大数据驱动高校学生管理的创新转向

付艳 任婉婷

摘  要：利用大数据技术提升教育管理能力，推进教育管理现代化是国家治理现代化的重要内容，是贯彻大数据发展战略的重要议题。高校要基于大数据与大学生管理在主体、行为、工具和资源方面的高度耦合，构建“主体—行为—工具—资源”的实践框架，探索大数据驱动高校大学生管理的实践路径。总的来说，高校学生管理在主体维度上要从总体管理转向个性管理，在行为维度上要从静态管理转向动态管理，在工具维度上要从模糊管理转向精细管理，在资源维度上要从碎片管理转向共享管理。

关键词：大数据;学生管理;教育管理

随着信息技术的发展，云计算、物联网等互联网技术与移动社交等媒体技术应用兴起，累积了快速增长的海量数据，这意味着大数据时代已经到来。作为一种新兴理念和一场科技革命，大数据不仅改变了人们的生活方式与思维模式，而且推动了产业规划、公共治理等方面的深刻变革。2014年，第十二届全国人大二次会议将“大数据”首次纳入到政府工作报告中，大数据逐渐成为各级政府、各地企业关注的焦点。2020年工信部先后发布《关于推动工业互联网加快发展的通知》、《关于工业大数据发展的指导意见》，将大数据在社会生产方面的应用创新向纵深化推进。由此可见，大数据已经成为社会发展的引擎，在新时代发展中将发挥日益重要的作用。

大学生管理是高校管理的重要议题，但就目前来说，其信息系统化与数据整合程度并不高。如何利用大数据理念、技术等优势驱动大学生管理创新转变，实现学生管理与大数据应用有机结合，是一个值得研究的议题。高校学生管理在管理主体、管理行为、管理工具等方面与大数据特征之间有高度的耦合性。一是，主体维度。高校学生管理强调以学生为本，将学生视为个性教育的需求者、主动教育的接受者、自主教育的能动者，要求围绕学生的个性发展提供管理服务。而大数据的重要价值之一便是通过相关分析等技術分析方法，连接不同的行为主体，将他们整合成相互关联的整体网络，从而提升管理服务水平。二是，行为维度。高校学生管理在促进学生发展的同时，还应当密切关注学生的行为变化，以便预防认知偏差行为、纠正不良认知行为、发展理性认知行为。在这一方面，大数据以流量数据来丰富存量数据，通过大数据分析技术实现实时或近实时地从大量数据中提取有效信息，为分析学生动态行为变化提供技术支撑。三是，工具维度。高校学生管理不仅强调管理规范，要求明确管理目标、划分管理责任、优化管理方式，而且关注管理工具的准确性与高效性，要求依托规范精细的管理工具提供管理服务。而大数据坚持管理的数据导向，通过数字化的数据形式和智能化的处理方式为精准化分析提供依据，为管理决策提供数据支持，协助管理者进行管理决策。四是，资源维度。高校学生管理力求为学生的全面发展配置综合性教育资源，围绕学生发展需求提供学业促进资源、创新创业资源等多维度资源。大数据的非结构化数据能够丰富结构数据，通过对非结构化数据的结构化处理实现管理资源与管理领域的拓展，为资源综合性管理提供依据。

基于大数据思维、技术和资源与学生管理在主体、行为、工具和资源等方面的高度耦合性，本文以大数据为驱动工具，依据高校学生管理的内容，构建“主体—行为—工具—资源”的分析框架，讨论大数据驱动高校学生管理的创新路径。其中，高校学生管理在主体维度上要从总体管理转向个性管理，在行为维度上要从静态管理转向动态管理，在工具维度上要从模糊管理转向精细管理，在资源维度上要从碎片管理转向共享管理（见图1）。

