1. 引言
大数据相关专业热度已经远超传统热门专业[1]-[3]。工信部《“十四五”大数据产业发展规划》指出大数据人才培养是大数据产业发展的重要保障措施，鼓励高校优化大数据学科专业设置，深化新工科建设，加大相关专业建设力度，探索基于知识图谱的新形态数字教学资源建设。2022年《大数据白皮书》总结了中国大数据发展的总体态势：中国大数据经过多年高速发展，不断取得重要突破，呈现良好发展态势，产业规模高速增长，创新能力不断增强，生态体系持续优化，市场前景广受认可，其中在人才方面，过半“双一流”高校设立大数据相关专业，多省份积极开展人才培育专项行动，人才供给能力显著增强。
新工科建设为大数据相关专业的建设带来机遇[4]-[7]。教育部为应对新经济的挑战，从服务国家战略、满足产业需求和面向未来发展的高度，在“卓越工程师教育培养计划”的基础上，提出了一项持续深化工程教育改革的重大行动计划——新工科建设。新工科建设着重强调计算机技术、大数据、人工智能等多学科的交叉与融合，其中大数据技术已成为计算机科学技术的前沿领域和研究热点，与大数据密切相关的人工智能技术已上升至提升国家整体科研实力的战略地位。
重庆邮电大学数据科学与大数据技术专业对于新工科建设有良好的基础[8]-[11]。高等教育专业评价机构“软科”通过学校、学科、专业三个层次，学校条件、学科支撑、专业生源、专业就业、专业条件5个指标类别的评价汇总形成对专业的综合评价，于2025年6月18日发布了“2025软科中国大学专业排名”，其中重庆邮电大学数据科学与大数据技术专业获评A级，位列全国第32位(前4.17%)。
新工科专业面向新兴产业需求，力求多学科的交叉融合，而本校理工类专业的通识教育课程《大数据导论》的教学内容恰好能够支撑新工科建设的需要。然而，《大数据导论》作为一门仅有16学时的导论性质的任选课程，依据2020版培养方案设置的教学大纲，难以有效培养学生问题分析，研究，使用现代工具的能力。本研究面向新兴产业需求，聚焦于新工科背景下通识教育课程建设，借鉴国内高校新工科课程的建设经验，探索《大数据导论》课程体系构建方法。
1.1. 新工科通识教育、OBE与混合式学习的协同逻辑
新工科通识教育、成果导向教育、混合式学习三大理论是课程体系设计的核心支撑，三者形成“需求导向–目标锚定–路径落地”的协同关系，为课程改革提供系统框架。
(1) 新工科通识教育理论：跨学科素养与产业需求的衔接。作为新工科与通识教育的融合产物，其核心是“跨学科基础奠基 + 工程素养培育 + 产业需求衔接”，需满足知识桥梁性与能力前置性要求。对《大数据导论》而言，其定位是大数据技术的入门窗口与跨专业交叉衔接纽带，需兼顾知识广度与应用深度，避免内容空泛。
(2) 成果导向教育理论：以能力成果反向设计课程。核心逻辑为以预期学习成果为起点反向设计教学，强调学生中心、成果导向、持续改进。应用中需明确可衡量的成果目标、围绕目标设计教学环节、构建成果导向评价体系，可解决《大数据导论》传统教学中目标模糊、考核脱节的问题，实现“教–学–评”围绕能力成果展开。
(3) 混合式学习理论：线上线下融合破解通识课痛点。核心是整合线上灵活性与线下互动性，实现个性化补短板与集中化强核心。针对学生基础参差不齐与学时有限的痛点，采用线上学基础，线下精讲核心，线上练实践的模式，关键在于线上资源精准匹配知识缺口、线下聚焦互动性内容，避免重复化。
1.2. “需求–目标–路径”三维协同模型
基于上述三大理论的核心逻辑，本研究构建“新工科通识教育需求–OBE成果目标–混合式学习路径”三维协同框架，作为《大数据导论》课程体系设计的指导逻辑，具体框架如下：
(1) 需求导向。明确课程的定位边界——需服务于新工科跨学科人才培养需求，为不同专业学生提供“大数据 + 专业”的交叉基础，确定课程需覆盖政策解读，技术核心，实践入门，三大内容模块。
(2) 目标锚定。将需求转化为可衡量的课程成果目标，即能分析大数据与物联网、云计算的协同应用逻辑；能使用基础工具完成数据处理；能探索大数据在各专业的应用场景，以此反向筛选教学内容。
(3) 路径落地。设计线上补休，线下精讲，实践赋能的实施路径。线上提供补休课程、实践视频，线下聚焦核心技术讲解与案例研讨，实践环节结合线上指导与线下答疑。
2. 课程体系构建与实践前存在的问题
结合课程组组员的工作经验和新工科建设相关线上线下培训，《大数据导论》课程建设仍需解决的问题被归纳如下：
