大数据时代人才培养改革的探索

赵丽

摘 要：信息技术、人工智能发展十分迅猛，大数据是信息时代的主要特征之一。面对大数据，我们如何利用好其优势，对高等学校人才培养工作进行改造，更好地提高人才培养的质量和效果，是值得研究的课题。文章围绕大数据时代，结合一些研究和部分学校的实践，探讨如何运用大数据的思维、方法和技术对人才培养工作进行改革。

关键词：大数据；人才培养；改革

中图分类号：C961 文献标志码：A 文章编号：2096-000X（2017）21-0171-03

Abstract： Rapid development of information technology， artificial intelligence together with big data is one of the major features of information age. Facing the era of big data， it is an important study subject that how can we give full play to its advantages to reform the talents cultivation in universities and colleges thus quality and effect of talents cultivation. Based on some researches and experience of some colleges， the author discussed about how to apply the thinking pattern， method and technology of big data to reform the talents cultivation.

Keywords： big data； talents cultivation； reform

一、大數据思维和方法

2012年，联合国发布白皮书《大数据促进发展：挑战和机会》，指出大数据时代已经到来，它将对社会各个领域产生深刻影响。2012年3月，美国总统奥巴马发表了《大数据研究和发展倡议》，旨在提高利用大量复杂数据集合获取知识和提升洞见能力，投入金额高达2亿美元，用于大数据收集、管理的最新技术的构建。

大数据有四个特点：第一，数据量巨大，大数据的起始计量单位至少是PB（1024TB）级，信息化手段积累形成了体系庞大的数据；第二，数据类型繁多，比如音频、视频、图像、地理位置等各类数据；第三，数据处理速度快，比起人工统计处理快了不知多少倍；第四，数据价值密度低，但数据整合处理后商业价值高，可以挖掘许多关联性和发展趋势预测，从而为各方面决策提供支持。

大数据方法和技术很多，主要有大数据存储、发掘、可视化、分析、推荐等等。

大数据的思维，根据舍恩伯格在《大数据时代》中的阐述，包括三个方面，第一，不是随机样本，而是全体数据。由于数据量大，处理也快速，所以可以对所有数据进行分析处理。第二，不是精确性，而是混杂性。世界上只有5%的数据是结构良好的，95%是非结构化的，不能只关注精确化的数据。第三，相关性而非因果性。过去通过数据追求因果关系，揭示“为什么”，现在通过大数据能够发现和得到不同变量之间的相关，知道“是什么”，却不一定能够说明“为什么”。诸如学生的学习成绩和学生在宿舍的时间之间有关联。

二、运用大数据方法改革人才培养

高等学校的主要功能是培养人才。人才培养的改革，涉及专业设置、培养目标与规格的确定、培养规模的测算、课程内容的完善、学习方式的改进、教学质量的评估、学生的个性化培养、学生的毕业与就业等许多方面。大数据的运用有助于这些方面的改革。

（一）了解行业需要信息调整培养目标

高等学校是为社会各行各业培养专门人才的，人才培养的质量影响着各个行业的发展。要提高人才培养质量，就要了解各个行业的发展变化和对人才类型与素质的新要求，从而对培养目标、培养课程、教学活动、素质评价等作出一定的调整，使人才培养更加及时地贴近社会发展的现实，更好地发挥高等学校的育人功能。

过去学校对社会各个行业的关注不够，所以专业的培养方案及课程长期不变，所培养的人才与社会需要脱节，学生找不到合适的工作，或者不能很好地适应岗位的要求。对行业采用比较传统的座谈、实地考察、问卷等方法调查，获得的信息比较有限。现在行业的大数据积累、共享的机制已经建立并较易获得信息，可以通过政府、企业网站等去获取数据，学校可根据行业信息去调整专业设置人才培养目标等。比如对餐饮智能人才需求的调查表明： 首先，64%的企业希望主要从院校引进，36%的企业考虑自行培养或从其他单位引进。其次，受技术更新和信息社会发展的影响，97. 9%的企业希望商务智能岗位员工接受过专科以上教育。此外，对专业及能力的要求更注重专业性，主要包括信息管理、数据处理、电子商务、统计和管理等。

