基于新工科理念的大数据与数据分析通识课程建设新思维

摘要：在新工科蓬勃发展的大背景下，大数据与数据分析能力已成为工科人才不可或缺的素养。本文深入剖析大数据与数据分析通识课程在新工科建设中的重要地位，指出当前课程目标定位模糊、内容陈旧、教学方法单一及师资力量不足等问题。针对性地提出明确课程目标、优化课程内容、创新教学方法和加强师资队伍建设等策略，旨在提升课程质量，培养适应行业需求、具备跨学科思维与综合素养的新工科人才，为高等工程教育改革提供有益参考。

关键词：新工科；大数据；数据分析；通识课程；课程建设

一、引言

在全球科技竞争日益激烈的当下，新工科建设已成为高等工程教育改革的核心任务[1]。新工科旨在培养具备创新能力、跨学科思维以及适应新兴产业发展需求的高素质工程人才。它不仅要求学生掌握传统工科专业的核心知识，更强调对前沿技术的理解与应用，以及在多学科交叉融合环境下解决复杂问题的能力。

大数据技术作为数字时代的标志性技术，正深刻改变着各行业的发展模式。在商业领域，电商巨头亚马逊通过对海量用户购物数据的分析，精准预测用户需求，优化商品推荐系统，实现销售额的大幅增长[2]。在医疗健康领域，大数据分析助力疾病预测与精准医疗。通过整合患者的基因数据、病历信息以及生活习惯数据，医疗团队能够更准确地预测疾病风险，制定个性化的治疗方案，提高治疗效果[3]。例如，谷歌旗下的DeepMind公司利用大数据和人工智能技术，成功帮助英国国家医疗服务体系（NHS）提前预测急性肾损伤，拯救了众多患者的生命[4]。

随着大数据技术在各行业的广泛应用，工科人才面临着前所未有的挑战与机遇。传统工科教育模式下培养的学生，难以满足新时代对工程技术人才在数据处理与分析能力方面的要求[5]。大数据通识课程作为培养学生数据素养的基础课程，在新工科人才培养体系中占据着举足轻重的地位。它不仅为学生提供了接触大数据技术的机会，更重要的是，帮助学生建立起数据思维，学会运用数据驱动的方法解决实际问题。然而，目前该课程在建设过程中仍面临诸多问题，如课程目标定位不清晰、教学内容与实际应用脱节、教学方法单一等，亟待深入研究并提出有效的解决方案，以更好地适应新工科人才培养的需求，推动高等工程教育的创新发展。

二、新工科背景下大数据与数据分析通识课程建设的重要性

（一）适应行业发展需求

在数字化转型的浪潮中，几乎所有行业都在积极拥抱大数据技术，以提升自身竞争力和创新能力。在医疗、教育、能源等行业，大数据都有着广泛的应用。医疗领域通过分析患者的病历数据、基因数据等，实现疾病的精准诊断和个性化治疗；教育领域利用数据分析了解学生的学习行为和学习效果，为学生提供个性化的学习方案；能源行业通过分析能源消耗数据，优化能源分配，提高能源利用效率。蚂蚁金服借助大数据分析，构建了完善的信用评估体系，为众多小微企业和个人提供了便捷的金融服务，推动了普惠金融的发展[6]。

由此可见，大数据与数据分析能力已成为各行业人才必备的核心素养。通过开设大数据与数据分析通识课程，能够让工科学生提前掌握这一关键技能，使其在毕业后能够迅速适应行业的数字化发展需求，在工作中发挥专业优势，为企业创造价值。

（二）促进学科交叉融合

新工科强调多学科的交叉融合，而大数据与数据分析为工科各专业与数据科学之间搭建了一座桥梁。在大数据与数据分析通识课程的学习过程中，学生需要综合运用计算机科学、统计学、数学等多学科知识。

从计算机科学角度，学生要掌握数据存储、管理和处理的技术，如数据库管理系统、大数据处理框架（Hadoop、Spark 等），这些工具和技术为数据分析提供了基础支持。统计学知识则帮助学生理解数据的分布特征、进行假设检验和建立统计模型，从而从数据中提取有价值的信息。数学知识在算法设计、模型构建等方面发挥着重要作用，例如机器学习算法中的线性代数、概率论等知识，是理解和实现算法的关键。

