统计学的数据分析模板(10篇)

导言：作为写作爱好者，不可错过为您精心挑选的10篇统计学的数据分析，它们将为您的写作提供全新的视角，我们衷心期待您的阅读，并希望这些内容能为您提供灵感和参考。

篇1

一、大数据与统计学

（一）大数据与统计学关系密切

简单来说，我们可以分为两个方面来理解大数据：若“大数据”作为形容词，则描述的是大数据时代数据的特点；若“大数据”作为名词，则体现的是数据科学研究的对象。对大数据的定义有非常多，不同领域不同专业对大数据的界定都会有些许不同。通俗地说：大数据是目前人类所有可抓取、可记录、可存储的信号集合。这个包含了一切信号的集合将非常非常之庞大、多样、繁杂，并且还在不停地、迅速地增加。现代互联网和信息技术的飞速发展，使得人类开始有能力收集、储存、分析、处理这些从前无能为力的数据，从中挖掘出有用的信息促进社会的发展。迈尔•舍恩伯格说：大数据发展的核心动力就是人类测量、记录和分析世界的渴望。而统计学正好是收集、整理、分析、解释数据并从数据中得出结论的科学。由此可见大数据与统计学关系密切，将大数据与统计学结合发展潜力无穷。

（二）大数据时代下的非结构化数据与结构化数据需整合

对接统计研究可根据自身的目的收集总体数据或样本数据，但如果总体太过庞大，以过去的技术方法来收集总体数据成本会很高，受于限制统计研究更多收集得是样本数据。如今，人类已经开始能够在合适的成本下获得大数据，大数据的广博给统计研究带来了新的发展方向。我们需要着重研究的一个方向就是如何将结构化数据和非结构化数据对接。大数据的核心是数据，统计学的研究对象也是数据，但是它们获得的数据性质有所不同：大数据收集的多是半结构化和非结构化的数据，通俗地理解，先获得数据，再整理结构（如声音、图片、视频等信息）；传统统计学收集则主要是结构化数据，先定好结构，再根据目标结构收集数据（如数字、符号等信息）。拿非结构化数据和结构化数据来说：大数据时代使得我们有更多可以分析利用的数据，使得统计研究不仅可以在有更多的结构化数据的情形下进行；对于一些领域的研究工作还可以设法将非结构化数据和结构化的数据结合起来分析。如何实现非结构化数据与结构化数据的结合？首先，完善非结构化数据的整合，然后我们可以用结构化数据做数量说明，非结构化数据加强描述；或是提高数据处理技术，实现结构化数据与非结构化数据的互相转化，选择能更好说明问题的数据形式作为后续分析基础。这都是值得再深入思考研究的新问题，而且这不仅仅是大数据和统计研究的事，同时需要计算机技术的一同创新发展。统计研究的范围在大数据时代越来越大，能用数据说明的问题越来越多。

（三）大数据时代下的相关分析与因果分析发展并重

《大数据时代》一书中表示：大数据时代的一个显著变化是：相关分析比因果分析更重要。我的看法是：大数据时代下，市场确实会对相关分析有着更强的关注度，但这并不意味着因果分析的重要性会有褪色。统计学中既有相关分析，也有因果分析，要对它们有合理的了解，首先需要明确的是相关关系和因果关系之间的联系，简单说：有相关关系不一定有因果关系，有因果关系则一定有相关关系。大数据时代，相关关系变得比以前更加为人所关注的原因：一方面，在很多领域的应用里，相关分析比因果分析更简单可行；另一方面，因为相关关系足以体现事物之间的一定联系，在商业效益上更为经济有效。因此在商业利润的推动下，相关关系也会更加受到青睐。但是我们不能就此否定因果关系的重要性，因果关系是对数据更加深度地分析：相关关系让我们知道了“是什么”，因果关系是让我们知道了“为什么”。倘若只是在商业经济上的利用和成本考虑，“是什么”在很多时候就以足够；但如果是在科学研究领域，“知其然而不知其所以然”就远远不够了。结合现实发展需要，可在分析确定相关关系后，根据情况研究因果关系，若能够得出因果关系，那肯定是更具价值和意义的。探求“为什么”始终是人类探索世界的动力,因果分析是人类永恒的使命。

二、结语

大数据时代的到来几乎对每个领域都有着不可忽视的影响。大数据与统计学关系密切，大数据的出现对统计学的意义是非凡的，我们应把握住大数据时代和统计学的可结合点。其一，完善非结构化数据的整合，深入研究如何实现非现结构化与结构化数据的对接，都需要我们思维上的创新、数据处理技术上的提高。其二，在注重相关分析的同时，不能丢掉对因果分析的研究，应合理并重，实现大数据的进一步利用，真正挖掘出数据的价值。对于以数据为研究对象的统计学科，大数据时代就是统计学变革创新的时代，统计研究工作人员也应把握机会思考创新，为统计学增添新的生命力。

参考文献：

[1]朱建平,张悦涵.大数据时代对传统统计学变革的思考[J].统计研究,2016(02):3-9.

篇2

美国教育学家布卢姆曾提出：“学习的最大动力，是对学习材料的兴趣。”由于小学生年龄特征和性格爱好的特点，他们会对自己感兴趣的内容拥有极大的研究和学习动力，并且能够在这种动力的驱使下促进自己的能力提升。因此，教师必须抓住小学生的这种特点，充分结合小学生喜闻乐见的生活内容进行课程的导入、设计和教学，使得他们能够在兴趣的激励下实现深入的学习，实现知识的有效掌握。

举例而言，在引入“统计”的课程时，教师可以询问学生：“假期就要到了，电视台打算在这个阶段播一部大家都喜欢看的电视剧，但是因为时间限制，只能从《西游记》《还珠格格》和《武林外传》中选一部播出。大家认为电视台怎样就知道大家喜欢哪部电视剧了呢？”这样的话题可以立即激发小学生的兴趣，并帮助电视台出谋划策。在这个过程中，教师可以适时引入统计的概念，让学生了解统计对于生活的重要性，拥有学习和研究的热情，从而提高学生的学习效率。

二、借助生活经验

由于统计与数据分析的知识在小学数学教学中占据的内容相较于代数、几何而言较少，并且可以利用的素材也不像其他知识那样广泛。因此教师应当积极挖掘相关知识在现实生活中的资源，让学生能够根据自己的生活经验解决问题，实现学习，并发现统计与数据分析在生活中的应用价值。

