校務行政系統資料庫與圖書館數據儀表板(Dashboard)建置經驗分享

江維信／東海大學圖書館 數位服務組

一、前言

近年來，大數據分析技術與應用越來越受到各領域的關注與重視 (Duan, Edwards, & Dwivedi, 2019)，例如：教育領域 (Luan & Tsai, 2021; Yang, 2021)、醫療領域 (Collins & Varmus, 2015)等。東海大學 (以下稱本校) 自107學年起，由電算中心、校務研究辦公室及相關的業務單位合作，開始規劃與建置東海校務研究資料庫、數據東海網站，並以互動式視覺化圖表呈現學生在學習、生活、求職、服務與實習等面向數據資料，即從學生入學、求學、畢業到求職的一條龍資訊服務。此外，圖書館是大學的心臟 (Euster, 1995)，其具有提供學習者豐富的學習資源，與支援教師和研究者在教學與學術研究等重要任務。為滿足新時代讀者的需求與利用有限資源達到效益最大化的發揮，圖書館也正在面臨如何在大量數據資料與讀者反饋等不同來源的各種活動數據中，提供一個支援圖書館評估與分析的框架 (Showers, 2015)。

有鑑於此，本館嘗試將圖書館自動化系統及校務行政系統資料進行整合，實作圖書館館藏統計、館藏借閱、進館讀者行為分析等互動式視覺化統計圖表，期能提供本館在書籍採購、流通人力安排的參考，並規劃未來與本校各單位資料，包括學生在學習、生活、就業等全方位議題做全面的整合分析。

二、數據東海網站與圖書館相關系統的整合

1. 數據東海網站

在本系統施作流程架構的部份，校務研究資料庫主要萃取、收錄校務行政資料庫之各系統資料、各單位零散檔案以及校外開放資料，再依據探討的議題規劃所需的資料態樣與資料範圍，經由電算中心系統組人員撰寫資料清洗的程式，即整理及清洗資料後，匯入校務研究資料庫。最後，以Tableau繪製成具互動性的視覺化圖表，繪製後發布於Tableau Server，並整合於校務研究辦公室之數據東海網站。本校教職員經東海資訊服務帳號 (THU_NID) 認證後，即可查詢各議題相關統計視圖，如本系統施作流程示意圖 (如圖1所示) 。截至108學年，已完成100餘個互動式視覺化統計圖表，包含教務、學務、校友及本校特有勞作教育系統的學生資料整理等九大類資料。此外，整合本校圖書館自動化系統及校務行政系統資料，實作圖書館館藏統計、館藏借閱、進館讀者行為分析等互動式視覺化統計圖表，為110年實施任務之一。

圖 1 整體施作流程

數據東海網站包含「即時速報」、「主題探討」及「個案分析」三大部分。

「即時速報」提供高階主管透過儀表板了解「教師與學術」、「學生人數」、「國際移動」、「學習歷程」、「學習成效與多元學習」、「學習資源」、「博雅學習」等七大領域 (如圖2所示)，24個當學期的數據項目，每個項目可下探該項目近5年資料、4至5項主管關注維度的數據圖。以圖3為例，其為多元學習-獲得學分學程統計之互動式視覺化統計視圖。此外，這些互動式視覺化統計視圖也可依需要調整資料範圍，或選定任一維度做議題的探討及問題的探索。

圖 2 即時速報


圖 3 互動式視覺化統計視圖 (以多元學習-獲得學分學程統計為例)

主題探討區的部份，主要提供學系主任、行政單位主管對各項議題做深入的數據統計及問題探討。目前規劃「入學」、「在學穩定度」、「學習成效」、「多元學習」、「學習資源」、「國際移動」、「博雅學習」、「畢業與校友」、「教師與學術」等九項分類互動式視覺化統計圖表呈現 (如圖4所示)。其中，每個圖表完整掌握自90學年度至今的資料，包含近15個維度統計及歷年趨勢變化圖。如圖5為通過英文畢業門檻統計之學習成效的互動式視覺化統計視圖。

圖 4 主題探討


圖 5 互動式視覺化統計視圖 (以學習成效-通過英文畢業門檻統計為例)

2. 整合圖書館自動化系統與電子資源查詢整合系統

為使圖書館自動化系統、電子資源查詢整合系統與校務行政系統資料進行整合，規劃匯出兩系統的資料後，結合校務行政系統資料，整理預訂探討議題，由本館撰寫程式與清洗資料。並將已清洗的原始資料，存放於本校校務研究資料庫，供校務研究辦公室或其他處室進行應用分析或加值服務使用。最後，採用視覺化繪圖工具 (Tableau) 繪製互動式統計視圖，以供本館相關業務組長與館長做為參考依據。此外，因校務行政資料庫具有最完整的學生、教職員基本資料及其他相關系統輔助資料，故將圖書館自動化系統與電子資源查詢整合系統的資料與校務行政系統整合並進行分析。舉例來說，若欲統計近3年讀者借閱狀況，在資料清洗過程，搭配校務行政資料庫中的教務系統記載每位學生註冊、轉系、休退學資料，彙整出來的資料維度 (欄位) 將更為詳盡。

