□ 陈志欣
近年来，人工智能与大数据技术加速渗透高校教学、科研与管理各个层面，正在改变高等教育的治理形态。但在数字基础设施快速铺开的同时，部分高校也面临平台利用率不高、数据共享不畅、系统效能未充分释放等状况。这些现象表明，数字化转型的深层制约因素不在于技术能力，而在于治理价值定位、组织协作机制、评价制度设计和数据规范体系等制度层面的议题。走出这一困局，需要在既有制度框架中为新的协作逻辑和评价理念培植生长空间，使技术工具真正服务于育人本位。
确立治理边界：让技术工具服从育人本位
智慧治理以效率、精准、预测为核心逻辑，在提升管理效能方面具有积极意义。但当算法预测、绩效量化等工具深入教育场景时，如何在技术效率与教育规律之间保持平衡，需要审慎对待。高等教育的育人过程具有情境性、不确定性和个体差异性，这些特征与数据化治理的标准化取向之间存在一定的张力，提示我们需要在制度层面为技术应用划定清晰的边界。
建立算法应用的分级管理制度，是划定边界的首要举措。可依据决策影响程度，将高校AI应用分为辅助参考、有限授权和限制使用三个层级。学业预警、课程推荐等场景中，算法可以生成参考信息，但触发实质性干预须经教育者复核确认。涉及学籍变动、学位授予等重大事项，算法仅限于提供背景数据，裁量权完整保留于学术委员会及相关决策机构。这一分级机制既尊重技术的辅助功能，也保障了教育者的专业判断不被程序化流程替代。
在分级管理的基础上，还应从两个维度完善治理边界。一是确立师生的数据权利原则。师生有权知晓自身数据被采集和使用的基本情况，有权提出查询和异议。这关系到治理关系中主体地位的确立，在被技术深度介入的治理环境中，被治理者不应沦为被动的数据来源。二是确立人的最终监督原则。各类智慧治理系统在运行中应保留人工审核与干预的制度通道，避免形成完全的自动化闭环。国际社会近年来在人工智能教育伦理领域形成的“人在回路”等共识性原则，为这一监督原则提供了学理支撑。
疏通组织经脉：以制度激励推动数据共享
高校数字化转型中，数据共享不畅是较为普遍的现象。教务、学工、财务、人事等系统之间的壁垒，表面上是技术标准不统一的问题，深层则涉及部门间信息管理权限的调整。业务数据往往与部门职能紧密关联，跨部门的数据流通意味着管理权限和工作流程的重新界定。因此，推动数据共享不仅需要技术层面的接口对接，更需要制度层面的顶层设计。
设立首席数据官制度，是理顺数据治理体制的有效途径。首席数据官由分管校领导或信息化部门负责人兼任，任务是统筹全校数据的规划、标准、共享规则。落到实处，可由其牵头制定数据共享的“正负面清单”，明确哪些基础数据必须共享，哪些因隐私或安全问题只能限量访问，哪些需经过授权审批。这一制度将数据共享从一事一议的协商谈判转变为有章可循的制度安排，降低了部门间的协调成本。
组织层面可以搭建跨部门的数据治理委员会。委员会由各主要业务部门负责人组成，定期审议数据共享事项、协调争议、评估共享成效。各部门在决策中适度拥有参与权和话语权，数据共享便从被动配合转向主动协作。一些高校的实践表明，将数据共享成效与部门资源配置适度挂钩，各单位开放数据的积极性会明显提升。依托制度激励，比依托行政推动产生的效果更持久。
制度空间上可以推行弹性化的组织安排。在保留既有组织架构规范性的前提下，为跨部门协作和基层自主决策留出空间。日常事项交给基层办，少些层层报批的拖沓；跨部门事项，交由数据治理委员会协调；重大决策事项保留完整审核程序。这种按事项性质和风险等级匹配管理流程的做法，比单一的行政动员更为务实，也更适应数字化环境对组织灵活性的要求。
完善评价机制：构建人机协同的学术判断体系
