绪论:写作既是个人情感的抒发,也是对学术真理的探索,欢迎阅读由发表云整理的11篇数据分析课程范文,希望它们能为您的写作提供参考和启发。
数据作为信息的主要载体,在当今“大数据时代”背景下扮演着重要的角色。对数据的分析和利用已经成为每个行业重要的生产因素,并广泛应用于各行业和领域。数据分析就是用适当的统计方法对收集的资料进行详细的研究,提取有用的信息并形成结论,以求最大化地开发数据资料的功能与发挥数据的作用。在我校,数据分析课程是信息与计算科学系的必修课程,对提高学生的建模能力及数据分析水平有重要的作用。
数据分析课程的特点就是要求学生具备较高的理论基础水平、综合应用及动手能力,还需要学生掌握必要的分析解释能力。将理论与实际案例结合,发挥学生的主观能动性,增加学生的动手实践和分析解释环节,是数据分析教学中必须遵循的原则。而翻转课堂正是通过对知识传授和知识内化两个环节的颠倒,实现学生对授课内容的理解和对知识点的内化,也就是理论结合实践的过程。因此本文针对数据分析课程特点和存在的问题,结合翻转课堂的教学理念,对数据分析课程各个教学环节进行设计研究,以期促进数据分析教学,使之更好地为专业素质的培养提供服务。
一、数据分析教学存在的问题
1.理论教学
数据分析课程的理论与方法内容丰富,涉及面广,应用范围大。在理论教学中,学生学习理解掌握理论基础具有一定的难度。如对各分析方法的理解掌握,必须建立在良好的数学基础上,综合运用所学数学知识才可以理解各种数据分析的理论分析原理。同时学生还需要理解掌握各分析方法理论的内在联系,并把握其不断发展的趋势,才能真正掌握数据分析的理论与方法。我校现在的数据分析课程教学理论课程授课方式单一,传统教学方式使学生只能对课程方法理论浅尝辄止,无法深入了解,综合运用。同时单一的课堂授课模式无法对学生的掌握程度进行有效的评价和检测。
2.实践教学
数据分析课程对学生的动手能力要求很高。学生在理解掌握各种分析方法的理论基础上,需要掌握一定的统计软件的使用方法,如SPSS,MATLAB。这需要将理论方法,如复杂的公式,与实际软件使用相结合。实验教学中,要求学生有较高的计算机编程能力,然后结合数据分析的理论方法,对数据进行分析,并应用于实践。现阶段我校数据分析课程中,学生实践课时偏少,而且传统授课模式让学生的学习处于被动状态。实践教学中只能根据老师和教材的指导,对课本上的例题程序进行练习,极大地限制学习广度和深度,且无法有效地将本课程与实际生活与应用联系起来,从而挫伤学生学习和动手的积极性。
3.学生能力培养
数据分析课程对学生能力的培养体现在综合运用能力和对结果的分析解释能力。理论课程传统的填鸭式教学,和实践课程拘泥于教材的例题程序的现状,将数据计算与数据分析分割开来,势必会限制学生综合运用能力和分析解释能力的发展,影响学生学习兴趣和课程教学效果。
二、翻转课堂教学理念
翻转课堂起源于美国林地公园高中,两位化学老师通过让学生在家观看视频,课堂进行练习的方式,完全颠覆传统教学模式。翻转课堂将传统教学模式中知识传授和知识内化两个阶段颠倒过来。与传统授课模式不同的是,知识传授不再是完全由课堂中教师的讲解完成,而是通过信息技术的辅助在课前或课后等业余时间完成,同时知识的内化不再是单一的由课后作业或者练习完成,而是通过在课堂中进行疑难解答、项目式学习、合作学习等方式进行。因此,对翻转课堂教学方法的实际有效利用可以将大学生学习时间最大化,并培养学生的自学能力、自我约束能力及分工合作能力。
在数据分析课程教学中,学生可以利用课余时间,结合教师提供的数据分析每一模块的课前学习材料,实现对数据分析课程基本方法和理论的了解,这样很好地利用学生的课余时间,培养学生的自学和约束能力。而对所学数据分析方法的具体应用、深入理解及综合分析等方面,学生可以通过课堂的各种活动和学习方式,以及和教师的及时沟通,和同学的合作交流等方式,在知识内化这一环节获得比传统课堂更好的学习效果。
三、翻转课堂在数据分析教学中的应用设计
近些年国内外很多对翻转课堂教学的研究,形成针对各个学科和地区的教学模式。如RobertKarplus提出的“探索-解释-应用”三阶段学习周期,RamseyMusallam提出的“探索-翻转-应用”模式,国内南京大学张金磊等人提出的由课前学习和课堂学习组成的翻转课堂教学模式等。
针对数据分析课程学科特点和本校学生基础水平及实际情况,本研究提出数据分析翻转课堂的教学流程:
课前――概念探索教学视频平台交流
课中――问题解决(经验交流,教师讲解)测试反馈项目创建协作学习及汇报
课后――平台交流,作业反馈
在课前教学环节中,概念探索是根据数据分析课程的学科特点设计的,由于学生初次接触数据分析,对很多基本概念及意义没有深入了解,意识不到社会意义和实践意义,在这一环节中学生可以通过教师给出的简单具体的实例演示,再加上信息丰富的网站、视频及博客等手段在教学交流平台上阐述自己对所学概念的理解,相互交流,以此实现对概念的初步正确理解。如对聚类分析的理解,学生可以概念探索这一过程中通过具体实例演示和对各种信息的阅读,了解到聚类分析作为数学工具的基本思想和在现实生活中的重要意义。
教学视频主要是微视频和幻灯片。对于教学视频的观看,要求学生针对自己的数学学习基础有选择地观看。教学视频中主要针对本单元学习内容进行讲解,同时还会提供与本单元学习相关的数学基础理论的教学内容。这种数学基础与数据分析内容相结合的教学材料可以让数学基础不完善的学生更有效地理解本单元的知识。在视频或者课前学习资料的制作中,需要结合每一章节的实际,主题突出,简短生动,而且有效。如在聚类这一章节中,对于各种聚类方法的介绍可以结合具体的实例,如与生活密切相关的人均家庭收入问题等,通过不同方法展示对比,从而做到对每一聚类方法的理解和融会贯通。同时需要介绍相关的Matlab编程方法,让学生结合理论和实际,通过编程过程实现对理论知识的理解和应用。
课前学习中,反馈是比较重要的一部分。教师可以通过平台交流得到课前理论学习的反馈信息,同时可以通过在线学习简单的作业练习,由此获得课前学习的反馈。
课堂教学仍然是很重要的一环。课堂上教师首先组织学生面对面交流,解决并了解课前学习中遇到的问题,对普遍性问题做详细解答。然后经过简单的例题让学生编程实现,并进行相应的解释,由此测试学生的学习效果。这样教师可以更好地掌握学生对每一章节数据分析理论的学习效果,以及学生对理论的应用构建能力。在保证学生对概念和理论的学习后,教师可以提供项目创建的基本信息和参考实例,如数学建模题目等。学生分组合作交流,选择自己感兴趣的问题成立合作组,结合本章节内容分析解决问题,寻找合适的数据处理方法,应用相关软件编程实现自己的想法,将理论应用于实践,并进行有效的分析,学生的问题解决过程和讨论过程可以在课下进行。在学生充分准备后,课堂上进行分组汇报,并进行自评和互评,实现学生对理论的应用和相互学习。
本章节教学内容结束后,教师组织学生在教学平台交流,并展示自己的作业和反思内容,巩固对本章节内容的理解。
四、教学设计效果分析
1.符合大学生学习特点
大学生作为已经独立的学习个体,拥有独立的学习和思考能力,同时具备独立学习时间和空间,而传统教学方式无法充分发展学生的独立学习能力,让学生的课余学习漫无目的,松散自由,无法充分利用课余时间。翻转课堂在数据分析课程教学中的应用让学生在课余时间的学习有的放矢,通过学习交流平台还可以相互交流督促,培养学生良好的独立学习和探索学习的习惯。
对于思想上已经独立的大学生来讲,个性化学习更符合学生的行为习惯和思想意识。在数据分析课程的学习中,学生可以根据自己的基础、学习习惯及自己的喜好等自由选择学习的材料、时间和方式,互不打扰,又可以相互交流。如对概念和理论的理解,学生可以通过网络资料,也可以选择图书馆的书籍,观看教学材料等方式进行,每位学生理解的深度和广度可能会有所不同,通过相互交流和共同知识构建和应用又可以相互弥补。这样的教学和学习方式极大地满足了不同学生对知识的需求,避免一刀切式教育,可以充分发挥学生的学习潜力。
2.增强学习效果
通过初步的教学实验,接受翻转课堂数据分析课程的学生无论在理论知识理解还是实践应用上都有明显提高。相对于传统课堂中的学生,在数据分析课程结束后,翻转课堂中的学生可以较好地阐述相关理论,通过Matlab软件编程实现对理论的应用,并给出合理的解释。通过测试对比可以看出,翻转课堂中的学生理论基础更加扎实,编程能力有很大提高。在翻转课堂试行后,学生在数学建模大赛中成绩有明显进步。
3.改善教学氛围
在数据分析翻转课堂中,学生学习积极性有很大提高。首先学生已经通过概念的探索阶段对所要学习的知识有初步了解和认识,能够较好地意识到所学知识的社会意义,增强学习兴趣和信心。其次,学习方式多样化,学生可以充分利用自己喜欢的现代信息设备,将手机、平板及电脑等学生喜爱的现代化信息设备变成学习的工具。避免学生与教师之间对手机等工具的对弈,改善学生将手机等单纯作为娱乐工具的现象。此外,学生在交流平台上的发言、总结和展示不仅乐意给学生带来成就感,而且可以激发其他学生的学习动力,形成你追我赶的学习氛围。
通过将翻转课堂理念初步运用于数据分析课堂,发现这一理念的运用可以有效解决目前数据分析课程教学中存在的一些问题,将理论教学与实践教学密切联系起来,并有效调动学生的学习积极性,取得较好的教学效果。在这一过程中,我们发现翻转课堂理念的实施不能拘泥于形式,需要根据具体问题和课程需要进行相应的调整。同时翻转课堂中需要教师付出更多精力进行探索,如更合适的教学资料和课堂活动设计。总之,翻转课堂理念的实施带来的不仅是教学形式的变化,更是对教师工作分工和角色的改变。
参考文献:
[1]宋艳玲,孟昭鹏,闫雅娟.从认知负荷视角探究翻转课堂[J].远程教育杂志,2014,(1):105-112.
[2]汪晓东,张晨婧仔.“翻转课堂”在大学教学中的应用研究[J].现代教育技术,2013,(8):11-15.
[3]张金磊.“翻转课堂”教学模式的关键因素探析[J].中国远程教育,2013,(10):59-64.
[4]周学刚.浅谈“数据分析”课程的教学[J].中国电力教育,2011,(7):110-111.
