预警|四个步骤，从0到1解决高校数字化实践难点( 二 )

以教师工作量指标定义为例，需要结合课程难度，上课学生数，是否有辅讲，节次等计算出来，才能相对准确的反映教师工作量。怎么设置课程难度呢？
可以设立教师专家组，请其设置不同课程难度系数。还可以结合历年学科各方评教情况建立模型进行难度系数设置。
不要小看一个小小的指标定义，教师工作量是评教的重要因素之一，而评教的公平公正性，对教师队伍的激励性，对教学质量提升的重要性，再上升对学校办学水平的重要性影响程度都很大。
“将数据进行到底”还意味着在数据应用中不断迭代开发，深化应用。
一是对子主题横向扩展，比如结合高校业务信息平台化建设系统，通过身份验证的毕业生可在线进行毕业生成绩打印，让学生少跑腿，为其提供更好服务，这是从宽度上拓展数据应用。
二是子主题纵向拓深。比如对于学生成绩管理这个主题，除了可以包含常规的学生学习效果分析，运用描述性分析看学生当期各科成绩，运用趋势分析看学生不同时期成绩变化情况，运用对比分析看不同院系、班级及课程学生成绩，还可以进一步进行绩点预测等数据挖掘分析。
除此之外，还能进行更多细分子主题比如课程不合理度分析，对比学生平时成绩与考试成绩差异度，对偏差值大的课程进行进一步调研；或是进行更多关联分析，譬如人事、科研及教务相关性分析，教务和一卡通数据关联分析等。
这是从数据应用深度角度，让数据不断挖掘，越用越准。

文章插图
图五：男生女生学习成绩与早餐次数分布
“将数据进行到底”是一个迭代循环的过程。在数据应用中结合业务情况还可以对前期定义的数据主题、数据模型及指标进行修正。只有融入匠人般的执着精神，才能不断深化数据应用。
四、要点四： “从业务中来，回到业务中去”“从业务中来”指数据分析要结合业务需求。每一个业务模型，每一项指标定义都需符合业务逻辑。比如前面提到的教师工作量指标就是基于业务理解来定义的。
但数据分析工具及方法更多是帮助我们发现问题，或者是缩小问题范畴，找到一个异常指标点并不意味着问题的终结。我们需要让问题回归到业务本身，结合业务方法解决问题。
举个例子，假设通过评教系统，我们发现某教师综合得分低主要是学生评教得分较低。从数据层面，学生评教可以对教师备课、授课思路、教学风格、教学手段、课件制作、作业布置、对待学生公平性、尊重关心学生、课后辅导参与指导及与其他教师协作等方面制定一套评分体系。
【 预警|四个步骤，从0到1解决高校数字化实践难点】但看到总评分甚至每一细项评分都不意味着问题到此终结。评分背后更深层次原因是什么？
譬如我们发现某老师今年和去年相比学生评教分数下滑严重，是教师教学能力退步，学校倡导的新的教学方式不能适应，还是其他比如因近期职称评定甚至家庭因素导致的态度原因？
这些需要回归至业务层面，通过进一步调研的方式才能深入了解并界定问题发生根本原因，从而制定有效的解决策略。这就是“回到业务中去”。
五、案例：怎样有效构建高校场景化数据分析体系下面我们以学生安全驾驶舱为例，剖析怎样有效构建高校场景化数据分析体系。
学生安全管理无论在高教还是普教都非常值得关注。现阶段主要痛点在于缺乏学生安全
状况及重点人员全面而准确的名单，难以实时监测、精准干预。那么怎么通过数据分析来帮助解决这个问题呢？
首先应用分析有效性要点一，制定战略目标。我们的目标就是要掌握一份准确而完整的学生安全名单，精准干预，减少学生实际安全问题发生。
其次应用有效性要点“从业务中来”，进行学生安全问题类型定义。我们需要预定义哪些问题是学生安全问题。结合近年学生安全事件，我们可以定义三类学生安全问题：疑似失联、疑似心理预警及学业预警。
下一步是应用有效性要点“将数据分析到底”之主题及模型定义准确性，来构建模型。
对于疑似失联学生，可以通过学生的行为轨迹以及各方面的数据印证构建疑似失联学生状态识别模型，譬如校务系统特征M1、一卡通系统特征M2、校园监控系统特征M3、校园网络系统特征M4，得出一个疑似失联名单，每一个学生的疑似失联天数，学院，辅导员及学生的联系电话等信息。
对于疑似心理预警的学生名单，主要通过学生网络行为如上网时长，上网网站类型来判断；学业预警名单，通过学生的旷课行为、挂科、学分不足等情况综合判断。