周学智 周博智 陈星洲
(1.中国石油大学(北京) 地球科学学院,北京 102200;2.湖南省郴州市委 办公室,湖南 郴州 423000)
知识发现是从数据中发现有用知识的整个过程。数据挖掘则是数据库中知识发现的核心,是从大量的、不完全的、有噪声的、模糊的、随机的数据中,提取隐含在其中的,人们事先不知道的,但又有潜在的有用信息和知识的过程。[1]数据挖掘虽然只是数据库中知识发现的一个步骤,但却是最重要的一步。人们把原始数据看作形成知识的源泉,就像从矿石中采矿一样。它最早应用于商业、金融业以及企业的生产管理,其最终目的是为商业决策提供帮助,提高管理效率与水平。它对促进企业的精细化管理,具有重要意义。
精细化管理最早是在20世纪50年代由日本企业提出的。精细化管理是一种管理理念和管理技术,是通过规则的系统化和细化,运用程序化、标准化、数据化和信息化的手段,使组织管理各单元精确、高效、协同和持续运行。精细化管理首先是一个不断追求更好的管理理念,它以“精确、细致、深入、规范”为特征,“没有最好,只有更好”是其思想的内核。其次,精细化管理是一种精益求精的管理方法,即任何一个员工对自己的工作都要坚持由粗到细,由细到精,由精到优,由优到领先,不断地改进和完善,精益求精,不断优化。再次,精细化管理是一个持续改进的过程。这里包含两个含义:一是由粗放到精细是一个永无止境的持续改进过程,二是精细化管理本身是一个过程管理。[2]由于精细化管理在企业管理与运行中的显著效果,它被广泛运用于各管理领域。
由于高校班级管理对象、管理环境的特殊性,高校教育管理在一定程度上,忽视了教育管理同一般管理的共性,偏重以经验为主的管理方式。这使得一些具有普遍实践意义的管理模式和管理手段,没有引进高校班级管理之中,数据挖掘和精细化管理就是其中之一。
数据挖掘技术在班级精细化管理中的运用,是社会发展的客观要求。早在1991年,历史学家黄仁宇就提到“中国过去百年来的动乱,并不是道德不良,人心不古,也不是全部军人专横,政客捣乱,人民流离”,而是因为中国未能像西方那样实行“数目字管理”的现代管理治国手段。数目字管理即以事实为基础,以数据为核心的精确管理。[3](P813)从这个层面来说,准确理解并实现以数据为核心的数目字管理,就把握了时代发展的脉搏。同以往论及的互联网时代相比,21世纪的今天已是大数据时代,这不仅“意味着更广泛、更深层的开放和共享,还意味着更精准、更高效、更智能的管理革命”[4](P308)。随着高校近年来的不断扩招,学生人数大幅度增加,这给高校各项工作带来了严峻的挑战,传统的教学管理手段已不能适应社会的发展要求。高校现阶段对学生信息、成绩等数据的处理,一般还停留在简单的查询和数据库管理阶段,不能发挥数据所具有的潜在作用。以学生成绩为例,教师对学生成绩的分析处理,一般只是统计成绩为优、良、及格、不及格等级别的人数,对于学生为何取得这样的成绩却未深究。因此,开发利用这些数据,理性地分析教学中各方面的成效得失,提高高校管理水平,是社会发展的客观要求。
数据挖掘技术在班级精细化管理中的运用,是进一步提升班级管理水平的重要举措。自精细化管理理念引入班级管理以来,各高校都在积极努力探索,积累了大量的经验与做法。比如西南石油大学针对研究生的精细化管理,制定了《研究生班级干部产生办法》、《研究生班级管理制度》、《研究生干部考核制度》,中国石油大学(华东)则进一步完善了《学生学籍管理规定》、《学生干部目标责任书》等。从中我们也不难发现,这些做法总是在围绕班级制度规范化、班级管理民主化、班级沟通平等化、班级交流形式多样化、班级服务人性化等内容下工夫。这些制度化的文件,虽然看似具有普遍性和指导意义,但在实质工作中,却缺乏可操作性,并且相对于更小的实践单位如班级及个人,又缺乏特殊性。因此,班级精细化管理发展到这个层次,就很难再取得新突破、新进展。而数据挖掘技术的应用,则能有效打破当前精细化管理的瓶颈,从极细微处着手,实现班级精细化管理水平的提升。
数据挖掘技术在班级精细化管理中的运用,是实现学生全面自由发展的必由之路。就一般意义而言,我们在谈及班级精细化管理时,总是主观上将精细化管理的目标和着力点落在了班级这一层面,认为精细化管理就是要实现班级整体力量最大化,将班级建设的目标设定为建设优秀班集体、十佳班集体这类大目标之上。这使得辅导员将更多的精力和关注点放在能够为班级赢得荣誉,取得成绩的优秀学生之上,而对后进生缺乏必要关注,导致在学生培养上出现断裂。我们应当认识到,班级精细化管理的核心理念还是以人为本。就发展层面而言,其至少包括四个基本维度:自主发展,个性发展,可持续发展和全面发展。四个维度的对象,应当是包括后进生在内的班级每一个成员。因此,班级精细化管理的最终落脚点,还应回归集体中每一成员的精细化管理,要建立基于学生个体能力、潜质、发展要求为基础的,更为完善的数据挖掘技术。
图1 数据挖掘过程模型
