基于多维模型下开放教育思想政治教育数据分析与评价方法初探

张 海

（福建开放大学，福建 福州，350013）

一、开放教育的发展分析

开放教育学生的学习渠道多样、学习课程丰富、学习时间灵活，由于获取信息途径过于容易，造成学生将过多的时间花费在社交和娱乐上。

（一）开放教育的发展与愿景

开放教育是整个教育体系中的重要组成部分。开放教育的发展愿景是建立一个更加包容、灵活、创新和普及的教育体系，以满足不断变化的社会需求和学习者的多样化需求。

随着大数据、5G、AI（人工智能）等数字技术的迅速发展，开放教育的教学手段、教学内容、学生范围也发生了很大变化。目前以智能手机为基础学习媒介，利用智能手机中各类App 形成了交互式学习模式，构建了良好的学习成果反馈机制。通过提供灵活的学习机会，破除地理和经济上的教育障碍，根植持续学习的教育理念，实现包容平等的教育机会。

（二）开放教育的特点、优势

目前，开放教育模式和传统教育模式相比有其独特优势：学习人群多样、学习媒介多元、学习时间灵活、学习内容丰富。

1.学习人群多样

开放教育性质特点，其学生的年龄、职业、基础学历、人生阅历等方面呈现多样化，形成了庞大而多样的学习群体。

2.学习媒介多元

早期开放教育以“广播电视”为主要媒介，随着互联网的发展，开放教育的学习媒介也呈多元化。如有各类在线课堂、教学App、MOOC 平台等。

3.学习时间灵活

开放教育是以学生和学习为中心，以学生自学为主，面授为辅，实现“人人、处处、时时”可学可考的终生教育模式。

4.学习内容丰富

目前基于各类的学习媒介构建了丰富的学习内容，如：学习课程种类多，知识点全面；实现可交互性的学习，并能快速检验学习成果。

（三）开放教育面临的困局

现代开放教育模式和传统教育模式相比具有独特的优势，同样也面临各种问题，其中最为突出的是难以开展思想政治教育工作，主要体现在以下几个方面。

1.学生身份、年龄多样，不利于思想政治教育内容和形式的编排

开放教育学生的年龄、身份、社会阅历、教育背景有着较大的差异，难以采取统一合适、合理的思想政治教育内容，给思想政治教育工作带来了挑战。

2.无法与学生面对面深入沟通，导致思想政治教育效果不好

由于开放教育的特点，难以有效地组织全部学生进行面对面的沟通交流，导致思想政治教育的效果不好。

3.学习媒介过于丰富引起过度娱乐化，导致学生思想意志不坚定

开放教育主要通过各类学习媒介开展课程，这些媒介上充斥着大量的娱乐内容，最典型的是游戏、短视频等。如果没有思想政治教育的干预，将难以达到良好的学习效果。

基于以上分析，教育从业者需要掌握科学的教育方法，做到“具体问题具体分析，按辩证的观点评估教学成果”，其中思想政治课程的开展是最为重要的内容。

二、开放教育开展思想政治教育工作的指导思想及方法

我国进入高等教育普及化，开展高等教育普及化工作，必须要突出两个要点。

（一）坚持习近平新时代中国特色社会主义思想

坚持以习近平新时代中国特色社会主义思想为指导，习近平新时代中国特色社会主义思想是中国特色社会主义理论体系的重要组成部分，是思想政治教育工作的根本遵循和行动指南。脱离习近平新时代中国特色社会主义思想将无法做好思想政治教育工作，所以必须深刻地认识、学习习近平新时代中国特色社会主义思想，不断推进思想政治教育的建设与创新。

（二）重视科技发展，充分利用科技发展成果

随着科技的发展，思想政治教育工作应该充分利用科技发展的成果，基于“大数据”和“数据分析”工具对开放教育教学过程产生的数据进行建模和分析，为思想政治教育工作评估体系提供数据支持，从而开展有效的思想政治教育工作。

