- 1 -
中国科技论文在线
基于数据分析的学情预警方法设计#
米春桥1,2，彭小宁1,2，赵嫦花1,2，米允龙1,2，叶青1,2*
基金项目：湖南省教育科学规划课题（XJK016QXX003）
作者简介：米春桥（1983-），男，博士，副教授，主要研究方向：数据挖掘与分析、地理信息系统、农业
与教育信息化
（1. 怀化学院计算机科学与工程学院，湖南怀化 418008；
2. 武陵山片区生态农业智能控制技术湖南省重点实验室， 湖南怀化 418008） 5
摘要：针对当前地方高校学情预警教育中存在的预警时间滞后、预警评价因素单一、缺乏指
导性干预措施等问题，本文提出了借助移动互联网、大数据、数据挖掘、学习分析等新技术
建立面向学习全过程实时的多因素学情风险分析与预警方法及技术，并构建了包含学情影响
因素识别、学情风险特征量化、学情综合风险评估预警、预警干预措施制定、学情预警综合10
信息系统等内容的预警具体实施方案，其结果能有效提高高校学情预警教育的效率与效果，
切实提高学生课程学习的成功率。
关键词：数据分析；学情风险；学情预警；预警信息系统
中图分类号：G64
15
Design of learning situation early warning method based on
data analysis
MI Chunqiao
1,2
, PENG Xiaoning
1,2
, ZHAO Changhua
1,2
, MI Yunlong
1,2
, YE Qing
1,2
(1. School of computer science and engineering, Huaihua University, Huaihua Hunan 418000;
2. Key Laboratory of Intelligent Control Technology for Wuling-Mountain Ecological Agriculture 20
in Hunan Province, Huaihua Hunan 418000)
Abstract: In order to deal with the problems of delayed early warning, too single warning evaluation
factor, and the lack of intervention guidance and other issues in local colleges and universities early
warning education, in this paper, a multi-factor analysis and early warning method orienting the whole
learning process is proposed based on the new technologies of mobile internet, big data, data mining, 25
learning analysis and so on, and some specific early warning implantation measures including learning
affection factor identification, risk characteristic quantification, comprehensive risk evaluation,
intervention measures development, learning situation early warning information system development
are also provided. The result can effectively improve the efficiency and effectiveness of the early
warning education of college students, and effectively improve the success rate of student study. 30
Key words: data analysis; learning risk; learning situation early warning; early warning information
system
0 引言
预警教育一直是高校学生管理中的一项基本问题，当前地方高校学情预警教育普遍存在35
预警时间滞后（第二学年才对第一学年的问题做评价）、预警评价因素单一（往往只注重对
