周慶 肖逸楓

摘 要 以某高校計(jì)算機(jī)學(xué)院2012級(jí)293名學(xué)生前三學(xué)期的學(xué)籍信息和歷史成績(jī)信息作為研究對(duì)象，采用多種數(shù)據(jù)挖掘方法，旨在對(duì)高風(fēng)險(xiǎn)學(xué)生成績(jī)情況和留級(jí)風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)分析。研究表明，通過(guò)學(xué)生前三學(xué)期的歷史成績(jī)和學(xué)籍信息，可以有效地預(yù)測(cè)學(xué)生在第四學(xué)期結(jié)束后是否留級(jí)，準(zhǔn)確率達(dá)到87.5%。將這一數(shù)據(jù)挖掘方法運(yùn)用到學(xué)生日常管理中，可以利用大數(shù)據(jù)處理技術(shù)整合學(xué)生數(shù)據(jù)，進(jìn)行客觀、科學(xué)的分析和決策，起到學(xué)業(yè)監(jiān)測(cè)和預(yù)警的作用。

關(guān)鍵詞 數(shù)據(jù)挖掘；成績(jī)預(yù)測(cè)；學(xué)業(yè)預(yù)警；教學(xué)管理；學(xué)籍信息

中圖分類號(hào)：G645 文獻(xiàn)標(biāo)識(shí)碼：B

文章編號(hào)：1671-489X（2018）06-0036-04

Analysis and Precaution of College Students' Academic Record based on Data Mining Technology//ZHOU Qing， XIAO Yifeng

Abstract In this paper， we study the student status information and historical grade of 293 students in the first three semesters from the

college of computer science of a certain university. Based on multi-

ple data mining methods， we analysis and predict the future acade-mic performance and the repetition risk of target students. The study shows that the student 's historical academic records and student sta-tus information， we can effectively predict whether a student will repeat at the end of the fourth semester. The accuracy rate is 87.5%. By applying the data mining method to the daily management of stu-

dents， we can use big data processing technology to integrate student

data， do objective and scientific analysis and decision-making， and play the role of academic monitoring and precaution.

Key words data mining； performance prediction； academic precau-

tion； teaching management； student status information

1 引言

教育大數(shù)據(jù)是整個(gè)教育活動(dòng)中產(chǎn)生的、根據(jù)教育需要采集到的，一切用于教育發(fā)展并可創(chuàng)造巨大潛在價(jià)值的數(shù)據(jù)集合[1]。教育數(shù)據(jù)挖掘EDM（Educational Data Mining）

是綜合利用機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘的技術(shù)和方法，對(duì)教育數(shù)據(jù)進(jìn)行處理和分析，通過(guò)數(shù)據(jù)建模預(yù)測(cè)學(xué)生未來(lái)的學(xué)習(xí)趨勢(shì)[2]。

近年來(lái)，高校學(xué)生人數(shù)急劇增加。通過(guò)數(shù)據(jù)挖掘，研究學(xué)生在校數(shù)據(jù)背后的趨勢(shì)和問(wèn)題，顯得尤為關(guān)鍵[1]。通過(guò)研究高校學(xué)生在校相關(guān)數(shù)據(jù)，利用數(shù)據(jù)挖掘技術(shù)分析學(xué)生的行為數(shù)據(jù)和歷史成績(jī)，可以起到學(xué)業(yè)監(jiān)測(cè)預(yù)警的作用。同時(shí)，利用結(jié)果有針對(duì)性地對(duì)學(xué)生進(jìn)行指導(dǎo)，可以有效提升高校教學(xué)管理的工作效率。

