引 言
当前高校人才培养存在教学内容与社会需求脱节、学生知识链碎片化、学生知识内化低效化等问题。传统的专业知识学习领域确定,更多依靠学科带头人个人或专业建设团队主观的经验与感受,即停留在采用“拍脑袋”式粗放型决策方法,专业课程体系设计质量由个人知识水平与直观感受决定,其客观性、系统性、合理性等方面令人置疑。
大数据技术的发展,使得各种与“教学”相关的数据成为高校办学的“生产资料”。大数据技术应用到高校办学“需求预测”“过程监控”“就业反馈”等各个环节,对数据有“完备性”“连续性”“实时性”“价值性”等多个方面的要求。高校专业课程体系设计这一人才培养的基本工作,针对企业人才需求预测、行业发展动态、行业知识领域、岗位类别、核心知识域等课程设置共性问题,大数据技术已能在一定程度上辅助决策者较为全面、客观、可靠地进行课程体系设计。
1. 应用大数据技术进行课程体系设计的整体思路
综观各高校专业课程体系设计,其内容一般包括专业知识和能力要求两大方面。对一个专业课程体系进行设计,其实就是为学生设计其行业领域知识树与对应的知识运用能力。把行业领域问题的出现到解决,看成一个知识应用过程,对整个周期各环节对应的知识进行构建与还原,是一种较为全面、系统地构建专业课程体系的方法,这种方法在企业管理、软件工程等领域的应用已较为广泛与成熟。应用型人才培养强调知识应用于解决行业领域问题,因此,“领域问题具有生命周期”理念下设计的课程体系与能力框架,对“工程类”专业应用型人才培养课程体系构建具有普遍适用性。
利用大数据技术构建课程体系框架,其核心与首要任务是构造专业课程知识链[1]。知识的推动过程对应解决行业领域问题的流程,每个流程对知识的运用要求具备相关能力,即在解决行业领域问题这一过程驱动下,形成相应的能力要求链,并据此要求具备相应的知识模块要求,其构造的流程如图1所示。
该课程体系框架背后实质上需要解决以下几个问题:解决的是什么行业领域的问题[2],该行业的人才需求状况如何?该行业领域问题处理的一般流程是什么?每个处理流程、能力模块、课程模块如何对应转换?如何将课程框架具体实施于教学环节以达到专业培养目标?
整个课程体系框架设计,其主要研究重点有二:
如何更科学合理地确定专业培养的方向?应用型人才培养更着眼于面向社会需求,与社会需求对接,专业方向的设置有紧跟前沿、潜力巨大等特点。对于个人职业生涯规划而言,专业方向设置倾向于选择热门行业。热门行业一般具有较好的就业前景,在个人福利待遇、升职空间、专业发展等方面往往具备竞争优势,并且一般也为人才匮乏重灾区。
作为课程框架主要内容的能力模块与课程模块,如何由相应的处理流程联系导出?从整体上看,整个行业领域问题可以拆解为多个处理流程。处于不同业务阶段的流程,人认识对象的内容与层次,应用的方法与工具,思维过程是不一样的。相应地,人处在不同阶段的能力要求也就不一样。课程知识模块主要由确定认识对象、掌握改造方法、使用改造工具等方面构成,而相应的能力要求则是由人对课程知识模块各组件的认知、固化、扩展与应用等学习过程组成的综合训练。由此,可推导出每个处理流程、能力模块、课程模块之间的转换规则。基于大数据技术的课程体系设计,就是利用大数据技术对网络招聘信息进行处理与提取,从中找到各个流程阶段对应的学习知识、工具、能力方面的信息。
2. 课程体系框架设计与实现
课程体系框架的实现路径即可用数据分析与挖掘技术来设计与实现[3]。如此一来,此问题即为通过对网络招聘信息分析与挖掘,“了解行业人才需求状况”与“获知行业领域知识能力结构”这两大子问题。
2.1 行业人才需求状况数据分析与实现
