进入大学，一些学生过于放飞自我，“混”大学。但现在，他们真的“混”不下去了。
根据《武汉晚报》的一篇报道，华中科技大学2018年有18名学生因学分不达标从本科转为专科，其中11人已在6月按专科毕业。在该校的《普通本科生转专科管理办法（试行）》中明确规定：对未达到培养计划总学分的3/4（二年级为2/3）者，给予黄牌警示；对未达到培养计划总学分的2/3（二年级为1/2）者，给红牌警示。凡受到红牌警示的，或累计两次受到黄牌警示的，需转入专科学习，否则予以退学处理。据统计，华中科技大学的3万多名本科生，在2017—2018学年，有210人因学分偏低受到黄牌警示，34人未达到培养计划学分最低要求受到红牌警示。
“天天打游戏、谈恋爱，浑浑噩噩的好日子将一去不复返了，不能搞‘玩命’的中学，也不能搞‘快乐’的大学。”教育部高教司司长吴岩表示，每所大学抓本科教育质量的方式可以有所不同，但目标是一致的。他认为，“适度增加学生不能按时毕业是应该的，本科生有一定的淘汰率也是必然。”
2018年8月，教育部在印发的《关于狠抓新时代全国高等学校本科教育工作会议精神落实的通知》中明确提出，“要切实加强学习过程考核，加大过程考核成绩在课程总成绩中的比重，严格考试纪律，严把毕业出口关，坚决取消‘清考’制度。”
用“严出”倒逼人才培养质量，高校可通过哪些方法及时了解学生的学习状况，找出学生在学习中可能存在的问题，帮助学生顺利毕业呢？
数据发现“学困生”
相信很多人对美国大学的“严出”原则不会陌生，尽管他们的学生无法顺利四年毕业的原因有很多，但各大学一直在努力采取各种应对措施提高学生的毕业率，尤其是在及时发现学习困难的“学困生”方面。
数据链接：
麦可思对中国部分高校2017级本科新生的调查发现，新生遇到的适应性问题中，最主要的是“学习问题”（农村生源：52%，非农村生源：46%）。2017级本科新生遇到的“学习问题”中，最主要的问题是“对所学内容缺乏学习动力”（农村生源：66%，非农村生源：63%），其后是“缺乏自学方法”（农村生源：61%，非农村生源：56%）和“学习氛围不浓”（农村生源：52%，非农村生源：47%）。
遵循如果学校能根据数据预测模型的推断，预判哪些学生可能无法完成某一课程的学习，授课教师或学业导师可向该类学生伸出援助之手的工作思路，加州州立大学系统2018年正式开展了一项旨在提升学生毕业率的“毕业计划2025”项目，该项目的目标之一是把学生的4年毕业率从2017年的23%提高到2025年的40%，6年的毕业率从59%提高到70%。
基于“毕业计划2025”项目的主要关注点，加州州立大学系统提倡打破一些桎梏——取消无学分的辅导课程，提高学生在数学和英语方面的能力，使更多学生的基本学习能力达标，将重点关注待开课程的设置，特别是本学期一些学生需求很大但以往学期通过率偏低的待开课程。
需要特别指出的是，归属校长办公室管理、主要职责是为众多分校的学术技术项目提供便利的学术技术服务部，会借助与校外第三方教育技术公司的密切合作，利用学习管理系统及时发现更多“学困生”，例如已被国内外不少高校应用的Blackboard、Moodle等。
注：
Blackboard是一个数位教学平台，老师和学生可以在多媒体、网络组成的平台内进行各种课程方面的交流。
Moodle这个词是Modular Object-Oriented Dynamic Learning Environment，即模块化面向对象的动态学习环境的缩写，是基于建构主义教育理论而开发的课程管理系统，目前在各国高校中均已广泛应用。
凯茜・费尔南德斯与让-彼埃尔・贝亚德都是学术技术服务部的职员，在谈到学习管理系统时均表示，就学生的毕业率而言，学习管理系统绝对是得力帮手。不过，“我们一致认为，学习管理系统中存储的数据是‘静态数据’，即输入系统内的数据后续没有任何更改了，‘沉睡’在系统内了”。费尔南德斯表示，“如果教师能充分利用学习管理系统中的‘静态数据’，则可将其变成我们称为‘动态数据’的实时数据，及时了解学生的学业进展情况。以往我们只有在整个课程结束后才能知晓学生最终的学习成果。”
