《数据科学导论》本科生课程教改成果

一、项目概况

《数据科学导论》面向数据科学与大数据技术、计算广告等本科专业开设，是低年级学生进入传媒数据分析、统计学习、文本挖掘和智能应用的重要基础课程。

课程以“传媒数据问题”为牵引，帮助学生理解数据科学的基本框架、数据清洗与可视化方法、监督学习与无监督学习思想、文本分析和推荐算法等内容，并通过期末数据分析报告完成综合应用训练。

大一第 2 学期面向本科生开设

32 学时覆盖导论、统计学习、文本分析、可视化与报告写作

5-6 围绕真实数据任务准备项目制学习主题

全程板书推导、课堂讨论、课中作业、随讲解决和项目实践贯穿教学

返回顶部

二、建设要求对照

根据“未来课堂”建设材料，课程建设需要回应技术赋能、范式转换、价值回归和学习场景拓展四个方向，并落实到本科课堂中的目标、内容、方法和评价改革。

建设要求	课程回应	成果体现
理解传媒大数据的特征、原理、构成和类型	通过全程板书梳理“数据科学 Jeff Wu 框架”“统计学与机器学习关系”“传媒数据任务场景”等基础结构。	学生能够从数据来源、变量、模型、应用场景四个层面说明数据科学问题。
掌握数据分析方法和数据可视化技术	课堂围绕 ggplot2、图表类型、可视化要素、模型评估和报告表达展开推导与讨论。	形成“探索数据、发现规律、分析结果、沟通表达、辅助决策”的可视化训练路径。
综合运用数据清洗、机器学习、推荐算法、文本挖掘等方法解决具体问题	以项目制学习和课中作业为载体，随讲发布、随讲讲评、随讲解决，并引导学生使用 Trae 完成数据处理、建模、可视化和报告生成任务。	期末报告从单点知识考查转向完整数据分析项目，强调问题、数据、方法、结论和建议的闭环。
范式转换：教师从知识传授者转向学习引导者	课堂不只演示代码，而是通过板书推导、讨论提问、任务拆解和项目反馈组织学习。	学生在讨论、作业、项目和分享中主动建构知识，形成可迁移的数据分析能力。
多元评价：过程表现、项目成果和课堂参与共同评价	课中作业、课程讨论、项目进展、期中考试与期末报告共同支撑评价。	评价重点从“记住概念”拓展到“能否完成真实数据分析任务”。

