CN113918617A - 基于大数据的学业预警方法、系统和介质 - Google Patents
基于大数据的学业预警方法、系统和介质 Download PDFInfo
- Publication number
- CN113918617A CN113918617A CN202111043075.4A CN202111043075A CN113918617A CN 113918617 A CN113918617 A CN 113918617A CN 202111043075 A CN202111043075 A CN 202111043075A CN 113918617 A CN113918617 A CN 113918617A
- Authority
- CN
- China
- Prior art keywords
- data
- early warning
- students
- behavior
- big
- 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 38
- 230000006399 behavior Effects 0.000 claims abstract description 55
- 238000004364 calculation method Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 235000012054 meals Nutrition 0.000 claims description 25
- 230000015654 memory Effects 0.000 claims description 16
- 230000014759 maintenance of location Effects 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000013075 data extraction Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000003542 behavioural effect Effects 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 abstract description 16
- 238000007726 management method Methods 0.000 abstract description 15
- 230000007774 longterm Effects 0.000 abstract description 7
- 238000013439 planning Methods 0.000 abstract description 7
- 230000001755 vocal effect Effects 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 4
- 235000021152 breakfast Nutrition 0.000 description 3
- 230000001737 promoting effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000037081 physical activity Effects 0.000 description 1
- 230000000246 remedial effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- 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
- G06Q50/205—Education administration or guidance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于大数据的学业预警方法、系统和介质，其中基于大数据的学业预警方法包括：获取学生的行为数据和成绩数据；将所述行为数据和所述成绩数据转换为格式化数据并添加对应的标签；对不同标签的所述格式化数据进行特征提取获得与学习相关的特征数据；将所述特征数据进行加权计算得到预警数据以判断所述学生的预警等级。本实施例提出的基于大数据的学业预警方法能够通过对数据的分析处理，从各个方面对学生进行预警，从而及时了解学生的状态，对学生可能存在的极端行为进行告诫和制止，从而有利于高职院校提升管理质量和管理效率，并有利于学校的长远规划与建设，促进智慧校园建设。
Description
技术领域
本发明涉及学业预警技术领域，特别涉及一种基于大数据的学业预警方法、系统和介质。
