高等院校教育數據采集項目管理成熟度研究

曲亮生 李宇輝 宋瑤瑤

(海軍航空大學，山東 煙臺 264000)

0 引言

數據是組織運行中的關鍵生產要素。當前，數據價值得到廣泛認可，人們對數據采集、數據分析及數據運用的重視程度也在不斷提高[1]。

利用信息技術對高等院校教育數據進行匯總，通過周期采集、集中上報等方式全面、系統地采集教學過程數據，并通過可視化功能實現教學狀態預測評估，為提高高等院校教學質量提供有力支撐[2]。數據采集是進行高等院校教學質量評估的重要環節。通過數據采集能夠直觀呈現教學狀態，及時反饋和解決問題，加快高等院校人才培養體系建設。基于此，本文對高等院校教育數據采集項目內涵進行分析，構建數據采集項目管理成熟度模型，旨在為其他數據采集項目管理提供參考。

1 成熟度模型概述

成熟度是一種動態發展理念，描述了對象的縱向演進狀況，給出了描述對象狀態的階段性定義[3]。成熟度模型在對描述對象進行狀態評估的同時，通過劃分成熟度層級將事物的發展過程概念化，使得各層級之間縱向演進，進而不斷完善。軟件能力成熟度模型(Capability Maturity Model，CMM)是用來評價軟件活動實踐過程完善程度及能力水平，確立評價軟件開發及標準化管理的方法[4]。

CMM將軟件開發過程分為5個層級，從低到高進行排列，以反映軟件開發過程中的階段特征，描述軟件開發路線[5]。通過規范軟件開發過程，使軟件組織管理更加程序化。在CMM模型的基礎上，各行業組織根據自身特點構建了各自的成熟度模型。在項目管理領域，比較典型的成熟度模型有OPM3、K-PMMM、PM2等。通過上述成熟度模型對項目管理水平進行評估，能夠優化項目管理體系，促進組織管理能力持續改進。

2 數據采集項目管理成熟度內涵

數據采集項目管理成熟度是指數據采集項目管理能力從初始級到優化級的發展過程。數據采集項目體系構建的完善程度反映了其成熟度。具體而言，如果數據采集平臺能夠高效運行，采集到的數據能夠反映主體需求，且建立了完善的管理機制，那么就能夠促進教學活動的持續改進，提高教學水平。

教學狀態“數據化”是現代教育思想在信息化背景下的轉變，是將傳統人工采集分散數據與電子化集中統計數據相結合，有效利用數據的客觀性、關聯性等特點，對教學狀態進行監測評估[6]。高等院校教學狀態評估應以數據為驅動，對教學水平和質量進行客觀性評估，為多元主體提供有效決策依據和全面價值判斷的直觀數據[7-8]。教育數據采集項目是建設“智慧校園”的重要環節。從長遠來看，數據采集是一項重復性工程，因此需要不斷總結經驗，提高數據采集項目管理成熟度，助力高等院校教學水平的提升。

高等院校教育數據采集主要依托數據采集平臺，面向教學過程，通過真實、可靠、全面的數據做出客觀評價，對教學狀態進行評估。在數據采集項目中，有效識別項目相關方至關重要。數據采集主體應從以往的單一主體轉向多元主體，將教師和學生作為主要利益相關方[9]。因此，在高等院校教育數據采集項目不同階段，控制關鍵過程影響因素，引導利益相關方積極參與，對項目管理成熟度評價具有重要作用。

3 高等院校教育數據采集項目成熟度模型構建

基于高等院校教育數據采集平臺，分析數據采集項目管理成熟度，能夠完善數據采集評估流程，對于促進教學質量具有重要作用。本文所構建的高等院校教育數據采集項目成熟度模型主要包括成熟度層級設計、指標體系設計與完善，并通過德爾菲法收集專家意見進行完善。

3.1 成熟度層級設計

首先，需要明確數據采集的階段性特征，基于持續改進理論制定標準，描述高等院校數據采集項目管理能力逐漸完善的發展過程；其次，將高等院校教育數據采集項目管理成熟度評估劃分為5個層級，從低到高分別為初始級、成長級、穩定級、管理級和優化級，具體見表1。

表1 高等院校教育數據采集項目管理成熟度模型層級

(續)

