常使用的學生只有55.86%，說明學生在學習過程中的上網時間與自由度不夠。在“你一般上網做什么？”的選項中，居于前三位的分別是聊天、聽音樂、看視頻。而查找學習資料、搜索信息、看網絡書籍三個選項占比分別是66.67%、45.05%和39.63%，說明學生主動利用網絡資源進行學習的比例不高，這也是學生家長、學校教師一直限制學生上網的原因所在。在當今社會信息科技的發展熱點上，學生能夠有所關注，但是對熱點的專業性與深度了解不夠，這一點可以從有83.78%的學生了解3G/4G，但是對IPv6、Web2.0的了解比例分別只有8.11%和50.45%看出。

在學生現有知識與技能模塊上，學生對計算機（智能手機）硬件及性能指標的了解程度非常不理想，只有21.62%的學生認識一些部件，知道部件性能的指標。這表明在今后的教學工作中，計算機的硬件知識雖然簡單，但仍需要重點介紹。此外，該問卷調查還暴露出學生“基礎不扎實、知識面窄”的特點，如“以下屬于系統軟件的是”一題，有45.05%的學生竟然選擇了“Office軟件”，31.53%的學生選擇了“Flash軟件”，38.74%的學生選擇了“IE瀏覽器”。Linux和Unix兩個選項的選擇比例分別是11.71%和6.31%。

綜合三個模塊的情況來看，我校學生的信息學科知識、信息素養和信息意識與區里的整體情況相比，存在較大的差距。課堂教學需要付出更多的努力才能夠彌補上述差距，才能讓學生經過一年的高中信息科技課程學習獲得良好的信息素養，在學業水平考試中取得較好的成績。

基于2014學習水平起點問卷調查數據分析的高中信息科技課堂教學實踐研究

1.明確高中信息科技課程教學目標，找準學生現狀與課程目標之間的距離

上海市普通中小學信息科技課程是以計算機和網絡為基本載體，以學信息技術、用信息技術、懂信息技術、與信息技術一起學為基本學習過程，融知識性、技能性和工具性于一體的重要的基礎課程。課程總體目標是以信息素養的形成為主線，以全面提高所有學生的信息素養，使其具備信息科技的基礎知識和技能為總體目標。高中階段的課程教學目標是拓展信息科技知識的深度和廣度，善于選擇和使用合適的信息技術工具，提高自主學習和解決復雜問題的能力，形成正確使用信息和信息技術的評價標準的信息道德。[3]

上海市高中信息科技課程的目標，不僅對學生所應掌握的信息科技課程知識的廣度和深度，運用信息技術解決各種問題的信息素養提出了較高的要求，還對基于信息素養所形成的道德價值判斷以及對社會所肩負的責任提出了較高的要求。2014學習水平起點問卷調查的數據顯示閔教院附中學生整體現狀與課程目標的要求，在基礎知識的了解廣度和掌握程度、以基礎知識為基石的信息素養，運用信息技術解決問題的能力等方面存在較大的差距。

2.抓住主體，分層教學

學生的整體基礎不是很理想，但是也有少部分學生的信息技術知識與基礎不錯。為了解決課堂上大部分學生“吃不了”，少部分學生“吃不飽”的問題，筆者在教學設計時對課程內容進行了重新的梳理和分層，將課程內容劃分為基礎掌握內容和提高選修內容。基礎掌握內容是面向全體學生的，是學業水平考試中明確規定的內容，而提高選修內容是供學有余力且有興趣的學生進行自主學習使用，教師在課堂上預留5分鐘左右的時間為這部分學生的自學提供幫助。通過這樣的設計，以達到抓住主體，實施分層教學，整體提高，保證課堂教育教學質量的目標（如案例一）。

案例說明：之所以這樣劃分，是因為“二進制數與十進制數的相互轉換；二進制數與八進制數的相互轉換；二進制數與十六進制數的相互轉換”是課標和考綱中明確規定重點考查的內容，近三年的學業水平考試出題情況也體現了這一要求。“十進制數與八進制數的相互轉換；十進制數與十六進制數的相互轉換；十進制數與R（任意）進制數的相互轉換”在課標和考綱中作為拓展內容，近三年的學業水平考試并沒有作為重點考查內容出現在試題中。

3.夯實基礎，突破重難點

上海市屬于經濟比較發達的地區，閔教院附屬中學的學生對一些發展前沿的信息技術多少都有所接觸，雖然涉獵廣，但層次較淺，專業知識面較窄，而上海市高中信息科技課程不僅要求學生擁有較廣的知識面，還需要對課程知識有較深程度的掌握和將所學知識應用于生活解決問題的遷移應用能力。

因此，筆者在課程教學實踐中，對課程的基礎知識和重難點知識根據學生的情況重新進行了梳理，制定了基礎知識、重難點知識表，并在教育教學中做到夯實基礎，突破重難點，拓寬知識面的同時，深入挖掘知識點的深度（如案例二）。

案例說明：信息技術工具知識點梳理調整表只是高中信息科技必修模塊中的一個單元的調整表。將“軟件的分類”從“基礎/知道”調整為“重點/理解”，是綜合本次調查數據結果和以前的教育教學經驗而進行的，因為閔教院附屬中學的學生經常會將常用的系統軟件和應用軟件的分類混淆。將“常用軟件的卸載與安裝”從“重點/理解”調整為“基礎/知道”是基于98.2%的學生會安裝也會卸載軟件的調查數據而做的決定。

4.調整課堂結構，讓學生自由“想”，充分“做”

上海市高中信息科技課程由統一模塊和選修模塊兩個部分組成，閔教院附屬中學選擇的選修模塊是設計與創作。該選修模塊由設計與創作理論知識、Photoshop平面作品設計和Flas創意設計三部分組成。

2014學習水平起點調查問卷數據顯示，有94.59%的學生使用過Photoshop、FireWorks、金山畫王、光影魔術手、美圖秀秀或其他的圖形圖像處理軟件。這說明學生在圖像圖形處理上已經奠定了一定的基礎，在課堂教學中不需要從零開始，教學的重點應是作品整體設計能力與創意的提升，而非軟件工具的使用。

針對這一教學起點，筆者在Photoshop平面作品設計的教學上，將傳統的教師作品展示、教學演示，學生按照要求進行作品創作、保存、提交和師生評價，調整為教師作品展示、作品創作說明，學生自由創作作品、保存、提交和師生評價（見下頁的課堂結構調整示意圖）。雖然課堂結構的改變不大，但是給予學生更多自由設想、充分創作的時間。學生進行設想與創作的時間由在傳統的課堂結構上只有10分鐘左右增加到20～25分鐘。在新的課堂結構中，教師需要盡量花最少的時間把需要講授的新內容與學生一起探討清楚，留出更多的時間和空間讓學生去創作與實踐[4]，以提高學生在實踐中應用信息技術創造性地解決問題的能力。

5.關注課堂細節，引導樹立信息倫理意識，規范提升信息道德水平

在信息化社會，社會公民不僅應具備良好的信息素養，還應具備良好的信息道德水平。針對我校學生信息意識薄弱、學生對信息道德和信息倫理認識不全面的情況，筆者在課堂教育教學中做了以下探索。

（1）面對、引導和處理課堂細節上的信息倫理問題。

在學習設計與創作模塊的內容時，經常會用到從網上下載的圖片，或者學生軍訓的照片。網上下載的圖片會涉及版權問題，而學生的軍訓照片會涉及學生的肖像權問題。這時，教師需要從正面引導學生注意在作品中標注作品素材的來源，以保護原作者、原網站的版權。使用學生的軍訓照片，原則上應該取得學生本人的同意，取得肖像權的許可。通過長時間的積累和有意識的培養，學生在版權保護、肖像權的使用等信息倫理問題的認識上，有了很大的提升。

（2）設置信息倫理討論問題，讓學生對網絡道德有全面認識。

在學習第四單元《信息技術與社會》的“負責任地使用信息技術”的內容時，結合第三單元《計算機網絡》，就新聞報道上的網站賬號泄密、銀行卡遭盜刷、棱鏡門事件等熱點話題在課堂上讓學生進行討論，讓學生認識到這些事件不僅違反法律法規，還有違網絡道德和信息倫理要求，讓學生“樹立在信息化社會中的基本道德規范，應用信息技術過程中個人自律能力”[5]，避免學生在今后的網絡生活中因為對法律法規和網絡道德不了解而走上網絡違法犯罪的道路。

高中信息科技課堂教學改進實踐反思

1.課堂教學工作應依據學生學習數據開展

課堂教育教學是基于師生互動開展的知識學習活動，學習活動效果的好壞不僅取決于教師能否在課堂上為學生提供多樣化的學習支持，教學策略設計的優劣，教學科研能力的高低等，也受到學生已有知識儲備、學習能力、學習習慣等因素的影響。因此，教師在開展教育教學的過程中，應該能夠自覺做到全面了解學生的知識儲備、學習能力、學習習慣等學習數據，在教育教學中依據這些學習數據開展課堂教育教學，而不能夠游離于學生的基本現狀主觀地開展無效的教學。

2.分層教學目標的制定與落實在大數據的支持下可以更精細化

基于條件的限制和對學生數據收集的局限性，對學生的分層還沒能做到兼顧每一位學生的每一個方面，只是一定程度上的整體分層，基于這一定程度上的整體分層教學目標的制定還存在不足。因此，若有大數據分析系統的支持，教師便能夠方便地了解到學生全面的學習數據，學科課程教育教學目標的制定與落實可以更加精細化，可以做到以數據為指導來開展教育教學工作和研究工作，實現課堂教學有意義的及時調整。

參考文獻：

[1]李青，王濤.學習分析技術研究與應用現狀述評[J].中國電化教育，2012（8）：129.

