前言:我们精心挑选了数篇优质统计学的数据分析文章,供您阅读参考。期待这些文章能为您带来启发,助您在写作的道路上更上一层楼。
关键词:大数据时代;大数据;统计学;
一、大数据与统计学
(一)大数据与统计学关系密切
简单来说,我们可以分为两个方面来理解大数据:若“大数据”作为形容词,则描述的是大数据时代数据的特点;若“大数据”作为名词,则体现的是数据科学研究的对象。对大数据的定义有非常多,不同领域不同专业对大数据的界定都会有些许不同。通俗地说:大数据是目前人类所有可抓取、可记录、可存储的信号集合。这个包含了一切信号的集合将非常非常之庞大、多样、繁杂,并且还在不停地、迅速地增加。现代互联网和信息技术的飞速发展,使得人类开始有能力收集、储存、分析、处理这些从前无能为力的数据,从中挖掘出有用的信息促进社会的发展。迈尔•舍恩伯格说:大数据发展的核心动力就是人类测量、记录和分析世界的渴望。而统计学正好是收集、整理、分析、解释数据并从数据中得出结论的科学。由此可见大数据与统计学关系密切,将大数据与统计学结合发展潜力无穷。
(二)大数据时代下的非结构化数据与结构化数据需整合
对接统计研究可根据自身的目的收集总体数据或样本数据,但如果总体太过庞大,以过去的技术方法来收集总体数据成本会很高,受于限制统计研究更多收集得是样本数据。如今,人类已经开始能够在合适的成本下获得大数据,大数据的广博给统计研究带来了新的发展方向。我们需要着重研究的一个方向就是如何将结构化数据和非结构化数据对接。大数据的核心是数据,统计学的研究对象也是数据,但是它们获得的数据性质有所不同:大数据收集的多是半结构化和非结构化的数据,通俗地理解,先获得数据,再整理结构(如声音、图片、视频等信息);传统统计学收集则主要是结构化数据,先定好结构,再根据目标结构收集数据(如数字、符号等信息)。拿非结构化数据和结构化数据来说:大数据时代使得我们有更多可以分析利用的数据,使得统计研究不仅可以在有更多的结构化数据的情形下进行;对于一些领域的研究工作还可以设法将非结构化数据和结构化的数据结合起来分析。如何实现非结构化数据与结构化数据的结合?首先,完善非结构化数据的整合,然后我们可以用结构化数据做数量说明,非结构化数据加强描述;或是提高数据处理技术,实现结构化数据与非结构化数据的互相转化,选择能更好说明问题的数据形式作为后续分析基础。这都是值得再深入思考研究的新问题,而且这不仅仅是大数据和统计研究的事,同时需要计算机技术的一同创新发展。统计研究的范围在大数据时代越来越大,能用数据说明的问题越来越多。
(三)大数据时代下的相关分析与因果分析发展并重
《大数据时代》一书中表示:大数据时代的一个显著变化是:相关分析比因果分析更重要。我的看法是:大数据时代下,市场确实会对相关分析有着更强的关注度,但这并不意味着因果分析的重要性会有褪色。统计学中既有相关分析,也有因果分析,要对它们有合理的了解,首先需要明确的是相关关系和因果关系之间的联系,简单说:有相关关系不一定有因果关系,有因果关系则一定有相关关系。大数据时代,相关关系变得比以前更加为人所关注的原因:一方面,在很多领域的应用里,相关分析比因果分析更简单可行;另一方面,因为相关关系足以体现事物之间的一定联系,在商业效益上更为经济有效。因此在商业利润的推动下,相关关系也会更加受到青睐。但是我们不能就此否定因果关系的重要性,因果关系是对数据更加深度地分析:相关关系让我们知道了“是什么”,因果关系是让我们知道了“为什么”。倘若只是在商业经济上的利用和成本考虑,“是什么”在很多时候就以足够;但如果是在科学研究领域,“知其然而不知其所以然”就远远不够了。结合现实发展需要,可在分析确定相关关系后,根据情况研究因果关系,若能够得出因果关系,那肯定是更具价值和意义的。探求“为什么”始终是人类探索世界的动力,因果分析是人类永恒的使命。
二、结语
大数据时代的到来几乎对每个领域都有着不可忽视的影响。大数据与统计学关系密切,大数据的出现对统计学的意义是非凡的,我们应把握住大数据时代和统计学的可结合点。其一,完善非结构化数据的整合,深入研究如何实现非现结构化与结构化数据的对接,都需要我们思维上的创新、数据处理技术上的提高。其二,在注重相关分析的同时,不能丢掉对因果分析的研究,应合理并重,实现大数据的进一步利用,真正挖掘出数据的价值。对于以数据为研究对象的统计学科,大数据时代就是统计学变革创新的时代,统计研究工作人员也应把握机会思考创新,为统计学增添新的生命力。
参考文献:
[1]朱建平,张悦涵.大数据时代对传统统计学变革的思考[J].统计研究,2016(02):3-9.
[2]朱建平,章贵军,刘晓葳.大数据时代下数据分析理念的辨析[J].统计研究,2014(02):10-19.
【关键词】数据分析;实践;统计
中图分类号:G635.5 文献标识码:A 文章编号:1671-0568(2015)36-0122-01
我国相关教学制度规定,在数学教学中,必须重视对学生空间观念、数据分析观念及推理观念等的培养。数据能够帮助学生正确判断学习及生活中的相关问题,从而做出正确抉择,数据现已充斥着整个社会,因此,现代公民必须重视对数据分析、数据收集及数据整理等能力及观念的培养,从而提升自身决策的合理性与准确性,实现数据的有效传输与表达。
一、数据分析观念内涵
数据分析观念主要是指现实生活中人们在解决相应的问题时,需要对与问题相关的数据等进行调查研究,同时,通过对相关数据的分析理解其中的内涵,找到解决问题的方法。在数据分析过程中,同样的数据有多种数据分析方法,这就需要相关人员根据相关问题的具体要求选择合理的分析方法。数据分析是统计的核心要素,因此,数据分析内的相关要素及相关内涵主要包含以下几个方面:
1. 具有数据相关意识
数据的应用充斥着人们的现实生活与学习,要合理、准确地解决现实问题需要有数据意识。在解决问题之前,需要对信息及数据进行收集,同时,学生根据数据提炼内部的相关信息及有效数据,帮助学生高效解决相关问题。
2. 选择合理的数据搜集与分析方法
分析与整理相同数据具有多种分析方法,这就需要学生对相关问题进行分析从而选择最合理的方法。例如,在对数据统计中的统计图表进行绘制时,往往具有多种图表表现形式,但是学生在进行相关统计图表选择时会选用最佳的统计图表,如在对相关数据中的数量关系进行统计时,则可选用条形统计图,若表现各数据在整体数据中所占比例时,则可选用扇形统计图。
3. 通过数据分析体验随机特征
数据的随机性主要是指在解决同一问题时,其收集到的数据可能存在差异性,另一方面是指足够的数据中具有相关规律。例如,探究数学学习中关于学习知识点需要用多长时间时,就可以对数据进行统计。在统计过程中,会发现每天的知识点、学习时间具有差异性,但在多次试验之后便可发现其中的相关规律。数据虽然具有随机性,但在多次试验验证后其数据又具有相对稳定性。
二、在统计教学中培养学生数据分析观念的途径分析
1. 引导学生基于现实参与数据收集及分析活动
在统计学教学中,教师可以积极引导学生参与数据收集及分析活动,促进学生数据分析意识及分析观念的形成。学生数据分析观念的养成首先需要数据分析意识的养成,学生在遇到困难时,可产生利用数据解决问题的意识,因此,教师在具体教学中可依照实际生活设计具有现实意义的数学实际情境,这样可以最大限度地激发学生完全投入到统计活动中,使学生通过实际情景对数据进行收集、整理、分析并做出解决问题的最终决策,通过在活动中的实际体会逐步促进自身数据分析观念与分析思维模式的养成与提升。
2. 重视情感作用,激发学生的求知欲望
在统计教学中,学生良好的学习情绪以及强烈的求知欲对其学习进步以及智力开发具有非常重要的影响,在数据分析观念的培养过程中,重视对学生情感的教育与引导可使学生尽快进入学习状态,营造轻松、和谐的教学氛围,将学生带入教学情境中,不仅有利于教学工作的开展与教学任务的实现,同时还有利于良好师生关系的形成。
在“统计”课程教学之前,教师在课堂中可以进行情境创设。例如,周末组织班级学生外出郊游,要求学生思考郊游的地点及郊游活动应怎样选择。此时,学生因听到有关游玩的话题比较兴奋,便积极地展开讨论,教师再对学生进行统计课程带入教学,这样,不仅使得课堂变得生动、活跃,使学生的积极性增强,为课程的展开创造了良好的环境,使教学内容更易开展。
3. 引导学生掌握数据收集、整理及分析等方法
在数学统计学教学中,常用的数据收集方法一般为直接获取数据的方法,包括实验、调查,等等,同时也包括资料翻阅等间接获取方法。收集数据工作结束之后,需要对看似杂乱的数据进行整理、分类,在对数据进行描述时,常用的方式主要有计数、统计图等,因此,需要学生认识条形统计图、扇形统计图及折线统计图等统计方法,并运用以上方法对数据进行有效分类,同时还可运用自身语言知识解释其含义,分析数据主要是指对数据进行简繁分析并达到交流作用。数据分析过程是复杂的思维分析过程,在问题解决的过程中,教师应引导学生根据问题的具体情况选择合理的分析方式,从而使学生在学习中不断完善自身的想法并实现对数据分析方法的有效掌握。
例如,对班级学生身高进行分析与相关问题探讨:某小学某班级中学生的身高在134~160cm之间,学生根据班级身高记录单对班级中学生的身高进行分析统计,从而得出学生中最低身高为134cm,最高身高为160cm,若要选择参与跳高的运动员时,学生可以通过数据进行探讨,并对学生的身高按照从高到低的顺序进行排列后选出多名身高最高的学生,之后再对整理数据的作用进行相应分析。
4. 引导学生重视数据随机性,使学生全面认识数据
教师在对学生进行数据分析观念的培养中,需要选择适当的问题对学生进行数据随机性体验。例如,在对学校校门口一天之内各个时段的人流量统计活动中,教师可引导学生选用合适的方式进行人流量的统计与记录,同时在开展该活动中,学生还应考虑数据的有效性及数据所需时间,等等,引导学生在所监测的不同数据中找寻相应规律,最终顺利解决问题。
在数学统计教学中,学生数据分析观念的培养,是统计学与概率学教学的开展基础,同时也是数学问题解决的有效观念之一。在对学生进行数据分析观念的培养中,教师应重视对学生具体实践教学的开展及数据统计方法的教授,使学生选用最合理的数据整理、分析等方法,从而促使学生数据分析统计思维的养成,实现数学教学的最终目标。
参考文献:
[1] 范明明.中小学生数据分析能力的培养研究[D].武汉:华中师范大学,2014.
