基于學(xué)生多源數(shù)據(jù)的跨域關(guān)聯(lián)和數(shù)據(jù)分析*

宋 丹 豐 霞 何 宏

?

基于學(xué)生多源數(shù)據(jù)的跨域關(guān)聯(lián)和數(shù)據(jù)分析*

宋 丹1豐 霞2何 宏1

（1．湖南工程學(xué)院 計算機與通信學(xué)院，湖南湘潭 411104； 2．湖南工程學(xué)院 教務(wù)處，湖南湘潭 411104）

高校學(xué)生的相關(guān)大數(shù)據(jù)的類型和數(shù)量日益增長，但這些多源數(shù)據(jù)來源于不同部門的各類系統(tǒng)，結(jié)構(gòu)異化，缺乏有效的數(shù)據(jù)融通與數(shù)據(jù)共享。針對這一問題，文章采集了教學(xué)部門的課程成績、學(xué)生部門的學(xué)生基本信息和后勤部門的校園卡刷卡記錄，對這些多源數(shù)據(jù)進行預(yù)處理、結(jié)構(gòu)化的操作后，對其進行跨域關(guān)聯(lián)和數(shù)據(jù)分析。文章通過小規(guī)模樣本群體的實證分析，得到學(xué)困生對群體的影響比學(xué)優(yōu)生更大、經(jīng)常在學(xué)校食堂晚餐的同學(xué)課程成績更佳、在同一群體中年齡小的成績表現(xiàn)更優(yōu)等分析結(jié)果。

多源數(shù)據(jù)；跨域關(guān)聯(lián)；大數(shù)據(jù)；數(shù)據(jù)分析

大數(shù)據(jù)不僅具有數(shù)據(jù)量大的特征，還具有結(jié)構(gòu)相異、類型不同、來源多樣的特征，經(jīng)過交叉復(fù)用之后可以挖掘出更多的數(shù)據(jù)價值。從中小學(xué)到高校，隨著“數(shù)字校園”和“智慧校園”的建設(shè)與實施，學(xué)校已積累起海量的類型不同、結(jié)構(gòu)相異的數(shù)據(jù)，如隸屬于教學(xué)管理部門的成績管理信息、學(xué)生管理部門的學(xué)生基本信息、財務(wù)部門的學(xué)生學(xué)費信息、后勤系統(tǒng)的食堂用餐記錄、圖書館的借閱記錄等。這些多源數(shù)據(jù)隸屬于不同部門，通常產(chǎn)生于多個領(lǐng)域的各類系統(tǒng)，有各自的專門用途，其數(shù)據(jù)又具有不同結(jié)構(gòu)，因此，對這些數(shù)據(jù)進行數(shù)據(jù)融通與共享非常困難，對其進行跨域關(guān)聯(lián)與分析的研究及應(yīng)用就更為少見。為了對高校學(xué)生的多源數(shù)據(jù)進行交叉復(fù)用以挖掘更多的數(shù)據(jù)價值，本研究在對學(xué)生的多領(lǐng)域數(shù)據(jù)進行采集、預(yù)處理的基礎(chǔ)上進行跨域關(guān)聯(lián)和數(shù)據(jù)分析，最終得到有價值的分析結(jié)果和決策建議。

一教育數(shù)據(jù)分析研究現(xiàn)狀

互聯(lián)網(wǎng)、云計算和物聯(lián)網(wǎng)的迅猛發(fā)展推動了大數(shù)據(jù)的研究與應(yīng)用。在教育領(lǐng)域，數(shù)據(jù)分析能夠有效優(yōu)化學(xué)習(xí)過程、改善學(xué)習(xí)體驗并提升教育質(zhì)量。2012年，黃榮懷[1]指出智慧校園是數(shù)字化的必然趨勢，教育數(shù)據(jù)分析是構(gòu)建智慧教育的支撐技術(shù)；顧小清[2]運用數(shù)據(jù)分析技術(shù)，對學(xué)習(xí)過程進行了有效監(jiān)測與評價。2013年，張羽[3]運用大數(shù)據(jù)分析技術(shù)，提升了MOOC教學(xué)模式的教育質(zhì)量；魏順平[4]采用數(shù)據(jù)分析技術(shù)，成功挖掘了教育數(shù)據(jù)的價值。2015年，姜強[5]構(gòu)建了基于大數(shù)據(jù)的在線學(xué)習(xí)分析模型，并在學(xué)習(xí)分析后為學(xué)生提供個性化服務(wù)干預(yù)。2016年，祝智庭[6]通過預(yù)學(xué)習(xí)階段的數(shù)據(jù)挖掘，輔助教師開展精準的教學(xué)決策。2017年，吳文峻[7]認為學(xué)習(xí)大數(shù)據(jù)分析技術(shù)可以獲取學(xué)生學(xué)習(xí)的隱性和顯性行為，用于評估學(xué)業(yè)進展，預(yù)測未來表現(xiàn)。

