基于Python數(shù)據(jù)分析的學(xué)業(yè)預(yù)警研究

商惠華 戴匯川

摘要：為了協(xié)助教師改善教學(xué)效果，提高教學(xué)質(zhì)量，選取計(jì)算機(jī)應(yīng)用基礎(chǔ)課程的在線學(xué)習(xí)成績(jī)?yōu)榛A(chǔ)數(shù)據(jù)，經(jīng)過(guò)數(shù)據(jù)獲取、數(shù)據(jù)預(yù)處理、模型構(gòu)建并進(jìn)行數(shù)據(jù)預(yù)測(cè)等步驟，運(yùn)用Logistic回歸、K最近鄰分類算法、分類決策樹(shù)、樸素貝葉斯、梯度提升分類樹(shù)、隨機(jī)森林分類6種經(jīng)典的機(jī)器學(xué)習(xí)算法分別構(gòu)建模型，對(duì)學(xué)生期末成績(jī)進(jìn)行預(yù)測(cè)。通過(guò)對(duì)比真實(shí)結(jié)果，最后驗(yàn)證LogisticRegression模型最優(yōu)。運(yùn)用該模型可對(duì)此類課程的學(xué)生學(xué)業(yè)成績(jī)進(jìn)行預(yù)警，進(jìn)而指導(dǎo)教學(xué)的提前重點(diǎn)關(guān)注和干預(yù)。

關(guān)鍵詞：在線學(xué)習(xí)成績(jī);數(shù)據(jù)分析;機(jī)器學(xué)習(xí)算法;成績(jī)預(yù)測(cè);學(xué)業(yè)預(yù)警

中圖分類號(hào)：TP311? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2022）14-0022-03

1 引言

大數(shù)據(jù)時(shí)代，數(shù)據(jù)分析的應(yīng)用已經(jīng)在各個(gè)領(lǐng)域展現(xiàn)出卓越的價(jià)值。數(shù)據(jù)分析在教育領(lǐng)域的應(yīng)用從不同角度提高了教育教學(xué)質(zhì)量。如今的大學(xué)教育已不再局限于傳統(tǒng)的教學(xué)模式，以翻轉(zhuǎn)課堂為例，將學(xué)習(xí)知識(shí)的主動(dòng)權(quán)交還學(xué)生，教師將知識(shí)課前傳遞，以引導(dǎo)為主。在課程教學(xué)的過(guò)程中，將數(shù)據(jù)分析的應(yīng)用貫穿其中，從平時(shí)成績(jī)分析中預(yù)測(cè)學(xué)生的總平時(shí)成績(jī)和期末考試成績(jī)，根據(jù)預(yù)測(cè)結(jié)果，產(chǎn)生預(yù)警信息，教師進(jìn)行提前干預(yù)與重點(diǎn)輔導(dǎo)[1]，為下一步教師的教和學(xué)生的學(xué)提供指導(dǎo)。

2 研究思路與流程

研究思路主要流程主要包括5個(gè)步驟：數(shù)據(jù)獲取、數(shù)據(jù)預(yù)處理、建模與預(yù)測(cè)、模型評(píng)價(jià)與選取、模型的應(yīng)用與部署[2]。如圖1所示。

1）數(shù)據(jù)獲?。菏菙?shù)據(jù)分析的工作基礎(chǔ)，數(shù)據(jù)獲取主要通過(guò)兩種方式：本地?cái)?shù)據(jù)和網(wǎng)絡(luò)數(shù)據(jù)，本研究采用本地?cái)?shù)據(jù)。

2）數(shù)據(jù)預(yù)處理：是指對(duì)數(shù)據(jù)進(jìn)行數(shù)據(jù)合并、數(shù)據(jù)清洗、數(shù)據(jù)的標(biāo)準(zhǔn)化等，滿足后續(xù)建模分析的需要[3]。

3）訓(xùn)練模型與預(yù)測(cè)：通過(guò)聚類模型、分類模型、回歸模型等模型與算法構(gòu)建模型，對(duì)數(shù)據(jù)進(jìn)行分析，并進(jìn)行數(shù)據(jù)的預(yù)測(cè)。

4）模型的評(píng)價(jià)與優(yōu)化：是根據(jù)模型的類別，使用不同的指標(biāo)評(píng)價(jià)其性能優(yōu)劣的過(guò)程。常用的聚類模型的評(píng)價(jià)指標(biāo)有AMI評(píng)價(jià)法、FMI評(píng)價(jià)法、ARI評(píng)價(jià)法等。常用分類模型評(píng)價(jià)指標(biāo)有Accuracy（準(zhǔn)確率）、Precision（精確率）、Recall（召回率）、F1 Value（F1值）等。常用的回歸模型評(píng)價(jià)指標(biāo)有平均絕對(duì)誤差、均方差、中值絕對(duì)誤差等。通過(guò)對(duì)比，選取評(píng)價(jià)指標(biāo)最好的模型。

