高校精准资助路径探析

陶俊清

(东华大学 学生处， 上海 201620)

高校精准资助路径探析

陶俊清

(东华大学 学生处， 上海 201620)

在大数据时代背景下，如何精准认定、准确资助，是高校学生资助的一个大问题，打造资源共享，精准认定资助新模式，建立实时动态、及时完善的管理思路，对提高高校精准资助水平具有重要意义。本文通过对高校学生资助工作的现状进行分析，构建了高校精准资助实施路径模型，且以东华大学为例，收集分析了各项数据；并针对现状提出了实施精准资助的对策建议，拟为相关部门提供决策参考。

大数据； 精准资助； 路径

当今世界，正在从数据时代走向大数据时代[1]。所谓大数据技术，是指从各种各样类型的数据中，快速获得有价值信息的能力。它通过技术的不断创新与发展以及对数据的全面感知、收集、分析、共享，为人们提供了一种认知世界的全新方法，即决策行为将日益基于数据分析作出，而非像过去更多地凭借经验和直觉。

近年来，党和国家高度重视学生资助工作，为助力贫困生发展，政府出台了一系列的决策部署，并取得重大进展和显著成效，帮助数千万贫困生顺利入学、完成学业。但与此同时，学生资助工作中所存在的隐性贫困、虚假贫困等现象也引起了教育管理部门的注意。2015年，中共中央、国务院印发的《关于打赢脱贫攻坚战的决定》(中发[2015]34号)，对“精准扶贫”作了更为深入的阐释和部署。“精准扶贫”不仅对扶贫工作提出了更新更高的要求，而且也为学生资助工作指明了方向，带来了更为广阔的理论视野和实践空间。在《教育部2017年工作要点》(教政法[2017]4号)中，同样也提到“要提高学生精准资助水平”。可见，新时期的精准资助确实需要依托大数据技术，深入整合教育管理信息，通过数据挖掘与预测性分析，增强高校学生资助工作的准确性和公平性，进而实现精准资助。

一、 高校学生资助工作的现状

(一) 资助工作发展历程

新中国成立以来，随着高等教育的改革和发展，高校学生资助工作经历了从单一逐步向多元化发展的历程。2007年，国家新的资助政策颁布实施以来，各高校积极落实新资助政策，创新机制体制，增加了资助方式，提高了资助力度，扩大了资助范围，并以“资助育人”为核心，逐步完善学生资助政策体系，基本形成了“政府为主导、高校为主体、社会积极参与”的多元资助格局，并且构建了“奖、助、贷、勤、补、免、偿”多位一体的资助体系。目前，大部分高校在资助工作中不但为贫困生提供经济资助、物质支持，帮助他们改善学习和生活条件，还通过开展培训讲座、勤工助学、社会实践等活动，培养学生实践能力、创新能力、创业能力和就业能力，提高综合素质，收到了良好的效果。

(二) 资助工作信息化的困境

近些年，高校学生资助工作呈现出更高、更全面的要求，追求日益精细化，使得工作的难度逐渐增加、效率逐渐降低。针对这一情况，各校进行了学生资助工作信息化建设，取得了不同程度的进展，但是现有的信息系统标准不统一，数据不够开放、难以共享，部分高校的信息系统仅实现了管理者宣传、统计及管理的功能需求，而对学生的实际情况以及现实需要考虑不够。这些信息系统不仅浪费了开发维护成本、制约了信息的有效利用，更阻碍了以育人为核心的新型工作机制的建立进程。

(三) 精准资助面临的问题

习总书记强调扶贫开发要做到“对症下药、精准滴灌、靶向治疗”。“对症”“精准”“靶向”都是在强调要精准把握对象的各项特征。因此，高校实施精准资助首先必须科学把握学生的状态和需求。然而，精准资助面临以下问题：一是现行贫困生认定方法客观性和准确性不足，调查显示50.3%的大学生认为不能有效识别“装穷贫困生”；二是现行资助资金的发放缺乏科学性和统筹性，调查显示59.1%的大学生认为存在资助资源分配不合理的情况；三是目前高校资助工作绩效评估指标尚不够细致与全面，较倾向于考察资助工作本身(如机构建设、资源投入及社会效应等)的发展。[2]