【中图分类号】C93-4 【文献标识码】A 【文章编号】2095-3089(2015)17-0056-01
管理学是一门新兴的学科,也是20世纪至21世纪初发展最为迅速的学科之一。管理学课程群,是包括《管理学原理》、《人力资源管理》、《战略管理》、《沟通管理》、《组织行为学》等课程的集合,是工商管理、市场营销等专业的核心课程群。其共同点在于通过管理现象、挖掘其中各要素的关联性,进而总结管理规律,做出管理决策。也就是说,通过管理学课程群的训练,目的在于锻炼学生利用既有数据和模型,分析变量与变量之间的关系,发掘特定情境下管理特征、支持企业决策的能力。由此,对数据的分析、解读能力,无论对管理学学科的发展,还是提高工商管理、市场营销专业学生的培养质量、提高他们的市场竞争能力,无疑意义重大。
一、当前管理学课程群教学存在的不足
作为兼具理论性、实践性双重特性的管理学课程群,在实际教学中明显地表现出不足:“重理论、轻实践”;“重介绍、轻分析”;“重西方、轻中国”。
(一)“重理论、轻实践”。概念解析、理论介绍和案例教学构成了目前管理学课程群教学的主体,教学组织过程单一,主要表现为“讲述概念――介绍理论――案例分析”。教学的侧重点是让学生掌握理论,进而运用该理论分析案例,然而,这种教学方法忽视了培养学生通过实践手段检验管理理论是否适用,以及从管理现象中挖掘管理方法、提炼咨询建议的能力。而这正是企业管理实践中需要的核心能力。
(二)“重西方、轻本土”。“重西方、轻本土”,同时“重介绍、轻分析”是目前管理学课程群教学的另一不足。作为“舶来”的管理学学科群,经典管理理论和最新研究动态均建构在西方国情和人文实际基础之上。对于传播的这些西方知识,倘若未经“检验”一味接受,必将导致理论和现实的脱节,会出现理论在中国“水土不服”的情况,“为中国企业管理实践导航”更无从谈起。“检验”的实质是西方理论本土化的过程,即在中国管理情境中,必须对西方理论进行审视,从其中吸取营养、获取能量,将其本土化后再指导管理实践。然而,当前的管理学课程群教学重视介绍管理现象,而轻视通过变量分析深入挖掘管理现象内在的关系和逻辑,从而容易使管理理论与实践相脱节;重视西方经验和理论,忽视将管理理论中国化、本土化的过程,关键是缺乏对“中国情境”的解读能力。
二、开展基于数据分析模型教学方法的必要性
应对上述教学方法带来的弊端,通过中国情境下的企业数据进行实证分析则是根本途径。这是因为:
第一,“大数据”时代的到来,数据呈现Volume(大量)、Velocity(高速)、Variety(多样)、Value(价值)等特点,在这样的背景下,传统的管理方法、手段受到极大地挑战,谁具备整理、分析“大数据”的能力,谁才能够在日益激烈的企业竞争中脱颖而出,为企业、为个人创造价值。正因为如此,目前具有数据分析能力的毕业生日益受到各类企业的青睐。因此,培养学生的数据分析能力,能够增强学生实践技能,使学生具有更强的创新创业精神和更强的就业竞争能力。
第二,就学科发展的角度而言,随着中国经济的发展,中国跃升为世界第二大经济体,对中国现象的分析日益受到重视。管理学也是如此,应摒弃全盘“西方主义”、“拿来主义”的态度,应重视中国情境下的管理经验、管理规律的探寻。由此,基于数据分析的对“中国情境”的挖掘、以及“中国情境”下管理的创新是管理学教师实验教学必须面对的一个重要课题。
三、基于数据分析模型的管理学课程群教学内容设计
(一)基础数据库资源建设模块。基础数据库资源是管理学课程群实验教学的前提。
第一,设计基于数据分析模型的管理学课程群教学数据库。这个数据库是包含若干中国企业管理的案例,可称之为“实训订单”,“实训订单”领域包括但不限于:企业管理环境、企业战略、企业组织、企业人力资源管理、企业财务管理、企业营销、企业生产运营管理等。这些“订单”是学生进行数据分析所依赖的数据库。“实训订单”的数据,既可以来源于上市公司的对外披露数据,也可以是走访调研取得的一手数据。
第二,建设管理学课程群教学的数据分析系统。这里的数据分析系统不是一个单一的数据处理软件或应用系统,而是一个致力于将目前主流的数据分析工具SPSS、Eviews、STATA等根据各自处理数据的优势集合而成的综合化系统,是一个根据具体的管理问题,寻找一种与之相匹配的分析模型的过程。例如,带有时间序列的企业人力资源预测,建议采用Eviews 6.0中的ARIMA分析模型,利用无时间的截面数据分析变量相关性时,建议采用SPSS 20.0中的方差分析等。目的在于锻炼和培养学生利用数据分析模型解决管理实践问题的能力。
(二)实践教学资源建设模块
第一,根据已有的管理问题数据分析“实训订单”,寻找一种与之匹配的分析模型。如前文所述,对于一个特定问题,尽可能要找到一种满意的与之相匹配的分析模型,以提高管理咨询的准确性和可信度,这是企业管理咨询的需要,也是培养学生分析问题、解决问题能力的需要。
第二,将“实训订单”和具体的分析过程按照教材建设的思路形成并完善,以供后期学生进一步学习以及教师教学参考使用。
四、教学过程设计
基于数据分析模型的管理学课程群教学改革实施过程分为三个阶段:
第一阶段是基础训练阶段。这个阶段重点教师向学生讲授数据模型的分析方法、步骤、检验过程、适用环境等,以及如何从“实训订单”中提炼合理的“因变量”、“自变量”、“中介变量”、“调节变量”、“控制变量”,即案例分析模型的建构。
第二阶段是案例分析阶段。这一个阶段的重点是将学生从暗示型案例分析提升到无边界案例,让学生在一个没有明确问题导向的案例中寻找突破口,以培养和提升学生识别问题的能力。
中图分类号:G643 文献标志码:A 文章编号:1674-9324(2017)06-0148-03
一、引言
实现“两个一百年”奋斗目标和中华民族伟大复兴“中国梦”,教育的重要地位特别是基础教育的基础性、先导性地位,尤为突出。作为高层次人才培养的主要渠道和载体,研究生教育对于未来社会发展起着重要的作用[1]。教学内容与教学方法作为影响研究生能力发展的基本前提,是提升研究生全面发展能力的关键环节[2]。而关键环节的保障取决于如何培养造就高素质专业化的教师队伍。
研讨式教学法源于早期的德国大学,现已成为西方发达国家高校中的一种主要教学方法[3]。研讨式教学是一种在教师的指导下,遴选主要研讨专题,学生选择搭配,先由学生进行简短报告,教师、学生共同参与讨论的教学形式[4]。对于研讨课的教学方式,一些高校也进行了积极探索并摸索出了一些创新性的教学方式。比较典型的大致可以分为圆桌研讨式、小组报告式和师生角色互换式三种类型[5]。圆桌研讨式适合于小规模的授课,有利于发挥学生的主观能动性、课堂参与度和研究探索能力。小组报告式能够锻炼学生的分工合作和人际沟通能力,但要求学生能力高、团队协作精神强。师生角色互换式锻炼了学生知识探索、组织策划和口头表达等能力,但对学生的时间概念要求高,同时避免一些学术讲授质量不高的现象。
大数据是复杂网络科学、人类动力学蓬勃发展的基础,也为交通工程提供了崭新的建模途径[6]。随着科学技术的进步与发展,大量宝贵交通数据得以保存与分析。大数据分析与挖掘技术已经被广泛应用到交通工程研究,特别是交通需求预测、交通状态估算与预测、交通出行行为分析、智能交通管理等方向的应用[7]。传统的、以讲授基础理论交通工程知识为主的教学方法,难以让研究生在短时间内真正掌握大数据分析与挖掘技术。研究[8]表明研讨式教学法在医学学生中得到了普遍的欢迎,教学效果比传统的讲授式教学也得到了进一步提升。本文结合同济大学研究生精品课程建设的教学探索与实践,对研讨式教学法在研究生交通大数据分析课程进行探讨与总结。
二、研讨式教学设计
研讨式是以目标为导向、以解决问题为中心的教学方式,通过由教师创设问题情境及交通数据,然后师生共同查找文献资料,研究、讨论、实践、探索、汇报,提出解决问题办法的方式,使学生掌握知识和技能[9]。研讨式教学要求以“导”为主,即教导、引导、指导、诱导等,而不是传统的讲授,这就需要充分发挥教师在教学过程中的主导作用,在教学内容、教学形式和教学意识上做好充分的准备,同时要激发学生从被动思维向积极主动思维转变,学会主动、自觉地获取知识,运用所学专业知识解决实际问题,进而提高学生的综合素质和能力。
面向交通大数据分析的研讨式教学主要步骤可分为:(1)设置贴近日常交通问题的情境及准备相应的交通数据。(2)提出有思考价值的问题,特别是问题的答案不能是简单的“是”与“否”或“对”与“错”。这就要求教师有全面、深刻、独到的见解,同时需要了解学生原有专业知识基础和能力水平。对于同一情境,可分为多个小组同时准备。(3)学生利用相关的教学工具报告自己的观点或研究进展,鼓励学生以多媒体课件形式展示自己的观念,并在规定的时间内完成汇报。教学工具一般包括黑板、网络、多媒w课件等。(4)针对报告内容,课程参与者(教师、学生等)向报告人提问,可针对报告提出自己的不同观点,或要求报告人对某些内容进行解释或表达看法。对课堂中出现的有关学术问题的争论一般不作“是”或“否”的绝对评价,以免影响学生在课堂上自由地进行学术思维和交流。(5)教师进行专题评点,简短地对讨论分组小结,并对比分析每个小组的优缺点,最后对情境问题进行总结,给出分析类似交通问题的技巧与注意事项。
三、案例分析
交通运输行业大数据来源主要在三个方面:基于互联网的公众出行服务数据;基于行业运营企业生产监管数据;基于物联网、车联网的终端设备传感器采集数据,包括车辆相关动态数据。为提供全面的交通信息服务,需要处理分析这些类型多样的大量数据。《交通数据处理分析技巧与应用》是同济大学面向交通运输工程学院硕士或博士研究生的选修课。通过教学使学生了解交通大数据背景、掌握处理分析交通数据的基本技能、了解学术论文写作的基本结构、熟悉面向学术论文写作的数据处理和图表制作基本技巧。教学内容包括MATLAB数值分析、数理统计基础知识、数据缺失处理技术、数据修补技术、数据异常处理技术等方面。将课程的这几个方面作为一个整体,建立教学计划、教学内容、教学方法、课件制作的讨论制度,形成教学内容互相支撑、教学形式基本一致但各具特色的研讨式教学方法体系。课程的亮点是将加强教学过程的阶段考查(以课外作业为主),重点加强综合性较强的研究型、开放型习题,充分利用课外作业巩固课堂知识并拓展课外知识,从而提高学生的综合能力。每个方面教学安排1个以上案例或作业,从而使学生加深对数据处理分析技术与应用的理解,培养学生的研究与应用能力。作业情况占成绩的50%、学生参与度占成绩的25%、学生表达能力占成绩的25%。由于本课程内容多、涉及面广的特点,教学模式以课堂教学为主,充分利用信息化环境和教学手段,提高有限时段内的教学效率和教学效果。结合案例教学的手段,通过开放性议题和专业性问题设计作业,鼓励课后分组讨论,以此来拓展教学的广度和深度,鼓励学生独立思考、主动学习的习惯。在教学方法上以互动教学为主,同时,与课外讲座结合,引进国内外一流的专家学者作为实践教学的手段,保证学生能获得最系统、最新的知识和方法。
