付伟?唐谦?王璐烽

摘 要 大数据专业是高职院校新增专业，在人才培养方面没有丰富的经验可借鉴，各院校在实践中不断探索。结合大数据知识架构，以地方产业和经济发展需求为导向，以实现专业建设和人才培养的错位发展为目标，对高职大数据人才培养模型进行研究。由于大数据技术演进快，为确保人才培养动态满足行业需求，建立闭环反馈环节对模型实时进行递归修正，形成动态可扩展的人才培养模型。

关键词 大数据专业;人才培养模型;高职院校

中图分类号 G718.5 文献标识码 A 文章编号 1008-3219（2019）17-0025-05

大数据的应用正逐步从互联网、金融领域扩展到教育、政务、交通物流、医疗健康等各个领域，必将深刻影响中国未来社会和经济的发展进程[1]。大数据的爆发使得大数据人才成为市场中最急缺的人才[2]。在此形势下，2016年9月教育部正式批准高职院校开设大数据技术与应用专业。国家信息中心联合南海大数据应用研究院于2017年2月发布的《2017中国大数据发展报告》分析了国内大数据产业对大数据人才的学历要求情况，指出市场招聘中对本科及大专学历的人才需求较高，其中专科招聘占32.51%，本科招聘占63.13%。这说明大数据产业中有相当大比例的岗位是面向高职毕业生的。在此背景下，本文以大数据产业对高职人才需求为导向，在大数据知识体系框架下探讨如何建立人才培养模型。

一、大数据人才岗位技能需求分析

根据对各大招聘网站和人才市场的调研，大数据人才的需求主要集中在大数据系统运维、大数据开发与分析，以及与行业领域相关的大数据业务三个方面。从对岗位要求描述中提取常用的知识技能进行归类处理，结合大数据体系结构，可得到大数据技术与应用专业所具备的常见知识结构，如图1所示。

在大数据知识框架中，按数据流程可分为数据生成、数据获取、数据存储和数据分析4个阶段，各阶段有对应的技术支撑，都需要相适应的技能人才。对高职院校而言，应重点培养具有大数据系统运维、大数据应用、大数据分析等方向符合大数据行业需求的复合型、创新型和实用型人才。尤其要注重培养学生能为企事业单位搭建、管理和运维大数据系统的能力。学生除了学习计算机基础课程和系统管理课程外，还要接受大数据系统和应用知识的学习，并通过大量的案例与实践操作，熟练掌握大数据应用系统的搭建、配置、管理及运维等各种专业知识和能力。

二、高职院校大数据应用人才培养现状

大数据技术体系复杂且发展迅速，大数据专业建设、人才培养方面与传统专业不同，各高职院校在课程体系、师资团队、基础设施等方面都存在亟需解决的难点问题。

一是师资队伍实力薄弱。目前相当一部分教授大数据相关课程的教师是从计算机相关专业转过来的。大数据技术比较新，大多数教师对大数据知识体系结构不够了解，对相关理论掌握不充分，对行业企业的发展也不是很了解[3]，无法应对大数据专业教学。专业建设缺乏高素质的师资队伍，是当前高职院校面临的难题。

二是生源素质不高，自主学习能力弱。高职院校的学生知识水平和能力相差很大，素质参差不齐。在学习过程中缺乏主动性，对专业及岗位要求缺乏认知，容易失去学习兴趣，对未来的就业也感到迷茫。而大数据专业要求学生具有较高的综合素质和较强的自主学习能力，面对生源现状，大数据专业的开设面临巨大的挑战[4]。

三是教学资源匮乏。大数据专业的开设只有两三年时间，在专业建设上没有可借鉴的资源，还处于探索阶段，还未构建丰富的教学资源。另外，培养满足社会需求的技能型大数据人才需要设置相应的实训课程，必须有相应的设备和软件进行支撑，这是大数据应用人才培养必须具备的。目前大多数高职院校还不具备优厚的条件，限制了大数据实验实践教学。

四是缺乏科学系统的课程体系。大数据作为新兴产业涉及多学科多种信息技术的交叉，需要复合型专业技术人才的支撑，大数据技术架构复杂且不断演进，产业市场多变。目前，高职院校对大数据产业现状和大数据人才需求还缺乏深入的调研，并且需要以此为基础，构建大数据创新人才课程体系。

