前言：中文期刊网精心挑选了数据分析课程范文供你参考和学习，希望我们的参考范文能激发你的文章创作灵感，欢迎阅读。
数据分析课程范文1
关键词：MOOC；优课联盟；学习行为；学习成效；大数据分析
中图分类号：G642.0 文献标志码：A 文章编号：1674-9324（2015）38-0060-02
一、MOOC与优课联盟
MOOC，即Massive Open Online Courses（大规模开放在线课程，中文名：慕课），起源于开放教育资源运动和连通主义理论思潮，2012年出现了三大最知名的MOOC平台，分别是Coursera、Udacity和edX，称为全球MOOC元年，2013年以来MOOC在国内外呈现风起云涌之势，2013年被称为中国MOOC元年。
随着MOOC不断发展，UOOC联盟应运而生。2014年5月由深圳大学发起成立地方高校联盟，简称UOOC联盟（University Open Online Course，中文名：优课，U代表University和Union二层含义）。2014年9月18日UOOC联盟首批7门课程正式上线运行。UOOC联盟的宗旨是：通过大规模开放在线课程的共建、共享、共赢，达到优质教育资源共享，降低教育成本和协同创新的目的。
二、大数据与大数据分析
大数据（英语：Big data或Megadata），又称为巨量数据、海量数据、大资料，目前学术界对于大数据的概念，并没有一个统一的定义和标准，不过，业界对大数据所具备的4V特征已经达成共识。一是数据体量巨大（Volume）；二是数据类型繁多（Variety）；三是处理速度快（Velocity）；四是价值密度低（Value）。
大数据分析除了许多常规的统计分析方法外，还有许多特有的核心分析技术，比如数据挖掘、机器学习、社交网络分析、舆情分析、推荐引擎等。
目前国内利用大数据分析MOOC学习者的学习行为与学习效果的研究屈指可数。为此，笔者通过收集UOOC联盟平台上的第一手数据，以大数据的视野和分析技术来进行MOOC学习行为与学习效果的研究。
本文采用大数据分析法等深入研究选修UOOC平台上的7门课程的学习者的基本信息、学习行为、课程间各指标间的对比，在此基础上提出MOOC的不足以及提出相应的对策。本文以C1、C2、C3、C4、C5、C6、C7代表有一定的代表性的《唐宋词与人生》、《积极心理学》、《模拟电子技术导论》、《概率论与数理统计》、《大学计算机》、《古典文学的城市书写》、《文献管理与信息分析》这7门课程。
三、学习行为与学习成效分析
首先介绍UOOC联盟平台上首批上线的7门课程的基本情况、注册人数等，其次从课程的访问情况、视频观看情况、作业完成情况、讨论等四个方面来分析学习行为以及与学习成绩、完成率、辍学率间的相关性。
（一）基本情况分析
1.注册人数。2015年1月，学习者完成了首批上线的七门课程的相关学习。笔者从平台后台收集的数据统计，注册7门课程的人数如下图1：
由上图显示的数据可知，7门课程的平均注册人数为795.4人，总计5547人，最多的人数为1783人，最少的是248人。此数据受UOOC联盟平台的注册权限的限制，需要身份认证，必须是联盟高校的学习者。
2.七门课程的基本情况。
（二）学习行为分析
1.学习页面访问情况。学习者访问学习页面是学习的一个重要环节，从平台后台收集的数据显示，七门课程的平均页面访问数为25次，其中最高达到422次，但也有一部分学习者只注册却从未进入学习页面。数据显示的结果也表明了学习者学习的积极性不高，并且存在很大的差异性。
2.视频观看情况。MOOC平台上的学习资源主要以5～15分钟的短视频为主，学习者学习的主要活动是观看教学视频。七门课程的视频总时长最长达到981.2分钟，最短为357.9分钟，平均时长为9.3分钟；7门课程的总观看时长最长是619680.2分钟，个人观看时长最长达到1558.7，最短是0分钟，平均观看时长是492分钟。
3.讨论情况。UOOC联盟平台上的学习者讨论主要有四种情况：发表讨论、回复讨论、置顶讨论以及加精讨论。7门课程的总讨论数为18441次，七门课程中最高讨论数为2616，最低为0次，置顶讨论与加精讨论相对于发帖与回帖而言明显减少，置顶讨论的总次数最高是8次，加精讨论的总次数是86次；平均讨论次数3.6次，平均发表讨论为1.06次，平均回帖次数为2.54次；由数据可以分析得出，回帖的次数多于发帖的次数，在一定程度上说明了学习者学习较被动，主动性还有待提高。
4.任务完成情况。UOOC联盟平台上7门课程的总任务数为785个，平均任务数为112个，最多任务数为163，最少的任务数为43个；在7门课程中，任务全完成占总人数的比例最高达到43%，最低4%；任务完成一半以上占总人数的比例最高为53%，最低为13%；在这七门课程中一项任务都没有完成的人数最高达到58%，最低的占到23%，这一数据也反映了在学习过程中很大一部分学习者是只注册账号，从未完成学习的任务，学习积极性高的学习者与学习积极性不高的学习者之间存在很大的差别。
（三）学习成效分析
1.及格率、辍学率及结课率情况。UOOC平台首批上线的7门课程中，平均及格率为19%，平均辍学率为45%，平均结课率为55%，及格率最高的是课程C6，辍学率最高的是C5，结课率最高的是C4；这些数据说明7门课程的结课率高于辍学率，大部分学习者能够完成相应的课程，但是从及格率来看，学习者的学习成效还不够理想。如表2所示：