例如，教师可以引导学生调查平时最喜欢吃的零食和水果，从而确定在新年联欢会之前采购怎样的食物。学生可以根据自己的经验进行调查表的制作，并在调查后进行数据的整理和总结，最终确定采购的食物，这样不仅可以让学生利用统计的结果进行决策的制定，还可以解决身边的现实问题，发现知识的价值，提高学习的热情和效率。

三、创设教学情境

统计与数据分析的知识源于生活，在学习和使用的过程中也要回归生活。然而在学习的过程中，师生不可能将所有的教学活动都放在实际的生活中，这就要求教师创设相应的教学情境。对此，教师可以在应用题和例题的讲解以及知识的传授中充分创设教学情境，让学生在真实的情境中让抽象的知识变得具体、生动，从而降低知识的学习难度，实现学习效率的提升。

比如，在讲解关于“概率”的知识时，教师可以创设这样的情境：购物中心进行有奖活动，买够500元的顾客可以抽奖一次，每天设置一等奖1名、二等奖3名、三等奖6名、纪念奖30名。已知每天满足抽奖条件的顾客为200人，那么每个顾客抽中一等奖的概率是多少，能够中奖的概率是多少。这样的情境让知识变得更加形象、具体，学生在学习的过程中也更容易接受，教师的教学效率能够有效提升。

篇3

中图分类号：G623.5 文献标志码：A 文章编号：1008-3561（2017）12-0027-01

能够根据具体问题背景选择合适的统计图是学生统计素养的一个重要内容，也是学生对数据分析能力的一个表征。扇形统计图是在学生认识了条形统计图、折线统计图后的小学阶段的最后一个统计内容，该内容增加了选择合适统计方法的难度，使“数据分析”变得尤为重要。因此，教师在教学中要以数据为载体，以学生原有知识经验为基础，引导学生展开渐进式思考，探寻统计的有效方法，培养数据分析观念。

一、引发认知冲突，点燃统计内需

学习是一种由外而内的过程，学习最大的动力来自学生心灵深处，源自于自身的认知冲突。教师在教学中创设教学情境的目的正是为了借助外部环境的刺激，引发学生的内部认知冲突，促使学生在矛盾中生成新的需要，将学习不断引向纵深。苏教版六年级下册的“扇形统计图”一课意在使学生通过联系百分数的意义，体会扇形统计图描述数据的特点。为了让学生深刻领会扇形统计图的特点，教师在教学中改变了教材的编排顺序，没有直接出示例题中的扇形统计图，而是引导学生感知数据，造成他们认知上的矛盾冲突，点燃他们新的统计内需，逐步引出扇形统计图。教师这样给学生出示例题：我国陆地总面积大约是960万平方千米，其中丘陵占9.9%、山地占33.3%、高原占26.0%、盆地占18.8%、平原占12.0%。“同学们能否根据数据设计出一个统计图反映出我国陆地各地形分布情况？”教师边出示条件边提问。学生一听说设计统计图，马上联想到以前学习的内容，有的说：“我们可以画出条形统计图。”有的说：“我们可以设计成折线统计图。”教师表扬了学生善于联系旧知的意识后说：“请同学们想一想条形图与折线图分别用来反映什么？例题中的数据表示什么含义，可以用它们来表示吗？”教师的提示唤醒了学生的数据意识，经过对数据的观察与思考，学生们一致认为：“条形统计图用来直观反映数量多少，折线统计图反映了数量的增减变化，这道题中的数据都是百分数，表达的是部分量与总量的关系，看来以前学的那两种统计图不合适。”“那该怎么办呢？”一个女生迫不及待地问道。“是啊，我们该用怎样的图形来表示部分量与总量之间的关系呢？”教师故意装作不知，“看来我们必须另找出路了。”

二、引导自主思考，点化绘制图形

面对学生的急切心理，教师没有直接将“扇形统计图”推出，而是借助生活情境的观察感悟，引导他们自主思考，摸索出扇形统计图的特点和画法，逐步点化学生绘制出扇形统计图。“先请同学们来看一个有趣的拼盘。”教师边说边给学生展示了一张课前制作的地地形分布模型：用一个圆形塑料盘代表我国陆地总面积，在圆盘内用各种颜色的橡皮泥分别表示不同地形。教师用这个拼盘图对学生进行暗示启发，学生甲一点就通：“原来百分数关系可以用圆与扇形来表达，用一个整圆表示总量，用扇形表示各部分量。”学生乙补充道：“平原占12.0%，表示平原面积占我国陆地总面积的12.0%，我们可以用一个圆来表示我国陆地总面积，在圆内画出一个扇形表示平原面积。” 教师接着说：“同学们的悟性真高，像拼盘那样表示各部分量与总量之间关系的统计图我们称为扇形统计图。下面，就请同学们自己尝试着画出我国陆地各种地形分布情况统计图。”然后教师又引导学生根据各百分数的含义，讨论如何绘制出各个扇形。学生丙联系圆心角的知识道出了平原部分的画法：“一个圆是360°，360°的12.0%是43.2°，在圆内画出一个圆心角是43.2°的扇形就表示平原的面积了。”在学生丙的引领下，同学们迅速算出其他扇形的圆心角度数，并画出了完整的扇形统计图。

三、引领梳理反思，点醒对应思想

为了实现“教是为了不教”，教师在教学中经常引领学生梳理思路，反思学习得失，总结学习经验，使他们获得了质的提升。在学习“扇形统计图”一课的过程中，由于有了先前基于数据分析的精心引导，学生亲历了统计方法的选择与统计图的绘制，对扇形统计图的特点和作用了然于心，读懂扇形统计图自然不成问题。因此，在组织学生对统计图中的信息进行简单分析之后，教师增设了一个“回顾反思”环节，让学生回顾整个统计活动经历，使学生懂得了不同的问题背景需要用不同的数据分析方法，各种统计图的选用必须与数据意义相适应。如反映数量增减可选择折线图，要表达数量多少可选用直条图，要反映各部分量与总量之间的百分比关系可选择扇形统计图。高年级学生的类比分析能力比较强，教师让他们通过简要梳理与反思，能使他们明晰数据分析方法的选择的重要性，对数据分析方法的选择有清晰的认识，进而点醒他们的数学思想。

四、结束语

总之，统计教学是一个系统而完整的活动过程，从对问题背景的理解、对数据的解读、对统计方法的选择，再到图形的绘制等，这一切都离不开科学严谨的分析。数据分析是统计的核心，教师在统计教学中应以数据为核心，引领学生在科学分析中选择出合适的统计方法，从而圆满地完成统计任务。

篇4

中图分类号:TP311.131文献标识码:A文章编号:1007-9599 (2010) 06-0000-01

Comparison of Data Mining and Statistical Analysis

Kong Pengxiang

(Laiwu Iron&Steel Group Co, Ltd.,Training Centre,Laiwu271104,China)

Abstract:Data mining from statistical analysis,but different from the statistical analysis.Data mining is not intended to replace the traditional statistical analysis techniques,on the contrary,statistical analysis of data mining is an expansion and extension.