[2]蔡婷.大數據背景下學習分析技術對教學模式的變革[J].課程教育研究，2014（33）：201.

篇2

實驗教學是培養經管類專業學生實踐能力的重要手段。經濟管理類專業學生不僅要熟練地掌握理論知識，更要具備較強的實踐能力，特別是大數據時代的到來，強調以數據為基礎進行研究，并快速做出決策[1]，不僅對掌握大數據思維和技術的人才需求量擴大，而且對經管類專業人才培養提出了新的要求[2]，因此在大數據背景下應充分認識實驗教學對經管類專業學生實踐技能的重要性，科學全面地構建面向數據分析和管理的實驗教學體系，以適應大數據背景下經管類專業人才的培養需求。

大數據擴寬了信息的來源，提高了信息獲得的速度，分析對象從傳統的結構化數據過渡到非結構化數據，因此對經管人才需要更全面地掌握大數據思維方式和分析流程。對工商管理、企業管理專業而言，需要其更注重利用多種類型的企業運作的數據，通過對其進行整理分析，幫助企業進行業務流程改革，提升企業運營效率，提高經濟效益[3]。對于電子商務、市場營銷專業而言，應學會利用大數據技術探索新商業模型，分析營銷網絡，評估投資風險及創新服務模式[4]。而對于和大數據技術緊密相關的信息管理專業來說，需要更全面地從數據采集、分析到數據挖掘多個方面轉變傳統的數據分析思維，以適應大數據環境下知識管理與智能決策的需要[5]。

1.實驗目的不合理，實驗設計不當。

目前，對于經管理類專業的大數據實驗教學體系還處于基本概念階段，與科研前沿脫節，實驗目標大多只要學生掌握數據采集、統計分析等基本概念和方法，就學會對給定的數據進行分析。但是在大數據環境下，數據分析和挖掘需要針對結構化數據、非結構化數據等用創新性的思維方式解釋分析結果，并用于智能輔助決策及知識發現。因此，大數據實驗課程應與時俱進地適應大數據的要求，開展多樣化、啟發式的實驗項目，不僅讓學生掌握如何收集信息和整理信息，還要解釋隱藏在數據背后的潛在規律。

2.實驗教學方法和手段陳舊。

傳統實驗課是學生按照老師的要求和給定的數據，學習各種數據分析方法。實驗內容設計單一，沒有針對不同知識結構的學生開展有針對性的實驗訓練項目，學生學習積極性不高。因此，在大數據實驗教學中，要以培養學生創新實踐能力為主要目標，在教師的幫助下，通過團隊協作、自主設計完成。同時，分層次制定針對不同知識結構背景的實驗項目，便于學生根據自身的特長和能力自主選擇實驗項目。

由此可以看出，傳統的實驗教學已不能滿足大數據背景下的經管類專業人才對數據分析和處理的新需求，在實驗教學方式、實驗教學內容等多方進行創新和改革，才能培養出順應時代背景的優秀經管類人才。

在大數據背景下，經管類人才應該具備：發現問題的能力，收集整理數據和信息的能力及理解分析數據的能力。對此，我們從教學方式、課程體系、技能與經驗三方面入手，開展實驗教學改革，以適應大數據時代對于經管人才培養的要求。

3.創新實驗教學方式。

大數據時代，書本和課堂不是獲取信息的唯一選擇，網絡資源、各種移動端應用程序等方式都擴展了學生獲取信息的方式，在這種情況下，實驗教學不僅需要讓學生掌握如何搜集、整理數據的技術，還要培養學生觀察、分析問題的能力，從而真正調動學生的學習積極性。例如可以提供多種獲取大樣本數據的渠道，學生組隊進行數據分析和挖掘，設計算法，進行相關分析直到最后撰寫出分析報告，整個流程全部由學生獨立完成。

4.完善大數據實驗課程體系的構建。

對于經管類專業的學生而言，實驗目的主要是讓他們掌握數據分析的主要流程、主要算法的基本原理，具備大數據應用的初步能力。另外，考慮到不同專業的學生知識結構不同，我們構建多層次的經管類大數據實驗課程、基礎實驗，以驗證和演示實驗為主，強調掌握數據分析工具和分析算法，理解數據分析基本流程。專業實驗，以簡單設計性實驗為主，強調利用現有的數據分析工具，較完整地體驗從數據采集、數據整理、數據分析到數據挖掘的全過程，并編寫簡單的數據分析代碼。綜合性實驗，采用自助式、合作式模式，讓學生自己動手收集數據，團隊合作分析問題，在實驗教師的指導下，綜合運用各種數據分析工具，自主設計算法，進行相關分析，直到最后分析報告，初步具備大數據的應用能力。

5.培養專業技能和增加實踐活動。

積極開展大數據應用相關的實踐活動，提供多種形式讓學生參與大數據的實踐環節，在提高專業水平的同時，提高實踐操作能力。合理利用現有慕課、微課等在在線課程作為實體課堂的有益補充，引導學生深入學數據技術。另外，積極聯系軟件企業提供各種實習途徑和崗位，讓學生真正參與與大數據的各種項目開發，強化課堂的理論知識，豐富實踐經驗，提高專業級技能，有效地提高學生的數據分析能力和數據挖掘能力。

大數據作為近年來的熱點研究問題，已經廣泛應用于經管類學科當中。經管類專業學生只有更好地掌握并懂得如何利用大數據，才能在大數據時代擁有更多的優勢。因此，本文從教學方式、課程體系、技能與經驗進行創新，提出切實可行的改革措施，以更好地培養經管類學生的數據分析的專業能力，適應大數據環境下知識管理與智能決策的需要。

參考文獻：

[1]祝智庭，沈德梅.基于大數據的教育技術研究新范式[J].電化教育研究，2013（10）：5-13.

[2]朱懷慶.大數據時代對本科經管類統計學教學的影響及對策[J].高等教育研究，2014（9）：35-37.

[3]李永，劉玉紅.大數據時代大學生學習模式轉變研究[J].長春工業大學學報（高教研究版），2014，35（4）：38-41，100.

篇3

1國內外研究開發現狀和發展趨勢

1．1現狀與趨勢

在當今大數據、云計算、物聯網和移動互聯網等新思路、新技術快速發展的又一歷史時期，高等教育面臨著前所未有的發展機遇，在經歷了網絡化、數字化、信息化管理階段之后，“智慧校園”將是在“互聯網＋教育”趨勢下最重要的發展思路。隨著計算機技術的不斷發展，各種系統結構化和非結構化數據以前所未有的驚人速度迅猛增長，“大數據”時代已經到來。大數據是指數據結構比較復雜、數據規模大的數據集合。其數據量已經遠遠超出了一般數據管理工具可以承受的處理時間以及數據處理及存儲管理能力。在當今大數據環境下，高校管理系統的數據結構及數據量發生了巨大的變化。在數據存儲、數據管理、數據分析及數據挖掘等方面面臨著巨大的機遇和挑戰。為了有效地利用大數據為高校決策分析提供更好的服務，必須基于大數據建立相應的數據分析系統。

1．2國內外研究與開發綜述

隨著大數據的發展和教育信息化的不斷深入，基于大數據開展的高校校園數據分析與應用逐步受到重視。對大數據的定義始終沒有形成統一的意見。維基百科對大數據（Bigdata）的定義是：所涉及的數據量規模巨大到無法通過人工，在合理時間內達到截取、管理、處理并整理成為人類所能解讀的信息。麥肯錫全球研究院將大數據定義為：無法在一定時間內使用傳統數據庫軟件工具對其內容進行獲取、管理和處理的數據集合。加特納（Gartner）于2012年修改了對大數據的定義：大數據是大量、高速、多變的信息資產，它需要新型的處理方式去促成更強的決策能力、洞察力與優化處理。而在高校學生數據的分析應用方面，國內外高校均有開展相關的研究。紐約州波基普西市瑪麗斯特學院（MaristCollege）與商業數據分析公司Pentaho合作發起開源學術分析計劃，旨在一門新課程開始的兩周內預測哪些學生可能會無法順利完成課程，它基于商業分析平臺開發了一個分析模型，通過收集分析學生的學習習慣，包括線上閱讀材料、論壇發言、完成作業時長等數據信息，來預測學生的學業情況，及時干預幫助問題學生，從而提升畢業率。上海財經大學基于校園信息化數據基礎，開發了校務決策支持系統，面向人才培養、內部管理、科學研究和師生服務等方面開展決策分析；華東師范大學利用校園信息化基礎數據，開展了校車人數與載客分布分析，提升了校車使用率；利用一卡通數據開展了貧困生的特征確定、潛在貧困生分析、后續跟蹤驗證，有效提升了幫困扶貧的工作效率。

