基于大数据的高校资助系统模型与案例分析

胡培培(无锡科技职业学院 学工处， 江苏 无锡 214028)



基于大数据的高校资助系统模型与案例分析

胡培培
(无锡科技职业学院 学工处， 江苏 无锡 214028)

基于大数据开展智慧教育应用已成为时代发展的趋势。在高校智慧校园的建设中，利用大数据技术开展高校资助工作具有十分重要的意义，驱动高校资助体系从主观判断向行为科学的转变。很多高校在实践中并不清楚如何具体开展工作，文章从实用角度建构了大数据支持下的高校资助系统工作模型，并对实践案例进行分析，结合实例提出了大数据在高校资助工作中的几种应用途径，为大数据在高校资助工作中的示范推广应用提供参考。

大数据； 高校资助工作； 系统模型； 案例分析； 应用拓展

随着大数据理念在全球发酵，越来越多的国家将数据定义为国家战略资源，开始抢占信息时代的制高点。教育大数据的意义是能对教育数据进行专业化处理，从而为科学决策提供基础。在大数据背景下，高校研究如何利用大数据技术驱动资助体系的完善，实现精准扶贫和长效育人的资助目标已成为当前高校资助工作的首要任务。

1 我国高校资助工作现状

我国高校资助工作的现状就是机遇与挑战并存。机遇就是高校资助总额和总人数呈快速上升趋势。在经济发展的前提下， 2015年我国学生资助资金继续保持增长势头，首次突破1500亿元，增长近10%。其中高等教育资助总额是847.97亿元，比上年增加131.11亿元，增幅18.29%，资助人数达 4141.58万人次，受助范围超过36%[1]。资助资金大幅增长，受助范围的逐步扩大，实现了“不让一个学生因家庭经济困难而失学”的资助目标。挑战是高校资助实施工作中存在一些发展性障碍，如贫困生定位不准、资助有效性不高、虚报伪造学生信息、忽视学生长远发展等。为了真正实现“不让一个学生因家庭经济困难而失学”的发展目标，高校资助工作除了可以完善制度、加强贫困生的人文关怀外，还可以借助大数据技术增强资助工作的实效性，逐步推进精准定位和资助的力度，将钱用在刀刃上。

2 大数据对高校资助工作的意义

大数据在高校资助中的应用是高校智慧管理的一部分，目的是为了实现精准扶贫和长效育人。我国高校基本建立了“奖、贷、助、勤、减、补”六位一体的资助体系，这是保证教育公平的有效措施。如何帮助真正需要帮助的学生是建立公平、公正救助体系的关键。在传统教育体制下，一般沿用学生申请、班主任和辅导员审核、学工处审批的模式，这种人工的模式由于人情因素、学生动机不良等原因会出现错助、漏助的现象。借助大数据技术就可以避开这些人为因素。用技术手段建立学生海量信息库，全面掌握学生信息，通过分析数据之间的关系发出预警，预测贫困生成长状态，以提高资助有效性。

2.1 有助于贫困生精准识别

国家的大规模教育扶贫政策圆了很多困难学生的求学梦，但一些无偿援助项目如国家助学金给了动机不良的人有可乘之机，造假现象时有发生。而一些真正贫困的学生由于心理障碍不愿意申请，这些都严重浪费了国家资源。数据技术对学生在校消费水平、贷款情况、家庭收入、家庭成员情况等数据进行分析与挖掘，客观发现隐性贫困生，剔除虚假贫困生，指导学生资助部门精准帮扶，让关怀不再缺位。

2.2 有助于推动贫困生成长成才

资助目的是育人。目前高校资助工作普遍注重物质援助，而忽视德能培养，更别谈贫困生的市场竞争力。借助大数据技术，可长期跟踪贫困生成绩、品德与社会实践情况，对未来市场就业能力给予判断，及时调整资助项目，提高资助有效性，帮助贫困生成长成才。

3 基于大数据的高校资助系统模型

高校资助工作的大数据应用，主要是针对贫困生和受奖励学生的全体数据集合，主要包括采集、处理、分析和应用四个关键环节，集成应用整合、存储、数据挖掘、预测分析等相关技术，并依托可视化技术实现数据解释应用的过程，以便实现老师利用数据实现精准定位、精细资助和趋势分析的目的[2]。

大数据驱动高校资助体系的完善，前提条件是有统一规范的学生数据采集平台，以解决各部门学生数据信息孤岛问题，在此基础上进行全校学生的信息数据的处理和分析。结合工作实际，笔者认为，基于大数据的高校资助系统应包含：定位系统、资助项目系统、监督系统、预警系统、就业评价系统五大子系统，整个系统是动态前进过程，后一子系统以前一系统为依托，详见图1。

