时间：2023-08-07 09:23:47
绪论：在寻找写作灵感吗？爱发表网为您精选了8篇统计学大数据分析，愿这些内容能够启迪您的思维，激发您的创作热情，欢迎您的阅读与分享！
【关键词】统计学；管理现状；优化策略；模式创新
【中图分类号】C81【文献标志码】A【文章编号】1673-1069（2020）06-0071-02
1引言
统计学作为企业经营管理的重要手段，在企业经营过程中统计工作是否落实到位，对于企业可持续发展目标的实现而言具有重要影响，尤其在当前多元化市场竞争环境下，企业规模化发展虽然推动了国民经济的进一步发展，但与此同时企业市场竞争也愈演愈烈，实现持续性经营，确保统计学应用效益的最大化，是目前推动产业可持续发展的重要战略基础。
2大数据时代内容的基本概述
简单来讲，所谓的“大数据”是指在当前信息化产业时代背景下，无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是互联网公司在日常运营中生成、累积的用户网络行为数据，是需要新处理模式才能有效处理的海量、高增长率和多样化信息资产。随着近年来信息技术的不断发展和广泛应用，“大数据”时代是“互联网+”技术应用下时代未来发展的趋势。就目前来看，与传统信息数据相比，大数据具有数据量大、数据多元以及数据价值高的显著特点，伴随城市化、工业化建设进程的不断加快，如何有效地对大数据进行处理，成为现阶段基层产业结构和相关主管部门的核心发展方向，也是促进企业进一步发展的重要基础。
数据实质上是存储于计算机内的各种信息集合，在当前全球化、市场化不断发展的新产业时代背景下，商业模式的巨大转变，在改变人们关注度的同时，也为企业的进一步发展奠定了良好基础，最终为企业预期发展目标的实现创造了良好条件。对于大数据的处理，倘若采取传统的处理技术，不仅难以达到预期的处理目标，更极易导致一系列其他问题的产生，最终对企业整体发展造成了极为不利的影响，为此在大数据发展的同时，技术领域也取得了显著突破，目前常见的管理技术主要有——数据仓库技术、数据安全技术、数据分析、数据挖掘和模型预测，其中，数据分析、数据挖掘与大数据关系最为密切。
3新形势下统计学存在的主要问题
3.1企业对于统计管理工作的重视度不足
在经济全球化和一体化建设进程不断加快的新市场经济常态下，企业规模和数量的不断增加，在加剧企业市场竞争力的同时，如何有效地提升企业工作质量和工作效率是现阶段企业的核心发展方向，但由于部分企业受传统发展以及管理理念根深蒂固的影响，企业管理和发展重心始终集中于企业经济效益，忽视了对统计管理的关注度，致使单位在统计管理工作方面的人力和物力投入不足，各项管理工作受到一定影响的同时，企业的整体发展也受到了一定影响。
3.2统计管理人员自身专业素养有待提高
统计管理人員作为统计管理工作的实践者，其自身专业能力和综合素养水平的高低，对于统计管理工作质量和工作效率具有重要影响，但随着当下统计管理工作量的增加，部分企业为满足人员配置需求，不断地降低人员选拔标准，导致聘用人员无论是专业能力还是综合素养都有待完善。作为一项专业、系统的管理工作，统计管理不仅要求管理人员拥有细心、踏实、耐心等基本素质，还要具备一定的计算机操作能力，但随着企业规模和数量的持续增加，统计管理人员身兼数职、待遇不高等问题的存在，导致管理人员自身专业能力有所欠缺，业务操作等方面也存在一定不足，最终对统计管理造成了极为不利的影响。
3.3数据库硬件设施、设备不完善
信息化产业时代背景下，“互联网+”技术的广泛应用，在便捷人们日常生活，提高企业生产效益的同时，将其应用到其他领域中，在一定程度上也为各单位的转型升级注入了新的发展动力。统计管理是企业管理作业的重要内容，在很大程度上数据管理库自身硬件设施、设备的完善度对于统计管理工作质量和效率具有直接影响，但对于某些偏远地区亦或经济发展相对缓慢的区域，统计管理设备、设施的落后性在影响现代化科技管理手段应用效益的同时，统计管理作业也始终未能得到突破性进展，企业发展也由此受到了一定影响。
4新形势下统计管理工作的创新策略探析
4.1加强对统计管理重要性的宣传力度，提高对统计管理工作的重视
统计管理作为企业管理的重要组成部分，其管理工作质量和工作效率对企业发展而言也具有一定影响，而为实现企业可持续发展的目标，确保统计管理工作落实到实处是极为必要的。通过上述分析可知，管理人员对于统计管理工作的不重视是影响统计管理工作效益的重要因素，为有效地改善当前管理现状，一方面基层产业机构需加大对统计管理重要性的宣传力度，在不断提高人们对于“统计学应用效益”高度认同的同时，为统计管理工作的顺利开展奠定良好基础。而另一方面企业还需加强对统计管理工作人员的教育力度，在不断增强统计管理人员工作责任感和使命感的基础上，为预期管理目标的实现创造良好条件。
4.2积极和有关大数据公司或机构进行合作
要想在大数据时代背景下进一步优化和提高统计管理工作，就必须将大数据有关技术和统计管理的实际工作紧密结合起来，因此必须解放思想，打破行业限制，积极寻求和有关大数据公司或者机构进行合作开发，开发出真正适合统计管理工作的大数据技术和工具，大数据无法使用单台计算机进行操作和处理，必须采用分布式架构技术等，其也必然和云计算的有关分布式处理、云存储以及虚拟技术等密不可分，因此统计管理必须要积极寻求多方合作，积极将大数据的有关技术引入统计管理的实际工作中去。
4.3不断优化和完善统计管理模式
在当前企业规模和数量持续增加的新产业时代背景下，数据的形成过程较为烦琐，且数量也较为庞大，为从根本上有效提高管理的科学性、高效性和有效性，不断地优化统计管理模式和管理手段也是极为必要的。通过大量调研数据分析可知，在进行统计管理过程中，信息技术的不断发展和传播渠道的日趋增多，在很大程度上为企业统计管理创造了良好条件，但由于部分企业在计算机信息技术应用过程中，未将现代化技术应用到电子统计管理中，导致管理信息化水平较低的同时，预期管理目标也难以实现，为有效地解决上述问题，将数据信息化纳入到工作日程中，为单位的数据管理部门配置专门的信息化设备，是现阶段提高统计管理信息化水平，促进企业进一步发展的重要战略手段。
4.4将各项统计管理工作细节落实到位
在统计管理作业过程中，从根本上有效地提高企业的经济效益、确保各项统计工作细节落实到位也是现阶段基层产业机构和相关主管部门的重要工作内容，换言之，在当前多元化市场竞争环境下，要想从根本上提升统计管理工作质量，提高企業整体的经济效益，以会计管理工作为中心，确保各项细节管理工作落实到位是十分必要的。要想确保管理工作效益的最大化发挥，提升企业经济效益，企业需将会计的发展目标与企业的发展方向相结合，在确保两者“统一性”的基础上，以会计管理工作为中心对企业经营进行系统化管理，最终为企业可持续发展目标的实现奠定良好基础。