1.设置6个案例,基本上平均2周完成1个案例,以保证整个课程的全程紧张度。第1个案例为辛普森悖论(课后练习时间约为2小时),不同的数据处理方法得到不同的结论,甚至是相反的结论,以此来促使学生思考什么是正确的数据处理技术。第2个案例为MATLAB练习集(课后练习时间约为36个小时),让学生掌握一门数据处理分析基本工具。第3个案例为数据缺失集(课后练习时间约为6小时)。这个集合中包括若干数据缺失项,学生通过一定的数据处理技术,找出缺失的数据,并利用一定数据修补技术来填补缺失的数据。第4个案例为异常数据集(课后练习时间约为8小时)。这个集合包括若干数据异常项。学生通过一定的数据异常处理技术,找出异常的数据,并利用一定异常数据处理技术来填补异常的数据。第5个案例为综合练习(课后练习时间约为24小时)。在课程结束前6周布置该案例,不分组汇报,而是每个学生都单独汇报(每人约3―5分钟,加上1―2分钟提问)。
2.案例设置原则。尽量做到连续5年的数据集不雷同,避免学生抄袭往届学生成果。同时,案例需要提出一些开放性的问题,答案不具备唯一性,避免同届学生的抄袭,同时便于学生互相讨论。例如,基于视频采集的交通数据中包括了每辆车的车速,可提出一些交通流理论流密速的基本图分析,但不限制用何种时间颗粒度来将微观单个车辆参数转化成宏观交通流参数。这样就避免了答案的唯一性,其中的时间颗粒度问题可供学生之间讨论。
3.每个案例都需要进行汇报讨论。建议小班化教学,尽量做到每个学生在一个学期中都能单独讲2次,锻炼学生的多媒体制作能力、口头表达能力,同时引导学生注意提纲结构框架、突出思想方法、给出观点结论等。在课件制作上,既着眼内容上的简明扼要,又注意形式上的美观大方,为课堂交流打好基础。该部分是对研究生的学术水平以及作风、礼仪、形象、现场驾驭能力等总体水平的检阅,这也为研究生后续学位论文答辩打下了基础。
4.师生活动讨论。每次案例讨论,鼓励引导学生提出题。由于每个学生都在完成一些共同的开放性问题,因此学生能提出一些与案例相关的问题。另外,部分在完成案例时遇到的问题,也可能在其他组的成果中得到了体现。教师在这个环节上,注意时间的掌控、及时引导、启发、点拨学生提问,以免出现冷场或偏题、跑题等现象,使研讨不断深入。
5.归纳总结。教师需要对每个案例的报告进行梳理和综合点评后,进行归纳总结,给予制度化的反馈意见,明确提出进一步的修改完善建议,引导学生自主独立思考习惯,培养自主创新的科研能力和写作水平。
四、讨论与总结
研究生的课程教学对研究生知识的掌握、能力的提升和科学素质的培养具有重要作用,而适宜的教学方法是提高研究生人才质量、培养创新精神和科研能力的根本。研讨式教学法改变了传统讲授式以教师为中心、以传授知识为主要形式的教学模式,确定了学生在教学中的主体性地位,有利于发挥学生的主观能动性。教师在研讨式教学法的整个过程中起到了决定性的作用,需要从三个层面来建立保障体系:第一层面是合理的教学内容和教学手段。需要教师在充分掌握知识点的基础上,合理安排教学内容,同时不拘于传统的教学手段,不断创新教学方法。第二层面是解放教师。需要从体制机制上把教师从事务性工作中解放出来,使教师能把更多的心思放在教学内容和教学方法的创新中,同时也需要从财政上来解放教师,提高教师待遇,使教师能安心在教学科研岗位上。第三层面是荣誉感和使命感。除了通过改善办学条件、关心教师生活、提高教师待遇等手段,也可以为新进教师或退休教师举办入职或退休仪式等,培养造就高素质专业化教师队伍,使教师富有强烈的使命感和荣誉感。
参考文献:
[1]顾红,孙光民.研究生课程教学方法改革与实践[J].北京工业大学学报(社会科学版),2003,3(4):92-93.
[2]徐清,喻萍,刘天宁.将研讨式教学方法带进研究生课程教学[J].昆明大学学报,2006,17(4):67-68.
[3]The Higher Education Academy,Seminar Teaching[EB/OL].2016.
http://english.heacademy.ac.uk/explore/resources/seminars/index.php.
[4]单甘霖,齐晓慧.研究生课程教学的研讨式教学方法初探[J].中国电力教育,2009,(130):103-104.
[5]孙绍荣.高等教育方法概论(修订版)[M].上海:华东师范大学出版社,2010.
[6]王璞,黄智仁,龚航.大数据时代的交通工程[J].电子科技大学学报,2013,42(6):806-816.
[7]唐要安.大数据在交通中的应用[J].交通世界(运输.车辆),2013,(24):126-127.
[8]Brunton,P.A.,L.A. Morrow,G. Hoad-Reddick,J.F. McCord,and N.H.F. Wilson,Students' Perceptions of Seminar and Lecture-based Teaching in Restorative Dentistry[J].European Journal of Dental Education,2000,(4):108-111.
[9]研讨式教学[EB/OL].百度百科,2016.
现今世界,利用大数据技术打造指引行业发展的风向标,已成为各行业向智能经济发展迈出的重要步伐。然而,当前大数据专业人才极其短缺。我校肩负着服务武陵山片区区域发展与扶贫攻坚国家战略的使命,承担着为西部地区培养优秀工程技术人才的重任。近年 来,我校紧跟以人工智能、大数据技术为代表的新科技发展步伐,积极推进新工科建设,成为首批30所入围数据中国“百校工程”项目建设院校之一[1],新获批的“数据科学与大数据技术”专业(以下简称大数据专业)于2018年开始招生。如何根据时代需求办好大数据新专业,以培养具有大数据思维、掌握大数据分析应用技术的高层次人才是我校面临的一个新挑战。大数据专业实践类课程教学是体现该专业办学质量和人才培养水平的重要标志。如何利用先进教学理念提高该类课程的教学质量和人才培养水平,是我校大数据专业建设 过程中必须重视的问题。本研究立足于我校大数据专业建设的实际需求,探究基于CDIO理念的大数据专业实践类课程教学设计模式。本研究的实施,将为我校创新型工程教育改革探索道路,不仅有利于提升我校大数据专业实践类课程的教学质量,也将对其他工科课程教 学改革起到一定的指导和借鉴作用。
1 CDIO工程教育模式的发展及内涵
上世纪80年代起,工程人才短缺和高等院校工程教育低质量之间的矛盾日益突出,产业对工程教育改革的呼声不断高涨。1986年,美国的工程教育学会、国家研究委员会和国家工程院等机构开始探索工程教育改革之路。2000年,麻省理工学院和瑞典皇家工学院等四 所大学组成的跨国研究机构,正式启动CDIO教育改革计划,在广泛调研和大量实践研究的基础上,制定了CDIO教学大纲[2]。2004年,CDIO工程教育模式创立,并开始向世界各国推广。2005年,瑞典国家高教署建立了CDIO的12条新标准,并将之用于对本国100个工程学位 计划进行评估[3]。迄今为止,包括麻省理工学院在内的丹麦、南非、法国、新加坡、中国等国家的几十所世界著名大学加入了CDIO国际组织。这些学校的多个工科院系在教学中借鉴和采纳了CDIO工程教育理念,取得了良好的效果。目前,CDIO已成为国内外高校工程教育改革和培养体系制定等领域研究和实践的热点。实践表明,CDIO教育模式不但能提高学生团队协作能力、综合解决问题能力,而且在学生创新能力培养方面效果显著。据文献[4-5],CDIO工程教育模式自2005年开始引入我国。2006年,汕头大学成为中国高校中的首个CDIO成员。2008年12月,教育部高教司理工处联合汕头大学主办了CDIO工程教育模式试点工作会议,成立“教育部CDIO工程教育改革试点工作组”,确定了18所高校及相关专业(机械类、电气类、化工类、土木类)为国内首批CDIO试点。工作组每年举办两次全国性的会议, 对CDIO试点工作进行交流、研讨和总结,并通过CDIO培训班为全国高校实施CDIO教育培养骨干人才。2016年1月,“全国CDIO工程教育联盟”成立。至今已有100余所高校加入联盟。这些高校的部分工科专业采用CDIO工程教育模式教学,培养出来的学生深受社会与企业欢 迎。当前,在联盟全体成员的共同努力下,我国高校积累了一系列改革经验与成果,在基于CDIO理念建立专业培养标准,构建一体化课程体系,实施基于项目/问题、探究式等主动教与学方法等方面都取得了显著进步,有效推进了CDIO的本土化与再创新。近年来,国内CDIO的研究趋势从CDIO教育模式、教学体系等宏观的主题向具体的课程教学改革、课程建设等更深更细的方向发展,诸多教师在教学实践中尝试了采用CDIO理念进行课程教学改革的研究与探索[6-10]。CDIO工程教育模式是国际创新型工程教育改革的最新成果,体现了系统 性、科学性和先进性的统一,代表了当代工程教育的发展趋势。该模式以产品研发到产品运行的生命周期为载体,让学生以主动的、实践的、课程之间有机联系的方式进行工程学习。CDIO的4个字母代表Conceive(构思)、Design(设计)、Imple⁃ment(实现)和Operate(运作)四个单词。CDIO主要包括三个核心文件[11]:1个愿景、1个大纲和12条标准。CDIO愿景提供了一种强调工程基础的、建立在真实世界的产品和系统的“构思-设计-实现-运行”的CDIO过程背景环境基础上的工程教育。CDIO大纲从技术知识和推理能力、个 人职业技能和职业道德、人际交往技能、企业和社会的构思-设计-实施-运行(CDIO)系统四个方面,以逐级细化的方式,将工程师需具备的工程基础知识、个人能力、人际团队能力和整个CDIO全过程能力表达出来,要求用综合的培养方式使学生在工程基础知识、个人能力、人际团队能力和工程系统能力四个层面达到预定目标。CDIO的12条标准[12]涉及到专业哲学(标准1)、课程计划开发(标准2-4)、设计实现经验和实践场所(标准5-6)、教与学的方法(标准7-8)、教师发展(标准9-10)、学生考核与专业评估(标准11-12),回答了工程教育“如何培养人”的问题,使得工程教育改革变得具体化、可操作和可测量,能够对整个教育模式的实施和检验起到系统全面的指引作用,对学生的学和教师的教都具有重要指导意义。
2 CDIO理念下大数据专业实践类课程教学设计的思路与策略
2.1 设计思路
大数据专业实践类课程教学是培养学生运用理论知识、科学方法和技术技能去解决大数据工程实际问题并进行科技创新的实践能力的重要环节。目前,我校大数据专业实践类课程教学组织方式通常以项目为单位设计,重视对学生解决实际问题(主要是项目涉及到的 具体问题)的能力,但不关注学生在整个项目周期中知识、能力、态度等的变化情况,无法全面覆盖技术性与非技术性能力的培养目标。CDIO理念要求培养出来的学生必须在工程基础知识、个人能力、人际团队能力和工程系统能力四个层面都达到预定目标。CDIO教育模 式强调一体化与参与性,促使学生在项目研发到项目运行的整个项目周期中进行锻炼与思考,课程教学不仅要关注学生学到的学科知识,更要关注学生能力、素质的提升情况。显然,CDIO理念下大数据专业实践类课程教学设计应强调“知识与能力”并重,紧扣CDIO大纲 和CDIO标准,进行教学大纲和教学组织方式的设计,并设置以“学习评估为中心”的多样化考核方式。
2.2 设计策略