（二）制作MOOC课程和推送学习资源，实现优质资源分享

MOOC是大规模在线开放学习课程，是面向社会公众开放的网络课程，是一种免费的教育资源。2012年起，美国诸多著名高校掀起了MOOC风潮，如斯坦福大学的Coursera，Udacity，国内的如清华的“学堂在线”、“网易公开课”等。它具有大规模、开放性、在线性3个典型特征。MOOC的兴起对于优质教育资源的分享，实现教育的普及和均衡无疑发挥了重要的作用。同时由于它是在线课程形态，学生学习课程的过程也形成了学习的大数据，记录学生学习的时间、方式、互动情况、测试结果等，可以进行大数据的学习行为分析和评价。

平台和网站还可以根据学生的信息和喜好大数据，推送所关注和需要的学习资源，使资源的使用具有针对性。推荐系统通过建立用户和信息产品之间的二元关系，利用已存有的选择过程或相似性关系来挖掘每个用户感兴趣的对象，进而进行个性化推荐。一方面帮助用户筛选对自己有价值的信息，另一方面能够将信息推送到目标人群中。推荐系统有几种类型：基于用户行为数据的推荐，根据用户行为的相似性来推荐；基于用户标签数据推荐，即通过用户标注的标签进行推荐；基于上下文信息推荐，即根据用户所处的时间、地点、心情等因素推荐；基于社交网络数据推荐，就是利用朋友之间的信任进行推荐。

（三）了解学生学习状态并有针对性进行指导，实现个性化培养

过去肉眼观察学生学习情况，教师精力有限关注范围也小，现在通过视频影像、网络记载、手持学习工具等手段，学生学习过程的信息就很容易获得了，甚至学生的微表情，也可以通过获取并进行分析。此外，学生存在个体差异，需要加强个性化的指导。在信息技术环境下，学习者的自主学习能力增强，教学者的教学方式也在信息化中不断演进变化，以学生为中心的学习模式将会成为主导。

通过学习行为和结果等大数据，可以分析出学习者的学习爱好、学习倾向、学习动机、学习风格、知识掌握的情况和存在的问题等。做到个性化的推送学习资源，精准化的辅助学生进行学习，自助化的完成学习所要达成的学习目标。比如，语言智能中心开发的英语考试测评系统，能够判断学生英语学习的对错，分析原因，并针对出现的错误，提供具体的分析和有针对性的辅助性学习资源。

（四）监测教学质量并提出反饋建议

教学质量监控主要通过考试成绩、学生评教等方式进行，过去手段比较原始简单，数据较少，处理也不及时，起到的反馈作用有限。现在有了大数据，建立教学质量监控体系，主要是对教学与管理中发生的大数据收集分析以及价值挖掘，从而改进教育决策、教学实施和内部治理。教学质量监控体系以大量有价值的信息的挖掘、处理、共享为源动力，进行目标控制、过程管理、信息反馈、自我评价和调试改进等一体化循环运行。

完善相关的评价体系和制度，也有赖于大数据的挖掘和分析。基于大数据的积累，进一步贯彻落实《教育部关于普通高等学校本科教学评估工作的意见》（教高[2011]9 号），建设和丰富本科教学基本状态数据库，并以此为基础搭建学校教学质量监控信息平台和数据分析决策系统。常态化推进本科教学质量年度报告制度、毕业生质量调查制度、学生学习满意度调查制度，及时向社会及行业领域公布相关数据。同时，继续推行领导干部听课检查、校内督导专家听课评教、学生网上评价、教学信息员信息反馈、教学联席办公会通报等教学质量评价信息反馈机制。

河北工业大学对学生综合素质进行了大数据的聚类分析，提出指导建议。大学生综合素质评价是个系统、动态、持续的过程，其数据来源于学生在校期间各方面的数据，从各项学生素质数据进行聚类分析，得出有意义的聚类集，分为四类，从而挖掘出利于学风建设改进的信息。

