給高職學(xué)生構(gòu)建數(shù)字畫像的技術(shù)探究

中圖分類號：G64 文獻標識碼：A 文章編號：0450-9889（2025）09-0028-05

在當前快速發(fā)展的信息技術(shù)時代，職業(yè)教育面臨著前所未有的挑戰(zhàn)與機遇。盡管高校積累了大量的數(shù)據(jù)，但這些數(shù)據(jù)的價值還未得到充分的挖掘與利用；另一方面，傳統(tǒng)的職業(yè)教育模式因其教學(xué)內(nèi)容滯后、實踐機會有限以及缺乏個性化教學(xué)等問題，難以滿足現(xiàn)代社會對高技能人才的復(fù)雜需求。隨著信息技術(shù)的不斷進步，特別是機器學(xué)習(xí)等人工智能技術(shù)的發(fā)展，高職院校通過有效整合這些新興技術(shù)，有望實現(xiàn)職業(yè)教育質(zhì)的飛躍，為學(xué)生提供更加高效、個性化和實用的學(xué)習(xí)路徑。

機器學(xué)習(xí)技術(shù)已在職業(yè)教育界展現(xiàn)其多樣化的應(yīng)用潛力，涵蓋了如職業(yè)教育學(xué)分相互認可以及職業(yè)教育與產(chǎn)業(yè)深度融合等創(chuàng)新管理策略，該技術(shù)同樣在大數(shù)據(jù)挖掘指標預(yù)測領(lǐng)域發(fā)揮著重要作用。盡管如此，針對如何有效利用機器學(xué)習(xí)技術(shù)推動高等職業(yè)教育教學(xué)管理，提高人才培養(yǎng)質(zhì)量的創(chuàng)新發(fā)展，目前的研究成果尚顯不足。因此，本文旨在利用機器學(xué)習(xí)算法分析學(xué)生行為數(shù)據(jù)、生成學(xué)生畫像，從而智能分析學(xué)生的學(xué)習(xí)、社交、消費、就業(yè)等行為，然后構(gòu)建成績預(yù)測模型，以輔助學(xué)生全面了解自己，實現(xiàn)學(xué)業(yè)預(yù)警功能，幫助學(xué)校提高教學(xué)管理效率。

一、高職學(xué)生畫像的概念與意義

學(xué)生畫像是一個帶有標簽的用戶畫像，本文以為例，通過學(xué)生在超星泛雅平臺的學(xué)習(xí)時長、作業(yè)情況，在易班系統(tǒng)上的社團活動、獲獎情況，在教務(wù)系統(tǒng)上的學(xué)科成績，在一卡通平臺上的消費記錄等生活中產(chǎn)生的校園活動數(shù)據(jù)進行人工智能分析，得到學(xué)生帶有標簽信息的數(shù)字化描述畫像[1。它包含了學(xué)生的學(xué)科成績、第二課堂情況、消費情況、競賽參與情況、就業(yè)情況等，如圖1所示。職業(yè)院校管理層和教師可以通過學(xué)生的這些信息對學(xué)生的就業(yè)情況、學(xué)習(xí)情況、消費情況、參與活動情況等有更全面、精確的掌握和了解，有助于院校做好相關(guān)規(guī)劃和提高學(xué)生管理效率。

在大數(shù)據(jù)和人工智能快速發(fā)展背景下，職業(yè)院校積累了學(xué)生各個方面的數(shù)據(jù)，例如學(xué)生的入學(xué)信息、學(xué)習(xí)成績、消費信息、獲獎信息、就業(yè)信息等方面。這些數(shù)據(jù)存在學(xué)校的各類信息系統(tǒng)中，學(xué)校通過采集這些數(shù)據(jù)并利用人工智能進行數(shù)據(jù)分析和處理，能夠刻畫出學(xué)生的數(shù)字畫像，根據(jù)這些多維數(shù)據(jù)與學(xué)業(yè)成績之間存在的潛在關(guān)系，可以預(yù)測出學(xué)生當前狀況下未來某一學(xué)科的成績，這對學(xué)生掌握自身學(xué)習(xí)情況、及時調(diào)整學(xué)習(xí)狀態(tài)具有積極的意義。

