作為知識的搖籃和創新的源泉，高校在數字化時代積累了海量的數據資源。這些數據涵蓋了教學、科研、管理等各個方面，但未經分類分級的數據就像一座無序的寶庫，難以管理和保護。而大模型技術的出現則為高校數據管理帶來了新的機遇和挑戰。一方面，大模型具有強大的數據處理和分析能力，能幫助高校更好地理解和利用數據。另一方面，大模型的應用也對數據的質量和安全性提出了更高的要求。如果沒有對數據進行有效的分類分級，大模型的應用可能會導致數據泄露和濫用等安全問題。因此，基于大模型的高校數據分類分級研究具有重要的現實意義。若利用得當，其不僅能提高高校數據的安全性和管理效率，還可為高校的教學、科研和管理提供更精準的支持。
隨著大模型在高校中的廣泛應用，數據量呈爆炸式增長，數據類型也日益多樣化。傳統的數據分類分級方法已難以滿足需求，迫切需要結合大模型的特點，構建新的分類分級體系。首先，通過對高校數據進行科學合理的分類，可以更好地管理和利用數據。例如，按照部門維度、人員維度、資產維度、業務維度、應用維度等進行分類，能夠清晰地了解數據的歸屬和用途，為數據的安全管理奠定基礎。其次，準確的分級可以確定數據的重要程度和安全風險等級，便于采取相應的保護措施。具體而言，應深入研究大模型對高校數據的影響，分析數據的特征和安全需求，并結合國家相關法律法規和教育行業標準制定適合高校的數據分類分級策略。同時，要通過實際案例分析，不斷優化和完善策略，確保其有效性和可行性。
現有分類分級方法
第一種分類方法是線分類法。該方法旨在將分類對象按選定的屬性或特征分為若干層級，每個層級又分為若干類別。同一分支的同層級類別之間是并列關系，不同層級類別之間則構成隸屬關系，同層級類別互不重復、互不交叉。這種方法適用于對一個類別只選取單一分類維度進行分類的場景。如在高校數據分類中，可以按照部門維度進行線分類，從學校整體到各個學院、系部，再到具體的科室，最終形成層次分明的分類體系。
第二種分類方法是面分類法，即依據所選定的分類對象本身固有的各種屬性或特征將其分成彼此獨立的面，每個面中都包含了一組類別。而將某個面中的一種類別和另外的一個或多個面的一種類別組合在一起，則可以組成一個組合類別。面分類法是并行化分類方法，同一層級可有多個分類維度，適用于對一個類別同時選取多個維度進行分類的場景。比如，在高校數據分類中，可以同時從部門維度、人員維度、業務維度等多個面進行分類，將不同維度的類別組合起來，更全面地描述數據的屬性。
現有方法存在的問題
現有方法存在的第一個問題是標準缺失與不統一。目前，高校數據分類分級的行業標準尚不完善，存在諸多問題。首先，標準的缺失使高校在進行數據分類分級時缺乏明確的指導依據。2022年，《教育系統核心數據和重要數據識別認定工作指南（試行）》明確了核心數據、重要數據及觸發條件，指出教育數據按照內容屬性可分為機構數據、人員數據、業務數據等三類，按照重要性、精度、規模、安全風險可分為核心、重要、一般三級。然而，教育行業數據分類分級指南標準仍在完善中，高校在實際操作中具體如何對數據進行分類分級仍然缺少有效的指導。其次，標準的不統一也給高校數據分類分級工作帶來了困難。不同高校可能根據自身業務特點和發展需要采用不同的分類分級方法，導致數據在不同高校之間的可比性和流通性較低。例如，有的高校更側重于按照部門維度進行分類，其他高校則傾向于按照人員維度進行分類。這種標準的不統一不僅增加了高校間數據共享和交流的成本，也給數據安全管理帶來了挑戰。
當前高校數據分類分級實踐中，工具效率低和準確度差也是一個突出問題。一方面，數據分類分級仍以人工操作為主，工作周期長、效率低且主觀性強。同時，分類中應用的工具和產品準確度亦較低，這就導致部分高校在自動識別和分類數據時，可能出現誤判或漏判的情況。原因之一是高校數據包含了大量的學術科研數據、學生個人信息等，而這些數據的類型和結構復雜多樣，現有的工具難以準確識別和分類。另一方面，一些工具在自動識別和分類上表現良好，但在處理大規模數據時效率仍較低。隨著高校信息化建設的不斷推進，數據量呈爆炸式增長，現有的工具往往難以在短時間內完成對大量數據的分類分級。這不僅影響了高校數據管理的及時性和有效性，也給高校的教學、科研和管理工作帶來了不便。
基于大模型的分類分級策略
分類分級原則
高校在對數據進行分類分級時，首先應遵循動態調整原則。隨著大模型的應用，數據的類別和級別可能會頻繁變化。第一，大模型的訓練可能會改變數據的特征和重要性，如原本被認為是一般數據的某些數據在經過大模型的挖掘和分析后，可能因被發現具有更高的價值而進行級別調整。第二，政策變化、安全事件發生以及不同業務場景的敏感性變化等因素也會影響數據的類別和級別。為應對此種變化，高校應建立定期審核和調整分類分級數據的機制。可以每季度或半年對數據進行一次全面的審查，根據數據的實際情況進行調整。同時，應利用大模型的數據分析能力，實時監測數據的變化趨勢，提前預判可能的類別和級別變化，及時采取相應措施。如通過對學生行為數據的分析，發現某些特定行為模式的數據可能與安全風險相關，進而及時調整相應的數據級別并加強保護措施。