本研究主要通過(guò)學(xué)生學(xué)籍信息和歷史成績(jī)，預(yù)測(cè)學(xué)生是否存在留級(jí)風(fēng)險(xiǎn)。首先對(duì)學(xué)生歷史成績(jī)進(jìn)行預(yù)處理，計(jì)算出用于預(yù)測(cè)的四個(gè)特征變量。利用數(shù)據(jù)挖掘模型來(lái)預(yù)測(cè)學(xué)生的留級(jí)風(fēng)險(xiǎn)，根據(jù)預(yù)測(cè)結(jié)果分析選取的特征變量和留級(jí)的相關(guān)性系數(shù)，闡述本研究對(duì)教學(xué)實(shí)踐的啟示和應(yīng)用價(jià)值。研究結(jié)果表明，邏輯回歸模型的預(yù)測(cè)效果最佳，Precision

（準(zhǔn)確率）和Recall（召回率）分別為70.00%和87.50%，F(xiàn)1

（F1-measure）為77.78%。通過(guò)學(xué)生學(xué)籍信息和歷史成績(jī)數(shù)據(jù)，能夠比較準(zhǔn)確地預(yù)測(cè)出有留級(jí)風(fēng)險(xiǎn)的學(xué)生，可以幫助學(xué)院加強(qiáng)監(jiān)督，為高校管理者提供有效依據(jù)。

2 相關(guān)研究

教育數(shù)據(jù)挖掘簡(jiǎn)介及研究趨勢(shì) 數(shù)據(jù)挖掘的研究始于20世紀(jì)80年代，現(xiàn)在已經(jīng)成功地應(yīng)用于多個(gè)領(lǐng)域。教育信息化的發(fā)展使得教育領(lǐng)域的各種數(shù)據(jù)呈現(xiàn)爆炸式增長(zhǎng)，如何從海量數(shù)據(jù)中挖掘出有用的信息，成為現(xiàn)代高校管理者的研究熱點(diǎn)。

自2005年起，人工智能（AAAI）、人工智能教育應(yīng)用（AIED）及智能導(dǎo)師系統(tǒng)（ITS）等國(guó)際會(huì)議開(kāi)展了多次“教育數(shù)據(jù)挖掘”主題研討會(huì)；2008年，在加拿大召開(kāi)第一屆教育數(shù)據(jù)挖掘國(guó)際學(xué)術(shù)會(huì)議，2011年7月，在荷蘭埃因霍溫舉辦第四屆教育數(shù)據(jù)挖掘國(guó)際會(huì)議，并且成功創(chuàng)辦專門的電子期刊——教育數(shù)據(jù)挖掘雜志（JEMD）。

教育數(shù)據(jù)挖掘（EDM）從教育系統(tǒng)的數(shù)據(jù)中提取出有意義的信息，這些信息可以為教育者和管理者提供服務(wù)[3]。教育數(shù)據(jù)挖掘技術(shù)當(dāng)前研究方向很廣泛，有助于管理者做出科學(xué)的決策。

國(guó)內(nèi)外相關(guān)教育數(shù)據(jù)挖掘成果 國(guó)外高校在學(xué)生預(yù)警方面有很多相關(guān)研究成果。有研究表明，可以根據(jù)學(xué)生第一學(xué)期的新生成績(jī)和高中百分比排名，對(duì)學(xué)生的平均成績(jī)進(jìn)行預(yù)測(cè)分析。Dursun Delen利用高校學(xué)生五年的數(shù)據(jù)研究模型，預(yù)測(cè)和解釋有風(fēng)險(xiǎn)的學(xué)生并進(jìn)行適當(dāng)干預(yù)[4]。在Ya-Han Hu等人的研究中也提到，關(guān)于利用學(xué)生在線學(xué)習(xí)課程和整個(gè)學(xué)習(xí)活動(dòng)建立早期預(yù)警系統(tǒng)[5]，幫助識(shí)別和預(yù)測(cè)有風(fēng)險(xiǎn)的學(xué)生。

