基于數(shù)據(jù)挖掘的學(xué)生學(xué)習(xí)行為分析與成績預(yù)測

中圖分類號：TP391；G434 文獻(xiàn)標(biāo)識碼：A文章編號：2096-4706（2025）12-0147-05

Students' Learning Behavior Analysis and Performance Prediction Based on Data Mining -Taking ldeological and Political Courses as an Example

LI Hongyu'，HE Jun2， MO Juqing （1.GuangxiElectrical Polytechnic Institute，Nanning53o299，China; 2.Guangxi Financial Vocational College，Nanning 53ooo7，China）

Abstract：With the in-depth development of the bigdata era，data-driven and technology-enabled have become an important wayandefectivemeansforideologicalandpoliticalcoursestoinnovateideas，innovatemethods，improveefects， andcomprehensivelyevaluate.Promotingthedeepintegrationofdatamining technologyandideologicalandpoliticalcourse teaching has becomean inevitable trendforideologicaland political courses toactivelyrespond tochangesandinnovate. Throughdataminingrelated technologies，thispaperconductsclustering，aociationrule miningandclasificationprediction onvariousdatageneratedonlineandoflinebystudentsinideologicalandpoliticalcourses，andrevealsthecorrelationand potential paters between students'laing behaviorandacademic performance inte teaching proces.Itprovides datasupport andreferencesuggestions forimproving students'academic performance，optimizingteaching schemes and innovating teaching methods，promoting thecontinuous improvementof teaching accuracyandefectivenes，and promoting the high-quality development of ideological and political courses.

Keywords： data mining; ideological and political course; learning behavior; performance prediction

0 引言

《教育強(qiáng)國建設(shè)規(guī)劃綱要（2024—2035年）》指出，“探索數(shù)字賦能大規(guī)模因材施教、創(chuàng)新性教學(xué)的有效途徑，主動(dòng)適應(yīng)學(xué)習(xí)方式變革”“推動(dòng)思想政治工作和信息技術(shù)深度融合”[]。思政課是高校落實(shí)立德樹人根本任務(wù)的關(guān)鍵課程，肩負(fù)著培養(yǎng)符合國家未來發(fā)展進(jìn)步的社會主義時(shí)代新人重任。當(dāng)前，思想政治理論課教學(xué)活動(dòng)的組織與實(shí)施主要依靠教師主觀經(jīng)驗(yàn)積累、學(xué)術(shù)理論支撐與課堂教學(xué)設(shè)計(jì)，往往忽略客觀數(shù)據(jù)分析、學(xué)生行為反饋和課后學(xué)習(xí)跟蹤，存在學(xué)生學(xué)習(xí)不夠主動(dòng)、教學(xué)方法選擇困難、教學(xué)效果難以量化等現(xiàn)實(shí)問題。數(shù)據(jù)挖掘是現(xiàn)代信息科技的重要技術(shù)手段，其本質(zhì)是從龐大數(shù)據(jù)表征中利用智能算法發(fā)現(xiàn)內(nèi)在隱藏?cái)?shù)學(xué)規(guī)律的過程，被大量應(yīng)用于實(shí)現(xiàn)個(gè)性化、精準(zhǔn)化和前瞻化教育之中。因此需借助數(shù)據(jù)分析算法和機(jī)器學(xué)習(xí)技術(shù)，對思政課教學(xué)過程進(jìn)行跟蹤記錄、精準(zhǔn)分析、全面評估和及時(shí)干預(yù)，以滿足學(xué)生個(gè)性化需要訴求，創(chuàng)新教育教學(xué)模式，提升思政課鑄魂育人實(shí)效。

1 研究現(xiàn)狀

1. 1 數(shù)據(jù)挖掘概述

隨著數(shù)智技術(shù)和移動(dòng)終端的應(yīng)用和普及，人們學(xué)習(xí)、工作和生活的方方面面都被計(jì)算機(jī)系統(tǒng)所逐一記錄，個(gè)人思想和具體行為都被量化并匯聚成為數(shù)字海洋的一部分。數(shù)據(jù)挖掘正是從這些海量的、多模態(tài)的、價(jià)值稀疏的數(shù)據(jù)中探尋和發(fā)現(xiàn)隱藏在其中、對主體具有指導(dǎo)性意義規(guī)律和信息的過程[2。當(dāng)前，數(shù)據(jù)挖掘技術(shù)已經(jīng)隨著大數(shù)據(jù)席卷的潮流應(yīng)用于教育、金融、醫(yī)療等社會方方面面的具體領(lǐng)域，促使著各個(gè)行業(yè)朝著高質(zhì)量和創(chuàng)新發(fā)展的道路不斷前進(jìn)。

