数据挖掘在高校人才优化配置方面的应用＊

冯秀清，司 杰

（川北医学院，四川 南充 637000）

数据挖掘技术在商业、金融业以及企业的生产、市场营销等方面都得到了广泛的应用，而在教育领域应用相对较少，高校中对学生信息、成绩等数据的处理还一般停留在简单的数据的备份和查询阶段。近年来，随着高校的不断扩招，学生人数大幅度增加，给高校学生教学工作带来了严峻考验，传统的教学管理手段已逐渐不能适应社会的发展。随着数据挖掘技术的成熟及应用领域的不断扩展，不少高校研究人员已开始研究将数据挖掘技术应用于高校的教学中。比如，将数据挖掘技术应用于学生信息管理、高校的教学评估、学生成绩分析及考试系统中，对提高学校教学管理水平起到了很好的指导作用。

随着教育市场的扩大，高校之间的竞争也越来越激烈，因此，高校人才的优化配置成为高校之间竞争中的关键一环。如何在“以人为本”思想的指导下，合理优化高校人才，制订合理的信息化人才管理制度，提高人才的利用率，提高人力资源管理水平，都是高校人力资源管理层需要考虑的问题。

1 数据挖掘技术

数据挖掘技术是数据库理论和机器学习交叉的一个新型学科，自从面世后就受到教育界的广泛重视，其专业内容主要是有效性改进算法，另外，数据挖掘技术目前在企业和金融领域得到广泛应用，尤其是在产品分析、欺诈预警和市场预测等环节都发挥着重要作用。当前教育信息化背景下，数据挖掘技术作为一种人力资源管理手段被越来越多的教育工作者所采用。其中，经典的数据挖掘算法已经在高校人才培养和配置方面都发挥了重要作用。

1.1 关联原则（Association Rules）

关联原则指的是对大量数据进行挖掘，发现其中各个项集及其之间的关联。发掘出频繁项集可以揭示出不同事物有什么内在关联。经典的Apriori算法就是应用了挖掘算法中的关联原则。以学生的历年成绩库为数据源，应用数据挖掘中的关联规则分析方法，对学生大学期间开设课程的顺序对学生成绩的影响进行分析评价，能够得出课程间的相关性。比如，根据高校提供的大量教师档案，利用关联原则挖掘兼职教师的教学水平评价高低与兼职教师的职称、专业水平等之间的内在联系。

1.2 构建客户细分模型

客户细分指的是企业在明确的市场条件下，比如经营战略、业务模式等，根据客户的需求、喜好等因素对客户划分类别。在同一个类别中的客户会具有某种程度上的相似性，而在不同类别的客户有着明显的不同。这种算法可以更好地了解客户，从而提供个性化服务。而客户细分规则则是数据挖掘的理论基础。

1.3 聚类算法

聚类指的是对数据进行分类，使其归属到不同的类别或簇，而这个过程就是聚类。聚类可以为下一步的研究提供有针对性的支持。聚类算法是一种传统的数据统计方法，其目前已在高校人才培养的研究中得到了广泛应用。比如，根据高校人才培养的指标、评价标准、评价权重等问题，运用聚类分析可以探讨高职院校的人才评估指标的结构生成，从而分析指标的归类属性，以及对其进行指标整合等。通过分析统计教学测评结果，根据分析出的教师分类及教师间的教学质量差异，对教师进行量化考核和分类，可真实反映出教师教学中存在的问题，完善教师考核。进而为教学管理者提高教师的教学质量、优化教师队伍提供参考。

2 基于数据挖掘的人才管理策略

在数据挖掘的基础上，根据不同高校的学科特点，根据高校的发展战略，结合人才类型等因素，在人才引进和配置方面提出以下策略。

2.1 人才引进

2.1.1 引进人才计划

要想制订科学、合理的人才引进计划，首先要考虑学校的学科特点，还要根据学校的发展目标、学校师资力量建设等因素，制订出的人才引进战略要有一定的可操作性。

在主干学科中，坚持“寻找突出人才”的战略思想，引进的人才要符合以下几点要求：高职称、年龄合适、高学历、教学和科研都有实际成效的突出型人才，这类人才可以迅速在学科的科研领域中占据领军地位，能推进学科研究，促成学科梯队的快速发展。

在新兴学科方面，主要目的应当以充实研究人才为主，可以引进相对年轻、学历高，科研能力强的人才，这类人才可以把该学科偏重教学的缺陷加以弥补，从而提高该学科的科研水平。

在特色学科方面，加强基础人才建设是人才战略的重点。可以引进教学科研均不太突出的人才，加以培养，构建合理的人才梯队建设。

2.1.2 增进高学历人才比例

对于高学历人才的引进一定要保持一流高校的人才的持续增长。根据相关高校人才的数据挖掘，高学历人才向科研型人才转化的概率较高，另外，根据现今教育形式，高校科研人才直接关系到高校的科研水平，进而拉动学校的教学水平的提升。来自不同高校的人才，他们在进行学术交流时能够促进高校的整体创新能力提升，尤其是教育创新能力。

2.2 高校人才培养

2.2.1 根据人才类型制订培养策略

教学科研都比较突出的人才，可以在科研经费方面进行重点支持，促成其科研成就的提升，扩大其学科影响力。而对于教学或者科研相对较突出的人才，在科研方面成立专项资金，促使他们在学科领域内的水平和成就进一步提升。

对于科研和教学不太突出、比较有发展潜力的人才，他们的发展规划要符合实际，并有很大空间，学校可以提供机会让他们到国外名校学习，保证他们的科研水平、教学水平稳步提升，这也是做好人才可持续发展的重要基础。

2.2.2 建立切实可行的人才评估体系

针对不同类型和级别的人才进行绩效评估，将人才的水平、业绩与他们的收入挂钩。另外，根据人才类型的不同，设置不同的绩效评估制度，让不同水平的人才一方面感受到压力，一方面有前进的动力，从而促使人才的全方面进步和发展。

对于教学比较突出、科研水平相对不突出的人才，对其的绩效评估应该以教学效果为主，建立全面、完整的评估体系，比如学生评价、上课课时、教学设计和改革等方面。

对于研究较突出、教学水平相对一般的人才，对其考核应当以科研水平和成果为主，建立多方面的评估体系，比如科研项目、科研成就、论文、专利等。

2.2.3 薪酬体系是重要激励手段

薪酬体系是人力资源优化配置中重要的激励手段。对于教学科研均比较突出的人才，其薪酬体系应当比较健全，与外校相比具有竞争性，这样才能防止该类人才流失。对于教学和科研一门相对突出的人才，在该类人才内部应当注重公平公正，防止不正当竞争影响人才工作的积极性。

而对于在科研和教学都有很大发展空间的人才，薪酬一般处在高校较低级别，应当给予适当生活补助，同时也要注重内部的公平性。

3 结束语

综上所述，将数据挖掘技术与人才资源管理相结合，对于高校的人才划分类别，针对不同类型的人才在人才引进、人才培养和薪酬体系方面进行研究，解决人才配置方面出现的问题，对类型人才优化提出针对性策略，同时，考虑高校的工作特殊性，在教学积极性、科研发展空间、科研团队竞争性等方面进行综合考量。综上所述，数据挖掘综合各方面因素，可以为高校的人才优化配置提供更加科学、合理的管理机制。