1、大数据时代的院校研究与大学管理 张俊超 浙江海洋学院东海科学技术学院 摘 要： 在大数据时代背景下,大学管理要从传统的经验管理走向以数据为基础的科学管理,必须转变相应的思维方式,形成用数据“说话”的理性决策思维,学会利用和分析多种类型数据并转向对数据相关关系的关注。在美国,院校研究通过数据分析为大学管理决策服务已经成为一种文化和传统;在中国,也有一些高校在进行这方面的探索,利用联机分析处理和数据挖掘等新技术为学校的管理决策提供支持。我们需要借鉴学习先进的成功经验,营造健康的数据文化,提高数据质量,加快数据系统的建设、公开和共享,提升对数据的挖掘分析应用能力,推进中国高校走向基于证据的科学决策和
2、有效管理。关键词： 大数据时代; 院校研究; 大学管理; 数据分析; 作者简介：张俊超,华中科技大学教育科学研究院副教授。收稿日期：2013 年 8 月基金：2012 年度教育部人文社科研究一般项目(12YJA880156)“美国公立高校权力运行制约与监控机制基于决策过程的多案例实证研究”研究成果Institutional Research and University Management in the Age of Big DataZhang Junchao Abstract： Under the background of big data age,the management of u
3、niversity should be converted from experience management to data-based scientific management.People are required to change their thinking mode to a rational data-based one and learn to use and analyze various types of data,thus paying much attention to data correlation.In the United States,its a cul
4、ture and tradition for institutional research to provide service for university management decision.Meanwhile in China,some colleges and universities are conducting familiar researches,too.They try to provide support for their management decision by using new technologies like online analytical proc
5、essing and data mining.In order to advance the evidence-based scientific management decision and efficient management,we need to draw lessons from the advanced successful experience,create a healthy data culture,improve the quality of data,speed up the building,opening and sharing of our database sy
6、stem,promote the application ability of data mining and analysis.Received： 2013 年 8 月随着信息技术的高速发展,大数据的浪潮逐渐波及世界的每一个角落,有关“数据革命”、“数据管理”、“数据创新”的议题正在被各行各业讨论与实践。同样,现代大学管理也要应对这一潮流与挑战,迎来“数据治校”的时代。大学的管理者必须从传统的主观决策和经验管理转向理性决策和科学管理,这种管理是基于证据的管理,是以数据和信息为有效支撑的管理。这转向是我国大学提高水平和质量的必由之路,也是发达国家高等教育发展的经验。而转换相应的思维方式,学习先
