基于决策树算法的学生学习效果监测系统设计

摘 要：本文针对传统学生学习效果监测系统精度与准确率较低的问题，设计了一种基于决策树算法的学生学习效果监测系统。在系统设计中，本文进行了数据采集和处理，利用决策树算法构建学生学习效果预测模型，重点关注了软件和硬件层面的实施细节，保证系统能够处理大规模数据，并具有实时预测能力。测试表明，与传统系统相比，本系统在精度与准确率上具有显著优势，能够高效、准确地观察学习效果，可为教师提供个性化支持，有效提升教学质量，为学习效果监测领域的进一步发展提供示范。

关键词：决策树算法；学习效果；监测系统；精度

中图分类号：TP 393 " " " " 文献标志码：A

随着信息技术发展，教育领域对个性化教学和学生个体化学习路径的需求日益增加。学生学习效果监测系统能够分析学生的学习行为和表现数据，预测学生的学习成绩或学习困难，进而提供针对性的教学策略和支持措施。目前，学界已广泛探讨了学生学习效果监测系统的各种应用和实证研究。例如，刘晓[1]结合人工智能技术设计了一种学生学习行为监测系统，实现了个性化无痕监测，能够对学生学习行为进行智能监测；任颍超[2]引入OpenCV识别算法设计了学生行为监测系统，可自动识别异常行为，各指标均符合预期；缪泽浩等[3]基于YOLOv5设计了疲劳状态监测系统，能够有效监测学生的学习疲劳状态。虽然这些系统具有一定优势，但是在精度与准确率方面仍有提升空间。决策树算法是一种经典机器学习方法，能够处理多样化的学生数据，例如学术表现、学习行为和社交互动，在课堂教学、在线平台和个性化推荐系统中取得了显著成效[4]。鉴于此，本文设计出一种基于决策树算法的学生学习效果监测系统，该系统精度与准确率均较高，能够有效预测学生的学习效果，并提供个性化的学习支持。

1 整体方案

本文利用大数据集成技术，以云平台为支撑，创建学生学习效果监测系统，其硬件结构由传感器模块、处理器模块以及交互模块构成（如图1所示）。其中，传感器模块为系统前端，能够收集学生行为、成绩和互动等多源数据，并在清洗数据后选择相关特征，采用交叉验证评估数据的准确性和泛化能力，便于后续模型构建。处理器模块是系统中层，单片机STC89C51基于预处理后的数据，应用决策树算法构建预测模型，并利用模型对数据进行分类，以识别学习成绩、学习中遇到的困难等情况，再将处理后的数据经云服务传输到交互模块，保证系统稳定运行。交互模块是交互界面，交互助手Amazon Echo Show 10将预测结果以可视化方式呈现，根据预测结果向教师推荐教学策略和支持措施，便于教师理解学生的学习状态。这种结构使系统能够高效地处理、分析学生数据，并提供实时个性化支持，从而提升教学质量。

2 硬件设计

2.1 传感器模块

传感器为系统提供了多维数据支持，能够监测、收集学习效果，并对数据进行清洗，再发送给处理器单片机进行计算，全面分析学习效果。传感器由生理传感器AD8232和环境传感器FX-200构成。AD8232能够监测学生的生理指标，评估学生的情绪状态和身体反应，并将生理数据传输至处理器进行分析，从中提取特征，将其作为决策树算法的输入[5]。FX-200能够监测学习环境条件，将环境信息传输至处理器，分析学习环境的影响。传感器电路设计如图2所示，Vdd能够提供稳定电压，保证组件正常工作。C0与Vdd相连，用以滤除高频噪声。S1和S2控制信号采集，当S1闭合时，FX-200开始检测外部环境指标；当S2闭合时，AD8232开始采集生理指标，将其转换成相应的电信号。这些原始电信号需要进一步加工，C1a可以平滑信号，为信号稳定提供保障。再对信号进行模数转换处理，保证信号质量满足系统要求。此外，传感器还具有反馈机制，由OUT信号反馈到特定部分进行自动调节，以维持传感器精度。最终，处理后的信号由输出端OUT输出，处理器单片机利用算法逻辑对这些数据进行进一步处理，从而获得更精准的监测结果。

2.2 处理器模块

处理器可高效处理传感器数据，并利用决策树算法实时生成学习效果评估。处理器采用STC89C51高性能单片机，可以实时处理传感器数据，并采用决策树算法将结果反馈给传感器。STC89C51单片机电路设计如图3所示。电源由8550电池提供，保证Vdd有稳定的电压供给。时钟信号生成后，STC89C51接收信号并执行其内部存储，该步骤涉及外部信号采样，通常由数字转换实现，而具体输入则由R1进行信号调理，以保证信号在合适电平范围内。在信号处理中，Q用于将信号放大并控制电路，1N400将电源中的交流成分转换为直流，为STC89C51提供干净电源[6]。IRF540能够控制较大功率的设备，例如24 V电磁阀。STC89C51将控制信号输出至IRF540的门极，从而控制电磁阀的开关状态，实现流体控制。大功率电阻R5能限制通过IRF540的电流，防止电流过大，损坏电磁阀。整个电路工作是动态的，STC89C51根据实时反馈信号和预设的程序逻辑，不断调整对电磁阀的控制，并使用预先训练好的模型进行数据分类，再将处理后的数据由云服务传输至交互模块，保证系统高效、稳定运行。

