多源数据融合视角下的大学生“消费-学业-社交”画像构建研究

黄泰华，张 涛*，王 磊

(1.黑龙江大学信息管理学院,哈尔滨 150080;2.黑龙江大学数据科学与技术学院,哈尔滨 150080)

1 引言

随着中国信息技术的发展，大数据技术正逐步应用于社会的各行各业，改善人们的学习、工作和生活，在此背景下，中国高校面临的内部结构和外部环境正在发生前所未有的深刻变化，学生管理工作中存在许多新情况、新问题、新挑战[1]。高校如何借助技术优势实现教育管理的多层面影响，已成为新时期高校教育管理研究实践的重要课题[2]。高校智慧校园的内生需求之一即是基于大数据分析实现校情研判并指引决策制定，与需求相悖的是高校内部的学生数据通常是海量的、异构的、复杂的，甚至是不完善的，多源数据融合为实现校园信息化治理提供了新的研究思路。此外，用户画像作为一种信息化的用户描述工具，在用户描述与建模上具有优势[3]。因此，将传统的高校管理经验与新时代的信息化手段相结合，建构高效能、信息化的教育管理体系，已成为新时期提升教育教学能效的关键基础，也为高校教育教学改革指明了方向。

2 相关研究

2.1 用户画像技术的相关研究

用户画像的概念最早由A.Cooper 提出，意为 “真实用户的虚拟代表”，侧重于探索用户的动机，是基于一系列真实数据的目标用户模型。为了更好地对学生数据进行深度挖掘，可以应用用户画像的研究方法，构建面向大学生的学生画像。在国外研究中，有部分学者将用户画像应用于图书馆管理工作中，识别图书馆用户的独特性质，进一步开发和改进当前服务并创建新服务以满足用户的需求[4]。有学者构建了基于数字画像的综合素质评价模型[5]。有学者提出了可视化的学习分析技术，构建了研究性学习学生画像[6]。有学者通过提出 “精英模型”，对现有的学生画像完善拓展[7]。在上述研究中，数据挖掘的角度和手段在不断地创新。既有面向教学方面，实现学业预警；也有应用于消费方面，通过分析消费行为识别特征群体，实现贫困资助工作的有效开展；也有应用于心理评估方面，实现重点学生识别和关怀。

用户画像的构建方法主要包括基于用户行为、基于用户兴趣偏好、基于主题、基于人格特征与情绪4种方法，其应用领域大致涉及电子商务、健康医疗、旅游业、图书馆等领域。在教育领域的用户画像研究中，主要集中在基础教育研究，中国有关高等教育的用户画像研究尚处于起步阶段。根据现有文献来看，用户画像在高校管理中的应用研究主要包括教育教学管理、学生工作管理和图书馆管理3 个方面。通过对国内外有关高校学生画像研究的内容梳理发现：①用户画像是一个新兴的研究领域，具备坚实的理论基础、成熟的研究方法和广泛的应用场景，但国内有关教育领域的相关研究较少，存在一定的研究空白；②在高校管理中用户画像研究中，多集中于图情管理领域，针对学生画像的研究多停留于数据分析层面，深层次的学生画像的构建及应用研究较少。

2.2 大学生行为分析的相关研究

大学生基础素质和知识水平较高，思想活跃，因此，从学生行为视角入手，在智慧育人的理念下，将高校学生的数据信息作为研究对象，探索大学生精准服务的新模式[8]，往往是专家学者开展高校教育教学体制研究的起点。国外研究中也常常利用学生行为数据以分析个人和学校层面的社会经济因素[9]。高校中数据中心的数据具有来源丰富、数据形式多样的特征，可开展如下研究：①在关于显性数据的研究中，消费数据、学业数据等一系列具有明显特征的数据可以更好地被观察，或利用统计学方法，将两种或多种看似不相关的变量联结起来，发现其蕴含的深层相关性。②在关于隐性数据的研究中，如学生的社交行为往往不能被直接观察，也不能通过简单的推理直接得到，这就需要利用如机器学习等数据分析手段实现。在国外的研究中常常引入隐性数据或隐性知识的概念，以解决企业运营和组织创新等问题[10]。有学者以中国大学生为研究对象，对其社交数据挖掘进行情感分析，深入观察学生的情感演化过程[11]。③在多源数据的研究中，显性数据和隐性数据可以综合起来，舒江波等就从学生学籍信息、学习表现、校园生活3 个维度进行综合分析，构建学生大数据行为分析模型[12]。

