面向未來學(xué)習(xí)中心的大學(xué)生學(xué)業(yè)預(yù)警模型研究

摘要：自改革開放以來，我國高等教育規(guī)模不斷擴大，本科生學(xué)業(yè)不佳的問題也日益凸顯，因此，針對大學(xué)生的學(xué)業(yè)預(yù)警和早期幫扶是高校迫切需要解決的問題。針對鮮有基于圖書館利用數(shù)據(jù)構(gòu)建大學(xué)生學(xué)業(yè)預(yù)警模型的現(xiàn)狀，文章融合南京航空航天大學(xué)教務(wù)處學(xué)業(yè)數(shù)據(jù)和圖書館利用數(shù)據(jù)，利用機器學(xué)習(xí)方法構(gòu)建了大學(xué)生學(xué)業(yè)預(yù)警模型。研究結(jié)果表明：對邏輯思維要求高的科目對學(xué)籍異常有顯著影響；在圖書館利用數(shù)據(jù)中，學(xué)生入館次數(shù)相比借閱次數(shù)更能顯著影響學(xué)生成績。研究結(jié)果可為高校建設(shè)未來學(xué)習(xí)中心、提高教務(wù)管理和圖書館服務(wù)水平提供參考。

關(guān)鍵詞：大學(xué)生；學(xué)業(yè)預(yù)警模型；機器學(xué)習(xí)；未來學(xué)習(xí)中心

中圖分類號：G250.7" 文獻標(biāo)志碼：A

0 引言

改革開放以來，我國高等教育實現(xiàn)了從大眾化到普及化的過渡，隨著教育規(guī)模持續(xù)擴大，本科生學(xué)業(yè)問題日益凸顯，頻繁出現(xiàn)留級、退學(xué)的現(xiàn)象。運用數(shù)據(jù)挖掘和機器學(xué)習(xí)算法，尋找教育大數(shù)據(jù)中學(xué)業(yè)數(shù)據(jù)的規(guī)律，構(gòu)建學(xué)業(yè)預(yù)警模型是近年來教育數(shù)據(jù)挖掘（Educational Data Mining， EDM）的一大研究方向［1］。學(xué)業(yè)預(yù)警模型旨在對學(xué)生在校期間已經(jīng)發(fā)生或可能發(fā)生的學(xué)業(yè)問題進行主動預(yù)警，并根據(jù)具體情況給出幫扶措施，幫助學(xué)生順利完成學(xué)業(yè)［2］。

國內(nèi)外對于學(xué)業(yè)預(yù)警的研究仍處于起步階段。國外學(xué)者在基于機器學(xué)習(xí)算法構(gòu)建學(xué)業(yè)預(yù)警模型的相關(guān)研究中，在研究數(shù)據(jù)層面，現(xiàn)有研究多以學(xué)生基礎(chǔ)信息和在線學(xué)習(xí)信息為研究數(shù)據(jù)［3-7］，學(xué)生日常行為數(shù)據(jù)沒有得到充分利用，如圖書館利用數(shù)據(jù)。此外，在實證研究上，存在實證研究較少且學(xué)習(xí)預(yù)警指標(biāo)選取時對動態(tài)數(shù)據(jù)關(guān)注不夠的問題［8］。相較于國外，國內(nèi)學(xué)業(yè)預(yù)警的研究起步較晚，但是近幾年，隨著國家對高校教育的重視，對教育領(lǐng)域相關(guān)項目研究給予了越來越多的肯定和支持，國內(nèi)學(xué)者也對利用機器學(xué)習(xí)方法構(gòu)建學(xué)業(yè)預(yù)警模型展開了積極探索［1，9-12］，然而大部分研究主要停留在理論層面，多為學(xué)業(yè)預(yù)警機制研究和預(yù)警模型設(shè)計，大多數(shù)高校都沒有建立起學(xué)業(yè)預(yù)警系統(tǒng)，應(yīng)用層面研究欠缺。綜上，現(xiàn)階段高校學(xué)業(yè)預(yù)警研究存在以下兩方面問題：一是鮮有基于圖書館利用數(shù)據(jù)構(gòu)建學(xué)業(yè)預(yù)警模型的研究；二是大多數(shù)高校沒有建立起學(xué)業(yè)預(yù)警系統(tǒng)，對學(xué)業(yè)不佳學(xué)生的問題反應(yīng)不靈敏，未能及時有效地為他們提供有針對性的幫助，大多停留在問題暴露后的被動應(yīng)對上，幫扶手段較為僵化且缺少后續(xù)的跟蹤。