2需求分析

結合西安歐亞學院信息化建設基礎與海量的數據積累，建立“智慧校園”數據分析系統，通過此平臺的建設和應用，運用數據挖掘和知識發現，從而在大數據中獲取數據之間內在的相互聯系，以及其中可能存在的某種規律，從而有效提升校園管理的決策效率，提升教學科研與管理服務的綜合水平。通過調查走訪各部門，了解教師、學生與行政管理人員的相關需求。主要包括四個方面：一是教學數據分析需求。包括各分院、招生辦、教務處等部門對于招生、學生學習行為、教學質量、學科建設與學生就業等方面的分析。二是生活服務數據分析需求。包括圖書館、后勤等部門對于學生的消費行為即圖書借閱、網絡行為、資源利用等項目的分析。三是財務、人事、宣傳等部門對于全校的資產、師資力量、宣傳效果等項目的分析。四是研究發展部門對于全校科研項目與成果完成情況的分析（見圖1）。

3系統方案設計

3．1框架設計

結合需求情況，開展系統的總體框架設計，初步將系統分為三大板塊，包括數據監測、決策支持和查詢定制（見圖2）。

3．2系統方案

系統總體架構包括四個層次，分別是數據引擎、數據挖掘、數據庫解決方案和交互平臺。數據引擎部分將集成校園WIFI、固網、一卡通、教務系統等各類信息系統的數據，形成數據源，數據挖掘將通過分布式計算架構和數據分析平臺對潛在數據進行分析與建模，通過數據庫建立本系統的分析數據庫，最終通過PC、手機等客戶端向用戶進行呈現（見圖3）。

3．3典型應用研究內容

3．3．1教學質量評估教學質量評估屬于高校定期必須完成的任務，教學評估的主要目的是更好地發掘出教學過程中存在的一些問題，從而及時地對教學方法進行調整，最終實現教學質量的提升。將大數據運用到高校教學評估系統之中，不但能夠在很大程度上提高高校教學管理的科學性，同時還可以提高信息化教學的實用性。把基于大數據挖掘的算法運用在教學評估工作之中，找出教學效果、信息技術在教學中的應用、師生之間的溝通互動等因素之間的聯系，從而給高校的教學部門帶來非常科學的決策信息，同時讓教師可以更加有效地開展教學工作，提高教學質量。

3．3．2教師教學能力分析以往的教學缺乏大量數據支撐，教學的質量高低主要靠教師自我度的把握。現在，可以通過在線課堂等技術，搜集大量課堂情況信息，比如學生對知識點的理解程度、教師課堂測試的成績、學生課堂紀律等。通過這些數據的分析，了解教師熟悉教案的程度、課堂氛圍等，改善教學水平。也可以通過深度分析學生在教學過程中教師的課堂表現，從而發現課程的閃光點以及不足，從而讓教師能夠進一步地對課程教學進行改善，提升教學質量。

3．3．3個性化課程分析個性化學習是高校教學改革的目標，過去的班級制教學中無法很好達到這一點，通過把大數據挖掘技術和學習內容結合起來，指導學習者規劃學習發展方向，制訂學習規劃，實現個性化學習功能。通過評估個人情況，根據分析結果推薦可能取得優秀成績的課程方案。首先獲取學生以往的學習表現，然后從已畢業學生的成績庫中找到與之成績相似的學生信息，分析前期成績和待選課程結果之間的相關性，結合專業要求和學生能力進行分析，預測學生選擇的課程中可能取得的成績，最后綜合權衡預測學生成績和各門課程的重要性，為學生推薦一份專業課程清單。

3．3．4學習行為分析通過一卡通門禁信息、網絡信息、課程信息、在線教育系統等相關數據，可以把學生到課堂時間、上課表現、作業完成情況、自習情況等學習信息記錄下來，進行變量分析。當一些與學習行為有關的因素（如曠課、紀律問題、課堂表現）發生變化時，對學生提示并進行分析。通過這種系統分析，可以很好地規劃學生的學習時間，提高學習效率。

4技術創新點

4．1大數據環境下提升數據挖掘范圍

相比于傳統常規環境下的數據獲取渠道，大數據環境下，校園數據的獲取更為廣泛和準確。常規環境下的數據主要以經費收支、課程建設、問卷、訪談、課堂觀察等來源，而在大數據環境下，通過對事件數據、輿情數據、一卡通、日志搜索等數據的抓取與分析，更能夠準確地反映實際校情。

4．2可視化技術展現數據分析結果

利用大數據分析的數據挖掘與可視化分析，能夠直觀地呈現大數據特點，同時能夠非常容易被使用者所接受，就如同看圖說話一樣簡單明了。智慧校園中，結合學生學習、生活消費的各類數據，通過系統分析與圖表展現，讓用戶只管了解數據分析的結果。

4．3數據質量管理提供重要支持

篇4

基金項目：華北理工大學研究生教育教學改革項目資助（項目編號：K1503）

基金項目：華北理工大學教育教學改革研究與實踐重點項目資助（項目編號：Z1514-05；J 1509-09）

G643；O21-4

谷歌公司的經濟學家兼加州大學的教授哈爾?范里安先生過去說過統計學家將會成為像電腦工程師一樣受歡迎的工作。在未來10年里，人們獲得數據、處理數據、分析數據、判斷數據、提取信息的能力將變得非常重要，不僅僅在教育領域，各行各業都需要數據專家，“大數據”時代的到來使得數據處理與分析技術日新月異，深刻的影響著各個行業、領域及學科的發展，尤其是與數據關系密切的行業及學科，而作為工科各專業碩士研究生重要的公共基礎課數理統計學是天生與數據打交道的學科。

怎樣在“大數據”時代背景下培養出適應面向企業自主創新需求的數據分析人員或掌握現代數據處理技術的工程師，如何把當下流行的“大數據”處理技術與相關數理統計學課程教學有機的結合，以激發學生對數據處理與分析技術發展的興趣，這些都是我們在與數理統計學相關的課程教學中不得不思考的問題。然而，當前高校工科各專業碩士研究生數理統計教學的現狀卻與其重要程度相去甚遠，整個教學過程的諸多環節都存在較大的不足，主要表現為：1.教學內容偏重理論，學生學習興趣不高；2. 輕統計實驗；忽略對統計相關軟件的教學；3.沒有注重數理統計的學習與研究生專業相結合，實用性強調不夠。4. 輕能力培養；輕案例分析等。

這些現象導致的直接后果就是學生動手能力上的缺陷和創新能力的缺乏， 不能夠自覺利用數理統計知識解決實際問題， 尤其缺乏對統計數據的分析能力。因此，需要數理統計學隨著環境的變化不斷創新新的數理統計思維和教學內容。避免教學內容與大數據時代脫節。為此筆者在該課程的教學過程中，有意識地進行了一些教學改革嘗試。提出了幾點工科研究生數理統計教學的改革措施。

（1）調整教學內容，將與數理統計相關的大數據處理案例引進課堂。有很多有普遍性的應用統計實際案例，可以在本課程的教學過程中有選擇的引入介紹給學生，讓學生們了解利用所學統計方法進行實際數據分析的操作過程和得出結論的思維方法。以期解決工科研究生對確定性思維到隨機性思維方式的轉變的不適應性。

（2）適應大數據時代數理統計學課程的教學環境。實現教學方式的多樣性。大數據時代背景下，互聯網十分發達，學生根據自己的興趣去收集、整理和分析數據，既可以改變他們對統計方法的進一步認識，也可以增加他們的學習興趣。甚至可以以專業QQ群，郵件的方式和同學、老師之間相互交流，交流者處于相互平等的地位，可以暢所欲言，隨時隨地都可以交流，起到事半功倍的效果。這種交流使得教師不再是知識的權威，而是把教師上課作為一種更好自主學習的引導，這種交流使得他們的思想變得更加成熟。同時參與各種網絡論壇，貼吧回答問題等使得他們更能體現自己的價值，這種交流也使得學生的學習熱情和學習精神得到更好的激發。

（3）引導工科研究生開展與本專業相結合的課題研究，強調實用性，注重統計思維能力培養。適應大數據時代數理統計學課程教學環境，實現教學方式的多樣性。以期彌補學生缺少數據分析實例的訓練，解決學以致用的不足。在目前的數理統計教學安排下，受學時所限，如果相當一部分時間用來學習公式、定理的推導及證明，勢必沒有時間進行實際的數據分析練習。在大數據時代背景下，隨著海量數據、復雜形式數據的出現，使得統計方法的發展和以前有了很大的不同，沒有實際的數據分析訓練，學生們就無法對統計的廣泛應用性及重要性有深刻的體會，也不利于保持和提高他們的學習興趣。這要求具體工作者提出新的統計思想和方法，加深對已有統計思想的理解，以解決實際問題。

