高校数据治理应用于哪些领域？ / 开普饭

高校数据分析最早是IT人员用于改进学校信息化基础设施的管理运用，现在越来越多的学校开始使用数据分析来帮助推动学生获取成功。

从现有高校数据分析应用的案例来看,数据治理已较为广泛地用于提高学校运营效率（如提高招生的针对性、降低校园能耗），以及提高人才培养的针对性（如学业督促、专业指导、就业规划）。

高校数据治理应用领域

应用1

●

提高信息化管理运营效率

高校数据分析最早是IT人员用于改进学校信息化基础设施的管理运用，从数据中获得的见解对于提高运营效率至关重要，比如，使用数据分析提高网络性能。随着物联网和移动设备的增长，每时每刻都有大量数据涌入，学院必须能够动态优化网络，高级数据分析工具是高校网络监控工具发展的下一个阶段。对于管理员来说，分析工具可以极大地减少诊断和修正网络问题所需的时间，在用户抱怨之前发现问题、解决问题。这些分析工具将变得越来越重要。

奥克拉荷马大学(University of Oklahoma)在Dell高性能计算设备上部署了开源安全程序Elasticsearch。该工具允许安全人员快速搜索与特定用户名或时间窗口相关的不当指标，由此发现安全漏洞的趋势，并相应地调整政策。例如，数据分析显示，在大学的网络安全问题中，受损的证书占很大一部分。因此，现在要求用户每年至少修改一次密码。

应用2

●

提高学生学习体验

现在越来越多的学校开始使用数据分析来帮助推动学生的成功，这方面的应用包括：

提升招生效率

基于现有学生的人口数据和他们数年的学业成绩纪录，从候选学生中找出最有可能入学且能够毕业的学生。比如，不少学校基于以往招生数据，建立了聊天机器人来回答学生关于招生相关的问题。

改进学费投入

发现那些可以完成学业但需要帮助的学生，帮助他们顺利完成学业，获得最好的学费投资回报。

在雪城大学(Syracuse University)，管理人员使用一种被称为“橙色成功”(Orange SUccess)的精简、集中的建议系统，该系统依赖于数据共享和“侵入式建议”（ “intrusive advising”），以确保学生不偏离轨道。这个在线工具收集学生进步的数据，允许教师、学生和他们的顾问都可以看到不同颜色的学业“旗帜”，对学生学习表现形成共同认识。在这些数据基础上，还可以做院系级研究。

降低辍学率

许多高校使用数据分析工具找出哪些人有可能辍学或考试不及格，采集的数据点包括出勤率、Wi-Fi使用情况、图书馆访问量、是否及时支付学费，当然还有成绩。学校可以给有需要的学生额外的推动，如帮助他们进入一个更合适的学习计划。学业顾问根据学生的学业成绩和选课数据，给出对其学业发展更合适的建议。

阿拉巴马大学(University of Alabama)使用预测分析系统发现，要求提供成绩单副本的学生有离开学校的风险。现在，管理人员可以注意到学生何时提出这样的要求，并提供学术和校园资源来鼓励这些学生留下来。

改进课程

教学管理人员根据课程的退课率和不及格率分析是班容量的问题，还是授课教师的问题，或者有其他原因，以修正这些问题。

在达特茅斯学院，IT团队使用实时数据收集工具来指导教学设计。通过实时分析应用程序，团队可以研究课程损耗率、课程招生规模和学生表现等指标，根据学生的需求重新设计课程。

跟踪学生考勤

根据学生每天的上课出勤数据，提醒教师关注需要帮助的学生。

肯尼索州立大学（Kennesaw State University）有一门全在线课程，学生辍学率和不及格率都很高。追究原因是学生在线学习缺乏自我管理能力，为此，建立了一个在线学习系统，希望尽早地发现学业上有困难的学生，并通过某种方式激励他们学习。建立这个系统所做的一件事就是找出关键数据点，确定哪些关键任务对学生在课程中取得成功是必要的。

例如，如果他们没有完成某个作业，没有看教科书，或者没有在某个时间登陆这门课，学业成功的可能性就会大大降低。系统还收集分析了得A的学生的学习行为特征，将这些数据总结为经验，告诉学生，他们如果想得A，还需要在哪些方面有所努力，这将提高学生追求优秀的信心，继而提高结业率，减少辍学率。

减少能源花费

通过设置传感器等优化能源使用，发现有问题的地区和楼宇，降低学校运营成本。

管理投资捐赠

从捐赠者数据库、校友数据库和投资者数据库中发现一贯支持的人，以及出现了财务亏损的人。

评价教师表现

根据数据做同系教师之间的比较，或根据学生人口数据、专业内容和教学方式，将教师与教学内容、教学环节进行更合适的匹配。比如，根据课堂出勤率数据，可以知道哪些课受欢迎，以提供更大的教室。

从数据分析方式来看，目前有三类教育数据分析方式：

教育数据挖掘(EDM,Educational Data Mining):

从大量复杂的数据中为管理人员找出模式，比如，发现学生成绩计算或在线考试中存在的问题，预测学生注册率等。

学习分析

(LA,Learning Analytics)：

从教学管理系统、学习平台和社交媒体收集数据，发现学生学习方法和学习过程中存在的问题。所使用的机构数据包括入学统计数据（高中班级排名、入学考试成绩）、教学管理系统中的记录（过去成绩、培养方案信息）和访问学校支持服务的次数（图书馆、服务台、咨询），以及教学过程数据，如评分数据（测验、作业、参与度和出勤率），学习管理系统中记录的在线学习参与度信息（在线讨论、查看的内容、与学生和教师的互动、在线时间）。学习分析可以帮助回答以下问题：

