CN109035095A - 一种智慧校园旷课预警方法与系统 - Google Patents
一种智慧校园旷课预警方法与系统 Download PDFInfo
- Publication number
- CN109035095A CN109035095A CN201810871063.2A CN201810871063A CN109035095A CN 109035095 A CN109035095 A CN 109035095A CN 201810871063 A CN201810871063 A CN 201810871063A CN 109035095 A CN109035095 A CN 109035095A
- Authority
- CN
- China
- Prior art keywords
- classes
- early warning
- cutting
- cut
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000002596 correlated effect Effects 0.000 claims abstract description 31
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000007726 management method Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 241000406668 Loxodonta cyclotis Species 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Educational Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及教育大数据技术领域,尤其涉及一种智慧校园旷课预警方法及系统。包括:步骤S‑1,获取所有预测对象的已完成学期和未完成学期的相关特征数据;步骤S‑2,基于所有预测对象已完成学期的相关特征数据筛选初始特征;步骤S‑3,基于所述所有预测对像已完成学期的初始特征数据构建训练数据集,基于所有预测对象未完成学期的初始特征数据构建测试数据集;步骤S‑4,基于所述训练数据集获取旷课分类预测模型;步骤S‑5,将所述测试数据集输入所述预测模型以获得各预测对象的旷课分类结果,当所述旷课分类结果符合预设规则时进行预警。
Description
技术领域
本发明涉及教育大数据技术领域,尤其涉及一种智慧校园旷课预警方法及系统。
背景技术
目前的教育资源属于高度稀缺资源,单个学校在教育硬性资源的投入都是十分巨大的,但不是每个学校都能获得硬性资源的投入,学校与学校之间的竞争应该体现在对软资产、软实力的竞争智商。例如,学校的无形资产、教育资源、学校的教学能力、学校的知名度和美誉度;包括学校的源动力、感召力、管控力、规划力、执行力、共识力。诸如对学生的教育培养和师资队伍的建设、学校文化特质等。
在当下教师资源越来越缺乏的情况下,如何最大程度的发挥的教师资源的作用,在仅有的教师资源的前提下更加完善、有效的进行校园事务管理是解决我们匮乏教育资源的关键。
发明内容
本申请为了解决上述技术问题,提出了一种智慧校园旷课预警方法,其特征在于,包括:
步骤S-1,获取所有预测对象的已完成学期和未完成学期的相关特征数据;
步骤S-2,基于所有预测对象已完成学期的相关特征数据筛选初始特征;
步骤S-3,基于所述所有预测对像已完成学期的初始特征数据构建训练数据集,基于所有预测对象未完成学期的初始特征数据构建测试数据集;
步骤S-4,基于所述训练数据集获取旷课分类预测模型;
步骤S-5,将所述测试数据集输入所述预测模型以获得各预测对象的旷课分类结果,当所述旷课分类结果符合预设规则时进行预警。
上述技术方案中,对于预测旷课分类结果符合预设的规则时进行预警,使得班主任、导师、班长等可以提前获知需要重点关注的学生对象,对于收到预警的学生自己也具有警示作用,降低学校管理成本、提高学习管理效率。
作为优选,所述步骤S-2包括:
步骤S-2-1,计算各相关特征与旷课分类结果的相关度;
步骤S-2-2,将相关度大于预设相关度的相关特征作为初始特征。
作为优选,所述步骤S-2-1中,计算各相关特征关于所述旷课分类结果的皮尔森相关系数;
所述步骤S-2-2中,将关于所述旷课分类结果的皮尔森相关系数的绝对值大于预设值的相关特征作为初始特征。
作为优选,所述步骤S-4中,基于所述训练数据集并且采用支持向量机算法获取所述旷课分类预测模型。
作为优选,所述旷课分类等级包括轻微旷课和严重旷课;
所述步骤S-5中,当旷课分类结果为严重旷课时进行预警。
作为优选,所述相关特征包括预测对象的旷课数目;
轻微旷课的旷课数目小于预设旷课数目;
严重旷课的旷课数目大于等于预设旷课数目。
作为优选,所述相关特征包括预测对象的身份信息、课程名称、考试成绩、旷课数目、晚归记录、补考记录、挂科情况、图书借阅类型、出勤情况。
作为优选,所述相关特征的数据至少来源于校园宿舍管理系统、校园图书管理系统、教务系统、校园学生管理系统。
作为优选,所述初始特征包括所述预测对象的身份信息、考试成绩、旷课数目、晚归记录、补考记录、挂科情况、图书借阅类型、课程名称。
一种智慧校园旷课预警系统,其特征在于:采用权利要求9所述的智慧校园挂科预警方法进行旷课预警。
上述技术方案中,对于预测旷课分类结果符合预设的规则时进行预警,使得班主任、导师、班长等可以提前获知需要重点关注的学生对象,对于收到预警的学生自己也具有警示作用,降低学校管理成本、提高学习管理效率。