7、进的方法和经验,发挥院校研究的功能,通过数据分析为大学管理决策提供有效的支持,是推进中国大学建立现代大学制度、实现科学决策和有效管理的根本途径。一、大数据时代的特征与大学管理的思维转变“大数据”是随着现代信息技术发展而出现的一种时代现象,通常认为有四大特征,简称为“4V”特征。一是数据量大(VolumeBig),我们通常用“海量”来形容;二是数据类型多样化(Varia-bleType),除了传统的结构化数据,越来越多的数据为网页、视频、图像与位置信息等形式的半结构化和非结构化数据;三是数据处理的快速化(VelocityFast),以“云计算”为代表的技术使得大量数据的快速传输、运算和处理成为可
8、能;四是价值高和密度低(ValueHighandLowDensity),以视频为例,连续不间断监控过程中,可能有用的数据仅仅有一两秒。简言之,“大数据”就是一个体量特别大、类别特别多、需要高速实时处理、价值含量高但高价值数据占全部数据较少的数据集合。物联网和云技术的快速发展,开启了一个大规模生产、分享和应用数据的时代“今天,数据已经无处不在,我们的衣食住行、喜怒哀乐、吃喝玩乐都以数据的形式存在。通过数据、网络和软件,我们用数据来记录这个世界,再通过研究数据去发现这个世界。”在大数据的背景下,大学管理变成一种数据支撑的行为科学,大学的决策模式也将由传统的英雄顶层决策模式和群众创新决策模式转变为以
9、数据为基础的决策模式,而这种决策模式需要我们转变相应的思维方式。1.形成用数据“说话”的理性决策思维。对现代管理有重要贡献的美国管理学家、统计学家爱德华 戴明(EdwardsDeming)有一句被广为流传的话:“我们信靠上帝。除了上帝,其他任何人都必须用数据说话。”唯有数据才是科学的度量,数据被视为知识的来源,没有数据,研究寸步难行,这是美国学术界的共识。20 世纪 60 年代以来,一场以定量分析、实证研究为核心的思潮在美国起源,席卷了整个社会科学领域。我们经常说的“政策科学”,也在美国兴起,即政策的制定必须立足数据、着眼细节,运用统计学、运筹学、博弈论、管理学对政策问题进行分析和推演。这种理
10、性主义态度,是美国理性决策文化中对 “精确”管理的一种追求。这种文化也渗透到美国的大学管理中。美国的大学基本上都设有院校研究机构,而院校研究机构的主要任务与职能就是采集和分析院校及相关的各种数据,来服务、影响和促进院校的科学决策和有效管理。很多院校研究部门都会根据决策者最为关心的关键数据,设计一个能体现学校与基标参照院校运行现状和历史与发展趋势的仪表盘(Dashboard),让决策者一目了然地了解学校运行基本状态,得到所需要的重要和关键信息。而只要学校管理方面出现了问题或者需要进行决策的时候,学校管理层首先就会找院校研究部门报告和分析相关数据。所以,中国大学要建立现代大学管理制度,首先必须改变
11、“拍脑袋”式的主观决策方式和基于经验的管理模式,学会“用数据说话”,有问题找数据,在基于数据分析的基础上进行有效决策,让决策有理有据,促使现代大学向科学管理转变。2.学会利用和分析多种类型数据,形成对事物整体性、全貌性的认识。大数据之大,不仅在数据之大,更在于数据之杂。15%结构化数据存储在关系型数据库中,而这些数据只是冰山一角,在这之下,是 85% 的非结构化数据。因而让一些难以计量和分析的事物数据化并学会利用和分析不同类型数据,还原事物的完整性和混杂性,是大数据时代管理者和研究者应转换的重要思维方式。比如,对大学生的评价,不仅仅依赖于分数,还有许多其他方面的技能和潜力,如学生的在校经历,学
12、生对学术活动和社交活动的参与情况,学生的价值、态度和道德养成等,都是测评的重要指标和内容。 就 MOOC(MassiveOpenOnline Courses)而言,学生在学习不同模块的过程中会产生大量的数据,学习的每一个阶段都可以进行评估,这种类型的评估频率要比平时的月考、周考的频率高得多,对这些数据进行挖掘和分析,可以全面跟踪和掌握学生的学习行为、学习过程和学习特点,真正揭开教育(学习)过程的“黑匣子”,为高校和相关开课教师提供分析报告和研究服务,从而提高学生的学习质量和学习效率。此外,学生的学习与心理动态,也可以通过他们的行动踪迹、消费情况以及交友网络和微博等半结构或非结构数据进行综合分析
