學生課業水平預測研究

黃俊文 王紫霞

摘?要：文章設計了四個公式用于計算學生對某知識點的“掌握總體指數”，并通過計算特定試卷所包含知識點數量，結合“掌握總體指數”和知識點數量來預測學生的成績。實驗證明52人參與考試，準確地預測了49人的成績，精確度達到94.2%，并且剩余3人的實際成績與預測成績的誤差在2分以內。

關鍵詞：課業水平;中學生;成績預測

一、 引言

中學的課業負擔較重，特別是初三和高三畢業班，他們面臨著升學的壓力。中學生怎樣才能在較短的時間內提高自己呢？大部分的科任老師僅憑感覺或者經驗得知本班學生或個別學生哪些方面的知識點較薄弱，這種缺乏數據支撐的“個人感知”往往很難準確地制定針對性的教學計劃、設計教學案例。為了更好地解決該問題，文章認為對中學生的學習進行跟蹤，通過數據分析了解學生的真實水平，這樣學生自身知道了差距方便調整學習計劃，科任老師也可根據學生的實際情況調整教學方案。為此文章將設計學生課業水平預測算法，對學生的課業水平進行預測。

學生課業水平一直受到國內外學者的廣泛關注，我國廣大的學生家長對課業成績的追捧從未停止過，眾多學者都做過深入的研究。吳興惠等學者利用隨機森林算法對學生成績評進行了預測，張子譽學者也提出了基于隨機森林模型的成績預測算法，盡管取得了不俗的精確度，但他們都脫離了學生學習的實際情況，有可能存在誤判;王婧妍等學者提出了基于特征選擇優化的學生成績預測算法，通過設置特征向量，計算各個特征的概率值來預測成績，預測精度值得商榷;張彥榮、劉毓、周劍等學者都在神經網絡的基礎上提出了學生成績的預測算法，神經網絡具備了一定的學習能力，精度有很大的提高，但仍然因為對學生實際缺乏足夠的了解，預測是存在一定的偏差;劉艷杰、韓麗娜等學者利用貝葉斯算法，通過計算概率值來測算學生的成績，誤差較大，在中學生的課業預測中有一定的困難。文章首先設計了學生知識點“掌握總體指數”的計算方法，該方法用于實際計算學生對某知識點的掌握程度，這是學生的真實情況，不存在預測成分;然后根據試卷或測驗中所包含的知識點數量和學生的各知識點的“掌握總體指數”來預測特定試卷學生的成績。文章用學生對知識點掌握的真實情況來預測特定試卷或測驗的成績，相對于近從數據著手、“拋開學生實際情況”的相關算法，具有一定的優勢。

二、?學生課業水平預測

（一）知識點“掌握指數”

以初三或高三學生為例，設整個中學學習階段（初中或高中）的知識點集合為

從圖1可以知道該學生第一次沒有掌握該知識點，從第二次到第六次曲線是單調遞增的，說明這幾次都是做對了，即掌握了該知識點，但后面幾次出現了反復，說明掌握得不夠牢固，或者是粗心大意沒有做對，從第十次開始是直線上升的，說明后面幾次都做得對。公式（3）表示學生對知識點Ij最近幾次的掌握情況，計算方法是從第m次為起點，累計算到最后一次考試的“掌握指數”的算術平均值，為了更好地量化計算，公式（4）用分段函數表示“掌握總體指數”。

通過公式（2）和公式（4）的計算可以獲得每一位學生每個知識點的每次考試的“掌握指數”和最后的“掌握總體指數”，并畫出類似如圖1所示的掌握指數圖，這樣學生和老師都能一目了然地知道學生對每個知識點的掌握情況。

（二）成績預測

公式（5）表示某個知識點的得分由其分值和該知識點的“掌握總體指數”的乘積來表示，最后累加即可得到總成績。科任老師根據公式（5）可以測算出本班所有學生分數，也可以可計算出平均成績，即可知道本班學生的總體情況。

三、 實驗

為了驗證上述公式的有效性，文章作者作為某中學的班主任老師，帶領某班學生從高一直到高三，積累了該班學生各個科目的考試數據。該班學生人數52人，在某次考試中設置了20個知識點，各個知識的分值{5，5，6，3，4，8，7，10，15，8，5，6，7，3，4，6，13，11，15，9}，根據歷次的考試情況可以得到每個學生每個知識點的“掌握總體指數”，對于這次實驗則需要有20個知識點的“掌握總體指數”，則52個學生，總共有52×20=1040個“掌握總體指數”，這樣可以測算出每個學生的考試成績。經過實際考試對比后得知，精確預測出了49人的成績，精確度達到94.2%，其他3人的成績在預測值誤差在2分以內，誤差非常低。

“掌握總體指數”對于學生來說可以檢查自己所學的不足，針對性地學習某部分知識;對于老師來說通過計算本班所有學生對某些知識點的“掌握總體指數”，找出全部學生的共同弱項，針對性地設計教學案例，這樣師生雙方都能有效地提高效率。

四、 總結

文章對學生課業水平進行研究，設計“掌握總體指數”的測算方法，提出了預測學生考試成績的算法，通過實驗證明文章設計的預測算法精度較高，文章提出的學生課業水平預測算法對學生和科任老師都具有重要的意義。

參考文獻：

[1]吳興惠，周玉萍，邢海花.利用隨機森林算法對學生成績評價與預測研究[J].電腦知識與技術，2020，16（4）：254-255+258.

[2]張子譽.基于機器學習隨機森林模型的成績預測分析[J].科技經濟導刊，2018，26（29）：1-4.

[3]王婧妍，張玉飛，徐卓.基于特征選擇優化的學生成績預測[J].智庫時代，2020（1）：124-125.

[4]張彥榮.基于改進灰色神經網絡的學生體育成績預測[J].電子測量技術，2019，42（22）：86-90.

[5]劉毓，楊柳，劉陸.基于遺傳神經網絡的學生成績預測[J].西安郵電大學學報，2019，24（1）：79-84.

[6]周劍，薛景，韓崇，肖甫，孫力娟.基于BP神經網絡的學生成績預測方法研究[J].計算機時代，2018（12）：71-74.

[7]劉艷杰，李霞.基于貝葉斯網絡的學生成績預測[J].山東理工大學學報（自然科學版），2019，33（5）：75-78.

[8]韓麗娜.貝葉斯分類模型在學生成績預測中的應用研究[J].計算機與數字工程，2018，46（10）：2039-2041+2056.

作者簡介：黃俊文，王紫霞，福建省福州市，福州高新區第一中學。