背景技术
随着大数据时代的来临，高校学生也在不断的产生数据，且数据的类型也在发生很大的变化，己经初步形成了校园大数据的生态环境。数字校园的建设己经不能继续满足高校的长远发展，高校面临如何高效管理学生的数据，挖掘其中潜在的价值和规律，提高学校的管理效率，更好地为学生提供服务等急需解决的问题。
发明内容
本发明旨在至少解决现有技术中存在的技术问题。为此，本发明提出一种基于大数据的学业预警方法，能够通过对数据的分析处理，从各个方面对学生进行预警，从而及时了解学生的状态，对学生可能存在的极端行为进行告诫和制止，从而有利于高职院校提升管理质量和管理效率，并有利于学校的长远规划与建设，促进智慧校园建设。
本发明还提出一种具有上述基于大数据的学业预警方法的基于大数据的学业预警系统。
第一方面，本实施例提供了一种基于大数据的学业预警方法，包括以下步骤：
获取学生的行为数据和成绩数据；
将所述行为数据和所述成绩数据转换为格式化数据并添加对应的标签；
对不同标签的所述格式化数据进行特征提取获得与学习相关的特征数据；
将所述特征数据进行加权计算得到预警数据以判断所述学生的预警等级。
根据本发明实施例的基于大数据的学业预警方法，至少具有如下有益效果：
首先，获取学生的行为数据和成绩数据，再将行为数据和成绩数据转换为格式化数据并添加对应的标签，由于行为数据和成绩数据通常是以非格式化数据储存于计算机系统中的，并不便于直接进行处理，对行为数据和成绩数据进行格式化处理后再对不同标签的格式化数据进行特征提取获得与学习相关的特征数据，特征数据可以是包括学习时间、学习内容和学习效果等数据，最后将特征数据进行加权计算得到预警数据以判断学生的预警等级。本发明实施例提供的基于大数据的学业预警方法能够通过对数据的分析处理，从各个方面对学生进行预警，从而及时了解学生的状态，对学生可能存在的极端行为进行告诫和制止，从而有利于高职院校提升管理质量和管理效率，并有利于学校的长远规划与建设，促进智慧校园建设。
根据本发明的一些实施例，所述行为数据包括娱乐数据、学习数据和用餐数据，其中所述娱乐数据包括体育区滞留时长、观看视频时长和游戏上网时长：所述学习数据包括图书馆滞留时长、借书数据、图书馆上网内容、教学楼滞留时长和课程出勤数据；所述用餐数据包括早上用餐数据、中午用餐数据和晚上用餐数据。
根据本发明的一些实施例，所述将所述行为数据和所述成绩数据转换为格式化数据并添加对应的标签，包括步骤：
将所述行为数据和所述成绩数据进行数据清洗、转换，将非格式化和半格式化的所述行为数据和所述成绩数据转换为格式化数据，并根据数据类别添加对应的标签。
根据本发明的一些实施例，所述成绩数据包括：姓名、学号、课程数据、上学期挂科数据、上学期挂科学分和补考未通过数据。
根据本发明的一些实施例，所述将所述特征数据进行加权计算得到预警数据以判断所述学生的预警等级，包括步骤：
对所述特征数据进行均值聚类处理得到所述学生最感兴趣的前n个行为轨迹，将所述前n个行为轨迹输入至成绩预测模型得到所述学生的预警数据，并判断所述学生的预警等级。
第二方面，本实施例提供了一种基于大数据的学业预警系统，包括：
数据获取单元，用于获取学生的行为数据和成绩数据；
数据转换单元，用于将所述行为数据和所述成绩数据转换为格式化数据并添加对应的标签；
数据提取单元，用于对不同标签的所述格式化数据进行特征提取获得与学习相关的特征数据；
数据计算单元，用于将所述特征数据进行加权计算得到预警数据以判断所述学生的预警等级。
根据本发明实施例的基于大数据的学业预警系统，至少具有如下有益效果：
基于大数据的学业预警系统包括：数据获取单元、数据转换单元、数据提取单元、和数据计算单元，其中数据获取单元用于获取学生的行为数据和成绩数据，数据转换单元用于将所述行为数据和所述成绩数据转换为格式化数据并添加对应的标签，数据提取单元用于对不同标签的所述格式化数据进行特征提取获得与学习相关的特征数据，数据计算单元用于将所述特征数据进行加权计算得到预警数据以判断所述学生的预警等级。本发明实施例提供的基于大数据的学业预警系统能够通过对数据的分析处理，从各个方面对学生进行预警，从而及时了解学生的状态，对学生可能存在的极端行为进行告诫和制止，从而有利于高职院校提升管理质量和管理效率，并有利于学校的长远规划与建设，促进智慧校园建设。
根据本发明的一些实施例，所述行为数据包括娱乐数据、学习数据和用餐数据，其中所述娱乐数据包括体育区滞留时长、观看视频时长和游戏上网时长：所述学习数据包括图书馆滞留时长、借书数据、图书馆上网内容、教学楼滞留时长和课程出勤数据；所述用餐数据包括早上用餐数据、中午用餐数据和晚上用餐数据。
根据本发明的一些实施例，所述将所述特征数据进行加权计算得到预警数据以判断所述学生的预警等级，包括步骤：
对所述特征数据进行均值聚类处理得到所述学生最感兴趣的前n个行为轨迹，将所述前n个行为轨迹输入至成绩预测模型得到所述学生的预警数据，并判断所述学生的预警等级。
