基于機(jī)器學(xué)習(xí)的中職學(xué)校流生預(yù)測研究

齊 權(quán)

（福建經(jīng)濟(jì)學(xué)校 計算機(jī)教研室，福建 福州350007）

一、引言

近年來，國家高度重視發(fā)展職業(yè)教育，支持各級各類職業(yè)教育辦出水平、辦出特色，各級職業(yè)學(xué)校的發(fā)展規(guī)模日益壯大。然而在規(guī)模擴(kuò)大的背后，職業(yè)學(xué)校的學(xué)生流失現(xiàn)象十分嚴(yán)重，與大規(guī)模的招生數(shù)量形成了較大的反差。據(jù)福建省教育統(tǒng)計年鑒統(tǒng)計，2013-2015屆中等職業(yè)學(xué)校學(xué)生的流失率分別為26.2%、39.6%和42.6%，中職學(xué)校學(xué)生的流失率不僅高且有逐年上升的趨勢，甚至還有部分中職學(xué)校專業(yè)的流生率超過了50%，試問中職學(xué)校如此高的流生率背后，又能培養(yǎng)出多少符合社會經(jīng)濟(jì)發(fā)展的畢業(yè)生呢？然而，導(dǎo)致一個學(xué)生流失的因素或許有許多，但一定與學(xué)校管理是密不可分的。本文中提到的學(xué)生流失統(tǒng)稱為流生。

二、傳統(tǒng)的流生研究

職業(yè)學(xué)校學(xué)生流失的因素是多方面的，但歸納起來分為內(nèi)因和外因。內(nèi)因主要是指由學(xué)生自身的原因所引起的流生，而外因是指受家庭、學(xué)校和社會等因素的影響而導(dǎo)致的流生。其中，內(nèi)因?qū)α魃鹬钪苯拥?、決定性的作用，然而內(nèi)因的形成也是外因作用的結(jié)果。因此，外因?qū)W(xué)生流生的影響起著至關(guān)重要的作用。目前，多數(shù)中職學(xué)校對流生的研究主要是以人腦學(xué)習(xí)的模式為主，即相關(guān)管理人員以學(xué)習(xí)到的先進(jìn)理論結(jié)合自己的實踐經(jīng)驗來分析流生產(chǎn)生的因素，最后給出相應(yīng)的整改措施來加強(qiáng)學(xué)校的管理工作，以達(dá)到減少流生的目的。

基于專家經(jīng)驗的人腦學(xué)習(xí)模式的流程如圖1所示。

圖1 人腦學(xué)習(xí)模式流程

人腦學(xué)習(xí)的模式對于解決流生問題確實取得了一定的成效，但隨著職業(yè)教育信息化建設(shè)的不斷推進(jìn)，在日常的教育教學(xué)工作中積累的數(shù)據(jù)量越來越大，數(shù)據(jù)種類也越來越多，面對如此繁雜而又龐大的教育教學(xué)數(shù)據(jù)，這種傳統(tǒng)研究模式的局限性逐漸顯現(xiàn)，一方面很大程度上受限于專家本身的知識與經(jīng)驗水平，另一方面也無法從海量的數(shù)據(jù)中分析出與流生相關(guān)的數(shù)據(jù)以及數(shù)據(jù)間的關(guān)聯(lián)，而且與流生相關(guān)的因素越多，越容易干擾管理者的決策。因此，這種模式對于解決中職學(xué)校流生問題也是十分有限的，無法精準(zhǔn)分析每所學(xué)校產(chǎn)生流生以及每個流失學(xué)生之所以產(chǎn)生的關(guān)鍵因素，也就無法幫助管理者做出正確的決策，學(xué)校也無法建立一套科學(xué)合理的精細(xì)化管理體系。