关键词:数据分析;统计学;课程体系;大数据
中图分类号:G642.0 文献标志码:A 文章编号:1674-9324(2014)49-0248-02
随着社交网络的逐渐成熟,移动带宽迅速提升,云计算、互联网应用的丰富,更多的传感设备、移动终端接入到网络,由此产生的数据及增长速度将比历史上的任何时期都要多,都要快。“大数据”时代已经来临,它对人类的数据驾驭能力提出了新的挑战,也为人们获得更为深刻、全面的洞察能力提供了前所未有的空间与潜力。大数据是指海量数据集,其来源包括动漫数据、企业IT应用带来的数据、博客、点击流数据、社交媒体、机器和传感数据等。它是互联网、电子商务的又一次重大革命,对数据处理、数据挖掘、数据分析提出了新的挑战。如今互联网行业、电子商务行业中的数据应用及分析已经相当普遍,为了应对大数据时代的要求,同时要具备较强的统计学功底和娴熟的计算机软件运用能力,而今完全具备这些能力的数据分析专业人才是极其匮乏的。数据分析师便应运而生,不仅互联网行业、电子商务行业需要大量的数据分析师,近年来项目数据分析事务所不断涌现,而项目数据分析师因其专业技能及量化的数据分析为客户以及所在单位控制决策风险、保证利益最大化而备受各界青睐,以待遇优厚和地位尊崇而闻名国际,也被视为我国21世纪的黄金职业。《华商报》将项目数据分析师纳入了新七十二行,《HR管理世界》将项目数据分析师评为七大赚钱职业。本文就如何在统计学专业开展数据分析方向进行了阐述,首先论述了数据分析的重要意义,其次讨论了数据分析方向的课程构建,最后分析了如何加强理论与实践环节的结合。
一、数据分析的重要意义
大数据预测美国总统:美国时代周刊报道称,数据驱动的竞选决策才是奥巴马竞选获胜的关键。数据分析团队在筹集竞选经费、锁定目标选民、督促选民投票等各个环节的决策中都发挥了重要作用。这意味着华盛顿竞选专家的作用极具下降,能够分析大数据的量化分析家和程序员的地位却大幅提升。如今从事专业数据分析工作的企业如项目数据分析师事务所、数据挖掘公司等都应市场需求而大力发展,并且受到风险投资的青睐。如美国社交数据挖掘公司Datasift于2012年宣布,获得1500万美元风险投资。2013年,DataSift成为Twitter的“认证合作伙伴”,主要负责海量微博社交数据分析。这是该公司今年第二笔融资,五月份其曾融资720万美元。又如面向开发者的大数据应用软件平台服务提供商Continuity最近获得1000万美元的融资,目前融资总额已经达到1250万美元。
数据分析的应用无处不在,那什么是数据分析呢?数据分析就是用适当的统计方法对数据进行分析,以求最大化地开发数据的功能,发挥数据的作用。是为了提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。数据分析技术不仅能通过对真实数据的分析去发现问题,还能够通过经济学原理建立数学模型,对投资或其他决策是否可行进行分析,预测未来的收益及风险情况,为做出科学合理的决策提供依据。在提高工作效率的基础上,也增强企业管理的科学性。无论是在国家政府部门,还是企事业单位中,数据分析工作都是进行决策和做出工作决定之前至关重要的一个环节。因此,针对项目可行性、风险承载力、投资回报率以及相关经济效益指标等方面的分析工作显得格外重要。在这个工作过程中,专业的数据分析人员扮演着无比重要的角色,数据分析成果的质量高低直接决定着项目投资、企业经营决策计划最终的方向。所以,各个行业对数据分析人员的需求之多是不言而喻的。传统行业,如政府机构:一类是计委、经委、统计局等一些经济综合管理部门所设有的调研处、研究室和情报所。第二类是商业、粮食、物资、银行等经济主管业务部门会设有信息中心或调研室,从本系统、本部门的业务出发进行专业性调研,提供支持本部门的市场信息。而伴随着数据分析应用的扩大,其在新兴行业中也得到了发展,如计算机软硬件及IT行业、电子商务与网络游戏、金融保险、消费品、咨询业与广告媒体、大型设备与重工业以及房地产行业等对数据分析师的需求量很大,尤其是电子商务,由于利用互联网,能够比传统零售业具有更好的数据收集和管理能力,能积累海量的数据,因此更看重从海量数据中挖掘出用户偏好和市场机会。研究机构:比如市场研究公司、咨询公司、证券公司、研究院。自主创业:取得注册项目数据分析师(CPDA)资格证可以自主创建或就业于项目数据分析师事务所等。所以,数据分析的行业应用是极其广泛的,并且随着大数据时代的到来,数据分析尤其是数据挖掘将借助互联网的发展,逐步形成人们依靠的重点,并可能成为未来发展与竞争的重点之一。由此我们可以看到数据分析师的就业前景是非常广泛而乐观的,无论是数学专业、统计专业,还是计算机专业的学生,都可以通过系统的学习数据分析课程来适应对数据分析人才的要求。
二、课程体系构建
1.主干课程。主干课程包含高代、数分、概率论、数理统计、多元统计分析、时间序列分析、市场调查与分析、统计预测与决策、数据结构、C语言、数据分析、数据挖掘、大数据分析与展示。理论课程的学习可以使学生了解数据分析的基本内容,学会如何对已获取的数据进行加工处理,如何对实际问题进行定量分析,以及如何解释分析的结果。掌握几种常用数据分析方法的统计思想及基本步骤,并具备一定的分析论证能力。
2.实验课程。数据分析的操作离不开计算机。目前数据分析行业常用的一些统计软件有SAS、SPSS和R软件。SAS软件是一个模块化、集成化的大型应用统计系统。它的功能包括数据访问、数据储存及管理、应用开发、图形处理、数据分析、报告编制、运筹学方法、计量经济学与预测等。SPSS软件是一个社会科学统计软件包,是采用图形菜单驱动界面的统计软件,SPSS的基本功能包括数据管理、统计分析、图表分析、输出管理等。R软件是一套完整的数据处理、计算和制图软件系统,包括:数据存储和处理系统、完整连贯的统计分析工具、优秀的统计制图功能、可操纵数据的输入和输入等功能。这三个软件在数据分析中针对不同行业的需求有不同方向的应用。
3.专业课程。从数据分析的行业需求出发,好的数据分析人员不仅要有较强的数据分析能力,还要有该行业的背景及相关知识的储备,这样才能将数据分析与行业特性联系起来,发挥数据分析的最大功能,即所谓的“因地制宜”。同时要兼顾学生的兴趣与学习的联系,需提供多领域的课程选择,如:经济学、金融学、保险学、管理学、会计学等。而在软件学习方面也要拓宽渠道,除了实验课程安排学习的软件,学生可根据自身发展意向再多掌握一些软件如:SQL数据库,熟悉office常用功能,尤其熟练运用Word和PowerPoint、Excel图表及数据分析等。同时还应该结合对数据分析师的要求设置一些相关课程:投资数据分析、市场调研与预测、预测技术分析、现金流量表编制、风险投资项目筛选、不确定性分析、编制数据分析报告等。
三、实践环节
培养数据分析的专业型人才目的就是为了学以致用。数据分析本身就是为了从数据中发现问题、建立模型、预测收益风险企业决策进而做出合理正确的决策判断。因此,学习了基本的知识和技能就要运用到实际操作中。学校可以和本地的数据分析事务所,或者大量需求数据分析人员的互联网行业建立实训基地,进行合作式教学,使得学生在实习的过程中能够理论联系实际,切身体会数据分析的商业操作体系,这样就能够促进学生有目的、有取舍地针对自身情况学习钻研,继而就能够培养出适应经济发展,满足市场需求的应用型人才。
四、结语
在大数据时代到来之时,数据分析在互联网中的应用将会空前广泛,与此同时对数据分析师的需求也将会井喷,无论是在军事、工业、企业还是在政治上,大数据分析都将会十分紧缺。因此,目前对数据分析师的培养刻不容缓。本文从分析数据分析行业发展及其重要意义、数据分析专业课程设置以及教学实践环节方面对构建数据分析课程体系进行了探讨。不仅从教学课程的内容上予以安排,而且更加注重引导学生自主学习,特别强调理论结合实践的合作式教学。希望能够结合行业需求合理地构建课程,培养出专门从事数据分析的项目数据分析师,从而能够满足市场需求和自身发展。
参考文献:
[1]范金城.数据分析[M].科学出版社,2010.
[2]http:///jrt/120922/70953.shtml
关键词:数据挖掘;统计学;比较
中图分类号:TP311.131文献标识码:A文章编号:1007-9599 (2010) 06-0000-01
Comparison of Data Mining and Statistical Analysis
Kong Pengxiang
(Laiwu Iron&Steel Group Co, Ltd.,Training Centre,Laiwu271104,China)
Abstract:Data mining from statistical analysis,but different from the statistical analysis.Data mining is not intended to replace the traditional statistical analysis techniques,on the contrary,statistical analysis of data mining is an expansion and extension.
