高职院校内部质量保证体系建设中数据的采集分析与应用

(天津石油职业技术学院，天津 301607)

随着全国各高职院校相继启动并深入推进内部质量保证体系建设工作，数据作为一种新型驱动力和技术方法，已经成为学校决策科学化、治理精准化的重要工具。数据的真实采集、科学分析与有效应用，是开展现状分析及对策研究的根本，在学校推进内部质量保证体系建设工作中起着基础性保障作用。

一、数据的采集

(一)数据保证的指标体系

1.指标体系设定的原则

全面性原则。内部质量保证体系建设是高职院校履行质量保证主体职责的全面复杂工程，涉及学校方方面面，故采集的数据要最大程度体现全面性，能够支撑教职成司印发的《高等职业院校内部质量保证体系诊断与改进指导方案(试行)》(教职成司函[2015]168号)文件要求的5个诊断项目、15个诊断要素和37个诊断点。

真实性原则。数据是进行定性分析和定量分析的基本支撑，其真实性不仅直接关系到分析结果的客观性和准确性，导致决策产生偏差，更影响到内部质量保证体系建设的成效。这就要求采集的数据一定准确，能够真实反映学校人才培养的运行状态。

动态性原则。体现学校办学质量的要素有静态数据和动态数据。相比不随时间而改变的静态数据，对于内部质量保证体系建设而言，动态数据的采集、分析与应用更具参考的价值。因此，设定的具体指标绝大多数要具备动态性特点。

2.指标体系及数据采集点

按照“需求导向、自我保证，多元诊断、重在改进”的诊断与改进工作方针，立足于支撑“五纵五横一平台”内部质量保证体系建设，搭建起诊断与改进的数据支撑平台，结合笔者所在学校推进内部质量保证体系建设的实际，设定了数据保证指标体系，包括学校总体质量数据保证、专业建设质量数据保证、课程教学质量数据保证、师资发展质量数据保证、学生发展质量数据保证等5个一级指标、18个二级具体指标和98个数据采集点，具体内容见表1。考虑到内部质量保证体系建设的校本特点，各学校亦可结合办学实际，另增设具体指标和数据采集点。

表1 数据保证指标体系及数据采集点

(二)数据采集的方式

1.定期采集

涉及学校办学质量及校内教学运行状态的一部分基础数据，可结合“高等职业院校人才培养工作状态数据采集与管理平台”年度数据采集工作和高等职业教育年度质量报告发布工作，按照教育部要求的时间节点，进行定期采集。对于一些校内不便统计但又必须掌握的重要数据，例如客观反映育人质量的学生就业现状满意度、毕业生的月收入、毕业三年晋升比例、用人企业满意度、教师基本教学能力胜任比例、教师对教学环境的满意度等，可聘请第三方公司，定期开展第三方调查并出具相关报告。

2.即时性采集

依托教务管理系统、学生管理系统等校内信息化管理平台，涉及教学与学生管理的常规数据可实现即时性采集，例如课程考核达标率、教学评价良好率、社团活动参与率、学生工作满意度、心理服务满意度等。对于一些记录课堂教学过程的数据，例如知识点掌握率、课堂教学学生参与度、课后作业完成率、学生到课率、即时教学评价等，因数据源头分布广、体量庞大等特点，采用传统手段进行统计分析难度较大。但随着移动信息化技术的发展，蓝墨云班课、雨课堂、麦可思教学质量管理平台等教学辅助平台如雨后春笋般更替，为即时数据的采集提供了可行便捷的渠道。

3.专家评估

一些影响办学质量的重要指标数据可通过专家评估的方式采集。如人才培养目标与职业岗位能力需求的契合度、课程教学内容与人才培养目标的匹配度、课程教学目标的达成度等，无法通过传统方式和信息化手段进行量化，第三方调查的数据往往也不能反映真实状况。这就需要针对这些指标，校内组织专家会诊，通过实地考察、抽样检查、对比分析等综合手段，最终以量化分数的形式呈现出专家的意见。

二、数据的分析

(一)比较法

比较法适用于单个数据采集点数据的对比，常用的有学校内自我同比和兄弟院校间横向比较两种。

1.学校内自我同比

在掌握动态数据的基础上，对同一指标不同时间节点统计的数据进行自我同比，对比结果多以折线变化图的形式呈现。自我数据同比的关键在于根据历史数据，分析现实状况，预测未来发展。通过分析数据的变化趋势，掌握各相关要素的变化特点，找准影响质量的关键，进而有重点地破除影响质量螺旋提升的壁垒。

