邓春远，刘金适

(大连海事大学 信息科学技术学院，辽宁 大连 116026)

一、引言

高校学风建设是落实立德树人的关键和重要环节，关乎高校人才培养的质量。当前，大学生挂科、重修、降级、延学、辍学等学业问题日渐严重。高校为推动并形成良好学风，引导学生身心健康成长，建立了学困学生干预制度，逐步形成了高校学业预警机制。学业预警作为帮助学生成人成才的举措之一，是高校对于学生管理教育的重要手段，也是对学生学业危机的干预方式，主要是对潜在发生或者已经发生学业问题和学业困难的学生进行警示，并给予针对性的帮扶和挽救措施，对于学生成长有着督促、警示作用，对高校学生管理也提供了科学合理的方法。

目前国内学者针对学业预警的研究，一方面主要集中在对其概念的界定以及成因和对策等的定性研究。尹建平等[1]考虑学生自我管理能力缺乏、学习目的不明确、学习动力不足等因素,建立完善的学业预警机制,帮助学生及时了解自己的学业状态；何伟等[2]认为提高思想政治教育者素质、创新思想政治教育协同要素以及预警各环节的有序衔接，是思想政治教育在大学生学业预警机制中功能实现的必然选择；邓敏等[3]提出要健全学业预警工作的程序，不断完善学业预警信息化支撑平台，多措并举加强学业预警帮扶，充分发挥党员联系群众、学生干部指导的作用。另一方面，对于学业预警研究还集中在聚类分析、决策树分析、关联度分析等定量研究。卢毅[4]创建了改进的BAS-SVM大学生学业状态动态预警模型，为学业状态预警评估提供了新的方法和途径；吕莉等[5]采用了随机森林算法，分析了学生学业预警成因，并研究学业预警机制构建的对策；宋楚平等[6]采用改进的RBF神经网络模型，能较好地满足学业预警的实际要求。

对高校学业预警的研究中，国内学者侧重于对学业预警的定性分析和研究，对学业预警的定量分析和实证分析研究较少。本文基于上述相关研究，从定性和定量两个维度丰富高校学业预警的理论研究和实践应用：着重对潜在发生和已经发生学业问题的学生进行测度和分类，以鱼骨分析法构建高校学业预警风险评价指标体系，构建高校学业预警评价体系；基于PCA-CA相结合的方法构建学业预警测度和分类模型，科学识别和评价学生学业面临的风险，提高学业预警评价结果的可靠性。

二、基于鱼骨分析法的学业预警评价体系

鱼骨分析法(fishbone analysis method，FAM)，由日本学者石川馨提出，主要用于分析和发现问题的根本成因，故又被称为因果分析法，广泛应用于现代工商管理教育方面[7]。鱼骨图简洁实用，可以根据鱼骨框架深入直观地描述事物的因果等关系；相较于柱状图、树状图、雷达图、表格、文字等描述方式，鱼骨图能更加清晰地刻画出影响研究问题各要素的从属关系与重要程度，适合用于影响要素众多的高校学业预警测度研究。

本文中鱼骨图主要由大骨、中骨、小骨构成，大骨即学业预警测度体系，也是主线骨；中骨是造成学业预警的主要因素；小骨为影响中骨的深度细节。在对学业预警评价体系指标选取研究中，邵广[8]以平均绩点和挂科数目作为学业预警主要测算指标，袁安府[9]等人从报到注册、平时表现学习、学习成绩三个方面构建学业预警评价指标体系，林欣[10]选取学生违纪预警、学分成绩预警和毕业考核预警三个二级指标，杨洋[11]则考虑生活、学习、经济、家庭多个指标作为学业预警评价指标。综合如上国内学者对学业预警指标的选取情况，确定学业成绩、课堂表现、家庭背景、生源质量、综合表现作为中骨，进而挖掘、调研、分析影响中骨的各小骨要素，如图1所示。

图1 基于鱼骨分析的学业预警评价指标体系

对中骨进行逐级细分，确定鱼骨图中的小骨。在学业成绩指标方面，把平均绩点、挂科数目、重修数目、60～70分科目数量、专业排名作为重点考量；在课堂表现指标方面，选取出勤率、自习率、平时分作为三级指标；在家庭背景方面，主要考虑家庭收入、助学贷款、生活消费；在生源质量指标方面，参照生源地、高考分数、是否偏科三个角度。

在综合表现指标方面，选取思想品德、科技创新、发展素质三个指标，其中思想品德包括思想政治素质、文明道德素质、日常行为修养三项，科技创新包括学术研究、学科竞赛、创新创业、专业技能四项，发展素质包括文体活动、社会实践、社会工作三项。

三、基于PCA-CA的学业预警测度与分析

在对学业预警测度分析方面主要面向两个对象：一是已经存在学业问题的学生，选取鱼骨中学业成绩作为考量依据；二是潜在存在学业问题的学生，通过评价模型进行测度和分析。学业预警流程如图2所示。每个高校对已经存在学业问题的学生进行预警的标准各不相同，本文着重对潜在存在学业问题的学生进行预警测度。