图1 基于大数据的高校资助工作系统模型

3.1 定位系统，提高贫困生认定精准度

在家庭收入、支出、成员信息、地理位置、贷款、绿色入学通道、消费水平、勤工助学等数据采集和分析基础上初步判定是否是贫困生，在系统分析出的名单基础上进行人工确认，以保证贫困生认定精准度。

3.2 资助项目系统，根据个人情况进行资助项目组合

目前国家和学校提供了多种多样的资助项目，实际工作要根据学生贫困程度和具体情况进行组合资助。如成绩优异的特困生可以给予奖学金、助学金和特困补助。在组合时根据学校资助项目和金额进行统筹兼顾，既要考虑学业成本；又要考虑全校贫困生人数，既保障绝大部分人的利益，又要照顾个别家庭极其困难的学生。

3.3 监督系统，保障定位系统的准确性

采集数据包括日常消费水平、电脑与高档手机、高档服饰情况、有无请客吃饭情况等。为提高监督的有效性，数据采集即可以是来自学校后勤系统的消费水平数据，也可以来自学校微信、电话、公共论坛揭发数据，甚至可以是第三方监督机构的数据，如省厅电话反馈数据等。

3.4 预警系统，跟踪贫困生日常情况并做出干预

预警系统数据来源于学生日常消费水平、家庭突发状况、成绩情况、品德情况、奖助情况、勤工助学等信息采集和挖掘。这是资助系统的重要组成部分，一是对定位系统的查伪补缺，根据消费水平判断贫困生名单是否准确，是否有遗漏，是否有突发家庭状况的学生需要资助；二是对学生个人资助持久性做出判断，及时调整干预资助项目，提高市场竞争力。如学生成绩、个人能力都很优秀的条件下，是否可以增加资助项目，进一步提高学生的市场竞争力，相反，对于不努力的学生调整资助金额和项目来刺激他的学习动机生成。

3.5 就业评价系统，对资助有效性做出判断

资助最终目的是学生能成功就业。通过对贫困生就业单位、职务、工资水平、技术水平等数据的采集和挖掘，能清晰地反映出资助的效果。特别是企业专项资助，判断是否达到企业的预期，就业评价系统反馈特别重要。

4 资助系统模型案例分析

大数据支持下的高校资助工作系统模型不是纸上谈兵，有些高校已经开始积极尝试，有尝试就会有进步。笔者介绍两个实际使用的案例。

案例1 华东师范大学资助预警系统[3]

案例介绍：2012年9月，我国首个家庭经济困难学生预警系统在华东师范大学正式投入使用。预警系统流程包括学生家庭经济情况、日常餐饮消费情况、参加勤工助学情况、学习情况和获得奖助学金情况等四个方面。通过调研得到学生正常餐饮消费标准，制定预警标准；根据预警标准，如全校平均值的60%，对低于此标准的学生生成预警名单，系统会发出核实短信询问确认学生是否有经济困难，需要学校提供帮助(见图2)；对确实存在困难的学生给予帮扶。此外，该预警系统还能关注学生勤工俭学信息，如果某学生突然增加了勤工助学的工作量，学校也会前往了解该学生的经济状况是否出现了问题，从而有针对性地提出解决方案。

案例分析：华东师范大学资助预警系统是大数据在学生资助工作中的大胆尝试，给基地学校提供了经验。

第一，及时发现问题，实现资助情况的动态监督。通过建立学生家庭和在校情况的大数据，学校可以从学生中发现不愿让老师和同学知晓的家庭经济困难学生，对漏助学生实现即时救助；对于学生发生突发状况学校也可以及时知晓，做好相应的补救措施。

第二，实现人机互动，大大提高了资助的有效性。通过该预警系统的短信回复，大数据与人工相结合，很好地提高了资助效果；辅导员根据系统的提示及时对漏助和突发情况的学生做调查，确认困难情况，也提升了救助体系的科学化。

第三，科学的数据分析，推动资助工作的科学性。2012年6月，在系统试运行期间，餐饮预警名单95人，经二级学院确认，有2人经济困难，学校对这2名同学进行了一对一谈话，制定了个性化的帮困计划。根据餐饮预警和勤工助学预警，学校复查了568人的困难等级，更改了438人的困难等级，并及时给予针对性的帮困指导，这些都大大提高了资助的科学性。