數(shù)據(jù)挖掘過程主要分為五個(gè)環(huán)節(jié)，包括明確對象、數(shù)據(jù)收集、數(shù)據(jù)清洗、數(shù)據(jù)挖掘、表示分析。其中明確對象和數(shù)據(jù)收集是開始和前提，是否擁有良好的數(shù)據(jù)會直接影響最終實(shí)驗(yàn)的結(jié)果。數(shù)據(jù)清洗是基礎(chǔ)，需要將原始數(shù)據(jù)中的冗余、錯(cuò)誤、異常進(jìn)行修正，以便更好地進(jìn)行分析。數(shù)據(jù)挖掘是關(guān)鍵，通過選擇恰當(dāng)?shù)乃惴ㄅc合適的參數(shù)對數(shù)據(jù)集進(jìn)行分析，才能深挖其中潛藏的價(jià)值信息。表示分析是對挖掘的結(jié)果評價(jià)和知識同化，完成挖掘流程的調(diào)整和完善，并把產(chǎn)生的知識或經(jīng)驗(yàn)總結(jié)從而指導(dǎo)具體實(shí)踐。

1.2數(shù)據(jù)挖掘在學(xué)生學(xué)習(xí)行為分析及思想政治教育的應(yīng)用

目前將數(shù)據(jù)挖掘相關(guān)技術(shù)賦能教育教學(xué)領(lǐng)域已成為熱點(diǎn)趨勢，主要包括使用聚類分析、關(guān)聯(lián)規(guī)則挖掘、人工神經(jīng)網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)算法對各種學(xué)習(xí)數(shù)據(jù)進(jìn)行特征提取和建立模型，為創(chuàng)新教學(xué)方法和提高教學(xué)質(zhì)量提供了重要幫助[3-。劉博鵬等人[3]以學(xué)生學(xué)習(xí)個(gè)人信息、學(xué)習(xí)狀況和歷史表現(xiàn)的三個(gè)維度基礎(chǔ)上，通過SVM建立成績預(yù)測模型，進(jìn)而及時(shí)干預(yù)學(xué)業(yè)過程。黃麗冰等人[4利用K-means將基于SPOC模式收集到的C語言課程線上線下教學(xué)數(shù)據(jù)進(jìn)行聚類，得到三種不同的學(xué)生學(xué)習(xí)行為模式，以實(shí)施個(gè)性化教學(xué)策略。沈江等人[以教學(xué)過程活動(dòng)記錄為基礎(chǔ)，借助AdaBoost方法對學(xué)生的學(xué)習(xí)狀態(tài)進(jìn)行評估和預(yù)測，從而開展針對性學(xué)業(yè)指導(dǎo)。

部分研究也嘗試將數(shù)據(jù)挖掘技術(shù)應(yīng)用于思想政治教育的各個(gè)環(huán)節(jié)之中，從而提升思想政治教育的針對性和有效性。任琳等人[7]借助詞云展示和聚類分析微博內(nèi)容和評論，獲取大學(xué)生熱點(diǎn)話題，從而掌握學(xué)生思想動(dòng)態(tài)，幫助學(xué)生樹立正確價(jià)值取向。許乃千[8]通過思政資源應(yīng)用記錄和學(xué)生線上行為構(gòu)建資源模型和用戶矩陣，以K-means算法為基礎(chǔ)實(shí)現(xiàn)領(lǐng)域間資源推薦，提高對思政教學(xué)資源推送的精準(zhǔn)性。陳晨[9]以課前、課中和課后作為維度對思政教師教學(xué)能力聚類，挖掘關(guān)聯(lián)規(guī)則構(gòu)建評價(jià)模型，以實(shí)現(xiàn)更加客觀有效地評估思政教師專業(yè)能力水平。