通过大数据与数据分析通识课程的学习，学生能够拓宽知识视野，打破学科界限，培养跨学科思维和创新能力。这种跨学科的学习和实践经验，将使学生在未来的工作中能够更好地应对复杂的工程问题，提出创新性的解决方案[7]。

（三）提升学生综合素养

大数据与数据分析通识课程对学生综合素养的提升体现在多个方面。在知识层面，学生通过学习该课程，能够系统掌握数据收集、整理、分析和可视化的方法和工具，如 Python 数据分析库（Pandas、Numpy、Matplotlib等）。这些知识和技能不仅在学术研究中具有重要价值，在日常生活和工作中也有着广泛的应用。

在思维能力培养方面，数据分析过程要求学生具备严谨的逻辑思维，能够对数据进行合理的分析和推理。同时，面对复杂的数据和多样的分析结果，学生需要具备批判性思维，能够对数据来源、分析方法和结果的可靠性进行评估和质疑，不盲目接受表面信息。同时，该课程还能培养学生的数据安全与隐私保护意识，让学生了解在大数据时代如何合法、合规地使用数据，保护个人和企业的隐私信息。

三、课程建设现状与问题

（一）课程目标定位模糊

部分高校对大数据与数据分析通识课程的目标定位不够清晰明确，未能紧密结合新工科人才培养的总体目标和行业实际需求。课程内容缺乏针对性和系统性，过于宽泛和笼统，难以突出大数据与数据分析在新工科背景下的核心价值和应用重点。

（二）课程内容陈旧

大数据发展迅速，新的算法、工具和应用场景不断涌现。然而，部分高校的大数据通识课程内容更新滞后，未能及时跟上技术发展的步伐。课程中仍然以传统的数据分析方法和工具为主，而对于当前主流的大数据处理框架（如 Hadoop、Spark）和先进的机器学习算法（如深度学习算法）涉及较少。这使得学生所学知识与行业实际应用脱节，毕业后难以适应快速变化的职场环境，无法满足企业对大数据与数据分析人才的最新需求。

（三）教学方法单一

在教学方法上，许多高校的大数据通识课程仍以传统的讲授式教学为主，缺乏互动性和实践性。教师在课堂上主要进行理论知识的灌输，学生被动接受，缺乏主动思考和参与的机会。这种教学方式难以激发学生的学习兴趣和积极性，也不利于培养学生的实践能力和创新思维。同时，由于课程缺乏实践环节或实践环节设计不合理，学生很少有机会将所学的理论知识应用到实际项目中，导致学生对知识的理解和掌握不够深入，实际操作能力较弱。

（四）师资力量不足

大数据与数据分析是一个跨学科领域，涉及计算机科学、统计学、数学等多个学科知识。目前部分高校从事该课程教学的教师知识结构相对单一，缺乏跨学科背景和行业实践经验。一些教师虽然在某一学科领域有深厚的学术造诣，但对其他相关学科的知识了解有限，难以在教学中全面、深入地讲解大数据与数据分析的相关内容。此外，由于缺乏行业实践经验，教师在教学过程中难以将实际案例引入课堂，使教学内容显得枯燥乏味，无法让学生真正了解大数据与数据分析在实际工作中的应用情况。

四、课程建设策略

（一）明确课程目标

紧密围绕新工科人才培养的总体目标，结合行业对大数据与数据分析人才的需求，制定清晰、明确、具有可操作性的课程目标。课程目标应着重培养学生以下几方面的能力：一是扎实的大数据基础知识，包括大数据的概念、特征、存储与管理等；二是熟练掌握主流的数据分析工具和方法，如 Python、R 语言以及常用的数据分析库和算法；三是具备运用数据分析解决本专业实际问题的能力，能够从工科专业的实际场景中提取数据问题，并运用所学知识进行分析和解决；四是培养学生的数据思维和创新能力，使其能够在面对复杂问题时，主动运用数据驱动的方法进行思考和探索。