Keywords:Data mining;Statistical analysis;Comparison

随着科学技术的发展,利用数据库技术来存储管理数据,利用机器学习的方法来分析数据,从而挖掘出大量的隐藏在数据背后的知识。这种思想的结合形成了现在深受人们关注的非常热门的研究领域:数据库中的知识发现――KDD(Knowledge Discovery in Databases),其中,数据挖掘技术便是KDD中的一个最为关键的环节。

一、数据挖掘简介

(一)数据挖掘的含义和功能

数据挖掘―DM(Data Mining)就是从大量的、不完全的、有噪声的、模糊的、随机的数据中,提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。数据挖掘是一门交叉学科,它汇聚了数据库、人工智能、统计学、可视化、并行计算等不同学科和领域,近年来受到各界的广泛关注。

一般说来,数据挖掘是一个利用各种分析方法和分析工具在大规模海量数据中建立模型和发现数据间关系的过程,这些模型和关系可以用来做出决策和预测。它强调对大量观测到的数据库的处理。它是涉及数据库管理、人工智能、机器学习、模式识别、及数据可视化等学科的边缘学科。

作为一门处理数据的新兴技术,数据挖掘有许多的新特征。首先,数据挖掘面对的是海量的数据,这也是数据挖掘产生的原因。其次,数据可能是不完全的、有噪声的、随机的,有复杂的数据结构,维数大。最后,数据挖掘所采用的技术涉及到:数据库、人工智能、统计学、可视化、并行计算等不同学科和领域。

二、统计学的含义

统计学最初是作为一门实质性科学建立起来的,它从数量上研究某类具体的现象(如社会经济发展)的规律,但是,随着统计学研究范围的不断扩大以及统计方法在社会领域和自然领域内的有效应用,加之统计方法体系本身的不断发展和完善,使得统计学的研究对象也发生了变化。统计学已从实质性科学中分离出来,转而研究统计方法,成为一门方法论的科学。即统计学是研究如何搜集数据、整理数据和分析数据的一门方法论科学。

从本质上看,统计工作的核心就是数据(或者信息)的采集、分析和处理,正如权威的不列颠百科全书将统计定义为“statistics:the science of collecting,analyzing,presenting,and interpreting data”即“统计:收集、分析、表述和解释数据”

三、数据挖掘与统计学的比较

数据挖掘来源于统计分析,而又不同于统计分析。数据挖掘不是为了替代传统的统计分析技术,相反,数据挖掘是统计分析方法的扩展和延伸。大多数的统计分析技术都基于完善的数学理论和高超的技巧,其预测的准确程度还是令人满意的,但对于使用者的知识要求比较高。而随着计算机能力的不断发展,数据挖掘可以利用相对简单和固定程序完成同样的功能。新的计算算法的产生如神经网络、决策树使人们不需了解到其内部复杂的原理也可以通过这些方法获得良好的分析和预测效果。

由于数据挖掘和统计分析根深蒂固的联系,通常的数据挖掘工具都能够通过可选件或自身提供统计分析功能。这些功能对于数据挖掘的前期数据探索和数据挖掘之后对数据进行总结和分析都是十分必要的。统计分析所提供的诸如方差分析、假设检验、相关性分析、线性预测、时间序列分析等功能都有助于数据挖掘前期对数据进行探索,发现数据挖掘的题目、找出数据挖掘的目标、确定数据挖掘所需涉及的变量、对数据源进行抽样等等。所有这些前期工作对数据挖掘的效果产生重大影响。而数据挖掘的结果也需要统计分析的描述功能(最大值、最小值、平均值、方差、四分位、个数、概率分配)进行具体描述,使数据挖掘的结果能够被用户了解。因此,统计分析和数据挖掘是相辅相成的过程,两者的合理配合是数据挖掘成功的重要条件。

四、小结

数据挖掘理论与技术的产生,促进了统计学发展的同时,也提出了更多的挑战。如何更好地使用数据挖掘和统计为解决社会实际问题做出贡献,是统计学家和数据挖掘研究者共同关心的话题。数据挖掘和统计学应该相互学习和渗透,各自分工,协同工作,共同为挖掘隐藏在复杂现象背后的有价值的知识贡献力量。

参考文献:

[1]Jiawei Han,Micheline Kambr.数据挖掘――概念与技术(影印版)[M].北京:高等教育出版社,2001

篇5

关键词 大学生 电子护具 传统护具 技术 对比

一、研究对象与方法

（一）研究对象

北京交通大学跆拳道高水平运动队，女子57KG级运动员2名，男子58KG级运动员2名

（二）研究方法

数理统计法、逻辑分析法

三、研究成果与分析

（一）女子57KG级运动员得分统计（2局2分钟）

（见表1、表2）北京交通大学女子57KG运动员在传统护具中，中位横踢共得8分，高位技术共得9分，说明在传统护具技术下，横踢是绝对的主要得分腿法。从女子运动员技术特点来看，下劈技术也会在比赛中占一定的得分比重。在电子护具中，中位共产生4分，其中3分来源于推踢，总得分也远远低于传统护具中位得分的8分。从数据上来看，横踢技术的得分率下降很大。在高位技术上，横踢和下劈仍然是主要得分腿法，在电子护具中出现了拳的得分。从两个表对比可以看出，电子护具的总得分明显降低，这也意味着观赏性的降低。并且在中位腿法中的得分率降低，是其主要的因素。根据女子运动员技术特点来看，高位技术突出的运动员更能在电子护具中赢得优势。

（二）男子58KG级运动员得分统计（2局2分钟）

（见表3、表4）北京交通大学男子58KG运动员在传统护具中，中位横踢共得到9分，高位得到6分，转身技术得到3分。与女子运动员结论一样，横踢仍然是主要得分腿法。从男子运动员技术特点来看，除了横踢，转身技术也占了得分的一定比例。在电子护具中，中位腿法共得到4分，其中3分为推踢，数据与女子运动员偶然一致。说明横踢技术在男子运动员中，得分几率也明显下降。但原本在传统护具中输掉比赛的运动员，在电子护具的比赛中，赢得了比赛。同样说明，高位技术突出的运动员可以在电子护具中赢得优势。