数据挖掘技术的运用,必须基于班级数据仓库的完善。研究显示,数据挖掘过程一般包括数据准备、数据挖掘、结果表达和解释三部分,见图1。因此,没有完备详实有效的数据为支撑,而试图在数据中发现新的知识,实现设定的最终目标,无异于缘木求鱼。作为班级精细化管理的规划者和实践者,高校辅导员首先就需要在学生入学开始,在学生父母的监督指导下,完成学生基本信息的收集,确保信息的真实有效性。收集的信息除学籍登记卡需要的信息外,还至少包括学生的兴趣爱好,主要经历,家庭背景,对国家、社会、家庭的看法和观点,将来的目标和人生规划等内容。在条件允许下,甚至可以让学生提交个人简历,以加深对学生的了解与把握,实现信息的多样化和全面化,为数据挖掘提供数据支持,避免出现信息盲点。高校辅导员在完成信息收集后,要尽快建立自己所带班级的数据仓库。数据仓库不同于以往简单的数据库。它不是信息的简单汇总,而是在辅导员设定班级精细化管理应实现目标指导下的数据有机分类和有效整合。信息既有可能是纵向的学生基本信息,也可能是同寝室、同专业,甚至同年级的横向对比。只有这样,高校辅导员才能从数据中发现自己所需的信息,为班级精细化管理决策提供帮助。
数据挖掘技术的运用,必须基于深度辅导的成功实践。2009年,北京市委教育工委为切实扩大大学生思想政治教育覆盖面,增强其针对性和实效性,在北京高校中大力推进辅导员深度辅导工作,明确要求“每名学生每年得到至少一次有针对性的深度辅导”,并把开展此项工作,作为深入贯彻落实《中共中央国务院关于进一步加强和改进大学生思想政治教育的意见》精神的重要举措,以及推进大学生思想政治教育的有力抓手。当前,高校广泛开展的面对面、一对一深度辅导,对于解决学生存在的学业、心理、情感、职业发展等问题,提供了巨大帮助,并取得了显著成效;但另一方面,也使高校部分辅导员将深度辅导的作用,局限于解决某一学生某单一问题之上。通过深度辅导这一有效载体,高校辅导员可以有目的地对自己已掌握的数据进行确定与核实,并获取新信息,以实现对班级信息仓库的增容,为进一步实施数据挖掘创造条件。因此,深度辅导不是简单意义上的师生谈话,而是有着较高专业化、科学化要求的思想政治教育活动。遵循科学原则,做好前期准备,采用适当方法,高质量高水平地做好辅导工作,对于做好班级精细化管理,具有重大的意义。
数据挖掘技术的运用,必须基于辅导员能力的提升。不论是从数据信息的收集汇总,还是到数据仓库的建立,不论是深度辅导内容的进一步完善和频率的增加,还是从数据之间寻找新思路,从细微之间制定班级精细化管理新方案,这除了需要高校辅导员要做更多大量细致的工作外,还需要辅导员在数据收集、数据处理、数据挖掘和数据决策等多方面,能力得到全面提升。当前,数据既有结构化的也有非结构化的。前者是指存储在数据库中,有统一结构和格式的数据,比较容易分析和处理。后者则无法用数字或统一的结构来表示信息,包括各种文档、图像、音频和视频。这种数据没有统一大小和格式,是数据挖掘的一大挑战。而在教育管理实际工作中,非结构化的数据占有绝大比例,因此,数据处理能力就要求辅导员在班级精细化管理中,能够将所收集的各类信息进行分类。数据挖掘能力可以是演绎的,也可以是归纳的。它要求辅导员善于归纳分析,对学生一学期学习成绩单、学生评估表进行观察和分析,将其整理成有序的数据,并能够推断出一些隐藏在表象背后的信息。数据决策能力,就是要求高校辅导员在数据和数据处理基础之上,做出正确的管理决策,以数据指导实践,以实践实现目标,发挥数据的预测功能。
数据挖掘技术的运用,必须基于学校信息的全面共享。数据对于数据挖掘的作用不言而喻。要完整把握学生的信息,特别是全面掌握学生课外时间的生活规律,仅仅依靠辅导员所获取的数据,是远远不够的,更需要实现全校所有信息的共享。而当前,高校中普遍存在着各处(部)各自为政,所掌握的信息难以共享的现象。各学院、图书馆、学工处、教务处、后勤等各有各的数据系统,且不兼容,但在现实工作中,这些数据却有着重要意义,例如辅导员能够从图书馆掌握学生的借阅情况,知道其读书爱好,从而有助于培养其独立人格;也可以通过后勤网络系统,了解学生的每月消费情况,对是否为家庭贫困学生进行甄别,对可能是贫困生却不愿意告知他人的学生,发放经济补助;还可以通过网络中心,获悉学生每天在寝室的上网时间,确定其是否可能逃课,推断其是否可能发生网络成瘾的状况;辅导员同样也能通过教务系统同一课程进行分析,分析差别存在的原因,从而有针对性地制定解决方案。因此,当前高校亟待构建完整的校园数据系统,通过整合兼容实现共享,为数据挖掘创造必要的条件。
参考文献:
[1]张儒良,等.论数据挖掘优化教学管理[J].贵州民族学院学报,2004(2).
[2]宋利.解读精细化管理[J].中国电力企业管理,2007(5).
[3]高洞.黄仁宇作品集[C].武汉:长江文艺出版社,2003.
[4]涂子沛.大数据[M].桂林:广西师范大学出版社,2012.