2.3 不同应用场景的相关研究

当前的高校数据挖掘研究，受现实条件限制，开展特定场景中特定用户研究是可行的。国外的研究中也有利用混合数据对学生毕业情况进行专门统计，提出一种确定大学毕业状态驱动因素的公正方法。在国内研究中，由于教育体制不同，应用场景也有所不同：①在消费行为识别研究中，通过分析校园一卡通的消费数据，研究学生的消费行为，可以识别不同消费行为的群体[13]。②在贫困资助评估研究中，有学者在现有消费数据的基础上，对学生的发展状况进行调查，建立了一种贫困生资助评估模型，为识别和帮扶高校贫困生提供了新方法[14]；也有学者关注消费数据和学生个体的内在关联，提出一种用于消费强度指标，在学生家庭经济状况评估上进行了更为精准的预测[15]。③在心理健康评价研究中，由于心理相关的学生数据属于隐性数据，不能通过单一数据直接观察学生的心理状况。因此，学者大多采用多数据融合的方式，利用深度学习算法，构建大学生心理健康评估模型，实现自动准确评估大学生心理健康状态[16]。④在学生学业帮扶研究中，一方面，通过采集学习、生活过程中产生的校园行为数据，利用大数据的手段，可以构建面向学生的大数据分析模型，预测学生在校期间的学业表现[17]；另一方面，数据驱动的精准化学习评价可以发现教育教学中存在的问题，辅助课堂教学开展[18]。

这些研究既有基于显性数据、隐性数据的挖掘，也有基于多源数据融合的挖掘，但数据挖掘的深度仍然不够，缺乏对多源数据的深层挖掘。覆盖了多种应用场景，但仍然缺乏面向多场景的研究方法，虽然用户画像的提出可以解决场景单一的问题，但目前对学生画像的刻画上仍停留于框架的搭建，实践层面的学生画像研究成果较少，仍有一定的研究空白。因此，本文以大学生行为研究为出发点，获取真实的大学生的校园数据，通过将多源数据进行融合，构建多源、多维、多场景的综合评价体系。以消费、学业、社交3个维度构建动态和静态的个体画像。以消费维度研究为主，建立学生的消费活跃度和稳定性画像。其中，融合的优势在于数据、场景、深度的多元融合，最终刻画真实的、智能的、多层次的学生画像。基于高校学生画像，可以实现精准的群体圈选和个体识别，为高校贫困助学、学业帮扶和心理干预等工作提供参考，从而为高校管理提供理性决策依据。

3 高校学生画像的特征分析

3.1 学生特征分析

大学生既是具有独立意义的个体，也是具有社会意识的群体。在诸如高校此类小型社会系统中[19]，学生在校园学习、生活的同时，会建立以自我为核心的社交网络，在范围上，既有以寝室、专业、班级为单位的自然社交网络，也有跨年级、跨学院、跨角色的主观社交网络。在学生进行社交活动的过程中，根据不同粒度的用户行为特征可以划分出很多不同种类的用户角色，学生既可以是 “有影响力者” “专家” 或“讨论者”，也可以是 “支持者” “中立者” 或 “反对者”。但是，学生无论扮演何种角色，都会在其社交网络中发挥影响。由此可见，学生的校内行为数据具备个体和群体的双重数据特征，反映真实的个人特征和社交关系，在研究中，既要重视学生的个体性，又不能忽视学生的群体特点。

3.2 学生画像的属性特征

从宏观角度来看，学生画像的属性特征兼具静态性和动态性。从行为层面来看，可以把学生的在校行为划分为学习行为、消费行为和社交行为3 类。

（1）学业行为指标。学业行为指标主要包括学业成绩优秀度、学业努力程度等。在教育领域，对于学生的学习评价方式有很多，目前各高校普遍根据学生的培养方案课程，以学分作为权重计算学生学分绩点，部分学者提出以专业排名作为评价学业优秀度的评价标准[20]。在评价学习行为的过程中，要根据学生学制、学年、专业的不同分类评价，并结合如奖学金、竞赛等学科竞赛信息和图书馆出入信息，研究学生的学习努力程度，构建客观、合理、简洁的学业评价指标。

（2）消费行为指标。消费行为指标主要包括消费稳定性、消费活跃度、消费水平等。高校为在校师生提供了基础的生活需求保障，因此，通过研究校园内学生的消费行为，包括学生的消费时间、金额、地点信息，进一步可以形成消费时间稳定性和消费地点偏好等指标，并在一定程度反映了学生参与校内活动，融入校园生活的实际情况。

