導語：智慧校園陪伴支撐系統設計研究一文來源于網友上傳，不代表本站觀點，若需要原創文章可咨詢客服老師，歡迎參考。

摘要：為解決陪伴開展過程中日益個性化和精準化的需求，文章設計并實現了基于數據中臺的陪伴支撐系統。在分析數據中臺技術架構的基礎上，設計了其與陪伴支撐系統的數據互動架構，并結合業務需求進一步細化了系統功能。系統充分利用了數據中臺對數據存儲、匯聚和分析等方面的能力，對學生相關數據進行分析，提升了數據的利用程度和業務支撐力度。同時，通過對學生綜合信息的展示、預警信息、陪伴體系和陪伴過程的管理，實現了對學生工作隊伍的數據賦能，有效支撐了個性化和精準化陪伴的順利開展。

關鍵詞：智慧校園；數據中臺；大數據分析；陪伴支撐

數據日益成為智慧校園建設的核心資產，隨著物聯網和人工智能技術的日趨成熟，智慧校園中出現了越來越多的用于感知環境和人的終端設備，不斷豐富著智慧校園中的數據類型和數量。同時，為進一步發揮數據價值，不少高校啟動了數據中臺建設。通過數據中臺，不同方式產生的大量數據可以匯聚在一起，經過清洗、融合和分析后，助力高校在管理、教學、服務等方面實現高質量發展。學生工作管理對于學生成長成才有著重要的影響和作用，而對學生的陪伴則是學生工作管理中的基礎工作內容。隨著“00”后新生步入大學以及招生人數的不斷增長，學生對陪伴的需求，也在逐步個性化和精準化。傳統的學生工作管理系統在面對此需求時，則顯得很吃力。主要因為，一是傳統系統大多是將線下的流程搬到線上來開展，比如評獎評優、資助管理等，而對于開展線下業務的支撐方面則關注較少。二是傳統系統雖然基于校內數據平臺開展建設，但是受限于數據平臺和系統本身對大數據存儲、匯聚和分析的能力不夠，導致對數據利用的程度不足，只能實現部分數據的互聯互通，如學籍信息的同步等。面對此需求，需要新的方式和手段，在充分利用數據的基礎上，支撐學生工作隊伍開展個性化和精準化的線下陪伴活動。目前，文獻[1]基于Hadoop生態，設計并實現了高校學生行為預警平臺，重點介紹了行為預警模型。文獻[2]基于大數據，設計了學生行為綜合分析與服務平臺，實現了對學生日常學習生活的動態監測。但是，以上兩個平臺并沒有涉及預測和分析后的陪伴過程以及反饋信息的管理，且數據分析和業務實現在同一平臺中，一定程度上影響了數據分析結果的共享和復用。目前，數據中臺在數據分析、共享和復用方面具有較好的能力，文獻[3-6]對數據中臺的相關內容做了介紹，并分別從數據模型、可視化、應用研究等方面進行了探討。本文基于以上的情況，設計并實現了基于數據中臺的陪伴支撐系統，在對數據進行清洗和轉換后，形成學生個人綜合信息展示，全面體現學生在校期間的表現。同時，在對數據進行分析的基礎上，圍繞學業困難、家庭經濟困難等類型，對學生進行預警，提醒學生工作隊伍進行線下陪伴，并提供線下陪伴反饋功能，一方面可記錄陪伴過程中發現的其他類型困難情況，如心理健康情況、身體健康情況等；另一方面也可對預警信息進行標注，對預警周期進行調整，有利于進一步改進預警方法。