教育评价是指挥棒，其改革是高校治理中的重点领域。《深化新时代教育评价改革总体方案》为破解评价中的量化偏重问题指明了方向。在智慧治理背景下，新问题随之而来。如何在善用技术的同时，避免数据造成学术劳动的简化？学术劳动中有价值的部分，包括教书的火候、选课题的直觉、对学生潜移默化的浸染，这些往往难以纳入量化指标。制度要做的，就是在“用数据”和“用人”之间找好平衡点。
平衡数据效率与学术判断的有效路径，是构建人机协同的评价体系。数字化系统承担信息整合和客观呈现的功能，从教学记录、科研成果、学术服务等多维度生成学术画像，为评价提供数据基础。教学质量、育人成效、学术原创性等核心维度的判断，则由同行专家通过深度评估作出。人机协同的关键在于明确职能边界：系统负责“呈现”，专家负责“判断”，各司其职、相互支撑。
落到具体制度上，评价框架宜分层分类。年度常规绩效，以系统生成的客观数据为基础，再搭配院系同行评议，确保评价的及时性和可操作性。涉及学术成就、长期贡献，开设长周期评价的通道，给基础研究、冷门学科、教学创新保留一块“保护区”。不同学科的研究规律差异较大，在分层分类框架下，评价周期、指标权重和评议方式可根据学科特点有所调整。此外，评价结果应用于教师发展和学术规划，而非简单地与资源分配挂钩，以维护评价的发展性功能和学术公信力。
健全数据规范：在借鉴中探索特色化治理路径
从国际视野看，不同国家在高等教育数字化转型中形成了各有侧重的治理路径。美国以市场和技术创新为主要驱动，欧盟以权利保障和制度规范为先导，中国则在国家战略统筹下推进教育数字化。不同路径各有其历史背景和制度基础，各有可借鉴之处。中国高校智慧治理的推进，需要在了解国际经验的基础上，立足本土制度语境，探索适合自身实际的规范体系。
《中华人民共和国数据安全法》和《中华人民共和国个人信息保护法》已经建立了法律框架，高校需进一步探索的，是将原则性规定变成可操作的具体规范。按数据敏感程度分成公开数据、内部共享数据、限制访问数据、核心保护数据四个等级，每一级对应不同的采集标准、存储要求和访问权限，形成清晰的指引。比如课堂行为数据归属于“限制访问”一级，采集之前需告知学生、征得同意，采集完成后只能用于改进教学，不能挪作他用。教师教学数据涉及知识产权和职业评价，其权属和使用规则应通过学校规章制度加以明确。
高校AI应用的风险评估机制也需要制度化。可参照国际上将教育场景AI应用列为较高风险类别的做法，建立高校AI系统上线前的风险评估程序，评估算法透明度、数据来源合法性、潜在的歧视风险和人工监督机制等。风险评估应建立定期复审机制，跟踪系统运行中的新问题。同时，在统一规范确立之后，具体的实施方式可鼓励院系层面结合自身特点进行探索，如理工科院系在科研数据管理方面先行先试，人文社科院系在教学评价质性工具方面积累经验。统一规范与基层探索有机结合，有助于在保障底线安全的同时激发制度创新活力。
当前高校数字化转型正处于从基础设施铺设向治理效能提升转变的关键阶段。真正制约转型深度的，不在技术工具本身，而在治理结构的深层调适。务实的路径，是在既有制度框架中为技术工具与教育逻辑的深度融合培育制度土壤，使变革以渐进而扎实的方式推进。
高校智慧治理的理想形态，不是技术对治理的全面替代，而是“人、数、制”三者协同的治理格局——人的价值判断居于主导，数据的技术功能提供支撑，制度的规范框架保障运行。习近平总书记强调，“教育数字化是我国开辟教育发展新赛道和塑造教育发展新优势的重要突破口”。将这一要求落到实处，需要高校治理者在价值定位、组织机制、评价体系和数据规范等方面持续探索，使数字技术真正成为提升治理能力、服务人才培养的有力支撑。
（作者单位：苏州大学苏州医学院）