Keywords:Data mining;Statistical analysis;Comparison
随着科学技术的发展,利用数据库技术来存储管理数据,利用机器学习的方法来分析数据,从而挖掘出大量的隐藏在数据背后的知识。这种思想的结合形成了现在深受人们关注的非常热门的研究领域:数据库中的知识发现――KDD(Knowledge Discovery in Databases),其中,数据挖掘技术便是KDD中的一个最为关键的环节。
一、数据挖掘简介
(一)数据挖掘的含义和功能
数据挖掘―DM(Data Mining)就是从大量的、不完全的、有噪声的、模糊的、随机的数据中,提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。数据挖掘是一门交叉学科,它汇聚了数据库、人工智能、统计学、可视化、并行计算等不同学科和领域,近年来受到各界的广泛关注。
一般说来,数据挖掘是一个利用各种分析方法和分析工具在大规模海量数据中建立模型和发现数据间关系的过程,这些模型和关系可以用来做出决策和预测。它强调对大量观测到的数据库的处理。它是涉及数据库管理、人工智能、机器学习、模式识别、及数据可视化等学科的边缘学科。
作为一门处理数据的新兴技术,数据挖掘有许多的新特征。首先,数据挖掘面对的是海量的数据,这也是数据挖掘产生的原因。其次,数据可能是不完全的、有噪声的、随机的,有复杂的数据结构,维数大。最后,数据挖掘所采用的技术涉及到:数据库、人工智能、统计学、可视化、并行计算等不同学科和领域。
二、统计学的含义
统计学最初是作为一门实质性科学建立起来的,它从数量上研究某类具体的现象(如社会经济发展)的规律,但是,随着统计学研究范围的不断扩大以及统计方法在社会领域和自然领域内的有效应用,加之统计方法体系本身的不断发展和完善,使得统计学的研究对象也发生了变化。统计学已从实质性科学中分离出来,转而研究统计方法,成为一门方法论的科学。即统计学是研究如何搜集数据、整理数据和分析数据的一门方法论科学。
从本质上看,统计工作的核心就是数据(或者信息)的采集、分析和处理,正如权威的不列颠百科全书将统计定义为“statistics:the science of collecting,analyzing,presenting,and interpreting data”即“统计:收集、分析、表述和解释数据”
三、数据挖掘与统计学的比较
数据挖掘来源于统计分析,而又不同于统计分析。数据挖掘不是为了替代传统的统计分析技术,相反,数据挖掘是统计分析方法的扩展和延伸。大多数的统计分析技术都基于完善的数学理论和高超的技巧,其预测的准确程度还是令人满意的,但对于使用者的知识要求比较高。而随着计算机能力的不断发展,数据挖掘可以利用相对简单和固定程序完成同样的功能。新的计算算法的产生如神经网络、决策树使人们不需了解到其内部复杂的原理也可以通过这些方法获得良好的分析和预测效果。
由于数据挖掘和统计分析根深蒂固的联系,通常的数据挖掘工具都能够通过可选件或自身提供统计分析功能。这些功能对于数据挖掘的前期数据探索和数据挖掘之后对数据进行总结和分析都是十分必要的。统计分析所提供的诸如方差分析、假设检验、相关性分析、线性预测、时间序列分析等功能都有助于数据挖掘前期对数据进行探索,发现数据挖掘的题目、找出数据挖掘的目标、确定数据挖掘所需涉及的变量、对数据源进行抽样等等。所有这些前期工作对数据挖掘的效果产生重大影响。而数据挖掘的结果也需要统计分析的描述功能(最大值、最小值、平均值、方差、四分位、个数、概率分配)进行具体描述,使数据挖掘的结果能够被用户了解。因此,统计分析和数据挖掘是相辅相成的过程,两者的合理配合是数据挖掘成功的重要条件。
四、小结
数据挖掘理论与技术的产生,促进了统计学发展的同时,也提出了更多的挑战。如何更好地使用数据挖掘和统计为解决社会实际问题做出贡献,是统计学家和数据挖掘研究者共同关心的话题。数据挖掘和统计学应该相互学习和渗透,各自分工,协同工作,共同为挖掘隐藏在复杂现象背后的有价值的知识贡献力量。
参考文献:
[1]Jiawei Han,Micheline Kambr.数据挖掘――概念与技术(影印版)[M].北京:高等教育出版社,2001
[2]韩明.数据挖掘及其对统计学的挑战[J].统计研究,2001,8
大数据一词是由英文单词“Big Data”翻译而来。大数据时代的到来既是信息技术领域的一场持久而深刻的变革,更在全世界范围内开启了思想的剧变,从而成为引领社会实现新兴技术不断向前发展与变革的利器,深刻地影响着人们的生产与生活。“当今社会已经迈入了大数据时代,大数据已经渗透到当今所有的行业和业务领域,成为重要的生产因素。”[1]在这个宏观背景下,大数据的社会价值和科学价值的不断得到彰显与利用,给高校的教育与管理也带来了新的机遇。教育领域的大数据运用有其自身的特点,在高校的实现应当侧重从学生的学习过程、日常生活的微观表现进行测量,开展精准的“学生画像”,有效分析與预测研究对象的学业完成进度与趋势,从而为学校教育教学质量提升和学生教育管理服务提供保障。
目前,国内不少高校通过利用大数据技术,深度挖掘在校大学生的行为数据,但每个学校都因有自身不同的办学特色和现实情况,如何结合学校信息化校园建设,开展针对在校学生的行为数据分析与研究,帮助教学、学工等相关部门提供可视化图表的方式呈现数据分析结果和学业预警等相关意见,从而为学校教育与管理服务,提供决策建议与意见,具有强烈的现实意义和广阔的应用前景。
2 一卡通数据系统分析云平台
本文以围绕学院校园一卡通系统建设,开展智慧校园和智慧管理研究,通过对学生教室考勤、宿舍门禁,校园消费、上网记录、奖励资助及购水购电等信息,关联学生教务、图书及其他物联网等应用系统后台数据库,结合系统基础数据库的表结构特征和关键字段,设置相应的逻辑关系和判断条件,通过校园一卡通大数据分析云平台,从学生学业警示预警、个性化学习、上网行为、消费行为、奖惩资助和就业帮扶等六个维度,使用聚类、关系规则和序列模式挖掘等技术指标与手段,开展深度数据分析与数据挖掘,形成可视化图表的方式呈现出数据分析的描述结果,给出相关的建议结论或预警意见,供班导师、辅导员、相关职能部门查看与使用,从而为学校教育、管理与服务提供决策支持和智慧服务。[2]
3 学生行为大数据分析
3.1 学业警示预警分析
基于一卡通数据系统分析云平台关联学生教务系统,系统管理员根据权限可以实现实时查看学生个人学业完成及积欠课程的情况,各班导师或辅导员可以统计与分析相关专业学生的学业完成度统计数据,结合学生的课堂考勤、心理测评、图书借阅、重修课程、上网数据等对学生的失联、留级及预判延长学制、不能毕业等情况予以预警。根据动态分析数据,班导师和辅导员可以及时与学生本人、任课教师和学生家长取得联系,帮助学生分析和查找问题,指明努力方向。
3.2 个性化学习分析
基于一卡通数据系统分析云平台结合学生选修课程、个人兴趣与综合评估,分析学生个人现状及特点,通过大数据分析,给予相关培养建议,从而围绕校园数据资源,指导学校相关职能部门定期向学生推送个性化的网络教学资源、网络书籍与纸质图书资源、兼职与就业招聘信息等,提高课外阅读量和专业学习水平,从而实现个性化教学指导与帮助。
3.3 上网行为分析
基于一卡通数据系统分析云平台对学生的上网行为统计分析,通过对学生上网时间、上网地点、上网时长、上网内容、流量下载等数据建模,挖掘与分析学生上网行为习惯。通过统计分析日均上网或游戏时长较长的学生情况,结合学生学业完成度等,定期开展预警警示工作,班导师和各学院学团也可以有针对性的开展学风检查、建设与整顿工作,从而更好地培育优良的校风、班风与学风。
3.4 消费行为分析
基于一卡通数据系统分析云平台对校园的消费数据进行分析,发现和诊断群体消费的偏好以及潜在的问题,有效分析与预测未来消费新趋势,加强后勤服务场所的管理与引导。学校可以针对贫困生等不同身份特征人群开展分类型的数据分析,通过消费数据的挖掘,在贫困生认定和精准帮扶等方面提供可靠的数据支持,从而有效地为学工、教务后勤等部门的管理与服务提供信息数据支持。
3.5 奖惩资助行为分析
基于一卡通数据系统分析云平台对学生在校期间的奖惩资助行为分析,完善学生奖惩助困的动态分析与监控。通过及时完善相关信息,便于后期的数据统计及筛查工作,同时有利于完善贫困生的资助体系,开展贫困生精准帮扶工作,引导与管理好校园义工和勤工俭学岗位。通过全面梳理学生奖励及资助数据,能有效加强对受处分学生的动态的监控,及时受理学生处分的撤销与评议,提高受处分学生主动承担社区及义工服务的意识。
3.6 就业行为分析
基于一卡通数据系统分析云平台对全校或者部分专业提供市场就业细分,结合学生生源地区、专业特长、性格特征、个人爱好、学业完成度、能力模型及求职意向,设计就业工作模型,匹配相关用人单位及招聘信息,通过大数据实施双向精准推荐,从而更好地服务学生和用人单位。针对就业市场的大数据分析和结论,还可以为学校现有专业建设及人才培养方案的重构,提供数据支撑,从而进一步服务教学与管理工作。
4 数据分析结果评价
基于一卡通数据系统分析云平台的运用,针对应用系统后台数据库开展数据分析,通过大数据挖掘方法,开展系统总体构建设计,利用从原数据层到数据处理层,再到数据库仓层,最终到终端用户层的框架模型,维度分析因果和映射关系,辅助以灵活可视化的查询界面、图形与图表等形式,呈现出研究对象的学习、上网、消费、奖惩、资助、阅读、就业等日常行为特征,分析其行为特征与学校智慧化校园管理与监督之间的关系,为学校的教育、教学与管理工作提供决策建议和意见。
4.1 有助于学校精细化管理
通过平台,理清管理职责与权限,加强工作的细化与内化,逐步实现学生的精准化管理,既提高了工作的效率,又提升了工作的水平。通过信息系统,改变原有相对粗放的管理模式,量化分析学生的学习行为和日常表现,洞察学习规律,促进管理工作横向到底、纵向到边。[3]
4.2 有助于学校精准化服务
通过平台,运用数据监测,分析与定位重点帮扶的班级及学生,积极关注情况特别学生群体,帮助学业预警、心理异常、经济特困、就业困难、违纪处分等类型的学生分析困难与问题,找到走出困境的途径与方法,从而将帮扶工作做到精准到位,帮助每个学生充分发展。
4.3 有助于学校精心化育人
通过平台,透视教育数据,优化管理与评价机制,建立全方位育人体系,为学校及學生个性化教育和教学干预行为进行准确预测与服务,加强部门间的联动与沟通,从而推进学校决策的系统化与科学化,打造全员、全过程的育人格局,打造精心育人工程。
关键词:听障大学生; 教学评价; 统计分析
【中图分类号】G762
学生教学评价,即学生作为评价主体对教师的教学质量进行评价。其主要目的是为教师的教学提供有用的反馈,以促进教师提高教学质量,从而为提高学生的学习效果服务 [1、2]。听障大学生,作为特殊的学生群体,日常教学应赋予更多的关心和爱心。对听障大学生教学评价数据的研究,可以促进从事特殊教育的老师改善教学方法,调整教学态度,进一步提高特殊高等教育的课堂教学质量显得格外重要。
数据数理统计分析是数学的一个分支,是指研究如何有效地收集和使用带有随机性影响的数据。通过数据的数理统计分析,可以进行数据的整理和问题的推断[3]。现代数理统计分析的一个显著特点就是运用计算机实现有关的统计计算与分析,目前也有许多应用计算机软件对于教学质量进行分析讨论的报道。本文利用SPSS软件(Statistical Product and Service Solutions)对听障大学生教学评价数据进行统计分析,以更好的发挥评价的诊断、激励和导向的作用。
一、数据分析来源
本文数据来源于某大学某学期听障大学生教学评价数据,共涉及25门课程。教学评价分为十项指标,分别为“tm1”:仪表端庄,教态自然,精神饱满;“tm2”:上课准时、足时,认真负责,严格要求学生;“tm3”:关怀和尊重学生,有固定的辅导和答疑时间师生关系融洽;“tm4”:教学目标、要求、考核形式明确,推荐有助我们学习的参考文献;“tm5”:授课内容充实,信息量大,重难点突出,进度安排适当;“tm6”:作业有利于我们掌握知识和自主学习,批改和分析认真;“tm7”:思路清晰,阐述准确,语言规范生动;“tm8”:因材施教,注重学生创新意识和能力培养;“tm9”:教学方法灵活,教学手段恰当,注重互动,课堂气氛活跃;“tm10”:掌握了本课程的核心内容,激发了学生学习兴趣,提高了分析问题、解决问题的能力。
二、分析方法
本文主要使用了SPSS软件中的描述性统计分析(Descriptive Statistics,得到原始数据转化成标准化的取值,可以直观了解数据的情况,同时便于进一步分析);K-S单样本检验分析(Kolomogorov- Simirnov One-sample Test,主要考察数据是否符合正态分布);主成分分析(Principal Component Analysis,将多个变量通过线性变换以选出较少个数重要变量);K中心聚类分析(K-means cluster analysis,将数据进行分类,辨别样本之间的亲疏关系);单因素方差分析(one-way ANOVA,调查按某个研究因素的不同水平分组后该因素的效应)。
三、结果与分析
(一)学生教学评价整体情况及正态分布分析
分析教学评价整体情况可以了解听障大学生课堂教学质量的总体情况。从表1可以看出,该学期听障大学生教学评价总分范围在81.48-99.82之间,平均成绩为89.69±3.62。利用SPSS软件进行正态分布分析,得到表2及图1。从表2得到单样本K-S检验Z统计值为0.500,渐近显著性水平为0.964,远大于0.05,因此教学评价结果符合正态分布。
(二)学生教学评价指标主成份分析
利用SPSS进行学生教学评价指标主成份分析后,得到表3。主成份分析法只提取到1个成分,且变量系数均接近1,因此可以认定本体系10项指标相互独立,影响较小。
(三)不同课程学生教学评价聚类分析
通过SPSS软件K中心聚类分析方法,将25门课程进行聚类分析,得到表4、表5。从表4可以看出,通过聚类分析,通过学生教学评价成绩将25门课程分为了2类,1类优秀成绩为15门课程,2类良好成绩为10门课程。表5则表示每门课程所属聚类。
(四)学生教学评价指标的聚类分析
通过SPSS软件K中心聚类分析方法,将学生教学评价十项指表每门课程的得分进行聚类分析,得到表6、表7。通过聚类分析,将评价指标分为了2类,指标1、2、3被归为类别1,可以看出主要是指教师的教学态度;指标4-10被归为类别2,主要考查教师的教学业务水平。
(五)不同学科类别科目学生教学评价差异性分析
根据课程不同性质,将参与评价的25门课程分为了学生思政(两课)类、文科(外语、语言等)类、理科(数学、物理等)类。
利用SPSS进行单因素方差分析。文科类课程与理科类课程学生教学评价成绩有显著性差异,且文科类课程得分要高于理科类课程。原因可能由于理科类课程需要大量逻辑思维能力,听障大学生可能在这方面有所欠缺,因此课堂教学效果不如文科类课程。此外,学生思政类课程与文科、理科类课程均没有显著性差异,其得分介于两者之间。
(六) 不同职称教师授课学生教学评价差异性分析
根据授课教师职称不同,将参与评价的25门课程分为了教授授课、副教授授课及讲师授课三类。
利用SPSS进行单因素方差分析。教授授课类学生教学评价得分与副教授、讲师授课类直接均存在着显著性差异,且总分均值要高于其他两类。可见,教授因为在知识、授课经验上的累积,其教学效果要好于副教授及讲师。副教授及讲师教学评价得分则无显著性差异。
四、结语
本文通过计算机软件等辅助手段,将原本多而无规律的教学评价数据进行了分析处理,获得了许多有价值的信息,这些都有利于教育管理进行优化管理,更好的做出决策,为强化教学管理、提高教学质量打下基础。本文只是在听障大学生教学评价过程中,利用计算机辅助手段进行分析的初步探索。教学评价是一项非常复杂的质量监控的过程,如何进一步利用计算机软件等为教学质量提供支持,有待我们继续研究。
参考文献
[1] 鲁进勇,夏建刚. 本科教学质量评价的文献综述[J].学问・科教探索,2008,18:24-25.