二、 大数据技术推动高校学生资助工作精准化的基本思路

大学生在互联网以及校园网上产生了大量的“痕迹”，为大数据技术的运用提供了良好的现实基础。同时，大数据也已经拥有了一定的认知基础，如调查显示62.8%的大学生支持运用大数据技术识别贫困生。可见，在已然来临的大数据时代，对于高校推进精准资助，“万能”的大数据技术将有助于高校学生资助工作的对症下药、精准滴灌以及靶向治疗：

(一) 对症下药：由传统经验判断转向新型量化评估

人的能力是多方面的，每个人都有各自优势。学生在校学习、生活与实践过程中，表现出来的能力不是单一维度的数值反映，而是多维度、综合能力的体现。大数据时代的到来，让所有社会科学领域能够凭借前沿技术的发展从宏观群体面向微观个体，让跟踪、记录、处理与分析每一个人的数据成为可能，帮助学校对学生进行全方位的评价，即主体多元化、内容多维化、方法多样化，使评价结果更为客观，促进了对学生的多元化评价。

(二) 精准滴灌：由单纯探究因果关系转向挖掘事物相关性

在大数据时代，透过无处不在、各式各样的数据，我们可以发现事物之间的相互联系，测知事情发生的趋势，获取更有价值的社会认知。如面向领域或主题的历史数据与当前数据的融合，对潜在线索与模式的挖掘，对事件群体与社会发展状态的感知。伴随人工智能、机器学习及各类算法的不断进步，大数据技术将会进一步提高信息价值而促成决策、引导行动、规避风险。

(三) 靶向治疗：由片面追求微观细节转向宏观面的前瞻性探索

大数据时代的海量数据内容庞杂、类型多样、来源广泛，分析大数据必须具备宏观掌控能力，在整体层面具备敏锐的直觉和洞察力，利用新型的数据分析工具对整体情况进行透视。针对海量非结构性数据的相关性分析、态势与效应的判定能够揭示事物发展变化的规律，进而对事物发展趋势进行预测。发展预测体现了目前大数据技术最突出的使用价值。

图1 基于大数据技术的高校精准资助工作模型

三、 基于大数据技术的高校精准资助实施路径

根据以上基本思路，本文以发展为目的、智能为方法、学生为对象、资源为要素构建模型，并进一步研究高校精准资助在贫困生的状态识别、资源分配、发展指引以及绩效评估四个方面的实施路径。

(一) 精准化的状态识别

学校可以通过对学生就餐、日常消费、上网设备等数据的实时监测，深度分析学生的经济状况，更准确地做好困难认定的动态管理，使得贫困生及时获得资助，并精准识别出“装穷贫困生”并将之剔除。

(二) 精准化的资源分配

学校将有限的助学金、补助、慰问金等资助经费配发给不同情况的贫困生，为了避免金额等级不匹配和差距过大，可以预先对学生按类别或层次进行划分群体，并设定某一合理的规则，在此基础上将资助资源分配给各个学生群体。

(三) 精准化的发展指引

学校在对贫困生进行资格认定的过程中，已经分析出学生的当前状态。在此基础上可以对比历史数据，针对不同的学生给出基于最优策略的生涯规划指导、选课套餐、实习信息乃至推荐就业岗位，为学生毕业后的可持续发展提供有力的支持。

(四) 精准化的绩效评估

鉴于资助育人的工作理念，资助工作的绩效除了应体现资助工作本身的发展，更要反映出受资助学生的成长，即以学生的成长作为评估资助育人工作绩效的关键指标。在此框架之下，通过大数据技术，分析得出受资助学生的成长情况，并以此评估资助工作的绩效[3]。