2.兄弟院校间横向比较

选择专业设置相近、办学定位相似、育人质量较高的兄弟院校为参考对象，对多个指标同一时间节点统计的数据进行横向比较，对比结果多以柱状图或图表的形式呈现。横向比较的重点在于通过对比遴选出优势指标和劣势指标，并针对劣势指标深入剖析问题根源，明确改进的方向、目标和路径。

(二)层次分析法

层次分析法是美国著名教授托马斯·萨蒂(T.L.Saaty)于20世纪70年代提出的，是一种进行定性与定量分析的决策方法。在内部质量保证体系建设实践中，遇到的决策问题往往涉及很多相互制约的因素，因素之间的比较常常难以完全定量分析，这就需要将半定性和半定量的问题转化为定量计算问题。层次分析法是解决此类问题的行之有效的方法。例如，专业建设质量保证指标体系包含4个具体指标和22个数据采集点，进行定量分析需要确定各具体指标对总目标的权重系数和各数据采集点对具体指标的权重系数，指标权重的确定一般采用层次分析法。分析结果多以雷达图的形式呈现。

(三)多元统计分析法

多元统计分析是一种有效的综合分析方法，能够在多个指标相互关联的情况下分析其统计规律。学校的各类数据多而杂，数据之间存在着线性或非线性的关系。通过数据的表象分析，往往得到的是感性的认识。要想真正获得理性的认知规律，这就需要借助多元统计分析实现。例如，在进行某门课程的教学质量诊断时，运用多元统计分析知识，根据影响课程教学质量的量化指标建立多元统计模型，利用SAS统计分析软件进行建模分析，得到教学质量的综合评价。依据分析结果，科学评判各指标对教学质量的影响，从中获得课程的教学效果和学生的学习状况，进而为教学改进目标准确定位。

三、数据的应用

(一)数据支撑——学校治理的决策依据

数据作为学校治理的基本支撑，发挥着越来越重要的作用。在数据支撑下，学校各级管理者在目标的规划、标准的开发、方案的制定、质量的管控等领域有了直接助力和客观依据。每年定期采集的人才培养工作状态数据，已是各级教育行政部门和职业院校本身全面及时掌握人才培养工作状态、分析教学运行状况、发布年度质量报告、改进日常管理的重要依据和基础。即时性采集的课堂教学数据，借助现代大数据分析平台，在学校、院系、教师、学生等层面进行数据统计、管理、分析、预警，进而推进教务管理、学情分析、质量评估等工作，已成为教学诊断与改进的重要工具。数据的支撑作用还体现在重新审定人才培养目标、优化专业培养方案、调整课程教学内容等诸多具体工作实践中，是推进学校治理全方位整体优化的关键。

(二)数据导向——资源配置的实施指南

数据的导向作用在于为学校有限资源的配置提供了更加科学的实施指南。在实训条件建设方面，在校生数、专业校内实训室数、生均校内实践教学工位数、人才培养目标与职业岗位能力需求的契合度等数据是年度实训设备购置计划的指南。在师资建设方面，年龄结构、职称结构、学缘结构等数据是制定教师个性化能力提升计划、进行学习资源配置的基准。在学生服务方面，学生工作满意度、生活服务满意度、心理服务满意度、就业现状满意度、创新创业指导满意度等数据不仅是服务育人的预警器，更是进一步优化资源配置的风向标。在专业招生方面，专业师资、教学资源、特别是区域内专业面向的岗位及岗位群人才需求量变化趋势等数据是专业招生计划动态调整的重要参考。

(三)数据驱动——教学改革的推进引擎

数据资源是教学改革的新型动力源。涉及管理行为、教学行为、学习行为的数据多为非结构化隐性的数据，传统教学手段无法有效利用。但随着移动终端的普及、云服务的发展、数据分析技术的进步，隐藏在课堂教学运行中的“黑匣子”逐渐破解，数据的价值进一步唤醒，教学大数据应用工具已经能够实现教育过程从非量化到可量化、教学管理从不可见到可视化、教育决策从经验化到数据化。信息技术的变革促使数据成为教学改革新的推进引擎，正在推动教学改革从“行政驱动”向“数据驱动”转变。当前，高职教育面对的对象，虽然个体存在差异，但群体存在着诸多共性。学生从入学到毕业，从理论学习到技能操作，从实习到就业，其间产生的数据呈现出周期循环的特征——上届学生在某一阶段呈现出的共同特征，大概率重复发生在下届学生身上。例如，学生对某一课程教学的参与度、对同一知识点的掌握率、对同一技能操作熟练度、对教材的满意度、对课程的教学评价等，都呈现出较高的一致性。有了这样具体的数据分析结果，教师在确定教学目标、整合教学内容、优化教学设计、分配课程学时、运用辅助技术、把控讲课节奏、选取考核方式等方面尝试改革，就有了正确的驱动方向和精准的施策尺度。