高校圖書館承擔(dān)著學(xué)校教學(xué)科研、人才培養(yǎng)、文化傳承等重要任務(wù)和使命，隨著大數(shù)據(jù)、人工智能技術(shù)的發(fā)展以及相關(guān)政策的支持，高校圖書館在本科生學(xué)業(yè)中的作用日益受到重視。2021年，教育部高教司司長提出鼓勵高校依托圖書館試點建設(shè)一批“未來學(xué)習(xí)中心”，發(fā)揮高校圖書館優(yōu)勢，整合學(xué)校各類學(xué)習(xí)資源和新一代數(shù)字化技術(shù)，打造支撐學(xué)習(xí)方式變革的新型基層學(xué)習(xí)組織［13］。改革傳統(tǒng)人才培養(yǎng)模式，探索新時代育人新范式［14］。未來學(xué)習(xí)中心的核心教育理念旨在利用智能科技和數(shù)字化手段，培養(yǎng)學(xué)生創(chuàng)新思維、批判性思考和問題解決能力等新一代核心素養(yǎng)，最終達到優(yōu)化學(xué)生學(xué)習(xí)成果并提升教學(xué)效率的核心目標(biāo)［15］，這與學(xué)業(yè)預(yù)警系統(tǒng)的幫扶目標(biāo)相耦合。

鑒于上述背景，本文旨在提出一種基于監(jiān)督機器學(xué)習(xí)方法的預(yù)測分析模型，根據(jù)學(xué)生的歷史學(xué)習(xí)成績和圖書館利用行為預(yù)測學(xué)生學(xué)籍異常情況，并對模型性能進行評估。本研究一方面探索學(xué)業(yè)預(yù)警的新方法，提高學(xué)生成績預(yù)測的準(zhǔn)確性和可靠性；另一方面可以為高校建設(shè)未來學(xué)習(xí)中心、提高教務(wù)管理水平和圖書館服務(wù)水平提供參考。

1 研究設(shè)計

1.1 研究框架

本研究數(shù)據(jù)來源于教務(wù)處學(xué)業(yè)數(shù)據(jù)和圖書館利用數(shù)據(jù)，利用機器學(xué)習(xí)算法構(gòu)建大學(xué)生學(xué)業(yè)預(yù)警模型，確定哪些特征影響學(xué)生的學(xué)籍異動，并進一步研究圖書館利用行為對于學(xué)生學(xué)籍異動的影響。技術(shù)路線如圖1所示，首先是收集和整合數(shù)據(jù)，其次是對數(shù)據(jù)進行預(yù)處理，最后是構(gòu)建和評估模型。

1.2 數(shù)據(jù)來源

本文的數(shù)據(jù)為南京航空航天大學(xué)教務(wù)處和南京航空航天大學(xué)圖書館提供的教育數(shù)據(jù)，包括教務(wù)處學(xué)生學(xué)業(yè)數(shù)據(jù)和圖書館利用數(shù)據(jù)。本研究基于學(xué)生學(xué)籍異常分布情況，選擇主機專業(yè)2017—2020級的學(xué)生教育數(shù)據(jù)作為本研究的實驗樣本基礎(chǔ)，以確保研究更具有針對性和實際應(yīng)用性。

2 學(xué)業(yè)預(yù)警模型構(gòu)建與評估

2.1 數(shù)據(jù)預(yù)處理

數(shù)據(jù)集是構(gòu)建機器學(xué)習(xí)模型的起點，本質(zhì)上是一個M×N矩陣，其中：M代表列（特征），N代表行（樣本），如果N包含定性值，那么數(shù)據(jù)集（由M和N組成）可以用于分類任務(wù)。本文就是分類任務(wù)，用選定的課程特征預(yù)測學(xué)生的學(xué)籍異動情況。