教学大纲方面,本研究尝试结合大数据类专业培养目标,依据CDIO大纲,对大数据专业实践类课程教学大纲进行设计:依据CDIO大纲的主题和条目组织课程大纲结构,并明确描述与期望能力要求相对应的课程学习目标。教学组织方式方面,本研究尝试在大数据专业 实践类课程教学中以“做中学”为依托,将整个课程教学安排以项目为载体,针对每个项目为学生提供“构思-设计-实施-运行”的流程,并将实践所需知识、能力、素质等培养目标围绕项目这个核心融入教学实践中,让学生的整个学习过程变成对一个个项目的完整实践过程。教学考核方面,本研究尝试匹配CDIO大纲的能力目标,具体根据课程概念及原理性知识的理解、技能掌握、设计—实现经验获取、分析及解决问题能力、交流表达能力和综合实践能力等类别的学习效果的评估需要,在大数据专业实践类课程教学考核方式设置时, 对不同类别的学习效果设计不同的考核方式。
3 CDIO理念下的大数据专业实践类课程教学设计模式
3.1 教学大纲框架设计
基于CDIO理念的教学大纲需要对融合了知识、能力、态度的学习效果进行准确描述,并清晰指明该课程整体及每一节课对学生所需学习的内容和所需掌握的能力要求。依据CDIO大纲中关于个人能力、职业素养等方面的培养要求,本研究将大数据专业实践类课程教学 大纲框架设计为如表1形式。
3.2 教学组织方式设计
如何在实践教学组织中体现CDIO教育理念是实施CDIO教学的基础[13]。本研究基于CDIO理念将大数据专业实践类课程教学组织方式设计为如图1所示的“理论讲授-任务布置-项目构思-项目设计-项目实施-项目运行”六个环节构成的有机体。让学生在参与项目的构思 、设计、实施、运行这四个环节的活动中逐渐形成较完整的系统思维。
3.3 考核方式设置
中图分类号:G4
文献标识码:A
doi:10.19311/ki.16723198.2017.01.080
1引言
管理定量分析课程是应用统计学、运筹学、预测与决策等理论和方法研究经济管理问题的系列应用性课程,它通过收集、整理、分析和解释实际数据来获得有价值的信息和知识,探索经济管理问题的运行规律,辅助企业管理决策和提高管理效率。
近年来,大数据的出现对企业的生产、经营和决策等活动带来了深刻的影响和变换。越来越多的企业致力于应用大数据技术来挖掘企业经营数据的内在价值。
大稻菁际醯某鱿郑对管理定量分析课程教学带来了机遇和挑战,一方面,它极大地丰富了管理定量分析的教学内容,提供了诸多的新理念、新技术和新工具;另一方面,它对现有的管理定量分析课程的教学内容、教学模式和教学团队等带了更高的要求,已有的教学模式难以匹配大数据时代对管理人才提出的高要求。
如何顺应大数据时代的新趋势开展管理定量分析课程教学,如何结合新趋势优化管理定量分析课程设置,如何建立适应大数据背景下的管理定量分析课程教学团队,如何增强大数据背景下学生的数据驱动的管理决策意识,培养适应大数据时代要求的高素质人才,这些都是现有的管理定量分析课程教学所面临的问题,这也促使我们不得不去思考、探究、优化甚至改革现有的管理定量分析课程教学模式。
2现有的管理定量分析课程教学概述
笔者所在的教学团队来自于武汉科技大学管理学院,承担全院《管理统计学》、《运筹学》、《系统工程》等课程教学,具有丰富的教学经验。然而,在教学实践当中,我们发现:尽管现有的管理定量分析课程教学模式比较成熟,但是仍存在“三多三少”的不足,而这些不足恰恰难以应对大数据背景下对管理定量分析课程教学带来的挑战。
2.1理论讲授较多,实践教学较少
随着市场竞争的日趋激烈,越来越多的企业采用定量分析方法进行企业决策,管理定量分析方法也成为管理类专业的重要课程。然而,实际教学过程中却发现,学生对该类课程的积极性不高,学习过程中出现畏难,不耐烦等消极情绪,导致实际教学效果大打折扣。
究其原因,一方面,目前的管理定量分析方法主要介绍各种不同类型的定量方法的原理、模型和理论,因而教师主要采用理论讲授为主的教学手段,加上定量分析方法这类课程对数学要求较高,有不少理论模型、数学公式和逻辑推理,对学生的数学要求较高,相对于理工类学生,管理类专业的学生数学基础较为薄弱,因而学生本能地会产生排斥心理;另一方面,现有的定量分析方法主要讲授其原理,大部分老师缺乏参与企业实际管理决策的经历和经验,难以向学生讲授应用定量分析方法解决企业实际管理决策的情景和过程。
2.2数学推导较多,案例应用较少
目前,关于管理定量分析课程教学存在两种观点:一种是“重理论轻应用”,该种观点认为管理定量分析课程是一门综合统计学、运筹学、预测与决策等理论和方法的理论课程,应该注重定量分析的理论和方法的讲授,以理论推导和数学模式为主;另外一种是“轻理论重应用”,该种观点认为管理定量分析课程应该强调统计学、运筹学、预测与决策等在经济管理中的应用,以Excel和SPSS等工具为手段,突出应用案例教学。
目前,“重理论轻应用”的教学模式占大多数,这种模式注重理论讲授和数学推导,理论方法与实际案例结合不够,学生掌握了零散知识,但无法解决实际问题。此外,部分教材也以理论讲授为主,缺乏深度的应用案例,也不注重定量分析软件的应用,学生面对实际问题往往束手无策。
2.3知识传授较多,综合训练较少
管理定量分析课程考核一般采取闭卷考试,题型包括填空题、单项选择题、多项选择题、简答题和计算题等,尽管题型多样,但是这种考核方式仍然只能考察学生对基本的单一知识点掌握情况,难以考察其综合运用定量分析方法解决实际问题的能力。
然而,大数据时代的到来对从业者提出了更高要求,除了掌握基本的定量分析方法原理,还要求从业者具备应用定量分析方法来实现数据获取、数据预处理、统计建模、模型检验、模型评价、模型部署等,从而解决实际问题的综合能力。而这些综合能力无法通过单一知识点的考核来实现,需要通过参与理论学习、软件操作、模拟场景或实际项目等综合训练才能够达到。
3大数据背景下管理定量分析课程教学探讨
面对发展迅猛的大数据技术,现有的管理定量分析课程教学模式难以跟上大数据时代对其提出的新要求。如何顺应大数据时代的新趋势开展管理定量分析课程教学,如何结合新趋势优化管理定量分析课程设置,如何建立适应大数据背景下的管理定量分析课程教学团队,如何增强大数据背景下学生的数据驱动的管理决策意识,培养适应大数据时代要求的高素质人才,这些都是现有的管理定量分析课程教学所面临的问题,这也促使我们去思考、探究、优化甚至改革现有的管理定量分析课程教学模式。
3.1构建知识融合的课程设置
合理的课程设置是开展课程教学的前提,更是人才培养质量的重要保障。课程设置应适应于教学目的、培养目标和学科发展趋势。
最初,管理定量分析课程以“统计学”、“运筹学”为主干。随后,根据学科的发展趋势,先后加入“统计软件应用”、“计量经济学”等新课程。近年来,大数据的发展对从业者提出了更高要求,简单定量分析方法传授难以适应新要求,需要从业者掌握更多的分析方法和数据挖掘、机器学习等新技术。遵循知识融合的思路,管理定量分析课程应引入大数据分析、数据挖掘、机器学习等前沿技术,加强SPSS/SAS/R等操作能力,尤其应注重培养应用新技术解决企业实际经营管理问题的能力。
3.2探讨案例驱动的教学模式
尽管目前的管理定量分析n程有多媒体教学、板书教学等方式,但是管理定量分析课程仍以理论教学为主,简单统计工具应用为辅,忽视了培养学生的实际操作能力,无法形成“教-学-用”的良性闭环。
大数据时代下,数据拥有更大的价值,从业者应具备从数据中挖掘知识和信息的能力。因而,管理定量分析课程应引入实际案例,综合训练应用定量分析方法解决实际问题,挖掘新知识和新信息的能力。
管理定量分析课程教学应逐步转向理论传授、案例驱动相结合的模式。近年来,业界出现了不少应用大数据解决企业管理决策问题的案例。例如IBM开展基于大数据的订购分析;Google利用大数据预测全球流感趋势;百度预测春运流量等。这些都为管理定量分析课程教学提供了丰富的案例。
在课堂教学之外,通过参加大数据竞赛、邀请大数据分析专业人员开展讲座,参加科研项目,参与企业实习等,培养学生应用SPSS/SAS/R等处理和分析数据的综合能力。
3.3建设学科交叉的教学团队
管理定量分析课程教学离不开教师和教学团队的支持。大数据对管理定量分析课程教学提出了新要求,新背景下的管理定量分析课程教学涉及统计学、运筹学、统计软件、计量经济学、数据挖掘等不同学科的知识,因而建设一支适应大数据背景下的新要求的管理定量分析课程教学团队尤为重要。
目前,管理定量分析课程的教学师资主要以统计学和运筹学等学科背景为主,大部分老师未掌握数据挖掘、机器学习、R、SPSS等,建设学科交叉的教学团队是课程教学质量的重要保障。新型的管理定量分析教学应加强SPSS、R、数据挖掘、机器学习等的学习,建立学科交叉的教学团队,加强管理统计软件和数据挖掘等训练,注重理论教学和上机实践的结合,培养学生应用分析工具进行实践的能力。
4结语
管理定量分析课程是一类应用统计学、运筹学等理论和方法研究经济管理问题的系列应用性课程。大数据技术的迅猛发展对现有的管理定量分析课程教学带来了极大的挑战。本文以大数据背景下的管理定量分析课程教学模式为主线,首先,分析并总结现有的管理定量分析课程教学的“三多三少”的特点和不足;其次,结合大数据背景探讨了新型的管理定量分析课程教学模式,提出了:(1)构建知识融合的课程设置;(2)探讨案例驱动的教学模式;(3)建设学科交叉的教学团队的新型管理管理定量分析课程教学模式,它融合了课程设置、教学模式和团队建设,注重定量分析理论和应用的结合,有助于顺应大数据时代对管理类专业学生的新要求,培养他们的数据驱动的量化分析和管理决策意识,增强其解决实际问题的能力,进而提升其职业竞争力。
参考文献
[1]顾剑华.关于工商管理专业管理定量分析课程建设的思考[J].当代教育论坛,2009,(4):127128.
[2]邓淇中,周志强.管理定量分析课程教学改革探讨[J].当代教育理论与实践,2013,5(4):9294.
[3]龚丽.管理定量分析课程的教学探讨[J].大学教育,2014,(17):111112.
中图分类号:G424 文献标识码:A DOI:10.16400/ki.kjdkx.2015.02.048
On "Error Analysis and Data Processing" Course Teaching Method
SONG Jinbo, ZHANG Yan, DUAN Zhiwei, YIN Haishuang, ZHAO Zhihua
(School of Electrical Engineering & Information, Northeast Petroleum University, Daqing, Heilongjiang 163318)
Abstract Course "Error Analysis and Data Processing" is the most engineering colleges have opened a door measuring basic course, aiming at "Error Analysis and Data Processing" feature and teaching experience in curriculum, teaching in the analysis of the previous question, for of the corresponding reform measures proposed and achieved good results in teaching practice.
