大数据时代，大数据=or≠精准认定贫困生？

大数据时代，大数据=or≠精准认定贫困生？

随着大数据与教育的结合成为时代发展的必然要求，“大数据”几乎成为人们都在谈论的一个热门词汇，大数据的应用已广泛深入我们生活的方方面面，探索如何让大数据在教育领域的有效应用，也是革命技术创新所需要经历的过程。比如，大数据在高校帮助贫困学生中的使用，可以视为一种新的探索，但是作为一种创新，争议也是难免的。

大数据的问题，并不仅仅是技术问题，在数据的应用上牵涉到社会经济问题，它的深度应用牵涉社会很多部分的彼此协调，以及对于改变的认同度，所以这个过程也许非常漫长。

通常，为了申请贫困补助，高校会要求申请贫困生的同学提供家庭贫困证明表，在这张表上，需要有贫困生的家庭情况陈述，还要有地方政府的盖章。当学生备好了贫困资料后，学校就会将其纳入困难学生档案，通过深入了解，比较后对其中特别困难家庭的学生进行补助。以上的弊端是程序相对简单，并且质疑声颇多，比如关于贫困证明弄虚作假、“伪贫困生”偷食的新闻。为此，多所高校引入大数据对学生的补助申请进行评估，然而媒体砸出一个新的话题，利用大数据对于贫困学生补助的评估，公平吗？

一起来看两组近期很热的新闻。

近期5 月的案例——用大数据筛选贫困生

“日前，江苏大学学生工作处正式公布了对4463名贫困生话费调查的大数据处理结果，对月平均消费100-150元的同学，学校建议采取降级处理；对月平均消费超过150元的同学，则建议取消贫困生资格。此次行动共有21人被取消了贫困生资格，还有32人从家庭经济特殊困难降级为一般困难。”

（5月8日《扬子晚报》）

【声音】

综合网上舆论的评价：一，周期短，数据采集的完整性略不够，存在相对的偶然性，容易造成误判。二，电话费高低只是体现消费水平的一个方面而已，不能代表经济水平高低，大学不应该干涉贫困学生的消费支出。三，相对于传统的资格认定方法是一种创新，江苏大学采取话费调查的方式，本身是为了做到“精准扶贫”，这个出发点没错。

支持论：数据便于综合评估

在大数据广泛应用的今天，正有越来越多的高校采用大数据认定贫困生资格，确实是一种创新。它一方面使得学生信息更加客观真实，另一方面，其操作的隐秘性维护了学生的尊严。江苏大学选择的电话费流水账相对其他生活开支，能真实反映学生的生活状态，其数据的易取得性也更便于实现监督。

在未来，将大数据引入高校贫困生鉴定工作，还需借鉴更多的指标进行综合评估，则能更准确地反映学生的经济状况，获得众人信服。

（来源：关育兵）

质疑论：话费测评不能一刀切

目前正处于信息爆炸时代，对贫困生而言，不管是兼职找工作，还是网上开店赚外快补贴生活等，很多时候都离不开手机打电话等消费，而且很有可能因为这样的原因，致使其花费确实将高于其他同学。此时，如果不综合考虑其他因素，而简单推理出部分学生是在装贫困，直至取消其补助，则显得过于武断。仅靠话费“精准识贫”，很容易陷入“盲人摸象”的片面境地。而要避免这种尴尬，还需要摆脱纯粹的技术依赖，多深入学生生活了解实际情况，利用信息联网，从生源地获得更多可靠数据，并配合其他信息综合研判分析，才能真正做到精准扶贫。

（来源：余明辉）

近期3月的案例——用大数据精准助贫

为了“精准助贫”，各高校的方法很多。“近日，南京理工大学启动‘暖心饭卡’项目，和其他捐助方式不同的是，该校教育基金会通过对全校在校本科生的饭卡刷卡记录的数据分析，每个月在食堂吃饭超过60顿、一个月总消费不足420元的，被列为受资助对象。该校采取直接将补贴款打入学生饭卡的方式，学生无需填表申请，不用审核，甚至在收到补贴前，没有任何学生知情。”

(3月25日《新华日报》)

