格拉斯哥 INFOST4003《数据分析、可视化与传播》：项目与报告各占 50%

格拉斯哥 INFOST4003《数据分析、可视化与传播》是本科 Level 4 的二十学分课程：项目产出 50%＋2,000 字报告 50%——没有考试，但要自建一个数据集，并把它做成可视化与可传播的成果。

课程官网（学校官网）：https://www.gla.ac.uk/coursecatalogue/course/?code=INFOST4003

INFOST4003 是一门什么课？

一句话：给人文学生的数据课——不教硬核编程，教你把数据变成证据与故事：分析、解读、可视化、传播四步走完。

这是格拉斯哥大学（University of Glasgow）的本科课程，模块代码 INFOST4003，英文名 Data Analysis, Visualisation and Communication，中文常译「数据分析、可视化与传播」，开课单位是 School of Humanities（人文学院，信息研究方向的 Honours 选项）。

几条身份信息：

• 层级：Level 4（SCQF level 10），即荣誉年层级。
• 体量：20 学分（苏格兰 SCQF 体系，单学期课程）。
• 场次：第一学期或第二学期其一开课（Either Semester 1 or Semester 2）。
• 对访问学生开放（Available to Visiting Students: Yes）。
• 学年：2026-27；本课是信息研究的 Honours 选项之一，可能并非每年开设，本学年实际选项以 MyCampus 为准。

「可能并非每年开设」这条要单独记（分析）：它意味着选课规划必须留后手——把必修计划全押在这一门上，一旦本学年不开就扑空。

学校官网的定位讲得很直白：数据科学不再只是计算机科学家与工程师的领地——人文学生需要发展分析、解读与沟通多种数字格式数据的基本技能（"it is important for students in the humanities to develop the basic skills"）；课程通过介绍不同类型的数据及其电子形式的分析与解读方法来发展这些技能。

这条定位决定了整门课的坎在哪里（分析）：技术只是入门门槛，不是终点——真正的考核在于你能不能把数据接回人文问题。

六大课程目标：

• 导论数据科学领域。
• 奠定数据主要原理与数据分析最佳实践的基础。
• 讲解数据分析方法、可视化方法及其传播应用。
• 强调数据分析在信息与传播研究中的研究潜力。
• 介绍分析、可视化与沟通数据的标准技术。
• 分析数据分析方法在人文学科中的使用，及其如何改变学者使用和互动数据的方式。

六条目标的主线是「数据→图表→故事」（分析）：先认数据类型与分析原理，再学可视化与传播技术，最后落到人文研究场景——而两项考核正好走这条链。

六条学习成果，从提问走到交付：

• 提问层（ILO1／ILO2）：能识别相关研究问题并评估数据分析如何帮助回答；能评估数据分析如何改变人文学科中数据的使用与分析方式。
• 动手层（ILO3／ILO4）：能熟练运用数据科学技术、软件与工具探索、分析、处理、解读与可视化数据；能设计并应用恰当的基于数据分析的信息可视化方法。
• 规范与传播层（ILO5／ILO6）：能认识并使用研究界公认的标准与最佳实践；能开发、测试、论证并交付基于数据分析的研究成果传播方法。