第四，后续需进一步完善，逐步实现资助目标。该系统在运行中也存在一些问题，需要后续进行完善。首先，餐饮预警系统准确率还不是很高，这跟学生动机有关。有的学生主观上减少就餐金额，也有可能是饮食不习惯等。可以进一步丰富预警数据，如水、电、电话、电脑、手机、高档奢侈品等其他消费数据，还可以结合学生贷款情况、勤工助学、绿色通道、家庭经济情况等综合判断。其次，对资助育人的挖掘度不够。可跟踪学生实践情况、感恩教育、平时表现等数据判断学生品德发展情况，并及时给予心理疏导和引导。

案例2 南京理工大学偷偷给学生冲饭卡[4]

案例介绍：2016年3月，南京理工大学启动“暖心饭卡”项目，该校通过大数据分析，将每个月在食堂吃饭超过60顿、一个月总消费不足420元的学生列为受资助对象，然后直接将补贴款打入学生饭卡，不用审核。已有301位学生受助，有的多了十几块，有的甚至多出了三百多块。以后，他们每个月还将收到同样金额的补助，直到毕业。

案例分析：南理工暖心做法意义非凡，值得称赞，当然也有值得改进的地方。

第一，体现了学校的人文关怀，学生更加身怀感恩之心。偷偷充饭卡这一小小的举动体现了精细扶贫的资助工作要求，把学校对贫困生的人文关怀体现在具体的生活细节中，不仅减轻了贫困生的生活负担，也温暖了寒门学子的心，使他们更加身怀感恩之心。

第二，利用大数据成功定位，体现了精准资助的要求。利用大数据分析技术结合人工确认的方法要比之前单纯依靠人工方法来得合理。这301位学生都是每餐平均不足7元的学生，相比南京的生活条件来说确实比较清苦。这些学生来自于系统的数据分析，比较客观。而人工认定的受助学生受主观因素的影响，缺乏详细的调查和必要的数据分析支持，难免会出现漏助错助的现象。

第三，需进一步核实数据，防止资源浪费。偷偷地充饭卡说明事先学校没有发出通知，学生是在正常消费情况下做的数据分析，避免了主观因素的干扰，有一定的合理性，但也存在进一步改进的空间：如301位受助学生还需进一步确认，以防止主观降低用餐费用的现象存在；长期单一的资助金额显得不妥，还是要结合学生实习情况、贷款情况、奖励情况等动态调整，以免浪费有限的扶助资金。

5 大数据在高校资助工作中的应用拓展

高校资助政策的制定、贫困生认定和审查、资助项目的组合和资助效果的评价，这些过去靠资助工作者主观思想或者经验决定的东西，在大数据的背景下，正转变为一种数据支撑的行为科学。当前，大数据技术正通过不同的途径服务高校资助体系的科学发展，下面笔者结合实例说明。

5.1 大数据驱动贫困生智慧择校

好的学校对贫困生来说不仅能减轻学业成本，好的专业还能提高自己未来市场竞争力，真正实现成才梦。现在教育信息资源不对等严重影响贫困生择校和专业的选择。有数据显示，70%的人后悔自己当年所报志愿，大部分人从事与专业无关的工作。为解决这一难题，世界各国都在进行资源整合，搭建统一信息平台，从根本上解决这一难题。

案例3 美国高校导航

案例介绍：美国教育科学院利用大数据技术开发的“高校导航”[5]，可以对全美7000多所高校进行了解和对比分析，家庭经济困难学生可以根据所在地区、学费、奖学金资助、入学率和毕业率等各类指标选择最适合自己的学校，“美国导航”网站截图见图3。

案例分析：该网站的特点信息全面、直观，可以查找全美所有高校的信息。如输入Harvard University，显示哈佛大学的学生规模、学位种类、学费、资助金额和人数、校园安全等基本信息。也可以选择一个州，城市等进行分类显示，如州里所有大学的排名和信息情况。贫困生可以根据自己条件选择合适的大学。

案例4 美国新闻网站

案例介绍：美国新闻网站提供了全美高校排名和对国际学生的资助情况。你可以了解到每所大学的学费、申请、资助等情况，还可以看出哪些高校提供给留学生的资助人数和金额最多，并查看这些高校专业的排名情况，从中你可以选择最合适自己的学校。同时网站还提供一些有趣的排名，如全美最贵的十所高校、性价比最高的十所高校等，这些都依赖于大数据技术的应用。

