论文部分内容阅读
国家教育“十三五”规划指出探索高中后教育全面实行学分制,实行弹性学制和学习者自主选课。学生自主选课,使得每人一张课表,学生管理由班级集体转为学生“自我教育、自我管理、自我服务”,增加了学生完成学业难度。因此,高校迫切需要对学生学习状态进行动态跟踪,发现异常学习行为及时预警,帮助学生顺利完成学业。本文根据某高校在校本科生消费数据和上网数据,通过改进的快速搜寻密度峰值算法(CFSFDP)实现异常学习行为分析;根据学生成绩数据、上网数据和消费数据,通过改进的朴素贝叶斯算法(NBC)实现学生上网行为和消费行为与学习状态的关联性分析,在此基础上设计并实现了学业预警系统。主要研究内容如下:(1)异常学习行为分析。针对数据集分布不均匀且存在多密度峰值的特点,引入网格划分和类合并技术对CFSFDP算法进行改进,提出一种基于网格的快速搜寻密度峰值算法(GBCFSFDP),在UCI标准数据集上实验结果和应用表明,GBCFSFDP算法提高了聚类精度,可以更好地发现学习行为异常的学生。(2)关联性分析。针对NBC算法条件独立性假设的不足,引入果蝇优化算法(FOA)搜索属性最优权值,提出一种基于果蝇优化算法的加权贝叶斯算法(WNBC-FOA),在UCI标准数据集上的实验结果和应用表明,WNBC-FOA算法提高了NBC算法精度,可以更好地发现学生上网行为和消费行为与学习状态的关联性。(3)学业预警系统。根据异常学习行为分析和关联性分析结果,设计并实现了学业预警系统,系统由动态预警和静态预警组成。(1)动态预警:发现异常学习行为和学习状态与学习行为的关联性,并对学生学习状态进行预警;(2)静态预警:根据历史成绩数据和警示规则,对学生学业进行警示。