关键词: Excel; 医学统计; 数据分析
1 Excel中加载“数据分析”工具
首先,启动Excel,点击工具菜单中的“加载宏”选项,在出现的对话框中选中“分析工具库”,确定安装后,在菜单栏的“工具”下会出现“数据分析”选项。
2 使用Excel进行数据统计描述
用Excel可进行数据的统计描述,包括:(1)集中趋势(集中指标),它包括算术平均数,中位数,几何平均数,众数等。Excel提供有现成的公式及内置函数可进行这几个指标的计算。如首先输入一组数字,然后建入公式=AVERAGE(常数),=MEDIAN(常数),和=MODE(常数),按回车健可得到算术平均数,中位数和众数;(2)离散趋势(变异指标),它包括全距,百分位数,四分位数间距,方差,标准差,标准误,偏度系数和峰度系数等。而其中以方差,标准差,百分位数和标准误较为常用。同样在电子表格中建入公式=VARP(常数)和=VAR(常数)两函数可计算总体方差和样本方差。建入公式=STDEVP(常数)和=STDEV(常数)便可得到总体标准差和样本标准差。
3 t检验
t检验是医学统计分析中最常用的统计分析方法,用来检验标准试样测定结果的平均值与标准值之间是否有统计学意义。Excel“数据分析”中提供了多种不同条件的t检验工具,如“平均值的成对二样本分析”,“双样本等方差假设”,“双样本异方差假设”及其他统计分析工具,当样本中的观察值存在配对关系时,可以使用“平均值的成对二样本分析”t检验。例如对一个样本组在实验前后进行了两次检测,为确定实验前后样本均值是否相等,应使用成对t检验,此t检验并不假设两个总体的方差是相等的。例如,用某药物治疗高血压患者10名,治疗前后舒张压变化如下:
在工作表中输入上面的数据,比如数据区为A1至J2。分析时,在“工具”菜单中,单击“数据分析”命令。在数据分析对话框中,选择t检验:平均值的成对二样本分析,拉出平均值的成对二样本分析对话框,其中有如下输入项:变量1的区域:输入需要分析的第1个数据区域的单元格引用。该区域必须由单列或单行数据组成。可单击输入框右面的按钮,回到电子表格上自数据开始的单元格向结尾的单元格拖动。此时变量1的区域(A1~J1)自动进入输入域中。然后单击输入域右面的按钮,回到原对话框。变量2的区域:输入需要分析的第2个数据区域的单元格引用。该区域必须由单列或单行的数据组成。输入方法同前。变量2的区域为(A2~J2)。假设平均差:在此输入期望中的样本均值的差值。缺省为0值,即假设样本均值相同。标志:如果输入区域的第1行或第1列中包含有标志项,应选中此项:如果输入区域没有标志项,Excel将在输出表中生成适宜的数据标志。这里选中此项。α在此输入检验的统计意义水平。该值范围为0~1之间。缺省为0.05。
输出区域信息可选择如下单选项:输出区域和新工作簿。我们选择新工作表,结果为平均95.88889,方差80.86111,观测值9,泊松相关系数0.881366,假设平均差0,df 8,tstat 5.230769,P(T≤t)单尾0.000396,t单尾临界1.859548,P(T≤t)双尾0.000792,t双尾临界2.306004。两组比较差异有统计学意义(P<0.05)。
4 方差分析(analysis of variance,ANOVA)和卡方检验
在数据分析工具库中提供了3种基本类型的方差分析:单因素方差分析、可重复双因素分析和无重复双因素分析,现简单介绍方差分析的应用。
随着数字媒体技术研究的不断深入和新媒体艺术的兴起,科技与艺术的结合越来越紧密,新媒体艺术渗入了艺术的各个领域,新媒体舞蹈是最后被开发的田地,也是集成最多媒体元素的新媒体艺术。在数字媒体技术的发展支持下,新媒体舞蹈的作品和软件层出不穷,如“Life Forms”等,为新媒体舞蹈的演出和编创提供了全新的机遇与挑战。
舞蹈剧目课是一门艺术表现性课程,是通向舞台的艺术性训练课程,在舞蹈教育中占有极其重要的地位,对学生舞蹈艺术能力的培养至关重要。在传统的教学中,由于场地、课时、教师精力等局限性,浪费时间、精力,事倍功半。如今,我们看到了新媒体舞蹈对剧目课教学的影响作用以及新媒体技术在剧目课中应用的可能性。但现有的研究成果主要集中在如何利用计算机对舞蹈进行记录和编创,很少涉猎舞蹈的课堂基础教学,或者所采用的技术过于依赖硬件的配置,增加了应用的难度,不适用于舞蹈教师或演员的独立操作。本文立足于舞蹈剧目课教学,设计一套基于数字媒体技术理念的适用于剧目课教学的交互式系统。
1 舞蹈剧目课与新媒体舞蹈简析
舞蹈是在一定的空间和时间内,通过连续的舞蹈动作过程,凝练的姿态表情和不断流动的地位图形(不断变化的图画),结合音乐、舞台艺术(服装、布景、灯光、道具)等艺术手段来塑造舞蹈的艺术形象[1]。舞蹈剧目课属于艺术表现性的训练课程,每个剧目都是一个完整的艺术作品,它是包含有特定的历史文化背景、鲜明的创意、具体的角色、丰富的情感意志以及舞美、灯光、服装、道具等众多姊妹艺术的结合体现,加强舞蹈剧目课教学,对当前提高学生的舞蹈水平、艺术水平和文化修养,有着极为重要的现实意义。从某种意义上甚至可以说,舞蹈剧目课是舞蹈教学的本质与核心[2],传统的剧目课教学采用“口传身教”的教学方式,即教师口头讲解、亲自示范动作、通过语言的描述让学生想象营造出一个原生态传承的特定环境,这种教学方式虽然具有现场感,教师能够有针对性地临场指导,学生有针对性地当堂提问,但由于场地的面积、人员的数量、教师的精力、个体和群体之间的关系、舞蹈艺术的身体体验等原因,使得学生形成了单调和孤立的学习方式,而束缚了学生的自学能力和创造性思维,不利于发挥学生的主动性和积极性,不利于提高学生的全面素质 [3-4]。近年来,随着新媒体艺术的兴起,数字媒体技术被广泛应用到了艺术的各个门类当中,正如马晓翔在《新媒体艺术透视》一书中提到的:“新媒体艺术不仅是计算机合作与兼容数码技术创作作品的方式,也是用计算机的计算力量和技术来创作新符号、新定义、新的交流与形式的方式。”舞蹈艺术作为一门多种艺术共同融成的综合性艺术,其与新媒体技术更能擦出不可估量的火花,美国著名编舞家兼数字艺术家阿尼达?程如是说:“新媒体技术不仅是舞蹈记录和传播的物质媒介,更是激发灵感的技术型缪斯。”可见新媒体技术对舞蹈艺术数字化革命的真正含义[5]。如前所述,剧目课作为舞蹈学习通向舞台的表演性课程,可以从新媒体舞蹈的本体特性中找到新的教学理念,即在全新环境中发展起来的立足于创意理念,并且融合了高新技术手段和互动设计理念。也就是说,更新传统剧目课的教学理念,结合计算机技术的数字化支持,搭建具有完整资料库、训练实时采录比对功能、远程/在线反馈功能、舞台模拟再现功能等允许学生自主学习和远程/在线学习的剧目课教学平台,以期做到教学中的事半功倍,对舞蹈剧目课教学改革以及创新能力的培养有着重要的现实意义。
当然,该平台的搭建需要多学科的跨界合作,本文仅对平台中所需的计算机技术进行分析与实现。
2 基于新媒体舞蹈理念的剧目课教学系统模型规划
本系统是一套适用于舞蹈剧目课教学的计算机辅助教学系统,以数据库形式管理课程参考资料和用户个人资料,通过数字图像处理手段对用户的个人练习进行原型比对,给出意见建议,在此基础上,通过可视化设计允许用户选拼动作进行新剧目的自由开发。
本系统吸纳了新媒体舞蹈的理念,将剧目课与虚拟的数字化舞台直接相连,并允许用户自由创作,激发创作的灵感和表演的热情,为实际的舞台演出提供全新的数字化剧目经验。
本系统模型的具体规划如下图所示:
其中,二维图像特征点提取与对比是技术中的重点,接下来,本文对此进行详细说明。
3 二维图像特征点提取与对比
3.1 芭蕾舞的算法定义
芭蕾舞在动作上有着固定的手位、脚位和精准的评价标准,因此逐帧对视频进行二维特征点的.提取与对比,即可很准确地得出动作的分析结果,为用户提供相应的反馈和建议。当然,结合专业教师的教学经验和作品特点给出视频中关键动作或重难点动作的时间,可以进一步减少计算时间和重复动作计算的冗余。
一、引导学生在数据收集与整理的过程中,逐步建立统计意识
统计活动的全过程包括数据的收集、整理与分析、推断活动。在教学活动过程,教师首先必须注重在各个年级的教学活动中,提供有效的活动时间与空间,精心创设情境素材,以便让学生经历统计数据的收集与整理活动,促使学生建立统计观念。由于现有的教材中有的已经提供了统计活动的素材与数据。因此教师在使用时,必须坚持让学生经历统计活动过程,让学生亲历统计活动。所以,在具体的教学时,教师应随着学生的知识与生活经验的增长以及学生生活环境的不同,在统计活动的内容和要求上进行适当的调整与改变,以增强统计活动的趣味性和有效性。如在一年级上册《我们的校园》的数学实践活动课中,教师既可以借助教材提供的素材教学,也可以结合本班学生的生活事例创设情境,组织学生经历不同的数数活动,对被统计的各个活动项目素材进行数据统计,而获得原始数据;接着让学生将收集到的数据用涂笑脸的形式进行数据记录,然后进行初步、简单的数据分析活动。在活动过程,教师要重在让学生认识数据统计的过程,对于统计的数据应当“不重复、不遗漏”,引导学生学习如何看图描述所呈现的数学信息以及如何提问题,培养提取信息与提问题的能力。在一年级下期的统计表与一格代表一个单位的条形统计图的教学中,在让学生经历数据统计活动的过程中,教师要引导学生从数据的收集过程中体会,并体验如何准确地进行数据收集,以及便捷、清晰的原始数据记录方法,才能保证所收集与整理的数据能实现“不重复、不遗漏”。
又如在二年级的复式统计表的教学中,教师可以本班学生体重增加的具体变化为素材,让学生亲历统计活动的过程。同样在以后各个年级的统计内容教学中,教师都应当注重让学生经历数据的统计活动过程,以使学生在体验活动中增强统计意识。在后续的各年级的《统计图表》的教学中,教师都要尽可能地让学生现场经历数据的收集、统计、整理活动过程,结合学生感兴趣的事项作为统计内容。从时间上看,由于课堂教学时空的有限性,统计活动可尽量安排在课内,也可设计为课内外的连接延伸。总之,教师应借助、利用学生身边的生活事例,组织学生进行数据的收集、整理和统计的活动,以增加学生对于数据信息收集整理的体验活动内容,促使学生建立统计意识和观念。
