基于大數據的高校學生成績預警分析研究

劉亞剛

摘要：隨著大數據技術的發展，利用大數據對學生成績及學生行為進行學業預警應運而生，通過教務管理系統獲取學生成績原始數據，經過數據清洗，得到規范化數據，建立成績預測模型，利用成績預測模型進行分析，做出學業預警。

關鍵詞：大數據;高校;學業;成績;預警

中圖分類號：G642.0 文獻標識碼：A 文章編號：1007-9416（2020）05-0095-02

隨著計算機及網絡技術的發展，大數據技術被廣泛應用到各個行業，已有部分高校建設大數據中心，通過大數據技術采集學生成績數據，分析學生成績，給出成績預警，通過大數據技術，也可通過采集行為數據，分析學生心理健康、關注熱點、興趣愛好、生活規律等行為，基于此，筆者通過校園網采集的數據進行分析，建立高校學業預警機制以及開發動態預警系統，能夠有效促進高校教育教學質量的提升。

1研究現狀

近年來，在學業預警的學術研究領域，國內學者提出了一些預警方法和參考模型。其中，張福生等人提出了一種具有雙向預警閾值的動態學業預警系統參考模型。吳宗志等人提出了“通過建立課程預警、畢業授位要素預警等相關標準和規范配套工作流程，確定預警對象，并在分類的基礎上進行教育管理。楊洋等人提出通過整合學生個人真實數據，創建基于全新指標要素的研究模型，并構建學業預警系統功能架構圖，力求實時量化學生學業情況，輔助輔導員及其他教育管理者制定全面的教育培養方案。田勝參在高校學籍異動管理機制優化研究中文章中提出了建立智能化的學籍管理信息系統、探索學籍二級管理、個性選課，服務學籍異動學生，促進異動學生的成長成才。周慶等人在技術數據挖掘技術的高校學生學業預警分析文章中提出了“挖掘學生行為數據背后隱藏的信息，可全面分析在校學生學業情況，使研究結果具有推廣性。陳烽等人提出應將學業預警制度化、促進各相關部門和學院合作、建立預警取消和退出機制、加強對學業困難學生的督促和幫扶力度、不斷更新技術手段，才能更加高效地實施學業預警，加強學業預警工作建設、幫扶學生學習、提高教育教學質量的目的。金義富等學者設計和分析了基于離群數據挖掘與分析的大數據環境下學業預警LAOMA模型，并將進一步對其進行測試與改進。據數據檢索顯示，自2007：年以來，每學年，高校普通本專科學生由于各種因素退學的數量占在校生人數約為0.75%，即每學年約15-20萬人退學。

利用大數據技術到教育平臺中，通過對學生行為數據及行為軌跡進行分析，能夠挖掘出學生成績這一學生行為的特點和關系，可以對近幾個學期的成績進行關聯分析，繼而推測出下一學期學習成績模型，對成績較低者給出預警，對于學生在新學年里自身行為的管理及約束提供輔助管理。

2學生成績預警研究

2.1數據源采集

為研究高校學生學習成績預測模型，采集了我校2015級到2018級在2019年第—學期所采集的學生成績數據，共獲得11719名學生數據，將這部分學生數據作為學生成績學業預警初始數據源，經過數據清洗，選出9227;名學生記錄。

2.2數據分析

整理得到初始學生數據后，由于學生數據于各個列聯表沒有經過整合，需進一步將原始數據處理為可用與學生成績關聯分析的數據變量。

其中max表示樣本數據的最大值，min表示樣本數據的最小值。

經過數據清洗、預處理、降維后，提取出9227名學生記錄作為訓練樣本集，單個學生數據樣本如表1所示。

2.3分析結果

為了將學業需要預警的學生辨識出來，首先使s分數正態分布，然后對學生的預測成績進行分類，對學生s分數小于區間概率中較差的個體做出預警，并將學生根據s分數的分類打上類標簽，即：學霸、優秀、良好、中等、及格、預警。如表2所示。

針對學生成績標簽所屬位置，對學生進行分類預警，其中預警415人，占總學生人數的4.4977%。對其發出學習成績一級預警，輔導員對其響應的學習行為指導。根據每學期成績，可得出每學期x分數，對連續兩學期達到預警級別的學生，給予二級預警，以此類推。從而提醒學生加強學習，重視學習成績。

3結語

本文主要針對于高校學生成績進行分析，在實際的高校管理中，還有若干方面可挖掘，從成績方面給出的預警只是單一方面，對學生的綜合評價還可以繼續細化，可從學生的作息時間、社團活動、獲獎級別、獲獎次數、運動軌跡，搜索熱點等方面進一步挖掘。學業預警不是給學生處分，而是幫助學生順利完成學業的一種途徑，給學生預先危險的警示，從而提高教育教學質量，對高校的發展具有推動意義。