1數據中臺

1.1數據中臺技術架構

數據中臺旨在數據治理和數據集成的基礎上，通過對各類數據的清洗轉換和分析，并按一定的數據邏輯模型進行存儲，形成隨時可用的主題數據。同時，通過數據服務接口或數據推送的方式，進行數據下發，逐步構建“大中臺、小前臺”的發展模式，支撐和適應業務的快速發展。本文中使用的數據中臺主要包括數據集成、數據存儲與管理、數據治理、數據服務4個部分，其技術架構如圖1所示。數據集成主要有服務于傳統關系數據的ETL集成工具，服務于日志類集成的Flume組件以及服務于消息類集成的Kafka組件。數據存儲與管理過程中，則使用HDFS分布式文件系統進行貼源數據存儲，再通過Spark組件和數據開發組件進行數據處理，處理后的數據存儲在MPP可高速并行處理的關系數據庫中。數據治理是在數據存儲和處理的過程中，通過數據治理組件進行數據血緣、數據質量等管理，提升數據可用性。數據服務是通過數據服務接口的開發以及ETL集成工具的推送，將數據中臺的數據，提供給業務系統使用。

1.2數據處理過程

數據中臺在對數據處理的過程中，采用了分層處理機制，分為貼源層、標準層、主題層和專題層。其中，貼源層主要存儲從業務系統直接同步過來的原始數據；標準層則存儲經過標準化轉換和處理后的數據，此時數據依然按照業務系統進行分類存儲；主題層存儲的是按照數據邏輯模型，重新進行分類后的數據。如人員庫中，主要有從人事、教務、研究生系統中經標準化處理后的教職工、本科生、研究生的人員數據。專題層則是按照數據的使用用途進行分類存儲，如人事系統專題庫、教務系統專題庫。

2系統架構

2.1數據互動架構

智慧校園中，傳統的業務系統與數據平臺的互動一般包含兩個部分：一是數據平臺將其他業務數據采集并清洗后，通過ETL工具下發到業務系統，剩余的數據使用過程交由業務系統自行處理。二是業務系統將自身產生的數據共享出來，通過ETL工具同步到數據平臺，供其他業務系統使用。相比于傳統的互動方式，基于數據中臺構建的陪伴支撐系統，需要使用數據中臺對數據存儲、匯聚、分析等方面的能力，與數據中臺之間的互動更加的緊密，其互動架構如圖2所示。（1）數據中臺將傳統的基礎數據，如部門、人員基礎信息等下發到業務系統；（2）業務系統將數據分析過程中，需要使用到的參數信息，共享到數據中臺；（3）數據中臺將分析后得到的分析結果，通過數據同步或數據接口的形式，下發到陪伴支撐系統；（4）系統將分析結果的反饋信息，共享到數據中臺，以便進一步優化分析過程和方法；（5）系統將沉淀的業務數據共享到數據中臺，以便清洗轉換后，供其他業務系統使用。以上互動內容，在滿足陪伴支撐系統需求的同時，也使得數據分析過程和結果沉淀在數據中臺。這樣，一方面當系統因業務需求進行功能調整時，數據分析部分可以復用。另一方面，已完成的數據分析結果也可共享到其他業務系統。

