基于大數據技術的學生行為挖掘與預測研究

黃靜霞,楊國龍

(湛江幼兒師范專科學校,廣東 湛江 524084)

0 引言

隨著計算機技術的快速發展,互聯網在高校的信息化應用中越來越廣泛,大多數高校都啟動了數字校園的建設,建設智慧校園是高職院校在信息化建設道路上更高層次的體現,智慧校園的建設與應用越來越廣,師生所產生的數據較大,學校不僅獲取了師生的基本數據、教學數據、管理與服務的數據,還有很多非結構化的數據,在海量的數據中,如何進行有效的管理與分析,通過對數據的深層次的分析與挖掘,探索數據中的價值,研究學生的行為特征及數據規律,從而得出學校的基本情況,師生的生活服務情況,教育教學情況及學生的學習情況,從而提高教學質量、提高學生的學習效率及教學質量。 特別是近年來,互聯網技術的發展和普及,各高校在教學手段上,都使用了多種教學手段參與教學活動,在線教學平臺、網絡教學、翻轉課堂、微課等,學生不僅可以很快捷、有效的進行學習,同時產生了很多數據,特別教學的評價數據,教學的過程數據以及教學的即時數據,通過大數據技術的使用,對學生的行為挖掘,構建相應的模型,為教學管理者提供數據支撐,同時為輔導員和教師能夠全面了解每個學生的具體情況,為學校管理者提供決策參考[1-3]。

1 國內外研究現狀和趨勢

1.1 國內研究現狀分析

近年來,大數據技術的快速發展,為大數據相關研究提供了重要的基礎,2013 年至今,從各類研究中發現,直接使用大數據進行研究的成果有很多的提升,主要體現的論文的數據和質量上。 2014 年,教育部發布了教育信息化的工作中要求,加強動態監測、對教育預測、教育決策的應用等,同時要求教育大數據能為教育決策提供數據支持,促進全國基礎教育數據共享[4]。

1.2 國外研究現狀分析

目前,各個國家都投入了大量人力和財力來發展大數據。 例如,大數據作為美國增強競爭力的關鍵因素之一,并且將研究大數據和生產計劃提升到國家戰略水平,與此同時,大力發展相關的信息網絡安全項目。 在2012 年3 月29 日,《大數據研究和發展計劃》由白宮科技政策辦公室進行發布,并成立了“大數據高級指導小組”。 而在2013 年11 月,信息技術和創新基金會發布了一份題為《支持數據驅動型創新的技術與政策》的報告。 2014 年5 月,美國發表《大數據:把握機遇,守護價值》白皮書,通過分析美國大數據的應用和管理現狀、政策框架和改進建議。 目前,美國有較多大數據項目均涉及信息網絡安全項目[5]。

2 大數據技術對學生行為的研究與分析

隨著大數據的建設與不斷完善,許多學校積累了海量的數據,利用大數據挖掘技術對校園大數據進行分析,不僅可以為學校管理決策提供依據,還可以促進學校信息化建設,豐富數字校園和智慧校園的概念體系。

(1)本文利用大數據技術,通過數據挖掘、神經網絡等方法,從學校的數據中心甩采集匯聚的數據中,深度挖掘教育教學中的教學數據,學生的學習行為數據、教學活動、教學過程等數據,從而發現教育教學中所存在的問題,學生學習生活的規律及行為習慣,充分利用學校大數據中心的業務系統的數據共享與業務應用優勢,發揮海量的數據優勢,為學校的各業務部門及學校的管理者進行決策支持,更進一步推動教育教學的改革,進一步提高教學質量及學生的學習效率,提高個性化教育教學評價與診斷應用,為學校的發展提供數據支撐,也為學校的管理者的決策提供可靠的數據依據,推動學校的高質量發展。

(2)構建基于Spark 的學生行為分析與預測平臺,利用校園的人、財、物數據,重點關注學生行為數據,建立學習狀況、學生的學習行為習慣、學習的生活規律等為重要的評價指標,形成有效的評價體系,構建基于學生行為的學生畫像,利用神經網絡技術、貝葉斯算法、決策樹等,生成學生可控可預測的學生行為模型,并通過模型對學生的行為進行預測與管理,及時發現學生在日常學習生活中所存在的問題,及時進行預警,有效地對學生進行管理。

(3)本文采用KNN 算法對學生的學習行為及學習能力進行分析,并通過多維度的向量,分析學生的學習能力與學生的學習成績的關系,得出學習能力對學生學習行為的影響程度,給出學生的干預閾值并建立預警機制,建立基于大數據的學生行為分析與預警系統,挖掘學生的行為、心理等問題,為學生工作的管理者及學校領導有效地對學生的行為進行有效的控制與引導。 基于此,還可以采用Hadoop 分布式處理平臺,運用決策樹、關聯規則、logistic 回歸等,對所有學生的行為數據進行深度挖掘,找出數據之間的關系,研究學生的行為與學習質量的關系,學生的生活習慣與學習的效率的關系,結合大數據平臺中的業務系統數據、比如消費數據、在線學習平臺的數據、考勤管理數據、圖書借閱數據、成績數據等,利用所建立的預測模型,分析學生的行為特征與生活規律,方便學校掌握學生的生活和學習動態,及時有效地對學校的生活行為干預與有效管理[6-8]。

