大数据环境下多模态融合的大学生异常行为预警

针对“校园大数据”累积的海量数据呈现出离散性、稀疏性等问题,如何从基数大、活动广、个性强的校园学生群体中检测出潜在的、有异常行为的学生,已成为学生异常行为分析亟需解决的问题.本文提出了一种大数据环境下基于多模态融合的大学生异常行为预警方法(early warning method for abnormal behavior of college students based on multi-modal fusion in big data environment,EWMAB).首先,针对学生行为画像的表征不够丰富,行为标签存在时效性、动态性等问题,建立一种基于多模态特征深度学习的跨模态学生行为画像模型;其次,针对学生异常行为预测、预警的时效性和后置性问题,在学生行为画像和学生行为分类预测基础上,提出了一种基于多模态融合的学生异常行为预警方法,通过长短期记忆神经网络(long and short term memory networks,LSTM),结合学生行为多指标数据和文本信息来解决学生异常行为预警问题;最后,本文通过应用实例验证模型以学生学习成绩异常预警为例,与其他预警算法相比,EWMAB方法可以提高预警的准确性,实现学生异常行为预警的时效性和前置性,从而使学生教育工作更具有针对性、个性化和预测性.

大数据背景下本科院校学生群体画像构建与应用分析

近年来,大数据技术越来越成熟,本科院校普遍利用它来辅助教学,因此,以大数据技术为支撑的学生群体画像出现在了大众的视野中。一些学校通过构建数字模型、设计数字系统和建立预警机制建构了比较健全的学生群体画像,收集、存储、整合、分析学生的相关数据,形成了标签化的学生画像,并将其应用到了思想政治教育、就业指导等人才培养方面,不仅简化了学校及教师的学生教育、管理工作,还提高了学生的自律自勉能力。

基于深度哈希算法的学生画像个性化推荐系统的设计与实现

为了提升学生画像个性化推荐的效果,研究设计了一种基于深度哈希算法的学生画像个性化推荐系统。通过使用深度哈希算法结合经过处理的学生信息,进行了学生信息特征标签的提取,并构建了学生画像标签维度模型,从而提升了学生画像的生动性。根据学生画像标注的学生特征,在学校课程资源特征数据集中进行搜索匹配,并根据排序后的检索结果生成推荐结果。实验结果表明,该系统能够有效地采集和预处理学生信息,并成功构建学生画像,完成学生画像的个性化推荐。

博士生毕业因素的关联规则挖掘:群像特征与类型差异

博士生教育以培养具有学术创新能力的高层次人才为目标,肩负着知识生产和促进经济社会发展的重任。在大数据背景下,利用博士生培养过程的教育数据,深度挖掘博士生毕业时间与培养各环节的关联规则,发现博士生延期毕业的主要原因,探析不同时间毕业的博士生群体特征,可为高校加强博士生培养管理、提高博士生毕业率提供科学指导。基于某高校研究生管理大数据系统,获取学生入学信息、导师基础信息、综合素质表现、校园行为情况、科研学习情况5类数据,处理整合形成数据集,并进行特征提取和标签体系构建,采用FP-Growth算法挖掘所有标签与博士生毕业因素的关联规则,最终刻画出按期毕业、延期毕业和超期毕业3类博士生的群体画像,并对比分析3类群像呈现的差异性特征。研究发现:博士生入学方式、课程成绩、开题情况、科研成果数量和完成时间、在读期间是否获得奖学金和荣誉表彰、毕业论文送审时间与博士生毕业时间存在强关联性;博士生入学年龄、入学前院校是不是“双一流”高校、导师年龄、导师任博导年限、导师指导学生人数、校园行为习惯与博士生毕业时间关联性不强;按期毕业和超期毕业博士生分别对应一种典型群体画像,延期毕业博士生包含3种典型画像;3类博士生群体画像在学术志趣、学术基础和学术能力3个方面呈现明显差异。为提升博士生培养质量,提高博士生毕业率,需打破刚性限制与隐性歧视,确保优秀生源选拔的有效性;强化过程监督与分流退出,确保培养过程管理的科学性;重视课程供给与基础培养,保障科研实践衔接的流畅性;呵护博士生学术志趣和身心健康,激发其科研探索和创新的积极性。

高校学生全画像学业成绩预警模型分析

基于CatBoost算法,利用高校学生的全面画像数据,建立了学业成绩预警模型,可有效预防学生学业成绩的严重下滑。文章以江苏连云港一所高校的学生学业成绩数据为对象,采用机器学习算法CatBoost,并以学生的历史学业成绩数据为基础进行学业成绩的预测,其准确率达到了79.6%。