（五）指导学生的校园生活和就业

人才培养不止于知识学习，还包括思想教育、身体锻炼、人际交往、社会实践等，通过大数据分析可以有针对性地教育引导学生。通过可穿戴设备，如计步器等，随时记录学生的相关活动信息，汇集到学校信息平台上。一方面，学生可以通过数据自我监控和自我管理调节，另一方面也可帮助学校改进学生管理，完善场地设施，丰富学生课外生活。

就业是学生十分关注的问题，也是衡量人才培养质量的指标。通过大数据指导学生就业也将发挥积极作用。建立毕业生就业分析系统，为高校就业管理部门及时掌控毕业生就业情况提供了有利的支撑，包括毕业生就业率、签约率、升学率、就业地域、就业形式、就业行业、专业相关度等内容的统计分析。就业分析系统要兼具以下功能： 学生基本数据、图表、报表的自动生成功能，订制报送功能，按权限推送相关部门的功能等。还可建立数据追踪系统，主要包括新生调研、职业倾向测验、毕业生入职调研分析等功能。数据追踪系统依据权限向相关管理部门和授课教师、就业工作研究者开放，通过掌握学生的基本情况，反馈到学生专业学习职业指导之中，促进学校就业指导工作的深入发展。

有学校对贫困学生帮扶精准就业进行了探索。研究认为，贫困大学生多为来自农村或城市下层的贫困家庭，生活圈子狭窄，社会资源匮乏，尤其当前就业市场有待规范、用人环境尚存不正之风，贫困大学生通过家庭背景或社会关系获取就业渠道不畅；同时，贫困大学生就业价值取向呈现更加务实、逃避基层等特点，就业成本支付能力偏差，就业效率及就业质量偏低，毕业即失业概率增大。大数据应用，可以更加便捷、实时获取并整合贫困生、学校及招聘方三者信息，为构建预警机制提供可能，减少渠道不畅、信息匮乏而造成贫困大学生就业机会不对等。以阜阳师范学院为例，根据《2016年就业质量报告》显示，2016年贫困毕业生1521人、占毕业生32.13%，根据经济状况、个人健康、学习实践及就业意向等数据的跟踪分析，前移就业问题，先后实施分类指导、个别警示、一对一帮扶，开展就业技巧培训、职业素质拓展、就业心理咨询等，帮扶覆盖面达85%，约1200人顺利就业，精准帮扶能力大幅提升。

三、运用大数据方法改进人才培养的具体策略

大数据在改革人才培养方面可以发挥很大的作用，应如何发挥好这种作用，还需要从大数据本身来加以系统思考、研究和探索。

（一）加强智慧校园与学校管理大数据平台的建设

首先要加强智慧校园的建设，让学校环境智能化，便于数据的采集和集中。要做好校园智能化的规划和设计，从软硬件的配备上布置足够量的光缆，配置足够的电脑以及学习用的移动设备，购买管理的软件等。

其次，建立完善教学管理系统、人事师资系统、科研管理系统、大学生创新创业信息系统、MOOCS 等一系列数据管理平台和教学资源平台。有平台才能形成和聚集数据。

平台建设过程中，要注意两个转变，第一是由“分”向“集”的管理转变。现有的教务管理平台由各学院的教务部门完成相应的工作，包含排课选课、排考选修、调停补课、成绩评定、毕业审核等工作。大数据教务管理中“大数据”存储技术进一步实现了高度共享数据，便于集中化管理，所有的教学数据由教务处统一管理，使学院数据中心转变为到大数据中取数据。这导致教务管理发生本质性改变：一是信息孤岛化、模块化、独立化被消除，基础设施建设费用也势必会缩减；二是促进教务信息的高度融和与共享，为教务管理进行流程化改革提供了技术支持；三是数据质量的准确性得到提升，数据分析能力同样得到提升。第二是从实向虚的机构转变。现有的教务管理平台基本上依靠人工纸质形式形成教学数据，最终输入教务管理平台而实现。大数据教务的应用，使得信息加工利用能力迅速得到提升，尤其对未来高校覆盖移动网络和普及移动终端，教务管理运行及需求服务不受任何限制：地理位置、工作时间等，教务管理服务朝着虚拟化、组织化方向发展。此外，学校内外不同主体的联系链接也要便于实现。比如就业服务平台的搭建，要将高校、学生、用人单位三方密切、便捷地联结成一个整体，就业服务平台要兼顾到三方的诉求和互动关系，促成三方的便捷使用，提升用户的使用体验。因为就业和需求分析等不仅仅是校内数据的问题，也包括校外社会的数据，以实现校内外的链接。