隨著國(guó)內(nèi)大數(shù)據(jù)研究的逐步推進(jìn)，也有很多學(xué)者提出了自己的認(rèn)識(shí)。例如：在陸璟的文章中就提到，要加強(qiáng)多個(gè)來(lái)源的數(shù)據(jù)庫(kù)整合[6]，利用教育輿情分析降低學(xué)生學(xué)業(yè)風(fēng)險(xiǎn)；趙玉潔的文章中提出，需要深入挖掘高校數(shù)據(jù)特征，才能更好地實(shí)現(xiàn)高校教育信息化的全面建設(shè)[7]；陳美娥提出，要從學(xué)生歷史成績(jī)和在校行為出發(fā)進(jìn)行探索[8]。國(guó)內(nèi)很多研究都表明，學(xué)生學(xué)業(yè)問(wèn)題逐年增加，因此需要建立有效的防范機(jī)制來(lái)進(jìn)行學(xué)業(yè)預(yù)警。

我國(guó)高校大數(shù)據(jù)研究的特點(diǎn)及問(wèn)題 隨著我國(guó)教育信息化建設(shè)的不斷深入，學(xué)生在校數(shù)據(jù)成為高校一筆隱藏的財(cái)富，它們背后蘊(yùn)藏的價(jià)值對(duì)于高校信息化管理有著相當(dāng)深遠(yuǎn)的意義。

高校數(shù)據(jù)主要呈現(xiàn)出三個(gè)特點(diǎn)，即“碎片化”“持續(xù)性”和“多維度”[7]。高校學(xué)生數(shù)據(jù)是隨著時(shí)間的不同呈現(xiàn)分布式、碎片化生成的。例如：學(xué)生的學(xué)習(xí)成績(jī)反映出學(xué)生的學(xué)習(xí)效果，上網(wǎng)數(shù)據(jù)體現(xiàn)學(xué)生的上網(wǎng)習(xí)慣，一卡通消費(fèi)顯示出學(xué)生的作息規(guī)律。但是現(xiàn)在高校中未處理的數(shù)據(jù)使得大量數(shù)據(jù)價(jià)值密度低，無(wú)法挖掘其背后的深層含義，造成數(shù)據(jù)的浪費(fèi)和丟失。

因此，只有將多維度的數(shù)據(jù)進(jìn)行信息整合，深入分析學(xué)生的生活習(xí)慣和學(xué)習(xí)情況，才能為管理者提供有效的數(shù)據(jù)支撐。本文也將有效地通過(guò)學(xué)生歷史成績(jī)和學(xué)籍信息，預(yù)測(cè)學(xué)生是否存在留級(jí)的學(xué)業(yè)風(fēng)險(xiǎn)。

3 數(shù)據(jù)準(zhǔn)備

本次實(shí)驗(yàn)的數(shù)據(jù)來(lái)源于某大學(xué)在校學(xué)生的學(xué)籍信息數(shù)據(jù)和歷史成績(jī)數(shù)據(jù)。由于成績(jī)數(shù)據(jù)保密和數(shù)據(jù)源獲取的原因，學(xué)籍信息（61 919條）和歷史成績(jī)數(shù)據(jù)（1 422 780條）較為龐大。主要分析計(jì)算機(jī)學(xué)院2012級(jí)293名在校生入學(xué)至今的成績(jī)記錄（共計(jì)59 831條），同時(shí)結(jié)合學(xué)生的學(xué)籍信息和學(xué)籍狀態(tài)，分析高風(fēng)險(xiǎn)學(xué)生成績(jī)和學(xué)生留級(jí)預(yù)警情況。

學(xué)生學(xué)籍信息和歷史成績(jī)數(shù)據(jù) 從表1可以看出，學(xué)生學(xué)籍?dāng)?shù)據(jù)主要記錄了學(xué)生的學(xué)號(hào)、專業(yè)代碼、入學(xué)年級(jí)、現(xiàn)在年級(jí)、班號(hào)和學(xué)籍狀態(tài)?？梢酝ㄟ^(guò)學(xué)生學(xué)籍狀態(tài)了解該學(xué)生當(dāng)前學(xué)籍情況。

