基于校園卡消費(fèi)預(yù)測學(xué)生掛科情況

周慶+尹春梅+全文君+張代英

摘 要 旨在通過校園卡消費(fèi)來預(yù)測學(xué)生掛科情況。首先通過對消費(fèi)數(shù)據(jù)和成績數(shù)據(jù)的預(yù)處理，再結(jié)合輔導(dǎo)員的反饋，提出作息習(xí)慣對成績有很大影響的合理猜想；然后運(yùn)用多種數(shù)據(jù)挖掘模型來預(yù)測學(xué)生是否存在掛科風(fēng)險(xiǎn)。研究結(jié)果表明，通過使用一卡通消費(fèi)數(shù)據(jù)，能比較準(zhǔn)確地預(yù)測學(xué)生是否存在掛科風(fēng)險(xiǎn)，其中樸素貝葉斯模型的預(yù)測效果最好，Recall超過80%。

關(guān)鍵詞 校園卡；數(shù)據(jù)挖掘；一卡通；Recall；掛科

中圖分類號：G647 文獻(xiàn)標(biāo)識碼：B

文章編號：1671-489X（2017）24-0051-05

Using Consumption of Campus Card to Predict Students Fail//ZHOU Qing， YIN Chunmei， QUAN Wenjun， ZHANG Daiying

Abstract This study aims at predicting the students final exam per-

formance using the campus card consumption data. Firstly， data pre-

processing was conducted in our experiments. And then， a reasona-ble assumption based on the counselors feedback and related studies

about the correlation between students living styles and their acade-

mic performance was proposed. Finally， some state-of-art algori-thms were adopted for prediction. Our experiments showed that Ba-yesian model outperformed the others， and Recall was more than 80%.

Key words campus card； data mining； metro card； Recall； fail an exam

1 引言

教育數(shù)據(jù)挖掘（Educational Data Mining，簡稱EDM）

是綜合利用數(shù)理統(tǒng)計(jì)、機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘技術(shù)與方法，對教育大數(shù)據(jù)進(jìn)行處理和分析，從而發(fā)現(xiàn)這些信息背后隱藏的有價(jià)值的信息[1]。學(xué)生表現(xiàn)預(yù)測（Predicting Student

Performance，簡稱PSP）是EDM最早也最流行的應(yīng)用之一[2]，它有利于及時(shí)發(fā)現(xiàn)學(xué)生出現(xiàn)的不良學(xué)習(xí)行為，檢查教師的教學(xué)效果。

高校數(shù)字化校園建設(shè)中使用到許多系統(tǒng)，如校園一卡通系統(tǒng)、智能校園系統(tǒng)、自助圖書館服務(wù)系統(tǒng)等，這些系統(tǒng)在方便學(xué)校管理的同時(shí)也積累了大量的數(shù)據(jù)。如果將這些數(shù)據(jù)有效地運(yùn)用起來進(jìn)行數(shù)據(jù)挖掘，能獲得不少有價(jià)值的信息。校園一卡通系統(tǒng)里存儲著豐富的學(xué)生消費(fèi)數(shù)據(jù)，研究校園一卡通數(shù)據(jù)，有助于了解學(xué)生在校生活情況。很多國外的學(xué)者通過校園一卡通數(shù)據(jù)分析學(xué)生在校的生活習(xí)慣。張林紅[3]等人通過數(shù)據(jù)挖掘方法，發(fā)現(xiàn)吃早餐的次數(shù)和時(shí)間與成績存在較大的相關(guān)性和可靠的關(guān)聯(lián)規(guī)則。

本研究主要通過校園卡消費(fèi)來分析學(xué)生作息習(xí)慣，從而預(yù)測學(xué)生是否存在掛科風(fēng)險(xiǎn)。首先對校園卡消費(fèi)數(shù)據(jù)進(jìn)行預(yù)處理，然后根據(jù)相關(guān)研究結(jié)果以及輔導(dǎo)員的反饋提出幾個(gè)用于預(yù)測學(xué)生成績的猜想，接著根據(jù)猜想選取四個(gè)特征變量，最后通過使用幾種經(jīng)典的數(shù)據(jù)挖掘方法來預(yù)測學(xué)生掛科風(fēng)險(xiǎn)。實(shí)驗(yàn)結(jié)果表明，樸素貝葉斯預(yù)測效果最好，它的Precision和Recall分別為62.15%和80.41%。由此可以看出，通過學(xué)生校園卡消費(fèi)數(shù)據(jù)能較準(zhǔn)確地預(yù)測出存在掛科風(fēng)險(xiǎn)的學(xué)生，這有利于對學(xué)生學(xué)習(xí)的及時(shí)預(yù)警和向?qū)W生提供幫助。此外，本實(shí)驗(yàn)用來進(jìn)行預(yù)測建模的特征集只包含四個(gè)特征，雖然該特征集比較簡單，但這幾個(gè)特征能很好反映學(xué)生的作息習(xí)慣，并且具有較高的可解釋性。