與國內(nèi)相比，美國、英國等西方國家較早開展了教育數(shù)據(jù)分析和教育數(shù)據(jù)評估工作。1969年，英國開放大學(xué)存儲與分析了遠程學(xué)習(xí)者的成績；1997年，Tinto經(jīng)過持續(xù)20年的數(shù)據(jù)采集與分析，發(fā)表了關(guān)于學(xué)習(xí)保持率的影響因素的學(xué)術(shù)成果；2001年，美國頒布《不讓任何一個孩子落后》教育法案，大力推進數(shù)據(jù)在教育評價中的運用；2007年，普渡大學(xué)構(gòu)建的課程警示系統(tǒng)（Course Signals）能夠分析學(xué)生在學(xué)習(xí)過程中的個體表現(xiàn)，進而預(yù)測學(xué)生的學(xué)業(yè)狀態(tài)[8]；2011年，Siemens[9]對學(xué)習(xí)分析進行了定義，即學(xué)習(xí)分析是指通過測量、收集和分析學(xué)習(xí)者及其所處環(huán)境的數(shù)據(jù)，用以理解和優(yōu)化學(xué)習(xí)及學(xué)習(xí)環(huán)境的過程；2015，Roberts[10]認為在綜合數(shù)據(jù)庫的基礎(chǔ)上應(yīng)用學(xué)習(xí)分析技術(shù)，將會提升教學(xué)和評價做出客觀決策的能力。

綜合國內(nèi)外的研究現(xiàn)狀，大數(shù)據(jù)在教育領(lǐng)域中的研究與應(yīng)用日益增強，許多學(xué)者在學(xué)習(xí)數(shù)據(jù)采集、數(shù)據(jù)分析、輔助決策等方面進行了有益的探索與研究。但是，數(shù)據(jù)分析在教育領(lǐng)域中仍面臨諸多挑戰(zhàn)：隨著高校大數(shù)據(jù)的類型和數(shù)量快速增長，由于數(shù)據(jù)來源多樣、數(shù)據(jù)結(jié)構(gòu)相異等原因，數(shù)據(jù)共享與數(shù)據(jù)融通仍有困難；教育數(shù)據(jù)化程度顯著提高，但日常教育教學(xué)模式仍以傳統(tǒng)教學(xué)方式為主，科學(xué)的大數(shù)據(jù)分析與應(yīng)用仍很缺乏，對學(xué)習(xí)數(shù)據(jù)之外的其它類型數(shù)據(jù)的融合分析就更少，尚未對多源數(shù)據(jù)進行有效的跨域關(guān)聯(lián)與分析。

二課程間的數(shù)據(jù)關(guān)聯(lián)

本研究從學(xué)校教務(wù)管理系統(tǒng)的數(shù)據(jù)庫中提取計算機專業(yè)的兩個班（共69名學(xué)生）作為樣本群體，共提取所有課程的原始成績記錄共5249條記錄，進行數(shù)據(jù)采集。同時，本研究依據(jù)計算機專業(yè)本科階段的課程設(shè)置體系和人才培養(yǎng)目標，從幾十門課程中選取了8門核心專業(yè)課進行課程間的數(shù)據(jù)關(guān)聯(lián)分析。選取的這8門核心課程分別是：“C語言程序設(shè)計”（授課時間：2013），“數(shù)據(jù)結(jié)構(gòu)”（授課時間：2014），“面向?qū)ο蟪绦蛟O(shè)計”（授課時間：2014），“操作系統(tǒng)”（授課時間：2015），“數(shù)據(jù)庫原理”（授課時間：2015），“算法設(shè)計與分析”（授課時間：2015），“軟件工程”（授課時間：2015），“網(wǎng)絡(luò)程序設(shè)計”（授課時間：2016）。