三、基于機(jī)器學(xué)習(xí)的流生預(yù)測研究

針對當(dāng)前職業(yè)教育中傳統(tǒng)人腦學(xué)習(xí)模式的不足，本文提出一種基于機(jī)器學(xué)習(xí)的新模式來代替人腦學(xué)習(xí)的模式，這種機(jī)器學(xué)習(xí)新模式的使用也是一個數(shù)據(jù)挖掘的過程。數(shù)據(jù)挖掘是集數(shù)據(jù)庫、統(tǒng)計學(xué)、人工智能等技術(shù)形成的一個新興領(lǐng)域，它不僅可以處理海量的復(fù)雜數(shù)據(jù)，還能夠處理不確定數(shù)據(jù)和不完整的數(shù)據(jù)，能夠在海量的數(shù)據(jù)中發(fā)現(xiàn)有價值的數(shù)據(jù)。

基于機(jī)器學(xué)習(xí)的流程如圖2所示。

圖2 機(jī)器學(xué)習(xí)模式流程

新模式的核心主要是通過數(shù)據(jù)挖掘算法來訓(xùn)練出數(shù)據(jù)模型，針對本文研究內(nèi)容的特點(diǎn)，主要采用的是貝葉斯算法來訓(xùn)練流生數(shù)據(jù)模型。貝葉斯算法是數(shù)據(jù)挖掘技術(shù)的經(jīng)典算法之一，它是一種利用概率統(tǒng)計知識對樣本數(shù)據(jù)進(jìn)行分類和預(yù)測的算法，在某些特定的條件下，樸素貝葉斯分類算法的準(zhǔn)確率已經(jīng)超過了決策樹和神經(jīng)網(wǎng)絡(luò)等分類算法，并且該算法能夠運(yùn)用到大型數(shù)據(jù)庫中，具有易實現(xiàn)、精度高和速度快的特點(diǎn)。新研究模式的主要研究過程如下：

1.流生分析

職業(yè)學(xué)校學(xué)生流失的因素是多方面的，但歸納起來分為內(nèi)因和外因。內(nèi)因主要是指由學(xué)生自身的原因所引起的流生，而外因包含的是家庭、學(xué)校和社會等因素的影響而導(dǎo)致的流生。其中，內(nèi)因是對流生起著最直接的、決定性的作用，然而內(nèi)因的形成也是外因作用的結(jié)果，因此，外因?qū)W(xué)生流生的影響起著至關(guān)重要的作用。對于中職學(xué)校流生原因的分析可以從個人、家庭、學(xué)校、社會等四個方面展開。

2.數(shù)據(jù)理解

通過以上流生原因分析，基本確定了影響學(xué)生流失各個環(huán)節(jié)的因素，因此，可以根據(jù)學(xué)校實際情況結(jié)合流生分析的四個方面來收集、整理數(shù)據(jù)。例如，學(xué)生學(xué)籍信息數(shù)據(jù)、學(xué)生在校（含初中）成績數(shù)據(jù)、學(xué)生在校表現(xiàn)（含初中）數(shù)據(jù)、學(xué)生的社交能力數(shù)據(jù)、學(xué)校的專業(yè)建設(shè)數(shù)據(jù)等。

3.數(shù)據(jù)處理

采集的原始流生數(shù)據(jù)一般是有噪聲的、不完整的和不一致的，需要通過預(yù)處理技術(shù)對數(shù)據(jù)進(jìn)行清理、集成和離散。數(shù)據(jù)清理主要是去除掉一些可能影響流生預(yù)測的噪點(diǎn)數(shù)據(jù)，補(bǔ)充缺失部分的數(shù)據(jù)，讓數(shù)據(jù)格式符合機(jī)器學(xué)習(xí)的規(guī)范；數(shù)據(jù)集成主要是將數(shù)據(jù)采集過程中的片斷數(shù)據(jù)整理成一個流生數(shù)據(jù)集；數(shù)據(jù)離散化則是將集成后的數(shù)據(jù)值域差別比較大的屬性，離散化為差別較小的屬性，更有利于數(shù)據(jù)挖掘的效率和挖掘模式的理解，從而提高數(shù)據(jù)自身的質(zhì)量，提高數(shù)據(jù)挖掘過程中的效率和準(zhǔn)確率。