2.成绩情况。学习者的成绩的评定包括线上的学习与线下的考试结合。笔者对成绩进行分段统计，1～60分、61～75、76～90以及90分以上。从后台收集的数据显示C1、C2、C6这三门课程在76～90分段的人数最多，90分以上的人数也最多，这说明这三门课程的高分比较集中，C4、C5、C7在90以上段的人数为0。
数据分析课程范文2
在传统教育中，教师通过与学生面对面的交流，获得学生学习行为的表现信息，较为容易掌握学生的学习情况和课程教学效果，但随着现代教育技术的发展，网络学习方式的普及，以及学生学习行为的变化，研究网络课程的教学方法受到了越来越多的关注。本文以Moodle网络课程管理系统为研究基础，分析并提出有针对性的数据挖掘方法构架，以达到对课程建设情况和学生学习情况的跟踪分析，为教师改进教学策略、提高网络课程教学质量提供有力支持及方法借鉴。
【关键词】 网络课程；数据挖掘；挖掘模式
【中图分类号】 G40-034 【文献标识码】 A 【文章编号】 1009―458x（2014）09―0068―04
一、引言
随着互联网以及移动设备的迅速普及，人们使用网络的时长在不断增加，通过网络进行学习的需求及能力也在迅速提高。据美国Ambient Insight研究报告指出，2009年美国中学以后的教育机构中，有44%的学生通过网络进行课程学习，预计到2018年，美国通过网络学习的学生人数将超过面授学生的总人数。在韩国，78%的高校都提供网络教学（Allen et al. 2008）。在中国，教育部于2011年10月启动了国家开放课程建设工作，教育部《教育信息化十年发展规划》（2011-2020年）中也明确提出了“推动信息技术与高等教育融合，创新人才培养模式”的要求，融合的关键就是要选择有效的网络教学模式，因此，对网络教学的质量和有效性研究正被人们所关注。
本文以Moodle网络课程平台为基础，分析并提出有针对性的数据挖掘方法构架，以达到对课程建设情况和学生学习应用情况的跟踪分析，为教师改进教学策略、提高网络课程教学质量提供有力支持。
二、选择Moodle网络课程平台的理由
之所以选择Moodle课程管理系统建设网络课程平台，是由于Moodle课程管理系统是一个开源免费软件，更主要的是其模块化的设计非常易于课程的创建，能使课程教师摆脱课程网站建设的技术屏障，还可以使教师从课程内容的设计者转变为教学资源与活动的组织者。[1]
在国外Moodle系统的应用得到了迅速推广。有数据显示，使用Moodle的国家和地区有200多个，注册使用机构有67，000多所，注册用户数量达5，800万，运行课程有600多万门。注册用户最多的前五位国家分别是美国、西班牙、巴西、英国和德国。[2]
三、教师所关注问题调查
根据教育部颁布的《CELTS-31教育资源建设技术规范》，将教育资源建设分为素材、课程、评价和资源管理系统开发四个层次。其中素材与课程是网络教育资源建设的基础，评价和资源管理系统则分别是确保质量与实现资源建设的工具与手段。[3]对于建设网络课程的教师需要了解它的使用情况，从而分析课程结构是否合理，调整课程内容的分布情况，优化网络课程的设计，提高教学效果。
为了解教师使用网络课程的期待值和目的性，我们采取目的抽样和随机抽样相结合的方式，样本来自笔者所在的三个教师专用QQ群人员。调查问卷设计从了解教师对网络课程的需求、认识、应用三个主要层面展开，具体的问卷内容为四个部份：了解参与问卷教师的基本情况；了解教师对网络技术应用的需求情况；了解教师对网络课程的认识及使用困难所在；了解教师希望网络课程能帮助解决教学中的哪些问题。问卷在公共专业问卷调查网站（问卷星）上，一周后回收有效问卷159份。数据分析基本报告可见链接：http：///report/3234099.aspx。
笔者所在院校为云南普通高校，与问卷的地图分布情况相吻合，应该更能代表云南普通高校的普遍情况（见图1）。
图1 问卷来源地理分布比率图
问卷中有96.61%的教师认为应该在教学中整合网络技术，有38.98%的教师因为技术应用能力的不足，不够明确如何使用网络技术（见图2），这说明我们建设网络课程应该选择如同Moodle这样简单易用的课程管理系统。
对于建设网络课程，教师关注度较高的前4个方面是：学生学习过程参与的情况、网络资源的使用情况、学生在线学习时间以及学生参与讨论的频度情况（见图3）。
图2 教师对网络技术与教学融合的意见
图3 教师关注信息统计
四、网络课程数据挖掘模式构架
数据挖掘技术是获取相关信息的有效技术手段。对于教师所关心的几个方面内容，这里提供几种可借鉴的方法：
1. 学生学习过程分析
美国教育评价专家斯克里文（G F. Scriven）在1967年所著的《评价方法论》中，提出形成性评价是为正在进行的教育活动提供反馈信息，以提高正在进行的教育活动质量的评价，是一种对学习进程的动态评价。教师和学生可以依据获取的反馈信息了解学习状态，及时调整教学或学习。[4]
在Moodle平台中具备学生学习进展跟踪功能。
方法一：通过设置“课程进度跟踪”，了解学生各项学习活动的完成情况。
如图4所示，进入课程，在“课程管理”/“课程进度跟踪”进行跟踪条件设置，然后再选择“课程管理”/“报表”/“课程进度”，就会显示选修该门课程的所有学生的各项学习活动的完成情况。
图4 课程进度跟踪设置
