基于智慧校園的學(xué)生行為特征的大數(shù)據(jù)分析與研究

李志遠(yuǎn) 姚明菊 魏強(qiáng)

摘要：越來越多的高校開始使用大數(shù)據(jù)分析解決日常教學(xué)、管理中遇到的實(shí)際問題，通過對校園卡消費(fèi)、上網(wǎng)、考試成績等數(shù)據(jù)進(jìn)行分析，從而改進(jìn)學(xué)校的教學(xué)、管理等方面的問題。當(dāng)代的學(xué)生生長于信息化時(shí)代，熱衷于使用計(jì)算機(jī)等設(shè)備來解決生活和學(xué)習(xí)中碰到的問題，對信息化的接受度較高，智慧校園的相關(guān)教學(xué)設(shè)施也使用較多。對當(dāng)代學(xué)生在校園生活中的行為特征數(shù)據(jù)進(jìn)行研究更有利于智慧校園的更進(jìn)一步建設(shè)。

關(guān)鍵詞：智慧校園;行為特征;多元線性回歸

中圖分類號：TP311? ? ? 文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2022）22-0016-02

1 引言

2018年國家正式發(fā)布了《智慧校園總體框架》標(biāo)準(zhǔn)，致力于構(gòu)建校園工作、學(xué)習(xí)和生活一體化的智慧校園正在全國多個(gè)高校逐步成型，從課堂到生活的教育理念已經(jīng)被廣為接受。高校智慧校園的建設(shè)模式大致相同，都是以教育為中心展開的，建設(shè)模式的不同也都有自己的優(yōu)點(diǎn)和缺點(diǎn)。智慧校園是在互聯(lián)網(wǎng)飛快發(fā)展基礎(chǔ)上建立的，通過大數(shù)據(jù)時(shí)代運(yùn)營，以提高高校校園的教育質(zhì)量，方便高校的信息管理，便捷師生的生活，運(yùn)用大數(shù)據(jù)技術(shù)建設(shè)智慧校園具備劃時(shí)代的意義[1-2]。

筆者所在的吉利學(xué)院作為新遷入四川的高校，其智慧校園環(huán)境在川內(nèi)來看也是建設(shè)比較優(yōu)秀的。相比傳統(tǒng)的僅僅以最后成績評定的程序設(shè)計(jì)類課程評價(jià)方法，如果能夠結(jié)合智慧校園環(huán)境下不同方向的學(xué)生的學(xué)習(xí)行為特征（上課、上網(wǎng)、門禁、課后習(xí)題提交等） 多維大數(shù)據(jù)進(jìn)行全方位分析，就能及時(shí)地衡量出各個(gè)行為畫像對成績的最終影響作用，為學(xué)院課程的教學(xué)管理和教學(xué)質(zhì)量的評價(jià)監(jiān)督提供決策依據(jù)，同時(shí)也可對智慧校園的迭代建設(shè)提供數(shù)據(jù)支撐。在對吉利學(xué)院的學(xué)生評價(jià)完成后，依據(jù)其評價(jià)的質(zhì)量指標(biāo)，可為其他智慧校園教學(xué)管理和校園建設(shè)做相關(guān)參考評價(jià)。

2 數(shù)據(jù)樣本采集

采集的數(shù)據(jù)以吉利學(xué)院在校大一和大二學(xué)生不同專業(yè)的學(xué)生行為數(shù)據(jù)為樣本，采集的多維數(shù)據(jù)樣本源由以下幾部分組成：

1） 場景數(shù)據(jù)。樣本所在的宿舍位置以及宿舍相關(guān)學(xué)生的年齡、地域、畢業(yè)院校等數(shù)據(jù)。吉利學(xué)院的宿舍分配方法采取學(xué)生自愿選宿舍和人為指派組成，并沒有充分考慮學(xué)生的興趣、性格、生活習(xí)慣等方面，引入場景數(shù)據(jù)可對場景環(huán)境對學(xué)生的成績影響進(jìn)行充分考量。