四、 实施路径下可用的大数据技术

(一) 基于蒙特卡罗模型的学生状态识别

传统的学生评估经常依赖个人的经验，而这种主观性很强的评估行为使得这项工作缺乏科学性，且效率较低。在对学生的生涯规划、评奖评优及困难认定过程中，可以借助大数据技术跟踪、记录、分析每个学生的信息，例如上课出勤率、借阅学术书籍的频率、学习成绩、校内消费数额、晨跑以及借用体育场地或器材情况等各种信息，通过在较为全面的范围内对学生点滴微观行为的捕捉，对学生进行多元评价，帮助我们了解学生的个性特点、兴趣爱好、学习态度、经济状况和当前身心状态等。学校还可以通过对学生就餐、日常消费等数据的实时监测以及处理，深度整合学生相关信息，更准确地覆盖到需要资助的学生，帮助贫困生及时获得人性化资助。

图2 学生数据来源

全国(或地方)的学生资助管理中心已建或正在建设学生资助信息系统，通过整合一定范围内的家庭经济困难大学生的信息，以此为基础数据，构建特征模型(如蒙特卡罗模型)，可实现贫困生的智能认定。

(二) 基于遗传算法的资助资源分配

尽管近年政府、社会以及高校都非常重视大学生资助工作，投入的经费也逐年提高，但给予众多贫困生的资源毕竟有限。面向不同情况的贫困生科学地配发助学金、补助、慰问金等资助经费，这是带有约束的资源调度问题，要求遵守描述关系的一组复杂的规则，且处理此类问题关键是要基于数据、面向规则。例如，绝大多数的学校每年奖助学金的总额、资助人数都会随着政府拨款、社会赞助、学校投入及学生数量等因素的变化而变化，所以每年都需要重新计算、制定新的资助标准，并根据其分配奖助学金资源给符合条件的学生，这一系列的过程非常复杂。对此，学校可以预先对学生类别或层次进行划分，并设定某一合理的限度(如以基尼系数限制最大差距)，在此基础上将资助资源分配给各个学生群体。

将本校困难大学生基本信息库、奖助学金资源库、学工数据(公益活动和勤工助学情况)及教务数据(学习成绩)等无缝对接，以此为基础数据，借助新型的遗传算法等构建数学模型，实现贫困生奖助学金资源分配的动态优化。

(三) 基于人工神经网络的学生发展指引

根据贝叶斯定理，可以通过A的发生估计B发生的概率。学校在对学生进行资格认定的过程中，其实已经分析出学生的当前状态。在此基础上，宏观层面可以及时了解和掌握学生的思想动态，针对学生讨论、关心的热点问题和突发事件，积极进行教育引导，及时化解矛盾冲突，维护好在校学生的思想、舆论安全和稳定；微观层面可以对比历史数据对学生下一步行为进行预判，进而对学生进行有效的指引，或者对状态异常的学生进行有效的干预。例如，学校可以根据收集来的贫困生个性、成绩、兴趣和技能等相关信息，给予其合适的职业规划指导、实习信息乃至推荐就业岗位，通过符合学生实际情况的生涯规划或就业指导，提高就业率，对学生毕业后职业的可持续发展提供有力的支持。

将本校困难大学生的基本信息库、全国(或地方)的大学生心理特征库、学校数据中心及毕业生数据库对接，此为基础数据，借助新型的人工神经网络、决策树等构建可视化模型，模拟未来发展趋势，可实现贫困生职业生涯的个性指导。

