论文部分内容阅读
摘 要：有效发挥教学状态数据作用要按照有效的技术路线把高校自身的关键质量控制点数据找出来并实施监控。要积极引入数据挖掘等现代分析技术对质量控制点的影响因素进行调查分析。在教学质量管理决策中运用教学状态数据要坚持定性决策和定量决策相结合，积极探索计算机决策，建立决策支持系统（DSS）。
关键词：教学状态数据；质量控制点；数据挖掘；决策支持系统
本文从教学质量管理实际需要的角度出发，对教学状态数据的作用及其使用路径这两个问题进行探讨和剖析。
一、教学状态数据的作用
教学状态数据的作用很大程度上取决于使用主体，评价主体不同，需求不同，教学状态数据所起的作用就不同。对于教育部而言，教学状态数据的作用主要在于通过大样本进行数据的统计分析，找出同层次同类型高校的共性问题，以及所有高校的共性问题，为国家教育政策的制定提供依据。对于地方教育行政部门而言，教学状态数据的作用主要在于通过掌握数据了解有关高校的基本情况，通过合理的激励机制有效调配资源。对于高校自身而言，教学状态数据的作用主要在于为学校的教学质量管理决策提供支持。
教学状态数据在不同层次发挥作用的程度和方式不同，在高校自身层次发挥作用将是最基础、最深入、最根本的。这是因为：一方面每所高校都是个性化的，有自身特色的，国家的大样本数据统计分析基础上产生的国家教育政策是针对高校的共性问题的解决方案，无法照顾到每一所高校的特点，地方教育行政部门的激励机制也不能对每所高校都起到效果，也就是说教学状态数据在国家和地方教育行政部门发挥作用主要是一种宏观引导和指导的作用；另一方面在高校自身层次，教学状态数据要切实发挥作用必然要与教学相结合，而教学涉及的是高校中面最广、最基层的数据，也是提高教学质量的根本所在，与具体教学相结合的数据发挥的作用是最基础、最深入、最根本的。要明确的是，这样的重要作用只能靠高校自身来实现。当然，靠高校自身来实现这样的重要作用不是一朝一夕的事情，是一个循序渐进的过程，需要高校自身陆续地逐步深入地觉醒，并逐步探索科学管理的思路、方法，目前我国高校外部评估的促进作用初显，还有待进一步发挥作用，高校内部教学质量管理水平提升的一个最基础的问题就是如何有效发挥教学状态数据的作用。
二、有效发挥教学状态数据作用的重点及技术路线
教学状态数据，狭义地说，是用以反映教学状态的以数值来表示的数据；广义地说是直接或间接用以反映教学状态的一切数据和相关信息。本文所讨论的教学状态数据取广义的意义。笔者认为，对应不同层次的需求，教学状态数据的关注重点应有所不同。需求的层次越低，关注的数据就应该越具体。作为高校自身，教学状态数据应在教育部要求的基础之上深入关注教学的过程和方法等数据，和各校人才培养模式创新的改革实践紧密结合。
从人才培养的角度出发来考虑高校应关注的教学状态数据及相应的教学质量管理，应有大致的逻辑思路，这里参照戚业国教授提出的高校内部教学质量保障体系建设的技术路线[1]：达成质量共识——分析研究质量生成过程——寻找影响质量的关键控制点——建立关键质量控制点的质量标准——收集关键控制点的质量信息——实施关键控制点质量评价——反馈并应用于质量管理调控——质量持续改进提高。例如：第一，按照因材施教的教育教学理念，学校可能重视“人才的个性化发展”，这就是某一项质量共识。第二，接着就要分析人才的个性化发展的生成过程：人才的个性化发展首先需要丰富的课程资源，其次需要得到教师的个性化关注，另外还会需要比较充足的个人可支配的时间。第三，寻找影响质量的关键控制点：从专业课程设置的角度，必然要关注必修课与选修课的比例；从课堂规模的角度，会关注小班授课的比例；另外，根据学校的情况，也会考虑压缩专业培养的学时数，也可能会关注师生网络专业交流的有无等。接下去的工作就是建立质量标准、收集信息、评价、反馈、调控等。
关键质量控制点必然是教学质量管理工作的焦点，也就是高校应重视的教学状态数据，各个高校人才培养的目标和学校特色的不同，决定了他们关注的教学状态数据会有所不同。当前国家和社会普遍关注的学生的社会责任感、实践能力和创造精神大都是隐性的，寻找这些素质培养的关键质量控制点及建立其质量标准是有一定难度的，但是必须认识到这是一项基础性工作，需要管理部门立足学校实际，集思广益，反复论证。