4.建立流生數(shù)據(jù)模型

處理后的數(shù)據(jù)屬性少則幾十個，多則上百個，然而，對于數(shù)據(jù)模型的構(gòu)建并不是樣本數(shù)據(jù)屬性越多越好，如此多的屬性可能很多是冗余的數(shù)據(jù)屬性，也可能許多數(shù)據(jù)屬性與結(jié)果的關(guān)聯(lián)度很弱，這些都會影響數(shù)據(jù)模型的質(zhì)量，從而影響流生預(yù)測結(jié)果的準(zhǔn)確率。因此，在流生數(shù)據(jù)模型構(gòu)建過程中，首先需要進(jìn)行樣本屬性選擇，通過基于關(guān)聯(lián)規(guī)則的特征選擇（Correlation-based Feature Selection，CFS），評估出一個最佳屬性子集，以降低樣本屬性的冗余度和關(guān)聯(lián)度；然后，采用樸素貝葉斯算法進(jìn)行分類預(yù)測，這種分類器在實際應(yīng)用過程中十分簡單且有效，又因為它的分類算法思想很樸素，所以又叫樸素貝葉斯分類法。這種分類法雖然十分簡單有效，但是需要基于屬性之間相互條件獨(dú)立的假設(shè)，因此，針對算法的不足之處，本文主要采用一種加權(quán)后的樸素貝葉斯算法——k-最近鄰局部加權(quán)樸素貝葉斯算法 （k-LW+NBC）來建立流生數(shù)據(jù)模型。

5.評估流生數(shù)據(jù)模型

由于流生數(shù)據(jù)模型采用的本身是一種簡單高效的算法，因此，對于數(shù)據(jù)模型的評估，主要以分類模型的精準(zhǔn)度為主。評估模型的精準(zhǔn)度主要分成兩個階段：第一階段，將樣本數(shù)據(jù)采用隨機(jī)算法分成兩份，選取其中一份數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，將訓(xùn)練數(shù)據(jù)分別采用樸素貝葉斯算法（NBC）、決策樹算法（ID3）、k-最近鄰局部加權(quán)樸素貝葉斯算法（k-LW+NBC）訓(xùn)練出三種算法的流生數(shù)據(jù)模型；第二階段，選取另一份數(shù)據(jù)作為評估數(shù)據(jù)，分別帶入訓(xùn)練出來的三種流生數(shù)據(jù)模型進(jìn)行N叉校驗，將三者校驗的結(jié)果進(jìn)行對比，以驗證流生模型的精準(zhǔn)度。

6.應(yīng)用流生數(shù)據(jù)模型

本文應(yīng)用的數(shù)據(jù)來自于福建省內(nèi)一所招生規(guī)模較大、辦學(xué)條件較好并且具有一定代表性的中等職業(yè)學(xué)校近三年的數(shù)據(jù)。通過前期的數(shù)據(jù)采集、數(shù)據(jù)清理、數(shù)據(jù)構(gòu)建、數(shù)據(jù)集成和數(shù)據(jù)的離散化處理，我們最終選擇了11個屬性、1414條數(shù)據(jù)作為本次流生研究的實驗數(shù)據(jù)，作為該校的流生樣本數(shù)據(jù)，部分?jǐn)?shù)據(jù)樣本如表1所示。

在整個模型建立的過程中，本文主要使用Weka工具進(jìn)行了實驗，通過實驗數(shù)據(jù)表明，這種基于屬性評估的局部加權(quán)樸素貝葉斯算法（CFS+k-LW+NBC），能夠很好地處理噪聲數(shù)據(jù)、降低數(shù)據(jù)維度、提高分類效率和精準(zhǔn)度，在對職業(yè)學(xué)校學(xué)生流失預(yù)測的應(yīng)用中，體現(xiàn)出了較好的效果，以某一職業(yè)學(xué)校的實驗數(shù)據(jù)為例，該算法對于學(xué)籍狀態(tài)為“退學(xué)”的學(xué)生預(yù)測準(zhǔn)度最高達(dá)93.7%，足以說明該分類器的準(zhǔn)度。最后，將評估數(shù)據(jù)集分別應(yīng)用于樸素NBC算法和ID3算法進(jìn)行交叉校驗，三種算法的精準(zhǔn)度如表2所示。

