姜绍萍

(烟台汽车工程职业学院 信息与控制工程系,烟台 265500)

近年来,我国普通高校数量和高校在校学生数量急剧上升,使得高校教学质量不过关的情况越来越严重.传统的学生管理方法和教学质量评估方法工作量大,评判依据较为单一,已经无法适应当前的教育体系,大数据技术和互联网技术的发展为解决上述问题提供了有力的技术条件[1–3].目前国内高校普遍已经建立起自己的校园数字化管理平台,校园数字化管理可以记录每个学生的个人行为数据,包括日常的宿舍门禁、食堂就餐、上网记录、历史成绩等,这些个人行为数据可以作为评估学生学业情况的重要依据[4–7].

文献[8]中提出了一种RBF 神经网络学业预警算法,建立了适用于学业预测的RBF 神经网络模型,并利用遗传算法对传统RBF 网络的权重向量进行全局搜索以得到最优模型,提升了模型的收敛速度和误差精度,取得了不错的效果.但文中采用的影响因素是通过专家和教师按照经验认为评定的,评定结果的可靠性有待商榷[8].文献[9]利用BP 神经网络进行学生成绩预测,通过挖掘学生各科成绩之间的关系各学期历史成绩的发展趋势预测学生最终的结业成绩[9].国外学者Hajra 也研究了在虚拟学习环境下,采用深度人工神经网络挖掘大数据信息,并用于学业预警[10].

本文提出了一种基于学生行为相关性分析的GABP 学业预警算法,运用Kendall 相关性分析方法在一卡通数据库、网络数据……