2.2系統架構

基于數據中臺，系統架構如圖3所示。主要包含行為指標項管理、預警管理、陪伴體系管理、陪伴內容管理、結果庫管理和行為與陪伴總覽。其中，行為指標項管理和預警管理，主要是進行參數配置和調整，以支撐數據中臺進行數據分析；其他四個模塊則是基于預警數據開展陪伴的業務支撐模塊。行為指標項管理主要用于定義學生行為并進行分類，同時指定該指標項對應的數據源頭信息，如食堂就餐次數、快遞收件次數、志愿服務時長等。預警管理則是在指標項的基礎上，配置預警的具體信息。其中，預警類型定義了需要預警的學生類型，如家庭經濟困難類型、學業困難類型等；預警級別管理則配置各類型對應的預警級別和相應的顯示顏色，同時用于匹配相應的陪伴體系；預警條件管理則具體實現預警內容，掛接指標項、指標字段、默認預警閾值、歸屬預警類型、歸屬預警級別等。歸屬預警類型和預警級別允許為空，當為空時，此預警條件一般用于構建組合型預警條件；預警組合管理支持將不同的預警條件進行合并形成新的預警條件，如一周不在食堂就餐并且一周沒有門禁刷卡記錄，可組合后形成疑似不在校預警條件；預警閾值管理主要是向各個學院開放默認閾值的配置，不同學院可以針對學院特點配置不同的閾值；預警周期管理則是用于配置預警條件的計算周期和同步周期，比如學生志愿服務時長預警是按學期為單位計算且按學期同步的、疑似不在校預警則是按周為單位計算并按天同步的。陪伴體系管理主要用于構建服務于不同類型和不同級別預警的陪伴內容，如家庭經濟困難三級預警和學業困難二級預警，就對應了不同的陪伴體系和方法。其中，陪伴來源管理主要是配置每個陪伴項的數據支撐方式，對于已有系統采集的一般選擇系統同步方式，沒有系統采集的則選擇手工錄入的方式。如陪伴項中的給予經濟資助數據，來源于資助系統；進行感恩誠信教育，則來自輔導員錄入。陪伴內容管理是結合預警信息和對應陪伴體系開展線下陪伴的主要支撐模塊。一般情況下，輔導員發現預警信息后，結合對應陪伴體系開展工作并錄入陪伴情況。過程中，對于個別較為特殊的情況，可針對性的調整預警周期，如學生一周后參加比賽，最近需要晚回宿舍，就可以將對應的晚歸預警暫停一周；對于需要重點幫扶和陪伴的學生，可推薦進入結果庫，方便給予更大的常規化的陪伴支持。結果庫管理包含在庫學生的信息查詢、各類統計以及取消管理。依據不同類型，結果庫的學生數據會被共享到不同的系統中，如家庭經濟困難數據會共享到資助系統，學業困難數據會共享到教務系統，以便形成陪伴合力，助力學生成長。

3系統實現

3.1流式數據處理

在陪伴支撐系統的設計和實現過程中，除了需要傳統的校內業務系統產生的關系數據外，還需要其他類型的數據支撐。比如上網行為、人臉識別等流式數據。這些數據需要依靠數據中臺來完成采集和處理。對于上網行為數據，主要使用Flume組件進行采集和處理。對于人臉識別數據的處理，主要使用Kafka組件。當人臉識別系統獲取到人員信息后，調用Kafka接口，將識別信息送入指定的Topic通道。同時，通過數據開發，將數據從消息通道中讀取出來，讀取的過程通過實時調度的方式運行。這樣，人臉識別的數據就可以實時的進入數據中臺關系數據庫。識別后的數據主要包含學號、識別位置、識別時間等。陪伴支撐系統可通過對位置信息的定義和引用，形成不同的指標項。比如：出現在操場附近信息，對應于體育鍛煉次數。由于網絡日志信息和人臉識別信息數據量較大且涉及個人隱私較多，加之陪伴支撐系統中對于此類分析指標項主要使用統計數據。所以，除歷史數據存儲外，在數據中臺中另外建立了只存儲7天信息的數據表（即，當天數據進入后，刪除7天前的數據），具體的數據處理從此表中讀取，以天為處理周期統計學生行為信息。

3.2預警信息計算

在獲取到系統配置信息后，在數據中臺建立了陪伴支撐系統專題庫。在專題庫中一般按照如下的過程進行計算：第一步，按照指標項配置信息，分項計算每個學生的數據情況；第二步，依據預警周期配置，形成需要計算的預警條件列表；第三步，按照預警條件配置信息，按學院計算非組合型預警條件產生的預警信息，預警信息一般包括預警編號、預警學號、預警信息、預警時間等；第四步，依據預警組合邏輯，按學院計算組合型預警條件的預警信息；第五步，去除掉歸屬預警類型和歸屬預警級別為空的預警條件對應的預警信息；第六步，依據預警暫停信息，去除掉對應的預警信息；第七步，依據各預警類型對應的預警條件和指標項信息，去除掉已在結果庫中的學生對應的預警信息。預警數據在經過調度同步到陪伴支撐系統后，也將同步到預警歷史信息庫中，結合預警反饋信息，為進一步優化指標項和預警條件提供依據。