三、开放教育思想政治教育数据分析指标

基于开放教育日常线上教学行为中产生的数据，采用“系统分析法”甄别出可作为评估指标和分析属性的数据。通过“问卷调查”形式，收集学生使用各种终端花费在学习和娱乐的时长等数据，最后对数据构建多维分析模型。

（一）分析指标

分析指标如表1 所示，所有指标值应基于相同的时间粒度进行记录，可用于评估思想政治教育工作的形式和教育时长与其他指标的相关性，指导、优化思想政治教育工作。

表1 分析指标

（二）问卷调查

随着智能手机的普及，人们花费大量的时间在智能手机上。分析智能手机的使用方式对开放教育学生成绩的影响，为制定合理的思想政治教育形式、内容提供数据支撑。表2 为问卷调查内容。

表2 问卷调查内容

（三）数据集成工具和系统

将日常教学产生的数据和问卷调查数据归集并统一存储，梳理各数据集的关系，构建对应的多维分析模型提供基础环境。表3 为使用的数据集成工具和系统。

表3 数据集成工具和系统

四、开放教育思想政治教育多维分析的评估体系

（一）多维分析模型

多维数据分析是指从多个维度、多个角度对数据进行观察和分析。通过对多维形式组织起来的数据进行切片、切块、聚合、钻取、旋转等分析操作，以求剖析数据，如图1 开放教育构建的多维分析模型所示。开放教育思想政治教育多维分析的评估体系可以通过建立“思想政治教育”相关的维度和指标值分析，直观清晰地了解“思想政治教育”工作形式、内容的作用，为指导“思想政治教育”工作的改进、优化提供方向。

图1 开放教育多维模型

（二）多维模型对应的数据仓库

在数据仓库的维度模型中事实表和维度表，基于实际需要将待分析的数据转化到具体的表单中，从而形成如图2 的可视化图表。

图2 使用雪花模式进行维度建模

事实表存储的是可概括的数据，本文中创建了包括“考试成绩_事实表”和“上课记录_事实表”，分别记录了成绩ID、参考次数、上课记录ID、学习时长等事实数据。

维度表包含了属性和层次结构，根据分析需要创建了4 张维度表：“时间_维度表”“教师_维度表”“课程_维度表”和“学生_维度表”，通过时间维度确定在相同的时间粒度和范围内各指标量受各维度的影响。“学生_维度表”关联了“思想政治教育工作_维度表”。

通过对不同的维度和度量进行持续的观察，并不断做出调整，直到发现数据中可用于分析“思想政治教育”的时长、形式对学生成绩和上课效果的影响。

（三）模型建立方法

本小节将说明建立评价指标体系的步骤方法。

1.分析环境准备

依据可使用的硬件资源情况、数据量的大小、研究经费是否充足，准备相应的分析环境。分析环境如何选择，可结合以下条件作判断依据：在硬件资源有限、数据量不大、研究经费欠缺的情况下，可选择单台PC 机作为分析环境；在有一定的硬件资源，但研究经费欠缺的情况下，可选择服务器+开源软件作为分析环境；在硬件资源与研究经费充足的情况下，可选择服务器+商业软件作为分析环境；在硬件资源、研究经费充足且数据量很大的情况下，可选择Hadoop 大数据平台作为分析环境。

确定分析环境后可对应的分析软件进行数据的ETL 操作及构建多维模型，如以MySQL、PostgreSQL 为代表的开源数据库和以SQL Server、Oracle 为代表的商业数据库可供选择；也可以选择Excel 或是使用SQL、Python 等计算机语言进行数据分析和展示。

2.数据ETL 操作

ETL 是用来描述将数据从来源端经过抽取（extract）、转换（transform）、加载（load）到目标系统的过程。ETL 主要操作思路是通过确定可使用的数据源并配置链接到数据源，从而发现的异常数据并制定数据清洗策略，然后选择成熟的ETL 工具进行清洗并将清洗的数据加载到目标系统中。

3.构建多维分析模型

经ETL 操作清洗的数据就是构建多维分析模型的基础数据，通过四步即可完成多维分析模型的构建，一是链接到经过ETL 清洗的数据，二是定义模型维度表和事实表结构，并构建各维度表和事实表间的关系，三是在多维数据库中部署多维模型，最后在多维模型中对数据分析处理。