教務(wù)處提供的學(xué)業(yè)數(shù)據(jù)格式主要是［學(xué)生、課程、成績］與［學(xué)生、平均學(xué)業(yè)績點］的列表，圖書館利用數(shù)據(jù)格式為［學(xué)生、借閱冊數(shù)、入館次數(shù)］的列表。本實驗采用的樣本數(shù)據(jù)格式主要是［學(xué)生、各科課程成績、借閱冊數(shù)、入館次數(shù)、平均學(xué)業(yè)績點］。

基于教務(wù)處原始學(xué)業(yè)數(shù)據(jù)，需要進一步對這些原始數(shù)據(jù)進行預(yù)處理，對數(shù)據(jù)進行各種檢查和審查，主要包括數(shù)據(jù)清理、數(shù)據(jù)整理，糾正列表中的缺失值、拼寫錯誤，使數(shù)值正?；蜆?biāo)準(zhǔn)化以使其具有可比性。除此之外，本文最主要的工作是轉(zhuǎn)換數(shù)據(jù)形式，將原始數(shù)據(jù)轉(zhuǎn)換為本實驗采用的樣本數(shù)據(jù)，這一轉(zhuǎn)換過程涉及的工具主要包括Python 3、Excel。

此外，教務(wù)處學(xué)業(yè)成績中除了必修課，選修課占據(jù)很大部分，為了能達到樣本和特征數(shù)量的平衡，采取的方案如下：根據(jù)主機專業(yè)的學(xué)生課程成績，按照從高到低進行排序，選取前n門課作為特征，然后計算全部選擇這些課程的學(xué)生數(shù)量作為樣本量。例如對于主機專業(yè)2017—2020級，選擇前20門課程，樣本量達到1232條，樣本數(shù)據(jù)集示例如表1所示。20門課程分別是“概率論與數(shù)理統(tǒng)計Ⅱ”“線性代數(shù)”“C++語言程序設(shè)計”“C++語言課程設(shè)計”“大學(xué)英語Ⅳ”“毛澤東思想和中國特色社會主義理論體系概論”“大學(xué)物理實驗I2”“中國近現(xiàn)代史綱要”“大學(xué)物理實驗I1”“思想道德修養(yǎng)與法律基礎(chǔ)”“電工與電子技術(shù)課程設(shè)計”“理論力學(xué)Ⅰ”“大學(xué)生心理健康教育”“材料力學(xué)Ⅰ”“創(chuàng)業(yè)基礎(chǔ)”“理工基礎(chǔ)化學(xué)I”“工程圖學(xué)I1”“工程圖學(xué)I2”“大學(xué)生職業(yè)生涯發(fā)展與規(guī)劃”“計算思維導(dǎo)論實驗”。

2.2 模型訓(xùn)練

本文采用了樸素貝葉斯（Naive Bayes）、邏輯回歸（Logistic Regression）、廣義線性回歸（Generalized Linear Model）、快速間隔分類（Fast Large Margin）、深度學(xué)習(xí)（Deep Learning）、決策樹（Decision Tree）、隨機森林（Random Forest）、梯度提升樹（Gradient Boosted Tree）和支持向量機（Support Vector Machine）9種分類和回歸模型來預(yù)測學(xué)生的學(xué)籍異動情況，運用網(wǎng)格搜索方法進行模型訓(xùn)練和參數(shù)優(yōu)化，將最優(yōu)參數(shù)下的模型運用于測試數(shù)據(jù)集。以準(zhǔn)確率和AUC值作為模型評價指標(biāo)，進行各模型性能的比較。使用RapidMiner完成建模，采用十折交叉驗證，將數(shù)據(jù)集劃分為訓(xùn)練集（90%）和測試集（10%）進行評估。

經(jīng)過參數(shù)優(yōu)化，當(dāng)算法模型達到最優(yōu)性能時，快速間隔分類C值取0.001；決策樹最大深度為7；隨機森林最優(yōu)樹數(shù)量為20，最大深度為7；梯度提升樹最優(yōu)樹數(shù)量為90，最大深度為4，學(xué)習(xí)率為0.1；支持向量機Gamma值取0.005，C值取100。

