大数据人才培养模式分析与思考
谭 怡
(江南大学 图书馆，江苏 无锡 214122)
摘 要： 大数据浪潮下，各行业面临着数字化转型，这就对新时期大数据相关的人才培养提出了现实需求。高校作为人才培养的主要阵地，需要改革现有的教学方式、创新大数据学科体系，为大数据产业、大数据科研领域输送多层次的大数据人才。本文结合当下的教育环境，对我国大数据人才培养模式进行了分析与思考，提出了意见与建议。
关键词： 人才培养模式；大数据；数据科学
互联网时代，国际社会各个领域都受到信息技术革命的影响，各类新产品、新模式、新业务层出不穷。随着互联网技术的飞速发展，计算存储和传输数据的能力在以指数速度增长，到2025年，复合增长率有望超过84%[1]。2015年8月31日，国务院印发的《促进大数据发展行动纲要》明确提出，要加强专业人才培养，创新人才培养模式，建立健全多层次、多类型的大数据人才培养体系高校设立大数据相关专业是大数据时代的要求，要积极探索大数据人才培养模式，开展大数据知识普及和教育培训，提高社会整体认知和应用水平[2]。2017年12月，习近平在中共中央政治局第二次集体学习时强调了实施国家大数据战略加快建设数字中国。我国正处在从“数据大国”向“数据强国”的转型期，还面临诸多挑战。大数据为社会的发展带来新机遇，但同时，国际性的人才荒也在一定程度上制约大数据行业发展。各行各业对包括新型大数据分析和预测技术在内的各类大数据人才的热情和需求正在超过传统的商业智能和信息管理人才。
福建竹子品种繁多，是我国的竹子大省。福建竹编的编织技术、造型和装饰都具有浓厚的地方特色，以巧夺天工的泉州竹编和安溪竹编为主要代表。
建设“世界一流大学和一流学科”，是继“985”“211”工程之后，国家在高等教育领域推出的又一重大举措，对高校改革发展提出了新的更高要求。2015年教育部审批通过了数据科学与大数据技术本科专业，获批高校数量上呈显著上升趋势，首批3所，第二批32所，第三批248所。2017年又审批通过了大数据管理与应用专业。由于大数据科学是与计算机科学、数学和统计学等基础学科紧密结合，并与众多应用学科交叉融合的新兴学科[3]。我国尚未形成大数据独立的人才培养体系，这样的发展态势显然无法满足社会对相关专业领域人才的巨大需求，因此，亟需在有基础的高校设立数据科学与大数据技术相关专业，为大数据研究和运用以及推动社会发展提供相应的专业人才。我国实施创新驱动战略需要加强创新型人才的培养，要能够积极应对全球工业4.0时代所特有的以数据为导向的制造模式、流通模式、消费模式、商业模式的变革。
尽管高校近年来为社会培养出了许多大数据人才，但我国大数据人才总量偏少、结构不优、高端综合人才紧缺等问题仍待改善。在建设“双一流”大背景下，各个高校应顺应大数据时代的发展，加快大数据领域的人才培养，开展交叉学科改革，建立新型大数据人才培养模式，支持国家的大数据战略和人才强国战略[4]。
1大数据人才培养存在的主要问题
1.1 跨领域师资队伍建设问题
大数据科学的发展离不开多学科协同，因此在教师队伍的构建上就需要考量教学队伍的师资多元化。在进行师资队伍的组建时，不仅要考虑到教队伍中学科覆盖的合理性，也需要有专业的复合学科背景的人才进行指导。大数据人才培养的方向多元，就业领域宽，学科覆盖广，而“数科学与大数据”作为新专业开设，师资队伍的建设需要跟上数据人才培养的进度，但是在新开设此专业的院校中，高校的学科覆盖的广度不一，学科复合型教师紧缺，师资队伍质量层次不齐，这些问题对教学质量有着一定影响。由于各个高校专业优势不一，在大数据人才培养上目标略有差异，这也造成了师资队伍的难以移植，建设模式处在探索与研究之中。此外，专业师资与实践师资的建设与融合，也是目前需要解决的问题。
1.2 大数据人才培养定位偏差
高校以培养通才为主，要求高校毕业生具备本专业领域的基础理论体系和应用能力，并通过毕业设计等实践性教学活动，在某一方面形成一定的专长。但是大数据行业发展迅速，在培养周期过后，学生仍需要在行业中重新适应，在岗位上继续学习。高校学习时，学生以学历学位证书作为最终的追求目标，而实际走向岗位时，单位更看重能力资质与发展潜力。而高校、科研机构则更看重学生的科研学术能力，对学历的要求往往更加突出。因此，在人才培养目标定位方面，高校跟企业对人才的期望值难免产生偏差。