為保證層級劃分科學合理，該成熟度模型應符合以下特征：

(1)客觀性。該模型應符合高校教學管理實際，遵循教學管理客觀規律，從傳統主觀經驗判斷向客觀數據決策轉變。

(2)整體性。重視整體評估結果，通過分析該模型各要素之間的關聯關系，促進數據管理和分析能力的統一提升和協調發展。

(3)可操作性。該模型應貼合教學實際，各項評估指標具有可操作性[10]。

3.2 指標體系設計與完善

通過對數據采集項目管理能力成熟度內涵進行分析，確定高等院校教育數據采集項目管理成熟度模型關鍵過程域，分別為項目籌劃、組織準備、采集與處理、分析與挖掘、總結報告。通過文獻研究和專家訪談，結合教學工作實際，劃分15個一級指標和40個二級指標。

為了使評價指標更加客觀全面，采用德爾菲法對評價指標進行完善[11]。邀請10名專家進行兩輪德爾菲法問卷調查。其中，管理領域專家4名，高校專業數據管理人員6名，均具有數據管理經驗，且參與過數據采集工作。調查問卷采用Likert量表評分方法，每個指標的評分均為5分，5為最優，1為最差。第一輪問卷調查結束后，統計專家意見并總結反饋，完善部分評價指標，隨后進行第二輪問卷調查，再次對評價指標進行修改和完善。兩次問卷回收率均為100%。具體步驟如下。

3.2.1 第一輪問卷統計結果與分析

首先，計算專家的權威系數Cr=(Cs+Ca)/2，其中，Cs為專家熟悉度系數；Ca為專家判斷系數。根據專家個人情況調查表以及回收問卷情況統計，計算得到專家熟悉度系數平均值為0.8、專家判斷系數為0.95、專家權威系數為0.875，均大于0.7，說明專家權威性較高，符合問卷調查要求。

其次，對第一輪回收問卷的各項指標打分并統計問卷結果。假設變異系數為CV，肯德爾和諧系數為W，這兩個指標表示專家意見的協調程度。CV值越小，說明專家打分協調程度越高。當CV<0.25時，說明符合專家協調程度要求。W值越大，說明專家意見一致性越高，W值在0.3～0.5時，認為專家意見基本一致。在第一輪問卷調查中，關鍵過程域的專家打分協調程度較好，各項指標均符合要求，但是一級指標和二級指標的肯德爾系數不符合要求。第一輪問卷結果統計見表2。

表2 第一輪問卷結果統計

3.2.2 第二輪問卷統計結果與分析

通過第一輪問卷調查專家意見可知，專家對一級指標中的結果反饋和總結改進兩個指標提出的建議較多，打分均值分別為3.4和3.5，說明這兩個指標不夠嚴謹，且后續改進工作在單次數據采集中體現不明顯，作為一級指標支撐不夠。同時，對于這兩個指標對應的二級指標打分也較低，并提出了修改意見。

在結合專家意見進行調整后，發放第二輪調查問卷，對回收數據進行分析。由于關鍵過程域在第一輪問卷調查時各項系數均達到要求，不作調整，第二輪調查問卷不再進行評價。第二輪問卷結果統計見表3。

表3 第二輪問卷結果統計

由表3可以看出，經過兩輪專家意見調整后，各指標得分均值有所提升，變異系數下降、肯德爾系數上升，說明專家意見協調性提高，指標可用于評價體系構建。

3.3 指標體系構建

通過對高等院校教育數據采集項目5個階段進行劃分，結合專家意見，歸納出15個一級指標和40個二級指標，并對部分指標表述和范圍進行了修改。在指標體系構建過程中，弱化了項目風險和成本分析這兩項內容，同時對具體實施階段預期標準進行了較為細致的劃分，更加符合高等院校教育數據采集工作實際。通過參考成熟度模型層級設計，依據項目全生命周期理論，構建高等院校教育數據采集項目管理成熟度指標體系，見表4。

表4 高等院校教育數據采集項目管理成熟度指標體系

(續)

4 結語

隨著信息技術的快速發展，數據作為關鍵生產要素持續發揮作用[12]。數據采集作為數據管理的前提條件，其重要性尤為突出。高等院校數據采集項目是基于數據采集平臺，以教學活動數據(課程學習、科學研究、教師授課以及學生管理等)為采集對象，對采集數據進行處理分析，為管理者決策提供數據支撐。

本文基于項目全生命周期理論，闡述成熟度模型內涵，構建高等院校教育數據采集項目管理成熟度模型，將高等院校教育數據采集項目管理能力劃分為5個層級，并分析了各層級下屬二級指標。該模型體現了高等院校教育數據采集工作改進能力[13]，能夠指導高等院校教育數據采集工作的開展，為提升教學質量提供數據支撐。同時，借助成熟度指標能夠提升高等院校項目管理能力，促進高等院校組織結構的內在改進，增強高等院校的綜合競爭實力。

本文對于成熟度模型的研究尚處于探索階段，加之專家意見主觀性較強，后續還需要進行實踐驗證和修改完善。