方法二：分析学生各项学习活动的参与度。
通过选择“课程管理”/“报表”/“课程成员”，可以详细地显示各项课程活动学生的参与情况，以及参与的次数，更清楚地分析学生的学习努力程度。如图5所示，列出了数据库原理及应用这门课程的“第一部分测验”活动、每个学生参与的次数。
方法三：采用数据挖掘手段，了解学生的学习风格。
此方法要求具备一定的数据挖掘知识及应用能力。通过Mysql系统提取Moodle后台数据库（＼server＼mysql＼data＼mysql）进行关联规则分析。
关联规则数据挖掘，可以发现学生学习行为之间的关系，通过对学生的某两类网络学习行为之间取值关系进行分析就可以得出它们之间的关联性，进而预测学生将要进行的下一个行为，从而挖掘网络学生学习行为之间的关系，使得学生学习风格显性化。[5]
2. 课程资源利用情况分析
课程资源建设是影响网络教学应用质量的重要因素。甘振韬等通过SQL Server的Analysis Services 工具，对网络课程的资源配置情况，包括资源配置指数和访问量进行分析。[6]
Moodle平台能很直观地呈现课程各项资源的访问情况。
方法：选择“课程管理”/“报表”/“课程活动”，课程设计的各项活动被访问量被详细统计出，如图6所示，教师可以清楚了解课程资源的利用率情况，分析学生的学习喜好，适当调整各活动资源的配比。
图6 课程资源访问情况
3. 学生在线学习时间分析
对于某门课程，通过分析学生的日志，可以掌握学生的在线学习时间，以及学习时段的分布情况。
方法：点击“课程管理”/“报表”/“日志”，其中可以设定查看所有成员或是某一个成员、所有活动或是某一项活动，以及所有日期或是某一天，学生的在线学习情况。如图7所示。
图7 学生日志
4. 学生参与讨论的频度分析
学生参与课程讨论的频度，可以反映学生的学习主动性，教师通过观察可以即时进行有针对性的教学干预。
方法：选择“课程管理”/“报表”/“课程成员”，如图8所示，学生参与“课程聊吧”活动的情况。
图8 学生参与讨论活动的频度
5. 学习成绩分析
学生的最终学习情况需要一个成绩评定，Moodle平台的设计理念中非常强调过程性评价，它能够记录学生学习过程中的各项活动成绩，包括师生、生生相互评价的成绩，汇总成学生的最终成绩。
方法一：查看教学活动的单项成绩情况。
直接使用Moodle平台所提供的课程管理功能，点击“课程管理”/“成绩”选项，打开成绩管理菜单，再选择“类别和项”下的“简略视图”（如图9），可以查看教学活动过程各项汇总成绩。并可以设置学习过程中各部分占总成绩的比率。
方法二：对测验试题结构分析。
在Moodle中若选择测验，则出现“测验管理”，再选择“测验管理”/“统计”，可以得到本次测验的统计分析报告。包括此测验的标准偏差、测验的分数分布偏度、分数的分布峰度等。还有此测验试题的结构分析结果，包括容易度指数、试题的标准偏差等（如图10），能让教师科学地调整测验的结构组成，试题的难易程度和分数的布局等。
图10 测验试题结构
方法三：在成绩管理菜单下选择“导出”为Excel、OpenDocument电子表格或其它文档，再进行统计分析。
6. 群组分析（分组）
学生分组开展学习，可以促进学生的集体意识及合作能力的培养，但如何分组？各分组成员真的能很好地协作吗？这需要教师特别注意，需要考虑如何分组才能更好地激发学生的学习积极性。
方法一：选择“课程管理”/“用户”/“小组”，可以自主创建小组，也可以用“自动创建小组”方式创建，如图11所示，就是以自动方式创建的小组，其中还可以指定小组数量或是每个小组成员数。这种方式设置的小组较为随机，如果希望分组能考虑成员的凝聚性可以选择方法二进行。
方法二：应用社会网络分析软件，如UCINET等，可以开展学习社群的关系距离及中心性分析，以及小团体分析等分析。通过收集学生在讨论区或是聊天室中的问答的关系情况获得分析数据。对于社会网络结构的特征分析可以辅助判断师生交互网络发展的成熟程度。
五、小结
本文基于Moodle网络课程管理系统，介绍了教师关心的几个方面的数据分析方法，为想要分析自己网络课程使用情况的教师提供方法借鉴，从而教师能够更好地调整网络课程的内容组成、结构布局，以及教学方法策略的调整。同时，本研究也适当突破Moodle网络课程平台，提供了在其它网络课程平台中进行数据挖掘分析的方法和思路。通过几个方面数据分析方法的整合，目的是提供一种进行网络课程数据挖掘模式架构的研究。今后，研究还应深入底层数据的分析，提供更具通用性的网络课程数据挖掘模式方法。
[参考文献]
[1] 黎加厚. 信息化课程设计――Moodle 信息化学习环境创设[M]. 上海：华东师范大学出版社，2007.
[2] 张伟远，段承贵. 网络教学平台发展的全球合作和共建共享[J]. 中国远程教育，2012，（10）：32-36.
[3] 邓康桥. workflow技术在网络课程开发管理系统中的应用研究[J].中国远程教育，2013，（4）：63-68.
[4] 刘纳. 基于数据挖掘技术的网络学习形成性评价研究[D]. 上海：华东师范大学，2012.
[5] 李素珍. 基于网络学习行为分析的网络学习风格与学习偏好挖掘模型研究[D]. 武汉：华中师范大学，2009.
[6] 甘振韬，梅文，郭玉军. 数据挖掘技术在网络课程资源配置中的研究[J]. 中国医学教育技术，2012，26（6）：635-638.
