大數據背景下基于隨機森林算法的高校學生成績預警研究

余 弦，周誼芬

（1.南通大學杏林學院，江蘇南通 226000；2.南通大學，江蘇南通 226000）

0 引言

當今世界，大數據正在給各行各業帶來深遠的變革，它改變了人們的生活、工作方式，對社會的進步和變革起到了巨大的推動作用。大數據具有數據量大、類型繁多、價值密度低、速度快、時效高等的特點［1］，大數據時代對人們現有的數據駕馭能力提出了新的挑戰，也為人們獲得更為深刻、全面的洞察能力提供了前所未有的空間與潛力。如何將大數據應用落到實處，充分利用大數據來分析和處理行業中的問題，成為當前研究的重點。

高等教育行業在大數據應用與研究方面也面臨新的機遇和挑戰。隨著我國高等教育在信息化時代的不斷發展，高校在教學、管理中使用信息化系統的程度在逐漸加深［2］，特別是此次新冠肺炎疫情下，大部分高校在疫情期間都推廣使用了遠程教學、線上考試等平臺，這些信息化的教學過程積累了海量的教務管理和教學過程數據。但是，這些教務管理和教學過程中的海量數據很多都處于無人問津的狀態，沒有得到有效的利用，而且隨著時間的推移，很多前期的數據會被直接刪除，造成巨大的信息資源浪費［3］。因此，如何充分利用這些沉睡中的大量數據，挖掘數據信息中的潛在價值，進一步加深教學管理人員和任課教師對教學運行過程的認識，從而做出更科學的教學決策，是大數據時代高等教育工作者必須思考的問題。

1 高校學生成績預警現狀

高校教學運行過程所產生的大量數據的一個重要組成部分就是學生成績數據，課程成績不僅反映了學生的學習效果，為學生選擇研究方向、工作方向提供參考，也是高校教學質量管理的一個重要指標，對高校深化教學評價、改革教學管理具有重要指導意義［4］。如何有效利用學生成績數據，將其更科學地應用于成績預警等方面，進而提升教學管理能力和管理水平，一直是高校教學管理人員的一個努力方向。

雖然目前很多高校的成績預警在一定程度上利用了學生的既往成績數據，但還是存在很大的改進空間，主要表現在以下兩方面。

一是時效的滯后性。很多高校預警機制是在某一學期學生的成績全部出來之后，通過教務系統匯總學生的不及格課程，統計學生未取得的學分，再通過這些統計結果，把不及課程達到一定門數或者所欠學分達到某一數值的學生納入成績預警名單，再根據這一名單來通知輔導員或者家長，對其后續學業進行關注和干預。由此看出，這種預警方法是當學生因學習困難或其他原因已經產生一定程度的不良學習后果之后，才對學生進行預警，在時間上具有滯后性［5］，不能在學生學習困難的初期及時介入，預警效果有限。

二是方法的局限性，傳統的成績預警方法都是通過類似于EXCEL里的分類匯總來實現，這種方法只是對大量的學生成績數據進行粗淺的總結，沒有深入分析這些數據之間可能存在的關系，缺乏前瞻性的指導思想，在大數據時代的背景下，這種預警方法的缺陷顯得更加突出。

根據以上分析，本文基于隨機森林算法對大數據背景下的高校成績預警模型進行研究和構建。該模型首先分析課程之間的關聯程度，以教務系統中歷年的大量成績數據為基礎，利用隨機森林算法，實現對學生關聯課程的未來成績可能性預測，根據預測結果對可能不及格的學生進行提早干預和介入，從源頭上減少不良學業情況，為教學管理提供有效的決策支持，提高整體教學質量。

2 隨機森林算法的原理及實現過程

隨機森林是集成學習是的一個子類，通過建立幾個模型組合來解決單一預測問題。它的基本單元是決策樹，通過集成學習的思想將多個決策樹集成的一種算法，依靠于決策樹的投票選擇來決定最后的分類結果。它的工作原理是生成多個分類器，各自獨立地學習和做出預測。這些預測最后結合成單預測，因此優于任何一個單分類的做出預測。它作為一種新興的、高度靈活的集成學習算法，在很多具體問題中展現出強大的性能，已經廣泛地應用于各行各業，從金融財務到醫療健康，既可以用來評估上市公司財務風險，也可用來預測疾病患病概率。