在以往高職教育中，教師難以全面掌握每名學(xué)生的學(xué)習(xí)與生活情況，學(xué)校不能準確地規(guī)劃政策和采取有效的措施，使得高質(zhì)量的人才培養(yǎng)計劃打折扣，教師也無法向?qū)W生提供有充分差異性的個性化輔導(dǎo)。以往，職業(yè)院校往往是等到學(xué)生已經(jīng)逃課到一定的課時，掛科的科目達到一定的數(shù)目，才下學(xué)業(yè)預(yù)警通知，這種缺乏全程監(jiān)控的預(yù)警機制2，可能導(dǎo)致學(xué)生的學(xué)業(yè)問題在被發(fā)現(xiàn)時已經(jīng)很嚴重，想要挽回和糾正已顯得滯后。因此，開展高校學(xué)生行為畫像與成績預(yù)測的研究具有以下意義。

第一，促進個性化教學(xué)策略制訂。通過深入分析學(xué)生行為畫像，包括學(xué)習(xí)習(xí)慣（如每日學(xué)習(xí)時長、學(xué)習(xí)時間分布、學(xué)習(xí)平臺使用頻率等），社交互動（參與社團活動類型、與同學(xué)交流合作情況），生活規(guī)律（作息時間、校園消費場所偏好等）等多方面信息，教師能夠精準地了解每名學(xué)生的特點和需求。例如，對學(xué)習(xí)主動性強但缺乏系統(tǒng)學(xué)習(xí)方法的學(xué)生，教師可以提供具有針對性的學(xué)習(xí)方法指導(dǎo)課程；而對社交活躍但學(xué)習(xí)時間較少的學(xué)生，教師可以設(shè)計更具吸引力和靈活性的學(xué)習(xí)任務(wù)，鼓勵他們將社交優(yōu)勢轉(zhuǎn)化為學(xué)習(xí)動力。

第二，早期干預(yù)與心理支持。對行為畫像顯示出異常行為模式（如長期熬夜、消費異常、社交孤立等）且成績預(yù)測有明顯下降趨勢的學(xué)生，學(xué)?？梢约皶r介入，提供心理咨詢、生活指導(dǎo)等支持。例如，若發(fā)現(xiàn)學(xué)生因經(jīng)濟壓力導(dǎo)致生活規(guī)律紊亂且學(xué)習(xí)成績下滑，學(xué)?？梢蕴峁┲鷮W(xué)金申請指導(dǎo)、兼職推薦等幫助，避免學(xué)生因潛在問題進一步惡化而影響學(xué)業(yè)和身心健康，有助于學(xué)生保持良好的學(xué)習(xí)和生活狀態(tài)[3]。

第三，校園資源規(guī)劃與設(shè)施建設(shè)。了解學(xué)生的行為習(xí)慣和需求后，學(xué)校可以更科學(xué)地規(guī)劃校園資源和設(shè)施建設(shè)。如果學(xué)生行為畫像顯示大部分學(xué)生喜歡在特定時間段使用圖書館的電子資源進行學(xué)習(xí)，學(xué)?？梢钥紤]增加電子閱覽室的設(shè)備數(shù)量；如果發(fā)現(xiàn)學(xué)生對戶外運動場地的使用需求在某些時間段較高，學(xué)?？梢院侠戆才艌龅鼐S護時間，或者考慮擴建相關(guān)運動場地，以滿足學(xué)生的學(xué)習(xí)和生活需求，提升校園整體的運行效率和學(xué)生滿意度[4]。

二、構(gòu)建學(xué)生畫像的流程

構(gòu)建學(xué)生畫像，有三個流程。一是需要從多個數(shù)據(jù)庫中獲取學(xué)生的成績、消費、生活的數(shù)據(jù)信息。獲得信息后，要進行數(shù)據(jù)清洗、數(shù)據(jù)標準化等一系列數(shù)據(jù)預(yù)處理，根據(jù)學(xué)生的學(xué)習(xí)生活等相關(guān)過程中不同的行為特征進行數(shù)據(jù)分析，從而確定多維方向，例如德育、學(xué)業(yè)、體育、勞動等方面的不同標簽，并利用生成好的標簽進行數(shù)據(jù)可視化展示，這個標簽組成圖像就是學(xué)生畫像5。以為例，其中數(shù)據(jù)從學(xué)生的消費記錄、成績記錄等方面進行采集，對采集到的數(shù)據(jù)進行數(shù)據(jù)清洗和集成，就可以得到學(xué)生行為數(shù)據(jù)集。

