基于大数据的高校学生管理工作创新研究

张颉 颜梦颖 孙正清

摘   要：随着移动设备的普及，各行各业的数据量呈指数增长，怎样合理使用数据中的信息成为各领域关注的热点。高校中往往存在少量教师要管理大量学生的现象。虽然学校各部门能统计到大量数据，而目前缺乏对数据的收集和整合，很难给教师的管理提供帮助。文章旨在研究大数据技术应用于高校学生管理的方法，建立数据库采集有用信息，并使用人工神经网络对数据信息进行挖掘，分析学生的在校状况，为管理者提供决策依据。

关键词：高校学生管理;大数据;数据挖掘

中图分类号：G647 文献标志码：A 文章编号：1673-8454（2020）13-0078-03

一、引言

长期以来，在缺乏完整数据和先进技术手段的情况下，高校学生教育管理主要依托于辅导员的经验，即辅导员依据自己的管理经验对学生情况做出评估判断。但往往学生数量众多，平均每一名辅导员要面对几百个学生，很难面面俱到的了解到每一个学生的情况，而大数据及其技术的出现和发展应用，使得高校学生管理工作有了新的方向和技术依托，所以高校学生教育管理需要大数据的支撑[1]。

高校蕴含着丰富的教育大数据，数据主要源自教育活动过程和根据教育需要采集等方面，而日常教育大数据的产生通常有两方面：一方面是教学活动过程;另一方面是教育管理过程。大学生在校期间的学生生活等各类信息承载着巨大资源可以挖掘，面对海量的数据资源，高校可以通过各类数据中心收集学生各方面的信息，如成绩、出入宿舍、校园消费、图书借阅、获奖等情况。建立数据库，通过算法对数据库中的信息进行挖掘，可以对某个学生的在校情况做出评估，如图1所示。

大数据的运用不仅可以让辅导员通过数据更加直观了解学生在校的状况，实时分析学生的问题，及时获取学生的异常信息，还可以对学生在校行为进行预测，通过学生各方面的数据信息分析展示出学生思想及行为预估动态“画像”，提升高校学生管理工作中决策的精确化和科学化。

二、 教育大数据现状分析

1.数据缺乏联系

已有数据之间的联系并没有建立起来，高校学生日常管理信息数据从各个层面来说都存在数据孤岛的情况，学校各部门、辅导员、专业老师等获取的数据都为各自所用，也只是作为数据保存，没有发挥数据互通的作用和价值。

伴随信息化和数据化的飞速发展，高等学校也在进行相应管理改革，但是在改革进程中关于哪个部门具体负责大数据管理没有明确，高校整体的管理模式仍旧基于传统体系进行，很难有效适应大数据带来的革新，数据量的骤增、数据信息碎片化、数据格式多样化等直接影响数据信息提取的有效性、精确性和完整性[2]。

2.数据使用种类单一

针对高校教学而言，信息化技术已经渗透教学的诸多环节，学生们也通过互联网技术和信息化技術扩展新型模式的学习，然而数据采集和信息分析所使用的数据仍然局限于学习过程中所涉及的各类数据，这些数据体现的信息和学生本人的实际情况差异化显著存在。高校学生管理人员关注的信息和数据集中在学业方面，存在一定的局限性，能够客观反映高校学生的生活和心理动态的信息数据匮乏，所以数据全面性建设方面还需要进一步加强。

3.数据缺乏深入挖掘

在高校的日常管理中，一般可以采集到大量学生相关的数据，如学生进出宿舍的时间、进出图书馆的时间、进出校门的时间以及学生的消费状况等。但由于没有及时对数据进行收集管理和挖掘，大多数数据都处于闲置状态。

采用数据挖掘算法，对已有的数据进行分析，得出一些可以反映学生在校状态的结论，并及时反馈给辅导员，这会给高校辅导员的日常管理决策带来空前的便利，并可以及时对学生进行纠偏。

4.大数据意识淡薄

虽然大数据技术高速蓬勃发展，但是高校教育工作者缺乏相关教育和培训，普遍存在大数据意识和大数据思维普及不够的现象，直接导致大数据技术在学生教育管理工作中推进的力度不足、效率不高，只有广泛从事大学生教育管理工作的教师和干部形成大数据思维共识，才能更好地推进大数据在大学生教育管理工作中的深度开发和广泛应用。

三、基于大数据的高校学生管理创新研究

处在大数据时代，大数据的实质是海量数据，数据本身是没有价值的，真正有价值的是从大数据中挖掘出能够促进行业发展的有用信息，通过数据采集、模型建立和数据挖掘等，获取数据中蕴含的价值信息[3]。学生日常在校的行为会产生大量的数据，首先要建立数据库，对这些数据进行收集。在数据量足够大时，采用数据挖掘的算法建立数学模型，并不断用新收集到的数据来修整数学模型。在模型完善后，将学生的行为放入模型中，就能对其进行分析和分类，找出学生目前存在的问题，并且反馈给高校学生管理人员，帮助其在管理决策的过程中更加有的放矢。

1.数据信息共享及采集

针对各部门间数据信息传递及协同共享存在的数据鸿沟，通过底层数据架构及数据格式等系统化分析，找到协同调用的解决路径。同时记录在日常行为数据采集中不及时、不准确、不完整、随意性等问题，找到各种造成学生数据采集质量的问题，构建信息数据统一性、标准化建设思路。搭建大学生教育管理的数据平台，协调并集成诸如学生处、教务处、图书馆、后勤等与学生信息相关部门的数据信息平台，组成一个全校范围的学生教育管理工作的数据库，以保证及时全面地收集、更新和共享所有学生的所有数据。