课程中的哪些评估（测验、测试）能很好地预测学生学业成就？
学生何时有失败风险？
哪些先修课程对学生在课程中的成功至关重要？
学生何时应该接受辅导？
学生在一周内应该访问多少次在线课程？
在预测学生成功或失败的课程中，哪些活动是不能错过的？

教学分析

(AA,Academic Analytics):

从教学评估数据中发现问题，给出改进建议，比如通过增加人为干预提高学生学业成功率。

从案例来看，使用数据分析提供学业指导的应用最多。数字解决方案的创新正在帮助高等教育的顾问最大化他们对学生学术生涯的影响，为了成功地发挥导师的作用，学业顾问需要知道他们的学生什么时候在挣扎，在一切都太迟之前。

高等教育机构可以通过数据驱动的沟通和规划来缩小学生之间的成绩差距。一些院校已经开始将来自网络、学习管理系统、学生信息系统及其他来源的学生数据提供给学业顾问，从三个方面协助学业顾问为学生提供学业帮助：

1 合各类通知:以往学生会收到来自学校多个部门的通知、邮件、短信，同步平台将这些信息整合到一起，这样学业顾问就可以较为全面地了解到这个学生的情况，除了看到学生的学习档案袋外，欠款通知，没遵守宿舍纪律的警告都可能影响其学业进展。

2 制定学位计划:以往是学生自己想好了读什么学位才入学，但是并不知道拿到学位后能够做什么。如今，顾问们使用技术来评估学生的表现，并指导他们选择最合适的专业，尤其对那些尚未拿定主意的学生，帮助他们确定想要什么样的职业结果，引导他们去选修合适的课程，学习所需要的技能。

3 分析和预警:一名学业顾问往往要指导300多名学生，特别需要技术工具，在学生遇到麻烦时立即通知顾问，顾问使用在线协作空间与学生保持沟通。

数据治理项目发展趋势

2019年11月，美国院校研究会(AIR,the Association for Institutional Research)、EDUCAUSE和大学商务官员协会(NACUBO,the National Association of College and University Business Officers)三个机构联合发表声明称：数据分析可以解救美国高等教育。

因为根据RPK集团的数据，单是学生留校率的提高每年就能给大学带来大约100万美元的收入。如果大学扩展数据分析来挖掘他们所掌握的信息财富，他们可以利用这些数据来创新招生、提高机构效率，有效控制成本。

随着国家在高等教育上的支出持续下降，学生入学率大幅下降，美国大学需要现在就开始进行数据分析。这三个机构明确表示，尽管资金可能很难获得，但不投资数据分析可能会让高等教育付出更高的成本。

由此可见，美国高校会大力发展数据分析，虽然相对来说，中国高校教育经费充足，但是借助数据分析改进并提升教育教学质量，还是有必要的。数据治理会成为高校信息化的发展热点，这是大趋势。

趋势1

●

基于数据的决策者是谁？

从早期的管理部门，到如今的师生，都需要数据做出明智决策。

趋势2

●

实时数据分析

实时数据分析是收集数据后立即清理和分析。很多时候，实时数据分析是通过边缘计算进行的。通过尽可能靠近数据源进行分析，用户可以减少延迟，更快地接收信息并做出后续决策。随着数据收集工具的进步和机器学习工具的日益普及，大学可以期待实时数据分析成为校园常态。

美国高校在2013年左右就开始做数据分析的尝试。2018的一个调查显示，美国拥有数据分析软件的高校从40%上升到60%，但是只有27%的学校认为所拥有的程序是完备的、高级的，54%的高校还处于初级阶段。尽管不少学校有了数据分析的应用案例，但它们仍然是小项目，大学并未能真正使用大数据。如何有效且全面地开展数据治理，全球还都处于探索阶段。

如在乔治亚州立大学(Georgia State University)，大学辅导员利用数据分析工具GPS Advising（Graduation Progression Success，GPS），根据学生的学业成绩和财务信息，提出更有见地的建议，帮助学生取得成功，解决种族差异问题。其中：

[学业成绩]：该机构的工作人员分析了10年的数据，包括250万个成绩单和14万个学生记录，寻找数据点和可识别的行为，这些行为与辍学率有显著的统计相关性。本来想找几十个，最后找到了800个。

例如，退学率和学期中期课程退出之间存在直接的相关性。如果一个学生没有登录学校的Wi-Fi网络，这意味着他可能没有来上课。今天，这些数据点驱动着及时的支持。

“如果这800种行为中的任何一种被发现，分配给那个学生的指导老师就会收到警报，他们有48小时的干预时间，他们把学生叫进来，坐下来面对面地交流，尽其所能帮助他们”，比如，如果有学生考试不及格，辅导员会很快收到这个信息，及时安排学生补习。

如果系统发现学生不适合学习现在的专业，也会建议改换专业。使用这个系统后，仅2018年就有十万个干预，毕业率比2003年提高了23个百分点。非裔美国人和西班牙裔学生的毕业率从18%上升到了55%。这类系统很受美国高校欢迎，因为毕业率也是招生的卖点。

[财务信息]：以往每学期都有近千人因为交不起学费而辍学，GSU用小额贷款来留住这些学生，把一小笔钱存入即将毕业的学生的账户。在过去的七年里，GSU发放了超过1.3万份Panther retention grants，87%的受助人最终毕业。

作者：汪琼

高校数据治理应用于哪些领域？

相关推荐