二、引导学生进行数据“对话”活动,发展统计观念
对于《统计图表》内容的教学,在实施新课程的教学之前,教师注重的是让学生死记硬背各种统计图表不同作用的条文,以及依教师提供的数据将统计图表补充完整,学生往往显现出被动学习统计图表的状态,根本谈不上培养学生的统计观念。课程改革后,教师要重在组织与引导学生对统计数据进行主动的“对话”活动,将有利于学生形成与发展统计观念。不但要让学生经历数据的收集和整理活动,同时要让学生结合所收集到的数据信息主动提出问题、进行数据分析、作出决策、进行交流、评价等数学活动。这里的“对话”并不是指传统教学中师生之间“一问一答”的被动式对话,而是要充分发挥学生的主体能动作用,对于数据文本进行主动的思考“对话”。同时养成与同伴或教师对统计结果的数据进行“对话”交流的习惯,从而让学生在经历“对话”活动中学会并进行数据分析,促进学生统计观念的建立。
另外,在各个年级进行相关统计内容的教学时,教师不但要组织学生参与数据的收集与整理,还应当在充分利用收集到的数据制作成相应的统计图、表后,组织学生对数据进行“对话”活动。如从一年级开始就应当引导学生学会如何观察统计图表的数据提出相关的数学问题,并解决所提出的问题。而随着学生知识与生活经验的增长,还应当引导学生学会如何依据数据的不同呈现对数据进行分析。如可结合教材的统计项目,先组织学生对,本班级同学的体重现状进行数据收集整理等统计活动,并制作成统计图表,然后引导学生对统计的数据进行分析。让学生对于超重与偏轻的现象产生的可能性进行分析,并提出初步的建议等。又如可结合班级学生对参加喜欢学科的统计活动,让学生结合参加的具体数据对偏科的现象进行分析与讨论,以使学生认识到要培养自己的全面素质的必要性。要让学生结合现实情境,学习并体会统计对决策的作用,培养学生的统计意识。
三、引导学生在与数据进行对话活动中,体会“统计量”的意义与作用
关键词:微课程;移动终端;自主学习;数据结构;系统框架
中图分类号:G642 文献标识码:A
1 引言(Introduction)
随着便携式移动终端的发展,“碎片化”时间的利用率越来越高,人们进入了“微时代”。“微课程”成了时代的产物。所谓“微课”是指按照新课程标准及教学实践要求,以教学视频为主要载体,反映教师在课堂教学过程中针对某个知识点或教学环节而开展教与学活动的各种教学资源的有机组合[1]。现如今各高校大力推动微课程,组织各种微课程比赛,调动教师的积极性,“微课”对于教师来说已不是一个陌生的名词。然而,目前的微课程只是针对一门课程当中的一个组成部分,仅是单独讲解某个知识点,没有形成一门完整的课,还没有完全发挥微课程的优势,并没有应用于真正的教学当中。
《数据结构》课程是计算机课程体系中的专业基础课程[2],作为程序设计的基础,数据结构课程不仅成为高校硕士研究生入取的必考科目,还是各企业招聘员工入职笔试中青睐的学科。如何让学生在课堂教学中对课程有更深刻的理解,并在复习考研和准备找工作中进行更好的自主学习,成为数据结构课程教学的研究重点,本文在分析数据结构教学现状的基础上通过对数据结构知识点的分析,构建合理的数据结构微课程框架,并将其应用于教学中,使得学生能更好的应用“微课程”进行学习。
2 数据结构课程的现状分析(Current situation
analysis of data structure)
数据结构课程是一门比较抽象的课程,而且学生本身知识储备不足[2],所以仅靠课堂上的讲解,不能使学生达到很好的消化吸收的效果。目前,很多高校也开发了网络教学平台,积极倡导教师和学生通过网络平台实现在线探讨交流,通过对网络教学平台的建设,如将大纲日历、教案、教学课件,教学视频上传到教学平台,使学生增加课下自主学习的意识,同时,老师在上课的时候也会给学生提供一些教学视频的网站,如清华教育在线等,然而,虽然教学平台的建设很完整,教师提供的教学视频也很不错,学生却很少好好利用网络教学平台或教师提供的网络视频进行自主学习。主要原因有三点:
(1)教师的课堂教学主要以集中讲授为主,并没有引导学生利用网络教学平台的资源进行自主学习,学生把网络教学平台当成了一个简单的提交作业、下载课件的平台。
(2)教学平台的内容过于繁多,视频基本上为课堂讲授的视频,即使有学生想课下自主学习,在看到45分钟甚至90分钟的教学视频也会打退堂鼓。
(3)教师提供的教学视频,如清华教育在线虽是名校老师讲解,但对于一般高校的学生来说讲解内容过深,没有针对性,很多学生觉得听不懂,打消了自主学习的积极性。
通过“微课程”的概念,专家学者认为“微课程”就是针对一个具体的知识点在短时间内(一般为10分钟左右)做简单明确的讲解,这种讲解不是泛泛的介绍,而是通过精心的设计,最终完成容量小,内容精的视频制作[3]。可以说,“微课程”的出现为我们解决数据结构自主学习难的状况提供了很好的解决方案。如何做到容量小,内容精成了“微课程”视频制作的关键,也是本文的研究重点。
3 基于微课程的数据结构模块化设计与实现
(Modular design and implementation of data
structure based on micro-lecture)
本文依据清华大学出版社出版的严蔚编的数据结构教材[4]进行知识点的划分,构建知识点的模块化,并将其应用在教学中。
3.1 数据结构相关知识点的分析与研究
数据结构课程研究的是数据和数据之间的关系,其基本分为四大类:集合、线性结构、树形结构和图形结构。在数据结构课程中,主要讲解的是后三种结构的逻辑结构、物理结构,以及相关算法的实现。在课程的最后讲解了利用已学过的数据结构解决基本的查找和排序的问题。
上述这些知识点中都具有一定的顺序性、关联性,但又相互独立。如果只是把课程讲解的内容分解成10分钟之内的小视频,除了时间上看着短了以外,没有改变课堂讲解的实质,没有做到真正意义上的微课程。在多年教学经验的指导下,本文要研究的是什么样的知识点适合做成微课程,让学生课下自主学习,课上共同讨论,培养学生自主学习的能力,并且在考试复习时通过温习微课程的视频可以更快的掌握主要题型的解决方法,节约复习时间。
微课程知识点的设定原则为5―20分钟可以被清晰地讲解,且尽量不涉及程序性的内容。栈和队列可以说是操作受限的线性表,其抽象数据类型和现实生活中的很多例子都有相似性,可以将其作为微课程的一个知识点,让学生自主学习。在树形结构中,如何在连续的存储空间中把非线性的东西表示出来可以在短时间内很经典的讲解出来,其链表的表示所以也非常适合做成微课程。二叉树的结构和树非常像,对二叉树的遍历,以及树和森林的转化都是比较独立的知识点,其方法不涉及难理解的程序,将这些放入微课程中。赫夫曼树是二叉树的重要应用,其构造方法可以放入微课程的知识点框架中。在图形结构中图的邻接矩阵表示法和邻接表表示法都可以作为微课程的一部分,深度优先遍历和广度优先遍历的算法虽然不易理解,但其求解方法的思想却可以通过微课程表达出来。最小生成树,关键路径,单源最短路径都是图里的应用,仅把问题的解决方法放入微课程中是比较好的选择。在查找中的折半查找和二叉排序树的构造都是独立的知识点,可以很好的用于微课程的制作。在排序中,会选择相对复杂一些的快速排序和堆排序,仅仅介绍排序的思想。微课程的知识点设定如图1所示。
3.2 翻转课堂辅助数据结构微课程的实现
学生在刚接触数据结构时会觉得特别的抽象,其基本概念和相关的术语并不适合让学生自主学习,线性表是学生接触的第一种线性结构,其逻辑结构,顺序存储和链式存储,以及插入删除等操作都非常的重要,但多数都是枯燥的程序,想让学生在短时间内掌握其精髓并不是一件容易的事,如果这个部分让学生自主学习很可能会打消学生的积极性,所以前几节课程并不适合做翻转课程。在学生已经对线性表有所掌握的情况下,可以将栈和队列的逻辑结构微课程要求学生自己学习,在课堂上进行讨论,在讨论的基础上讲解实现通过自主学习了解的各种操作的程序。树形结构是学生接触的第一种非线性结构,所以其逻辑结构需要在课堂上进行讲解,虽然树形结构的存储结构已经安排在微课程中,但由于是学生第一次接触,所以本微课程部分并不作为翻转课堂的一部分,学生在复习时可以通过微课程进行复习,以更好的掌握知识点。而二叉树的相关微课程可以要求学生自行学习,在课堂上根据学生学习的结果共同研究算法的实现。图形结构和树形结构都属于非线性结构,所以二者具有很多相似的地方,可以由学生自主学习课堂讨论,通过讨论的情况分析学生的掌握情况,因为微课程的内容简单,重要的算法实现还需要在课堂上详细讲解。经过前面的学习,插入和排序的内容无论是应用方面还是程序实现方面都由学生自主完成,通过讨论和测试考察学生的掌握情况。
经过和微课程相结合的翻转课程的设计,使学生习惯通过微课程进行学习,掌握自主学习的能力。
4 结论(Conclusion)
微课程的系统框架对微课程的制作起到了指挥棒的作用,在总体框架下进行各个微课程的制作,在制作过程中绝不仅仅是录制简单的视频,虽然仅仅是10分钟左右,但工作量绝不亚于一节课的准备,不仅要对微课程设计方案,制作电子课件,还要精心准备习题,并配合易理解的答案。只有一个完整系统的微课程,再加上与课堂的相辅相成,才能使得学生在课下自主学习时更有针对性,学生学的更明白,课上讨论也会更丰富,形成良性循环,真正实现了教师学生共同授课,共同讨论的多样化教学体系。
参考文献(References)
[1] 梁乐明,曹俏俏,张宝辉.微课程设计模式研究――基于国内
外微课程的对比分析[J].开放教育研究,2013,19(1):65-73.