（3）社交行为指标。社交行为指标主要包括社交活跃度和社交距离度，受研究规模影响，高校属于小型的社会系统，在高校范围内开展社交距离度的研究意义不大。因此，可以将社交活跃度近似看作社交行为指标。通过追踪学生的消费数据，建立消费 “时间-地点” 共现网络，发现异常离群值，甄别学生群体中的“离群者”，实现社交行为指标的确定。

3.3 学生画像的数据特征

基于学生群体特征及画像的属性特征所构建的学生画像的数据特征具备客观性、全面性、融合性和动态性[21]。其中，客观性是指学生画像基于一系列真实数据构建，符合个体和群体层面的实际状况，反映真实科学的属性特征，数据来源客观、处理手段客观、研究目的客观、呈现方式客观；全面性是指学生画像构建涉及学生行为的全方面，也反映了学生特征的全方面，具体体现在研究角度和业务场景的全覆盖；融合性是指各职能部门的异构数据相互融合，实现数据融合时要求完整融合、按属性融合、按业务场景融合；动态性是指用户画像具有动态变化的特征，个体在不同时期所表现的特征不同，导致刻画的用户画像也有所差异，因此学生画像也是一个实时变化的动态模型。

3.4 总体框架设计

高校学生用户画像的数据来源为教务管理部门、学生管理部门、一卡通中心、图书馆等职能部门，整个研究大致分为3 个层级：数据层、挖掘层和表征层，如图1 所示。①数据层。包括基本信息数据、教务成绩数据、奖助学金数据、图书馆门禁记录和校园消费数据。获取多源异构数据后，进行清洗、集成、转换和规约，完成数据融合。②挖掘层。主要是对预处理后的数据进行指标分析、聚类分析、相关性分析和共现分析，然后建立关于学生的消费行为指标、学业行为指标和社交行为指标的标签集，建立个体画像和群体画像。③表征层。利用学生个体画像实现学业预警、心理预警和贫困帮扶，利用学生群体画像实现重点群体识别、群体行为预测和校园资源规划等方面的应用表征。

图1 高校学生用户画像构建框架Fig.1 Construction framework of college student user profiles

4 研究过程

4.1 数据采集

本实验选取黑龙江省某高校2018 级、2019 级在校生2019—2020 年的学生日常行为记录数据作为数据集，利用MySQL 导出数据40 余万条。包括基本信息数据、教务成绩数据、奖助学金数据、图书馆门禁记录和校园消费数据5 张数据表，基本情况如表1 所示。

表1 学生基本数据Table 1 Basic student data

4.2 数据预处理

各个部门授权的数据多为结构化数据，将授权后的数据导入到SPSS 进行处理，清洗部分格式不规范或错误的数据后，将数据表以 “学号” 字段作为特征匹配项进行数据融合，保留以 “学号” 为字段的研究对象593 个，时间范围为2019 年3 月至2020 年12 月，共4 个学期。其中，受新冠肺炎疫情影响，2020 年上半年未正常开展线下教学工作，因此2020 年上半年的消费记录不计入研究范围。

4.3 数据分析与特征提取

4.3.1 学生消费行为特征

根据 “消费地点” 字段，可以将消费数据按 “日常生活” “健身洗浴” “基本饮食” 和 “健康医疗”分类。根据 “消费地点” 字段，结合校园内商户的分布情况，将消费数据的地点按 “A 区” “B 区” 和 “C区” 分类。在 “基本饮食” 分类下，结合食堂的实际开放时间和就餐高峰人数统计，划分 “6:00—9:30” 为早餐时间、“10:30—14:00” 为午餐时间、“16:30—20:00” 为晚餐时间，并将同一时间段内的多笔消费合并为一笔。

经过征集学生的消费习惯，并结合学校实际情况。学生在校园内的饮食与购物行为习惯基本一致，且“基本饮食” 支出比重较大，可以将就餐行为近似视作学生的消费行为。因此，本研究中学生的 “消费行为”数据按“就餐行为” 数据计算。