案例分析：该网站特点是提供了学校的各种排名，你可以根据你需要的方面进行分析比较，从而选择最适合的学校。比如你想了解国际学生申请资助的情况，可以从对国际学生的资助排名中看出哪些高校对国际学生给予资助的名额和金额最多。表1显示2014—2015学年美国提供资助最多人数的是哈佛大学，为524人，资助金额最高的斯基德莫尔学院，为5.66万美元[6]。当然你也可以在了解全美高校的学费和排名情况，如2016年美国最好的国立大学是普林斯顿大学，学费是4.34万美元，哈佛大学名列第二，学费是4.529万美元。国际学生可以结合学费及资助情况选择最合适的一所学校。

图3 美国高校导航应用

表1 全美排名前10的高校资助和新闻专业排名情况

我国高校资助根据国情向农、林、牧、渔等专业学生倾斜，6所高校师范学生实施免费教育，并给予补助，报考这些专业为寒门学子圆大学梦提供了很好的机会。

5.2 大数据驱动贫困生智慧就业

贫困生就业情况是衡量资助有效性的最终指标。利用大数据技术可以帮助贫困生了解各行业就业情况，提高成功就业率。

案例5 美国一站式就业服务

案例介绍：美国劳工部利用大数据技术基于多年就业统计推出了“一站式就业服务”系统，(网址：http://www.careeronestop.org/)你可以查找历年来行业薪资、教育培训等情况，根据自身情况选择合适的职业和生活城市。

案例分析：对于想找工作的人来说，最关心的是工作地点和薪资待遇。如果能了解到历年来某个城市某项职业的待遇水平，那么对于贫困生找工作来说是个很大的帮助。美国劳工部的一站式服务系统就提供了这样的功能，而这些就依赖于大数据技术。如在找工作一栏下输入工作为教师，城市为纽约，可显示历年来纽约地区提供教师工作的公司、职位、地点等信息，点开列表可显示每个职位的职业类型、薪资待遇、任命类型等信息(见图4)，从而可以了解纽约教师大概的工资范围。

5.3 大数据驱动资助政策的科学化

大数据以可视化的方式分析出历年来高校资助总金额、人数、平均受助金额、资助项目等变化情况，帮助教育主管部门负责人和决策者制定科学的

图4 美国“一站式就业服务”应用

资助发展规划。每年全国资助管理中心都会发布年度中国学生资助发展报告，结合历年情况对当年资助情况进行具体分析，对未来资助工作提出规划和要求。如2015年中国学生资助发展报告中，对2015年各学龄段学生资助总额、资助人数、资金来源情况、资助项目等进行详细分析，对比过去一年的发展情况，为未来资助工作规划提供依据。

5.4 大数据驱动资助资源配置合理化

定位不准、资源浪费是高校资助中的突出问题。以国家助学金为例，根据教育部数据显示，2015年普通高校总人数是3 467万人，其中本专科生受资助人数543.45万人，资助研究生314.23万人，总资助人数为 857.68 万人，占在校生总人数的 24.7%，而我国实际上，根据国家统计局数据显示，截至2015 年底中国贫困人口仅有 7 017 万，约占农村居民人口总数的 7.2 %。大数据可以提高贫困生认定准确性，跟踪学生在校成长状态，预测其未来就业能力，为决策者合理分配资金提供依据。

案例6 美国建立纵向数据库系统

案例介绍：纵向的数据质量系统是美国提高学生学业质量的新举措，通过建立学生完整和准确的教育数据，为政策制定者和教育者做决策和改进实践提供基础。美国弗吉尼亚州正在建立的纵向数据系统(longitudinal data system)，可以跟踪学生从幼儿园到工作的状态，利用大数据可以分析出招生、财政救援和学位奖励情况。2008年弗吉尼亚教育委员会将获得佩尔(pell grant)和其他形式资助的学生就业成功率和所有学生的成功率做比较，来分析资助的效果，预测未来资助资金的合理流向[7]。通过和失业率与工资记录相关联，还可以预测毕业生未来的工资情况，帮助学生了解毕业后收入和学生贷款的变动情况。

案例分析：数据分析驱动了资助体系的科学化。首先，有助于分析资助政策的效果。通过对个体的教育信息进行常年跟踪，有助于了解哪些资助政策对学生产生了积极的影响，从而更好地完善资助政策。其次，有助于决策未来资金的流向。通过对资助学生成功率与所有学生成功率的比较，及对未来工资水平的预测，决策者决定资助资金流向哪些领域可以更加积极地推动教育和经济的发展。第三，有助于推动教育体系的改革。资助的最终目的是育人。通过对资助学生行为的长期跟踪，可以发现教育中长期存在的问题，如贫困生的心理健康问题、就业问题，决策者和教育者可以及时调整教育政策和教育手段。