2 數(shù)據(jù)預(yù)處理

本實(shí)驗(yàn)數(shù)據(jù)來源于學(xué)生校園卡刷卡記錄和成績記錄，通過對這些數(shù)據(jù)的觀察，發(fā)現(xiàn)這些數(shù)據(jù)比較雜亂且難理解。為了更好地了解數(shù)據(jù)以便為進(jìn)一步分析做準(zhǔn)備，對這兩部分?jǐn)?shù)據(jù)分別進(jìn)行了預(yù)處理。

校園一卡通數(shù)據(jù)預(yù)處理 校園一卡通數(shù)據(jù)由重慶大學(xué)2012級計(jì)算機(jī)科學(xué)與技術(shù)專業(yè)的167名學(xué)生從第二學(xué)期到第四學(xué)期共約18萬條刷卡消費(fèi)記錄構(gòu)成。為保護(hù)學(xué)生隱私，對學(xué)生學(xué)號進(jìn)行加密處理。所有學(xué)生的校園卡消費(fèi)記錄按時(shí)間順序存儲在數(shù)據(jù)庫中的一個(gè)表中，表中包含27個(gè)字段，如刷卡時(shí)間、學(xué)生學(xué)號、賬戶號、卡號、姓名、性別、部門編碼等。這些數(shù)據(jù)中有很多用不到的字段，只保留表1所示字段：學(xué)號、消費(fèi)時(shí)間、消費(fèi)地點(diǎn)、消費(fèi)金額等。

通過對比發(fā)現(xiàn)，學(xué)生一卡通中的數(shù)據(jù)以食堂消費(fèi)數(shù)據(jù)居多且最為穩(wěn)定，而其他消費(fèi)出現(xiàn)頻率較低，如超市、洗衣、網(wǎng)絡(luò)費(fèi)。這些數(shù)據(jù)不利于分析學(xué)生的作息和學(xué)習(xí)情況，所以實(shí)驗(yàn)中只選用食堂消費(fèi)數(shù)據(jù)。為了分析食堂的就餐情況，需要解決以下問題：

1）校園內(nèi)有上百個(gè)商家，需要確定哪些商家屬于食堂；

2）學(xué)生節(jié)假日和周末的就餐記錄少且分布散亂，可能與上課期間存在極大差異，不利于學(xué)生就餐或者作息規(guī)律性的發(fā)現(xiàn)；

3）學(xué)生三餐時(shí)間受到很多因素影響，如最主要的食堂開放時(shí)間和上課時(shí)間安排，合理劃分三餐時(shí)間和夜宵是一個(gè)需要解決的問題。

為了解決以上問題，通過分析原始記錄，確定最終消費(fèi)數(shù)據(jù)預(yù)處理過程。

1）數(shù)據(jù)過濾。首先確定哪些商家屬于食堂，將非食堂的消費(fèi)記錄過濾；然后鑒于周末和節(jié)假日的消費(fèi)存在較大的偶然性，過濾掉這些時(shí)間的消費(fèi)記錄。endprint

2）類型劃分。根據(jù)食堂供餐規(guī)律，將11：00之前的消費(fèi)記錄判定為早餐，11：00—16：00記作午餐，16：00—20：00歸為晚餐，20：00之后統(tǒng)一歸為夜宵。另外，根據(jù)上課時(shí)間安排，給學(xué)生劃定一個(gè)標(biāo)準(zhǔn)就餐時(shí)間，這里定義標(biāo)準(zhǔn)就餐時(shí)間為：早餐，6：30—8：25和9：40—10：10；午餐，11：40—12：40；晚餐，17：20—18：20。

3）記錄合并。按照消費(fèi)類型對消費(fèi)記錄進(jìn)行合并，消費(fèi)時(shí)間設(shè)定為在被合并的消費(fèi)記錄中最早的消費(fèi)時(shí)間，消費(fèi)金額為被合并的消費(fèi)記錄之和。經(jīng)過對數(shù)據(jù)的預(yù)處理和統(tǒng)計(jì)分析之后得到三類特征：就餐時(shí)間、就餐金額、就餐規(guī)律。這些特征共計(jì)34個(gè)。表2列出部分特征屬性的分類和計(jì)算方法，這里以早餐為例，實(shí)際表中還包含午餐、晚餐等。

