定义与边界
教育数据分析：先统一「在读」「挂科」「就业」的定义
教育数据分析，是指把教务、学工、招生、就业等系统中的学生与教学数据整合到统一口径，用统计与机器学习方法回答生源结构、学业进展、课程质量与毕业去向等管理问题的一套数据流程与方法。它的产出是可复核的指标、名单与分析结论，最终由教务、学工和院系人员据此决定怎么做。
教育数据最常见的分歧在定义。「在读学生数」按学籍算还是按本学期注册算？「挂科率」按人数算还是按人次算？「就业率」是否计入升学、灵活就业？定义不先写清，同一个专业在教务处和就业中心的报表里会得出两个结论，后续的预警与评价也就站不住。
学校主要用 Excel 做统计报表的，可以先看 从 Excel 到 iModel 的迁移思路；公共事业单位的整体做法，见 公共部门数据分析。
| 关键事实 | 内容 |
|---|---|
| 典型数据 | 学籍与注册、选课与成绩、考勤、招生录取、评教、毕业去向 |
| 接入方式 | 各系统导出的 Excel / CSV；或通过数据库连接节点加载厂商 JDBC 驱动接入，具体产品与版本需在评估阶段实测 |
| 数据源连接 | 300+ |
| 常用方法 | 分组汇总与对比、决策树与逻辑回归、分层比较、文本分类 |
| 文本分析 | 可在工作流中调用本地部署的大模型，对评教与问卷开放题做主题分类 |
| 部署形态 | 支持离线部署；Windows，以及 x86-64 版本的麒麟 V10/V11、统信 UOS |
| ARM 架构 | iModel 目前不支持 ARM 架构（鲲鹏、飞腾），相关版本仍在规划中。 |
| 平台内核 | 基于 KNIME 开源内核二次开发，中文化、信创适配与企业级增强部分为自主研发 |
| 法规依据 | 《个人信息保护法》第二十八条将不满十四周岁未成年人的个人信息列为敏感个人信息 |
常见分析场景
六个最常被问到的教学管理问题
每个场景都写明了要回答的问题、常用做法和最容易踩的坑。多数学校从学业进展与毕业去向起步，这两项只需要现有系统里的数据。
📈 生源与招生分析
问题各省份、各专业的生源质量与报到率有什么变化？
做法按生源地、专业、录取分数段分组，与往年对比报到率与分数位次。
注意各省分数不可直接比较，要换算成位次或与当年控制线的差值。
📚 学业预警
问题哪些学生学分进度落后，可能无法按期毕业？
做法按培养方案核对已修学分与不及格门次，再用历史数据训练决策树给出预警等级。
注意预警名单用于辅导员提前沟通，不作为处分或评优的依据。
🏫 课程与评教分析
问题哪些课程的成绩分布或评教结果明显异常？
做法按课程类型、班级规模分层，比较成绩分布与评教分数。
注意必修大班课与选修小班课的评教分天然不同，不分层比较会误伤教师。
🏛️ 教学资源使用
问题教室与实验室的实际使用率如何，排课是否集中在少数时段？
做法把排课表按时段展开，统计各类教室在各时段的占用率。
注意排课不等于实际使用，调停课记录要一并纳入。
🎓 毕业去向分析
问题各专业的升学与就业去向、行业分布如何？
做法按专业、学历层次统计去向结构，并与培养方案目标对照。
注意先确认升学、灵活就业是否计入，口径与上报口径保持一致。
💬 评教与问卷文本
问题几千条评教留言与问卷开放题里，学生最常提什么？
做法在工作流中调用本地部署的大模型，按主题分类后与课程、院系关联统计。
注意分类结果要抽样人工复核，统计展示时不暴露学生身份。
做法示例
教育数据分析：一条学业预警工作流怎么搭
以每学期初的学业预警为例，下面是一条工作流的五个环节。第二步决定预警是否准确，第五步决定预警能否真正帮到学生。
学业预警工作流的五个环节
示例流程，非客户案例；每个环节对应工作流里可单独查看结果的一组节点
01数据接入学籍、培养方案、选课成绩与补考重修记录
02核对进度按培养方案逐项核对已修学分，区分必修与选修