（二）优化课程内容

整合基础理论知识：系统整合数据挖掘、统计学基础、数据库原理等基础理论知识，构建完整的知识体系。在数据挖掘方面，详细讲解关联规则挖掘、聚类分析、分类算法等核心内容，使学生深入理解数据挖掘的原理和方法；统计学基础部分，全面涵盖描述性统计、推断统计等知识，帮助学生掌握数据特征分析、假设检验等基本统计方法；数据库原理着重介绍数据库的设计、操作与管理，让学生具备数据库构建与数据存储管理的能力，为后续的数据分析工作奠定坚实的理论基础。

引入行业前沿技术：及时引入行业最新的大数据分析工具和技术，如大数据处理框架（Hadoop、Spark）、机器学习算法（包括深度学习算法）等。使学生了解如何在大规模集群上进行数据存储和并行计算；例如，详细介绍Spark的内存计算优势和丰富的API，让学生能够熟练运用Spark进行高效的数据处理和分析。同时，结合实际案例，讲解机器学习算法在数据分析中的应用，如利用决策树算法进行客户分类、使用神经网络算法进行图像识别等，让学生了解行业前沿技术的应用场景和实际效果。

增加案例教学内容：广泛收集各工科专业的实际案例。在教学过程中，以案例为引导，让学生运用所学知识进行数据收集、整理、分析和可视化展示。通过案例教学，不仅能够提高学生的学习兴趣和积极性，还能让学生深刻体会大数据与数据分析在不同工科专业中的应用价值和方法，培养学生解决实际问题的能力。

（三）创新教学方法

采用项目驱动教学法：将课程内容分解为多个具有实际应用背景的项目，如电商销售数据分析项目、医疗健康数据分析项目等。学生以小组为单位，参与项目的全过程，包括项目需求分析、数据采集、数据处理、数据分析和结果呈现。在项目实施过程中，学生自主学习、自主探索，教师则扮演指导者和答疑者的角色，为学生提供必要的技术支持和指导。通过项目驱动教学法，学生能够在实践中掌握知识和技能，提高团队协作能力和解决实际问题的能力。

开展线上线下混合式教学：充分利用现代信息技术，开展线上线下混合式教学。线上，通过在线教学平台提供丰富的教学资源，如教学视频、电子教材、在线测试等，让学生可以自主学习课程的基础知识；线下，课堂教学以互动讨论、实践操作和项目汇报为主，教师针对学生在线学习过程中遇到的问题进行解答和指导，组织学生进行小组讨论和实践操作，加深学生对知识的理解和掌握。同时，通过线上线下的互动交流，培养学生的自主学习能力和沟通协作能力。

引入翻转课堂：采用翻转课堂教学模式，让学生在课前通过观看教学视频、阅读相关资料等方式进行自主学习，完成知识的初步掌握；课堂上，教师组织学生进行小组讨论、案例分析、问题解答等活动，引导学生深入思考和探究问题，培养学生的批判性思维和创新能力。在翻转课堂中，学生成为学习的主体，教师则是学习的引导者和促进者，这种教学模式能够充分调动学生的学习积极性和主动性。

（四）加强师资队伍建设

鼓励教师参加培训和学术交流活动：学校应制定相关政策，鼓励教师参加大数据与数据分析领域的专业培训课程，提升教师的专业知识水平和教学能力。同时，支持教师参加国内外学术交流活动，如大数据相关的国际会议、国内研讨会等，让教师及时了解行业最新研究成果和发展动态，拓宽教师的学术视野。

引进企业人才担任兼职教师：积极与大数据相关企业建立合作关系，引进具有丰富行业实践经验的企业人才担任兼职教师。这些企业人才能够将实际项目中的案例和最新技术带入课堂，使教学内容更加贴近实际工作场景。

建立教师团队合作机制：打破学科壁垒，促进不同学科背景教师之间的交流与合作。成立大数据与数据分析课程教学团队，团队成员包括计算机科学、统计学、数学以及各工科专业的教师。定期组织教学团队开展教研活动，共同探讨课程建设和教学改革方案，交流教学经验和心得；开展联合教学研究项目，整合各学科优势，共同解决课程教学中的难题，提升课程教学质量。