二是確定學(xué)生畫像的標簽描述。因為學(xué)生畫像指的是對學(xué)生消費、行為習(xí)慣、生活起居等方面的描述，所以可以選擇成績、消費水平、出入圖書館次數(shù)等指標，使目標畫像信息的生成更集中和準確。然后利用機器學(xué)習(xí)或數(shù)據(jù)挖掘等技術(shù)對已有數(shù)據(jù)進行分析，從而得到學(xué)生的一些個人屬性。

三是利用可視化操作技術(shù)將得到的學(xué)生用戶畫像多維數(shù)據(jù)進行可視化，方便教師對學(xué)生的各方面表現(xiàn)進行評估，以提供更好的教學(xué)幫助。具體構(gòu)建學(xué)生畫像的流程圖如圖2所示。

三、學(xué)生數(shù)字畫像的實踐探究

（一）學(xué)生行為數(shù)據(jù)來源

筆者以為例，從教務(wù)系統(tǒng)、一卡通系統(tǒng)、就業(yè)系統(tǒng)、泛雅超星系統(tǒng)和易班系統(tǒng)采集各類數(shù)據(jù)，具體涉及的數(shù)據(jù)包括學(xué)生的基本信息數(shù)據(jù)、學(xué)科期末成績、一卡通消費數(shù)據(jù)、課程基本信息、學(xué)生就業(yè)數(shù)據(jù)、參賽獲獎數(shù)據(jù)和在線學(xué)習(xí)時長等，具體數(shù)據(jù)表及其主要字段名稱主要包括：學(xué)生信息表一學(xué)號、姓名、性別、高考成績、單招或者對口成績；學(xué)科成績表一學(xué)號、課程編號、課程學(xué)分、課程名稱、學(xué)期、分數(shù)；學(xué)生校園卡表—學(xué)號、姓名、支出金額、支出時間、支出地點；超星平時成績表一一學(xué)號、作業(yè)名稱、學(xué)期、課程名稱、得分；易班獲獎表一學(xué)號、學(xué)期、獲獎項目、獲獎等級、獲獎時間。

（二）數(shù)據(jù)處理

研究所采集的數(shù)據(jù)來自學(xué)校各數(shù)據(jù)庫，數(shù)據(jù)庫在使用的過程中經(jīng)常會因為某種變故導(dǎo)致數(shù)據(jù)質(zhì)量下降，因此需要在模型建立前對數(shù)據(jù)進行一定的數(shù)據(jù)預(yù)處理操作，提取所需要的特征，方便后續(xù)的相應(yīng)研究。具體數(shù)據(jù)預(yù)處理包括數(shù)據(jù)清洗和數(shù)據(jù)變換兩個方面。

數(shù)據(jù)清洗是數(shù)據(jù)挖掘過程中必不可少的環(huán)節(jié)，它是指在進行數(shù)據(jù)分析和模型訓(xùn)練之前對數(shù)據(jù)進行預(yù)先的檢查和清理的過程，能提高數(shù)據(jù)的質(zhì)量和可用性。常見的數(shù)據(jù)清洗技術(shù)包括數(shù)據(jù)校驗、數(shù)據(jù)規(guī)范化、數(shù)據(jù)去重等操作。筆者在研究中通過數(shù)據(jù)清洗去除不完整的數(shù)據(jù)并刪除明顯不合理的數(shù)據(jù)，比如學(xué)生年齡為負值或成績超過滿分的情況等。同時利用整體數(shù)據(jù)來尋找一些合適的數(shù)據(jù)值，對空缺的數(shù)據(jù)進行填充。

數(shù)據(jù)變換是為了使原始數(shù)據(jù)轉(zhuǎn)變?yōu)楦m宜進行數(shù)據(jù)分析而進行的一步操作，比如學(xué)生進出圖書館時間的數(shù)據(jù)可以轉(zhuǎn)變?yōu)槌鋈氪螖?shù)，學(xué)生一卡通消費數(shù)據(jù)可以轉(zhuǎn)變?yōu)閷W(xué)生月均早餐消費金額等指標。常見的數(shù)據(jù)變換方法有標準化、歸一化、規(guī)范化等。本文為了消除學(xué)生各種指標的單位量級不同而造成的數(shù)據(jù)差異和不同年級學(xué)生相同學(xué)科由于不同年份出題難度不同而造成的成績差異，所選用的方法為規(guī)范化，它可以提前規(guī)定數(shù)據(jù)集中某個字段的最值，并將原始數(shù)據(jù)映射到新區(qū)間范圍內(nèi)。