这就导致毕业生在就业时，由于高校与企业对人才评价标准有显著差异，就业与招聘的匹配就发生了问题，企业与高校缺乏良好的沟通交流，形成了人才荒与就业难的局面。此外，大数据人才的职业规划教育对于人才成长至关重要，大数据人才的合理流动可以促进人才的成长。但是，职业规划不能单纯以“签约率”作为评价指标，而应该帮助学生塑造科学的就业观。我国高校在大数据人才培养过程中，职业规划方面有一定缺失，对学生的引导处于真空状态，难以发挥实际作用。
1.3 多领域真实场景获取障碍
国内清华大学、国外北卡罗莱纳州立大学都向企业征集合作项目。为了项目的有效进行，两个高校都要求企业定期派出人员指导审核。这种模式下行业资源的并不仅仅作为教学、研究的补充，更提供了大数据真实业务环境，有利于大数据技术的应用、发展、转化。地方政府、企业、校际合作，引进企业数据实例，学生深入项目领域，结合项目实践，这种以教促研，以研促产的方式，既有利于教学效果的提升，也为学生提供了与真实业务接触的机会。
对于同类课程的积极引导意义和借鉴作用在于：开发了紧密围绕护理职业岗位要求和护士职业标准的课程内容；课程组成员与医院合作开发了以任务为载体、以项目为导向的课程教材；实施了校院结合、教学做一体化教学模式。
构建产品侵犯方法专利权判定范式的适用前提——以《专利法》第11条与第59条的关系为视角............................................................................................何经纬 05.68
在所设线径、并联支路数、并绕根数等其他相关参数一定的情况下，将理想梯形槽参数与传统作圆求交点法所制梯形槽参数分别代入Ansoft仿真建模计算槽满率，所得结果如图11、图12。
1.4 数据安全的意识有待提升
部分高校通过与企业合作，以服务外包的方式来解决校内的大数据的初步整合，大数据真实场景缺失的问题。但由于数据来源于用户，数据分析与个人隐私的矛盾也是不可回避的问题。在进行教学时，数据伦理问题也是值得考量的，用于教学的大数据案例需要在个人隐私、企业隐私层面进行评估。但我国目前在大数据案例教学部分，还未有相关的监管机制出台，这在方面的安全隐患不容小觑。在大数据人才培养过程中，数据不能滥用误用，而是应该科学合理的使用。而目前我国在大数据安全方面的相关规范、使用条例还没有统一，这就导致了在教学过程中会存在无意识侵权的问题。对于用于教学的大数据，过滤敏感数据，将是未来亟待解决的问题。此外，除了教学资源本身的安全性需要注意外，学生的数据安全意识也格外重要。一些行业相关的法律法规，职业素养类的知识也应该嵌入大数据人才的培养过程中。作为未来的大数据行业从业者、研究者，数据安全、业界法规的教育应该植入自己的行为规范中。许多高校在这方面的工作还需要加强，相关利益者都需要开始正视这个问题。
1.5 课程安排与衔接不够系统
高校在区域合作、跨国合作、院系合作之余，也可以根据情况，开设“升学”的绿色通道，帮助大数据人才实现“本-硕-博”上升性发展。国外查尔斯顿学院与旧金山大学目前已开展类似合作。
2大数据人才培养的模式
《大数据发展行动纲要》提出的“鼓励高校设立数据科学和数据工程相关专业，重点培养专业化数据工程师等大数据专业人才。鼓励高校设立数据科学和数据工程相关专业，重点培养专业化数据工程师等大数据专业人才。鼓励采取跨校联合培养等方式开展跨学科大数据综合型人才培养。鼓励高等院校、职业院校和企业合作，加强职业技能人才实践培养。”为大数据人才培养指明了方向。
2.1 专门化模式
专业方向不应单一化，如复旦大学为学生设置了理医工学大数据分析、社会科学大数据分析、系统与数据挖掘等多个方向。专业方向设置与整体课程安排的平衡也需要注意。在这方面，俄亥俄州立大学将方向模块的学习嵌入于每一个学年的课程学习中。旧金山大学则根据学生选择的专业方向，调整数学、计算机、数据科学的相关比例。而国内高校在方向课程的设置上，虽然进行了大方向上面的区分，但在方向性课程的选择与其他课程在整体的协调度上 高校要结合自己的学科优势，培养各类专业化人才，整合课程体系；实现多向型人才分流，加深人才的专业化程度。改革方向模块的考核方式，拓展学生的实践能力、创新能力、交流能力；方向课程实现梯度化、系统化，联系实际，同时根据院校自身情况设置理论型，实践型项目集成平台，为学生的全面发展创造有利条件。