数据分析课程范文3
关键词:数据挖掘;成绩分析;决策树算法
一、引言
成绩作为考试的结果,不仅是对学生学业和教师教学效果的检查和评定,进而激励学生学习及教师工作;更是一种信息,具有反馈于教学活动、服务于教学决策、为教育科研提供资料等作用。为充分发挥考试的效能,综合评价命题质量,及时反馈教学效果,沟通教学信息,教学部门对考试成绩进行统计分析和总结是非常必要的。
二、问题提出
我们以软件技术系软件开发专业为例进行分析。在众多专业课程中,很多科目之间是相互联系相互影响的,例如《Java初级程序设计》是《Java高级程序设计》的前置课程,《J2EE企业级应用开发》则是《Java高级程序设计》的后续课程,《网页制作―HTML、CSS》的学习效果将会影响《网页制作―JavaScript》,而这些课程之间又是相互渗透相互联系的。有时候有的教师在上一门课时会抱怨这个班的基础不好,后续课程很难上,那么究竟是什么哪些前置课程对后续课程造成了影响呢?这里我们以软件开发专业核心课程《J2EE企业级应用开发》为例,分析研究影响这门课成绩的前置课程对其的影响。
三、数据预处理
07级软件开发专业一共9个班,前4个学期一共开设23门课程,在教学管理的数据库中保存着大量属性繁多,定义复杂,冗余多,不完整的数据。我们首先要从大量的数据中筛选出适合分析的数据。
在课程的选择中,我们选取《计算机基础》、《计算机网络基础》、《计算机数学基础》、《Java程序设计基础》、《数据结构》、《数据库原理与SQL Server》、《Java高级程序设计》、《网页制作技术》以及《J2EE企业级应用开发》这几门有关联的课程进行分析。并且在分析之前把《计算机基础》、《计算机网络基础》、《计算机数学基础》这3门基础课取平均值合并成一个《计算机基础》。
这是在软件技术专业9个班400多人中随机抽样选取91个学生的记录作为样本集。
表1 采样成绩表
经统计,91个学生记录中,各门课程及格和不及格人数如表5.2所示。
表2 样本集中各门课及格不及格人数统计
四、建立模型
1. 决策树方法介绍
决策树是一个类似流程图的树型结构,其中树的每个内部结点代表对一个属性(取值)的测试,其分支就代表了测试的每个结果;而树的每个叶结点就代表一个类别,可以根据决策树的结构对数据集中的属性值进行测试,从决策树的根结点到叶结点的一条路径就形成了对相应对象的类别预测。
2. ID3算法的基本思想及原理
ID3算法是R.Quinlan于1986年提出的,其前身是CLS。CLS的工作过程为:首先找出最有判别力的因素,把数据分成多个子集,每个子集又选择最有判别力的因素进行划分,一直进行到所有子集仅包含同一类型的数据为止,最后得到一棵决策树,可以用它来对新的样例进行分类。
3. 构建决策树
成绩结果分为正例和反例两类:及格(P)和不及格(N)。
下面用ID3算法,建立决策树,对课程成绩分类。
具体计算过程如下:
首先计算J2EE课程所含有的信息量。J2EE及格人数P=81,不及格人数N=10,则可得到:
0.4493
然后计算当J2EE及格和不及格时,其他课程所包含的总信息量。经统计,其他6门课程和J2EE有如表3所示的统计数据:
计算机基础:
0.4421
从而得到计算机基础的信息增益度为:
Gain(计算机基础)=0.4493-0.4421=0.0072
同样的方式,得到其他课程的信息增益度,结果如表4所示:
表4 各门课程的信息增益度
可以看出所有课程当中JAVA高级程序设计是最能区别训练集中决定J2EE成绩与否的课程。根据各个课程的信息增益度,应该选择JAVA高级程序设计作为所建决策树的根结点。由于JAVA高级的属性值只有两个:1(及格)和0(不及格),所以在JAVA高级下可以建立两个分支。此时,将训练实例集分为二个子集,生成包含二个叶结点的决策树。如图1所示。
图1 根节点分类决策树
经统计,JAVA高级程序设计及格且J2EE也及格的人数为73,其准确率为73/79=92.4%。因此对JAVA高级程序设计及格这个分支(结点一)停止分割。经统计,JAVA高级程序设计不及格的12人中有5人J2EE及格,7人J2EE不及格,所以对高级程序设计不及格这个分支(结点二)进行再次分割。
对图1中的叶结点二进行分类。经过计算,此刻正例为4,反例为8,所以此时的熵值为:
0.9799
采用上面同样的方法计算各门课程的信息熵,得到
计算机基础:
0.9799
得到Gain(计算机基础)= 0.9799-0.9799=0.0000
同理,得到:
Gain(JAVA基础)= 0.9799-0.9371=0.0482
Gain(数据结构)= 0.9799-0.8669=0.1130
Gain(数据库)= 0.9799-0.9799=0.0000
Gain(网页设计)= 0.9799-0.9371=0.0482
选择数据结构为分裂点,将结点二分为两个子集。JAVA高级不及格且数据结构及格的人数为1人,该结点停止分割,JAVA高级不及格且数据结构不及格的11人中有4人J2EE及格,7人不及格,因此对该节点需要再次分割。
采用上述同样的方式划分,最后得到如图2所示的最终决策树。
图2最终决策树
五、结果分析
分析图2所示的决策树,我们可以得到:对于软件专业后期的核心课程《J2EE企业级应用开发》来说,《Java高级程序设计》的学习程度直接影响其学习效果,《数据结构》和《JAVA初级程序设计》也会对《J2EE企业级应用开发》的成绩带来影响,如果学生《JAVA高级程序设计》学习一般但是《数据结构》和《JAVA初级程序设计》基础较好的话,依然能够在学习《J2EE企业级应用开发》时取得好的成绩。这比较符合专业课程学习过程的实际情况。决策树得出的结果反映了实际情况,这也充分说明了数据挖掘是一个强有力的辅助决策工具。
六、结束语
回顾一下这个案例,验证数据挖掘技术解决这个问题的效果。在分析过程中,我们利用相关的数据,通过横向比较《计算机基础》、《Java程序设计基础》、《数据结构》、《数据库原理与SQL Server》、《Java高级程序设计》、《网页制作技术》以及《J2EE企业级应用开发》等课程成绩,经过数据收集、数据选择、数据清理、数据归纳、数据转换等过程,运用决策树中的ID3算法课程之间知识结构相互支撑的模型,发现专业核心课程之间的内在联系。辅助教学管理人员根据该模型对现有教学计划做出调整,对师资资源合理利用,将优质师资用在主干课程上。
参考文献:
1.李小映,数据挖掘在高职院校学校综合信息中的应用,计算技术与自动化,2006.12
2.陈松、卢继萍,教学管理系统中的数据挖掘技术的应用研究,中国教育技术装备,2007.12
3.李雪真、陈燕国 ,基于数据挖掘的高校课程设置评价方法,科技资讯,2008.8
数据分析课程范文4
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.
