新經管背景下Python大數據分析課程實驗教學改革與實踐

莫國莉　譚春枝　滕莉莉　謝軍

［摘 要］文章針對Python大數據分析課程實驗教學提出了將線上線下混合式教學、歸納法、三階段教學法三種教學方法結合起來，以解決當前課堂教學學時不夠、分析模型復雜多樣、理論問題過深、部分學生理解困難且動手能力差的問題，改變實驗課程中把大數據分析模型當作黑箱工具、只教如何應用、不求學生深入理解原理并運用原理解決經濟金融實際問題的狀況。

［關鍵詞］大數據分析；實驗教學；混合式教學；理論體系式教學；案例應用式教學

［中圖分類號］ G642.423 ［文獻標識碼］ A ［文章編號］ 2095-3437（2023）23-0066-04

大數據技術目前在經濟管理領域的應用已經非常廣泛，國內外高校對大數據分析也展開了多種形式的教學和研究，研究成果較為豐富。但是，許多研究是將大數據視為時代背景或技術手段，探討大數據給教學管理、教學評價、教學理念、教學模式、教學技法等帶來的機遇與挑戰[1-3]；而關于大數據分析類課程本身的教學研究成果相對較少，且理論教學和實驗教學方法未能跟上大數據技術發展的步伐[4]。另外，當前的教學研究成果主要面向理工類學生，針對人文社科類的學生開展的教學研究相對較少[5-6]。因此，本文針對以上研究存在的不足，提出在新經管背景下對Python大數據分析課程實驗教學進行改革的一些建議與方法。

一、Python大數據分析課程教學現狀與問題剖析

Python大數據分析是經濟、金融專業中一門重要的課程，也是一門理論緊密結合實踐的課程。目前對于Python大數據分析的授課主要有理論體系式教學和案例應用式教學兩種截然不同的方法。

（一）理論體系式教學方法存在的問題

理論體系式教學方法，即將Python大數據分析技術引入傳統的金融/經濟學課程中，授課周期長，需要對大數據導論、數據庫設計、計算機網絡基礎、Python/R語言語法知識、算法結構設計和程序設計方法，甚至高等數學、偏微分、概率論等方面進行系統教學，培養的對象不區分本科生和研究生，也不區分理科生和文科生。目前一些開設Python大數據分析課程的高校，其授課體系標準也不統一：有些只是簡單粗糙地講了模型的功能、原理，然后以比較復雜的開源程序為例，演示如何運用大數據分析模型；有些則用了大量的課時講解Python語言的語法與程序的調用原理，然后用了少量課時簡單演示大數據算法的調用過程；還有些雖然比較詳細地介紹了幾種大數據分析算法，也設計了上機實訓環節，但是沒有對算法之間的邏輯關系進行理順，且由于課時有限，所講的分析算法的類型也較少。總之，這種注重讓學生掌握全面的理論知識結構的教學方法，會讓學生難以理解授課內容，不利于培養學生靈活運用模型解決實際問題的能力。

（二）案例應用式教學方法存在的問題

由于社會急需大量大數據分析人才，因此一些院校或培訓機構對理論體系式的課程進行了精簡，使用案例應用式教學方法。具體來說，案例應用式教學或以應用簡單的大數據分析模型（如決策樹、樸素貝葉斯、均值聚類等等）為主要目標，利用開源數據集和算法模型去實現特定的功能；或以Python語言自帶的工具包為核心，對工具包中每種模塊的運用分別進行介紹。不難看出，這種案例應用式教學方法的本質是將大數據分析算法黑箱化，即僅講授實際分析所涉及模型或者軟件工具箱的應用，而避開講授每種模型的工作原理，更不講模型之間的邏輯關系與模型演化過程。比如，某培訓班課程大綱中，先是講授數據分析基礎、Numpy模塊實現數值計算、Pandas模塊實現統計分析、Matplotlib模塊實現數據可視化等模塊的調用與操作過程知識點，然后就講授如何將這些模塊運用于常見的日常生活案例，比如影視作品分析、客戶價值分析、銷售收入預測等。這種以實用案例為主的案例應用式教學方法雖然能使學生快速上手，在短時間內學會調用程序模塊進行大數據分析，但在很大程度上會使學生認為大數據分析算法更像是“黑箱操作”，不知其所以然。同時，實驗課程的程序并不是以緊扣經濟、金融現實急需解決的問題作為例子來設計的。因此，這種教學方法也不利于學生對知識的深入理解和深刻把握，更難以培養學生運用知識解決現實難題的能力。

