基于大數據技術的高校學生行為分析

洪海兵，劉星

（南京信息職業技術學院，江蘇 南京 210023）

0 引言

在教育領域，若可以獲得大數據技術的智能決策、校園安全預警，以及個性化自適應學習分析等方面的有力支持，既可以促進教育理念的及時更新，也能夠為教育質量提升提供保障，實現教育公平。對此，為了進一步優化學生行為管理工作，本文就基于大數據技術的高校學生行為作出了深入分析研究，希望可以探索出更新穎有效的管理策略方法。

1 大數據技術

在信息技術廣泛應用下，日常生活中也產生了越來越多的數據類型，數量也在快速不斷增加。而面對復雜、龐大的數據，各高校不論是想做到高效管理，還是全面挖掘、利用有價值的信息，都離不開大數據技術的有力支持。大數據主要指的是，大小方面要超出常規數據庫工具獲取、存儲、管理分析能力的數據集，且具有海量的數據規模，多樣的數據類型，數據流轉速度較快，加密密度較低這幾項特征[1]。

通過對大數據的科學管理與綜合分析，將其具有的價值全面提取出來，可以給各企業轉型升級奠定堅實基礎，同時也能夠給各行業的創新發展帶來更多契機。同時，各行業工作人員在整合利用大數據技術過程中也可以獲得更多啟發。高校也不例外，在信息化建設中產生了很多和學生密切相關的數據信息，通過基于大數據技術來分析、管理這些數據資源，可以為學生、學校的未來發展提供有力支持。

2 高校學生行為存在現狀

在信息時代高速發展帶動下，高校在進行信息化建設過程中，也在不斷的優化數據安全、網絡安全保障體系，也制定了與之相適應的信息化管理規范、技術指標。同時，還構建出了能夠提供統一服務、統一認證身份、授權管理的平臺，還有統一共享、交換數據的平臺。在網絡、業務系統的長期運行過程中，積累了豐富的運行、業務和日志數據。若能夠實現對這些數據的全面采集與合理利用，一定可以對學生的整體情況作出更科學的分析把握。這也在某一層面說明了，要充分重視起基于大數據的高校學生行為分析預警平臺的建立，整合現有力量與資源，從不同層面來加強研究分析[2]。

3 高校學生行為分析的總體方案

3.1 采集數據

基于學校業務系統來獲得學生的靜態數據，以及行為數據。其中，靜態數據主要涉及學生的姓名、性別，以及學號等基本信息。而行為數據主要涉及的是宿舍門禁、課程成績，以及上網等方面的一系列業務數據。在獲取這些數據后，可以為后期數據分析工作提供有力支持[3]。

3.2 分析數據

在處理完原始數據之后，要作出全面、深入分析。在此過程中，主要是對相關事實數據進行抽取，然后結合這些數據來歸納出相應的模型，最后將學生的數據模型圖抽象出來。通過分析這些數據，可以進一步把握學生的基本情況。

3.3 建立模型圖

在分析完學生的所有屬性之后，結合最終結果就可以明確學生的基本情況。通過將其結果進行分類處理，可以獲得學習、娛樂、作息、工作與消費五類，結合數據分析結果可以清楚地知道學生各基礎類對應的分數，基于此，可以進行五邊形關系數據圖的繪制。結合這一數據圖，學生在每個基礎類型下的實際情況可以更直觀地反映出來。對于這一模型，可以大致分為優秀、良好、預警、危險四個類型。結合采集到的原始數據，以及對相關數據的綜合分析，可以得到最終的分析結果，基于這一結果可以進行四種基本模型區域的建立。而通過對比分析學生的數據模型圖、得到的分數與四種基本類型，便可以將學生劃分到對應的等級類別當中[4]。

3.4 結果反饋

結合結果反饋，能夠對學生行為作出更深入的挖掘，然后重點推送處于預警、危險狀態的學生，以此來及時提醒學校相關部門，及其輔導員給予密切關注。同時，也可以結合具體情況，采取更科學有效的措施來給予科學管理與有效引導，幫助管理者在管理工作中作出宏觀決策。