4.5确保预算统计管理工作落实到位
在当前企业经济收支管理过程中，预算统计管理工作流于形式是影响精细化管理效率的重要因素，而为从根本上有效地解决上述问题，确保全面预算统计管理工作落实到位，是现阶段企业经济运行精细化管理目标实现的重要基础和根本前提。作为企业经济运行精细化管理的重要环节，全面预算统计管理作业的开展不仅能确保企业达成预期的战略目标，其在科学预测企业未来运营状况、协调内部资源以及控制内部预算编制等方面都发挥了重要作用。因此，在进行预算统计管理过程中，企业统计管理部门工作人员需摒弃传统管理理念，在做好日常收支管理的基础上，还要确保内部全范围、全过程及所有资产的预算统计管理落实到位，由此在保障全面预算作业有序开展的同时，提升企业在多元化市场中的竞争优势。
关键词：听障大学生； 教学评价； 统计分析
【中图分类号】G762
学生教学评价，即学生作为评价主体对教师的教学质量进行评价。其主要目的是为教师的教学提供有用的反馈，以促进教师提高教学质量，从而为提高学生的学习效果服务 [1、2]。听障大学生，作为特殊的学生群体，日常教学应赋予更多的关心和爱心。对听障大学生教学评价数据的研究，可以促进从事特殊教育的老师改善教学方法，调整教学态度，进一步提高特殊高等教育的课堂教学质量显得格外重要。
数据数理统计分析是数学的一个分支，是指研究如何有效地收集和使用带有随机性影响的数据。通过数据的数理统计分析，可以进行数据的整理和问题的推断[3]。现代数理统计分析的一个显著特点就是运用计算机实现有关的统计计算与分析，目前也有许多应用计算机软件对于教学质量进行分析讨论的报道。本文利用SPSS软件（Statistical Product and Service Solutions）对听障大学生教学评价数据进行统计分析，以更好的发挥评价的诊断、激励和导向的作用。
一、数据分析来源
本文数据来源于某大学某学期听障大学生教学评价数据，共涉及25门课程。教学评价分为十项指标，分别为“tm1”：仪表端庄，教态自然，精神饱满；“tm2”：上课准时、足时，认真负责，严格要求学生；“tm3”：关怀和尊重学生，有固定的辅导和答疑时间师生关系融洽；“tm4”：教学目标、要求、考核形式明确，推荐有助我们学习的参考文献；“tm5”：授课内容充实，信息量大，重难点突出，进度安排适当；“tm6”：作业有利于我们掌握知识和自主学习，批改和分析认真；“tm7”：思路清晰，阐述准确，语言规范生动；“tm8”：因材施教，注重学生创新意识和能力培养；“tm9”：教学方法灵活，教学手段恰当，注重互动，课堂气氛活跃；“tm10”：掌握了本课程的核心内容，激发了学生学习兴趣，提高了分析问题、解决问题的能力。
二、分析方法
本文主要使用了SPSS软件中的描述性统计分析（Descriptive Statistics，得到原始数据转化成标准化的取值，可以直观了解数据的情况，同时便于进一步分析）；K-S单样本检验分析（Kolomogorov- Simirnov One-sample Test，主要考察数据是否符合正态分布）；主成分分析（Principal Component Analysis，将多个变量通过线性变换以选出较少个数重要变量）；K中心聚类分析（K-means cluster analysis，将数据进行分类，辨别样本之间的亲疏关系）；单因素方差分析（one-way ANOVA，调查按某个研究因素的不同水平分组后该因素的效应）。
三、结果与分析
（一）学生教学评价整体情况及正态分布分析
分析教学评价整体情况可以了解听障大学生课堂教学质量的总体情况。从表1可以看出，该学期听障大学生教学评价总分范围在81.48-99.82之间，平均成绩为89.69±3.62。利用SPSS软件进行正态分布分析，得到表2及图1。从表2得到单样本K-S检验Z统计值为0.500，渐近显著性水平为0.964，远大于0.05，因此教学评价结果符合正态分布。
（二）学生教学评价指标主成份分析
利用SPSS进行学生教学评价指标主成份分析后，得到表3。主成份分析法只提取到1个成分，且变量系数均接近1，因此可以认定本体系10项指标相互独立，影响较小。
（三）不同课程学生教学评价聚类分析
通过SPSS软件K中心聚类分析方法，将25门课程进行聚类分析，得到表4、表5。从表4可以看出，通过聚类分析，通过学生教学评价成绩将25门课程分为了2类，1类优秀成绩为15门课程，2类良好成绩为10门课程。表5则表示每门课程所属聚类。
（四）学生教学评价指标的聚类分析
通过SPSS软件K中心聚类分析方法，将学生教学评价十项指表每门课程的得分进行聚类分析，得到表6、表7。通过聚类分析，将评价指标分为了2类，指标1、2、3被归为类别1，可以看出主要是指教师的教学态度；指标4-10被归为类别2，主要考查教师的教学业务水平。
（五）不同学科类别科目学生教学评价差异性分析
根据课程不同性质，将参与评价的25门课程分为了学生思政（两课）类、文科（外语、语言等）类、理科（数学、物理等）类。
利用SPSS进行单因素方差分析。文科类课程与理科类课程学生教学评价成绩有显著性差异，且文科类课程得分要高于理科类课程。原因可能由于理科类课程需要大量逻辑思维能力，听障大学生可能在这方面有所欠缺，因此课堂教学效果不如文科类课程。此外，学生思政类课程与文科、理科类课程均没有显著性差异，其得分介于两者之间。
（六） 不同职称教师授课学生教学评价差异性分析
根据授课教师职称不同，将参与评价的25门课程分为了教授授课、副教授授课及讲师授课三类。
利用SPSS进行单因素方差分析。教授授课类学生教学评价得分与副教授、讲师授课类直接均存在着显著性差异，且总分均值要高于其他两类。可见，教授因为在知识、授课经验上的累积，其教学效果要好于副教授及讲师。副教授及讲师教学评价得分则无显著性差异。
四、结语
本文通过计算机软件等辅助手段，将原本多而无规律的教学评价数据进行了分析处理，获得了许多有价值的信息，这些都有利于教育管理进行优化管理，更好的做出决策，为强化教学管理、提高教学质量打下基础。本文只是在听障大学生教学评价过程中，利用计算机辅助手段进行分析的初步探索。教学评价是一项非常复杂的质量监控的过程，如何进一步利用计算机软件等为教学质量提供支持，有待我们继续研究。
参考文献
[1] 鲁进勇，夏建刚. 本科教学质量评价的文献综述[J].学问・科教探索，2008，18：24-25.