對上述8門核心課程的69名學(xué)生成績進行相關(guān)性分析，所得結(jié)果如表1所示。表1列出了二門核心課程之間的相關(guān)性，如“C語言程序設(shè)計”與“數(shù)據(jù)結(jié)構(gòu)”的相關(guān)系數(shù)為0.2，相關(guān)性較低；“數(shù)據(jù)結(jié)構(gòu)”與“面向?qū)ο蟪绦蛟O(shè)計”的相關(guān)系數(shù)為0.5，相關(guān)性較高，表明“數(shù)據(jù)結(jié)構(gòu)”學(xué)得好的學(xué)生，“面向?qū)ο蟪绦蛟O(shè)計”也學(xué)得較好。將單門課程與其它課程的相關(guān)系數(shù)進行匯總后求均值，得到表中“平均值”列，對這些平均值進行排序后得到表中“排名”列。

表1 核心課程之間的相關(guān)性分析

從表1統(tǒng)計的“排名”列來看，在8門核心課程中，與其它課程相關(guān)性最高的前三門課程分別為“面向?qū)ο蟪绦蛟O(shè)計”、“算法設(shè)計與分析”、“數(shù)據(jù)結(jié)構(gòu)”。結(jié)合這三門課程的開課時間，“面向?qū)ο蟪绦蛟O(shè)計”與“數(shù)據(jù)結(jié)構(gòu)”均為2014年開課，時間較早，“算法設(shè)計與分析”為2015年開課。因此，“面向?qū)ο蟪绦蛟O(shè)計”與“數(shù)據(jù)結(jié)構(gòu)”課程的成績表現(xiàn)對學(xué)生的整體專業(yè)課程成績影響最大。從本樣本群體的學(xué)業(yè)成績表現(xiàn)來看，學(xué)院、教師和輔導(dǎo)員應(yīng)該對“面向?qū)ο蟪绦蛟O(shè)計”與“數(shù)據(jù)結(jié)構(gòu)”課程予以重點關(guān)注，從各個環(huán)節(jié)加強其課程教學(xué)，力求以點帶面，以少數(shù)專業(yè)核心課程的教學(xué)為突破口，帶動整體專業(yè)課程教學(xué)，取得更好的教學(xué)效果。

三跨域關(guān)聯(lián)與數(shù)據(jù)分析

課程間的數(shù)據(jù)分析與關(guān)聯(lián)的數(shù)據(jù)對象來源相同、結(jié)構(gòu)相同，處理相對簡單。對多源數(shù)據(jù)進行跨域關(guān)聯(lián)與分析，主要包含三個方面：①學(xué)校教務(wù)管理系統(tǒng)的學(xué)生成績與學(xué)生管理部門的寢室信息；②學(xué)生成績與學(xué)生管理部門的基本信息（性別、年齡、地域）；③學(xué)生成績與后勤管理部門的校園卡刷卡記錄。

1 學(xué)生成績與學(xué)生寢室

本研究從學(xué)校教務(wù)管理系統(tǒng)的數(shù)據(jù)庫中提取兩個班共69名學(xué)生的原始成績記錄共5249條，以學(xué)生為分類依據(jù)，對其所有課程成績記錄進行分類匯總求平均值，從而得到每個學(xué)生的成績均值；隨后，按課程成績均值進行排序，得到個人成績排名；最后，由于這兩個班的69名學(xué)生歸屬于18個寢室，故對這些寢室進行個人成績綜合求均值后以寢室為基本單元進行排序，得到寢室排名。表2和表3分別列出了課程成績前十名和后十名學(xué)生所屬寢室及其寢室排名（注：為了保護學(xué)生的個人信息，本研究對學(xué)號進行了編碼處理）。

表2 課程成績前十名學(xué)生所屬寢室的成績排名

表3 課程成績末十名學(xué)生所屬寢室的成績排名

本研究對學(xué)生個人成績排名與所屬寢室成績排名進行相關(guān)性分析，計算出學(xué)優(yōu)生的個人成績排名與寢室成績排名相關(guān)系數(shù)值為0.1533，呈現(xiàn)正的弱相關(guān)關(guān)系，表明學(xué)優(yōu)生對同寢室學(xué)生的整體學(xué)習(xí)效果有正面影響，但影響較弱；同時計算出學(xué)困生的個人成績排名與寢室成績排名的相關(guān)系數(shù)值為0.7717，呈現(xiàn)負的強相關(guān)關(guān)系，表明學(xué)困生的成績差，導(dǎo)致同寢室學(xué)生的整體學(xué)習(xí)效果差，因此學(xué)困生對同寢室學(xué)生有很大影響。由這一相關(guān)性分析可知：①學(xué)校應(yīng)該鼓勵學(xué)優(yōu)生對周圍學(xué)生的“扶、幫、帶”，以構(gòu)建更好的學(xué)習(xí)氛圍；②學(xué)校應(yīng)該對群體中成績最差的那部分學(xué)困生給予更多的教育關(guān)注，進行針對性教育，以對群體的學(xué)習(xí)態(tài)勢產(chǎn)生更大影響。特別是當教師和輔導(dǎo)員的精力、時間均較為有限，乃至只能在學(xué)優(yōu)生和學(xué)困生的這兩個子群體中選擇一個進行重點培育施教時，更應(yīng)該將主要精力和時間聚焦在學(xué)困生這一子群體，以取得更好的教學(xué)效果。