第三方面，本实施例提供了一种基于大数据的学业预警系统，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的基于大数据的学业预警方法。
第四方面，本实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如第一方面所述的基于大数据的学业预警方法。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中摘要附图要与说明书附图的其中一幅完全一致：
图1是本发明一个实施例提供的基于大数据的学业预警方法的流程图；
图2是本发明一个实施例提供的执行基于大数据的学业预警方法的系统结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
需要说明的是，虽然在系统示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于系统中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
随着大数据时代的来临，高校学生也在不断的产生数据，且数据的类型也在发生很大的变化，己经初步形成了校园大数据的生态环境。数字校园的建设己经不能继续满足高校的长远发展，高校面临如何高效管理学生的数据，挖掘其中潜在的价值和规律，提高学校的管理效率，更好地为学生提供服务等急需解决的问题。
本申请提供了一种基于大数据的学业预警方法，能够通过对数据的分析处理，从各个方面对学生进行预警，从而及时了解学生的状态，对学生可能存在的极端行为进行告诫和制止，从而有利于高职院校提升管理质量和管理效率，并有利于学校的长远规划与建设，促进智慧校园建设。
下面结合附图，对本发明实施例作进一步阐述。
参照图1，图1是本发明一个实施例提供的基于大数据的学业预警方法的流程图，基于大数据的学业预警方法包括但不仅限于步骤S110至步骤S140。
步骤S110，获取学生的行为数据和成绩数据；
步骤S120，将行为数据和成绩数据转换为格式化数据并添加对应的标签；
步骤S130，对不同标签的格式化数据进行特征提取获得与学习相关的特征数据；
步骤S140，将特征数据进行加权计算得到预警数据以判断学生的预警等级。
在一实施例中，首先，获取学生的行为数据和成绩数据，再将行为数据和成绩数据转换为格式化数据并添加对应的标签，由于行为数据和成绩数据通常是以非格式化数据储存于计算机系统中的，并不便于直接进行处理，对行为数据和成绩数据进行格式化处理后再对不同标签的格式化数据进行特征提取获得与学习相关的特征数据，特征数据可以是包括学习时间、学习内容和学习效果等数据，最后将特征数据进行加权计算得到预警数据以判断学生的预警等级。本实施例提供的基于大数据的学业预警方法能够通过对数据的分析处理，从各个方面对学生进行预警，从而及时了解学生的状态，对学生可能存在的极端行为进行告诫和制止，从而有利于高职院校提升管理质量和管理效率，并有利于学校的长远规划与建设，促进智慧校园建设。
在一实施例中，首先，获取学生的行为数据和成绩数据，再将行为数据和成绩数据转换为格式化数据并添加对应的标签，对行为数据和成绩数据进行格式化处理后再对不同标签的格式化数据进行特征提取获得与学习相关的特征数据，特征数据可以是包括学习时间、学习内容和学习效果等数据，最后将特征数据进行加权计算得到预警数据以判断学生的预警等级。行为数据包括：娱乐数据：体育区滞留时长、观看视频时长和游戏上网时长；学习数据，图书馆滞留时长、借书数据、图书馆上网内容、教学楼滞留时长和课程出勤数据；用餐数据，早上用餐数据、中午用餐数据和晚上用餐数据。
可以理解的是，将学生的娱乐数据纳入学业预警方法中进行计算很有必要，过多的娱乐活动会对学习成绩产生一定的影响，娱乐数据可以包括体育活动、观看视频、游戏时间，学习数据则可以包括图书馆滞留时长、借书数据、图书馆上网内容、教学楼滞留时长和课程出勤数据，用餐数据包括早上用餐数据、中午用餐数据和晚上用餐数据，可以通过学生的早餐数据判断学生早餐用餐是否正常。
在一实施例中，首先，获取学生的行为数据和成绩数据，再将行为数据和成绩数据转换为格式化数据并添加对应的标签，对行为数据和成绩数据进行格式化处理后再对不同标签的格式化数据进行特征提取获得与学习相关的特征数据，特征数据可以是包括学习时间、学习内容和学习效果等数据，最后将特征数据进行加权计算得到预警数据以判断学生的预警等级。预警等级包括第一等级和第二等级，当预警数据在第一阈值以上，学生的预警等级为第一等级，当预警数据在第二阈值以上且小于第一阈值，学生的预警等级为第二等级。
可以理解的是，将特征数据进行加权计算得到预警数据以判断学生的预警等级，可以设置总分数为100，当学生得分在80分和90分之间，认定为第一等级的预警等级，学生的学业存在一定的困难；当学生等分在50分和80分之间，认定该学生为第二等级的预警等级，学生的学业存在较大的困难，需要及时地进行学业的补救和心理指导。
