吳佳清 姚文偉

摘 要 簡要介紹大數(shù)據(jù)分析技術的相關概念，論述了大數(shù)據(jù)分析技術應用于高校人才質(zhì)量評價的必要性，介紹了人才培養(yǎng)數(shù)據(jù)采集存儲、人才培養(yǎng)數(shù)據(jù)安全管理的方法，闡述了大數(shù)據(jù)分析過程中3個數(shù)據(jù)挖掘算法在高校人才質(zhì)量評價中的應用。

關鍵詞 大數(shù)據(jù)；高校；人才質(zhì)量評價；應用

中圖分類號 TP3 文獻標識碼 A 文章編號 1674-6708（2019）236-0118-02

在當今大數(shù)據(jù)時代，大數(shù)據(jù)分析技術被廣泛應用于各種組織包括政府和企業(yè)，為相關部門提高工作效率和決策科學性提供有力支撐。根據(jù)國際數(shù)據(jù)公司（IDC）監(jiān)測，人類產(chǎn)生的數(shù)據(jù)量正在呈指數(shù)級增長，在2020年前繼續(xù)保持大約每兩年翻一番的速度[1]。大數(shù)據(jù)分析技術將是一個科技創(chuàng)新的前沿技術，人類將從數(shù)據(jù)中獲取改變生活方式的有效價值信息。

1 大數(shù)據(jù)分析技術簡述

大數(shù)據(jù)具有體量大、類型繁多、時效性高和價值高密度低4個特點。大數(shù)據(jù)分析是指對規(guī)模巨大的數(shù)據(jù)進行分析并提取數(shù)據(jù)價值的過程，是在強大的支撐平臺上運行分析算法發(fā)現(xiàn)隱藏在大數(shù)據(jù)中潛在價值的過程[2]。大數(shù)據(jù)分析分為可視化分析、數(shù)據(jù)挖掘、預測分析、語義分析和數(shù)據(jù)質(zhì)量管理5個領域，常見的大數(shù)據(jù)分析工具有Weka、R、Enterprise Miner等[2]。結構化數(shù)據(jù)分析、文本數(shù)據(jù)分析、多媒體數(shù)據(jù)分析、Web數(shù)據(jù)分析、網(wǎng)絡數(shù)據(jù)分析和移動數(shù)據(jù)分析是大數(shù)據(jù)分析技術研究的六個重要方向。

2 大數(shù)據(jù)分析技術應用于高校人才質(zhì)量評價的必要性

在高等教育領域，各類高校招生規(guī)模的與日俱增與學校內(nèi)部教學管理人員增幅相對較緩之間產(chǎn)生了巨大的矛盾。高等教育人才培養(yǎng)質(zhì)量評價作為高校教學管理工作中一個重要的環(huán)節(jié)，既是高校人才培養(yǎng)的落腳點，也是高校教學工作的參照點。只有充分借鑒大數(shù)據(jù)分析技術在其他行業(yè)的應用經(jīng)驗，采用最新的大數(shù)據(jù)分析手段，結合各高校教學管理的內(nèi)在需求和工作流程，以大數(shù)據(jù)分析技術應用為手段，構建完善的人才質(zhì)量評價大數(shù)據(jù)分析流程，通過對海量人才培養(yǎng)數(shù)據(jù)的采集存儲、數(shù)據(jù)交換、清洗、整合、分析等過程，達到對人才培養(yǎng)過程相關信息的跟蹤與檢測，挖掘出學生人才培養(yǎng)質(zhì)量與各因素之間的關系并準確預測未來，才能夠有力提高高校教學管理的水平。