（二）学生信息的采集

现在学生的信息化水平都比较高，手机成为生活必备品，使用手机的时间也比较长。这些对于大数据的管理是有帮助的。如何把学校各种管理的软件、平台和学生的各种智能装备联通起来，帮助学生积极形成数据习惯，需要做一些设计实现。另外要让学生把自己放在集体、群体和各种微信群中去进行群体学习、比较分析等，发现自己的优点和不足，及时进行自我矫正和调整，加强自我教育和自我管理。

（三）数据的规范管理

规范管理制度缺失。一方面，数据的收集、管理缺少统一的标准和规范，源自高校各部门、各层面的大学生数据条块分割，有采用VF、Oracle等数据库，也有直接使用Excel管理数据，各部门也并不清楚哪些数据对大学生学习或就业帮扶有价值、应分享，制约了数据助推精准帮扶的价值利用。另一方面，数据利用和隐私保护存在矛盾，如何有效利用好信息价值和保护好个人隐私是管理工作的一个难题。

大数据助推大学生就业精准帮扶的应用是建立在尽可能获取更多、更全的个人信息基础上的，并且通过技术分析得出数据间掩含着的关联，进一步揭示大学生思想状况、行为规律、价值取向等个人信息。如果要实现隐私保护就需要掩藏价值数据，而掩藏数据又将造成数据交流、共享及其价值体现的极大限制，实践中这种矛盾将在一定时间内必然存在，需要管理制度的不断完善去逐步解决。

（四）培养大数据分析人才并提高管理者数据处理水平

大数据的使用需要专门的大数据人才，也需要提高一般管理者的数据处理水平。据麦肯锡全球研究院的报告，预计到2020年，数据科学家将有14万-19万人的缺口。高校重点培养、组建一支具有大数据背景的专业技术人才队伍，加强数据分析和价值挖掘能力。在此基础上，积极构建大学生就业精准帮扶系统，比如基于大数据建立大学生就业个性帮扶网站，集数据分析、就业咨询及个性指导等为一体，打造高校、招聘及应聘三方立体互动模式，时时跟踪大学生学习实践及關注热点、了解大学生思想动态及价值标准、掌握大学生就业取向及求职能力，提高精准帮扶水平。

（五）数据挖掘与分析及决策运用

学校领导、教务管理部门、二级学院在人才培养过程中，面临许多决策和实施的问题，都需要依赖大数据的挖掘分析提供支持。要通过挖掘分析形成一些模型，比如教师的信息与教学质量的关系、学生学习状态与教学质量的关系、不同学科或课程的学习状态与学习效果比较、学生学习时间投入状况、学生课外生活状况与学生发展、学生状况与就业等各种相关性。

参考文献：

[1]夏大文.DT时代大数据人才培养模式探究[J].西南师大学报（自然科学），2016（9）.

[2]冯超颖.餐饮业商务智能现状与人才需求研究[J].四川旅游学院学报，2016（6）.

[3]田世海.大数据背景下高校人才培养超网络模型研究[J].科技与管理，2016（1）.

[4]陈颖.大数据技术开发利用下高职人才培养[J].当代经济，2015（14）.

[5]谭林海.大数据时代大学生学习方式变化探析[J].电脑编程技巧与维护，2017（10）.

[6]朱丽丽.大数据时代高校教务管理变革研究[J].中国成人教育，2016（21）.

[7]杨晓茹.大数据时代高校教学面临的机遇和挑战[J].现代交际，2016（12）.

[8]徐悦.大数据在贫困大学生就业精准帮扶中的作用[J].高校辅导员学刊，2017（3）.

[9]齐巧珍.基于大数据分析的高校学风建设研究[J].高教学刊，2016（24）.

[10]马仲吉.教育信息化时代的个性化学习研究[J].中国教育信息化，2017（6）.

[11]刘大北.日本大数据时代的人才培养倡议[J].电子政务，2015（10）.