13、得出。3.转向对数据相关关系的关注,消除陈见、发现新问题。探索因果关系是社会科学研究的终极追求,它是人类理解和解释世界的基本方式。但“大数据时代开启了一场寻宝游戏,而人们对于数据的看法以及对于由因果关系向相关关系转化时释放出的潜在价值的态度,是主宰这场游戏的关键。”沃尔玛利用“啤酒和尿布”、“飓风用品和蛋挞”的销售量同比增长关系而采取捆绑销售策略以及亚马逊利用读者的历史数据推荐相关书目的方法都成功地让销售量大增。这些建立在大数据基础之上的相关关系,突破了人们原有经验和想像力的界限,让管理者们不用去探明各种可能的因果关系就可以作出有效的决策。同样,随着高等教育信息管理系统的逐步完善,可供院校研究
14、人员运用、分析和挖掘的数据越来越多,决策者和院校研究人员可以利用自己的专业敏感,强化问题意识,从不同的数据中找到相关性,发现院校管理中的新问题。美国伊利诺伊州立大学教育学院林曾教授对全美四年制大学的毕业率数据进行线性回归分析,发现了与预期假设不一致的结果。如学生服务方面的高支出对学生毕业率有消极影响;来自联邦政府的佩尔奖学金金额越大,毕业率反而越低;少数(族裔)群体比例越大,毕业率越低。由此得出保持大学的多样性和提高毕业率,降低奖学金和保证学业保持率等是美国大学面临的两难问题。复旦大学宓詠老师通过挖掘学生早餐消费次数与成绩绩点(GPA)的关系发现,早餐次数较多的学生成绩绩点不会太低,但早餐消费
15、次数较少的学生中成绩绩点高的也大有人在。所以,用数据驱动的相关关系分析法,可以避免基于惯性思维和假想预设而导致容易出现的偏见和错误,让人突破被原有经验所禁锢的框架,发现一个新的世界。二、院校研究通过数据分析为大学管理决策服务的方法与实践简言之,从各种各样类型的数据中,快速获得有价值信息的能力,就是大数据技术。院校研究的主要任务与职能就是将院校的数据变为信息,然后将信息归纳为相应的知识,并由知识分析出具体的行动建议,让最初的数据产生价值,以支持院校的科学决策和有效管理。虽然在整个社会组织中,高校在运用数据进行管理实践方面,明显滞后于工商业及一些政府管理部门,但也有一些大学的管理者和院校研究者敏锐
16、地觉察到这一点,并开始尝试运用新的方法技术挖掘数据的价值,为大学的科学决策提供有效支持。1.整合业务运行数据库,建立统一的数据仓库。随着信息技术的发展,很多高校都在着手建立信息化管理系统。目前,高校的业务部门如注册中心、学生处、教务处、人事处、科研处、财务处等大都有自己的业务运行数据管理系统,但这些系统运用的是不同的数据系统软件,各个运行数据库有着不同的定义与格式,在需要连接多个数据源的情况下,数据的提取非常困难,而复杂的在线分析几乎无法实现。因此,从不同的业务运行数据库中进行数据提取、转换和装载(DataEx-tracting,TransformationandLoading,ETL),将多
17、种来源的数据按照统一的定义和格式整合起来,以主题(如招生、教学、科研、财务等)为目标,建立以分析为主要功能的数据仓库,是让高校运行数据转化为有利于管理决策和战略规划知识的最基础也最关键的一步。从表 1 可以看到,业务运行数据库主要功能是方便各业务部门进行日常管理工作,数据的价值仅限于最基本的报表和查询。如要对学校管理中某个问题进行分析,在分散的业务运行数据库条件下,跨数据库的提取数据和复杂在线分析非常困难甚至无法实现。只有整合各种业务运行数据库,建立统一的数据仓库,才便于进行跨院校、部门的横向比较以及沿时间轴的纵向深入研究,让连续检测、分析、计划、决策成为可能,使得数据的潜在价值得到最大发挥。
18、表 1 业务运行数据库与数据仓库的区别 下载原表 如复旦大学就在各分散的业务数据库基础上集成建成了综合业务数据库、全局数据库、历史数据库及各种主题分析(餐饮消费、资产利用、师资流失、学生成绩等)数据仓库。上海财经大学将“基于数据仓库的校务决策支持系统”建设作为学校“十二五”信息化建设的核心内容之一,其目标是“通过数据分析和挖掘,支持学校内部治理结构的变革与创新,促进学校人、财、物等资源的优化配置,全面支持学校人才培养、科学研究和社会服务”(参见图 1)。该决策支持系统建成后,针对学校管理中出现的问题进行了教学质量分析、学生就业数据分析、师资数据分析、学科发展状态分析等,并在分析基础上提出决策建
19、议和管理改革措施,为校务决策提供强有力的依据与支持。图 1 上海财经大学“基于数据仓库的校务决策支持系统”总体架构 下载原图2.将业务需求变成数据需求,在全面而系统的数据基础上分析问题。院校研究人员是对决策分析所需回答问题最为明确、对要进行研究所需要数据最清楚的一群人,也是对全校数据有较为宏观理解的一群人。院校研究要想提供有效的决策支持,最为关键的是掌握的信息是否全面完整,以及是否能对相关信息进行系统和合理的分析,从而提供让决策者信服的证据支持和政策建议。“全面而系统”是院校研究人员收集数据的重要特征,这就要求院校研究者不仅要收集现在的数据,还要追溯历史的数据,不仅要对自己学校的数据了如指掌,