（三）特征提取

以信息工程學(xué)院2022年級計算機應(yīng)用技術(shù)專業(yè)120名學(xué)生數(shù)據(jù)為例，首先筆者利用學(xué)生基本信息數(shù)據(jù)提取出學(xué)生的學(xué)號、性別、院系、專業(yè)、出生日期、高考成績等基本信息，其中為了方便后續(xù)建立模型，將男性記作1，女性記作2；同時利用入學(xué)年份減去學(xué)生對應(yīng)的出生年份作為學(xué)生的入學(xué)年齡；其次利用每名學(xué)生的對應(yīng)學(xué)號，在《編程基礎(chǔ)》成績數(shù)據(jù)表中找出學(xué)生的第一次《編程基礎(chǔ)》成績數(shù)據(jù)，如果學(xué)生沒有參加過《編程基礎(chǔ)》考試，則其對應(yīng)成績記為0；隨后利用學(xué)生的學(xué)號在上網(wǎng)信息數(shù)據(jù)表中計算出每名學(xué)生在校期間平均每個月所使用的校園網(wǎng)流量信息以及校園網(wǎng)上網(wǎng)時長；利用圖書館出入記錄，統(tǒng)計學(xué)生對應(yīng)學(xué)號四年期間出入圖書館的天數(shù)；然后利用一卡通消費數(shù)據(jù)計算出學(xué)生在校期間就餐次數(shù)，并按照就餐時間統(tǒng)計出三餐分別的就餐次數(shù)以及平均用餐金額。在統(tǒng)計學(xué)生的基本信息以及日常行為數(shù)據(jù)后，對學(xué)生的成績數(shù)據(jù)進行統(tǒng)計匯總，取出每名學(xué)生的必修科目成績并且篩選出至少有100名學(xué)生成績的課程，并結(jié)合課程學(xué)分數(shù)據(jù)計算出學(xué)生所有必修科目的加權(quán)平均成績。

由于本文要利用學(xué)生的基本行為來預(yù)測學(xué)生在校期間的成績，所以對之前獲得的學(xué)生行為數(shù)據(jù)表中的“超星平時成績表”“易班”“必修課加權(quán)平均分”三項在校就讀后獲得的成績進行剔除處理，隨后利用pandas庫中的merge函數(shù)將學(xué)生行為數(shù)據(jù)表與學(xué)生成績數(shù)據(jù)表中學(xué)號一樣的數(shù)據(jù)進行鏈接，得到信息工程學(xué)院2022年級計算機應(yīng)用技術(shù)專業(yè)學(xué)生“行為一成績”數(shù)據(jù)矩陣，部分數(shù)據(jù)截圖如圖3所示。

（四）基于SVR進行學(xué)生成績預(yù)測

筆者利用上面經(jīng)過集成的數(shù)據(jù)進行基于學(xué)生行為相似度的學(xué)生成績預(yù)測，利用學(xué)生的行為數(shù)據(jù)、成績信息進行數(shù)據(jù)挖掘，得到潛在的行為與學(xué)習(xí)成績之間的關(guān)系、影響學(xué)生學(xué)習(xí)成績的行為因素，并進行相應(yīng)的預(yù)測。

項目中的特征值為學(xué)生性別、年齡、高考成績、進入圖書館天數(shù)、流量數(shù)據(jù)、就餐信息等基本行為信息，目標值為學(xué)生的各個學(xué)科課業(yè)成績，利用基本行為信息，基于機器學(xué)習(xí)svr模型對學(xué)生學(xué)習(xí)成績進行建模預(yù)測，從而得到各科目的模型準確率以及平均誤差。如大學(xué)英語準確率得分 85% ，平均誤差3.25分；編程基礎(chǔ)準確率得分 86% ，平均誤差2.30分；web前端開發(fā)課程準確率得分 88% ，平均誤差2.20分。同時經(jīng)過分析得到學(xué)科成績受到行為影響的重要程度，由大到小排列順序為：高考成績，早餐的次數(shù)，作業(yè)成績，進入圖書館次數(shù)，午餐次數(shù)，入學(xué)年齡。

