基于大數據的世界一流學科評價體系構建

摘" 要：在大數據和“雙一流”背景下，進行世界一流學科評價體系的研究是構建和完善世界一流學科評價體系的重要工作。該文梳理主流國際學科評價體系對“雙一流”學科評價的局限性，探討大數據對學科評價的影響，在此基礎上，提出構建基于大數據的世界一流學科評價體系，研究認為，學科數據采集、處理、存儲和可視化是構建中國特色、世界一流學科評價體系的實現途徑。

關鍵詞：大數據；世界一流學科；學科評價；局限性；學科數據

中圖分類號：G640" " " "文獻標志碼：A" " " " " 文章編號：2096-000X（2023）13-0027-04

Abstract： In the context of big data and \"double first-class\"， it is an important work to build and improve the world-class discipline evaluation system to study the world-class discipline evaluation system. The article combed the mainstream international disciplines evaluation system for evaluation of the limitations of \"Double First-Class\"， analyzed investigate the influence of big data for evaluation of discipline， on this basis， put forward to build a World-class disciplines evaluation system. Research conclusions： discipline data acquisition， processing， storage and visualization is to construct the Chinese characteristic， the implementation way of the world first-class academic evaluation system.

Keywords： big data; world-class discipline; discipline evaluation; limitation; discipline data

世界一流大學和一流學科（簡稱“雙一流”）建設是黨中央、國務院做出的重大戰略決策，對于提升我國教育發展水平、增強國家核心競爭力、奠定長遠發展基礎，具有十分重要的意義。構建創新多元的中國特色、世界一流學科評價體系，是適應新時代高等教育的新發展，擴大世界一流學科的建設成效，保障“雙一流”建設戰略順利實施的有力舉措。在擁有海量數據的今天，借助大數據的支持構建我國世界一流學科評價體系既是必然趨勢，也是當務之急。基于此，本文力圖在分析當前國際學科排名的基礎上，利用大數據分析技術，構建世界一流學科評價體系。

一" 主流學科排名不能體現中國特色、世界一流的建設目標

截至目前，全球已有100家學科排名，以美國《美國新聞與世界報道》發布的 US News全球大學學科排名（以下簡稱 US News）、英國Quacquarelli Symonds公司發布的QS世界大學學科排名（以下簡稱QS）、英國《泰晤士高等教育》雜志發布的泰晤士世界大學學科排名（以下簡稱THE）以及上海軟科教育信息咨詢有限公司發布的世界一流學科排名（以下簡稱ARWU）為國際上較具公信力和代表性的四大國際學科排名，簡稱為“主流學科排名”。但即使是這四大排名，也一直因機構受商業（政治）影響、學科分類不一致、評價指標不完善、評價方法不科學等因素，屢遭質疑和爭議。

（一）" 排名機構受商業或政治影響

主流學科排名機構分屬不同的國家和機構。如QS是英國一家專門負責教育及升學就業的組織。《泰晤士高等教育》最初是一份英國出版的高等教育報刊，從2008年1月開始，出版形式變為雜志。通過分析，可以看出世界學科排名的機構均屬于商業組織。既然是商業組織，毫無疑問，獲得利益是其開展業務和服務的重要目的，同時，其排名機構官網的學校介紹等廣告宣傳也是其獲利的重要途經，如QS 推出的 QS Stars 服務旨在為大學分析問題、找到提升名次的途徑；THE借助排名向大學推銷其雜志廣告，以及數據分析系統THE Data Points[1]；在這一背景下，主流學科排名很難做到完全客觀和公允。查詢近年的學科排名不難發現，英國機構發布的 THE 和 QS 世界大學學科排名中，英國本土大學排名靠前，而由美國機構發布的 US News學科排名則由美國大學占據絕對優勢。以計算機學科為例，牛津大學的計算機在THE、QS、US News中的排名分別為1、6、65；化學學科排名中，QS化學學科排名前十的大學包括美國高校5所，英國高校2所，然而在US News化學學科排名中，前十所高校包括美國高校6所，但不包括英國高校。

