基于一站式服務平臺的學生畫像研究

摘要：基于數(shù)據(jù)治理的學生畫像模型研究旨在通過構建精準的學生畫像模型，提升數(shù)據(jù)治理水平，推動個性化教育的發(fā)展，并探索數(shù)據(jù)驅動的教育創(chuàng)新。提升教育質量，優(yōu)化學生管理，促進教育領域的進步和發(fā)展。本文通過基于一站式服務平臺的學生畫像研究，從國內外學生畫像的發(fā)展現(xiàn)狀，通過對一站式服務平臺和數(shù)據(jù)分析算法學習研究，構建學生畫像模型，分析學生畫像的應用。

關鍵詞：一站式服務平臺；學生畫像；K-means算法

中圖分類號：TP311 文獻標識碼：A

文章編號：1009-3044（2024）24-0085-03

開放科學（資源服務）標識碼（OSID）

1 研究現(xiàn)狀

隨著大數(shù)據(jù)、云計算、人工智能技術的發(fā)展，我國高校的教育信息化進程也在不斷加深，越來越多的高校開始對校內各信息系統(tǒng)進行整合和融通，力求消解信息隔閡和信息孤島，建設讓“數(shù)據(jù)多運動、學生少跑路”的一站式服務平臺。平臺的建設在方便師生的同時，也能夠對海量的教學數(shù)據(jù)進行分類治理。如何讓這些數(shù)據(jù)產生實際的價值，充分服務于學校的管理和教學，提升管理效率，實現(xiàn)個性化教育，是目前高校信息化建設的重點課題。

學生畫像研究正是在這樣的背景下發(fā)展起來的，其實就是運用數(shù)據(jù)挖掘技術創(chuàng)建的學生個性化模型，此模型包含一卡通消費信息、教務成績信息、上網行為信息、門禁系統(tǒng)信息、圖書館借閱信息等各類靜態(tài)或動態(tài)信息，通過聚類算法對此進行數(shù)據(jù)分析，運用雷達圖、詞云圖等方法將結果可視化，從而實現(xiàn)高校管理個性化和學生服務科學化。

學習技術標準委員會把學生畫像模型[1]定義為一種以學生為中心的教育分析模型。目前，高校研究主要集中在學生數(shù)據(jù)的收集、整合、分析和應用等方面，建立了較為完善的學生信息系統(tǒng)，包括一卡通消費數(shù)據(jù)、成績數(shù)據(jù)、門禁數(shù)據(jù)、圖書借閱數(shù)據(jù)等，通過創(chuàng)建數(shù)據(jù)倉庫、數(shù)據(jù)湖等數(shù)據(jù)治理中臺，實現(xiàn)數(shù)據(jù)的集中存儲和管理，同時運用數(shù)據(jù)挖掘、機器學習等手段，對學生數(shù)據(jù)進行深度挖掘和分析，以揭示學生的消費情況、學習行為、心理健康、興趣愛好等多維度信息，應用于個體行為分析、學生管理，個性化教學、咨詢輔導等場景，取得了一定的應用效果。例如舒江波等人[2]搭建的學生大數(shù)據(jù)分析平臺，通過對學生基本信息、消費信息和成績信息的分析構建了一套偏向于研究學習成績與飲食規(guī)律關系的學生畫像模型，從而發(fā)現(xiàn)規(guī)律的飲食和穩(wěn)定的消費與成績成正比關系。Liu等人[3]運用K-means聚類算法基于學生上網數(shù)據(jù)構建針對學生上網行為的學生畫像模型，根據(jù)聚類結果，產生四種上網特征子集，發(fā)現(xiàn)沉迷網絡的部分學生，成績和心理健康都存在一定的問題，提醒輔導員幫助此類學生減少上網時間。

目前學生畫像研究呈現(xiàn)出了蓬勃發(fā)展的態(tài)勢，隨著技術的不斷進步和應用場景的不斷深化，學者們開始積極探索學生畫像研究中的具體架構和運行機制等問題。如何在保護學生隱私的前提下進行有效的數(shù)據(jù)收集和分析，如何選擇最佳的算法和模型來構建準確、可靠的學生畫像，如何將學生畫像與其他教育技術相結合，都是未來學生畫像研究的重要方向。

