一、国内外高校管理中的商业智能应用
随着云计算和云存储的推广，可以收集和利用越来越多的数据。为了高效地处理和有效地利用各种形式的海量数据，以数据仓库、数据挖掘、联机分析处理等为核心的商业智能(BusinessIntelli-gence，BI)技术应运而生。商业智能这一概念由加特纳•格鲁派于1989年提出，可将商业智能理解为一种能够将机构现有的数据转化为知识，帮助机构通过基于事实和电脑化系统，做出科学业务决策的工具。商业智能技术已成功地应用于银行、电信、保险、制造业和零售业等行业。［6］从全球范围来看，商业智能已经成为最具有前景的信息化领域。通过调查了解世界各地的高等教育部门采用商业智能技术的状况发现，高等教育已明显落后于其它行业。然而，DaveWells在文献中指出，越来越多的高校正在关注商业智能应用这一主题，高等教育在技术方面已经到了应用商业智能的时候了。［7］例如，北美高等教育界较早关注商业智能应用的重要性，美国部分高校已经采用或正开始采用商业智能技术，对学校的教育数据进行整合分析，为学校的科学决策与管理提供信息支持。如宾州州立大学、密执根大学均于2005年提出建设BI项目的倡议，弗罗里达州立大学、华盛顿大学分别于2007年、2008年开始利用BI项目分析学校整合数据进行决策支持，普渡大学于2008－2014年期间建设学校新的协同集成系统，印第安纳大学2009年提出BI建设路线图，斯坦福大学商业智能中心2009年提交的BI架构及方案获批准、2010年正式启动项目建设，加州大学(总部)建设StatFinder系统，伊利诺斯大学建立学校决策支持数据仓库，亚利桑那州立大学为支持科学决策建设了仪表盘(dashboard)等。在欧洲、亚洲等地区的高等教育体系中，商业智能技术的应用才刚刚起步。我国少数高校也开始迈出了建设BI系统的步伐，如中山大学2010年开始提出学校BI系统建设倡议，现已初步完成BI系统的数据仓库建设，上海交通大学2011年推出BI项目的子系统———财务管理驾驶舱系统，复旦大学为学校师生在校生命周期实现管理信息化“全覆盖”，中国人民大学推出综合数据填报、数据存储、数据管理和数据展示等四大功能的数据平台，浙江大学为优化资源配置建设共享数据中心进行数据集成，上海财经大学建设校务决策支持系统，常熟理工学院建立高校决策支持系统等等。同时，基于商业智能技术产出的数据，也形成一批对高等教育和高校自身进行深入分析的研究报告。如美国教育研究的主要组织院校研究学会，年会报告除了涵盖数据管理、数据仓库等关于计算机技术本身的报告之外，关于评估、资源、学生、合作和分析的报告，较多地来自于商业智能系统数据的研究结果。［8］
二、数据驱动的高校教育管理智能平台架构
在海量教育数据亟待有效利用的驱动下，为提高高校管理效益，将商业智能技术应用到高校教育管理中，对高校产生的大量数据用数据挖掘等商业智能技术进行分析研究与处理，可以帮助高校决策者做出对学校发展更为有利的科学决策。其关键是建立综合层面上的、能反映高校整体教育教学管理的信息集成系统平台(下文简称高校BI系统平台)。高校BI系统平台体系架构由数据源、数据存储与管理层、数据分析层和用户接口层组成，如图1所示。
(一)数据源
数据源是整个系统的基础，包括高校各类业务管理信息系统的内部数据和其他外部数据。内部数据包括存放于操作型数据库中的各种业务数据和办公自动化系统包含的各类文档数据，如学校财务处、人事处、教务处、科研处、设备处等部门数据库中业务数据;外部信息包括各类教育信息、外部统计和调研数据及文档等。
(二)数据存储与管理
数据存储与管理层是整个系统的核心，包括ETL管理工具、公共数据集、元数据、数据仓库和数据集市。高校BI系统平台建设采用数据驱动设计方法，从学校原有的各个部门的业务处理系统和外部数据源中经过ETL提取数据，并根据常见的分析和统计主题，建设校级数据仓库以及人才培养、师资队伍、科学研究、办学资源、交流合作等主题的数据集市。
(三)数据查询与分析
高校决策者常常希望从不同的角度审视教育数据，比如从时间、区域、学科、教学或科研成果、课程建设、学生层次、交流合作、办学资源等维度全面了解学校的教育质量和状态。高校BI系统平台的数据分析层利用商业智能技术为高校管理主要提供固定报表、即席查询、统计分析、多维分析、预警功能、预测分析、数据挖掘建模分析及优化分析等，根据学校现有学生、教师、资源、科研和人才培养等状况，有助于高校决策者全面地对学校资源配置进行调控、对学校整体办学信息的内部结构进行调整等，做出对学校发展更为有利的科学决策。
(四)用户接口
用户接口层根据高校用户访问需求和角色访问授权机制，提供强大的多用户数据查询操作，并以仪表盘或表格、直方图、饼图等直观方式将查询结果或决策信息呈现给用户。
三、应用案例
下面以高校BI系统平台中的调研数据为商业智能技术应用案例，利用回归方法对大学生学习成果进行数据挖掘分析。
(一)数据来源