03分级规则不及格门次、学分缺口按学院规定划分预警等级
04模型补充用往届数据训练决策树，找出规则之外的风险组合
05分发与反馈名单按院系分发给辅导员，记录沟通结果用于下学期复盘
第二步里的「按培养方案核对」最容易出错：同一门课在不同年级的培养方案里可能是必修也可能是选修，转专业学生还要按新方案重算。规则写在 Rule Engine 节点 里，教务人员可以直接核对每条规则；决策树为什么给出某个预警，可以参考 决策树用例。
学业预警常用指标与注意事项
| 指标 | 来源 | 注意事项 |
|---|---|---|
| 学分完成进度 | 培养方案与成绩 | 转专业、辅修学生要按对应方案计算 |
| 不及格门次 | 成绩记录 | 补考、重修通过后是否仍计入，要与学院规定一致 |
| 课堂出勤 | 考勤记录 | 各课程考勤方式不同，缺失不等于缺勤 |
| 校园卡与门禁记录 | 一卡通系统 | 与学业的关联性需要论证，使用前应评估必要性与学生知情情况 |
数据合规
教育数据分析，学生数据怎么合规使用
学生数据属于个人信息，中小学阶段还涉及未成年人信息。《个人信息保护法》中与教育数据分析直接相关的有三条：
- 第二十八条：不满十四周岁未成年人的个人信息属于敏感个人信息，只有在具有特定目的和充分必要性、并采取严格保护措施时方可处理。
- 第三十一条：处理不满十四周岁未成年人个人信息的，应当取得未成年人的父母或者其他监护人的同意。
- 第二十四条：利用个人信息进行自动化决策，应当保证决策的透明度和结果公平、公正；对个人权益有重大影响的决定，个人有权要求说明。
以上为法规条文要点，不构成法律意见，具体做法请与学校法务或保密部门确认。
落到工作流里的四个做法
- 最小必要：分析数据集用学号关联，不带身份证号、家庭住址、联系电话等与分析目的无关的字段。
- 分级分发：院系只拿到本院系名单，全校层面只看聚合结果。
- 控制人数过少的分组：某个分组只有两三名学生时不单独展示，避免反推出个人。
- 数据留在校内：支持离线部署，调用本地部署的大模型处理评教文本时，文本不离开校园网。
关于预警名单：模型给出的预警只能作为提前关注的线索，不应据此对学生作出处分、评优或资助资格等决定，并应允许学生了解和申请复核。
常见问题
关于教学数据分析的六个问题
不一定。分组汇总、表格关联、学分核对等常见操作都通过拖拽节点完成，教务、学工等业务人员经过学习可以自己搭建；预测模型这类较复杂的分析，可由信息中心或外部顾问搭好后交给业务部门每学期重跑。
最快的方式是使用各系统导出的 Excel 或 CSV 文件。需要直连数据库时，可通过数据库连接节点加载厂商 JDBC 驱动接入，具体产品与版本需在评估阶段实测。
不满十四周岁未成年人的个人信息属于敏感个人信息，《个人信息保护法》要求具有特定目的和充分必要性、采取严格保护措施，并取得父母或其他监护人的同意。分析时应只使用与目的直接相关的字段，并控制结果的分发范围。
不建议。预警适合用来安排辅导员提前关注和沟通；处分、评优、资助资格等决定应由人结合具体情况作出，并允许学生了解依据和申请复核。
互补而非替代。BI 工具擅长展示已经定义好的指标；工作流负责前端的口径统一、数据核对与建模分析，结果可以写回数据库或表格，继续在现有 BI 里展示。
支持 x86-64 版本的麒麟 V10/V11、统信 UOS，处理器侧支持海光 C86，并支持离线部署。iModel 目前不支持 ARM 架构（鲲鹏、飞腾），相关版本仍在规划中。国产数据库的连接需求请在方案评估阶段单独确认。
从一份学分进度核对开始
先用现有的培养方案与成绩数据做出学分进度清单，口径和教务处对上之后，再往学业预警与毕业去向分析延伸。
卡在某个节点？可以先在 KNIME 中文知识库 查用法，或拨打 400-8568-196 咨询。
