[摘要]学生满意度是一个受学生和学校等多种特征影响的复杂概念，其决定因素纷繁复杂。学界对学生满意度模型的研究众多，然而从学生特征和学校特征等综合方面挖掘大学生满意度的学习分析研究较少。文章采用逐步回归和决策树分析等教育数据挖掘技术对大学生满意度数据进行分析，同时对两种方法在获得结论的有效性上进行比较，并从学习分析视角对其结果进行解释，在学生特征及学习经历的数据集中找出真正影响其满意度的维度，识别先前未知的模式，检测并分析一系列学生特征、经历和认知与满意度的关系，以期为提高高校人才培养质量提供参考。
[关键词]学生满意度；教育数据挖掘；学习分析
[中图分类号]G434[文献标志码]A
一、引言
大学生满意度是大学生对于大学生活的体验和经验及对学校提供服务所产生情感的整体反应，是一个受学生和学校等各式各样特征影响的复杂概念，其决定因素纷繁复杂[1]。最近几年，学界对学生满意度模型及其实证方面的研究较多，而较少有从学生学习经历角度来考查学生对大学学习满意度的调查。但从经验的角度分析，学生参与学校活动、经历的丰富性会对学校的满意度有一定影响，而学生会通过这些活动和经历产生各种不同的认知体验和经验及作出各种不同情感反应，涉及的数据量大、范围广，常规的统计方法难以发现其隐藏的规律，因此需要新型的数据统计和分析方法，即开展教育数据挖掘和学习分析。
另一方面，目前从学生特征和学校特征等综合方面挖掘学生满意度及其结果的学习分析研究较少，现有的研究存在样本较为局限、分析方法单一等研究限制，也并未形成广泛认同的理论。为了深入了解学生满意度的影响因素，本文采用逐步回归和决策树分析等教育数据挖掘（EducationalDataMining，EDM）技术对学生满意程度数据进行挖掘，并从学习分析（LearningAnalytics，LA）角度对其挖掘的结果进行意义再建构，旨在建立学生学习经历和学生特征与学生满意度的错综复杂关系，以期为提高高校人才培养质量提供参考依据。
二、研究分析方法
（一）研究设计
近些年来，越来越多的国内外高校开展不同主题的学生调查，使用学生满意度等主观测量数据来辅助学校决策或反映学校办学绩效。中山大学学生学习状况调查问卷，参考Astin[2]与Pace[3]的学生学习评估模型，调查内容不仅关注学生的相关经历，例如学习投入和努力的程度、学生与教师的交往等，还包括学生的情感性学习成果或通识教育的学习成果，以及学生满意度等。
本文从学生学习经历角度，在“生源—学习—成果”的逻辑框架中，考察分析学校因素和学生因素对于学生满意度的影响机制。调查将学生学习经历分解为生源情况、学校学习资源供给、学生与学校的融合、学生学习投入、学生成果及学生满意度等六大维度。各维度下题目的内部一致性系数均达到0.9以上，具有较高的信度[4]。研究数据来源于2012年实施的“中山大学学生学习状况调查”项目的在线调查，覆盖全校36个学院（系），调查总体约为3.3万名本科生。学生在无压力情况下做答，共回收问卷7051份，回收率约为21.2%，与国际上同类的问卷回收率相比，该回收率为非常满意。
研究聚焦于本科样本，全部回收的问卷根据答题时长、问卷质量标准等原则，筛选出有效问卷6673份，有效率为94.6%，涉及性别、年级、所在校区等九个人口学变量。调查收集了一系列学生特征、学习经历和规划，对校园环境、学风、服务和设施的满意度，对于成长的认知和选择大学的原因等227个变量数据。例如，33个变量测量学生对校园服务、学校设施和校园文化的满意度，如“图书馆工作人员的服务质量”和“奖、勤、补、助、贷等学生资助工作与服务”等。
大学的使命是为学生提供教育，保证消费者对教育的满意度。该调查提供了在校经历满意度、能力培养满意度和综合满意度等三方面的指标来测量学生满意度，有助于在校园生活中找出影响满意度的具体方面；同时，强调了学生作为消费者的教育成果。其中，学生在校经历满意度指标通过六个方面的具体项目来反映：课程安排和教学质量、在校期间的个人生活经历、在校期间的学术经历、在校期间课外社团活动经历、在校期间参与的党团活动经历、在校期间参加的社会服务活动等；学生能力培养满意度指标主要从三方面的能力培养进行考察：获取知识能力、创新能力和社会能力；学生综合满意度指标包含五方面的项目：为学校感到骄傲、对学校各方面都感到满意、对学校有很强的归属感、会把本校推荐给他人报考、如果可以重新选择报考大学是否还会选择该校等。三个满意度指标测度在显著性水平Sig.为0.01时都是中度相关的，见表1。