要遵循的第二個原則是就高從嚴原則。大模型的應用使數據的關聯性和融合性增強，一個數據集中可能包含多個級別的數據項。按照就高從嚴原則進行定級，可以確保數據得到充分保護。例如，一個包含學生個人信息和科研成果的數據集中，學生個人信息可能被定為重要數據級別，而科研成果可能被定為核心數據級別。按照就高從嚴原則，該數據集應被定為核心數據級別，并采取最高級別的保護措施。此外，大模型的開放性和通用性也增加了數據泄露的風險。就高從嚴原則可以在一定程度上彌補這種風險，確保即使在最不利的情況下，數據也能得到最大限度的保護。例如，在使用開源大模型時，由于其安全性無法得到充分保障，可能存在數據泄露的風險。按照就高從嚴原則對數據進行定級，能有效降低此類風險。
分類分級方法
第一種方法是利用大模型進行自動分類。大模型具有強大的語言理解和模式識別能力，可通過對大量高校數據樣本的學習識別出不同數據的屬性，并據此將數據自動分類。以學生數據為例，大模型能分析學生的學籍信息、選課記錄、考試成績等數據的特征，將其自動分類到學生數據類別中。同時，大模型還可以根據數據的內容主題和來源等多個維度進行分類，進一步提高分類的準確性和全面性。據統計，在某高校的實驗中，大模型自動分類的準確率達到了80%以上，有效提高了數據分類的效率和準確性。
第二種方法是智能定級策略，即運用大模型綜合考慮多個因素進行智能定級。首先，大模型可以分析數據的重要性，評估數據在教育發展中的作用以及對國家安全、公共利益、個人組織合法權益的影響程度，進而確定數據的級別。其次，大模型可以參照數據的規模和精度，給予數據規模較大且描述對象精確的數據集更高的定級。此外，大模型還可以結合數據的安全風險，分析數據遭泄露、篡改、破壞或非法獲取、非法利用、非法共享后可能產生的影響，確定數據的安全風險級別。例如，在對高校科研數據進行定級時，大模型可以綜合分析科研項目的重要性、科研成果的規模、精度以及數據安全風險，最終確定科研數據的級別。若科研項目涉及國家重大戰略需求、成果規模大、精度高且數據安全風險較高，大模型會將該科研數據定為核心數據級別，采取最高級別的保護措施。
分類分級實踐
在實際應用中，高校可以通過以下方式利用大模型進行數據分類分級工作。
首先，高校可以建立專門的數據分類分級團隊，成員包括數據管理專家、信息技術人員以及熟悉業務流程的教師和工作人員。這一團隊負責制定數據分類分級的策略和標準，并利用大模型技術進行具體的實施。例如，團隊可以根據學校的實際情況，確定數據分類的維度和級別，然后利用大模型對學校的各類數據進行自動分類和分級。
其次，高校可以利用大模型對現有數據進行全面的梳理和分析。通過對數據的特征、來源、用途等方面的分析，大模型可以幫助高校更好地了解數據的屬性和價值，為數據分類分級提供依據。例如，對于學生數據，大模型可以分析學生的學籍信息、選課記錄、考試成績等數據的關聯性，將具有相似特征的數據歸為一類，并根據數據的重要性和敏感性進行定級。
此外，高校還可利用大模型對數據進行實時監測和動態調整。隨著學校業務的不斷發展和數據的不斷變化，數據的類別和級別也可能發生變化。大模型可以實時監測數據的變化情況，并根據變化及時調整數據的分類分級。例如，當學校開展新的科研項目或教學活動時，大模型可以分析新產生的數據的特征和價值，及時將其納入到數據分類分級體系中，并根據需要調整相關數據的級別。
最后，高校可以結合大模型的結果進行數據安全管理。根據數據的分類分級結果，高校可以制定不同級別的數據保護措施，包括訪問控制、加密、備份等。例如，對于核心數據，高校應采取嚴格的訪問控制措施，只有經過授權的人員才能訪問；對于重要數據，高校應進行加密處理，確保數據在傳輸和存儲過程中的安全性；對于一般數據，高校可以采取定期備份的方式，防止數據丟失。
總之，利用大模型進行高校數據分類分級工作，能提高工作效率和準確性，為高校的數據安全管理提供有力支持。
結語
大模型在為高校帶來數據處理效率提升、數據分析深度拓展等機遇的同時，也帶來了數據泄露風險增加、安全管理難度加大等挑戰。未來應進一步探索大模型在不同場景下對高校數據安全的影響，以及如何制定更加精準和有效的分類分級策略。例如，可以研究大模型應用在高校在線教育、科研合作等領域可能帶來的數據安全問題，以及如何結合區塊鏈等新興技術提高數據的安全性和可信度。另一方面，高校數據分類分級的標準和規范也需要不斷完善和統一。要結合國家相關法律法規和教育行業標準，制定更加科學、合理和可行的高校數據安全分類分級標準和規范。同時，還應該加強高校之間的合作與交流，共同推動高校數據分類分級工作的發展。
來源：《中國教育網絡》2025年8月刊
作者：趙鑫（東北財經大學智慧校園建設中心）
責編：陳茜