学科考试成绩的评价）、缺乏指导性干预措施（预警结果往往只是要学生写个下学年的保证
就结束了）等问题，而如何借助现代信息技术以量化分析的方式进行学情风险预警也是一项
教育难点问题。基于数据分析的学情预警方法研究指借助自主研发的移动互联网课程信息管
理系统，采用大数据的全样本及关联分析等数据分析技术，以学生课程表现过程为切入点，40
基于学生的个人基本信息（性别年龄等）、历史基础信息（高考成绩等）、课程参与度信息
（考勤等）、课程积极度信息（作业等）等课程全过程及学生全方位数据信息的挖掘与关联
分析，对学生在课程中的表现做出实时评价，并基于数据挖掘算法[1-3]对学生关于本课程的
- 2 -
中国科技论文在线
学业风险进行及时提示预警，以便学生及时调整相关学习方法与策略，提高学生课程成功率，
增强学生学习信心与自主能力，提高就业竞争力。 45
1 现状分析
随着信息技术的发展与深入应用，当前各高校已逐渐拥有越来越多的各种教育数据，大
数据及学习分析[4-8]等新的数据分析技术在教育中的应用前景越来越广泛，通过大数据分析
[9-13]来优化教育教学过程、促进更科学高效的教育活动已是高校教育现代化的必然趋势。国
外的相关探索研究与实践，如 Purdue university的 course signal和 Purdue signal等项50
目基于学生在课程学习过程的相关数据对学生及时给出课程表现信息提示，对帮助学生提高
课程成功率有很好的帮助[14-15]；另外，university of Alabama、Arizona university、
university of Phoenix、university of Maryland等都对利用多源数据预测危机学生
（at-risk student）进行了相关研究与实践探索，对提高学生的学术成功（academic
success）和学生保有率（retention）具有很好的帮助作用[16-21]。国内也有部分相关探索与55
实践[11]，比如清华大学正在做一些学生成长类的数据分析，针对进校时成绩很优秀的一批学
生，追踪其在大学四年的各种数据，观察其成长路径，或者对毕业时表现很优秀的学生进行
追溯；复旦大学则对特定的学生进行数据分析，得出在中部和西部地区，城镇学生成绩优于
农村学生，东部地区则相反等非常有价值的一些结论，通过数据分析，认为出现这种情况或
与学生所受基础教育相关，在中、西部地区，城镇的基础教育资源和水平明显高于农村，而60
在东部地区，不少农村学生在基础教育阶段反而可能学得更深；另外，东华大学的智能实验
室项目、首都师范大学的数字化课堂项目等都对教育数据的分析与挖掘进行了较好的探索与
应用，对提高学生学习自主性及改善教学管理效率具有良好的促进作用。但当前的研究大多
侧重于对历史静态数据的建模分析，基于结果数据的静态评价较多，而基于过程数据的动态
分析与预测较少。 65
2 方法介绍
社会科学与自然科学相交叉的方法
基于当前社会高等教育中学情预警教育滞后的实际需求，结合信息科学中的大数据与数
据分析技术，进行实时学情预警方法设计，有利于社会科学问题的高效解决，也有利于促进
自然科学技术的深入应用与发展。 70
定性研究与定量研究相结合的方法
在进行学情影响因素识别分析中主要采用定性分析法，具体方法包括：经验法、调查法、
专家法、因子分析法、层次分析法等定性或半定性的方法；在进行学情风险计算与预测预警
中主要采用定量分析法，具体方法如：数据统计、逻辑回归、支持向量机、决策树、朴素贝
叶斯等。 75
模型研究与实证研究相结合的方法
在建立模型过程中，以教学管理系统中的实际数据作为训练及测试数据，在模型建立后，
以模型产生的结果对实际现象进行预测与进一步的分析，促进实际过程的优化调控，将模型
研究与实证研究有力结合，既促进模型完善又改善实践过程。
- 3 -
中国科技论文在线
3 预警目标设计 80
学情预警方法设计的最终目标是为高校预警教育提供基于学习参与过程的动态量化分
析方法与技术，为此，需达到的相关具体目标为：（1）识别出影响学生学情危机的关键因
素，（2）得出学业质量危险性、学习基础脆弱性、学习风险适应力等预警风险内容的量化
计算方法，（3）形成面向危机学生的风险应对措施及学业强化资源库，（4）开发实现基于
移动互联网的学情综合分析系统，最终提高高校预警教育的时效性、准确性与全面性。 85
4 预警内容设计
学情影响因素识别与特征提取
基于关联分析、因子分析等方法对影响学生学业质量的关键因素进行识别，基于统计分
析、数据挖掘等方法对学情因素特征值进行计算与提取，为学情风险度量提供基础。
学情风险量化度量 90
基于课堂参与（迟到、缺课、缺作业等）频率与强度进行学业质量危险性计算，基于学