课程改革的核心判断：AI 不是替代基础教学，而是要求教师把概念推导、问题讨论、项目实践和工具使用组织成更清晰的学习链条。

返回顶部

三、改革路径

本科生课程改革围绕“板书建构概念、讨论形成问题、课中作业随讲解决、项目整合能力、AI 工具提升效率”展开，避免学生只停留在概念记忆或代码复制层面。

全程板书

用黑板呈现统计学习、优化、文本向量化、可视化和报告逻辑，帮助学生看到知识之间的结构关系。

课程讨论

围绕“数据科学为什么发生”“模型为什么有效”“图表如何服务表达”等问题组织课堂互动。

课中作业

将数据清洗、图表制作、模型训练、文本分析和报告写作拆解为阶段性任务，随讲发布、随讲练习、随讲讲评与解决。

项目制学习

提前准备多个项目主题，引导学生围绕真实传媒数据完成完整分析报告。

Trae 实践

利用 AI 原生 IDE 辅助代码生成、调试、数据清洗、模型实现和结果解释。

返回顶部

四、主要教改成果

1. 建立低年级本科生可进入的数据科学知识框架

从统计学、数据挖掘、机器学习和传媒应用切入，将抽象方法组织成“问题—数据—模型—应用—报告”的学习框架。

2. 形成全程板书支撑的概念建构课堂

保留黑板推导和结构化板书，帮助学生理解公式、算法、损失函数、可视化原则和报告逻辑，而不是只看幻灯片。

3. 推进项目制学习和真实任务训练

围绕文本分析、社交网络、推荐、可视化、机器学习和报告写作设置项目任务，促使学生在实践中综合运用知识。

4. 引入 Trae 完成数据分析任务

指导学生使用 Trae 辅助完成数据读取、清洗、建模、可视化、错误调试和报告整理，提升完成复杂任务的效率。

5. 形成课堂讨论与课中作业联动机制

课堂讨论用于激活问题意识，课中作业用于巩固方法训练，并通过随讲答疑、代码讲评和问题复盘及时解决共性困难，期末报告用于检验完整数据分析能力。

6. 拓展跨学段智能体学习场景

邀请北京中学八年级学生分享智能体开发进展，使本科生看到更开放的 AI 实践生态和更低门槛的创新路径。

7. 建设可查可复习的课程讲稿体系

在课程主页集中开放第 1-12 讲讲稿入口，覆盖数据科学导论、统计学习、数据清洗、可视化、回归、分类、树模型、报告写作、文本挖掘和无监督学习等内容，方便学生课前预习、课后复盘和项目报告查阅。课程内容链接：https://xiaoningwang.github.io/teaching/datascience/

8. 建设书卷侠课后知识问答平台

依托书卷侠搭建《数据科学导论》课程知识库和智能体问答入口，学生课后可以围绕课堂讲稿、作业问题、模型理解和报告写作进行连续追问。

返回顶部

五、课堂实施证据

课程现场以黑板为中心组织知识结构，通过板书持续展示统计学习、数据可视化、文本挖掘、网络分析和大数据计算之间的关系。学生在课堂上既能看到公式与算法的推导，也能看到方法如何落到数据分析报告和项目任务中。

同时，课程主页提供第 1-12 讲讲稿快捷入口和完整课程讲稿列表，学生可以随时查阅课堂内容、复习板书对应知识点，并将讲稿作为完成作业、项目制学习和期末报告的支撑材料。课程内容入口：数据科学导论课程页面。

Teaching 页面中的数据科学导论课程内容入口 — Teaching 页面展示《数据科学导论》第 1-12 讲课程讲稿汇总入口，学生可从课程主页进入完整课程内容与讲稿资源。

数据科学导论课程讲稿快捷入口 — 课程主页集中开放第 1-12 讲讲稿入口，形成可检索、可复习、可支撑项目报告写作的课程资源体系。

数据科学框架与研究内容板书 — 围绕数据科学发展、统计学、机器学习、数据挖掘和应用场景建立课程总框架。

统计学习与方法框架板书 — 通过板书展开监督学习、回归、分类、机器学习和学习方式之间的关系。

统计学习优化与损失函数板书 — 围绕损失函数、经验风险、结构风险、训练集和测试集讲解模型求解逻辑。

数据可视化原则板书 — 从图形分类、适用场景、颜色、文本、坐标和可视化目的讲解图表设计。

报告写作与可视化板书 — 将可视化和报告写作连接起来，强调探索数据、发现规律、分析结果和沟通表达。

文本挖掘与社交网络分析板书 — 围绕小世界网络、文本向量化、分词、主题模型和 TF-IDF 建立非结构化数据分析框架。

大数据计算和机器学习板书 — 讲解 Hadoop、HDFS、MapReduce、Hive、HBase 与统计学习、无监督学习之间的联系。

返回顶部

六、AI 数据分析实践：利用 Trae 完成数据任务

课程将 Trae 作为本科生完成数据分析任务的实践工具，而不是单纯作为代码生成器。教学中强调学生先理解问题、变量、方法和评价标准，再借助 Trae 进行代码实现、错误定位和结果整理。

任务环节	学生训练内容	Trae 辅助方式
数据读取与清洗	识别变量类型、缺失值、异常值、重复记录和编码问题。	生成清洗脚本、解释报错原因、辅助检查数据口径。
可视化探索	根据数据类型选择条形图、散点图、箱线图、折线图、热力图等。	辅助实现 ggplot2 / Python 可视化代码，并根据图表目标修改样式。
统计建模	完成回归、分类、聚类、文本挖掘或推荐算法等任务。	辅助搭建模型流程、调试运行错误、解释关键输出。
报告写作	围绕问题、数据、方法、结果、发现、建议组织报告。	辅助整理图表说明、方法说明和结论表达，但要求学生进行事实核验和独立判断。

实践原则：AI 可以提升实现效率，但不能替代学生对数据、方法和结论的理解。课程要求学生对每一段代码、每一个图表和每一条结论负责。

返回顶部

七、邀请北京中学八年级学生分享智能体开发进展

课程邀请北京中学八年级学生进入本科课堂，分享智能体开发的学习路径与项目进展。分享内容强调“这不是概念介绍，而是一份变化报告”，展示年轻学习者如何通过记忆、规划、工具调用等机制理解智能体，并进入真实项目现场。