【声音】

综合网上舆论的评价：一，大数据之下的“精准”，对贫困生的隐私进行了相对的保护。二，帮助贫困大学生，尊重隐私不能影响公平，仅凭食堂消费来判断帮困对象，可能有不公平隐患。

点赞论：“偷偷”给贫困生充饭卡彰显大数据思维

南京理工大学启动的“暖心饭卡”项目，和其他捐助方式不同，既不伤害贫困生自尊心，又可以实现“精准扶贫”。在资助贫困生上，没有一种方式是完美无缺的，但总有一种是相对最优的。在大数据的支撑下，“偷偷”给贫困生充饭卡即是最优选择。

如何才能在公平和尊严之间找到一个平衡点？必须承认，大数据具有无可争辩的说服力，通过分析就餐次数和消费金额，基本可以得出这个学生的消费水平。大数据也是“活”的，圈定初步名单后，学校再加以审核，最后评出资助名单，误差进一步缩小。这样，“偷偷”给饭卡充钱，既确保公平又兼顾尊严，还降低管理成本，一举多得。

（来源：南方都市报）

质疑论：担忧学生故意刷数据的状况

网友认为会不会出现漏洞。比如前期调查工作泄密、后期监督缺位易滋生腐败以及部分学生故意刷数据，担忧“有的学生为了多拿补贴款可能会刷数据，甚至将一餐分两餐买。”

（来源：网友们）

【对于大数据利用的建议】帮助贫困大学生，该怎样使用大数据？

评估贫困学生补助，大数据真的公平吗？

大数据只适用于调查学生在特定时间内的花销，并不能辨别出学生家庭是富裕还是贫困。将评估体系转变为使用大数据的高校也面临着不少困难。小心损害了学生的合法权利，或者收集到的学生信息带有偏向性。作为大数据系统的补充，有些学校利用自己的校友网络和地方政府信息更准确地获得学生的经济背景。为了进一步杜绝虚假申请，我国还需要进一步完善国家信用调查体系。

（来源：21英语网）

贫困生再认定看话费，不必急着反对

在贫困生认定与再认定问题上，不妨借助大数据提高精准度，以发挥贫困生扶助机制的最大作用。比如通过对学生各类消费情况的综合分析，或可更加充分地掌握贫困生的总体情况。真正的贫困生，其消费水平会在日常生活中体现出来，而滥竽充数者，也很难长期掩饰下去。学校既要给贫困生真正的人文关怀，也要避免扶助资金被浪费和滥用，这就不能采取偷懒的办法，而应扎扎实实地做好动态管理。

（来源：京华时报）

高校使用大数据需注意的内容

大数据在高校帮助贫困学生中的使用，可以视为一种探索。以前，高校为甄别贫困学生，想了很多招数，包括竞选贫困生，评议贫困生，这些做法无不遭遇不尊重学生隐私的质疑。大数据的使用，使识别贫困生的过程变得“温和”一些，但很显然，这种探索也有些无奈，是基于对学生消费行为的大数据搜集，而非对学生真实家庭经济情况的掌握。如果我国有健全、畅通的渠道了解学生的真实家庭经济情况，那并不需要所谓的大数据帮困。

高校在帮困时，可以使用大数据，但必须注意两方面，一是使用大数据不能侵犯学生的合法权益，大学可通过大数据“悄然”帮助贫困的同学，这可体现帮困的人文化，而不宜去监控学生的日常消费行为，这会让贫困学生感觉到自己不被尊重。二是在使用学生消费大数据时，还要构建学校调查学生家庭情况的体系，使用消费大数据终究不是长久之计，大学可以通过和校友、中学、地方政府的合作，来了解本校贫困学生的家庭情况，要建立另外的大数据平台，即借用现在的学生学籍信息管理平台，把学生的家庭经济情况也进行如实记录，包括今后针对贫困学生的招生计划，都应该根据家庭经济情况来实施，而不是只看学生的农村生身份，因为即便是农村生，也有学生家庭很富裕。当然，我国还要借鉴发达国家的经验，建立完善每个居民的纳税证明体系，以及征信系统。