表1 某校部分流生樣本數(shù)據(jù)

表2 三種算法的準(zhǔn)確率對照表

通過前面的模型評估結(jié)果可知，基于屬性評估的局部加權(quán)樸素貝葉斯算法（CFS+k-LW+NBC）是三種算法中精準(zhǔn)度最高的，因此，我們可以運(yùn)用該算法訓(xùn)練所得到的模型來對某職業(yè)學(xué)校的在校生進(jìn)行流生的預(yù)測。

截至2017年8月，某職業(yè)學(xué)校擁有在校生人數(shù)5362人，通過數(shù)據(jù)清理后，得到有效的數(shù)據(jù)為5112條?，F(xiàn)將5112條數(shù)據(jù)帶入到訓(xùn)練的模型中，獲得的預(yù)測結(jié)果如表3所示。

表3 某校流生預(yù)測部分?jǐn)?shù)據(jù)表

通過該校的流生情況預(yù)測表可知，該校學(xué)生流生傾向可信度達(dá)70%以上的人數(shù)為1794人，占到總?cè)藬?shù)的35.1%，可信度達(dá)80%以上的人數(shù)為1513人，占總?cè)藬?shù)的30%。結(jié)合條件屬性的分析可知，學(xué)生的不及格科目數(shù)量、違紀(jì)次數(shù)、選擇專業(yè)的情況和是否為學(xué)生干部為類別屬性的強(qiáng)關(guān)聯(lián)屬性。

四、結(jié)論

在即將到來的大數(shù)據(jù)時代，職業(yè)學(xué)校傳統(tǒng)的基于專家經(jīng)驗的人腦學(xué)習(xí)模式已無法適應(yīng)當(dāng)前信息化、精細(xì)化管理的要求，因此，針對人腦學(xué)習(xí)模式的弊端，本文提出了一種基于機(jī)器學(xué)習(xí)的流生預(yù)測研究的新模式，以適應(yīng)當(dāng)前數(shù)字化的發(fā)展需求，實現(xiàn)職業(yè)學(xué)校精細(xì)化管理的目標(biāo)。通過本文應(yīng)用案例中建立的流生數(shù)據(jù)模型可知，學(xué)生的不及格科目數(shù)量、違紀(jì)次數(shù)、選擇專業(yè)的情況和是否為學(xué)生干部對中職學(xué)生流失的影響非常大，這些關(guān)鍵因子同時也折射出該校在教學(xué)管理、學(xué)生管理、專業(yè)建設(shè)以及校園文化中的不足，在后期的管理決策中應(yīng)該重點(diǎn)考慮。例如，通過加強(qiáng)學(xué)生德育工作和學(xué)生管理工作以減少學(xué)生違紀(jì)現(xiàn)象；通過創(chuàng)新教學(xué)方法和評價模式來提高課堂教學(xué)質(zhì)量和學(xué)生成績，以減少學(xué)生的不及格科目；開展形式多樣的社團(tuán)活動，以此來帶動校園文化的建設(shè)；加大校企合作力度，重新調(diào)研專業(yè)方向和制定課程體系結(jié)構(gòu)來增強(qiáng)專業(yè)活力等等。而對于在校生的流生預(yù)測，則可以結(jié)合學(xué)校的信息化系統(tǒng)建設(shè)，監(jiān)測相應(yīng)流生模型中的關(guān)鍵因素，對在校學(xué)生進(jìn)行實時的預(yù)測，同時結(jié)合學(xué)校自身的實際情況，設(shè)置一個可信度的值作為閾值，對可能流失的學(xué)生進(jìn)行預(yù)警，將預(yù)警的學(xué)生以及影響學(xué)生流失的因素報送給相關(guān)管理部門，幫助管理者有針對性地制定策略，以減少在校學(xué)生的流失率。