基于商業智能構建高校教育管理平臺的實踐探討

舒忠梅+屈瓊斐+郭清順

收稿日期：2013-07-25

作者簡介：舒忠梅，中山大學教育學院講師，博士；屈瓊斐，中山大學教育學院副教授，副院長，社會學博士；郭清順，中山大學科技發展研究院副主任，研究員，博士。（廣州/510275）

*本文系國家自然科學基金“ITS中基于有向超圖的個性化的學習過程及其支持資源的優化”（61202345）的成果之一。 摘要：高等教育機構正處于數據爆炸的信息時代，高校多年來積累的大量辦學數據為學校的科學管理帶來了挑戰與機遇。現代大學的科學管理亟待加強數據的有效利用，從信息技術的利用與高等學校的管理效益出發，分析國內外高等教育機構應用商業智能技術進行教育管理和研究的狀況，探索基于商業智能技術搭建高校教育管理平臺的實踐應用，對平臺體系架構、數據挖掘技術在大學生學習成果預測的應用案例等方面進行探討。

關鍵詞：高校管理；數據分析；商業智能《國家中長期教育改革和發展規劃綱要（2010-2020年）》提出：“信息技術對教育發展具有革命性的影響，必須予以高度重視。”[1]信息技術的高速發展，為高等學校的教育教學及其服務管理提供了新的手段和豐富的資源。[2]隨著高等教育的發展和教育體制的改革，高校積極進行管理信息化建設，實施數字化校園或智慧校園等舉措，積累了大量的教育數據。國際數據公司IDC研究表明，數字大學僅2007年創建或采集2.25×1021 位數據，并預計將以每年60%的增速持續，海量的數據時代已經來臨。[3]針對海量教育數據的挑戰與機遇，本文從信息技術的利用與高等學校的管理效益出發，探討如何通過商業智能技術有效利用當前高校管理產生的大量教育數據。

一、國內外高校管理中的數據利用概況

高校管理產生和存儲的教育數據其實是高校的重要財富之一，充分利用可以有效提高高校的管理效益。同時，高校面臨著海量數據帶來的巨大挑戰，如何管理并利用好海量數據，如何從大量的教育數據中獲得有用的信息，提高高校管理系統的效率，是現代大學管理所面臨的新挑戰。

（一）現代大學的科學管理亟待數據有效利用的加強

在教育競爭日益激烈的今天，數據資源的管理和應用是現代大學取得競爭優勢的重要工作之一。數據記錄著學校的有形資源及其歷史演變，導致高校數據量巨大，而其中真正有價值的信息卻不多。數據能否帶來價值和轉化為決策效益不僅僅取決于量的多少，更重要的是取決于數據的可用性和對其合理的使用。[4]

目前，大多數高校為滿足日常工作需求，建立了校務辦公信息系統，但這些系統基本上屬于聯機事務處理（OLTP）系統，無法直接提供各種綜合程度的數據采集并加以綜合利用的功能。同時，這些信息系統產生的大量數據也不能進一步提煉升華為知識，及時提供給決策部門，讓淹沒在眾多信息系統中的海量數據能夠“說話”已成為重要課題。

另一方面，在我國高校管理系統中，高等教育研究一直較少開展對高校管理信息有關的定量和綜合研究。而在國外大學的管理系統中，一個完整的院校研究部門是必不可少的，其基本功能就是對信息的管理和分析。對數據展開研究，是增強高校管理系統職能的一個重要環節。而且，隨著國家逐漸放給大學越來越多的辦學自主權的發展趨勢，高校管理系統將因重視信息的管理和分析而衍生出一個新的功能，或者吸引高等教育研究人員深入關注信息管理與分析問題，從而更加實際地支持高校管理提升，是已萌芽并可預見的發展趨勢。[5]

（二）國內外高校管理中的商業智能應用

隨著云計算和云存儲的推廣，可以收集和利用越來越多的數據。為了高效地處理和有效地利用各種形式的海量數據，以數據倉庫、數據挖掘、聯機分析處理等為核心的商業智能（Business Intelligence， BI）技術應運而生。商業智能這一概念由加特納·格魯派于1989年提出，可將商業智能理解為一種能夠將機構現有的數據轉化為知識，幫助機構通過基于事實和電腦化系統，做出科學業務決策的工具。商業智能技術已成功地應用于銀行、電信、保險、制造業和零售業等行業。[6]從全球范圍來看，商業智能已經成為最具有前景的信息化領域。

