基于大数据的高校学生成绩预警分析研究

刘亚刚

摘要：随着大数据技术的发展，利用大数据对学生成绩及学生行为进行学业预警应运而生，通过教务管理系统获取学生成绩原始数据，经过数据清洗，得到规范化数据，建立成绩预测模型，利用成绩预测模型进行分析，做出学业预警。

关键词：大数据;高校;学业;成绩;预警

中图分类号：G642.0 文献标识码：A 文章编号：1007-9416（2020）05-0095-02

随着计算机及网络技术的发展，大数据技术被广泛应用到各个行业，已有部分高校建设大数据中心，通过大数据技术采集学生成绩数据，分析学生成绩，给出成绩预警，通过大数据技术，也可通过采集行为数据，分析学生心理健康、关注热点、兴趣爱好、生活规律等行为，基于此，笔者通过校园网采集的数据进行分析，建立高校学业预警机制以及开发动态预警系统，能够有效促进高校教育教学质量的提升。

1研究现状

近年来，在学业预警的学术研究领域，国内学者提出了一些预警方法和参考模型。其中，张福生等人提出了一种具有双向预警阈值的动态学业预警系统参考模型。吴宗志等人提出了“通过建立课程预警、毕业授位要素预警等相关标准和规范配套工作流程，确定预警对象，并在分类的基础上进行教育管理。杨洋等人提出通过整合学生个人真实数据，创建基于全新指标要素的研究模型，并构建学业预警系统功能架构图，力求实时量化学生学业情况，辅助辅导员及其他教育管理者制定全面的教育培养方案。田胜参在高校学籍异动管理机制优化研究中文章中提出了建立智能化的学籍管理信息系统、探索学籍二级管理、个性选课，服务学籍异动学生，促进异动学生的成长成才。周庆等人在技术数据挖掘技术的高校学生学业预警分析文章中提出了“挖掘学生行为数据背后隐藏的信息，可全面分析在校学生学业情况，使研究结果具有推广性。陈烽等人提出应将学业预警制度化、促进各相关部门和学院合作、建立预警取消和退出机制、加强对学业困难学生的督促和帮扶力度、不断更新技术手段，才能更加高效地实施学业预警，加强学业预警工作建设、帮扶学生学习、提高教育教学质量的目的。金义富等学者设计和分析了基于离群数据挖掘与分析的大数据环境下学业预警LAOMA模型，并将进一步对其进行测试与改进。据数据检索显示，自2007：年以来，每学年，高校普通本专科学生由于各种因素退学的数量占在校生人数约为0.75%，即每学年约15-20万人退学。

利用大数据技术到教育平台中，通过对学生行为数据及行为轨迹进行分析，能够挖掘出学生成绩这一学生行为的特点和关系，可以对近几个学期的成绩进行关联分析，继而推测出下一学期学习成绩模型，对成绩较低者给出预警，对于学生在新学年里自身行为的管理及约束提供辅助管理。

2学生成绩预警研究

2.1数据源采集

为研究高校学生学习成绩预测模型，采集了我校2015級到2018级在2019年第—学期所采集的学生成绩数据，共获得11719名学生数据，将这部分学生数据作为学生成绩学业预警初始数据源，经过数据清洗，选出9227;名学生记录。

2.2数据分析

整理得到初始学生数据后，由于学生数据于各个列联表没有经过整合，需进一步将原始数据处理为可用与学生成绩关联分析的数据变量。

其中max表示样本数据的最大值，min表示样本数据的最小值。

经过数据清洗、预处理、降维后，提取出9227名学生记录作为训练样本集，单个学生数据样本如表1所示。

2.3分析结果

为了将学业需要预警的学生辨识出来，首先使s分数正态分布，然后对学生的预测成绩进行分类，对学生s分数小于区间概率中较差的个体做出预警，并将学生根据s分数的分类打上类标签，即：学霸、优秀、良好、中等、及格、预警。如表2所示。

针对学生成绩标签所属位置，对学生进行分类预警，其中预警415人，占总学生人数的4.4977%。对其发出学习成绩一级预警，辅导员对其响应的学习行为指导。根据每学期成绩，可得出每学期x分数，对连续两学期达到预警级别的学生，给予二级预警，以此类推。从而提醒学生加强学习，重视学习成绩。

3结语

本文主要针对于高校学生成绩进行分析，在实际的高校管理中，还有若干方面可挖掘，从成绩方面给出的预警只是单一方面，对学生的综合评价还可以继续细化，可从学生的作息时间、社团活动、获奖级别、获奖次数、运动轨迹，搜索热点等方面进一步挖掘。学业预警不是给学生处分，而是帮助学生顺利完成学业的一种途径，给学生预先危险的警示，从而提高教育教学质量，对高校的发展具有推动意义。