关键词 泛在学习 学习生态 有效学习 英语学习 大数据
近年来，移动互联网、大数据等信息技术发展日新月异，已经成为推动教育变革的重要力量。移动通信终端的普及为学生营造了泛在英语学习环境，大数据技术开启了个性化智能教育时代，翻转课堂、MOOC、微课等新型教学模式层出不穷，虽然它们不能取代传统教学模式，但英语教师必须与时俱进，重视信息技术对传统英语课堂的改造和提升，以全新的视角思考英语教学的变革方向。
一、研究理论概述
1.泛在学习理论
泛在学习是指任何人在任何时间和任何地点都可以通过泛在网络实现任何知识内容的学习。泛在网络和泛在计算技术为人类实现随时随地的泛在学习提供了技术保障，信息技术和教育技术的融合发展正深刻改变着知识的传播方式和学生的学习方式，不断重构着教育和学习的生态环境。一方面，移动通信终端的多元化发展解除了传统英语学习对地点的约束，翻转课堂、MOOC等新型教学模式使学生可以自由地选择学习时间、进度、内容和学习方式。另一方面，传统教学设备正在向数字教学设备变迁，教育领域信息基础设施建设有效地推动跨区域教学资源整合，海量的多媒体教学内容必须和学生的碎片化时间有效结合，教师需要针对不同学情的学生进行精准施策和差异化施策。
2.学习生态理论
学习生态是由学习群体及其所处的环境共同构成的生态系统。系统由信息技术、多媒体教学设施等支撑，通过以合作、交流、共享、互动为特征的教育实践，实现知识信息传递和有效学习，从而促进系统的不断优化。学生与学习环境、学生和学习群体之间密切联系、相互作用，通过知识的吸纳、内化、创新、外化、反馈等过程实现有效学习[1]。在泛在学习的背景下，学习生态研究的是教育信息、学习主体、教师、教育信息环境之间相互作用的生态系统，需要从教育信息化建设和应用的视角研究各个生态系统成员之间的相互作用规律，维护生态系统的平衡发展。
3.有效学习理论
有效学习是指学生在教师的指导下，针对学习内容采取适合自己的学习策略，积极主动地参与到学习过程中，高效率地完成知识建构，从而实现学习目标并优化自身知识结构的学习行为。有效学习是对学习内容、学习方法、学习过程、学习结果的价值追求[2]，学生可以实现对知识的深层次理解和灵活应用。学习内容的优化在大数据背景下表现为对海量学习内容的筛选、清洗与转化[3]，使之满足学生的学习需要。学习方法调整是建立在对学生学习情况进行多元评价的基础上，根据学生个人学习偏好、认知习惯、学习方式、情感态度因素、学习内容的变化而动态进行的。学习过程的积极参与是指学生能够积极主动地学习，充分和师生进行合作、交流，善于提出问题、分析问题和解决问题。学习评价是学生改变学习计划、优化学习方法的重要手段，对学生学习可以起到引导、激励、启示和教育作用。
二、当前英语泛在学习模式存在的主要问题
1.传统课堂教学和线上教学环节缺乏有效衔接
首先，魍晨翁媒萄Ш拖呱辖萄г诮萄Ы谧唷⒅识范围上没有有效衔接。例如，学生不知道如何在线上学习课堂上没有掌握的知识点，或者在线上环节重复学习课堂中已经掌握的知识点。其次，缺乏对课堂英语学习和个性化英语自主学习的融合创新设计。在传统课堂教学中，整齐划一的教学标准无法满足英语学习分层分级的差异化教学要求。不同学情的学生对学习时间、空间、内容、方式的需求不尽相同，教师在教学中没能和学生线上学习的大数据分析结果进行有效的融合对接，仅根据自身的教学经验和主观判断作为实施因材施教的依据，因此其决策缺乏精准性和稳定性。
2.泛在学习缺乏生态性系统设计，学生英语泛在学习的用户黏性不高
当前泛在学习过程特别是在线学习过程缺乏师生互动性、社交互动性、线上线下互动性。泛在学习仅停留在将文字、图像、视频等教学资料数字化、网络化、集成化和泛在化的阶段，这在某种程度上增加了学生英语学习的选择性和便利性，但缺乏针对不同学生的学习黏性设计，因此泛在学习效果并不理想。
3.英语泛在学习体系缺乏具有“参与感”和“现场感”的语言学习环境
建构主义理论认为，知识的获得是在学习环境的特定情境作用下，借助教师的帮助与学习伙伴的协作，通过意义的建构过程实现的。因此在英语泛在学习过程中，必须增强学生在特定情境下的沟通和交际活动的参与性[4]。例如，如果在英语课程设计和在线学习设计环节，鼓励学生广泛参与学习内容、学习方法、学习偏好的设计，就会让学生感受到教师对学生的爱与尊重，从而增强学生学习的主动性和积极性，使不同学情的学生都能在学习过程中体验自我实现感，实现自主学习。另外，教师缺乏对学生多元需求的感知和把握，缺乏语言锻炼的“现场感”设计，使学生无法在接近真实生活情境的语言环境中得到语言交际锻炼。
三、基于大数据分析的英语泛在学习生态系统
移动通信和大数据分析技术的发展为有效解决当前英语泛在学习模式存在的问题提供新的方式和途径。基于大数据分析的英语泛在学习生态系统以学生的英语学习需求、特征、习惯、喜好等大数据挖掘为切入点，联合学校、互联网教育机构、教材编写人员、教师、信息化支撑机构、教育管理机构、在校学生和在职学员等生态系统成员共同把泛在学习落实到教学环境、模式设计、资源开发、评价机制和管理机制等工作中，不仅仅是教育内容资源和信息的共享空间，而且是实施素质教育和个性化学习的公共服务平台。因此，本文构建了基于大数据分析的英语泛在学习生态系统，主要包括大数据采集、大数据存储、大数据分析、大数据应用四个子系统，并构建了系统体系结构模型（图1）。
1.大数据采集子系统
首先，大数据采集子系统要实现数据、文字、图像、音频、视频、多媒体等结构化数据和非结构化数据采集，实现跨区域、跨机构、跨教学环节的数据互联互通和数据采集功能，解决教育数据资源配置效率不高的问题。其次，实现英语教学设计、教学实施、课程内容建设、网络学习内容资源建设、语料库建设、学生学习认知过程监控、学生学习情感态度监控和学习评价等全教学链条的数据采集功能，为生态系统成员之间的共生发展提供良好的数据资源基础。
英语教学设计数据主要采集教师按照教学大纲和教学目标要求对不同学生制定的学习内容、学习进度、学习路径等数据，厘清学生在课堂上和网络上分别学什么、在哪学、怎么学的问题。教学过程数据主要采集教师在教学中帮助学生解决英语学习问题的经验、做法和策略，包括情感态度、认知因素的调控、语言情境的构建、师生的有效互动等。课程内容数据主要是采集教师、学校、互联网教育机构课程教学内容数据，包括教材内容、课件、题库、案例等授课内容资料，以及以上资料经过碎片化处理的数据资料。
网络资源数据库主要采集互联网、校园网上英语学习方面的相关资料。英语语料库数据主要采集中国学习者英语语料库、美国当代英语语料库等语料库内容，以及英语教材、英美小说、散文、演说词、电影剧本、新闻稿等英文自然语料。学习行为数据库主要采集学生课堂学习行为和线上学习行为数据。课堂学习行为包括是否预习、复习等，线上学习行为数据采集学习日志、学习习惯、学习时长和学习路径等。学习评价数据主要采集教师或者在线学习系统对学生的学习能力、学习方法、学习策略运用、学习过程和学习结果的评价数据。学习情感态度数据主要是通过问卷、访谈等方式采集影响学生英语语言习得的动机、态度、焦虑、自信等指标。
