白 娟

（北京第二外国语学院，北京 100024）

大数据技术快速发展，人们工作与生活的各个方面都得到有效提升。大数据技术在高校的应用，为教育科学化发展带来新的机遇。数据化已经成为高校智慧校园建设的任务，利用数据的采集、分析、计算、挖掘来支撑高校的信息化发展已成为未来战略的必然趋势。如何形成高质量的校园大数据分析体系，是目前亟待解决的课题。因此，基于大数据的视角，探索学生管理以及学风建设的加强改进工作，将是教育信息化研究的一个重要方向[1]。

1 数据建设的必要性

在数据建设工作中，要以校园数据为基础，开展数据加工流程与服务，建设面向全校学生的大数据服务平台，开展学生综合画像、综合预警、心理健康分析、精准资助认定等应用，进一步提升学生管理工作的质量。

通过校园大数据平台，详细分析学生在入学、生活、学习、管理、毕业、就业等在校全生命周期内影响学风的有关因素，精细化治理学校的学籍、教学、科研、学工、办公、一卡通、网络认证、图书等各类项目生产数据，提出影响学风的因素。从学生日常生活和学习入手，建立学风分析主题模块，预研学风评价指标体系，同时，继续深挖数据潜力，拓宽数据源，完善学生的生活轨迹大数据分析，形成学生综合画像，为更精准地服务学生、更快速地服务学校决策提供科学依据。

2 学生数据的获取与处理

（1）数据采集。高校的学生数据来源主要包括业务系统数据，如：一卡通系统、教务系统、图书管理系统、上网认证系统、学工系统等，通过对数据源分析，可以获取到异构的各类数据，对于不同的数据源有不同的数据对接方式，可采取网络爬虫、数据库导入、接口对接等方式[2]。

（2）数据存储及检索。主要包括：对数据的全量原始库建设、分析模型建设、检索平台建设等；针对采集的全量数据及增量数据构建数据仓库，实现业务系统数据的全量备份，同时，对原始数据仓库进行数据清洗及标准化处理，如对认证计费系统、互联网络数据等海量分散数据进行清洗预处理，并分析适配，形成数据分析表、入库存储。

在半结构化数据和非结构化数据处理过程中，将残缺数据、错误数据和重复数据进行分析，把结果集入库，并记录清洗结果，最后，建模分析，针对模型建立模型分析主题数据仓库。

（3）数据智能预处理。采用清洗工具将采集的业务系统数据进行清洗，实现数据的标准化，建立涵盖校园的全维度数据字段规范库，满足现有业务系统及扩展建设的业务系统标准数据平台。

（4）数据挖掘算法。针对大数据业务系统，基于基础模型和应用模型，采用机器学习算法、基础算法、聚类算法、实时流计算等，实现对数据的建模分析。

（5）数据运维与管理。对整个数据采集、数据存储、数据标准化、流程控制、平台自动化安装部署、Hadoop集群管理、服务节点管理、安全及权限管理进行统一管理和控制，可以极大地提升数据主体展现的质量，并降低数据运维的难度和工作量[3]。

3 学风建设整体设计

优良的学风是保证教育教学质量水平提升的重要条件，关乎高校未来发展的方向与质量。学风建设是全面推进素质教育、为社会培养高素质人才和校风建设的重要内容。

只有建设良好学风，培养学生“使优秀成为一种习惯”的思想意识，形成自觉提升自我的自我要求，才能积极推进教育教学改革，确保教育、教学质量的稳步提高，实现建设高水平大学的目标。学风评价时可从以下指标进行分析与诊断。

3.1 在校情况指标

学生在校情况包括学习纪律、考风纪律以及日常行为规范。学习纪律指标可以看出学生有无自觉遵守课堂纪律、能否自觉上自习、独立完成论文等；在考风纪律方面，能反映出是否考风优良、有无考试无作弊等。日常行为规范反映学生是否自觉遵守大学生行为准则、有无重大事故等。

3.2 学生自主发展

通过早读、自习、案例讨论与分享等活动，发挥学习积极性，营造相互竞争、合作共赢的学习氛围。从科技竞赛、学习竞赛、社会实践、文体活动等方面反映学生课外活动情况，获得学生的学习情况、科研氛围和参与积极度[4]。

3.3 学习评价指标

采用多种形成性评价和总结性评价的手段与方法了解学生学习状况，激发学生的学习兴趣和热情，形成教学相长的教学氛围。例如，课堂出勤是反映学风的一个重要窗口，课堂出勤率、准时率、听课认真情况等都充分反映了学风情况，通过数据评价加强对课堂纪律管理，严格、认真进行课堂考勤，准确、及时反映学生的学习状况。

