工作模式是工作方式的范本。高校学生工作模式代表了高校学生工作的标准样式，主要包括前期的工作决策、过程中的工作措施和后期的工作评价，工作模式贯穿于高校学生工作的始终。

（一）工作决策从传统的政策型向以多元证据为支撑的现代型转型

工作决策的制定必须从实际出发，综合运用现代科学的新成果和先进的技术手段，在科学预测的前提下，切实把握教育对象的变化规律和条件，为实现特定的目标，从多种预选方案中做出优化抉择，以获得最佳的或满意的经济效果和社会效果。^[12]在整个高等教育强调以民为本，工作决策领域兴起“以证据为本”的浪潮，尤其是信息与数据的采集将不再是难题之后，传统意义上的决策模式，如调研、座谈等将不再符合时代的发展要求。在《中共中央关于全面深化改革若干重大问题的决定》中要求中国教育“全面深化改革”，其中最重要的就是教育决策改革，从传统的政策调研和观点型向以多元证据为支撑的现代型转型。

随着数据对事物样貌的还原和预测分析能力越来越强，依赖数据提供的多元证据为支撑的决策更为科学、客观和理性。近期一项研究在调查了179个大型上市公司后发现基于数据分析结果来进行决策的公司享有5%的其他方面因素无法解释的生产率增长。依赖数据和实证的决策在教育领域也备受青睐。美国联邦政府教育部技术办公室发布的《通过教育数据挖掘和学习分析改进教与学：问题简介》中指出，在教育数据挖掘和学习分析中将开始应用大数据。在国际中也出现了很多广泛收集教育数据的研究项目，如国际学生评估项目（PISA）。该项目是由经济合作与发展组织（OECD）发起和组织的，其宗旨就是为工作决策提供数据支撑。另外OECD长期以来与各成员国在教育数据库上的工作也显示出现代教育政策有可能会处处都受益于这些经科学研究处理过的大规模数据证据。^[13]

借助大数据技术提供的大量数据和实证进行的工作决策具有很多优势。首先，通过对涉及学生与教育方方面面的海量数据进行收集、挖掘和分析，运用定性与定量相结合的方式，通过对数据信息的可视化展示，启发决策者开阔眼界和思维，多角度、立体式、全方位利用数据，全面了解教育系统特征，科学评估教育发展现状，认识目前存在的问题，做出更科学合理的决策。其次，大数据具有很好的预测能力，通过对数据的分析找出高等教育发展规律，预测未来发展趋势，使决策者站在一个更高的平台上对全局进行掌控和把握，用前瞻性的眼光审视未来可能出现的问题，制定出具有可持续发展属性的工作决策。另外，大数据可以对整个教育情况进行监测，不仅可以在宏观层面上发挥良好作用，也可以聚焦微观层面，将贯穿工作决策过程中的问题通过数据的形式描述出来，这个反馈的过程也可以做到迅速及时，通过数据反馈，让问题得以及早发现，有利于决策者更好地调控系统，制定更加以人为本并富有个性化的工作决策。

大数据时代的教育不再是依靠理念和经验传承的社会学学科，而工作决策也将相应地转变为实证科学中的一个具体问题。^[14]其克服了以往高校学生工作中无法科学理性地制定决策的不足，使高校学生工作向着提供科学的事务管理方向大步迈进。

（二）工作措施从被动的数据应用到主动的数据挖掘的转型

1.大数据背景下创新数据采集方法

不同时代有不同的数据采集和使用方式，大数据时代要立足于在数据获取、存储、共享以及计算机计算能力飞速发展上的优势，突破传统的思维定式，克服技术局限，不断探索适用于新时代的数据采集方法。不但要拓宽采集渠道，还要丰富数据采集类型，除了结构化数据，更要关注非结构化数据，尽可能覆盖到与学生相关的所有信息，在采集的过程中不仅要做到采集的广度和深度，更要注重细度。

高校学生工作是一个系统性工程，在数据采集时要树立全局意识，既要采集横向信息，如学生个人信息，与学生相关的教学信息、学生管理信息、医务保障信息等，也要包括纵向信息，以时间为坐标轴汇总学生从入学到毕业，甚至离开校园走上工作岗位以后的各阶段数据，通过纵横信息交叉，形成一个网络化的学生工作信息管理系统，将所有与学生相关的信息都囊括其中。网络化的信息管理系统在一定程度上彰显了学生工作的机制，即学生工作不是一个部门的工作，而是高校中所有部门的工作，不同部门之间有一种相互关联、相互配合的紧密关系。