[2] 董丽薇.“数据结构”课程教学方法的改进[J].沈阳师范大学
学报:自然科学版,2012,30(2):307-309.
[3] 刘名卓,祝智庭.微课程的设计分析与模型构建[J].中国电化
教育,2013,(12):127-131.
[4] 严蔚敏,吴伟民.数据结构(C语言版)[M].北京:清华大学出版
社,2012.
作者简介:
董丽薇(1981-),女,博士生,讲师.研究领域:供应链管理.
关键词:测评系统;需求分析;逻辑设计;E-R图;关系模型
中图分类号:TP311文献标识码:A文章编号:1009-3044(2010)08-1921-02
Analysis and Design of School Education and Teaching Evaluation System Database
PAN Guo-rong
(Changzhou Liu Guo-jun Higher Vocational and Technical School, Changzhou 213004, China)
Abstract: An evaluation database was designed based on the requriment analysis of the schooleducation and teaching evaluation system. It can realize themaintenance of the essential information, and the query and statistics of evaluation data. The needs analysis,conceptual design ,logical design etc. was disscussed in the entire design.
Key words: evaluation system; needs analysis; logical design; E-R diagram; relational model
学校教育教学情况测评是指学生对班主任教育情况及任课教师教学情况的评价,我校一直以来都非常重视学生对教师的评价。从1998学年开始,学校教务处会在每一学期的期中考试前或考试后,统一组织学生进行测评。最早采用的测评方式就是给每个学生发一张评价表格,测完后以班级为单位装订成册,供领导和教师查询,这种方式的主要缺点是查询不方便且无法统计分析;从2005学年开始,改为学生按评分规则填涂卡,教务处用读卡机读卡并统计,最后将所有测评情况汇总成册,供主要领导查阅,采用这种方式虽然能作一些统计,但统计方式单一、查询不方便,也耗费资源,班主任和众多任课教师很难及时、方便看到测评结果,尤其是学生对学校的意见、建议及评价信息。在学校加强信息化管理的大趋势下,学校于2008年初提出要开发一个基于计算机网络平台的学校教育教学情况测评系统(简称测评系统),以提高测评工作的效率,提升教学管理水平。
1 需求分析
需求分析是整个系统设计过程的基础,要收集数据库所有用户的信息内容和处理要求,并加以规范化和分析,这是最费时、最复杂的一步,但也是最重要的一步,它决定了以后各步设计的速度与质量。需求分析做得不好,可能会导致整个数据库设计返工重做。
测评工作在我校已开展多年,本人对测评过程也比较了解,该项工作的主要负责部门是教务处。教务室工作人员提供了原先使用的测评评价表(见图1)及测评情况汇总表,明确提出了对测评系统的要求,通过分析,主要有以下几方面的要求:
1)学生能在校园网上登录系统,并且每个学生登录的用户名及密码是不同的;
2)学生测评时是不记名的,并且只能对本班班主任及任课教师进行测评;
3)测评的项目见图1测评评价表所示,这些项目和分值是相对固定的,即项目数不变,项目内容和分值在不同的测评中会有所调整;
4)学校领导及教师能在校园网上登录系统并查询测评数据;
5)测评数据可以用多种不同的方式汇总并查询。
2 业务流程分析
根据对测评的需求进行分析,可以得出测评系统主要的业务流程如图1所示。
由以上业务流程,可以清晰地划分出三大处理部分,首先,教务部门人员在测评前要对本次测评所需的基本数据进行准备,即要维护好参与测评的班级、班级的班主任、班级的科目及任课教师等相关信息;其次,组织学生对班主任及任课教师进行测评;最后,领导和教师对测评情况进行查询。
3 数据库的分析与设计
3.1 概念结构分析与设计
概念结构设计是整个数据库设计的关键,通过对用户需求进行综合、归纳与抽象,形成一个独立于具体DBMS的概念模型。测评系统数据库概念设计的表达工具采用E-R模型,基本过程如下:
1) 按照业务流程分析中划分出的三大处理部分,可以确定主要模块。
教师情况数据维护:对教师(包括班主任及任课教师)的基本信息进行维护;
课程情况数据维护:对课程的基本信息进行维护;
班级情况数据维护:对参与测评班级的基本信息进行维护;
班级科目数据维护:对参与测评班级的所授科目情况进行维护;
系统用户维护:对系统用户的基本信息进行维护;
学生对班主任的测评:学生对本班班主任的教育情况进行测评;
学生对任课教师的测评:学生对本班任课教师的教学情况进行测评。
2) 确定实体集。
在教师情况数据维护中实体集合有:教师;
在课程情况数据维护中实体集合有:课程;
在班级情况数据维护中实体集合有:班级,教师信息;
在班级科目数据维护中实体集合有:班级信息,课程信息,教师信息;
在用户情况数据维护中实体集合有:用户;
在学生对班主任的测评中实体集合有:学生信息,班级信息,教师信息,班主任测评信息;
在学生对任课教师的测评中实体集合有:学生信息,班级信息,课程信息,教师信息,任课教师测评信息。
3) 确定实体集之间的联系。
学生是属于班级的,教师与班级之间可能有两种不同的联系,一是教师担任班级的班主任,二是担任任课教师,一个班级开设有多门课程,每门课程可以有1位或几位任课教师,通过分析不同实体之间的联系,便于设计数据库完整性约束。
4) 确定实体和联系的属性。
按前面分析及系统要实现的功能,可以设计出各个实体及联系的属性。学生是一个比较特殊的实体,从理论分析看,学生是参与测评的主体,系统中应该有这个实体,而从测评系统具体实际出发,测评时只需记录一个学号,不需要学生姓名等其他信息,因此,系统中不设计这个实体。
5) 画出局部E-R图。
分别画出班级选择科目及测评的E-R图,如图2、图3所示。
6) 集成局部E-R模型。
形成全局E-R模型,如图4所示,其中系统用户实体未画出。
3.2 逻辑结构设计
逻辑结构设计的任务就是把概念结构设计阶段设计好的基本E-R图转换为与选用的具体机器上的DBMS产品所支持的数据模型相符合的逻辑结构,并对其进行优化。
1) 将实体与联系转化为表。
在概念结构设计阶段已画出全局E-R模型,现在只要利用范式理论,将实体和联系转化为关系型数据库管理系统中的表,将实体中的属性转化为表中的属性。测评系统所选用的DBMS为Microsoft SQL Server2000,一般可以利用SQL语言来实现数据库、表、属性等的创建,并完成所有表及表之间的实体完整性、参照完整性约束和用户自定义完整性约束。
2) 数据模型的调整与完善。
数据库逻辑设计的结果不是唯一的,可以根据应用需要对设计结构进行适当的修改和调整,以期进一步完善设计,提高应用系统的性能。本测评系统中,学生测评完毕后,领导和教师要频繁统计查询测评结果,因此在表中增加适当的冗余是必要的。
4 结束语
数据库设计是管理信息系统开发过程中非常重要的一个环节,在进行数据库设计时,应该准确了解用户需求,以便设计出符合实际需要的数据库。本人开发的基于Struts框架结构的测评系统已经在学校成功进行了4次测评,在最近的一次测评中,有90个班级近4300名学生参与了测评,同时在线参测学生达400人,查询统计非常及时方便,大大提高了教学管理的效率和水平。系统的实际运行证明,测评系统中数据库的设计是规范的,运行是稳定的、可靠的,完全满足系统的要求。
参考文献:
关键词:模糊综合评价;分析聚类分析;最佳阈值
中图分类号:G642.4
目前鹤岗师专采用的是学生打分、督导听课、系部结合的方式得出的评价结果作为教师年终考核奖惩的重要依据,但这种考核方法过程简单,而且主观性强,缺乏客观的、量化的、科学的考核指标,不能反应出真实的成绩,并在考核过程中定性分析过多,定量不足,量化的细则没有涉及到具体的应用,缺乏衡量标准,很多时候依靠经验印象来评价,从而导致考核的片面性与非科学性。考核结果大多采用优秀、良好、合格、较差四个等级,并且对优秀率规定了上限。
本文根据大学教师绩效评价的全方位、多角度要求,结合本学校实际情况,运用模糊聚类分析算法的最佳阈值的确定,在.net的环境中编写程序,实现对教师的教学能力作出最佳的综合评价方法。
1 模糊聚类分析概述
聚类分析是指对事物按一定要求进行分类的一种数学方法,将物理或抽象对象的集合分组成为由类似的对象组成的多个类的分析过程。聚类分析的目标就是在相似的基础上收集数据来分类,但给出的结果而不是说目标绝对地属于或绝对地不属于哪一类,而是指明在什么程度上属于哪一类。
设数据集X中含有n个样本,表示为xk,k=1,2,3,…,n.聚类问题是要将{x1,x2,…,xn}区分为X中的c个子集,2≤c≤n,要求相似的样本应尽量在同一类,c为聚类数。
模糊聚类分析步骤可以概括为:数据标准化,建立模糊相似矩阵,聚类。
1.1 数据标准化。设论域U={u1,u2,… ,un}为被分类的对象,每个元素又由m个数据表示,对第i个元素有
Ui={xi1,xi2,…,xim}(i=1,2,3,…,n)
这时原始数据矩阵为
标准差变换
经过变换后,每个变量的均值为0,标准差为1,并可以消除量纲的影响,但不一定在[0,1]区间上。得到极差变换公式为:
经过极差变换后有0≤ ≤1,且消除了量纲的影响。
1.2 建立模糊相似矩阵。又称为标定,即标出衡量被分类对象间相似程序的统计量rij(i,j=1,2,…,n)。
设论域U={u1,u2,…,un},其中每个元素为一个样本,建产U上的相似关系R,R表示相似矩阵rij=R(ui,uj)。每个样本为m维向量,ui={xi1,xi2,…,xim}。
计算rij可以有多种方法,本文主要讨论距离法中的海明距离法。其公式如下:
海明距离:
d(ui,uj)=
1.3 聚类分析方法。本论文中采用的传递包算法。根据标定所建立的模糊矩阵R,一般来说只是一个模糊相似矩阵,不满足传递性,即R不一定是模糊等价矩阵,为了进行分类,还需要将R改造成模糊等价矩阵R*。可以用求平方法求R的传递闭包t(R)。从模糊矩阵R出发,依次求平方:R R2 R4 …,当第一次出现Rk・Rk=Rk时,表明Rk就是所求的传递包t(R)。再让阈值λ由大变到小,就可形成动态聚类图,获得所需要的分类。
1.4 最佳阈值λ的确定。在模糊聚类分析中,对于各个不同的λ∈[0,1],可得到不同的分类,从而形成一种动态聚类图,这对全面了解样本的分类情况是比较形象和直观的,但许多实际问题需要选择某个阈值λ,确定样本的一个具体分类。这就提出了如何确定阈值λ的问题,按照实际需要,在动态聚类图中,调整λ的值以得到适当的分类,而不需要事先准确估计好样本应分成几类。当然,也可由具有丰富经验的专家结合专业知识来确定阈值λ,从而得出在λ水平上的等价分类。
用F-统计量确定λ最佳值
设论域U={x1,x2,…,xn}为样本空间(样本总数为n),而每个样本xi,有m个特征(即由试验或观察得到的m个数据):xi=(xi1,xi2,…,xin)(i=1,2,…,n),于是,得到原始数据矩阵。
总体样本的中心向量为
=( , ,…, ,…, )
其中
= (k=1,2,…,m)
设对应于λ值的分类数为r,第j类的样本数为nj,第j类的样本记为: , ,…, ,第j类的样本中心向量为 =( , ,…, ),其中 为第k个特征的平均值: = (k=1,2,…,m)
2 实例分析
数据采样以我校10位教师教学能力评价考核为例。参加考核的教师人数为158人。参与评估的人员组成为校长3人,教务处2人,人事处3人,科研中心2人,学生处2人,教师18人。数据汇总后,本文取其中有代表性的10人,按学校要求被考核教师的绩效从5方面进行评价,依次为教师素质、教学能力、科研、个人发展、协调性。通过计算机程序利用模糊聚类的方法在.net环境下完成程序的编写。
2.1 本文以10名教师的数据为例,原始数据如图1:
图1 原始数据
2.2 在模糊聚类分析算法中采用的是对原始数据利用极差变换,消除量纲影响,并使数据的取值范围在[0,1]之间(本例中Fa1=0.2,Fa2=0.24,c=0.1),再利用数重积算法进行标定得到如图2的相似矩阵,利有传递包算法得到如图3所示的等价矩阵,在此基础上进行聚类分析,如图4结果界面所示的分类效果结果。
2.3 通过系统得出模糊相似矩阵R的计算结果如下2图:
图2 相似矩阵
2.4 等价矩阵如下图3:
图3 等价矩阵
2.5 聚类分析的最后效果结果如下图4:
图4 聚类分析结果图
F检验的临界值也很重要,要想有且只有一个效果特别显著的分类,参数Fa2给定往往费一些周折,最后确定一个最合适的值。
3 结束语
以上是结合我们学校实际情况,对教师的绩效考核的一种方法,教师绩效考核是一项系统的工程,评价指标的合理性、科学性是公正评价的关键所在。只有理论联系实践,才能使评价系统不断改进,不断完善,才能探索出适合学校自身发展的教师绩效考核的方法。
参考文献:
[1]宋虎珍.基于模糊综合评价的高校教师绩效考核研究[J].教育探索,2012(11).