就餐时间稳定系数是对学生就餐时间稳定性的描述，记为λ，如公式（1）所示：

其中，MTsdi表示第i 个餐别就餐时间的标准差，其计算方法如公式（2）所示；Nmi表示第i 个餐别就餐总次数；n 表示餐别种类，本文取值为3。

其中，N 表示某个餐别的就餐总次数；Tj表示某个餐别的第j 次就餐时间；表示某个餐别的平均就餐时间。

4.3.2 学生学业行为特征

学生的学业行为特征主要由学业优秀度评价，同一年级、同一专业的学生成绩排名越高，其学业优秀度也就越高。学业优秀度是对学生学业成绩的优秀程度的描述，记为σ，如公式（3）所示。

G 表示学生的学分绩点，如公式（4）所示；Gmax表示某学生所在专业最高成绩，Gmin表示某学生所在专业最低成绩。

其中，Gi表示某学生在第i 门课程中的期末成绩；Fi表示某学生第i 门课程的学分值；n 表示某学生年度选修的课程总数。

此外，学生的学业行为特征包括学业努力程度评价，而学业努力程度评价可以通过获取在学习行为上付出的时间计算得出，主要体现为一个学期内学生进出图书馆的有效次数，但学生进出图书馆次数并不与学业行为直接相关，只能作为学业行为特征的辅助评价指标。

4.3.3 学生社交行为特征

好友关系是学生社交行为的重要体现，是学生社交网络研究的主要内容。学生往往会和同寝室与同班级的好友一起出行，如果两个人多次在同一时间段、同一地点存在消费行为，且共现的概率值大于一定的阈值时，则认为两个人存在好友关系。在已有的关联规则基础上，借鉴已有学者的共现网络算法，假设学生X 在某一时刻进行食堂刷卡消费行为，在一定的时间间隔内，学生Y 也在同一消费地点出现刷卡消费行为，则认为学生X 与Y 存在共现行为，当关联规则XY 满足最小支持度和最小置信度阈值时，认为学生X和学生Y 之间存在关联，即认定两人为好友关系。

在社交共现分析中，学生X 和学生Y 的好友关系反映到数据层面，可以理解为学生X 和学生Y 共现的次数足够大，且共现的消费记录占自身所有消费记录较大比重。因此，设置最小置信度为β=0.5，最小支持度α 如公式（5）所示。

N 表示所有刷卡消费的学生数，R 表示所有学生的刷卡消费记录总数。

为计算学生X 和学生Y 好友关系的可能性，引入置信度CX→Y如公式（6）所示。

其中，SX→Y为学生X 和学生Y 的共现次数，SX为学生X 刷卡消费的总次数。

在对学生X 和学生Y 的好友关系判定过程中，首先，计算学生X 和学生Y 的共现次数SX→Y，若SX→Y≥α，则说明两人的共现次数足够高；下一步，则计算学生X 和学生Y 的好友可能性置信度CX→Y，若CX→Y≥β，则说明两人存在好友关系。

5 高校学生画像构建与呈现

5.1 学生个体画像

在学生个体画像的构建中，通过对消费、社交和学业数据的指标进行分类，获取画像标签，可以实现学生整体状况的观测。利用MySQL 数据库完成数据清洗，SPSS 对数据进行处理与分析，获取学生有关学业行为、消费行为和社交行为的3 类指标。本研究选取学生A 作为案例，如表2 所示。其标签信息加载到学生个体画像模型，如图2 所示。其中，“值” 内的文本部分为画像的分类属性，根据学生的排名位次分类得到。

图2 学生A 的学生个体画像标签信息Fig.2 Personal profile labels of student A

表2 学生画像标签信息Table 2 Student profile label information

（1）在学业画像中，整体上看，该生学业成绩优秀，在学业成绩位于同专业前列，数据表示前往图书馆的次数较多，学业努力程度和学业优秀度都很高，且没有任何违纪处分，可以推测该生具有较强的自主学习能力和自我约束力，同时验证了学业努力程度与学业优秀度存在一定的正相关关系。

（2）在消费画像中，该生表现出较强的消费稳定性和消费活跃性，总消费次数较高，常常使用在线支付的方式，初步推测平时校内生活较为丰富。此外，在消费地点的选择上，学生的消费记录在A 区较多，推测该生的校内活动受一定时空因素的限制，或受个人主观因素影响，在校内活动时轨迹较为集中。另一方面，该生的就餐时间集中在中午较多，在早上的就餐支出较少，消费不稳定，就餐缺乏规律，推测缺少健康的饮食习惯。