2） 門禁數(shù)據(jù)。樣本進(jìn)出宿舍、自習(xí)室、圖書館、教室的門禁時(shí)間，門禁數(shù)據(jù)可以有效衡量出樣本最終成績和門禁的數(shù)據(jù)相關(guān)性。

3） 出勤數(shù)據(jù)。樣本在課程學(xué)習(xí)的出勤率，包含其具體的出勤時(shí)間等。

4） 上網(wǎng)數(shù)據(jù)。在不涉及個(gè)人隱私的情況，對樣本的上網(wǎng)時(shí)間段進(jìn)行精準(zhǔn)采集，列出主要學(xué)習(xí)網(wǎng)站，從而分析樣本對于相關(guān)網(wǎng)絡(luò)學(xué)習(xí)平臺的學(xué)習(xí)情況。

5） 專業(yè)主要課程的學(xué)習(xí)數(shù)據(jù)。采集樣本專業(yè)主要課程的學(xué)習(xí)情況主數(shù)據(jù)，主要包括上課的問答情況，作業(yè)完成情況等智能教育平臺導(dǎo)出來的多維數(shù)據(jù)。

3 數(shù)據(jù)存儲(chǔ)和多元分析

對樣本的行為特征進(jìn)行采集后，需要對數(shù)據(jù)進(jìn)行存儲(chǔ)和處理分析，因數(shù)據(jù)量較大，宜采用Hadoop+Spark平臺進(jìn)行數(shù)據(jù)的有效存儲(chǔ)。

Hadoop的MapReduce非常適合對大規(guī)模數(shù)據(jù)集合進(jìn)行批處理操作，只是其存在著延遲過高，無法進(jìn)行快速計(jì)算。Spark借鑒了Hadoop的MapReduce技術(shù)，其適合分布式并行計(jì)算，然其并不適用于數(shù)據(jù)量巨大的情況。因此采用兩者結(jié)合的方法可同時(shí)兼顧大規(guī)模數(shù)據(jù)集處理和快速實(shí)時(shí)運(yùn)算的要求。

進(jìn)行數(shù)據(jù)分析時(shí)，可以利用Python和SPSS等數(shù)據(jù)分析工具對數(shù)據(jù)進(jìn)行提取和篩選，在篩選時(shí)根據(jù)分析的主目的進(jìn)行數(shù)據(jù)的清洗、匯總。對龐大的后臺數(shù)據(jù)篩選后，利用多元回歸分析法，確定要評價(jià)的學(xué)生學(xué)習(xí)效果呈顯著正相關(guān)的指標(biāo)，同時(shí)對指標(biāo)數(shù)據(jù)進(jìn)行權(quán)值量化，量化后的數(shù)據(jù)可對學(xué)生的作息時(shí)間規(guī)律性、努力程度、學(xué)習(xí)技能等多維度進(jìn)行分析，最終可以有效地對學(xué)生的教學(xué)管理和教學(xué)質(zhì)量進(jìn)行評價(jià)[3]。

采取的總體研究框架如圖1所示，評價(jià)方法的整體迭代關(guān)系如圖2所示。

4 多元線性回歸分析

學(xué)生行為特征數(shù)據(jù)由多個(gè)維度組成，多個(gè)維度抽取其關(guān)鍵因子構(gòu)成了多因素的組合模型，采取多元的線性回歸分析是一種比較好的評價(jià)預(yù)測方法。多元線性回歸是多種評價(jià)方法中最為基本的，較容易實(shí)現(xiàn)且效果較好的方法。學(xué)生的最終的行為受多種因素所影響，因此可以采取多元線性回歸分析法分析學(xué)生的平時(shí)的行為數(shù)據(jù)與結(jié)果表現(xiàn)的關(guān)系，篩選出最優(yōu)的特征數(shù)據(jù)去預(yù)估學(xué)生學(xué)習(xí)行為，并建立預(yù)測模型[4]。模型公式為：

