大學生個性化職業指導大數據挖掘模型

李雪芳　陳希文

摘 要：身處大數據時代，新的數據研究方法將會給個性化職業指導工作帶來新的機遇，這其中針對海量數據采用有效的挖掘方式是十分必要的，基于MapReduce平臺的數據挖掘模型能夠滿足相關的要求。本文簡要闡述了基于MapReduce平臺的大學生個性化職業指導大數據挖掘的模型。

關鍵詞：大數據；職業指導；大學生；數據挖掘；MapReduce

中圖分類號：G647文獻標志碼：A文章編號：2095-9214（2016）04-0231-02

在社會科學領域，問卷調查是目前獲得研究數據最主要的來源，包括抽樣調查和小范圍的全局調查。在職業指導過程中也存在著問卷調查這一形式，針對在校大學生的職業指導中，以問卷調查為信息采集的主要方式。問卷調查是獲得信息的常用手段，職業指導師要求熟練掌握問卷調查的基本原理，不僅能夠組織實施問卷調查，而且能夠對調查活動進行評估。但所有的問卷調查都是在事先設定好問題的基礎上展開的，這也就意味著我們只能從這些問題的結果中獲取數據，且調查都需要選擇特定時間進行。因此，想要通過問卷調查的形式，獲得客觀的數據其實并不容易。

伴隨著云計算、物聯網等技術的興起與成熟，大數據的時代已經悄然來到我們的身邊。大數據這個名詞不算新鮮，早在2008年9月《Nature》雜志就刊登了大數據的專刊，從互聯網技術、超級計算機、天文學、生物醫學等方面來專門探討對大數據的研究。大數據擁有數據量大、數據類型多、價值密度低及實效性高等特點。

在大數據的背景下有必要對現有的數據來源與分析重新進行審視。當記錄下來的是學生的平時狀態，我們也就不用擔心調查研究存在偏見了。能夠將原本無法量化的，如態度、情緒、意識等主觀層面上的信息進行數據化，將會在大數據時代成為現實。將來通過大數據技術預測學生的職業行為趨勢，對其提供更有針對性的職業指導服務。

一、重新定義有價值的數據

云計算和物聯網的日趨成熟，使得學生在日常學習生活中產生的數據，如同一座金礦一樣擺在我們的面前。過去，我們由于技術的限制，一般只關注那些我們認為與問題直接相關的數據，就如同相機的焦點一樣，只能對準某一個平面，而選擇哪一個“平面”也需要我們做出決定。光場相機的出現讓先成像后對焦成為現實，大數據如同數據界的光場相機，在選擇需要的“平面”之前，我們能夠查看同一時間內其他的“平面”是否有價值，再做出決定。今天的我們無法想象，在不久的將來學生在一天當中點亮手機屏幕的次數會與他的家庭經濟情況相關聯。數據本身并不存在價值，如何收集、處理、分析以及合理的使用數據才是關鍵點。

收集數據是大數據應用的第一個步驟，也是極為重要的環節，人們也在不斷努力地將人類的各種行為數據化。在社科領域，大數據的主要來源于三個方面：物聯網、互聯網和移動互聯網，目前網絡（互聯網、移動互聯網）上產生的數據量要遠超過物聯網，而物聯網產生的數據卻能夠成為連接現實和虛擬的一座橋梁。

在高校中，學生的基礎信息已經全面數據化，教務系統擁有學習成績學分數據、學工系統擁有學生獎助貸數據、后勤系統擁有住宿數據，這些數據冰冷的儲存在計算機當中，看起來和學生的現實生活相距甚遠。但是當物聯網的數據加入進來的時候，一切變得不一樣了，如采用無紙化教學、考試后，教師就能通過學生在某一章節學習所花費的時間、考試時解答某一題正確率及所花費時間等數據有針對性的幫助學生解決學習上問題，并綜合的評價這門課的學習成績。再如，學生某段時間內的消費習慣、進出圖書館、自習室、實驗室的時長和頻率、在網絡上熱議和關注的話題等等此外，互聯網上的微博、微信、QQ空間、QQ群、人人網、飛信以及校內外各類BBS和搜索引擎也蘊含著學生大量的思想狀況、情緒波動、交友擇業等動態信息。如果能夠有效的分析使用這些數據，對于學生個性的把握將會更加到位，也能夠為大學生個性化職業指導提供更加科學、客觀的依據。