2研究過程與結(jié)果分析

2.1 數(shù)據(jù)來源

本文所用的數(shù)據(jù)來源于某高職院校23級3個(gè)院系12個(gè)班619名學(xué)生黨史課的學(xué)習(xí)數(shù)據(jù)，主要包括四個(gè)模塊的內(nèi)容：學(xué)校教務(wù)系統(tǒng)中存儲的學(xué)生個(gè)人信息及課程總評數(shù)據(jù)、教師教學(xué)過程中記錄的學(xué)生課堂表現(xiàn)數(shù)據(jù)、學(xué)生進(jìn)行課程期中期末考試的成績數(shù)據(jù)、學(xué)生使用藍(lán)墨云班課在線平臺進(jìn)行輔助學(xué)習(xí)產(chǎn)生的線上學(xué)習(xí)數(shù)據(jù)。這些數(shù)據(jù)客觀反映了學(xué)生在該課程中的學(xué)習(xí)態(tài)度、學(xué)習(xí)習(xí)慣、學(xué)業(yè)表現(xiàn)等情況，為探究思政課學(xué)生學(xué)習(xí)行為分析與成績預(yù)測奠定基礎(chǔ)。但由于數(shù)據(jù)樣本來源有限、學(xué)生行為成績波動(dòng)、教師主觀評價(jià)影響，因此研究所得的結(jié)果存在一定局限性。

2.2 數(shù)據(jù)預(yù)處理

2.2.1 數(shù)據(jù)合并

數(shù)據(jù)合并的主要目的是將來自不同源或者表中的各類數(shù)據(jù)進(jìn)行整合和匯總，以形成一個(gè)更全面準(zhǔn)確的數(shù)據(jù)視圖，為更好地理解數(shù)據(jù)，發(fā)現(xiàn)其中的關(guān)聯(lián)和趨勢打下基礎(chǔ)。借助pandas庫中merge、join、concat等函數(shù)將從不同平臺渠道整理所得的4份表格中關(guān)鍵內(nèi)容進(jìn)行合并。其中，期末考試情況包含本次考試的所有試題及學(xué)生作答情況，按照馬克思主義理論學(xué)科相關(guān)研究基礎(chǔ)，將55個(gè)題目按照內(nèi)容劃分合并為4個(gè)類別，形成了包括了12個(gè)維度學(xué)生學(xué)習(xí)行為與考試成績數(shù)據(jù)，如表1所示。

表1黨史課學(xué)生學(xué)習(xí)行為與考試數(shù)據(jù)維度

2.2.2 缺失、異常處理

由于選取的數(shù)據(jù)源自學(xué)生用于輔助學(xué)習(xí)的在線教學(xué)平臺，因此在經(jīng)過合并數(shù)據(jù)后，必須進(jìn)行細(xì)致的檢查，找到其中存在的信息缺失、類型錯(cuò)誤、數(shù)據(jù)異常、重復(fù)內(nèi)容等各種問題，并通過一系列方式和方法進(jìn)行識別并糾正。如未參與期中測試學(xué)生的期中成績置零，刪除期末考試缺考學(xué)生的數(shù)據(jù)等。經(jīng)過各項(xiàng)處理后，最終剩余611條有效數(shù)據(jù)參與研究。

2.2.3 數(shù)據(jù)轉(zhuǎn)換

不同特征的數(shù)據(jù)因其意義和指代不同，因此造成會數(shù)據(jù)長度有所差異，為進(jìn)一步提高機(jī)器學(xué)習(xí)模型的性能和穩(wěn)定性，須使用歸一化的手段在將數(shù)據(jù)的特征值縮放至統(tǒng)一的量綱。本文各項(xiàng)數(shù)據(jù)均有相對固定的最大值最小值，因此適宜采用Min-Max歸一化方式，如式（1）所示，將所有數(shù)據(jù)線性縮放到[0，1]范圍內(nèi)。