（4）改革成績評定方式。現有的考試模式為通過有限的一到兩個小時的期末考試，進行概念的辨析和理論及方法的推導計算，由此來判斷研究生關于數理統計課程的學習情況有很大的不足，特別是對可以利用軟件進行的某些實際數據分析的考察沒有辦法實現。因此，有必要通過日常課堂“論文選題―提交―討論”與期末理論考試相結合的形式對學生數理統計學習進行考核。加大對學生平時考察的力度，相應地減少期末考試成績的比重。讓學生選擇一些與自己專業有關的數據進行嘗試性的數據分析、一些統計科普著作的讀書報告等并寫成論文的形式提交，做為對學生成績的評定方式，更能綜合、客觀地評價學生的學習情況。

數據分析在現代生活中發揮的作用越來越大，而道磽臣品椒可以與數據分析有機的結合，從而在提高數據分析效率的同時，保持分析結果的有效性，為生產和實踐活動提供準確的參考。以上的思考和建議僅是我們在教學研究和教學過程中的一點體會，還有許多工作亟待深入，比如適合工科研究生數理統計課程的大數據案例選取，與課程內容的有效銜接；案例教學法如何實施；教學方式多樣化問題；課堂教學與網絡交流結合；理論介紹與軟件應用訓練結合問題等。教學改革與實踐是一項艱巨的任務，以培養學生的實際運用能力和正確解釋數據分析結果的能力為目的，強調統計思想和方法應用的培養，讓學生們了解利用所學統計方法進行實際數據分析的操作過程和得出結論的思維方法將是一項長期的工作。

參考文獻

篇5

中圖分類號：G434；TP393 文獻標識碼：A 文章編號：2095-1302（2017）03-0-02

0 引 言

教育部在2015年年度工作要點中明確提出要“繼續加大優質數字教育資源開發和應用力度，探索在線開放課程應用帶動機制，加強‘慕課’（MOOC）建設、使用和管理。”國家隨之確定了“慕課”建設框架，其中涵蓋了高職高專等職業教育的內容。國務院參事湯敏老師2015倡導的“慕課最大的空間和機會實際上是在職業教育”，鼓勵高職優質慕課資源和平臺的建設。此舉對于完善終身教育體系，提高國民的職業技術和能力，乃至學習型社會的建設都有重要意義。

目前國內MOOC的研究主要包括MOOC平臺建設研究、MOOC教學模式研究、“翻轉課堂”實現方式研究等。清華大學、北京大學、北京航空航天大學、復旦大學等很多高水平大學都設置了MOOC，并進行了深入研究。同時，在國家積極倡導“互聯網+教育”的時代背景下，更具特色的高職高專院校如何結合自身學科建設特點與優勢，發揮“重技能，強能力”的培養特點，提供更優質的開放性遠程教育服務是各高職高專院校面臨的一項挑戰，從大量MOOC課程建設的嘗試中探索自己的MOOC之路。

MOOC不是單純的教師講課，而是通過網絡技術，將課堂教學、學習體驗、師生互動等不同教學環節通過編排完整呈現，從而在線產生大量數據。這些大數據中蘊含了大量的對教育教學具有普遍意義的規律和價值，通過對這些慕課大數據進行挖掘與分析，教師可以有效掌握教學規律、預測教育活動、進行教育管理和決策等。

1 高職高專院校慕課物聯網建設

目前，大多數高職高專院校都有自己的圖書館，而MOOC學習需要學生進行登錄、學習、進行互動等。將MOOC的平臺建設與學校已有的圖書館平臺相結合，充分利用已有資源，進行統一資源平臺登錄，可有效降低學校建設MOOC平臺的成本，提高資源使用率。MOOC與圖書館統一物聯建設平臺如圖1所示。

統一MOOC教育平臺與圖書館系統，學生通過圖書館統一登錄賬戶登錄，通過MOOC教室進行MOOC課程在線學習。慕課教育平臺包括在線教學、課輔教學、社交媒體（包括微信、QQ等）、知識分析與綜合等，最終形成知識的積累信息。

MOOC教學平臺與大數據分析平臺直接相連，將學生學習記錄以及圖書借閱記錄等提交大數據分析平臺進行分析。此外，大數據分析平臺還包括數據存儲、數據清洗和數據預處理、大數據分析與可視化等功能。

學生可以通過客戶端、瀏覽器及移動端等設備，形成一個綜合的物聯網技術平臺。

2 慕課大數據分析

通過MOOC平臺可以獲得學校學生對于MOOC課程學習的有效記錄，包括學生的學號、姓名、登錄時間、下線時間、學習課程名稱，學習課程知識點記錄、在線互動內容、在線互動次數、做作業次數、做作業時長、做作業成績、學生考試課程名稱，課程期中考試成績、期末考試成績、課程綜合成績、課程成績排名等內容。由于學生使用的是與圖書館平臺進行綜合統一登錄的平臺，還可以獲取學生的圖書借閱情況，如借閱圖書名稱、借閱日期、還書日期等。

針對獲取的學生學習MOOC的綜合大數據，需要采用大數據分析平臺進行處理。圖2所示為基于分布式集群處理的大數據處理平臺架構圖。平臺采用大數據生態圈的Python，數據庫采用MongDB，存儲動態常用分析所用的數據；數據預處理與存儲模塊包括用于大數據分布式存儲的分布式文件系統（Hadoop Distributed File System， HDFS）和Tachyon分布式內存管理系統，可對獲取的數據進行清洗并提供存儲服務；在計算處理方面，采用UC Berkeley提出的基于內存計算的Spark。Spark所有作業都在內存中完成，通過分布式彈性數據集（Resilient Distributed Dataset，RDD），Spark能夠對作業流程進行掃描并根據作業的先后次序進行優化，加快在內存中的運算速度。利用Spark中的MLlib和Graphx提供機器學習、優化和圖計算等方面的功能，并輔以Mahout和Hadoop MapReduce框架進行其他算法的補充；可視化模塊以JavaScript為手段，采用D3和Processing將整個過程中產生的相關結果進行可視化展示。

數據挖掘子系統與數據分析子系統是整個框架的核心，整個大數據處理平臺以Spark分布式集群為主體，由1臺主節點，8臺子節點組成，其中主節點與子節點機器均為4核Intel Xeon E7-8837，2.67 GHz，16 G內存，HDFS存儲容量為2.5 T。

此外，學生還可以在線下根據自身需求選擇不同的教學資源、方式、媒介，亦可自行決定課程學習時間，加之網絡論壇的輔助和課上網絡平臺的使用，使得教學更富成效。

3 計算機媒體類課程慕課的應用推廣

針對計算機類課程，通過圖1所示的MOOC與圖書館統一資源平臺，借助大數據分析平臺，對于獲取的學生的數據結構、操作系統、程序設計基礎等課程的學習數據進行綜合處理，得到準確的學生學習喜好模式，及對教師MOOC課程水平進行準確分級。

4 結 語

基于這些計算機類課程大數據分析的結論，梳理出計算機媒體處理類課程MOOC教學的特點，結合MOOC的獨特優勢與媒體處理類課程需要大量視頻、圖像、PPT、音頻等綜合展示的特色，將其他類課程MOOC建設模式和大數據分析的結論，靈活遷移到媒體類課程教學中，幫助教師探尋學生的學習規律，調整教學，提高教學效率，提出具體的教學方法改進措施，使得課程的講授更加靈活、開放、動態，更加具有針對性，方便教師更好地滿足學生個性化學習的需求，真正做到因材施教，取得事半功倍的成效，在減少教師負擔的同時，也讓學生能夠學的更直觀，更深入，更扎實。

參考文獻

[1]陳向東，王研.大數據時代高職高專MOOCs（慕課）教學模式研究[J].巢湖學院學報，2014，16（6）：155-161.

[2].大數據時代高職院校網絡信息化教學模式探究[J].電子世界，2015，18（16）：86-87.

[3]左菊仙，鄧堅.大數據時代下的高職院校數字化教學模式探討[J].科技傳播，2015（10）：135-136.

[4]譚勇，劉德周.大數據時代下新型信息化教學模式發展趨勢初探[J].西南林業大學學報，2014，34（12）：1-4.

[5]薛玉利.基于MOOC的翻D課堂模式在數字電子技術教學中應用的可行性分析[J].物聯網技術，2016，6（9）：94-95.