为了弄清学生对这些满意度问题有不同回应的原因，需要了解学生的特定学习经历。对学生学习经历的分析有助于学校决策者制定提高学生满意度策略的优先顺序。
表1学生满意度的相关性
（二）分析方法
教育数据挖掘方法研究如何有效地利用教育系统中的数据，更好地了解学生及其学习环境，{1}常用于分析网站登录数据、学习管理系统或适应性学习系统中的学生学习数据。而在确定学生满意度模式中，教育数据挖掘也同样展示出了其潜在价值，例如，在数据集中找出学生特征及学习经历中真正影响其满意度的维度，识别先前未知的模式，如学生意见数据中的满意度模式，为教育数据挖掘在高等院校研究中的应用提供了机会。
学习分析技术围绕与学习者学习信息相关的数据，运用不同的分析方法和数据模型来解释这些数据，根据解释的结果来探究学习者的学习过程与情境，发现学习规律；或者根据数据阐释学习者的学习表现，为其提供相应反馈，从而促进更加有效的学习[5]。
教育数据挖掘关注如何从学习的数据集中提取有用信息的技术，而学习分析侧重于如何优化学习及其学习环境的教育问题。Siemens等学者指出，教育数据挖掘和学习分析可以联合起来共同提供更好的服务[6]。因此，为确定学生满意度多变量数据集中显著的模式，本文以满意度理论为基础，借鉴国内外高校学生满意度模型研究成果，采用决策树和逐步回归分析等教育数据挖掘技术，检测影响大学生满意度的显著变量，并从学习分析视角对其结果进行解释，由此归纳出一系列广泛的学生特征、经历和认知与情感反应即满意度的关系。
三、学生满意度的多元回归分析
学术界常用回归方法分析现象之间的相关性，确定因果联系，并用数学模型来表现具体关系。为找出影响学生满意度的重要因素，本文采用了逐步回归方法。对于“中山大学学生学习状况调查”中的227项数据进行相似项合并，用向前和向后逐步回归确定与满意度结果强相关的项目，全面审查残差图，最后确定20个独立变量出现在多元回归模型中，见表2。修正后的校正判定系数R2的范围在0.972到0.982之间，说明这些满意度模型的解释能力较强。三方面的学生满意度测量分别有不同的预测变量（显著性水平Sig.<0.05），每个模型代入相应的预测变量运行得到β值。
表2学生满意度的预测*
从学习分析的角度，结合表2中的数据可以得出如下结论。
（1）学生学习资源和多元能力的培养氛围等都是影响在校经历满意度、能力培养满意度与综合满意度的重要预测变量。其中，多元能力的培养氛围指标主要包括七方面的项目：学校注重对学生批判性思维能力的培养、对学生研究能力的培养并提供参与学术研究的机会和规范的科研环境、对学生创造能力的培养、对学生人文艺术素养的熏陶、对职业竞争力的培养、对学生信息技术的运用能力的培养、对学生的道德修养的培养、对学生的社会服务意识的培养等。
（2）对于在校经历满意度测量，多元能力的培养氛围是最重要的预测变量，专业学习经历和活动参与分别为第二、第三重要的预测变量。
（3）对于综合满意度测量，学生学习资源为最重要的预测变量，多元能力的培养氛围和平等文化分别为第二、第三重要的预测变量，表明校园文化对于学生的综合满意度影响较大。
（4）而对于能力培养满意度测量，多元能力的培养氛围为最重要的预测变量，学生学习资源和自我能力增长分别为第二、第三重要的预测变量。
（www.fabiaoba.com），是一个专门从事期刊推广期刊发表、投稿辅导、发表期刊的网站。
本站提供如何投稿辅导、发表期刊，寻求论文刊登合作，快速投稿辅导，投稿辅导格式指导等解决方案：省级论文刊登/国家级论文刊登/
CSSCI核心/医学投稿辅导/职称投稿辅导。
投稿邮箱：fabiaoba365@126.com
在线咨询：
275774677、
1003180928
在线咨询：
610071587、
1003160816
联系电话：18796993035
