学习分析视域下的大学生满意度教育数据挖掘及分析(2)
综合来看，一方面，在校经历满意度、能力培养满意度与综合满意度的影响因素互不相同，通过不同的模型，分别从不同角度反映了学生的学习经历和认知情况；另一方面，学校学习资源提供和校园文化这两大维度对三方面的学生满意度均有比较重要的影响。因此，为了促进更加有效的学习，高校应该从学习资源配备及校园文化氛围的营造方面重点投入和建设，以提高学校人才培养质量，全面提升学生的满意度。
四、采用CHAID方法的决策树分析
上述多元回归分析筛选出解释因变量差异的预测变量，确定了与学生满意度相关的影响变量。决策树分析则从另一个视角，采用CHAID等算法通过？掊2统计检验测量因变量与自变量间的关联，发现差异，找出最能区分学生是否满意大学经历的具体方面。
CHAID程序从找到那些与因变量或目标变量有显著关系的自变量开始，然后对连续变量估计分组类别或区间间隔以选择最显著的组合。与目标变量相关性最强的自变量为树的第一个分支，而相对结果变量显著不同的每一类作为一个叶子节点。重复此过程，以找到每个叶子节点与结果变量最显著的预测量，直到没有显著预测量存在。
分析使用决策树中的“彻底CHAID”方法，包含了数据集中的每个数据点，且每个数据点只属于一个叶子节点，所以数据的分支或叶子节点是可穷尽的。然而，随着树规模的增长，最新的树层次将削减每个叶子节点的观测量。决策树程序允许分析者设定每个叶子节点的最小观测次数以避免对具有过少观测量的叶子进行？掊2检验，同时允许限制父节点的最小观测量，以防止从具有较少观测量的叶子节点产生分支。鉴于研究的样本规模较大，因而限制父节点的最小观测量为100或叶子节点的最小观测量为50，以防止产生新的分支，决策树的层次设置为3～4层。限于篇幅，下面仅对具有代表性的学生能力培养满意度进行决策树分析。
最能区分学生是否对能力培养感到满意的是多元能力的培养氛围，表3展示了决策树第一层叶子节点的频率分布。多元能力的培养氛围与学生能力培养满意度之间的相关性？掊2统计为1852.943，比其他任何变量都高。与能力培养满意度相关的多元能力培养氛围的总体情况是：25.2%的调查对象认为其能力培养是满意的，但学生对能力培养这个问题的回应分布却因多元能力的培养氛围不同而异。例如，样本中认为多元能力的培养氛围优秀的学生有21.1%，其中47.7%的称对能力培养满意；而评价多元能力的培养氛围差的学生中只有6.5%对能力培养满意。
尽管决策树分析不能确定因果关系，但值得注意的是，这里确定多元能力的培养氛围为学生能力培养满意度的一个主要决定因素与回归结果是一致的。下面层次的决策树分支进一步展示了聚类分析的价值，这种聚类分析为不同类型的学生确定不同的满意度预测变量。不同类型的学生，如认为多元能力的培养氛围分别为优秀和差的学生，受不同方面的大学经历影响。Terenzini和Pascarella在调查学生特征、社会及学术整合措施的相互作用时，强调了影响因素的多样性，并呼吁将注意力集中到研究大学经历的因素变化方面[7]，但这种差异尚未得到广泛研究。
通过总结表3中频率分布类型的其他独立变量，图1确定出可以区分1416个称多元能力的培养氛围优秀学生的满意度变量。每个单元中显示的百分比是该组评价多元能力的培养氛围为优秀的学生的百分比。例如，861个称多元能力的培养氛围优秀的学生同样对学习资源满意，96%的学生满意其能力培养，而不满意多元能力的培养氛围的113个学生中只有69%的满意其能力培养。继续沿着决策树分支往下查看，满意学生能力培养、认为学习资源优秀并满意自我能力增长的学生99%认为其能力培养是满意的。考虑到分析中的限制——父节点最小观测数100、子节点最小观测数50、决策树的层次为3～4层，在不太满意学习资源的学生中没有显著的关系，所以这些叶子没有产生新分支。
表3学生能力培养满意度与多元能力的培养氛围