网络化的信息管理系统彰显了教育合力。要想将这个数据网络织紧织密，在工作中需主要收集以下三类数据：一是个人信息数据，主要来源于学校与学生工作相关的各分管部门所掌握的数据。例如，招生办公室的学生招生信息，档案部门的学生档案信息，教务处的学生学籍信息，公寓管理部门的学生住宿信息，学生工作部门的学生奖惩信息等。二是传感数据，主要来源于校园数字化管理平台和各种传感器、物联网等收集到的数据。例如，校园一卡通，学生进出教室、宿舍、图书馆及实验室等场所的记录，图书借阅记录，就餐消费等数据信息。三是交互数据，主要来源于学生在各大网络社交平台和网络课堂等网络空间所产生的动态数据，如聊天信息、购物记录和搜索记录等；还有通过安装在校园、宿舍、教室等场所的感应设备等采集的学生行为信息，如听课时的微表情、微动作等，这些都能反映出学生对这门课程的投入度、关注度以及与教师的互动等。在这三类数据中，个人信息数据和传感数据属于静态数据，个人信息数据是学生的属性数据，传感数据记录了学生的生活活动轨迹，一般都是结构化数据，非常容易获得。交互数据属于动态数据，包含了大量非结构化数据，主要记录了学生在网络这一特定领域的情感行为变化以及由感应设备所还原的学生生活的真实样貌。相比于个人信息数据和传感数据而言，交互数据的获取相对困难，需要专业的设备和技术支持。

高校要根据工作需要，在继承传统工作中优良做法的基础上，不断开拓，创新对数据资源的管理与共享，加快数据标准的统一，明确语义网络，规范数据管理和使用的方法与流程，厘清不同数据之间的关系，搭建临近领域数据库，整合种类繁杂的混乱数据，实现不同系统之间数据的良性互动和分享，避免自成一家，消除“信息孤岛”。例如，学生学籍管理系统、学生医疗保健管理系统、学生志愿服务管理系统的数据，可以通过数据接口进行交换和汇总，并利用云计算对数据管理系统和校园网络系统进行整合，聚集更多的教育资源，构建一整套科学合理的数据采集、存储、交流以及应用决策流程。

2.大数据背景下规范数据使用流程

在数据安全和合理合法使用的基础上，高校工作者要根据工作需求和传统的工作经验，利用发展性的眼光和创新性的做法，探索构建一套数据采集、利用以及决策的科学化流程，将原来各系统分散的工作整合起来，让数据在各组织之间合理地流动起来，使各学生工作部门充分利用大数据的力量，防止沟通不足、条块分割。以假期开学后的学生注册工作为例，需要辅导员、教务员、学工办主任以及各班班长、生活委员等通力合作，统计汇总学生报到返校的相关信息，并逐级上报到学校分管部门，这是数据采集汇总的过程，与以往工作并无很大差异。分管部门在收到全校学生的报到返校情况后，往往只会进行简单的统计汇总，看有多少学生没有按时到校，具体原因是什么，有没有少数民族学生等，以便维护正常的教学秩序，防范安全事故，此项工作做到这里基本也就结束了。但在大数据时代，这样的工作流程并不科学完整，甚至只做到了数据收集，还没有进行深度的数据挖掘、分析利用和信息反馈。分管部门在收到全校的报到返校信息后，在进行简单的汇总统计基础上，可以对比各学院近几年的报到率有没有变化，学生报到率的变化与学院近几年的发展有没有内在的联系，不同学科门类之间的报到率有没有显著的差异，甚至可以挖掘哪些学生经常不按时返校，再结合学校教务数据库的信息，分析不按时返校这件小事与学生的学业水平有没有关联。信息挖掘绝不限于以上几种，可以根据学校管理需求，整合不同组织和部门负责的数据库资源，如对学生学籍信息库、成绩管理库、财务系统等进行分析利用，充分展现数据价值。(www.daowen.com)

除此之外，最重要的就是结果反馈。要将分析结果通报各学院，各学院还要将结果具体通报至各个学生班级，根据出现的问题提出改进意见。衍生出来的分析结果可以在学院领导层面上进行分享交流，以期发现平时关注不到的问题。这只是高校工作中一个最普通的环节，其他工作也是如此。这些需要有关部门对工作流程进行科学的规划，并根据实际情况不断优化，在各项完善的规章制度保障下，在不侵犯学生个人隐私、防止学生信息泄露的基础上，通过数据挖掘、分析利用促进学校人才培养目标的顺利实现。