篇6

中圖分類號：G434 文獻標志碼：B 文章編號：1673-8454（2016）06-0031-03

近二十年來教育領域發生了許多重要的變化，包括教學內容的多元化、教學方法的現代化，這些變化得益于計算機、互聯網等信息技術的長足發展。目前，信息技術的另一個制高點――大數據應用領域已經取得了突破性的進展，一個大規模生產、分享和應用海量數據的時代正在開啟。

如何有效利用這些數據，使其服務于教育領域，優化教學過程，是教育工作者們亟待解決的問題。本文闡述了數據分析在英語翻轉課堂教學中的應用，將標準化學習為主的教學方式轉變為以學生為主體的個性化教學。

一、數據分析的概念

本文應用的數據分析技術包括數據挖掘和數據呈現兩個方面。

數據挖掘，是數據庫知識發現中的一個步驟。一般指對收集來的大量數據進行分析，提取有用信息和形成結論，并對數據加以詳細研究和概括總結的過程。

數據呈現，是指經過數據挖掘以后形成的復雜信息，通過技術手段，以直觀、清晰的方式呈現給用戶，近年來數據可視化是數據呈現的一大熱點。

數據可視化技術通過計算機圖形圖像和數據技術，將數據中隱藏的信息，以交互方式形象生動地展示給用戶，輔助用戶分析數據，發現數據中隱藏的特征、關系和模式，進而發現其中蘊含的規律。

在本文中，數據分析的對象主要包括：在翻轉課堂教學過程中，教師的學習資源內容和組成成分、學生的個體學習特征庫和整體學習特征庫，以及學生在學習過程中產生的狀態數據庫。

二、英語翻轉課堂的特點

“翻轉課堂”源于美國的“Flipped Classroom”，是指重新調整課堂內和課堂外的教學模式。傳統教學模式是課堂上教師講授，課后學生通過練習消化；而翻轉課堂則以學生為主體翻轉過來，其模式是課前學生自主學習，課堂上教師引導學生內化知識。

翻轉課堂將學習的主動權從教師轉移給學生。學生在課外時間完成自主學習知識，而教師不會利用課堂的時間講授知識。教師采用任務驅動法和協作法，引導學生學習的興趣，讓學生通過實踐獲得更牢固的知識和自主的學習能力。

英語教學與翻轉課堂的完美融合，主要表現為以下幾個方面：

1.課前自主學習環節

互聯網為翻轉課堂的課前教學提供了大量的優質教學資源。教師根據教學大綱和學生的學習水平確定知識目標、能力目標和素質目標，然后通過對互聯網教學資源進行篩選形成課程學習資源庫，之后在教學平臺上，同時鼓勵學生自主查閱資料。

學生學習資源后，通過教師的系統化知識自測題，了解自己對知識的掌握程度，檢測自主學習的情況，教師也能獲得學生整體的課前學習狀態情況。

2.課上內化環節

教師對學生群體具有的共性問題進行講解，課上側重學生的語言實踐，利用團隊協作、分組對抗等生動靈活的教學方式，促進學生在課上活學活用，對知識內化。

3.課后拓展環節

教師根據課程要求和學生學習情況設計符合素質目標的課程作業，目的是讓學生把所學知識和語言練習融會貫通，鞏固學習效果。

三、基于數據分析技術的英語翻轉課堂教學

1.可用工具：Excel、Infogr 與大數據魔鏡

Excel作為常用的分析工具，可以實現基本的數據分析工作，包括數據排列、分類篩選等。同時Excel能夠完成基礎的數據可視化工作，特別是其擅長通過曲線圖、雷達圖、散點圖等多種直觀的分析圖來呈現數據中蘊含的信息。

Infogr就是信息（information）和圖像（graphic）的有機融合。在其官方網站infogr.am，教師可實現通過圖像讓繁瑣并且令人無法直接獲得結論的數據生成色彩豐富、形式直觀的信息圖，其不僅使用門檻低，而且能夠使教師和學生在短時間內獲得有效的學習狀態信息。

在本文中，主要使用Excel和infogr來制作和呈現學生個體學習特征庫，并給予個性化指導與建議。學生在閱讀自己的圖像檔案時，會用一種欣賞的態度觀看，通過仔細咀嚼啟動腦中圖像分析的成份，對自己的優點和缺點理解更深刻。

大數據魔鏡是集數據挖掘和數據呈現于一體的綜合性數據分析服務站點，主要提供數據整合、探索、挖掘、分享、控制多個角度的數據服務。教師可以利用魔鏡站點通過整合多種數據，將不同數據聯動分析出結果。通過一個直觀的拖放界面就可創造交互式的圖表和數據挖掘模型。在本文中，使用大數據魔鏡來分析教師資源的內容和組成成分，以及以時間軸為基準的學生學習行為數據庫。

篇7

中圖分類號：G4 文獻標識碼：A doi：10.19311/ki.1672-3198.2016.33.147

1 引言

管理統計學是一門應用統計學方法和理論研究經濟管理問題的應用性學科，它通過收集、分析、表述、解釋數據來探索經濟管理問題的規律，并輔助企業進行管理決策和提高管理效率。傳統的統計學關注小規模數據下的數據描述、推斷和科學分析用。與之相應，管理統計學的課堂教學主要關注統計學原理的講述、小數據的推斷分析和經濟管理問題的簡單應用。

然而，自2008年Nature雜志發表“Big data：science in the peta byte era”以恚大數據的發展方興未艾，備受學術界，企業界等關注。大數據的理念和技術不僅在互聯網、金融、機器人、人工智能等領域取得突破性進展，也將對企業的生產、經營和決策等活動帶來深刻的影響，通過對企業大數據的深度挖掘，有助于實現企業的商業價值，規避企業的決策風險，提高企業的競爭力。

大數據時代的到來，對管理統計學來說既是機遇又是挑戰，機遇在于：大數據的分析主要建立在統計學的基礎上對數據進行處理、分析，從而使得大數據可視化；而挑戰在于：當下管理統計學的教學方法和教學手段難以匹配大數據時代對數據分析從業者的要求，這就要求對管理統計學的課堂教學模式進行進一步的發展與創新，以期適應大數據背景下的新要求。

如何結合大數據時代的新要求設計合適的課堂教學模式，如何結合豐富的大數據應用案例開展課堂教學活動，如何增強大數據背景下學生的數據驅動的管理決策意識，培養適應大數據時代要求的高素質人才，這些都是大數據背景下傳統的管理統計學課堂教學模式所面臨的問題和挑戰，這也促使管理統計學教學工作者不得不去探究、優化甚至改革現有的管理統計學課堂教育模式。

2 傳統管理統計學教學模式的概述

筆者所在的教學團隊來自于武漢科技大學管理學院，承擔全院《管理統計學》課程教學任務，在教學方法、實踐教學等有較為豐富的教學經驗。然而，在多年的教學過程實踐和與學生的教學互動當中發現：現有的管理統計學教學模式盡管相對較為成熟，在培養學生的數據分析意識方面起到的重要作用，但是仍存在以下不足，而這些不足恰恰難以適應大數據背景下對管理統計學教學帶來的挑戰。

2.1 注重理論講授，忽視應用教學

受技術發展和數據規模等因素的制約，傳統的管理統計學教學大都采用理論驅動的教學模式，教師依托教材，注重統計學基本原理和方法的傳授，學生掌握基本原理，對統計學的實際應用等關注較少。

盡管管理統計學課堂教學會涉及到一定的應用案例，但是這些案例大都簡單，陳舊，數據來源單一，難以接觸實際原始數據，統計建模思路也相對固定，這些教學案例既不能反映管理統計學的最新發展和應用思想，也無法將其帶入企業經營的情景，對企業決策過程缺乏了解，這些因素都使得學生對該課程的學習興趣不高，不利于培養學生應用統計學解決實際問題的能力，進而影響課堂教學效果。

2.2 注重數學推導，忽視工具應用

管理統計學要求學生掌握一定的數學基礎，教材也都有較多的數學公式和理論推導，忽視了培養學生應用SPSSvSASvR等統計軟件工具解決統計問題的操作能力。

根據經管類專業的培養定位，對于經管類專業的學生而言，相比于統計的數學公式，真正實用的如何借用SPSSvSASvR等統計軟件工具來解決企業經營決策面臨的實際問題，尤其是在大數據背景下，需要處理海量、復雜、多源、異質的高維數據。這些是單憑數學推導和簡單的手動計算無法完成的。

近年來，大數據、互聯網等技術的快速發展催生了一類新型且前景廣闊的職業方向-數據分析師。綜合數據分析師的職業要求，可以發現，這些職位大都要求從業者了解基本的統計學原理和方法，熟練掌握SPSSvSASvR等統計軟件工具，并應用這些工具解決企業經營管理面臨的實際問題。

2.3 注重知識考核，忽視項目訓練

受限于教學管理制度和考核手段等因素，目前管理統計學課堂教學考核方式大都以閉卷為主，主要考察學生對統計學基本知識點的掌握情況，以及學生應用統計學知識解決簡單案例的綜合能力。

然而，在大數據時代背景下，除了要求掌握統計學基本原理，更應培養學生應用統計學知識解決實際問題的綜合能力，而這種綜合能力往往涉及數據獲取、數據預處理、數據探索、統計建模、模型檢驗、模型評價、模型解釋、模型部署和模型修正等數據分析的全過程，這種綜合能力的掌握是無法通過現有的知識考核來達到的，這些必然要求學生通過參與實際項目或模擬情景來實現。

