学生资助工作是一项复杂、系统、长期的工作，在精准化过程中存在诸多挑战，具体如下：

1.信息来源单一，准确度不足。资助信息主要来源于学生提交的申报材料，可能存在有的困难学生由于心理因素不提交申报，以及还有学生在求学期间家庭突发重大事故没有及时申报的情况。这样一来，收集的信息可能存在缺失或与客观事实存在失真，对资助对象的识别提出了更高的要求^[2]。

2.名额分配精准度不高。传统的按比例分配名额的方式简单易于执行，但由于每年的生源情况不同，每个学生的家庭状况千差万别，会出现学生家庭经济困难程度与获得的资助等级不匹配的情况，因此对资助对象的精准分级提出了更高要求。

3.评定主观占比高。常见的评定方式包括：民主评议、信函索证、个别访谈、家访等^[3]。在评定过程中，存在评委对学生不熟悉，只能通过材料或侧面了解情况，或因各班级、学院间评委对量化评估的理解和处理标准存在差异，导致评定结果不准确。

4.评定的及时性要求高。资助工作要求每学年认定一次，且集中于9月^[3]，时间紧、审核和评定数据量大，对资助资金发放的及时性提出了挑战。

5.资金发放需透明易监管。资助工作涉及资金量大，学生关注度高，确保资助资金精准发到需要的学生手中，且易于审核对账，这便对资金发放的透明化监管提出了更高的要求^[4]。

6.缺少对资助学生信息持续跟踪和反馈。精准资助是一项长期工作，每年有大量数据沉淀，如果能将其有效利用，会对了解研究困难学生构成、优化资助资金分配方式等提高资助效果的措施提供极大帮助。

针对上述问题，本文提出了一种基于综合评价的大数据精准资助平台，并给出业务支撑应用实例。

积极推进大数据信息技术与学生资助工作的深度融合，推动应用与创新，对提升教育治理体系和治理能力现代化水平具有重大意义^[5]。

建设校级精准资助大数据平台，通过采集整合不同业务部门的学生全量数据、构建综合评价指标体系、建立精准资助分析模型，以及分析结果可视化展示，可为助学工作的开展提供有效依据。平台具有以下特点：

1.学生数据的全量化。通过关联采集多个学校部门的数据来源，一方面能了解学生的真实消费水平，另一方面便于从全校层面进行资助等级评定和统筹名额分配。解决传统申请学生数据来源单一和按经验分配名额的问题，为高校实施精准资助提供参考方案。

2.学生资助的混合化。探索包括学生经济情况、学业情况、生活情况、网络动态等多维度的综合评价指标体系，能在海量学生数据中发现虽然没有申请学校经济补助但确实需要关爱的学生，并通过电子补助等隐性方式发放^[6]，维护学生的自尊。

3.效果评估的可视化。通过可视化图表，一方面可以直观地看到学生资助的效果，了解学生在获得资助后的生活、学习改善等实质性帮助情况，便于建立档案长期跟踪^[7]；另一方面可以展示资金落实情况，加强对资助资金的常态化监督，确保资助资金合理合规使用。

精准资助平台基于动态可扩展的物理基础设施资源，使用Hadoop技术实现海量数据分布式存储和高效计算服务。

精准资助平台根据分层设计的思路，依次分为大数据平台基础层、数据采集与转换层、数据指标体系层、数据应用层，平台架构如图1所示。

1.大数据平台基础层

建立面向全过程的数据质量和数据安全管控体系，保证数据信息的准确、规范、完整、一致，对数据传输、存储、访问控制、人员等方面进行有效安全管控。

建设大数据计算与存储集群，采用“Hadoop+Spark”的混搭架构，处理大批量离线数据和实时流数据，并存储入MySQL、HBase中。

2.数据采集层

采集来自学校内不同系统的学生信息与动态。精准资助需要用到的学生绿色通道、贷款信息、学习成绩、就业、一卡通消费等数据，主要来自教务、学工、助学、就业、一卡通、网络计费、门禁等7个系统。

根据统一数据标准对采集数据进行去重、完整性校验及清洗等ETL（Extract-Transform-Load，抽取—转换—加载）处理，生成ODS（Operational Data Store，操作数据存储）数据体。

3.综合指标体系层

对来自各系统的各类结构化、非结构化、半结构化、实时流数据进行一致性校验，构建面向多数据维度的综合评价指标体系，分层次地实现了从操作数据ODS到数据仓库DW（Data Warehouse）再到数据集市DM（Data Market）的数据汇聚，用于多角度支持分析决策，为后续的数据可视化展示、数据挖掘提供基础。