2 研究準備

2.1 一站式服務平臺學習

一站式服務平臺是一個基于大數(shù)據(jù)治理條件下的綜合服務平臺，以數(shù)據(jù)為核心驅動力，通過對各類應用服務系統(tǒng)中海量數(shù)據(jù)的治理融合，實現(xiàn)業(yè)務系統(tǒng)的互聯(lián)互通，創(chuàng)建統(tǒng)一信息門戶，提供集中高效便捷的使用環(huán)境，提高信息門戶對各類獨立的應用服務的聚合和導航能力。

一站式服務平臺設計的核心是數(shù)據(jù)，數(shù)據(jù)的治理是一站式服務平臺建設的關鍵，學校目前建設的數(shù)據(jù)中臺對包括一卡通系統(tǒng)、教務系統(tǒng)、學工系統(tǒng)、科研系統(tǒng)等在內的九個數(shù)據(jù)系統(tǒng)進行了集中治理，提升了學校數(shù)字檔案的數(shù)據(jù)質量，保障了學校各項數(shù)據(jù)的準確性，也為全校學生提供更好、更加準確的個性化數(shù)字服務打下堅實的基礎。數(shù)據(jù)安全和隱私保護是數(shù)據(jù)治理的重要部分，在一站式服務平臺建設中加入區(qū)塊鏈的設計，基于區(qū)塊鏈的一站式服務平臺[4]利用區(qū)塊鏈帶有時間戳的特性解決了底層數(shù)據(jù)源的隨意篡改問題，為學生畫像提供了真實有效的數(shù)據(jù)基礎，在數(shù)據(jù)訪問權限上利用多重簽名技術，實現(xiàn)了學生畫像系統(tǒng)的個人隱私保護功能。

通過構建一個能夠滿足學生個人數(shù)據(jù)集中存儲、管理、查詢等需求高速增長一站式服務平臺，全面、快速、準確地收集相關數(shù)據(jù)，更加高效、便利地服務學生以及學生工作管理。真正實現(xiàn)讓用戶“少跑腿”，數(shù)據(jù)“多跑路”，提升學生的滿意度和認可度，增強用戶體驗，使學生在信息化和數(shù)據(jù)治理發(fā)展中獲得更切實有力的支持和體驗感，積極推動智慧校園建設，提升校園治理能力。一站式服務平臺以“大平臺，小應用”模式，建設“更智慧，更人性”的智慧校園，形成開放互通的智慧生態(tài)。

2.2 相關分析算法學習

學生畫像技術為高校教育工作者和研究人員更好了解學生的行為和需求，提供個性化的教育方案、優(yōu)化教學資源分配和提高教學管理水平提供了依據(jù)。該技術通過多種算法對學生數(shù)據(jù)進行深入分析和挖掘，構建出能夠全面反映學生特點、行為習慣和學習表現(xiàn)的綜合畫像。

目前對于機器學習的簡單劃分，可分為監(jiān)督學習[5]和無監(jiān)督學習[6]，監(jiān)督學習是指通過對海量擁有標簽的數(shù)據(jù)學習制作一個模型，做到根據(jù)輸入內容就能得到相應輸出結果的過程，支持向量機（SVM）、決策樹、邏輯回歸等都屬于監(jiān)督學習算法。無監(jiān)督學習不依賴于標記數(shù)據(jù)進行訓練而是通過發(fā)現(xiàn)在沒有任何標簽的大量數(shù)據(jù)的隱藏規(guī)律進行學習和預測，常見的無監(jiān)督學習算法有聚類算法、降維算法、關聯(lián)規(guī)則學習等。目前學生畫像研究中應用較為廣泛的是聚類算法。

聚類算法的核心是使用合理的方法把數(shù)據(jù)集中未知類別的樣本劃分為若干個類族，目的是使樣本集內部差別最小化，而族類之間差距最大化。在學生畫像研究中將收集到的數(shù)據(jù)劃分為很多個不同的子集，按照子集的分類劃分學生群體。例如，基于學生的學習成績、興趣愛好、社交關系等特征，利用K-means、層次聚類等算法將學生分為不同的群體，從而揭示學生之間的共性和差異。下面簡單介紹一下K-means算法的原理和流程。

K-means算法是一種廣泛使用的劃分式聚類方法，實質為Macqueen提出的一種迭代求解算法[7]，通過迭代選擇數(shù)據(jù)中的k個點作為中心，將數(shù)據(jù)分為k個簇，使得每個點屬于與其最近的均值中心的簇，Means即被解釋為每個聚類族數(shù)中的數(shù)據(jù)均值。具備計算高效、收斂速度快、可擴展性強等優(yōu)點，被廣泛應用于各種領域。K-means算法流程圖如圖1所示：