如表2所示，學(xué)生歷史成績(jī)是由學(xué)校學(xué)工部直接獲取，記錄了在校學(xué)生各門課程考試學(xué)年和考試學(xué)期、課程名稱、課程成績(jī)、課程學(xué)分和課程標(biāo)志。其中課程標(biāo)志有初修、重修和補(bǔ)考三種不同狀態(tài)。通過(guò)處理，對(duì)每個(gè)人的成績(jī)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，可以將對(duì)學(xué)生的掛科數(shù)、重修數(shù)、補(bǔ)考數(shù)、補(bǔ)考學(xué)分進(jìn)行整合。

學(xué)生歷史成績(jī)數(shù)據(jù)統(tǒng)計(jì) 如表3所示，經(jīng)過(guò)對(duì)每個(gè)學(xué)生考試成績(jī)和課程狀態(tài)進(jìn)行情況分析，可以根據(jù)學(xué)生歷史成績(jī)整合為考試情況統(tǒng)計(jì)表，計(jì)算得到學(xué)生在各學(xué)期的掛科數(shù)、補(bǔ)考數(shù)、重修數(shù)和掛科學(xué)分等數(shù)據(jù)。其中掛科學(xué)分的統(tǒng)計(jì)較為復(fù)雜，它是一個(gè)隨著學(xué)生考試進(jìn)行隨時(shí)迭代更新的數(shù)據(jù)。如果學(xué)生該門課程重修通過(guò)，便在掛科學(xué)分中去掉該門課的對(duì)應(yīng)學(xué)分；未通過(guò)就一直保留。

經(jīng)過(guò)處理之后，可以根據(jù)學(xué)生歷史成績(jī)表整合為六個(gè)學(xué)期的學(xué)分成績(jī)統(tǒng)計(jì)表，如表4所示，其中記錄了學(xué)生各學(xué)期成績(jī)績(jī)點(diǎn)、平均分?jǐn)?shù)、選課學(xué)分、學(xué)期獲得學(xué)分和學(xué)分獲得率等數(shù)據(jù)。

4 實(shí)驗(yàn)研究與討論

根據(jù)獲取的學(xué)生學(xué)籍信息和歷史成績(jī)數(shù)據(jù)，通過(guò)對(duì)數(shù)據(jù)的特征選擇和預(yù)處理，主要選擇計(jì)算機(jī)學(xué)院2012級(jí)293名學(xué)生前三學(xué)期的成績(jī)數(shù)據(jù)進(jìn)行分析，預(yù)測(cè)學(xué)生第四學(xué)期結(jié)束之后是否存在留級(jí)風(fēng)險(xiǎn)。

本實(shí)驗(yàn)中未留級(jí)的學(xué)生標(biāo)志為0，留級(jí)學(xué)生標(biāo)志為1。通過(guò)從學(xué)院得到有效數(shù)據(jù)和相關(guān)文件進(jìn)行實(shí)驗(yàn)分析。使用幾種經(jīng)典的數(shù)據(jù)挖掘模型，分別為決策樹(shù)模型、人工神經(jīng)網(wǎng)絡(luò)模型、樸素貝葉斯模型和邏輯回歸模型。

模型分析 決策樹(shù)模型易于理解和實(shí)現(xiàn)。決策樹(shù)可以通過(guò)靜態(tài)測(cè)試來(lái)對(duì)模型進(jìn)行評(píng)測(cè)，能夠在相對(duì)短的時(shí)間內(nèi)對(duì)大型數(shù)據(jù)源做出可行結(jié)果，是一種直觀運(yùn)用概率分析的方法。有不少學(xué)者也將決策樹(shù)算法應(yīng)用于學(xué)生成績(jī)的退學(xué)研究中。

