近年来，数据治理逐渐成为全球知名大学研究及实践的新热点。从现有案例来看，数据治理已较为广泛地用于高校提高学校运营效率，以及提高人才培养的针对性。

　　范德比尔特大学：自动识别数据问题

　　范德比尔特大学(Vanderbilt University)建立了“自动数据质量流程”，其信息系统能够识别数据输入错误，所有数据问题最终都由学校数据治理团队(institutional data governance team)解决。根据大学的说法，该团队的任务是“建立数据治理政策、程序、标准和指南”，以最大化学校数据的价值。

　　纽约大学：强调对校务数据的治理

　　纽约大学强调其数据治理针对的是校务数据。其数据治理组织架构分为决策、统筹、执行三层，同时提供反馈渠道，形成一个完整的闭环体系。

　　该校首席校务数据管理官在数据治理体系中具有核心地位，除本职工作外，还同时主持数据受托委员会、数据管理咨询小组工作等，其职责跨三个层次。

　　这也从一个侧面反映出数据治理的基础是统筹协调，争取领导层的支持，协调业务部门和部门之间、数据采集领域与数据分析领域之间、数据服务体系与数据用户之间的关系。

　　奥克拉荷马大学：提高信息化管理运营效率

　　奥克拉荷马大学（University of Oklahoma）在Dell高性能计算设备上部署了开源安全程序Elasticsearch。

　　该工具允许安全人员快速搜索与特定用户名或时间窗口相关的不当指标，由此发现安全漏洞的趋势，并相应地调整政策。例如，数据分析显示，在大学的网络安全问题中，受损的证书占很大一部分。

　　因此，现在要求用户每年至少修改一次密码。“我们最终得到的数据集比以前更具可操作性。这节约了时间，也减少了解决某些问题的复杂性。这使得我们可以扩大我们的安全操作中心，包括那些不一定有任何安全背景或技能的学生工人，但是使用这些数据他们可以是富有成效的。”

　　普度大学：建立机制保障数据治理

　　普度大学(Purdue University)的“院校研究、评估和有效性办公室”(Office of Institutional Research，Assessment and Effectiveness)设立了几个委员会，专门负责高校数据治理政策和标准研究，甚至还设立了一个数据质量小组（data quality subcommittee），专注于寻找数据质量问题的解决方案。

　　加州州立大学长滩分校：以数据推动毕业率提升

　　加州州立大学长滩分校（California State University，Long Beach）利用数据来提高毕业率。

　　2015年，启动了数据治理项目，一个55人的团队两个月开一次会，讨论与学生学业成功相关的指标。这个团队成立的目的是建立数据所有权文化，形成推动变革的解决方案。

　　在长滩分校，四年毕业率在过去两年（2016～2018）从16%跃升至28%，与此同时，少数族裔和非少数族裔学生的毕业率差距从12%下降到4%。

　　圣母大学：积极制定数据治理政策

　　2013年，圣母大学(University of Notre Dame)建立了商业智能（business intelligence）项目dataND1，经过摸索，他们发现制定数据治理政策非常有必要，即要定义数据是什么，如何使用这些数据，谁应该有权访问这些数据。其经验总结如下：

　　1.如何统一数据定义：雇佣了一个数据治理管家（a campus data steward）在部门之间协调，建立关于数据的共识。

　　2.如何确定谁能访问什么数据：正确的问题不是这个业务是否需要这个数据，而是获取这个数据是否会给大学带来风险。

　　因为数据治理的目的是为了支持更广泛地使用数据，为了避免使用数据带来的风险，要加强对能够获得数据的人进行培训。当数据可能对大学造成重大伤害时，要有严格的限制。

　　达特茅斯学院：依据数据设计课程

　　在达特茅斯学院，IT团队使用实时数据收集工具来指导教学设计。通过实时分析应用程序，团队可以研究课程损耗率、课程招生规模和学生表现等指标，根据学生的需求重新设计课程。

　　乔治亚州立大学：学业预警

　　在乔治亚州立大学(Georgia State University)，大学辅导员利用数据分析工具GPS Advising（Graduation Progression Success，GPS），根据学生的学业成绩和财务信息，提出更有见地的建议，帮助学生取得成功。其中，该机构的工作人员分析了10年的数据，

　　包括250万个成绩单和14万个学生记录，寻找数据点和可识别的行为，这些行为与辍学率有显著的统计相关性。本来想找几十个，最后找到了800个。

　　例如，退学率和学期中期课程退出之间存在直接的相关性。如果一个学生没有登录学校的Wi-Fi网络，这意味着他可能没有来上课。“如果这800种行为中的任何一种被发现，分配给那个学生的指导教师就会收到警报，他们有48小时的干预时间，他们把学生叫进来，坐下来面对面地交流，尽其所能帮助他们”。

　　使用这个系统后，仅2018年就有十万个干预，毕业率比2003年提高了23个百分点。非裔美国人和西班牙裔学生的毕业率从18%上升到了55%。这类系统很受美国高校欢迎，因为毕业率也是招生的卖点。

　　肯尼索州立大学：关键数据助力学业成功

　　肯尼索州立大学（Kennesaw State University）有一门全在线课程，学生辍学率和不及格率都很高。追究原因是学生在线学习缺乏自我管理能力。

　　为此，学校建立了一个在线学习系统，希望尽早地发现学业上有困难的学生，并通过某种方式激励他们学习。

　　建立这个系统所做的一件事就是找出关键数据点，确定哪些关键任务对学生在课程中取得成功是必要的。

　　例如，如果他们没有完成某个作业，没有看教科书，或者没有在某个时间登录这门课，学业成功的可能性就会大大降低。

　　系统还收集分析了得A的学生的学习行为特征，将这些数据总结为经验，告诉学生，他们如果想得A，还需要在哪些方面有所努力，这将提高学生追求优秀的信心，继而提高结业率，减少辍学率。

　　阿拉巴马大学：预测学生离校风险

　　阿拉巴马大学(University of Alabama)使用预测分析系统发现，要求提供成绩单副本的学生有离开学校的风险。现在，管理人员可以注意到学生何时提出这样的要求，并提供学术和校园资源来鼓励这些学生留下来。

　　本文刊载于《中国教育网络》杂志2020年11月刊