在一实施例中，首先，获取学生的行为数据和成绩数据，再将行为数据和成绩数据转换为格式化数据并添加对应的标签，对行为数据和成绩数据进行格式化处理后再对不同标签的格式化数据进行特征提取获得与学习相关的特征数据，特征数据可以是包括学习时间、学习内容和学习效果等数据，最后将特征数据进行加权计算得到预警数据以判断学生的预警等级。所述成绩数据包括：姓名、学号、课程数据、上学期挂科数据、上学期挂科学分和补考未通过数据。结合学生的成绩数据和行为数据综合分析，能够较为准确地获得学生的预警数据，并以此判断学生的预警等级，具有较好的合理性。
在一实施例中，首先，获取学生的行为数据和成绩数据，再将行为数据和成绩数据转换为格式化数据并添加对应的标签，对行为数据和成绩数据进行格式化处理后再对不同标签的格式化数据进行特征提取获得与学习相关的特征数据，特征数据可以是包括学习时间、学习内容和学习效果等数据，最后将特征数据进行加权计算得到预警数据以判断学生的预警等级。对所述早上用餐数据进行分析，将平均早餐用餐次数小于预设值的学生标记为就餐异常学生。
本申请还提供一种基于大数据的学业预警系统，包括：
数据获取单元100用于获取学生的行为数据和成绩数据；
数据转换单元200用于将行为数据和成绩数据转换为格式化数据并添加对应的标签；
数据提取单元300用于对不同标签的格式化数据进行特征提取获得与学习相关的特征数据；
数据计算单元400用于将特征数据进行加权计算得到预警数据以判断学生的预警等级。
基于大数据的学业预警系统包括：数据获取单元100、数据转换单元200、数据提取单元300和数据计算单元400，其中数据获取单元100用于获取学生的行为数据和成绩数据，数据转换单元200用于将行为数据和成绩数据转换为格式化数据并添加对应的标签，数据提取单元300用于对不同标签的格式化数据进行特征提取获得与学习相关的特征数据，数据计算单元400用于将特征数据进行加权计算得到预警数据以判断学生的预警等级。本发明实施例提供的基于大数据的学业预警系统能够通过对数据的分析处理，从各个方面对学生进行预警，从而及时了解学生的状态，对学生可能存在的极端行为进行告诫和制止，从而有利于高职院校提升管理质量和管理效率，并有利于学校的长远规划与建设，促进智慧校园建设。
另外，本申请还提供一种基于大数据的学业预警系统，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现：
如上述的基于大数据的学业预警方法。
处理器和存储器可以通过总线或者其他方式连接。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
需要说明的是，本实施例中的基于大数据的学业预警系统，可以应用为实施例的系统架构中的基于大数据的学业预警系统，本实施例中的基于大数据的学业预警系统和实施例的系统架构中的基于大数据的学业预警系统具有相同的发明构思，因此这些实施例具有相同的实现原理以及技术效果，此处不再详述。
实现上述实施例的基于大数据的学业预警方法所需的非暂态软件程序以及指令存储在存储器中，当被处理器执行时，执行上述实施例中的基于大数据的学业预警方法，例如，执行以上描述的图1中的方法步骤S110至步骤S150。
另外，本申请还提供一种计算机可读存储介质，存储有计算机可执行指令，计算机可执行指令用于执行：
如上述的基于大数据的学业预警方法。
该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个处理器或控制器执行，例如，被上述基于大数据的学业预警系统实施例中的一个处理器执行，可使得上述处理器执行上述实施例中的基于大数据的学业预警方法，例如，执行以上描述的图1中的方法步骤S110至步骤S150。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
以上是对本申请实施例的较佳实施进行了具体说明，但本申请实施例并不局限于上述实施方式，熟悉本领域的技术人员在不违背本申请实施例精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请实施例权利要求所限定的范围内。
Claims (10)
1.一种基于大数据的学业预警方法，其特征在于，包括以下步骤：
获取学生的行为数据和成绩数据；
将所述行为数据和所述成绩数据转换为格式化数据并添加对应的标签；
对不同标签的所述格式化数据进行特征提取获得与学习相关的特征数据；
将所述特征数据进行加权计算得到预警数据以判断所述学生的预警等级。