人工神經(jīng)網(wǎng)絡(luò)模型對(duì)噪聲神經(jīng)有較強(qiáng)的魯棒性和容錯(cuò)能力，具備聯(lián)想記憶的功能。有項(xiàng)目使用人工神經(jīng)網(wǎng)絡(luò)模型并預(yù)測(cè)了工程與信息科技專業(yè)學(xué)生的學(xué)業(yè)表現(xiàn)。

樸素貝葉斯是一種構(gòu)建分類器的模型。Juan Feldman等使用樸素貝葉斯模型研究學(xué)生的認(rèn)知風(fēng)格[9]。

邏輯回歸適用于預(yù)測(cè)結(jié)果介于0和1之間的預(yù)測(cè)問(wèn)題；同時(shí)適用于連續(xù)性和類別行的變量分析問(wèn)題，具有很好的實(shí)用性和解釋性[10]。

評(píng)價(jià)指標(biāo)及實(shí)際含義 本文選擇計(jì)算機(jī)學(xué)院2012級(jí)學(xué)生前三學(xué)期的成績(jī)數(shù)據(jù)進(jìn)行分析，最終預(yù)測(cè)出第四學(xué)期結(jié)束后學(xué)生的留級(jí)情況。預(yù)測(cè)結(jié)果分為四種類型：TP表示預(yù)測(cè)為留級(jí)的學(xué)生該學(xué)期實(shí)際也留級(jí)了；FN表示預(yù)測(cè)為沒(méi)有留級(jí)的學(xué)生實(shí)際卻留級(jí)了；FP表示預(yù)測(cè)為留級(jí)的學(xué)生實(shí)際沒(méi)有留級(jí)；TN表示預(yù)測(cè)為沒(méi)有留級(jí)的學(xué)生實(shí)際也沒(méi)有留級(jí)。該實(shí)驗(yàn)是一種典型的二分類問(wèn)題，二分類預(yù)測(cè)問(wèn)題中常用召回率（Recall）、準(zhǔn)確率（Precision）和F1值（F1-measure）來(lái)評(píng)價(jià)模型的優(yōu)劣。

Recall表示模型中正確預(yù)測(cè)出的留級(jí)學(xué)生占實(shí)際留級(jí)學(xué)生數(shù)量的百分比。Precision表示結(jié)果預(yù)測(cè)為留級(jí)學(xué)生中正確預(yù)測(cè)的比例。在模型的性能評(píng)價(jià)中，Recall和Precision越高越好；但這兩個(gè)數(shù)據(jù)在實(shí)驗(yàn)結(jié)果的計(jì)算中本身存在沖突。因?yàn)镕1是Recall和Precision的加權(quán)調(diào)和平均值，所以在結(jié)果分析中利用F1值來(lái)評(píng)價(jià)預(yù)測(cè)模型的綜合性能。

模型的性能對(duì)比與選擇 如表5和圖1所示，將實(shí)驗(yàn)過(guò)程中運(yùn)用到的模型的性能分析結(jié)果進(jìn)行統(tǒng)一比較。四個(gè)模型的整體預(yù)測(cè)效果都較好，Recall均超過(guò)了70%，可以較為準(zhǔn)確地預(yù)測(cè)出第四學(xué)期結(jié)束后可能留級(jí)的高風(fēng)險(xiǎn)學(xué)生。但是樸素貝葉斯的Precision和Recall誤差波動(dòng)較大。雖然人工神經(jīng)網(wǎng)絡(luò)模型兩項(xiàng)指標(biāo)較為穩(wěn)定，但是很難對(duì)所選特征進(jìn)行解釋。在決策樹(shù)和邏輯回歸模型的對(duì)比中，邏輯回歸的Precision和F1均高于決策樹(shù)，而且邏輯回歸具有很好的實(shí)用性和解釋性，因此，最終決定運(yùn)用邏輯回歸模型。