（二）" 學科分類不一致

主流學科排名的學科分類依據和種類有較大差別。如US News將學科分為22類，關于生命科學類學科領域劃分過細，包含生物學和生物化學、微生物學、分子生物學與遺傳學、環境生態學4個學科領域，但對人文學科和工程學領域劃分比較籠統，其人文類僅社會科學與公共衛生一個學科，工程類僅工程學一個學科。“雙一流”學科入選的共有108種學科（一級學科或交叉學科），累計465次[2]。如物理學、化學、材料科學和計算機科學等理學或工學學科在國際上都有相應的學科劃分，但是如中國史、中醫學、中國語言文學等具有中國特色的學科在主流學科排名中找不到其所屬學科領域，更無法對其排名。因此，完善我國的學科分類，建立中國特色的世界一流學科評價體系，是“雙一流”建設的前提。

（三）" 學科評價指標存在缺陷

通過分析主流世界大學排名指標體系可知，THE、QS 和 US News 均采用主客觀結合的方式進行評價。在結構上，THE的評價指標具有簡潔、客觀、全面等優點，但指標整體上軟性比重偏大，主觀性過強，對于綜合性大學和一些歷史悠久的名校有利；QS排名指標體系較為多元，但其評價指標學科聲譽的可靠性也遭受眾多質疑，聲譽調查的地域和行業分布不均衡、調查對象的專業性和公正性、英語地區國家調查反饋率占優等實際問題，給西方傳統名校或位于國際大都市的大學賦予了天然優勢[3]。

（四）" 數據來源有局限性

當前主流學科排名的數據來源依據WOS數據庫或愛思維爾數據庫，數據庫收錄的范圍直接影響了學科排名。隨著互聯網和大數據時代的到來，大數據技術為我們提供了獲得“大”而“全”數據庫的支持[4]。在高等教育領域，借助大數據技術對高校人才培養的各個環節進行評價與監控已成為必然趨勢，通過教學評價實現學習變革的時代已經到來[5]。因此，未來國際學科評價的數據來源將不僅限于WOS數據庫和愛思維爾數據庫，谷歌學術、Springer Link、Education resources information center等也將作為學科評價的數據源。學科評價范圍也將從國際知名大學延伸至普通高校和新建高校，評價指標趨于多元化和國際化，評價過程趨于動態化和數字化，評價結果趨于個性化和可視化。

二" 大數據給學科評價帶來的影響

大數據時代，大數據、人工智能和云計算等新一代信息技術在教育領域廣泛應用，基于大數據的科學研究范式、網絡新型學術資源、大數據分析工具等不斷發展，知識形式的多媒體化與富媒體化、知識內容的關聯數據化、知識傳播的開放共享、學術合作的網絡化協作化等推動學術交流方式模式變革，對傳統的基于計量學和以指標體系法為主的學科評價的評價對象、評價方法、評價工具都產生了較大影響[6]。

（一）" 支持學科數據的全面采集

海量的數據或大規模的數據是大數據的主要特征之一。大數據時代，數據的收集問題不再成為評價工作的困擾，采集全量的數據成為現實[7]。而學科評價最理想的狀態是對全部大學的所有學科數據進行采集，保障數據的全面性。在數據采集方面，既包括古老大學的學科數據，也包括新建高校的學科數據；既包括過去的數據，也包括正在發生的數據。因為擁有全部的數據，使我們從多角度進行分析，學科評價結果更客觀、更及時、更精確。

（二）" 支持多類型學科數據存儲

大數據時代，學科數據的類型包括結構化數據，以文本為代表的非結構化數據和以Web站點為代表的半結構化數據。在學科發展過程中，半結構化數據和非結構數據所占比重越來越大，傳統的關系數據庫不適合存儲大量非（半）結構化數據。因此，學科數據的存儲系統不僅需要以極低的成本存儲海量數據，還要適應多樣化的非結構化數據管理需求，具備數據格式上的可擴展性[8]。目前，大數據存儲系統多采用Hadoop分布式存儲方式，擅長存儲大量的半結構化的數據集，并以可靠、高效、可伸縮的方式進行數據處理。