行业人才需求状况分析,从求职者就业关心的角度来看,可以从企业需求概况、热门需求、需求走向、择业因素关联分析等角度探讨。
1)统计分析人才需求概况,获取人才需求整体状况。
此分析可以从行业招聘整体情况、职位招聘情况等方面分析。部分分析思路可参考图2和图3。
2)分析热门的行业、职位、地域等信息,是行业人才需求分析的重要内容。
热门行业、热门城市、热门职位等对象,一般是高校专业建设与大学生个人就业最先关心的问题之一。热门是个综合性的概念,一个城市是否是热门城市,要综合考虑该城市各种不同规模企业的构成、企业发展阶段、人才需求量、平均工资水平等方面的因素。
对于热门城市、热门行业的定义,均可从以上几个维度进行综合评估,在此可采用主成分分析法将相关变量转换成互不相关的主成分来衡量,并获取主成分得分,根据得分排名确定热门“城市”与“行业”等。对热门城市的分析结果见表1。
按照以上方法,可同时对热门行业、热门职位进行分析,获取更全面的热门就业信息。
3)分析择业因素关联性。
每个求职者在求职时考虑的着重点可能不大一样。招聘信息关联性分析,对专业人才培养层次、人才培养服务输出区域等目标的定位,具有一定参考价值。此方面信息的获悉,可用关联规则实现。从就业关注焦点看,对企业招聘要求与相关待遇等招聘因素之间的关系挖掘,可以为其学校人才输出服务区域定位、学生简历投放对象选取等问题提供参考。考虑到关联挖掘的数据是为高校专业建设及大学生就业提供决策信息,应届大学生具有无工作经验、优先考虑经济较发达地区就业、起步工资期望高等特点,因此,可以从大数据相关职位招聘数据里计算结果筛选出符合以上部分要求的规则。例如,要求平均月薪在10k至15k(k表示千元)的规则计算结果如下:
月薪10k至15k对于应届毕业生很多人来说算是高薪,综合以上计算结果可知,要拿到这样的高薪,可能要在一线城市就职,求职者学历要本科以上,且工作经验要求为1~3年。同理,可做出类似“要求工作地点在一线城市”符合求职者预期的关联分析。
2.2 专业能力—课程结构数据分析与实现
2.2.1 专业能力—课程结构分析原理
1)专业能力—课程结构的关系是课程体系设计的基本框架。
由上可知,以培养实践能力为导向的应用型课程体系框架,由3条主线构成,分别为业务阶段流程链、能力构成链、课程模块链。其中,业务阶段流程链可由该领域专家提供参考,而能力构成链与课程模块链内容的设计,涉及专业能力与课程之间关系的探索与研究。由于教学传授知识的形式主要是课程,因此,专业能力与课程内容之间的关系,即为专业能力与知识之间关系的探讨。目前,学者普遍认为知识是形成能力的基础,而能力是学习知识的目的。能力分为认识能力与实践能力。将课程划分为认知层与应用层,认知层侧重于对领域相关概念、原理、方法的了解与掌握,而实践层侧重于以培养专业实践能力为目的。知识向认识能力转换主要是心理过程,知识从认识能力向实践能力转换是心理过程与人肢体活动过程的统一。实践能力习得经常需要借助个体之外的外部工具与环境。该转换过程如图4所示。
因此,整个课程体系框架按照业务处理流程与知识—能力的结构关系设计,如图5所示,每一个业务阶段对人的专业能力要求包括认知能力与实践能力,同时对应着有相应的认知层与实践层知识结构要求。认知层的课程目标,在教学上表现为对该业务阶段相关概念、原理等知识的理解与掌握,而实践层的课程侧重对该业务阶段所需实践与创新应用能力的培养。
2)“岗位描述”信息是获知“专业能力—课程结构”关系的重要数据源。
与业务阶段对应的每种职位类别,其“岗位描述”信息往往是该类别职位相关的业务能力信息。与将所有职位岗位描述数据进行分析比较,按职位类别分析可为课程设计筛选出关联性更强的数据源,并计算出更精确的业务阶段—能力—课程链关系数据。
