大数据背景下统计学本科教学的体系的研究.docVIP

大数据背景下统计学本科教学的体系的研究 　　摘要：本文归纳了大数据发展的特点，分析了统计学面临的挑战，就统计学本科教学体系中存在的问题进行了梳理，并提出了教学改革的方向和相应措施。 　　关键词：大数据；统计学；教学体系 　　中图分类号：G642.4 文献标志码：A 文章编号：1674-9324（2018）16-0169-02 　　一、引言 　　大数据的本质是实体社会的虚拟化，无处不在的海量信息正改变着整个世界和日常生活方式。大数据之所以“大”，首先在于数据采集成本低、数据累积速度快，由于计算机技术的发展和普及，人们记录、采集数据的成本较以前有了极大地降低，而且数据累积速度更加快捷。其次，数据来源多元化，如从产品全生命周期阶段来看，贯穿设计到制造、从使用到维护、直到维修整个阶段都会产生许多结构或非结构数据。大数据不仅体量大，增长速度快，而且数据的多样性，即数据的来源、种类也日益复杂。再次，数据处理速度快，快速的处理是大数据内在要求，大数据的时间价值十分重要，如GPS位置信息，快消品网站、金融交易及用餐时间的外卖网站点击流等，由于用户众多，短时间内产生的数据量十分庞大且具有强时效性就要求处理速度快速化。最后，数据价值密度低，正是由于数据产生量巨大，数据自动采集成本低，数据被记录完整的可能性较以前有了极大提升，但也意味着包含了大量噪音信息。这也使得有用信息的提取及数据规律的探寻面临前所未有的挑战。 　　本质上，大多科学研究活动并非从事先设想好的理论架构或科学原理来演绎、推理科学问题，而是从数据本身出发，运用不同分析方法归纳总结和发现科学规律。大数据环境下问题越来越复杂，使演绎研究变得愈发困难。高维、高频的不同来源、不同结构、不同形式的海量数据可以快速、方便地被整合，使原来处于孤立、分散的数据更加容易地联系起来，为发现数据背后的规律打开了更宽广的视图，更能发现小数据时代不易发现的新现象、新知识和新规律。 　　在大数据时代，部分传统的统计方法在来源多元性、多重结构的大数据环境下失效，也难以完成复杂的计算和存储。当然，尽管大数据提供了强大的数据分析条件，但也得付出如人力成本、时间成本和计算成本等。大数据并不能提供一个适宜于所有问题的解决方案，仍需要采用适合的统计方法来解决不同的问题，如抽样、相关分析、因果推断仍是可选手段。因此，大数据背景下，如何发展统计学学科？如何开展适应时代要求的统计学教育活动及培养人才？这些命题都需要统计学者思考。 　　二、本科统计学教学体系存在的问题 　　大数据为传统统计分析方法提供了可观测足够多的样本，但也提出了如何删选、提取数据，如何整合异质性多元数据、复杂结构数据的难题，同时在实际中，数据并非单纯的越多越好，大数据所负载的信息价值存在边际递减效应，当数据体量越大，信息收集边际成本在增加，而信息价值在递减，如何平衡信息成本和效用同样是一个巨大挑战。因此，如何培养适应大数据时代的统计学人才以满足市场需要是目前高校教学体系改革的重要问题。目前，大多国内本科统计学教学体系存在以下几个问题。 　　第一，培养目标和大数据契合度不高。传统的本科统计学专业培养体系更多地关注如何培养学生收集、整理和分析数据的能力，而大数据时代数据的获取较为容易且更为全面，与计算机技术的融合愈发紧密，传统意义上的数据分析模式已经不能适宜于大数据的数据结构特征。这就需要统计学专业人才的培养目标从传统的应用型向数学、统计学、计算机科学高度融合的复合型转变。 　　第二，培养方案中缺乏对数据收集、抽样的训练环节。大多数高校本科统计学培养过程都是基于统计技术开展的，如强调回归分析、协整、预测、时间序列及判别、聚类等分类技术的运用，而忽视了如何开展数据收集、如何抽样的教学训练。另外，大数据的生成与采集在人为的设计框架之下，可能存在系统性偏差，抽样可以与大数据交叉验证。 　　第三，教学内容与大数据关联性不强。目前大多高校统计学教学都围绕着统计学原理、计量经济学、应用回归分析、时间序列分析等课程开展。但是在大数据环境中，统计学离不开数学和计算机科学的支撑。同时，大数据应用领域包括经济、管理、生物、传播学等多个领域，教学内容的学科交叉是大数据背景下统计学人才培养的重要基础。另外，统计学的培养体系须注重教学内容的模块化，因此，教学内容则要从不同培养的目标出发，设计如经济统计、管理统计、金融统计、生物统计等方向的教学内容模块，并引导学生从多个模块中寻求大数据关联，发现新规律，创造新知识。 　　第四，实践环节薄弱。由于数据边际成本降低，过去以模型驱动的教学体系已不适应实际应用的需求，以模型出发，收集数据以证明模型或机制的正确与否往往无法逃离人为设计机制的嫌疑，且更多地是“过去式”规律的研究。大数据时代，更多需要从数据出发，以相关分析为基础，