2.大数据存储子系统
大数据存储子系统主要实现对大数据采集子系统采集的海量结构化、非结构化数据进行数据清理、归档、压缩，实现一体化数据存储。可以实现跨区域、跨系统的英语泛在学习数据的融合，解决不同教学机构、数据结构、操作系统带来的信息孤岛问题。英语学习数据仓库是指集成了大数据分析子系统和应用子系统决策分析所需的泛在学习数据，这些数据是按照一定的英语学习主题进行组织，是在对原有分散的各类英语泛在学习数据库数据进行加工、汇总和整理后得到的，有效地消除了各类源数据中的不一致性，所以英语学习数据仓库的信息均是关于学生英语泛在学习全局情况的一致性信息。数据仓库的这些全局性信息同r通过网络云平台实现英语泛在学习数据的云端存储，可以直接由大数据应用子系统调用。
3.大数据分析子系统
认知因素和情感因素是影响英语习得效果的两个重要方面。大数据分析子系统首先结合学生应该达到的学习目标对学生个体的英语学习认知行为和学习的情感态度进行数据挖掘，分析学生的动机、态度、焦虑、自信、兴趣等情感因素，以及学习毅力、能力、习惯、方法、英语水平和常犯错误等认知行为因素，对数据挖掘结果进行聚类运算和分类处理，根据学生的学习认知行为和学习态度情况将学生细分，以识别不同学生之间相似的泛在学习需求，以及某个学生个体在不同学习阶段泛在学习需求的差异性。同时，大数据分析子系统会对学生的学习过程和学习结果进行动态综合评价，并根据学习评价结果判断学习方案的优劣，有针对性地进行线上和线下学习方案的调整。
4.大数据应用子系统
大数据应用子系统包括学习信息推送系统、学习信息定制系统、在线互动学习系统、语言情境仿真系统、知识关联推荐系统、知识精准搜索系统、知识树形管理系统和娱乐在线学习系统等应用。学生可以通过学习终端连接到相关应用系统进行英语语言知识的有效学习。学习信息推荐系统自动推荐给学生的学习信息是学生应掌握而目前未掌握的英语知识。学习信息定制系统可以满足学生根据自身学习需求而定制某类主题的学习信息。学生一方面通过在线互动学习系统可以和辅导教师进行交流互动，解决学习中遇到的问题，另一方面可以通过社交软件实现和其他学习者的沟通和交流，共享英语学习经验。
语言情境仿真系统可以实现某类主题的英语学习情境的在线仿真，让学生在接近真实环境的英语语言情境中进行英语交际锻炼。知识关联推荐系统是根据学生所学知识点，自动关联推荐对应的拓展知识点。知识精准搜索系统可以帮助学生快速实现英语知识的精准有效搜索，从而进行有针对性的学习。知识树形管理系统可以实现学生已掌握知识和未掌握知识的树形目录管理，实现线上学习和课堂学习知识管理的无缝链接。
基于大数据分析的英语泛在学习生态系统有利于充分发挥信息技术对传统英语教育的改造提升作用，可以有效促进信息技术与教学过程、内容、方法和教学评价体系的深度融合。在生态系统的价值取向上注重以促进学生全面健康发展为中心，注重需求导向的个性化学生培养模式。在学生习得效果评价体系上注重加强学习过程评估，强调过程评估和结果评估相结合。系统注重充分挖掘学生的个体差异，充分挖掘学生的学习潜能，围绕学生英语学习习惯的形成和学习情感态度的培养，以现代信息技术为辅助手段，将英语语言知识进行碎片化、情境化、可视化处理，通过采取教育信息推送、关联推荐和定制化相结合的方式实现知识的在线传播，给学生提供个性化、定制化的英语学习信息服务，带给学生全新的英语泛在学习体验。
参考文献
[1] 张豪锋，卜彩丽.略论学习生态系统[J].中国远程教育，2007（4）.
[2] 曹贞.以有效学习为目标的大学课堂教学[J].教育与职业，2007（26）.
[3] 陈明选，陈舒.论信息化环境下大学生的有效学习[J].高等教育研究，2013（9）.
关键词：大学生职业素质 SPSS统计软件 模型构建
一、SPSS统计软件特性分析
（一）SPSS统计软件应用范围
SPSS（Statistical Product and Service Solutions），是一种“统计产品与服务解决方案”软件。开始时它的全称为“社会科学统计软件包”，但最后被命名为“统计产品与服务解决方案”。它最初用于统计学分析运算、数据挖掘、预测分析和决策支持任务，有Windows和Mac OS X等版本。后来随着SPSS公司对这款软件的更新与改进，它的应用范围也逐渐扩大起来，它在自然科学、技术科学和社会科学等方面都有涉及，并且都收到使用者的好评。世界上许多著名的杂志报刊都对SPSS统计软件的各方面功能做出了很高的评价。
（二）运用SPSS统计软件的实例分析
某高校要对大学生党员素质进行评价，以便于对发展和培养当代大学生的工作实践。他们首先选取了“道德品行”“政治素养”“学习能力”“工作能力”“心理素养”这五个方面对大学生党员素质进行评价，然后要求被调查者根据自己对党员的要求来判断学生党员是否能做到其中一点。其中1表示“非常不同意”、2表示“不同意”、3表示“不能确定”、4表示“同意”、5表示“非常同意”。从发出的300份卷中筛选出有效的188份，然后用SPPS统计软件对分卷信度用克隆巴赫系数测量，该系数表示的是问卷调查结果总变异中由不同被调查者导致的比例占多少，整个问卷和各个子问卷的克隆巴赫系数如下表所示：
为了验证所获得数据的有效性，该试验还进行了Bartlett’s Test和KMO指标验证。Bartlett’s Test检验的sig为0.000说明参与分析的数据来自正态分布的总整体，而KMO的取值在0到1之间，所得到的值越接近1，表明这些变量对因子分析的效果越好，这些因素很好的解释了大学生优秀党员应当从什么地方开始培养，而SPSS统计软件则是验证了这些因素的有效性和可信度，为大学生党员的培养工作提供科学依据。
二、大学生职业素质评价模型构建
（一）大学生素质评价模型研究背景
随着时代的前进和科学技术的发展，现代年轻人的思维也追上了时代的最前端。步入大学殿堂的“90后”一代年轻人，他们追求自我和个性的特点越来越显著，教育工作者对大学生职业素质的培养与分析也遇到了挑战。如何根据大学生的特点来构建素质评价模型是新一代教育工作者需要考虑的问题。
（二）SPSS统计软件对大学生职业素质评价模型构建的作用
对大学生职业素质评价要从学习能力、工作能力、政治思想、心理素质四个因素考虑，这四个因素涵盖了大学生的外在处事能力和内部思想，是对一个人的综合职业素质比较全面的评价。大学生的职业素质评价模型由这四个因素构成。运用SPSS统计软件对这几个因素进行分析，可以看出这些因素对职业素质评价所占比重的大小，然后根据各个因素所占的比重构建大学生职业素质评价模型，得出科学的评价方法和评价重点。
（三）SPSS软件对大学生职业素质评价情况分析