模型對(duì)教學(xué)實(shí)踐的啟示

1）特征值相關(guān)性分析。根據(jù)選定的模型計(jì)算統(tǒng)計(jì)，得到各項(xiàng)預(yù)選定的特征屬性與留級(jí)預(yù)測(cè)之間的關(guān)系，如表6所示。由表6可見(jiàn)，補(bǔ)考數(shù)與留級(jí)預(yù)測(cè)結(jié)果的相關(guān)性系數(shù)為0.366，數(shù)值較低。結(jié)合實(shí)際分析，不難得出，部分學(xué)生會(huì)有補(bǔ)考經(jīng)歷，經(jīng)過(guò)反思和準(zhǔn)備，大多能通過(guò)。這不能完全作為預(yù)測(cè)留級(jí)的主要因素，但可作為輔助指標(biāo)，從側(cè)面反映出該學(xué)生的學(xué)習(xí)狀態(tài)。

掛科數(shù)、重修數(shù)和掛科學(xué)分與留級(jí)預(yù)測(cè)的相關(guān)性較高。掛科學(xué)分達(dá)到一定標(biāo)準(zhǔn)，學(xué)生會(huì)留級(jí)，這一指標(biāo)相關(guān)性最大。經(jīng)過(guò)分析，重修數(shù)和掛科數(shù)較多的學(xué)生會(huì)有很大可能性留級(jí)。因此，這三個(gè)指標(biāo)能夠作為預(yù)測(cè)學(xué)生留級(jí)情況的主要特征。

2）應(yīng)用價(jià)值。結(jié)合學(xué)院政策和學(xué)生實(shí)際情況，對(duì)于學(xué)生留級(jí)預(yù)測(cè)這一研究課題，學(xué)院在處理的時(shí)候會(huì)參考學(xué)生在校的綜合行為和背景信息。因此在教學(xué)實(shí)踐中，學(xué)院領(lǐng)導(dǎo)和輔導(dǎo)員更加關(guān)心預(yù)測(cè)結(jié)果的準(zhǔn)確率（Precision）和模型的綜合性能（F1）。

邏輯回歸模型Recall為70.00%、Precision為87.50%、F1為77.78%。Recall反映了模型能夠正確預(yù)測(cè)出10名留級(jí)學(xué)生中的七人。Precision表示模型預(yù)測(cè)出的10名可能留級(jí)的學(xué)生中有九名確實(shí)會(huì)留級(jí)。模型結(jié)果預(yù)測(cè)出的有留級(jí)風(fēng)險(xiǎn)的學(xué)生在實(shí)際教學(xué)中確實(shí)有很高概率留級(jí)。因此，該模型可以為輔導(dǎo)員和學(xué)院領(lǐng)導(dǎo)提供一份有較高準(zhǔn)確度的留級(jí)學(xué)生預(yù)測(cè)名單。作為輔助依據(jù)，結(jié)合實(shí)際情況，對(duì)名單內(nèi)的學(xué)生進(jìn)行針對(duì)性監(jiān)督和幫助，降低學(xué)生的留級(jí)風(fēng)險(xiǎn)，具有較高的實(shí)用價(jià)值。

5 結(jié)論

本文根據(jù)某高校計(jì)算機(jī)學(xué)院2012級(jí)293名學(xué)生學(xué)籍信息和前兩年的歷史成績(jī)數(shù)據(jù)，結(jié)合相關(guān)文件和學(xué)院學(xué)籍研究管理辦法，處理得到學(xué)生前三學(xué)期的補(bǔ)考數(shù)、重修數(shù)、掛科數(shù)和掛科學(xué)分，結(jié)合樸素貝葉斯、人工神經(jīng)網(wǎng)絡(luò)、決策樹(shù)、邏輯回歸等模型，預(yù)測(cè)學(xué)生在前四學(xué)期結(jié)束后是否會(huì)留級(jí)。