图2 学业预警流程图

(一)基于PCA-CA的学业预警测度模型

在实证分析中，考虑到样本个体复杂、指标数量多的特点，为了系统、科学和全面地对学业预警学生进行测度和评估，本文采用主成分分析法评价模型作为主要测度模型，主成分分析法可以通过降维的方式将众多指标转化为个别指标，并基于个别指标对测评对象进行解释和分析，最后采用聚类分析的方法将同类别的测评对象进行分门别类，有针对性地提出解决对策。模型主要流程如下，其中指标结构见表1。

表1 学业预警指标基础结构

步骤1，根据鱼骨分析法确定学业预警指标基础结构；

步骤2，选取样本数据，对指标数据无量化处理；

步骤3，构建评价指标矩阵，并计算相关系数矩阵；

步骤4，计算指标矩阵的特征值和特征向量；

步骤5，选择一定数量的主成分,并计算综合评价值；

步骤6，在主成分分析基础上,采用较为常用的欧氏距离-离差平方和法对样本进行定量分类；

步骤7，将学业预警情况划分为红、黄、绿三个等级, 对其进行系统聚类分析。

(二)学业预警测度实证研究

本文以大连海事大学电子信息类专业2019级某班成绩排名后76%的学生作为测度实证对象(样本数量为25)，其中学业成绩和综合表现指标参照《大连海事大学综合素质测评(综合积分)办法》，课堂表现参照课堂出勤情况、自习出勤情况以及各科平时分平均值，家庭背景和生源质量指标从高招名册和学籍表获取原始数据。将原始数据进行同趋化处理和无量纲化处理，得到标准化数据见表2。

表2 学业预警测度标准化数据

P14P15P16P17P18P19P20P21P22P23P24P25F1-0.78-0.79-0.80-1.05-1.62-1.73-1.891.381.361.301.191.09F2-0.82-0.95-1.09-1.22-1.36-1.49-1.631.631.491.361.221.09F3-0.110.340.34-0.55-2.78-1.00-1.000.790.790.790.790.79F4-0.220.560.56-1.00-3.36-1.00-1.000.560.560.560.560.56F5-0.31-0.02-1.77-0.31-0.60-0.60-1.481.431.141.141.141.14F6-0.74-0.82-0.742.04-0.70-0.592.000.400.12-0.74-0.761.21F7-0.83-0.83-0.83-0.830.65-0.830.65-0.83-0.830.44-0.830.44F80.70-0.830.551.16-0.831.46-0.070.55-0.07-0.83-1.60-0.83F9-0.630.55-2.49-2.12-0.060.170.081.300.670.410.190.35F100.230.01-2.43-0.55-0.98-2.390.620.690.260.640.951.09F11-0.56-0.32-1.05-0.81-1.67-1.32-1.771.421.291.261.211.16F12-1.17-1.171.37-1.17-0.531.06-0.22-0.220.420.580.58-1.49F130.651.34-0.110.190.110.100.03-0.871.210.840.381.14F14-0.50-0.500.71-0.500.710.710.71-0.500.710.710.71-2.51F150.20-1.470.201.03-0.63-0.63-1.471.03-0.630.200.20-0.63F161.140.02-1.100.96-0.54-0.54-0.541.23-0.441.141.231.05F171.35-0.26-0.26-0.26-0.26-0.26-0.26-0.26-1.861.35-0.261.35

选取标准化后得数据，计算出各因子对应的特征值、贡献率、累计贡献率见表3。由表3分析可见，第一主成分占比重34.502%，第二主成分占比重18.237%。选取前5个主成分进行分析，总占比重接近80%，可以近似代替原来的17个指标。用SPSS软件直接得出25名学生在5个主成分上的得分，通过各主成分的方差贡献率占5个主成分总方差贡献率作为权重，借助Excel软件进行加权汇总，得到25名学生学业预警的综合得分见表4。

表3 指标各类计算系数

表4 个体综合得分情况

根据表3和表4计算结果，并运用SPSS软件对25个学生的学业预警情况进行聚类分析。学业预警情况共分为三类，其中第一类有8个，第二类有9个，第三类有8个，具体分类结果如图3。

图3 聚类分析树状图

(三)学业预警测度结果分析

1.主成分结果分析

由于影响学生学业成绩的评价指标众多，各个指标之间也存在较强的相关性，若直接对用这些指标进行综合评价，可能会造成评价信息的重叠而影响评价结果的客观性、真实性。因此可通过主成分分析的方法对多个变量的截面数据进行综合性简化，对高维变量空间进行降维处理，以减小各指标中的关联性而使评价结果更加合理。

利用SPSS软件对17个评价指标进行主成分分析后，可以计算前5个特征根的累计贡献率约达80%，主成分分析效果良好，因此选择前5个主成分进行综合评价。将17个指标的标准化数据代入主成分表达式，得到各学生的5个主成分值，并以5个主成分的贡献率为权重，构建主成分综合评价模型，得到各学生的学业预警综合评价值及排序结果，其中红色预警学生为P11、P16、P18、P19、P20，黄色预警学生为P3、P7、P12、P13、P15、P17，绿色预警学生为P1、P2、P4、P5、P6、P8、P9、P10、P14、P21、P22、P23、P24、P25。根据学业预警综合评价值，可以通过多重指标科学地评价学生的学业预警风险。