五是缺少实践平台。高职毕业生直接对接产业技术技能岗位，需要对职业能力要求有所认识。大数据行业的技能知识较为复杂，这就要求在教学过程中与行业企业进行紧密的合作交流，将领先的技术架构、真实的工程案例、行业经验引入课堂。并且能通过校企合作为学生提供实践平台，让学生接触工程实践项目，熟悉相关岗位，提升技术应用能力。但高职院校普遍缺乏与企业开展有效的业务合作，学生缺少实践锻炼平台。

三、构建高职院校大数据人才培养模型

大数据人才培养应面向地方产业，面向行业需求，坚持以就业为导向，以培养双师型教师为保障，以完善实训实践平台和科研创新平台为条件，将大数据专业建成高水平特色专业。人才培养模型如图2所示，首先根据地方企业人才需求及大数据技术领域相关热点确定岗位类别和技能要求，同时根据学生能力多因素制定人才培养目标与规格，构建教学体系，强化工程实践、校企合作授課。将教学成果纳入知识管理体系，不断完善，形成知识积累。由于大数据技术演进快，为更好地适应市场需求，必须连续跟踪毕业生入职后的工作情况，开展企业满意度调查，对教学质量进行评估和诊断，再引入大数据领域专家人工调优，对人才标准、培养方案、教学体系以及实习实训方面进行动态修正，实现培养模型的闭环，建立动态人才培养模型。

（一）培养目标的制定以需求为基础

大数据作为新兴专业，在专业建设和发展上应发挥地区资源优势，结合本地特色经济和特色产业，围绕本地优势产业和实体经济的需求培养复合型高技能人才，实现专业的错位发展。以重庆工业职业技术学院为例，突出“产学互动、服务地方”的办学特色，主要面向重庆地区智能制造、电力、教育、电子商务等产业和其他国民经济部门，面向工业生产、智能制造、电力等行业应用，具备ICT行业相关知识技能，有一定的项目分析与实践能力，适应从事如后台开发、数据库、工业大数据研发、工业大数据运维等一线工作需要的高素质技术技能人才。

（二）联合企业开放式办学

企业拥有先进技术、丰富的行业工程经验和真实案例，了解行业动态和需求。高职院校应积极主动打通渠道，在互利互惠原则基础上与企业签订办学协议、共建实习基地协议。建立校企联盟专业建设委员会，与企业一起调整教学体系、课程内容，建立紧密对接产业链的专业体系和人才培养方案。企业全程参与教学过程，为学生提供实习和就业机会。如重庆工业职业技术学院积极搭建校企合作平台，与本地多家企业合作办学，并与华为共建“华为大数据学院”，为大数据产业和信息服务培养技能型人才。

（三）构建“专业+产业”混编教师队伍

融“双师型”教师培养与专业建设为一体，打造高素质的“专业+产业”混编教师队伍。建立校企员工互聘机制，设置产业教师特设岗位，将企业技术骨干“聘进来”，把实际工程项目引入课堂教学。同时，依托校企联盟平台，选拔优秀专业教师到企业锻炼，参与技术研发项目，提升专业教师创新实践能力。鼓励教师参加大数据行业水平或执业考试，更新专业教师知识结构。专业教师与产业教师可组成专项团队，共同申报研究项目和课题，学习和研究大数据的专业知识和技能。通过不断积累，将书本理论知识转换成企业实际所需的技术框架和实战技能，逐步提升“双师”素质。

（四）课程体系建设

针对高职学生自主学习能力弱的特点，课程体系应采用“层级型和项目推进式”的模式。根据学生的学习情况和发展程度，定制层级课程， 以项目化、任务化的课程内容为驱动、以理论与实践相结合的教学方式，逐步构建学生扎实的专业基础知识体系结构。图3为大数据专业课程体系结构图，自下向上与图1大数据知识结构相对应，从左往右递推分为初、中、高三个层级。

第一层级：知识入门级，开设专业基础课程，如计算机网络、Linux操作系统、Java程序设计、SQL数据库、大数据框架基础知识等课程，培养学生的专业兴趣与逻辑思维。

