基于大数据的高职院校学生综合素质评价研究

周永塔 谢曼

摘要：该研究将探索建立高等职业院校学生综合素质评价体系及建立学生数字画像。与传统学生综合测评模型相比，它的数据是自动采集的，全方位的（包括学业、生活、行为），具有过程性与结果相结合的特点。通过大数据手段能完整的展现学生在校期间的各种数据，分析挖掘并提供详尽的分析报告，为学生自我认知提供依据并优化职业发展规划，为社会企业提供优质对口学生，实现精准就业，为职院校教学管理、完善人才培养质量方案提供参考。

关键词：高等职业院校;综合素质评价体系;学生数字画像

：TP311 ：A

：1009-3044（2020）10-0177-02

1概述

高等职业院校的根本任务在于人才培养，在于服务建设现代化经济，然而在实践过程中，人才培养渐渐与经济发展脱节，偏离了人才培养目标。与人才培养息息相关的评价体系一直是困扰教育教学改革的老大难问题，一般情况下，学校还是以课程为目标对学生进行评价分类，除了课程评价的方式以外，关键是在素质评价的机制中把评优作为其主要的标准。传统的评价体系不能及时、全面、科学地评价学生在学校的各种表现，忽视了学生能力的培养，抑制了学生自主发展意识的培养。且评价方式单一，未能真正反映学生综合素质，更不能引导学生作合理职业规划。大数据时代的到来，为综合素质评价提供了崭新的视觉和宽广的思路。通过大数据技术将采集范围扩大到课堂内外、正式的和非正式的学习环境、学习活动和生活表现，能够客观地映射学生综合素质。

通过基于大数据采集与分析的大学生综合素质评价，有助于学校、教师、家庭、社会更全面、更精准地了解学生的优点与不足，而且还能通过数据反映教学的效果及学生的培养质量，使学校管理者形成并优化个性化培养方案。面对海量信息，如何将大数据资源优势有效扩大，快速有效地获取具有时效性的信息并加以甄别、分析、管理、利用，以达到解决问题、提升能力的目的，是对高职学生提出的新的信息素养要求。高职学生的信息素养已成为制约高职学生未来发展的关键因素之一，本课题研究将校园大数据纳人学生的学习与生活中，使学生在不知不觉中具备信息素养。

2学生综合素质画像构建

2.1构建类别

目前，各高校的大学生综合素质评价体系主要还是由学生的课业成绩、辅导员及班委的主观判断和个人经验为主导的方式构成的，在评价理念、评价方法及评价的时效性、操作性方面都存在一定的不足，在实施过程中会导致评价的不公平、不科学、不全面等问题，使综合素质评价的各方面优势都无法得到充分体现嘲。本研究探讨收集学生在校期间各项活动的数据，创建基于大数据的各种画像，包括学生基础画像、学业画像、信息素养画像、学习能力画像、交流合作与实践创新画像、运动与健康画像等。当今社会，常见的综合素质指标包含“道德品质”“信息素养”“学习能力”“交流合作与实践创新”“运动与健康”“审美”“表现能力”等方面等内容，这些素质可以归结为人的综合素质。除了成绩能够有效准确测量外。道德素质、表现能力等方面在原有评价里缺乏有效的测量方法与手段。实际操作性不强。而随着云计算、大数据、物联网、5G等技术的普及，它给教育实践领域的探索带来了新技术、新方法，使之前难于测量的评价通过行为采集、过程采集等进行收集。使学生通过数据更了解自己，为就业储备更多技能与素质，实现高质量就业。

2.2构建方法

传统数字化校园缺少统一规划，各自为政，无统一信息标准，信息孤岛问题严重，面对庞大的数据也是为力。而随数据仓库技术与非结构化采集技术的日益成熟，以及国家对大数据应用日益重视，使基于学生日常行为的数据应得以开展。