4 针对学风调查的现状

本研究对1 258人发放问卷调查，统计结果如下：

（1）总体来看，大学生对自己的个人成长有较高的期望。在对个人学习成绩的期望值方面共4个选项：优秀、良好、及格、无所谓。94.7%的学生对自己的学习成绩有较高的要求，希望达到良好甚至优秀；3.7%的学生希望达到及格，另有1.6%的学生则无所谓。总体学习面貌积极，大多数人都希望能获得较好的学业成绩。

（2）在学习动机方面，选择提升自身素质，以便在以后的社会活动中占据优势，成为当代大学生学习的主要目标和奋斗动力。从学习目标制定来看，选择提升素质、完善自我的学生占半数以上，达到55.2%；选择报效祖国、服务社会的学生约为17.2%；选择找份不错工作的学生也占到了16.4%；另外，选择报答父母作为学习目标的学生占8.4%。当然，不知道自己的学习目标、处于盲目迷茫中的学生也有相当一部分，占到了2.8%。

（3）在开展学习情况方面，仅有8%的学生认为自己学习非常努力；认为自己比较努力的学生占31.5%；60.5%的学生认为自己学习不够努力，超过半数以上。可以看到，学生学习的主动性和积极性还不够，较多人满足于完成老师布置的日常学习任务，缺乏主动的学习、探索精神。

（4）相当一部分学生轻视课堂教学，认为课堂讲授不如自学。当前信息化时代，大学生具有较强的学习能力，能使用电脑等设备开展基于互联网的在线学习，导致一部分学生忽视课堂学习，更愿意花时间和精力在感兴趣的学习领域，尤其重视兴趣学习和社会实践。

（5）自控能力差是学生普遍面临的问题。调查数据显示，学生在自主学习过程中玩手机、沉迷于网游、在线购物、浏览视频等现象频繁出现，73.2%的学生反映在学习过程中很难彻底不碰手机，一旦使用手机，则要花较长时间在娱乐浏览上，影响学习效果和质量。由此可见，手机等电子产品成为影响学习质量的重要因素。

5 大数据技术在学风建设中的应用

5.1 个人综合画像

“综合画像”指根据行为数据建立用户特性类别，收集与分析学生基础信息、生活习惯、消费行为、学习行为等主要信息，抽象出学生的行为全貌，准确描述用户特点，从而全面掌握学生的风格习惯以及学习偏好等。

建立学生个人信息统计、学习水平、作息习惯、上网习惯、社交关系、三餐规律、消费水平6个维度的个人画像，为学生提供属于个性化的标签，并且进行成长状况分析，为其提供行为画像分析报告和未来发展决策建议，一方面，有利于学生了解自身情况以及和优秀学生的差距，另一方面，也能为老师和辅导员提供个性化的教学和管理建议。

5.2 群体画像

针对专业或班级群体，对群体学习水平、作息习惯、上网习惯、社交关系方面的学生进行等级划分，清晰地展示不同特征的学生群体人数；展示群体学生在校同学、老师、亲属的关系图谱，并提取出来“学霸”“学渣”的具体人数，分析社交中心的学生和边缘学生，为老师的教学提供依据。

5.3 行为轨迹分析

采集一卡通、WiFi等数据，建立个人轨迹模型（聚合库），描绘轨迹数据。行为轨迹模型主要通过查询学生的个人轨迹来定位学生位置，实现对学生的定位管理。另外，还可以进行楼宇使用分析、食堂就餐分析、群体行为轨迹规律以及对比分析等，确定全校学生访问该楼宇的情况，包括访问人员画像、访问的高峰时间等，便于实行安全、稳定的管理。

5.4 综合预警

综合预警可涵盖“心理预警”“学业预警”“行为异常预警”等模块，将学生一卡通、WiFi网络和教务等信息进行数据关联分析，建立不同种类预警分析模型。一旦学生偏离习惯性轨迹，就触发报警阈值，按照普通、紧急、严重3个等级来显示失联、消费、网络和沉迷等预警信息，通知辅导员等相关人员，方便老师及时介入，给予疏导和帮助，助其走出困境，规避可能面临的风险，提升管理的及时性和有效性。