第二层级：核心能力培养级，开设网络爬虫技术、ETL技术、大数据平台搭建和监控技术、分布式文件存储技术（以HDFS为例）、面向列数据库技术（以HBase为例）、非关系型数据库技术（以MongoDB为例）、Python数据处理技术、MapReduce及Spark计算框架等课程。

第三层级：技能提升级，开设数理统计概论、数据挖掘技术、数据仓库技术、R语言、机器学习等课程，提升学生大数据分析与预测能力。在每个知识能力阶段配以项目案例教学，开展实用项目的实训，深入实践，培养学生专业项目能力。

此外，为使学生掌握必备的知识技能，更具行业市场竞争力，实施“1+X”证书制度。以重庆工业职业技术学院为例，学生除完成规定的课程获得高等职业教育毕业证书外，需接受相关培训并获得行业资格证或水平认证。比如，取得CCA认证下的Hadoop管理员证书、Java程序员证书、Python高级编程认证、HCNA-BigData证书、HCNP-Bigdata Developer证书1个以上。

（五）教学方法与教学手段改革

减少枯燥的灌输式教学方法，将课程内容与企业实际项目相结合，形成主题任务模块，设计教学过程，以诱导式、启发式教学方法来激发学生学习热情，让学习过程成为发现问题、思考问题、动手解决问题的动态过程。发挥教研室作用，把教学方法和教学手段的改革作为主要议题进行探讨和大胆尝试。组织专业教师到企业考察咨询、到兄弟院校交流，取长补短。

对考试考核方法进行改革，注重学生实际应用能力培养。加强对应用能力的考核，对基本技能、应用能力设置一系列考核、评分标准，并按比例计入课程的总成绩。以学生实践能力作为教学重点，将学历教育、职业技能、职业认证三者紧密结合起来，突出职业教育的特色。

（六）实训教学建设

大数据专业是一门实践性很强的学科，高职学生需要具备很强的动手实践能力，除学习基础理论知识外，还要掌握数据采集和预处理、数据可視化、大数据应用开发以及大数据平台运维等方面的专业技能。因此，大数据实训平台建设是人才培养的重要部分，是提高高职学生技术技能、适应专业技术岗位的重要前提。目前大部分职业院校现有的实训平台是针对传统软件专业的，不足以对大数据实验环境提供有力的支撑。可以在现有硬件设备基础上增加集群服务器，配置网络设备和虚拟环境，部署大数据系统来实现平台建设，实训平台架构如图4所示。

依靠实训平台开设相关实训课程，包括Java编程实践、Python开发实践、CentOS或Ubuntu安装及部署实践、Hadoop和Spark基础集群搭建、Hive的使用、MySQL数据库的操作实践、MongoDB的部署和操作、数据ETL操作、MapReduce计算实践，以及简单的数据分析实践等等。实训平台除完成实践教学任务外，还可以扩展技能大赛实训功能，其目的是通过技能大赛激发学生学习兴趣，提升学生大数据相关专业技能。

（七）教学资源库建设

课程资源按照图1大数据知识框架结构及图4课程层级结构将专业课程进行分类、分解，实现碎片化，方便学生根据个性需求制定学习计划和学习内容，实现自主化、个性化的学习。课程资源库包括课程标准、电子教材、课件、大数据理论教学视频、大数据操作实训视频、题库等多种形式。借助校企合作平台构建合作企业资源库，将企业成功的经典项目案例按课程要求拆分成若干教学模块，构成大数据实战学习资源。企业资源库包括合作企业的信息、企业相关标准规范、大数据相关技术文档和培训资料、行业资格认证信息、行业动态和就业信息等。通过与企业建立长期合作伙伴关系，为学生的职业生涯提供帮助。

以资源库为平台，结合课堂教学与在线学习，融合线上学习与线下训练，使师生实现实时互动交流，形成学习共同体。利用信息手段和大数据技术获取并记录学生的学习轨迹和行为习惯，分析学生的兴趣偏好，评估学生学习状态和能力，开发满足个性需求的课程体系，激励和培养学生的自主学习习惯。