具体实施方式
这里使用的术语仅用于描述特定实施例的目的,而不意图限制本发明。除非另外定义,否则本文使用的所有术语具有与本发明所属领域的普通技术人员通常理解的相同的含义。将进一步理解的是,常用术语应该被解释为具有与其在相关领域和本公开内容中的含义一致的含义。本公开将被认为是本发明的示例,并且不旨在将本发明限制到特定实施例。
实施例一
一种智慧校园旷课预警方法,适用于各大学、高校、中小学等对在校学生的学习状态进行监管。该挂科预警方法包括:
步骤S-1,获取所有预测对象的已完成学期和未完成学期的相关特征数据。相关特征可以包括预测对象的身份信息、课程名称、考试成绩、旷课数目、晚归记录、补考记录、挂科情况、图书借阅类型、出勤情况。收集的数据来源于校园内部数据,例如校园宿舍管理系统的数据、校园图书管理系统、校园学生管理系统、教务系统的数据等。。本实施例中,可以基于校园宿舍管理系统和/或学生管理系统的数据获取预测对象的晚归记录数据、出勤情况数据;基于校园图书管理系统的数据获取预测对象的图书借阅类型数据;基于校园教务系统的数据获取预测对象的课程名称、考试成绩、旷课数目、补考记录、挂科情况等数据。具体的,本实施例中获取到预测对象(例如在校学生)的大约两万条数据来对学生的旷课情况做出预测。获取到的数据是2016-2019学年的数据。其中包括已完成学期(例如2016-2018学年)的数据以及未完成学期(例如2018-2019学年)的数据。基于这些数据对2018-2019学年的学生旷课情况作出预测。
步骤S-2,基于所有预测对象已完成学期的相关特征数据筛选初始特征。在完成对数据进行预处理操作(删除各项记录为空,中途退学或者可以免修课程的学生信息)以后进行初始特征筛选。具体包括:
步骤S-2-0,删除相关特征数据中变化小的特征。假设某一特征的数据只有0和1两种特征值,并且在所有预测对象的相关特征数据中95%的预测对象的该特征取值都是1,那就可以认为这个特征作用不大。如果100%都是1,那这个特征就没意义了。
步骤S-2-1,计算各相关特征与旷课分类结果的相关度。例如,本实施例中计算各相关特征关于所述旷课分类结果的皮尔森相关系数。皮尔森相关系数衡量相关特征与旷课分类结果之间的线性相关性,结果的取值区间为[-1,1],-1表示完全的负相关(这个变量下降,那个就会上升),+1表示完全的正相关,0表示没有线性相关。
步骤S-2-2,将相关度大于预设相关度的相关特征作为初始特征。例如,本实施例中将相关度大于0.3的相关特征作为初始特征。本实施例中基于上述筛选方法最后得到的初始特征集包括身份信息、考试成绩、旷课数目、晚归记录、补考记录、挂科情况、图书借阅类型、课程名称特征。
步骤S-3,基于所述所有预测对象已完成学期的初始特征数据构建训练数据集,基于所有预测对象未完成学期的初始特征数据构建测试数据集。例如本实施例中,基于2016-2018学年的数据构建训练数据集,基于2018-2019学年的数据构建测试数据集。
步骤S-4中,基于所述训练数据集并且采用支持向量机算法获取所述旷课分类预测模型。
步骤S-5,将所述测试数据集输入所述预测模型以获得各预测对象的旷课分类结果,当所述旷课分类结果符合预设规则时进行预警。旷课分类等级包括轻微旷课和严重旷课。其中,轻微旷课的旷课数目小于15次,严重旷课的旷课数目大于等于预15次。当旷课分类结果为严重旷课时进行预警。预警对象可以为预测对象本人,可以是预测对象所在班级的班长,也可以是预测对象的班主任或者导师,还可以是预测对象的任课老师,甚至还可以是预测对象的父母或者监护人。预测对象本人收到该预警,可以对预测对象进行警示。所在班级的班长、班主任或者导师收到该预警可以提前获知需要重点关注的学生对象,预测对象的任课老师收到该预警,可以在课堂点名或者提问的时候重点关注这些学生,降低学校管理成本、提高学习管理效率。
实施例二
一种智慧校园旷课预警系统,其特征在于:采用实施例一种所述的智慧校园旷课预警方法进行挂科预警。
虽然描述了本发明的实施方式,但是本领域普通技术人员可以在所附权利要求的范围内做出各种变形或修改。
Claims (10)
1.一种智慧校园旷课预警方法,其特征在于,包括:
步骤S-1,获取所有预测对象的已完成学期和未完成学期的相关特征数据;
步骤S-2,基于所有预测对象已完成学期的相关特征数据筛选初始特征;
步骤S-3,基于所述所有预测对象已完成学期的初始特征数据构建训练数据集,基于所有预测对象未完成学期的初始特征数据构建测试数据集;
步骤S-4,基于所述训练数据集获取旷课分类预测模型;
步骤S-5,将所述测试数据集输入所述预测模型以获得各预测对象的旷课分类结果,当所述旷课分类结果符合预设规则时进行预警。
2.根据权利要求1所述的一种智慧校园旷课预警方法,其特征在于,所述步骤S-2包括:
步骤S-2-1,计算各相关特征与旷课分类结果的相关度;
步骤S-2-2,将相关度大于预设相关度的相关特征作为初始特征。
3.根据权利要求2所述的一种智慧校园旷课预警方法,其特征在于:
所述步骤S-2-1中,计算各相关特征关于所述旷课分类结果的皮尔森相关系数;
所述步骤S-2-2中,将关于所述旷课分类结果的皮尔森相关系数的绝对值大于预设值的相关特征作为初始特征。
4.根据权利要求3所述的一种智慧校园旷课预警方法,其特征在于:
所述步骤S-4中,基于所述训练数据集并且采用支持向量机算法获取所述旷课分类预测模型。
5.根据权利要求4所述的一种智慧校园旷课预警方法,其特征在于:
所述旷课分类等级包括轻微旷课和严重旷课;
所述步骤S-5中,当旷课分类结果为严重旷课时进行预警。
6.根据权利要求5所述的一种智慧校园旷课预警方法,其特征在于:
所述相关特征包括预测对象的旷课数目;
