学习分析视域下的大学生满意度教育数据挖掘及分析.docVIP

学习分析视域下的大学生满意度教育数据挖掘及分析 ［ ］学生满意度是一个受学生和学校等多种特征影响的复杂概 念，其决定因素纷繁复杂。学界对学生满意度模型的研究众多，然而 从学生特征和学校特征等综合方面挖掘大学生满意度的学习分析研究 较少。文章采用逐步回归和决策树分析等教育数据挖掘技术对大学生 满意度数据进行分析，同时对两种方法在获得结论的有效性上进行比 较，并从学习分析视角对其结果进行解释，在学生特征及学习经历的 数据集中找出真正影响其满意度的维度，识别先前未知的模式，检测 并分析一系列学生特征、经历和认知与满意度的关系，以期为提高高 校人才培养质量提供参考。 和著作权归原 所有， 己 ［关键词］学生满意度；教育数据挖掘；学习分析 ［ ］G434 ［ ］A ［ ］舒忠梅（1974—），女，湖北荆门人。讲师，博士， 主要从事教育数据挖掘、学习分析、高等教育管理等研究。 ： issszm@mail. sysu. edu. cno 一、 引言 大学生满意度是大学生对于大学生活的体验和经验及对学校提供 服务所产生情感的整体反应，是一个受学生和学校等各式各样特征影 响的复杂概念，其决定因素纷繁复杂［1］。最近几年，学界对学生满意 度模型及其实证方面的研究较多，而较少存从学生学习经历角度来考 查学生对大学学习满意度的调查。但从经验的角度分析，学生参与学 校活动、经历的丰富性会对学校的满意度有一定影响，而学生会通过 这些活动和经历产生各种不同的认知体验和经验及作出各种不同情感 反应，涉及的数据景大、范围广，常规的统计方法难以发现其隐藏的 规律，因此需要新型的数据统计和分析方法，即开展教育数据挖掘和 学习分析。 另一方面，目前从学生特征和学校特征等综合方面挖掘学生满意 度及其结果的学习分析研究较少，现有的研究存在样本较为局限、分 析方法单一等研究限制，也并未形成广泛认同的理论。为Y深入了解 学生满意度的影响因素，本文采用逐步回归和决策树分析等教育数据 挖掘(Educational Data Mining, EDM)技术对学生满意程度数据进 行挖掘，并从学习分析(Learning Analytics, LA)角度对其挖掘的 结果进行意义再建构，旨在建立学生学习经历和学生特征与学生满意 度的错综复杂关系，以期为提高高校人才培养质量提供参考依据。 二、 研究分析方法 (一)研究设计 近些年来，越来越多的国内外高校开展不同主题的学生调查，使 用学生满意度等主观测景数据来辅助学校决策或反映学校办学绩效。 中山大学学生学习状况调查问卷，参考Astin［2］与Pace［3］的学生学 习评估模型，调查内容不仅关注学生的相关经历，例如学习投入和努 力的程度、学生与教师的交往等，还包括学生的情感性学习成果或通 识教育的学习成果，以及学生满意度等。 本文从学生学习经历角度，在“生源一学习一成果”的逻辑框架 中，考察分析学校因素和学生因素对于学生满意度的影响机制。调查 将学生学习经历分解为生源情况、学校学习资源供给、学生与学校的 融合、学生学习投入、学生成果及学生满意度等六大维度。各维度下 题目的内部一致性系数均达到0.9以上，具右较高的信度［4］。研究数 据来源于2012年实施的“中山大学学生学习状况调查”项目的在线 调查，覆盖全校36个学院（系），调查总体约为3. 3万名本科生。学 生在无压力情况下做答，共回收问卷7051份，回收率约为21. 2%，与 国际上同类的问卷回收率相比，该回收率为非常满意。 研究聚焦于本科样本，全部回收的问卷根据答题吋长、问卷质量 标准等原则，筛选出有效问卷6673份，有效率为94. 6%，涉及性别、 年级、所在校区等九个人口学变量。调查收集了一系列学生特征、学 习经历和规划，对校园环境、学风、服务和设施的满意度，对于成长 的认知和选择大学的原因等227个变量数据。例如，33个变量测量学 生对校园服务、学校设施和校园文化的满意度，如“图书馆工作人员 的服务质量”和“奖、勤、补、助、贷等学生资助工作与服务”等。 大学的使命是为学生提供教育，保证消费者对教育的满意度。该 调查提供了在校经历满意度、能力培养满意度和综合满意度等三方面 的指标来测量学生满意度，有助于在校园生活中找出影响满意度的具 体方面；同时，强调了学生作为消费者的教育成果。其中，学生在校 经历满意度指标通过六个方面的具体项目来反映：课程安排和教学质 量、在校期间的个人生活经历、在校期间的学术经历、在校期间课外 社团活动经历、在校期间参与的党团活动经历、在校期间参加的社会 服务活动等；学生能力培养满意度指标主要从三方面的能力培养进行 考察：获取知识能力、创新能力和社会能力；学生综合满意度指标包 含五方面的项目：为学校感到骄傲、对学校各方面都感到满意、对学 校存