图1  “主体-行为-工具-资源”的分析框架

一、主体维度：从总体管理转向个性管理

传统高校学生管理工作往往将学生视为被动的接受者，向学生提供包揽性的管理服务以及提出程序化的行动要求，呈现出全方位引导型的“管家式”总体管理特征。这种总体管理模式虽能满足对学生管理的职能要求，但当管理资源有限性与管理事务繁杂性发生冲突时，便会导致学生管理者与管理对象间出现“一对多”的情形。这既加重了管理者的工作压力，又因管理工作内容单一、形式枯燥而难以满足学生的个性化需求，最终导致管理成效不佳的问题。当代高校学生成长于多元环境中，在客观上具有差异性，且在主观上追求个性。若是管理者忽视学生代际特征的内部差异性，沿袭传统的总体管理模式，很有可能导致学生不理解、不配合管理制度，视管理为约束，管理的难度自然也会上升。同时，这种管理模式一定程度上也会弱化学生彰显个性、发挥价值的能动性需求，不利于学生的长远发展。

在大数据时代，大数据技术革新了管理数据的获取方式，提升了管理者的信息分析能力，为学生管理者提供了新机遇。传统的管理方式多以抽样数据为依据，通过筛查变量、清洗数据等过程使抽样数据尽可能与现实数据相符合，试图最大程度上再现现实情境。这种“模拟真实”的统计假设，使抽样数据的时间与空间条件被高度限制，得到的分析结果也仅能对特定的管理情境做出解释，据此进行的管理行动也有了时空局限性。而大数据的管理理念和分析逻辑打破了传统管理对数据的人为限制，将全部数据视为调查对象，可以真正做到“再现”现实情境。在大数据时代，事件的发生伴随着数据的产生，将事件所产生的全部数据进行记录和分析能更真实地还原整个事件，从而完整地呈现出事件随时间变化的发展过程。大数据技术不仅能客观地呈现事件的截面状态与纵向变化，而且能够深刻地揭示事件的致因逻辑与运作机制，从而为个性化分析提供了直接依据。因此，借助大数据技术所提供的丰富管理数据，真实还原事件的发生过程，使管理者全面了解事件起因、经过、结果，为个性化管理奠定技术基础。

除了在提供完整数据、还原事件发生过程等方面的优势之外，大数据还能够驱动高校学生管理改变传统总体管理的弊端，实现向个性化管理转型。一是，大数据能采集全体学生的行为数据，提供学生行为表现的全样本信息。管理者依据全样本信息，采用聚类分析技术挖掘学生行为表现的差异性，洞悉学生群体内部分化的情况。此外，还能使用格兰杰因果律深度分析行為表现差异的原因，从而发现不同学生群体的个性需求。二是，大数据采集学生各时段的数据后，通过过程数据分析技术，能够追踪到某一学生群体中的单个学生过去及现在的行为表现数据。学生管理者通过分析学生的发展历程，了解学生的发展变化特征，从而更精准地为学生提供所需的个性服务。三是，大数据不仅能采集到现存数据，而且能在数据处理过程中挖掘出新的数据，这种基于现存数据的数据创造已成为大数据的重要价值之一。管理者通过“学生中心”技术邀请学生参与到大数据过程中，并以体验与反馈的方式生成更具个性的数据报告，这些新数据将成为管理者调整管理方式的重要依据。大数据将全部数据视为研究对象，要求进行广泛且纵深的数据采集，这意味着学生管理者必须拓展数据来源、加强数据分析、推进数据运用。基于此，大数据驱动高校学生管理从总体管理转向个性管理，有以下三条路径（见图2）。

图2  主体维度大数据驱动高校学生管理的创新路径

第一，运用大数据对学生群体进行分类，依据需求差异针对性地分配管理资源。利用大数据广泛采集学生信息，根据学生日常行为与学业表现差异进行预测性分类，据此提供个性化管理服务，使管理资源更有效地分配。美国天普大学曾使用大数据分析技术识别学习感到吃力及有辍学风险的学生，为其提供有针对性的辅导服务，这项技术使该校2001-2014年间的毕业率提升了24%。美国马里兰大学则利用大数据进一步挖掘出导致学生辍学的课程与引起压力的事件，明确了这类学生的问题来源，提高了他们的留存率。

