打开文本图片集

摘要：本文首先分析高校数据治理中的数据采集范围不广、数据孤岛仍然存在、数据治理思路不清、数据开放共享不畅、数据开发应用率低等现状和问题，设计标准和技术两大支撑体系，提出包括感知系统、数据中台、应用中台、智慧应用等功能数据治理框架，以“双中台”赋能高校现代化治理，以数据标准中枢全程监管数据中台分层数据治理，以应用中台开放数据共享和应用，释放数据动能，提升治理效能。

关键词：数据治理； 数据中台；治理框架

1 引言

2020年10月，中共中央、国务院印发《深化新时代教育评价改革总体方案》，利用现代信息技术开展学生全过程学习纵向评价和全要素横向评价[1]。2021年11月，中央网信办发布《提升全民数字素养与技能行动纲要》推进高校数字技能基础课程和实习实训基地建设[2]。基于此，教育部在《教育部2022年工作要点》中强化数据挖掘和分析，构建基于数据的教育治理新模式[3]。但我国高校当前处于数据治理初级阶段，一方面对数据采集不够重视，导致数据维度不多，如何开展数据治理思路不清晰，不足以支撑教育现代化治理的要求；另一方面数据如何发挥作用和价值，也未见有效应用路径，师生信息化获得感不强。本研究探索数据治理构架体系，结合高校信息化困境，从采集、对接、治理、共享、应用五个层面提出数据治理方案。

2 研究现状

2.1 数据采集范围不广

数据治理的对象是数据，本科教育质量监测国家数据平台在数据采集方面存在共用性不够、特色性不足、新理念凸显、时代性不足等问题[4]。《职业院校数字校园规范》（下称“规范”）设计了师生发展、数字资源、教育教学、管理服务、支撑条件、网络安全和组织体系等7项一级指标、20项二级指标、34项三级指标和72个观测点[5]，高职人才培养工作状态数据采集平台从实践教学条件、师资队伍、专业等11个方面的采集数据，平台的数据采集点与《规范》的要求尚有一定的差距[6]。当前高校数据采集来源是学校业务系统，通常是教务、学工、科研、财务、人事、教学、一卡通等校内关键业务系统，对物联网、日志、音视频等非关键系统的数据采集较少[7]。可见，从教育行政部门到高校，存在数据采集范围广度不够，源头数据不足，在数据治理后期，将给下游单位繁重的人工补录数据工作。

2.2 数据孤岛仍然存在

高校各部门自行管理业务系统，缺乏完善的数据管理组织架构[8]，导致系统“烟囱”林立，数据对接难度大，业务不愿意配合数据对接工作。随着云计算技术的发展，系统上云逐步成为趋势，高校一部分系统逐渐saas化，该类系统由互联网对接到高校内部，容易受网络攻击和安全设备拦截，另外，云端平台的注重功能迭代升级，忽视接口改进，导致接口经常失效。可见，从高校内部、外部的系统应用中，仍然存在数据孤岛情况，主要原因是系统共享意愿不高[9]， 数据资源的联通难以实现[10]。高校的发展离不开数据驱动的院校管理服务和治理决策[11]，数据孤岛是数据治理中需要解决问题。

2.3 数据治理思路不清

当前，高校信息化进入智慧校园时期，教育数字化转型成为提高人才培养的重要手段，数据成为学校现代治理的关键要素。高校片面认为数字化转型就是建系统，数据治理就是纸质表格变成在线共享文档，数据治理思路不清晰。高校数据治理把数据视作治理对象和工具，从而实现高职院校治理能力的提升治理[12]，从数据治理、业务系统改造、技术引入和人才培养方面入手解决数据治理实践问题[13]，构建数据“管、通、用”的数据中台[14]，助力高校数字化教育转型和教育治理模式的现代化变革[15]。

2.4 数据开放共享不畅

高校数据治理由数据管理部门实施，管理部门不清楚数据使用部门需要什么数据，数据使用部门不清楚到如何申请使用数据，数据开放共享不畅通。高校建设全域数据中台，统一数据标准，统一接口实现数据互联互通[16]，发布数据共享目录，设计数据使用流程，建立公共数据平台交换机制，明确数据管理部门和使用部门职责，确保数据在学校各个部门使用[17]， 开发数据视图、webapi、webservice、导出等多种共享方式，实现数据管理部门与数据使用部门数据需求、产生、使用、管理之间闭环。