Key words Error Analysis and Data Processing; teaching reform; teaching methods
“科学始于测量”,但是由于实验方法和实验设备的不完善,周围环境的影响,以及受到人们认识能力的限制,测量所得数据和被测量真值之间,不可避免地存在差异,这在数值上即表现为误差。在人类认识自然改造自然的过程中,测量无处不在,所以,误差也随之存在于每一次的测量过程中。虽然随着科技发展,可以将误差控制得越来越小,但是终究不能完全消除误差。为了充分认识和减小或者消除误差,国内的工科院校大部分仪器仪表类学科普遍开设了关于误差分析与数据处理的课程,虽然课程名称略有不同,但旨在培养对测试系统存在的误差具有一定分析处理能力的工程技术人员。
误差分析与数据处理课程是我校测控技术与仪器专业的一门专业基础课。本文针对测控技术未来几年的发展趋势和人才培养目标,结合目前误差分析与数据处理课程的特点及教学情况,对该门课程的教学方法进行了分析研究。
1 课程特点
误差分析与数据处理是一门以数学为基础的课程,以高等数学、概率论以及线性代数等数学课程作为先修课程,所学内容是传感器原理及测试理论与技术等课程实验数据处理的基础,并且也是将来工程测量过程中必须掌握的数据处理理论之一。该课程讲授各种物理量的静态测量和动态测量的误差分析与数据处理方法。通过该课程的学习,使学生掌握测试数据的分析与处理方法,获得最接近真值的测量结果,结合测量实际,能够选择合理有效的测量仪器,并制定科学的测量方案。
2 教学现状及存在的问题
2.1 理论与实践脱节
由于误差分析与数据处理课程涉及到很多数学知识,并且大部分的相关教材都是理论的,在实际应用方面偏弱,在教学中很多同学误以为这是一门数学课,而忘了理论学习的初衷是对测量系统的误差进行处理。由于实践环节的缺失,对误差来源的分析也只停留在理论上。这些理论和实践的脱节导致学生不知道如何学习这门课,学了有什么用,从而导致学习兴趣的缺失,教学效果不理想。
2.2 教学方法需改进
目前,数据误差分析与数据处理课程的教学方法还停留在传统的课堂“填鸭式”教学模式中。对于这样一门理论性、实践性和逻辑性都很强的课程,简单的多媒体一页一页讲授的方式,在学生的脑海里很难留下深刻的印象。同时,大量的数据处理工作都是通过手算的方式,没有与专业的计算软件之间建立联系,导致学生对如何运用所学方法对批量数据进行处理产生了困惑,影响了学生的学习热情。
3 教学改革措施
在教学改革过程中,要强调的是误差分析与数据处理的过程不是一个简单的对测量数据处理的过程,而是对测量过程的全面分析与掌握。
3.1 改革教学内容
一方面,加强教学内容的整合,使基本原理学习更具条理性。首先,经过对测量过程的全面分析,明确测量数据中的误差类型。其次,根据误差类型和分布的不同,选取不同的处理方法。最后,按照误差性质不同,对粗大误差进行剔除,确定系统误差大小并进行补偿,对随机误差进行界限的估计。由于实际测量过程中误差性质界面不是十分明显,会有系统误差和随机误差的相互转化。因此,必须对测量的各个环节进行精确的分析,包括测量环境、所使用的仪器状况、测量方法是否得当等等,从而才能选择合适的数据处理方法,做到对测量误差客观、合理、精确的估计。
其次,以教材为基础,以测量设计为根本,扩展教学内容。大部分的误差分析与处理教材只强调测量后数据列的处理原理,并没有对测量过程进行任何分析。实际的误差分析与处理过程并不是一个针对测量数据列的计算过程,而是针对测量过程中的任何可能出现的误差估计与综合。所以,在教学过程中一定要给学生明确这一观点,要对测量过程有深刻的认识。同时结合测控专业的特点,任何一个测量过程都离不开传感器、信号处理以及数据采集,可以从这三个方面分析误差的来源。
最后,引入科学计算软件,将理论推导转化为测量精度的实际计算。在教学过程中,无论是静态数据误差处理还是动态误差分析,都需要根据理论进行大量的数据计算,耗时耗力。在教学过程中将数据处理方法演示给学生,直观地让学生知道如何对实际测量的数据进行处理。Matlab软件的计算功能涵盖了误差分析中所有的数据处理要求。同时,还可以用Matlab中的GUI进行图形可视化界面设计,将对数据进行处理的设计在可视化窗口中,导入数据分析即可从窗口中获得误差信息。如图1所示为电压-电流测量实验的误差分析与数据处理GUI界面。
图1 实验数据误差分析GUI界面
3.2 改革教学方法
将传统教学的板书与现代教学的多媒体相结合。教学过程中,原理的推导过程晦涩繁琐,都写在板书上占用了大量的教学时间,可以直接做成多媒体形式,增加适当的放映动画效果,既吸引了学生的注意力,又节约了有限的教学时间。但是,完全的多媒体教学会让学生感觉一页一页的多媒体课件翻过去后,一节课的主要知识点不明确,没有深刻的印象。所以,将教学过程中的主要结论及知识点,或者数据处理过程以板书的形式写出来,加深同学对这部分知识的印象,有效避免了完全的多媒体教学给学生带来的空洞感。教师要合理安排多媒体与板书内容,做到二者完美衔接,引起学生对误差分析与数据处理课程的学习兴趣。
采用启发式教学,引导学生思考。老子说“授人以鱼,不如授之以渔”,大学教学过程中一定要引导学生思考,让学生在学习专业理论同时,学会学习。在合理利用了板书和多媒体讲解的同时,引导学生思考,使学生的疑问在教学过程中得以解决,引发听课兴趣。
将理论与实践联系起来,学以致用。误差分析与数据处理教材上的内容偏向于对测量数据进行误差计算处理,基本的模式是“分析测试误差(误差分类)――误差处理方法(针对不同性质误差选择不同的处理方法)――误差计算与精度估计”。但是,在实际应用过程中,误差分析与处理是针对测量系统的全面分析,是在给定测量系统精度要求前提下,选择所需要的测量仪器,组成测试系统,然后根据测量的实际条件及测量过程中可能产生误差的因素分析,综合评定可能产生的误差大小的过程。通过分析得到的误差大小看是否在给定精度允许范围内,如果满足要求则根据所选仪器确定最终的测试系统及测量方案;否则,继续重复仪器选型及测量实际分析过程,从而确定最佳的测量系统。确定了最佳测量系统及测量方案后,对被测量进行测量,进而计算在具体实际测量过程中的误差大小,给测量结果客观精确的精度估计。因此,可以在教学过程中,与传感器实验课程相结合,给定精度要求,利用实验室的教学资源,让学生自己设计测量系统及测量方案,分析测量过程中产生的误差,通过不同的测量仪器和测量方法的对比,确定最佳测量方案,以达到学以致用的目的。
3.3 完善考核方式
在对知识掌握情况考试时,主要进行两方面的考核,一是通过试卷考核学生对基础理论的掌握情况。要求题目灵活,注重原理结论的灵活应用,尽量避免繁杂的理论推导。二是适当增加实践环节的考核比重。通过安排测量方案设计作业,使学生在掌握理论的同时,应用于实验测量分析当中,通过软件对测量数据进行误差分析处理,将理论与实践结合起来。
4 结论
误差分析与数据处理是一门理论性和实践性很强的课程,是测控技术与仪器专业学生必须掌握的专业基础知识,是从事测量工作的基础。笔者在过去的教学过程中不断地积累经验,也不断地探索着有效的教学改革方法以提高教学质量。同时不断地整合丰富教学内容,合理安排教学学时,在有限的教学时间兼顾传统教学和学生讨论,将科技前沿融入教学,丰富学生的专业知识。希望通过不断的改革与创新,提高学生对误差分析与数据处理课程的学习主动性和应用能力。
黑龙江省教育科学十二五规划课题:GBB1213024
注释
[1] 费业泰.误差理论与数据处理[M].机械工业出版社,2005.
[2] 范锦彪,马铁华,杜红棉,沈大伟.“误差理论与数据处理”课程的教学改革与实践[J].中国电力教育,2014(5):140-141.
中图分类号:TP311文献标识码:A 文章编号:1009-3044(2008)16-21267-03
Data Mining Based Course Competence Development of C Programming Language for Vocational College
GUO Xiao-chen1,2
(Chenzhou Vocational Technical College,Chenzhou 423000,China)
Abstract:In this paper we utilize the data mining technology into the course of C programming language in vocational colleges in order to classify and predict the examination result, and eventually find out the implied information. This is helpful to make guidance for improving the quality of teaching and deepen the teaching reform.
Key words: data mining; concept description;class comparision; C Programming Language
1 引言
C语言程序设计课程是计算机应用和电子信息工程专业的必修程序设计课,是知识性、技能性和实践性很强的课程。主要培养学生利用计算机来处理实际问题的能力和培养学生程序设计的思维能力,使学生能够掌握C语言的基本语法和算法,能利用C语言进行基本的程序设计。
C语言程序设计主要由数据描述、程序控制两大模块组成,包括基础数据类型、流程控制、函数和复杂数据类型等四个单元的内容。笔者从事多年的C语言程序设计教学工作,如何利用有效数据分析工具,将所积累的丰富的数据转换为有价值的知识,了解和分析学生的知识掌握及能力培养情况,并采用相应的教学改革。
2 数据挖掘技术的概念和内涵
数据挖掘(DataMining)是对大量的、不完全的、有噪声的、模糊的、随机的实际数据,进行抽取、转换、分析和模型化处理,从而提取能辅助决策的关键性数据,并能结合应用领域的特点,推导出有用的知识的过程;简而言之,数据挖掘就是深层次的数据信息分析方法。通常采用概念/类描述、关联分析、分类和预测、聚类分析及演变分析等方法来完成数据挖掘。数据挖掘的过程是一个线性的过程,依据不同信息平台的数据类型,采用面向环境的管理方式,实现面向环境要求的数据挖掘。数据挖掘的过程一般由数据准备、数据挖掘、结果的解释与评估四个阶段组成。
3 数据挖掘技术在《C语言程序设计》课程能力培养分析中的应用
3.1 数据仓库的建立
挖掘所需要的数据来源于某高职院校近3年来计算机应用和电子信息工程两专业近860名学生的C语言程序设计这门课程的期末考试成绩、实验成绩及实习成绩,给定属性学号(ID)、姓名(name)、性别(gender)、专业(major)、科类(section)、成绩(result)。成绩部分包括考试成绩(test_result简称为t_r)、实验成绩(experimental_result简称为e_r) 、实习成绩(practice_result简称为p_r)及总分数(total_score简称为t_s),其中总分数=考试成绩×70%+实习成绩×20%+实验成绩×10%。通过对考试试卷的分析统计,基础数据类型(Foundation Data Type简称为FDT)、流程控制(Process Control简称为PC)、函数(Function简称为F)和复杂数据类型(Complicated Data Type简称为CDT)四个单元的分数比重分别为20%,30%,20%,30%,综合考虑各单元的内容,汇总统计出各单元的满分分值为14,21,14,21。
该数据挖掘任务可以用DMQL表示如下:
Define cub discretmath〔ID,name,gender,section,major,result〕。
total_score=sum (result);
define dimension result(test_result,Programes_result,practice_ result);
define dimension test_result(FDT,PC,F, CDT)。