数据分析课程范文5
关键词：数据结构与算法分析；课程体系；研究型大学；创新性教学
为落实教育部“高等学校教学质量与教学改革工程”，湖南大学肩负着为建设创新型国家而培养创新型拔尖人才的重大历史使命[1]。湖南大学计算机与通信学院为进一步贯彻以人为本、因材施教的办学理念，加速培养基础宽厚、学科知识交叉的复合型人才，充分调动学生学习积极性，以精品课程为目标，进行研究型大学创新性课程建设，实施设计与创新型人才培养模式的本科教学质量工程[2]。在学院制定的新本科教学计划中，“数据结构与算法分析”是四门学科通识教育课之一。课程教学团队结合学校和学院的教学质量工程要求，对课程进行了全面的创新建设。
1 “数据结构与算法分析”课程的地位
计算机专业的学生今后无论是从事硬件方向的工作，还是从事软件方向的工作，其程序设计和算法设计与分析的能力都是非常重要的！随着计算机应用领域的扩大和软硬件的发展，计算机加工处理的数据越来越庞大和复杂，而且对其处理的效率也提出了更高的需求[3]。“数据结构与算法分析”就是随着处理对象的复杂性不断增加而发展起来的一门课程，作为计算机专业的核心课程，它在专业人才培养链条中占有举足轻重的地位，它是一门承上启下的枢纽课程，同时也是一门实践性很强的专业技术基础课程[4]。
2研究创新性“数据结构与算法分析”课程的目标
研究型大学既要培养研究型人才，也必须培养高质量的应用型人才，即必须多目标培养人才[5]。同时为贯彻教育部本科教学质量工程提出的显著增强学生的实践能力和创新精神的要求。我们制定研究创新性“数据结构与算法分析”课程的目标是：激发创新意识，培养研究兴趣，训练两种能力，提高实践技能。
研究数据结构的目的是为了学会编写更高效的程序，基于追求更有效率程序的创新理念，引入并加强“权衡”的概念，培养学生研究数据结构相关的代价和效益的兴趣和方法。通过课程教学和实验，训练数据结构的设计和算法分析两种能力。这两种能力有以下三个层次：1)学会常用的数据结构，形成一个程序员的基本数据结构工具箱，在解决实际问题时，能熟练使用数据结构来表示和存储问题中待处理的数据元素。2)熟练地应用各种常用的数据结构。掌握对每一个数据结构和相关基本操作算法所花费的时间和空间代价的分析方法。针对实际问题所要求的资源限制，能确定工具箱中的哪一个数据结构对于该问题是最合适的，即解决方案是最有效率的。3)了解研究数据结构和算法分析的方法，培养研究数据结构的兴趣，为在解决实际问题中，能发明新的数据结构和进行正确的算法分析打下良好的基础。
通过该课程的学习，我们不仅要让学生掌握数据的逻辑结构、存储结构及其相应的算法，更重要的是激发学生的研究创新意识，培养学生研究问题和解决问题的能力，即能够把现实世界中的客观问题变换为在计算机内的表示形式，学会组织数据、选择算法、养成良好的程序设计风格。所以，“数据结构与算法分析”的教学要以培养学生的实践能力为核心，重点提高学生的分析设计能力和编程能力，进而提高学生的系统的认知、设计、开发、应用能力，为研究数据处理的科学问题和创新解决问题的科学方法打下坚实的基础。
3研究创新性“数据结构与算法分析”课程建设
3.1教学计划
在创新与设计型人才培养模式探索过程中，学院基于基础厚实、学以致用、知识技能并重的理念，大胆重设课程体系，实现通识教育基础上的宽口径专业教育的两阶段培养模式，并将实验教学组成相对独立体系，提出了“课程实验――实验课程――工程设计训练――毕业设计”四级实验体系[2]。学院选出“数据结构与算法分析”等四门专业基础课程作为专业学科通识教育平台课程。要求课程相对稳定，安排足够学时，力求讲透讲深，夯实专业学科的理论基础。安排足够的课程实验学时，通过课程实验使学生巩固加深对理论知识的理解；以及通过相应的实验课程，训练和增强学生综合运用知识的能力。图1 给出了本科教学计划的部分运行图。由图可知，“数据结构与算法分析”在课程体系中的安排，凸显了其作为培养学生专业基本能力的地位和作用，强调计算思维能力、算法设计与分析能力和程序设计与实现能力的训练和培养，为全面培养学生的创新与设计能力打下坚实基础。
3.2教学大纲
课程教学大纲根据近年全国硕士研究生入学统一考试计算机科学与技术学科综合考试大纲中的要求，参考全国著名高等院校近几年使用的教材以及期末考试、研究生入学考试试题编制而成。教学内容包括54个知识点，分为：数据结构绪论，算法分析，线性表，栈、队列和数组，树和二叉树，图，查找和内部排序八个部分。每个知识点根据课程目标中三个能力层次要求分为基础知识，重点知识，提高知识，并为其设计相应的教学内容，教学进度，作业题或实验题以及考查评价要求。
如教学大纲中线性表部分。通过这部分的课堂和实验教学，要求学生熟练掌握线性表的基本性质，及其顺序存储结构和链式存储结构的描述方法，以及线性表的各种基本操作的实现，这是该部分的基础知识，注重课程目标中能力层次一的培养。理解线性表的两类存储结构的特点，能够从时间和空间复杂度的角度综合比较两类存储结构和各种基本操作性能的不同特点及其适用场合，这是该部分的重点知识，注重课程目标中能力层次二的培养。了解从实际应用问题的需求分析中发现待处理数据具有线性关系的方法，以及如何设计合适的基本操作，这是该部分的提高知识，注重课程目标中能力层次三的培养。重点考查学生对线性表的基本概念和基本应用的掌握，以及对线性表两种存储结构实现(尤其是链表实现)的特点的理解情况。通过实验和算法设计题考查学生对线性表灵活运用的程度。
3.3教材建设
