研究生教育数据每年在成倍地增长，信息的复杂性也在逐年提升，想获得微观、个体的研究生教育情况，需要将大数据技术应用到研究生高等教育质量评价体系中。应用大数据技术可以实现对每个学生的教育质量的微观、个体化跟踪和未来发展的预测，对于可能出现问题的学生起到了及时的警告作用。
一、引言
随着研究生数量大幅增长，研究生教育质量信息数据也越来越庞大。如何处理这些海量的研究生质量信息也成为教育管理者难以解决的问题。传统的研究生教育质量评价体系只能宏观地描述研究生的教育情况，这种描述不能将研究生教育质量数据的动态特性呈现出来。华东师范大学校长俞立中教授在接受采访时说：“信息化不是一个技术，也不是一个技术的推广，而是一种管理理念[1]。”这句话启示我们信息时代下，可以将信息技术与教育管理理念相结合，提出更好的学生教育质量评价体系。大数据技术就是这些信息技术其中之一。
大数据即一般软件工具难以捕捉、管理和分析的海量数据，通过对海量数据的交换、整合、分析，发现新的知识、创造新的价值，带来“大知识”、“大科技”、“大利润”和“大发展”[2]。在大数据时代下，应用于商业领域的大数据技术给了我们启发，如果将大数据技术应用于研究生教育质量评价体系，可动态地跟踪研究生教育的相关信息，对信息进行分析综合，预测学生在培养过程中不同方面的发展趋势。
二、研究生教育信息管理数据
研究生教育数据主要包含教学运行数据、社交活动记录数据、基础条件数据、毕业生质量数据等。这些数据与传统数据相比具有动态、实时、量大的特点，对于如何处理海量数据查询效率的问题已经迫在眉睫[3]。随着研究生人数的大幅度增加，管理这些教育数据的过程也越来越复杂，学生的发展趋势也变得难以预测。为了解决这些问题，我们可以通过利用数据挖掘技术挖掘出研究生教育的相关信息，及时、全面、更加细粒化地关注学生教育质量，并对未来可能发生的情况做出预警。
随着计算机技术的飞速发展，利用数据挖掘技术[4]，可以将学生的教育信息更加及时地反映出来，并利用数据的动态变化可以预测出数据的未来发展趋势。大数据时代的到来，让所有社会科学领域能够借由前沿技术的发展从宏观群体走向微观个体，让跟踪每一个人的数据成为了可能，从而让研究“人性”成为了可能。而对于教育研究者来说，我们将比任何时候都更接近发现真正的学生[5]。这将使教育研究领域从宏观整体走向微观个体，实现“个性化”教育。
例如，我们可以通过采集学生进出门禁系统的数据进行研究生行为模式挖掘，判断学生是否在校内、是否按时进出教学楼、食堂消费消息提示是否经常吃早餐、及时判断学生的学习状态等;另外，通过采集研究生学业数据的分析，可以进行学术成绩的预警和判断，根据不同课程的成绩及阶段性的成果，预测学生在研究期间能获得的学术成果，有针对性地进行科研计划的调整;在研究生就业阶段的数据分析也可以对学生的就业情况进行跟踪和分析，通过在研究生阶段的学习数据及学生就业情况数据，挖掘出研究阶段的成绩与就业发展情况之间的联系，有利于预测在校学生的就业发展情况，便于给出更为适合的就业指导。
三、大数据时代下的研究生教育质量评价体系内容
传统的研究生测评体系只能宏观地整体地诠释研究生教育情况，用于教育政策决策。然而想获得微观、个体的研究生教育情况则需要将大数据技术应用到研究生教育质量评价体系中。在大数据时代下，研究生教育质量体系应当增添其他方面内容。
研究生的教育信息数据是动态的，利用大数据技术可以将这种动态表现出来。如跟踪学生的学业情况，将学生每一时刻的学习及科研成果和该学生的行为模式结合起来，描述出该学生学业方面的动态过程和最后毕业时可能产生的结果。将这二者的联系用于与现在校学生作对比，预测现在校学生未来学业情况。