五、使用多维模型进行开放教育思想政治教育实施成果评价

（一）汇聚数据和处理

本文笔者面向使用福建开放大学“学位英语词汇通”进行学习的学生共发出2000 份问卷，收回有效问卷1737 份。收集的问卷调查数据和教学数据整理汇聚到分析软件，本文笔者选择常用的办公软件Excel 作为分析软件，汇聚的数据包含7 个工作表（见图3），分别是：教师表、课程表、学生表、思想教育工作表、问卷调查表、考试成绩表、上课记录表。

图3 问卷调查数据和教学数据

选择SSIS 作为ETL 工具，将Excel 中的数据同步到数据库中，配置Excel 数据源和数据库目标，形成原字段和目标字段键的映射。

（二）创建多维分析工程

利用数据库中同步后的数据构建多维分析模型，创建多维分析工程并在工程目录进行操作：第一步，通过“数据源”选项的配置界面中填写连接的目标数据库的地址和登录密码。第二步，通过配置“数据源视图”，选择业务数据到数据源视图。第三步，通过“多维数据集”选项的配置窗口中基于数据源视图选择“度量值表”（勾选“考试成绩表”“上课记录表”）。度量值表中的数值类型的列会被自动识别为度量值。由于在目标数据源中已经定义好了表间关系，所以除勾选的度量指表外其他的都会被视为“维度表”。最终生成的多维模型结构，将“上课记录表”和“考试成绩表”表作为度量指标，维度包括学生表（关联了思想政治教育数据）、课程表、教师表等。第四步，在进行多维分析时，通过维度的不同属性，对配置维度表中的属性列进行更细节的数据挖掘：将“学生表维度”及其关联的“思想教育工作表”中的字段拖拽到属性窗口，对于其他维度表按同样的方法进行操作即可。第五步，通过多维分析项目工程的功能菜单点击“部署”按钮，部署多维分析模型。

（三）创建多维分析挖掘结构

依据“数据挖掘向导”指引创建多维模型挖掘结构，选择“学生表”作为分析维度，并制定挖掘结构的事例级别和度量值即可。

（四）基于模型进行挖掘

第一，通过Excel 连接到多维分析服务，在“数据挖掘”选项卡的窗口中配置多维数据集所在的服务器和登录信息。

第二，选择“Microsoft 关联规则”算法，作为多维数据模型的数据分析挖掘算法。

第三，配置数据字段的用法，将“分数说明”配置为“仅预测”，思想政治教育相关的列都作为输入，其他维度相关的列，如“籍贯”“职业”等列可根据分析意愿进行配置。

第四，多维数据挖掘结果，最终得出总体关系，如图4 所示，即考试成绩较好的学生的最大行为特点是每日保持4 小时以上的学习且参加了相应的思想政治理论课程。其中高分学生（成绩在80 分以上的）与“社会责任感”这门思想政治教育课程关联很大。

图4 规则依赖关系图

考试成绩不及格与各种维度属性值的关联关系图（如图5），最突出的特点是花费很少时间上“思想政治教育”课程（普遍在2 小时以下）。

图5 不及格成绩与维度属性值的关联关系图

而通过比对分析学生维度的“基础学历”属性分析，无论基础学历如何，思想政治教育时长很少或没有的学生，分数普遍在60 分以下。

综上所述，通过多维数据模型对思政教育实施与整体教学成果评价关联性进行动态的、多维的比对，开放教育体系下实施开展各类思想政治理论课程，积极参加思想政治理论课的学生绝大部分都能取得较好成绩。综上所述，实施开展各类思想政治理论课程效果明显、意义重大。在今后的开放教育中要继续加强思想政治理论课的深入研究，包括课程研制、师资培训、示范教学案例开发、思政课程资源库搭建等工作，让思想政治理论课融入教学的各个环节，将学生价值观塑造、专业技能提升和学历提升等紧密融合，真正形成一体化协同教育的示范作用。