[Y=a0+a1x1+a2x2+a3x3+…+anxn]? ? （1）

在公式（1） 中，Y為結(jié)果變量;x1到xn為各個(gè)變量因子;ai為各個(gè)變量因子所對應(yīng)的回歸系數(shù)。

根據(jù)上述公式，綜合分析后，選擇相應(yīng)的大一、大二的在校不同專業(yè)學(xué)生的特征數(shù)據(jù)作為變量因子參與計(jì)算，選擇的特征數(shù)據(jù)量如表1所示。

4.1 Python實(shí)現(xiàn)多元線性回歸

Python是一種模塊化的開源語言，其包羅萬象的模塊可以幫助用戶用最簡單的代碼實(shí)現(xiàn)復(fù)雜的算法，本文采取Numpy模塊進(jìn)行數(shù)據(jù)集的矩陣預(yù)算，采用Pandas內(nèi)置的read_csv（）函數(shù)實(shí)現(xiàn)對于數(shù)據(jù)集的讀取。采用sklearn模塊對數(shù)據(jù)集進(jìn)行訓(xùn)練和相應(yīng)的模型導(dǎo)入。其實(shí)現(xiàn)的核心代碼如下：

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

from sklearn import linear_model

df=pd.DataFrame（“students.csv”）

model=linear_model.LinearRegression（）

model.flit（df）

x_=df.iloc[：，[1，2，3]]

y_model.predict（x_）

plt.scatter（x_，y_）

plt.show（）

利用上述的核心代碼對學(xué)生的樣本數(shù)據(jù)集進(jìn)行線性回歸預(yù)測，結(jié)果如表2所示：

4.2 學(xué)生行為預(yù)測和誤差分析

利用上述表2得到的多元線性回歸預(yù)測模型對樣本學(xué)生的行為數(shù)據(jù)和其最終的成績分布進(jìn)行預(yù)測，并使用Python的Matplotlib進(jìn)行繪圖，得到如圖3所示的實(shí)際學(xué)生成績值和預(yù)測值的對比圖。從圖3可以知道，當(dāng)數(shù)據(jù)樣本分布較為合理，且具有一定規(guī)模的時(shí)候，采用線性回歸分析法，可以一定量地預(yù)測出學(xué)生樣本最終成績和其行為數(shù)據(jù)的關(guān)系。

5 結(jié)束語

在當(dāng)前大數(shù)據(jù)普遍應(yīng)用的環(huán)境下，對智慧校園內(nèi)的學(xué)生行為特征大數(shù)據(jù)進(jìn)行分析非常迫切和重要[5]，依照本文提出的數(shù)據(jù)采集維度和數(shù)據(jù)分析的方法，可有效探索解決學(xué)生行為數(shù)據(jù)對課程學(xué)習(xí)的影響因素，從而為進(jìn)一步的教學(xué)管理及教學(xué)評價(jià)打下良好的理論和實(shí)踐基礎(chǔ)。

參考文獻(xiàn)：

[1] 趙磊磊，張黎，代蕊華.智慧校園的智能升級：基于人工智能的智慧校園[J].現(xiàn)代教育技術(shù)，2020，30（11）：26-32.

[2] 楊萍，姚宇翔.智慧校園建設(shè)研究綜述[J].現(xiàn)代教育技術(shù)，2019，29（1）：18-24.

[3] 丁輝.Python基礎(chǔ)與大數(shù)據(jù)應(yīng)用[M].北京：人民郵電出版社，2020.

[4] 岳劉杰，齊慶杰.基于多元回歸分析的瓦斯?jié)舛阮A(yù)測[J].陜西煤炭，2022，41（1）：1-4，9.

[5] 石川，丁杰，徐藝.新冠疫情常態(tài)化下的大學(xué)生校園環(huán)境行為特征調(diào)查研究[J].安徽建筑，2021，28（3）：30-32.

【通聯(lián)編輯：謝媛媛】