三、教学状态数据的传统调查分析程序和现代分析技术
要确定高校自身的关键质量控制点或关键质量控制点的影响因素，往往要开展调查，调查后的结果要进行科学的分析。
1. 教学状态数据的传统调查分析程序
（1）确定数据调查目的。数据是什么？正如《系统化思维导论》杰拉尔德·温伯格所说的[2]：事物没有“是什么”。我们常问一件事物“是什么”，实际上是问“设计者的目的是什么”。数据也一样，在一定的管理目的之下它们才有意义。所以，首先要明确为什么要做这次调查，调查要了解什么，调查结果用来做什么。具体实践中，调查刚刚开始的时候往往目的会比较宽泛、模糊，必须先进行初步的调查，确定具体、清晰的目的。
（2）制定数据调查计划。要完成数据调查目标，必须要有切实可行的调查计划。制定数据调查计划时要确定数据来源、数据调查方法、调查手段、调查进度、调查人员及调查费用等。
（3）收集数据。真实是收集数据的标准。首先，质量标准的设计要全面，以偏概全必然影响数据的真实性；其次，标准的掌握要一致，尤其是需要多个评价主体进行评价的数据这方面尤其要注意。
（4）分析数据。数据分析的目的就是让数据说话，要做到科学分析就要靠科学的数据分析技术。传统的数据分析方法主要是列表法和作图法，也可利用一些较为复杂的数学方法，如聚类法，尤其是模糊聚类分析方法等。
可以看出，对教学状态数据的调查分析其实是一个反复循环的过程，经过各个步骤之间的不断重复和反复验证，才能得到可行的数据分析结果。 2. 教学状态数据的现代分析技术
随着高校信息化建设的不断深入，学校积累的教学状态数据量越来越庞大，“我们淹没在数据的海洋中，却又在忍受着知识的饥渴。”这句话形象地表达了有效管理和利用数据库中的海量数据并发现其中潜在的知识的必要性。这种情形下，数据挖掘 （Data Mining，DM）技术将在高校的管理中起到至关重要的作用，它是现代统计信息系统中典型的数据分析技术。
数据挖掘是一个从存储于数据库中的大量数据中，利用各种方法提取隐含和潜在的对决策极为有用的信息和知识的过程。包含以下几个方面的含义：数据挖掘是一个过程；数据挖掘是各种“数据驱动”分析方法的集合；数据挖掘具有分析海量数据的能力[3]。
为了使数据挖掘过程标准化，实现数据挖掘的速度快、成本低、可靠、易于管理的目标，欧洲委员会联合一些数据挖掘软件厂商于1996年开发出了CRISP-DM（Cross-industry Standard Process for Data Mining）模型，如图所示。CRISP-DM模型在各种KDD（Knowledge Discovery in Databases，知识发现）过程模型中占据领先位置，采用量达到近60%。
CRISP-DM过程模型图
（1）业务理解。数据挖掘的初始阶段非常重要，此阶段的主要任务是确定数据挖掘的对象和目标，没有对业务问题的正确理解，就无法正确理解数据，无法明确收集数据的目标，后续的一切工作都将毫无意义。
（2）数据理解。主要进行原始数据的收集，熟悉数据，识别数据的质量问题，发现数据的内部属性，或是探测数据中比较感兴趣的数据子集，进而形成对潜在信息的假设。
（3）数据准备。对数据进行必要的筛选、清洁，为适应建模工具做好准备。这项工作可能需要准备很多次，工作量大概是整个数据挖掘过程的60%。
（4）建立模型。选择和应用不同的模型技术，模型参数被调整到最佳的数值。一些建模方法对数据的形式有特殊要求，因此，经常要退回到数据准备阶段。
（5）模型评估。从实际应用的角度，彻底地评估模型，确保模型可以完成业务目标，主要目标是确定最终的数据分析模型和解决方案。
（6）结果部署。承担部署工作的一般是管理人员而不是数据分析人员，通过制定实施和监管计划，确保数据挖掘结论的合理运用，也为下一次的数据挖掘积累经验。
从这一DM模型可以看出，数据挖掘过程是一个循序渐进、逐步深入的数据分析过程，有些环节之间还要经过重复和验证，才能得到切实可行的分析模型和决策方案，是一个动态循环过程，这和传统数据调查程序有异曲同工之处。