4 基于大數據技術的高校學生行為分析

4.1 核心技術

4.1.1 機器學習

作為一門多領域交叉的學科，機器學習主要是通過對現有大數據實施分類器，或者是算法訓練來實現自我完善，從而將決策函數求出來，從而更準確且快速的預測出未知樣本，慢慢實現由其來代替人工工作這一目標。就目前來看，決策樹，以及貝葉斯分類器等都是引用較為廣泛的機器學習算法。

4.1.2 輿情分析技術

學生非常喜歡評論一些事情，且這些評論大多都帶有一定的主觀感情色彩。基于此，通過引用大數據技術來分析學生的觀點、評論，可以實現對其態度、情感性質的合理判斷。針對學生的評論，主要可以從詞語、句子，以及篇章三個層面來分析這類文字。初期可以圍繞詞語來判斷學生的詞性情感，之后，慢慢地通過句子形式、特點，結合一定算法來對文章的性質作出合理判斷[5]。

4.1.3 大數據技術

以往引用的技術大多都難以做到實時分析、處理海量數據，所以，要想使得各部分之間的關系可以得到妥善處理，就必須要重視大數據技術的應用研究，以此來全面挖掘、分析各類數據。作為一種開源通用并行框架，Spark 實現了對內存的充分利用，與Hadoop相比，更適合應用在數據挖掘，以及機器學習等需要反復迭代的算法中。

4.2 學生行為數據分析

4.2.1 學習上

可以基于大數據技術的科學引用來對學生的選課、考試數據作出綜合分析。在此過程中，可以針對成績優異的學生來進行學習榜樣模板的建立，對其學習、生活行為規律特點作出深入研究，然后分享給其他學生，這樣既有助于提升教育水平，也可以幫助學生有效提升學業成績。另外，針對成績出現波動的學生，可以做到全面監控，幫助教師、管理人員快速準確地找出波動的產生原因，從而選擇針對性的方式方法來給予教育引導。

4.2.2 消費上

可以引用大數據技術來對學生的食堂消費數據，還有小賣部、水電費等消費數據進行綜合分析，以此來明確學生頻繁出現在哪些地點，以此來進行學生每日熱點活動區域的繪制。然后基于此來對學生的業余生活規律特點進行全面總結，為輔導員日常管理工作提供有力參考，及時發現問題，并把握契機，采取有效措施給予及時指導，改善學生的生活行為習慣。

4.2.3 就業上

通過引用大數據技術可以對學生的相關數據，以及就業反饋信息作出綜合測評，以此來明確各界學生的就業情況，在此基礎上，再聯系學生的在校表現情況，對教學管理中的優缺點作出全面總結，明確針對不同專業的學生，在教育培養模式上應該作出哪些調整。同時，也可以結合各專業學生的未來就業發展前景，加強就業指導方面的投入，為學生盡可能多地爭取社會實踐的機會，促進教學質量、就業率的顯著提升。

4.2.4 德行上

通過引用大數據技術可以對學生的圖書館信用積分、獎助信息，以及師生評價，還有社會實踐活動記錄等方面的具體情況作出綜合分析。同時，進一步明確學生的思想道德、行為準則，從而及時采取有效措施來對思想教育工作內容、方式作出及時調整。

4.2.5 心理上

基于大數據技術，可以對學生的日常消費數據、輔導員反饋信息，還要及教師教學反饋信息等方面的全面分析來實現對孤僻、偏激，或者是存在妄想等異常動態的學生的密切關注。并基于不同階段的分析結果來采取針對性較強的措施方法來為學生實施恰當、有效的心理教育，為學生的身心健康、全面發展提供科學指導。比如：學生某一段時間的內心較為孤獨，或者是在學習生活中遇到了一些困難，課堂表現上會有明顯的變化，或者是出現成績大幅度降低等情況。對此，就可以通過教學、消費數據的分析來作出有效預警。

5 結語

綜上所述，在信息時代高速發展帶動下，校園信息化建設水平也得到進一步提升，同時大數據技術也得到了廣泛應用。通過引用大數據技術來對高校學生行為作出深入分析，不僅能夠實現對學生身心發展現狀的準確把握，也能夠為教師的因材施教、科學管理提供有力參考。此外，能夠為學校管理人員工作水平的進一步提升奠定堅實基礎，并且給學生現階段，以及未來學習成長帶來的影響也是不容忽視的，應給予足夠重視。