（来源：熊丙奇）

整理/陶春

国外教育大数据的应用

追本溯源，美国的教育研究者们在1968年就在教育部成立了全美教育数据统计中心。通过34年的长期摸索，形成了一套完整的教育数据处理方法的方法论，并在2002年通过了《教育科学改革法》，明确了数据在教育决策中的决定性地位：所有教育政策的制定都必须由实证数据进行支持。

2012 年，美国联邦政府教育部参与了一项耗资2 亿美元的公共教育中的大数据计划。这一计划旨在通过运用大数据分析来改善教育。联邦教育部从财政预算中支出2500 万美元，用于理解学生在个性化层面是怎样学习的。

美国的高校如何利用大数据呢？据报道，比如在印第安纳的鲍尔州立大学（Ball State University），监测学生是否用他们的校园卡刷卡参加星期六晚上在学生中心举办的校园晚会/聚会。当一名学生的校园卡刷卡识别机制显示他停止参加俱乐部或其他社交活动时，一名学生服务专家就会跟进，打电话或发电子邮件去了解这名学生在做什么。这所高校还用校园卡刷卡监测学生去就业中心和参加学生领导力项目的情况。

该校甚至为今年2015级有资格申请联邦佩尔奖学金（Pell Grants）的1200名低收入大一新生设计了一款手机应用程序。这款程序将基于大学检测器获得的学生活动信息，给予学生积分点的奖励。这些学生能用这些积分点在校园书店里买书和其他用品。美国11所大型公立大学组成的新联盟“大学创新联盟”（University Innovation Alliance）正在寻求帮助这些学生。这一联盟将利用大数据分析技术改善经济上最需要帮助的大学生的毕业率。

曾经，署名为胡乐乐的作者撰文写过一篇文章提到国外大数据的使用，“美国堪萨斯州卫奇塔州立大学（Wichita State University）的招生人员都能判定，学校新一届本科生有多少比例能获得学业成功，有多少学生辍学或面临学业挣扎。这个准确性令人惊奇——这个软件确定学生会成功的准确率高达96%，远远高于顾问人工预测的82%。该软件如何能做到这一点呢？答案很简单——运用大数据——包括一名学生的论文成绩、学习时间以及来自家庭的财务投入，等等。卫奇塔州立大学仅仅是越来越多地使用大数据预测学生学业成功与失败的众多美国高校之一。这些高校将大数据科学应用于包括招生录取在内的各种各样管理实践之中。”

其他还能实现什么呢？胡乐乐介绍以下的几类利用途径。

“学生获得。高校使用现有学生和已毕业学生的历史学业成绩和人口统计学数据，创建最有可能入学的申请者的个人档案；然后与社交媒体的数据整合在一起，算出这些学生对本校的感情分数；最后，用统计分析现在的学生和可能入学的学生的社交网络，确定出哪些可能是潜在新生的申请者。

学生课程专业选择。基于学生的高中学业成绩、来自调查和社交媒体的学生的兴趣领域，以及学生的天资/倾向考试结果，高校创建学生的详细档案。然后把这些档案与已经毕业的学生以及在校的高一届或几届的在读学生的档案比较，依据他们选择了的课程专业，得出这些学生应该选择哪些课程专业的建议。另外，整合关于未来劳动力技能需要和工资的外部数据，帮助学生在主修和辅修专业选择上有丰富的信息。

学生学业有效性。持续监控学生的考试成绩，并与单个学生以及相似学生群体之前的考试成绩进行比较，整合学生的社交媒体和教师的记录，创建学生行为和倾向/偏好的更详细档案。得出学生和课程的具体建议，比如个别或小组辅导、追加问题课程领域的学习材料，或者甚至改变课程与专业。这有利于学生的发展。

学生保留率。在学生学业有效性、财务和社会等大数据的基础上进行分析，得出学生消耗的可能性分数，并给高校提出是否允许保留这个学生的建议。对那些面临辍学和退学危险的学生提出具体的帮助建议。与此同时，授权教师对这些学生做出他们自己的建议。

教学有效性。用大数据测量教师的表现。教师的教学表现数据可以通过学科、学生人数、学生人口统计学、学生行为分类、学生的愿望高低和其他变量来测量获得，让教师与适合他们的学生和班级相匹配，确保学生和教师都能互相喜欢。这有利于教师的表现。”