利用数据挖掘技术，可以帮助我们找出关键质量控制点，也可以帮助我们找到影响关键质量控制点的有关因素，会让我们有意想不到的收获。
四、教学质量管理决策中运用教学状态数据的方法和手段
为保证决策的科学性、有效性和满意度，必须掌握一定的方法使用先进的技术手段，充分发挥教学状态数据的作用。
1. 定性决策和定量决策相结合
定性决策和定量决策是最基本的两类决策方法。定性决策方法也被称为决策软方法，主要依靠决策者经验和判断能力或有关专家的智慧来解决问题，通常采取一些有效的组织形式，从对决策对象本质特征的研究入手，掌握事物的内在联系及其运行规律，对管理决策目标、决策方案的拟定以及方案的选择和实施做出判断。定性决策方法有很多种，例如德尔斐法、经理人员决策法、专家会议法、头脑风暴法等。需要特别指出的是，在目前的高校教学质量管理实践中，在面对复杂问题时，管理者经常用的却不是以上这些方法，而是管理者的直觉。对于直觉在管理中的作用，西蒙有深入的研究。他认为，直觉也是一种分析，像象棋大师一样，高水平的管理者快而准的决策技能只不过是在记忆中储存了大量从培训和经验中获得的知识，并采用可以识别的信息块和关联信息的方式组织在一起[4]。因而，盲目冲动地拍脑袋和象棋大师短时间就能找到妙招相比，看似没区别，其实大相径庭。
定量决策方法也被称为决策硬方法，主要利用数学模型和公式来解决一些决策问题，通常以问题为中心、建立反映各种因素及其关系的数学模型，并通过对这种数学模型的计算和求解，选择出最佳的决策方案。对教学状态数据的采集和分析都是定量决策的组成部分。定量决策法有许多，除了运筹学方法外，还有期望值法、决策树法、边际分析法、现值分析法等。当然，任何定量分析都是建立在定性预测的基础上， 任何定量分析的数据、图表等都离不开定性分析， 是分析者主观判断的结果，所以可以说，绝对的定量分析是不存在的。
定性决策法的效率高，在时间要求比较苛刻的情况下其作用是显而易见的，但效果容易受决策者经验、能力和环境等因素的影响。定量决策方法可以很好地弥补人脑在分析和判断复杂问题上的不足， 提高管理决策的科学性，但教学状态数据的调查、收集、分析都是需要花费时间的。在教学质量管理的实践中，只有二者结合起来相互补充，灵活运用才能取得科学、有效的决策效果。
2. 发展计算机决策
教育部委托华中科技大学等校研制的“全国高校教学基本状态数据库系统”目前已经建成，该数据库共有数据项860个，因为涉及全国高校，数据量很大。数据库现设有特定指标的统计信息分析、同类高校排序与聚类、专业预测、指标与结论的相关性分析、基于评估结果的高校排序等数据挖掘模块[5]，国家的高等教育宏观管理决策正在向计算机决策积极发展。对于高校自身的教学质量管理而言，由于要深入关注教学的过程和方法等更加具体的教学数据，数据项个数比860要大得多，加上历史的积累，数据也是海量的，这种情况下，发展计算机决策成为各高校提高教学质量管理决策能力的必然选择。
目前，大部分高校的计算机决策发展都处于一种艰难的境地。主要有两种状态。一种是“信息孤岛状态”：高校各个部门之间的计算机应用系统各自为政，系统之间没有信息交换，甚至于有的部门存在多个各自独立的应用系统，部门内部的信息交流都很困难。还有一种是“蜘蛛网状态”：通过接口程序实现系统之间的数据抽取与共享，数据被提取出来放入其他文件或数据库中供使用。经抽取得到的新文件或数据库又通过其他接口程序再被抽取，连续抽取最终导致形成的数据系统拓扑结构不仅存在交叉的网状形态，而且还可能具有更复杂的层次关系，人们形象地称为“蜘蛛网”。虽然网上的某两个节点的数据可能归根结底是从一个原始库中抽取出来的，但其数据没有统一的时间基础，抽取算法各不相同，抽取级别也不相同，并且可能参考不同的外部数据。因而对同一问题的分析，不同节点可能会产生不同甚至截然相反的结果，这当然使决策者无从下手[6]。 建立数据仓库（DW，Data Warehouse），形成一个集成的可共享的数据中心，对大部分高校而言，成为当务之急。事实上，数据仓库的提出有一部分原因是正是为解决“信息孤岛”和“蜘蛛网”问题。“数据仓库之父”William H.Inmon对数据仓库的定义是：一个面向主题的、集成的、不可修改、反映历史变化的数据集合，以支持管理人员的决策。