2.根据权利要求1所述的基于大数据的学业预警方法，其特征在于，所述行为数据包括娱乐数据、学习数据和用餐数据，其中所述娱乐数据包括体育区滞留时长、观看视频时长和游戏上网时长：所述学习数据包括图书馆滞留时长、借书数据、图书馆上网内容、教学楼滞留时长和课程出勤数据；所述用餐数据包括早上用餐数据、中午用餐数据和晚上用餐数据。
3.根据权利要求1所述的基于大数据的学业预警方法，其特征在于，所述将所述行为数据和所述成绩数据转换为格式化数据并添加对应的标签，包括步骤：
将所述行为数据和所述成绩数据进行数据清洗、转换，将非格式化和半格式化的所述行为数据和所述成绩数据转换为格式化数据，并根据数据类别添加对应的标签。
4.根据权利要求1所述的基于大数据的学业预警方法，其特征在于，所述成绩数据包括：姓名、学号、课程数据、上学期挂科数据、上学期挂科学分和补考未通过数据。
5.根据权利要求2所述的基于大数据的学业预警方法，其特征在于，所述将所述特征数据进行加权计算得到预警数据以判断所述学生的预警等级，包括步骤：
对所述特征数据进行均值聚类处理得到所述学生最感兴趣的前n个行为轨迹，将所述前n个行为轨迹输入至成绩预测模型得到所述学生的预警数据，并判断所述学生的预警等级。
6.一种基于大数据的学业预警系统，其特征在于，包括：
数据获取单元，用于获取学生的行为数据和成绩数据；
数据转换单元，用于将所述行为数据和所述成绩数据转换为格式化数据并添加对应的标签；
数据提取单元，用于对不同标签的所述格式化数据进行特征提取获得与学习相关的特征数据；
数据计算单元，用于将所述特征数据进行加权计算得到预警数据以判断所述学生的预警等级。
7.根据权利要求6所述的基于大数据的学业预警系统，其特征在于，所述行为数据包括娱乐数据、学习数据和用餐数据，其中所述娱乐数据包括体育区滞留时长、观看视频时长和游戏上网时长：所述学习数据包括图书馆滞留时长、借书数据、图书馆上网内容、教学楼滞留时长和课程出勤数据；所述用餐数据包括早上用餐数据、中午用餐数据和晚上用餐数据。
8.根据权利要求6所述的基于大数据的学业预警系统，其特征在于，所述将所述特征数据进行加权计算得到预警数据以判断所述学生的预警等级，包括步骤：
对所述特征数据进行均值聚类处理得到所述学生最感兴趣的前n个行为轨迹，将所述前n个行为轨迹输入至成绩预测模型得到所述学生的预警数据，并判断所述学生的预警等级。
9.一种基于大数据的学业预警系统，其特征在于，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5中任意一项所述的基于大数据的学业预警方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至5中任意一项所述的基于大数据的学业预警方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111043075.4A CN113918617A (zh) | 2021-09-07 | 2021-09-07 | 基于大数据的学业预警方法、系统和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111043075.4A CN113918617A (zh) | 2021-09-07 | 2021-09-07 | 基于大数据的学业预警方法、系统和介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113918617A true CN113918617A (zh) | 2022-01-11 |
Family
ID=79233946
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111043075.4A Pending CN113918617A (zh) | 2021-09-07 | 2021-09-07 | 基于大数据的学业预警方法、系统和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113918617A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114493058A (zh) * | 2022-04-18 | 2022-05-13 | 杭州远传新业科技有限公司 | 多通道信息特征融合的学业预警方法、系统、装置和介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111260230A (zh) * | 2020-01-19 | 2020-06-09 | 西北大学 | 一种基于提升树模型的学业预警方法 |
| CN111914004A (zh) * | 2020-08-19 | 2020-11-10 | 青海民族大学 | 一种基于数据挖掘算法的学业预警方法、系统及存储介质 |
-
2021
