教育大数据支撑下的大学生学业预警模型设计

张笑盈

摘 要：随着大数据成为信息时代的热点，教育大数据在教育领域特别是高等教育领导受到广泛关注。本文首先介绍了教育大数据的概念，在此基础上，提出了一种基于支持向量机的学业预警模型。最后建立多级学业预警信号及相应的反馈机制，并利用模型自动发现学习状态不佳的学生并发出预警。

1.引 言

随着高等教育趋向大众化，高校学生人数急剧增加，根据《2016 年全国教育事业发展统计公报》显示，全国高校在校学生总人数达到3699万人，高等教育入学率达到42.7%[1]。然而，招生门槛的降低势必会导致生源质量的骤然下降，增加学生管理工作难度。而大数据时代的到来，促使教育行业不断创新与变革。

我国教育领域的不断发展与变革正经历着空前绝后的考验，大数据和教育领域相结合成为时代发展的新趋势。随着数字化校园、智慧校园的不断推进，每个教师和学生每天都在生产大量的数据，这些数据大都只是被存储在数据库中，而没有将其进行充分利用，甚至会被永久删除。因此，如何利用这些数据，使这些数据成为有用的信息，得到了教育工作者和学习者们的广泛关注[2]。

2.教育大数据的概念

教育大数据是大数据中的一部分，特指在教育领域中的大数据。这里的教育是“大教育”的概念，具有全员、全程、全方位的特点[3]。教育领域中的大数据可以分为狭义和广义两类，从狭义的角度来说，它是指学习者的行为数据，可以从与学生相关的管理系统中获取，而从广义的角度来说，通常指人类在日常教育活动中产生的行为数据[4]。

3.学业预警模型设计

学业预警指的是高校遵照一定的标准，综合评价学生的日常学习表现和考试成绩等因素，根据评估结果，生成相应的预警信号，针对不同的预警信号，采取不同的措施，帮助学生更好的完成学业，同时也可防止学生被取消学位或退学等现象发生。因此，本文综合学生当前的学习生活状态以及过往的学习成绩，提出一种基于支持向量机的学业预警模型，具体过程如下：

Step1：表1 所示为构造的学业状态特征向量，由考勤指数、学习指数、以及成绩指数这三个影响学业的重要指标组成，将预测结果分为“紫色、绿色、红色”三级，其中紫色表示优秀，绿色表示一般，红色表示差。

Step2：从学校的相关信息系统抽取基础数据并根据表1量化方法构造学业状态样本集。将样本集分为两部分，一部分作为训练集，用于SVM分类器的训练，另一部分作为测试集，对SVM分类器的正确率和有效性进行测试验证。

Step3：根据交叉验证方法选择RBF型核函数的惩罚因子和参数。采用“one against one”的方法，使用训练集训练得到3个SVM分类器。

Step4：分别使用3个SVM分类器对样本集进行分类，计算各个类别的得分，选择分数最高的一类作为测试集的预测结果。如果预测结果与人工标签相同，表明预测结果正确，否则错误，由此验证了分类器的总体正确率。如果正确率达到了事先划定的阈值，则可以使用分类器对任意学生的学业状态进行预测；否则，将样本集进行重构，然后更新参数进行再次学习。

由于学生的任何一个指标都无法完全刻画学业状态，因此综合考虑以上三项指标，借助天气预警信号，用红色、橙色、黄色、绿色、蓝色、紫色6 种颜色，展示不同的学业状态情况，如表2所示。

4.总结

本文在教育大数据支撑下，提出一种基于支持向量机的学业预警模型设计，可自动识别学业不佳的学生并对其进行预警。通过这种方式可创建个性化定制教育实现学习优化，不但能增加教育工作的指向性，而且有助于高校学生工作的开展。但如果应用不当，过分依赖生硬的数据也可能与教育的本质大相径庭，因此，应当权衡人的发展与技术应用，合理利用教育大数据。

参考文献：

[1] 陈玉芸. 大数据环境下完善学业预警系统研究[J]. 南宁职业技术学院学报， 2018（2）

[2] 金义富， 吴涛， 张子石，等. 大数据环境下学业预警系统设计与分析[J]. 中国电化教育， 2016（2）：69-73.

[3] 焦春燕. 基于教育大数据的学业预警模型研究[J]. 电子技术， 2017， 46（9）.

[4] 朱劍林， 朱容波， 康怡琳，等. 教育大数据在高校贫困生预测中的应用研究[J]. 教育教学论坛， 2018（21）.