2.5 数据开发应用率低

高校将在较长一段时间内处于智慧发展的初级阶段[18]，高校仍需侧重于基础设施、业务系统、数据标准的建设，对数据开发尚未有足够的思考，数据应用效率较低。数据治理的最终落实到数据应用中，数据驱动智慧校园创新与应用深度融合，全面支撑起学校人才培养、科学研究、管理服务、文化创新等核心业务[19]，郝志杰[20]通过数据治理中构建“一张表”应用，在学校岗位考核、职称评审工作中切实的减少了数据填报的工作量，提升教师信息化获得感。

3 数据治理框架与实践

贯彻治理和应用两大数据治理目标，以标准和技术两大体系为支撑，以数据“采集、对接、治理、共享、应用”的视角构建数据标准体系框架，如图2所示。

3.1 感知系统

感知系统是数据生产源头，一是结构化数据，包括教务、学工、人事、科研、财务等业务系统的业务数据。二是非结构数据，包括物联网感知采集的数据、硬件或应用系统的日志数据、生物识别设备的智能行为感知数据、空间定位数据、交互信息数据等。高校通过完善业务系统建设，丰富数据源头，打造多维数据生产中心。一方面，提升高校信息素养，树立“万物皆数”的意识，通过人工智能、物联网、大数据建设感知型智慧校园，识别并结构化人、物、行为、环境、情感等场景数据。另一个方面，重视业务系统建设与应用，加强系统的从能用向好用的个性化升级，激励管理部使用系统开展业务工作，从业务系统中挖掘更多数据。最后，挖掘日志数据价值，日志数据和空间感知数据，结合时间因素，能够在师生行为预警提供参考。多方打造高校全量感知系统，丰富高校业务域数据，为数据中台提供数据源。

3.2 数据中台

2015年，阿里巴巴提出“数据中台”概念，实现高速处理结构化和非结化数据，快捷响应应用需求。为解决高校大数据分析应用，教育数据中台应运而生，实践中有两种方式，一是升级，在现有主数据基础上加入规范化治理功能，并扩展数据库性能。二是重建数据中心。无论哪种方式，都应该围绕数据的规范化治理和共享两个目标而开展。

3.2.1 大数据仓库

大数据仓库是高校数据存储中心，向下对接来自感知系统进入数据仓库的源数据，对进入仓库数据进行规范化治理，向上提供数据与第三方对接共享，管理数据的入口和出口，起承上启下作用。在智慧校园总体框架（GBT36342-2018）对数据治理的要求：根据数据标准体系，应用技术、工具和方法，实现数据从无序到有序，从零散到关联的过程。本文以升级数据中台方式，提出数据分层治理的理念，引入数据标准中枢全程检验数据的方法，开展高校数据治理。相比Hadoop、HDFS、Hive等重建数据中台方式，以较少的成本和资源开销，获得高性价比的数据治理成效和高性能的数据响应性能。其做法是，在现有主数据平台的基础上，重新设计数据库实例或重构数据表，把数据划分为全量层、拉练层、主题层，实现发现数据、加工数据、应用数据的功能。数据标准中枢对分别全量层、拉练层、主题层进行基础编码、数据合规、数据安全的校验，输出校验预警状态和标记数据迭代版本。

3.2.2 数据全量层

全量层面向感知系统对接而来的数据，对接原则是应接尽接，全量层只关注“有”数据的问题。简之而言，只要感知系统有的数据，全部接入到全量层，本层主要治理的工作是从业务系统中挖掘数据。虽然全量层存储业务原始数据，但数据标准中枢仍然作用于全量层，校验教工号、学号、专业代码、课程代码等基础数据编码规则，编码是数据仓库数据关联依据，为拉练层数据治理提供依赖，体现数据价值。