（3）在社交画像中，该生的社交评价为优秀社交，初步认定该生拥有良好的社交关系，具备一定的社交能力和团体意向，进一步推测此学生现阶段处于心理健康积极的状态，在生活中遇到困难时会更易得到好友的帮助。

综上，该生呈现出学业优秀、消费活跃、社交良好的应届毕业生形象，结合学业、消费和社交3 个维度的综合评估，该生属于高活跃的校园生活者，为人努力上进，心理健康向上，虽然在消费（就餐）规律上呈现不稳定的状态，但是整体还是自律的学生。由于学生处于大四毕业期间却仍有高度的学业努力度，可以初步预测学生有求学备考或求职复习的准备，学校针对此类学生可以提供针对的信息推送服务或安排对应的辅导课程。

5.2 学生群体消费画像

5.2.1 基于消费活跃度的群体画像

本文主要采用K-means 聚类方法对学生行为特征进行聚类[22]。利用Python 中sklearn 工具实现K-means聚类算法，对学生的 “就餐天数” “就餐金额” 进行聚类，以探究使学生用餐行为的共性群体，实验过程中，随着聚类数k 的增大，样本划分会更加精细，每个簇的聚合程度会逐渐提高，因此，利用手肘法可以确定k 值的继续增大而趋于平缓的拐点。如图3 所示，发现当k=2 时的聚类效果较好，聚类中心的各项特征数据值如表3 所示。

图3 “就餐天数” “就餐金额” 聚类不同k 取值Fig.3 "Dining days"and"dining expenditure"clusters with different k values

表3 就餐行为聚类中心Table 3 Dining behavior cluster centers

在根据就餐行为聚类中心结果中，通过对学生的“就餐天数” “就餐金额” 进行聚类，可以有效衡量学生的消费活跃度和校园活跃度。其中，类别1 的学生有216 人，占比为36.42%；类别2 的学生有377 人，占比为63.58%。

类别1 的学生消费天数较多，消费金额也明显高于其他聚类中心，处于此类别的学生属于消费活跃度高的群体，他们在学校消费的天数和金额都很高。此外，不仅在消费活跃度上，在校园生活中也表现出极高的活跃度，属于校园生活的重要参与者。往往这类学生都比较关注学校相关政策和服务设施的变化，在学校开展校园意见征集时，此类学生的意见将具备一定的参考性。此外，在此类消费活跃度高的学生中，会存在消费天数高于聚类中心，且消费金额低于聚类中心的情况，此类学生的日常饮食都会在食堂进行，而且单次消费水平较低，可以考虑是否存在贫困情况，学校也应重点关注此类学生，为其日常生活提供必要及时的保障。

类别2 的学生消费天数和消费金额都处于中等水平，也是占全体学生较大比例的一部分群体。这些学生消费活跃度适中，无法通过就餐天数和就餐金额判断学生的贫困情况，可以结合学生的助学金申请情况，将消费活跃度适中，但就餐天数远高于聚类中心的学生判定是否为贫困生，为学校的助学工作提供参考。

5.2.2 基于消费稳定性的群体画像

对学生的 “早餐就餐率” “午餐就餐率” 和 “晚餐就餐率” 进行聚类，实验过程中，不断调节k 值分别进行实验对比，发现当k=3 时的聚类效果较好，如图4 所示，聚类中心的各项特征数据值如表4 所示。

表4 就餐规律聚类中心Table 4 Clustering centers of dining patterns

图4 “早餐就餐率” “午餐就餐率” 和 “晚餐就餐率”聚类不同k 取值Fig.4 "Breakfast rate","lunch rate"and"dinner rate"clusters with different k values

在根据就餐行为聚类中心结果中，通过对学生的“早餐就餐率” “午餐就餐率” 和 “晚餐就餐率” 进行聚类，可以有效衡量学生的消费稳定性和自律性。其中，类别1 的学生有65 人，占比为10.96%；类别2的学生有209 人，占比为35.25%；类别3 的学生有319 人，占比为53.79%。

类别1 的学生三餐就餐率都很高，和其他聚类中心相比，此类别的学生一般都有着健康的饮食习惯，在生活习惯上反映出较强的自律性。类别2 的学生午餐就餐率较高，但早餐和晚餐就餐率较低，此类别的学生通常就餐不规律，早餐就餐率较低的学生通常早起率也很低，缺乏生活习惯上的自我约束；晚餐就餐率较低的学生考虑存在节食的情况，应当鼓励此类学生养成健康的饮食习惯，形成科学规律的生活作息。类别3 的学生三餐就餐率都很低，此类学生同样存在校内活动少的情况，存在校外就餐和订外卖的情况，无法通过校园消费数据准确推测其生活习惯。