[2]王宏,杜丽萍,张帅.基于模糊综合评价法的高校教师绩效评价模型[J].河北理工大学学报(社会科学版),2011(01).
[3]陈华喜,王芳,许庆兵.基于三角模糊数的层次分析法在大学生综合素质评价中的应用[J].伊犁师范学院学报(自然科学版),2012(02).
关键词:大数据;数据分析;统计学
大数据在如今社会已经成为热点词汇,不仅在计算机领域,在其他各个行业都能够得到运用,为各个行业提供便捷,为了让大数据能够得到充分利用,下文将对大数据分析相关方面进行讨论。
一、大数据与大数据时代
(一)大数据大数据是在当今科技飞速发展的情况下,一种新兴的信息数据处理技术。随着社会科技的进步,各行各业对于数据的应用也越来越广泛,传统的数据处理技术耗时较长且精准度较为低下,已经不能满足现代科技对数据应用的要求。新时代的大数据系统具有超大的数据容量,同时兼容半结构化与结构化的数据,远远超出传统数据库管理系统的管理能力。因此新的大数据技术就此诞生。大数据在发展过程中,具有比为鲜明的特点。与传统数据处理技术相比,大数据具有数量庞大、多样化、速率快、价值高的特点。在信息处理的速度不断加快的当今社会,这样的特点为大数据的广泛应用打下了坚实基础。由于数据的数量较为庞大,且各种数据近年来的增长趋势呈指数型,其数据的种类和形式也各有不同。其次,合理利用大数据技术,能够在一定程度上降低成本,提高效率,因此,大数据处理各项关键技术的进一步的开发与利用已成为了提高自身效率,实现核心竞争力的重中之重。
(二)大数据时代大数据时代是指在物联网技术、计算机技术、数据信息处理技术的基础上,通过互联网途径,大量收集并处理分析数据资源,而形成一种新型的信息时代。大数据时代的主要核心内容是对庞大的数据体系进行处理以发挥价值,从而提升数据分析效率以及数据应用价值。大数据时代是由多种信息技术共同组成,可以有效地避免数据处理中不同步、使用不方便的情况发生,具有高效可靠的数据处理、整合、分析及汇总的功能。因此,大数据时代的新型数据处理技术可最大程度的对数据进行分析与挖掘,极大提高处理数据的效率。
二、大数据时代与统计学
(一)大数据时代与统计学的关系统计工作是集数据的搜集、整理、分析和解释为一体的系统的过程。大数据与统计二者互相依存,通过统计的方法和原理对数据进行整理和分析,提高数据的精确度和适用度,以此来实现数据的价值和利用率。由此看来,大数据与统计学的联系既紧密,又存在区别。大数据与统计学的关系甚为密切,它们都是关于数字的学科。统计学为大数据提供了了施展方向,而大数据将统计学引领至更深更广的空间。共性之一就是社会与数据。几乎所有的行业与大数据都有着密切联系,这些联系或直接或间接,而人们正是通过获取数据并进行分析,从而才能得到商业知识和社会服务等能力。大数据与统计学的区别。首先,信息规模不同。大数据的分析对象是与某事物有关联的所有数据,要求数据量庞大。统计学则是用样本来分析和推断总体的数量特征。在大数据时代,则可以通过各种方法和渠道获得全面而又完整的的信息资料,从而完成更多从前无法完成的事情。其次,动静标准不同。数据经过了搜集、整理、分析的过程就很有可能因为精确性不足而被认为失去了用处。而大数据时代,则不必再担心这个问题,数据的精确性和原始性不在被过分重视,人们可以接受复杂数据。第三,数据搜集形式不同。在以往数据搜集形式主要是抽样调查,方法局限。而在大数据时代,特点是信息爆炸和互联网飞速发展,这一情况得到改观。最后,思维方式不同。大数据时代人们的思维发生转变,人们开始更多的关注事物的相关关联。
(二)大数据对统计学研究工作的影响首先,大数据丰富了统计学的研究对象。在大数据时代,我们既可以以结构化数据作为测量单位对文本、图像和视频等进行分析,还可以对非结构化数据实行分析。其次,大数据影响了统计学的工作进程。统计数据需求丰富,原有的统计抽样分析不能在适应时代的发展,而现代科技方法如透过传感器自动收集数据等方法取代了传统方法,更加便捷有效。
三、大数据数据分析理念
(一)统计学的应用随着现代科技的发展,传统的大数据已经不能满足人们对数据处理的要求。传统的抽样数据调查不能满足大数据的数据处理以及知识发现。因此,新技术及思维的引进就显得尤为重要。新的统计学思维以及知识的应用能够很大程度的提高大数据分析的效率。摒弃对传统的小数据样本的依赖,不在用传统的统计工具对数据进行全部分析。而是对数据进行针对性的分析,使数据分析更加精准,并且能够更加全面的体现数据的价值。我们利用统计计算工具对数据进行分析从而判断数据的变化趋势。统计学的应用可以,为数据分析提供科学的参考依据。
关键词:农经专业;数据分析;教学改革
2019年12月,农业农村部、中央网络安全和信息化委员会办公室关于印发《数字农业农村发展规划(2019-2025年)》的通知,部署了用数字化引领驱动农业农村现代化,加快农业农村生产经营、管理服务的数字化改造的发展战略,将全面提升农业农村生产智能化、经营网络化、管理高效化、服务便捷化水平作为农业农村发展的目标[1]。农业农村的数字化建设离不开专业人才的培养。农林经济管理专业毕业生的就业方向主要有农业经营单位、面向农业农村的政府管理部门、事业单位、科研院所等。随着农业农村数字化发展战略的推进,给传统的农经人才培养带来了一系列的挑战[2]。在数字经济和智慧农业的时展背景下,数据分析能力是农经专业学生重要的核心竞争力。如何提升农经专业学生数据分析能力,是农经专业人才培养中面临的重要课题[3]。
1农业农村数字化发展战略给农经人才培养带来的挑战
1.1对农经人才的数据思维的更高要求
在大数据时代,无论是农业生产经营活动,还是农村的行政管理中都有大量的数据资源。农业企业、农业合作经营组织、农产品产销数据、农产品溯源数据为农业经营者提供了生产、物流、销售环节大量的数据资源。经营者需要认识到数据是一种新的生产要素,要调动数据作为生产要素的属性,让数据分析为管理决策服务[4]。在数字中国的建设进程中,各级政府部门工作人员通过各级各部门的行政管理智能,收集了大量省、市、区、县级的区域经济社会发展数据。社区网格化管理下收集了微观层面的农业经营单位数据、农村常住人口数据、医保数据、扶贫数据、农村小额信贷数据。这些数据资源是政府提高行政效率、提高政务服务质量的宝贵资源。
1.2对农经人才的数据分析能力的更高要求
在大数据时代,每天都有海量数据生成,如何能更好地利用这些数据,让数据能发挥其为管理决策服务的功能,与数据使用者的数据分析能力是密切相关的。例如,农业经营单位在农业生产环节的农业投入数据、农产品销售数据、电商平台的客户反馈评论、农产品库存的动态数据,如何整合分析这些数据,要求农业经营者系统掌握数据分析、数据挖掘、文本分析等多元化的数据分析方法。政府管理部门掌握的农业人口的迁移数据、农村常住人口网格管理数据、农村居民医保数据、扶贫数据等,数据类型丰富,数据量庞杂,如何实现数据库的整合,要求政府部门工作人员掌握数据库管理、大数据分析技术。
2农经专业数据分析课程群建设中存在的问题
2.1课程之间连贯性不足
以笔者所在的高校为例,为农经专业本科生开设的数据分析类课程,见表1。数据分析课程群包括了通识教育、专业教育和实践教育。从目前的课程设置来看,涵盖了数据库、统计学、经济计量学、多元统计、大数据分析等领域,内容丰富。数据库应用由计算机学院开设,是一门通识教育课程,在授课时教师往往将其视为一门计算机类的入门课程,在教学中没有针对农经专业学生的特质,将数据库的教学与其在农经领域的应用结合起来。学生在学习中往往会觉得该课程与专业联系不够紧密,教学内容枯燥,缺乏学习兴趣。
2.2学生学习的软件种类繁多,但不够深入
在统计学和多元统计课程中,学生将学习EXCEL、SPSS或者R语言的应用,在经济计量学课程中学生将学习Eviews或STATA的应用,在数据挖掘与大数据分析课程中学生将学习Python语言的应用。在每一门课程中学习的软件都不同,对于软件的学习缺乏连贯性和延续性,虽然学生接触的软件种类多,但是由于学时所限,每一种软件都只是入门级的介绍,无法进入到深度学习。
2.3与专业课学习联系不够紧密,缺乏应用机会
学生缺乏在专业课学习中运用数据分析类课程所学知识的机会。数据分析类课程主要介绍数据分析方法和软件的应用,但大部分都安排在第5学期和第6学期。学生在学习了数据分析方法后,缺少在专业学习领域里运用这些方法的机会。例如学生若要完成产业经济学、农业技术经济学、农产品国际贸易学的专题研究、课程论文,需要用到统计学、经济计量学、大数据分析的方法,但在第2-4学期开设大量专业课的学期,数据分析类课程还没有开设。若能将数据分析类课程尽量靠前安排,学生可以在后续的专业学习、课题研究中运用所学的方法,一方面夯实数据分析技能,另一方面也可以增加学生对专业课的学习兴趣。
2.4排课不够科学
在大三阶段,学生可以选修多元统计、数据挖掘与大数据分析、Python语言三门选修课。但到了大三,学生专业课的学习任务重,选修课种类考虑繁多,学生选课可能出于兴趣、学分安排或者准备考研保研考虑,并不是每一位同学都会选修上述课程。尤其是计算机能力不太强、对数学类课程感到困难的同学,会倾向于选择难度小的课程。
3基于项目驱动式教学理念的数据分析课程群改革
3.1开展项目驱动式教学的意义
项目驱动教学法是基于行动导向的探究式教学方法,是将真实的或模拟的项目转化为教学项目,结合课程内容将项目分解为若干工作任务,创设工作情境,引导学生完成任务,进而实现项目教学目标的教学活动[4-5]。项目驱动式教学法最显著的特点是“以项目为主线、教师为主导、学生为主体”,改变了以往“教师讲,学生听”被动的教学模式,完善了学生主动参与、自主协作、探索创新的新型教学模式。与传统教学方法相比,教学实施过程中,学生的目标更清晰明确,可避免传统课堂教学的被动性,进而提高学生学习知识的兴趣和主动性[6]。在数据分析课程群中引入项目驱动教学,一方面能让学生运用所学的数据分析方法分析现实问题,创设数据分析情境,加深对所学方法的理解和运用,激发学习兴趣,培养自主学习能力;另一方面也可以有针对性地创设围绕“三农”问题的数据分析项目,让学生从数据分析中加深对“三农”问题的感性认识,培养对农经专业学习的兴趣,提升对农经专业的认同度。具体来讲,可以从以下方面开展对数据分析课程群的改革[7]。