数据仓库的结构如表1:
3.2 数据的预处理
由于现实中的数据多半是不完整的、有噪声的、不一致的,某些学生的成绩会因教师个人感情或其它因素而分数偏高或偏低,从而导致现有分数含有一定偏差的噪声数据,对此可以通过数据的预处理技术改进数据的质量,提高其后的挖掘过程的精度和性能。本文利用数据清理中的聚类中K_平均算法找出孤立点,并利用分箱技术将噪声去掉。表2为经过数据预处理的二维视图。
以上数据仓库中的数据,就是经过预处理后,得到的是集成的、概念分层的、不含有噪声的数据,该数据可以用来进行准确的数据挖掘工作。
3.3概念/类描述
3.3.1数据概化
数据库中的数据和对象通常包含原始概念层的细节信息,在多数情况下,感兴趣的一般是在不同抽象层上得到的数据的量化信息或统计信息。因此,首先采用解析特征化进行属性相关分析,来帮助识别不相关或弱相关属性,将它们排除在概念描述过程之外。概化过程如下:
1)收集目标类数据,它由计算机专业的集合组成,对比类数据取电子信息工程专业的集合;
2)用保守的属性概化阈值进行面向属性的归纳,通过属性删除和属性概化进行预相关分析。
ID:由于ID存在大量不同值,并且其上没有概化操作符,该属性被删除;name:由于name存在大量不同值,并且其上没有概化操作符,该属性被删除;gender:由于gender只有两个不同值,该属性保留,并且不对其进行概化;major:假定已定义了一个概念分层,允许将属性major概化到值{计算机应用,电子信息工程};section:假定已定义了一个概念分层,允许将属性科类概化到值{理科,文科,对口};total_score:该属性存在大量不同值,因此应当概化它。假定存在total的概念分层,将分数数值区间{100_85,84一70,69_60,59_0}按等级(grade){A,B,C,D}分组,这样该属性可以被概化。
表3通过对表2的数据进行概化得到的关系
3.3.2类比较的实现
通过概化处理,数据仓库中的属性基本已经得到了单个类的描述。但我们希望挖掘一个描述是它能将一个类与其它可比较的类相区分,因此采用挖掘类比较来实现。现给定了属性gender, section,major, test_result,program_result,practice_ result和grade。
1)专业类别分析
首先确定目标类与对比类为属性major中计算机应用和电子信息工程两个不同专业的学生;其次,对两个数据上进行维相关分析,不相关或弱相关的维从结果类删除;再次,在目标类上进行同步概化,产生主目标类关系,如表4所示。
从表4可以看出,与电子信息工程专业相比,计算机应用专业的学生趋向平均分、实习成绩及实验成绩这三部分分数较高,体现出学生在知识应用能力和计算机编程能力上较强,但对知识掌握出现两极分化严重,针对这部分基础知识掌握不牢固的学生,教师在执教时就应考虑加强基础知识的巩固。相对而言电子信息工程专业的学生对基础知识的掌握基本较好,但对该课程的灵活应用有所欠缺,这就使得在教学过程中应适当注重培养学生的应用能力,加强对他们编程、实验及实习的辅导。
2)性别类别分析
首先确定目标类与对比类为属性gender中的男和女;其次,对两个数据上进行维相关分析,不相关或弱相关的维从结果类删除;再次,在目标类上进行同步概化,产生主目标类关系,如表5所示。
表4 主类(计算机应用)与目标类(电子信息工程)关系 表5 主类(男)与目标类(女)关系
从表5可以看出,与女生相比,男生从总体上对该门课程的学习效果较差,不及格率较高,且优秀率低,基础知识掌握不牢固,体现出不少男生学习态度不端正,目的不明确,缺乏学习的积极性。而女生这门课的成绩比男生好,优秀率高,及格率高,对基础知识掌握牢固,但在知识的应用能力方面欠佳不能很好地灵活运用;由此可见,教师在教学过程中须考虑学生的性别差异,因材施教。
3)科类类别分析
首先确定目标类与对比类为属性section中文科类、理科类和对口类;其次,对两个数据上进行维相关分析,不相关或弱相关的维从结果类删除;再次,在目标类上进行同步概化,产生主目标类关系,如表6所示:
从表6可以看出,与理科类、文科类相比,通过对口高招进来的学生不管对理论知识的掌握还是在实践技能上都比较突出,且目的性非常强。而文科类与理科类相比, 文科类对基础知识的学习优于理科类,但在知识的应用能力上较差,理科类则恰恰相反。可见,教师在教学过程中除了考虑普遍学生存在的问题外,还需要注意学生的差异,对于对口类学生而言应多准备一些相对大的项目,让其能“吃饱”,而对于理科类和文科类学生一方面要加强理论基础知识的学习指导,另一方面要适当注意培养其应用能力,加强对编程及实践方面的辅导。
4 结论
利用多年的C语言程序设计课程的成绩的数据,通过数据挖掘技术探索和发现两个专业学生对这门课程的知识掌握及能力培养的情况,可以有针对性地进行教学内容和教学方式的改革,使得学生更好地掌握C语言程序设计这门课的知识,培养各方面的能力,为以后的课程学习、专业发展打下坚实的基础。
参考文献:
[1] JiaweiH,MichelineK.DataMiningConceptsandTechniquo5[M].Beijing:China Machine Press,2006.
[2] 朱明.数据挖掘[M].合肥:中国科技大学出版社,2O02.
[3] 张锦祥.高级程序设计语言课程教学改革与实践[J].浙江教育学院学报,2007(4)71-76.
关键词: 数据挖掘;分类;回归;客户忠诚度
Key words: Data Mining;classification;regression;Customer Loyalty
中图分类号:F83 文献标识码:A 文章编号:1006-4311(2013)06-0140-04
0 引言
上世纪八十年代来,随着市场竞争的日趋激烈,企业在市场营销上面临着新的挑战,传统的4P理论越来越不适应市场发展变化的需求。如今的市场营销无论是理论还是实践都已经实现了向4C的转变。在4C营销理论中,首先强调的就是客户(Customer),它居于这一理论的核心地位。所以这种营销理论又被视为一种“以客户为中心”的营销战略。而这一营销战略的核心思想就是追求“客户忠诚”的目标。对于“客户忠诚”,至今还没有一个准确的定义,但是在一些理论阐述和实践应用中,这一概念被普遍理解为是某个企业的客户对该产品或服务有愿意继续购买的倾向。虽然这种解释并非正式的,但是从一些衡量客户忠诚度的指标上可以得到证实,比如客户对其所认可的产品进行长期、频繁、大量的购买,或者与企业建立某种长期的合作关系等。
随着市场营销实践的不断发展,客户的忠诚度以及变化趋势进行研究引起了业内的广泛关注。本文针对这一趋势,设计了一套客户忠诚度预测系统,通过数据挖掘技术的引入,对客户数据进行科学分析,帮助决策者做出正确决策。
1 系统功能简介
到目前为止,国内外已经有许多成熟的CRM产品,它们已广泛应用于零售业、制造业、金融业等,这些产品也用到了数据挖掘技术,如聚类分析算法或孤立点算法等。但是它们更多的是将目标放在对客户分类或找出最忠诚的或是最不忠诚的客户上,其功能受到了一定局限,无法对客户忠诚度的变化趋势进行可靠预测。例如,银行业中的客户忠诚度分析只是找出存款多的重点客户,或者是找出那些行为异常的有欺诈行为的客户。本文针对这一问题进行研究,结合实际应用,既构造出了能够反映趋势变化的属性,又把不能用于分类分析的连续属性离散化,然后再利用所构造出的属性和其他的相关属性,进行分类分析,最终得到客户忠诚度的变化趋势。该系统的主要功能如下:
1.1 数据预处理 能够对已有数据集中的数据进行缺值填充、数据转换、数据离散化、数据规范化等功能。
1.2 发掘重点客户 忠诚度高的客户和忠诚度低的客户都属于重点客户的范畴。而客户关系管理理论中的2/8原则告诉我们:80%利润来自20%客户,因此不仅要紧紧抓住老客户、继续保持老客户的忠诚度,而且还要积极促成那些非忠诚客户转变为忠诚客户。为了达到这一目的,该系统通过利用数据挖掘中的孤立点分析技术,使得这些客户可以从庞大的数据集中被有效识别出来。
1.3 客户忠诚程度预测 从客户关系数据库中提取相关客户信息,在充分考虑到各种主客观因素的前提下,采用回归分析和分类分析等方法预测客户忠诚度变化的趋势,为决策者提供市场分析参考,以便于采取有针对性的措施,留住更多的客户。
统机构如图1。
2 客户忠诚度预测模块的实现
该模块的主要作用是通过分析研究客户关系数据集中客户信息,实现对客户忠诚度变化趋势的预测。在技术运用上,主要采用了数据挖掘中的分类和回归技术。在分类预测算法的运用中,需要通过训练集建立分类模型,然后用该模型进行预测并得出结果。
下面我们以某一客户关系数据来详细介绍客户忠诚度预测模块的实现过程。
我们从客户编码表、客户订单提报表、订单商流确认表和订单销售发票表等与客户有关的资料中,选取了两项——客户编码表和客户订单提报表作为分析的数据源。这两项数据资料不仅反映了客户的相关信息,而且也反映出了客户的购买意图,对于客户忠诚度的分析有很大作用。下面将从数据预处理和客户忠诚度预测等方面对上述两项数据资料进行分析。
2.1 数据的选取 客户订单提报表内容包括:订单号、订单类型、工贸、客户编码、存货类型、产品编码、会计期、会计周、市场经理编码、型号经理编码、提报数量、订货数量、减库存数量、提报日期、要货日期、状态、唯一标识、产地、类别、单价等20个属性。为了从中得出有效的客户信息,需要通过查询每位客户的所有订单,计算得出其订货次数、订货金额的数据信息。
订货次数(order count):指在某一时间段内,客户所下订单的数目。考虑到订货次数在10次以下的客户以一次性客户居多,针对这一群体讨论客户忠诚的意义不大,因此我们在这里只将订货次数大于等于10次的客户纳入到研究范围中来。
订货金额(order product count):指在某一时间段内客户每一次订货的金额,其计算方式为:订货数量×单价。
客户编码表内容包含:Email,客户编码,传真,地址,电话,客户级别,简称,建档日期,开户行,客户类别,客户全称,客户状态,联系部门,联系人,市场级别,税号,所属客户,所属区域,网址,信用额度,信用期限,信用商场,邮编,账号,主管业务员,特殊标识,网点性质,审核,部门编码,销售能力等30个属性。
从客户编码表中,我们可以得出客户建档日期的信息。建档时间(make date)可以告诉我们客户与企业的合作时间,通过对这一数据进行分析,我们可以得出某一客户的忠诚度信息。让Datediff(date1,date2)表示date1与date2之间的天数,建档时间可表示为:
Datediff(min(make date),max(make date))
接下来就可以得到订货周期的信息,并对其进行规范化处理。计算方式为:订货周期=建档时间÷订货次数。
除此之外,在客户编码表中,我们还可以得到客户编码,客户级别,市场级别,信用额度,销售能力等信息。
客户级别:通过聚类分析模块或有经验业务员的划分,我们可以判断客户的级别,即对方是大客户还是小客户。
市场级别:调研人员对客户所在地区进行市场调查所得出的该地区商品的饱和度。
信用额度:代表客户的信誉度。
销售能力:客户每个月的销售金额。
2.2 数据的处理 选定属性后,按照具体分类分析的规则进行数据处理。基于预测客户忠诚度的功能要求,因此需要参照现有属性来构造一个新的属性,以期将客户购买能力变化趋势客观的反映出来。基于上述原因,设计人员还需要全面分析订货金额等信息。笔者取一个客户的购买情况作为典型案例,来具体阐明客户购买能力变化趋势属性的构造,经过数次循环也能够获取其余客户的购买能力的属性。
在选定的属性分析案例中,基于客户级别、销售能力和市场级别对客户订货金额的影响,所以采用三元线性回归建立模型:yi=?茁0+?茁1xi1+?茁2xi2+?茁3xi3,i=1,2,…,n。 (1)
其中:yi代表客户每一次的订货金额,
xi1,xi2,xi3分别代表客户每一次订货时的当时的售货能力、市场级别和客户级别。
?茁0、?茁1、?茁2、?茁3为回归系数。
n为客户的订货次数。
为了求得回归系数?茁0、?茁1、?茁2、?茁3,我们建立以下方程组
l11?茁1+l12?茁2+l13?茁3=l1yl21?茁1+l22?茁2+l23?茁3=l2yl31?茁1+l32?茁2+l33?茁3=l3y(2)