由于计算机科学是一门快速发展的新兴科学，数据结构与算法分析的理论、概念和方法随着程序设计方法学和程序设计语言的发展不断发展和更新。这些情况给课程的教材建设提出了更高的要求：必须紧跟计算机科学技术发展的步伐[6]。在选材上，我们始终坚持统一要求和因材施教的原则，确保教材内容的组织科学、合理，体系得当。选取的课堂教学教材，内容涵盖了教学大纲中确定的所有知识点，并根据课程的培养目标，以及学生的学习基础和兴趣需求，选用了三本高水平教材――严蔚编的《数据结构(C语言版)》、Clifford A. Shaffer主编的《数据结构与算法分析(C++版)》和Sartaj Sahni主编的《数据结构、算法与应用(C++语言描述)》。经过几年的教学实践，学生普遍反映严老师的书在讲解知识点时，能够把抽象的内容表述得更明确、更具体、更便于学生理解和把握。两位美国教授编写的教材都使用C++语言描述数据结构和算法，使得数据结构与面向对象的思想紧密结合。Shaffer的书还结合算法分析来讨论各种存储方法和算法的利弊，如何设计出有效率的算法，如何根据应用需求选择最佳方案，这种“授人以渔”的思想极大激发学生的思考热情。Sartaj Sahni的书最大特色就是强调应用，通过现实生活中的许多应用实例具体演示了各种数据结构和算法设计方法，使学生能了解学习数据结构后如何应用到实际工作中去，学以致用。
只靠读书是不能学会灵活使用数据结构的。课程的教学目的不仅是让学生掌握各种数据结构，更重要的是培养学生解决实际问题的能力。因此，上机实验是课程教学的重要环节。为了帮助学生进行有效的实验训练，我们积累多年实验教学改革经验，编写了《数据结构与算法分析课程实践》讲义，用于指导学生的课程实验教学。在讲义中不仅精心设计题目，紧扣理论内容，由浅入深，循序渐进地培养学生计算思维能力、算法设计与实现能力，而且给出了实习步骤和实习报告的规范，训练学生软件工程的能力。教学实践表明，学生通过上机训练和完成实验报告，不仅加深了对理论知识的理解，提高了复杂程序设计的技能，而且培养了良好程序设计的习惯和工作作风。
数据结构与算法分析是实践性很强的课程，仅靠上课和上机中学习是绝对不够的。为了给学生在课外自学和练习中提供指导，我们编写了《ACM程序设计培训教程》，并提供在线评测系统供学生随时测试。这样做可以充分调动学生的学习积极性和主动性，并使其钻研更深、更新、更难的问题，提高研究创新能力。
3.4教学组织
多年来，本课程教学团队已积累了一套“课堂―课程实验―实验课程―课外自学辅导”四个环节相互配合，提倡激发兴趣，精讲多练，重点突出，培养专业基本能力和研究创新的教学实施方案。
课堂环节注重计算思维能力的训练。在讲授具体课程内容时，要精讲，把重点要讲透彻，把难点加以分解，让学生能理解。要串讲：把前后相互关联的多个知识点串讲，总结其中的共性，突出各自的特点，分析相互的差别。要活讲，除了讲解基本的知识，更要授人以渔，要把“分析问题中待处理的数据建立抽象数据类型、根据物理存储特点建立物理数据结构、设计有效率的存储结构和基本操作算法、分析各种数据结构和基本操作算法特点和适用性”这样一条学习主线给予详细的介绍，引导学生有效地学习理论知识，进行计算思维能力的训练，使学生掌握创新地学习的能力，以激发学生对问题的探索精神。
实验注重算法、程序设计与分析能力的训练。通过实验报告文档，训练学生的算法设计和分析能力，通过上机实践，训练学生的程序设计和调试能力。实验实践环节由简单到复杂，通过精心挑选的验证型、技能型、创新与设计型三类实验题目，提升学生对理论知识的理解和应用能力，促进学生的创新研究思维。对每次实验的目的、原理、实验步骤、注意事项和实验要求都做出了详细的说明，突出了实验的重点，并编写了详细的实习指导书，包括实习报告范例、难度不同的程序范例，便于学生从模板开始，快速入门与提高。实验报告包括需求分析，概要设计，详细设计，调试分析，测试结果，使用说明和实验心得七个方面。严格实施这些貌似繁琐的规范，对于学生基本程序设计素养的培养和研究问题方法的训练，将能起到显著的促进作用。
课外自学辅导注重因材施教，满足不同的学习需求。学生的兴趣、专长，接受能力、自学能力都有差异，课堂上“均等和有限”的教学不能达到因材施教的目的。在课堂上，教师只能针对程度一般的多数学生的情况进行教学，对于程度差的学生要靠个别的辅导，帮助其积累知识和提高理解能力，跟上一般学生的进度。对于优等生，也要进行个别的指导，指定课外读物，加大信息量，布置思考题，调动其潜能，引导其创新。对于尖子生，我们还有一条措施，让其参加程序设计竞赛，组织和指导他们参加全国性的学科竞赛，促使他们脱颖而出。
3.5教学研究
为实现培养“宽口径、厚基础、强能力、高素质”的研究型人才的教学理念，学院对包括数据结构与算法分析在内的四门学科通识教育课程进行重点建设，组织专业教师认真总结多年来的教学经验，深入开展教学研究，提出一系列合理的教改方案。
1) 优化调整专业培养计划。
2009年初，为配合学校的人才培养模式向研究型转变的本科教育培养计划改革，学院制定了新的旨在培养设计与创新型人才的课程体系和实验体系，把“数据结构与算法分析”课程定位在学科通识教育课程，全院所有专业的学生必修。同时把该课程从第四学期提前到第三学期，并与第一学期开设的程序设计基础，第二学期开设的高等程序设计和软件基础实验1，以及第四学期的软件基础实验2，构成一组课程体系，保证本科生在通识教育培养的两年中，每个学期都开设程序设计方面的课程，为培养设计与创新型人才夯实学科基础。
2) 基于课程责任制的师资队伍建设。
近几年，学院在教学改革中大力实施定岗定编和课程责任制改革。根据教师的科研方向分配教学任务，同时按照课程特色组合多个教学团队，并与教师所属的科研团队互相关联，达到科研与教学相结合促进教学质量提高的目的。
3) 以申报精品课程为契机加速课程信息化建设。
