基于成绩的学业预警系统的研究与设计

来源:用户上传      作者:郑金龙 聂盼红

　　摘要：利用信息技术及时分析学生的学业状态并实施学业预警是目前高等院校应对学业危机的重要举措，而学业成绩是其学业状态分析的重要指标，因此依托教务系统数据，设计并研发基于成绩的学业预警分析系统。通过成绩数据获取、预处理、分析与可视化过程，发现学生的学业异常，实施学业预警，同时为学校、教师、学生和家长提供了很好学生学业进程的交流平台。
　　关键词：学业危机;学业预警;数据预处理;Oracle;ETL
　　中图分类号：G647 文献标识码：A
　　文章编号：1009-3044（2020）05-0097-03
　　开放科学（资源服务）标识码（OSID）：
　　1 背景
　　在高等教育大众化的背景下，学分制已在高等院校得到广泛的应用。学分制在一定程度上为学生提供了多元化、个性化的学习成长环境，但同时也出现了学生选课比较随意和盲目，很少考虑自己的成长目标，甚至出现“考试不通过”可以补考或重修的心态。特别是部分自控力和自主学习能力偏弱的学生，很容易产生消极的心理[1]，从而产生学业危机[2]。因此，很多高校都陆续实施“学业预警”制度3-4]，制定各类学业预警规则，帮助学生顺利完成学业[5]。
　　在学业预警制度实施的过程中，首先需要设置具体的预警规则，然后根据预警规则收集相关的预警数据并进行统计分析，得到预警级别[6-8]，而且根据不同的预警级别，将相关的预警信息反馈给学生、班主任、辅导员等学生管理人员，以便及时干预，同时还要收集学生、班主任等管理员的反馈，及时对预警规则进行改进。这些工作若采用传统的方式，显然效率较低。因此，很多高等院校运用信息技术等手段，及时发现学生现实的学业问题，警示其可能导致的不良后果[9-10]。同时使学生管理人员及时掌握学生的学业状态，实施学业帮扶[13-15]。
　　高校的学业成绩作为高校学生学习状态的重要指标，其在学业预警实施中占有重要的地位。但是目前基于各个学校的学业预警制度和方案的不同，教务管理系统一般没有通过统一的预警功能，因此本文以教务数据为基础，利用Oracle数据库技术给出了一个基于成绩的学业预警系统的设计方案。
　　2 基于成绩的学业预警系统总体设计
　　2.1 需求分析
　　系统以我校学业预警制度为背景，利用Oracle数据库技术设计基于教务数据的学业预警系统。其核心功能结构如图l所示。
　　2.1.1 统计数据存储管理
　　利用数据挖掘ETL工具，按照已定义的数据交换标准，定期从学校教务系统数据库获取学业预警相关的基础数据，包括培养计划、课程成绩、教师数据、学生基本数据等，存储到本地数据库。
　　2.1.2 数据统计分析
　　依据学业预警规则，设计并实现学业预警分析算法，生成学业预警的结果数据;按照学院、年级、专业、班级、预警级别等不同维度完成学业预警状态的统计查询。
　　2.1.3 业务数据管理
　　通过该功能能够实现班级辅导员和班主任信息的维护，班级信息定期与教务数据同步更新;学业预警规则的管理和维护。
　　2.1.4学分修读统计查询
　　通过该功能实现已修学分和未修学分统计查询、不同类型课程学分查询、不及格课程查询、课程绩点统计查询等。
　　2.2 学业预警系统总体方案
　　基于成绩的学业预警分析系统的核心是学业预警算法，通过数据获取、分析和可视化的过程完成学业预警级别的计算。其系统总体方案如图2所示：
　　3 学业预警分析
　　3.1 预警规则
　　学校学业预警程度由低到高依次为：蓝色预警、黄色预警、橙色预警、红色预警，根据我校学业预警制度，其预警条件的形式化定义如下：蓝色预警：已修读的课程累計不及格课程门数为1门;黄色预警：已修读的课程累计不及格课程门数大于或等于2门，且未达到5门;橙色预警：已修读的课程累计不及格课程门数大于或等于5门，且未达到8门;或累计不及格课程学分大于或等于15学分，且未达到24学分;红色预警：已修读的课程累计不及格课程门数大于或等于8门，或累计不及格课程学分大于或等于24学分。
　　3.2 预警分析过程
　　学业预警分析过程包括数据获取、数据预处理、预警级别分析和查询及可视化四个阶段，在每个阶段采用视图和库函数实现相关计算，每个阶段结束后将计算结果保存到临时表，便于后面阶段的数据处理。
　　3.2.1 数据获取
　　根据数据分析的目标，通过ETL从远程业务数据库获取在校学生课程成绩的原生数据，其字段包括：【学年、学期、选课编号，学号，姓名，课程名称，学分，折算成绩，总评成绩，重修成绩，补考成绩，重修标记，课程性质，辅修标记，绩点】;其次对成绩数据的栏目进行分析，以便了解字段数据是否符合数据分析的要求，下面是主要字段分析：“折算成绩”是将总评成绩折算成百分制的成绩;“总评成绩”“补考成绩”“重修成绩”可能为不同类型的成绩，如百分制、二分制等;同一个学生的同一门课程因为重修多次导致在成绩数据中出现两条以上记录;“重修标记”和“辅修标记”表示该门课程成绩为重修成绩或辅修成绩;“绩点”字段的值为第一次计算折算成绩后填写，同一记录的补考成绩和重修成绩的变化不影响其值。
　　3.2.2 数据预处理
　　通过数据准备阶段对数据特征的分析，有针对性地进行数据预处理，主要包括成绩的规范化、学生课程合并和最高成绩计算等。
　　1）因折算成绩和总评成绩等价，所以后面的分析中使用折算成绩。重修成绩和补考成绩，需要统一折算为百分制成绩。