3.2.3 数据拉练层

数据拉练层负责数据有序加工处理，本层主要治理的工作是梳理人、财、物、专业、课程、项目等对象全部属性，设计对象数据宽表，以任务定时更新，把全量层属性数据拉取更新到对象宽表。一是挖掘对象属性，综合调研各业务系统的数据，发现对象属性，如学生的属性数据，包括在教务系统中学籍信息，学工系统中是状态标签数据，在一卡通系统中是身份扩展身份数据等，宽表综合以上所有属性，完整描述该对象，对象属性越多，主题层越快速构建应用主题。二是宽表数据索引，宽表不断增加数据列不断扩展对象属性，数据应用主要是数据查询操作，数据索引提提高数据实时响应效率。三是宽表数据拉取，以定时任务的方式，从全量层中定时拉取数据到宽表中，一张宽表对应多张全量层数据表，通过ODI（Oracle Data Integrator）、ETL（Extract Transform Load）、DTS（Data Transmission Service）等方式调度。此外，全量层不能够满足对象宽表所有属性的采集时，需要对数据进行人工补录，需要设计相应的数据补录采集工作。数据标准中区作用于数据拉练层，主要是校验数据合规性，如发现电话号码、身份证的异常，数据状态超范围，数据冲突等，向用户提示告警，提供数据订正的功能，并对数据修订进行版本控制，做到数据异动溯源。

3.2.4 数据主题层

数据主题层面向数据应用，以业务划分主题，进行分门别类管理。高校数据应用主要有数据交换、诊断改进、状态数据、高基报表、大数据分析等主题，每个主题包含若干数据表。主题层数据表从对象宽表中选择属性数据，以数据够用、面向应用为原则，建立应用简表。数据标准中区在主题层中负责检验数据安全性，包括数据权限控制、数据脱敏处理、数据开放申请等。对身份证、电话、重点人员状态等数据进行敏感编码，提供数据开放申请流程，保证数据安全可控。

3.2.5 数据标准中枢

数据标准中枢是以数据标准体系设计成为软件功能，融入数据中台，负责数据校验。中枢以数据标准体系为参照，并用软件实现其规则，分别作用于全量层、拉练层和主题层的数据检测。在应用中，通过动态设置检测策略的方式，以保证中枢随时响应数据标准体系调整。另外，中枢应及时推送数据异常提醒给用户，记录数据修订版本，提供数据异动溯源。

3.3 应用中台

应用中台以数据主题层为数据源，构建数据开放目录、数据共享、API接口和数据可视化等应用功能。数据开放目录向高校内各部门开放数据资产，以应用场景开放数据共享方式，包括数据视图、API接口、webservice等。数据视图应用于批量数据共享场景，需公开数据库IP、端口、用户和密码等信息，存在一定的安全隐患。API接口应用在数据量较小、实时性较高的场景，使用token签名认证方式，保证数据交换安全，该方式需对方在代码上实现接口，有额外的对接开销成本。webservice为早期数据共享方式，与API接口相似，更多应用在端到端的场景。数据可视化以BI展示工具，快速实现数据应用分析，提高数据治理效果。

3.4 业务应用场景

业务应用场景体现数据应用价值，由应用中台构建共享数据流，实现业务逻辑。以数据流为应用关键，提高智慧校园顶层设计能力，以数据应用为抓手，构建领导决策、师生一张表、一网通办、数据智能上报、教学教研、个性化学习等智慧校园生态链。以学生请假服务流程为例，下行数据流是从人事、教务的源头读取学校组织架构用作审批节点，上行数据流是把流程审批完成的结果数据同步分发给学工系统、个性化应用等，共享数据流实现了源头数据统一维护，无需每个系统都维护，流程数据可一次审批多次分发给第三方系统。以数据流建构智慧校园应用，一方面打造学校特色的应用，延长应用生命周期；另一方面满足个性化需求，增强师生获得感，深化系统推广和应用，在感知系统中产生更多数据，从而实现业务系统闭环。

3.5 标准体系

数据标准是治理的依据，高校发展的各项指标纳入数据标准体系，指导和促进高校数据治理，形成数据治理的工作标准和参考手册。指标包含合国家标准、行业标准，学校自定标准，也要兼顾数据安全和通用基础标准。2021年9月1日《中华人民共和国数据安全法》实施后，数据安全要求提高到国家安全高度，安全指标纳入标准体系，保障智慧校园安全与健康发展。另外，从标准体系中抽取出管理监控指标，设计成为数据标准中枢，监控大数据仓库的数据迭代和异常情况。