5）模型的應(yīng)用與部署：是指將數(shù)據(jù)分析結(jié)果與結(jié)論應(yīng)用于實(shí)際的教學(xué)過(guò)程中，進(jìn)行學(xué)業(yè)預(yù)警。

3 研究設(shè)計(jì)

3.1 數(shù)據(jù)采集及研究對(duì)象

選取某師范學(xué)院2021～2022學(xué)年度第2學(xué)期期末的計(jì)算機(jī)應(yīng)用基礎(chǔ)考試成績(jī)?yōu)檠芯繑?shù)據(jù)。計(jì)算機(jī)應(yīng)用基礎(chǔ)是該校必修的公共課，在大一的第一學(xué)期開(kāi)設(shè)，課程的平時(shí)成績(jī)依托超星網(wǎng)絡(luò)平臺(tái)運(yùn)行，采用翻轉(zhuǎn)課堂的方式教學(xué)，共32學(xué)時(shí)，其中16學(xué)時(shí)為線上學(xué)習(xí)時(shí)間，16學(xué)時(shí)為重點(diǎn)內(nèi)容講解及答疑時(shí)間。數(shù)據(jù)的樣本總量為3933條數(shù)據(jù)，即3933個(gè)學(xué)生的平時(shí)成績(jī)記錄及考試成績(jī)記錄。學(xué)生的平時(shí)成績(jī)和考試成績(jī)均采用百分制，最終的期末總評(píng)成績(jī)?yōu)槠綍r(shí)成績(jī)和期末考試成績(jī)各占50%。

研究數(shù)據(jù)的讀取與分析過(guò)程均在Jupyter notebook環(huán)境中完成，使用Python編程語(yǔ)言，研究目的將主要圍繞三個(gè)問(wèn)題展開(kāi)[4]：

1）在線平時(shí)成績(jī)數(shù)據(jù)選項(xiàng)中，哪些選項(xiàng)對(duì)學(xué)生之間的差距影響大，哪些影響不大？

2）依據(jù)在線平時(shí)成績(jī)，用哪種分析方法可相對(duì)準(zhǔn)確地判斷期末考試成績(jī)的及格狀況？

3）依據(jù)在線平時(shí)成績(jī)，如何在期末考試前對(duì)學(xué)業(yè)預(yù)警？

3.2 研究算法

采用多種數(shù)據(jù)分析方法進(jìn)行建模，并將模型的評(píng)價(jià)結(jié)果進(jìn)行對(duì)比分析，選取最佳模型對(duì)學(xué)生的平時(shí)成績(jī)進(jìn)行預(yù)測(cè)。為教與學(xué)分別提供指導(dǎo)意見(jiàn)。文中的算法均使用sklearn下的模塊。

1）logistic回歸

logistic回歸分類的主要思想是根據(jù)現(xiàn)有數(shù)據(jù)對(duì)分類邊界線建立回歸公式，以此進(jìn)行分類。訓(xùn)練分類器時(shí)的做法及時(shí)尋找最佳擬合參數(shù)，使用的是最優(yōu)化算法。目標(biāo)函數(shù)應(yīng)該能接受所有的輸入，預(yù)測(cè)出類別。在兩個(gè)類的情況下，函數(shù)輸出0和1，該函數(shù)就是二值型輸出分類器的sigmoid函數(shù)[5]：

此文中數(shù)據(jù)分析應(yīng)用模塊linear_model下的LogisticRegression函數(shù)。

2）KNN（K最近鄰分類）算法

KNN算法的思想是：如果一個(gè)樣本在特征空間中的K個(gè)最相鄰的樣本中的大多數(shù)屬于某一個(gè)類別，則該樣本也屬于這個(gè)類別，并具有這個(gè)類別上樣本的特征。該方法在確定分類決策上只依據(jù)最鄰近的一個(gè)或者幾個(gè)樣本的類別來(lái)決定待分樣本所屬的類別[1]，比較適合對(duì)于類域的交叉或重疊較多的待分類樣本集。

此文中數(shù)據(jù)分析應(yīng)用模塊neighbors的KNeighborsClassifier函數(shù)。

3）分類決策樹(shù)