5.5 学业资助认定

根据学生在校期间一卡通消费、上网信息、个人信息等综合分析，实时追踪学生在校生活情况，对需要资助的学生进行认定，并针对不同贫困程度给出不同资助方案，精细地服务于资助工作；通过大数据进行分析、判断，给出直观、可视的数据展示，为学校的资助工作提供数据依据，并利用大数据技术分析学生在资助前后的变化，包括消费情况、生活情况、打工情况、运动情况等多个维度，完善资助方案。

6 关于学风建设的相关建议及举措

（1）要充分发挥大学生的积极性、自主性，把学生作为主体。例如，安排部分老师（班主任或辅导员）深入学生生活，就学生各方面疑惑给予解答，加强引导，帮助树立明确的目标，使学生积极投身于大学生活。

（2）对于教师来说，要改革教学方法，重视教学互动，激发学生的学习兴趣和热情，增强课堂吸引力；同时，开展宣传引导活动，将优秀学习资源推荐给学生。不定期开展各类专业性学习拓展活动，吸引年级学生积极参与，对学风建设将起到一定的促进作用。

（3）充分发挥党团的先锋堡垒作用。学工战线可充分发挥学生党员、团员的先锋模范作用，充分利用自身优势，与青年学生积极互动，帮助其排忧解难，让更多学生加入争先创优的行列。同时，充分发挥学生会、学生社团等学生组织的作用，加强思想引导教育。

（4）通过调研发现，家庭因素对学生在校表现有影响较大。因此，在学生日常管理中，要注重家校互动、重视学生的感恩教育，使学生正确理解父母的用心，正视大学生活，感恩父母，从而建立正确的价值观、社会观，有助于积极开展学业学习。

（5）组织模范人物、优秀人物等开展关于人生、治学方面的讲座。通过优秀人物的成长经历分享，鼓励学生追求自我提升，使学生形成强烈的成才价值观。在良性互动下，有助于学生推动良好的学风建设。

（6）组织学生参与符合专业特色、有教育意义、实际锻炼意义的活动，用多种方法调动学生参与的积极性，给学生搭建更为广阔的舞台。以各类专业大赛为契机，组织安排学生积极参与，根据不同学生的特点，设置多样活动，让每个同学都有属于自己的舞台，鼓励学生投身专业学习，调动学生的积极性，使学生的能力得到提升。

（7）举办优秀学生事迹展及考研经验交流会。榜样的感召力是巨大的，举办优秀学生事迹宣传，对同龄的学生感触较大，会引起其反思，有较高的参考价值，引导其合理规划自己的大学生活。

（8）积极营造争先创优的氛围。开展优良学风班级、文明寝室、优秀学生等系列评优活动，本着公开、公平、公正的原则，鼓励学生积极参与其中，并举办表彰大会等活动，营造知优、创优、争优的良好氛围，完善奖惩制度，兼顾效率与公平，侧重宣传引导以及奖惩示范效应。只有加强学校学风建设，才能使学生图书借阅量、体测合格率明显上升，学生学业违纪率明显下降，身体素质进一步增强，进而促使学习热情和学习能力不断提高。

7 结语

学风工作是学校的重要工作之一，影响着人才培养质量。加强学风建设，不仅要从基础标准做起，使学生管理工作有章可依，使管理更加规范化、科学化，也要充分运用大数据技术，抓学风、促学业，为学生的成长成才创造有利条件。在构建数据模型时，既要关注学生的学业，更要关注学生的身心健康发展。学风建设是一项任重而道远的任务，是一项艰巨而复杂的工程，需要不断创新以及持续改进。

目前的数据分析存在一些应用方面的问题，比如：

（1）数据维度不够丰富，不足以支撑大数据分析结果。由于大数据涉及的层面也非常复杂，变化快速，目前，数据采集的维度还不够丰富，导致数据分析结果过于简单，或者准确率不高。

（2）对课堂语音、图像的分析缺乏AI智能平台的支撑。对课堂行为的分析需要成熟的AI技术作为支撑，不断学习、调整行为数据，才能得到越来越精确的结果。如果缺乏AI智能平台的支撑，将难以实现对行为数据的分析。

（3）结构化、半结构化、非结构化数据无法高效处理，还存在部分数据不可用的情况，需要使用更成熟的治理技术进行统一化治理、管理。

（4）学习过程行为数据采集不全。如何将学生的学习行为完整记录下来并进行相关分析，更好地了解学生的学习习惯，是目前需要继续解决的问题。

只有不断优化大数据分析，提高数据质量，完善数据分析主题模型，建立学风大数据研究的长效机制，才能不断发挥大数据的优势，助力学校学生工作管理，提高学生工作管理水平。