3 大數(shù)據(jù)分析技術在高校人才質(zhì)量評價中的應用

3.1 人才培養(yǎng)數(shù)據(jù)的采集存儲

3.1.1 數(shù)據(jù)的屬性與存儲

人才培養(yǎng)數(shù)據(jù)是大數(shù)據(jù)分析技術在高校人才質(zhì)量評價中應用的先決條件。數(shù)據(jù)的屬性必須滿足規(guī)模性、多樣性和動態(tài)性的特點。只有符合以上3個特點，大數(shù)據(jù)分析技術才能夠挖掘出科學和有效的數(shù)據(jù)。具體來講，規(guī)模性是從體量的維度衡量，規(guī)模越大，數(shù)據(jù)就越精細且越能反映真實情況，多樣性是從種類的維度衡量，數(shù)據(jù)的種類多少體現(xiàn)了數(shù)據(jù)的采集層面廣度和微觀度，動態(tài)性是從時間序列的維度衡量，即要求人才培養(yǎng)數(shù)據(jù)不僅要包含在校期間情況，還要包含畢業(yè)后的工作、家庭、工作晉升等重要時點數(shù)據(jù)。如果人才培養(yǎng)相關數(shù)據(jù)不完整、不準確，即使采用最先進、前沿的大數(shù)據(jù)分析技術手段，數(shù)據(jù)挖掘出的結果也毫無價值。因此，做好人才培養(yǎng)數(shù)據(jù)采集工作是所有教育管理者應該關注的重點。在數(shù)據(jù)存儲方面，隨著高校辦學規(guī)模越來越大，且教學管理的精細化要求越來越高，教學管理的相關數(shù)據(jù)與日俱增，數(shù)據(jù)規(guī)模越來越大。如果還是采用原有的服務器模式，服務器的數(shù)量會呈現(xiàn)多而分散的問題。因此，人才培養(yǎng)數(shù)據(jù)要存儲在云架構的分布式文件系統(tǒng)（DFS）中，以云的形式存儲。

3.1.2 數(shù)據(jù)的來源與獲取

與高校人才質(zhì)量評價有關的數(shù)據(jù)庫主要包括本科教學狀態(tài)數(shù)據(jù)庫、畢業(yè)生質(zhì)量評價數(shù)據(jù)庫、學生成績數(shù)據(jù)庫、教師教學質(zhì)量數(shù)據(jù)庫、學生第二課堂數(shù)據(jù)庫等，其中本科教學狀態(tài)數(shù)據(jù)庫是教育部要求全國本科院校每年于十月左右將本校當學年的教學狀態(tài)數(shù)據(jù)上傳至申報數(shù)據(jù)平臺，畢業(yè)生質(zhì)量評價數(shù)據(jù)庫一般依托第三方機構對高校畢業(yè)生進行跟蹤與評價形成數(shù)據(jù)，其他教學數(shù)據(jù)庫一般由學校教務處、學生處和團委牽頭開發(fā)系統(tǒng)并由各二級學院或?qū)W生填報形成數(shù)據(jù)。以本科教學狀態(tài)、學生第二課堂和畢業(yè)生質(zhì)量評價數(shù)據(jù)庫為例，本科教學狀態(tài)數(shù)據(jù)庫涉及師資隊伍、教育教學、學生課外活動等11類近115個數(shù)據(jù)實體、900多個狀態(tài)數(shù)據(jù)項，數(shù)據(jù)以結構化數(shù)據(jù)為主，學生第二課堂數(shù)據(jù)庫主要是采集學生參加社交活動、創(chuàng)新創(chuàng)業(yè)活動等數(shù)據(jù)，這類數(shù)據(jù)以非結構化數(shù)據(jù)為主，畢業(yè)生質(zhì)量評價數(shù)據(jù)庫中的數(shù)據(jù)包括就業(yè)去向、薪酬水平、職務晉升與調(diào)動、職業(yè)發(fā)展水平等，以非結構化數(shù)據(jù)為主。

3.2 人才培養(yǎng)數(shù)據(jù)的安全管理

人才培養(yǎng)數(shù)據(jù)采集存儲后還需要做好安全措施和備份方案。人才培養(yǎng)數(shù)據(jù)的安全直接決定了數(shù)據(jù)的準確性，是保證大數(shù)據(jù)分析技術在人才質(zhì)量評價有效性的前提。當前高校人才質(zhì)量相關數(shù)據(jù)使用率高，由于相關管理人員安全意識差、計算機操作不規(guī)范等原因，再加上計算機網(wǎng)絡開放共享的特點決定了大量的黑客惡意攻擊、人為破壞因素的客觀存在，數(shù)據(jù)信息的安全性問題成為必須要考慮的問題[3]。因此，除了定期升級系統(tǒng)補丁并安裝好殺毒軟件和防火墻外，系統(tǒng)管理員還需要做好人才培養(yǎng)數(shù)據(jù)的備份方案。通過信息加密、遠程數(shù)據(jù)庫鏡像等手段進行數(shù)據(jù)管理和備份，確保緊急時候能夠利用恢復數(shù)據(jù)手段使教學運行正?；?。