这一环节具有两方面意义：一是打破本科生对 AI 实践门槛的刻板印象，让学生看到低年级学习者也能通过持续实践完成智能体开发；二是把课堂讨论从“技术概念是什么”推进到“如何开始实践、如何持续迭代、如何形成作品”。

智能体记忆规划和工具调用分享 — 围绕记忆、规划和工具调用讲解智能体为什么能够执行复杂任务。

返回顶部

八、课后知识问答平台：借助书卷侠延展课堂

课程将书卷侠作为课后知识问答平台，形成“课堂板书与讲稿讲清主线、课中作业随讲解决、课后智能体持续答疑”的学习支持闭环。学生离开课堂后，仍可以围绕数据科学主要内容、课程学习方法、模型原理、代码实现和报告写作继续提问。

书卷侠平台中建设了《数据科学导论》课程知识库，上传课程资料并配置课程智能体。智能体以“勤学、敏捷、扎实、认真负责”为导向，帮助学生回顾知识点、定位作业困难、理解模型输出，并为期末项目报告提供过程性学习支持。

书卷侠平台首页 — 书卷侠 Scholar Hero 作为课后学习支持平台，承接课程知识问答、资料查阅和智能体辅助学习。

数据科学导论课程智能体问答界面 — 《数据科学导论》课程知识库与智能体问答界面，支持学生围绕课程内容、学习方法和数据分析任务进行课后追问。

返回顶部

九、评价方式：从考试评价走向过程性、多元评价

课程保留必要的基础知识考查，同时将课堂参与、课中作业完成、项目进展、工具使用能力和期末报告纳入综合评价，回应未来课堂关于学生主体性和多元评价体系的要求。

期中考试

考查学生对数据科学基础概念、传媒数据分析原理、统计学习框架和可视化基础的理解。

课中作业

围绕数据清洗、图表制作、模型训练、文本处理和报告片段写作进行阶段性训练，分类问题、CART、SVM、朴素贝叶斯、推荐算法和文本挖掘等作业在随讲过程中完成问题定位与方法复盘。

课堂讨论

评价学生是否能够提出问题、解释模型、比较方法，并将课堂知识迁移到实际场景。

期末报告

要求学生综合运用所学方法解决具体传媒数据问题，形成有数据、有方法、有图表、有结论的分析报告。

课程作业发布与随堂解决记录 — 围绕分类问题、Logit/Probit、CART、SVM、朴素贝叶斯、推荐算法、文本挖掘和期末汇总设置连续课中作业，并在课堂中结合学生提交情况进行随讲讲评、答疑和方法复盘。

返回顶部

十、建设成效

通过本轮教改，《数据科学导论》从以讲授和演示为主的课程，逐步转向“板书建构—任务驱动—项目实践—AI 辅助—报告产出”的本科未来课堂样态。

课程建设在以下方面形成了阶段性成效：学生对数据科学整体框架的理解更加清晰；课堂讨论和课中作业增强了学习连续性；作业随讲解决机制让学生在学习当场获得反馈，减少了从“不会做”到“放弃做”的断点；书卷侠课后问答平台延展了课堂支持边界；Trae 的引入降低了代码实现和调试门槛；项目制学习提升了学生综合处理传媒数据问题的能力；中学生智能体分享扩展了课堂边界，增强了学生对 AI 创新实践的现实感。

从“听懂概念”推进到“能够解释方法为什么适用于具体问题”。
从“照着代码运行”推进到“能够利用 AI 工具完成清洗、建模和可视化任务”。
从“完成一次考试”推进到“完成一份可展示的数据分析报告”。
从“单一课堂学习”推进到“跨学段、跨场景、跨工具的开放学习”。

返回顶部

十一、下一步建设方向

后续课程将继续围绕未来课堂建设要求推进三方面工作：一是进一步细化 5-6 个项目制学习主题，形成可复用的数据、任务说明、评价标准和优秀案例；二是完善 Trae 辅助数据分析的课堂规范，明确 AI 使用边界、代码核验要求和报告引用规范；三是持续扩展课堂讨论与跨学段分享机制，形成更开放的数据科学学习共同体。

未来将继续探索“小班化编程训练、项目制学习、多元评价、以赛促学”的本科数据科学教学路径，使学生在真实数据任务和智能工具环境中形成面向传媒行业的数据分析能力。

返回顶部