(四) 基于聚类分析的工作绩效评估

高校学生资助工作绩效评估具有重要的意义，它不仅是为了对其作出优劣等级的判断，更重要的是为了发挥评估的促进和激励作用，引导高校持续优化资助工作资源配置，对评估指标体系本身的科学性、合理性进行持续不断的检验和改进。然而，目前我国在高校学生资助工作绩效评估领域的研究还处于起步阶段。鉴于资助育人的工作理念，本文认为资助工作的绩效除了应体现资助工作本身(机构建设、资源投入及社会效应等)的发展，更要反映出受资助学生的成长，即以学生的成长作为评估资助育人工作绩效的关键指标。因此，不妨基于贫困生的各方面表现建立数据库，将学生的获奖、发表论文、直升研究生、入伍和基层就业、勤工助学、志愿服务、创业就业等情况纳入学生成长参考系。在此框架之下，通过大数据技术，分析得出受资助学生的成长情况，并以此评估资助工作的绩效情况。

以全国(或地方)的学生资助信息系统中所含奖惩数据、期刊数据库、学生先进典型库及毕业生数据库等为基础数据，借助如新型的聚类分析等构建特征模型，可以对各校的学生资助工作绩效进行综合评估。[4]

五、 实践经验探讨——以东华大学为例

东华大学作为教育部直属高校，资助工作同时受全国学生资助管理中心和上海市学生资助管理中心领导和指导。近年来，学校探索利用大数据技术实现精准资助，在此方面有所收获。具体做法如下：

(一) 采用大数据技术对贫困生实施动态管理

学校每年定期采集学生家庭经济及成员信息、学生本人及受资助信息、学生所在生源地经济水平信息、学生日常消费评价等四大类共千万条数据，对全体贫困生进行资格复查，经过两年的实践，效果良好，贫困生动态调整率接近10%。

1. 识别异常消费

根据前期的研究成果，我们发现贫困生的消费水平与校内消费次数、金额呈现一定的相关性，即校内消费情况可以部分反映学生的经济情况。在实际工作中，基于该学年第一学期全体学生的校内消费数据，识别消费异常高的贫困生以及消费异常低的非贫困生。

2. 识别高档电子产品使用

提前建立高档电子设备数据库，基于此在登陆校园网的设备中识别使用高档电子产品的贫困生。

3. 综合判断

在前两项数据分析的基础上，通过辅导员、民主评议小组的日常了解，综合判断贫困生是否需要降级或取消资格，以及非贫困生是否需要补充认定。

(二) 采用大数据技术评价贫困生的发展水平

根据教育部对学生资助工作绩效考评的精神，东华大学每年定期对全体贫困生的综合发展情况进行梳理和分析，目前将贫困生获奖、发表论文、入伍和基层就业、勤工助学、志愿服务及创业就业情况等评价因素纳入学生成长参考系，通过大数据技术分析得出受资助学生发展情况，以此判断学生资助工作的实际效果。考虑到近年来东华大学招生政策基本稳定，可以说2010—2016年间，学校学生资助工作的质量总体上保持了上升态势，如表1所示：

表1 2010—2016年东华大学学生资助工作质量

(三) 采用大数据技术评价资助资源分配公平度

东华大学还努力通过大数据技术实现奖助学金分配科学化。目前采用的主要指标——基尼系数由意大利统计学家基尼(Corrado Gini， 1884—1965)于1912年提出，是国际上用来综合考察居民内部收入分配差异状况的一个重要分析指标。它是一个比值，数值在0和1之间。基尼系数的数值越低，表明财富在社会成员之间的分配越均匀。一般发达国家的基尼系数在0.24到0.36之间。基尼系数按照联合国有关组织规定如表2所示：

表2 基尼系数的数值含义

参考以上概念，学校每年都会基于贫困生资助总额度计算基尼系数，以此判断该年资助资源分配的公平度。表3为2010年至2016年期间，东华大学面向贫困生分配资助资源的基尼系数，可见东华大学2010—2016年的资助资源分配总体上公平。

表3 2010—2016年东华大学面向贫困生分配资助资源的基尼系数

六、 高校实施精准资助的对策建议

(一) 强化大数据意识

互联网的自由、共享、开放、快捷等特点为高校学生资助工作提供了新的发展机遇，也提出了新的挑战。面对艰巨的全面数据整合，高校的决策者和领导者要有远见卓识，转变思维，从战略上重视大数据，推动高校学生资助工作有侧重地发展，进而提高资助工作水平。高校学生资助工作者要对数据及其处理技术提高认知，重视学生的不同信息数据之间的关系，借助互联网掌握更加真实可信的学生信息，积极自主地对有效数据进行整理、分类、汇总和分析，尽快熟悉大数据背景下的资助工作规律。[5]