學生畫像研究中還可以利用深度學習算法中的循環(huán)神經網絡（RNN）或長短期記憶網絡（LSTM）處理學生的時序數(shù)據(jù)，使用卷積神經網絡（CNN）算法處理圖像和文本數(shù)據(jù)。使用推薦算法基于學生的歷史學習數(shù)據(jù)，通過協(xié)同過濾為學生提供精準的學習建議。除此之外還有一些其他技術也常用于學生畫像研究，如自然語言處理（NLP）用于分析學生的文本數(shù)據(jù)，情感分析用于識別學生的情感狀態(tài)等，因此在實際學生畫像構建時，需要根據(jù)具體需求和數(shù)據(jù)特點選擇合適的算法和技術進行組合和優(yōu)化，以構建出更加準確、全面的學生畫像。

3 學生畫像模型創(chuàng)建

學生畫像模型創(chuàng)建以“成長支持”為主旨，基于學校數(shù)據(jù)治理成果，把分散在各業(yè)務系統(tǒng)的學生數(shù)據(jù)進行采集、存儲、加工、處理、計算，建立以學生個人數(shù)據(jù)為中心的數(shù)字檔案并形成多維度的行為畫像分析，最終將每一位學生的學習、消費、上網、圖書借閱等信息進行可視化輸出。同時提供給學生本人進行數(shù)據(jù)查詢、數(shù)據(jù)質量反饋、數(shù)據(jù)糾錯補錄服務，做到及時跟蹤、及時干涉，有效輔助學生成長。本文創(chuàng)建的學生畫像模型的系統(tǒng)架構圖如圖2所示：

1）數(shù)據(jù)層：數(shù)據(jù)源來自一站式服務平臺治理下的各類應用系統(tǒng)，包括學生的基本數(shù)據(jù)、一卡通系統(tǒng)消費數(shù)據(jù)、出入管理系統(tǒng)人臉信息、教務系統(tǒng)內的成績信息、圖書管理系統(tǒng)內的借閱數(shù)據(jù)等，通過對這些分散的信息系統(tǒng)中數(shù)據(jù)的提取和整合，建立數(shù)據(jù)分析使用的標準數(shù)據(jù)集，也就是目前學校已經建設完成的數(shù)據(jù)中臺，為構建學生畫像模型提供數(shù)據(jù)支持。

2）訪問層：根據(jù)數(shù)據(jù)源數(shù)據(jù)形式不同，將收集到的原始數(shù)據(jù)轉換成適合分析的格式，以便于不同來源和類型的數(shù)據(jù)能夠被統(tǒng)一處理和分析。但是數(shù)據(jù)源內可能存在錯誤、重復或不完整的記錄，為確保數(shù)據(jù)的質量和準確性需要進行數(shù)據(jù)清洗，一般通過求平均、求標準差、中位數(shù)補充、分詞等方式來處理。從預處理過的數(shù)據(jù)中提取出對學生畫像構建有意義的特征，然后再進行數(shù)據(jù)建模操作。

3）服務層：通過對訪問層數(shù)據(jù)的挖掘提取學生屬性的不同標簽，這需要運用多種數(shù)據(jù)分析算法，對于結構性數(shù)據(jù)可以使用聚類分析，一些如上網行為、情感需求等非結構性數(shù)據(jù)可以采用神經網絡與深度學習的算法，通過多種數(shù)據(jù)分析算法相結合的方式才能構建出真實準確的學生畫像模型。針對不同屬性的學生標簽進行分類，構建出學生預警模塊。

4）應用層：本層結構就是學生畫像系統(tǒng)的可視化展示層，分為群像展示、個人畫像展示以及預警信息推送，用雷達圖、柱狀圖、餅形圖等形式展示學生畫像信息，并支持動態(tài)展示學生某段時間內的指標數(shù)據(jù)，同時推送預警信息給學生本人和輔導員。讓數(shù)據(jù)直觀的可視化展示，實現(xiàn)學生強化自我認知，驅動自我成長和改進。

4 學生畫像的應用

學生畫像的應用在教育領域具有廣泛的實踐價值，它基于對學生數(shù)據(jù)的深度分析和挖掘，為教育者提供了更全面、深入的了解學生的途徑，提升教育質量，優(yōu)化學生管理，提升信息化系統(tǒng)在教育育人中的作用，促進智慧校園發(fā)展，下面從三個主體簡單闡述學生畫像的應用。

