基于visdom工具实现学生数据可视化分析

张雷

【摘要】    本文从研究高校教学过程中积累的大量学生成绩数据出发，通过大数据技术，完成数据抽取、清洗、转换、装载，构建学生成绩数据模型，应用visdom可视化工具和Python各类机器学习库，实现高校学生成绩数据可视化分析展现，实践表明，成绩分析可视化展现可以较为精准诊断学生学习实情及学习能力优劣态势，辅助提升学生综合管理水平和教学质量，提高学生综合竞争力。

【关键词】    数据可视化    教育教学管理    数据分析

Realization of student data visualization analysis  based on visdom tool

Abstract：This article starts with the study of a large number of student performance data accumulated in the teaching process of colleges and universities， uses big data technology to complete data extraction， cleaning， conversion， and loading， builds student performance data models， and uses visdom visualization tools and various Python machine learning libraries to achieve college student pairing Visual analysis and display of score data. Practice has shown that visual analysis can more accurately diagnose the true learning ability and learning situation of students， help improve students' comprehensive management level and teaching quality， and improve students' comprehensive competitiveness.

Keywords： data visualization   Education and Teaching Management   data analysis

一、研究現状

随着信息技术的迅猛发展，高校教育教学改革持续推行，多元的教育教学方法极大地提高了教育教学工作效能，丰富了教学管理手段，伴随着教学信息化2.0行动方案的落地实施，以统一身份认证平台为基础，建立了以学生为主体的各项信息化服务生态，辅助教师进行教学管理。同时，在学习生活方面为学生带来极大便捷。为了充分利用好学生大数据，高校建立了学生数据中心，部分学者通过对在教学系统中学生的行为数据进行分析，建立学生学习数据标签，构建学生数据画像，可视化展现学生学习方面的特点，为学生后续的学习提供相应的预测和推荐[1]。借助高校数据中心存储的海量学生数据，通过ETL工具完成学生端出勤状况信息、校园一卡通信息、学生成绩信息、学生第二课堂参与情况等信息数据的收集和处理[2]，基于学校各项管理制度设计对应数据分析的规则库，并从学生的所在学院、班级、个人三个维度对学生成绩、综合素质、考勤、奖惩进行分析和可视化展现[3]。通过该综合可视化展示系统，全方位了解学生基本学习状况、综合行为表现，以及排名情况。达到了对学生学业的精确诊断，并对部分学生进行学业预警，针对性制定管理策略。伴随着“互联网+”教学模式的应用和推广，越来越多的高校开展了“线上”教学课程，以“自主学习”为重点的“线上”教学模式，对学生学习实情并不能实时掌控，部分学者使用基于SC模式[4]进行课程反向设计，综合评估学生的学法、教师教法、课程目标等指标，通过对布朗姆认知模型[5]、3650框架的应用[6]，完成对上述指标的评估，并对“线上”教学质量进行可视化展现，对课程中出现的问题进行针对性的改进。为了对高校学生毕业就业情况进行分析，使用基础的统计分析、方差分析办法，完成对毕业学生就业情况统计和分析[7]，将毕业学生就业方向、薪资待遇、就业类型、从事专业等各种影响因素进行可视化展现，引导学生群体进行就业选择，进一步提升毕业学生就业质量。

数据可视化是一种直接高效的数据分析手段，多数情况以分析学生成绩、学习行为为主体，并使用清晰易懂的图表进行展现，突出学生在校表现及学习特点。通过对关键数据的图形化，以可视的状态发现存在的问题，并针对问题完善解决方案，能够做到精准发现、高效排查。其一般实现的方法是“脚本图表化”，通过编写脚本语言完成对数据的可视化展现，这种方式工作量小但展示内容单一;或者设计一个数据分析可视化展示系统，以数据为基本单位进行可视化展现，其展示内容丰富但工作量较大。因此，基于成熟控件实现轻量化学生学习情况可视化成为一个最优选项，该系统满足模块化、智能化设计潮流，能根据研究目的不同，进行个性化组装，实现灵活多变的数据可视化伴。伴随着vIsdom轻量化图形组件模块在python语言环境的广泛应用，完成这一轻量化系统的设计开发成为了可能。

二、visdom图形组件

visdom是由FaceBook公司专门为Pytorch机器学习库开发的数据可视化软件，基于web完成可视化呈现，具有显示界面美观、操作灵活且简单易学。通过在Python语言开发环境中导入对应版本的visdom工具包，之后在每次使用visdom可视化组件之前，通过执行命令（打开本地8097网络服务端口）完成本地化页面加载，整个操作流程简洁、本地化网页端口服务稳定迅捷，其涵盖主流的各种图表绘制，并且可以实时显示数据变化（loss函数绘制）。

