基于美國DQP 框架的高職院校大數據專業課程體系診改研究

劉中勝

（廣東嶺南職業技術學院，廣東 廣州）

關鍵字：DQP；大數據；課程體系

一 引言

隨著信息技術、經濟、產業的發展，使得當今社會邁入大數據時代，海量數據的產生和應用，推動著對海量數據的采集、存儲、處理和應用的新技術發展。大數據時代的發展對掌握大數據技術人才的需求越來越迫切。為了滿足大數據技術人才的需求，近幾年以來，各高校紛紛增設大數據專業，然而作為新技術人才的培養、新專業的建設，大數據專業建設處在摸索、起步階段，并未達到期望的成熟度。為了推動高職院校建立人才培養的質量機制，教育部出臺了《教育部辦公廳關于建立職業院校教學工作診斷與改進制度的通知》（教職成廳〔2015〕2 號）文件，各高職院校為了貫徹落實各部門文件精神，按照“需求導向、自我保證、多元診斷、重在改進”的工作方針[1]，建立學校常態化的內部質量保證體系，將教學診斷與改進工作作為質量保障的重要工作內容和環節。DQP(Degree Qualifictions Profile) 是美國高等教育的學歷學位資格培養框架[2]，是美國高等教育改革的框架標準，基于美國DQP 框架對高職院校大數據專業課程體系的診斷與改進是非常值得不斷創新探索和深入研究的。

二 美國DQP 框架概述

DQP 是美國高等教育改革的框架性工具，其重要目的是使畢業生獲得高質量的高等教育學位，廣泛應用于副學士、學士和碩士三個教育層次的教學改革[3]。DQP 以成果導向為基礎，從五個學習領域角度描述了畢業生在專業知識、專業能力和綜合素養等方面所需達到的畢業要求，清晰地描述了畢業生在相應的專業領域中“應該知道什么”“能夠做什么”。DQP 的五大學習領域以“專業的預期學習成果”（Program Outcome，簡寫POC）[4]來標識，五大學習領域如下：

POC1，即為“專業知識（Specialized Knowledge）”。主要描述在專業知識和技能等方面的要求。

POC2，即為“廣泛和融合的知識（Broad and Integrative Knowledge）”。描述了跨領域的知識掌握情況，以及面對專業環境和其他社會環境中問題的處理能力。

POC3，即為“智力技能（Intellectual Skills）”。描述知識探究、信息資源利用、多元化思維、道德考量、定量分析和溝通技巧等方面的要求。

POC4，即為“應用和協作學習（Applied and Collaborative Learning）”。描述對新知識的學習能力、分享能力、應用能力和擴展能力的要求。

POC5，即為“公民和全球學習（Civic and Global Learning）”。描述對公民和全球的文化、意識、責任和問題等方面的學習與處理能力的要求。

五大學習領域雖然是從不同的角度對畢業生的綜合學習成果做了明確的要求，但他們之間相互聯系、相互融合，構成完整的高等教育學位質量指導架構[5]，如圖1 所示。

三 現行大數據專業課程體系的問題診斷

（一）培養目標不明確

圖1 DQP 框架

大數據專業是熱門的“新工科”專業，好的培養目標通常需具有層次性、創新性、前瞻性等基本特征。然后較多高職院校在定位大數據專業的培養目標時，常常表現隨意性、臨時性、混淆性和模糊性。主要問題可以概括如下幾點：一是培養層次定位不清。模糊高職培養目標與本科培養目標的區別，沒體現高職培養層次的本質性、獨特性。二是培養方向不明確，崗位定位不清晰。不同的就業方向、職業崗位是區別培養目標的根本。三是跨學科性、交叉性、綜合性等特點不明顯。企業對大數據專業人才，往往不是局限于某一狹窄的知識領域，最期望大數據人才具有數據分析、大數據平臺技術與應用、行業綜合知識和能力。

（二）課程設置不合理

導致大數據專業課程設置不合理的主要原因在于培養目標不明確和師資力量未達到要求。高職院校的大數據專業課程設置主要存在的問題體現在如下幾方面：一是課程結構不合理[6]。不合理現象包括專業知識和專業技能結構不合理，在設置時不分析就業方向、就業崗位、就業層次的具體需求，最后導致專業知識和技能結構不合理。大數據專業的課程設置，有些院校只是在原來的軟件技術、計算機應用等相關專業上加上或替換一門、二門為大數據課程，拼湊式的設置課程，而沒有形成大數據專業科學的知識框架和能力體系。另外，綜合素質培養課程設置未包含“新工科”與新思想和融合性、交叉性、協作性、國際性等綜合素養的培養。二是學習成果不具體。在設計課程標準或課程規范時，對學生的學習成果具體要求不清晰，成果數量過少或過多，甚至某些學習成果要求與課程名完全不匹配，而且課程的學習成果對專業的預期學習成果支撐程度低。三是素質結構不合理。培養人才只重視專業知識和技能的培養，而忽視“完整職業人格”的培養，導致學生的情感精神、職業精神和社會能力、發展能力、國際能力、協作能力等方面的綜合素質欠缺。四是課程進度不合理。某門課程安排在哪個學期較為合理時，往往不注重課程之間的先修、共修、后修的邏輯關系，不注重學生學習能力的漸進性特征，而只按教師專長方向、時間沖突等情況來設計，這樣導致課程體系的各課程、知識結構之間的無依賴性、無融合性、無貫通性、無支撐性的邏輯關系。