(二) 加强工作队伍建设

大数据人才需要理解大数据技术，能够解读大数据分析的结论，深入了解高校各个部门之间的关联性，并且能够根据从大数据得到的结论，制定出可具体执行、管控、评价的相关环节。这些新的挑战与需求，催生高校要系统性地培养大数据专门人才，组建专业化大数据应用与管理队伍。但就我国目前高校学生资助工作者的队伍结构来看，很难在短时间内充实一支既具有大数据技术知识背景，又熟悉资助工作规律的教师力量。为此，高校需要大力培养资助工作者相应的技术能力，例如开展统计学、网络技术等专业知识的培训，使其尽快掌握运用有关技术的能力。

(三) 完善管理制度

1. 信息安全制度

互联网技术的发展使人们发现了大数据的价值，与此同时，个人信息的安全也受到了严重的威胁。在大数据时代，每个人在网络上的踪迹如个人资料、聊天记录、图片、日志等几乎都可以被查到，网络外的生活也很少能逃避“人肉搜索”的威胁[6]。这些敏感数据的所有权和使用权并没有明确的界定，很多基于大数据的分析都未考虑到其中涉及到的学生的隐私问题。因此，高校要加强内部管理，规范大数据的使用方法和流程，加强对重点领域数据库的日常监管。

2. 数据使用制度

高校学生资助工作者要在继承传统工作经验的基础上，根据工作需要和发展需要，建立起完善的数据使用标准化流程，通过制度来规范数据使用，使学校各部门能够密切配合，形成合力，确保资助工作的正常开展。[7]

(四) 建立评估反馈机制

应用大数据技术，使得高校可以对其数据资源采取完全数据筛选的方式来分析、挖掘隐藏在数据背后的规律，从而能够让我们更真实、更全面地了解学生，促进学生的发展。然而，由于当前人们对大数据的认识尚处于探索阶段，大数据在教育领域的研究才刚刚开始，而且大数据提供的也只是参考答案而非最终答案。因此，高校学生资助工作要在实践中摸索出新的工作规律，增强绩效意识，利用科学的方法对资助工作绩效特别是对奖助学金在公平和效率方面的绩效进行综合评价，不断提升高校学生资助的工作质量。[8]

[1] 维克托·迈尔-舍恩伯格，肯尼思·库克耶.大数据时代：生活、工作与思维的大变革[M].杭州：浙江人民出版社，2013，(1)：1.

[2] 刘玉霞.大数据背景下高校精准资助路径探析[J].未来与发展，2016，(9)：69-73.

[3] 季超，王玲.高校学生精准资助工作的难点、对策与路径选择[J].当代教育实践与教学研究，2016，(11)：100-101.

[4] 凌峰，赵丹，汪文哲.基于目标的高校学生资助绩效考核研究[J].辽宁行政学院学报，2010，(12)：105-107.

[5] 万辉.大数据在高校学生管理工作中的应用[J].高校辅导员学刊，2014，(4)：49.

[6] 钟荣丙.大数据时代信息技术创新的演进趋向[J].科技和产业，2014，(11)：162.

[7] 李怀杰，夏虎.大数据时代高校思想政治教育模式创新探究[J].思想教育研究，2015，(5)：48-51.

[8] 黄阳辉.浅谈大数据在高校思想政治教育工作中的运用[J].高教学刊，2016，(21)：241-242.

2017-02-11

陶俊清(1983—)，男，江苏南通人，讲师，研究方向为大学生思想政治教育。E-mail：taojq@dhu.edu.cn

G641

A

1009-9034(2017)01-0047-06