案例分析的数据来源于高校BI系统平台中“中山大学学生学习状况调查”项目于2012在中山大学全校范围内开展的在线调研数据。［13］调查覆盖全校36个学院(系)，调查总体约为3．3万名本科生。让学生在无压力的情况下答题，共回收问卷7051份，回收率约为21．2%，与国际上通用的问卷回收率相当。案例分析聚焦于本科样本，全部回收的问卷根据答题时长、问卷质量标准等原则，筛选出有效问卷数据6673份，有效率为94．6%。本研究从学生学习经历角度，在“生源－学习－成果”的逻辑框架中，考察分析学校因素和学生因素对于学生学习成果的影响机制。调查把学生学习经历和成果分解为生源情况、学校学习资源供给、学生与学校的融合、学生学习投入、学生成果、学校成果6大维度，各维度下题目的内部一致性均达到0．9以上，具有较高的信度。
(二)数据分析
逐步回归提供了一种识别与学生学习成果相关的具体经历的方法，对于学生学习状况调查中的227项进行相似项合并，用向前和向后逐步回归确定与学习成果相关的项目，对残差图和诊断法的彻底审查，最后确定17个独立变量出现在多元回归模型中(如表2所示)，其中，相关系数Ｒ为0．994，校正判定系数Ｒ2为0．988，因变量变化中有98．8%左右的信息可以由预测变量解释，说明模型的拟合优度较好;Durbin－Watson为1．937，接近最佳理想值，如表1所示。表2显示的是回归系数的相关统计量，可以看出，这17个独立变量的显著性概率Sig．都小于0．05，说明其系数显著不为0，这17个变量均与学生学习成果显著相关。分析表2中的数据可以看出，学生学习经历中的学校学习资源提供、学生学习投入和校园文化及学校成果等四大维度的17个变量均为影响学生学习成果的重要预测变量，包括课程作业评价、专业学习经历评价、学术规范指导、平等文化、多元能力的培养氛围等学校因素变量，以及朋辈交流情况、自主学习情况、活动参与情况、课外阅读情况、论文写作情况、讨论关注的内容情况、师生交流、课业活动及个人闲暇活动时间分配等学生因素变量。同时，在校经历满意度、综合满意度和能力培养满意度等融合学校因素和学生因素的学校成果也对学生学习成果具有一定的影响。通过标准系数可以看出，朋辈交流情况、自主学习情况和讨论关注的内容情况分别是第一、第二和第三重要的预测变量，而性别、年级、所在校区等人口学变量并未出现在该回归分析模型中，对学生学习成果的影响不显著。进一步分析朋辈交流情况和自主学习情况调查指标应答概况，如表3所示，“有时”、“时常”或“频繁”进行朋辈交流的比例为63．7%～97．7%，自主学习的比例为52．5%～92．9%，朋辈交流和自主学习的平均比例相当高(81．8%)。“有时”、“时常”或“频繁”地进行朋辈交流方面的主要比例情况为:“与家庭背景(社会、经济的)不同的同学交流”为97．7%、“与兴趣不同的同学交流”为95．6%、“在与同学的谈话中得到启发，改变自己的想法”为94．4%、“与世界观、价值观不同的同学交流”为93%、“与不同专业的同学交流”为92．6%、“同学与你谈话后，表示受到了你的启发”为90．8%。“有时”、“时常”或“频繁”地进行自主学习的主要比例情况为:“利用图书馆、网络等资源丰富自己的学识”为92．9%、“根据课程安排，做课堂展示”为91．3%、“努力掌握对自己而言较难的课程内容”为91．3%、“随着学习经历的丰富不断整合、梳理自己的知识系统”为88．4%，“因课程设置和教师的要求具有挑战性而更加努力地学习”为85．9%。上述情形符合VincentTinto在研究大学生退学问题时提出的理论模型:学生取得较好的学习成果，依赖于他们在学习经历中能否将自身的经验和目标与学校系统内部的学术系统和社交系统相融合。［10］学术系统代表学生个人的课业表现、智力发展、学业成就等综合表现，如表2中自主学习情况、活动参与情况、课外阅读情况、论文写作情况、讨论关注的内容情况及课业活动等属于学术系统的范畴。社交系统代表学生在校内的同伴关系、师生关系、社交行为等综合表现，如朋辈交流情况、师生交流及个人闲暇活动时间分配等属于社交系统的范畴。学生在其学习经历中，有效地利用学习资源和校园文化氛围、将学术系统和社交系统进行整合，可以从学业和人际关系上自我提升，从而提高学习成果。
四、小结
如今，高等教育机构正处于数据爆炸但知识贫乏的信息时代，面对浩如烟海的各类教育数据，若不能有效地加以利用，就会降低对数据的使用效益并使各级教育机构的管理和决策尤为困难。同时，随着教育改革的逐步深入和高等教育的国际化，高校面临着质量评估、绩效考核、社会问责、大学排名等现实问题，如何有效地管理海量的教育数据，并从这些数据中获取有用的信息，调整教育教学策略，提升教育教学质量和管理效益，是高校教育管理与深入发展的重要研究课题。为此，对现代大学管理如何有效利用数据以提升高校管理效益进行了思考，探讨了商业智能技术在高校管理中的应用情况，并从体系架构、数据挖掘技术在大学生学习成果预测评价应用案例等方面进行分析。由于高校数据来源的异构与多样化、数据管理机制缺乏等，使得商业智能技术在高校教育管理中全面地展开深层次应用，还有很长的路要走。
作者：舒忠梅 屈琼斐 郭清顺
