大數據技術在高校學生管理中的應用

唐元林

摘 要 簡要介紹了大數據的概念，論述了大數據應用于高校學生管理的緊迫性，同時介紹了大數據的安全管理和大數據分析方法在高校學生管理中的應用，并分析了構建各類學生管理模型的思路和方法。

關鍵詞 大數據；高校；學生管理；應用

中圖分類號 TP3 文獻標識碼 A 文章編號 1674-6708（2019）235-0155-02

在如今信息化時代，大數據廣泛應用于各個領域，給各行各業帶來了巨大的變化，同時，數據量也呈指數級增長，高校在長期的運行過程中產生大量有價值的數據，如何利用這海量的數據提升高校學生管理水平是各高校面臨的挑戰和機遇。

1 大數據技術概述

大數據是指那些數據量特別大，數據種類特別復雜的數據集，這種數據無法用傳統的數據庫進行存儲和管理。大數據的主要特點是數據量大、數據類別復雜、數據處理快和數據真實性高。數據的形式有結構化數據、半結構化數據和非結構化數據，如視頻、圖片、文本和網絡瀏覽記錄等。大數據技術主要包含5個方面：可視化分析、數據挖掘、預測性分析、語義引擎和數據質量管理。通過數據挖掘找到影響某個結果的影響因素，并構建相應的數據模型，通過機器學習算法，采用已有的數據不斷訓練模型參數，使得模型預測更加準確。

2 大數據技術應用于高校學生管理的緊迫性

隨著近年來高校擴招政策，各個高校的學生規模不斷擴大，給高校帶來巨大的管理壓力。一方面，高校學生管理人員配備相比學生規模還是遠遠不夠；另一方面，高校學生中有很多是獨生子女，獨生子女個體的巨大差異也給高校學生管理帶來了很大的困難。隨著如今各高校各類學生管理信息系統的不斷完善，學生的學業數據、社團活動、出入門禁數據等數據的累積，采用大數據技術對現有數據進行采集、加工、分析和整理，產生可以反映學生個體特征的數據，從而給高校學生管理人員的管理提供依據。同時，各二級學院、輔導員、班主任可以根據分析結果給學生提供個性化的幫助，如就業、選課等方面的指導，從而不斷提高高校的學生管理水平。

3 大數據技術在高校學生管理中的應用

3.1 學生相關數據的采集存儲

3.1.1 數據的屬性

大數據分析的前提是要累積一定規模的學生相關數據，包括學生的成績數據、課堂考勤數據、課程平臺學習數據、參加社團活動數據、校園卡使用數據、門禁數據、圖書館借閱數據等。大數據分析要求數據必須滿足規模性、動態性、多樣性。規模性是從量上來度量，數據量越大，越接近實際情況，分析越準確，一定規模的統計樣本數是大數據分析的基礎。多樣性是從數據種類的維度上來度量，數據的種類、數據的來源越多，越有助于數據的交叉驗證，從而確保分析結果的可靠性。動態性是從時間序列的維度來度量，結合了時間維度，可以判斷某個要素隨時間的變化趨勢，使得數據分析更加科學和豐富。

3.1.2 數據的存儲

目前絕大多數高校還是采用傳統的服務器存儲學生的各類數據，傳統服務器如果遇到停電等突發情況時將面臨數據丟失等風險，雖然各高校都會配備不間斷電源，但是不間斷電源最多只能維持幾個小時，還是無法滿足高校的管理需要。隨著學生規模的不斷擴大，學生管理產生的數據將急劇增加，服務器呈現多而分散的問題，不利于數據的共享和數據處理。基于云架構的分布式文件系統（DFS）因其具備無限擴展性、冗余性、容錯性被廣泛應用于各領域，高校應采用云平臺來存儲學生各類數據，以便更好的對數據進行整合和處理。

3.1.3 數據的來源與獲取

與學生管理相關的數據有學生成績數據庫、學生社團活動數據庫、學生選課數據庫、學生信息數據庫、學生校園卡使用數據庫、學生圖書館借閱數據庫、學生在線學習數據庫、學生出入門禁數據庫、畢業生就業數據庫、學生校內網頁、論壇留言等數據。絕大多數數據庫是由學校的教務處、學生處和團委牽頭建立，組織學生填報，以教務系統為例，涉及學生管理數據的表有近百個。包含學生成績數據，學生選課數據，學生基本信息數據庫，這些數據以結構化數據為主。學生參加社團活動數據以非結構化數據為主。充分收集不同來源的學生管理數據，數據的質量直接決定了分析結果的準確性。