5.3 高校学生画像的应用表征

基于多源数据融合的高校学生画像构建，结合学生三维行为特征，可以分别构建学生个体画像和学生群体画像。针对面向的业务场景不同，学生画像也有着不同方面的应用表征。

（1）学生异常识别与预警。通过对学生个体画像的观测，可以对学生的消费、学业和社交3 个方面进行初步评估，发现在学生画像中表现出的优势值，为评奖评优工作提供参考，为助学助困工作提供证明。对学业努力且学业优秀，但违纪次数异常值的发现，方便及时安排重点关注及谈心谈话。此外，通过对学生画像动态观测，对比变化及时预警，有利于学生工作部门和辅导员发现存在的学业和心理问题，及时帮助学生应对在思想取向、价值引领、学习生活、择业交友等方面的具体问题。

（2）学生群体关注与引导。基于聚类算法的学生群体画像构建，聚焦于学生的消费行为，发现学生的典型特征区分，在消费稳定性和活跃度上表现出明显的群体属性。在消费活跃画像的结果分析中，学生被分类成典型的高活跃和低活跃两个群体，给予低活跃群体更多关注。同理，在消费稳定性的结果分析中，学生被分类成高稳定、中稳定和低稳定3 个群体。在实际的学生管理工作中，学生工作部门和辅导员应当更多关注低活跃和低稳定群体，发现学生存在的潜在不良消费习惯和饮食习惯，尤其是在疫情防控管理期间，对校内消费画像进行观察，更好的预判校内与社会面的接触风险，对相关学生进行及时有效地引导和规劝。

（3）校园资源规划与调节。结合学生个体画像和群体画像的结果，学生的早晚餐习惯状况欠佳。为养成良好的消费习惯和用餐习惯，可以利用学生画像对校内资源规划进行预判和规划，如为学生消费较多的校区开设更多的就餐座位，延长就餐时间，减轻高峰就餐压力。在消费较少的校区开设特色餐厅，引导学生分布就餐，利用分流缓解就餐压力。另外，为提高学生早晚就餐率及就餐稳定性，学校可以推出更多种类餐品，配合开展健康饮食习惯普及宣传活动，帮助学生养成良好的就餐习惯，实现资源的科学、合理、人性规划，为调节学校资源分配和决策提供具体参考。

6 结语

本文以高校数据化管理为研究背景，对高校数据挖掘研究进行以下创新。首先，本文尝试利用一种新的数据融合视角，通过将显性数据与隐性数据融合，并生成有关消费行为、学业行为和社交行为三维指标。其次，为了解决以往研究中应用场景单一问题，现利用用户画像的手段，实现多场景的融合。最后，本研究基于学生的真实数据，在以往学生画像的研究基础上，利用SPSS 和K-means 聚类算法等方法，圈选不同特征的学生群体，同时利用学生共现网络，研究学生的社交关系，对某高校学生数据进行分析，进一步进行了实证研究，刻画大学生的 “消费-学业-社交” 画像。在多源数据融合视角下构建学生画像，可以有效为高校教务、学工等部门决策提供依据，尤其是后疫情时代对大学生画像可以及时发现潜在的风险隐患。研究分析发现：①在学生个体画像中，通过对学生画像标签信息的解读，可以对学生消费、学业和社交3个方面的情况进行了解，实现学生个体的动态监测；②在学生群体画像中，通过聚类分析的方法，可以圈选不同特征的学生群体，尤其是在消费行为方面，深度分析学生的活跃度和稳定度特征，既可以为宏观层面的学生观测提供依据，又为探寻学生不同行为要素间的相关性提供了新的思路；③在应用表征层面，融合多场景的学生画像可以同时实现高校异常识别与预警、群体关注与引导和资源规划与调节，大大拓宽了研究的应用场景，提升高校教育教学管理能效。

在大数据时代下，信息化的高校管理已成为当代的研究重点，为了更好地实现高效、智能、多元化管理，学生画像提供了一种新的研究思路。但受数据、算法的局限性，学生画像的准确性和易用性还有待提高，既有现实条件的约束，也有研究手段的不足，在未来的研究中，应通过更广地调研研来完善大学生画像构建体系，并不断尝试改进更为合适的画像技术，将高校学生画像应用到更多业务场景中。