当前位置:首页 > 高校聚焦 > 正文

高校教育改革,数据治校成趋势

发布人:校企合作管理员 来源:本站 发布日期:2018/12/10 【浏览量:

转载至麦可思研究

2018年9月,日本文部科学省发布消息称,准备进行关于大学生的学习时间长短和教学满意度的全国调查。这在一定程度上反映了教育改革及政策发布不是凭经验而为,而是用数据说话的趋势。

此外,伴随信息技术的发展,尤其是对人工智能的关注,学习分析也开始进入大学教育研究者的视野。本文将围绕日本大学里的数据使用,着眼IR和学习分析,介绍相关动向。

注:

IR称作“校务研究”“制度研究”“院校研究”。

说明: https://mmbiz.qpic.cn/mmbiz_png/0NNCj5O1XFozib6iajTxsl6iarYJGQmewYTOxEUbibUmwRg7oevsBu5AnhlD3JI0NIo5ib3LkUsLr4hKTkZsGrqjojg/640?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1日本IR说明: https://mmbiz.qpic.cn/mmbiz_png/0NNCj5O1XFozib6iajTxsl6iarYJGQmewYTNmOd3CrmBmmPIlrQncDyQJKTibkQORdlR8EhwaH1ibrNSxCdn7MBH1SA/640?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1

有关IR,美国高校主要收集教育、研究、社会贡献等各方面的数据,并与大学经营的数据进行综合,作为大学经营改革的依据。而日本至今没有一个关于IR的统一定义和认识,即使是现在从事IR工作的大学工作者,对IR的理解也不尽相同。

曾组织日本的“全国大学生调查”的金子元久教授认为IR包括三部分:

1.数据收集与积累

2.关于教育方面的调查与分析

3.提供有关大学经营基础材料的信息与分析

东京大学教授小林雅之和同志社大学教授山田礼子把IR定义为“大学的任务及其实现手段,特别是信息收集与分析”。关东IR组织的负责人之一松田岳士教授认为日本大学IR的特色是“教学IR”。

对此现象,学者们并不以为意,认为IR本身也在发展之中,大家都在探索。

说明: https://mmbiz.qpic.cn/mmbiz_png/0NNCj5O1XFozib6iajTxsl6iarYJGQmewYTOxEUbibUmwRg7oevsBu5AnhlD3JI0NIo5ib3LkUsLr4hKTkZsGrqjojg/640?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1IR的流程和实际运用说明: https://mmbiz.qpic.cn/mmbiz_png/0NNCj5O1XFozib6iajTxsl6iarYJGQmewYTNmOd3CrmBmmPIlrQncDyQJKTibkQORdlR8EhwaH1ibrNSxCdn7MBH1SA/640?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1

IR的业务流程基本分为以下几步:

数据收集→数据分析→计划提议→活动支持

在理想情况下,在数据收集阶段,学校最好能收集包括教务、人事、财务会计和研究等多方面的信息。

在分析阶段,根据分析目的,对数据进行统合或者分离,借助各种分析软件及分析方法进行分析。

在计划提议阶段,需要以不同的简明的方式,向不同的政策制定者提出有根据的计划和建议。

这也是实际考察IR业务承担者能力的阶段,需要透过数据看问题,把数据与背后的教育现象联系起来,而不是仅仅进行数字的罗列。

最后就是在政策实施过程中的相关跟进和支持。

现实中,IR在日本的运用还比较局限,许多还处于纸上谈兵状态。就拿相对容易入手的教学数据来说,对其使用,也是在探讨阶段。

比如,有学者在提倡后述的用法(有些部分已经实现,有的还处于构想阶段):利用信息技术,将收集的教学数据结合大学的特色,做出模型假设,然后将收集到的学生活动数据与模型比照,从而进行相关改善和支持。

教学数据→大学特色→模型假设(理想学生)⇆实际学生活动情况

具体来说,比如,为了防止学生退学,先提炼出退学学生的特征,然后结合实际学生活动情况进行比照,这样就能及时对有退学可能和退学风险的学生提出警示。

再比如,可以把教学数据与大学特色(大学理念及精神等)结合,做出大学所要培养的人才的理想模型,结合实际学生数据,进行相关指导和干预。

说明: https://mmbiz.qpic.cn/mmbiz_png/0NNCj5O1XFozib6iajTxsl6iarYJGQmewYTOxEUbibUmwRg7oevsBu5AnhlD3JI0NIo5ib3LkUsLr4hKTkZsGrqjojg/640?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1IR中使用的调查指标说明: https://mmbiz.qpic.cn/mmbiz_png/0NNCj5O1XFozib6iajTxsl6iarYJGQmewYTNmOd3CrmBmmPIlrQncDyQJKTibkQORdlR8EhwaH1ibrNSxCdn7MBH1SA/640?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1

由于大学对IR的理解不同,IR中使用的指标就不同,总的来讲可以分为三大类:教学、研究和财务经营。

研究类指标可以分为研究组织的运营、研究成果、学术推进及产学合作,可用的指标包括:研究人员的数量、论文数、举办国际会议的数量等;财务经营类可用的指标包括学费、奖学金、校园面积、校友捐赠等。下面具体看一看教学类指标。

之所以重点看教学类指标,一个原因是很多学者认为“教学IR”是日本的特色。日本由于其特殊的大学文化,很难像美国那样将IR用于改善经营(即便很多大学面临经营问题)。

大学文化在这里是指:

1. 与北美比起来,日本大学里的学院学科的势力更强,校长对学院没有那么强的管理控制权,这点在国立大学尤其突出。

日本的大学是以各学院或科系构成,而且在大多数情况下,对考生的选拔、课程编排和毕业认定由学院或科系自行决定。即使IR机构多属于校级部门,一般需要直接向校长汇报,校长也难以管控到学院。

2. 日本大学还没有形成像美国那样部门之间共享数据同时将数据用于评价及改善的文化。

鉴于此,就难以像美国那样将IR用于改善经营,而是多放在了相对容易达成一致且较容易操作的教学上。另一个原因是我认为教学IR的指标能够直接为我们所用。

说明: https://mmbiz.qpic.cn/mmbiz_jpg/0NNCj5O1XFozib6iajTxsl6iarYJGQmewYTx0e0xTJF1FKXib2wG2dibRVVprmvMcZ27YFcCkPS6Hwxsc5KVP2DaPxA/640?wx_fmt=jpeg&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1

如表所示,教学IR下面可以分为教育质量保证、国际化和招生管理三方面。其中,教育质量保证分为课堂教学、学习成果、FD(教师发展)和学习环境。在使用过程中,各大学和IR业务的承担者可以根据自己的情况选择指标进行调研。

说明: https://mmbiz.qpic.cn/mmbiz_png/0NNCj5O1XFozib6iajTxsl6iarYJGQmewYTOxEUbibUmwRg7oevsBu5AnhlD3JI0NIo5ib3LkUsLr4hKTkZsGrqjojg/640?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1学习分析说明: https://mmbiz.qpic.cn/mmbiz_png/0NNCj5O1XFozib6iajTxsl6iarYJGQmewYTNmOd3CrmBmmPIlrQncDyQJKTibkQORdlR8EhwaH1ibrNSxCdn7MBH1SA/640?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1

有关教育大数据的分析兴起于2000年前后,其中一个比较受关注的领域就是学习分析。

学习分析是通过对学习者及其周边数据的分析,以增加对学习者的理解(如学习风格、偏好等),从而帮助学习者创造最适合的学习环境,帮助学习者获得更加个性化的学习方式。

从广义来讲,学习分析是将大数据、统计、机器学习、教育理论、心理学、认知科学、人工智能等融合在一起的一种研究方式。具体来讲,首先对学习者及其周边信息进行分析,比如基本信息,其使用LMS和SNS的履历等。

通过对这些基本数据的分析,能够对学习者的行为进行预测,进一步基于预测结果进行相关干预。随着MOOC的兴起、电子档案袋的导入等,学习分析受到关注并开始流行。

说明: https://mmbiz.qpic.cn/mmbiz_png/0NNCj5O1XFozib6iajTxsl6iarYJGQmewYTOxEUbibUmwRg7oevsBu5AnhlD3JI0NIo5ib3LkUsLr4hKTkZsGrqjojg/640?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1日本大学里的相关改革动向说明: https://mmbiz.qpic.cn/mmbiz_png/0NNCj5O1XFozib6iajTxsl6iarYJGQmewYTNmOd3CrmBmmPIlrQncDyQJKTibkQORdlR8EhwaH1ibrNSxCdn7MBH1SA/640?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1

不管是IR还是学习分析,都需要对数据进行处理,对相关人才进行培养。文部科学省拨款重点扶植6所大学,目的在于“加强数理及数据科学教育”。

这6所大学分别是北海道大学、东京大学、滋贺大学、京都大学、大阪大学和九州大学。除了滋贺大学以外,其余5所都是老牌国立大学。滋贺大学在2016年率先成立数据科学学院,即把数据科学当作一门学科,进行相关人才培养,这也是日本第一个数据科学学科。

即使没有得到资金支持,许多大学也紧随其后纷纷设立数据科学相关专业或中心。比如我所在的早稻田大学就设立了数据科学中心。

说明: https://mmbiz.qpic.cn/mmbiz_png/0NNCj5O1XFozib6iajTxsl6iarYJGQmewYTOxEUbibUmwRg7oevsBu5AnhlD3JI0NIo5ib3LkUsLr4hKTkZsGrqjojg/640?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1小结说明: https://mmbiz.qpic.cn/mmbiz_png/0NNCj5O1XFozib6iajTxsl6iarYJGQmewYTNmOd3CrmBmmPIlrQncDyQJKTibkQORdlR8EhwaH1ibrNSxCdn7MBH1SA/640?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1

中国占有人口优势,在学科成立和甄选人才方面自然比日本容易很多。数据科学和相关专业的热度还会持续,我认为日本的经验带给我们的启示是:从各校的实际出发,并不盲目一刀切。

不管是大数据还是大学教育改革,都是日本近年发生的事。突然要设置相关学科,专业人才(现在有资质担任教学或研究的人)从哪里来?

我查了上述拿到经费的机构的人员构成,发现各大学的人员构成不同。比如,大阪大学倾向于金融方面的人才;东京大学数学基础学科出身的人较多;京都大学和九州大学的中心人员构成丰富,有信息学、农学、医学、数学等背景的人才。

大多数人员是兼任而非专职,即某学院的教授兼任中心的职务。这样的人员构成可以看作是日本在人才不够的情况下的应急之策。

另一方面,我们也可以看到,正因为是新学科,才给了各学校根据自己的实际情况确立教学科研任务和人才架构的自由。

不搞一刀切,比如IR的多样性,高校根据需求和对IR的理解进行调研。比如数据科学中心的成立,高校也在根据自己的资源和特色配备相关人员。这或许值得中国高校管理者参考。


0
加入收藏】【打印此文】【关闭窗口】【返回顶部