決策樹(shù)是一種樹(shù)形結(jié)構(gòu)預(yù)測(cè)模型，表示基于特征對(duì)實(shí)例進(jìn)行分類的過(guò)程。構(gòu)造決策樹(shù)的首要問(wèn)題是當(dāng)前數(shù)據(jù)集上哪個(gè)特征在劃分?jǐn)?shù)據(jù)分類時(shí)起決定性作用。為了找到?jīng)Q定性的特征，劃分出最好的結(jié)果，必須評(píng)估每個(gè)特征。完成測(cè)試之后，原始數(shù)據(jù)集就被劃分為幾個(gè)數(shù)據(jù)子集。這些數(shù)據(jù)子集分布在第一個(gè)決策點(diǎn)的所有分支上。再根據(jù)某個(gè)分支下的數(shù)據(jù)屬于同一類型，無(wú)須進(jìn)一步對(duì)數(shù)據(jù)集進(jìn)行分割。如果數(shù)據(jù)子集內(nèi)的數(shù)據(jù)不屬于同一類型，則需要重復(fù)劃分?jǐn)?shù)據(jù)子集的過(guò)程。直到所有具有相同類型的數(shù)據(jù)均在一個(gè)數(shù)據(jù)子集內(nèi)[6]。決策樹(shù)算法很多，例如：ID3、C4.5、CART等。

此文中數(shù)據(jù)分析應(yīng)用模塊tree的 DecisionTreeClassifier函數(shù)。

4）樸素貝葉斯

貝葉斯決策理論以概率為基礎(chǔ)的，樸素貝葉斯分類是貝葉斯決策理論的一部分，思想是基于條件概率的：對(duì)于給出的待分類項(xiàng)，求解在此項(xiàng)出現(xiàn)的條件下各個(gè)類別出現(xiàn)的概率，哪個(gè)概率值大，則該分類項(xiàng)屬于哪一類。F8016F3D-6810-4DD3-B089-F442405FF70C

此文中數(shù)據(jù)分析應(yīng)用模塊naive_bayes下的GaussianNB函數(shù)。

5）梯度提升分類樹(shù)

梯度提升分類樹(shù)是一種迭代的決策樹(shù)算法，由多棵決策樹(shù)組成，所有樹(shù)的結(jié)論累加起來(lái)做最終答案。關(guān)鍵是利用損失函數(shù)的負(fù)梯度在當(dāng)前模型的值作為回歸問(wèn)題提升樹(shù)算法中的殘差的近似值，擬合一個(gè)回歸樹(shù)[6]。

此文中數(shù)據(jù)分析應(yīng)用模塊ensemble下的GradientBoostingClassifier函數(shù)。

6）隨機(jī)森林分類

隨機(jī)森林分類是決策樹(shù)的組合，每棵決策樹(shù)都通過(guò)對(duì)原始數(shù)據(jù)集中隨機(jī)生成新的數(shù)據(jù)集來(lái)訓(xùn)練生成，隨機(jī)森林分類的結(jié)果是多數(shù)決策樹(shù)決策的結(jié)果。

此文中數(shù)據(jù)分析應(yīng)用模塊ensemble下的RandomForestClassifier函數(shù)。

4 數(shù)據(jù)分析過(guò)程

4.1 數(shù)據(jù)的讀取及變量的選取

將3933條學(xué)生的平時(shí)成績(jī)和考試成績(jī)整理到一張EXCEL表中，用Pandas模塊的read_excel函數(shù)將數(shù)據(jù)讀出。學(xué)生的平時(shí)成績(jī)包括課程音視頻、章節(jié)測(cè)驗(yàn)、章節(jié)學(xué)習(xí)次數(shù)、討論、作業(yè)、測(cè)試考試、簽到、課程互動(dòng)，共8項(xiàng)。

4.2 數(shù)據(jù)預(yù)處理

首先，查詢成績(jī)表中平時(shí)總成績(jī)?yōu)橐晃粩?shù)（即不足10分）的記錄，直接刪除。這些記錄存在重修免聽(tīng)課等特殊情況。

其次，尋找數(shù)據(jù)差異最大的選項(xiàng)。平時(shí)成績(jī)均相同的計(jì)量單位，采用方差來(lái)統(tǒng)計(jì)各項(xiàng)平均值的離散程度，得出對(duì)平時(shí)成績(jī)影響最大的幾個(gè)選項(xiàng)。結(jié)論如表1所示，分別為測(cè)試考試、作業(yè)、章節(jié)測(cè)試三項(xiàng)。該三列的數(shù)據(jù)，在后面的數(shù)據(jù)分析中重點(diǎn)選取。