2.3 聚簇分析

為發(fā)現(xiàn)和探究學(xué)生在思政課學(xué)習(xí)過程中的各種行為模式，本文采用了一種經(jīng)典的基于無監(jiān)督學(xué)習(xí)技術(shù)的K-means聚簇算法對預(yù)處理完成的數(shù)據(jù)進(jìn)行分析。若樣本數(shù)量為 n ， X_i 為第 i 個(gè)樣本，它對應(yīng)的質(zhì)心為u_j ，K-means的基本原理就是要找到一組質(zhì)心使式（2）結(jié)果最小。

選取除期末考試具體作答情況外的8個(gè)與課程最終成績高度相關(guān)維度作為聚類特征。在此算法中，聚類中心數(shù)量 K 值的探究對于整個(gè)聚類結(jié)果有著舉足輕重的影響。經(jīng)過測試，最終選定 K=4 進(jìn)行作為聚簇?cái)?shù)量進(jìn)行研究。得到的輸出結(jié)果如表2所示。

表2聚類算法輸出結(jié)果

通過表1可得知，這3個(gè)聚簇各自代表了學(xué)生在思政課學(xué)習(xí)上獨(dú)特的學(xué)習(xí)行為模式。具體來說，聚簇2學(xué)生在各維度的數(shù)據(jù)均優(yōu)于其他聚簇，表現(xiàn)其積極主動(dòng)的學(xué)習(xí)態(tài)度和穩(wěn)步扎實(shí)的學(xué)習(xí)行為。對于此類學(xué)生，要繼續(xù)鼓勵(lì)學(xué)生進(jìn)行自主學(xué)習(xí)，進(jìn)一步鞏固其現(xiàn)有學(xué)習(xí)模式，并設(shè)計(jì)更具深度和廣度的學(xué)習(xí)任務(wù)，提升學(xué)生思維能力和解決問題的能力，挖掘個(gè)體潛力。

聚簇0學(xué)生除課堂表現(xiàn)較差外，其他各項(xiàng)的學(xué)習(xí)情況均處于一般區(qū)間，體現(xiàn)其對于課堂學(xué)習(xí)的忽視。對于此類學(xué)生，應(yīng)采用更加生動(dòng)有趣的教學(xué)方法，如采用主動(dòng)提問、分組討論、創(chuàng)設(shè)情境等互動(dòng)方式，充分調(diào)動(dòng)學(xué)生參與課堂的主觀能動(dòng)性，創(chuàng)設(shè)更好的課堂主動(dòng)學(xué)習(xí)環(huán)境。聚簇1學(xué)生相對于聚簇0的學(xué)生在課堂上表現(xiàn)更好，但是課后作業(yè)和視頻學(xué)習(xí)方面存在不足，顯示其缺乏持久學(xué)習(xí)動(dòng)力的態(tài)度。對于此類學(xué)生，應(yīng)強(qiáng)調(diào)作業(yè)對于學(xué)習(xí)的重要地位，明確作業(yè)要求和預(yù)期效果；同時(shí)建立作業(yè)反饋機(jī)制，針對學(xué)生在作業(yè)中遇到的問題與障礙進(jìn)行個(gè)性化的幫助和指導(dǎo)。

聚簇3學(xué)生所有方面上的表現(xiàn)均不盡人意，展現(xiàn)其較為消極的學(xué)習(xí)態(tài)度和被動(dòng)的學(xué)習(xí)行為。對于此類學(xué)生，在首次上課須強(qiáng)調(diào)思政課的獨(dú)特地位，讓學(xué)生認(rèn)清思政課對于個(gè)人成長發(fā)展的重要價(jià)值；課前主動(dòng)引導(dǎo)學(xué)生制定合理的學(xué)習(xí)計(jì)劃和自標(biāo)，培養(yǎng)學(xué)生自我規(guī)劃和自我控制能力；課中密切關(guān)注學(xué)生的課堂表現(xiàn)，及時(shí)給予反饋和指導(dǎo)；課后與學(xué)生本人和輔導(dǎo)員開展深度溝通交流，全面了解學(xué)生在校表現(xiàn)和思想動(dòng)態(tài)，根據(jù)具體情況制定針對性學(xué)習(xí)幫扶方案。

