基于大数据学生画像平台的高校学生学业预警与帮扶研究——以许昌学院为例

熊德兰

(许昌学院 党委统战部,河南 许昌 461000)

学业预警与帮扶是加强高校学生管理,提高学生自我管理能力,营造良好学风的重要举措.当前,国内外关于学业预警的研究主要集中在学业预警的作用、工作机制、体系构建及指标评价等方面[1,2],尽管取得了一定的成效,但在实践中通常存在预警延迟、帮扶缺失等问题.在智慧校园环境下,数据挖掘技术为学业预警和个性化帮扶提供了全新的解决方案,受到人们的普遍关注[3-5].本研究结合许昌学院学生管理和学业预警工作实际,提出基于学生画像技术的学业预警与帮扶设计框架.通过校园大数据平台进行学生行为分析和学业综合评价,设置黄、橙、红三级预警不同等级,定制有针对性的帮扶措施,实现了“提前预警、精准帮扶、全程跟进”的全方位学业预警和个性化帮扶服务.

1 基于大数据学生画像技术的学业预警模型

1.1 学业预警和帮扶服务框架

基于大数据平台的学业预警主要通过学生每学期教学任务、课程授课过程中教师教学行为和学生学习生活行为进行大数据分析,从而找出可能或已经发生的学习问题及完成学业困难的学生,最后给出警示性提示和相应帮扶措施.该研究是在基于大数据学生画像的基础上[6],构建学业预测模型分析学生学习行为数据,通过专业任务指标、课程学习指标和学生行为特征指标进行分析比对,建立预测模型,实现数字化评价、精准化预警和个性化帮扶,如图1所示.

1.2 智能化学业预警模型

预警模型的选择是学业预警和帮扶服务的关键环节.研究中,采用K-means聚类算法进行学习行为特征挖掘,从学分绩点预测、课程挂科预警、行为异常三个方面开展预警.K-means是由Macqueen提出的一种迭代求解算法[7],K指的是聚类簇数,Means是为每个聚类族数中的数据均值.

实验中,通过大数据平台数据分析建立的学生特征集X={x1,x2,…xn},设置簇数为K(K≥3).从数据集中随机抽取一个样本,分别作为三个聚类中心C1;计算聚类中心C1与数据集X中的所有样本之间的欧式距离,选取最大的样本作为第二个聚类中心C2;计算聚类中心与数据集X中的样本之间的欧式距离为dij(i=1,2,…,n;j=1,2),从中选取距离最小值,确定样本di作为第三个聚类中心C3.

di=maxi(min(di1,di2,…,dij)).

以此类推,按照公式中选取样本到已有聚类中心的距离,确定下一个聚类中心,最终得到K个聚类中心集合C={c1,c2,…ck}.

通过每个学生学习行为特征向量与各簇类中心向量之间的相关性分析,就可以找到异常学生进行预警,如计算在线学习行为与课程任务之间相关性分析发现可能有挂科倾向的学生,计算学业成绩与专业目标之间相关性分析可以预测学生是否能正常毕业,追溯学生生活学习轨迹可以找到学习行为异常的学生,根据其严重程度分别给出黄色、橙色、红色预警.

2 大数据平台学业预警与帮扶实现

2.1 学业预警与帮扶服务平台设计

学业预警和帮扶服务平台包括数据层、技术层、建模层和应用层,如图2所示.数据层侧重于收集本校在日常管理和教学中产生的各类数据,将各种结构化和非结构化数据进行整合,为大数据的分析提供支撑.技术层侧重于基础数据处理,异构数据适配、转换、存储等,运用大数据画像技术进行各类标签的抽取.建模层主要运用数据挖掘算法进行学业预警分析,应用层则依据学业分析和预警信息进行展示,向教师、学生等提供预警信息和处理措施.

图2 基于大数据学生画像平台的学业预警与帮扶平台设计

2.2 学业特征数据采集

结合许昌学院学业预警管理实际,主要选取课程学习指标特征、学生学习行为指标特征和专业任务指标特征三类数据进行采集.其中课程学习指标特征主要是在线课程每门课程授课任务和在线教学平台使用和作用完成情况信息,主要特征集合X={x1,x2,x3,…,xn},指标特征集如表1所示.学生学习行为特征主要是指学生常态化学习情况及学业评价结果,行为特征指标集Y= {y1,y2,y3, …,yn},特征具体如表2所示.专业任务指标是指专业人才方案规定的学分绩点要求以及德、智、体、美、劳等各方面要完成的指标性要求.

表1 课程学习指标特征集

2.3 学业预警可视化展示

在校园大数据综合服务平台,对所发现的学习困难或学习行为异常的学生进行学业预警可视化展示,并根据预警列表进行分类汇总展示,如图3所示.学生管理人员可以及时查看各学院预警学生相关信息,对预警信息和帮扶建议进行审核确认后,可以向学生下达预警通知.学生登录系统后可以自动弹出黄(橙、红)牌警告信息,并查看个人学习、生活详细数据分析和帮扶建议,从而实现了“提前预警、精准帮扶、及时跟进”的目标.

图3 学业预警平台可视化效果展示

2.4 个性化学业帮扶措施

根据学业预警问题的差异,系统推送的个性化帮扶措施主要有三类.一是系统导学,即通过追踪一个时间段内学生学习和生活轨迹,发现课程学习问题和理薄弱环节,形成个性化学习推荐路径,如某课程学习资料链接、网络其他同类课程资源等.二是优生助学,即向预警学生推荐同班、同校内其他优秀学生信息或相关链接,鼓励学生之间举办线上线下的互助交流活动,激发学生互助互学热情.三是教师督学,即任课教师或辅导员查看预警学生详细情况,开展线上线下学习指导、谈心谈话等,督促他们及时调整学习安排,包括学业规划指导、知识讲座、课程重修等.

3 结语

本文以校园大数据平台为基础,提出利用学生画像技术实现学业预警与帮扶服务,提高了学业预警的准确度和帮扶的及时性,为高校学生管理人员和学生提供便捷高效的服务,为智慧校园环境下个性化学习服务提供了很好的基础.下一步,将围绕结合个性化学习路径推荐和学业帮扶成效进行深入研究.