（八）联合企业共建实习、科研创新平台

为师生提供更多的专业能力提升和科技研發创新机会是应对人才培养新需求的有效途径[5]。职业院校可以联合企业共建集实习、创新创业、科研与企业服务等功能于一体的平台，发挥资源优势，推动校企合作深度发展。实习基地以培养学生专业技能为中心，按照企业生产标准和流程制定实训任务，引入企业管理规章制度，让学生感受企业真实环境，在实习过程中完成企业的生产任务，实现学校与企业岗位的无缝对接。企业可通过平台选拔优秀学生满足人力资源需求。平台还可以承担企业员工技能培训任务或技能鉴定服务，实现资源共建共享和双赢的目的。依托平台，企业技术专家与学校科研能手联合开展技术攻关、技术创新合作，将已有科研成果转化为实际有效产品，实现创新型内涵建设。以重庆职业技术教育学院大数据技术与应用专业为例，其积极寻求与知名企业开展紧密型的深度合作，与企业共建了20家左右稳定的实习基地，基地承接了多家企业的大数据相关项目任务，同时满足了学生实践教学及顶岗实习需求。

（九）人才培养模型的闭环修正

为使高职大数据人才的培养动态满足行业需求，必须实时对模型中的主要模块进行修正，建立动态可扩展的人才培养模型。吸收行业专家、企业高级人才组成评委会或交由第三方评价机构对教学实施过程及教学质量进行诊断;动态地对大数据行业和技术领域进行调研，准确了解社会需求;不定期跟踪调查毕业生情况，准确掌握毕业生岗位适应状况和能力发展状态;开展企业满意度调查，了解需求变化，掌握学生专业能力与目标岗位的差异;咨询大数据领域专家学者，优化课程体系及实施过程。通过以上环节优化人才培养方案、调整课程体系、加强师资队伍建设、改进实训基地等，形成人才培养模型的闭环。由此可见，人才培养模型是动态的、过程性的，螺旋上升式地不断完善。

除整个模型闭环构成的递归修正外，模型内部还有课程、教师和学生三个层面的修正和完善机制，如图5所示。课程发展包括课程体系建设、教学设计、教学模式、教学方法与教学改革、教学资源配置等内容。教师发展包括师德师风、教学能力、科研能力、实践能力等内容。学生发展包括思想和心理素质、大数据专业知识结构、技术能力以及创新能力等内容。现行评价系统主要是通过检查制度、听课制度、督导制度及学生评教制度来实施，得到的考核结果是独立的或是定性的结论，没有一个系统、按权重分配的指标体系[6]。因此，应合理确定发展目标，再按权重比逐步分解目标为具体的、可衡量的、量化的指标体系。在图5模型输出端按指标设置参数，进行取样、计算和分析。课程、教师和学生发展各自完成一个循环修正后，进入下一个循环，应树立更高的目标和标准，这样才能有更大的发展空间。

四、结语

大数据技术与应用专业是高职院校的一门新专业，在人才培养方面缺少可借鉴经验，还处于起步和探索阶段，对人才培养模型的探索和研究是开设专业的基础。高职院校应面向地方优势产业和地方经济，以大数据产业人才需求为导向，以实际岗位为出发点，结合企业技术和大数据领域热点，构建出大数据专业人才的培养模型。由于大数据技术实践性强、技术演进快，人才培养模型中各个环节应根据市场需求变化作动态修正，构成模型的闭环，实现动态培养，不断提高人才培养质量和竞争力，更好地满足市场需求。

参 考 文 献

[1]梁光华.大数据时代对高校的影响[J].科技文献信息管理，2016（3）：60-62.

[2]国家信息中心，南海大数据应用研究院.2017中国大数据发展报告[R].2017：32-35.

[3]徐扬.新时期大数据人才的培养[J].中国劳动，2015（17）：28-29.

[4]傅伟，涂刚.高职院校大数据专业人才培养模式的构建[J].职教通讯，2017（32）：13-15.

[5]郝人缘，吴雪萍.第四次工业革命背景下的职业教育改革[J].职业技术教育，2018（28）：12-16.

[6]郭彦，陈佳辉.基于KPI的高职院校教学考核评价体系构建[J].职业技术教育，2018（32）：63-65.