第二，运用大数据对学生群体进行追踪，以生命历程视角全面地认知学生个体。大数据通过采集学生各成长阶段的信息，分析学生行为表现与其成长历程的关系，帮助管理者更客观地看待每位学生。不仅如此，在大数据的辅助下，借助学生生命历程视角，管理者能够更全面地认知学生发展过程。学生生命历程包括“前学生”、“学生”、“后学生”三个阶段，管理者可以在“前学生”阶段从升学成绩、课程模式等数据初步了解学生;在“学生”阶段利用学业表现、课程规划等数据帮助他们完成学业;在“后学生”阶段通过继续教育、职业发展等数据进行持续跟进。

第三，运用大数据与学生群体进行互动，引导学生体验并参与大数据管理过程。利用大数据的可视化技术将系统管理与用户服务相联结，通过提供个人数据报告帮助学生了解自身行为表现，及时收集学生反馈的数据以便调整后续管理计划，充分发挥学生的能动性并增强管理的可持续性。英国贝德福德大学利用大数据技术开发的学生行为追踪系统，通过邀请学生设定个人行为指标权重鼓励学生进行自主管理。爱丁堡大学的LARC大数据计划则通过给予学生选择大数据报告内容的权利，并鼓励学生反馈体验感受，以此优化学生管理方式，真正实现学生参与到管理中来的目标，促进学生的长远发展。

二、行为维度：从静态管理转向动态管理

传统的高校学生管理一般采取自上而下的垂直管理方式，在多层级的管理模式下，组织间的信息沟通不顺畅，管理效率难以提升。除了管理程序滞后外，在管理内容上缺少差异、弹性，发展性不足，呈现相对静态的管理特征。在这种管理模式中，学生管理者往往扮演“消防员”或“救生员”的角色，陷入了被动应急的困境中。在社会流动性增强，信息更新速度加快的今日，学生管理者如不能尽快适应，转变传统的管理模式，管理时差将会被不断扩大，管理的效果也会持续变差。

大数据以“大”为特征，一方面是数据存量大，将多源头、多类型的数据汇集成了一个大规模的数据存货;另一方面是数据流量大，包含事件过去全时段的数据，形成了一个连续稳定的数据流。这对大数据存储及运算技术提出了新要求——不仅要满足大规模数据的处理要求，而且要满足连续数据的处理要求，尤其是要从实时或近时的数据中提取出有效的信息。原有分析技术仅适用于小规模数据，无法满足实时数据流在速度、准确性方面的更高要求。而流线型大数据分析技术着眼于数据流的处理，能够在事件进行过程中得出处理结果。这一分析技术以连续处理为原则，开发出了集数据聚合、数据分析、数据诠释为一体的连贯流程，实现了数据的快速处理。此外，以分布式计算为代表的批处理技术将大数据分为多个平行批次，使多个流线型大数据得以同时进行分析。上述二者结合的混合模型更是极大地提高了大数据的处理速度。

大数据在数据处理规模、速度上的优势，使它能够驱动高校学生管理改变传统相对静态管理的弊端，向动态管理转型。一是，大数据连续地采集学生的行为数据，通过智慧校园等设施记录学生行为数据，借助网络社交等途径呈现学生行为动态，使管理者能动态地了解学生行为过程。二是，大数据能准确地分析学生的行为数据，通过分析全体学生的行为动态形成标准化的测评指标，将特定学生的行为与标准化指标进行对比，便能精准地评价学生的状态变化。三是，大数据能快速地对分析结果进行反应，通过反思与预测模型计算学生未来的行为表现，并据此向管理者提供可行的建议。管理者可以利用HBase技术随时随地登录大数据系统查看数据变化情况及建议内容，及时调整初始管理方案，缩短了管理的反应时间，提高了干预的效率。大数据将数据流纳为研究对象，要求进行快速且准确的数据处理，这意味着管理者必须强化数据采集能力、提高数据分析效率、加快数据应用速度。基于此，大数据驱动高校学生管理从相对静态管理转向动态管理，有以下三条路径（见图3）。

