金融学课程方面有关毕业论文题目范文跟大数据背景下的金融学课程教学改革类研究生毕业论文范文

《大数据背景下的金融学课程教学改革》

本文是关于金融学课程方面研究生毕业论文范文与金融学和教学改革和课程有关本科论文范文。

摘　要：大数据的兴起对金融学课程的培养目标和教学模式提出了新要求,只有创新教学理念和方法才能培养出适应大数据时代需求的人才.数据挖掘技术在金融学教学效果反馈与评价、学生学习行为、课程内容创新等方面都有较好的适用性.笔者基于数据挖掘技术在金融学教学中进行了课程内容改革、学习效果与学习行为的关联分析、教学方式与教学效果的文本挖掘等方面探索,取得了较好的效果.

关键词：数据挖掘技术　金融学教学　学习行为　教学效果

一、大数据对金融学教学的影响与新要求

2016年,总书记提出：“以数据集中和共享为途径,建设一体化国家大数据中心”,大数据逐渐上升为国家战略.在大数据时代,数据产生、数据收集、数据分析与应用等环节都在发生着深刻的变化.数据的生产已突破了时间地点的限制,数据的采集逐渐从调查式的收集向自动化采集方式转化,数据的分析与应用也由传统的验证型转化为探索分析型.大数据时代的浪潮改变了数据分析模式,对当前的金融学教学模式与要求也产生着深刻的影响.首先,市场对金融人才提出了新需求,较强的数据敏感度、清晰的逻辑思维能力和协调沟通能力是金融行业从业人员所必须具备的基本素质金融行业人才必须具备对金融数据收集、加工、分析的基本能力,要求其能够以事实数据为依据对所参与的金融项目现状及未来发展进行分析和预测并转化为决策信息.金融数据挖掘方法与技术的掌握之间成为金融企业招聘时重点关注的技术.其次,大数据的兴起对金融学教学本身也产生着深刻影响.与传统数据相比,大数据具有及时、微观、互动、个性化等特征,无论对教学目标设置、教学过程搭建还是在教学评价与预测等方面都提出了新要求.只有基于大数据时代的特征,创新教学理念、加快教学改革步伐,才能培养出适应大数据时代需求的人才.

二、数据挖掘技术在金融学教学中的适用性分析

数据挖掘（Data Mining）一般是指从大量的数据中通过算法搜索隐藏于其中信息的过程,通常会利用机器学习、统计学技术和模式识别等技术来实现.数据挖掘通过数据准备、数据挖掘、结果解和评价帮助使用者从大量复杂的信息中获取有效数据并制定决策.目前,随着各高校在在线教育、网络教育方面的大量投入,产生了大量的教学数据,通过对这些数据的挖掘、分析和整理,可以让教学人员对于如何进行精准教学提供了可能.同时,随着互联网金融的发展,学生在学习过程中也可以充分运用数据挖掘技术进行实证研究和仿真实验.

本文认为,在目前的金融学教学中数据挖掘可以应用于以下几方面：第一,有效反馈教学结果.将教师的教学信息、学生的学习效果和教学评价作为数据来源,通过数据挖掘中的聚类分析方法可以区分在不同教学目标要求和教学方式下评价教学质量并通过分类来分析不同教学方式之间的差异,可以反映教师在教学中存在的实际问题,优化教学方法.第二,预测学生学习能力.现代金融学教学的基本要求是通过因材施教更好的实现每个学生的全面发展.通过数据挖掘技术中的决策树法和神经网络法可以更好的实现这一目标.例如,可以运用决策树法通过对学生各部分学习成绩的挖掘分析发现不同学生的学习偏好.例如发现有的学生对金融理论知识掌握较好而知识运用能力不强,则需要对这类学生强化操作技能方面的训练.第三,完善课程内容,增强学生实践能力.传统金融学教学模式注重概念和方法的诠释,学生参与程度低,教学数据分析主要运用EXCEL等软件简单演示.而在大数据时代,数据的非结构性和复杂性已经不是常规演示所能代表的.在课堂教学中只有教会学生如何从复杂的数据库中挖掘出有用的信息才能增强学生对现实金融现象的理解.教会学生使用R软件、Hadoop等分析软件也将成为金融学教学中的重要内容.