最終經(jīng)過(guò)數(shù)據(jù)統(tǒng)計(jì)和實(shí)驗(yàn)分析，選取邏輯回歸模型作為預(yù)測(cè)模型，實(shí)驗(yàn)召回率（Recall）為70.00%，準(zhǔn)確率（Precision）

為87.50%，總體預(yù)測(cè)準(zhǔn)確率（F1值）為77.78%。結(jié)合特征值分析和應(yīng)用價(jià)值討論，表明該模型能對(duì)教學(xué)實(shí)踐予以啟示。因此，本文的研究成果可以幫助學(xué)院領(lǐng)導(dǎo)和輔導(dǎo)員有效監(jiān)測(cè)學(xué)生學(xué)習(xí)情況，及時(shí)督促并進(jìn)行人工干預(yù)，降低學(xué)生掛科和留級(jí)的風(fēng)險(xiǎn)。

但是本研究尚不完善，用于建模預(yù)測(cè)的數(shù)據(jù)不夠全面。高校學(xué)生在校產(chǎn)生大量的生活和學(xué)習(xí)數(shù)據(jù)，如果可以挖掘高校系統(tǒng)中學(xué)生不同行為數(shù)據(jù)背后隱藏的信息，如一卡通消費(fèi)數(shù)據(jù)、學(xué)生上網(wǎng)數(shù)據(jù)等，就可以更加全面地分析在校學(xué)生的學(xué)業(yè)和生活情況，使研究結(jié)果更具有解釋性和可推廣性。在未來(lái)工作中將結(jié)合學(xué)生在校的一卡通消費(fèi)數(shù)據(jù)和上網(wǎng)數(shù)據(jù)，完善對(duì)學(xué)生學(xué)業(yè)預(yù)警的研究和分析，為“智能化校園”建設(shè)和管理提供支持。

參考文獻(xiàn)

[1]徐鵬，王以寧，劉艷華，等.大數(shù)據(jù)視角分析學(xué)習(xí)變革：美國(guó)《通過(guò)教育數(shù)據(jù)挖掘和學(xué)習(xí)分析促進(jìn)教與學(xué)》報(bào)告解讀及啟示[J].遠(yuǎn)程教育雜志，2013（6）：11-17.

[2]楊現(xiàn)民，唐斯斯，李冀紅.發(fā)展教育大數(shù)據(jù)：內(nèi)涵、價(jià)值和挑戰(zhàn)[J].現(xiàn)代遠(yuǎn)程教育研究，2016（1）：51-61.

[3]李婷，傅鋼善.國(guó)內(nèi)外教育數(shù)據(jù)挖掘研究現(xiàn)狀及趨勢(shì)分析[J].現(xiàn)代教育技術(shù)，2010（10）：21-25.

[4]Delen D. A comparative analysis of machine learning

techniques for student retention management[J].Deci-

sion Support System，2010，49（4）：498-506.

[5]Hu Y H， Lo C L， Shih S P. Developing early warning

systems to predict studentsonline learning perfor

mance[J].Computer in Human Behavior，2014（36）：469-478.

[6]陸璟.大數(shù)據(jù)及其在教育中的應(yīng)用[J].上海教育科研，

2013（9）：5-8，22.

[7]趙玉潔.大數(shù)據(jù)在高校教育信息化中的應(yīng)用探究[J].中國(guó)教育信息化，2015（19）：38-41.

[8]陳美娥.獨(dú)立學(xué)院學(xué)生留級(jí)問(wèn)題的應(yīng)對(duì)及對(duì)策[J].和田師范?？茖W(xué)校學(xué)報(bào)，2011（1）：52-53.

[9]Feldman J， Monteserin A， Amandi A. Detecting stu-

dents perception style by using games[J].Computers & Education，2014，71：14-22.

[10]Sarbakhsh P， Mehrabi Y. Transition Logic Regre-

ssion Method to Indentify Interaction in Binary Longi

tudinal Data[J].Open Journal of Statistics，2016，6（3）：

469-481.