20、还要对同型比较和基标参照的学校以及整个高等教育的基本数据有所了解。例如,武汉纺织大学在本科招生工作中发现,历年录取分数线多年保持在比二批次本科高20 多分的水平,但 2010 年更名为武汉纺织大学后,当年本科生录取分数线下降,于是学校想找出原因并拿出改进策略。通过对历年招生生源数据分析发现,该校80%的生源集中来自于 100 多所高中,于是校方加强对这 100 多所高中进行招生宣传,包括邀请师生到校参观座谈以及举办游学夏令营等方式召回保持住这批生源。该策略的效果显著,改名第二年后,录取分数线回升,第三年有超过历年的趋势。此外,除了现有数据库中结构化的数据,我们还要关注多种形式的其他数据。“数据
21、化意味着我们要从一切太阳底下的事物中记取信息,甚至包括很多我们以前认为和信息根本搭不上边的事情。”对于大学管理问题而言,大学的氛围,学生学习经历、学习效果,不同群体学生的感受,批判性思维这些在我们看来难以测量的事物,要通过量化的方法将其转化为数据。例如在测评学生学习成果方面,最为广泛认同的阿斯汀(Astin)的 “输入环境输出”(IEO)模型,是在基于“才能发展观”(Talentde-velopment)的基础上提出的一种新的评估路径。其中,“输入”项被转换为 131 项变量,用以测量学生进入大学时的基本特征;“环境”项被转换为 192 项变量,包括 135 项大学环境测量指标和 57 项“学
22、生参与度”测量指标,用来观测学生在大学期间的学习和生活经验;“输出”项被转换为 82 项变量,用来测评大学生学习和生活经验所产生的结果,如政治认同感、人格与自我意识发展、态度、观念、信仰、行为、学术与认知发展、职业发展以及对大学的满意度等。再比如批判性思维,一直以来都很难被界定清楚,加州批判性思维能力测试(CaliforniaCriticalThinkingSkillsTest,CCTST)通过 34 个多项选择题分别测量学生的分析能力、评价能力、推断能力、演绎推理和归纳推理等能力,进而为学生的批判性思维打分。同样,对于“有而无形”的校园氛围,也可以找到量化的途径。加州大学伯克利分校院校研究中
23、心就在该校“有关公平、包容、卓越的发展战略规划”(UCBerkeleyStrategicPlanforEquity,Inclu-sion,andDiversity)所倡导的理念指导下,对本科生所感受到的校园氛围进行测评,该研究将校园氛围的度量指标(ClimateMetrics)分解为三种重要的因素:尊重率(RespectRate)即不同群体的学生所感受到来自师生态度、言语行为的尊重感的程度;偏见频率(BiasFrequency)即不同群体的学生在该学年度所听到的负面和带有偏见的言论的频率;对多样性的感知重要度(Per-ceivedImportanceofDiversity)即不同群体学生对“多
24、样性对我的重要度”以及“多样性对这所学校的重要度”的反应。通过对收集相关数据并进行分析后,该校决定把继续增强学生群体多样性作为学校的重要发展目标。通过这些案例可以发现,通过转换,数据化不仅能将态度和情绪转变为一种可分析的形式,也可能转化为行动和策略。值得强调的是,除了数据库中原有的数据以及我们想办法进行转换和测量的量化数据,质性数据也非常重要。质性数据可以与定量数据互相佐证,或者解释定量数据所难以解释的问题,所以通过多种方法(如文件、档案记录、深度访谈、参与式观察等)采集和运用多种质性数据,才能更好地分析复杂的教育现象。3.运用联机分析处理技术(On-LineAna-lyticalProces
25、sing,OLAP)对大学管理问题进行实时监控和主动干预。随着数据库技术的广泛应用,从海量数据中提取对决策分析有用的信息成为决策管理人员所面临的重要难题。联机事务处理系统(On-Line TransactionProcessing,OLTP)是传统的关系型数据库的主要应用,主要是基本的、日常的事务处理,但它对分析处理的支持一直不能令人满意。因此,人们逐渐尝试对 OLTP 数据库中的数据进行再加工,形成一个综合的、面向分析的、更好的支持决策制定的决策支持系统(DecisionSupport System,DSS),OLAP 就是数据仓库系统的主要应用,可以根据分析人员的要求快速、灵活地进行大数据