轻微旷课的旷课数目小于预设旷课数目;
严重旷课的旷课数目大于等于预设旷课数目。
7.根据权利要求6所述的一种智慧校园旷课预警方法,其特征在于:
所述相关特征包括预测对象的身份信息、课程名称、考试成绩、旷课数目、晚归记录、补考记录、挂科情况、图书借阅类型、出勤情况。
8.根据权利要求7中所述的一种智慧校园旷课预警方法,其特征在于:
所述相关特征的数据至少来源于校园宿舍管理系统、校园图书管理系统、教务系统、校园学生管理系统。
9.根据权利要求8所述的一种智慧校园旷课预警方法,其特征在于:
所述初始特征包括所述预测对象的身份信息、考试成绩、旷课数目、晚归记录、补考记录、挂科情况、图书借阅类型、课程名称。
10.一种智慧校园旷课预警系统,其特征在于:采用权利要求9所述的智慧校园挂科预警方法进行旷课预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810871063.2A CN109035095A (zh) | 2018-08-02 | 2018-08-02 | 一种智慧校园旷课预警方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810871063.2A CN109035095A (zh) | 2018-08-02 | 2018-08-02 | 一种智慧校园旷课预警方法与系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109035095A true CN109035095A (zh) | 2018-12-18 |
Family
ID=64647710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810871063.2A Pending CN109035095A (zh) | 2018-08-02 | 2018-08-02 | 一种智慧校园旷课预警方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109035095A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104731971A (zh) * | 2015-04-11 | 2015-06-24 | 淮阴工学院 | 一种校园个性化掌上服务及用户行为习惯分析的实现方法 |
CN106156943A (zh) * | 2016-06-21 | 2016-11-23 | 河南省阳光智创物联网科技有限公司 | 大学生行为智能管理预警系统 |
CN107194584A (zh) * | 2017-05-23 | 2017-09-22 | 武汉朱雀闻天科技有限公司 | 一种学生数据的分析方法及装置 |
CN107967572A (zh) * | 2017-12-15 | 2018-04-27 | 华中师范大学 | 一种基于教育大数据的智能服务器 |
CN107967540A (zh) * | 2017-12-21 | 2018-04-27 | 中国海洋大学 | 学生学业预警系统及其方法 |
CN108154276A (zh) * | 2017-12-29 | 2018-06-12 | 天津市淘客科技有限公司 | 基于图像识别和机器学习的考勤分析方法 |
CN108170765A (zh) * | 2017-12-25 | 2018-06-15 | 合肥城市云数据中心股份有限公司 | 基于在校行为数据多维分析的贫困生资助推荐方法 |
-
2018
- 2018-08-02 CN CN201810871063.2A patent/CN109035095A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104731971A (zh) * | 2015-04-11 | 2015-06-24 | 淮阴工学院 | 一种校园个性化掌上服务及用户行为习惯分析的实现方法 |
CN106156943A (zh) * | 2016-06-21 | 2016-11-23 | 河南省阳光智创物联网科技有限公司 | 大学生行为智能管理预警系统 |
CN107194584A (zh) * | 2017-05-23 | 2017-09-22 | 武汉朱雀闻天科技有限公司 | 一种学生数据的分析方法及装置 |
CN107967572A (zh) * | 2017-12-15 | 2018-04-27 | 华中师范大学 | 一种基于教育大数据的智能服务器 |
CN107967540A (zh) * | 2017-12-21 | 2018-04-27 | 中国海洋大学 | 学生学业预警系统及其方法 |
CN108170765A (zh) * | 2017-12-25 | 2018-06-15 | 合肥城市云数据中心股份有限公司 | 基于在校行为数据多维分析的贫困生资助推荐方法 |
CN108154276A (zh) * | 2017-12-29 | 2018-06-12 | 天津市淘客科技有限公司 | 基于图像识别和机器学习的考勤分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Devasia et al. | Prediction of students performance using Educational Data Mining | |
Ahmed et al. | Using data mining to predict instructor performance | |