“供给侧改革”一词来源于经济领域，但继续教育供给侧改革不能生搬硬套经济领域的供给侧改革模式，两者有着十分显著的区别。继续教育领域的供给侧改革要促进和实现学习者职业技能和职业素质的提升，促进学习者全面发展；要坚持教育的公益性，注重改革的公平性；要遵循教育规律进行改革。基于此，继续教育供给侧改革应从补足继续教育的供给短板，提高继续教育供给质量，满足社会经济发展对优质、个性的教育服务需要，增进学习者对教育服务的获得感。
专业化人才需要围绕特定业务进行相应的处理，因此，高校为了培养各类专研型人才，基础课程以外，需要训练学生对不同领域数据的处理能力、理解能力、研究能力。在培养过程中，大数据相关的数学、计算机、统计学、基础知识输入，也需要注意领域数据、业务案例的实践输出。
2.2 跨学科协同培养模式
校企合作有利于发挥大学和企业的各自优势。企业在由于市场驱动原因，较早开始意识到大数据人才培养的重要性。大数据产业发展过程中，技术进步与实践发展需要产业界与学术界共同努力。校企积极开展“产学研”合作，企业可以向高校提供教学所需的数据环境与实训基地，高校也能通过这种合作培养综合数据人才，人才培养与学科发展都能够与时俱进[6]。
从国内高校的课程开设情况而言，各个高校考虑到大数据学科的复合属性，基本以基础知识与专研课程模块叠加的形式开展教学。目前高校开展的大数据人才培养中，不少以转专业或者低年级抽调的方式进行培养，各领域的学生有着不同的编程能力和科学背景，在教学与课程开发中要进行综合考量，学生兼顾多学科课程学习，可能会出现负荷过重现象。国内大数据方面的课程建设多以高校自身特色结合教学经验来开展，但是类似北京大学、复旦大学的精英化小班化的模式并不易于移植，部分高校学科覆盖有限，不宜盲目开设跨学科课程。除了课程学习以外，课外的研究主题覆盖有限，对学生的创新能力，操作能力的培养有限。在调查过程也发现，很多高校的培养方案还处在商讨变动过程中，以每年的实际课程方案为准，缺乏整体宏观的安排，这也是大数据人才培养活动中必经的过程。
典型领域、典型示范应用的完整实现有利于系统培养大数据人才在真实工作中所需要的各项能力，如应变能力、适应能力、学习能力。而高校的大数据应用场景，以教务大数据、科研大数据为主。因此，高校在特定场景上难以保证多样性。如果缺乏真实场景的训练，学生对大数据技术的应用容易停留在抽象的概念。当学生在实际工作时，对陌生任务的把控就会占据被动地位。此外，在对数据进行处理时，由于大数据生成速度较快，除了锻炼学生离线数据分析能力以外，实时数据分析能力也非常重要。金融、交通、能源、安全、军事以及应急领域都对实时分析数据有一定要求。从这个角度来说，获取多样的真实大数据场景是培养大数据人才不可或缺的基础条件，也是高校在课程建设中必须解决的难题。
2.3 校企协作培养模式
大数据人才的知识结构应该是复合多层次的，这就要求高校在各学科原有的研究与教学基础上跨学科深度合作、帮助学生获得高效的学习体验[5]。高校可以根据自身情况，选择校内院系合作、跨校合作等形式，结合各自特色，充分发挥地域优势和学科互补优势，实现教学资源的优化和共享，拓宽学生的视野，创新人才成长路径。跨校合作方面，国内中国人民大学、北京大学、中国科学院大学、中央财经大学、首都经济贸易大学5所高校，开展区域多院校合作培养大数据人才的工作，首创协同创新平台，进行大数据分析专业硕士研究生联合培养。院系合作方面，复旦大学设数据科学辅修课程，各学院深度合作培养多领域大数据人才。
大数据的场景应用本质上就是数据的业务应用场景，是数据和数据分析在实际活动中的具体表现。在教学中，场景的选择需要从数据本身，包括数据的质量、类型、来源、规模等入手，还要考虑到数据最终需要的实现的价值，业务的指向的目标，这些条件是大数据实践课程建设的基础。
3思考与建议
3.1 加强师资队伍建设