從分析結(jié)果可以看出，對學(xué)生學(xué)習(xí)課程影響比較重要的學(xué)生行為有學(xué)生的高考成績、早餐次數(shù)、進入圖書館天數(shù)等信息，從這些數(shù)據(jù)可以體現(xiàn)出學(xué)生的入學(xué)前能力以及入學(xué)后學(xué)習(xí)狀態(tài)，整體而言符合基本邏輯。但是也包含一些相對而言關(guān)系不是很大的諸如就餐次數(shù)、流量數(shù)據(jù)等信息。筆者將課程成績預(yù)測值與學(xué)生的真實成績相比較，發(fā)現(xiàn)該模型的準確率較高。部分數(shù)據(jù)截圖如圖4所示。

從圖4中可以看出，基于學(xué)生行為數(shù)據(jù)分析得到的成績預(yù)測值與真實成績都比較接近，所以本文基于學(xué)生行為成績預(yù)測值是值得信任的。

四、學(xué)生畫像可視化展示

學(xué)生畫像可視化展示成為一座連接學(xué)生與教師、數(shù)據(jù)與認知的重要橋梁。它以一種極具直觀性與形象化的方式，將原本抽象、繁雜的學(xué)生信息轉(zhuǎn)化為一目了然的視覺呈現(xiàn)，通過本文前面介紹的采集學(xué)校各類信息系統(tǒng)的數(shù)據(jù)，經(jīng)過數(shù)據(jù)處理出來后，可刻畫出一個具有標簽信息的學(xué)生數(shù)字畫像。

構(gòu)建學(xué)生群體畫像的核心在于以生動形象且精準的形式對學(xué)生群體的多維度特點進行深度刻畫。高校管理者聚焦于學(xué)生的消費數(shù)據(jù)與成績數(shù)據(jù)，運用經(jīng)過改進的機器學(xué)習(xí)聚類分析及關(guān)聯(lián)分析技術(shù)，深入挖掘數(shù)據(jù)背后隱藏的信息與規(guī)律。這兩種先進的分析方法相互配合，可以精準地剖析學(xué)生數(shù)據(jù)之間的內(nèi)在聯(lián)系與潛在模式。在深入分析數(shù)據(jù)的同時，學(xué)生的基本信息也被融入其中。這些基本信息涵蓋了學(xué)生的性別、年齡、專業(yè)、生源地等多個方面，它們?nèi)缤嬒竦妮喞蚣?，為學(xué)生群體畫像奠定了基礎(chǔ)。詞云圖以其獨特的視覺呈現(xiàn)方式，將學(xué)生群體的關(guān)鍵特征以不同大小、顏色和字體的字詞形式展現(xiàn)出來。例如，在消費數(shù)據(jù)方面，高頻出現(xiàn)的“食堂消費”“圖書購買”“學(xué)習(xí)用品支出”等詞匯，直觀地反映了學(xué)生在校園生活中的消費偏好與重點領(lǐng)域；而在成績數(shù)據(jù)方面，“優(yōu)秀科目”“薄弱學(xué)科”“進步顯著課程”等詞語則清晰地勾勒出學(xué)生在學(xué)業(yè)上的表現(xiàn)輪廓。

為了更深入地理解學(xué)生群體的多樣性與差異性，針對不同類別群體的學(xué)生畫像進行舉例展示顯得尤為重要。圖5運用機器學(xué)習(xí)和python程序生成的詞云圖是一個使用案例。在這幅詞云圖中，我們可以清晰地看到不同類別學(xué)生之間的顯著差異。以專業(yè)類別為例，成績中等學(xué)生的詞云圖突出顯示“消費較高”“成績中等”“一般規(guī)律”等與成績相關(guān)聯(lián)的詞匯，反映出他們平時行為上的特征與成績之間的關(guān)聯(lián)；而成績較差學(xué)生的詞云圖則更多地呈現(xiàn)“成績較差”“不規(guī)律”“熬夜”“逃課”等與成績差對應(yīng)的行為不規(guī)律的詞語。

這樣全面、細致且直觀的學(xué)生畫像可視化展示，對學(xué)生了解自身優(yōu)點與不足以及對教師為學(xué)生提供有針對性的指導(dǎo)都大有裨益。對學(xué)生而言，他們可以借此清晰地認識自己在群體中的位置與特點，發(fā)現(xiàn)自身的優(yōu)勢與不足，從而有針對性地調(diào)整學(xué)習(xí)策略與生活方式，實現(xiàn)自我成長與發(fā)展的優(yōu)化。對教師而言，學(xué)生畫像可視化展示則為他們提供了一幅精準的教學(xué)導(dǎo)航圖，使其能夠根據(jù)不同學(xué)生群體的特點與需求，制定個性化的教學(xué)計劃與指導(dǎo)方案，實現(xiàn)因材施教的教育理想。在教育大數(shù)據(jù)的時代背景下，學(xué)生畫像可視化展示無疑將成為推動教育質(zhì)量提升與學(xué)生全面發(fā)展的重要助力，引領(lǐng)教育走向更加精準、高效、個性化的未來。