（三）兩種教學方法共同存在的問題

1.課時設置不夠合理

Python大數據分析是一門實踐性較強的課程，對部分算法模型，學生需要先弄懂原理才能靈活運用，而對模型的部分原理，學生必須在對代碼有所認識之后才能更深刻理解。但傳統“教師講、學生聽”的課堂教學方式是一種信息單向傳輸且以教師為主體的教學方式，讓學生被動地接受知識，容易形成重視理論教學而忽視實踐教學的局面，使得教學內容與實際應用脫節。即便課程設置有實驗課，但一個學期下來僅有少量的上機課，課堂內容難以得到很好的實驗驗證。反之，有些課程大綱雖然增加了實驗課時，但是又壓縮了課堂的理論講解時間，導致學生對算法原理了解得不充分，不能夠靈活運用程序解決實際問題。

2.教學內容深度不夠，重點不突出

如某學校理工學院Python大數據分析課程，雖然注重理論和基礎知識的講授，但教學內容的深度、廣度嚴重不足。課程教學內容雖然包括爬蟲技術、數據庫技術、數據可視化技術以及存儲技術等，但重要的內容卻是如何利用各種模型執行不同任務，如金融時間序列定價預測、具有時空相關性的金融機構/金融產品投資風險的分類等。這類模型對初學者來說非常復雜抽象，有的學生甚至完全無法理解，最終導致部分學生不能對分析模型的本質有所理解和把握，也不能對數據分析算法進行靈活運用。

3.實驗內容過于單調

對于Python大數據分析實驗，有些高校和培訓班雖然提供了大量實驗案例，讓學生有實際動手機會，卻忽視了實驗案例與學生對數據分析算法理論的理解的結合，而將實驗看作一個簡單的上機過程。此外，要真正實現經濟、金融大數據分析，必須了解分析時需要收集什么方面的大數據信息、如何收集等等，但這類課程內容涉及不多。因此，如若僅在課程中安排一些數據處理技術方面的實驗內容，而缺乏模型在經濟/金融場景中實際運用的分析，就難以讓學生達到能夠應用大數據分析技術解決實際問題的水平。

二、教學模式與方法的改進措施

（一）采取線上線下混合式教學

由于課程課時有限，因此沒有足夠的學時保證所有知識都能在課堂上被全面講授且講得透徹。但是，學生若沒有掌握好相應的知識，在后期的實驗操作中難免會遇到很多包括數據調用、數據清洗、程序調試等各方面的問題。例如，Python里需要掌握和調用的函數眾多，但Numpy函數庫和Pandas函數庫幾乎包含了日常計算所需的所有函數。其中，Numpy是進行大數據計算所必須調用的函數庫，其主要包括的函數功能有數組的創建、矩陣數據的處理、數據的排序、一元/多元數據的計算、文件讀寫等；而Pandas函數庫則主要用于進行數據分析，其主要包括的函數有統計匯總函數，數據清洗函數，數據篩選、繪圖與元素級運算函數，時間序列函數和其他函數等。這些函數全部都用課堂學時進行一一講授不太現實，因為僅要講完每種函數的功能和調用格式，就需要20～30個學時，這就會導致其他課堂內容無法得到展示。為了解決此類問題，可在課程開設之前，讓學生先在中國大學MOOC（慕課）網上以在線的形式自學指定的一些Python慕課。到正式線下上課時，只需要花2個學時左右的時間來進行Python數據類型、函數類型等重點內容的講授，幫助學生總結梳理知識點。對于比較難以理解的數據函數原理與調用過程方面的知識，也可以先讓學生自學線上慕課，再在課堂上幫助其進行函數功能總結。在完成之后其他章節大數據分析模型中對函數的調用實驗課后，學生就可以逐步理解每個函數的原理與調用了。

（二）運用歸納法進行教學

幫助學生梳理歸納總結各類算法的邏輯關系，可以幫助學生從繁雜的模型中快速整理出頭緒，花較少的時間就可以系統準確地掌握各類算法，達到自由運用并改進算法的目的。比如，決策樹、樸素貝葉斯、K近鄰屬于分類算法，回歸樹、模型樹、K近鄰回歸屬于預測方面的算法，K均值聚類、層次聚類、基于密度的聚類等屬于聚類算法。而決策樹、回歸樹、模型樹其實具有一定的相似性，只是最后一步的算法結果略有不同：決策樹最后的葉子節點是將對象分為幾類，回歸樹最后的葉子節點是取一定范圍內相關結果分類的均值作為其值，而模型樹最后的葉子節點則為回歸模型。又如，深度學習中的卷積神經網絡、循環神經網絡、長短期記憶網絡等算法，其實都是在傳統神經網絡的基礎上，根據其存在的缺點進行某些方面的改進，衍生出的新算法。總之，通過對算法進行歸納總結，弄清算法之間的演化邏輯關系，學生就不用死記硬背大量算法原理，可以靈活運用算法并根據需要進行算法的改進。由上述可知，很多算法模型都是Python大數據分析中重要的內容，既是理論的承載，又是實現某種功能以解決實際問題的關鍵，這些模型雖然算法不同，但其設計的目標、思路、原理卻有關聯之處，幫助學生理解模型原理、掌握相應函數的調用是整個Python大數據分析授課的關鍵任務。