3)利用LDA主题模型求解“专业能力—课程结构”关系。
LDA模型的主要功能是提取可以理解、相对稳定的潜在语义结构。每一条“岗位描述”数据蕴含该职位的多个“能力”要求,每一种能力往往总是与一些词汇同时出现。把每一条“岗位描述”等同于每一篇文档,每一种专业能力即代表一个“主题”,“主题”由一系列的主题词组合而成。根据计算生成的若干“主题”,即代表着该行业领域知识的相关职位能力。最后,对这些“主题”进行手工提炼与总结,然后根据能力与课程的层次关系,可进一步归类到认知层与应用层。
2.2.2 专业能力—课程结构数据分析流程设计
综上所述,专业能力—课程结构推导过程,主要包括“计算能力主题”与“能力—课程结构转换”两大阶段。第一阶段“计算能力主题”的主要流程如下:首先将职位按对应的“业务阶段”关系进行归类划分,根据划分结果对每种职位类别的“岗位描述”文本数据采用自然语言处理技术进行预处理,如数字与标点符号去除、分词处理、停止词过滤等,同时,应用LDA主题模型,对处理过后的岗位描述进行“能力”主题模型挖掘。在词频统计时,将与“工具”相关的文本进行分析,找出热门技术,可为实践教学工具选取提供参考依据。
第二阶段为“能力—课程结构转换”。利用 LDA模型,对其中的主题数经过多次参数计算,以获得相对独立、主题较突出的若干个“能力”主题,然后再对这些主题进行人工提炼并按认知能力与实践能力进行分类。最后,将各业务阶段的能力要求按认知层与应用层进行划分,并按课程内容形式(概念原理类、案例工具类等)辅助设置对应的课程。
2.3 专业能力—课程结构分析实现
2.3.1 LDA模型计算“能力”主题
1)职位类别划分。
如前所述,大数据技术在行业领域问题处理时,其基本流程为确定业务目标、数据采集、数据提取转换与加载管理、数据处理与建模分析、数据解释与应用这几大基本阶段。数据科学与大数据应用技术专业的课程框架如图6所示,其中,“?”表示在利用LDA模型计算前尚未确定的相关内容。
按照专业能力—课程结构数据分析流程设计,需将招聘职位根据大数据技术应用流程进行分类,同时,对异名同工的职位统一命名,实现职位类别划分。根据对职位名称与对应岗位描述的研究,职位划分方法与归类见表2。
从划分结果看,数据采集工程师、数据平台/仓库工程师、数据算法工程师、数据分析师,这几种职位分别对应着数据采集、数据收集存储管理、数据建模、数据分析这几个数据处理阶段,而数据可视化工程师、数据产品经理等职位则偏重于数据与业务应用的结合。
2)词频统计。
对每种职位类别的岗位描述进行分词,并对高频词进行统计,可以帮助对该职位的核心技能有整体认识。从上面的词云图中,可知数据采集工程师的职位有工作经验要求,同时,该类别职位与网页技术、网络协议、爬虫开发、算法设计等知识有密切联系。由于数据采集需要借用计算机语言来实现,而这些语言通常用英文表示,因此,将数据采集类职位的岗位描述信息里的英文字母提取并进行词频统计词云图可获知,用于数据采集的热门技术工具有Python、Java、MySql 等,而html、CSS、http、xpath等网络知识,是数据采集工程师必备知识体系。同理,可将其他相关职位进行词频统计。
3)模型计算。
按照LDA主题模型计算步骤,分别对每种职位类别构建语料库、构造岗位描述—词汇矩阵并进行LDA模型计算,可得到该职位类别相关的“能力”主题。在此,以“数据采集工程师”计算的结果举例说明。LDA计算出来的每一个Topic即代表着该职位类别的某一种能力。这些能力代表的主题由相关的词汇集合组成,需要进一步加工提炼。
2.3.2 能力—课程结构转换实现
1)主题提炼。