首先求出各个因子的均值:
■■=■∑xi1,■2=■∑xi2,■3=■∑xi3,■=■∑yi
然后求出各乘积和∑xiuxiv,∑xiuyi,∑y■■之值,并由此进一步求出各luv,luy,lyy:
l11=∑x■■-n■■■,l22=∑x■■-n■■■,l33=∑x■■-n■■■
l21=l12=∑xi1xi2-n■■■■,
l31=l13=∑xi1xi3-n■■■■,
l32=l23=∑xi2xi3-n■■■■,
l1y=∑xi1yi-n■■■,l2y=∑xi2yi-n■■■,l3y=∑xi3yi-n■3■
lyy=∑y■■-n■■,
代入(2),然后解方程组得:?茁1、?茁2、?茁3。
再由?茁0=■-?茁1■1-?茁2■2-?茁3■3求得?茁0。
把回归系数?茁0、?茁1、?茁2、?茁3代入(1)得出回归方程。再合理套用回归方程来分析某一客户数据,就可以分析出该客户购买能力的变化趋势。按照惯例,客户购买能力具体表现为增、减、无变化三种变化趋势,据此便能够得出反映客户购买能力变化趋势的属性。图2为通过回归分析得到的一个客户的购买能力变化趋势。
上图2反映了某一客户25个月以内购买能力的变化趋势。图中,“客户实际购买能力(即订货金额)”为蓝色曲线,客户的购买能力变化趋势为红色曲线。通过该图表的分析得知,该客户的购买能力变化趋势属性呈增加趋势,基于此,我们构造了该客户购买能力的变化趋势属性,再将属性分析循环套用到所有客户数据中,绘制出一个变化趋势图,由此得到一个反映每个客户购买能力的变化趋势(详见图3)。
图3中,第二列就是构造出的客户购买能力变化趋势属性。其中,0表示趋势是不变的,1表示趋势是增加的,2表示减少。
2.3 训练集的选取 首先预测客户类别,找出与预测模型相符的训练数据,我们可以按照下列方法来选定合适的训练集:①根据试验数据选定相应类别的训练集。可以从客户数据库内选定一部分数据进行试验,将产品资料发送给这些客户,并将做出回应的客户名单收集起来,基于推销回应记录建立一个模型,客观反映出对所推销产品感兴趣的客户类型,再以该模型数据为依据对所有客户类型进行分析;②若无法通过试验确定数据类别,则先通过数据聚类,并对数据进行人工筛选最终确定合适的训练集。我们无法通过试验来判定客户忠诚度,唯一的办法就是借助人力来分析判定,因此,先采用客户忠诚度分析系统的聚类分析,再选定所聚簇中的数据组成训练集。
所谓聚类分析,实际是前期设计组建的模型。训练集为客户数据中的5000条记录,我们通过聚类分析得出以下结论:第一个簇中数据对象为3101个,这是数据集中包含最多的模式,说明客户忠诚度未发生增减的变化;第二个簇的数据对象为50个,客户购买能力呈增加的变化趋势,而且大都在初期建档,订货周期也短,因此客户忠诚度较高;第三个簇的数据对象为1264个,该簇中的数据对象情况大致等同于第二个簇,客户购买能力呈增加趋势。与第二个簇相比,第三个簇的建档时间和订货周期都不及第二个簇,客户忠诚度增加的趋势不明显,但都属于客户忠诚度增加的范畴;第四个簇的数据对象为585个,客户购买能力变化呈递减的趋势,而且相比于第二个簇和第三个簇,它的数据对象的订货周期较长,大部分在后期建档,因此客户忠诚度呈显著下降的趋势。
2.4 客户忠诚度预测 预测客户忠诚度的技术是基于客户忠诚度分析系统中的预测分析功能,通过分类分析中CART分类器来预测客户忠诚度。
先将记录集作为一个根结点,按照杂度削减最大的设计要求把根节点分割成左节点和右节点两个部分,再参照上文所述的方法步骤进行递归处理,当节点变成纯洁点,或者当节点记录数低于额定值,抑或将所有属性分割完毕,才视为建树完毕。
输入:决策树根节点
输出:建立的决策树
算法:
建立根节点的ID链表和属性表,置所有属性为可用的
将root节点压入栈stack1中;
While (stack1不空)
while (stack1的栈顶节点不满足结束条件)
对stack1的栈顶节点进行分裂,并建立该节点的左子树并压入stack1;
同时将分裂信息压入stack2;
标记stack1的栈顶节点为叶结点,并将其从栈中弹出;
if (stack1和stack2不空)
将stack1和stack2的栈顶节点弹出;
利用从stack2中弹出的节点信息建立从stack1中弹出节点的右子树,同时压入stack1;
在噪音数据的干扰下,大部分由建树阶段生成的决策树都存在过度拟合的现象,也就是说这个决策树具有准确分类处理给定训练集的相关记录的能力,但是如果有新数据引入,就无法保证其数据处理的精准度,需要在建树完成以后作进一步修剪:
输入:决策树,代价矩阵和样本记录
输出:修剪后的决策树T1
算法:
while (修剪还可以进行)
将root节点压入栈中;
while (栈不空)
while (栈顶节点不为叶节点)
if (栈顶节点的代价与其左右子节点的代价相等)
调用freetreemem释放其左右子树所占的内存,并置为叶节点;
break;
else 将栈顶节点的左子树压入栈中
if (栈不空&&栈顶节点为叶节点) 将栈顶节点弹出;
if (栈不空) 将栈顶节点弹出并将其右子树压栈;
修剪时,应该将最小代价的节点(一般为多个)一次性剪去,将节点以数组t的形式存在于prune中。可能有一部分节点是另一部分节点的父节点,如果将父节点的子树一并剪掉,那么子节点的子树也会被剪掉。所以修剪前,我们应该仔细判定一个节点是不是另一个节点的父节点的函数IsAncestor,同时用flag数组来指明需要修剪掉的节点,flag[i]=1表明该节点为某节点的子节点,在剪枝时,只需剪掉flag[i]=0的节点。
运行结果如图4。
在图4中,“1”、“2”、“0”分别表示忠诚度增加、忠诚度减少和忠诚度不变三种变化趋势,在“忠诚度变化趋势”的数列中,“0”出现的次数较多,说明客户忠诚度比较稳定;出现“1”的变化趋势,说明客户忠诚度有所增加,这是基于未来发展潜力来说的;出现“2”的变化趋势说明客户忠诚度呈下降的趋势,其原因有两点,一是客户本身购买意向的转变,二是行业竞争激烈,可能客户选择了更为优惠的政策。
3 总结与展望
文章从客户忠诚度的概念入手,深入探究了客户忠诚度变化趋势及其重要意义,并对系统功能进行了详细的说明;同时,取某一客户忠诚度作为案例进行分析,对客户忠诚度分析数据的选定及处理进行了具体说明,以此来准确预测客户忠诚度的变化趋势。笔者通过聚类分析的方式将所调查的客户数据进行了归类分析,再由各类数据中选定数据对象组成训练集,以此来证明客户忠诚度分析系统的实用性。
目前,客户忠诚度分析系统的某些功能还有待完善:①采用回归分析构造客户购买能力变化趋势时,只能够使用线性回归,而对于有些成非线性趋势的属性还不能处理,如对数回归等;②客户忠诚度分析数据的选取问题。针对不同的客户数据,辨明客户关系数据。客户忠诚度分析数据的选定及处理的方法流程对最终客户忠诚度分析结果至关重要,目前这方面的技术研究尚待完善。
参考文献:
1.基于学习内容的管理方式
这种数据管理的方式是基于学习内容的管理方式,这种方式能让教学者对学习者的学习重点一目了然,从历史记录中,教学者可以得知学习者学习了哪些内容,从这些内容推断出学习者对哪些模块比较感兴趣,通过对数据的收集和分析,根据结果可以对课程进行改善,从学习者感兴趣的方向入手,加入这方面的内容。这是这种管理方式的优势所在。但它不足的地方在于不能正确把握学习者在学习的过程中是怎样进行的。
2.基于学习时间的管理方式
这种数据管理的方式是基于学习时间的管理方式,它所具备的功能刚好补充了上一个案例基于学习内容的不足。学习者对各栏目的学习时间有长有短,学习时间长了说明学习者对这方面的内容比较感兴趣,花了较多的时间去学习,而反之亦然,学习者只学习了一会就退出的栏目肯定是不怎么感兴趣的。但是,学习时间的长短除了说明感兴趣的程度外,也可能存在另一个问题,就是学习者可能是因为难以理解所学习的内容,所以花了较长的时间去学习,而时间用得短的模块,也可能是因为学习者很快就学会了,所以这种管理方式的不足之处就在于不能分辨究竟是学习者的兴趣所在,还是对知识的掌握不够才导致学习时间较长的。
3.基于测试情况的管理方式
教学者管理后台的菜单中分别有考生管理、试题管理、系统管理和测评统计。可以看到,教学者利用这个平台收集了各学习者以学号为单位显示出来的成绩,还统计了所有学习者的平均分。用表格的形式表现出来,规范了视觉范围,方便查询学习者成绩。用表格的形式将统计出来的各章节的平均成绩和参加考试的人数都列出来了,从参加考试的人数可以让教学者了解到学习者对各个模块感兴趣的程度,而平均成绩可以让教学者了解到学习者对各个模块掌握的程度,从而改动教学方向。学习者总是在进步的,每个阶段的学习记录也是很重要的,单单一个阶段的测试结果并不能说明什么,所以这种管理方式还是有不足的地方,如果有一种模式不仅可以进行测试,也能将各阶段测试的结果保留下来,并进行对比的话,相信对学习者的进步是更有利的。
4.基于阶段记录的管理方式
它是对学习者学习过程的一个动态监控。学习记录卡分阶段提交,学习者需在每门课程最后一阶段规定的时间内完成该课程全部的学习记录卡填写。但学习者可以根据自身的学习进度和时间决定每阶段完成几个单元的学习记录卡。这种数据管理是基于阶段记录的管理方式,它补充了上一个案例中的不足,将每个阶段的学习成绩做了记录,并将结果展示给用户,让教学者和学习者都能清楚的了解到这个阶段以来的学习记录,有助于教学者累积对学习者的了解,也让学习者看到自己的进步和不足。与传统课堂教学不同,网络教学的学习过程更注重学习者的自主学习,教学者的地位由传统的领导者变为辅助者和管理者,但这并非意味着教师作用的淡化,而是交互已经成为教学中必不可少的一个因素。
5.基于交互的管理方式
由于网络课程的信息量一般都偏大,可浏览的内容太多,如果与学习者之间没有互动,则该门课程是没有吸引力的。要提高学习者的积极性,网络课程只是一个纽带,教学者和学习者之间要进行频繁的互动,才能使网络课程有生命力,传递给学习者的知识才能被学习者吸收。教学者在后台上传资料信息,回答学习者提出的问题,同时组织讨论,定期向注册用户测试信息,让学习者觉得虽然没有与教学者经常见面,但好像就一直陪伴在身边一样,学习的积极性会有所提高。反之,教学者长时间不为网络课程输送“新鲜血液”,学习者就会觉得这个网络课程是“死”的,没有生命力和活力,对该课程的关注度会大大下降,即使教学者偶尔新的信息在网上,反馈的时间也可能是相当长的。
实践证明,在网络学习中,学习者普遍感到容易迷失方向,特别需要教学者的引导和督促,包括帮助学习者应用所学的内容、练习技能、组织阶段测验,以了解学习者的学习状况,为学习者提供咨询、支持和鼓励。师生信息交互活动主要有答疑、实验与实习、作业与批改、咨询与建议等,及时准确的信息反馈能引导学生建立正确的学习态度,调整学习方法。
但这样还是不够的,我们通过调查研究发现如果能将学习者对课程的学习路径,也就是学习过程录制下来,包括学习者完成的测试题的对错比率,然后再对这些数据进行归类统计,从而分析出学习者对本课程学习的着重点和兴趣所在,还有对哪部分内容仍存在理解不了的问题。这样的数据对教学者在对课程的改善过程中是有很大的作用的。
6.综合多种方法的管理方式
网络课程后台数据管理的实际操作出发点应该是充分考虑教学的交互性,及时为学习者上传教学资源信息,尽量在最短时间内回答学习者所提出的有关学习中的问题,积极组织讨论,定时进行网上测试,并对测试结果中的共性问题通过信息的渠道进行评析,而个性问题则通过BBS、QQ、MSN等联系方式与用户单独交流,帮助学习者及时解决遇到的问题。
要成为好的网络课程,学习者的有关信息管理环节是不能少的,所管理的方式越多、越详细,数据库所涉及的面就越宽、越多。
以这样的数据库来管理网络课程,能够充分发挥网络的交互作用,使网络课程“活”起来,学习者通过这些管理活动和交互操作,能够更进一步发现自己的问题,在教学者的指导下提高学习的积极性和学习效率。教学者在后台也能充分掌握每位学习者的学习情况,因材施教,使每一位学习者都能在课程的学习中取得应有的进步。
参考文献:
[1]冯乃光.从交互的重要性谈网络课程的后台管理方法[J].中国远程教育, 2006,(11).