项目考核压「动手层」，报告考核压「提问层＋传播层」（分析）：两项各 50%，但考的能力不重叠——这也是为什么两项都要认真做。

教学节奏：每周一次讲座，配一次研讨或实验（按 MyCampus 排课）。

「研讨或实验」这个安排要读懂（分析）：它意味着每周都有当堂展示操作与讨论的环节——课前没预演，当场就卡壳。

与国内同类课程的差异

第一个差异是课程定位：国内文科「信息素养」课以检索与文献为主；这里人文学生要真做数据科学项目（分析）。

第二个差异是考核形态：项目产出 50%＋报告 50%、没有考试；国内多为平时加期末卷（分析）。

第三个差异是产出要求：自建或开发数据集并用工具分析、可视化；国内多用现成数据做练习（分析）。

第四个差异是开课机制：第一学期或第二学期其一、Honours 选项并非每年开；国内课表固定（分析）。

第五个差异是规范训练：学界标准与最佳实践是正式的学习成果；国内同类课少讲数据规范（分析）。

考核怎么算？

两项标准考核各占 50%，合计 100%。

四条结构性判断：

第一，项目与报告对半开，一个考「做出来」，一个考「说明白」。 项目是数据集＋分析＋可视化三件套，报告是方法论证与传播设计（分析）——只做不写，只能拿一半。

第二，项目第 11 周就交，数据工作必须开学即启动。 拖过半学期，项目必塌（分析）——因为数据集构建、清洗、分析、可视化是四段串联，没有压缩空间。

第三，没有替代考核，弹性截止只针对特殊情况。 学校官网写明无替代考核（分析）——不要指望用另一种形式补回来，只能用合理调整机制申请时间。

第四，主考核期在 4–5 月。 这是全校统考期的时间窗（分析）——项目第 11 周先交，报告在这个窗口落地，节奏前紧后松。

先修要求是什么？

准入口径不是「课程先修」，而是「Honours 层级＋项目安排」：

• 对满足 Digital Media and Information Studies（数字媒体与信息研究）Honours 准入要求的所有学生开放。
• 访问学生或其他 Honours 项目学生按安排（by arrangement）准入，须符合大学的 25% 规则（即选修不超过学位的四分之一）。

排除课程两门：ARTMED4036、INFOSTUD4004（均为 Data Analysis, Visualisation and Communication 同名课）。共同必修：无。

两门排除课是同名课的姊妹版本（分析）：不同项目前缀、同一门课——修过其一就不能再计学分，选课前务必核成绩单。

「25% 规则」的实务含义（分析）：外项目学生选修本课，会占掉学位选修额度的一部分——如果已经选满，即使课程本身允许也选不进来。

实际需要的底子三样（分析）：

• 一套入门数据工具：电子表格＋一个可视化工具，能独立做图。
• 人文研究的基本训练：会提研究问题、会做文献梳理。
• 英文学术写作：2,000 字报告要能写清方法论证。

一个具体建议：开学前用公开数据做一次「找数据—清洗—画一张图—写一段说明」的完整小练习（分析）。走完这一圈，第一周的研讨就不会只能旁观。

学完能做什么？

学完你能把一个人文研究问题数据化、自建并清洗小数据集、选择并应用合适的分析与可视化方法、按学界规范交付成果，并设计经过测试的传播方案。

能力按成果归三层（分析）：

• 问题数据化（ILO1／ILO2）——能把文本、历史、文化类问题拆成可数、可分析的形态。
• 工具与设计（ILO3／ILO4）——能用工具做出分析，并选对图表把结论传达出去。
• 规范与传播（ILO5／ILO6）——能按学界标准做数据管理，并论证你的传播方式为什么有效。