运用SPSS统计软件对大学生职业素质进行数据统计分析，可以了解到我国当代大学生需要培养的职业素质，也可以看出在校大学生对自身优秀职业素质的期盼和要求。大学生的职业素质涵盖了学习、工作、政治、心理等四大方面，以大学的具体生活为基础，由校园小范围扩大到社会这个大范围，具有很强的现实指导意义。运用SPSS统计软件，可以得出大学生职业素质评价的重点，让大学生充分了解到自己达标和不达标的地方，加以改正。
三、结论
对大学生的职业素质进行评价是大学生发展阶段中的必要条件。大学教育的目的在于让大学生成长和发展，让他们掌握更多的知识技能，认清自己与社会外界的关系，有助于自己以后的工作和生活。而在SPSS统计软件的分析下，可以看到大学生的职业道德素质由多种原因共同决定，因此我们可以知道，只有多方面的对大学生进行教育，才能使大学生形成良好的职业道德素质，做一个对社会、对国家有用的人。
参考文献：
关键词：大数据 统计专业 核心
中图分类号：G632 文献标识码：A 文章编号：1674-2117（2014）10-0008-02
1 大数据的统计涵义
通常来说，凡是数据量超过一定大小，导致常规软件无法在一个可接受的时间范围内完成对其进行抓取、管理和处理工作的数据即可称为大数据。业界通常用4个V（即Volume、Variety、Value、Velocity）来概括大数据的特征：数据体量巨大、数据类型繁多、价值密度低、处理速度快。
大数据潮流让我们获得了海量的数据，数据已经成为相关行业创造价值的重要资源。因此，许多IT企业和互联网企业都已将业务范围延伸至大数据产业，探索大数据驱动的业务模式。2012年，美国政府投资2亿美元启动的“大数据研究和发展计划”，更是将大数据的研究上升到国家战略层面。然而，大数据的真正意义不在于数据量的巨大，而在于对数据信息进行专业化的处理，核心是对数据进行分析。面对大数据，越来越多的领域都开始运用数学特别是统计学的工具，挖掘大数据中真正蕴藏的价值。正如西内启在《看穿一切数字的统计学》书中所指出的，“从数据中得出有意义的结果，关键在于控制和减少误差，得出因果关系，单纯收集数据并加以全部量化分析在很多情况下会得出谬误结果，”而科学的统计学方法是得出因果关系的最佳方法。
从统计学角度看，一方面，大数据具有类型繁多、结构复杂、体量巨大等特点，海量数据以分布式方式进行存储，特别是图片、音频、视频等非结构化数据的广泛存在，传统的统计方法和统计分析工具已无法满足大数据分析的需要，亟需统计方法的革新。另一方面，数据分析结果需要用生动、直观、容易被接受的方式展示给读者，可视化分析能够直观地呈现大数据的特点，阐释数据与数据之间的联系。因此，统计学要挺立大数据潮头，创新统计分析工具、可视化分析方法，以大数据的挖掘和应用为核心，将传统文本、图像的统计、分析向数据分析转变，以适应大数据时代的发展及其对统计学带来的挑战。
2 大数据时代统计学教育面临的挑战与应对
据互联网数据中心（Internet Data Center）预测，中国大数据技术与服务市场将会从2011年的7760万美元快速增长到2016年的6.16亿美元，而据业界专家估算，中国大数据市场的人才需求量至少为100万人，其中统计人才、技术更是捉襟见肘。传统数据收集和分析技术的知识结构已不能满足大数据时代对“数据科学家”的要求，多家企业在面对大数据发展时遭遇人才瓶颈。大数据相关人才供给不足将会成为影响大数据市场发展的一个重要因素。
当前，全世界范围内已有数百个高校开设了大数据分析专业。卡内基梅隆大学和新泽西州立大学在培养目标和课程设置上项目设置偏重于计算机方向。课程设置偏重统计学与运筹学（包括决策科学）的典型学校有田纳西大学和约克大学。2013年，北京航空航天大学与慧科教育合作开办了国内首个“大数据技术与应用”软件工程硕士项目研究生班，这是目前国内唯一一个培养大数据行业专业型人才的项目，但其培养目标、知识体系是面向计算机领域，而立足统计学基础的大数据分析人才培养项目，在国内可谓是凤毛麟角。
知者随事而制。高等院校统计学专业要通过有效利用和整合人才培养资源，承担大学人才培养的责任，驾驭大数据的浪潮，占领大数据发展人才培养的制高点，体现高等院校向社会、企业提供智力支撑，输送企业亟需的复合型、实用性大数据分析人才的载体作用，确保产业科学、持续、高速的发展。一是教育资源的整合，走在前列的首都经济贸易大学、北京大学、中国人民大学、中国科学院大学、中央财经大学五所应用统计专业硕士培养单位在北京成立了“中国大数据教育协同创新体”，在高校之间实现学科融合、优势互补、强强联合，通过共享优质资源平台、共同建立课程体系、共同建设案例资源库、联合搭建实践实训平台等多种形式，创新人才培养体制机制。二是高等院校教育资源与业界资源的整合，通过与国有超大型企业、互联网翘楚的协同培养，立足应用统计专业硕士教育，建立人才培养基地，进行协同创新，探索构建应用统计（大数据分析）专业硕士人才协同培养模式。以缓解当前大数据人才供需矛盾为目的，建立“校校协同、校企协同、院系协同”的大数据分析方向人才协同培养模式，最终实现协同培养“数据科学家”的目标。[5]
3 面向大数据分析方向的应用统计专业硕士培养模式的构建
本研究认为，可以将大数据分析及相关的案例教学模式融入应用统计专业硕士学位研究生的培养过程，进而打破统计学传统的以阐述统计理论、公式推导、数学计算为主的教学模式。以情境浸润为基础，为学生呈现统计学在大数据领域应用为核心的教学模式，可以培养学生对大数据的挖掘、整合、分析价值的能力，以期更好、更快地适应企业对数据分析师、数据科学家的需求。
3.1 科学构建课程体系，突出大数据分析特点
大数据具有强烈的行业特点，在充分借鉴国外大学成功经验的基础上，大数据分析专业硕士的课程设置，强化数据分析能力和数据挖掘能力，注重上述技术在金融等领域的应用。必修课在讲授统计基础理论（描述、多元、时序、空间、可视化等）课程的基础上，为增强学生的大规模分布式计算技能，引入主流的大数据计算平台，如Hadoop分布式平台、MapReduce并行编程算法。与此同时，为提高学生动手能力，构建数据模型思维，开设《大数据分析案例》等多门课程。选修课方面，考虑到学生二次开发的需要，设置大数据开发基础课程，如C++、Java等。为突出应用统计专业硕士侧重应用的特点，开设面向数据的编程语言，如R、SAS、Python等课程。这些课程模块的设置并非体现某一学科知识的纵深发展，而是将相关学科的知识融合，有利于突出大数据分析的特点。
3.2 创新教学培养模式，注重培用结合
以“编组”方式开展教学活动。授课教师和学生均采用团队编组模式，多名教师协同工作，共同完成一门课程的授课任务。打破原有学科思维、教材的束缚。采用导师指导与集体培养相结合的方式。教师不可照搬旧有的教学大纲、课程内容，要学习和熟悉大数据相关知识体系与技术新进展，充分结合大数据分析需求和实际案例，使课程内容紧贴实际需求，注重培养学生对模型的理解，对数据的想象力，真正实现学以致用、培用结合。