26、量的复杂查询处理,以便他们准确掌握组织的发展状态,及时发现问题并进行主动干预。表 2 列出了 OLTP 与 OLAP 之间的区别。以美国新泽西州肯恩大学的学生辍学监测系统为例,为了提高学生继续学业率,针对大一大二学生的高辍学率现象,该校在每学期注册期间,严密监测学生注册情况,尤其对新生第二学期的注册情况予以特别关注,将那些迟迟未注册的学生名单索引出来,然后通过向下钻取(Drill-down)的方法深入调查这些名单上的每一位学生的详细情况,查看他们所选科目课程及其具体得分,及时对那些辍学可能性较大的学生采取措施,鼓励他们注册并帮助他们顺利完成学业。12表 2OLTP 与 OLAP 区别 下载原表
27、 我国也有很多高校在建立较为完善的综合信息管理系统的基础上,运用相关方法对学校管理问题进行实时监测和辅助决策。如常熟理工学院的学生综合信息管理与决策系统,涵盖了学生的基本信息及所有在校期间的动态行为,采用了逐层深入的分级管理模式,方便学生管理工作者“一站式”地获取学生所有的在校相关数据,使得管理工作能够“有的放矢”。比如通过监测分析校园卡和校园网络的使用数据,可进行学生不在校预警,也可以得到上网过度与消费过度的“黑名单”并通过校园飞信平台推送给学生管理者,从而对相关学生进行及时的教育引导,另外还通过对校园卡的消费情况分析为奖助学金评定提供辅助决策。无独有偶,在华东师范大学,一女生因为减肥,某月
28、饭卡消费较少,没想竟然收到一条系统短信:“同学你好,发现你上个月餐饮消费较少,不知是否有经济困难?如有困难,可电话、短信或邮件我。如无困难,也请回复一下,以便下月不再重复问询。”虽然实际情况出乎管理者所料,但该校及时“用数据表达爱和关怀”13的案例被传为美谈。如前所述,体量大、类型多和速度快是大数据的显著特征,这一特征使得“大样本、实时监测、连续监测”这些在传统的社会科学研究中往往不可兼得的条件,在大数据时代成为可能。而基于数据仓储的联机分析处理技术使得大学管理者能对学校的运行情况进行实时监控,及时发现问题并进行主动干预。4.通过数据挖掘(Data-Mining)找到未知新关系,发现新模式,寻
29、求未来发展之道。预测未来,是大数据的核心价值,而大数据又得规律的发现和验证变得更为便捷可行。数据挖掘(DataMining)就是利用强大数据搜索和视觉化的分析方式,从杂乱无章的数据中发现规律,寻找到那些未知的关系和模式,并利用这些新的发现寻求未来的发展之道。所以,它能帮助大学管理人员更好地分析数据,从而获取潜藏的、有用的信息和知识,提高决策效率与效益。以加州大学本科招生为例,加州大学的 9 所分校在校长办公室的统一协调下通过“综合评审”的原则招收本科生。虽然加州大学保证录取所有合格的学生,但由于有的分校或专业竞争激烈,例如伯克利分校、工程专业等比较热门,因此不能保证完全按学生的报考志愿录取。在
30、这种情况下,所有合格、但未被报考分校录取的学生,将被推荐到另外两所分校,学校希望这两所分校能通过录取这些“落榜生”来保证生源质量和增加其入学人数。但由于加州大学的录取审核工作是由各分校负责进行,招生的最后决定到四月初才能见分晓,这时许多学生可能同时接到其他大学的录取通知,并需要在短期内作出择校决定,因此,这时再向学生推荐这两所分校为时已晚。因此,校长办公室招生办公室采取一月份申请截止日期之后就对申请学生的录取情况进行预测的办法,将那些合格但极有可能被拒的学生名单尽早提供给两所分校,让他们提前向学生宣传学校的情况,鼓励学生来这两所分校就读。用来完成这项预测分析研究的工具就是 SASEnterpr
31、iseMiner 数据挖掘技术,该校在预测申请2008 年秋季入学的大约 4.8 万合格学生能否被申请学校录取过程中,通过集成模型计算,预测到有 7770 名学生将被申请学院拒绝而推荐到另外两所分校。后来根据当年实际招收结果来看,共有 8460 名学生被推荐到这两所分校,预测被推荐的学生数占实际被推荐学生数的 92%。预测模型有效地帮助这两所分校提高了被推荐学生的入学率。如今,数据挖掘技术在美国高校管理和院校研究中的应用已非常广泛,在我国,也有一些建立了统一数据仓库的高校利用这些技术为未来发展进行规划和决策支持,如上海财经大学就在其“基于数据仓库的校务决策支持系统”上,通过对预算执行情况等财务