三、结论与建议

在跆拳道比赛中，男女共16个级别，笔者认为，每个级别的速度、力量都不同，这也造成了技战术的使用的不同，所以本文只针对女子57KG和男子58KG作为研究对象。在传统护具与电子护具的数据采集上，两次实战中间间隔了一周时间，只希望4名运动员都能够以最好的状态来完成比赛。本文只针对DacDO（大道）牌电子护具做研究，只讨论得分数据，不对其工作原理做分析。

（一）结论

1.所有跆拳道运动员中，横踢是传统护具主要的中位得分腿法，推踢是电子护具主要的中位得分腿法。原因笔者认为横踢简单、快速击打效果好的优点可以在传统护具中得到充分的发挥。而在电子护具中，双方运动员要求更高的击打准确性，而不要求击打效果，所以横踢的使用率相比电子护具就有了明显的下降。推踢的技术相对于横踢而言，上半身运动幅度小所以会节省体力，并且在进攻中会减小自己的动作破绽，还可以在中近距离完成高位的变线，所以在电子护具中推踢代替了横踢，成了主要的中位得分腿法，并且对运动员电子护具中的战术起到了框架支撑的作用。

2.所有跆拳道运动员中，高位技术突出的运动员，都会在比赛中获得更多的胜利机会。原因笔者认为，在传统护具，此优势并没有显示出很大，因为传统护具是一个突出击打效果的比赛模式，所有中位的连续技术会很多，尤其是男子运动员。相比较电子护具中，要求的中位击打的准确度，中位得分的难度明显加大，所有运动员会把得分注意力转向高位，此时高位技术更加优秀的运动员便有了明显优势，这也是当今跆拳道运动员在选材时更加注重身高条件的原因。

3.目前很大一部分跆拳道人认为，电子护具降低了对抗性，影响了跆拳道的发展。因为没有了华丽的组合技术，快速的攻防转换，使跆拳道的观赏性大大降低。可也有一部分人认为，在电子护具的基础上，双方起腿的数量整体提高了，并且击头的比例高了，实际上是提高了对抗性。笔者认为两种说法都有各自的部分正确性，当今的跆拳道比赛，对抗性是在提高的，因为比赛的起腿数量在提高，高位的得分率在提高，这是不争的事实，之所谓造成观赏性下降的原因，是在当今规则下得分技术上的问题。推踢主导比赛，必然会造成观赏性下降的结果，加之对于头部的得分并不要求力度，只是擦过性击打就产生分值，种种原因才是问题所在。但笔者认为，跆拳道项目仍然处于一个发展阶段，目前是走向成熟的毕竟之路，会有一天随着科技和规则的发展，跆拳道会回到一个观赏性与公平性共存的时代。

（二）建议

1.规则不应经常更改，这样不利于一个项目的良好发展。

2.可以把高难度动作的分值加大，比如转身技术击头可以给5分，这样更可以鼓励高难度动作的出现。

基金项目：中央高校基本科研业务费专项资金资助”（supported by“the Fundamental Research Funds for the Central Universities”）项目编号：KOJB14015536

参考文献：

[1] 高志红，冯巨涛，任文岗，秦志明.新规则和电子护具的使用对跆拳道技术应用的变化与影响[N].中国体育科技.2010.7.10.

[2] 刘卫军.跆拳道[M].北京：北京大学出版社.2006：5-7.

篇6

【中图分类号】 G642.0 【文献标识码】 B 【文章编号】 1009—458x（2013）08—0062—05

一、引言

辍学率居高不下已成为国际远程教育领域的共性问题之一。世界各国开放大学的招生规模不断扩大，但极高的辍学率给学生、院校和社会带来了较大影响，也困扰着远程教育的发展。

英国开放大学作为世界远程教育的翘楚，目前的毕业率仅为22%，是英国全日制普通高等教育毕业率（82%）的1/4左右，是业余高等教育毕业率（39%）的一半左右；其他远程开放教育院校的毕业率则更低，如印度安姆贝德卡大学为14%、南非大学为6%、加拿大阿萨巴斯卡大学为5.3%、美国的凤凰城大学为5%。[1]

在我国，开展网络高等学历教育的试点高校先后开设了300余种专业、1500多个专业点，设立了9000多个校外学习中心，累计招收网络远程教育本、专科学生1000多万人[2]，学生人数位居各类教育形式之首，但也受到高辍学率的困扰。目前，远程教育学生的辍学问题还没有在我国引起充分重视，对辍学者的行为研究和理论模型十分缺乏，甚至很多远程教育院校没有完整的辍学统计数据，更谈不上对辍学问题的分析、研究和干预。

西南交通大学网络教育学院自2001年起作为全国首批网络教育试点高校之一开始招生，截止2012年12月31日，先后共开设了47个专业，设立了59个校外学习中心，累计招收网络本、专科学生十万余人，总体辍学率为8.30%。西南交通大学网络教育学院（以下简称“学院”）的学生分布广泛，影响其辍学的因素复杂多样。在日常学籍管理工作中，学院对所有辍学学生均严格要求办理相关辍学手续，并详细记录了所有辍学者的辍学时间、辍学原因等相关数据。

本研究以学院2008～2012年（共5年）的所有学籍数据为研究对象，对之进行多视角的挖掘分析，以期为远程教育辍学研究提供一个完整的实证案例，为各远程教育院校、学习中心降低辍学率提供相关参考和借鉴。

二、数据样本及研究方法

1. 研究对象及数据来源

本研究利用学院“教务管理数据库”平台，选择2008年春季～2012年秋季（共10个学期）全部学生的学籍数据，共计135670条，建立“2008-2012年学籍状态数据库”，并关联毕业生学历数据表、辍学学生数据表、学习中心数据表、各专业数据表等相关数据，全面分析、挖掘2008～2012年间辍学情况。

2. 数据指标定义

本文中，辍学率=辍学人数/招生注册数。其中，“招生注册数”指已经完成了学籍注册、获得学号、具有学籍的学生总数，包括在读、已毕业和辍学流失三类学生；“辍学人数”包括辍学、开除、已达最长学习年限但未完成学业而被清退的三类学生数。

3. 数据预处理

（1）将所有辍学学生按照入学时间、学习层次、专业、性别、年龄、学习状态等进行分类、整合，从多视角计算、分析其辍学情况；

（2）对学院先后开设的47个本、专科专业进行归一处理，分为文法类、理工类、经济类三个大类，分别统计其辍学等相关数据；

（3）将所有辍学学生按学习中心所在的行政区划进行分类，共得到27个省（市）/自治区的有效数据，将其再按照地域方位划分为东北、西北、西南、东南、中部共五个区域进行统计；