大数据科学的发展离不开多学科协同，因此在教师队伍的构建上就需要考量教学队伍的师资多元化。在进行师资队伍的组建时，不仅要考虑到教队伍中学科覆盖的合理性，也需要有专业的复合学科背景的人才进行指导。大数据人才培养过程中，实践是非常重要的环节。在实践教学过程中，教师不仅要进行理论教学，也要结合行业案例、实际业务。不少高校在实践环节与企业合作，以行业导师作为补充。因此，专业师资与实践师资的建设与融合也是师资队伍建设关键[7]。
3.2 科学定位培养目标
高校要求高校毕业生具备本专业领域的基础理论体系和应用能力，并通过毕业设计等实践性教学活动，在某一方面形成一定的专长。但是大数据行业发展迅速，在培养周期过后，学生仍需要在行业中重新适应，在岗位上继续学习。高校跟企业需要建立良好的互通渠道，帮助学生塑造科学的就业观。
3.3 加强教学资源建设
大数据实践课程建设需要从数据本身，包括数据的质量，类型、来源、规模等入手，还要考虑到数据最终需要的实现的价值，业务的指向目标。部分高校通过与企业合作，以服务外包的方式来解决校内的大数据的初步整合，大数据真实场景缺失的问题。教学资源本身的安全性需要注意外，学生的数据安全意识也格外重要。一些行业相关的法律法规，职业素养类的知识也应该嵌入大数据人才的培养过程中。
在经过实际研究后，最终将CW化学灌浆材料用于此次砼表面裂缝的填补工作，该产品由长江科学院研发，可以提升缝隙与粉细填充物之间的粘接程度，并具有高度的抗渗水平，耐用寿命极为优良，在施工时对工艺水平的要求较低，无论是干燥还是潮湿的环境都可以达到固化效果。
3.4 升级原有课程体系
未来的大数据人才除了基础知识的学习，综合能力的提升也至关重要。除了基础知识、技能操作的学习以外，大数据专业的学生还需要能够具备良好的心理素质、不断利用现有知识提升自我的能力、较强的学习的能力等软实力，用以应对行业真实业务中可能存在的种种状况。因此“软实力”的培养与开发也需要融入到培养方案中，逐步行之有效地培养模式，促进多层次大数据人才的成长，使得优秀者能够充分发挥所长，而落后者在培养周期得到显著提升。
4结束语
人才培养需要与时俱进。而大数据人才培养的特殊之处在于，其技术发展与领域研究的速度大大超过传统领域，如果在人才培养方面不作出革新，“倒逼”式的培养难以产生良性循环，培养的人才综合素质落后于行业需求，一定程度上制约了社会的发展。因此，要从相对稳定与求新求变中找到平衡点，不断发展完善大数据人才培养模式，跟踪人才发展，并及时推广成功经验，从点到面，使得 人才培养的脚步跟上产业发展，甚至带动技术革新。高校、企业、政府、科研机构要积极合作，科学部署大数据人才建设、数字经济转型、科技研发等工作，形成互补，协同发展。大数据人才的培养，也离不开学科建设、知识体系的构建，跨学科合作与传统学科转型要两手抓，也要扩大注意教育、培训的对象，面向社会大众、中小学以及数据技能贫困群体，开展各种科普性、启发性、专业性的教学活动，为下一代知识型复合型人才发展奠定基础。
[参考文献]
[1] 中信证券.云计算/IDC行业专题研究报[EB/OL].http://www.icaifu.com/report/detail/201504314764.shtml，2017-03-20.
[2] 中华人民共和国政府信息公开专栏. 国务院关于印发促进大数据发展行动纲要的通知[EB/OL].http://www.gov.cn/zhengce/content/2015-09/05/content_10137.htm，2017-03-20.
[3] 吴力波.多“源”异“构”培养大数据创新型人才[J]. 大数据，2016，(5)：89～94.
[4] 徐昊，秦玥，黄岚. 面向通识教育的数据科学课程建设[J]. 计算机教育， 2016，(8):158～162.
[5] 朱扬勇，熊赟.大数据时代的数据科学家培养[J]. 大数据，2016，(3):106～112.
[6] 马海群，蒲攀.大数据视阈下我国数据人才培养的思考[J]. 数字图书馆论坛，2016，(1):2～9.
中图分类号： G250
文献标识码： A
文章编号： 1007—6921(2019)18—0030—03
收稿日期： 2019-06-04
作者简介： 谭怡(1993-)，女，助理馆员，就职于江南大学图书馆，研究方向：图书情报。