2.3 模型性能評估

本文構(gòu)建的大學(xué)生學(xué)業(yè)預(yù)警模型主要關(guān)注預(yù)測結(jié)果的準(zhǔn)確度，因此，要評價各個算法模型的指標(biāo)選擇準(zhǔn)確度和AUC值，其中，準(zhǔn)確度表示所有樣本中被預(yù)測正確的樣本的比率，其值越高表示模型預(yù)測的準(zhǔn)確度越高；AUC值表示ROC曲線下的面積值，該值越接近1，準(zhǔn)確性越高［16］，模型的性能也越好。模型性能評價指標(biāo)如表2所示。

根據(jù)以上9種算法模型在準(zhǔn)確率和AUC值的對比情況，隨機森林的準(zhǔn)確率最高，樸素貝葉斯的AUC值最高，但是隨機森林在準(zhǔn)確率和AUC指標(biāo)兩者之間達到了更好的平衡，后續(xù)可以優(yōu)先利用隨機森林算法構(gòu)建的大學(xué)生學(xué)業(yè)預(yù)警模型進行部署推理。

2.4 特征因子重要性分析

在大學(xué)生學(xué)業(yè)預(yù)警模型中不同因子的特征重要性（Importance of Feature，IF）表示每個因子在預(yù)測中具有不同的強度，其范圍為0.089～0.497，如圖2所示。

從圖2可以看出，材料力學(xué)、數(shù)學(xué)類（“線性代數(shù)”“概率論與數(shù)理統(tǒng)計II”）以及編程類（“C++語言課程設(shè)計”）等需要邏輯思維的課程與學(xué)籍異動之間存在顯著的相關(guān)性。在圖書館利用數(shù)據(jù)中，“入館次數(shù)”相較于“借閱冊數(shù)”對學(xué)籍的影響更大，可能是高入館次數(shù)暗示學(xué)生傾向于在圖書館集中學(xué)習(xí)，學(xué)習(xí)時間的有效利用可能會帶來更好的學(xué)業(yè)表現(xiàn)，降低學(xué)籍異常的可能性；此外，較高的入館次數(shù)可能反映學(xué)生更加積極利用圖書館的學(xué)習(xí)環(huán)境和資源。圖書館通常提供安靜、專注的學(xué)習(xí)空間，以及豐富的圖書和學(xué)術(shù)資源，學(xué)生在這樣的環(huán)境中可能更容易保持專注，提高學(xué)業(yè)水平。

3 討論

3.1 大學(xué)生學(xué)業(yè)預(yù)警模型的發(fā)現(xiàn)

教育數(shù)據(jù)挖掘可以將大量的學(xué)生教育信息轉(zhuǎn)化為有價值的教學(xué)信息，學(xué)業(yè)預(yù)警作為教育數(shù)據(jù)挖掘分析的重要環(huán)節(jié)，為教學(xué)干預(yù)和教學(xué)預(yù)測提供了可靠的科學(xué)依據(jù)。本文利用南京航空航天大學(xué)主機專業(yè)2017—2020級學(xué)生的教育數(shù)據(jù)，利用機器學(xué)習(xí)算法構(gòu)建了大學(xué)生學(xué)業(yè)預(yù)警模型，主要研究結(jié)論如下。

（1）對樸素貝葉斯、邏輯回歸、廣義線性回歸、快速間隔分類、深度學(xué)習(xí)、決策樹、隨機森林、梯度提升樹和支持向量機9種預(yù)警模型進行了性能評估，實驗結(jié)果表明：隨機森林在準(zhǔn)確率和AUC值方面表現(xiàn)最優(yōu)，可優(yōu)先用于構(gòu)建大學(xué)生學(xué)業(yè)預(yù)警模型。

（2）理論力學(xué)、數(shù)學(xué)類（“高等數(shù)學(xué)”“概率論與數(shù)理統(tǒng)計”“線性代數(shù)”）、編程類（“C++語言課程設(shè)計”）等對邏輯思維要求較高的課程和學(xué)籍異動之間具有顯著的相關(guān)性。