以课程建设促进专业建设，打造精品课程是学院对每门专业核心课程的要求。根据精品课程建设的要求，开发了课程网站，学生可以随时访问网站获取课程资源、在线播放课件、习题指导等；开发实验与实践在线评测系统，学生可随时上网提交软件在线评测，并在学习园地学习交流。开发ACM竞赛培训网站，为喜爱编程的学生提供交流和切磋的平台。
4) 培养设计与创新人才的实践教学体系建设。
学院提出了“课程实验―实验课程―工程设计训练―毕业设计”的新型特色实践教学体系。明确“课程实验”和“实验课程”的内涵与目标，要求所有核心课程必有此环节[2]。“数据结构与算法分析”作为训练学生计算思维、算法设计和分析能力和程序设计与实现能力的重要课程，对课程实验和实验课程的实践教学环节不断改革创新，如教学团队积累多年实践教学经验，编写了《数据结构与算法分析课程实践》讲义，用于指导学生的课程实践教学。申请多个SIT项目，为学生提供研究创新平台。编写了《ACM程序设计培训教程》教材，对喜欢算法和程序设计的学生进行指导，使学生在各类与程序设计相关的学科竞赛中频获佳绩。
4结语
“数据结构与算法分析”是计算机专业的一门核心课程，学习数据结构和算法设计分析不仅为学习后续课程建立基础，也有益于创新与设计型人才的培养。
为了不使教学过程过于抽象和枯燥，我们要充分调动学生主动学习的积极性，提高教学的趣味性；大力提高学生的实践能力和知识应用能力，注重创新研究能力的培养。借着学院新型课程体系和新型特色实践教学体系改革的春风，我们明确了培养创新与设计人才的理念，针对数据结构与算法分析课程能力培养三层目标，在继承原有教学体系中关注课堂教学的基础上，加强实践教学环节和课外辅导提高环节，使这门课程的教学更加系统和全面。实践证明，这种新模式对提升教学质量非常必要，近几年，学生和校督导团的评教成绩在学院名列前茅，该课程已通过省精品课程评审，用新模式培养出来的学生陆续在全国各种大赛上获得较好名次，在2010年ACM亚洲区比赛中我院学生获得两个金奖。
按照学院提出的“创新与设计型人才”培养目标。“数据结构与算法分析”课程教学工作从课堂教学和实践教学两个方面进行建设和完善，精品课程网站和实验与实践在线评测系统已经投入使用，课程教学辅助课件在逐步建设中，符合创新与设计型人才培养目标的教材正在编写中，相信“数据结构与算法分析”这门课的教学质量在教学改革中将不断得到提高。
参考文献：
[1] 钟秉林,董奇,葛岳静,等. 创新型人才培养体系的构建与实践[J]. 中国大学教育,2009(11):22-24.
[2] 赵欢,骆嘉伟,李仁发,等. 计算机专业设计与创新型人才培养模式及课程体系研究[R]. 武汉:第八届全国计算机系主任论坛,2005,10.
[3] Gregory Goth. Turning Data Into Knowledge [J]. Communications on the ACM,2010,53(11):13-15.
[4] 教育部高等学校计算机科学与技术教学指导委员会. 高等学校计算机科学与技术专业人才专业能力构成与培养[M]. 北京:机械工业出版社,2010.
[5] 张思东,张有根,高万英,等. 重点大学既要培养研究型人才也必须培养高质量的应用型人才[R]. 深圳:全国电子高等教育学术研讨会,2003,11.
[6] 张乃孝. 编写“数据结构”教材的几点体会[R]. 南京:第二届大学计算机课程报告论坛,2006,7.
Constructing Innovative Curriculum of Data Structures and Algorithm Analysis
in Research-oriented University
LI Xiaohong, LUO Jiawei, YAN Hua, WU Hao
(School of Computer and Communication, Hunan University, Changsha 410082, China)
数据分析课程范文6
［关键词］会计信息管理；人才培养；数据分析
0引言
2012年以来，铺天盖地的大数据进入了我们的视线，各种流行书籍，各大网站、媒体都在谈论大数据，一时间成为这个时代最热门的话题。同时，这也引起了我们的关注。我们说，大数据，不单纯是数据规模上的大，还在多样性、速度、精确性上都有突破性增长。更重要的是，这种数据的潜在价值也是旧有数据难以企及的。我们这里暂且不论如何驾驭大数据以及有什么样的技术要求，它给我们的一点重要启示就是要注重数据分析的重要性。在此背景下，深圳信息职业技术学院会计信息管理专业积极探索满足新形势下人才需求的培养模式，使人才更好地满足当前企业的实际需要。
1大数据时代背景引发对人才需求的变革
可以说，在未来的竞争领域，“占领市场必须先占有数据”，也就是要做到基于信息的决策———“用数据说话，做理性决策”，即进行数据分析。数据分析是从海量的数据中提取和挖掘出对企业有价值的规律和趋势，为企业的决策提供支持，这些支持体现在四个方面：①行为预见镜———帮助企业识别机会、规避风险；②问题良药———帮助企业诊断问题、亡羊补牢；③跟踪检测———帮助企业评估效果，提升效益；④引力动力器———帮助企业提高效率，加强管理。不可否认，个别公司的决策人具有超人的战略眼光以及敏锐的洞察力，单靠直觉也能给公司带来巨大价值。那么究竟靠数据分析的决策能否优于直觉决策，我们这里也要靠数据说话。有学者比较了组织中用直觉决策以及用数据分析决策的可能性，研究发现，业绩优秀的组织更多地倾向于采用分析决策，尤其是在财务管理、运营、战略等方面。因此，可以推断，用数据分析决策比直觉决策能给企业带来更大的价值。与此同时，根据智联招聘网站显示，短短两年时间，珠三角地区数据分析人才需求已接近了需求量旺盛的传统会计专业。可见，越来越多的公司需要能够对公司财务等相关信息数据进行处理、加工、分析以为公司管理层决策提供信息支持的人才。可以说，传统会计专业注重会计核算，即财务报表编制的整个流程及环节的掌握，而会计信息管理专业更注重对财务报表数据以及其他有用信息数据的再加工、处理、分析及呈报，以满足管理层经营决策的需要。可以说，不同的社会发展阶段和发展水平要求有不同的专业设置及专业培养目标与之适应。从会计电算化到会计信息管理背后的推动力是时代的变革引发的对人才的需求。然而，从当前会计信息管理专业的建设情况来看，多数院校存在培养目标不清晰、没有明确的专业定位、与会计电算化等专业没有明显区分以及缺乏明确的专业核心课程等突出问题，尤其是对会计信息管理专业名称中“信息”二字究竟如何体现没有清晰的把握和界定。因此，会计信息管理专业的人才培养模式亟需变革。