4.3 訓(xùn)練集和測(cè)試集的劃分

sklearn庫(kù)集合了多種機(jī)器學(xué)習(xí)算法，在數(shù)據(jù)分析過(guò)程中快速建立模型，且模型接口統(tǒng)一，使用起來(lái)非常方便。此研究中，在數(shù)據(jù)集的劃分上使用model_selection模型選擇模塊，將傳入的數(shù)據(jù)劃分為訓(xùn)練集和測(cè)試集[2]，使用train_test_split函數(shù)，其中test_size參數(shù)值取0.3。

4.4 對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化的預(yù)處理

平時(shí)成績(jī)的各項(xiàng)的百分比占比不同，為消除特征之間取值范圍差異可能造成的影響，對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，此處采用標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化的方法。使用sklearn庫(kù)的preprocessing數(shù)據(jù)預(yù)處理模塊的StandardScaler函數(shù)。

基礎(chǔ)代碼為：

from sklearn.preprocessing import? StandardScaler

sca = StandardScaler（）.fit（data_train）

sca_train = sca.transform（data_train）

sca_test = sca.transform（data_test）

4.5 模型的構(gòu)建與預(yù)測(cè)

構(gòu)建模型與預(yù)測(cè)的目的是根據(jù)學(xué)生的平時(shí)成績(jī)，對(duì)最后的期末考試成績(jī)做出預(yù)測(cè)，將期末考試成績(jī)根據(jù)是否及格分別備注為1和0（1表示及格，0表示不及格）。根據(jù)預(yù)測(cè)類型，構(gòu)建模型為分類模型。

構(gòu)建了幾種分類模型，進(jìn)行預(yù)測(cè)，并分別給出了相應(yīng)的評(píng)價(jià)指標(biāo)對(duì)預(yù)測(cè)模型的性能進(jìn)行評(píng)價(jià)，這些指標(biāo)主要包括精確率（Pricision），準(zhǔn)確性（Accuracy），召回率（Recall）和F1值（f1-score）。以下以邏輯斯蒂回歸算法為例：

利用sklearn庫(kù)的linear_model模塊LogisticRegression函數(shù)，建立模型，如圖2所示，預(yù)測(cè)訓(xùn)練集的結(jié)果（取前50個(gè)），如圖3所示。

基本代碼如下：

from sklearn.linear_model import? LogisticRegression

log = LogisticRegression（）.fit（sca_train，target_train）

print（'建立的linear_model模型：＼n'，log）

#預(yù)測(cè)結(jié)果

sca_target_pred_log = log.predict（sca_test）

print（'預(yù)測(cè)的前50個(gè)結(jié)果為：＼n '，sca_target_pred_log[：50]）

4.6 評(píng)價(jià)指標(biāo)的選取

為了有效判斷一個(gè)預(yù)測(cè)模型的性能表現(xiàn)，需要結(jié)合真實(shí)值計(jì)算出準(zhǔn)確率、精確率、召回率、F1值等指標(biāo)來(lái)衡量。以LogisticRegression模型為例，利用sklearn庫(kù)的metrics模塊中的accuracy_score，precision_score，recall_score，f1_score幾個(gè)函數(shù)，代碼及運(yùn)行的結(jié)果如圖4所示，幾種評(píng)價(jià)指標(biāo)都比較接近最佳值1.0，該模型效果較好。

4.7 模型的結(jié)果對(duì)比分析

用類似的方法，又構(gòu)建了其他的幾種模型，并分別通過(guò)評(píng)價(jià)系數(shù)進(jìn)行對(duì)比，找出最優(yōu)的模型。各模型的評(píng)價(jià)指標(biāo)對(duì)比分析如表2所示。

通過(guò)各種模型的評(píng)價(jià)指標(biāo)的對(duì)比，可以分析得出， LogisticRegression模型最優(yōu)，隨機(jī)森林分類也較好，各項(xiàng)系數(shù)也接近于1.0。

根據(jù)分類模型和評(píng)價(jià)參數(shù)，教師可以根據(jù)學(xué)生在臨近學(xué)期末的學(xué)習(xí)成績(jī)進(jìn)行預(yù)測(cè)，對(duì)可能期末成績(jī)低于60分的同學(xué)進(jìn)行提前干預(yù)，給予這部分同學(xué)個(gè)別的知識(shí)輔導(dǎo)或提醒，并督促這部分同學(xué)抓緊學(xué)習(xí)，可實(shí)現(xiàn)基于在線平時(shí)成績(jī)的期末總評(píng)成績(jī)的提前預(yù)警。