图3  行为维度大数据驱动高校学生管理的创新路径

第一，运用大数据进行实时数据采集，依据实时数据掌握大学生最新动态。大数据可以采集学生身份数据、系统数据、情境数据等最新行动数据。其中，代表人口统计学特征的身份数据与记录学业表现的系统数据可以通过日常的教育管理活动采集，基于特定情境所产生的情境数据可以通过感应装置采集。英国一所高等教育研究所开发出的学生行为追踪数据，便运用大数据桥接了射频识别技术与信息通讯技术，采集到了先前无法采集的实时行动数据，帮助管理者掌握了学生行为动态。澳大利亚伍伦贡大学也实行了一项基于大数据的社交网络适应教学实践计划，将学生参与论坛讨论、阅读发表论文的时间及频率纳入学习管理范畴，为学生的日常学习行为赋予了意义。

第二，运用大数据进行学生行为分析，依据学生行为动态评判学生变化状况。利用大数据分析学生不同时空的行为特性及行为关联，从而科学地分析学生的行动逻辑并评价学生的行为表现。美国普渡大学基于大数据技术开发了一款学生信号系统，该系统能经济高效地识别学生动态行为的意义。例如，该系统将学生课外寻求帮助的行为视为学习努力的重要表现。

第三，运用大数据进行早期预警干预，识别学生的潜在风险状态，控制危机演变。大数据可以进行危机预警，通过判断学生行为与标准状态是否存在偏差，识别影响学生行为的潜在危险因子。在此基础上，实时监测潜在危险因子的变化趋势并预测学生未来的行动表现，在危险行为产生前及时预警，提早对学生行为进行干预，以防范危机事件的发生。英国贝德福德大学设计了一套学生行为预警系统。该系统能通过往来邮件、浏览页面等数据自动识别出存在潜在风险的个人或团体，并向管理者作出预警提示，以及早控制、避免危机事件的发生。

三、工具维度：从模糊管理转向精细管理

传统的学生管理注重在实际工作中积累管理经验，多依赖经验进行粗放管理。这种经验导向型的管理模式虽有一定的适用性，但在一定程度上存在管理模糊的问题。随着学生管理事务的繁重化及管理方式的变迁，这种经验导向型的管理模式已难以适应时代发展的新要求。管理者如不加快转变传统依赖感性与经验判断的管理模式，及时顺应数字化管理的趋势，学会利用量化管理的优势，将会造成管理偏差或效率低下等问题。

大数据坚持以数据为导向，具备智能化的数据处理能力，呈现出数字化的特征。大数据的智能化数据处理能力意味着其能利用搜集到的数据信息对管理对象进行自动化监测管理与绩效评估，并据此进行循证导向的高效管理决策。而大数据的数字化特征则意味着其不仅可以采集不同来源、层级、种类、结构的数据，而且可以将管理对象转化为数据形式进行处理，并对管理过程进行数据记录。随着技术的发展，大数据在为管理者决策提供数据支持的同時，还将通过机器学习与自动算法逐渐取代人工决策，这也成为大数据的重要价值之一。大数据的机器学习集信息理论、信号处理、运算法则、控制理论、优化理论为一体，是桥接计算机科学与统计学的重要领域。目前，大数据机器学习已具备了信息提取、误差控制、目标导向三大功能特征，并发展出了进行多维数据分析的潜在结构模型，向分析数据矩阵的矩阵低秩逼近。这使大数据的机器分析能适应异质性的数据形式，从而协助管理者进行更精准规范的管理决策。