2大数据时代背景下会计信息管理人才工作岗位及能力分析
深圳信息职业技术学院2012年成功申报会计信息管理新专业，并于2013年下半年开始首届招生。与此同时，会计信息管理的专业定位、培养目标、课程体系也成为摆在专业任课教师面前的重大课题。近几年来，全体专任教师围绕会计信息管理专业建设展开了一系列的咨询、调研、走访，并定期进行讨论、交流，扎扎实实了解实际中的人才需求，实现专业人才供给与人才需求无缝对接。到目前，初步形成了具有专业特色的会计信息管理专业建设思路与方法。首先，会计信息管理专业人才就业岗位主要集中在账务处理、管理会计、财务数据分析、预算管理、成本管理、资金管理及内部控制等方面。具体工作任务体现在：会计核算，纳税申报，管理会计，财务数据处理、加工、分析及呈报，以及预算、成本、资金管理等。其次，在新形势下会计信息管理人才的工作岗位领域，会计信息管理专业人才应具备如下三方面能力：①会计核算能力，指的是熟悉并掌握会计信息生成系统，运用财务信息对企业经营活动进行评价；②数据分析能力，指的是掌握一定的数据分析方法，运用Excel、数据库等现代信息技术手段对数据进行采集、处理、分析及呈现；③辅助决策能力，指的是能够依据相应的数据分析结果，为公司日常财务等管理决策提供支持。
3大数据时代背景下会计信息管理人才培养目标
在当前互联网时代及大数据时代，对财务人才的要求，已经不局限于传统账务处理，更倾向于对决策相关信息数据的处理和分析。“占领市场必须先占领数据”，公司财务和经营决策的制定更多的是基于信息的决策，即“用数据说话，做理性决策”，而数据分析即是从海量的数据中提取和挖掘出对企业有价值的规律和趋势，为企业的决策提供支持。因此，在新形势下，会计信息管理专业的人才培养目标可以确定为数据分析引领财务决策信息化。为了实现这一培养目标，需要三个层面的支撑体系，即基于财务会计、强化数据分析、服务管理决策。
4大数据时代背景下会计信息管理人才培养课程体系
在以数据分析引领财务决策信息化的人才培养目标指引下，我们初步形成了如下三个层次的课程体系。
（1）会计学基础课程：会计信息管理源于会计，不能脱离财务会计，仍然要以财务会计为基础。专业学生要了解财务报表的生成过程及会计账务处理流程、能够对一般企业常见经济业务进行会计处理、进行企业纳税申报等。这方面课程主要有：会计学原理、财务会计、纳税实务。
（2）数据分析技术课程：对信息的把握体现在两个层面，其一是与企业信息化相适应的一般管理软件、财务软件的使用及熟练操作以及简单维护，能够作为关键人物辅助中小企业实现财务信息化；另一层面通过对数据的采集、整理、分析报告，满足管理层基于信息的决策以及决策的科学化。数据的来源可以来自公司内部的管理信息系统，根据需要也可以来自企业外部的国家经济产业政策、行业市场信息等。其中，对数据的分析能力又从两方面进行培养，一方面是分析思维方式的培养，这是起主导作用的层面；另一方面是分析工具运用的培养，信息化时代，数据量的加大要求借助于一定的分析工具才能实现数据分析。企业信息化实施及数据分析方面的主要课程有：财务报表分析、财经数据分析、应用统计学、数据库原理及应用、数据处理软件应用、商务智能等。
（3）决策能力提升课程：新形势下财务人员面对和服务的更多是企业的管理层和决策层，会计信息管理专业学生要清楚公司管理层和决策层需要哪方面的决策信息支持，并通过数据分析方法进行提供，同时给出合理化建议。这方面课程主要有：管理会计、财务管理、成本管理等。其中，财经数据分析课程能够使学生掌握系统的数据分析方法，包括数据收集、数据处理、数据分析、数据展现及报告撰写各环节的基本理论及操作技能，同时熟练地运用数据分析的思想和方法分析企业的财务数据，为管理层决策提供信息支持。数据分析软件应用课程能够让学生熟练运用Excel等常见数据分析工具、软件进行数据录入、数据整理和数据分析的方法和技巧，培养学生操作Excel等数据分析软件的基本技能。商务智能（含数据挖掘）课程依托商务智能平台，从商务智能概念、商务智能结构、多维数据集内容、数据挖掘、交付等主要内容，使学生在了解如何运用商务智能的工具、架构以及规则的基础上，分析企业数据，为企业管理层提供信息化决策支持系统。
5结语
不同的社会发展阶段和发展水平要求有不同的专业设置及专业培养目标与之适应。从会计电算化到会计信息管理背后的推动力是时代的变革引发的对人才的需求。大数据时代下会计信息管理人才培养目标为数据分析引领财务决策信息化。相应课程体系为财务会计基础课程、数据分析技术课程、决策能力提升课程。我们共同期待，会计信息管理人才将通过数据分析对企业财务等管理决策带来价值增值。
主要参考文献
［1］陈宪宇．大数据时代企业相关职位设置与人才培养［J］．经营与管理，2014（9）：43－47．
［2］谭立云，李强丽，李慧．大数据时代数据分析人才培养的思考及对策［J］．黑龙江科技信息，2015（3）：57．