3.3學生綜合信息查詢

學生綜合信息查詢對于陪伴過程的開展具有重要的支撐價值。在實現過程中，系統匯聚了250多個字段，并將學生信息分成信息總覽和10個明細信息，如圖4所示。在數據總覽中，主要體現學生的學籍信息以及如GPA信息、欠費信息、困難類型、健康狀況和基本描述等重點信息。在明細信息中主要有家庭信息、第一課堂、第二課堂、錄取信息、目標總結和規劃、獎懲信息、人際交往、生活行為等。學生綜合信息查詢有利于學生工作隊伍快速地對學生有個初步的了解。尤其是當需要引入其他陪伴人員開展線下陪伴的時候，如創業導師進行創業輔導時，通過此功能將有效提升陪伴質量。圖4學生綜合信息查詢

3.4陪伴過程管理

在陪伴過程管理的實現過程中，依據陪伴發起的源頭不同，分為預警驅動和線下陪伴驅動兩種方式。預警驅動，是指依據預警信息，有針對性地進行陪伴，并反饋預警結果和陪伴內容。線下陪伴驅動則是在線下陪伴先發生后，依據線下陪伴過程，再線上關聯陪伴體系，反饋陪伴內容。在預警驅動的實現過程中，首先依據預警信息，關聯其歸屬預警類型和歸屬預警級別；然后關聯此預警類型下的其他預警信息；接著通過預警類型和級別配置信息，關聯到對應的陪伴體系；最后在陪伴體系下，搜索對應學生的陪伴記錄，實現的效果如圖5所示。圖5預警驅動陪伴管理這樣，用戶在查看一條預警信息的同時，還可查詢到該同學同類型其他預警信息、以及需要提供哪些陪伴內容、其他陪伴人員已提供了哪些內容、陪伴結果如何等。這樣，方便反饋預警結果、陪伴內容和結論的同時，也有利于后續有針對性地開展線下陪伴。在線下陪伴驅動的實現過程中，用戶可直接選擇陪伴的學生，然后選擇陪伴體系和陪伴項，錄入陪伴內容和結論。考慮到一次線下陪伴會涉及多個類型的陪伴內容，因此在實現過程中，陪伴體系和陪伴項都支持多選，系統自動分拆成多條記錄，存儲在不同的陪伴體系中。

4結語

隨著智慧校園建設的不斷深入和數據中臺的逐步優化完善，在基于數據中臺構建的陪伴支撐系統中，數據賦能的效用將會不斷顯現，同時預警的反饋信息也將不斷提高預警準確性，數據的良性循環將更加有效的支撐個性化、精準化陪伴的開展，更好的助力學生成長成才。同時，這也為智慧校園中其他需要數據分析和大數據支撐的業務系統建設，提供了一定的參考和借鑒。

參考文獻：

[1]錢紅兵,趙文廣,李艷麗,等.基于Hadoop生態的高校學生行為預警平臺設計與實現[J].電子設計工程,2020(5):66-70.

[2]安洋,李軍懷,王懷軍,等.基于大數據的學生行為綜合分析與服務平臺設計與實現[J].四川職業技術學院學報,2021(4):153-157.

[3]馬曉玲,朱麗娟,吳永和,等.教育數據中臺系統模型及其應用研究[J].現代教育技術,2021(11):63-71.

[4]汪爭賢,吳建琳,陳胡嶸,等．基于數據中臺的財務大數據可視化分析的實現[J]．經濟研究導刊,2021(20):128-130.

[5]胡翰林,沈書生.基于中臺技術的教育大數據應用研究[J].現代教育技術,2021(9):78-86.

[6]李巍巍.數據中臺技術在業務系統中的應用研究[J].現代信息科技,2019(21):108-110.

[7]秦道祥,路陽,張薺月,等.基于Spark技術的日志分析平臺設計與應用[J].中國教育信息化,2021(19):50-54.

作者：王剛 張鵬 趙永杰