（4）计算所有已辍学学生“参加过考试的学期数”，得到其有效在读的时间，即“修业时长”，并将该数据进行归类统计；

（5）对专升本辍学学生的统考通过情况进行分类统计。

4. 统计分析方法及研究工具

本研究采用SQL、FOXPRO、EXCEL等数据库软件，对所有数据进行采集、统计，并对数据进行关联、求和、百分比、标准差等计算处理。

三、辍学总体情况

根据统计数据（表1），2008～2012年学院共计招收本、专科学生135670人，目前在读或已毕业人数125768人，辍学人数共9902人，总体辍学率为7.30%。其中，高升专辍学人数6154人、平均辍学率7.28%，专升本辍学人数3748人、平均辍学率7.33%。

我国网络教育学制为2.5年，目前2008～2010年入学的学生已到毕业时间，2011、2012年入学的学生仍处于正常在读年限内。根据2008～2012级各层次辍学率逐年分布图（图1），2008～2012级总体辍学率呈现下降趋势，且各年级专升本辍学率普遍高于高升专辍学率。2008级专升本辍学率达到最高值（11.95%），高于平均辍学率4.65个百分点。

四、辍学率变化趋势及差异比较

学生辍学涉及很多因素，如学习基础和能力、经济状况、环境变化、工作调换、出国、生病、怀孕，等等。但学生在填写“辍学原因”时，往往只简单地填写“自动辍学”或“工作原因”等，由此难以得到学生真实的辍学原因。因此有必要对所有辍学数据进行不同视角的观察和分析。

1. 辍学时间的情况统计

从表2和图2可以看到，辍学时间主要集中在每年的4月和10月，其辍学率分别为15.26%和21.63%。平均月辍学比例的标准差值为0.0579。在每年春、秋季学期，新生入学注册的时间大约是3月和9月，4月和10月为新生入学后的第一个月。

结合已辍学学生参加考试的学期数（图3），可以看出辍学学生的“修业时长”主要集中在前两个学期，其中没有参加任何学习就辍学的学生占辍学总人数的21.94%，为最大值。此后逐渐下降，在第5个学期出现一个小高峰（14%）。已辍学学生参加考试学期数比例的标准差值为0.0806。由此可见，辍学学生主要集中在学习的早期阶段，较有代表性的时间段为新生入学一个月左右的时候及学习时间到达学制2.5年的时候（第5个学期）。

2. 各专业学生的辍学情况

从表3和图4可以看出，专升本学生的辍学率略高于高升专学生；文法类和经济类学生辍学率相对较高，理工类学生辍学率较低。但总体来说，各大类专业学生间的辍学率区别不大，标准差为0.01150。

3. 不同性别、年龄学生的辍学情况

从表4和图5可以看出，女生辍学率的标准差为0.0126，大于男生0.0073的标准差，总体标准差为0.0087。20～46岁的辍学率变化幅度虽然不大，但呈现明显的规律：26岁以前男女生辍学率整体高于26岁以后；21～25岁学生辍学率最高，31～35岁学生辍学率最低；20岁左右的学生，男女生辍学率无明显差别；21～30岁的学生中，女生辍学率高于男生，其中21～25岁的女生辍学率达到9.65%，为所有年龄段学生中最高；26～30岁学生中，男女生辍学率基本一致；30岁以上学生中，男生辍学率高于女生，其中31～35岁学生中，女生辍学率为6%，为所有年龄段学生中最低；46岁以上的学生中，男女生辍学率趋于一致。

4. 不同地区学生的辍学情况

通过对不同学习中心所在行政区域的辍学情况进行统计，共得到27个省（市）/自治区的有效数据。将该数据按照地域方位划分为东北、东南、西北、西南、中部共五个区域，进行进一步归类统计，得到以下数据（表5）。

通过不同学习中心所在地区总体辍学率分布图（图6）可以看出，地处西北地区的学习中心其学生辍学率最高，达到9.25%；其次是东南、中部和西南地区，分别为8.00%、7.25%和6.54%；东北地区辍学率最低，为4.15%。不同地区辍学比例标准差为0.0318。

5. 专升本已辍学学生的统考通过情况

根据教育部和网考委的相关规定，网络教育专升本学生必须通过公共基础课全国统一考试（以下简称“统考”），因此对统考通过情况的统计是分析学生辍学原因的重要依据。从专升本辍学学生统考通过情况的统计（表6、图7）可以看出，专升本学生辍学总人数为3748人，其中仅通过英语统考的人数为170人，占专升本总辍学人数的4.54%；仅通过计算机统考的人数为169人，占专升本总辍学人数的4.51%；两门统考均未通过的人数为3408人，占专升本总辍学人数的90.93%；两门统考均通过却辍学的学生仅1人，占专升本总辍学人数的0.03%。该生为女性，年龄25岁，于2010年秋季入学，机械设计制造及自动化专业，辍学时间为2012年6月，参加过3个学期的期末考试，在读期间共选修16门课程，其中9门课程通过，7门课程均因“缺考”而未通过。经调查了解，该生因工作地点频繁变动而无法继续学习。

五、辍学原因分析及讨论

通过以上对各项辍学数据的统计和分析，以及各类数据的标准差值，可以看到，对辍学情况影响最大的因素为专升本统考的通过情况。网络教育对学生的入学水平没有严格的要求，入学后各门课程的教学、考试标准也由各院校自行把握。然而面对“统考”这一国家统一考试，学生的通过情况则与其入学水平呈正向关联。如何有效提高学生的学习能力和真实水平，是网络教育解决专升本辍学问题的重要因素。

统计结果显示，辍学往往发生在学习的早期阶段，具体时间是入学后第一个学期的一个月内。此外，第一次考试后也是辍学的高发时间段。数据无法体现出其具体原因是什么。但根据日常教务管理经验，笔者推测可能是学生入学后发现学习的难度超过了预期，也可能是第一次考试的通过情况让学生丧失了继续学习的动力。不管何种原因，在此期间于学习支持服务中提供积极指导和早期干预是非常重要的。

不同性别和年龄对学生保持率的影响也不容忽视。在数据统计中，相对年轻的学生更容易辍学。网络教育的学生往往是在职学习的成人学生，工学矛盾十分突出。学生需要有很强的时间管理能力，能合理规划生活、工作和学习的时间，能按部就班地完成每一阶段的学习。网络教育现有的学习支持服务主要是解答问题和满足需求，这类服务的对象是那些已经具有良好“活跃度”的学生，此类学生往往具有较高的保持率。而那些相对“安静”或“冬眠”的学生则需要更多的主动帮助、按时提醒和及时干预。