Krumm et al. | Learning analytics goes to school: A collaborative approach to improving education | |
Koutina et al. | Predicting postgraduate students’ performance using machine learning techniques | |
Chittum et al. | Identifying pre–high school students’ science class motivation profiles to increase their science identification and persistence. | |
Srilekshmi et al. | Learning analytics to identify students at-risk in MOOCs | |
Ganeshan et al. | An intelligent student advising system using collaborative filtering | |
Anuradha et al. | A data mining based survey on student performance evaluation system | |
Jenhani et al. | Course learning outcome performance improvement: a remedial action classification based approach | |
Veeramuthu et al. | Application of higher education system for predicting student using data mining techniques | |
Tosheva et al. | Implementation of adaptive" E-school" system | |
Sukhija et al. | Educational data mining towards knowledge engineering: a review state | |
Oreški et al. | Estimating profile of successful IT student: data mining approach | |
Salem et al. | Establishment of smart education system in modern universities: Concept, technologies and challenges | |
CN109035095A (zh) | 一种智慧校园旷课预警方法与系统 | |
Harvey et al. | Data science for K-12 education | |
Organ | Practice over the private teaching institutions selection problem in one of secondary schools with using multiple attribute decision making method of TOPSIS | |
Lawrance et al. | An assay of teachers' attainmentusing decision tree based classification techniques | |
Kaewkiriya | Design of e-learning content for student guidance based on ILS and 4MAT theory | |
Baby | Pedagogue Performance Assessment (PPA) using data mining techniques | |
Stefanovic et al. | Adaptivity in e-learning LMS platform | |
Lu et al. | Influence of experiential teaching and itinerary assessment on the improvement of key competencies of students | |
Gjermeni et al. | Combining Intelligent Algorithms and E-Learning Styles to Create an Improved Intelligent System in Evaluating an E-Learning Student’s Profile | |
Polcyn et al. | Education inputs index as the background of education outcomes at secondary education level | |
Handoyo et al. | Analysing The Geographical Skills Across The World Secondary Schools Curriculum Based on The Scientific Approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181218 |