教育大數據支撐下的大學生學業預警模型設計

張笑盈

摘 要：隨著大數據成為信息時代的熱點，教育大數據在教育領域特別是高等教育領導受到廣泛關注。本文首先介紹了教育大數據的概念，在此基礎上，提出了一種基于支持向量機的學業預警模型。最后建立多級學業預警信號及相應的反饋機制，并利用模型自動發現學習狀態不佳的學生并發出預警。

1.引 言

隨著高等教育趨向大眾化，高校學生人數急劇增加，根據《2016 年全國教育事業發展統計公報》顯示，全國高校在校學生總人數達到3699萬人，高等教育入學率達到42.7%[1]。然而，招生門檻的降低勢必會導致生源質量的驟然下降，增加學生管理工作難度。而大數據時代的到來，促使教育行業不斷創新與變革。

我國教育領域的不斷發展與變革正經歷著空前絕后的考驗，大數據和教育領域相結合成為時代發展的新趨勢。隨著數字化校園、智慧校園的不斷推進，每個教師和學生每天都在生產大量的數據，這些數據大都只是被存儲在數據庫中，而沒有將其進行充分利用，甚至會被永久刪除。因此，如何利用這些數據，使這些數據成為有用的信息，得到了教育工作者和學習者們的廣泛關注[2]。

2.教育大數據的概念

教育大數據是大數據中的一部分，特指在教育領域中的大數據。這里的教育是“大教育”的概念，具有全員、全程、全方位的特點[3]。教育領域中的大數據可以分為狹義和廣義兩類，從狹義的角度來說，它是指學習者的行為數據，可以從與學生相關的管理系統中獲取，而從廣義的角度來說，通常指人類在日常教育活動中產生的行為數據[4]。

3.學業預警模型設計

學業預警指的是高校遵照一定的標準，綜合評價學生的日常學習表現和考試成績等因素，根據評估結果，生成相應的預警信號，針對不同的預警信號，采取不同的措施，幫助學生更好的完成學業，同時也可防止學生被取消學位或退學等現象發生。因此，本文綜合學生當前的學習生活狀態以及過往的學習成績，提出一種基于支持向量機的學業預警模型，具體過程如下：

Step1：表1 所示為構造的學業狀態特征向量，由考勤指數、學習指數、以及成績指數這三個影響學業的重要指標組成，將預測結果分為“紫色、綠色、紅色”三級，其中紫色表示優秀，綠色表示一般，紅色表示差。

Step2：從學校的相關信息系統抽取基礎數據并根據表1量化方法構造學業狀態樣本集。將樣本集分為兩部分，一部分作為訓練集，用于SVM分類器的訓練，另一部分作為測試集，對SVM分類器的正確率和有效性進行測試驗證。

Step3：根據交叉驗證方法選擇RBF型核函數的懲罰因子和參數。采用“one against one”的方法，使用訓練集訓練得到3個SVM分類器。

Step4：分別使用3個SVM分類器對樣本集進行分類，計算各個類別的得分，選擇分數最高的一類作為測試集的預測結果。如果預測結果與人工標簽相同，表明預測結果正確，否則錯誤，由此驗證了分類器的總體正確率。如果正確率達到了事先劃定的閾值，則可以使用分類器對任意學生的學業狀態進行預測；否則，將樣本集進行重構，然后更新參數進行再次學習。

由于學生的任何一個指標都無法完全刻畫學業狀態，因此綜合考慮以上三項指標，借助天氣預警信號，用紅色、橙色、黃色、綠色、藍色、紫色6 種顏色，展示不同的學業狀態情況，如表2所示。

4.總結

本文在教育大數據支撐下，提出一種基于支持向量機的學業預警模型設計，可自動識別學業不佳的學生并對其進行預警。通過這種方式可創建個性化定制教育實現學習優化，不但能增加教育工作的指向性，而且有助于高校學生工作的開展。但如果應用不當，過分依賴生硬的數據也可能與教育的本質大相徑庭，因此，應當權衡人的發展與技術應用，合理利用教育大數據。

參考文獻：

[1] 陳玉蕓. 大數據環境下完善學業預警系統研究[J]. 南寧職業技術學院學報， 2018（2）

[2] 金義富， 吳濤， 張子石，等. 大數據環境下學業預警系統設計與分析[J]. 中國電化教育， 2016（2）：69-73.

[3] 焦春燕. 基于教育大數據的學業預警模型研究[J]. 電子技術， 2017， 46（9）.

[4] 朱劍林， 朱容波， 康怡琳，等. 教育大數據在高校貧困生預測中的應用研究[J]. 教育教學論壇， 2018（21）.