在我国，地区经济发展水平不均衡，东部经济发展较快，西部经济则相对落后。在日常教务管理工作中，我们经常遇到西部或偏远地区学生因为经济原因而辍学的情况，比如付不起学费、买不起电脑等；另一方面，在东部等经济发达地区，人员流动性较大，很多学生因为工作变动频繁或工作地点不能提供良好的远程学习条件而放弃学习。网络教育可以通过多样化的学习和考试方式，甚至是便携式移动终端来解决学生在时间和空间上的不便；通过贷款等资助方式解决学生的学费问题。

不同专业对学生辍学的影响主要体现在专业间难度不同以及学生入学水平的差异上。部分学生因为选错了专业但又不符合转专业的条件而选择辍学。因此，在入学时学习支持服务人员帮助学生选择适合的专业是降低辍学率的积极做法。另外，帮助基础较差的学生提高学习水平、激发学习兴趣至关重要。网络教育通过提供灵活的课程结构、适中的课业负担、多样的学习方式，能有效提升学生保持率。

当然，无论采取何种措施来降低学生的辍学率，都需要花费院校、学习中心、学习支持服务人员的时间、精力和成本。目前，我国远程教育院校的收入主要来源于学生缴纳的学费。有研究表明，招收一个新生的费用远高于挽回一个辍学者的费用[4]。因此，挽救一个学生的成本会换来数倍的回报，对院校、学习中心甚至学生本人，带来良好的成本-效益。

目前我国远程教育对辍学学生的关注度并不高，降低辍学率的工作任重而道远。各远程教育院校需要不断提升服务水平、完善辍学数据统计；学生则需要保持学习动力、提高学习水平，获得更好的远程学习体验。

[参考文献]

[1] 刘永权，李莹. 破解远程开放教育高辍学率的难题——访英国开放大学奥蒙德·辛普森教授[J]. 开放教育研究，2012，（10）.

[2] 孙崇正，安哲峰. 基于网络远程教育的高校创新性人才培养模式改革研究[J]. 现代远距离教育，2011，（2）：43-46.

[3] 刘永权，牛健，李莹. 透视国外远程教育降低辍学率的窗口——对英国开放大学扩大参与中心2010年报告的解读[J]. 现代远程教育研究，2011，（6）.

篇7

    1   Excel中加载“数据分析”工具

    首先，启动Excel，点击工具菜单中的“加载宏”选项，在出现的对话框中选中“分析工具库”，确定安装后，在菜单栏的“工具”下会出现“数据分析”选项。

    2   使用Excel进行数据统计描述

    用Excel可进行数据的统计描述，包括：（1）集中趋势（集中指标），它包括算术平均数，中位数，几何平均数，众数等。Excel提供有现成的公式及内置函数可进行这几个指标的计算。如首先输入一组数字，然后建入公式=AVERAGE（常数），=MEDIAN（常数），和=MODE（常数），按回车健可得到算术平均数，中位数和众数；（2）离散趋势（变异指标），它包括全距，百分位数，四分位数间距，方差，标准差，标准误，偏度系数和峰度系数等。而其中以方差，标准差，百分位数和标准误较为常用。同样在电子表格中建入公式=VARP（常数）和=VAR（常数）两函数可计算总体方差和样本方差。建入公式=STDEVP（常数）和=STDEV（常数）便可得到总体标准差和样本标准差。

    3   t检验

    t检验是医学统计分析中最常用的统计分析方法，用来检验标准试样测定结果的平均值与标准值之间是否有统计学意义。Excel“数据分析”中提供了多种不同条件的t检验工具，如“平均值的成对二样本分析”，“双样本等方差假设”，“双样本异方差假设”及其他统计分析工具，当样本中的观察值存在配对关系时，可以使用“平均值的成对二样本分析”t检验。例如对一个样本组在实验前后进行了两次检测，为确定实验前后样本均值是否相等，应使用成对t检验，此t检验并不假设两个总体的方差是相等的。例如，用某药物治疗高血压患者10名，治疗前后舒张压变化如下：

    在工作表中输入上面的数据，比如数据区为A1至J2。分析时，在“工具”菜单中，单击“数据分析”命令。在数据分析对话框中，选择t检验：平均值的成对二样本分析，拉出平均值的成对二样本分析对话框，其中有如下输入项：变量1的区域：输入需要分析的第1个数据区域的单元格引用。该区域必须由单列或单行数据组成。可单击输入框右面的按钮，回到电子表格上自数据开始的单元格向结尾的单元格拖动。此时变量1的区域（A1~J1）自动进入输入域中。然后单击输入域右面的按钮，回到原对话框。变量2的区域：输入需要分析的第2个数据区域的单元格引用。该区域必须由单列或单行的数据组成。输入方法同前。变量2的区域为（A2~J2）。假设平均差：在此输入期望中的样本均值的差值。缺省为0值，即假设样本均值相同。标志：如果输入区域的第1行或第1列中包含有标志项，应选中此项：如果输入区域没有标志项，Excel将在输出表中生成适宜的数据标志。这里选中此项。α在此输入检验的统计意义水平。该值范围为0～1之间。缺省为0.05。

    输出区域信息可选择如下单选项：输出区域和新工作簿。我们选择新工作表，结果为平均95.88889，方差80.86111，观测值9，泊松相关系数0.881366，假设平均差0，df 8，tstat 5.230769，P（T≤t）单尾0.000396，t单尾临界1.859548，P（T≤t）双尾0.000792，t双尾临界2.306004。两组比较差异有统计学意义（P<0.05）。

4   方差分析（analysis of variance，ANOVA）和卡方检验

篇8

摘要：通过中国知网，从年量等七个方面，对咸阳职业技术学院（以下简称咸阳职院）自升格高职以来发表的期刊论文进行了

>> 基于Web of science数据库竞争情报论文的统计分析 渭南职业技术学院科研论文计量分析 陕西财经职业技术学院科研论文计量分析 基于iHistorian的实时数据库工业报表自动统计分析系统的研究 基于组织机构代码数据库的应用统计分析初探 2006～2012年SCIE数据库收录扬州地区二、三级医院科技论文的统计分析 咸阳职业技术学院物流实训中心建设的构想 数据库在乙型肝炎血清免疫标志物统计分析中的应用 电视机基板品质信息统计分析系统数据库设计 咸阳职业技术学院校园主要绿地植物病害调查初报 咸阳职业技术学院通过微课比赛提升教师信息化水平 基于数据仓库技术的保险业统计分析系统设计 管理数据的统计分析 信息技术在教育科研问卷调查及数据统计分析中的应用 科研院所统计分析中数据的可比性 天津电子信息职业技术学院2009―2013年计量分析 职业院校的科研定位及特色――以宁夏职业技术学院为例 基于BYOD的职业技术学院信息化建设的部署策略 基于web的泸州职业技术学院毕业设计监控平台研究 基于Web of Knowledge Web服务的机构论文统计分析系统 常见问题解答 当前所在位置：.