采取“订制化”培养模式，突出培养与应用相结合的特点，力争做到人、岗的高度匹配。“订制化”培养模式打破了目前应用统计专业硕士统一培养、与市场需求脱节的模式壁垒，教学实践以市场需求为导向，依照企业的岗位标准、用人要求，强调以岗位需求制定培养方案，更好地满足用人单位对大数据分析人才的需求。
3.3 开展校企协同培养，构建问题导向、项目牵引的实践教学模式
根据国务院学位委员会的规定，应用统计学专业硕士学位研究生教育的目的是培养具有良好的统计学背景，系统掌握数据采集、处理、分析和开发的知识与技能，具备熟练应用计算机处理和分析数据的能力，能够并适应行业或职业实际工作需要的应用型高层次人才。因此，要摒弃普遍存在的重理论轻实践、重知识轻技能的教学方式。
协同创新培养在实践教学中建立了以问题为导向，以项目为牵引的运作机制，强调实践教学内容的呈现方式要面向企业需求，让学生参与到企业的项目运行过程中，引导学生建立业务建模能力，培养学生的数据资源整合能力，激发学生参与项目的积极性和自觉性。学生不拘泥于学校的实验实训基地和各类实验室，在第二学年中安排一定时间走出校门，进入到企业的实际环境中，参与企业的项目组织、实施过程，在实践过程中提升自我认知能力，在实践过程应用知识和理论研究实际问题的能力，培养和锻炼数据资源整合能力、沟通协调能力、IT支撑能力、业务建模能力，真正实现面向能力培养的目的。指导教师方面，在案例教学和实习阶段引进业务素质高、项目经验丰富、对大数据发展有敏锐洞察力的企业高级数据分析人员，指导学生在实习实践中提出问题、建立模型、解决问题的能力。
4 结语
应用统计（大数据分析）专业硕士人才协同培养模式，是一项可持续发展的应用统计专业硕士人才培养的新模式，是专业硕士教学实践的创新举措，也是在全国率先建立起来的立足统计学，在大数据分析人才层面建立的校校协同、校企系统办学体。体现了面向能力培养、面向社会需求培养、面向人才价值培养的“三个面向”的培养目标，着重培养学生分析数据、处理数据、展示数据的能力，对于培养“高层次、实用性、复合型、国际化”大数据分析人才意义重大，同时也是顺应大数据技术革命的浪潮，必将对大数据等新兴技术产业的发展注入活力。
（首都经济贸易大学，北京 100070）
参考文献：
[1]刘军.Hodoop大数据处理[M].人民邮电出版社，2013.
[2]大数据的四个典型特征[N].中国电子报、电子信息产业网，2012（12）.
[3]CCF大数据专家委员会.2014年大数据发展趋势预测[J].中国计算机学会通讯，2014（1）：32-36.
关键词：大数据时代；统计学；影响
随着大数据时代的到来，各企业采用了新的策略，获得了更多的利润。对于统计专业来说，改变发展策略，使培养出来的专业人才能够适应大数据背景的需求是其主要任务。目前，高校统计学专业逐渐认识到大数据时代综合性人才培养的重要性，并对专业建设进行了相关改革。
一、大数据时代对统计学的影响
大数据时代的到来对现代统计专业的发展造成了新的冲击，要确保培养出来的人才能够起到应有的作用，首先要了解大数据时代对统计专业所造成的影响。
（一）大数据时代使数据结构和数据性质发生变化
网络技术以及基于网络技术的电子商务等新的数据记录模式标志着大数据时代的到来。大数据时代，不再依赖于抽样调查的记录模式，网站浏览、视频监控都将形成大量数据。传统的数据结构甚至是数据性质发生了变化。大量的数据信息对于需求者来说，如何甄别其可用价值成为关键。传统的数据可以二维表格显示和整理。但大数据时代所产生的数据具有多样化和复杂化特征，往往包含了大量的音频、视频、HTML等。这要求大数据的收集具有较强的目的性，才能实现其价值。
（二）大数据时代要求统计分析方法和统计思维更新
大数据时代的主要特征为数据多且复杂，数据分析要求分析者对总体进行分析。在这一背景下，参数统计不再具有意义，假设检验法也随着总体分析而失去价值。数据的复杂化对传统大数据统计思维造成了巨大的冲击，要求统计者具有活跃的思维。只有对传统数据的改变进行分析，并且树立新的统计方法。
二、大数据时代下的统计学发展新策略
为适应大数据时代的需求，统计学专业的发展势必要对传统模式进行改革。目前，多数高校统计学专业已经认识到大数据对于其发展带来的冲击。为此，本文提出了以下策略，以及能够帮助统计学取得更好发展。
（一）加强统计应用性教学
根据大数据时代数据的总体分析特征，数据分析人员应掌握全面的分析方法。在人才培养过程中，应致力于培养实践分析能力，提高数据和资料收集能力，并且培养其强烈的数据价值观，使其能够从众多数据中找到所需的。另外，对传统模式进行改革，增加大数据统计内容，以适应时代的需求。基于大数据的结构特点，实施资料透视化教学，提高分析者对复杂数据的分析能力。
（二）培养大数据统计思维
在人才培养过程中，新的统计思维的培养具有重要意义，即强调数据分析实践能力的提高。统计思维的培养有助于数据分析者对复杂的数据进行区分，从而整理有效信息。在大数据时代，不仅要以传统的平均思维、动态思维和变异思维为基础，还要注重基于整体分析的大数据思维。另外，还要培养数据分者的复杂性思维，以应对复杂的数据库。总之，大数据时代需要数据分析者具有全面的、创新性的思维。
（三）强化基础性统计知识
统计学自身具有复杂性，其改变多且抽象。基础的统计知识是进一步掌握大数据分析思维的基础，可见学习基础性统计知识的重要性是不言而喻的。为此，应该采取深入浅出的方法，利用多媒体等方式使复杂的数据统计清晰化、简单化。结合具体的案例使数据分析者正确认识统计概念、掌握统计原理和方法。此外大数据分析不再是一种专业，而是更倾向于一种技术，这要求我们将大数据分析与统计学以外的相关知识相互联系。注重真实相关与伪相关的讲解，强调商务智能的开发和分析。只有具有坚实的基础，才能确保数据分析者大数据分析思维的养成，适应现代社会的需求。
（四）加强复合型人才培养
为适应大数据时代的需求，复合型人才的培养是关键。所谓复合型人才，是指其不但要具有专业的数据分析能力，还要相应的具备管理以及其从事专业的技术。大数据时代，高校应建立全面的人才培养模式，注重培养人才的数据分析能力、编程能力等，使其真正了解大数据，懂得如何利用大数据对其所处的行业起到积极作用才是关键。总之，大数据时代对综合性人才具有更高的需求，大数据时代不仅培养的是一种能力，而且是一种思维，是对全新模式下的数据的分析和利用。高校作为人才培养的重要基地，其教学模式的改革、对大数据时代所需教学模式的认识是高校的主要任务。
三、总结
统计学是经济学的基础课程，传统的统计人才培养具有定向性。而随着大数据时代的到来，数据产生的形式多样，且具有复杂性。大数据分析不仅是作为一种专业存在，而是应以一项必备的技术而存在。大数据时代，传统的统计思维和统计方法发生了改变，统计人才培养方式的改革也就势在必行。（作者单位：海南师范大学）
参考文献：
[1] 朱怀庆.大数据时代对本科经管类统计学教学的影响及对策[J].高等教育研究，2014（3）.