在副校长助理格里・汉利的帮助下，学术技术服务部打算协助各分校利用Blackboard、Moodle等中的学生出勤率、作业提交时间及完成质量、课堂上的答题率、与老师的沟通频率等数据，发现更多“学困生”，继而提高整个加州州立大学系统的学生毕业率。
汉利同时还希望，通过对“动态数据”的利用，帮助更多教师学习如何根据学生的实际学习情况重新设计关键课程，并能在校园中营造一种利用数据分析进行教学的氛围。
利用“数据”有技巧
近几年，对于国内外高校来说，不论是与校外第三方机构合作还是通过自身搭建的系统或平台来收集学生的行为数据，都已不再是新鲜事。
国内大数据领域的领军专家、电子科技大学教授周涛等人共同研发出了“学生画像”系统，通过数据整合、分析，挖掘每个学生的学习、生活状态，预测学生的挂科危险以及可能出现的“特殊状况”。且该系统当时已经覆盖电子科技大学两万余名本科生。
分校众多的加州州立大学系统的一些分校自2016年12月开始正式试点使用Blackboard、Moodle等工具，借助相关数据来预测学生的课程通过率。
对于使用效果，费尔南德斯表示，“所有试点这个项目的分校都意识到了，教师能做的工作远多于以前。”毋庸置疑，如何充分挖掘、利用学生的“行为数据”，已成为国内外高校和教师探索的领域之一。
加州州立大学系统基于相关工作经验，总结了以下几条数据方面的建议，中国高校管理者及教师或许可参考一二：
◆领导的支持至关重要。如果学校的高层管理者不能对学习管理系统提供有力支持，也无这方面的兴趣，那么“别费劲了，放弃吧”，费尔南德斯表示，“学习管理系统的使用是一项长期工作，且需要持之以恒的投入，需要校内多部门的协作。如果你认为，‘嗯，不管如何，我们先试用一年，看看这套系统到底是不是物有所值吧’，在此我想说的是，别这么想了，那您还是按往常的工作方式来吧。”
◆数据捕获能力决定预测水平。学生能顺利完成某一门课程，是由很多变量综合决定的，如果教师事先没有借助相关学习管理系统进行课程设计，并在授课过程中不主动积极地收集学生的出勤率、线上作业提交率、线上作业完成情况、测试成绩等预测指标的数据，那么预测结果自然不会具有参考价值。
◆超越学习本身。圣地亚哥州立大学是Blackboard的用户之一，该学习管理系统的应用已超越简单的教学，使学校和教师得以强化教学方面的管理。举例来说，该校对Blackboard的使用，这一行动本身就是在向学生传达学校时刻在关注其课程学习情况的信号。
譬如某天课上，有个座位空着，随后没来上课的学生就会收到一条短信，“老师已经注意到你今天没来上课哟”。同时，该系统会通过这种考勤方式收集数据，对比分析全勤学生和缺勤学生完成本课程的概率。该系统会创建一套清晰的路标，使学生和老师都能找准自己应该努力的方向，而不仅仅是一堂课的学习。
◆理性面对预测结果。对于数据预测结果，加州州立大学系统中有的分校因担心负面预测结果会打击学生，选择不告知学生，有的分校则恰恰相反，会及时通知学生以及告知具体原因。通过这种方式，学校想让学生知道“要积极接受这个现实，但是不要自我放弃”。费尔南德斯补充说，制定决策不应到此就结束，“学校和教师要行动起来，让学生知道，在得知这个信息后将会采取什么措施，学校和老师会给予怎样的帮助。”
大数据学习管理系统的应用，目的不仅仅在于拥有庞大的数据信息，而在于对数据的专业化处理，利用数据的附加价值，辅助管理者及教师优化其工作决策和行为方式，这是高校数据管理发展的方向。
链接：
加州州立大学系统想要提升学生的毕业率、及时发现学困生，当然不仅仅依靠对数据预测模型的推断。通过该校网站上的“成功路线图”，我们可看到除了“数据驱动决策：基于事实与数据分析，识别和推进最成功的学术支持项目”这一策略外，该校还会从以下方面进行努力：
◆学术准备：为加州州立大学系统的学生提供完成学业所需的机会和支持。确保学生在读大二前，能获得30个学期学分或45个学季学分。
◆选课：确保学生想要学习某门课程时，能选课成功。
◆学生参与度和幸福感：持续致力于提高加州州立大学系统的学生的幸福感，使学生对校园有更强烈的归属感。
◆助学资助：确保每个加州州立大学系统的学生不会因经济问题而无法完成学业。
◆行政障碍：甄别并消除不必要的行政障碍。
联系客服