(1) 教学内容忽视学生基础：《大数据导论》课程的选修涉及多个学院多个专业的学生。2021~2022学年第2学期课程组授课于智能制造工程等专业的学生，三个课程目标的达成度分别为0.79，0.82，0.80，学评教得分为89.277；2022~2023学年第1学期课程组授课于空间信息与数字技术等专业的学生，三个课程目标的达成度分别为0.71，0.62，0.70，学评教得分为94.410。学评教得分的提高可以反映教学效果的改善。然而，课程目标的达成度却不与教学效果呈正相关。导致该现象产生的最有可能的原因是不同专业的学生的先修课不同，前期基础参差不齐。
(2) 教学内容难以满足学生需求：新工科建设着重强调计算机技术、大数据、人工智能等多学科的交叉与融合。然而，课程体系构建与实践前的教学内容缺少：大数据的核心技术——分布式技术，人工智能的核心技术——机器学习与深度学习。总之，课程体系构建与实践前的教学内容浅显，空泛，实用性低，与各专业学生的需求脱节，难以激发出学生对该课程的兴趣。
(3) 实践教学环节难以设置：新工科课程需要培养学生利用新兴技术解决实际工程问题的能力。然而，《大数据导论》课程并未设置课内实践教学环节。其原因是：1) 导论类课程知识点庞杂，需要大量时间进行理论教学；2) 学校通常要求学生在一到两周内集中完成实践教学活动，然而学生前期基础薄弱无法快速适应实践教学的授课节奏。
(4) 考核方式难以反映学生能力：《大数据导论》课程的考核方式及成绩构成为：期末考试占60%，课程报告占15%，课后作业15%，课堂表现占10%。关于期末考试：试卷共37题，其中36题为客观题，能反映学生能力的主观题匮乏。关于课程报告：为了快速完成报告，学生普遍不假思索的直接复制文献内容或相互抄袭，难以真正在查阅文献的过程中学得相关知识。关于课后作业：习题数量少，题型不丰富。关于课堂表现：以学生签到情况为主要依据。
3. 课程体系构建与实践具体实施方案
课程组针对理工类通识课程《大数据导论》存在的教学内容忽视学生基础，实践教学环节难以设置，教学内容难以满足学生需求，考核方式难以反映学生能力等问题，以对齐学生基础，强化实践教学，适配专业需求，精准量化考核为目标，构建了线上补休，线下精讲，实践赋能，多维评价的课程体系。
3.1. 整合补休资源
课程组整合线上补休资源，即可仅用较少的人力物力资源补充学生的基础知识。
具体线上补休资源包括：网易云课堂厦门大学林子雨老师的大数据导论(通识课版)的线上课程，数据工程基础实践-O2O优惠券使用预测的线上课程，大数据集群部署简明操作手册(实验指导书)及与实验指导书配套的大数据集群部署实操演示视频资源。
3.2. 革新教学内容
为了革新教学内容，课程组对原教学内容做出删减，并增设新的教学内容。
具体的删减内容包括：大数据的发展历程，世界各国的大数据发展战略，大数据产业；云计算起源，云计算应用，云计算产业，物联网起源，物联网应用，物联网产业，人工智能起源，人工智能应用，人工智能产业；数据安全，数据开放，数据共享。
具体的增设内容包括：工业和信息化部发布的《“十四五”大数据产业发展规划》等文件的解读(目的是使学生了解政策支持，岗位需求，薪资待遇，人才缺口等)；物联网，云计算，大数据在技术层面上的关系，人工智能与大数据的关系(目的是使学生理解物联网，云计算，大数据，人工智能在第三次信息化浪潮中的协同效应)；机器学习和深度学习基础知识(目的是使学生理解简单的机器学习和深度学习算法的工作机理，初步掌握基于机器学习和深度学习的数据分析与处理方法)；分布式文件系统——以GFS，Hadoop HDFS为例，分布式数据库——以BigTable，Apache HBase为例，分布式并行计算模型——以MapReduce，Hadoop MapReduce为例(目的是使学生分析分布式技术的底层设计逻辑)。
3.3. 开发实践项目
考虑到各专业的学生难以理解新增的教学内容——分布式技术，以及课程的性质是通识教育导论课，不宜设置较难的实践项目，因此课程组开发了大数据集群部署项目。
具体实践内容包括：安装虚拟化软件，安装Linux操作系统，虚拟机克隆，安装Linux操作系统远程连接工具，Linux常用操作命令，大数据集群部署前置准备(修改主机名，固定IP地址，配置服务器的映射，设置SSH免密登录，JDK环境配置，防火墙、SELinux、时间同步等系统设置)，Hadoop HDFS部署，普通用户授权，HDFS的Shell操作，YARN部署，MapReduce配置，HDFS集群和YARN进程的启停。为了提高学生对实践项目完成度，课程组撰写了大数据集群部署简明操作手册(实验指导书)，并录制了与实验指导书配套的大数据集群部署实操演示视频。
