![](https://csdnimg.cn/release/download_crawler_static/86363030/bg1.jpg)
基于学生行为数据的学习异常(异常表现)监测与预警
摘要(背景与简介)
一卡通提供了丰富的数据,刻画用户的行为特征
数据挖掘在教育领域的广泛应用:奖学金、贫困生预测、MOOC 预测等
本文的目标在于根据一卡通系统记录的数据,刻画用户的多维行为,以实现:
学生挂科情况进行预测;
提前预测以预警并提供人工帮助;
对于不同维特征分别建模,分析有效的影响因子;
对于学期的不同阶段进行建模,分析影响时段。(*)
以周为单位进行多个模型演化与结合(?是否可行呢)
1 相关工作
(成绩预测的相关工作)
学生按期毕业预测 graduate
期末成绩预测 final grade
在线课程弃课率预测 dropout
(成绩预测利用的主要属性特征)
CGPA
中期测评
人口统计学信息
2 先验知识
学习异常:挂科现象,影响毕业与工作
学生行为,可对正反例样本学生的刷卡记录在各类行为的分类做一个雷达分布图,进而分析
特征提取的合理性(非监督与监督学习结果是否一致)
行为与学习的关系
3 特征
0 平均吃早饭频率/周(6:00-10:00)+ breakfast
1 平均食堂(在校)吃饭频率/周 + meal
2 平均周末于食堂(在校)吃饭频率/周 + meal_weekends
3 平均运动频率/周(不完全统计)+ sports
4 平均 8:00AM 前离开宿舍频率/周 (离开通过一天最早的室外刷卡记录进行判
断?5:00-8:00)+ leave_b_8
5 平均 11:00PM 后回宿舍频率/周 (晚上 11 点至第二天 5 点前)+ back_a_11
6 平均洗澡频率/周(刷卡记录极少,不知道为何)+ shower(去掉)
7 平均就医频率/周 + treatment
8 平均消费金额/周 + consum
9 平均充值金额/周 +recharge
10 平均消费记录/周 + records
11 平均食堂(吃饭)消费金额/周 +consum_canteen
12 平均食堂(吃饭)消费记录/周 + records_canteen
13 平均就医金额/周 + treat_consum
14 平均图书馆进出频率/周(刷卡记录极少)+ lib_entrance(去掉)
平均图书馆借阅频率/周(记录太少)
15 平均打印(购买)资料频率/周 + materials