五、數(shù)字畫像技術(shù)局限及展望

綜上所述，利用本文所建立的學(xué)生用戶畫像以及成績預(yù)測模型，在未來可以搭建相關(guān)系統(tǒng)平臺，在學(xué)校的日常學(xué)生管理工作中，可以通過平臺更直觀地提供給相關(guān)教師更多的建議，方便他們更便捷高效地幫助學(xué)生，同時也可以將對應(yīng)學(xué)生的相應(yīng)成績預(yù)測數(shù)據(jù)提供給學(xué)生本人，提高學(xué)生對學(xué)科的重視程度。在運用數(shù)字畫像技術(shù)時，數(shù)據(jù)隱私保護至關(guān)重要。研究者在采集學(xué)生數(shù)據(jù)過程中需遵循嚴格規(guī)范，采取加密傳輸、分級存儲等技術(shù)手段，確保學(xué)生個人信息安全無虞，避免敏感信息泄露。

基于本研究，未來的相關(guān)研究可以從以下兩個角度展開。一是加強多模態(tài)數(shù)據(jù)融合。目前可能主要依賴于消費數(shù)據(jù)、基本信息等有限類型的數(shù)據(jù)構(gòu)建畫像與預(yù)測模型，未來可嘗試融合更多模態(tài)的數(shù)據(jù)，如學(xué)生在在線學(xué)習(xí)平臺上的學(xué)習(xí)行為數(shù)據(jù)、課堂互動數(shù)據(jù)以及生理數(shù)據(jù)，以更全面地刻畫學(xué)生狀態(tài)，挖掘潛在的影響成績的因素，提升模型的泛化能力與解釋性。二是針對顯示有學(xué)業(yè)預(yù)警風(fēng)險的學(xué)生，進一步研究如何根據(jù)其畫像特征采取高度個性化的輔導(dǎo)策略。例如，針對因?qū)W習(xí)方法不當而導(dǎo)致成績下滑的學(xué)生，可設(shè)計專門的學(xué)習(xí)方法培訓(xùn)課程；針對因缺乏學(xué)習(xí)動力而表現(xiàn)不佳的學(xué)生，可探索基于激勵理論的個性化激勵方案，如設(shè)立個性化的學(xué)習(xí)目標與獎勵機制，通過平臺及時推送鼓勵信息與學(xué)習(xí)進度反饋，激發(fā)學(xué)生的內(nèi)在學(xué)習(xí)動力，提高輔導(dǎo)的針對性與有效性。

參考文獻

[1]翁泉源.基于BP神經(jīng)網(wǎng)絡(luò)和Apriori算法的教學(xué)成績預(yù)測與分析研究[D].南昌：江西師范大學(xué)，2018.

[2]王曉玲，趙岳生，羅宇彤.基于機器學(xué)習(xí)的人體活動識別[J].物聯(lián)網(wǎng)技術(shù)，2023，13（12）：3-6，11.

[3]胡茜茜.基于學(xué)生個人大數(shù)據(jù)的行為特征分析[D].武漢：華中師范大學(xué)，2019.

[4]馬海榮.基于深度學(xué)習(xí)的遙感影像耕地地塊邊界提取應(yīng)用[J].中南農(nóng)業(yè)科技，2023，44（12）：129-133.

[5孫美娟.基于校園一卡通數(shù)據(jù)的學(xué)生畫像和學(xué)業(yè)預(yù)警研究[D].烏魯木齊：新疆師范大學(xué)，2023.

[6]王曉飛，韓溢文.邊緣智能計算與智能邊緣計算［J].張江科技評論，2019（2）：10-12.

注：本文系廣西教育科學(xué)“十四五”規(guī)劃2024年度專項課題“大數(shù)據(jù)視域下職業(yè)本科學(xué)生數(shù)字畫像研究與實踐”（2024ZJY428）的研究成果。

（責編 秦越霞）