通過調查了解世界各地的高等教育部門采用商業智能技術的狀況發現，高等教育已明顯落后于其它行業。然而，Dave Wells在文獻中指出，越來越多的高校正在關注商業智能應用這一主題，高等教育在技術方面已經到了應用商業智能的時候了。[7]

例如，北美高等教育界較早關注商業智能應用的重要性，美國部分高校已經采用或正開始采用商業智能技術，對學校的教育數據進行整合分析，為學校的科學決策與管理提供信息支持。如賓州州立大學、密執根大學均于2005年提出建設BI項目的倡議，弗羅里達州立大學、華盛頓大學分別于2007年、2008年開始利用BI項目分析學校整合數據進行決策支持，普渡大學于2008-2014年期間建設學校新的協同集成系統，印第安納大學2009年提出BI建設路線圖，斯坦福大學商業智能中心2009年提交的BI架構及方案獲批準、2010年正式啟動項目建設，加州大學（總部）建設StatFinder系統，伊利諾斯大學建立學校決策支持數據倉庫，亞利桑那州立大學為支持科學決策建設了儀表盤（dashboard）等。

·教育管理· 基于商業智能構建高校教育管理平臺的實踐探討 在歐洲、亞洲等地區的高等教育體系中，商業智能技術的應用才剛剛起步。我國少數高校也開始邁出了建設BI系統的步伐，如中山大學2010年開始提出學校BI系統建設倡議，現已初步完成BI系統的數據倉庫建設，上海交通大學2011年推出BI項目的子系統——財務管理駕駛艙系統，復旦大學為學校師生在校生命周期實現管理信息化“全覆蓋”，中國人民大學推出綜合數據填報、數據存儲、數據管理和數據展示等四大功能的數據平臺，浙江大學為優化資源配置建設共享數據中心進行數據集成，上海財經大學建設校務決策支持系統，常熟理工學院建立高校決策支持系統等等。

同時，基于商業智能技術產出的數據，也形成一批對高等教育和高校自身進行深入分析的研究報告。如美國教育研究的主要組織院校研究學會，年會報告除了涵蓋數據管理、數據倉庫等關于計算機技術本身的報告之外，關于評估、資源、學生、合作和分析的報告，較多地來自于商業智能系統數據的研究結果。[8]

二、數據驅動的高校教育管理智能平臺架構在海量教育數據亟待有效利用的驅動下，為提高高校管理效益，將商業智能技術應用到高校教育管理中，對高校產生的大量數據用數據挖掘等商業智能技術進行分析研究與處理，可以幫助高校決策者做出對學校發展更為有利的科學決策。其關鍵是建立綜合層面上的、能反映高校整體教育教學管理的信息集成系統平臺（下文簡稱高校BI系統平臺）。高校BI系統平臺體系架構由數據源、數據存儲與管理層、數據分析層和用戶接口層組成，如圖1所示。

圖1高校BI系統體系架構

（一）數據源

數據源是整個系統的基礎，包括高校各類業務管理信息系統的內部數據和其他外部數據。內部數據包括存放于操作型數據庫中的各種業務數據和辦公自動化系統包含的各類文檔數據，如學校財務處、人事處、教務處、科研處、設備處等部門數據庫中業務數據；外部信息包括各類教育信息、外部統計和調研數據及文檔等。

（二）數據存儲與管理

數據存儲與管理層是整個系統的核心，包括ETL管理工具、公共數據集、元數據、數據倉庫和數據集市。高校BI系統平臺建設采用數據驅動設計方法，從學校原有的各個部門的業務處理系統和外部數據源中經過ETL提取數據，并根據常見的分析和統計主題，建設校級數據倉庫以及人才培養、師資隊伍、科學研究、辦學資源、交流合作等主題的數據集市。