大数据智能化、精准化的数据处理能力，使它能够驱动高校学生管理改变传统模糊管理的弊端，向精细化管理转型。一是，通过大数据详细记录管理过程，学习者记录、学习者卡片、感应装置、灵活教室设计等新技术能够将教学过程转化为数据，并自动记录教学管理过程中所产生的数据。二是，利用大数据深度挖掘管理数据，通过数据准备、数据筛选与转换、决策树、ID3决策树、测量误差、分裂准则、ID3运算法则等程序，以及分类、聚类、预测、关联规则、神经网络、决策树、最近邻法等技术进行数据挖掘，从大量数据中提取出潜在的模式、关系以实现科学管理决策。三是，大数据受偏误数据的影响小，全样本分析的方法能够提升分析的“容错能力”，通过关键词筛选等方法减少网页及社交媒体上的数据噪音，控制大数据分析误差，提升管理的准确性。大数据要求进行标准且规范的数据处理，这意味着管理者必须提升数据分析能力、数据转化能力、数据应用能力。为此，实现大数据驱动高校学生管理从模糊管理走向精细管理，有以下三条路径（见图4）。

图4  工具维度大数据驱动高校学生管理的创新路径

第一，运用大数据对学生进行量化管理，依据管理数据对学生进行科学地精细管理。大数据能够数字化地记录管理过程，将管理数据按照地点、人物、时间三要素进行标准化地处理，再通过预测、干预等模型进行管理分析，最终将分析结果可视化，从而辅助管理者对学生进行科学管理。美国亚利桑那州立大学运用大数据模型预测有辍学风险的大学生，并及时干预以提高学生毕业率。英国哈德斯菲尔德大学更是通过用户可控制的3D形式实现了更高阶的数据可视化，使学生管理更加直观和便捷。

第二，运用大数据对学生行为进行关联分析，根据行为关联科学地认知学生状态。大数据能够深度挖掘学生数据间的关联，利用学生成绩、网络学习时间等行为数据，勾勒学生行为结构，课业成绩、课程材料等情境数据，分析学生在特定情境中的行为表现，构建行为表现与学习情境的交互关系，从而全面地认知学生状态。基于跨学科研究的“知识发现”项目，以提取有益信息为核心，通过关联与回归、预测与因素分析等多个步骤，充分挖掘数据之间的关联，是大数据挖掘分析的重要基础，也是高等教育引入大数据的必要工具。管理者可以利用“知识发现”项目科学地认知学生行为间的关联，通过控制管理因素改善学生行为表现。

第三，运用大数据对学生进行精准管理，分析有效数据以提升管理的实效性。大数据能够将教学管理中的关联数据、非关联数据进行分类清洗，通过筛选教学管理中的关键词与不同类别信息实现数据过滤，精准锁定必要的考察对象，有效地限缩了数据处理的工作范围。一项针对推特信息传播的大数据研究通过用户的标签对推特主题分类，成功减少了数据类别，优化了大数据分析方式。

四、资源维度：从碎片管理转向共享管理

传统高校学生管理虽然可以基本满足以往人才培养的要求，但会呈现出“铁路警察、各管一段”的碎片化管理特征。这种碎片化的管理模式难以适应当前复合型多维度的管理需要。一方面，当今社会需要大量的创新型人才，学生管理应更注重培养学生的创造力;另一方面，面对管理过程中产生的大量数据，管理者应拓宽管理领域，拓展管理方式。因此，管理者如不能适应社会发展要求，加快转变碎片化管理模式，则无法满足学生全面发展的需要。

大数据革新了数据的处理方式，提升了组织的信息分析能力，从而能够协助组织做出更科学的管理决策。目前所能采集到的数据85%以上是非结构化和半结构化数据，传统的数据库无法对这些数据进行有效处理，管理者也就无法充分挖掘这些数据背后隐藏的价值。但大数据形成了一套结构性的数据语言来应对非结构性的数据环境，能够通过标准化的模型对来源各异、类型各异的数据进行采集、转化、连接。大数据的这套结构性数据语言不仅能够通过统一的数据处理模型解决来自非关联领域的不同问题，而且能够通过稳定的性能满足来自不同组织的不同要求，具有较强的适应性。