5 結(jié)束語(yǔ)

以大學(xué)計(jì)算機(jī)應(yīng)用基礎(chǔ)課程為例，對(duì)依據(jù)超星學(xué)習(xí)平臺(tái)的在線學(xué)習(xí)平時(shí)成績(jī)的數(shù)據(jù)對(duì)影響學(xué)生期末總評(píng)成績(jī)進(jìn)行了具體分析，主要解決了三個(gè)具體問(wèn)題：F8016F3D-6810-4DD3-B089-F442405FF70C

1）在線學(xué)習(xí)平時(shí)成績(jī)的8項(xiàng)數(shù)據(jù)中，通過(guò)分析可得出，學(xué)生相差比較大的選項(xiàng)是測(cè)試考試、作業(yè)、章節(jié)測(cè)試三項(xiàng)，其他選項(xiàng)相差不大。在針對(duì)學(xué)生的個(gè)別預(yù)警中要重點(diǎn)關(guān)注。

2）在多種模型的應(yīng)用中，通過(guò)對(duì)比各種模型的評(píng)價(jià)指標(biāo)，可以分析出Logistic Regression模型最優(yōu)，隨機(jī)森林分類也較好。針對(duì)類似的成績(jī)分析，可采用這兩種模型來(lái)分析和預(yù)測(cè)。

3）應(yīng)用上述的兩種模型，依據(jù)在線的平時(shí)成績(jī)各選項(xiàng)的預(yù)測(cè)，教師可進(jìn)行過(guò)程管控、預(yù)警，進(jìn)而重點(diǎn)關(guān)注，教學(xué)干預(yù)[7]。

大數(shù)據(jù)時(shí)代，教師作為信息化教學(xué)的主導(dǎo)者和實(shí)施者，為了更好地了解課程、教學(xué)及學(xué)生學(xué)習(xí)等狀況[8]，除應(yīng)用現(xiàn)代化的教學(xué)方式外，應(yīng)用現(xiàn)代化的技術(shù)和工具對(duì)教育數(shù)據(jù)進(jìn)行分析，發(fā)現(xiàn)其規(guī)律并為教學(xué)提供幫助，將有利于教學(xué)質(zhì)量的進(jìn)一步提高。

參考文獻(xiàn)：

[1] 喻佳，白舒伊，吳丹新.基于機(jī)器學(xué)習(xí)的在線教學(xué)學(xué)生成績(jī)預(yù)測(cè)研究[J].電腦編程技巧與維護(hù)，2021（8）：118-119，154.

[2] 黃紅梅，張良均.Python數(shù)據(jù)分析與應(yīng)用[M].北京：人民郵電出版社，2018.

[3] 張運(yùn)玉.基于Python的數(shù)據(jù)分析的研究[J].電腦知識(shí)與技術(shù)，2019，15（30）：3-4.

[4] 熊思燦，農(nóng)瑩.在線學(xué)習(xí)數(shù)據(jù)與學(xué)生學(xué)習(xí)成績(jī)的相關(guān)性分析——以大學(xué)概率論課程為例[J].西南師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，46（11）：84-89.

[5] 柳毅.Python數(shù)據(jù)分析與實(shí)踐[M].北京：清華大學(xué)出版社，2019：249-255.

[6] 石勝飛.大數(shù)據(jù)分析與挖掘[M].北京：人民郵電出版社，2018.

[7] 宋丹，劉洞波，豐霞.基于多源數(shù)據(jù)分析的課程成績(jī)預(yù)測(cè)與課程預(yù)警研究[J].高等工程教育研究，2020（1）：189-194.

[8] 彭煥卜，謝志昆.基于Python的學(xué)習(xí)者基本數(shù)據(jù)分析與可視化研究[J].中國(guó)教育信息化，2021（15）：60-64.

收稿日期：2022-03-09

基金項(xiàng)目：潮州市科技計(jì)劃項(xiàng)目（項(xiàng)目編號(hào)：2019ZC12）;韓山師范學(xué)院科研項(xiàng)目-理科（項(xiàng)目編號(hào)：XN201924）

作者簡(jiǎn)介：商惠華（1978—），女，河北滄州人，講師，碩士，主要研究方向?yàn)閿?shù)據(jù)分析、計(jì)算機(jī)軟件與理論;戴匯川（1977—），男，湖北黃岡人，高級(jí)工程師，博士，主要研究方向?yàn)楝F(xiàn)代質(zhì)量管理、物流信息技術(shù)。F8016F3D-6810-4DD3-B089-F442405FF70C