- 2021-09-07 CN CN202111043075.4A patent/CN113918617A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111260230A (zh) * | 2020-01-19 | 2020-06-09 | 西北大学 | 一种基于提升树模型的学业预警方法 |
| CN111914004A (zh) * | 2020-08-19 | 2020-11-10 | 青海民族大学 | 一种基于数据挖掘算法的学业预警方法、系统及存储介质 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114493058A (zh) * | 2022-04-18 | 2022-05-13 | 杭州远传新业科技有限公司 | 多通道信息特征融合的学业预警方法、系统、装置和介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11151892B2 (en) | Internet teaching platform-based following teaching system | |
| CN111428448B (zh) | 文本生成方法、装置、计算机设备及可读存储介质 | |
| CN110941723A (zh) | 一种知识图谱的构建方法、系统及存储介质 | |
| EP4053733A1 (en) | Content check model training method and apparatus, video content check method and apparatus, computer device, and storage medium | |
| CN110085075A (zh) | 学习状况管理方法、装置和系统 | |
| CN107609084B (zh) | 一种基于群智汇聚收敛的资源关联方法 | |
| CN111444391B (zh) | 一种基于人工智能的视频学习成效评估方法 | |
| Chen et al. | Utilizing game analytics to inform and validate digital game-based assessment with evidence-centered game design: A case study | |
| Makar et al. | Statistical modelling and repeatable structures: Purpose, process and prediction | |
| CN110990707A (zh) | 一种学习内容推送的方法、系统、设备及存储介质 | |
| CN116012627A (zh) | 一种基于超图聚类的因果时序双增强知识追踪方法 | |
| CN113918617A (zh) | 基于大数据的学业预警方法、系统和介质 | |
| Imran et al. | Multimedia learning objects framework for e-learning | |
| CN112836994A (zh) | 针对在线远程教育的大数据可视化方法及在线教育服务器 | |
| CN113742453A (zh) | 一种人工智能错题关联方法及系统 | |
| Zhang et al. | Mechanisms of cross-situational learning: Behavioral and computational evidence | |
| CN112528790B (zh) | 基于行为识别的教学管理方法、装置及服务器 | |
| CN114998844A (zh) | 基于ai课堂的在线巡课督导系统及方法 | |
| CN117523218A (zh) | 标签生成、图像分类模型的训练、图像分类方法及装置 | |
| CN111709551B (zh) | 基于相似度的学生测试数据处理方法、系统、装置及介质 | |
| CN111091157B (zh) | 基于完形填空任务的视频自监督学习方法 | |
| CN114241596A (zh) | 行为分析方法、装置和设备 | |
| Xiong et al. | Class distinctions: Leveraging class-level features to predict student retention performance | |
| CN116320517B (zh) | 一种学习轨迹合并方法、装置及电子设备 | |
| CN110689034B (zh) | 一种分类器的优化方法及设备 |
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 |