一种GIS专业学生日常移动轨迹与学业表现关系初探

李军利 张鑫 陈宇

[摘 要]学生的日常学习行为是教学质量监控的一个重要方面。方法：以15位GIS专业本科生志愿者30天的日常行为位置轨迹数据，结合DBSCAN算法与相关性分析，探讨志愿者日常移动轨迹信息与学业表现的关联性。研究表明：学生的日常移动行为与学生学业表现存在相关性。该研究有助于学生日常学习行为教育管理，可为人才质量监控提供借鉴。

[关键词]质量监控;移动轨迹;DBSCAN算法;学业表现

[基金项目]2017年安徽省高等教育教学改革研究重点项目“大数据时代地理信息科学专业实践教学环节质量监控研究”（2017jyxm1175）;2016年安徽农业大学质量工程重点研究项目“精品课程”（2016-42-147）

[作者简介]李军利（1976—），男，安徽无为人，博士，安徽农业大学资源与环境学院副教授，主要从事地理时空数据分析等相关教学与科研工作;张 鑫（1996—），女，山西大同人，安徽农业大学资源与环境学院本科毕业生，研究方向为地理信息科学;陈 宇（1998—），女，安徽宣州人，安徽农业大学资源与环境学院本科生，研究方向为地理信息科学。

[中图分类号] G455[文献标识码] A[文章编号] 1674-9324（2020）27-0127-02[收稿日期] 2019-12-04

当前，高等院校面临的迫切任务是保障和提升高等教育质量，适应国家经济社会发展对人才的需求[1]。为紧紧抓住国家大力发展空间信息领域、支持发展新兴交叉学科专业的机遇，安徽农业大学地理信息科学专业自招生以来，始终坚持教学的中心地位，坚持以培养双创型人才为目标。专业以2016年审核性评估与2019年专业评估为契机，在学校与学院不断完善教学质量保障体系与运行机制的大背景下，不断强化本科教育教学过程管理，取得了一些成效。为了更好地了解学生日常学习行为状态，本文初步研究了学生日常移动行为与学业表现之间的关联性，以期为学生日常教学管理与专业人才质量监控提供有益帮助。

一、日常教学管理制度执行情况

围绕地理信息科学专业发展定位及人才培养目标，我校地理信息科学专业依据教育主管部门相关规定与章程建立了科学完备的专业教学质量标准体系。该体系包括专业质量、课程质量、实践教学质量等一系列资源标准，地理信息科学专业严格按照上述标准开展教学工作，有力地保障了教学质量。根据学校有关政策，本专业完善了本科教学的日常考核方式与程序。围绕教学效果质量监控，学校每学期都会开展“评教”工作，针对教师的教学任务、教学内容、教学研究与改革、师德师风等方面开展质量评价。同时，专业任课教师每学期也同步开展“评学”工作，以每一个本科生的学习状态与效果为对象，对学生的学习自主性、日常学习状态、创新创业活动效果与学习成绩等方面进行评价。上述方法在我校GIS专业取得了一些成效，专业在教学管理制度执行与教学质量监控执行方面做得相对较好。对于学生的学业情况，学校都会适时给出学业预警。但实际工作中还存在一些问题，对学生日常学习行为的教育管理还需要不断完善。

二、学生日常移动轨迹空间热点聚集

受伯纳德·韦纳归因理论启示，学生的学业情况受教育环境、学生的智力、心理状况、学生的日常行为习惯等因素有关[2-3]。学生群体在生活中有着不同的日常行为模式，部分轨迹存在一定的相似性。开展移动模式分析可以发现学生群体轨迹相似停留模式，有助于了解学生学习行为状态。