隨機森林算法的實現過程主要分為以下3步。

（1）用隨機的方式來建立包含眾多決策樹的隨機森林，單個決策樹都是隨機生成，不同的兩個決策樹之間沒有特定的關聯。假設訓練集大小為N，對于每棵樹而言，采用bootstrap sample方法，隨機且有放回地從總訓練集中的抽取N個訓練樣本，作為該樹的訓練集［6］，每棵樹的訓練集都是不同的，而且里面包含重復的訓練樣本。

（2）在每棵樹的生長過程中，隨機選擇特征對決策樹的內部節點進行分裂，常用的決策樹分裂算法包括C4.5算法、ID3算法和CART算法等［7］。假設每個樣本的特征維度為M，根據指數最小原則，指定一個常數m<

（3）將需要處理的樣本輸入隨機森林，由森林中的每一棵決策樹分別進行分類判斷，決定輸入的樣本應該屬于哪一類，再匯總全部N棵決策樹的判斷結果，根據N種分類結果對每個記錄進行投票表決，最終將具有最大記錄數的分類結果作為算法最終輸出［9］。

3 基于隨機森林算法的成績預警模型

3.1 成績預警模型的構建

根據隨機森林算法的思想及實現過程，本文設計的成績預警模型以教務系統中往屆學生的大量成績數據為總訓練集，采用bootstrap sample方法，抽取N個訓練樣本作為訓練集，形成互不關聯的N個決策樹，再選擇相關課程分數作為隨機特征變量，每個決策樹根據自己的訓練集對學生的成績進行一個預測，最后綜合每一個決策樹的預測結果，形成對學生未來成績最終走向的判斷。該模型如圖1所示。

圖1 基于隨機森林算法的成績預警模型示意

3.2 成績預警模型的實現

假設待預測的學生為某高校自動化專業2017級學生張三，需要預測的課程為下一學年所開設的“系統集成技術”。根據預測課程成績的不同分為3個預警風險等級：預測成績低于60分為高風險，預測成績在60到75之間為中風險，預測成績高于75為低風險。本文以該高校2016級自動化專業65名學生的4 540條成績作為總訓練集，用本文之前提出的隨機森林預警模型對學生成績數據建模，最終生成對張三的“系統集成技術”這門專業課的預警風險等級。

首先采用bootstrap sample方法從4 540條成績數據中抽取4個成績樣本集合作為訓練集，形成包含4個決策樹的隨機森林，之后根據實際情況確定每個決策樹的隨機特征數為1，并為每個決策樹挑選一門本學年的專業課成績作為隨機特征變量，決策樹1以“模擬電子線路”成績作為隨機特征變量，決策樹2以“微機原理”成績作為隨機特征變量，決策樹3以“自動控制原理”成績作為隨機特征變量，決策樹4以“電機及拖動”成績作為隨機特征變量。經過計算，每個決策樹根據自己的訓練集對“系統集成技術”這門目標課程成績的風險等級判斷分布如表1—4所示。

以上4個決策樹的訓練集和訓練結果構成了一個具體的隨機森林，以這一隨機森林為成績預警模型的核心，將學生張三當前學年的4門專業課程成績作為樣本輸入，由4個決策樹來分別判斷目標課程的風險等級，綜合以上4個決策樹的預測結果，最終得到該學生的目標課程風險等級分布，如表5所示。

根據最終預測結果，該學生下一學年的目標課程“系統集成技術”成績處于高風險和低風險的概率都較小，分別為4.9%和24.0%；處于中風險的概率較大，為66.2%。

4 結語

本文針對現有高校學生成績預警的滯后性、局限性，基于大數據背景下隨機森林算法，提出了一種高校學生成績預警模型。通過對高校相同專業學生的現有成績進行深入分析，挖掘成績數據的潛在規律，從大量成績數據中抽樣形成不同的訓練集，進而形成若干決策樹對學生的成績分別做出預測，最終綜合所有決策樹的預測結果得出學生成績的風險等級。經過實驗證明，該預警模型能夠有效改進現有的成績預警機制，使預警能夠提前產生，為盡早介入學生不良學業提供了技術支撐，提高了學生的學習質量和效果。

表1 決策樹1對目標課程的風險等級判斷

表2 決策樹2對目標課程的風險等級判斷

表3 決策樹3對目標課程的風險等級判斷

表4 決策樹4對目標課程的風險等級判斷

表5 學生目標課程風險等級分布