[3] 秦丽萍， 桂云苗. 基于CNKI的安徽工程大学学术文献计量分析[J]. 安徽工程大学学报，2013，28（3）：91-95.

[4] 杨聪， 孙宾宾. 基于CNKI的陕西工业职业技术学院科研论文统计分析[J].电子制作，2015（2）：93-94.

[5] 容敏华. 广西高等医学院校发表教育教学论文的统计分析[J]. 卫生职业教育， 2014（23）：104-105.

篇9

第三次一数组全体教研

教研组长

时间

2020年4月14日

地点

一年级数学教研组

主持人

记录人

参加人员

一年级全体数学教师

缺席人员

无

教研主题

统计教学重在培育儿童的数据分析观念

活        动        内        容        及        过                 

老师发言：

今年在疫情肆虐的情况下，大数据起到了非常大的作用，通过数据的收集和整理解决了很多的问题。那么我们本册教材的第一单元就安排了数据收集整理，让我们的孩子从小都意识到数据的重要性。统计教学对于我们低年级孩子来说，还需要老师的帮助和引导去确定分类的标准，再去进行分类和整理。在整理的过程中还要引导孩子们怎样做到不重复，不遗漏。教学中还应注重选择贴近儿童生活的真实任务，使他们在经历收集数据，整理数据和分析数据的过程增强应用意识，感受统计的价值！

统计教学不仅仅是让儿童认识绘制统计表、统计图。掌握计算平均数等知识技能。重要的是培养数据分析观念。

下面请大家勇跃发言！

老师发言：

对于统计表孩子们在分类统计着方面还是有点欠缺！有时候会找不到具体应该分哪两类！

老师发言：

从对吴正宪老师的讲课学习中，我体会到了数据分析观念的重要性，认识到了培养学生的数据分析观念，对于他们今后一生的发展的重要意义。对于学生数据分析观念的培养，要把培养他们运用数据解决问题的意识放在首位，通过紧密联系学生生活的教学方法，循序渐进地进行培养，在以后的统计与概率教学中，我会让学生通过数据分析、搜集整理来真正理解统计的意义，从而培养学生数据分析观念的素养，为他们今后进一步的学习打下良好基础。

老师发言：

通过学习吴老师的讲座，感受到统计教学和现实生活紧密相连。我们在教学中，不要单纯为了统计教学而进行教学，要让孩子们再具体情境中产生收集数据的欲望，并根据数据进行分析，找到解决问题的合适方法。

针对低年级学生来说，就算他们目前在统计上还不具备足够的知识，他们也不需要害怕，我们应该在他们很小的时候就开始学习统计。

统计的教学，其实不需要任何起点，我们只需要从学生感兴趣的问题开始，这与传 统数学课是非常不同的。在统计课上，学生除了学习统计知识外，更重要的是要体验统计过程。也就是提出问题，收集数据，分析数据，理解与推断，交流。孩子们可以提出非常简单的问题作为开始，要注意没有坏的问题。当然，问题可以在老师的帮助下有所发展。比如学生提出问题我们班最喜欢的电影是什么？老师可以说这是一个好问题，不过男生跟女生的答案可能会很不一样。当然，另一个重点是所提的问题要是一个基于数据的问题。学生还需要知道，提出问题后，需要获取好的数据，而有些数据是不容易获得的。所以孩子们需要对他们的问题有所规划，然后将需要研究的问题转化为具体的调查问卷，以便下一步的数据收集。

因此，统计教学培养孩子们的大数据观念，逐步提升孩子们的眼界，格局，做任何决定不是一拍脑门的盲目，而是有理有据分析、推理的结果。

郑海变老师发言：

通过学习吴老师的讲座明白了数学来源于生活，生活离不开数学。数据分析观念是统计思想的一个重要组成部分。学生数据分析观念的培养都离不开对生活中的数学问题的探究。这就要求我们培养小学生的数据分析观念，以数学的眼光解决一些实际问题。学生数据观念的培养，就是通过解决生活中的实际问题来实现的，最终以问题的解决为目的.

李景老师发言：

统计图表将数字信息用图表的形式直观的表达出来，使数据之间的关系得到直观的发展。统计图表在统计中发挥着较大的作用，并且呈现形式多种多样。教学中要让学生力求通过具体的操作活动体验统计的必要性和重要性。

篇10

中图分类号：G642 文献标识码：A

1 引言（Introduction）

随着便携式移动终端的发展，“碎片化”时间的利用率越来越高，人们进入了“微时代”。“微课程”成了时代的产物。所谓“微课”是指按照新课程标准及教学实践要求，以教学视频为主要载体，反映教师在课堂教学过程中针对某个知识点或教学环节而开展教与学活动的各种教学资源的有机组合[1]。现如今各高校大力推动微课程，组织各种微课程比赛，调动教师的积极性，“微课”对于教师来说已不是一个陌生的名词。然而，目前的微课程只是针对一门课程当中的一个组成部分，仅是单独讲解某个知识点，没有形成一门完整的课，还没有完全发挥微课程的优势，并没有应用于真正的教学当中。

《数据结构》课程是计算机课程体系中的专业基础课程[2]，作为程序设计的基础，数据结构课程不仅成为高校硕士研究生入取的必考科目，还是各企业招聘员工入职笔试中青睐的学科。如何让学生在课堂教学中对课程有更深刻的理解，并在复习考研和准备找工作中进行更好的自主学习，成为数据结构课程教学的研究重点，本文在分析数据结构教学现状的基础上通过对数据结构知识点的分析，构建合理的数据结构微课程框架，并将其应用于教学中，使得学生能更好的应用“微课程”进行学习。

2 数据结构课程的现状分析（Current situation

analysis of data structure）

数据结构课程是一门比较抽象的课程，而且学生本身知识储备不足[2]，所以仅靠课堂上的讲解，不能使学生达到很好的消化吸收的效果。目前，很多高校也开发了网络教学平台，积极倡导教师和学生通过网络平台实现在线探讨交流，通过对网络教学平台的建设，如将大纲日历、教案、教学课件，教学视频上传到教学平台，使学生增加课下自主学习的意识，同时，老师在上课的时候也会给学生提供一些教学视频的网站，如清华教育在线等，然而，虽然教学平台的建设很完整，教师提供的教学视频也很不错，学生却很少好好利用网络教学平台或教师提供的网络视频进行自主学习。主要原因有三点：