大数据在数据采集、数据处理、数据整合上的优势，使它能够驱动高校学生管理改变传统碎片化管理的弊端，实现向共享管理转型。一是，大数据通过统一化的数据平台采集多样化的学生数据，将形式多样的学生数据转化为标准化的数据形式，再利用规范化的数据代码将所有数据整合进系统，从而适应不同的管理情境。二是，大数据探究多因素间的关联，通过聚类分析、主成分分析等技术探索学生管理的内部结构，通过关联规则挖掘、序列模式挖掘等技术探索学生管理的外部关联，从而把握学生管理的综合性規律。三是，大数据通过利用学生事务间的关联开拓新的管理领域，创新学生管理的模式与方法。大数据具有较强适用性，需要进行广泛且多元的数据管理，这意味着学生管理者必须提升数据采集能力、数据转换能力、数据互联能力。基于上述分析，大数据驱动高校学生管理从碎片化管理转向共享管理，有以下三条路径（见图5）。

图5  资源维度大数据驱动高校学生管理的创新路径

第一，运用大数据建设学生管理数据库，利用统一平台采集学生的管理数据。数据库是利用大数据进行量化管理的基础，为统一管理营造了数据环境。大数据仓库除了能够为动态管理提供数据基础之外，统一的大数据平台还能为采集学生数据、建构学生管理数据模型提供便利。大部分美国高校已建立了较为完善的数据库系统和数据仓库。英国教育政府部门也设置了以大数据为核心的教育数据室，并利用其提供的信息制定科学的教育政策。

第二，运用大数据整合学生管理数据库，依据互联系统协调管理学生事务。大数据能够整合来源各异的数据信息，通过整合虚拟数据系统和现实数据系统拓展学生数据的来源。对于日常教学、实践等过程中产生的数据，大数据整合后进行合理的交互、操作，以此协助学生管理者进行分析。新西兰奥塔哥大学通过整合科研与教学数据，评估机构表现、预测未来发展情况并确认潜在的问题。教育出版商皮尔逊教育通过整合60项全球性教育数据，探索出反映区域教育获得与认知水平的“全球教育指数排名”，使研究者与政策制定者从区域经济社会发展的角度看待教育问题。

第三，运用大数据推进学生管理数据开放，通过多元参与实现学生管理的协同治理。大数据的分析结果不仅能够协助管理者进行科学决策，而且可以向学生群体及时反馈，使其进行自主管理与调整。高校同样可以与就业等部门共享学生信息，拓展学生管理职能，实现向多元协同治理转型。由经济合作与发展组织开发出的“教育GPS”是以数据为导向的教育工具，它可以向用户呈现国际学生的评估数据，以进行国际间的教育政策比较。用户产生的使用数据也可以绘制成国际教育政策地图，从而实现国际间教育政策与资讯共享。

参考文献：

[1]刘辉.大数据时代思想政治教育的微传播化[J].思想理论教育，2014（06）：81-85.

[2]政府工作报告——2014年3月5日在第十二届全国人民代表大会第二次会议上[EB/OL].（2014-03-15）[2019-06-08].http：//www.npc.gov.cn/npc/xinwen/2014-03/15/content_1855927.htm.

[3]洪雷，张佩.大数据背景下的高校学生网格化管理模式构建[J].现代教育管理，2017（12）： 96-101.

[4][13][22]Qin S J. Process data analytics in the era of big data[J].AIChE Journal，2014， 60（9）：3092-3100.

[5][10]Knox J. Data Power in Education： Exploring Critical Awareness with the “Learning Analytics Report Card”[J]. Television & New Media， 2017，18（8）： 734-752.

[6]The Hechinger Report. Temple University is spending millions to get more students through college，but is there a cheaper way？[EB/OL].（2016-05-18） [2019-06-08]. http：//hechingerreport.org/temple-university-spending-millions-get-students-college-cheaper-way/.