将LDA主题模型计算结果进一步加工提炼,以上6个主题分别为熟悉网络、网页原理;具备数据抓取经验;掌握Java(数据采集语言工具);提供职位福利待遇;熟悉数据采集协议;熟悉数据结构与算法。
2)能力分类。
提供职位福利待遇属于岗位薪资福利问题,可以剔除。根据能力的层次结构,剩下的5个能力中属于认知能力的有熟悉网络网页原理、熟悉数据采集协议、熟悉数据结构与算法。属于实践能力要求的主题有数据采集语言工具、数据抓取经验。
3)课程设计。
结合划分好的认知能力与实践能力,可进一步设计对应教学内容,形成该职位人才的知识结构框架。例如,数据采集工程师其能力—课程结构经过转换后,结果如图7所示。
按照以上数据采集工程师的能力—课程结构转换方法,分别得到其他职位类别的能力—课程结构信息,见表3。
从表3中可以看出,每一种职位对人才知识结构要求的侧重点有所不同,个别职位之间存在交叉。高校应用型数据科学与大数据技术人才培养,可以根据学校目标定位重点培养其中的某1~2种职位类别的人才,以这些类别的能力要求与课程内容作为人才培养方案,也可以对学生进行全方位的大数据通才培养,对这些职位的相关课程进行整合。
3 结 语
通过大数据应用技术对网络招聘数据分析,提出的按职位类别进行人才能力培养与课程内容设计的思路,可为高校应用型人才培养课程体系设计提供可模仿借鉴的方法;同时,该方法在实施过程中,存在专业适用差异性[4]。人才能力—课程结构框架设计方法,相比历史学、语言学等专业来说,对于工程类专业如石油工程、冶金工程、交通工程、制药工程等具备行业工艺处理流程的专业,具有更好的借鉴意义。网络招聘信息的采集工作耗时,受计算机计算能力、网络招聘信息的时效性、样本数量呈规模等约束条件影响,网络招聘信息采集任务需要持续一段时间才能完成。数据处理与分析是半自动化过程,为了使计算结果更准确,对网络招聘信息进行预处理与建模时,需要有行业专家的参与建议。另外,人才培养方案设计思路并未提及具体教学实施过程,更侧重为高校应用型人才培养方案框架设计提供切实可行方法,按职位要求设计人才对应知识块,注重知识层次培养与知识内部前后联系[5]。综上所述,未来可进一步从数据源采集工作易操作性、如何利用大数据技术指导应用型人才培养实施环节等方面予以改进与探索。
基金项目:
计算机科学与技术专业软件基础课程群教学团队项目(JXTD201601);
2017年广东省高等教育教学研究与改革项目“商科院校的大数据人才培养实践教学体系”(2017SJJXGG01);
电子商务分析平台关键技术研究项目(2018KTSCX263)。
第一作者简介:
吴晓玲,女,讲师,研究方向为大数据技术在教育教学中的应用,41667604@qq.com。
参考文献:
[1] 施晓秋, 徐嬴颖. 工程教育认证与产教融合共同驱动的人才培养体系建设[J]. 高等工程教育研究, 2019(2): 34-36.
[2] 陈欣, 周龙福, 曹耀钦. 探索应用型本科数据科学与大数据技术专业人才培养方案的构建[J]. 现代工业经济和信息化, 2017, 7(23): 40-42.
[3] 孙爱晶, 陈怡君, 石晓娟. 基于OBE的本科人才培养目标评价体系探究[J]. 高教学刊, 2017(9): 33-34.
[4] 陈飞. 应用型本科教育课程调整与改革研究[D]. 上海: 华东师范大学, 2014: 71-73.
[5] 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发展战略研究报告暨专业规范(试行)[M]. 北京: 高等教育出版社, 2014: 384-396.
(完)
编辑:王菁
校对:吕艳芹