3 大數據背景下管理統計學教學模式探討

篇8

“十二五”期間，我國信息產業迅速擴大、信息技術快速發展、互聯網經濟日益繁榮，并積累了豐富的數據資源，比如面向公眾的政府網站達8．4萬個、智慧城市試點近300個、網民數量超過7億、移動電話用戶突破13億等［1］；技術創新取得了明顯突破，應用勢頭良好，電信、金融、交通等行業利用已積累的數據資源，積極探索行業大數據的應用和行業服務優化；為“十三五”時期我國大數據產業快速發展奠定了堅實基礎。目前，大數據在電子商務、金融、物流、電信、醫療、教育、智慧城市等領域的應用蓬勃興起［2－4］，產業發展如火如荼，以Hadoop、Spark等開源技術為代表的技術發展日新月異［5］。由于大數據技術屬于近幾年的新興技術，目前部分高校缺乏高層次的大數據技術專業人才培養的課程體系和師資隊伍；同時，大數據不僅是停留在課堂教學層面上的技術知識，更是需要在實踐中學習的一項技能，因此為師生提供一個大數據實踐教學平臺勢在必行。

1大數據分析實驗室建設的必要性分析

1．1大數據社會產業需求分析

“十三五”時期是我國全面建成小康社會的決勝階段，是新舊動能轉換的關鍵時期，也是全球新一代信息產業處于加速變革期，以及國內市場需求處于持續增長期。我國大數據產業面臨重要的發展機遇，抓住這一機遇，推動大數據產業發展，對提升政府治理能力、優化民生公共服務、促進經濟轉型和創新發展有重大意義［1］。隨著新一代信息技術的迅猛發展，互聯網與社會各領域、各行業交融、交匯日益深化，一個以大規模產生、分享和應用數據為特征的大數據時代已經到來。2014年是進入大數據應用市場的快速增長期，同比增長80％以上，2015年后進入平穩增長階段，預計2018年全球大數據市場規模將達到超過2500億元，2015—2018年的增長率為21．8％，我國大數據市場規模將超過500億元，增長率為47．0％，是全球增長率的2．2倍［6］。

1．2學生大數據就業需求分析

目前，大數據在各個行業都得到了充分的重視，也急需大數據方面的人才。大數據人才是一個非常寬泛的概念，根據具體從事崗位不同，技能要求也會不同。從大數據崗位和技能需求的角度來劃分，大數據人才分為3類［7］：第一類是數據分析師，要求熟悉大數據的概念和原理，具有一定的數理和統計學知識，能夠熟練操作和使用數據軟件和工具，是從事大數據的初級人員；第二類是數據工程師，能夠開發和搭建數據平臺和應用，并且熟悉數據挖掘的流程和原理，為大數據技術應用在各個領域提供解決方案，要求具有軟件開發和數據分析的能力；第三類是數據科學家，要求熟悉各種大數據技術的原理和相對的優劣勢，合理利用各種技術來設計大數據平臺的架構，根據數據挖掘的使用需求和商業理解來設計和開發算法，是對數學、統計學、機器學習等多方面知識的綜合掌控的復合型人才，也是大數據分析的高級人才。大數據人才在“領英”（linkedin）和“玻璃門”（glassdoor）等人力資源和招聘網站上，長期處于供不應求的狀態。麥肯錫咨詢研究指出，到2018年僅在美國，大數據人才短缺就達到50％～60％。今日美國和彭博社等媒體一致認為，大數據人才短缺的問題短期內只會加劇而不會緩解［7］。如何從紛繁復雜的海量數據中提取有用的信息，變數據為財富，挖掘數據中的金礦，提升企業競爭力以及提高企業風險管理水平，是當前企業和院校教育工作的重要課題。

1．3學生理論學習與實踐相結合

院校開設大數據相關課程，涉及到的課程內容有數據分析、數據挖掘、編程語言、機器學習等，這些課程均需要學生具備很強的實踐動手能力，如果只是停留在理論知識上，學生也只能紙上談兵。因此，學校在開設大數據課程時，只有為學生提供配套的實踐課程，才能真正達到學以致用的目的［8－9］。建設大數據分析實驗室，從學生學習角度來講，迫切性和必要性主要在于以下幾點：第一，加強學生對知識的吸收與應用，萌發學生的創新精神，激發學生的學習動力，在實踐中，通過有趣并結合實際的案例，提高學生的興趣和分析問題的能力；第二，有利于提高學生解決問題的實踐能力，通過實驗室模擬環境，使學生能夠將理論知識用于解決實際問題；第三，增強學生的社會適應性與競爭力，通過實際案例及應用場境，使學生畢業后能夠很快融入行業環境，掌握和具備相應的技能。

2大數據分析實驗室建設目標與建設內容

大數據分析實驗室的建設，應最終為該專業人才培養方案中相應的課程服務，而人才培養方案的制訂，應該從社會需求和學生實際需要著手［10］，考慮學生學習基礎，不能盲目追求高大上。我校為應用型本科院校，注重培養學生的實踐動手能力，因此培養方案中課程的制定，也更注重實踐部分。對于大數據技術方面，我們側重于大數據的分析和挖掘，以及大數據技術和應用。課程方面，先從大數據分析和挖掘、大數據技術及應用等相關內容入手，使學生具備數據分析、數據挖掘的基本能力和大數據技術的基本原理，以及應用系統開發的能力。因而大數據實驗室的建設，也將從數據分析挖掘算法、Hadoop生態系統及開發2方面進行建設。大數據分析實驗室集硬件服務器、云計算技術、大數據技術于一身，便于計算機相關專業開設大數據教學課程。實驗室的建設內容將包含以下3方面內容：（1）實驗室硬件平臺建設：為保證實驗環境的整體搭建，需在現有實驗室基礎設備基礎上，配備必要的服務器環境、網絡環境，為搭建大數據分析實驗教學平臺，提供硬件支撐環境。（2）實驗教學平臺建設：充分利用現有硬件資源，通過Vmware等虛擬化技術構建云中心的資源池，將云存儲資源、服務器資源和網絡資源整合，在云平臺上搭建統一的大數據分析與挖掘和大數據技術及應用的實驗課程所需的實驗平臺。（3）課程資源建設：根據培養方案，開設大數據分析與挖掘、大數據技術及應用2門專業必修課程。為確保理論與實踐的緊密結合，培養學生知識應用能力，積累工程項目經驗，需要增設以上理論課程的配套實驗課。

3大數據分析實驗室實施方案

3．1大數據分析實驗室建設思路

大數據實驗室的建設是一個系統工程，主要服務于學生學習、教師教學；為了充分發揮大數據實驗室的功效和作用，可以增加一項增值服務，即在滿足學習和教學的基礎上，進一步為教師和學生提供科研服務，使得教師可在該平臺上進行科學研究和實驗，進而反哺教學（見圖1）。

3．2大數據分析實驗室建設

實驗室建設分3步走：（1）為滿足教學的迫切需求，首先建設大數據分析教學平臺，以及必要的軟硬件支撐，如課程資源，可以是真實數據，也可以是模擬數據。在該平臺之上建設數據挖掘分析平臺和大數據開發教學平臺，滿足課堂教與學的需求。（2）沙盤模擬系統建設。為了積累更多的行業數據，更好地體現大數據的特性，需要建設沙盤模擬系統，更好地服務于大數據分析和大數據挖掘相關功能的實現和操作。（3）服務科研的高級應用。通過校企合作［11］，引入企業實際工程項目，隨著系統的完善和數據的積累，教師和學生可以在該平臺上進行其他行業的科學研究和算法優化等工作，一方面服務企業，另一方面也可不斷服務創新。

篇9

中圖分類號：G64 文獻標識碼：A 文章編號：1673-9132（2016）34-0040-03

DOI：10.16657/ki.issn1673-9132.2016.34.020

一、引言

隨著大數據時代的到來，數據分析在各行業的重要性日益凸顯出來。大數據時代要求人才具有極強的“數據視野”、“數據意識”和“數據能力”，即對所處行業數據的形式種類詳盡把握，對數據的作用深刻理解，對數據分析方法和分析軟件熟練運用。其中“數據能力”是前兩者的基礎，是實現大數據所有思想和理念的根本保證，是現代經濟管理人才的重要基本素養和技能。

我國的財經類院校肩負著為社會培養經濟管理類高級專業人才的重任，在大數據時代，社會對于經濟管理類高級人才在數據分析方面的要求極大增加，現代經濟管理理論的發展趨勢也體現出越來越重視數據分析的特點。這要求人才既有深厚的經濟管理理論功底，又能夠熟練使用數據分析工具對業務數據進行分析，并得到結論。特別是在研究生教育層面，對數據分析能力培養更加重要。

然而，目前在研究生數據分析能力的培養方面各財經類院校均存在著較多的不足。首先是覆蓋面小，除各院校的統計學院（或類似學科的學院和專業）外，強調這方面能力的培養的學院和專業較少，導致研究生對數據的運用和分析能力不足；其次是形式單一，主要以課堂教學為主，完全忽視了數據分析的實踐性，教學效果不好；再次是教學所用軟件平臺薄弱，多數使用SPSS，極少數專業學習SAS，對于在學術界和業界非常流行R語言、python等平臺則少有涉及。因此，合理設計數據分析類型課程，提高經濟管理類研究生在數據分析方面的理論水平與實踐能力，是廣大財經類高校不得不面對的迫切問題。本文講就財經類高校數據分析類課程的特點、建設思路和建設方案，結合筆者在教學實踐中的一些心得談一談自己的看法。