為更直觀顯示4個(gè)聚簇的分布情況，采用PCA對進(jìn)行數(shù)據(jù)降維，得到的聚類的效果如圖1所示。

圖1聚類算法效果

通過圖1可得知，聚簇0和聚簇2的點(diǎn)分布相對較為密集，說明這兩個(gè)聚簇中的學(xué)生在學(xué)習(xí)行為模式上的相似性較高，更加容易制定針對性的教學(xué)策略。而聚簇1聚簇3的點(diǎn)分部相對更加分散，說明本聚簇的學(xué)生在學(xué)習(xí)行為模式上的差異性較大，使用個(gè)性化教學(xué)方式方法存在更加巨大的挑戰(zhàn)性。

2.4關(guān)聯(lián)規(guī)則挖掘

為尋找和把握學(xué)生在思政課學(xué)習(xí)過程中學(xué)習(xí)行為、作答情況、考試成績等各項(xiàng)因素之間的內(nèi)部聯(lián)系，本文借助Apriori的關(guān)聯(lián)規(guī)則挖掘算法對數(shù)據(jù)集進(jìn)行處理。關(guān)聯(lián)規(guī)則表示為 X?Y ，其中 X，Y 是指兩個(gè)不相交的非空集合，而支持度（Support）和置信度（Confidence）是規(guī)則中兩個(gè)重要的度量值[。支持度用于評判項(xiàng)集的出現(xiàn)頻率，如式（3）所示：

其中， D 為事物集總數(shù)。置信度是衡量規(guī)則強(qiáng)度的指標(biāo)，如式（4）所示：

confidence

為方便區(qū)分各維度信息，避免過多相似數(shù)據(jù)對挖掘結(jié)果的影響，在分析時(shí)將期末考試分類作答情況加入特征中，同時(shí)將“課程總評”“考勤表現(xiàn)”排除在特征之外。用 A～J 分別代表11個(gè)方面的特征。

表3離散化處理后數(shù)據(jù)

經(jīng)過測試，在發(fā)現(xiàn)頻繁項(xiàng)集和關(guān)聯(lián)規(guī)則時(shí)設(shè)定最小支持度為0.2、最小置信度為0.75，輸出的關(guān)聯(lián)規(guī)則中總共有9條，部分規(guī)則如表4所示。

表4Apriori算法關(guān)聯(lián)規(guī)則部分輸出結(jié)果

由表3可知，規(guī)則1反映若學(xué)生在期末考試中涉及第一個(gè)歷史時(shí)期的題目回答正確率為良好的情況下，大概率期末成績也為良好。規(guī)則3體現(xiàn)若學(xué)生在期末考試中涉及第一個(gè)歷史時(shí)期和第二個(gè)歷史的題目回答正確率均為良好時(shí)，期末成績最終處于良好的概率更高。規(guī)則4與規(guī)則1、規(guī)則3基本相同，增加了考試作答用時(shí)對于學(xué)生考試成績的重要性。規(guī)則2說明若學(xué)生在平時(shí)作業(yè)中表現(xiàn)良好，大概率課后在平臺上進(jìn)行視頻學(xué)習(xí)的時(shí)間也較長。規(guī)則5、規(guī)則6基本一致，展示若學(xué)生在前兩個(gè)歷史時(shí)期掌握的內(nèi)容一般，則有概率期中成績?yōu)榱己谩?/p>

