（五）系统建构

以上的分析思路和方法主要是基于单个变量的结果研究，或是多个变量相互间影响的研究。在质量评价的数据分析中，涉及的数据变量常常是不同层次、不同类别的，相互间的影响也错综复杂。为此，我们需要借助数据，对质量评价的模型或是体系做一个系统的建构与解读。如国际上大型的教育评价项目TIMSS和PISA受“输入—过程—输出”模型的影响，不仅利用纸笔测试调查学生学业情况，还利用问卷收集影响学生学习的背景信息，了解教育系统的投入和过程，力图对学生学业成绩的差异作出说明和解释^[4]。

国内大型的教育评价项目，如中国基础教育质量监测协同创新中心所开展的区域教育质量监测项目，上海市开展的绿色指标评价项目，其理论模型与TIMSS、PISA也有类似之处，不仅了解教育质量的核心内容，也通过各类问卷和相关背景信息，对教育质量的核心内容，及相关影响因素作出系统的解读与建构。这就需要整合各类横向和纵向的数据，所采用的分析方法相对综合（如多水平分析、方差分析、回归分析、T检验等）。以温州市2009年参加教育部课程教材中心“中小学生学业质量分析反馈指导系统”项目为例，温州在教育部课程中心反馈报告的基础上，开展了后续数据的挖掘与分析，对温州市义务教育学业质量做了系统化、立体式的分析与解读。(https://www.daowen.com)

当然，数据挖掘的方法非常多，远不止文本中所提到的几种。以上介绍的只是一个数据挖掘的思路主线，其他的方法也可以融入相应的层次中。依据这个主线，数据挖掘工作有了更为清晰的定位和认识，得以循序渐渐、“步步为营”，避免毫无头绪、杂乱无章。