应用型人才培养模式下的统计课程教学(共2815字).doc

应用型人才培养模式下的统计课程教学(共2815字)应用型人才培养模式下的统计课程教学 摘要大数据的快速发展正引领着行业的大变革，也催生了新的职业，譬如数据科学家。在应用型人才培养模式下，我们在课程教学方式上倡导探究式学习，在教学内容上要更加贴合实际，以帮助学生更好地掌握专业知识并培养自我学习的能力。这是统计学专业的机遇，也是挑战。关键词应用型人才；探究式学习；大数据引言科技的发展使得海量数据得以存储。在各行各业每天都在产生大量数据。海量的数据形成了一种特殊的资产。如何利用和挖掘数据的价值是众多企业的一项重要工作，因此近年来对于数据分析人员的需求极大地增加。查询网站glassdoor可以发现DataScientist（数据科学家）以平均约11万美元的年薪连续4年（20162019）位列全美最好工作榜第一名。统计专业知识是该职位的重要技能之一。数据分析在很多领域都有着重要应用前景，比如医药健康-、金融市场-、智慧城市-10等。科技的日新月异对应用型人才的培养提供了方向，同时也提出了新的要求。以下从课堂教学方面来探讨如何提升学生的课程应用能力。在本科阶段，统计学专业或应用统计学专业通常会学习概率论与数理统计等基础核心课程。在这基础上，学生还会进一步学习多元统计分析、统计软件及其应用等应用类课程（以笔者所在学校为例）。对于多元统计分析，教师通常会讲授常用的统计分析方法，例如聚类分析，主成分分析等，并以具体的案例分析作为辅助。对于统计软件及其应用，教师通常会讲授R软件的使用以及数据分析的应用案例。教学内容通常会按教材的章节顺序来安排。针对某个教学内容，例如聚类分析，在讲完该方法的数学模型之后通常会给出一些例子来说明该方法的应用。从教学反馈来看，当讲授应用例子时学生的兴趣明显高涨，但学生对于知识的掌握更多地停留在浅层，即仅会仿照课堂演示或教材给出的实例，很难做到灵活应用。为此，笔者认为目前的教学模式可以做如下改变。一、教学方式的转变根据教育部、国家发展改革委、财政部的关于引导部分地方普通本科高校向应用型转变的指导意见，“以社会经济发展和产业技术进步驱动课程改革，整合相关的专业基础课、主干课、核心课、专业技能应用和实验实践课，更加专注培养学习者的技术技能和创新创业能力。”事实上，在智联招聘中搜索数据分析岗位，在招聘要求这一项里主要有熟练使用R或Python等统计软件以及SQL等数据库软件，其次是业务与数据的整合能力。后者也就是根据具体问题进行数据挖掘、分析的能力。在教学中应当有意识地加强这方面的训练。以往的教学通常是以教师为主，讲授数学模型然后举例说明。我们可以引导学生进行探究式学习，在一个问题上进行多方位的讨论11。以课程多元统计分析为例，在学习主成分分析、因子分析时，学生经常会混淆这两种方法，或者只会依葫芦画瓢。我们可以选取几组数据集，将学生分成AB组，A组的学生用主成分分析，B组的学生用因子分析。对于每一组数据，让A，B组的学生分别讲解分析结果，并说出与对方结果的不同点，同时结合具体的背景知识讨论哪种方法更加合理。学生能够在这样的课堂讨论下逐步体会两者的差异之处，从而更加透彻地理解如何灵活运用不同的统计方法。这样的课堂设计由教师为主转变为以学生为主。需要注意的是，尽管在课堂内教师的角色弱化了，但在课堂设计方面需要花费更多的时间。比如，如何组织学生展示，以及有效地引导学生讨论。为更好地与就业相衔接，在展示作业过程中，应当给予学生充分的展示机会。比如每堂课安排15分钟，每人3分钟。这样在一个学期中基本上每个学生都能有两次机会进行口头汇报。教师应当在每次展示后给予一些点评，比如哪些地方值得表扬，哪些地方需要改进。同时鼓励学生多讨论，这样也能够促进学生之间相互学习与进步。二、教学内容的转变在前面我们提到压缩基础内容的讲解，那么我们就有充足的时间进行探究式学习。教师需要在学习内容的安排方面做大量的工作。比如，在选取实例时，尽量使得该例子能够适用于多个章节，从而学生能够对于一个问题有较为深入的研究。同时，考虑到学生的兴趣，我们可以提供不同类型的数据供学生自由选择。由于受到课时的限制，可以让学生自由组队完成，尽量以35人一组。在课程初始阶段进行组队与选题，然后分阶段汇报。教师可以在每一阶段开始时布置任务，比如选择数据集、清洗数据、描述性分析、建模、模型改进和评价。每个阶段给予一至两周时间。将一个完整的数据分析过程分割为多个小的阶段，有助于学生建立数据分析思路。小组学习的方式可以使得学生在有限的时间里取得较高的完成率，同时也能够培养学生团队合作的意识。这些能力也是在工作中不可或缺的12。这样的转变是目前大数据时代下的客观需要。当前数据的获取越来越方便，随之而来的是数据的类型越来越多样化13。因此，分析数据所使用的统计方法也不局限于一种，可以多种方法结合使用或者是着眼于不同的点来分析。在选取应用例子时，一些数据竞赛比如天池、Kaggle会不定期开放数据集供学生练习。教师在授课时可以有意识地选取一部分数据。例如Kaggle网站上有观影数据、埃博拉感染数据、信用卡反欺诈数据等多种类型的数据集14。对于这些数据集的分析方法可以用到多元回归分析、主成分分析、聚类分析等多种常用统计方法。通过引导学生详细比较不同的统计方法得到的分析结果的差异性，帮助学生进一步掌握所学知识，培养学生灵活应用专业知识的能力。三、结语综上，在大数据背景下，统计学专业应用类课程的教学转变以探究式学习为主，有利于培养学生的自主学习能力。大数据的蓬勃发展让统计学专业的学生迎来了更多的工作机会，也遇到了更多的挑战。比如对于文本数据的分析通常会用到LDA主题分析，但在课程学习中可能并没有涉及这方面的知识。如果工作中需要，那么学生要能够自行查阅资料并学会运用。另一方面，教学内容上要适当引入较为复杂的数据集，精心设计教学过程。从而，学生能够在有限的课程教学时间里体验完整的数据分析流程。此外，我们也鼓励学生多参与一些数据竞赛，例如大学生数学建模竞赛、天池大数据竞赛等。有研究表明，通过参与数据竞赛能够提升学生的综合能力15，多方面提高自身的综合素质，为将来就业做好准备。第 5 页 共 5 页