成績預(yù)處理 本實(shí)驗(yàn)的成績數(shù)據(jù)為學(xué)生成績管理系統(tǒng)中計(jì)算機(jī)科學(xué)與技術(shù)專業(yè)167名學(xué)生（其中38名女生，129名男生）第二至四學(xué)期的成績記錄，每個(gè)學(xué)生大約有75條成績記錄，總計(jì)約12 000條。

在學(xué)生成績管理系統(tǒng)中，每個(gè)學(xué)生都有一張成績表，里面存儲著學(xué)生入校以來的所有考試成績記錄。這些表包含10個(gè)字段，分別是課程編碼、課程名稱、成績、學(xué)分、選修、類別、教師、考別、備注、時(shí)間等（表3）。從這些表中可以看出成績是無序的；成績的評定沒有統(tǒng)一的標(biāo)準(zhǔn)，有的成績按分?jǐn)?shù)表示，有的按等級表示；考試的類別也比較多樣，包含正考和補(bǔ)考；同一門課程也有可能出現(xiàn)正常和重修的情況；另外，記錄中還包含與成績不相關(guān)的教師、課程編碼等信息。由于原始數(shù)據(jù)存在如此多的問題，因此，為了詳細(xì)了解學(xué)生成績分布情況，對成績數(shù)據(jù)進(jìn)行預(yù)處理。

本研究的目的是預(yù)測學(xué)生是否存在掛科風(fēng)險(xiǎn)，所以首先需要統(tǒng)計(jì)學(xué)生的掛科情況。整體看來，學(xué)生每學(xué)期的掛科率為39%。另外，學(xué)生成績績點(diǎn)（GPA）也是學(xué)生成績優(yōu)劣的綜合體現(xiàn)，因此，根據(jù)獎(jiǎng)學(xué)金劃分原則統(tǒng)計(jì)了GPA位于前15%和后15%的情況。綜合以上需求，成績處理結(jié)果如表4所示。

3 特征屬性的猜想及驗(yàn)證

從輔導(dǎo)員的反饋可知學(xué)生的作息時(shí)間、生活規(guī)律性以及自習(xí)習(xí)慣能在一定程度上反映一個(gè)學(xué)生成績的好壞，同時(shí)也有相關(guān)研究證實(shí)了這一觀點(diǎn)。梁桂珍[4]在學(xué)生作息習(xí)慣與學(xué)生成績相關(guān)關(guān)系的研究中發(fā)現(xiàn)，早起早睡的學(xué)生成績更優(yōu)異。張林紅的研究表明，早餐時(shí)間和早餐規(guī)律性與學(xué)生成績存在很大的相關(guān)性。另外，國內(nèi)不少學(xué)者在各自的研究中均發(fā)現(xiàn)學(xué)生成績和圖書館的利用情況存在顯著的正相關(guān)。

由于學(xué)生的作息與成績存在一定的相關(guān)性，因此，嘗試從學(xué)生的校園卡就餐消費(fèi)情況中挖掘出學(xué)生的作息習(xí)慣，從而預(yù)測學(xué)生的成績。但是該數(shù)據(jù)集沒有直接提供有關(guān)學(xué)生作息習(xí)慣的信息，這就需要對就餐數(shù)據(jù)進(jìn)行詳細(xì)分析，以便找出學(xué)生作息習(xí)慣的規(guī)律性并提取相應(yīng)特征。圖1和圖2是2012級計(jì)算機(jī)科學(xué)與技術(shù)專業(yè)學(xué)生的就餐時(shí)間分布圖，分別代表成績優(yōu)異的和成績一般的學(xué)生的就餐分布熱力圖。圖中橫坐標(biāo)表示時(shí)間點(diǎn)，縱坐標(biāo)表示年份、月份，中間的數(shù)字代表在對應(yīng)時(shí)間的就餐次數(shù)，數(shù)值越大顏色越深。

從圖1可以看出，成績較優(yōu)異的學(xué)生就餐時(shí)間比較符合課程時(shí)間安排，比如：8：30上第一節(jié)課之前，9：40后30分鐘的課間休息時(shí)間，一般按時(shí)上課的學(xué)生會選在這兩個(gè)時(shí)間段內(nèi)吃早餐。然而圖2中的這類學(xué)生早餐次數(shù)極少，且分布多在9點(diǎn)之后。同樣，上午放學(xué)時(shí)間在11：50，成績較優(yōu)異的學(xué)生多在這個(gè)時(shí)間前后就餐，較差的學(xué)生在13點(diǎn)之后。綜合以上發(fā)現(xiàn)，筆者認(rèn)為按課程時(shí)間的就餐規(guī)律與成績存在一定的相關(guān)性。另外，由于學(xué)生三食堂離圖書館很近，多數(shù)去圖書館學(xué)習(xí)的學(xué)生會選擇在圖書館吃晚餐，因此，筆者認(rèn)為學(xué)生在三食堂的晚餐數(shù)據(jù)能在一定程度上反映學(xué)生去圖書館自習(xí)的情況。