（3）圖書館利用數(shù)據(jù)中，“入館次數(shù)”相較于“借閱冊數(shù)”對學(xué)籍的影響更大，初步分析可能是學(xué)生的高入館次數(shù)在一定程度上反映了較長的學(xué)習(xí)時長和積極的學(xué)習(xí)動機。

3.2 面向未來學(xué)習(xí)中心的學(xué)業(yè)幫扶

扎實做好學(xué)業(yè)幫扶工作是學(xué)業(yè)預(yù)警機制的落腳點，目前，高校對學(xué)業(yè)不佳學(xué)生的幫扶大多停留在問題暴露后的被動應(yīng)對上，幫扶手段較為僵化且缺少后續(xù)的跟蹤。隨著人工智能和大數(shù)據(jù)等新一代數(shù)字技術(shù)的飛速發(fā)展，未來教育模式將會發(fā)生巨大變革。未來學(xué)習(xí)中心的建設(shè)是適應(yīng)快速技術(shù)和社會變化現(xiàn)實需要的一項關(guān)鍵舉措，利用智能科技和數(shù)字化手段推進學(xué)生的幫扶工作，優(yōu)化學(xué)生的學(xué)習(xí)成果并提升教學(xué)效率，幫助學(xué)生順利完成學(xué)業(yè)。本文基于以上3條實驗結(jié)果，提出相關(guān)建議以提升高校學(xué)業(yè)預(yù)警幫扶機制的實踐效果，為高校依托圖書館建立未來學(xué)習(xí)中心提供參考。

3.2.1 未來學(xué)習(xí)中心的個性化學(xué)業(yè)支持

未來學(xué)習(xí)中心是技術(shù)發(fā)展和教育變革背景下對未來學(xué)習(xí)場景的一種重新定義和探索，注重以人為本，為學(xué)生提供更加高效、個性化和創(chuàng)新的學(xué)習(xí)體驗。為此，未來學(xué)習(xí)中心在對存在潛在學(xué)業(yè)風(fēng)險的同學(xué)進行幫扶的過程中，應(yīng)以學(xué)習(xí)者為中心，建立學(xué)業(yè)幫扶系統(tǒng)：首先，對面臨學(xué)業(yè)預(yù)警的同學(xué)建立學(xué)業(yè)跟蹤機制，對其學(xué)業(yè)跟蹤和反饋，通過定期的學(xué)科測驗、考試或課堂參與情況的評估及時發(fā)現(xiàn)學(xué)生的學(xué)科學(xué)習(xí)問題，通過深度學(xué)習(xí)、人工智能等先進技術(shù)，提供個性化的學(xué)習(xí)路徑和資源，以滿足學(xué)生的個性化需求。對于與學(xué)生績點影響較大的學(xué)科，未來學(xué)習(xí)中心應(yīng)積極進行特色化資源建設(shè)，保障學(xué)科導(dǎo)向的資源支持。以南京航空航天大學(xué)主機專業(yè)學(xué)生為例，對于理論力學(xué)、數(shù)學(xué)類和編程類等對邏輯思維要求較高的課程，圖書館可以提供相關(guān)的專業(yè)書籍、期刊、在線課程、教學(xué)視頻等資源，以滿足學(xué)生的學(xué)習(xí)需求。同時，學(xué)生可以根據(jù)自身興趣、能力和學(xué)習(xí)進度選擇學(xué)習(xí)內(nèi)容和方式，提高學(xué)習(xí)效率和效果。另外，學(xué)生心理健康不容忽視，未來學(xué)習(xí)中心通過定期的心理健康評估，了解學(xué)生的情緒狀態(tài)和應(yīng)對壓力的能力。根據(jù)評估結(jié)果，提供相應(yīng)的心理健康支持和建議，確保學(xué)生在面對學(xué)業(yè)壓力時，能夠獲得適當(dāng)?shù)膸椭?/p>

