基于线上教育平台的学生行为数据分析与成绩预警_.pdfVIP

摘要

随着互联网技术的不断发展，产生了多种线上教育平台来满足学生多样化的学

习需求，这些平台的广泛使用也积累了大量的教育数据资源，如何获得这些教育数

据资源中蕴含的价值已成为当下热门课题。

本文基于在线学习与数据挖掘相关理论，对学生行为数据及学情数据进行分析，

以达到实现学生学业成绩预警的目的。首先将学生行为数据集及学情数据集进行了

数据清洗、可视化呈现和构建行为轨迹数据集等前期准备工作。之后基于行为轨迹

数据集提取相关特征，比较这些特征在不同群体之间的差异，为后面提取其它特征

提供了一定的指导。在对数据集做了探索性分析后，从行为数据集中提取了相关特

征，依托以上提取的特征，我们构造了两部分数据集用于不同目的，第一部分是以

不同时间段为时间间隔划分，在这些时间间隔内提取选定的11个常规特征，形成5

个带有时序特征的数据集。第二部分是将完整学期时长数据集依次融入有关行为模

式方面的特征及学情特征，形成了3个融入不同特征的数据集。在得到所需的数据

集后，首先对各个数据集中的数据进行归一化处理，然后采用SMOTE方法对样本

数据进行过采样处理，以解决样本数据分布不均衡的问题。

根据以上处理好的两部分数据集，依次构建了BO-RF模型、Ada-Voting模型和

残差神经网络模型并对所构建的三个模型进行了比较与评估。结果发现，在课程前

中期阶段BO-RF模型能更精准的识别出各类别学生，但是在课程后期阶段残差神

经网络模型的表现要优于另外两个模型，而且行为模式方面的特征及学情特征均能

提升模型的预测性能。基于分析结果选择采取分阶段的策略，在课程前中期阶段选

用BO-RF模型作为学业表现的预警模型，输入数据特征不加入行为模式和学情方

面的特征。在课程后期阶段选用残差神经网络模型作为学业表现的预警模型，输入

数据特征加入行为模式和学情方面的特征，以期在不同时间点都能更准确的预测学

生的最终学业表现。最后针对不同学业表现类别的学生提出了具体且有针对性的预

警措施。

关键词：学业成绩预警；特征提取；SMOTE方法；残差神经网络模型；预警

措施

I

Abstract

WiththecontinuousdevelopmentofInternettechnology,avarietyofonlineeducation

platformshaveemergedtomeetthediverselearningneedsofstudents.Theextensiveuse

oftheseplatformshasalsoaccumulatedalargenumberofeducationaldataresources.How

toobtainthevaluecontainedintheseeducationaldataresourceshasbecomeahottopicat

present.

Basedonthetheoryofonlinelearninganddatamining,thispaperanalyzesstudents

behaviordataandlearningsituationdata,soastoachievethepurposeofrealizingtheearly

warningofstudentsacademicperformance.Firstly,thestudentbehaviordatasetand

learningsituationdatasetarecleaned,visualized,andthebehaviortrajectorydatasetis

constructed.Then,basedonthebehaviortrajectorydataset,therelevantfeaturesare

extracted,andthedifferencesbetweenthesefeaturesindiffe