32、数据进行监测和挖掘分析,观察“强势”和“弱势”院系的发展走势,在此基础上完善预算管理实施细则,调整学校整体资金安排,从而提高了整体资金的使用效率和效果。5.将数据进行重组与扩展,在广阔的背景下理解与改进大学管理问题。“数据就像一个神奇的钻石矿,当它的首要价值被发掘后仍能不断给予。它的真实价值就像漂浮在海洋中的冰山,第一眼只能看到冰山一角,而绝大部分都隐藏在表面之下。”大数据的出现,让数据的总和比部分更有价值。当我们将多个数据集的总和重组在一起时,重组总和本身的价值也比单个总和更大。首先,数据可以不断地被积累和再利用。在美国高校,一些大型的专题研究调查数据系统发挥着越来越大的作用,如大学生学习参
33、与度调查(NationalSurveyofStudentEngagement,NSSE)、“大学生就读经验调查”(TheCollege StudentExperiencesQuestionnaire,CSEQ)、大学第一年经历调查(YourFirstCollegeYearSur-vey,YFCY)等,在长年对数千所院校进行调查的基础上,积累了大量数据,参与调查的学校可以对历年积累的数据进行纵向比较,也可以针对大学管理层关注的不同问题进行多维度的分析,拿出有针对性的改进措施与建议。如加州大学就在其本科生就读经验调查(UniversityofCalifornia UndergraduateExpe
34、rienceSurvey,UCUES)数据基础上,对本科生的学习目标与学习动力、学生大学前活动参与与不同技能获得、学生参与学术活动和批判性思维等不同主题进行历时性和校际间的比较分析,然后对提高学生学习效果、提高本科生源质量等议题提供改进措施与建议。其次,数据的重组与联合也会产生比单个总和更大的价值。这也是为什么美国有很多全国性或地方性自组数据合作体出现的原因,如高校财政合作体(ConsortiumonFinancingHigherEdu-cation,COFHE)、美国高校数据交换协会(The AssociationofAmericanUniversitiesDataEx-change,AAU
35、DE)、学生继续学业数据交换合作体(ConsortiumforStudentRetentionDataEx-change,CSRDE)等,都是一些合作较为成功的数据共享联盟。此外,美国联邦政府所建功能强大的国家高等教育综合数据库系统(Integrated PostsecondaryEducationDataSystem,IPEDS)以及社会保障、医疗保险等其他部门的数据系统都可以为院校和研究人员所用。参与联盟的院校,不但可以积累本校的数据,还可以利用其他院校或部门的数据,这样就可以很便捷地进行比较和分析,甚至对一些全国性甚至全球性问题进行分析和评价。如针对美国社区大学辍学率高达 70%的现状,
36、如何有效提高学生成绩、帮助他们毕业并找到合适的工作是对美国高等教育的一个很大挑战。以前对这方面的研究主要依赖于调查数据,有些是跟踪调查某一批学生的在校成绩,有些是同一年级不同年份的抽样调查数据。但是这些数据已经无法满足研究的需求,为了制定有效政策,研究者们需要通过更加详细的学生资料和大量的样本寻找和理解学生的行为和需求。哥伦比亚大学社区大学研究中心(CommunityCollege ResearchCenter,CCRC)通过收集三个州的社区大学近十年来所有在读学生的全部信息,这其中包括学生家庭情况、学生在校期间所上课程及成绩等,另外通过每名学生的社会保障号与政府失业保险中心的数据连接,从而得
37、到每个学生的季度工资信息,CCRC 研究人员在这些数据基础上给所有学校提供一系列基本的数据分析,然后通过和校方讨论上述数据报表,找出具有代表性的点进行深入研究并提出改革建议。在我国,目前也在建设全国性高等教育信息管理系统如全国高校教学基本状态数据库,但对各院校和研究人员开放和使用的功能有限。此外,也出现了一些专业调查数据公司,如麦可思公司已连续多年对中国数百所大学进行大学生毕业质量调查,积累了大量数据,这些数据的潜在价值将在日后逐渐发掘和发挥出来。北京大学、中山大学、华中科技大学等一批高校的研究人员,也在计划筹办“中国研究型大学学生发展研究联盟”,让联盟学校分享数据,进行广阔的横向比较和纵向的