生过去失败经历（已挂科目数、补考经历数、平均绩点等）进行学习基础脆弱性计算，基于
学生基本能力信息（家庭背景、高中学校基础、高考成绩等）进行学习风险适应力计算，为
学情风险综合预警提供基础。
学情综合风险预警 95
集成学业质量危险性、学习基础脆弱性、学习风险适应力等学生课程学习情况进行学情
综合主体风险度量，结合课程内容复杂性、课程往年挂科比例等学情客体风险因素，基于数
据挖掘算法（逻辑回归、支持向量机、决策树、朴素贝叶斯等）进行学情风险预测预警，实
现泛在网络环境下学情预警结果醒目可视化与及时提醒。
学情预警结果应对措施制定 100
针对引起学情危机的关键因素制定面向学生、任课教师、学生辅导员（班主任）、学校
危机管理部门等不同层次的学情风险快速应对措施与机制，构建针对学生学习态度转变、学
习能力提高等不同用途的风险应对方案及风险化解资源库。
学情预警信息系统构建
实现基于移动互联网的学情预警信息系统，给学生、老师及学校管理部门提供方便且丰105
富的学情预警信息，实现学情预警的自动化与常态化。
5 预警实施方案设计
预警方案实施的思路为：首先基于教育大数据分析进行学情影响关键因素识别，其次针
对关键因素结合学习过程数据进行风险指标特征值计算，其三根据各指标特征值构建学情综
合风险预警模型，其四基于移动互联网开发实现预警信息系统，最后对预警模型进行优化完110
善与推广应用。具体实施方案图如图 1所示，具体实施步骤为包括如下八个方面。
- 4 -
中国科技论文在线
图 1 学情预警实施方案图
Fig. 1 Learning situation early warning implementation plan diagram
基础源数据收集 115
全面收集现有教务管理系统中的学习过程、教学过程及教育管理过程相关数据；整理教
学辅助系统中的学生考勤、课程作业、教学资源等数据；将教务系统数据、教学辅助系统数
据及学生学籍个人基本信息等数据经脱敏后进行集成与规范入库。
数据加工与预处理
对收集到的基础源数据进行清洗加工处理，对其中的异常值进行检测与标记，对缺失值120
依据相关的规则进行修补或替换、剔除等处理。
学情风险因素分析
采用相关分析、因子分析等方法结合定性分析与定量分析对影响学情风险的关键因素进
行识别并计算其相关的特征值。
学情风险量化计算 125
基于关键因素及特征值，分别构建学业质量危险性、学习基础脆弱性、学习风险适应力
等学情风险衡量模型，并实现相关的量化计算工作。
- 5 -
中国科技论文在线
学情综合风险预警
根据学业质量危险性、学习基础脆弱性、学习风险适应力等学情主体风险，结合课程内
容复杂性及课程往年挂科率等学情客体致险因素，结合学情历史及当前相关数据，采用逻辑130
回归、支持向量机、决策树、朴素贝叶斯等数据挖掘算法构建学情综合风险预警模型，并自
主编程实现相关计算过程。
预警结果解释及应对措施建议
根据学情风险值的高低分别建立红、黄、绿三级警示信讯，并分别面向学生、教师、学
校建立三级应对措施机制，确保警示信讯及时准确到达学生，并对学生如何采取补救措施提135
供建议方案。
学情预警信息系统开发与实现
基于移动互联网开发技术，结合大数据、数据库、Ajax、可视化、消息推送等技术自主
编程开发实现学情预警信息系统，实现风险预警方法与模型，为相关用户提供及时准确的预
警信息。 140
模型验证优化与推广应用
结合预警信息系统，基于历史及当前相关数据，对所提出的相关方法模型进行验证与优
化，并对所得模型与系统进行推广应用。
6 结论
本文结合高校教育实践中的学生预警教育实际需求与新兴 IT技术及大数据等数据分析145
思维，研究设计了包括目标、内容、具体实施方案在内的一套完整的学情预警方法体系，该
研究具有一定的学科交叉新颖性和落地解决实际问题的实用性。研究结果对于学生而言，有
利于学生充分全面了解自己在具体课程中的整个学习过程与表现，实时动态地获得课程学情
危机预警信息，帮助学生及早调整学习方法和学习习惯，促进自主学习积极性，增强学生学
习过程的参与感，提高学习自信心和学业成功率；对于教师而言，可以帮助教师全面充分了150
解学生的学习能力、认知能力、强弱势知识点等，及早发现危机学生，及早提供有针对性的
教学调整方案，提高课程与学生的融合度，提高课程授课效率与效果；对于学校而言，可以
增强对每个学生的认知，改进优化预警教育方案，降低危机学生比例，提高学生学业质量。
最终促进教育现代化水平的提高。
155
[参考文献] (References)
[1] 杨永斌.数据挖掘技术在教育中的应用研究[J].计算机科学,2006,33(12):284-286.