　　2）课程合并和最高成绩计算：因为存在部分学生因多次重修，导致同一个学生的同一门课程在成绩数据中有多行记录，根据课程编号计算每位学生每门课程的最高成绩，将数据存储到一张临时表。视图如下：[学号、课程编号、课程名称、学分、最高成绩、绩点]。 　　3.2.3 预警级别分析
　　根据预警规则，计算预警参数的值，为了简化程序的复杂性，每个参数分别采用不同的视图进行计算，然后进行合并操作。其中，总的补考次数（包括同一门课程补考多次）、补考学分总数、重修次数（包括一门课重修多次）、重修学分总数等4个参数目前仅作为预警参考数据呈现给学生管理人员，不作为预警级别判定的依据。预警级别计算的基本过程如图3所示：
　　3.2.4 预警统计查询及可视化
　　根据不同角色创建不同的统计分析视图，主要包括两个方面的视图：
　　1）学生查询个人学业预警结果及预警原因视图，包括学分和基点修读统计视图等;
　　2）管理人员查询所有学生预警结果及原因视图和根据学院、年级、专业、班级等不同维度的学业预警统计视图
　　4 学业预警系统实现
　　基于成绩的预警系统核心功能包括学业预警级别的计算和统计数据的查询。学业预警级别的计算主要采用Oracle数据库和开源ETL工具Pentaho Data Integration（PDI）实现，统计数据查询及可视化采用Phalcon框架（PHP）、HTML5和Chart.js等软件开发技术。
　　4.1 预警级别计算
　　1）利用ETL工具定时从远程数据库将学业预警相关的数据同步到本地的学业预警预处理库，并完成部分预处理任务。首先创建“转换”实现数据的远程获取，然后利用“作业”实现定时任务。因为是从远程数据库表获取数据，并插入本地空表，所以输入采用“表输入”模式，输出采用“插入/更新”模式。
　　2）利用Oracle存储过程、视图技术和丰富的库函数，按照预警级别分析过程实现预警级别的计算，下面给出主存储过程代码：
　　4.2 数据的统计查询功能实现
　　数据的统计查询功能的实现在数据库层面根据查询角色的不同创建不同的查询统计视图，然后通过PHP程序将数据库查询数据转换为前端视图技术要求的数据结构并实现数据可视化。主要包括学业预警结果的统计查询和学生学分修读情况的统计查询。图4是根据给定条件查询学生的学业预警结果的视图，图5是按照学期、学院、专业、年级、班级等维度统计查询学业预警总体情况。
　　5 结束语
　　本文研究和设计的基于成绩的学业预警系统，初步完成了基于课程成绩的预警级别计算和统计查询，其是高校学业预警制度中的重要组成部分，帮助提高学业预警的实施效率和效果。之后将逐步增加其他类型的学生学习相关数据，提高预警的及时性和准确性，如考勤数据、网络访问数据、第二課堂等数据，并依据不同的专业实现个性化的学业预警。
　　参考文献：
　　[1]范伟.学分制视角下的高校学业预警：制度困境与程序优化[J].南京理工大学学报：社会科学版，2016，29（6）：88-92.
　　[2]孙建.国外高校学业危机研究及启示[J].首都师范大学学报：社会科学版，2015（6）：138-143.
　　[3]张晶华，丁福兴，台湾大学生学业风险管理探究及启示[Jl.高等农业教育，2016（1）：124-127.
　　[4]袁安府，张娜，沈海霞.大学生学业预警评价指标体系的构件与应用研究[J].黑龙江高教研究，2014（3）：79-83.
　　[5]陆毅华，高兰兰，王潇，等.学分制环境下本科生学业预警帮 扶系统的设计与实现[J].东华大学学报：自然科学版，2017，43（3）：412-415.
　　[6]王晓蕾，毕菁华.应用型大学学业预警机制初探[J].兰州教育学院学，2017，33（7）：124-126.
　　[7]朱李楠，许帅.基于课程关联性的高校学业预警体系构建研究[J].浙江工业大学学报：社会科学版，2014，13（4）：433-436.
　　[8]徐晓霞，陈军.学分制下学业困难成因及动态预警模式探索[J].长春大学学报，2016，26（10）：67-70.
　　[9]宓旭峰.学分制大类培养模式下高校学生学业预警制度的探究[Jl.长春理工大学学报，2011（11）：10-12.
　　[10]张丽辉，徐锐.大学生学业预警成因分析及帮扶对策[J]，职业时空，2014（10）：114-117.
　　[11]舒春玲.大学生学业预警机制的探索与实践[J].淮阴师范学院学报：自然科学版，2016（4）：333-335.
　　[12]张福生，吕开东，韩伊佳.基于校园云的高校学生学业监测与预警系统研究[Jl.中国教育信息化，2015（9）：87-89.
　　[13]金义富，吴涛，张子石，等.大数据环境下学业预警系统设计与分析[J].中国电化教育，2016（2）：69-73.
　　[14]王球琳，马丽娟，付磊.应用型本科院校学业预警保障体系构建研究[J].黑龙江高教研究，2016（3）：106-108.
　　[15]杨洋，张烨，等.学业预警指标体系的构件及系统初探[J].中国教育信息化，2017（7）：74-76.
　　【通联编辑：谢媛媛】
　　收稿日期：2（）19-12-15
　　作者简介：郑金龙（1982-），男，甘肃兰州人，实验师，硕士，主要研究方向为数据挖掘;聂盼红（1976-），女，山西人，讲师，硕士，主要研究方向为机器学习。
转载注明来源:https://www.xzbu.com/8/view-15180346.htm