2 學(xué)生成績與學(xué)生基本情況

（1）學(xué)生成績與學(xué)生性別

基于學(xué)生的課程均值，本研究通過對兩個班的學(xué)生樣本群體進性別分類，再匯總?cè)藬?shù)和學(xué)生成績均值，得到性別與成績的相關(guān)性，如圖1所示。

圖1 性別與成績的相關(guān)性

圖2 年齡與平均成績的相關(guān)性

圖1顯示，在計算機工科專業(yè)中，學(xué)生樣本群體中以男生居多，達56人，占比81.2%；在成績方面，男生均值為74.9分，女生均值為78.26分，女生成績略優(yōu)于男生。此外，對學(xué)生樣本群體的補考與重修科目進行統(tǒng)計，結(jié)果如下：69名學(xué)生共進行了5249場考試，補考與重修的總次數(shù)為308次，占比5.87%，人均4.46次。其中，男生參加補考與重修的總次數(shù)為271次，男生總?cè)藬?shù)56人，補考與重修的人均科次為4.84次；女生參加補考與重修的總次數(shù)為37次，女生總?cè)藬?shù)13人，補考與重修的人均科次為2.85次，明顯低于男生。從補考與重修的頻次來看，男生有28人的補考與重修科目大于或等于5科次，占男生群體的50%，女生有3人補考與重修科目大于或等于5科次，占女生群體的23.1%。綜合平均成績、補考與重修的科次，從本樣本群體的表現(xiàn)來看，女生在課程學(xué)習(xí)成績方面明顯強于男生。

（2）學(xué)生成績與年齡

對學(xué)生按年齡分類匯總后分析其與平均成績的相關(guān)性，得到如圖2所示的折線圖。圖2顯示，隨著年齡的增長，學(xué)生的成績呈現(xiàn)明顯的下滑趨勢。20歲學(xué)生子群體的平均成績?yōu)?7.1，24歲的平均成績?yōu)?6.0分，如果去掉二端極值，從21歲的76.4分到24歲的74.5分，也呈現(xiàn)較為明顯的下滑趨勢。對學(xué)生的年齡和平均成績做相關(guān)性分析，其相關(guān)系數(shù)為-0.79，呈現(xiàn)負的強相關(guān)關(guān)系，說明學(xué)生年齡越大，平均成績越差。

（3）學(xué)生成績與地域

本研究通過對學(xué)生生源地的郵政編碼進行分析，對學(xué)生的來源地域進行了分類匯總操作。以郵政編碼的前2位（代表省份）為分類依據(jù)，本研究進行本省和外省的分類并求子群體的成績平均值，所得結(jié)果如圖3所示。以郵政編碼中的前3位為分類依據(jù)，本研究對長株潭地區(qū)和其它生源地進行對比分析，所得結(jié)果如圖4所示。

圖3顯示，來自本省的學(xué)生有58人，占總?cè)藬?shù)的84%，其平均成績（75.75）略高于外省的平均成績（74.39）。其原因可能是：湖南省歷年的高考錄取線較高，其生源質(zhì)量略優(yōu)于外省生源。圖4顯示，來自長株潭地區(qū)的學(xué)生有7人，占省內(nèi)人數(shù)的13.7%，其平均成績（74.89）略低于省內(nèi)其它生源區(qū)學(xué)生的平均成績（75.87）。

圖3 地域與成績的相關(guān)性

圖4 長株潭與其它生源地比較

湖南省統(tǒng)計局發(fā)布的“湖南省2015年全國1%人口抽樣調(diào)查主要數(shù)據(jù)公報”公布了各地級市的人口，其中，湖南省總?cè)丝跒?775.38萬人，對長株潭三市進行匯總后的人口為1422.74萬人，占比約21%；而在本研究的學(xué)生樣本中本省人數(shù)為58人，長株潭地區(qū)人數(shù)為7人，占比約12.1%，明顯低于人口占比。再考慮到學(xué)校位于湘潭地區(qū)，這表明學(xué)校和本專業(yè)在長株潭地區(qū)的招生宣傳工作有待進一步加強，學(xué)校有必要在長株潭區(qū)域增強知名度和影響力。