2.聚类结果分析

将各项评价指标进行聚类分析，进一步探索存在学业预警危险的学生群体特征。使用SPSS软件进行聚类分析，根据聚类分析树状图将样本群体分为三大类，结果为：第一类为P2、P4、P5、P8、P9、P10、P11、P23(轻度学业预警风险)；第二类、第三类为P1、P3、P6、P7、P12、P13、P14、P15、P16、P17、P18、P19、P20、P21、P22、P24、P25(中重度学业预警风险)。聚类分析的结果与主成分分析结果基本一致,见表5。

表5 个体聚类情况

对于有轻度学业预警风险的学生来说，平均学分绩点普遍较高，挂科数目相对较少，且大部分较为注重平时的学习，平时分普遍较高；对于中重度学业预警风险的学生来说，出勤率、自习率与前一类相差不多，但平时表现却有一定差距，由此分析该群体学生课堂和自习效率、努力程度较低。

根据聚类分析结果与实际情况，可以研判出挂科数目、重修数目、生源地质量、家庭收入等因素的差距是影响学业成绩的直接、主要因素，思想品德、科技创新、发展素质等因素对于学业成绩的作用和影响不大，但可能对于学习主动性、自发性等隐性特征有较大影响，进而影响对学生学业预警风险的测度。为更好分析实证结果，通过访谈学生P5、P11、P20、P25做进一步研究，学生P5、P25学业成绩尚可，但P25学习自发性、自觉性较P5而言相对弱一些；学生P11、P20学业成绩均有较大危险，但P11思想品德、科技创新、发展素质等因素优于P20，在其他领域取得的成绩也较好。

四、学业预警机制构建策略分析

(一)建档立卡：建立动态学业预警档案

借鉴我国扶贫工作的经验[12]，对于具有学业预警风险的学生进行精准识别，深入了解其学业状况，初步分析其预警风险成因，明确学业预警主体，划分不同特征的学习困难群体，对学业预警群体的学生进行建档立卡。建档立卡有助于落实责任到人，有助于育人团队更好地掌握学生动态，也有助于提高学业帮扶与指导的针对性与有效性，以此为基础形成一套帮扶系统。

(二)寻医问诊：挖掘学业困难和预警成因

在长期教育教学过程中逐步完善评价指标体系, 在定量分析方面，利用鱼骨分析、主成分分析、聚类分析等科学方法对不同具有学业预警风险的学生、不同学习困难的学生群体进行合理分类，并以学期为单位进行长时间的动态评价，以确保对学习困难学生帮扶的及时性、准确性、有效性；同时，在定性分析方面，源于家长、指导员、教师、同学过往的分析和帮扶经验，对学业预警成因的探究具有丰富的指导性意义，经验的不断积累与学业预警风险评估形成闭环，二者相互调节可使评估方法经过长时间训练而日趋准确。

(三)对症下药：解决思想问题和解决实际问题相结合

学风也是思想政治工作的主要内容之一，坚持解决思想问题与解决实际问题相结合的思想指导下，主动调整教学方法与管理方式，根据每个学生学习困难的不同特征，结合个体成长阶段的特点，主动融入学习困难学生群体，切身寻找问题症结并探索解决之道，引导具有学业预警风险的学生树立短期目标、长期目标和理想信念，激发学习困难学生的内驱动力，发挥“三全育人”与“五育并举”协同育人功效。

(四)巩固疗效：进行分级分类学业指导与帮扶

在外部教育教学、内部自律自强两方面的调整与引导下，为进一步巩固帮扶成果，降低学习困难群体学业预警的风险，从不同角度、多个层次进行帮扶成果巩固，则需要包围式、全过程的针对性帮扶[8]。以家庭成员、育人团队、朋辈群体等人群构成包围式帮扶圈，以家庭(社区)、校园、公寓等环境构成全过程帮扶链，不断细化帮扶责任与流程，对具有学业预警风险的学生进行分级分类的学业指导与帮扶。

五、结论

通过鱼骨分析法建立了学业预警测度的评价指标体系，选取影响学生学业预警的5个因素、17项评价指标；采用主成分分析的方法将多项指标转化为综合指标，并以综合指标为依据进行学业预警测度。以大连海事大学电子信息类专业2019级某一班级学生为实证对象，在主成分分析的基础之上，采用聚类分析的方式，对具有共性的学生进行了合理聚类。

参照主成分分析、聚类分析的结果，本文对存在学业预警危险的学生群体进行科学分类，并提出学业预警机制的构建策略，不仅有助于正确认识学生学业问题从而因材施教，而且可以为高校在学业预警研究和实践方面提供借鉴和参考。

经过实证研究，主成分分析结果对于存在学业预警风险的学生有科学的指导作用，聚类分析结果又能依据不同指标将学生的问题归类，有较强的实践意义。本文提出的学业预警测度方式仍需经过长期的实践检验与反馈调整，通过各高校有选择性、针对性地创新和完善，才能使学业预警测度与分析方式不断健全并趋于稳定。