3.2 學生相關數據的安全管理

學生相關數據采集后還要做好數據安全的管理，學生相關數據的安全是大數據技術分析的前提。網絡的開放性決定了學生各類數據被黑客等攻擊是不可避免的。另外高校的管理人員信息安全意識普遍比較薄弱，加之缺乏信息安全相關背景知識，這給學生相關信息安全帶來很大的隱患。一方面要采用最新的信息加密技術對學生相關數據進行加密保護，同時也要做好數據的定期備份，確保系統出現故障情況下能短時間修復；另一方面，高校也要加強管理人員的信息安全教育，如各類學生管理系統的密碼設置規范和網絡使用禁忌等，確保學生信息的安全。

3.3 學生管理數據的融合和分析

通常情況下學生管理數據來源于不同部門，各部門采用的數據形式不盡相同，同時數據的結構也不同，有結構化數據、半結構化數據和非結構化數據，如視頻、圖片、文本和網絡瀏覽數據等。對于以上這些數據要采用數據融合技術將結構不同、定義多樣的數據進行轉換，使得其成為結構相同、語義相近的數據，便于后續的數據分析和處理。

大數據技術分析主要有可視化分析、數據挖掘和預測分析等。可視化分析是能夠直觀的展示大數據的特點，具有良好的交互性。數據挖掘是從大量有噪聲的、模糊的、隨機的實際數據中，提取有價值的數據。預測分析是在可視化分析和數據挖掘的基礎上，建立模型，通過數據訓練優化模型，從而可以利用模型預測未來可能出現的情況。數據挖掘是數據模型的發現過程，高校可以利用數據挖掘方法構建各類學生管理模型，比如學業預警模型、學生選課推薦模型等。可以采用機器學習算法訓練模型參數，使得模型預測更加準確。

數據挖掘有4種常見的分析方法，分別是描述型分析、診斷型分析、指令型分析和預測型分析。描述型分析是最常見的大數據分析方法，注重大數據的背后發生了什么；預測型分析注重未來將發生什么；診斷型分析主要側重發生的原因；指令型分析側重給用戶提供可行的解決方案。數據挖掘采用的算法主要包括分類與預測挖掘、聚類挖掘、關聯規則、決策樹方法、神經網絡方法、遺傳算法、模糊理論、可視化技術等，其中聚類分類與預測挖掘、關聯規則和決策樹分類三種算法比較適用于高校學生管理。

3.3.1 聚類、分類與預測挖掘算法在學生管理中的應用

聚類算法主要包括K-means、 BIRCH、DBSCAN、CLIQLE等方法，高校在學生管理里時候可采用K-means算法的聚類挖掘分析技術，這種分析技術能夠分析出某一類學生群體的行為特征。高校可以利用學生在網絡平臺的學習行為數據，判斷某個群體學生的學習效果和課程的質量。高校也可以利用學生就業數據庫找出就業率比較高群體學生的特征并加以分析。高校可以利用學生成績數據分析出有學業危機的學生群體，并進行人為干預。

3.3.2 關聯規則算法在學生管理中的應用

關聯規則算法主要用于發現大數據背后各要素之間可能存在的關聯，主要算法有挖掘布爾關聯規則頻繁項集的Apriori算法，該算法可以用來分析某種現象的影響因素。高校可以通過學生參加社團活動數據發現學生的興趣，向學生推薦合適的課程。高校可以結合學生就業數據和學生參加社團數據，得出就業率高和學生參加社團的相關度。高校可以利用學生在校內實名網絡中網頁瀏覽數據，分析出學生瀏覽負面信息與學生存在心理健康問題的相關度。

3.3.3 機器學習在構建學生管理模型中的應用

為了使得模型的預測更加準確，可以采用機器學習方法訓練模型參數。機器學習分為有監督學習和無監督學習。高校可以采用有監督的機器學習，通過已有的數據不斷訓練模型，使得模型的預測更加準確。通過成績數據和學生網絡學習等數據高校可以建立學生的學業預警模型。通過學生各類競賽數據、成績數據、社團等數據構建學生的能力模型，給學生提供個性化的就業推薦。高校可以利用學生對課程的評價數據和學生網絡平臺的學習行為數據，構建優質課程模型，給學生提供更優質的課程資源。高校可以利用學生網絡瀏覽數據、校內各類網絡留言數據建立實時的學生心理健康狀態監測模型，及時發現可能存在負面情緒的學生，通過跟學生的及時溝通，化解學生的心理健康問題。

參考文獻

[1]張靜，劉危，楊兵，單文波.試析大數據分析在學科建設中的應用[J].高教學刊，2019（5）：1-5.

[2]楊陽，石城，蘇力.大數據時代高校學生教育管理工作摭探[J].成才之路，2019（6）：8.

[3]袁興梅.基于大數據的高校學生教育管理研究[J].中國成人教育，2018（24）：34-36.