3.2统筹规划教学内容,加强课程间的连贯和递进
农经专业数据分析课程群目前主要包括必修课数据库应用、统计学和经济计量学,选修课多元统计、数据挖掘与大数据分析,以及实践课R语言与统计应用、Python语言。统计学教学的重点在于对基础性的统计方法的运用,经济计量学教学的重点在于让学生掌握经济计量分析的范式,如何利用经济计量模型开展实证分析。多元统计强调对复杂多维数据信息的提炼。数据挖掘与大数据分析教学的重点在于大数据时代数据挖掘方法的应用。此外,针对于目前学生所学的软件门类过多,软件操作不够熟练,建议在统计学、多元统计、数据挖掘大数据分析中统一采用R语言进行教学,让学生通过几门课程的学习,能够熟练掌握一种统计分析软件。
3.3基于项目驱动对教学内容进行整合及优化,调动学生主动参与
例如统计学课程介绍了基础性的统计分析方法,在后续课程经济计量学、多元统计、数据挖掘与大数据分析中引导学生运用基础性统计分析方法,对数据进行初步的统计分析和整理,为经济计量分析、多元统计、数据挖掘做好数据处理上的准备,让学生体会到关联课程中所学知识的联结。鼓励学生积极参与“三下乡”活动,开展田野调查实践,围绕“三农”开展调研,运用统计和计量方法对调研数据进行分析,鼓励学生参与到教学中来,培养学生的学习兴趣,学以致用。
3.4建设“项目驱动”实践教学模块
结合农经专业课程体系,建设数据分析课程群“项目驱动”实践教学模块。在农经专业的课程体系中开设的农业经济学、农产品贸易、农村社会学等专业性课程对大量的“三农”问题进行了探讨,这类课程中涉及的城乡差异问题、收入和消费问题、农产品价格波动、农产品贸易等现实问题的研究,都离不开基于现实数据的定量分析。因此,在农经专业的数据分析课程群中可以结合教学内容引导学生对专业课学习中热点问题的研究,围绕课程教学大纲,建设“项目驱动”实践教学模块,理论联系实际,让学生在研究项目中运用所学的数据分析方法,加深对专业知识的理解。
4农经专业数据分析课程群优化方案
在大数据时代,数据分析能力是学生的核心竞争力之一。数据分析类课程在建设中要强调理论与实践的结合,不能只是将教学停留在课堂上,引入体现专业特色的实践教学环节。可以从以下几方面开展数据分析课程群的优化:第一,数据分析基础类必修课安排在大一学年。在第1学期,可以安排R入门、Python入门、数据可视化课程,让学生尽早接触当前主流的数据分析软件,激发学生对R或Python的学习兴趣,让学生自我拓展学习空间。R入门、Python入门、或者数据可视化课程都属于数据分析的基础课程,无需其他先修课程。在这一时期,让学生开始接触数据分析软件,学习数据可视化的分析工具,有利于培养学生的数据思维、数据意识和软件实操能力。第二,将与农经专业课有关的专业必修课统计学、经济计量学安排在第3-4学期学习。统计学课程需要学生先行修读高等数学和概率论课程,经济计量学需要学生先行修读微观经济学、宏观经济学,因此可安排在第3-4学期。让学生在掌握了一定经济管理专业知识后,可以更好地体会统计学、经济计量学方法论学科的应用价值。第三,将数据分析进阶类选修课多元统计、大数据分析、数据挖掘、机器学习等课程安排在第5-6学期。为高年学生提供丰富的数据分析类选修课,让学生结合自己的兴趣、未来的发展规划学习更加多元化的数据分析技术。鼓励学生能在专业论文习作、学科竞赛中有更多的机会运用自己所学的数据分析方法,增加学生的收获感和成就感,挖掘学生的学习潜力。第四,改革课程考核评价体系,采用项目式管理和评估的思路,由学生自主开展一个数据分析项目,从收集数据、提出问题、分析数据到提炼研究结论,开展小组团队成员互评。教师跟踪学生的项目开展过程,从学生的学习态度、投入程度、数据分析质量等综合评价学生的学习效果。
5结束语
将项目驱动教学引入到农经专业数据分析课程群的建设,让学生参与到教学中去,突破传统教学中“教师教学生学”的局面,让学生通过参与项目,运用数据分析方法解决项目中的实际问题,激发学生的学习兴趣和潜能,让学生体会到所学知识的应用价值,让学生不再对数据分析类课程望而生畏。本文的研究对于农经专业学生数据分析能力的培养有重要的意义,强调理论与实践的结合,提高学生数据分析的高阶能力,也能为同类课程开展项目驱动教学提供借鉴。
参考文献:
[1]农业农村部中央网络安全和信息化委员会办公室关于印发《数字农业农村发展规划(2019-2025年)》的通知[EB/OL].(2019-12-25)[2020-4-14].
[2]李虹贤.农业经济管理专业人才培养模式创新研究与实践[J].智慧农业导刊,2022,2(7):110-112.
[3]冯开文,陶冶.农业经济管理专业实践教学改革———以中国农业大学经济管理学院为例[J].教育现代化,2017,4(23):54-56+63.
[4]杜洪燕,陈俊红.乡村振兴背景下中国数字农业高质量发展路径研究[J].南方农业,2021,15(21):213-214.
[5]金娥.基于项目式学习的《现代教育技术应用》课程学习框架的设计与实践研究[D].武汉:华中师范大学,2021.
[6]胡静,王昌凤.基于应用型本科人才培养目标的项目式教学模式构建[J].教书育人(高教论坛),2022(9):59-64.
关键词:大数据时代;统计学;影响
随着大数据时代的到来,各企业采用了新的策略,获得了更多的利润。对于统计专业来说,改变发展策略,使培养出来的专业人才能够适应大数据背景的需求是其主要任务。目前,高校统计学专业逐渐认识到大数据时代综合性人才培养的重要性,并对专业建设进行了相关改革。
一、大数据时代对统计学的影响
大数据时代的到来对现代统计专业的发展造成了新的冲击,要确保培养出来的人才能够起到应有的作用,首先要了解大数据时代对统计专业所造成的影响。
(一)大数据时代使数据结构和数据性质发生变化
网络技术以及基于网络技术的电子商务等新的数据记录模式标志着大数据时代的到来。大数据时代,不再依赖于抽样调查的记录模式,网站浏览、视频监控都将形成大量数据。传统的数据结构甚至是数据性质发生了变化。大量的数据信息对于需求者来说,如何甄别其可用价值成为关键。传统的数据可以二维表格显示和整理。但大数据时代所产生的数据具有多样化和复杂化特征,往往包含了大量的音频、视频、HTML等。这要求大数据的收集具有较强的目的性,才能实现其价值。
(二)大数据时代要求统计分析方法和统计思维更新
大数据时代的主要特征为数据多且复杂,数据分析要求分析者对总体进行分析。在这一背景下,参数统计不再具有意义,假设检验法也随着总体分析而失去价值。数据的复杂化对传统大数据统计思维造成了巨大的冲击,要求统计者具有活跃的思维。只有对传统数据的改变进行分析,并且树立新的统计方法。
二、大数据时代下的统计学发展新策略
为适应大数据时代的需求,统计学专业的发展势必要对传统模式进行改革。目前,多数高校统计学专业已经认识到大数据对于其发展带来的冲击。为此,本文提出了以下策略,以及能够帮助统计学取得更好发展。
(一)加强统计应用性教学
根据大数据时代数据的总体分析特征,数据分析人员应掌握全面的分析方法。在人才培养过程中,应致力于培养实践分析能力,提高数据和资料收集能力,并且培养其强烈的数据价值观,使其能够从众多数据中找到所需的。另外,对传统模式进行改革,增加大数据统计内容,以适应时代的需求。基于大数据的结构特点,实施资料透视化教学,提高分析者对复杂数据的分析能力。
(二)培养大数据统计思维
在人才培养过程中,新的统计思维的培养具有重要意义,即强调数据分析实践能力的提高。统计思维的培养有助于数据分析者对复杂的数据进行区分,从而整理有效信息。在大数据时代,不仅要以传统的平均思维、动态思维和变异思维为基础,还要注重基于整体分析的大数据思维。另外,还要培养数据分者的复杂性思维,以应对复杂的数据库。总之,大数据时代需要数据分析者具有全面的、创新性的思维。
(三)强化基础性统计知识
统计学自身具有复杂性,其改变多且抽象。基础的统计知识是进一步掌握大数据分析思维的基础,可见学习基础性统计知识的重要性是不言而喻的。为此,应该采取深入浅出的方法,利用多媒体等方式使复杂的数据统计清晰化、简单化。结合具体的案例使数据分析者正确认识统计概念、掌握统计原理和方法。此外大数据分析不再是一种专业,而是更倾向于一种技术,这要求我们将大数据分析与统计学以外的相关知识相互联系。注重真实相关与伪相关的讲解,强调商务智能的开发和分析。只有具有坚实的基础,才能确保数据分析者大数据分析思维的养成,适应现代社会的需求。
(四)加强复合型人才培养
为适应大数据时代的需求,复合型人才的培养是关键。所谓复合型人才,是指其不但要具有专业的数据分析能力,还要相应的具备管理以及其从事专业的技术。大数据时代,高校应建立全面的人才培养模式,注重培养人才的数据分析能力、编程能力等,使其真正了解大数据,懂得如何利用大数据对其所处的行业起到积极作用才是关键。总之,大数据时代对综合性人才具有更高的需求,大数据时代不仅培养的是一种能力,而且是一种思维,是对全新模式下的数据的分析和利用。高校作为人才培养的重要基地,其教学模式的改革、对大数据时代所需教学模式的认识是高校的主要任务。
三、总结
统计学是经济学的基础课程,传统的统计人才培养具有定向性。而随着大数据时代的到来,数据产生的形式多样,且具有复杂性。大数据分析不仅是作为一种专业存在,而是应以一项必备的技术而存在。大数据时代,传统的统计思维和统计方法发生了改变,统计人才培养方式的改革也就势在必行。(作者单位:海南师范大学)
参考文献:
[1] 朱怀庆.大数据时代对本科经管类统计学教学的影响及对策[J].高等教育研究,2014(3).
[2] 姚寿福.经济管理类本科专业统计学课程教学改革思考[J].高等教育研究,2012(3).
[3] 孙耀东.大数据背景下统计学专业课程教学探究[J].廊坊师范学院学报(自然科学版),2015(06).