（三）考核模式傳統老舊

某些高職院校的考核模式還是采用傳統老舊的模式，方式單一、內容片面[7]，最常見的就是采用“平時考核+期末考試”形式，平時只考核學生的考勤、作業表現，期末考試常采用試卷、成果等形成，學生的最終課程成績等于“平時考核成績×百分比+期末考試成績×百分比”。對于“新工科”的大數據專業和新型職業教育來說，這種傳統的考核模式沒有創新性，沒有系統性，對于職業教育的課程考核模式還需要站在企業角度、職業角度、崗位角度設計出包含創新性、多元化、多樣式等特征的考核模式。

四 基于美國DQP 框架的大數據專業課程體系改進的對策

針對上述高職院校大數據專業課程體系所存在的問題，結合美國DQP 框架的特點，以及企業對大數據專業畢業生的期望，可從如下幾個方面改進、優化，建立“以崗位需求為導向、以職業發展為導向、以技術發展為導向、以社會發展為導向”的大數據專業課程體系。

（一）做好就業崗位分析，明確培養目標

大數據技術是現在信息技術的重要技術之一，隨著大數據技術在各領域的應用需求擴大、深入和普及，各種大數據技術也不斷發展、更新和成熟，各個企業對掌握大數據知識和技能的人才需求非常迫切，為了培養社會、企業所需的合適人才，關鍵任務就是先認真做好就業崗位分析，明確“以就業為導向[8]”培養目標，培養大數據產業人才為總體目標。根據現在大數據產業對大數據技術人才的職業崗位要求的調研，大數據就業方向可概括為大數據分析類、大數據研發類、大數據應用類、大數據實施與維護類等方。每個就業方向包含不同的就業崗位，各企業對相應的崗位任職要求做到具體化、詳細化的說明。總體來講，大數據就業崗位包括了算法工程師、大數據分析工程師、大數據挖掘工程師、大數據可視化工程師、大數據研發工程師、大數據實施工程師、大數據運維工程師、大數據系統架構師等不同的崗位工程師。這些就業方向、就業崗位涉及不同層次的人才培養，高職院校大數據專業應把握“以就業為導向、以技能為本位”的理念，確定培養哪種或哪些的崗位人才作為具體的目標，并以此設計合理的、科學的專業課程體系。

（二）做好專業POC 規劃，支撐培養目標

根據DQP 框架的要求，在進行大數據專業建設時，需制定科學的大數據專業規范，設計合理的POC 是專業規范的重要組成部分。在規劃大數據的五大POC 學習領域時，需詳細描述每個POC 的具體專業預期學習成果要求，同時還需認真考慮五大POC 中的每個POC 所占的合理比重，不要過分偏重某個POC 而弱化其他POC,更不要空缺某個或某幾個POC，一定要體現五大POC 之間的協作性、關聯性和融合性，并且需體現五大POC 對大數據專業人才培養目標的高支撐度。設計各個POC 學習領域所占的學分時，注意學分分布的合理性，專業畢業所修學分需達到五大學習領域的學分之和，如圖2 為大數據專業的“五大學習領域”必修課程學分值分布圖示例。

圖2 大數據專業五大學習領域必修課程學分值分布圖

（三）做好課程SOC 規劃，支撐專業POC

在DQP 框架下，每門課程需制定合理的課程規范，課程規范最重要的組成部分是“課程預期學習成果”（Subject Outcome，簡寫SOC）。根據課程的教學內容來設計學生在完成此課程后應達到的預期學習成果（SOC），SOC 的要求需描述清晰，并與專業規范中的POC 建立對應關系，并體現對POC 的支撐度。同時，一門課程的SOC 數量要適當，不同太多，也不同太少，根據內容、學分、對POC 的支撐度來確定SOC 的數量，一般情況下，一門課程的SOC 數量規劃在3～6 之間較為合適。例如大數據專業的《Python 數據分析與應用》課程的SOC 可以設計成5個SOC，結合各SOC 對應專業規范中的POC 要求，詳細描述各SOC 課程預期學習成果的要求。然后根據SOC 的預期學習成果要求，設置Python 編程基礎、Numpy 數值計算、Pandas 統計分析及數據預處理、Matplotlib 可視化和數據分析綜合應用等內容模塊實現SOC，并按SOC的要求檢驗學生的學習成果達成度。

（四）改革課程考核模式，突出考核職業性

在DQP 框架下，設計課程考核模式時，既要考慮課程規范中的課程內容及SOC 要求，還需考慮專業規范中的POC 要求，同時，作為職業教育的課程考核，還應體現職業素養、職業內涵的考查。改革傳統的考核方式，采用“過程性考核+結果性考核+應用性考核”創新性考核方式。其中過程性考核，不只是考核學生在課堂上的考勤、作業、表現等內容，還應考核學生在課外的專業拓展、職業拓展等相關內容，應用性考核側重學生在專業知識和技能的課外應用、職業精神和素養在國內國際領域的展現、行業創新創業的實踐、行業的技術技能考證、技術資格水平考證、職業技能競賽、科研課題、知識產權和論文等方面的成果。經過考核模式的創新性改革，并不斷改進，將突出考核形式多樣化、創新化，考核內容多元化、職業化。

五 結語

專業課程體系的診斷與改進是專業建設質量保證的重要措施，從不同的角度診斷和分析現行課程體系存在的具體問題，以DQP 框架的理念不斷改進課程體系中存在的潛在問題，并不斷監控課程體系在實現過程中出現的新問題，再不斷改進和優化，將診斷與改進機制常態化，以保證專業建設高質量的持續發展。