基于大数据的学生数字画像构建与实践分析

为促进学生全面发展,分析基于大数据技术的学生数字画像构建与实践分析方法。在选择资料时,考虑实际需求,如学习生活中的课程、学习成绩、阅读时间等维度。采用随机森林模型进行评估,绘制学生数字画像。实践表明,利用大数据技术构建学生数字画像具有可行性和有效性,能够为学校在实施个性化教育和学生管理等方面提供参考。

师范生教学基本技能智能实训模型及应用研究

师范生作为教师队伍的储备力量,影响着教育未来的发展。依据《普通高等学校师范类专业认证标准》与教育部两批《人工智能助推教师队伍建设行动试点工作的通知》等政策文件要求,研究针对师范生教学基本技能培养难题与发展要求,结合人工智能技术潜能构建了面向师范生教学基本技能培养的“四维度18指标”微技能观测指标框架,设计了四层架构的师范生教学基本技能智能实训分析系统模型,提出了智能分析特点及教学基本技能“智学”实训方式,并于所在师范院校开展了试验应用。研究表明,以人工智能技术助推师范生高质量培养为导向,进行师范生教学基本技能智能实训框架模型构建、技术方法实现、实训场景设计和数字画像生成,能够提升师范生实训效果。

框架·标签·应用:基于数字画像的课堂教学评价

借力数字画像开辟的课堂教学评价新范式,蕴含着依托技术摆脱痼疾的变革诉求、提质增效的创新取向。为此,基于数字画像技术,依照“如何画、画什么、为何画”的逻辑主线,以立德树人、主体本位为基本遵循,着力打造课堂教学评价的数智化框架,构建彰显课程特色的标签体系,将多源、异构、互通的教学数据经由解构、关联、重组生成画像评价模型,阐析以评促改、以评促教、以评促学的应用机理,为因循施策、因材施教、因需而动提供数据支撑,以期实现课堂教学评价数智化跃迁,助推教、学、评一体化发展。

基于大数据的职业院校学生画像系统构建

随着信息技术的发展,“学生画像”技术在国内的教育行业开始起步运用。在高校已经进行一定研究应用的基础上,结合职业院校的实际情况和学生管理需求,通过对画像系统核心体系的构建、数据采集系统的设计、算法机制的建立、人机交互等技术的实现运用,创新开发了服务于职业院校学生综合素质评价的“学生画像”系统。该系统能精准服务职业院校学生的个性化发展,为职业院校学生科学管理提供新模式、新手段、新路径,进一步深化职业院校校企合作内涵,从而有效提升人才培养质量。

基于学生画像的个性化教学模式研究与实现

个性化教学尊重学生个体差异,促进学生个性发展,是未来教育发展的方向。基于学生画像模型实现个性化教学,通过采集教学数据,利用Lookalike算法和大数据处理技术对学生的在校学习情况进行识别,辅助教师及时掌握学生动态变化,为学生的学习情况进行画像建模,达到“千人千面”效果,为学生提供精准的个性化学习路线、培养方案及就业推荐指导,实现因材施教的个性化教学。

融合多源数据的高校教育精准扶贫学生画像研究

伴随数智时代的到来,高校教育精准扶贫工作逐步向智能化、精准化、个性化方向发展。融合多源数据的高校教育精准扶贫学生画像由贫困生经济画像和“五育”画像两部分构成,前者能够系统呈现贫困生家庭经济、特殊群体、消费因素等,为贫困生认定审核、施助主体精准资助工作开展提供便利;后者基于“五育”要求,能够为高校各育人主体推送个性化育人方案、实施全面育人提供全面支持。运用学生画像推动三全育人系统工程需要以学生画像提升全员协同助人育人的能力,以画像构建精准的全程助人育人闭环,以画像拓展全方位助人育人的深度和宽度。

基于校园一卡通和成绩数据的学生画像研究

对校园一卡通数据和学生成绩数据进行关联分析,实现学生的精准画像。首先对学生一卡通消费数据和成绩数据进行预处理,通过误差平方和确定最佳聚类数目,然后使用k-means算法进行聚类;根据聚类结果分析学生学习成绩与消费行为之间的关系,并结合Apriori算法进行验证;将聚类结果和Apriori分析形成学生标签,采用词云图构建学生群体画像,为学生精细化管理提供技术支持。

基于教育数据挖掘的学生画像构建与学情预测分析研究

该研究通过采集学生在校的图书借阅、参加公益活动、上网等行为数据,采用随机森林算法挖掘行为特征与学业成绩之间的关联程度,提取关键特征进行加权计算合并形成新特征,通过基础模型K-means算法进行聚类分析,最终将学生划分成自律学霸型、夜猫子上网型和缺乏规划型三类学生。基于Logistics回归模型建立预测模型,分别讨论三类群学生的学习成绩预测效果,为教育工作者深入诊断学生的学习状态并给予精准的教学引导和干预提供参考。