（三）數據查詢與分析

高校決策者常常希望從不同的角度審視教育數據，比如從時間、區域、學科、教學或科研成果、課程建設、學生層次、交流合作、辦學資源等維度全面了解學校的教育質量和狀態。高校BI系統平臺的數據分析層利用商業智能技術為高校管理主要提供固定報表、即席查詢、統計分析、多維分析、預警功能、預測分析、數據挖掘建模分析及優化分析等，根據學校現有學生、教師、資源、科研和人才培養等狀況，有助于高校決策者全面地對學校資源配置進行調控、對學校整體辦學信息的內部結構進行調整等，做出對學校發展更為有利的科學決策。

（四）用戶接口

用戶接口層根據高校用戶訪問需求和角色訪問授權機制，提供強大的多用戶數據查詢操作，并以儀表盤或表格、直方圖、餅圖等直觀方式將查詢結果或決策信息呈現給用戶。

三、應用案例

下面以高校BI系統平臺中的調研數據為商業智能技術應用案例，利用回歸方法對大學生學習成果進行數據挖掘分析。

（一）數據來源

案例分析的數據來源于高校BI系統平臺中“中山大學學生學習狀況調查”項目于2012在中山大學全校范圍內開展的在線調研數據。[13]調查覆蓋全校36個學院（系），調查總體約為3.3萬名本科生。讓學生在無壓力的情況下答題，共回收問卷7051份，回收率約為21.2%，與國際上通用的問卷回收率相當。案例分析聚焦于本科樣本，全部回收的問卷根據答題時長、問卷質量標準等原則，篩選出有效問卷數據6673份，有效率為94.6%。

本研究從學生學習經歷角度，在“生源-學習-成果”的邏輯框架中，考察分析學校因素和學生因素對于學生學習成果的影響機制。調查把學生學習經歷和成果分解為生源情況、學校學習資源供給、學生與學校的融合、學生學習投入、學生成果、學校成果6 大維度，各維度下題目的內部一致性均達到0.9以上，具有較高的信度。

（二）數據分析

逐步回歸提供了一種識別與學生學習成果相關的具體經歷的方法，對于學生學習狀況調查中的227項進行相似項合并，用向前和向后逐步回歸確定與學習成果相關的項目，對殘差圖和診斷法的徹底審查，最后確定17個獨立變量出現在多元回歸模型中（如表2所示），其中，相關系數R為0.994，校正判定系數R2為0.988，因變量變化中有98.8%左右的信息可以由預測變量解釋，說明模型的擬合優度較好；Durbin-Watson為1.937，接近最佳理想值，如表1所示。

表2顯示的是回歸系數的相關統計量，可以看出，這17個獨立變量的顯著性概率Sig.都小于0.05，說明其系數顯著不為0，這17個變量均與學生學習成果顯著相關。

分析表2中的數據可以看出，學生學習經歷中的學校學習資源提供、學生學習投入和校園文化及學校成果等四大維度的17個變量均為影響學生學習成果的重要預測變量，包括課程作業評價、專業學習經歷評價、學術規范指導、平等文化、多元能力的培養氛圍等學校因素變量，以及朋輩交流情況、自主學習情況、活動參與情況、課外閱讀情況、論文寫作情況、討論關注的內容情況、師生交流、課業活動及個人閑暇活動時間分配等學生因素變量。同時，在校經歷滿意度、綜合滿意度和能力培養滿意度等融合學校因素和學生因素的學校成果也對學生學習成果具有一定的影響。

通過標準系數可以看出，朋輩交流情況、自主學習情況和討論關注的內容情況分別是第一、第二和第三重要的預測變量，而性別、年級、所在校區等人口學變量并未出現在該回歸分析模型中，對學生學習成果的影響不顯著。

進一步分析朋輩交流情況和自主學習情況調查指標應答概況，如表3所示，“有時”、“時常”或“頻繁”進行朋輩交流的比例為63.7%～97.7%，自主學習的比例為52.5%～92.9%，朋輩交流和自主學習的平均比例相當高（81.8%）。“有時”、“時常”或“頻繁”地進行朋輩交流方面的主要比例情況為：“與家庭背景（社會、經濟的）不同的同學交流”為97.7%、“與興趣不同的同學交流”為95.6%、“在與同學的談話中得到啟發，改變自己的想法”為94.4%、“與世界觀、價值觀不同的同學交流”為93%、“與不同專業的同學交流”為92.6%、“同學與你談話后，表示受到了你的啟發”為90.8%。“有時”、“時常”或“頻繁”地進行自主學習的主要比例情況為：“利用圖書館、網絡等資源豐富自己的學識”為92.9%、“根據課程安排，做課堂展示”為91.3%、“努力掌握對自己而言較難的課程內容”為91.3%、“隨著學習經歷的豐富不斷整合、梳理自己的知識系統”為88.4%，“因課程設置和教師的要求具有挑戰性而更加努力地學習”為85.9%。