除了上述数据采集手段外，建立完善的班级信息员数据采集制度，在日常及时汇总班级学生的各种行为数据，做到数据覆盖面广泛细微，同时甄别有效信息，确保收集得到的数据可靠。利用学科优势互补的特点，开展跨学科研究实践，运用计算机技术创新解决大学生教育管理数据信息共享及采集技术难题。

2.学生行为数据库建立

根据高校学生管理工作的实际需要，采用专家咨询法选取4个指标，将学生分为16类，其中“0”代表该指标没有问题，“1”代表该指标出现问题，如表1所示。

在本问题研究领域中，尚未有学者建立科学的指标体系，因此在数据库收集数据种类确定之前，要首先对提取的数据进行相关度分析，确定相关度最低的数据维数作为模型的输入序列。结合已有的学生工作经验，选取表2所示的十维数据作为输入序列，表中采集数据的分类标准可以根据高校实际情况做调整。

3.基于BP神经网络的数据挖掘

BP能够应用于各类数据分类、聚类以及回归的数据挖掘应用领域，将其引入高校学生管理领域，将会很大程度上解决该领域的数据挖掘问题。

BP算法基本思想是：学习过程分为两个过程进行，一个是信号的正向传播过程，另一个则是误差的反向传播过程。正向传播时，输入信号从输入层传入，经各隐含层逐层处理（主要为权值处理）后，将处理结果传向输出层。如果输出层所最终的结果与期望值存在差异，那么需要实施误差反向的传播过程，就这样权值的反复调整就是算法中的核心：网络学习的训练过程。通过这样的不断训练确保神经网络输出结果的误差降低至能够接受的范围[4]。

完成数据库中数据的抽取工作以后，将十维学生数据与学生的分类结果展示在一张表上。假设以上十维数据与其最终分类结果呈非线性映射关系，表3展示了部分分类结果。

四、 教育大数据应用于学生管理的意义

1.推进大学生教育管理信息化建设和发展

高等学校的信息化建設不断推进，直接或间接地与广大学生的教育管理有联系，各部门的各类系统实时存储着全体学生的学习生活行为信息，这些数据信息具备了大数据“数据存储量庞大、数据的种类和来源多样、数据蕴含丰富的价值”的典型特征。针对这些教育大数据，通过数据挖掘技术予以分析，并给出相应的决策，对于学生教育管理有着重大的意义。不仅提升了高校学生教育管理的信息化水平，同时促使学生教育管理工作者的理想转变，从而推进了高校学生管理的创新性建设。基于大数据的大学生教育管理是对教育大数据的深度挖掘应用，推动了高校管理模式升级，加速信息化管理的建设脚步。

2.推动大学生教育管理更具科学性和预见性

随着信息化技术的不断发展和推陈出新，移动终端设备的相继推出，使得各类学生行为信息随时随地产生并存储记录，结合高等学校信息化建设的不断推进，信息化的学习和生活方式已成为大学生日常习惯，大学生人生观、价值观和世界观会通过数据信息的形式存储在各类数据集当中，同时大学生的价值观念和思想形态会受到互联网的影响，鉴于此，传统大学生教育管理方式的局限性逐渐凸显出来，如获取信息时效性差、各类信息的全面性不够、信息量往往较少等，导致针对学生思想动态的分析和研判缺乏及时和全面的把握。运用教育大数据能够快速、全面、系统地分析学生目前的思想动态，并给出“画像分析”，从而将学生教育管理工作进一步精细化、高效化和科学化，开展工作也更有针对性和预见性。

3.提升大学生教育管理工作的针对性和时效性

大学生正值人生观价值观养成的关键时期，心智和思想都不够成熟，部分学生面临学业压力、就业困难、家庭经济困难等问题时会引发心理问题，这些问题很多是可以通过教育引导及早解决的，但部分由于发现不及时、分析不准确等导致处理延时。然而通过大数据技术及时、系统地予以分析研判，能够对各类潜在的问题进行筛查、预测，并加以干预和管控，很大程度上降低了校园安全稳定风险的发生，使得辅导员和其他学生工作者在学生教育管理工作中更具针对性和时效性，更有利于营造安全稳定的校园环境。

五、结束语

科学合理使用大数据不仅可以对学生进行分类，为辅导员决策提供依据，还可以延伸到日常管理的各方面。例如：对学生的行为进行预测，并将其应用于图书馆、食堂等部门的开放安排。当前人工智能技术日益成熟，将深度学习应用于高校学生管理也是未来研究和发展的趋势。

参考文献：

[1]陈文，蒲清平，邹放鸣.大数据时代的高校学生教育管理模式转变与应对策略[J].江苏高教，2017（1）：67-69.

[2]先晓兵，陈凤，王继元，王加年.基于大数据的高校学生管理工作研究与实践[J].中国教育信息化，2015（10）：6-10.

[3]肖玉敏，孟冰纹，唐婷婷等.面向智慧教育的大数据研究与实践：价值发现与路径探索[J].电化教育研究，2017，38（12）：5-12.

[4]乔非，葛彦昊.基于BP神经网络的就业招聘企业客户分类问题研究[J].计算机科学，2015，42（S2）：1-4.

（编辑：王晓明）