3 學(xué)生成績與學(xué)生校園卡的刷卡記錄

由于數(shù)據(jù)存儲限制，數(shù)據(jù)提取的時間最早為2015年1月1日，以下數(shù)據(jù)來源的時間段為2015年1月1日～2017年6月30日。從學(xué)校后勤部門的校園卡刷卡記錄中提取對應(yīng)學(xué)生樣本群體刷卡的24583條原始記錄，經(jīng)數(shù)據(jù)轉(zhuǎn)存、預(yù)處理后，再依據(jù)學(xué)號進行分類匯總，并依據(jù)學(xué)生刷卡的時間進行分類次數(shù)統(tǒng)計，最后得到58人的有效數(shù)據(jù)，其他11人刷卡次數(shù)過少或在第6～8學(xué)期內(nèi)沒有刷卡記錄。表4列出了校園卡刷卡總次數(shù)位居前十名的同學(xué)，學(xué)號同樣進行了編碼處理。

表4 校園卡刷卡情況表（總次數(shù)前十名）

從表4可以看出，刷卡前十名的同學(xué)，有4位的整體成績也排在前十名，有7位的整體成績排在58人的前50%。這表明刷卡次數(shù)較多的同學(xué)，其學(xué)業(yè)成績表現(xiàn)普遍較好，因此可假設(shè)刷卡次數(shù)與成績表現(xiàn)具有一定的正相關(guān)。為了驗證這一假設(shè)，本研究對58名學(xué)生的成績排名與早、中、晚餐三個時段、總周期內(nèi)的刷卡次數(shù)排名的相關(guān)性進行了數(shù)據(jù)分析，結(jié)果如表5所示。

表6 學(xué)生成績排名與校園卡刷卡排名間的相關(guān)系數(shù)表

從表5看出，學(xué)生的刷卡總次數(shù)排名與學(xué)生成績排名的相關(guān)系數(shù)為0.381，呈現(xiàn)一定的正相關(guān)，可推測有規(guī)律的生活作習(xí)對學(xué)生的成績有促進作用。此外，學(xué)生成績排名與早餐到食堂用餐的關(guān)聯(lián)度最低（0.339），與晚餐到食堂用餐的關(guān)聯(lián)度最高（0.404），據(jù)此可推測，能在下午時段堅持校園內(nèi)學(xué)習(xí)和生活的學(xué)生成績表現(xiàn)更好，原因在于其學(xué)習(xí)投入的時間和精力可能更多。

四結(jié)語

本研究在小樣本群體中進行了多源數(shù)據(jù)的跨域關(guān)聯(lián)和數(shù)據(jù)分析，從課程間的關(guān)系、成績與學(xué)生居住信息、成績與學(xué)生基本信息及成績與校園卡刷卡信息方面進行了多角度的數(shù)據(jù)關(guān)聯(lián)與分析，得到了一些針對該類型學(xué)生群體的有價值的分析結(jié)果和決策建議：①在專業(yè)課程體系中，重點加強大一和大二第一學(xué)期1～2門核心課程的教學(xué)工作，能有效促進整體專業(yè)課程的教學(xué)效果；②學(xué)困生對群體的影響（負面影響）要強于學(xué)優(yōu)生對群體的影響（正面影響），因此，教師、輔導(dǎo)員和教育管理者應(yīng)在教學(xué)、日常管理與輔導(dǎo)、教育管理等方面更重視學(xué)困生，從而有效營造更好的學(xué)習(xí)氛圍和更佳的教學(xué)效果；③女生的整體學(xué)業(yè)成績表現(xiàn)優(yōu)于男生，補考和重修的科次也較少；④在學(xué)習(xí)群體（如一個班或一個專業(yè)的同年級班級）中，年齡與成績呈現(xiàn)負的強相關(guān)關(guān)系，年齡越大，成績越差，應(yīng)加強高齡學(xué)生的教育；⑤學(xué)生的生源地與成績的相關(guān)性不高，來自不同地域的學(xué)生成績差異不大；⑥通過對學(xué)生生源地的占比分析，可以判斷哪些地域的生源數(shù)偏少，在后續(xù)的招生宣傳工作中應(yīng)對這些地域有所加強；⑦根據(jù)校園卡的刷卡情況分析，應(yīng)當鼓勵學(xué)生多刷卡，強化生活規(guī)律，盡量在學(xué)校用餐，尤其應(yīng)當堅持下午時段的學(xué)習(xí)，多在學(xué)校食堂完成晚餐。