三、基于数据挖掘技术的金融学教学改革实践

顺应大数据时代对金融学教学提出的新要求,将数据挖掘技术应用于金融学课程教学中不仅能较好的实现精准教学、分类教学,而且在教学效果反馈、学生实践能力培养等方面都具有较好效果.笔者所在教学团队基于数据挖掘技术对现行教学模式改革进行了一定的探索,其主要做法包括以下几方面：

第一,改革课程设置,增加数据挖掘教学内容.传统的课程设置已不能满足大数据时代对学生实践能力、分析能力和综合素质的要求.因此,在金融学课程教学内容上更加强调知识的针对性,重视学生动手能力的提高.首先,在课堂教学中引入数据挖掘专题,通过实际案例分析向学生介绍机器学习、统计分析等方法,教会学生如何使用分析软件进行金融数据挖掘、整理和分析.从实践效果看,大部分学生在学习中能够较好掌握这些分析软件,并进行独立分析,同时通过增加学生动手机会较大的提高了学生的课堂参与度,反过来增加了学生对理论知识点的理解.此外,引导学生积极参与挑战杯、建模大赛、社会实践等活动,进一步增强学生自发寻找问题、分析问题、解决问题的能力.

第二,进行学习效果与学习行为的关联分析.在教学中通过建立课程学习网络平台提取习题、提问、课堂表现等相关数据,利用相关性挖掘算法发现学生学习成绩（效果）与日常行为的关联性进行分析.例如,在笔者的通过教学过程中的数据关联与聚类分析发现某一班级学生的学习行为模式至少可以分为“积极主动性”（约20%）、“消极拖延型”（约10%）和“顺其自然型”（约70%）三类,“消极拖延型”学生在平均成绩方面均低于其他两类.通过对学生学习行为的分类,在教学过程中进行有针对性的引导.对“消极拖延型”的学生通常采取兴趣引导的方式,在教学过程中注重对该类学生学习积极性的提高,增加检查和提问的次数,同时针对性的设置一些简单问题让其回答,以增强该类学生的积极性.对“积极主动型”的学生鼓励其积极探索课程外的知识,设置一些难度较高的任务,注重探索精神和科研兴趣的培养.对“顺其自然型”学生则注重增强其学习的积极性和主动性,增加课程学习的效用水平.

第三,教学方式与教学效果的文本挖掘.在教学过程中对线上和线下的教学留言、论坛、聊天室的评论的交流数据进行文本挖掘,结合课程内容对不同教学方式下的教学效果进行分析.在对连续两年的分析中,我们发现在教师讲解式教学方式下学生对理论概念和理论特征理解较为深刻,思辨性较强,但往往出现学习后一两天记忆较为深刻、思辨性讨论较多,但一段时间后出现记忆模糊想象.参与式教学中学生记忆较为持久,但对表面现象讨论较多,无法实现对具有深度的理论知识的了解.以任务为导向的教学方式则能够进一步强化学生的参与性,但由于不具备较好的理论基础,往往使得分析的深度不够,学生的讨论中对方法应用类的兴趣较大,而对较为枯燥的理论学习热情较低.

在实践中也发现了一些需要进一步改进的问题：第一,数据挖掘要达到理想效果需要进一步完善课程平台的设计,综合采集在线和离线数据,要求分析教师具备金融专业外的教育学、心理学等知识,同时也要精通数据挖掘工具和处理算法.第二,在教学数据挖掘的过程可能涉及到学生的私人数据,会对学生和教师产生一些不利影响,因此需要在进行数据挖掘的同时进行一些伦理限制,保护学生的隐私.

参考文献：

［1］李雄,飞李军.数据挖掘与知识发现［M］.北京:高等教育出版社,2003.

［2］孟雪井,赵新泉.大数据背景下金融统计专业人才培养模式研究［J］科教导刊,2015（22）.

［3］马英杰.浅谈数据挖掘技术在教学实践中的应用［J］.课程教育研究,2018 （38）.

［4］陈少峰.数据挖掘在现代教学中的应用及发展趋势研究［J］.教育教学论坛,2017（43）.

基金项目：本文系西南石油大学2017年校级精品示范课程建设培育项目.

作者简介：陈加旭（1981-）,经济学博士,西南石油大学,讲师,研究方向：经济学教学与研究；唐元琦（1979-）,经济学博士,西南石油大学,副教授,研究方向：经济学教学与研究.

金融学课程论文参考资料：