5.5 大数据驱动资助资金来源多样化

根据教育部发布的《2015年中国学生资助发展报告》显示，我国高等教育资助资金来源主要是财政、银行贷款、高校事业收入和社会捐赠(见图5)。可以看出社会捐赠资金比较少。原因一是学校没有大力宣传，企业缺乏认识；二是对于捐赠资金是否最终能为企业服务缺少证据支持。大数据可以扩大资金来源，跟踪项目资助的使用情况，提高捐赠者捐资助学的兴趣。

案例7 引入互联网大数据做细提案吸引资助

案例介绍：“捐助者之选”(网址：www.DonorsChoose.org)是一家线上教育募资平台，它曾被知名脱口秀主持人奥普拉·温弗瑞盛赞为 “革命性的公益组织” 。该平台非常注重执行效果，有严谨、透明化的机制，每个提案必须详细罗列完整的预算，包括教具品名、单价、厂牌等，让资助者明确追踪自己的资助款项将如何被使用[8]。

图5 2015年我国普通高校资助资金来源

案例分析：“捐助者之选”的特点就是公开、透明、执行力强，并运用互联网扩大捐赠资源。该平台积极运用了大数据，分析过去各个提案的学校类型、捐款形态，并做出内部或公开的报告供自己和大众检阅。同时成功运用互联网，将捐助者和需求者联系起来，为他们搭建合作的桥梁。捐助者再也不是盲目地捐款，无论他们贡献多少，他们都能知道自己的贡献到了哪个项目的手里，也能知道项目进展得怎样，这就建立起捐赠者对平台的信任感，从而更加积极踊跃地加入慈善行列。

6 结语

虽然大数据在高校资助工作中应用研究是一个全新的领域，但大数据对高校资助的影响却很深远。大数据技术改变了传统高校的资助做法，使个性化资助成为可能，提升了救助体系的科学性。未来利用大数据技术还可以进一步研究高校资助多样化途径，如美国的家庭贷款、税收减免。还可以

讨论如何扩大资助受助范围，如资助范围由全日制教育向在职教育延伸等问题。当然，不是说有大数据技术就不需要人工了，两者要有机结合起来，才能进一步高校完善资助体系。

[1] 全国学生资助管理中心.2015年中国学生资助发展报告[EB/OL].(2016-09-01)[2016-10-12].http://www.moe.gov.cn/s78/A05/moe_702/201609/t20160901_277355.html.

[2] 唐斯斯，杨现民. 智慧教育与大数据[M]，北京：科学出版社，2015.

[3] 华东师范大学.华东师范大学研发困难生餐饮预警系统 [EB/OL].(2012-08-09)[2016-10-13].http://www.u-office.ecnu.edu.cn/s/173/t/222/17/0d/info5901.htm l.

[4] 黄欢.善用大数据 资助才能真正暖人心[EB/OL] . (2016-03-08)[2016-10-15]http://news.ifeng.com/a/20160326/48225457_0.shtml.

[5] NCES:National Center for Education Statistics.Collegenavigator[EB/OL] . (2016-04-26)[2016-10-19].http://nces.ed.gov/collegenavigator/

[6] us.news.Usnewseducation.[EB/OL].(2016-04-26).[2016-10-23]. http://www.usnews.com/education/best-colleges/the-short-list-college/articles/2015/09/24/10-universities-that-offer-international-students-the-most-aid.

[7] 唐斯斯，杨现民. 智慧教育与大数据[M]，北京：科学出版社，2015.

[8] 中山商报.公益机构“捐助者之选”创新助学模式获成功[EB/OL].(2015-07-06)[2016-11-02].http://www.zsnews.cn/News/showindex_10.shtml

责任编辑 陈桂梅

Case Analysis of Subsidization System in Universities Based on Big Data

HUPeipei
(Department of Students’Affairs, Wuxi Vocational College of Science and
Technology, Wuxi 214028, China)

Modern education based on big data has become a trend of times. It is necessary and has great significance to use big data to build smart campus. Subsidization system changes from subjective judgment to behavioral sciences. However, many colleges and universities are not clear on how to work in practice. This paper analyzes the funding system from practice. In addition, combining some cases, it proposes several application approaches, which provides references for applying big data technology in a right way.

big data; subsidization system; model; case studies; application route

2016-12-09

胡培培(1983— )，女，江苏无锡人，助理研究员，硕士研究生，研究方向：智慧校园，学生管理。

10.13750/j.cnki.issn.1671-7880.2017.02.011

TP 311.13

A

1671-7880(2017)02-0040-07