数据挖掘在PDCA循环管理模式中的应用

曹安林

摘 要：高等职业教育在经历了20世纪90年代的体制改革、招生规模大扩张、基础设施大建设，并取得了规模与基础发展成就的背景下，办学质量与内涵建设需求己日益突出，成为当前学校发展的首要任务，也是学校核心竞争力的主要体现。以建立目标体系，完善实施过程，实现全员、全过程、全方位参与的内部质量保证体系为目标，建立常态化人才培养质量自主保证机制，促进学院主动适应经济社会发展和人才的全面发展需求，切实履行人才培养工作质量保证的主体责任，持续提高人才培养质量。

关键词：PDCA 数据挖掘 诊断与改进

中图分类号：F237 文献标识码：A 文章编号：1672-3791（2018）08（b）-0007-02

高等职业教育的办学质量与内涵建设需求己日益突出。提高技术技能人才培养质量是发展现代职业教育的基本任务，是构建现代职业教育体系的关键所在，是主动适应经济发展的新常态。通过数据挖掘技术，找寻关键数据及其之间的关联因素，建立职业院校教学工作诊断与改进制度，引导和支持学校全面开展教学诊断与改进工作，切实发挥学校的教育质量保证主体作用，不断完善内部质量保证制度体系和运行机制，是持续提高技术技能人才培养质量的重要举措。

1 诊断与改进产生的背景与理念

回顾高等职业教育不同阶段的质量评估活动，第一阶段：以教育教学保障资源为核心的“基础性质量观”。仅将保障资源作为教育质量形成的必要条件，而非充分条件。第二阶段：以系统性内部质量体系为保证的“一致性质量观”。通过质量体系的组织机制、制度、标准等来约束质量行为。两次的质量评估都突出：（1）组织主体不是所有利益相关方；（2）专指外部评估；（3）专指对质量成果的阶段性评估；（4）评估结论不受管理方和办学方主观意愿的影响；（5）评估的实施主体不直接对人才培养工作的优劣负责，也没有帮助学校改进的法定义务。教学诊断与改进是在“管办评分离”的前景下，教育行政部门实现对学校事中、事后监管，履行管理职责的重要形式；是教育主体负起质量保证的社会责任，激发各个层面内生动力的重要举措，是提高学校治理能力和人才质量的重要抓手。

2 数据挖据的定义

数据挖掘是多学科综合的产物，吸收了来自以下一些技术领域的基本思想：（1）源于统计学中的抽样、估计和假设性的检验；（2）基于计算机模型的模式识别、人工智能和机器学习的建模技术、搜索算法与学习理论。通俗来讲数据挖掘是通过分析每个数据，从大量数据中寻找其规律的技术，主要有数据准备、规律寻找和规律表示3个阶段。

3 诊断与改进与数据挖掘的关联

诊断与改进的思路是借鉴全面质量管理（TQM）、目标管理、卓越绩效管理等理论，以考核性诊断为抓手，树立科学质量保证理念，培育特色质量文化；数据挖掘是选择从关联的数据源所需的数据并整合成关键数据进行挖掘，通过某种方法将数据集所含的规律寻找出来，明确关键数据，尽可能以可视化等用户可理解的方式将关键数据关系之间的规律表示出来。再反馈到原始数据更新，反复执行此过程。

通过数据挖掘技术，可以进一步有效明确诊断与改进体系的目标数据。从而有目的、有依据地建设目标任务，落实机构人员职责，完善质量保证制度体系，推进多元主体共同治理，人人参与，共建质量保证体系。

4 数据挖掘在PDCA管理体系建设中的应用

4.1 围绕方针，明确质量保证体系PDCA运行框架

PDCA循环的含义是将质量管理分为4个阶段，即计划（plan）、执行（do）、检查（check）、处理（action）。在质量管理活动中，把各项工作按照做出计划、计划实施、检查实施效果，然后将成功的纳入标准，不成功的留待下一循环去解决的工作方法。以“学院、专业、课程、学生、师资”为质量保证模块，建立“目标链—标准链—实施链—资源保障链—信息链”的“五纵五横一平台”的内部质量保证体系。完善“事前设计建标—质量计划、事中实时监控—质量控制、事后诊断改进—质量提升”的管理流程，形成常态化、网络化、全覆盖、具有较强预警功能和激励作用的内部质量保证体系，实现内部管理水平和人才培养质量的持续提升，如图1所示。