去向层面：数字人文研究、内容与媒体分析、数据新闻、文化遗产数字化、UX 研究（分析）；项目作品（数据集＋可视化）是求职作品集里的差异化展品。

一条对口的岗位训练：数据管理规范的训练，对接图书馆、档案馆与数据管理岗的基础要求（分析）——这些岗位最缺的正是「既懂人文材料又懂数据规范」的人。

一条长期判断：会讲故事的人很多，会用数据讲故事的人稀缺（分析）——这门课练的就是后一种稀缺能力。

难点与常见挂因

这门课的难点在「文转码的起步」：工具与技术是第一道墙，而真正的难点是把数据接回人文问题——墙翻过去了不等于课学懂了。

一、工具链从零上手：有想法做不出

机制：数据科学与可视化软件对人文学生全新，安装、语法、报错都是坎（分析）。

为什么卡：国内文科不开工具课（分析）——学生第一次面对报错时，连查错的方向都没有。

卡了会怎样：实验课上总跟不上操作——一节课掉队，后面节节掉队。

怎么补：开课前完整走完一套入门工具教程（电子表格＋一个可视化工具），每周留「工具笔记」累积操作记录（分析）。能独立完成入门教程的全部流程，才算过墙。

二、研究问题与数据对接：问题太大无法数据化

机制：人文问题（文本、历史、文化）要先转译成可数据化的形态（分析）。

为什么卡：数据化思维的训练少（分析）——学生想研究「某时代的文化氛围」，却不知道对应什么数据。

卡了会怎样：选题周里反复推翻选题——时间耗在改题上，数据就来不及做。

怎么补：用「现象—可数物—数据源」三步法把兴趣题拆成可做的小问题，累计练满五个（分析）。五个小问题都能拆通，选题就不慌。

三、可视化设计的选择：图表好看但答非所问

机制：图表类型要与数据类型、传播目的保持一致（分析）。

为什么卡：可视化原则的训练少（分析）——学生按审美选图，不按信息结构选图。

卡了会怎样：图表换了一版又一版——因为标准不在图表本身，在要传达什么。

怎么补：按「数据类型×目的」做一张图表选择矩阵，每个产出先过矩阵再动笔画（分析）。矩阵过一遍，选图就有了依据。

四、数据集构建质量：数据脏且无文档

机制：项目要求自建或开发数据集，采集、清洗、记录规范都要做（分析）。

为什么卡：数据管理规范的经验少（分析）——学生只关心「有没有数据」，不关心「数据能不能被别人用」。

卡了会怎样：数据清洗出现连环式返工——因为不知道哪一步改过什么。

怎么补：从项目第一天起建立「数据字典」：来源、字段、清洗步骤，随做随记（分析）。字典可回溯，返工就会大幅减少。

五、传播方法的说服：只有作品无论证

机制：ILO6 要求开发、测试、论证传播方法——不只是交成果，要说清为什么这样传播有效（分析）。

为什么卡：传播论证写作的训练少（分析）——学生会做图，不会解释为什么这样传。

卡了会怎样：报告通篇是描述、论证稀少——而报告占 50%。

怎么补：报告按「受众—信息—形式—测试—依据」五要素写，每项配证据（分析）。五要素齐全，传播才有说服力。

六、数据科学英语的混合语域

机制：dataset、visualisation、metadata 这类技术词，与人文学术语（discourse、narrative）出现在同一页（分析）。

为什么卡：文理混合英语的训练少（分析）——读讲义与写报告时语域切换很慢。

卡了会怎样：报告语域忽高忽低——读起来既不像论文也不像说明。

怎么补：按「技术词＋人文词＋方法词」三列做术语中英对照卡，每词配一句本课场景例句（分析）。报告动笔前完整过一遍。

七、开课学期的不确定性：选课扑空

机制：本课第一学期或第二学期其一开，且可能非每年开设，选项以 MyCampus 为准（分析）。

为什么卡：选项制开课的经验少（分析）——学生按固定课表思维规划。

卡了会怎样：把必修计划押在这门课上，开课却扑空——临时补选很被动。

怎么补：选课季第一时间查 MyCampus 确认本学年是否开设，同时备好一门替代的 Honours 选项（分析）。留后手，规划才稳。

八、研讨与实验的当堂节奏

机制：每周的研讨或实验要当堂展示操作与讨论（分析）。

为什么卡：研讨实验混合制的经验少（分析）——课前准备不足，当场就卡壳。

卡了会怎样：一周跟不上一周——而实验内容会累积到项目里。

怎么补：每周讲座内容当天消化整理成三行笔记，实验课前把当周工具步骤预演一遍（分析）。预演过，当堂才跟得住。

九、人文论证的数据表达：图表与论述两张皮

机制：报告要用数据支撑人文论证，图表与论述要形成互文（分析）。

为什么卡：数据论证写作的训练少（分析）——学生把图表当装饰，正文另写一套。

卡了会怎样：图表归图表、论述归论述，两不搭——评卷人看不到证据链。

怎么补：每张图配「图说明＋正文呼应句」，练成图文互证的固定写法（分析）。每张图都有呼应句，报告就成了一条链。

十、访问学生的资格确认

机制：课程对访问学生开放，但须按安排（by arrangement），且受 25% 规则限制（分析）。

为什么卡：访问生选课制的经验少（分析）——手续没走完就选不上。

卡了会怎样：审批来不及——等到开学才发现没选进。

怎么补：交换生用邮件提前联系课程协调人确认安排，留足审批时间（分析）。问在前面，别等系统拦。

十一、最佳实践的规范学习

机制：ILO5 要求使用学界公认的标准与最佳实践（数据标准、可视化规范）（分析）。

为什么卡：学术数据规范的经验少（分析）——学生自定义流程，不一定符合学界规范。

卡了会怎样：数据集没法被同行复用——而「可复用」正是规范的核心。

怎么补：把课程给定的标准文档逐条对照到自己的项目，缺什么补什么（分析）。对照过一遍，规范意识就有了。

十二、项目时间线：第 11 周倒排

机制：项目第 11 周末交付，之后才是报告（分析）。

为什么卡：项目课的通病是前期松、后期赶（分析）——而数据集构建最耗时间。

卡了会怎样：第 8 周还没定题——项目必然交不出像样的产出。

怎么补：按倒排法排：前三周定题建数据集，中段做分析与可视化，末段写报告，每段留缓冲（分析）。倒排表贴在桌前，节奏就守得住。

留学生特别提醒

中国学生最容易在六处吃亏：工具从零上手、选题无法数据化、图表答非所问、数据没文档、报告只有作品、选课学期扑空。

• 开课前完整走完一套入门工具教程（电子表格＋一个可视化工具），每周留工具笔记。
• 用「现象—可数物—数据源」三步法拆题，累计练满五个可做的小问题。
• 做一张「数据类型×目的」图表选择矩阵，每个产出先过矩阵再动笔。
• 项目第一天就建数据字典：来源、字段、清洗步骤，随做随记。
• 报告按「受众—信息—形式—测试—依据」五要素写，每项配证据。
• 选课季第一时间查 MyCampus，并备好一门替代的 Honours 选项。