（1）面向主题，是相对于传统数据库的面向应用而言。面向应用是指系统实现过程中主要面向应用实现一些功能，而面向主题是指数据仓库内的信息是按主题进行组织的，例如，高校数据仓库中的主题域可以包括学生、教师、教学质量管理等。
（2）集成，是指数据仓库中的信息是从各个业务系统导入的，导入之前要经过加工、处理、汇总的过程，因此数据仓库中的信息是保持一致的全局信息。
（3）不可修改，数据进入数据仓库以后，一般情况下将被长期保留，修改和删除操作很少。
（4）反映历史变化，数据仓库中的数据是若干年真实状况的记载，是历史信息的集合。
在数据仓库的基础上建立高效的DSS（Decision Support System，决策支持系统），将是高校提升教学质量管理决策水平的重要发展方向。DSS的概念最早是由Scott Morton和Keen于1970年提出的，由于人们对DSS的认识不同，现在还没有一个学术界公认的定义。武汉大学孟波教授给出的定义是“决策支持系统是一个交互式的、灵活的和自适应的基于计算机的系统，它综合应用数据、信息、知识和模型，并结合决策人的判断，支持决策过程的各阶段，支持决策人进行半结构化和非结构化决策问题的分析求解[7]。”DSS主要特点体现在以下6个方面[8]：
（1）用定量方式辅助决策，而不是代替决策。
（2）使用大量的数据和多个模型。
（3）支持决策制定过程。
（4）为多个管理层次上的用户提供决策支持。
（5）能支持相互独立的决策和相互依赖的决策。
（6）用于半结构化决策领域。
以数据仓库（DW）为基础，结合联机分析处理（OLAP）和数据挖掘（DM）的决策支持系统（DW+OLAP+DM）是20世纪90年代末期开始兴起的，该类DSS因OLAP和DM两者技术良好的互补特性而得到了快速的发展，被称为新决策支持系统。这是相对传统决策支持系统而言的，20世纪90年代初，结合了人工智能技术尤其是专家系统之后，形成了智能决策支持系统（IDSS），由于没有模型库系统软件产品的支持，IDSS的开发受到很大的阻碍。国防科技大学陈文伟教授认为：传统决策支持系统是以模型资源和知识资源辅助决策的，而新决策支持是以数据资源辅助决策的，二者不是代替关系，不能因为传统决策支持系统受到了挫折而被轻视，二者应该是相互补充的关系，二者结合的综合决策支持系统才是决策支持系统的发展方向[8]。
值得一提的是，高校要建立数据仓库是一项大工程，需要几年的时间，DM和OLAP技术可以基于数据仓库，也可以基于数据库，对于广大没有建成统一的数据仓库的高校而言，在专题数据库的基础上作些数据分析也是可行的。
随着计算机技术和Internet技术的发展，决策支持系统（DSS）正逐步走向成熟，基于网络环境的综合决策支持系统（NS-DSS），基于Web Services的决策支持系统也已开始兴起，计算机决策能给予教学质量管理者的定量决策支持将越来越理想。对于高校的教学质量管理人员来说，研究人才培养过程中最基本、最鲜活的教学问题，研究教学质量管理中的人性问题，逐步成长为业务专家，这是先进的技术手段永远无法替代的基本工作。
参考文献：
[1] 戚业国. 高校内部本科教学质量保障体系建设的理论框架[J]. 江苏高教，2009（2） .
[2] 杰拉尔德·温伯格. 系统化思维导论[M].北京：清华大学出版社，2003.
[3] 薛薇. 基于信息技术的统计信息系统[M]. 北京：中国人民大学出版社，2007：241.
[4] 赫伯特. A.西蒙. 管理行为（原书第4版）[M]. 北京：机械工业出版社，2004：124.
[5] 魏署光. 加强管理信息系统建设推进院校研究规范发展[J]. 高等教育研究，2011. 8.
[6] 何红波 王文军，数据仓库在决策支持系统中的应用[J]. 信息与电脑，1999. 12.