3.6 技术体系

技术是数据治理的支撑基座，提供数据治理的环境、方案和工具。在在智慧校园建设中，算法、算力、数据成为高校现代化理治的关键资源。一是高校洞察前沿技术，结合业务发展，打造更具价值的智能场景。二是高校建设充足的计算资源，满足教学、科研、管理等业务的计算资源需求。云架构解决资源按需分配，云架构的弹性伸缩快速响应数据计算和存储需求，实现应用连续性，解决数据的合规性要求。三是数据治理解决方案，是数据治理的成败关键，综合校内信息化环境、数据治理主体的信息化素养、校内外技术团队能力、科技企业数据治理方法论等因素，制订符合高校自身的数据治理方案，形成治理合力，支撑和推进数据治理。

结束语

当前高校正进入教育数字化转型的关键期，本文研究设计数据治理框架，给高校开展数据治理提供思路和方法，以数据驱动教学、科研、管理和服务等工作，加快教育数字化转型进程，促进高校教育教学高质量发展。

参考文献：

[1]新华社.中共中央、国务院印发《深化新时代教育评价改革总体方案》[EB/OL].[2020-11-08].http：//www.gov.cn/zhengce/2020-10/13/content_5551032.htm.

[2]中央网络安全和信息化委员会.中央网络安全和信息化委员会印发《提升全民数字素养与技能行动纲要》[EB/OL].[2021-11-05].http：//www.cac.gov.cn/2021-11/05/c_1637708867754305.htm.

[3] 教育部.《教育部2022年工作要点》[EB/OL].[2022-02-08].http：//www.moe.gov.cn/jyb_sjzl/moe_164/202202/t20220208_597666.html.

[4]黄贤明，梁爱南，张汉君，冯兆.教育信息化2.0背景下基于数据中台的高校数据治理方案研究[J].现代信息科技，2022，6（18）：24-27.

[5]毛文卉，吴驰，刘雅琴，李凯，秦楠，严帆.数据治理背景下高校数据共享框架的研究与实践[J].实验室研究与探索，2022，41（08）：297-303.

[6]韩红光.基于数据中台模式的校园信息预测模型分析[J].电子技术，2022，51（08）：67-69.

[7]张辉，李健明，杨强.大数据视角下高校数据治理体系研究与实践[J].中国高等教育，2022（Z2）：16-18.

[8]姜建峰.基于数据价值开发的校园大数据生态治理研究[J].江苏经贸职业技术学院学报，2022（04）：26-28.

[9]吴志康.高校数据治理现状分析及思考[J].网络安全技术与应用，2022（05）：104-105.

[10]张芳.高校智慧校园的建设实践及创新应用——以中央财经大学为例[J].现代教育技术，2022，32（04）：113-125.

[11]李运福，徐菲，李贝.高等教育质量监测国家数据平台现状分析与改进建议[J].中国远程教育，2022（04）：65-75.

[12]王珂，王小军，郝喆，王运，杜娟，蔡会霞.基于数据治理的智慧校园建设路径[J].信息技术与信息化，2021（09）：127-130.

[13]张秦，孙长坪.数据治理：高职院校治理方式的创新[J].中国职业技术教育，2021（27）：32-37.

[14]翟雪松，楚肖燕，张紫徽，陈文智.基于中台架构的教育信息化数字治理研究[J].电化教育研究，2021，42（06）：40-46.

[15]刘革平，罗杨洋，韩锡斌.职业院校数字校园中的数据治理探究——《职业院校数字校园规范》解读之五[J].中国职业技术教育，2021（04）：32-38.

[16]韩锡斌，崔依冉，罗杨洋.职业院校数字校园的内涵、框架及要求——《职业院校数字校园规范》解读之一[J].中国职业技术教育，2020（34）：5-9.

[17]宋苏轩，杨现民，宋子强.智能时代高校数据中心的新内涵及其体系架构[J].现代教育技术，2020，30（07）：81-88.

[18]余鹏，李艳.智慧校园视域下高等教育数据生态治理体系研究[J].中国电化教育，2020（05）：88-100.

[19]许宇飞，罗尧成.高职院校教师队伍类型结构分析及优化建议——基于X省高职院校人才培养状态数据的分析[J].职业技术教育，2020，41（08）：68-71.

[20]郝志杰，李莉，荣娟.数据治理在解决“一张表”问题中的实践[J].实验室研究与探索，2019，38（12）：261-265+307.

作者简介：韦永军，高级工程师，硕士，主要研究方向：计算机应用、信息安全

课题基金：广西高校中青年教师科研基础能力提升项目“数据治理角度下的高校信信息数据标准体系构建研究”（2020KY44016）