怎么准备？

准备的关键是三条：先把工具摸熟、先把研究问题拆小、先把项目时间线倒排出来。

• 装工具：电子表格与一个可视化工具装好，跑通官方入门教程。
• 练拆题：三个兴趣题，各按「现象—可数物—数据源」拆一遍。
• 找数据：公开数据平台任选一个，找一个可用的小数据集。
• 画矩阵：数据类型×目的，做成一张图表选择矩阵。
• 建字典：数据字典模板先写好，项目一开始就用。
• 读规范：标准文档（数据标准与可视化规范）先通读一遍。
• 查开课：MyCampus 确认本学年是否开设，备替代选项。
• 问协调人：访问学生或外项目学生提前邮件确认安排与 25% 规则。
• 排时间：按第 11 周交付倒排，前三周定题建数据集。
• 定受众：报告的五要素先想清，尤其是「受众」与「测试」。

中英术语速查

• data science —— 数据科学。
• digital humanities —— 数字人文。
• data literacy —— 数据素养。
• dataset —— 数据集。
• metadata —— 元数据。
• data dictionary —— 数据字典：记录来源、字段与清洗步骤。
• data cleaning —— 数据清洗。
• data analysis —— 数据分析。
• data visualisation —— 数据可视化。
• information visualisation —— 信息可视化。
• data communication —— 数据传播。
• chart selection —— 图表选择。
• visual encoding —— 视觉编码：用位置、颜色、长度等表示数据。
• dashboards —— 数据看板。
• best practice —— 最佳实践。
• standard —— 标准。
• reproducibility —— 可复现性。
• research question —— 研究问题。
• qualitative data —— 定性数据。
• quantitative data —— 定量数据。
• text analysis —— 文本分析。
• content analysis —— 内容分析。
• discourse —— 话语、论述。
• narrative —— 叙事。
• audience —— 受众。
• storytelling with data —— 用数据讲故事。
• project output —— 项目产出。
• report —— 报告。
• visiting student —— 访问学生。
• by arrangement —— 按安排（需协商的准入方式）。
• Honours —— 苏格兰本科荣誉年。
• MyCampus —— 格拉斯哥选课与课表系统。
• SCQF level 10 —— 苏格兰资历框架第 10 级（荣誉年）。

关于我们

鱼之跃做在读留学生的学业支持，服务分两块，界限很清楚：

辅导＝老师授课：由 QS 前 200 院校的硕博老师把课程的知识点、推导链、作业要求讲透，按对口专业配课；覆盖同步辅导、论文辅导、考前辅导、预习。

护航＝你的学业管家：排计划、理材料、理流程这些杂事都替你打点好，该提前准备的他先想到；你只管学，有事随时找，需要时都在。同地区的留学学姐，熟悉你所在学校的节奏。

学术问题上的申诉，我们做材料梳理与流程陪跑，不代写、不代考、不碰学术诚信边界，也不承诺任何成绩。

课程官网与核对说明

课程官网（学校官网）：https://www.gla.ac.uk/coursecatalogue/course/?code=INFOST4003

本文涉及学校、开课单位（School of Humanities）、模块代码、层级（Level 4／SCQF level 10）、学分（20）、学年（2026-27）、场次（第一学期或第二学期其一）、对访问学生开放、可能并非每年开设、本学年选项以 MyCampus 为准、定位原文（数据科学不再只是计算机科学家与工程师的领地；人文学生需发展分析与沟通数字格式数据的基本技能）、六项课程目标、六条学习成果、两项考核（项目产出 50%：第 11 周末交付、学生自建或开发数据集并完成分析与可视化；报告 50%：2,000 字；无替代考核，特殊情况可弹性截止；主考核期 4–5 月）、准入（Digital Media and Information Studies Honours 准入；访问与其他 Honours 学生按安排并受 25% 规则限制）、排除课程两门（ARTMED4036、INFOSTUD4004）与共同必修无、每周讲座与研讨或实验的排课方式等事实，均来自上述学校官网课程目录页；核对时间为 2026-10-31。文中标「（分析）」的句子为基于学校官网事实的推导或判断，不代表学校官方表述。

← 学业指南首页课程库