弱化問卷調查在職業指導中的作用，將成為大數據時代職業指導一個新趨勢。利用大數據能夠全面準確的反應一個人的個性特征的特性，讓開展個性化的職業指導服務成為常態工作。那么，數據的獲取就顯得尤為關鍵，是將所有能夠收集的到數據進行存貯，還是有篩選的進行存貯，是擺在我們面前的一個問題，數據不是信息，而是有待理解的原材料。

二、基于MapReduce的數據獲取模型建立

數據獲取也稱數據挖掘，這一過程分為若干個步驟，一般是問題定義、數據準備、模型構造、數據挖掘、評估優化、知識應用等過程。這其中，該領域的專家學者為問題定義、數據準備、評估優化、知識應用等過程進行指導；而數據的管理、挖掘、分析人員主要是負責數據準備、模型構造、數據挖掘、評估優化等過程。這些過程中有相關人員獨立完成，也有不同專業背景的人員協作共同完成。大數據的挖掘工作也離不開這幾個主要步驟，但大數據的數據量超過以往許多，以往的數據存貯挖掘方式變得性價比極低，于是，Google公司于2004年推出了MapReduce編程模型，該模型最初是用于互聯網大規模數據的處理，現成為大數據集處理的編程模型，還衍伸出Hadoop等編程模型。

MapReduce將數據處理任務抽象為一系列的Map（映射）-Reduce（化簡）操作對。Map主要完成數據的過濾操作，Reduce主要完成數據的聚集操作。MapReduce對硬件要求比較低，無需專業的服務器作為支撐，甚至可以分散式的運行在家用計算機上。至此，MapReduce成功解決了大數據挖掘所帶來的兩個核心問題，即數據量過大對硬件性能要求高，以及資金的問題。

如上圖所示，數據挖掘的過程先將輸入的學生各種信息數據劃分為若干份，主控程序負責分配Map、Reduce任務，被分配到Map任務的工作機讀取數據分片，并從數據中抽取出相應的關鍵詞或數據；而被分配到Reduce任務的工作機則從上述數據中，按照事先設定好的排列方式將數據進行分類排列。這種模型簡化了數據挖掘的過程，直接按照事先制定好的條件從海量數據中提取數據。

作為職業指導師，不僅能夠合理利用輸出數據對被指導學生進行職業指導，還要能夠作為該領域的專業人員參與制定主控程序，從而從整體上把握數據挖掘分析的全過程。為職業指導服務的大數據挖掘，并不是簡單地呈現已經發生的事情，而是將隱藏在海量學生個人信息數據有價值的挖掘出來，反過來服務于職業指導工作。身為職業指導人員，應該在過往經驗的基礎上先行設計主控程序的總體方案，并在實際應用過程中不斷調整，進一步拓展完善數據挖掘的途徑。通過分析相關數據，可以為企事業單位到校招聘，推薦合適的學生參加；另一方面，也能夠幫助職業指導人員對被指導學生進行個性化指導，增強指導的針對性和時效性。其中個性化指導遵循以人為本的原則，針對學生的實際情況、多樣化的個性特點，引導其了解自己的職業興趣、職業發展方向，幫助其制定符合自身特點與期待的職業生涯規劃，并提供就業咨詢、政策咨詢、技術咨詢等多方面的服務。

三、結束語

“不得不承認，對于學生，我們知道的還太少”——這是卡耐基·梅隆大學教育學院的一句經典口號，類似的思考在國內的教育領域同樣存在。開展職業指導工作，首要前提就是能夠充分了解被指導對象，從以往的粗放型服務向個性化服務轉變。大數據摒棄問卷調查，轉而采取收集研究個體平常所產生的數據，讓全面追蹤個體數據成為了可能，也讓社會科學領域的研究從宏觀層面走向了微觀個體。未來，大數據將為大學生個性化職業指導提供了更加客觀、科學、準確的數據支撐。也許，延續千年地因材施教的理想，已經離我們越來越近。

參考文獻：

[1]維克托·邁爾-舍恩伯格，肯尼思·庫克耶，周濤（譯）.大數據時代：生活、工作與思維的大變革[M].浙江：浙江人民出版社，2012.

[2]易鑫.教育如何玩轉大數據[N].北京：中國教育報刊社，2014[2014-3-26].http：//www.edu.cn/zong_he_news_465/20140326/t20140326_1090486.shtml.

[3]張家明.大數據背景下的大學生個性化就業指導[J].教育與職業，2014，24：98-100.

[4]朱堅堅.大數據時代背景下的ITS數據挖掘模型研究[J].江蘇第二師范學院學報，2014，8：9-12.