上述情形符合Vincent Tinto在研究大學生退學問題時提出的理論模型：學生取得較好的學習成果，依賴于他們在學習經歷中能否將自身的經驗和目標與學校系統內部的學術系統和社交系統相融合。[10]學術系統代表學生個人的課業表現、智力發展、學業成就等綜合表現，如表2中自主學習情況、活動參與情況、課外閱讀情況、論文寫作情況、討論關注的內容情況及課業活動等屬于學術系統的范疇。社交系統代表學生在校內的同伴關系、師生關系、社交行為等綜合表現，如朋輩交流情況、師生交流及個人閑暇活動時間分配等屬于社交系統的范疇。學生在其學習經歷中，有效地利用學習資源和校園文化氛圍、將學術系統和社交系統進行整合，可以從學業和人際關系上自我提升，從而提高學習成果。

四、小結

如今，高等教育機構正處于數據爆炸但知識貧乏的信息時代，面對浩如煙海的各類教育數據，若不能有效地加以利用，就會降低對數據的使用效益并使各級教育機構的管理和決策尤為困難。同時，隨著教育改革的逐步深入和高等教育的國際化，高校面臨著質量評估、績效考核、社會問責、大學排名等現實問題，如何有效地管理海量的教育數據，并從這些數據中獲取有用的信息，調整教育教學策略，提升教育教學質量和管理效益，是高校教育管理與深入發展的重要研究課題。

為此，對現代大學管理如何有效利用數據以提升高校管理效益進行了思考，探討了商業智能技術在高校管理中的應用情況，并從體系架構、數據挖掘技術在大學生學習成果預測評價應用案例等方面進行分析。由于高校數據來源的異構與多樣化、數據管理機制缺乏等，使得商業智能技術在高校教育管理中全面地展開深層次應用，還有很長的路要走。

參考文獻：

[1]國家中長期教育改革和發展規劃綱要工作小組辦公室.國家中長期教育改革和發展規劃綱要（2010-2020年）[N].中國教育報，2010-07-30（1-3）.

[2]熊才平，何向陽，吳瑞華.論信息技術對教育發展的革命性影響[J].教育研究，2012（6）：22-29.

[3]John F.Gantz et al..The Diverse and Exploding Digital Universe： An Updated Forecast of Worldwide Information Growth through 2011[EB/OL].Framingham， MA： IDC， 2008.http：//www.emc.com/collateral/analyst-reports/diverse-exploding-digital-universe.pdf.

[4]常桐善.構建院校智能體系：院校研究發展的新趨勢[J].高等教育研究，2009（10）：49-54.

[5]屈瓊斐.信息管理與中國大學院校研究的實踐環境分析[J].高等教育研究，2010（11）：69-72.

[6]V.Farrokhi， L.Pokorádi.The necessities for building a model to evaluate Business Intelligence projects Literature Review [J].International Journal of Computer Science & Engineering Survey （IJCSES），2012（2）：1-10.

[7]Dave Wells.Institutional Intelligence： Applying business intelligence principles to higher education[EB/OL].Campus Technology， 2007.http：//campus technology.com/ articles /2007/04/institutional-intelligence.aspx.

[8]S.ElAtia， D.Ipperciel， A.Hammad.Implications and Challenges to Using Data Mining in Educational Research in the Canadian Context [J].Canadian Journal of Education， 2012（2）： 101-119.

[9]傅承哲.本土化學生學習調查工具的開發初探[J].復旦教育論壇， 2012（3）：43-47.

[10]Tinto， V.Dropout from Higher Education： A Theoretical Synthesis of Recent Research [J].Review of Educational Research，1975 （45）：89-125.

（責任編輯劉第紅）