具体地说，比如现在有一个学生平时不总去实验室、图书馆，考试成绩不理想，他现阶段的学业情况刚好跟一个完不成科研任务而影响毕业的学生的学业情况很相似，那么就可以预测出这个学生也很有可能不能毕业。这样就可以及时地提醒该学生要抓紧学习，以免影响毕业。利用大数据技术跟踪学生的学业情况可以及时有效地在未发生错误的情况下对学生进行提醒或警告。
学生毕业之后，跟踪学生职业的发展数据，不仅仅跟踪学生到哪里就业，还要跟踪学生毕业后十年或是二十年的职业发展数据。这些职业发展数据要包括学生职场生涯中的每一次升职、每一次提薪和每一次跳槽。同样，数据中还应包括学生在职场中遇到的失败，比如降职或是被解雇。将描述出的学生职业发展的动态信息与学生从入学以来整个研究生期间的教育信息联系起来，分析这两者的关系，以此为依据找到在校学生中和就业相挂钩的学生，可以提前有意识地培养这些学生，提高就业质量。对于其他学生可以起到预警的作用，使学生提前了解到自己现阶段的学习和工作方式对今后的就业可能会产生不利的影响，并给予及时的纠正或完善，提高就业率。
四、大数据挖掘技术在学生质量评估体系中的应用
数据挖掘是一个利用各种分析工具在海量数据中发现模型和数据之间关系的过程，这些模型和关系可以被企业用来分析风险、进行预测[6]。数据挖掘是一门交叉性学科。数据挖掘过程经过数据收集、数据处理、数据变换、数据挖掘、模式评估、知识表示一系列的过程。该过程不是一次完成的，其中的一些步骤或整个过程都是经过数次数次或反复进行的。采用的算法非常多，比较常见的有：关联规则方式、决策树方法方式、神经网络方法方式、粗糙集方式、遗传算法、模糊论方法、可视化技术等[7-8]。
1.关联规则算法在研究生教育质量测评体系中
的应用。关联规则算法可以运用在研究生的学业数据挖掘中。关联规则算法可以分析出不及格课程之间存在的紧密的相关性。具体表现为某几科课程成绩同时不及格的情况下，其他一些课程成绩不及格的机率很大。关联规则算法还可以分析出一些较为基础的课程对其他课程的学习影响很大，学习好这几门课程对于学习好其余课程有很大的帮助。这种分析课程之间的相关性的算法对于降低学生的挂科机率，提高学生的课程成绩有很大帮助。
2.决策树分类算法在研究生教育质量测评体系
中的应用。利用决策树分类理论构建研究生教育质量测评决策树，实现教育质量测评定性分析。从决策树中可以看出，在具有某种优势的群体中，具有另一种优势的人占很大比例。这样可以推断出具有前一种优势的人一般都具有后一种优势。利用决策树分类算法可以分析出不同性质的就业方向的研究生一般具有的优势，以及读博深造的研究生一般具有的优势。这样可以根据分析结果提前对现在校研究生的就业和读博的适合度进行大体上的判断。决策树分类算法为学生规划毕业后的发展方向提供有力的辅助决策作用。
3.采用k-means算法的聚类挖掘在研究生教育质
量测评体系中的应用。采用k-means算法的聚类挖掘能分析出某一群体的特征行为。应用在研究生教育质量测评体系中，可以分析出现学业警告或是就业困难的学生群体的行为特征，以及科研方面有较大成果或是就业质量较好的学生群体的行为特征。利用这些行为特征能够预测现在校学生的未来发展趋势，对于可能会出现学业警告或是就业困难的学生可以起到预警作用，而对于未来发展可能比较好的学生，学校可以提前有意识地培养。
五、结束语
本文探讨了大数据技术在研究生教育质量评价体系中的应用，以此实现对研究生教育信息的动态化、细粒化描述。研究生教育数据每年在成倍地增长，信息的复杂性也在逐年提升，应用大数据技术在这些繁杂的数据信息中提取有价值的信息并对数据信息分析综合得到衍生信息是研究生教育质量评价体系很有前景的一个发展方向。应用大数据技术可以实现对每个学生的教育质量的微观、个体化跟踪和未来发展的预测，对于可能出现问题的学生起到了及时的警告作用。大数据技术为研究生的学业培养及就业指导提供了有力的依据，已成为研究生教育质量评价体系中不可或缺的一部分。
作者：片锦香 浦春钰 孙焕良 侯静 来源：教育教学论坛 2016年26期