可信的端到端深度学生知识画像建模方法

学生知识画像是对学生在不同知识概念掌握程度的全面精准的表示.通常,智能教育系统中使用知识追踪方法,基于显式的学生交互数据,对学生在某些知识概念的隐式掌握程度进行建模.然而知识追踪方法的预测结果与学生知识画像存在着时序、预测粒度不一致的情况,导致其产生的学生知识画像不可信.对此,首先基于端到端的学生知识掌握度预测目标定义并形式化学生知识画像预测任务,然后提出了一种深度知识画像(deep knowledge portrait, DKP)模型.该方法首先在知识粒度上学习交互表征,引入了知识难度、知识概念等特征在知识粒度上区分交互;然后,采用双向长短时记忆网络基于学生历史交互序列,建模学生知识状态变化.最后针对待预测知识概念,使用了多头注意力池化层强化历史序列中的相关交互以进行该概念下的学生掌握度预测.在3个真实的数据集上的实验结果表明,所提出的方法更适合学生知识画像预测任务从而获得更可信的学生知识画像,并在各项性能上超过了现有的方法.

“00后”大学生群体画像:基于网络流行语的研究

收集整理近十年来网络流行语,运用统计方法对“00后”大学生群体使用网络流行语现状进行分析,从新闻学与思想政治教育的双重视角出发,关注这些流行语的传播内容、隐性表达和动态变化,描画出“00后”大学生群体画像,根据其新特点新需求提出意见建议。

基于学生画像的高校个性化推荐选课系统算法设计与优化

为了给高校学生提供个性化选课推荐,提高准确性与满意度,文章通过整合学生的个人信息、成绩、选课记录与兴趣,构建了学生的画像,设计了一种基于相似度的推荐算法计算学生间的相似度,并根据相似学生的选课历史推荐课程。为评估此算法,文章设立了实验组和控制组,分别使用个性化推荐和传统选课系统,实验收集了大量选课和退课数据。结果表明,基于学生画像的高校个性化推荐选课系统比传统方法更优,可为学生提供更精确的选课建议,提高了学生的满意度,并且推荐性能尤为突出。

多模态数据下的学习投入特征画像研究

学习投入是教师研判学习活动的重要指标,为后续教学诊断奠定了基础。随着AI与教学深度融合不断推进,各种教学数据媒介日益增长,使多模态数据表征学习投入画像逐步成为教学领域的技术趋势。针对以往研究中数据高低特征互补性不足的现状,提出一种融合文本数据与图像数据的多模态学习投入特征画像构建方法,提升了多维学习投入的表征效果。具体的,采用transformer模型提取文本语义特征,联合FasterRCNN模型提取视觉特征,通过Attention特征融合得到不同维度学习投入的预测分类结果,最后借助可视化技术呈现学习投入画像。研究表明,该模型有效表征了学习群体在各维度的不均衡投入状态,有助于开展教学诊断与协作分组,有效辅助教师教学诊断,提高了协作分组活动的教学效率。

基于学生画像的高校精准思政研究

进入新时代,提高高校思想政治教育的精准性和针对性是适应时代变化和教育对象新特征的必然要求,文章借助大数据学生画像技术探索高校精准思政实现路径,形成高校思政工作新模式。基于基础数据资源整合进行需求分析和标签设计,构建学生画像模型,以问题检测为切入口精准识别学生需求,精准开展思政教育工作,并对育人效果进行动态反馈。及时评估调节,帮助思政工作者把握育人时机,提升思政教育实效,实现全过程动态监管和实时预警。基于学生画像开展精准思政工作时,需要加强高校数据资源建设,提高思政教育大数据集成程度,同时还需加强学生画像技术伦理监管,遵守大数据道德观念。基于学生画像技术构建的高校精准思政工作可以实现以生为本,因材施教,对思政工作提质增效具有重要意义。

基于大数据的开放教育学生画像构建研究——以西安开放大学为例

学生画像的构建与应用已经成为提升教育治理能力现代化的重要举措。学生画像的潜在价值与应用,为教育决策、教学设计、过程监督和质量评估带来了重大改变。学生画像的构建主要是通过学生学习行为大数据的分类、汇总,建立相应特征标签,构建多维度模型,直观展示学生学习行为的主要特征。通过融通学习平台,完善数据指标,提升数据处理水平,规范安全制度能够提升学生画像质量和整体管理水平,为管理者提供决策依据和决策支撑。

开放教育个性化学习探究

智能导学系统应用于开放教育学习中,可以提供丰富的学习方式和学习服务,还可以根据学生的学习行为数据和知识掌握程度生成学生画像,并通过个性化学习平台匹配合适的学习内容,从而不断提升学生的学习效果。预警与干预模块设计实现了学生学习的全程跟踪服务,大大提高了学生的成绩;学习激励模块激发了学生的主动性和积极性,使开放教育学生的学习更高效。