首先以《智慧校园总体框架（GBT36342-2018）》《教育信息化2.0行动计划》《教育管理信息教育管理基础代码》等标准并整合校内实事标准建立信息标准，通过数据治理实现数据的一致性后存人数据仓库。统一校内计算资源，建设高性能且容灾的私有云平台，依托ETL技术将一卡通数据、教务数据、图书数据、上网数据、物联数据、互联网数据等采集到数据中心。根据不同数据类型，可充分利用数据流采集工具flume、数据传输工具sqoop、爬虫工具python等，再通过可视化BI工具进行分析与展示。总体上分为数据提取、数据分析、结果输出三步。构建综合素质评价的体系指标，主要指标包括思想道德、专业技能、创新素养、文化素养、身心素质。通过文本挖掘算法得到标签元数据和标签数据集并使之标准化，基于前述画像维度进行用户建模，并通过聚类算法对学生画像分类。最后构建学生综合素质数字画像系统，使用可视化雷达图等工具建立岗位与综合素质匹配度。

将研究内容标准化，并对算法、收集范围、可视化工具等进行反复迭代，使基于大数据的学生综合素质评价更加精准和科学。

3关键技术实现

3.1数据处理

本研究将采集课堂内外、正式和非正式学习环境、学习活动和生活表现等数据，覆盖80%以上在校学生的关键数据。利用校内基于超融合的私有云平台，为本项目提供计算能力，提供5个计算节点，约30T的分布式存储。

在数据源方面，建设智慧校园数据中心，依托ETL技术将一卡通数据、教务数据、图书数据、上网数据、物联数据、互联网数据等采集到数据中心。数据流采集工具flume、爬虫工具py-thon等。归类如下表。

根据前面的数据源进行数据建模，针对数据来源异构情况通过数据清洗的方式进行数据格式和内容的规范，使得数据具有良好的通用性和可读性。在数据进行清洗过程中，可以调用Pvthon中的Skleam和Pandas工具实现对数据進行常量替换、均值填充、回归预测，大大降低了数据的噪音，使得数据经过编码和转换具有良好的归一性，使得数据表示一致，能够实现数据的正则化。

3.2用户建模

在进行数据建模过程中，需要对时间、地址、人物、内容四要素进行数据化描述，对学生的行为数据进行及时有效处理，可以采取如下的方式进行处理：学生标识+时间+行为类型+应用系统+内容。通过定义各类行为的时间衰减因子和系统以及内容权重，就可以对学生的全部行为建模。

3.3标签挖掘

标签元数据是用于描述标签分类的数据，我们将标签元数据划分为基本标签、经济标签、成绩标签、知识标签、体育标签、消费标签、饮食标签、社交标签、性格标签、心理标签、学习标签、思想标签等。在实践中，通过抓取访问URL日志挖掘思想动态标签，抓取微博等数据挖掘社交标签，分析教学平台与教务系统设置成绩标签，分析图书借阅数据设置知识标签，分析一卡通消费行为和消费水平设置消费标签、饮食标签等。这种标签体系有效整合了教务系统、学习平台、图书馆信息检索系统、文献数据库以及互联网搜索引擎记录的学习者行为数据。同时通过建立度的画像标签展示体系，为更精准的学习支持服务设计提供数据支撑。

通过挖掘标签以及设定权重，我们就可以用模型完整的表示一个大学生。

3.4画像聚类

最后构建学生综合素质数字画像系统，使用可视化雷达图等工具建立岗位与综合素质匹配度。评价系统的数据既有结果数据，也有过程数据，更能全面精准的反映学生实际情况。

4总结

针对高校智慧校园系统产生的海量数据，探究大学生画像的应用具有重要的现实意义。本文通过描述数据采集、用户建模、标签挖掘、画像聚类等一系列流程构建大学生画像集合，构建学生综合素质数字画像系统，使用可视化雷达图等工具建立岗位与综合素质匹配度，为学生自我认知提供依据并优化职业发展规划，为社会企业提供优质对口学生，实现精准就业，为职院校教学管理、完善人才培养质量方案提供参考。

-全文完-下载本文