在创新实践活动中，我们结合新兴地理数据引入课堂环节，采用学生自愿上报的方式，获取了15位志愿者30日移动轨迹数据。学生移动轨迹位置包含丰富的语义信息，轨迹语义挖掘有助于理解用户行为日常行为。每一条轨迹数据语义描述主要常去的场所，如寝室、教学楼、实验楼、学院楼、食堂、运动场与商场等，并且包括日期，开始时间，结束时间，轨迹开始点与轨迹结束点。通过这些数据，可以计算学生在不同生活与学习场所停留的时间。为识别志愿者学习行为状态轨迹空间聚集，选择一种常用的基于密度聚类的DBSCAN算法，通过相关参数进行轨迹活动热点的划分[4]。对于志愿者提供的学生样本所经过的位置，根据不同作息时段，提取不同的POI數据，在Python环境下进行DBSCAN算法分析。对工作日（图1）和非工作日（图2）轨迹数据进行分析，发现轨迹在学习场所、饮食场所、休息场所与运动场所等呈聚集状态，志愿者学生周一至周五学生出现在学习场所的频率较高，其中图书馆、八教和九教呈现出较强聚集，停留时间较久;而在非工作日轨迹较为分散，公寓区域呈现密集，说明不少志愿者在周末往往是选择在寝室休息。

三、日常行为与学业表现相关性分析

大学生的学业成绩通常用平均成绩和绩点来衡量学生的学业情况。选取了15名志愿者样本的轨迹数据进行统计，对每个样本在30日在相关场所的停留时间进行累加，并去除其正常上课时间，以分钟为单位，参照志愿者本人课表核算。通过志愿者轨迹路线图和密度聚类发现，我校学生目前主要去的学习场所包括图书馆、九教和八教，停留相关场所时间统计仅以三个地方累加和表示，小于1小时短暂停留后就离开的忽略不计。为探究志愿者学生的日常移动行为特征和学业状况之间的相关性，对志愿者停留相关场所与该学期学生的平均成绩绩点进行相关性分析，相关系数在相应置信水平通过检验。说明在志愿者学生群体中经常去学习场所并且停留在学习场所时间较长的学生在该学期平均绩点较高。

四、结束语

本文旨在研究学生日常行为轨迹与学业情况的关系。首先对志愿者提供的轨迹数据进行处理，再运用DBSCAN算法进行聚类分析，最后分析志愿者停留相关场所的时间与学业表现。结果表明：①志愿者学生周一至周五学生停留在学习场所的频率相关较高，主要集中图书馆、八教和九教，且停留时间相对较长;在非工作日聚类中心分散，在公寓区域呈现密集，说明志愿者学生在周末与工作日选择停留场所有较大差异;②志愿者学生群体在学习场所停留时间和学业情况之间呈现正相关，并且停留在学习场所时间较长的学生在该学期终评成绩相对较好。

本文存在一些不足，如学生学业情况影响因素还有待讨论，分析还可能存在有偏性[2]，人类移动行为问题涉及多学科交叉，如何获取高可信数据还存在困难[5]，后续将在获取更多志愿者数据基础上，不断完善研究。

致谢：李妮妮、康雪纯等同学参与了数据处理与分析。

参考文献

[1]黄和飞，王斌，段利华.高校本科教学质量内部保障体系的探索与实践[J].高教论坛，2019（10）：55-58.

[2]Weiner B. An Attributional Theory of Achievement Motivation and Emotion[J]. Psychological Review，1985，92（4）：548-573.

[3]苏建华.英语专业学生学习归因和成绩预测研究[J].闽南师范大学学报（哲学社会科学版），2019，33（2）：53-57.

[4]鲍冠文，刘小明，蒋源，尚春琳，董路熙，唐少虎.基于改进DBSCAN 算法的出租车载客热点区域挖掘研究[J].交通工程，2019，19 （4）：62-69.

[5]Ghosh，S. & Ghosh，S.K.Prog.Exploring the Association Between Mobility Behaviours and Academic Performances of Students：A Context-aware traj-graph（CTG） Analysis[J].Artif Intell，2018（7）：307.