三、学生数据可视化设计

完成python语言开发环境安装、相关visdom组件安装配置之后（本文使用基于Python3.7版本的anaconda开源环境，配置visdom组件版本为v0.1.8），编写python脚本语言完成对数据中心中学生数据的获取（需要安装使用cx_Oracle工具包），并进一步对数据进行相应处理。

首先，完成相关类型学生数据的采集和处理，具体包含有学生专业名称、所在班级、学科成績等信息，其中，学科成绩以班级为区分，完成班级平均成绩的展现，此外，使用St来描述学生的综合成绩，公式为：

（1）

（2）

其中，Ci表示学生该门课程成绩，mi表示该门课程的学分绩点，T表示学生所有课程的总学分绩点，根据课程大纲，课程学分绩点越高，说明该门课程越为重要，我们适当加重重要课程（如专业课、基础公共课）在学生个人综合成绩中的占比，更能体现出学生真实的学业水平。

之后，我们以学生课程为主要类别，可视化学生在不同类别课程下的成绩表现，分析不同学生群体的学习特点。

四、学生数据可视化分析

实验选取计算机学院2020级，专业为“计算机科学与技术”共计4个教学班126名本科学生，并对学生学号、姓名、班级等信息进行脱敏处理，以2020-2021第二学期的专业课程、公共课程共计11门课程成绩为主体，统计展现各个班级学生平均成绩、学生综合成绩，如图1所示：

图1展示，平均成绩相同的班级，其综合成绩St并不相同，综合成绩St侧重于有较高学分的课程，间接反应出班级整体在基础及专业学习方面的实际情况，通过图1，可以看出班级04在专业课程（右侧直方图中横坐标最后4项为专业课程）方面表现并不理想，其班级平均成绩明显低于其他三个班级，而班级01、班级02在公共课（去除专业课程，均为该学期的公共课程）方面表现突出，其班级平均成绩较为优异。

为了更加深入分析学生在公共课（课程学分绩点最高的两门公共课程）以及专业课程（课程学分绩点最高的两门专业课程）上的表现，可视化学生在相关课程的数据，如图2、3所示。

通过学生成绩的可视化展现，我们可以得出专业成绩表现最好的班级为“班级02”，其学生个人成绩分布合理，少数同学获得高分（高于95分），并且不存在较低分（低于50分）;公共课程表现最好的班级为“班级03”，同时该班级专业课程表现总体良好，进一说明了班级02、班级03具有较好的理论基础和专业技能素养;“班级04”其总体学习情况并不乐观，在基础的公共课程01上存在较多学生得分很低（低于40分），同时专业课程存在挂科人数较多并且分数很低的情况，该班级需要进行针对性的课程辅导以及较为严格的日常管理工作，以确保学生学业能够进步。

五、结束语

本次通过使用visdom组件，完成相关专业学生成绩可视化展示工作，直观反映出相同专业不同班级学生总体学习情况，以及存在的明显问题。数据可视化可以辅助相关教育教学管理人员快速发现这些问题，进一步制定针对性教育管理策略，能够对班级进行及时有效的管理，确保学生学业能够持续进步，提高学生综合竞争力。今后，将进一步强化visdom可视化组件与ETL工具的结合使用，通过python各种机器学习库的应用，完成关于学生的全量数据可视化展现，形成一个轻量化、多功能、全要素的数据可视化展示平台。

参  考  文  献

[1] 秦争艳. 基于数据可视化的学生数据标签及学生画像在教学系统中的应用研究[J]. 信息记录材料， 22（2）：3.

[2] 陶红丽， 张军， 杨忠明. 基于大数据的高校学生行为分析可视化系统的设计与实现[J]. 创新创业理论研究与实践（3）：4.

[3] 范广慧， 王威， 王松，等. 基于大数据的高校学生画像系统探究与设计[J]. 海峡科技与产业（4）：4.

[4] 李烨， 张勇斌. 基于"以学生为中心"的"数据可视化"SPOC教学模式初探[J]. 北京印刷学院学报， 29（1）：5.

[5] 赵炬明. 聚焦设计：实践与方法（上）——美国"以学生为中心"的本科教学改革研究之三[J]. 高等工程教育研究， 2018（2）：29-44.

[6] 高芳. 多元层次大学课程教学数据的可视分析研究[D]. 中国石油大学（北京）， 2018.

[7] 林慧君. 高职高专物流管理专业学生就业数据可视化分析[J]. 科教导刊（上旬刊）， 2020， No.400（02）：198-202.