圖6為本校圖書館自動化系統與電子資源查詢整合系統的資料，結合校務行政系統資料之施作流程。在資料匯出與整合的部份，首先將圖書館自動化系統 (HYLIB) 與電子資源整合查詢系統 (HYINT) 豐富的資料納入校務研究資料庫，主要架構及作法依循前述整體作法。且考量不影響本館系統日常運作及系統效能，所需資料由凌網公司協助每日定時匯出一份資料至測試資料庫，利用本館所撰寫的程式，整合圖書館自動化系統與校務行政資料庫資料。在符合ISO29100資訊安全技術隱私框架標準及個資法第20條資料利用的法定要件下，將資料去識別化後存入本校校務研究資料庫，再利用Tableau繪製互動式視覺化統計視圖。

圖 6 實作資料清洗流程

整合任務主要聚焦於館藏統計(包含採購時間點統計與採購經費統計)、借閱統計(包含讀者借閱統計、借閱TOP 10排行榜、閒置排行榜等)與入館統計(包含進館統計人數、人次統計及歷年趨勢等)，詳細內容如圖7。

圖 7 整合任務─整合圖書館自動化系統與電子資源查詢整合系統

經與圖書館相關業務組長討論，歸納出統計所需的欄位及資料態樣 (如圖8所示)。

圖 8 實作資料清洗欄位範例

相關實作結果說明如下：

2.1 館藏統計

透過互動式視覺化統計圖表提供圖書館各組組長進行觀察與分析：館藏地統計、圖書分類、語文類型、歷年採購買冊數與金額、館藏類型、贈書等統計數據與歷年趨勢的變化 (如圖9所示)。

圖 9 互動式視覺化統計視圖－館藏統計

2.2 借閱統計

規劃與校務行政資料庫的學籍及人事系統資料進行整合。在讀者資料的部份，詳細記載讀者借閱當年的身分、就讀學系等，欄位多達10餘項，彙整出來的資料經由互動式視覺化統計圖表呈現，圖書館各組組長可觀察那個學院 (系) 的學生或是那個年級、那些老師偏愛借閱那個類型的書籍或影片，每個類型書籍 (包含指定參考書、專案借書、一般) 平均借閱時長，進而觀察每一類型館藏的流動率及使用率，以及提供臨櫃、自助借書機使用狀況及時段統計，可供日後調整櫃台人力的參考依據等 (如圖10所示)。

圖 10 互動式視覺化統計視圖－借閱統計

2.3 入館統計

透過互動式視覺化統計圖表，圖書館各組組長可觀察每日進館人數、人次，亦可探究與分析不同類型讀者進館目的、時段等，以利調配相關資源，讓館內有限資源達到公平分配與效益最大化的發揮 (如圖11所示)。

圖 11 互動式視覺化統計視圖－入館統計

三、 結論

本次實作主要以提供相關數據報表，給予本館館長與各組組長進行評估與支持他們的討論與決策。若想取得精確的數據，在數據處理上須持續不斷來來回回調整，是一個繁鎖及長時間的工程；而在實作過程中，則同步突顯資深館員的過往經驗值與專業的重要地位及價值，例如：整理數據時可能會出現偏頗或不合常理的表現，需仰賴資深館員的經驗與解釋，才可得知問題根源並做進一步修正。此外，這次的實作也發現一些相關應用程式的錯誤及不足，例如：門控系統伺服主機鐘訊同步檢查不夠確實，導致門禁刷卡時間異常；訪客登記作業欄位不足，無法統計更細的維度，上述皆需要回頭再修正及檢視館內原本的資訊系統。更甚者，此次實作也激發更多未來可探究的議題，例如：罰款統計分析 (可預防呆帳或促進館藏流動率) 、閱讀趨勢統計 (可發展智慧圖書推薦) 與推薦與借閱的關聯統計 (可當成採購的策略依據) 等。另一方面，結合豐富資料亦可讓校務研究資料庫的資料更加完備，讓校務研究辦公室或相關業務單位在對學生學習、生活、就業輔導等層面的策略思考更加全方位且更精準。

參考資源

  1. Collins, F. S., & Varmus, H. (2015). A new initiative on precision medicine. New England Journal of Medicine, 372(9), 793-795.

  2. Duan, Y., Edwards, J. S., & Dwivedi, Y. K. (2019). Artificial intelligence for decision making in the era of Big Data–evolution, challenges and research agenda. International Journal of Information Management, 48, 63-71.

  3. Euster, J. R. (1995). The academic library: Its place and role. In Academic libraries: Their rationale and role in American higher education (pp. 1-14). Westport, CT: Greenwood Press.

  4. Luan, H., & Tsai, C. C. (2021). A review of using machine learning approaches for precision education. Educational Technology & Society, 24(1), 250-266.

  5. Showers B (2015) Library analytics and metrics: Using data to drive decisions and services. London: Facet.

  6. Yang, S. J. H. (2021). Guest Editorial: Precision Education - A New Challenge for AI in Education. Educational Technology & Society, 24 (1), 105–108.