這些規(guī)則為進(jìn)一步提高學(xué)生成績，提升教學(xué)質(zhì)量提供了重要指導(dǎo)。在教學(xué)計(jì)劃方面，一是應(yīng)側(cè)重對于前兩個(gè)歷史時(shí)期知識點(diǎn)的講解與分析，明確歷史時(shí)期的具體時(shí)間范圍，提煉時(shí)期中至關(guān)重要的重大事件、重要人物、社會變革、巨大成就等內(nèi)容，加深對黨奮斗歷史發(fā)展脈絡(luò)的理解。二是安排定期的復(fù)習(xí)課和單元測試，鞏固學(xué)生對歷史知識點(diǎn)的掌握，及時(shí)發(fā)現(xiàn)并解決學(xué)習(xí)中的問題，以進(jìn)一步提高學(xué)生最終期末考試的表現(xiàn)。在教學(xué)方法方面，可以借助歷史圖片、音頻視頻、虛擬仿真等數(shù)智技術(shù)手段，直觀展示歷史場景，增強(qiáng)學(xué)生的感知和理解。也可以利用思維導(dǎo)圖、聯(lián)想記憶等方式，梳理各種歷史事件發(fā)生和歷史人物產(chǎn)生的內(nèi)在原因，幫助學(xué)生建立清晰的知識框架，形成正確系統(tǒng)的黨史觀。從教學(xué)環(huán)節(jié)方面，應(yīng)加強(qiáng)課后環(huán)節(jié)的設(shè)計(jì)與反饋，詳細(xì)闡述課后作業(yè)的目的和要求，包括完成時(shí)間、提交方式、評分標(biāo)準(zhǔn)等，及時(shí)批改作業(yè)，掌握學(xué)生對課內(nèi)知識學(xué)習(xí)不足之處，展開富有針對性的指導(dǎo)與幫助。同時(shí)開展課后實(shí)踐活動(dòng)，如社會調(diào)查、研學(xué)體驗(yàn)、志愿行動(dòng)等，身臨其境地感悟百年黨史上的各種場景，加深學(xué)生對偉大革命精神的理解和認(rèn)同，增強(qiáng)學(xué)生思政課學(xué)習(xí)的參與感與獲得感。

2.5 分類預(yù)測

將數(shù)據(jù)挖掘技術(shù)應(yīng)用于思政課教學(xué)，不僅需要找到學(xué)生當(dāng)前學(xué)習(xí)行為和考試成績之間的相關(guān)關(guān)系，同時(shí)也要依據(jù)歷史數(shù)據(jù)實(shí)現(xiàn)對學(xué)生未來成績的合理預(yù)測，及時(shí)發(fā)現(xiàn)在課程學(xué)習(xí)中遇到問題和困難的風(fēng)險(xiǎn)學(xué)生，以提供精準(zhǔn)化指導(dǎo)和個(gè)性化支持。

由于分類預(yù)測的目的在于在期末考試前合理推測學(xué)生最后課程通過情況，所以進(jìn)行的時(shí)間節(jié)點(diǎn)應(yīng)為最后一次理論授課結(jié)束，期末考試尚未開始的階段。因此本文數(shù)據(jù)集中涉及期末考試的情況都不能成為預(yù)測訓(xùn)練模型的維度。將“課程總評”列中數(shù)據(jù)進(jìn)行轉(zhuǎn)換，X?60 表示為及格，數(shù)據(jù)置1，反之置0，以表示學(xué)生期末通過情況。以所有數(shù)據(jù)的 75% 作為訓(xùn)練集，25% 作為測試集，使用八種常用機(jī)器學(xué)習(xí)算法對課程通過情況進(jìn)行預(yù)測，經(jīng)過調(diào)整參數(shù)，模型對比結(jié)果如表5所示。

表5課程總評通過情況預(yù)測結(jié)果對比

（續(xù)表）

可以看到以上分類器都得到了令人滿意的結(jié)果，其中效果最好的神經(jīng)網(wǎng)絡(luò)模型，能夠比較準(zhǔn)確地進(jìn)行識別和判斷，同時(shí)最大限度地減少誤判和遺漏的出現(xiàn)。

將此方法運(yùn)用于教學(xué)環(huán)節(jié)之中，如在期末考試正式開始之前，將在線教學(xué)輔助平臺上的學(xué)生學(xué)習(xí)行為數(shù)據(jù)輸入到預(yù)訓(xùn)練模型之中，就能精準(zhǔn)地預(yù)測學(xué)生期末課程最終情況。對于預(yù)測結(jié)果為不及格的學(xué)生，可對其采取及時(shí)主動(dòng)推送學(xué)業(yè)預(yù)警信息的方式，加強(qiáng)學(xué)生對于課程的重視程度，幫助學(xué)生調(diào)整和實(shí)施復(fù)習(xí)計(jì)劃，為加強(qiáng)教育的前瞻性，提升思政課教學(xué)效果和質(zhì)量作出重要貢獻(xiàn)[10]。

