基于大数据的高职学生成绩分析的研究

杨霞霞 王彦军 苏锋

摘 要：学习成绩是评价一个学生在校学习情况的最重要和最直接的指标。学生通过学习成绩能够预知个人在未来课程的学习过程中出现的状况，并提前加以防范。老师对学生的学习成绩进行科学、合理的分析以便于掌握学生的学习情况，并开展相应的针对性教学。本文利用学生的个人行为、个人属性、历史成绩等方面的相关数据及关联规则对影响高职学生成绩相关的因素进行深入的挖掘和研究，为大数据技术在高职学生成绩分析的应用做一些探索性工作。

关键词：大数据; 课程; 学生成绩; 关联性

中图分类号：G647            文献标识码：A        文章编号：1006-3315（2019）12-182-002

学生成绩是高职院校评估学生对所学知识掌握程度的第一指标，也是评估老师教学质量和教学活动好坏的关键因素[1]。近年来，各个高职院校的招生规模在不断的扩大，为了提高自身的管理效率，各高职院校都建立了完备的信息系统与之匹配。与此同时，该信息系统也积累了海量的数据，如：学生的历史成绩数据、上网频率及时间长短信息、图书馆借书还书的频率、阅读数的类型等日常生活行为数据。然而，高职院校的信息系统积累的海量数据与学生未来学习成绩存在着某种关系，如果能对信息系统存储的学生数据进行综合、科学地分析，就能发现各信息之间的联系和规律[2]。因此，本文通过学生的个人属性、行为数据及历史课业成绩数据等对学生未来的课业成绩加以预测，以提前防范学生成绩及行为的恶化，有利于教师制定针对性的教学计划，从而提高职院校的教学效果，切实为我国现代化培养有用的应用型人才。

1.大数据在高职院校学生成绩分析中的应用现状

目前，国内外关于高职学生在校成绩的影响因素与预测方面的研究比较多，大多都是以学生在校的上网数据和学生成绩数据作为基础数据，对学生上网频率、上网时间、上网登录的网站等相关信息与学生学习质量之间的关系进行分析及研究，并根据最终挖掘的数据结果给出学生合理的上网时长，为网络部门的管理提供了合理的依据[3]。除此之外，部分研究则利用关联规则算法分析学校各个课程之间在成绩方面的关联关系、课程与学生行为之间的关联关系来预测学生未来的整体学业表现，以此为高职院校设置合理的课程提供有效的举措。目前的这一类研究方法在某种程度上能够分析和预测学生未来各门课程的成绩，但涉及的影响学生成绩的因素不够全面，本文则对学生成绩进行分析的因素加以补充，主要从学生的个人属性、个人行为、历史成绩等方面的相关数据及关联规则对影响高职学生成绩相关的因素进行深入的挖掘和研究，其目的是分析得出高职学生在校内的日常生活行为、个人属性及历史成绩对学生未来学习成绩的影响。

2.影响高职学生成绩的相关因素提取

高职院校的校园内部设施和服务体系完全可以满足学生日常生活的各种需求，根据高职院校信息系统积累的海量信息数据进行动态选择，主要提取历史成绩、学生行为、个人属性等因素。

2.1学生历史成绩

高考成绩作为学生进入大学的基础成绩，基本能够反映高职学生的学习基础，因此，将高考成绩作为影响学习成绩重要参考的其中一项指标。以高考成绩为核心建立学生编号、年龄、性别、高考分数等的学生基础表。

高职学生的历史考试成绩数据可以直接从本校的学生考试管理系统或教务系统中提取，建立学生成绩表，如：学院、专业、班级、学号、姓名、课程名称或课程代码、成绩、平均分、最高分、最低分、高分率、低分率、及格率等。从对一次学生的考试或考查成绩进行深入的综合分析，转化到进行深入纵向分析历次考试成绩的全方位数据的比较。另外需要注意的是，学生以往的学习成绩对于学生未来的学生状态及成绩也有着举足轻重的影响。举个例子，如果某位学生的高等数学、线性代数等基础课程学习状态不佳或考试成绩不理想，也可能会对未来理科性或工科性专业课程的学习及理解有影响。

2.2学生行为

学生日常行为的特征数据主要选取学习态度、学生上网频率、上网时间、上网登录的网站等相关行为特征作为备选特征。学习态度很难用一个具体的数值或方面进行量化，但可以通过几个重要的参考指标进行抽象表示。比如：学生上课的考勤（包括迟到、早退、旷课）、上课座位的位置、上交作业情况、积极主动回答问题情况、课外学习情况等进行考察。

还有一个特殊的情况，那就是早上一二节课是否吃早餐这个行为特征，在很大程度上也能反映学生学习该门课程的学习态度及情况。

2.3个人属性

个人属性的特征数据主要选取学生性别、生源地、学生智商数据等个人属性特征。在学生性别方面，女生的英语成绩总体上高于男生，男生的實践操作课程成绩高于女生。生源地不同，学生的英语成绩和计算机成绩偏差比较大，这两项主要体现在来自沿海地区和城市地区的学生比较有优势。另外，学生的智商也一定程度上影响着学习成绩。

2.4其他因素

除了以上几点主要因素外，还有其他的外部因素，如：学习环境、教学设备、教师等的因素。

对以上记录的数据进行随机选择，选择的数据主要有性别、基础成绩、出勤率、作业完成率、座次、课堂互动、课程类别、上网、课外学习、历史成绩。基础成绩选三个等级：较好、一般、优秀。出勤率、作业完成率、课堂互动、课外学习数据分别取三个等级：较好、一般、较差。座次为靠前、中间、靠后三个等级。上网分为较少、较多、一般三个等级。历史成绩分为及格和不及格。

根据以上几点对影响高职学生成绩的相关因素进行深入分析可知，基础成绩和学生学习成绩关联性不大。女生挂科的比例比男生的低。学习态度端正的学生，学习成绩基本较好，具体体现在出勤率较高、作业完成情况较好、座位选择靠前、课堂互动良好、课外学习较好。出勤率较低、作业完成情况较差、同时又沉迷网络，学生将大量的时间和经历放在上网项目上，学习时间不能保证，这对学生的成绩影响最大，学生课程亮红灯。

3.结论

本文针对学生未来课程成绩预警的问题，依据学生行为、个人属性及过往学习成绩的数据，可自动筛选出学习状态不佳、有不及格风险的同学并给予警示和引导，利用这种方法可以有效地提高学生对于自身学业状况的监督，推动和提高教育工作者对于学生的个性化管理水平，无论对于学生本身，还是教育工作者都有一定的参考价值。

参考文献：

[1]刘博鹏.基于数据挖掘技术的学生成绩预警应用研究[J]四川大学学报（自然科学版），2019（57）：45-46

[2]方胜吉，翁苏湘，李广庆.浅谈高等医学院校学生”数据挖掘”能力的培养[J]科技创新导报，2010（33）：182

[3]胡祖辉，施佺.高校学生上网行为分析与数据挖掘研究[J]中国远程教育（综合版，2017（2）：26-32

[4]许艳春.数据挖掘技术在高职学生成绩分析中的应用[J]电子制作，2013（19）：203