3.2.2 教務(wù)處實時學(xué)業(yè)監(jiān)測

高校教務(wù)處可以優(yōu)先選擇隨機森林模型進行學(xué)業(yè)預(yù)警，并建立實時監(jiān)測系統(tǒng)，實時獲取與學(xué)生成績、行為等相關(guān)的數(shù)據(jù)，及時發(fā)現(xiàn)學(xué)業(yè)風(fēng)險并將預(yù)警結(jié)果及時反饋給學(xué)生、教師和教務(wù)管理人員。在識別出可能面臨學(xué)業(yè)問題的學(xué)生之后，第一時間制定針對性的學(xué)業(yè)輔導(dǎo)與干預(yù)措施，確保學(xué)生的學(xué)業(yè)問題得到及時關(guān)注和解決。此外，教務(wù)處可以聯(lián)動圖書館技術(shù)部定期評估預(yù)警系統(tǒng)的性能，根據(jù)評估結(jié)果對預(yù)警模型進行優(yōu)化和調(diào)整，確保預(yù)警系統(tǒng)的持續(xù)有效性。

3.2.3 圖書館資源與服務(wù)優(yōu)化

學(xué)生的入館次數(shù)與其學(xué)習(xí)動機和學(xué)習(xí)時長有較大的相關(guān)性。首先，圖書館可以利用“入館次數(shù)”信息，建立學(xué)生學(xué)習(xí)行為的模型，及時發(fā)現(xiàn)入館學(xué)生群體對圖書館資源和服務(wù)的需求特征。其次，為了幫助學(xué)生更好地利用圖書館資源，提高學(xué)習(xí)效果，圖書館可以提供針對性的學(xué)科服務(wù)，如學(xué)科咨詢、學(xué)科導(dǎo)航、學(xué)科培訓(xùn)等。最后，圖書館可以通過社交活動和學(xué)術(shù)活動組織，如組織學(xué)術(shù)講座、學(xué)術(shù)沙龍和社交活動，營造積極向上的學(xué)術(shù)氛圍，幫助學(xué)生建立良好的學(xué)術(shù)交往圈，促進互相學(xué)習(xí)和共同成長。

4 結(jié)語

新一代數(shù)字技術(shù)的發(fā)展已經(jīng)深刻地改變了人們的教育和學(xué)習(xí)方式，而建立未來學(xué)習(xí)中心是應(yīng)對時代變遷和實際需求的必要之舉。本文通過構(gòu)建大學(xué)生學(xué)業(yè)預(yù)警模型以挖掘與大學(xué)生學(xué)籍異常密切相關(guān)的因素，為提前識別學(xué)業(yè)困難的學(xué)生、及時進行學(xué)業(yè)輔導(dǎo)與干預(yù)提供了解決方案。本研究可為未來學(xué)習(xí)中心建設(shè)、教務(wù)管理、圖書館資源和服務(wù)優(yōu)化提供參考與借鑒，更多與大學(xué)生學(xué)業(yè)異常相關(guān)的因素及其作用機制還有待未來進一步探索。

參考文獻

［1］任小華，種蘭祥，楊建鋒.基于FT＿BP神經(jīng)網(wǎng)絡(luò)的學(xué)業(yè)預(yù)警模型［J］.計算機應(yīng)用研究，2020（增刊1）：83-85.

［2］牟智佳，李雨婷，嚴(yán)大虎.混合學(xué)習(xí)環(huán)境下基于學(xué)習(xí)行為數(shù)據(jù)的學(xué)習(xí)預(yù)警系統(tǒng)設(shè)計與實現(xiàn)［J］.遠程教育雜志，2018（3）：55-63.

［3］BALQIS A， NAZAR Z， HANG A. A systematic literature review of student’ performance prediction using machine learning techniques［J］. Education Sciences， 2021（9）：552-579.

［4］SANTOS G A S， BELLOZE K T， TARRATACA L， et al. EvolveDTree： analyzing student dropout in universities［C］//2020 International Conference on Systems， Signals and Image Processing （IWSSIP）. Niteri， Brazil： IEEE， 2020： 173-178.

［5］CHEN C H， YANG S J H， WENG J X， et al. Predicting at-risk university students based on their e-book reading behaviours by using machine learning classifiers［J］. Australasian Journal of Educational Technology， 2021（4）： 130-144.

［6］MUSSO M F， HERNNDEZ C F R， CASCALLAR E C. Predicting key educational outcomes in academic trajectories： a machine-learning approach［J］. Higher Education， 2020（5）： 875-894.