五、课程建设的保障措施

（一）政策支持

学校应从顶层设计出发，制定全方位、多层次的政策体系，为大数据与数据分析通识课程建设保驾护航。设立专门的教学成果奖励项目，对于在课程建设中取得显著成效，如开发出创新性教学方法、编写高质量教材或获得学生高度评价的教师团队或个人，给予丰厚的物质奖励和精神表彰。在职称评定环节，将课程建设成果作为重要的考核指标，同等条件下，优先晋升积极投身于大数据与数据分析通识课程建设的教师。出台鼓励跨学科合作的政策，打破学院和学科之间的壁垒，允许不同学科背景的教师自由组建课程建设团队，并在团队组建、资源调配等方面提供便利。

（二）资源投入

在硬件资源投入上，学校应加大资金支持力度，建设现代化的大数据实验室。配备高性能的服务器集群，确保能够处理大规模的数据运算任务，满足学生在学习大数据处理框架（如 Hadoop、Spark）时对计算资源的需求。

此外，应支持教师编写具有针对性和实用性的教材。设立教材编写专项基金，为教师提供资金支持，用于资料收集、调研考察等工作。鼓励教师结合行业最新发展动态和实际案例，将前沿知识融入教材内容。同时，积极引进国内外优质的在线课程资源，与知名在线教育平台合作，购买相关的大数据与数据分析课程，供学生自主学习。

（三）质量评估

建立一套科学、全面、动态的课程质量评估体系，是保障课程建设质量的关键。在教学内容评估方面，定期组织专家对课程大纲进行审查，确保课程内容紧密围绕新工科人才培养目标，涵盖大数据与数据分析的核心知识和技能，且与行业实际应用紧密结合。例如，要求课程内容中至少包含50%的实际案例分析，以检验学生对知识的应用能力。

在教学方法评估上，通过课堂观察、学生反馈等方式，评价教师是否采用了多样化的教学方法。鼓励教师运用项目驱动教学法、线上线下混合式教学和翻转课堂等创新教学方法，提高学生的参与度和学习效果。

对于教学效果评估，除了传统的考试成绩外，还应综合考虑学生的实践项目成果、课堂表现、小组作业完成情况等。例如，设立实践项目成果展示环节，邀请企业专家和校内教师共同参与评价，将学生在项目中的创新思维、团队协作能力和实际操作能力作为重要的评价指标。同时，定期开展学生满意度调查，收集学生对课程教学的意见和建议，根据调查结果及时调整教学策略，不断提升课程建设质量。

六、结论

新工科背景下大数据与数据分析通识课程建设是培养适应时代需求的新工科人才的关键环节。通过明确课程目标、优化课程内容、创新教学方法、加强师资队伍建设以及完善保障措施等一系列建设策略，能够有效提升课程质量，培养学生的数据素养和创新实践能力，为新工科人才培养提供有力支持。在未来的发展中，还需不断关注行业发展动态和技术进步，持续推进课程建设与改革，以满足不断变化的人才培养需求。

参考文献:

[1]谢幸福. 新工科建设中的人才培养机制研究[D]. 中国矿业大学,2022.

[2]牛刚,王建军,乔小妮.试论医疗健康大数据对医疗信息化发展的影响[J].智慧健康,2024,10(26):17-19,38.

[3]陈曼.试分析计算机大数据技术在网络商城运营中的应用—以亚马逊为例[J].中国战略新兴产业,2018(26):107.

[4]DeepMind开发一款眼底AI可同时诊断三种常见眼底疾病[J]. 科学大观园,2018(5):7.

[5]金壮龙 . 推进新型工业化构筑中国式现代化强大物质技术基础 [N]. 学习时报 ,2024-05-29(001).

[6]黄庆华,陈婉莹.基于互联网金融平台的大数据征信应用研究—以蚂蚁金服为例[J].科技与经济,2017,30(3):55-59.

[7]葛朝镇.深化体验，强化能力——拓展训练在高中体育教学中的运用[J].高考,2024,(13):160-162.