基于大數據的高職學生成績分析的研究

楊霞霞 王彥軍 蘇鋒

摘 要：學習成績是評價一個學生在校學習情況的最重要和最直接的指標。學生通過學習成績能夠預知個人在未來課程的學習過程中出現的狀況，并提前加以防范。老師對學生的學習成績進行科學、合理的分析以便于掌握學生的學習情況，并開展相應的針對性教學。本文利用學生的個人行為、個人屬性、歷史成績等方面的相關數據及關聯規則對影響高職學生成績相關的因素進行深入的挖掘和研究，為大數據技術在高職學生成績分析的應用做一些探索性工作。

關鍵詞：大數據; 課程; 學生成績; 關聯性

中圖分類號：G647? ? ? ? ? ? 文獻標識碼：A? ? ? ? 文章編號：1006-3315（2019）12-182-002

學生成績是高職院校評估學生對所學知識掌握程度的第一指標，也是評估老師教學質量和教學活動好壞的關鍵因素[1]。近年來，各個高職院校的招生規模在不斷的擴大，為了提高自身的管理效率，各高職院校都建立了完備的信息系統與之匹配。與此同時，該信息系統也積累了海量的數據，如：學生的歷史成績數據、上網頻率及時間長短信息、圖書館借書還書的頻率、閱讀數的類型等日常生活行為數據。然而，高職院校的信息系統積累的海量數據與學生未來學習成績存在著某種關系，如果能對信息系統存儲的學生數據進行綜合、科學地分析，就能發現各信息之間的聯系和規律[2]。因此，本文通過學生的個人屬性、行為數據及歷史課業成績數據等對學生未來的課業成績加以預測，以提前防范學生成績及行為的惡化，有利于教師制定針對性的教學計劃，從而提高職院校的教學效果，切實為我國現代化培養有用的應用型人才。

1.大數據在高職院校學生成績分析中的應用現狀

目前，國內外關于高職學生在校成績的影響因素與預測方面的研究比較多，大多都是以學生在校的上網數據和學生成績數據作為基礎數據，對學生上網頻率、上網時間、上網登錄的網站等相關信息與學生學習質量之間的關系進行分析及研究，并根據最終挖掘的數據結果給出學生合理的上網時長，為網絡部門的管理提供了合理的依據[3]。除此之外，部分研究則利用關聯規則算法分析學校各個課程之間在成績方面的關聯關系、課程與學生行為之間的關聯關系來預測學生未來的整體學業表現，以此為高職院校設置合理的課程提供有效的舉措。目前的這一類研究方法在某種程度上能夠分析和預測學生未來各門課程的成績，但涉及的影響學生成績的因素不夠全面，本文則對學生成績進行分析的因素加以補充，主要從學生的個人屬性、個人行為、歷史成績等方面的相關數據及關聯規則對影響高職學生成績相關的因素進行深入的挖掘和研究，其目的是分析得出高職學生在校內的日常生活行為、個人屬性及歷史成績對學生未來學習成績的影響。

2.影響高職學生成績的相關因素提取

高職院校的校園內部設施和服務體系完全可以滿足學生日常生活的各種需求，根據高職院校信息系統積累的海量信息數據進行動態選擇，主要提取歷史成績、學生行為、個人屬性等因素。

2.1學生歷史成績

高考成績作為學生進入大學的基礎成績，基本能夠反映高職學生的學習基礎，因此，將高考成績作為影響學習成績重要參考的其中一項指標。以高考成績為核心建立學生編號、年齡、性別、高考分數等的學生基礎表。

高職學生的歷史考試成績數據可以直接從本校的學生考試管理系統或教務系統中提取，建立學生成績表，如：學院、專業、班級、學號、姓名、課程名稱或課程代碼、成績、平均分、最高分、最低分、高分率、低分率、及格率等。從對一次學生的考試或考查成績進行深入的綜合分析，轉化到進行深入縱向分析歷次考試成績的全方位數據的比較。另外需要注意的是，學生以往的學習成績對于學生未來的學生狀態及成績也有著舉足輕重的影響。舉個例子，如果某位學生的高等數學、線性代數等基礎課程學習狀態不佳或考試成績不理想，也可能會對未來理科性或工科性專業課程的學習及理解有影響。

2.2學生行為

學生日常行為的特征數據主要選取學習態度、學生上網頻率、上網時間、上網登錄的網站等相關行為特征作為備選特征。學習態度很難用一個具體的數值或方面進行量化，但可以通過幾個重要的參考指標進行抽象表示。比如：學生上課的考勤（包括遲到、早退、曠課）、上課座位的位置、上交作業情況、積極主動回答問題情況、課外學習情況等進行考察。

還有一個特殊的情況，那就是早上一二節課是否吃早餐這個行為特征，在很大程度上也能反映學生學習該門課程的學習態度及情況。

2.3個人屬性

個人屬性的特征數據主要選取學生性別、生源地、學生智商數據等個人屬性特征。在學生性別方面，女生的英語成績總體上高于男生，男生的實踐操作課程成績高于女生。生源地不同，學生的英語成績和計算機成績偏差比較大，這兩項主要體現在來自沿海地區和城市地區的學生比較有優勢。另外，學生的智商也一定程度上影響著學習成績。

2.4其他因素

除了以上幾點主要因素外，還有其他的外部因素，如：學習環境、教學設備、教師等的因素。

對以上記錄的數據進行隨機選擇，選擇的數據主要有性別、基礎成績、出勤率、作業完成率、座次、課堂互動、課程類別、上網、課外學習、歷史成績。基礎成績選三個等級：較好、一般、優秀。出勤率、作業完成率、課堂互動、課外學習數據分別取三個等級：較好、一般、較差。座次為靠前、中間、靠后三個等級。上網分為較少、較多、一般三個等級。歷史成績分為及格和不及格。

根據以上幾點對影響高職學生成績的相關因素進行深入分析可知，基礎成績和學生學習成績關聯性不大。女生掛科的比例比男生的低。學習態度端正的學生，學習成績基本較好，具體體現在出勤率較高、作業完成情況較好、座位選擇靠前、課堂互動良好、課外學習較好。出勤率較低、作業完成情況較差、同時又沉迷網絡，學生將大量的時間和經歷放在上網項目上，學習時間不能保證，這對學生的成績影響最大，學生課程亮紅燈。

3.結論

本文針對學生未來課程成績預警的問題，依據學生行為、個人屬性及過往學習成績的數據，可自動篩選出學習狀態不佳、有不及格風險的同學并給予警示和引導，利用這種方法可以有效地提高學生對于自身學業狀況的監督，推動和提高教育工作者對于學生的個性化管理水平，無論對于學生本身，還是教育工作者都有一定的參考價值。

參考文獻：

[1]劉博鵬.基于數據挖掘技術的學生成績預警應用研究[J]四川大學學報（自然科學版），2019（57）：45-46

[2]方勝吉，翁蘇湘，李廣慶.淺談高等醫學院校學生”數據挖掘”能力的培養[J]科技創新導報，2010（33）：182

[3]胡祖輝，施佺.高校學生上網行為分析與數據挖掘研究[J]中國遠程教育（綜合版，2017（2）：26-32

[4]許艷春.數據挖掘技術在高職學生成績分析中的應用[J]電子制作，2013（19）：203