二、財經類高校數據分析課程的特征

數據分析的目的就是從數據中提取有價值的信息，進而形成知識。因此在絕大多數專業領域均有大量的數據分析需求，對人才的數據分析能力均有較高的需求。從財經類高校的專業分布看，可以把對數據分析能力的需求分成三個不同的類型。

第一類是以統計學院、信息學院（或類似學科的學院和專業）。這兩類專業的教學主要突出理論性、基礎性和方法性，立足于對學生的“數據視野”、“數據意識”和“數據能力”進行全面訓練，使學生能夠在畢業后在任意領域迅速承擔起高級數據分析的任務。

第二類是經濟學門類的相關學科。這類學科對于數據分析教學的要求偏重應用，即學生的“數據視野”、“數據意識”，但由于部分專業（如數量經濟學）對數據分析能力要求較高，因此對于“數據能力”的培養也需要兼顧。

第三類是管理學門類的相關學科。當前的管理學實踐離不開數據，對數據分析教學主要是應用層面的。要求學生具有良好的學生的“數據視野”和“數據意識”，而對于學生的“數據能力”的培養則并沒有太高要求。

三、財經類高校數據分析課程建設的思路

基于上述分析，研究生數據分析課程建設應當采取分層設課的原則，基于不同的教學需求，設置不同的課程群。

對于上述第一類專業，需要在專業核心課程群的基礎上，重點建設大數據相關課程。如分布式計算、非結構化數據分析、R語言、python語言等。在教學中，案例化教學和上機實操應當成為教學的主要形式，尤其軟件類課程應當在機房進行，保證學生有足夠時間熟悉操作并能隨時與教師互動。

對于上述第二類專業，需要以一門基礎課程為先導（如統計學導論），在配合若干專業課與軟件課的組合，如計量經濟學、時間序列分析、縱向數據分析與Eviews、SAS和R語言的配合。在教學時，理論與實操并重，在實操方面突出學生的軟件使用能力訓練，SPSS類型的軟件不應當成為此類專業的主要數據分析平臺（學生應當在學習專業課程時自主學習使用）。

對于上述第三類專業，可以考慮以一門數據分析課程為基礎，配合合適的軟件平臺，同時在其他專業課程教學中突出各個課程的數據分析教學內容和實踐環節，既可以基本達到教學目的。這類課程教學的重點在于對數據分析方法模型的理解，切忌死記硬背，同時輔以一定的案例和上機實操。在軟件平臺使用上，以SPSS這類擁有完善的GUI環境，所見即所得的平臺為主，也可以使用R語言強大的圖形能力作為演示工具，在演示的同時潛移默化地使學生了解R系統，進而為其進一步學習建立基層。

四、財經類高校數據分析課程建設方案――以R語言課程為例

在上述三類專業的數據分析課程建設中，R語言均扮演了重要角色。因此本部分將以R語言課程為例介紹建設方案。

（一）R語言的優勢

R語言作為功能全面地數據分析平臺，在國際學術界和業界得到了廣泛的認同，是應用最普遍的數據分析軟件之一。與其他統計分析平臺（如SAS、SPSS、S-PLUS等）相比，R語言具有若干明顯的優勢：

第一，完全免費，完全開源。與SAS多達幾十萬元的價格相比，R語言是一個完全免費的平臺，且功能同樣強大。

第二，安裝簡便，更新迅速，功能完善。R語言的安裝對于硬件的需求很低，且擁有Windows、Mac、Linux等多個平臺的版本。并且R通過其大量的程序包實現了功能的擴展，用戶總是能通過下載功能包獲得最新的分析模塊。

第三，R語言是被國際學術界廣泛認可，絕大多數國際知名高校都將R作為基本的教學和科研工具。

第四，R語言既是編程語言，又是高度功能化的數據分析平臺，同時具有編程語言的靈活性和功能化數據分析軟件的易用性。

（二）開展研究生R語言教學的必要性

首先，作為一種編程語言，R語言的教學可以訓練學生抽象思維、邏輯思維能力，同時作為一種數據分析平臺，R語言可以訓練學生數據分析模型的應用能力和實際操作能力，這一功能是其他非語言類軟件系統無法實現的。

其次，在研究生教學中開設R語言課程，可以極大提升學生在求職就業、考博和出國深造方面的競爭力。由于R語言在國內外學術界和業界有著巨大的影響，因此熟練掌握R語言無疑會使我們的研究生更加具備競爭力。

（三）研究生R語言教學的現狀及改革的迫切性

從當前的教學現狀來看，R語言僅僅是少數專業才有的課程。但是基于本人這幾年的教學和指導研究生的經驗來看，當前我國財經類高校研究生的動手能力較弱。其根本原因之一是缺少數據分析能力的訓練。若要在不過分增加研究生課程量的前提下迅速提高研究生這方面能力，R語言這種將抽象思維、邏輯思維、數據分析模型和數據分析實操緊密集合的平臺是最好的選擇。

（四）R語言教學的內容劃分

R語言集合了計算機語言與數據分析系統的特點，既能像SPSS那樣通過簡單操作即得到結果，又能夠項C語言那樣進行新功能的開發，尤其是其強大的圖形能力，更為數據分析人員提供了強大的數據可視化平臺。為了能夠為學生全面地講授上述內容，需要對課時進行合理分配，輔以合理的教學模式和考核模式。下面本文將以48學時的研究生課程為例，介紹R語言課程的基本內容和結構。

1.教學內容和學時分配

第一部分，R語言簡介（2學時），介紹R語言的歷史、基本操作環境、相關網站、系統本身和軟件包的安裝方法以及參考書籍等。

第二部分，R語言的數據結構（12學時），介紹向量、因子、索引、數組和矩陣、數據框、列表等概念和相關算法。這部分是后面教學的基礎，同時也是R語言區別于其他編程語言的重要方面，在教學時要突出對因子、索引（以及利用索引實現篩選等功能）、數據框等數據結構與數據分析的關系的介紹。

第三部分，R語言的編程結構（12學時），介紹成組、選擇和循環三種結構。在這部分教學中，重點在不能按照傳統程序設計語言的模式進行教學，要突出數據分析的特征，可以考慮使用R語言自己編制景點統計方法的代碼，如最小二乘法、距離判別、快速聚類等。

第四部分，R語言的繪圖功能（12學時），介紹高級繪圖語句、低級繪圖語句、交互繪圖語句以及ggplot2軟件包等。繪圖是R語言的優勢，允許使用者自由的定義圖形，尤其是ggplot2軟件包的出現，更是將R的繪圖功能推上了新的高度。這部分不但是上述第一類、第二類專業研究生所需要掌握的內容，也是第三類專業研究生應當了解的內容。

第五部分，R語言的基本統計功能（10學時），經過前述四個部分的教學，學生已經對R語言具有了較為深入的了解，并應該具有獨立編制代碼的能力。在此基礎上，可以進行本部分的教學，即對于使用R語言實現諸如回歸分析、多元統計分析、時間序列分析的方法進行介紹。由于這一部分功能均有對應的軟件包和函數，因此在軟件操作方面非常簡單，如果跳過前面幾個步驟直接進行這部分的教學會使學生對R語言一知半解，缺少對R語言核心知識的理解。

2.教學及考核方式

由于R語言是一個操作性非常強的語言平臺，傳統的課堂教學+上機的教學模式會使得理論與實踐脫節。因此建議該課程全程在機房進行，這種教學方法的優勢有三個方面：

第一，教師講解更到位。編程類課程重要的是思考過程而不是結果，因此傳統的課堂上聽講，上機課練習的模式會使得思考過程與結果脫節。而在機房上課則可以使學生跟隨教師的講解隨時練習和實驗，使得教學效果更好。

第二，師生互動更容易。學習編程的過程就是不斷試錯的過程，學生需要不斷地從發現錯誤――解決錯誤的過程中提高能力，而在這個過程中教師與學生的互動非常重要。

第三，課堂練習更直接。課堂練習在學習編程過程中具有非常高的重要性，傳統授課模式下，無法做到當天的學習內容當天聯系，是知識技能的掌握不牢，效率低下。

在考核方面，建議采取開卷上機考核的方式。由于R語言的教學具有極大的實踐性，因此“會用”才是最終的目的。同時，由于R語言極強的可擴充性，因此單純地考查學生對于R語言中一些功能代碼的記憶沒有任何意義，采取開卷的方式，重點考查學生解決數據分析問題的能力的上級考試才能夠實現對學生R語言學習水平的測度目的。

五、結論

當今社會已進入大數據時代，任何財經類專業人才的培養脫離了數據分析類教學內容都是不能適應社會需求的。而數據分析課程的理論與實踐并重的特點，要求在教學過程中既重視數據分析理論模型的講解，又重視數據分析平臺的訓練。只有這樣，才能使得財經類人才的培養跟上市場對于人才需求內容的轉變，培養出符合市場需要的人才。

篇10

中圖分類號：G642 文獻標識碼：A DOI：10.16400/ki.kjdks.2015.11.027

Financial Statistics Talents Training Mode

under the Background of Big Data

MENG Xuejing[1][2]， ZHAO Xinquan[3]

（[1] Postdoctoral Research Station， Zhongnan University of Economics and Law， Wuhan， Hubei 430073;

[2] College of Statistics， Hubei University of Economics， Wuhan， Hubei 430205;

[3] School of Statistics and Mathematics， Zhongnan University of Economics and Law， Wuhan， Hubei 430073）

Abstract The arrival of the era of big data， financial data volume surge to financial statistics brought unprecedented opportunities and challenges. The complexity of the financial big data talent to promote a stronger financial statistical data collation， analysis and higher overall quality. Universities assume the responsibilities of professional financial statistics cultivate talent， to be able to adapt to the era of big data cultivate talent needs. This paper studies the statistics of professional training model large data finance background， make a few innovative training model， and finally gives a summary and outlook.