（1）教师的课堂教学主要以集中讲授为主，并没有引导学生利用网络教学平台的资源进行自主学习，学生把网络教学平台当成了一个简单的提交作业、下载课件的平台。

（2）教学平台的内容过于繁多，视频基本上为课堂讲授的视频，即使有学生想课下自主学习，在看到45分钟甚至90分钟的教学视频也会打退堂鼓。

（3）教师提供的教学视频，如清华教育在线虽是名校老师讲解，但对于一般高校的学生来说讲解内容过深，没有针对性，很多学生觉得听不懂，打消了自主学习的积极性。

通过“微课程”的概念，专家学者认为“微课程”就是针对一个具体的知识点在短时间内（一般为10分钟左右）做简单明确的讲解，这种讲解不是泛泛的介绍，而是通过精心的设计，最终完成容量小，内容精的视频制作[3]。可以说，“微课程”的出现为我们解决数据结构自主学习难的状况提供了很好的解决方案。如何做到容量小，内容精成了“微课程”视频制作的关键，也是本文的研究重点。

3 基于微课程的数据结构模块化设计与实现

（Modular design and implementation of data

structure based on micro-lecture）

本文依据清华大学出版社出版的严蔚编的数据结构教材[4]进行知识点的划分，构建知识点的模块化，并将其应用在教学中。

3.1 数据结构相关知识点的分析与研究

数据结构课程研究的是数据和数据之间的关系，其基本分为四大类：集合、线性结构、树形结构和图形结构。在数据结构课程中，主要讲解的是后三种结构的逻辑结构、物理结构，以及相关算法的实现。在课程的最后讲解了利用已学过的数据结构解决基本的查找和排序的问题。

上述这些知识点中都具有一定的顺序性、关联性，但又相互独立。如果只是把课程讲解的内容分解成10分钟之内的小视频，除了时间上看着短了以外，没有改变课堂讲解的实质，没有做到真正意义上的微课程。在多年教学经验的指导下，本文要研究的是什么样的知识点适合做成微课程，让学生课下自主学习，课上共同讨论，培养学生自主学习的能力，并且在考试复习时通过温习微课程的视频可以更快的掌握主要题型的解决方法，节约复习时间。

微课程知识点的设定原则为5―20分钟可以被清晰地讲解，且尽量不涉及程序性的内容。栈和队列可以说是操作受限的线性表，其抽象数据类型和现实生活中的很多例子都有相似性，可以将其作为微课程的一个知识点，让学生自主学习。在树形结构中，如何在连续的存储空间中把非线性的东西表示出来可以在短时间内很经典的讲解出来，其链表的表示所以也非常适合做成微课程。二叉树的结构和树非常像，对二叉树的遍历，以及树和森林的转化都是比较独立的知识点，其方法不涉及难理解的程序，将这些放入微课程中。赫夫曼树是二叉树的重要应用，其构造方法可以放入微课程的知识点框架中。在图形结构中图的邻接矩阵表示法和邻接表表示法都可以作为微课程的一部分，深度优先遍历和广度优先遍历的算法虽然不易理解，但其求解方法的思想却可以通过微课程表达出来。最小生成树，关键路径，单源最短路径都是图里的应用，仅把问题的解决方法放入微课程中是比较好的选择。在查找中的折半查找和二叉排序树的构造都是独立的知识点，可以很好的用于微课程的制作。在排序中，会选择相对复杂一些的快速排序和堆排序，仅仅介绍排序的思想。微课程的知识点设定如图1所示。

3.2 翻转课堂辅助数据结构微课程的实现

学生在刚接触数据结构时会觉得特别的抽象，其基本概念和相关的术语并不适合让学生自主学习，线性表是学生接触的第一种线性结构，其逻辑结构，顺序存储和链式存储，以及插入删除等操作都非常的重要，但多数都是枯燥的程序，想让学生在短时间内掌握其精髓并不是一件容易的事，如果这个部分让学生自主学习很可能会打消学生的积极性，所以前几节课程并不适合做翻转课程。在学生已经对线性表有所掌握的情况下，可以将栈和队列的逻辑结构微课程要求学生自己学习，在课堂上进行讨论，在讨论的基础上讲解实现通过自主学习了解的各种操作的程序。树形结构是学生接触的第一种非线性结构，所以其逻辑结构需要在课堂上进行讲解，虽然树形结构的存储结构已经安排在微课程中，但由于是学生第一次接触，所以本微课程部分并不作为翻转课堂的一部分，学生在复习时可以通过微课程进行复习，以更好的掌握知识点。而二叉树的相关微课程可以要求学生自行学习，在课堂上根据学生学习的结果共同研究算法的实现。图形结构和树形结构都属于非线性结构，所以二者具有很多相似的地方，可以由学生自主学习课堂讨论，通过讨论的情况分析学生的掌握情况，因为微课程的内容简单，重要的算法实现还需要在课堂上详细讲解。经过前面的学习，插入和排序的内容无论是应用方面还是程序实现方面都由学生自主完成，通过讨论和测试考察学生的掌握情况。

经过和微课程相结合的翻转课程的设计，使学生习惯通过微课程进行学习，掌握自主学习的能力。

4 结论（Conclusion）

微课程的系统框架对微课程的制作起到了指挥棒的作用，在总体框架下进行各个微课程的制作，在制作过程中绝不仅仅是录制简单的视频，虽然仅仅是10分钟左右，但工作量绝不亚于一节课的准备，不仅要对微课程设计方案，制作电子课件，还要精心准备习题，并配合易理解的答案。只有一个完整系统的微课程，再加上与课堂的相辅相成，才能使得学生在课下自主学习时更有针对性，学生学的更明白，课上讨论也会更丰富，形成良性循环，真正实现了教师学生共同授课，共同讨论的多样化教学体系。

参考文献（References）

[1] 梁乐明，曹俏俏，张宝辉.微课程设计模式研究――基于国内

外微课程的对比分析[J].开放教育研究，2013，19（1）：65-73.

[2] 董丽薇.“数据结构”课程教学方法的改进[J].沈阳师范大学

学报：自然科学版，2012，30（2）：307-309.

[3] 刘名卓，祝智庭.微课程的设计分析与模型构建[J].中国电化

教育，2013，（12）：127-131.

[4] 严蔚敏，吴伟民.数据结构（C语言版）[M].北京：清华大学出版

社，2012.

作者简介：