4.数据应用层

包括应用框架、各类服务工具，以及满足精准资助需要的统计报表和数据可视化页面，通过模型库及自定义算法来实现数据挖掘、多维分析、预测决策相关业务需求。

根据上文描述精准资助存在的问题，从精准资助学生的业务逻辑出发，设计困难学生个体画像（困难学生识别、困难学生定级）、困难群体分析（从学院角度分析、从年度角度分析、从困难程度角度分析等）、建议关爱学生挖掘、资助效果评估等精准资助场景，如图2所示。

从不同系统收集的收入情况、消费情况、学业情况、生活信息等多方位综合数据进行分析，得出困难学生画像，并确定困难指数，给出资助定级建议；根据消费习惯等数据分析可以发现虽然未申请贫困生，但可能需要学校关爱的学生名单建议；根据资助前后的学习成绩、消费结构、行为变化等数据跟踪，进行学生个体资助效果评估等。

通过精准资助场景分析发现，涉及业务数据多且指标存在复用。因此，需要构建基于综合评价的指标体系，指标体系应具备系统性、一致性、层次性，使用该指标体系分析场景，每一个场景都可以实现一次完整的数据分析。

数据采集自多个业务系统，能从个人申请、学习、生活、上网较为全面地反映出学生生活学习中主要经济影响因素，具备全量数据基础。

通过进一步对来自各系统的数据进行一致性校验，可确保数据的逻辑关系正确。

把相关的指标归为一类，构成指标群，在指标群的基础上进一步汇聚形成指标层，便于清晰地反映精准资助的场景目标。

在层次性设计中，综合评价指标体系从数据类型、分析维度、业务汇聚三个层次方面，构建数据立方体。

将来自不同系统学生活动数据，按照数据类型程度汇总为：

资助情况、消费结构、学业情况、生活情况、上网情况等，对应大数据平台的DWD（Data Warehouse Detail，数据仓库细节）层；

在学年度、困难等级、学院/专业、生源地、资金发放等多个维度上，进行分析汇总，形成的分析维表，对应大数据平台的DWS（Data Warehouse Service，数据仓库服务）层，具备查询展示基础；

结合场景需求，汇聚成场景分析结果，对应大数据平台的DM层。

最终形成数据一点钻取，多层次展示的精准资助评价指标体系，如图3所示。

基于综合评价的大数据精准资助平台已在北京师范大学助学中心得到应用，可以满足快速从海量学生数据中检索困难学生信息及其日常动态相关画像；展示在校困难学生群体情况及相关资助落实情况；并能发现潜在需要资助的学生，提示相关单位进行处理。

相较传统资助流程，基于综合评价的精准资助平台为助学中心提供了更为快速、便捷的检索和直观的分析展示，实现了困难学生个体画像视图、困难群体分析、建议关爱学生等多项功能，并为资金发放提供了有效监管。

展示了学生的资助、消费、学业、生活情况及变化，通过信息整合，实现个人多维度对比，如图4所示。有助于助学管理部门或辅导员快速全面地认识学生，提高资助管理工作的精细化程度。

分析包括时间、困难等级、培养层次学院等不同维度的困难学生结构、能够快速实现对某个整体特征信息的概览，如图5所示。

通过对学生就餐、日常消费等数据的实时监测及处理，发现一定周期内存在消费异常的隐性困难学生，进一步通过计算该学生的经济困难指数来辅助学校进行认定并发放补助，如图6所示。

从校级层面来看，可以按月展示资助资金发放的平均使用情况，如图7所示；从个体层面来看，可以查询每个学生的奖学金、助学金、勤工工资、临时补助、贷款发放的明细信息。

根据精准资助不同应用场景对基础数据、分析指标及可视化方面的需求，本文设计了基于综合评价的精准资助大数据平台，解决了传统资助模式中的信息来源单一、贫困生定级主观占比高、处理周期长、不能跟踪反馈等问题，为助学部门提供了个性化、可视化的应用服务。

实践应用表明，精准资助大数据平台能够高效、可靠地监测、分析、反馈学生动态；平台提供多角度的综合数据分析计算指标体系，提高了贫困生定级准确性；通过数据关联分析、数据挖掘及预测预警，能够更加人性化地关爱需要帮助的学生。随着数据评价体系的不断完善，精准资助系统支撑的应用场景将更加丰富。

*文章来源：中国教育网络

*侵权必删