（三）nbsp; 支持個性化學科評價

學科評價單一的排名呈現形式已經不能滿足人們多樣化的需求。大數據可從多維度對學科進行個性化評價，如依據就業、科研、師資等單一指標進行學科評價，也可以依據學科競爭力、學科排名等進行綜合評價。同時，利用Cite Space等數據可視化工具，將學科評價結果可視化呈現，保障學科評價精細化、專業化、個性化的需求。

三" 基于大數據技術構建世界一流學科評價體系

目前大數據技術已經廣泛應用在監測學生學習、預測學習成績、為學生提供個性化服務等方面[9]，但是其在學科評價領域的應用研究較少。如何有效地應用大數據？真正發揮數據的價值并進行科學的預測，促進“雙一流”學科的可持續發展？筆者在大數據技術的基礎上，嘗試構建了世界一流學科評價體系，如圖1所示。

（一）" 確定學科數據

入選“雙一流”建設的世界一流學科共有108種（一級學科或交叉學科），累計465次。涉及哲學、經濟學、法學、教育學、文學、歷史學、理學、工學、農學、醫學、管理學和藝術學12個學科領域。工學門類擁有最多一流學科，哲學門類則最少，如圖2所示。

學科數據是反映學科發展的過去數據和正在發生的數據，是反映學科質量的顯性數據和隱性數據。主要包括：①學科聲譽數據，學科聲譽評價大多傾向于同行專家對學科學術聲譽或教學聲譽的評價；②招生就業數據，主要包括學生的入學成績、學習來源、國際學生比、學習興趣、畢業率、就業去向、畢業后的薪酬等；③人才培養數據，主要包括課程設置、學術氛圍、科研環境等；④科研投入及產出數據，主要包括經費投入、人均經費情況、科研投入、科研成果產出、科研成果轉化、科研創新、社會貢獻等；⑤教師隊伍數據，主要包括教師學歷、職稱、科研素養、科研成果、職業道德等數據；⑥實驗室及設備數據，主要包括實驗室面積、生均面積、先進設備等。

（二）" 建立學科評價數據庫

數據采集。通過網絡爬蟲技術，在學校官網、教育部網站、地方政府網站、Web of Science、Elsevie、CNKI等網站獲得學科的各類數據。如：教師隊伍數據、經費投入數據、生源質量數據可主要通過學校官網、教育部等網站獲得；學科產出數據：科研產出、人才培養、社會貢獻等主要通過學校官網、Web of Science、Scope、CNKI等數據庫獲得；學科環境數據：學科文化氛圍、學術氛圍、犯罪率等可以從學術滿意度調查或高校評價網站等獲得。

數據預處理。通過網絡爬蟲或網站公開API等方式從網站上獲取數據信息。該方法可以將非結構化數據從網頁中抽取出來，將其存儲為統一的本地數據文件，并以結構化的方式存儲。它支持圖片、音頻、視頻等文件或附件的采集，附件與正文可以自動關聯。通過KNN、SVG降維、K-means聚類、LDA等方法對學科數據清洗、降維、分析。

數據存儲。對于從數據源采集到的各類學科數據，以數據庫的存儲方式對其進行保存，為應對海量學科數據的存儲需求，這些存儲方式大多采用分布式架構。為支持復雜的分析挖掘任務，數據存儲會以分布式數據倉庫為主要的存儲及管理方式，并分為臨時存儲區、操作性數據倉庫、大數據倉庫和數據集市四層。

（三）" 構建世界一流學科評價體系

世界一流學科評價體系的構建，需在“系統論”“測度論”“鉆石理論模型”等理論指導下，有效摒棄主流學科評價指標體系零散、片面、繁冗的不足，直指我國“雙一流”建設目標，構建框架層次清晰、結構分明，突出中國特色和中國魅力的評價體系。