為了了解本實(shí)驗(yàn)各特征變量對成績的影響大小，筆者做了相關(guān)性分析。從表3可以看出，作息相關(guān)的特征與成績存在較大的相關(guān)性。另外，根據(jù)輔導(dǎo)員的反饋和相關(guān)文獻(xiàn)的研究以及對實(shí)際數(shù)據(jù)的相關(guān)性分析，猜想早餐頻率、平均早餐時(shí)間、標(biāo)準(zhǔn)時(shí)間就餐次數(shù)、三食堂晚餐次數(shù)占學(xué)期總天數(shù)的比重等能較好地反映學(xué)生的作息習(xí)慣，可以作為特征屬性來預(yù)測學(xué)生的掛科情況。

接下來將對猜想的合理性做進(jìn)一步分析。首先，為了更形象地對比成績與所選特征屬性之間的關(guān)系，對預(yù)處理后的數(shù)據(jù)進(jìn)行可視化分析。從圖3可以看出，學(xué)生成績越優(yōu)異，吃早餐的時(shí)間越早。圖4表明，學(xué)生成績的優(yōu)劣隨著規(guī)定時(shí)間就餐頻率和三食堂的晚餐情況變化而變化。

綜合以上分析可以看出，學(xué)生作息習(xí)慣確實(shí)與學(xué)生成績存在較大相關(guān)性。本實(shí)驗(yàn)所選取的特征屬性包括早餐時(shí)間、早餐頻率以及學(xué)生標(biāo)準(zhǔn)時(shí)間就餐次數(shù)等，能很大程度上反映學(xué)生的學(xué)習(xí)情況。

4 實(shí)驗(yàn)對比

預(yù)測模型 EDM中運(yùn)用了很多經(jīng)典的數(shù)據(jù)挖掘算法[5]，如決策樹、人工神經(jīng)網(wǎng)絡(luò)、樸素貝葉斯、邏輯回歸和支持向量機(jī)等。本實(shí)驗(yàn)中也采用了這些算法。下面將對樸素貝葉斯算法進(jìn)行簡要介紹。

貝葉斯分類器（Naive Bayesian，NB）的原理是通過某對象的先驗(yàn)概率，利用貝葉斯公式計(jì)算出其后驗(yàn)概率，即該對象屬于某一類的概率，選擇具有最大后驗(yàn)概率的類作為該對象所屬的類別。已經(jīng)有不少學(xué)者使用貝葉斯算法來預(yù)測學(xué)生的成績提升、學(xué)業(yè)表現(xiàn)和學(xué)期成績。

評價(jià)指標(biāo) 本文研究的問題（即預(yù)測學(xué)生是否掛科）是一個(gè)典型的二分類問題。預(yù)測結(jié)果分為四種類型：

預(yù)測為掛科的學(xué)生該學(xué)期實(shí)際也掛科了，可表示為TP（True Positive）；

預(yù)測為不掛科的學(xué)生實(shí)際卻掛科了，可表示為FN（False Negative）；

預(yù)測為掛科的學(xué)生實(shí)際不掛科，可表示為FP（False Positive）；

預(yù)測為不掛科的學(xué)生實(shí)際也不掛科，可表示為TN（True Negative）。

二分類預(yù)測問題中常用召回率（Recall）、準(zhǔn)確率（Precision）和F1值（F1-measure）來評價(jià)模型的優(yōu)劣。在本應(yīng)用中，輔導(dǎo)員更在意的是Recall，也就是盡量多地找出可能掛科的學(xué)生。endprint

實(shí)驗(yàn)過程及結(jié)果 本實(shí)驗(yàn)中采用DT、ANN、NB、LR、SVM等多種算法來建立模型，以對預(yù)處理之后的數(shù)據(jù)進(jìn)行分析。各模型均使用10折交叉驗(yàn)證，即將167名學(xué)生第二至四學(xué)期的統(tǒng)計(jì)記錄隨機(jī)分成10份，九份用于訓(xùn)練模型，一份留作檢驗(yàn)。總記錄條數(shù)本應(yīng)為501條，但由于有三條數(shù)據(jù)存在較大的缺失，因此，實(shí)際分析中用到的是498條。將整理好的數(shù)據(jù)分別導(dǎo)入各個(gè)模型中，以學(xué)生是否掛科作為預(yù)測標(biāo)簽，使用選定的特征屬性來對學(xué)生的掛科情況進(jìn)行預(yù)測。實(shí)驗(yàn)結(jié)果如表5所示。