决策树其他分支如图2、图3所示，分别给出了评价多元能力的培养氛围为中等的学生（样本的50.5%）的分支，及评价多元能力的培养氛围为差的学生（样本的28.2%）的分支。与图1类似，每个单元中显示的百分比是该组评价多元能力的培养氛围为优秀的学生的百分比。除了学习相关因素之外，师生交流、朋辈交流等方面的变量也是影响学生对能力培养满意度的预测量。图2表明，学校平等文化和朋辈交流等认知，与评价多元能力的培养氛围为中等的学生的相对满意度有关。图3表明，师生交流和交往圈子氛围等对于评价多元能力的培养氛围为差的学生是重要的。
Tinto认为学校系统内部具有两个子系统：学术系统和社交系统。学术系统代表学生个人的课业表现、智力发展、学业成就等综合表现，社交系统代表学生在校内的同伴关系、师生关系、社交行为等综合表现；学生进入学校后需要融入学术系统和社交系统[8]。图1～3展示了不同的大学经历如何影响对多元能力的培养氛围评价不同的学生的满意度，诸如朋辈交流、师生交流和交往圈子氛围等社交活动对较少参加学术活动的学生来说是重要的。尽管作为重要元素出现在决策树分析中的大多数变量在回归分析中也被确定为重要的，但决策树通过找出具体因素影响来澄清其显著性。上述决策树分析的学生满意度状况与Tinto对留级的建议相吻合：社交系统的融入可以弥补弱的学术参与。
五、学习分析及启示
本文采用决策树分析和逐步回归等教育数据挖掘技术来确定学生特征和学习经历与满意度的关系，识别多变量数据集中的显著模式，而不是检测关于预选变量影响效果的特定假设。对更广泛的学生满意度影响因素使用卡方自动交互检测（CHAID）算法，探索分析识别学生特征、学习经历和认知与学生满意度的关系。
从学习分析的视域来看，利用多元回归分析方法，识别出影响学生满意度的重要影响因素；而决策树发现更多的学生满意度相关数据。上述决策树分析结果与回归分析结果既有类似又有不同。多元能力的培养氛围、学生学习资源、自我能力增长等作为显著影响的变量出现在最终的回归分析模型中，同时也在决策树分析中作为与学生能力培养满意度有重要关系的具体经历而出现。然而，除了这些变量，决策树分析还强调不同的二次变量：对评价多元能力的培养氛围为优秀的学生有影响的学术支持，对评价多元能力的培养氛围为中等的学生有影响的朋辈交流和平等文化，对评价多元能力的培养氛围为差的学生有影响的师生交流和交往圈子氛围等。另一方面，出现在回归模型中的学生年级、专业学习经历、讨论关注的内容、活动参与、大学生涯发展打算等因素并未出现在决策树分析中。
两种不同的分析工具所展示的不同结果表明了不同的数据观点。回归分析和决策树分析给出的统计差异源于前者是基于最小二乘法的线性技术，后者是基于？掊2统计技术。不同的结果反映出了两种技术分析总体的差异：回归分析将满意度作为一个整体来确定对其影响显著的预测量，而决策树分析的优势之一是对不同分组分别确定不同的解释变量。
本研究基于一所985综合性大学的学生数据进行校内比较分析，可以对学术计划的制定进行支持，将学生总体描述为一个不均匀的样本，通过知识经验而不是人口统计将其区分开来。特别的，因为社交系统融入似乎对那些学术参与相对较少的学生较为重要，这个分析暗示了将校园生活与学生融为一体的项目开发的重要性，诸如学习社区建设等可以提升融入社交活动的结构对学习稍差的学生的满意度有更大影响。
仅借助回归分析得不到这些结论，决策树分析通过确定不同的预测变量和学生本身的差异，提供了一种不同的视角。学生本身的差异进一步揭示了高校学生的不均匀性，这次研究结果表明不同的学术经历作为多样性的一个重要维度的重要性。因此，将回归分析和决策树分析相结合的教育数据挖掘及其结果的学习分析解读，为学生满意度的影响因素确定提供了更宽广的视角。
基于以上分析，为提高学生学习满意度、提升人才培养质量，高校一方面要努力营造多元能力的培养氛围、提供丰富的学习资源、提升教师授课水平，另一方面也要积极提倡并加强师生交流、朋辈交流和交往圈子氛围；为不同类型的学生分别融入学术系统或/和社交系统提供良好支持。上述分析是基于一所高校进行的校内分析，通过比较不同大学经历为学生满意度的探究提供了一些见解，但对不同高校的大学经历进行横向比较时，可能会得到不同的结果，因而结论的普适性仍有待进一步测试。