3.大数据背景下挖掘数据的隐含价值

传统教育普遍认为，良好的行为习惯是提升学习成绩的重要保证。在这些行为习惯中，上课不迟到早退、经常去自习室等行为与学习成绩直接相关。早起早睡、有规律地洗衣服、收拾房间等虽然不能直接提高学习成绩，却反映了学生积极向上的精神风貌、良好的生活状态和较强的自律能力，这都是良好成绩的必要因素，与学习成绩间接相关。不过，这些被普遍接受的结论很难被定量描述，也缺乏一定的证明和说服性。如果能将这些现象进行定量的证明，充分挖掘数据背后隐含的价值，并提出一些参照性的建议，那么这项研究的意义将非常重大。

事实上，在小数据时代，要想印证良好的生活行为习惯对学习成绩产生的积极影响非常困难，也很难清楚地了解不同成绩水平的学生群体与他们的行为特征之间的对应关系。但在大数据背景下可以挖掘出数据隐含的价值，描绘出学霸的生活轨迹和行为规律，看似不起眼的洗澡时间、打水次数、吃早饭次数等最普通的数据也能说明很重要的问题。所以在大数据时代，学生工作者不能忽视和轻视任何一个数据，要挖掘出数据背后隐含的价值，让数据给我们提供更多的建议，让数据告诉我们更多无法发现和印证的规律。

大数据时代，“数据”就是生产力，从被动的数据应用向主动的数据挖掘的转型是实现新时期高校学生工作目标的重要基础，同时解决了以往高校学生工作中缺少准确可靠的工作手段的问题。

（三）工作评价从传统经验型向客观科学型的转型

工作评价是学生工作中一个非常重要的环节，无论是课堂教学还是一项活动的举办，只有得到了客观、科学、公正、全面的评价，才有利于各项工作积极改进，发挥出评价机制应有的作用。但长期以来，工作评价主要是依赖于经验和以结果为导向的，评价维度单一，对过程中的细节和数据没有引起足够的重视，不够客观科学。

大数据技术可以改进以上问题的弊端。大数据技术可以记录并分析教师与学生的长期行为，做到不遗漏任何一个动作和细节，得出个性化、有针对性的教学行为、习惯和方式方法。通过大数据的分析，不仅可以拉近教师与学生的距离，还可以利用先进的技术分析教育活动、评价教育过程，进而提升教育效果。

首先，教学评价从传统的经验型向客观的科学型转变，在海量数据中挖掘出教育教学活动的规律。比如，在课堂教学活动中，记录学生的表情、动作的转换、在某一页书上停留的时间等，挖掘出教师讲授的知识大部分学生是否能够理解，教师授课的形式学生是否乐于接受，如果大部分学生出现了皱眉、摇头等动作，则说明这个知识点需要教师重复讲授。在新一代的在线学习平台上，通过记录学生点击鼠标的行为，研究学生的学习轨迹，在每个知识点上用了多长时间，哪类题目容易出错，哪个公式没有掌握，这些高度个性化的数据可以分析每个学生的个体行为。

其次，实现了对学生进行多角度、全方位、立体式评价，而不仅仅是凭考试成绩的单一维度来评价。通过数据挖掘和分析，更全面清晰地了解学生的所思所想和所作所为，而不仅是让考试成绩一锤定音。例如，通过学生点击红色网站的次数、购买思想政治类相关内容的书籍、在网络上参与相关话题讨论等，了解学生的政治理论素养情况。如果在同一个班级中，某位同学与班内其他同学之间的联系很少，基本没有产生通信数据，则说明该生在人际交往方面出现了问题。即便是一次考试成绩，通过数据分析也可以更深层次地剖析出问题，是记忆力好，还是逻辑思维能力强，或是学习方法得当，以便对每个学生有更个性化的评价。

最后，工作评价不再依赖于结果评价，真正实现了过程性评价。传统的工作评价以结果为导向，忽视了教育过程，更在乎的是教师教得好不好、学生成绩好不好、活动办得好不好、工作总结好不好。而在大数据背景下则完全克服了这一弊端，在师生不知情的情况下，可以利用先进的技术手段，记录下整个活动的所有过程和细节，避免了填写调查问卷时可能出现的刻意和掩饰。经过数据汇总和分析，发掘一些仅通过活动总结无法发现的问题。

评价方式的转型克服了以往工作中容易出现主观、片面的不足，有利于高校学生工作更加客观、科学和理性。