3.4. 优化考核机制
为了让考核内容能够切实反映学生能力，课程组从课堂表现，课后作业，课程报告，期末考试四个维度进行优化。
具体优化内容包括：(1) 课堂表现的考核从以考核出勤情况为主转变为以考核课上答题情况为主；(2) 增设与课程所支持的学生能力培养目标相匹配的课后作业，由三次作业调整至五次作业与新增设的教学内容相匹配；(3) 课程报告的考核由仅要求学生撰写理论报告转变为要求学生同时撰写理论报告和实践报告；(4) 期末考试的考核由仅有1道案例分析题作为主观题转变为1道案例分析题和5道简答题作为主观题，主观题分数占比40%。以上所有优化内容均围绕培养学生分析，研究，使用现代工具的能力展开。此外，学生的课程的成绩精确到其每一次课上回答的问题，每一次课后作业的得分，课程报告中的每一个采分点，及期末考试成绩。
4. 课程体系特色与成效
4.1. 课程体系特色
(1) 响应新工科建设对跨学科人才培养的需求，以培养学生能力为导向。教学内容增设政策文件解读；物联网，云计算，大数据，人工智能的协同效应；机器学习和深度学习基础知识；分布式技术。其中，分布式文件系统，分布式数据库，分布式并行计算模型的相关理论知识，作为实践项目的理论指导。培养学生问题分析，研究，使用现代工具的能力。
(2) 线上、线下协同教学模式。理论授课学时不足，学生基础参差不齐，实践教学环节缺失等线下教学存在的问题，均可通过让学生学习课程组发布的线上教学资源来解决。知识点的讲解可录制成微视频，作为线上教学资源发布；线上理论教学资源可用以弥补学生知识积累的不足；线上实践教学资源可用以弥补实践教学环节的缺失。
(3) 全教学过程考核。考核方式丰富，覆盖全部线上、线下教学环节，重视理论与实践的结合：既有线上考核又有线下考核；既有基于主观题的考核又有基于客观题的考核；既有理论知识的考核又有实践经验的考核。
4.2. 课程体系成效
课程体系构建与实践落地于2024年1学期。表1展示了《大数据导论》课程负责人的由2021年第2学期至2024年第2学期的学评教结果，其中教学班覆盖多个专业。由表1数据计算可知：课程体系构建与实践落地前的评教得分的平均值为92.740，教学满意度的平均值为71.57%；课程体系构建与实践落地后的评教得分的平均值为95.665，教学满意度的平均值为80.16%。对比课程体系构建与实践落地前后的学评教结果可知：评教得分的平均值上升3.15%，教学满意度的平均值上升12.00%。由学评教的结果得到的结论是：整合补休资源，革新教学内容，开发实践项目，对齐了各专业学生的基础，满足了各专业学生的需求，激发了各专业学生对大数据相关技术的学习兴趣。
课程体系构建与实践落地前的课程目标分别是：(1) 了解大数据概念，培养大数据思维，形成数据安全意识；(2) 熟悉大数据典型行业应用，探寻大数据与自己专业的应用结合点；(3) 了解大数据技术知识体系结构，激发学生基于大数据的创新创业热情。课程体系构建与实践落地后的课程目标分别是：(1) 了解云计算、物联网、人工智能与大数据如何协作解决信息爆炸问题，认识大数据典型行业应用，培养分析解决方案的影响因素，获得有效结论的能力；(2) 了解大数据科学，大数据技术，培养选择与使用恰当的技术和工具，对大数据相关领域复杂工程问题进行分析和设计的能力；(3) 了解分布式技术及其相关工具的设计理念，培养根据实验方案构建实验系统的能力。由于课程体系构建与实践落地前后的课程目标不同，不可直接比较两者的课程目标达成度。因此，表2中仅展示了课程体系构建与实践落地后《大数据导论》课程负责人2024年第1学期至2024年第2学期的课程目标达成度结果。由表2可知：总体课程目标达成度均超过期望课程目标达成度。由课程目标达成度结果得到的结论是：优化考核机制，可有效培养学生问题分析，研究，使用现代工具的能力，满足学生能力培养要求。
Table 1. The results of student evaluations of teaching from the 2nd semester of 2021 to the 2nd semester of 2024
表1. 2021年第2学期至2024年第2学期的学评教结果
学年学期 |
教学班 |
评价人|选课人 |
评教得分 |
评教等级 |
教学满意度 |
20212 |
A00212A1040120003 |
89|89 |
89.277 |
良 |
64% |
20221 |