[7] 张玉峰. 决策支持系统[M]. 武汉：武汉大学出版社，2004：98.
[8] 陈伟文.决策支持系统教程[M]. 北京：清华大学出版社，2010：10.
[责任编辑：吴芳和]
关键词：教学状态数据；质量控制点；数据挖掘；决策支持系统
本文从教学质量管理实际需要的角度出发，对教学状态数据的作用及其使用路径这两个问题进行探讨和剖析。
一、教学状态数据的作用
教学状态数据的作用很大程度上取决于使用主体，评价主体不同，需求不同，教学状态数据所起的作用就不同。对于教育部而言，教学状态数据的作用主要在于通过大样本进行数据的统计分析，找出同层次同类型高校的共性问题，以及所有高校的共性问题，为国家教育政策的制定提供依据。对于地方教育行政部门而言，教学状态数据的作用主要在于通过掌握数据了解有关高校的基本情况，通过合理的激励机制有效调配资源。对于高校自身而言，教学状态数据的作用主要在于为学校的教学质量管理决策提供支持。
教学状态数据在不同层次发挥作用的程度和方式不同，在高校自身层次发挥作用将是最基础、最深入、最根本的。这是因为：一方面每所高校都是个性化的，有自身特色的，国家的大样本数据统计分析基础上产生的国家教育政策是针对高校的共性问题的解决方案，无法照顾到每一所高校的特点，地方教育行政部门的激励机制也不能对每所高校都起到效果，也就是说教学状态数据在国家和地方教育行政部门发挥作用主要是一种宏观引导和指导的作用；另一方面在高校自身层次，教学状态数据要切实发挥作用必然要与教学相结合，而教学涉及的是高校中面最广、最基层的数据，也是提高教学质量的根本所在，与具体教学相结合的数据发挥的作用是最基础、最深入、最根本的。要明确的是，这样的重要作用只能靠高校自身来实现。当然，靠高校自身来实现这样的重要作用不是一朝一夕的事情，是一个循序渐进的过程，需要高校自身陆续地逐步深入地觉醒，并逐步探索科学管理的思路、方法，目前我国高校外部评估的促进作用初显，还有待进一步发挥作用，高校内部教学质量管理水平提升的一个最基础的问题就是如何有效发挥教学状态数据的作用。
二、有效发挥教学状态数据作用的重点及技术路线
教学状态数据，狭义地说，是用以反映教学状态的以数值来表示的数据；广义地说是直接或间接用以反映教学状态的一切数据和相关信息。本文所讨论的教学状态数据取广义的意义。笔者认为，对应不同层次的需求，教学状态数据的关注重点应有所不同。需求的层次越低，关注的数据就应该越具体。作为高校自身，教学状态数据应在教育部要求的基础之上深入关注教学的过程和方法等数据，和各校人才培养模式创新的改革实践紧密结合。
从人才培养的角度出发来考虑高校应关注的教学状态数据及相应的教学质量管理，应有大致的逻辑思路，这里参照戚业国教授提出的高校内部教学质量保障体系建设的技术路线[1]：达成质量共识——分析研究质量生成过程——寻找影响质量的关键控制点——建立关键质量控制点的质量标准——收集关键控制点的质量信息——实施关键控制点质量评价——反馈并应用于质量管理调控——质量持续改进提高。例如：第一，按照因材施教的教育教学理念，学校可能重视“人才的个性化发展”，这就是某一项质量共识。第二，接着就要分析人才的个性化发展的生成过程：人才的个性化发展首先需要丰富的课程资源，其次需要得到教师的个性化关注，另外还会需要比较充足的个人可支配的时间。第三，寻找影响质量的关键控制点：从专业课程设置的角度，必然要关注必修课与选修课的比例；从课堂规模的角度，会关注小班授课的比例；另外，根据学校的情况，也会考虑压缩专业培养的学时数，也可能会关注师生网络专业交流的有无等。接下去的工作就是建立质量标准、收集信息、评价、反馈、调控等。
关键质量控制点必然是教学质量管理工作的焦点，也就是高校应重视的教学状态数据，各个高校人才培养的目标和学校特色的不同，决定了他们关注的教学状态数据会有所不同。当前国家和社会普遍关注的学生的社会责任感、实践能力和创造精神大都是隐性的，寻找这些素质培养的关键质量控制点及建立其质量标准是有一定难度的，但是必须认识到这是一项基础性工作，需要管理部门立足学校实际，集思广益，反复论证。