1、引言
客运专线无碴轨道对路基、桥涵、隧道等线下工程的工后沉降要求严格、标准高,设计中对土质路基、桥梁墩台基础等均进行了沉降变形计算,采取了相应的设计措施。而影响沉降计算的因素较多,沉降计算的精度不足以控制无碴轨道工后沉降。施工期必须按设计要求进行系统的沉降变形动态观测。通过对沉降观测数据系统综合分析评估,验证或调整设计措施,使路基、桥涵、隧道工程达到规定的变形控制要求。分析、推算出最终沉降量和工后沉降,合理确定无碴轨道开始铺设时间,确保客运专线无碴轨道结构铺设质量。
2、基准点的布设
沉降观测测量点分为基准点、工作基点和沉降观测点。在八棵树特大桥设计单位布设3个基准点,基准点设在沉降影响范围以外便于长期保存的稳定位置。
3、沉降观测点的布设
由于客运专线无碴轨道对结构变形要求较高,根据无碴轨道下部结构的实际变形,及时调整观测措施,以满足无碴轨道设计安装精度要求。八棵树特大桥沉降观测点的布设的位置如下:墩台基础施工完成在承台四角设置观测点,墩台砼施工后在墩台身左右两侧各设一个观测点(由承台转移至墩身上距地面0.5m左右,便于观测)。
4.测量精度要求
4.1工作基点测量
八棵树特大桥沉降观测按变形测量等级“二等”要求设计。因此工作基点网按一等水准测量要求施测(《客运专线无碴轨道铁路工程测量暂行规定》),主要技术要求为:
相邻工作基点高差中误差1.0mm
每站高差中误差0.3mm
往返较差、符合或环线闭合差≤0.6 mm(n为测站数)
监测已测高差较差≤0.8 mm(n为测站数)
4.2沉降点测量
按《客运专线无碴轨道铁路工程测量暂行规定》中的二等变形测量等级需按一等水准测量要求施测,主要技术要求为:
高程中误差≤±1.0mm
相邻点高差中误差≤±0.5mm
往返较差、符合或环线闭合差≤0.6 mm(n为测站数)
5、水准工作基点及沉降观测点的测量
5.1测量仪器
八棵树特大桥的工作基点和沉降观测点观测所使用的仪器是德国Trimble DINI12电子水准仪,其望远镜放大率为32倍,圆气泡灵敏度10//2mm,标尺用德国Trimble公司配套的3m铟瓦尺。水准标尺为伪机条码,电子水准仪自动识别并存储数据,最小读数为0.01mm。采用两个2.5kg的尺垫作为转点尺承,仪器和标尺均送检定单位进行检验,观测前均按规范进行常规的检查。
5.2观测方法
观测采用中丝读数法,按“后、前、前、后”的观测顺序对每一路线进行往返观测,视线高度及测站的观测限差均按规范进行,电子水准仪自动识别读数并存储标尺读数。该电子水准仪自动记录程序能很好满足二等水准测量限差。
5.3工作基点网测量
八棵树特大桥工作基点网由CPI167、CPI168 、CP080三个水准基点构成两个符合水准导线,工作基点间距沿桥向200m左右布设,测量按“后、前、前、后”的观测顺序进行,计算采用日本宾得TIP ADJ2.0平差软件进行严密平差。
5.4沉降观测点的测量
八棵树特大桥沉降观测根据施工进度及沉降观测的要求目前已经完成了架梁前阶段沉降观测任务,对此将此墩的沉降观测进行分析。测量按“后、前、前、后”的观测顺序进行。每次沉降观测作业,采用相同的图形或观测路线和观测方法,使用同一仪器和设备,固定的观测人员,在基本相同的环境和观测条件下工作。根据施工情况,观测时间定在早上5:00至9:00左右进行。每个桥墩观测采用往返测,并满足规范要求。
八棵树特大桥的25号墩沉降观测精度见下表(表5.4-1)
八棵树特大桥25号墩沉降观测精度统计表表5.4-1桥名及墩位 八棵树特大桥25号墩 桥名及墩位
从表中结果可见,八棵树特大桥架梁前桥墩的沉降观测成果符合预计的精度要求。
6、沉降观测点的数据分析
桥涵基础沉降分析评估采用曲线回归法。沉降观测按要求分架梁前、后两阶段进行。根据桥梁墩台实际荷载情况及观测数据,采取多个阶段的回归分析及预测,综合确定沉降变形的趋势,曲线回归的相关系数不低于0.92。预测时间的确定,对于八棵树特大桥桩基础采用摩擦桩按柱桩设计,按设计要求采用两次预测的方法,两次预测的时间间隔不少于30天,首次回归分析时不少于30天。两次回归结果预测的最终沉降的差值不大于8mm,可判定沉降满足无碴轨道的架梁条件。架梁前进行观测,架梁后至铺轨前按要求进行观测,沉降预测的时间间隔满足以下条件:
式中:
S(t):预测时的沉降观测值;
: 预测的最终沉降值。
设计预测的总沉降量与通过实测资料预测的总沉降量之差不宜大于10mm。铺设无碴轨道技术条件的评定,处于岩石地基等良好地质的桥涵,如八棵树特大桥摩擦桩基础,当墩台沉降值趋于稳定且沉降量不大于5mm时,可判定沉降满足无碴轨道铺设条件。
7、结束语
通过对桥涵的施工全过程沉降观测,数据的科学分析,判定沉降满足无碴轨道铺设时间,是客运专线无碴轨道成功与否的关键之一,对客运专线无碴轨道有着重要意义。
参考文献:
一、目前小学美术教学过程中出现的一些问题。
1、教学理念比较传统保守,创新不够。虽然目前美术新课程标准已经开始实施,但是在小学美术课程的教学过程中,还有一些教师仍然还沿用传统的教育理念,没有结合新课程标准进行改进,师生之间没有建立和谐的关系,在美术的学习过程中,小学生和美术教师之间有很大的心理距离,缺乏向师性,直接影响了小学生学习美术的兴趣。小学美术学科的传统理念,严重制约了美术课程教学的创新和发展。
2、小美术教学研究中形式主义比较严重。受应试教育的影响,大部分的学校,语文、数学等学科占教育活动的主体,而自然、体育、美术等不考试的科目,平时组织教研活动的机会非常的少,甚至有的学校根本没有,教研活动只是形式,教研活动的作用根本没有得到发挥,严重影响了美术教学课程的创新和改革。
3、在教学过程中,学生不是主体地位。传统的教学模式比较保守,主要是以灌输的模式进行教学,对知识的讲解占主要部分,技能示范训练的机会很少。小学生们得不到充分的训练,只是被动的听,被动的接受枯燥的理论知识,根本没有参与到美术活动中来,对美术的兴趣无法激发,学生没有成为美术学习过程中的主体。
4、美术活动得不到充分的拓展,拓展空间不足。一部分教师只将美术教学活动限制于课堂之内,美术课外活动的作用根本得不到充分的发挥,美术教育资源严重缺乏实际运用和整合,学生对美术的爱好和兴趣得不到充分的满足。
5、现代教学手段没有充分的运用到美术教学过程中。目前随着信息技术的快速发展,在小学各门学科的教学过程中,以多媒体为代表的信息化手段得到了广泛的应用,但是有一部分美术老师,在美术教学过程中运用得非常的少,在实际的课堂应用中,没有与教学的难度和重点进行有效的结合。
二、新课程改革背景下,全面推进小学美术课程教学的具体方法。
1、小学美术教学理念要创新,师生关系要准确定位。小学生已经具备了一定水平的思维能力,小学美术教师应该为小学生营造良好的学习氛围,和谐的师生关系在美术课堂教学中非常的重要,可以有效促进教学活动的顺利进行。需要注意的是,在美术课堂教学中,教师一定要多多关爱小学生,在美术课堂教学过程中一定要注意态度和语气,减少学生对教师的畏惧心理,使学生积极主动的参与到美术的学习中。
2、重视美术学科教育活动的开展,紧扣工作的重心。提高美术教师的综合专业水平和岗位职能的有效途径,就是开展有效的教育活动,学校的领导层要提高对美术教研活动的重视,大力抓好美术这一学科的教学工作。提高美术教研活动的实效性,不能是是形式,将美术教研工作纳入学校整体教学规划,做好每周、每月、每学期的美术教学计划。教研活动可以采用各种各样的途径进行开展,使美术课堂生动丰富,美术理论与实际有效的结合起来。
3、给学生提供足够的空间,引导小学生自主学习。在小学美术的教学过程中,美术教师应该为学生提供更多的实践空间,比如可以用投影仪展示美术作品,小学生们可以从不同的角度对作品的色彩和意境进行感受和分析,及时的鼓励小学生们勇敢的说出自己独特的看法和观点,分小组进行讨论、研究,并介绍自己的收获,在出现技能教学时,教师应该及时的给予点评,并给予学生们创新的机会,在作品制作和设计的过程中充分的培养学生的创新能力和想象能力,提高学生的亲自手操作能力,创新思维,使小学生成为美术教学过程中的主体。
4、广泛开展美术的拓展活动,培养学生对美术的爱好和兴趣。美术的课堂教学完成以后,美术教师应该开展多种多样的与美术有关的课外活动。美术教师结合小学生对美术的兴趣和爱好,参考学生的实际情况,将学生分成不同的小组,进而组建兴趣小组,使学生能够积极主动的参与丰富多彩的美术活动中去。教师应该对教育资源进行有效的整合,对于各种美术作品展览教师可以多组织学生参观,使小学生们能够近距离的接触优秀的作品,参观的同时能够充分的感受到美术独特的魅力,更好的激发学生对美术的学习兴趣。对于长大后想从事美术专业的学生,美术教师应该为其制度有符合自身的训练计划,给这样的学生提供相关的特长训练,因材施教,循序渐进的培养,美术学科的发展,有利的促进小学生们综合素质的发挥。