1" 構建評價模型

基于主流國際學科評價指標，初步確定世界一流學科評價體系的一級指標（見表1），即學科聲譽、學科環境、學科條件、學科產出。學科聲譽是同行、社會、學生等利益相關者對學科的一種主觀評價，是學科的隱性資產；學科環境主要是指影響學科發展的外部環境因素；學科條件是決定學科設立、發展的基礎因素；學科產出主要是指通過學科自身發展，在推進學科領域研究深入，促進學生能力提升，推動社會發展進步等方面取得的成績的總和。

2" 模型驗證及完善

將數據集分成k個子集，互相獨立，保證每個子集的數據分布一致。之后，每次使用k-1個子集合并作為訓練集，剩下的一個子集作為驗證集，這樣可以得到k個訓練集/驗證集。從而進行k次訓練和測試。最終返回k個測試結果的平均值。通過Elastic Net回歸對模型進行訓練，檢驗模型的精度、泛化能力，以確定最優的模型。最后，在前期驗證模型的基礎上，完善模型指標的權重及內涵。

四" 結束語

基于大數據理念構建世界一流學科評價體系，該體系既支持海量數據的采集與存儲，又體現了世界一流學科評價的高效性和精確性。在評價內容方面，既體現了國際化，又體現了民族性和中國特色。在評價結果方面，既可以用直觀的、可視化方式呈現，又可以多形式滿足個性化的需求。將學科大數據與世界一流學科評價體系進行多維的有機結合，實現工具理性與價值理性的統一，從局部樣本到全部樣本以實現海量數據下的評價對象突破，從指標視野到大數據視野以實現大數據驅動下的學科評價理論突破，從碎片化到組織化以實現基于知識融合的學科評價方法突破，從排名功能到監測與診斷功能以實現學科多元評價實踐突破，是“雙一流”建設背景下構建創新、多元世界一流學科評價體系的科學戰略。

參考文獻：

[1] 楊清華，孫耀斌，許儀.建立中國特色的世界一流大學評價體系[J].中國高等教育，2017（19）：42-45.

[2] 邱均平，牛培源.我國國家重點學科的布局分析與發展建議——基于第三批國家重點學科的計量分析[J].學位與研究生教育，2008（5）：50-55.

[3] 李燕.世界一流學科評價及建設研究[D].合肥：中國科學技術大學，2018.

[4] RAY S， SAEED M. Applications of Educational Data Mining and LearningAnalytics Tools in Handling Big Data in Higher Education[J]. 2０１８（Ｃｈａｐｔｅｒ ７）：１３５－１６０．

[5] 馬星，王楠.基于大數據的高校教學質量評價體系構建[J].清華大學教育研究，2018，39（2）：38-43.

[6] 楊昭.大數據時代高校圖書館世界一流學科評價服務研究[J].圖書與情報，2018（5）：81-86.

[7] WILLIAMS P. Assessing collaborative learning： big data， analytics and university futures[J]. Assessment amp; Evaluation in Higher Education， 2016， 42：1-12.

[8] LI S， NI J. Evolution of Big-Data-Enhanced Higher Education Systems[C]//EighthInternational Conference on Internet Computing for Science amp; Engineering. IEEE， 2016.

[9] 李燕，陳偉，張淑林.大數據在高等教育領域應用的探析[J].電子科技大學學報（社科版），2018，20（2）：102-108.

基金項目：教育部社會科學研究青年基金項目“以需求為導向的世界一流學科建設創新機制研究——以江蘇省為例”（20YJC880050）；2022年度省教育科學規劃課題高校青年教師專項“江蘇省高校一流學科建設績效評價研究——基于國際學科排名觀測視角”（C/2022/01/05）

作者簡介：李燕（1986-），女，漢族，河南濮陽人，博士，講師。研究方向為高等教育，教育數據挖掘。