基于学生行为分析模型的高校智慧校园教育大数据应用研究

基于学生行为分析模型的高校智慧校园教育大数据应用研究

作者：李有增曾浩

来源：《中国电化教育》2018年第07期

摘要：随着高校信息化建设的发展，“校园大数据”被越来越多的人关注，将大数据技术和教育资源相结合，是互联网时代信息科技带给智慧校园建设的新思路、新方法和新途径。然而在智慧校园建设中还存在着现有数据标准不统一、数据孤岛现象突出、数据资源利用不到位等问题。为有效解决以上问题，该文设计开发了校园大数据分析平台，并构建包含学生基本信息、课堂学习、课外学习、校园生活、娱乐五个维度的学生行为分析模型，将校园大数据技术运用到学校的科研、教学、管理和服务等各个方面，促进学校综合治理能力的全面提升。最后，以北京某高校智慧校园建设实践为例，从学校宏观决策、校园管理和服务、个性化教学、贫困生分析与资助等不同角度开展大数据应用的效果分析。经在该校应用试验效果看，基于学生行为分析模型的高校智慧校园教育大数据应用值得在教育领域普遍推广。

关键词：智慧校园；大数据；个性化教学；学习行为分析

中图分类号：G434 文献标识码：A

习近平同志指出：“教育兴则国家兴，教育强则国家强。”我国一直都高度重视教育事业的发展，党的十九大报告中也明确提出“优先发展教育事业”。多年来的教育信息化建设，支撑和引领了我国教育现代化发展，有力推动了教育理念更新、模式变革和体系重构。

随着大数据、物联网、移动互联网等新型信息技术的广泛应用，高校信息化已经从“数字化”走到了“智慧化”的路口，迈入了一个新的阶段一智慧校园。其中，大数据作为智慧校园建设的关键支撑技术，对智慧校园建设具有无可替代的作用。大数据是指那些规模大到传统的软件工具无法采集、存储和分析的数据集，拥有“4V”特点（即Volume，Varity，Velocity，Value）。大数据服务学校管理领域关键在于启发和辅助决策。智慧校园所建设的各类系统数据全部汇聚到大数据交换平台之中，将海量的异构多维校园数据进行接入、共享、分发和挖掘应用。通过大数据综合分析，掌握校园里师生的行为规律和学校的整体运行水平，对学校整体教学科研形势和发展态势整体研判、动态监测，从被动应对到主动服务转型，实现源头发现、智慧服务。

《教育信息化十年发展规划（2011-2020年）》明确提出，“学校教育教学方式的变革要在学生多样性、个性化学习方面的改变上取得突破”；“到2020年形成与国家教育现代化发展目标相适应的教育信息化体系，教育信息化强调的是信息技术在教育教学中的普及和广泛应

用”。而校园大数据的出现，为支持个性化教学和管理带来了可能，也提供了强大的技术支撑。通过对每一个学生个体的日常行为习惯和学习行为特征数据进行挖掘分析，为校园综合治理提供数据支撑，初步构建科学管理、个性服务、智慧应用的校园治理新模式。

2013年开始，我国很多研究者开始开展大数据技术在教育领域的应用研究，徐鹏、沈学珺等多名学者都开始关注教育与大数据技术的关系和面临的挑战等问题。而从2014年开始，“教育大数据”首次作为文章关键词出现在众多研究文献中。蒋东兴、王晓光等大量学者也将教育大数据研究的重点开始转向数据如何深度应用和推进教学改革等课题上。而在近年来教育数据应用和实践过程中，仍然存在着现有数据标准不统一、数据孤岛现象突出、数据资源利用不到位等问题。因此，本文所提校园大数据应用的研究内容主要包括以下几个方面。

（一）整合高校基础数据资源。对高校基础数据进行有效整合，建设各类标准数据库，包括学生信息、教师信息、一卡通消费数据、图书馆借阅数据等基础数据的整合。

（二）实现对全校各类信息资源的共享。打破学校内部各职能部门之间的信息壁垒。建立规范化的数据共享协同机制，优化资源在部门间的转换、调度。

（三）开展校园大数据深度应用。对各类学校教学和管理数据进行多维度的复杂应用、分析、挖掘和展示，将这些数据精细化地分析、系统化地归类，利用这些数据找到真正影响教育的重要因素，进而提供更加科学合理的教学指导和管理服务。

为研究解决以上关键问题，校园大数据分析平台采用多层架构，将大数据处理、数据交换与共享、基于关系型和统计型大数据存储、权限管理、大数据分析挖掘进行有效整合，贯通校园大数据管理和应用的各个环节，从而适应于多维异构环境下校园大数据处理要求，实现海量数据的高效管理。

如图1所示，在统一的分布式存储之上数据平台通过YARN（Hadoop资源管理器）提供统一的资源管理调度，结合LDAP（Lightweight Directory Access Protocol），轻量目录访问协议1提供完备的权限管理控制，不同的部门可以按需创建计算集群访问其授权数据，包括基于Spark计算框架的SQL类统计分析应用与数据挖掘类应用，以及基于MapReduce计算框架的应用等。同时，平台通过使用Hbase结合SQL计算执行引擎，为用户提供基于SQL的高并发的查詢以及分析能力。在数据导人与交换方面，数据平台提供多样的数据导人与交换形式，包括Sqoop提供与关系型数据库的数据交换以及Kafka消息队列集群接收实时流数据。校园大数据分析平台具备以下大数据服务能力。

（一）从不同异构数据源同步数据的能力，例如学校各部门系统的建设技术方案和技术路线不尽相同，需要有能力汇聚数据且方法简易可行；

（二）向异构数据源共享数据的能力，能适应学校各部门的不同需求，根据共享数据的分类用不同的方式共享数据；

（三）易于在线扩容的能力，在建设初期的投入成本可控，随着项目后期需求的增加，容易扩展系统容量和处理能力；

（四）处理海量数据分析的能力，例如能基于海量一卡通消费信息统计分析出学生的用餐、打水、洗澡等行为规律，从门禁数据中分析出行异常行为，以便更好地服务；

（五）进行海量数据挖掘的能力，例如能挖掘出具有异常行为特征的学生之间的关联关系和关键重点人群的联系网络图；

（六）海量数据高并发查询检索的能力，例如提供基础数据给学校各部门查询检索，能支持同时几千人在线查询；

（七）支持实时流数据接入与分析能力，例如根据门禁刷卡数据和人脸识别数据分析人流密度变化与预警；

（八）平台有开放性，能支持各种主流标准接口，例如标准SQL2003和PL/SQL便于应用开发和应用移植。

依托校园大数据分析平台，本文构建了一种以学生日常行为的五个关键指标为分析维度的学生行为分析模型，并基于学生个性化行为序列节点分析方法开展校园大数据应用。

本文所采用的学生个性化行为序列节点分析方法首先以个性心理学和学习分析理论等为基础，构建学生行为分析模型，并通过基于频繁模式树的数据挖掘算法分析挖掘出每一位学生的知识掌握水平、学习方式偏好、课外兴趣、娱乐生活等个性化情况，从而实现更加个性化的校园管理和服务。