3結(jié)論

利用數(shù)據(jù)挖掘技術(shù)對思政課學(xué)生學(xué)習(xí)行為數(shù)據(jù)和成績表現(xiàn)情況進(jìn)行聚類、關(guān)聯(lián)規(guī)則挖掘和分類預(yù)測等各項(xiàng)研究，產(chǎn)生的結(jié)果和分析為提升思政課教學(xué)的針對性和實(shí)效性提供了借鑒參考。在實(shí)際教學(xué)活動(dòng)中，針對不同聚類類別的學(xué)生，可以設(shè)計(jì)個(gè)性化的教學(xué)活動(dòng)和多樣化的教學(xué)工具，以激發(fā)學(xué)生學(xué)習(xí)興趣，改善學(xué)習(xí)行為。根據(jù)相關(guān)關(guān)系提示，可以完善教學(xué)計(jì)劃安排和優(yōu)化教學(xué)實(shí)施策略，以加強(qiáng)學(xué)生參與程度，提升教學(xué)效率效果。借助預(yù)測模型結(jié)果，可以評估學(xué)生課程整體學(xué)習(xí)情況和精準(zhǔn)推送預(yù)警提示，以促使學(xué)生調(diào)整學(xué)習(xí)狀態(tài)，提高學(xué)習(xí)成績。未來的研究可進(jìn)一步探索和完善相關(guān)內(nèi)容，使大數(shù)據(jù)、人工智能技術(shù)更好地賦能思政課教學(xué)，推動(dòng)思政課高質(zhì)量發(fā)展。

參考文獻(xiàn)：

[1]中共中央國務(wù)院印發(fā)《教育強(qiáng)國建設(shè)規(guī)劃綱要（2024一2035年）》[N].人民日報(bào)，2025-01-20（006）。

[2]李宇帆，張會福，劉上力，等.教育數(shù)據(jù)挖掘研究進(jìn)展[J].計(jì)算機(jī)工程與應(yīng)用，2019，55（14）：15-23.

[3]劉博鵬，樊鐵成，楊紅.基于數(shù)據(jù)挖掘技術(shù)的學(xué)生成績預(yù)警應(yīng)用研究[J].四川大學(xué)學(xué)報(bào)：自然科學(xué)版，2019，56（2）：267-272.

[4]黃麗冰，王強(qiáng)，林阿娟.基于SPOC混合教學(xué)數(shù)據(jù)的學(xué)生學(xué)習(xí)行為分析與挖掘[J].廣西教育學(xué)院學(xué)報(bào)，2024，39（3）：45-53.

[5]沈江，陳璐琳，潘婷，等.新工科背景下基于數(shù)據(jù)挖掘的學(xué)習(xí)軌跡分析[J].天津大學(xué)學(xué)報(bào)：社會科學(xué)版，2023，25（6）：499-506.

[6]劉龍侶.基于大數(shù)據(jù)的大學(xué)生學(xué)業(yè)成就動(dòng)態(tài)關(guān)聯(lián)規(guī)則挖掘及成績預(yù)測預(yù)警[D].杭州：浙江科技大學(xué)，2024.

[7]任琳.基于網(wǎng)絡(luò)媒體和數(shù)據(jù)挖掘的大學(xué)生思想動(dòng)態(tài)評估[J].微型電腦應(yīng)用，2020，36（9）：136-138.

[8]許乃千.算法推薦對高校思想政治教育的影響及對策研究[D].沈陽：沈陽工業(yè)大學(xué)，2024.

[9]陳晨.基于數(shù)據(jù)挖掘的思政教師教學(xué)能力評估模型設(shè)計(jì)[J].微型電腦應(yīng)用，2022，38（12）：180-182.

[10]翟樂，李建森.大數(shù)據(jù)時(shí)代思想政治教育的演進(jìn)理路、現(xiàn)實(shí)困境及實(shí)踐策略[J].思想教育研究，2022（7）：47-52.

作者簡介：李虹羽（1994—），女，壯族，廣西南寧人，講師、工程師，碩士研究生，研究方向：深度學(xué)習(xí)、思政教育；何俊（1994一），男，漢族，廣西南寧人，講師、工程師，碩士研究生，研究方向：網(wǎng)絡(luò)思政、數(shù)據(jù)挖掘；莫菊清（1989一），女，漢族，廣西梧州人，講師，本科，研究方向：思政教育。