3 學生行為挖掘與預測實現原理

本文重點和難點運用大數據分析方法,利用大數據平臺對各類業務系統的數據進行采集、清洗、轉換、挖掘、數據建模分析和聚類分析NLP 技術,最后以學校的畢業生的崗位大數據可視化,并對就業的數據進行描述,提煉就業質量,構建預測職業變化的模型,系統技術實現原理如圖1 所示。

圖1 系統技術實現原理

本文所構建的系統采集學校數據、合作數據、第三方數據(如麥可思報告)、互聯網數據(爬蟲技術)和其他來源的數據,并將多源數據預處理到數據倉庫中。通過用戶圖像分析技術、數據倉庫特點、數據屬性選擇、工程和行為建模等,建立畢業生就業圖片分析、數據可視化數據庫,進一步支持就業、專業能力數據分析、擇業滿意度分析,推薦學生就業、就業群體分析和專業群體匹配就業群體分析系統功能,最后為系統用戶提供Web 應用和微信應用界面[9-11]。

4 大數據技術對學生行為挖掘與預測的研究

本文主要對現有信息進行數據挖掘分類分析,構建相關的預測模型。 隨著研究的深入,采用不同的模型,算法也不同,各種算法都在不斷改進和優化。 本課題主要對決策樹、神經網絡和樸素貝葉斯算法進行研究。 通過對算法的分析和比較,將決策樹、神經網絡和樸素貝葉斯3 種分類算法相結合,建立了組合預測模型。 現構造 Lagrange 函數如下,其中,公式(1)為:

劃分數據集,其中60%為訓練集樣本,40%為測試集樣本;選擇3 種分類算法對訓練集進行建模;對測試集中的樣本數據進行單模型預測,得到預測結果;將步驟3 中的預測結果代入公式(1),計算權重系數,建立組合預測模型;根據式(2)得出組合預測結果[12-13]。

構建學生行為特征指數及制定行為管理規范。 在傳統的學生行為管理過程中,一般是根據學生的成績或同學生的交流過程中,對學生的管理,這些傳統的方法所獲取的數據不完整,有一些部門的主觀性比較多,為了能對學生的各類數據進行精準有效的分析,為學生的管理者提供精細化的管理,本文以統計分析、預測、關系挖掘、文本挖掘等教育數據挖掘方法為基礎,從學生心理健康測試、行為軌跡、情感態度、上課考試情況、課外活動情況等進行數據分析,進一步分析每位學生的個性特征、行為規律、生活習慣等,為建立學生校園行為管理規范提供基礎。 以大數據中心的數據為基礎,通過從各個業務系統所采集的數據進行歸類、分析,利用大數據分析平臺進行分析,獲得學生的行為特征指數,制定學生管理規范,構建了能夠準確反映學生在校行為和習慣的相關指標。

搭建基于大數據的學生行為特征分析預測平臺。該平臺以學生的各類數據為基礎,是平臺的數據源,主要包括學生的消費、學習成績、圖書借閱、上網行為等數據源。 首先,預處理的學生數據存儲在分布式系統HDFS中,以確保數據轉換的便利性和數據類型與關系數據庫的一致性。 然后通過數據聚類分析算法以及對數據的關聯規則進行挖掘,從而對學生的行為進行管理與分析,獲取學生的行為特征,預測學生的生活規則和習慣[14-15]。

學生行為挖掘與預測的具體應用。 本研究能夠根據學生在校園中的日常行為等來進行大數據處理與分析,預判學生的各種行為,為學校進行管理決策提供數據,為教學及生產安全管控提供有效輔助,比如推斷學生出現曠課行為、掛科、學分不足等現象,同時對學生心理問題預測分析,輔導員可以對出現問題的學生及時進行引導及溝通。

5 結語

本文基本大數據技術與的學生行為挖掘與預測的應用研究,是利用學校在建設智慧校園的過程中,所構建的大數據的管理與分析平臺,采集學生的學習與生活等方面的數據,利用KNN 算法、決策樹、支持向量機等,構建學生的學習能力對學習成績的影響的模型,采用決策樹、關聯規則和logistic 回歸3 種數據挖掘方法,對學生的各種生活行為、例如網行為、消費行為、學習習慣等之間的關系,建立基本校園行為的分析與預警系統,通過對學生的心理問題、學習生活問題以及各類的數據,構建學生的行為畫像,從而對學生的行為監測與預警,引導學生的生為健康發展,提高學生的學習效率,從而實現學校的高效管理與數據共享,為學校的管理者決策提供數據支撐,取得了較好的預期效果。