[7]The Baltimore Sun. Maryland universities to use data to predict student success—or failure [EB/OL].（2016-06-11）[2019-06-08].https：//www.baltimoresun.com/news/maryland/education/bs-md-college-analytics-20160611-story.html.

[8]Attaran M，Stark J， Stotler D. Opportunities and challenges for big data analytics in US higher education：A conceptual model for implementation[J].Industry and Higher Education， 2018， 32（3）： 169-182.

[9][20][29]Ong V K. Business intelligence and big data analytics for higher education： Cases from UK Higher Education Institutions[J]. Information Engineering Express， 2016， 2（1）：65-75.

[11]黃晓波.我国高校学生事务管理：问题与对策[J]. 高等教育研究，2009（7）：71-76.

[12]Davenport T H，Barth P，Bean R. How 'big data' is different[M].MIT Sloan Management Review， 2012： 23-27.

[14][19]Sclater N，Peasgood A，Mullan J. Learning analytics in higher education. A review of UK and international practice. Full report.[R/OL].（2016-04）[2019-06-08]. http：//www.jisc.ac.uk/sites/default/files/learning-analytics-in-he-v3.pdf.

[15][16][23]Klašnja‐Milićević A， Ivanović M，Budimac Z. Data science in education： Big data and learning analytics[J]. Computer Applications in Engineering Education， 2017， 25（6）：1066-1078.

[17]Duan Y，Cao G， Ong V K， et al. Big data in higher education： An action research on managing student engagement with business intelligence[C]//Second International Conference on Emerging ResearchParadigm in Business and Social Science，Middlesex University，Dubai，26-28 November，2013：1-15.

[18][28]Daniel B K， Butson R. Technology Enhanced Analytics （TEA） in Higher Education[C]//International Conference on Educational Technologies，University of Otago，Dunedin，January，2013：89-96.

[21]董卓宁.运用学生大数据提升高校思想政治工作精准度[J].思想理论教育，2018（4）：108-111.

[24]Baradwaj B K， Pal S. Mining educational data to analyze students' performance[J].International Journal of Advanced Computer Science and Applications，2011，（6）：63-69.

[25]Waldherr A， Maier D， Miltner P， et al. Big data， big noise： the challenge of finding issue networks  on the web[J]. Social Science Computer Review，2017，35（4）：427-443.

[26][31]Tinati R， Halford S， Carr L， et al. Big data： methodological challenges and approaches for sociological analysis[J]. Sociology， 2014， 48（4）： 663-681.

[27]Fischer F，Fuchs J，Mansmann F，et al. BANKSAFE： Visual analytics for big data in large-scale computer networks[J]. Information Visualization，2015，14（1）：51-61.

[32]李國杰，程学旗.大数据研究：未来科技及经济社会发展的重大战略领域——大数据的研究现状与科学思考[J].中国科学院院刊，2012（6）： 647-657.

[33]江艳，储祖旺.基于数据驱动的美国高校学生事务预测分析管理[J].高等教育研究， 2017（12）：90-95.

[34]Fenwick T， Edwards R. Exploring the impact of digital technologies on professional responsibilities and education[J]. European Educational Research Journal，2016， 15（1）：117-131.

[30][35]Daniel B. Big Data and analytics in higher education： Opportunities and challenges[J]. British journal of educational technology，2015，46（5）：904-920.

[36][37]Williamson B. Digital education governance： data visualization， predictive analytics， and ‘real-time’policy instruments[J].Journal of Education Policy，2016，31（2）：123-141.

责任编辑  杨慧芝

*作者简介：付艳，广州大学经济与统计学院副教授，中南大学马克思主义学院博士研究生;任婉婷，广州大学公共管理学院本科生。*基金项目：本文系2018年度教育部人文社会科学研究青年基金项目“新时代网络思想政治教育的内容结构与绩效评价研究”（项目批准号：18YJC710013）的阶段性成果。