[2] 李婷,傅钢善.国内外教育数据挖掘研究现状及趋势分析[J].现代教育技术,2010, 20(10):21-25.
[3] 葛道凯,张少刚,魏顺平.教育数据挖掘:方法与应用[M].教育科学出版社,2012.
[4] 魏顺平.学习分析技术:挖掘大数据时代下教育数据的价值[J].现代教育技术,2013, 23(2):5-11. 160
[5] 魏顺平 ,韩艳辉 ,王丽娜 .基于学习过程数据挖掘与分析的在线教学反思研究 [J].现代教育技
术,2015,24(6):89-95.
[6] 张金磊,张宝辉,刘永贵.数据可视化技术在教学中的应用探究[J].现代远程教育研究, 2013,(6):98-105.
[7] 陈律.大数据背景下学习分析技术对教学模式的变革[J].中国教育信息化,2013, (24):15-17.
[8] 马红亮,袁莉,郭唯一,许楠,杨洋.反省分析技术在教育领域中的应用[J].现代远程教育研究,2014(4):39-46. 165
[9] 李振超 ,陈琳 ,郑旭东 .大数据理念下的发展性学习评价系统设计研究 [J].现代教育技术 ,
2015,25(6):108-114.
[10] 唐斯斯,杨现民,单志广. 智慧教育与大数据[M]. 科学出版社, 2015.
- 6 -
中国科技论文在线
[11] 金陵.大数据与信息化教学变革[J].中国电化教育, 2013,(10):8-13.
[12] 杨现民,王榴卉,唐斯斯.教育大数据的应用模式与政策建议[J].电化教育研究,2015, (9):54-61,69. 170
[13] 杨现民,唐斯斯,李冀红.发展教育大数据:内涵、价值和挑战[J].现代远程教育研究, 2016, (1):50-61.
[14] PISTILLI M D, ARNOLD K E. Purdue Signals: Mining real-time academic data to enhance student
success[J]. About campus, 2010, 15(3):22-24.
[15] ARNOLD K E, PISTILLI M D. Course Signals at Purdue: Using learning analytics to increase student
success[C]. Proceedings of the 2nd International Conference on Learning Analytics and Knowledge, Vancouver, 175
Canada, 29 April - 2 May 2012, 267-270.
[16] LAURIA A E J M, BARON J D, DEVIREDDY M, SUNDARARAJU V, JAYAPRAKASH S M. Mining
academic data to improve college student retention: an open source perspective[C]. Proceedings of the 2nd
International Conference on Learning Analytics and Knowledge, Vancouver, Canada, 29 April - 2 May 2012,
139-142. 180
[17] WINNE P H, BAKER R S J. The Potentials of Educational Data Mining for Researching Metacognition,
Motivation and Self-Regulated Learning[J]. Journal of Educational Data Mining, 2013, 5(1):1-8.
[18] SANDEEP M J, ERIK W M, EITEL J M L, JAMES R R, JOSHUA D B. Early Alert of Academically
At-Risk Students: An Open Source Analytics Initiative[J]. Journal of Learning Analytics, 2014, 1(1):6-47.
[19] COPE B, KALANTZIS M. Sources of Evidence-of-Learning: Learning and assessment in the era of big 185
data[J]. Open Review of Educational Research, 2015, 2(1):194-217.
[20] YANG Xianmin, LI Xiaojie, LU Ting. Using Mobile Phones in College Classroom Settings: Effects of
Presentation Mode and Interest on Concentration and Achievement[J]. Computer & Education, 2015,88:292-302.
[21] RANGEL V S, BELL E R, MONROY C, WHITAKER J R. Toward a New Approach to the Evaluation of a
Digital Curriculum Using Learning Analytics[J]. Journal of Research on Technology in Education, 2015, 190
47(2):89-104.
