[发明专利]学生学业预警系统及其方法

说明书

技术领域

本发明属于校园信息化管理领域，尤其涉及一种针对学生学业预警的系统。

背景技术

目前，校园信息化管理积累了大量的学生数据，包括食堂就餐打卡数据、图书馆出入及借书记录等。这些数据反映了学生的学习和生活状态，可以用来量化并预测学生的学业表现。

智能化是未来教育的核心之一，而数据是智能化的基础和必备条件，通过对数据分析，建立智能化模型，可对学生的表现给出可信预测。

为了实现有针对性的教学和管理，通过使用预测建模技术，许多研究人员利用学生的数据来识别学业有风险的学生。研究人员得出结论，通过数据分析，可以预测学生在某些课程中的表现，并确定那些处于风险中的学生。预测模型可以在早期识别风险学生，帮助教师和学生掌握学习情况。

现有的系统所用的预测模型通常针对单一课程，每个课程数据不同，模型需要针对课程进行调整，通用性不强。另一个问题是，很多系统是为在线课程设计的，利用学习过程中收集的数据来预测学生的表现。因此，对没有在线数据的课程，这些预测模型不适用。

发明内容

为了解决上述问题，本发明提供了一种学生学业预警系统及其方法，该发明的处理对象是学校的全体学生，而不是某一门课程的学生，使用的数据包括校园卡打卡记录等所有学生共有的通用数据，而不是课堂过程数据这样的专门数据；样本数目更多，数据通用性更强。

为了达到上述目的，本发明采用的技术方案为：

一种学生学业预警系统，包括可采集预设学校学生原始数据的采集单元，可按预设要求提取学生原始数据中特征数据的提取单元，可将特征数据进行分类的归类单元，可对归类单元中各不同类别进行信息增益赋值的配置单元，可判断信息增益并赋值后的数据是否为预警数据的判断单元；采集单元、提取单元、归类单元、配置单元和判断单元构建形成样本模型；样本模型内进一步设置有可采集待检测数据的输入单元以及可将是否为预警数据结果输出的输出单元，输入单元采集待检测数据，并进入至样本模型中进行数据分析，以判断待检测数据是否为预警数据，输出单元将判断后的预警结果输出；其中，所述采集单元电性连接所述提取单元，所述提取单元电性连接所述归类单元和所述配置单元，所述归类单元和所述配置单元电性连接所述判断单元，所述输入单元电性连接所述判断单元，所述判断单元电性连接所述输出单元。

一种学生学业预警方法，基于上述所述学生学业预警系统，包括以下步骤：获取预设学校学生的原始数据信息；提取原始数据信息中的特征数据，并对该特征数据进行分类赋值并计算赋值后的数据，以作为判断是会否为预警数据的基准数据；判断赋值计算后的特征数据是否为预警数据；根据原始数据提取赋值计算后形成的预警结果共同构成样本模型；输入待检测数据至样本模型中，该待检测数据在样本模型中进行赋值计算后输出是否为预警数据，以输出待检测学生是否为学业预警学生。

作为本发明的进一步优化，在获取预设学校学生的原始数据信息步骤中，所述原始数据信息包括学生基本信息、学生成绩、就餐打卡记录、图书馆入馆记录和借书记录。

作为本发明的进一步优化，在提取原始数据信息中的特征数据，并对该特征数据进行分类赋值并计算赋值后的数据，以作为判断是会否为预警数据的基准数据的步骤中，所述特征数据是指对学业产生影响的数据，包括上学期期末成绩、专业排名、学业警示、专业类别、总入馆次数、平均入馆次数、最早入馆时间点、开学与平均次数差、平均入馆次数、平均入馆时间间隔、学分、生源地、周末缺少率、周末平均值、首节无课缺少率、首节有课缺少率和首节无课平均值。

作为本发明的进一步优化，在提取原始数据信息中的特征数据，并对该特征数据进行分类赋值并计算赋值后的数据，以作为判断是会否为预警数据的基准数据的步骤中，对特征数据进行赋值分别为：上学期期末成绩成为0.20-0.30，平均入馆次数为0.01-0.02，总入馆次数为0.002-0.005，专业排名为0.08-0.09，周末缺少率为0.01-0.02，开学与平均次数差为0.002-0.005，学业警示为0.03-0.04，首节无课缺少率为0.01-0.02，最早入馆时间点为0.002-0.05，专业类别为0.02-0.03，首节有课缺少率为0.01-0.02，周末平均值为0.001-0.002，学分为0.02-0.03，首节无课平均值为0.005-0.01，首节有课平均值为0.001-0.002，生源地为0.02-0.03，最早入馆时间点为0.002-0.005，平均入馆时间间隔为0.001-0.002。