在未來的研究中，本研究擬對更廣泛的數(shù)據(jù)源進行跨域關(guān)聯(lián)與分析，并計劃對本研究所獲取的分析結(jié)果和決策建議在更大范圍的樣本群體中做進一步研究與驗證；同時，在后續(xù)研究中加強對結(jié)果和決策建議在實際教育教學(xué)中的運用和實踐，并對實踐中的反饋信息進行收集與存儲，進而對本研究所得的結(jié)果和決策建議進行完善，形成研究與實際應(yīng)用之間的良性循環(huán)。可以預(yù)見的是，隨著高校大數(shù)據(jù)的數(shù)據(jù)類型和數(shù)據(jù)量日益增多，多源數(shù)據(jù)的跨界關(guān)聯(lián)和數(shù)據(jù)分析將吸引越來越多的學(xué)者進行研究和運用，從更廣闊的視角下推動學(xué)習(xí)分析技術(shù)的實踐與發(fā)展。

[1]黃榮懷,張進寶,胡永斌,等.智慧校園:數(shù)字校園發(fā)展的必然趨勢[J].開放教育研究,2012,(4):12-17.

[2]顧小清,張進良,蔡慧英.學(xué)習(xí)分析:正在浮現(xiàn)中的數(shù)據(jù)技術(shù)[J].遠程教育雜志,2012,(1):18-25.

[3]張羽,李越.基于MOOCs大數(shù)據(jù)的學(xué)習(xí)分析和教育測量介紹[J].清華大學(xué)教育研究,2013,(4):22-26.

[4]魏順平.學(xué)習(xí)分析技術(shù):挖掘大數(shù)據(jù)時代下教育數(shù)據(jù)的價值[J].現(xiàn)代教育技術(shù),2013,(2):5-11.

[5]姜強,趙蔚,王朋嬌,等.基于大數(shù)據(jù)的個性化自適應(yīng)在線學(xué)習(xí)分析模型及實現(xiàn)[J].中國電化教育,2015,(1):85-92.

[6]雷云鶴,祝智庭.基于預(yù)學(xué)習(xí)數(shù)據(jù)分析的精準教學(xué)決策[J].中國電化教育,2016,(6):27-35.

[7]吳文峻.面向智慧教育的學(xué)習(xí)大數(shù)據(jù)分析技術(shù)[J].電化教育研究,2017,(6):88-94.

[8]PistilliM D, ArnoldK, BethuneM. Signals: Using academic analytics to promote student success[OL].

[9]Siemens G, Long P. Penetrating the fog: Analytics in learning and education[J]. Educause Review, 2011,(5):30-32.

[10]Roberts-Mahoney H M. The role of big data and personalized learning in the privatization of public education[D]. New York: Dyouville College, 2014:14-16.

編輯：小西

Cross-domain Correlation and Data Analysis Based on the Multi-Source Data of Students

SONG Dan1FENG Xia2HE Hong1

There is an increasing number of big data related to college students in terms of types and quantitie. However, most of the multi-source data derives from various systems of different departments which has wide inter-structural differences and lacks effective data intermediation and data sharing. To solve the problem, this paper collects multi-sourced student data, including the course score from the Teaching Department, basic information from the student department and the student ID card records from the logistics department. After a first-step data processing and data structuring, the article carried out a cross-domain correlation and further data analysis. Through the empirical analysis of small sample groups, results suggested that students with learning difficulties have more influence on the group than the students with better grades; students with regular school canteen dinner performs better academicly; and young-aged students generally achieve better grades within the same group.

multi-source data; cross-domain correlation; big data; data analysis

G40-057

A

1009—8097（2018）04—0027—07

10.3969/j.issn.1009-8097.2018.04.004

本文為湖南省教育科學(xué)“十三五”規(guī)劃2016年度課題“高校學(xué)生的大數(shù)據(jù)分析、預(yù)測與個性化教育研究”(項目編號：XJK016BXX003)的階段性研究成果，并受湖南工程學(xué)院2016年校級課題“大數(shù)據(jù)背景下學(xué)校管理決策機制研究”(項目編號：XJ1622)資助。

宋丹，副教授，博士，研究方向為教育大數(shù)據(jù)、智能優(yōu)化建模與分析，郵箱為s1020d@126.com。

2017年7月9日