[2] 姚寿福.经济管理类本科专业统计学课程教学改革思考[J].高等教育研究，2012（3）.
[3] 孙耀东.大数据背景下统计学专业课程教学探究[J].廊坊师范学院学报（自然科学版），2015（06）.
应用统计专业学位的设立是为了适应现代统计事业发展对应用统计专门人才的需要而设置的，它的培养目标主要是让学生掌握扎实的理论基础和系统的专业知识和技能，具备数据采集、整理、分析和开发的能力，能够从事统计调查咨询、数据分析等“应用型”统计专门人才[5]110-111。然而，在大数据环境下实现的数据分析已不再局限于某一类特殊的行业统计分析需要，各行各业的运作发展都越来越依赖于大数据环境的存储、计算、统计分析与决策。对于多样化的大数据集，其所涉及的内容和知识结构必然是不同学科的交叉应用。大数据时代的数据分析专业人才的培养目标并不仅仅是传统的数据收集、整理与分析，而是需要掌握能适应大数据特点的新的研究方法和独立分析的能力，能很好地融会贯通其他专业的知识内涵，成为真正意义的专业大数据分析人才。然而传统的统计学人才培养目标和教学模式并不符合社会对大数据分析专业能力的要求。参考和借鉴文献[6-7]8-9,226提出来的一些建议，笔者探索从以下几个方面对人才培养目标和教学培养模式进行改革：（一）走出校园，深入社会，挖掘并归纳出社会用人单位对数据分析专业职位技能和能力素质要求，进而制定符合社会需求的人才培养目标，以市场需求为导向更好地指导教学实践活动。为了更好地为用人单位输送符合大数据时代需求的专业数据分析人才，尝试对高年级学生的培养方案设计中考虑以岗位需求为标准灵活调整和制定相应的培养目标和内容。（二）参考国外本科生专业人才培养的先进理念，引入“协作式”培养模式，大力支持大型企业与高校合作或高校与高校合作培养复合型和开发型人才。各个高校、企业可以发挥各自专业特长来实现合作，高校的不同专业之间也应该加强沟通和协作，例如在制定应用统计专业数据分析人才培养方案及实施过程中，可以以统计学科所在的学院为主导，让计算机学科、经济、金融及管理学科等相关学院协作参与完成[8-9]60-64。（三）总结教学过程存在的不足，探索新的知识学习和能力培养的创新模式。目前的教学活动主要以老师独立授课，学生被动接受知识为主的方式，培养过程计划性强，缺乏弹性，培养的评价也过于单一。在本科生培养中可以引入课程学习、导师指导和科学研究三个阶段，考虑采用导师指导与集体培养相结合的方式，一门专业课程的讲授不再局限于单个老师完成，在培养方案中考虑主题分组方式，鼓励授课教师根据自己的专业特点和知识背景共同参与一门课程的教学活动。多名教师协同工作的模式可以取长补短，在大数据分析的实际案例设计及课程内容上都更加贴近实际需求，产生更好的教学效果[6]8-9。
二、基于大数据分析的特点科学构建课程体系
大数据背景下，人们可以通过互联网、数据库以及各种通信工具获得海量数据，人们日常生活、学习和工作的各类事物都可以实现信息化，世界几乎是由各种信息和数据所构成的。大数据的特点可以归结为四个V,数量大（Volume）、类型繁多（Variety）、价值密度低（Value）、速度快时效高(Velocity)[6]8-9。大数据的真正意义不在于能提供庞大的数据量，而是对海量的数据进行专业的处理和分析，并从中获取用户关注的信息。结合当前互联网应用中大数据本身的特点，从大数据中挖掘出重要知识并对之深度学习和分析的工具和方法也应与时俱进地发生改变，传统的统计方法和统计分析工具已无法满足大数据分析的需要。然而，在大多数高等院校中，统计学专业人才培养的课程体系并没有考虑社会的实际应用需求，仍然停留在以传统的统计模型框架为主导的课程体系设置，本科生教育的主要专业课程包括：数学分析、高等概率论与数理统计、应用随机过程、回归分析和多元统计分析等[10]248-249，这些课程内容和知识结构还不足以满足大数据时代对数据分析专业人才知识结构的要求，课程体系设置中缺少能有效整合的数据分析能力培养模块[11]66-68。因此，有必要针对各类院校师生各自的专业特点和学科基础，分层次、分阶段地展开课程体系改革。（一）参考国内外先进高校大数据分析专业的课程设置，结合本校的师资和专业结构特点采取灵活的策略制定课程计划，在实施学分制改革的高校中各类学生可以在学业导师指导下实施符合学生自身特点的课程学习方案。（二）以大数据分析人才需求驱动的课程体系改革要考虑市场的行业需求变化、大数据应用中跨学科的特点。素质好的数据分析人员不仅仅要具备专业的数据分析能力，还应该对具体数据中涉及的学科知识有较好的储备，能将不同行业的专业知识与数据分析紧密关联起来，实现大数据分析的效用最大化。此外，在充分借鉴国内外大学成功经验的基础上，课程设置应该与学生的学术倾向和基础能力紧密结合，注重基础课程教育的同时强调文理渗透，同时要兼顾学生的兴趣与学习的联系，在课程体系的设置中需要增设一些多领域、跨学科的选修课程，如经济学、金融学、保险学、管理学和会计学等。因此，校内跨学科或高校与高校之间联合培养是实现跨学科课程建设的有效方法之一。（三）科学构建课程体系的主要思路还包括根据大数据时代需求，对专业必修和专业选修课程在课程时间、顺序及内容等方面进行改革。专业必修课程重点内容为统计学和计算机科学的交叉部分，在讲授统计基础理论（如多元统计、决策树、时间序列等）课程基础上设置大数据案例分析课程，在案例分析过程中让学生实际操作企业当前应用的大数据计算平台[6]8-9，从而增强学生大规模分布式计算技能。为提高学生的实际动手和二次开发能力，专业选修课程需更多地开设与数据挖掘及面向数据的编程语言相关的课程，如数据挖掘算法、C++、Java和Python等课程，强化学生的数据挖掘和分析能力。
三、基于协同创新的理念开展实践教学改革