三、教学状态数据的传统调查分析程序和现代分析技术
要确定高校自身的关键质量控制点或关键质量控制点的影响因素，往往要开展调查，调查后的结果要进行科学的分析。
1. 教学状态数据的传统调查分析程序
（1）确定数据调查目的。数据是什么？正如《系统化思维导论》杰拉尔德·温伯格所说的[2]：事物没有“是什么”。我们常问一件事物“是什么”，实际上是问“设计者的目的是什么”。数据也一样，在一定的管理目的之下它们才有意义。所以，首先要明确为什么要做这次调查，调查要了解什么，调查结果用来做什么。具体实践中，调查刚刚开始的时候往往目的会比较宽泛、模糊，必须先进行初步的调查，确定具体、清晰的目的。
（2）制定数据调查计划。要完成数据调查目标，必须要有切实可行的调查计划。制定数据调查计划时要确定数据来源、数据调查方法、调查手段、调查进度、调查人员及调查费用等。
（3）收集数据。真实是收集数据的标准。首先，质量标准的设计要全面，以偏概全必然影响数据的真实性；其次，标准的掌握要一致，尤其是需要多个评价主体进行评价的数据这方面尤其要注意。
（4）分析数据。数据分析的目的就是让数据说话，要做到科学分析就要靠科学的数据分析技术。传统的数据分析方法主要是列表法和作图法，也可利用一些较为复杂的数学方法，如聚类法，尤其是模糊聚类分析方法等。
可以看出，对教学状态数据的调查分析其实是一个反复循环的过程，经过各个步骤之间的不断重复和反复验证，才能得到可行的数据分析结果。 2. 教学状态数据的现代分析技术
随着高校信息化建设的不断深入，学校积累的教学状态数据量越来越庞大，“我们淹没在数据的海洋中，却又在忍受着知识的饥渴。”这句话形象地表达了有效管理和利用数据库中的海量数据并发现其中潜在的知识的必要性。这种情形下，数据挖掘 （Data Mining，DM）技术将在高校的管理中起到至关重要的作用，它是现代统计信息系统中典型的数据分析技术。
数据挖掘是一个从存储于数据库中的大量数据中，利用各种方法提取隐含和潜在的对决策极为有用的信息和知识的过程。包含以下几个方面的含义：数据挖掘是一个过程；数据挖掘是各种“数据驱动”分析方法的集合；数据挖掘具有分析海量数据的能力[3]。
为了使数据挖掘过程标准化，实现数据挖掘的速度快、成本低、可靠、易于管理的目标，欧洲委员会联合一些数据挖掘软件厂商于1996年开发出了CRISP-DM（Cross-industry Standard Process for Data Mining）模型，如图所示。CRISP-DM模型在各种KDD（Knowledge Discovery in Databases，知识发现）过程模型中占据领先位置，采用量达到近60%。
CRISP-DM过程模型图
（1）业务理解。数据挖掘的初始阶段非常重要，此阶段的主要任务是确定数据挖掘的对象和目标，没有对业务问题的正确理解，就无法正确理解数据，无法明确收集数据的目标，后续的一切工作都将毫无意义。
（2）数据理解。主要进行原始数据的收集，熟悉数据，识别数据的质量问题，发现数据的内部属性，或是探测数据中比较感兴趣的数据子集，进而形成对潜在信息的假设。
（3）数据准备。对数据进行必要的筛选、清洁，为适应建模工具做好准备。这项工作可能需要准备很多次，工作量大概是整个数据挖掘过程的60%。
（4）建立模型。选择和应用不同的模型技术，模型参数被调整到最佳的数值。一些建模方法对数据的形式有特殊要求，因此，经常要退回到数据准备阶段。
（5）模型评估。从实际应用的角度，彻底地评估模型，确保模型可以完成业务目标，主要目标是确定最终的数据分析模型和解决方案。
（6）结果部署。承担部署工作的一般是管理人员而不是数据分析人员，通过制定实施和监管计划，确保数据挖掘结论的合理运用，也为下一次的数据挖掘积累经验。
从这一DM模型可以看出，数据挖掘过程是一个循序渐进、逐步深入的数据分析过程，有些环节之间还要经过重复和验证，才能得到切实可行的分析模型和决策方案，是一个动态循环过程，这和传统数据调查程序有异曲同工之处。