Key words big data; financial statistics; talent training

0 引言

金融大數據時代已經來臨。金融大數據具有數量大、速率快、多樣化、不穩定等特點，為金融統計專業提供了更加寬廣的舞臺，促使統計方法變革，提高統計數據質量，拓寬了統計數據信息的搜集渠道。

目前，數據收集、整理和分析已經成為金融機構從業者的基本要求，根據數據分析結果制定政策和法規、指導行動，在金融領域和其它生活領域發揮著重要作用。大數據時代的到來，給金融統計帶來前所未有的機遇和挑戰。一些發達國家在金融領域中對于大數據的應用走在世界前列。兩家對沖基金，位于英國倫敦的對沖基金Derwent Capital和加利福尼亞的MarketPsych用微博數據預測股市投資時機，是利用大數據進行投資并取得良好成效的成功范例。Xoom與許多擁有大數據的公司合作，開發跨境匯款異常交易報警系統，可以發現是否有犯罪集團進行詐騙。信用卡發行商VISA和MasterCard通過自己的服務網獲取交易信息和顧客的消費信息，用來預測商業發展和客戶的消費趨勢。美國第一資本銀行和美國銀行通過發行信用卡，得知客戶的消費模式，成功為客戶提供定制化服務，等等。

地方高校是培養金融統計專業人才的重要場所，面對大數據時代的挑戰，金融統計專業的一個重要職責是培養可以進行金融大數據整理和分析、能夠適應時代需求的人才，這就促使高校必須創新大數據環境下金融統計專業人才培養的模式。

1 構建金融統計專業人才培養模式的研究意義

人才培養模式是影響教育質量的重要因素之一，適應時代要求的人才培養模式是教學改革的核心內容。關于金融統計專業人才培養模式的研究，對于促進時展、提高教學質量的意義是深遠的。

（1）培養出適應大數據時展需要的應用型人才。《2013年大數據市場應用與趨勢調研報告》中指出，28%的全球企業和25%的中國企業已經開始進行大數據實踐。在金融行業，深入了解和分析海量數據，是金融機構在競爭中保持優勢的主要武器。時代的迫切需求促使高校金融統計專業必須培養出可以與社會接軌、能夠有效處理金融大數據的人才。

（2）促進師生教學觀念的轉變。哈佛大學和麻省理工學院建設的在線教育平臺及其課程，向全世界免費開放，知識傳播的形式將不斷優化、效率會不斷提高，這給傳統的學校教育帶來了機遇和挑戰。在大數據背景下，知識的獲取渠道呈現多樣化，在人才培養過程中，要有效利用知識平臺充實課堂，促進師生教與學共同進步，努力培養具有創新意識和創新能力的應用型人才。

2 構建金融統計專業人才培養模式的主要內容

高校金融統計專業人才培養要能夠跟上社會需求，根據不同學生需求特點和金融行業特色要求制定質量標準。在滿足社會對金融高素質人才需求的多樣化、層次化和專業化的人才培養模式上進一步改革和探索。

（1）改革教學模式。傳統的統計教學模式是以老師講授為主，注重概念和方法的詮釋，學生參與較少。老師在課堂上選講的例題也比較常規，關于軟件的使用主要通過Excel簡單的演示。在大數據時代，數據的復雜性和非結構性是常規例題所不能代表的，簡單的Excel演示已不能發揮作用，在這樣的背景下，統計教學模式必須改革，教師在課堂上要教會學生如何從紛繁復雜的數據庫里挖掘出有用信息，并利用統計方法對數據進行建模和分析，在課堂教學中要實現與軟件完全結合，R軟件會成為主流，它是處理大數據的有效工具。要求學生在課下通過自主學習，靈活使用R軟件進行數據處理和分析。除R軟件外，學生還要學會使用新型開發的軟件來輔助解決大數據問題，比如Hadoop、NoSQL等。

（2）改革課程體系。傳統的課程設置模式已經不能滿足大數據時代的要求，學生的實踐能力、數據分析能力、綜合素質要求更高。從這些角度出發，課程設置要強調知識的針對性，注重學生的動手能力。比如開設“數據挖掘技術”、“流數據分析技術”、“搜索引擎系統應用”等課程，通過機器學習、統計分析方法，使學生可以進行實際的數據挖掘操作，可以進行網絡分析數據。通過開設講座類課程，比如“前沿技術講座”，講授專業前沿的方法技術，同時借助實際案例向學生介紹如何使用軟件進行數據挖掘、整理和分析。在課程體系外增加第二課堂，通過統計建模大賽、市場調查大賽、社會實踐等活動，與金融機構合作，鼓勵學生自發尋找問題，解決問題，提高學生的團隊合作能力和人際溝通能力，促進就業。

（3）建設教學團隊。高校教師大多具有碩士和博士學位，自主學習能力較強，高校應該提供教師更多發展的機會和平臺。鼓勵教師參與專業相關的教學和學術會議，主動尋求專業前沿知識，努力建設高水平創新型教學團隊。鼓勵教師考取相關的職業資格證書，比如注冊會計師、數據分析師，金融分析師等。同時到企業兼職，這樣既能講授專業理論知識，又能與實踐結合，培養出實用性人才。時展迅速，教師能力必須跟上時代的步伐。通過聘請校外知名專家和企業的數據分析師到學校開設專題講座，與學生直接接觸，分享他們的工作經驗，鼓勵學生去企業實習從事相關數據分析工作，并及時反饋到人才培養計劃中。

（4）探討應用型人才培養途徑。應用型人才指的是能夠符合用人單位需求，具有較強的動手能力和較高的綜合素質的人才。高校的人才培養制度要以培養應用型人才為目標，通過教學模式、課程設置、教學內容、教學方法等手段構建應用型人才的培養模式。金融統計專業的學生，畢業后要能夠與金融機構的需求接軌，在本科學習階段通過理論課程的學習加實踐課程的鍛煉，具備綜合分析數據的能力，培養競爭意識，提高實踐和創新能力。

3 構建金融統計專業人才培養模式的創新點

在大數據背景下，金融統計專業的人才培養模式應該具備“系統知識與應用能力并重”的特色，在培養途徑、培養方案及學生管理方面可以有如下創新：

（1）培養途徑的創新：采用“1.5+2.5”模式，前一年半通識教育加專業基礎課程，讓學生具備扎實的金融理論基礎和統計基本素養;后兩年半專業教育加個性化培養，重點培養學生在大數據背景下挖掘數據、整理數據和分析數據的能力。

（2）個性化的人才培養方案：對于優秀的本科生采用本科生導師制，進行“一對一”的個性化培養，與導師合作課題，讓學生參與到課題調研，提高學生的動手能力。

（3）學生管理方面的創新：鼓勵學生自由發展，積極學習其它專業學院課程，到金融機構實習鍛煉，增強團隊意識，提高學生的綜合能力。

4 結語與展望

隨著信息技術和移動互聯網的發展、金融業務和服務的多樣化、金融市場的整體規模擴大，金融行業的數據收集能力逐步提高。金融業擁有所有交易數據等結構化數據和客服音頻、網上銀行記錄、網上商城記錄等非結構化數據。金融大數據時代已經來臨。麥肯錫的研究顯示，金融業在大數據價值潛力指數中排名第一。金融領域統計精英人才目前比較稀缺，通過應用型人才培養模式的研究，培養出高質量的學生，可以及時為社會所用，提高學校的就業率。為解決大數據特征新衍生出的問題，需要在系統架構、數據倉庫、數據挖掘分析等方面有所突破，對人才素質的要求更高。高校是培養金融大數據分析人才的儲備庫，培養出的金融統計人才不僅對金融業務有較深的理解，還要具備很強的數據建模、數據挖掘和數據分析的能力。這就促使高校金融統計專業人才培養模式的改革與探究，培養綜合性的大數據分析人才是高校金融統計專業努力的方向。

本文系國家社科基金課題“大數據背景下金融統計方法研究”（項目編號：14CTJ008）的階段性研究成果之一

參考文獻

[1] 史修松.大數據環境下地方高校應用人才培養初探[J].理論觀察，2013.11：134-135.

[2] 陶皖，楊磊.大數據時代對高校人才培養模式的影響――以信息系統專業為例[J].電腦知識與技術，2013.9（28）：6340-6342.