近几年，随着应用型、创新型人才培养目标的提出，学校越来越重视和加强对各类专业人才实践教学能力的培养，以“数据分析”为方向的专业人才需要运用统计分析软件对数据进行分析和决策，其实践教学的重要性更是不言而喻。然而，在大数据被广泛应用的时代背景下，高等院校中的实践教学仍然是培养高层次“大数据分析”人才的薄弱环节，实践教学教材及内容不规范、教学方法单一、软硬件的更新以及师资储备等方面都存在着一些问题[12]96-97。例如以模型驱动为主的实践教学模式已不适应大数据时代的要求，大数据时代数据是海量且复杂的，用简单的SPSS、Eviews为主的软件教学已无法处理大数据[5]110-111。因此，学习其他知名高校构建的协同创新的理念，结合财经类院校的统计学科及人才培养的特点，开展实践教学改革[13]248-249。对“数据分析”专业人才实践教学改革，笔者的建议如下：（一）根据协同创新理念，解决实践教学环节存在的实验教材（教学内容）缺乏实用性的问题，一方面可以参考企业对数据分析师、调查分析师资格认证相关培训教材，开发实用性强的《数据分析》实践教材，另一方面学校可以和企业或其他高校定期举办交流座谈会，面向企业需求甄选实践教学内容。（二）高素质的师资队伍对人才的培养无疑起着至关重要的作用，在提高指导教师理论和实践能力方面，借鉴协同创新联合培养的模式可以有效充分地利用企业、学校的各方面师资资源。例如北京大学、中国科学院、中国人民大学、中央财经大学、首都经济贸易大学5所高校已经与政府部门和产业界签署了联合培养大数据分析应用人才的合作协议[14]。广东财经大学也可以参照类似联合培养的做法，和广东其他高校、政府和企业合作。一方面企业或政府可以利用自身的资源为高校提供人才培养实习基地，并且引荐相关的技术人员聘为校外实习导师，指导学生在实习实践中建立以问题为导向，以项目为牵引的运作机制，让学生能够理论联系实际，切身体会数据分析的商业操作体系。另一方面，由于高校的专业教师缺乏社会实践的机会和经验，高校应该制定政策鼓励并推荐相关专业教师走出学校、走进企业，密切与企业合作交流，从而更进一步地提高教师对复合型专业学位人才培养的能力[15]29-32。（三）为了激发学生的学习热情，减少对实践操作的畏难情绪，实验课程的教学方法也需要探索创新性实践教育模式。教学过程可以考虑灵活的制定团队教学计划、案例实战分析、模拟实训等多样化的方式，减少单一的课堂内容讲授，在理论和实践教学环节中积极调动学生的主观能动性，提供更真实的企业大数据应用环境，并以学生为主完成实际案例分析。此外，基于不同的授课对象的特点，老师在教学过程中也要适当考虑学生的兴趣和需求，随时调整实验教学策略[9]。
关键词：大数据;统计学;发展
由于科学技术的不断发展，大数据席卷了全球，各行各业在经营管理中都离不开大数据的统计与分析，对于政府单位来说，大数据更如经常便饭，大数据主要利用多样式和多层次的采集方式进行数据采集，在分析数据时利用现代科学技术手段和高速处理数据的信息系统，分析的数据结果为公司或者政府单位的决策做参照。大数据的发展给统计学不仅带来了机遇，更重要的还有挑战。一方面信息技术和网络科技的发展为数据收集和整理带来了便利，另一方面由于近几年电子商务的迅速崛起，数据量更加的繁杂，所以又给数据统计时带来了麻烦，种类不断增多的大数据资源，正在成为政府统计部门分析研究的重要领域。
一、大数据与统计学的区别
我们就大数据自身而言，要想在信息化迅猛发展、数字爆炸式增长的现代信息平台中寻找到自己想要的有效数据，就必须依靠数据统计来完成。这就充分证明了关于大数据的相关研究是要和统计学紧密的联系在一起的。但是其与统计学也存在巨大的差别，它的使用模式和运用方式是不一样的。统计学需要依靠样本抽样的方法来进行数据整体和提炼的，这就意味着会有人力、物力以及财力的投入，其成本相对于大数据来说是比较高的而且过程是相对比较繁琐的。而大数据主要依靠网络信息平台，在海量的电子数据信息中查找自己所需要的数据，具有来源广、数据量大、整体性的特点，其是以整体的数据作为一个大样本进行工作的，数据相对于统计学来说更加的精确化及标准化。因此，统计学和大数据的结合过程中，要充分发挥大数据全面性和统计学高效性的特点，在利用统计学进行大数据样本的统计过程中要对整体的数据资源进行选择和筛选，这样能避免样本统计的弊端，还可以把样本统计的优势发挥到极致。
二、大数据时代下统计学教育的发展
（一）培养全方面素质人才
统计学专业的学生与文管专业的还不一样，文学专业的以及管理专业的学生都比较善于交际，善于沟通，而统计学是理科专业，很多学生只善于埋头做题计算，这样的话在以后的工作岗位就会感觉吃力，因为做数据统计，必须要与其他部门学会沟通，协同工作这样才能把数据统计和分析的准确。要锻炼自己的交际能力和沟通能力，针对不同数据信息做出不同的沟通与交流，从数据中挖出有价值的信息，需要本身具有数据敏感性，但是对数据的敏感程度也不是先天所带来的，更不是一朝一夕就能锻炼出来的，而是要经过时间的积累和数据分析工作的磨练，同时也可以根据案例型的数据分析材料，积累阅历，提升对数据资源的敏感程度。
（二）培养统计学专业的应用型人才
大数据时代下培养的统计学应用型人才应该具有两方面的基本素质，第一是概念性的，也就是说统计学的相关人才应该掌握统计学基本理论知识和基本素养，这是基本要求，也是培养统计学人才的前提。第二就是实践性，也就是本文中我们提及的统计学专业的应用型人才，就是在实际操作中处理数据分析数据的能力，应用型人才需要利用理论知识解决实际问题，也需要有较多的经验与阅历，不能只会纸上谈兵。在高校开展大数据分析学科中，最大的问题就是没有真是可用的案例和数据，这就需要学校与公司企业走合作道路，这样一来不仅可以得到真实有效的数据，还能将学生送到企业去实习，进行校企联合，注重学生的实际操作能力，这是培养统计学专业应用型人才的关键点，也是统计学专业人才培养模式中的重点。
（三）促进统计学与信息计算科学的融合
在大数据的分析与研究时，仅仅凭借统计学科的支撑是不够的，大数据的数据结构性特征已经抛弃了传统意义上的数据分析模式的非智能化框架，而且数据分析需要利用新型的数据运算方式以及计算机技能分析，这也是进行数据分析的问题所在，因此要想做好数据统计和数据分析工作，只单单依靠单一的统计学科知识的人学习是远远不够的，其需要的是数学，信息技术，统计学三门学科的融合发展，紧密结合三门学科之间的交叉发展，融会贯通，利用各科优势资源相互弥补不足，这样才能为大数据的收集，统计，分析做出科学准确的结果。
三、结语
学习统计学的优势在于：我们可以利用统计学进行大数据的有效整合和利用，使得我们在使用数据时可以更加的便利和高效。随着信息科学技术的进一步发展，来自各方面的数据出现井喷的状态，这就增添了我们在数据统计和信息处理时的困难。在现在这个信息化数据爆炸式增长的形势下，我们要充分全面的利用各方面的数据资源才能充分发挥统计学的优势，做好预测和分析，同时充分将统计学的优点与完备的大数据资源实现有效的整合，让统计变得通俗易懂。
参考文献：
购物车(0)