4.2 通过数据挖掘完善规划链、目标链与标准链，明确实施链

结合现有工作，提出框架模块的建设项目。通过数据挖掘技术中的统计分析方法，找到数据库字段项之间存在两种关系：函数关系（能用函数公式表示的确定性关系）和相关关系（不能用函数公式表示，但仍是相关确定性关系），利用统计学原理对数据库中的信息进行分析。可进行常用统计（求大量数据中的最大值、最小值、总和、平均值等）、回归分析（用回归方程来表示变量间的数量关系）、相关分析（用相关系数来度量变量间的相关程度）、差异分析（从样本统计量的值得出差异来确定总体参数之间是否存在差异）等，对影响学校人才培养质量的关键数据过程进行测评、调研及反馈设计。

4.3 以教师信息的分析为例叙述数据挖掘的结果及分析

具体步骤如下：首先依照ID3算法的流程制作出ID3算法流程图，然后进行数据挖掘结果分析。在分析专任教师信息时，根据“专任教师是否具有高级职称”的决策子树进行分析，发现相关影响因素主要是学历、年龄。学历在硕士以上或年龄较长的教师其职称是副高以上的可能性较大；“双师型”教师信息分析，发现相关影响因素主要也是学历、年龄，和是否具有高级职称不同的是，学历在本科和硕士且较为年轻的青年教师“双师型”的可能性较大。由此可以得出学校需大力度引进青年优秀教师以及专业技术人才，使學校的青年教师渐渐成为了学校的教学骨干教师、科研骨干教师和“双师型”的中青年教师的主力军，使学校的师资结构更趋于合理。

同时，专任教师高级职称的比例相对较低，有客观原因，也有一定的主观因素。客观原因在于学校有很多优秀教师其专业技术水平足以达到教授、高级工程师的资质，但是历史原因造成学校高职职数相对教师人数较少，其次是高职院校对高级职称人才仍未达到足够的吸引力，很难从其他单位大量引进高水平教师人才；主观因素在于以往学校近注重教师自身的学历结构，在培养现有人才方面有些薄弱，但现在学校也注重培养已有的学科骨干力量，以高水平、有经验的年长教师带中青年教师，大力气输送教学骨干进修学习，主动联系各企事业单位进行校企联合，将技术融入企业，将企业经验带入校园，不仅提高了“双师型”教师的比例，而且，在平时的科研深入探索专业学科前沿动态。这样在教学过程中能够经常介绍学科前沿以鼓励学生独立钻研思考，指导学生专业技能实验过程中完成科学研究，在教学中将科研与教学有机结合。学校在师资培训方面应加大对初、中级职称或本科学历的教师的培养力度，逐步促进整体教学水平更上一个台阶等。

数据挖掘的目的就是从大量数据中分析出数据之间的关联以及对数据的预测，因此科学化的数据库结构对数据挖掘的结果有着事半功倍的效果。诊断与改进是以建立目标体系，完善实施过程，实现全员、全过程、全方位参与为目标，以“需求导向、自我保证，多元诊断、重在改进”为工作方针的内部质量保证体系建设。将数据挖掘技术融入到诊断与改进的PDCA循环管理体系中，能进一步促进高职院校切实履行人才培养工作质量保证的主体责任，产生自我规划、自我约束、自我改进、自我发展的内生动力，从而实现人才培养质量的持续提升。

参考文献

[1] 张莉.数据挖掘研究现状及发展趋势[J].赤峰学院学报：自然科学版，2014，30（18）：14-15.

[2] 李忻.数据挖据在高校教学质量评价体系中的应用研究[D].华北电力大学，2011.

[3] 王莉.ID3算法的研究与应用[J].福建电脑，2010，26（1）：

11-12.