從表5可以看出，NB模型的預(yù)測綜合性能最好，F(xiàn)1值達(dá)到0.70。由于在本研究中Recall是關(guān)注的重點(diǎn)，而NB模型的Recall明顯比其他模型好，達(dá)到80.41%，因此，NB模型能較準(zhǔn)確地預(yù)測學(xué)生的掛科風(fēng)險(xiǎn)。從本實(shí)驗(yàn)可以看出，看似與學(xué)生成績沒有多大關(guān)聯(lián)的一卡通消費(fèi)數(shù)據(jù)，也可以比較準(zhǔn)確地預(yù)測學(xué)生是否存在掛科風(fēng)險(xiǎn)。一個(gè)很重要的原因是通過輔導(dǎo)員的反饋和相關(guān)研究成果對成績的影響因素進(jìn)行合理猜想，從而從一卡通消費(fèi)數(shù)據(jù)中提取出恰當(dāng)?shù)奶卣鱽眍A(yù)測學(xué)生成績。較少的特征數(shù)量也有效地避免了模型過擬合的問題。

5 結(jié)論

筆者認(rèn)為，利用一卡通消費(fèi)數(shù)據(jù)預(yù)測學(xué)生成績是一個(gè)新穎的嘗試。本實(shí)驗(yàn)首先對原始的消費(fèi)數(shù)據(jù)進(jìn)行預(yù)處理，然后根據(jù)輔導(dǎo)員的反饋和數(shù)據(jù)分析提取出四個(gè)特征，最后采用不同的數(shù)據(jù)挖掘算法來構(gòu)建預(yù)測模型。實(shí)驗(yàn)結(jié)果表明，通過使用一卡通消費(fèi)數(shù)據(jù)，能有效地預(yù)測學(xué)生是否存在掛科風(fēng)險(xiǎn)，其中樸素貝葉斯模型的預(yù)測效果最好，Recall值達(dá)到80.41%。雖然本實(shí)驗(yàn)僅選取了四個(gè)特征變量，但這幾個(gè)特征變量能很好地反映學(xué)生的作息習(xí)慣，具有很高的可解釋性。

本研究尚不完善，如模型采納的數(shù)據(jù)還不夠全面。目前，高校數(shù)字化校園建設(shè)已經(jīng)比較成熟，各個(gè)校園管理系統(tǒng)都存有豐富的學(xué)生數(shù)據(jù)，如圖書館、門禁系統(tǒng)等，如果能有效地將這些數(shù)據(jù)運(yùn)用起來，相信可以發(fā)現(xiàn)更多有價(jià)值的、有意義的信息。因此，下一步想結(jié)合圖書館數(shù)據(jù)做進(jìn)一步研究。另外也希望本研究能對PSP的研究人員帶來一些啟發(fā)，促進(jìn)PSP研究的發(fā)展。

參考文獻(xiàn)

[1]徐鵬，王以寧，劉艷華，等.大數(shù)據(jù)視角分析學(xué)習(xí)變革：美國《通過教育數(shù)據(jù)挖掘和學(xué)習(xí)分析促進(jìn)教與學(xué)》報(bào)告解讀及啟示[J].遠(yuǎn)程教育雜志，2013（6）：11-17.

[2]Romero C， Ventura S. Educational Data mining： A

reviews of the state of the art[J].IEEE Transactions on Systems Man & Cybernetics Part C Applications & Reviews，2010， 40（6）：601-618.

[3]張林紅，劉紅梅.基于一卡通數(shù)據(jù)分析的學(xué)生早餐習(xí)慣與成績關(guān)聯(lián)規(guī)則挖掘[J].阜陽師范學(xué)院學(xué)報(bào)：自然科學(xué)版，

2014，31（4）：92-95，105.

[4]梁桂珍，高亞丹，吳志才.學(xué)生作息習(xí)慣與學(xué)習(xí)成績的相關(guān)關(guān)系[J].新鄉(xiāng)學(xué)院學(xué)報(bào)，2014（8）：63-65.

[5]Kotsiantis S B. Supervised Machine Learning： A

Review of Classification Techniques[J].Informatica，

2007，31（3）：249-268.endprint