38、深度分析,帮助管理者在“知己知彼”的基础上作出更为科学与前瞻的决策。三、大数据时代中国院校研究的努力方向我们正处在大数据时代的早期,对大数据技术与应用在中国的一些高校也初见端倪,但不可否认的是,我国的院校研究在规模、方法,特别是技术工具的利用等方面明显滞后于美国,甚至远远落后于国内其他行业。导致这一局面的最大瓶颈依然是不同层面、不同类型信息管理数据库的建设、公开与共享进展缓慢。而要突破这一瓶颈,我们必须从以下几个方面努力:一是营造数据文化,提高数据意识和数据质量。信息社会,数据意识很重要,它包含着精确与开放、透明与分享等因素,相信数据、用数据说话,是理性精神的一种表现。对中国高校的管理者来说,
39、要防止“头脑发热”式的决策行为和朝令夕改式的制度现象,逐渐养成以数据为基础的决策思维,这是在大数据时代减少失误、提高效率的关键。对中国院校研究人员而言,首先要保证所使用或向上报送的数据与事实存在数据的一致性,做到“数出有源、真实可靠”,这是数据质量的最基本要求;其次要对数据进行内涵界定和范围设定,并通过建立统一的数据质量度量标准和数据质量目标,对数据进行有效的监督和及时的清洗。高质量的数据是满足日后进行横向比较和纵向挖掘的基础,也是为科学决策提供有效支持的基本保障。二是加快数据系统的建设、公开和共享。要在推进不同层面、不同类型院校研究数据库的建设、公开与共享过程中,推动大数据的应用。第一,继续
40、倡导国家层面的高等教育管理数据系统的不断完善以及早日向高校和社会公开和使用。投入大量资金和人力开发的“全国高校教学基本状态数据库系统”,已经正式建成两年了,但只行使了向教育主管部门报告的职责,下一步应努力促使该数据库向公众开放,发挥其服务高校和社会的功能。第二,推动高校之间开发和建立数据共享联盟。不同高校面对同一方面的管理问题,数据共享能帮助彼此在相互参照中明晰问题与出路。但在建立数据联盟的过程中,应注意对高校之间的可比性数据进行严格的科学界定,在维护各联盟成员院校和学生个人权益的基础上,建立相互信任的关系,平衡数据的获取与安全。第三,科学建设院校层面统一数据库。在协调各业务部门建立统一数据系
41、统的过程中,要在责任分配上达成一致,开发一套共同话语和标准界定以及科学的操作流程,有效整合院校研究数据和资源。院校研究需要同数据保管人员(比如注册中心、信息技术中心)进行有效合作。而已经建成统一数据库的院校,则可进一步推进院校研究数据仓库的建设,为其他院校提供示范和参照。三是提升对数据的挖掘分析和应用能力。应用数据并不是简单的数据汇总或数据罗列,而是要按照科学方法挖掘数据,对这些原始的数据进行加工、整理和提升为重要的管理知识与智慧。数据的分析与处理能力,是大数据时代对每个行为主体与组织的基本要求,也是一个社会进入到精细化发展的基本工具。特仁尼兹(Terenzini)提出院校研究人员必须具备三方
42、面的知识和能力:技术与分析智能(包括研究设计、数据库管理、统计学方法与定性研究方法等基本技能);院校事务智能(包括熟悉院校中高层管理人员遇到的问题、大学的功能和决策程序等实践能力);院校情境智能(主要指了解本校组织以及整个高等教育的文化,包括大学的历史演变和理念、正式和非正式的校园组织制度以及主要人物的价值观与态度等)。同时他还指出,院校研究处于不同发展阶段对各种技能的要求是不同的。在院校研究发展的初级阶段,也就是数据系统建设时期,对研究人员的技术与分析智能要求是最高的,而数据系统建成之后,院校研究工作重点转向数据分析和决策支持;院校研究进入半成熟阶段和成熟阶段后,院校研究人员事务性智能和情境
43、性智能就显得更为重要。(见图 2 所示)很明显,中国还处在院校研究发展的初级阶段,数据系统建设和数据分析技术应成为当前资源投入的重点。图 2 院校研究行为、发展阶段与院校研究资源的分配关系 下载原图最后一点,继续强化院校事务的问题意识和对决策情境的理解。虽然说数据以及挖掘数据价值的方法技术很重要,但要谨防的一点是:“技术是达到目标的工具,而本身并非目标。”特仁尼兹(Terenzini)早在 1995 年就针对美国院校研究人员过于关注技术的现象提出警告:“院校研究人员过分关注技术可能导致的危险结果是:他们将被视为技术员,擅长他们所从事的事情,但对重要的学术和管理问题知之甚少、缺乏主张。”也就是说,院校研究要想实现有效的决策支持功能,往往是将定量数据、质性数据以及相关决策情境整合起来进行分析,当数据与大学背景知识紧密联系起来、院校研究人员与决策者之间有密切的沟通合作时,院