1）學生：學生畫像顧名思義就是收集到的學生的各項信息，通過大數(shù)據(jù)挖掘技術形成的學生行為分析圖像，它揭示出每個學生的在校內的生活習性、學習狀態(tài)、心理健康等多方面的狀態(tài)，針對學生的特性，高?？梢灾贫▊€性化教育方案，通過適合學生的課程內容和教學方法，激發(fā)學生的學習熱情，提高教學質量，真正做到教學相長。學校還可以通過學生畫像精準向學生推薦適合的學習資源，甚至學習伙伴，提高學生的學習效率，增強學習體驗。同時學生畫像還可以提供學業(yè)預警功能，提醒學生關注學習情況。對學生自身而言，學生畫像是一面鏡子，可以正衣冠明心智，更加全面地了解自己，監(jiān)督自己，實現(xiàn)自己。

2）教育工作者：學生群體畫像全面展示了高校學生概況，管理者通過學生消費情況一覽表找出貧困學生，實現(xiàn)精準扶貧；通過預警消息及時發(fā)現(xiàn)學生出現(xiàn)的問題和遇到的困難，及時掌握學生動態(tài)，以防學校悲劇發(fā)生；實時呈現(xiàn)的學習狀態(tài)和數(shù)據(jù)有助于優(yōu)化教學流程，提高教學質量，為教育決策提供有力支持；同時學生畫像的多維度展現(xiàn)也有助于教育工作者為學生提供準確的職業(yè)規(guī)劃和就業(yè)指導。對于教育工作者來說，學生畫像是服務學生的工具，是提高教學的手段，是教育發(fā)展的一種新嘗試。

3）高校：構建一個精準、全面的學生畫像是不斷優(yōu)化和完善數(shù)據(jù)治理機制的過程，是提高提升學校的數(shù)據(jù)治理能力的試金石。為了保證數(shù)據(jù)的準確性、完整性和安全性需要學校制定合理的數(shù)據(jù)采集、存儲、處理和應用規(guī)范。學生畫像模型創(chuàng)建完成后，需要持續(xù)追蹤使用情況，根據(jù)實際應用場景進行反饋和優(yōu)化，不斷提升模型的準確性和有效性。探索數(shù)據(jù)治理在學生畫像模型構建以及教育決策中的應用模式，是智慧校園發(fā)展的趨勢，為教育領域的創(chuàng)新提供新的思路和方法，通過實踐驗證，不斷優(yōu)化和完善數(shù)據(jù)驅動的教育創(chuàng)新模式，推動教育領域的持續(xù)發(fā)展。

5 結束語

學生畫像研究作為教育領域的一項創(chuàng)新嘗試，通過深度挖掘學生數(shù)據(jù)，為教育者和學生提供了更加精準、個性化的教育方案。本文在探討學生畫像的構建方法、算法應用以及實際應用價值等方面，力求為讀者呈現(xiàn)一個全面、深入的學生畫像研究視角。

參考文獻：

[1] KEGEL I，LANGE R，MANION J，et al.Draft standard for learning object metadata [J].IEEE Learning Technology Standards Committee，2002.

[2] 舒江波，葛雄，彭利園，等.基于學生個人大數(shù)據(jù)的行為特征分析[J].華中師范大學學報（自然科學版），2020，54（6）：927-934.

[3] LIU K S，NI Y K，LI Z H，et al.Data mining and feature analysis of college students’ campus network behavior[C]//2020 5th IEEE International Conference on Big Data Analytics （ICBDA）.Xiamen，China.IEEE，2020：231-237.

[4] 王曉敏.基于區(qū)塊鏈的一站式服務平臺研究[J].電腦知識與技術，2021，17（12）：45-49.

[5] CARUANA R，NICULESCU-MIZIL A.An empirical comparison of supervised learning algorithms[C]//Proceedings of the 23rd international conference on Machine learning - ICML '06.June 25-29，2006.Pittsburgh，Pennsylvania.ACM，2006：161-168.

[6] CASOLLA G，CUOMO S，DI COLA V S，et al.Exploring unsupervised learning techniques for the Internet of Things[J].IEEE Transactions on Industrial Informatics，2020，16（4）：2621-2628.

[7] SINAGA K P，YANG M S.Unsupervised K-means clustering algorithm[J].IEEE Access，2020，8：80716-80727.

【通聯(lián)編輯：梁書】