2.3 交互模块

交互模块将处理器生成的预测结果直观呈现给用户，并同时收集反馈。Amazon Echo Show 10交互助手能够提供视频输出，可带来沉浸式体验。信号产生的核心是AD9851芯片，该芯片是一个高性能数字合成器（DDS）。VCC和AGND提供模拟电源和模拟地，AVDD提供数字电源。时钟配置由RESET引脚实现，保证在启动过程中处于已知状态。REFCLOCK参考时钟输入，用于设定DDS的频率分辨率。数据输入由FQ_UD和IOUT引脚执行，允许对DDS的频率进行编程。控制和配置由W_CLK实现，用于将数据写入芯片的时钟。D[0..7]是数据输入引脚，用于向AD9851发送配置数据。模拟输出由VOUTP和VOUTN提供，用于生成所需波形。外部接口由DS实现，用于显示或控制。电源去耦通过大容量电容（例如16 V/1000 μF）完成，以保证电源稳定。在电路运行中，对AD9851的寄存器进行编程，设定所需波形参数，并通过输入参考时钟和进行内部数据处理生成波形，再由差分输出提供给外设，电阻和电容需要保证信号质量，电源去耦和外部接口需要保证输出内容的可靠性。

3 软件设计

系统程序均采用C语言编写，在软件设计过程中，需要考虑如何将传感器模块、处理器模块和交互模块的硬件设备有效整合起来，形成一个协调一致、高效运行的系统。

3.1 感应程序设计

感应程序设计需要达到实时采集与集成传感器数据的目的。首先，收集、清洗生理与环境数据，处理异常值与重复值，保证数据质量。其次，将数据格式化为算法可处理格式，并从中选择合适特征进行衍生，再这些特征将用于算法预测，以此优化系统性能。再次，将处理后的数据储存到MariaDB中，由于不同信息存在交换，在集成中会损耗资源，可能会出现“离散”问题，因此需要采用交叉验证评估数据有效性，从而为算法训练提供数据基础。感应程序设计流程如图4所示。

3.2 执行程序设计

执行程序需要运行算法，处理器根据传感器数据进行预测。首先，配置具体参数，例如树深、节点方式和剪枝策略，使用感应程序设计处理后的数据进行模型构建。其次，在已知根节点的情况下，将非叶子预测节点作为连接，再使用一、二级节点将学习效果反馈至底层。在设计过程中，根节点不会限制接入，但是二级节点数量要多于一级节点，既能存储信息，也能将其分散各处，便于更准确地识别学习效果。

3.3 展示程序设计

展示程序设计需要考虑交互功能，数据格式转换是实现交互的主要步骤，应在转换过程中创建节点连接，从而提升数据承载力。设x1为最小转换系数，x2为最大转换系数。随着信息逐步明确，转换流程也趋向于完善，直至转换系数x不再出现任何变化。在上述变量支持下，可将转换结果y用公式（1）表示。

（1）

式中：y为最终转换结果；ω为转换因子；t为转换量；r为转换权限。

y值越大，表示数据转换效果越良好，转换后用于提供交互操作，至此完成软件设计。

4 系统测试

为验证系统设计的有效性，本文在Fastone上进行测试工作，测试数据来自某校学生信息中心，将本系统与传统系统进行精度与准确率比较。

4.1 精度

精度能够反映系统整体性能，精度越高，监测情况越良好，反之亦然。本系统与传统系统的精度比较情况见表1。由测试可知，随着时间增加，本系统的精度基本稳定，保持在85%左右，而传统系统的精度在稳定后快速下降，最高仅为69%左、右。由此可见，运用决策树算法，可显著提升精度，对提高学习效果监测效率具有积极意义。

4.2 准确率

本系统与传统系统的准确率比较情况如图5所示。由测试可知，当样本人数由50人增至300人时，本系统的准确率基本保持在90%左、右，起伏较稳定；随着样本人数增加，传统系统的准确率持续下降，表明其受样本人数的影响较大，样本人数越多，系统准确率越低。

为进一步验证系统准确率，增加噪声干扰参数，结果见表2。由测试可知，随着噪声干扰增加，本系统的准确率变化较小，当样本人数为300人、噪声干扰为20时，本系统的准确率为86%，而传统系统的准确率为31%，表明本系统的抗干扰能力更强，即便受到较强的噪声干扰，也能较好地监测学生学习效果，稳定性更强。

5 结语

综上所述，本系统设计在深入了解和预测学生学习表现的基础上，收集多维度的数据，选择合适的特征，并构建有效的模型和实施系统，为教师提供更准确、更个性化的指导和支持。测试表明，与传统系统相比，本系统在精度与准确率方面具有优势，可显著提升监测效率，进一步掌握学生学习状态。该系统不仅是对技术的应用，而且是对教育的关怀和支持。但是该研究尚处于初期，未来会逐步拓展系统应用，实现更为多样化的服务，从而为每个学生的学习之路增添更多可能性和机遇。

参考文献

[1]刘晓.基于人工智能技术的学生课堂学习行为监测系统设计[J].中国新通信，2023，25（18）：65-67.

[2]任颍超.基于SVM和OpenCV的学生异常行为识别监测系统设计[J].技术与市场，2023，30（10）：109-111.

[3]缪泽浩，余冬华，刘新颖，等.基于YOLOv5的课堂疲劳状态监测系统的设计与实现[J].电脑知识与技术，2023，19（1）：20-23.

[4]罗明挽.基于决策树算法的学生体质预警系统开发与实现[J].电脑编程技巧与维护，2023（2）：12-14.

[5]李加军.基于大数据的网络学习行为监测系统设计[J].信息与电脑（理论版），2022，34（19）：251-253.

[6]邝楚文.基于数据挖掘的校园网络舆情监测系统研究与设计[J].数字技术与应用，2021，39（5）：158-161.