［7］HANNAFORD L， CHENG X， KUNES-CONNELL M. Predicting nursing baccalaureate program graduates using machine learning models： a quantitative research study［J］. Nurse Education Today， 2021（99）： 104784.

［8］肖巍，倪傳斌，李銳.國外基于數(shù)據(jù)挖掘的學(xué)習(xí)預(yù)警研究：回顧與展望［J］.中國遠程教育，2018（2）：70-78.

［9］金義富，吳濤，張子石，等.大數(shù)據(jù)環(huán)境下學(xué)業(yè)預(yù)警系統(tǒng)設(shè)計與分析［J］.中國電化教育，2016（2）：69-73.

［10］王磊，趙芳芳.高等職業(yè)院校分類招考背景下的學(xué)生學(xué)業(yè)早期預(yù)警研究［J］.中國職業(yè)技術(shù)教育，2017（32）：70-74.

［11］趙慧瓊，姜強，趙蔚，等.基于大數(shù)據(jù)學(xué)習(xí)分析的在線學(xué)習(xí)績效預(yù)警因素及干預(yù)對策的實證研究［J］.電化教育研究，2017（1）：62-69.

［12］王改花，傅鋼善.網(wǎng)絡(luò)學(xué)習(xí)行為與成績的預(yù)測及學(xué)習(xí)干預(yù)模型的設(shè)計［J］.中國遠程教育，2019（2）：39-48.

［13］孫鵬，王宇，劉新勇.高校圖書館未來學(xué)習(xí)中心建設(shè)：緣起、現(xiàn)狀、困惑與路徑［J］.圖書情報工作，2024（6）：12-20.

［14］吳巖.加快高校圖書館現(xiàn)代化建設(shè)助力高等教育高質(zhì)量發(fā)展［J］.大學(xué)圖書館學(xué)報，2022（1）：7-8.

［15］朱永新，楊帆.重新定義教育：未來學(xué)習(xí)中心的形態(tài)構(gòu)建與實踐暢想：朱永新教授專訪［J］.蘇州大學(xué)學(xué)報（教育科學(xué)版），2020（4）：83-91.

［16］劉巧紅，馬雨生，蔡雨晨.基于XGBoost算法的糖尿病分類預(yù)測模型及應(yīng)用［J］.現(xiàn)代儀器與醫(yī)療，2023（4）：1-6.

（編輯 何琳）

Research on the academic early warning model of college students facing future learning centers

ZHANG" Wei1， LI" Xiaotao2*， LIU" Cunjie2， QIN" Haixia1， XIE" Ling2，3

（1.Academic Affairs Office， Nanjing University of Aeronautics and Astronautics， Nanjing 210016， China;

2.Library， Nanjing University of Aeronautics and Astronautics， Nanjing 210016， China; 3.College of Economics and Management， Nanjing University of Aeronautics and Astronautics， Nanjing 210016， China）

Abstract：" Since the reform and open， the scale of higher education in China has been continuously expanding， and the problem of poor academic performance among undergraduate students has become increasingly prominent. Therefore， early warning and assistance for college students are urgent issues that universities need to solve. In response to the current situation where there are few college student academic warning models based on library utilization data， this article integrates academic data from the Academic Affairs Office of Nanjing University of Aeronautics and Astronautics and library utilization data， and uses machine learning methods to construct a college student academic warning model. The research results indicate that subjects with high requirements for logical thinking have a significant impact on abnormal student status. In the utilization of data in libraries， the number of times students enter the library has a more significant impact on their academic performance compared to the number of times they borrow. The research results can provide reference for universities to build future learning centers， improve academic management and library service levels.

Key words： college student; academic warning model; machine learning; future learning center

基金項目：2023年南京航空航天大學(xué)本科教育教學(xué)改革研究項目；項目名稱：基于圖書館大數(shù)據(jù)的大學(xué)生學(xué)業(yè)預(yù)警模型研究；項目編號：2023JGTS15Z。

作者簡介：張煒（1973—），女，講師，碩士；研究方向：教育教學(xué)管理。

*通信作者：李小濤（1986—），男，副研究館員，博士；研究方向：信息計量與科學(xué)評價。