数据科学与大数据技术专业实践教学体系研究

数据量的爆炸式增长，催生了对专门处理大数据技术的需求；国务院发布《促进大数据发展行动纲要》，指出大数据产业发展需要大量专业人才；数据时代技术发展下，社会需要既懂技术又懂业务的复合型人才。在此背景下，数据科学与大数据技术专业应运而生，而为确保专业的教学效果和良性发展，应不断完善优化教学体系。实践教学通过真实项目、实验和案例分析，帮助学生掌握数据采集、统计、处理、分析和可视化等核心技能，提升创新实践、跨学科思维和综合解决问题的能力。故实践教学是数据科学与大数据技术专业人才培养的核心环节，应围绕其展开有益的探索，促进实践教学体系日益完善。

一、数据科学与大数据技术专业实践课程的特点

相较于传统专业的实践课程而言，数据科学与大数据技术专业实践课程具有突出的特点。首先，实践内容的综合性与复杂性。数据科学与大数据专业由基础课程、专业核心课程和实践课程三大模块组成，其中实践课程聚焦大数据技术领域的主流技术，如 Hadoop、Spark、Flink、Kafka、HDFS、HBase、Redis、MongoDB、ECharts 等，旨在帮助学生掌握数据采集与预处理、数据存储和管理、数据处理与分析、数据可视化、数据安全和隐私保护等技能 [1]。由此可见，数据科学与大数据技术专业实践教学需要通过真实项目、实验和案例分析，讲授较多的数据处理系统、可视化软件、数据采集工具，总体的实践教学内容复杂。其次，实践平台与工具的先进性。相较于传统专业中常用的本地化工具，小型数据库、简单编程环境等，Hadoop、Spark 等分布式计算框架，以及 Tableau、PowerBI 等可视化工具均是先进的大数据处理平台和技术工具，二者形成鲜明的对比。最后，实践课程的先后关联性强。数据科学与大数据技术专业的实践课程比较复杂，学生要想“吃透”知识点，真正掌握准确的技术技能，除掌握本课程的知识点，还需要掌握相关联课程的知识点。比如，教学MapReduce 时，学生要想学习、理解和掌握此编程模型，前提是“吃透”Linux、Windows、Spark、Java 等知识。

二、数据科学与大数据技术专业实践教学体系的构建要点

（一）实践课程分层，构建全面而系统的实践教学体系

数据科学与大数据技术专业实践教学体系的构建要将原有的理论课程附属实践与集中在毕业实习期间开展的实践进行整合，随后分解细化，实现指向能力递进的层次化教学，既加强实践教学体系的全面性、系统化，又增加整体教学实效，为培养具备全面基本素质、扎实专业技能、适应岗位能力和良好综合能力的复合型人才创造良好条件。具体实践中，数据科学与大数据技术专业的实践课程可分解细化为三个层级，第一层为理论课程附属实践，第二层为实训为主、理论为辅的阶段性综合实训，第三层为企业实践。学生通过第一层，可加深理论知识的理解，拥有扎实的理论基础，通过第二层，可掌握数据采集、清洗、存储、分析、建模、可视化等技术，学会运用先进的大数据处理平台和技术工具解决实际问题，通过第三层，可直接接触生产环境中的数据处理流程，了解数据安全、性能优化等实际挑战 [2]。

（二）实践内容衔接，确保实践教学内容的前后关联性

打破知识壁垒，整合具有内在逻辑关联，但零碎、分散的知识点，是基于数据科学与大数据技术专业实践课程特点考虑，为学生学习新知识、新技能奠定良好基础，确保学习过程有序推进，取得理想学习成果的关键点。数据科学与大数据技术专业实践教学体系的构建应从加强实践内容衔接，提高实践内容的前后关联性切入，顺利完成大数据的不同实践课程知识点的过渡[3]。以Hadoop 教学为例，实践教学内容不仅要照顾到本课程的重点内容，还要增加为完成实践所需的其他课程知识。故具体的实践教学流程为：“吃透”握useradd、tar、update 等 Linux 命令 $$ 安装 Hadoop 软件与 Linux 操作系统 $$ 创建 Hadoop用户→更新 APT →安装 SSH →安装 Java。

（三）实践评价创新，反馈实践情况与优化实践教学设计

数据科学与大数据技术专业实践教学体系需要不断优化完善，使之更加适合当下教学需求。教学评价能够跟踪反馈实践教学情况，且若借助人工智能，可增强评价反馈的时效性，从而为实践教学设计与实践教学体系的优化提供全面、客观、可靠的数据支持。对此，从评价主体、方式、内容三个方面入手，完善实践教学的考核评价机制大有裨益。首先，在评价主体上，教师、企业与行业专家、教育主管部门、社会机构与用人单位、家长、学生等均要参与到实践教学的评价中来，以通过多元主体参与，形成全面、客观的实践教学评价体系。其次，在评价方式上，结果式评价为基，同时借助人工智能技术实施过程式评价，使评价融入实践教学体系的全过程、全要素，保证评价结果的时效性、全面性、综合性。最后，在评价内容上，主要涵盖实践教学目标达成度、实践教学内容与产业需求的契合度、实践教学方法与效果、实践教学平台与资源、学生实践能力与成果、实践教学的持续改进机制等维度 [4]。比如，在学生实践能力评价方面，可通过实践项目，评估学生的代码编写、数据分析报告、可视化作品，以此反馈学生的核心知识、技能、方法掌握情况，以及实践能力和综合素质。

结束语：

综上所述，在数据科学与大数据技术专业，实践教学既是理论课程的有益补充，也是提升学生创新思维、实践能力、团队协作能力、问题解决能力，为学生未来职业发展奠定坚实基础的重要渠道，同时还有助于为国家、社会输送能够应对大数据挑战、推动数字化转型的专业人才。研究数据科学与大数据技术专业实践教学体系的构建要点发现，在理论教学的基础上，通过实践课程分层、实践内容衔接、实践评价创新来构建实践教学体系，有助于学生从基础技能的扎实掌握到高级应用的自如驾驭，逐步构建起全面而系统的大数据知识与技能体系，实现专业素养与综合能力发展。

参考文献：

[1] 孙开伟 , 邓欣 , 王进 . 新工科背景下数据科学与大数据技术专业实践教学体系研究 [J]. 高教学刊 ,2023,9(14):5-8.

[2] 夏炎 , 于舜 , 杨弘平 , 孙宪丽 . 数据科学与大数据技术专业实践教学体系研究 [J]. 沈阳工程学院学报（社会科学版）,2023,19(2):126-129.

[3] 王英瑛 . 竞赛赋能视角下的实践教学改革研究 -- 以数据科学与大数据技术专业为例 [J]. 山东工商学院学报 ,2025,39(4):118-128.

[4] 罗军伟 , 雒芬 , 韩秀娟 , 马新良 . 基于知识图谱的数据科学与大数据技术专业案例教学研究 [J]. 中国信息界 ,2025(2):200-202.