A00221A1040120004 |
41|42 |
94.410 |
优 |
70.7% |
20222 |
A00222A1040120005 |
138|138 |
89.569 |
良 |
65.9% |
20231 |
A04231A1040120007 |
88|88 |
96.878 |
优 |
85.2% |
20231 |
A04231A1040120003 |
97|97 |
96.110 |
优 |
80.4% |
20232 |
A00232A1040120005 |
76|76 |
90.194 |
优 |
63.2% |
20241 |
A04241A1040120007 |
37|37 |
95.000 |
优 |
80.6% |
20241 |
A04241A1040120001 |
102|102 |
94.938 |
优 |
77.5% |
20242 |
A00242A1040120002 |
98|99 |
97.152 |
优 |
82.7% |
20242 |
A02242A1040120005 |
125|125 |
98.496 |
优 |
91.2% |
20242 |
A14242A1040120003 |
77|78 |
92.740 |
优 |
68.8% |
Table 2. The results of curriculum objective achievement from the 1st semester of 2024 to the 2nd semester of 2024
表2. 2024年第1学期至2024年第2学期的课程目标达成度结果
学年学期 |
教学班 |
达成度1 |
达成度2 |
达成度3 |
总体达成度 |
期望达成度 |
20241 |
A04241A1040120007 |
0.83 |
0.84 |
0.73 |
0.79 |
0.69 |
20241 |
A04241A1040120001 |
0.86 |
0.87 |
0.77 |
0.83 |
0.69 |
20242 |
A00242A1040120002 |
0.79 |
0.73 |
0.78 |
0.77 |
0.69 |
20242 |
A02242A1040120005 |
0.81 |
0.76 |
0.81 |
0.80 |
0.69 |
20242 |
A14242A1040120003 |
0.75 |
0.66 |
0.74 |
0.72 |
0.69 |
5. 结语
在新工科建设推动高等教育跨学科转型的背景下，理工类通识教育课程既是学生夯实基础素养的关键载体，也是衔接基础学习与专业需求的重要纽带，课程体系的科学性与适配性直接影响跨学科人才培养质量。本研究以重庆邮电大学《大数据导论》课程为实践对象，直面前期教学中凸显的，教学内容忽视学生基础，实践教学环节难以设置，教学内容难以满足学生需求，考核方式难以反映学生能力，四大核心问题，构建线上补休，线下精讲，实践赋能，多维评价的课程体系，并通过整合补休资源，革新教学内容，开发实践项目，优化考核机制，完成2024年新版教学大纲的落地实践。
从实施成效来看，以课程负责人为例，该课程体系不仅实现学评教得分平均提升3.15%、教学满意度平均提升12.00%的双提升，更通过课程目标的重构与能力培养的聚焦，使学生在问题分析，研究，使用现代工具的能力获得显著提升，有效破解了通识课程与专业需求脱节的传统难题。尤为重要的是，本研究践行的改革策略，为新工科背景下同类通识课程改革提供了可复现、可迁移的实践范式，既保留通识教育所需的知识广度，又融入专业所需的技术深度，充分体现了以学生为中心，以能力为本位的教育理念。
未来，课程组将持续跟踪新兴产业对大数据人才的能力需求变化，以行业实践与专业发展为导向，动态更新教学内容与实践项目，强化课程与专业场景的关联性，优化教学过程设计，保持教学内容的时效性，持续提升课程体系的适配性与先进性。期望本研究成果能为更多高校的新工科通识教育改革提供参考，共同推动跨学科人才培养质量提升，为我国大数据产业发展与数字经济建设筑牢人才根基。
基金项目
本文得到重庆邮电大学教育教学改革研究项目(XJG23229, XJG25233, XJG24107, XJG24108, XJG24230, XJG23105, XJG23107, XJG23108)，重庆市高等教育教学改革研究项目(252080, 244057, 244056, 233210, 213156)的资助。