3.3 人才培養(yǎng)數(shù)據(jù)的數(shù)據(jù)挖掘

數(shù)據(jù)挖掘有4種常見的分析方法，分別是描述型分析、診斷型分析、指令型分析和預測型分析。描述性分析注重分析數(shù)據(jù)的背后發(fā)生了什么，也是最常見的大數(shù)據(jù)分析方法，診斷型分析一般在描述性分析之后，側(cè)重分析為什么會發(fā)生的問題，預測型分析注重分析接下來可能發(fā)生什么，包括發(fā)生的事情、該事情發(fā)生的時點、發(fā)生的可能性等等，指令型分析通常是最后一步，是在分析過“發(fā)生了什么”“發(fā)生的原因”“可能發(fā)生什么”之后，進一步為用戶提供決策，即應該采取什么樣的措施。數(shù)據(jù)挖掘采用的算法主要包括分類與預測挖掘、聚類挖掘、關聯(lián)規(guī)則、決策樹方法、神經(jīng)網(wǎng)絡方法、遺傳算法、模糊理論、可視化技術等等，其中聚類分類與預測挖掘、關聯(lián)規(guī)則和決策樹分類三種算法比較適用于高校人才質(zhì)量的評價。

3.3.1 聚類、分類與預測挖掘算法在人才質(zhì)量評價中的應用

聚類算法主要包括K-means、 BIRCH、DBSCAN、CLIQLE等方法，高校在人才培養(yǎng)質(zhì)量評價時候可采用K-means算法的聚類挖掘分析技術，這種分析技術能夠分析出某一類學生群體的行為特征。該算法通過分析學生自身特點、學習目標環(huán)境與行為來分析學生的學習特征，然后將學生以及學習特征進行聚類和分類，分析有可能出現(xiàn)學業(yè)預警的學生群體特征，或者科研能力較強或是就業(yè)質(zhì)量好的學生群體的行為特征[4]，以此向這類學生推薦他們感興趣或者有用的課程和學習路徑。通過聚類、分類與預測，高校能夠?qū)W生實施分類、精準和個性化的培養(yǎng)方案。

3.3.2 關聯(lián)規(guī)則算法在人才質(zhì)量評價中的應用

關聯(lián)規(guī)則算法主要用于發(fā)現(xiàn)大數(shù)據(jù)背后各要素之間可能存在的關聯(lián)，主要算法有挖掘布爾關聯(lián)規(guī)則頻繁項集的Apriori算法，該算法可用于分析學生學習成績的影響因素。利用學生參與社會活動情況、文體互動情況和成績的關聯(lián)規(guī)則算法，高?？梢粤私獾诙n堂與學習成績是正相關還是負相關。通過分析學生在課程在線平臺上作業(yè)完成情況、登陸次數(shù)、材料瀏覽情況等信息，加上學生登陸圖書館的次數(shù)和借閱情況，高?？梢苑治龀鰧W生自主學習習慣與學習成效之間的關系。利用人臉識別技術采集學生上課的抬頭率情況，可以分析出課堂學習注意力與學習成績之間的關系。

3.3.3 決策樹分類算法在人才質(zhì)量評價中的應用

決策樹算法是一種逼近離散函數(shù)值的方法，在70年代末由J Ross Quinlan提出了ID3算法。利用決策樹分類算法構建人才培養(yǎng)質(zhì)量評測決策樹來實現(xiàn)定性分析也是一種常見的應用，其背后的邏輯是具備某種優(yōu)勢的群體具備另一種優(yōu)勢的概率較大。因此，通過決策樹分類算法，高校教學管理者能夠分析出不同專業(yè)不同類別學生的潛在就業(yè)領域，大概測量出某個學生繼續(xù)深造還是立即就業(yè)的適合度，為學生的職業(yè)生涯提供科學的量化建議和輔助決策數(shù)據(jù)。

參考文獻

[1]高志鵬，牛琨，劉杰.面向大數(shù)據(jù)的分析技術[J].北京郵電大學學報，2015，38（3）：1-12.

[2]陶雪嬌，胡曉峰，劉洋.大數(shù)據(jù)研究綜述[J].系統(tǒng)仿真學報，2013，25（S1）：142-146.

[3]姚文偉.高校教務管理系統(tǒng)數(shù)據(jù)備份解決方案研究[J].湖南科技學院學報，2018，39（2）：109-111.

[4]傅鋼善，王改花.基于數(shù)據(jù)挖掘的網(wǎng)絡學習行為與學習效果研究[J].電化教育研究，2014，35（9）：53-57.