利用数据挖掘技术，可以帮助我们找出关键质量控制点，也可以帮助我们找到影响关键质量控制点的有关因素，会让我们有意想不到的收获。
四、教学质量管理决策中运用教学状态数据的方法和手段
为保证决策的科学性、有效性和满意度，必须掌握一定的方法使用先进的技术手段，充分发挥教学状态数据的作用。
1. 定性决策和定量决策相结合
定性决策和定量决策是最基本的两类决策方法。定性决策方法也被称为决策软方法，主要依靠决策者经验和判断能力或有关专家的智慧来解决问题，通常采取一些有效的组织形式，从对决策对象本质特征的研究入手，掌握事物的内在联系及其运行规律，对管理决策目标、决策方案的拟定以及方案的选择和实施做出判断。定性决策方法有很多种，例如德尔斐法、经理人员决策法、专家会议法、头脑风暴法等。需要特别指出的是，在目前的高校教学质量管理实践中，在面对复杂问题时，管理者经常用的却不是以上这些方法，而是管理者的直觉。对于直觉在管理中的作用，西蒙有深入的研究。他认为，直觉也是一种分析，像象棋大师一样，高水平的管理者快而准的决策技能只不过是在记忆中储存了大量从培训和经验中获得的知识，并采用可以识别的信息块和关联信息的方式组织在一起[4]。因而，盲目冲动地拍脑袋和象棋大师短时间就能找到妙招相比，看似没区别，其实大相径庭。
定量决策方法也被称为决策硬方法，主要利用数学模型和公式来解决一些决策问题，通常以问题为中心、建立反映各种因素及其关系的数学模型，并通过对这种数学模型的计算和求解，选择出最佳的决策方案。对教学状态数据的采集和分析都是定量决策的组成部分。定量决策法有许多，除了运筹学方法外，还有期望值法、决策树法、边际分析法、现值分析法等。当然，任何定量分析都是建立在定性预测的基础上， 任何定量分析的数据、图表等都离不开定性分析， 是分析者主观判断的结果，所以可以说，绝对的定量分析是不存在的。
定性决策法的效率高，在时间要求比较苛刻的情况下其作用是显而易见的，但效果容易受决策者经验、能力和环境等因素的影响。定量决策方法可以很好地弥补人脑在分析和判断复杂问题上的不足， 提高管理决策的科学性，但教学状态数据的调查、收集、分析都是需要花费时间的。在教学质量管理的实践中，只有二者结合起来相互补充，灵活运用才能取得科学、有效的决策效果。
2. 发展计算机决策
教育部委托华中科技大学等校研制的“全国高校教学基本状态数据库系统”目前已经建成，该数据库共有数据项860个，因为涉及全国高校，数据量很大。数据库现设有特定指标的统计信息分析、同类高校排序与聚类、专业预测、指标与结论的相关性分析、基于评估结果的高校排序等数据挖掘模块[5]，国家的高等教育宏观管理决策正在向计算机决策积极发展。对于高校自身的教学质量管理而言，由于要深入关注教学的过程和方法等更加具体的教学数据，数据项个数比860要大得多，加上历史的积累，数据也是海量的，这种情况下，发展计算机决策成为各高校提高教学质量管理决策能力的必然选择。
目前，大部分高校的计算机决策发展都处于一种艰难的境地。主要有两种状态。一种是“信息孤岛状态”：高校各个部门之间的计算机应用系统各自为政，系统之间没有信息交换，甚至于有的部门存在多个各自独立的应用系统，部门内部的信息交流都很困难。还有一种是“蜘蛛网状态”：通过接口程序实现系统之间的数据抽取与共享，数据被提取出来放入其他文件或数据库中供使用。经抽取得到的新文件或数据库又通过其他接口程序再被抽取，连续抽取最终导致形成的数据系统拓扑结构不仅存在交叉的网状形态，而且还可能具有更复杂的层次关系，人们形象地称为“蜘蛛网”。虽然网上的某两个节点的数据可能归根结底是从一个原始库中抽取出来的，但其数据没有统一的时间基础，抽取算法各不相同，抽取级别也不相同，并且可能参考不同的外部数据。因而对同一问题的分析，不同节点可能会产生不同甚至截然相反的结果，这当然使决策者无从下手[6]。 建立数据仓库（DW，Data Warehouse），形成一个集成的可共享的数据中心，对大部分高校而言，成为当务之急。事实上，数据仓库的提出有一部分原因是正是为解决“信息孤岛”和“蜘蛛网”问题。“数据仓库之父”William H.Inmon对数据仓库的定义是：一个面向主题的、集成的、不可修改、反映历史变化的数据集合，以支持管理人员的决策。