此外，歸納法還可以運用于課程內容的設計。比如，Python大數據分析整個教學和實驗課程設計可以歸納為4個理論領域以及6項實驗內容（見圖 1）。

（三）采取三段式實驗教學方式

將整個教學過程分為理解模型、使用模型和掌握模型三個階段（見圖 2），通過這樣的教學方式，可以培養學生掌握模型并將其用于解決實際問題的能力。

三、案例分析

以某學校金融專業19級（70人）、20級（90人）為例，這兩個年級的學生都是理科生，數學基礎較好，但是大多數學生并沒有修過Python語言，僅有個別學生在備考計算機二級考試時自學過一點Python語法知識。因此，授課還是有一定難度的。課程開始前，任課教師提前一個月布置學生進入中國大學MOOC（慕課）網進行Python語言學習。課程開始后，教師再用2個學時對Python語言的重難點進行總結，主要是幫助學生掌握Python數據類型與函數庫類型，以及函數的調用方法。然后，按照數據預處理、數據的分類、預測與聚類分別講解各模塊下包含的簡單基本算法。同時，為了讓學生對未來新出現的方法也可以快速地自學上手，也對一些基于原有的基本算法進行改進和拓展的新方法的思路進行說明。每章理論模型教學完成之后，教師都會安排一些時間開展上機實驗。由于課時有限，教師一般提前將上機的內容發給學生，讓其自己對照現成的程序進行輸入運行，遇到問題再到課堂上進行詢問解答。如果課堂解答的時間不夠，可以通過線上的形式課后在線解答。經過兩個學期的教學實踐，發現學生基本能理解已有的現成、開源算法，并對其進行運用與改進，能夠寫出課程論文解決實際問題。學生對教學的評價也比較高，兩個學期的評教分數均在90分以上。

四、結語

本文針對Python大數據分析課程實驗教學，提出了將線上線下混合式教學、歸納法、三階段教學法三種教學方法結合起來。線上線下混合式教學讓學生在上課前就先通過慕課網自學Python的一些基礎知識，以節約時間進行實踐練習，很好地解決了學時不夠的問題。歸納法將各類大數據分析模型歸納為分類、預測與聚類三大類分析模型，該方法既可節約學生學習、理解大數據分析技術的時間，也可幫助學生更好地動態掌握不斷涌現的大數據分析技術與方法。而三階段教學法則根據大數據分析模型本身，在每類模型的教學過程中采用理解模型、使用模型、掌握模型三個階段的教學模式。通過以上三種教學方法的綜合，既解決了當前課堂教學學時不夠、分析模型復雜多樣、理論問題過深、部分學生理解困難且動手能力差的問題，又避免了實驗課程中把大數據分析模型當作黑箱工具、只教如何應用、不求學生深入理解原理的問題，使學生能夠提高學習效率，系統全面學習知識，對各類新算法能夠動態掌握。

［ 參 考 文 獻 ］

[1] 謝天保，楊娜.“新經管”背景下大數據分析課程的教學改革研究[J].教育觀察，2022，11（31）：53-56.

[2] 王春蕾.基于大數據分析的混合式教學模式設計[J].集成電路應用，2023，40（5）：110-111.

[3] 周志宇，阮夢黎.基于大數據分析的混合式教學生態構建[J].中國現代教育裝備，2023（5）：70-72.

[4] 陳張杭健，俞承曄.基于Python的“金融大數據分析”課程教學案例設計及其實現[J].安徽電子信息職業技術學院學報，2023，22（2）：34-39.

[5] 張琴.基于大數據分析的精細化教學管理路徑研究：以泰州學院數理學院為例[J].科技風，2022（32）：52-54.

[6] 俞少賓，丁愷.新文科背景下大數據分析課程教學模式改革[J].新文科理論與實踐，2022（4）：73-82.

［責任編輯：周侯辰］