（1）面向主题，是相对于传统数据库的面向应用而言。面向应用是指系统实现过程中主要面向应用实现一些功能，而面向主题是指数据仓库内的信息是按主题进行组织的，例如，高校数据仓库中的主题域可以包括学生、教师、教学质量管理等。
（2）集成，是指数据仓库中的信息是从各个业务系统导入的，导入之前要经过加工、处理、汇总的过程，因此数据仓库中的信息是保持一致的全局信息。
（3）不可修改，数据进入数据仓库以后，一般情况下将被长期保留，修改和删除操作很少。
（4）反映历史变化，数据仓库中的数据是若干年真实状况的记载，是历史信息的集合。
在数据仓库的基础上建立高效的DSS（Decision Support System，决策支持系统），将是高校提升教学质量管理决策水平的重要发展方向。DSS的概念最早是由Scott Morton和Keen于1970年提出的，由于人们对DSS的认识不同，现在还没有一个学术界公认的定义。武汉大学孟波教授给出的定义是“决策支持系统是一个交互式的、灵活的和自适应的基于计算机的系统，它综合应用数据、信息、知识和模型，并结合决策人的判断，支持决策过程的各阶段，支持决策人进行半结构化和非结构化决策问题的分析求解[7]。”DSS主要特点体现在以下6个方面[8]：
（1）用定量方式辅助决策，而不是代替决策。
（2）使用大量的数据和多个模型。
（3）支持决策制定过程。
（4）为多个管理层次上的用户提供决策支持。
（5）能支持相互独立的决策和相互依赖的决策。
（6）用于半结构化决策领域。
以数据仓库（DW）为基础，结合联机分析处理（OLAP）和数据挖掘（DM）的决策支持系统（DW+OLAP+DM）是20世纪90年代末期开始兴起的，该类DSS因OLAP和DM两者技术良好的互补特性而得到了快速的发展，被称为新决策支持系统。这是相对传统决策支持系统而言的，20世纪90年代初，结合了人工智能技术尤其是专家系统之后，形成了智能决策支持系统（IDSS），由于没有模型库系统软件产品的支持，IDSS的开发受到很大的阻碍。国防科技大学陈文伟教授认为：传统决策支持系统是以模型资源和知识资源辅助决策的，而新决策支持是以数据资源辅助决策的，二者不是代替关系，不能因为传统决策支持系统受到了挫折而被轻视，二者应该是相互补充的关系，二者结合的综合决策支持系统才是决策支持系统的发展方向[8]。
值得一提的是，高校要建立数据仓库是一项大工程，需要几年的时间，DM和OLAP技术可以基于数据仓库，也可以基于数据库，对于广大没有建成统一的数据仓库的高校而言，在专题数据库的基础上作些数据分析也是可行的。
随着计算机技术和Internet技术的发展，决策支持系统（DSS）正逐步走向成熟，基于网络环境的综合决策支持系统（NS-DSS），基于Web Services的决策支持系统也已开始兴起，计算机决策能给予教学质量管理者的定量决策支持将越来越理想。对于高校的教学质量管理人员来说，研究人才培养过程中最基本、最鲜活的教学问题，研究教学质量管理中的人性问题，逐步成长为业务专家，这是先进的技术手段永远无法替代的基本工作。
参考文献：
[1] 戚业国. 高校内部本科教学质量保障体系建设的理论框架[J]. 江苏高教，2009（2） .
[2] 杰拉尔德·温伯格. 系统化思维导论[M].北京：清华大学出版社，2003.
[3] 薛薇. 基于信息技术的统计信息系统[M]. 北京：中国人民大学出版社，2007：241.
[4] 赫伯特. A.西蒙. 管理行为（原书第4版）[M]. 北京：机械工业出版社，2004：124.
[5] 魏署光. 加强管理信息系统建设推进院校研究规范发展[J]. 高等教育研究，2011. 8.
[6] 何红波 王文军，数据仓库在决策支持系统中的应用[J]. 信息与电脑，1999. 12.
[7] 张玉峰. 决策支持系统[M]. 武汉：武汉大学出版社，2004：98.
[8] 陈伟文.决策支持系统教程[M]. 北京：清华大学出版社，2010：10.
[责任编辑：吴芳和]