摘要：自改革開放以來，我國(guó)高等教育規(guī)模不斷擴(kuò)大，本科生學(xué)業(yè)不佳的問題也日益凸顯，因此，針對(duì)大學(xué)生的學(xué)業(yè)預(yù)警和早期幫扶是高校迫切需要解決的問題。針對(duì)鮮有基于圖書館利用數(shù)據(jù)構(gòu)建大學(xué)生學(xué)業(yè)預(yù)警模型的現(xiàn)狀，文章融合南京航空航天大學(xué)教務(wù)處學(xué)業(yè)數(shù)據(jù)和圖書館利用數(shù)據(jù)，利用機(jī)器學(xué)習(xí)方法構(gòu)建了大學(xué)生學(xué)業(yè)預(yù)警模型。研究結(jié)果表明：對(duì)邏輯思維要求高的科目對(duì)學(xué)籍異常有顯著影響；在圖書館利用數(shù)據(jù)中，學(xué)生入館次數(shù)相比借閱次數(shù)更能顯著影響學(xué)生成績(jī)。研究結(jié)果可為高校建設(shè)未來學(xué)習(xí)中心、提高教務(wù)管理和圖書館服務(wù)水平提供參考。

關(guān)鍵詞：大學(xué)生；學(xué)業(yè)預(yù)警模型；機(jī)器學(xué)習(xí)；未來學(xué)習(xí)中心

中圖分類號(hào)：G250.7" 文獻(xiàn)標(biāo)志碼：A

0 引言

改革開放以來，我國(guó)高等教育實(shí)現(xiàn)了從大眾化到普及化的過渡，隨著教育規(guī)模持續(xù)擴(kuò)大，本科生學(xué)業(yè)問題日益凸顯，頻繁出現(xiàn)留級(jí)、退學(xué)的現(xiàn)象。運(yùn)用數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)算法，尋找教育大數(shù)據(jù)中學(xué)業(yè)數(shù)據(jù)的規(guī)律，構(gòu)建學(xué)業(yè)預(yù)警模型是近年來教育數(shù)據(jù)挖掘（Educational Data Mining， EDM）的一大研究方向［1］。學(xué)業(yè)預(yù)警模型旨在對(duì)學(xué)生在校期間已經(jīng)發(fā)生或可能發(fā)生的學(xué)業(yè)問題進(jìn)行主動(dòng)預(yù)警，并根據(jù)具體情況給出幫扶措施，幫助學(xué)生順利完成學(xué)業(yè)［2］。

國(guó)內(nèi)外對(duì)于學(xué)業(yè)預(yù)警的研究仍處于起步階段。國(guó)外學(xué)者在基于機(jī)器學(xué)習(xí)算法構(gòu)建學(xué)業(yè)預(yù)警模型的相關(guān)研究中，在研究數(shù)據(jù)層面，現(xiàn)有研究多以學(xué)生基礎(chǔ)信息和在線學(xué)習(xí)信息為研究數(shù)據(jù)［3-7］，學(xué)生日常行為數(shù)據(jù)沒有得到充分利用，如圖書館利用數(shù)據(jù)。此外，在實(shí)證研究上，存在實(shí)證研究較少且學(xué)習(xí)預(yù)警指標(biāo)選取時(shí)對(duì)動(dòng)態(tài)數(shù)據(jù)關(guān)注不夠的問題［8］。相較于國(guó)外，國(guó)內(nèi)學(xué)業(yè)預(yù)警的研究起步較晚，但是近幾年，隨著國(guó)家對(duì)高校教育的重視，對(duì)教育領(lǐng)域相關(guān)項(xiàng)目研究給予了越來越多的肯定和支持，國(guó)內(nèi)學(xué)者也對(duì)利用機(jī)器學(xué)習(xí)方法構(gòu)建學(xué)業(yè)預(yù)警模型展開了積極探索［1，9-12］，然而大部分研究主要停留在理論層面，多為學(xué)業(yè)預(yù)警機(jī)制研究和預(yù)警模型設(shè)計(jì)，大多數(shù)高校都沒有建立起學(xué)業(yè)預(yù)警系統(tǒng)，應(yīng)用層面研究欠缺。綜上，現(xiàn)階段高校學(xué)業(yè)預(yù)警研究存在以下兩方面問題：一是鮮有基于圖書館利用數(shù)據(jù)構(gòu)建學(xué)業(yè)預(yù)警模型的研究；二是大多數(shù)高校沒有建立起學(xué)業(yè)預(yù)警系統(tǒng)，對(duì)學(xué)業(yè)不佳學(xué)生的問題反應(yīng)不靈敏，未能及時(shí)有效地為他們提供有針對(duì)性的幫助，大多停留在問題暴露后的被動(dòng)應(yīng)對(duì)上，幫扶手段較為僵化且缺少后續(xù)的跟蹤。

高校圖書館承擔(dān)著學(xué)校教學(xué)科研、人才培養(yǎng)、文化傳承等重要任務(wù)和使命，隨著大數(shù)據(jù)、人工智能技術(shù)的發(fā)展以及相關(guān)政策的支持，高校圖書館在本科生學(xué)業(yè)中的作用日益受到重視。2021年，教育部高教司司長(zhǎng)提出鼓勵(lì)高校依托圖書館試點(diǎn)建設(shè)一批“未來學(xué)習(xí)中心”，發(fā)揮高校圖書館優(yōu)勢(shì)，整合學(xué)校各類學(xué)習(xí)資源和新一代數(shù)字化技術(shù)，打造支撐學(xué)習(xí)方式變革的新型基層學(xué)習(xí)組織［13］。改革傳統(tǒng)人才培養(yǎng)模式，探索新時(shí)代育人新范式［14］。未來學(xué)習(xí)中心的核心教育理念旨在利用智能科技和數(shù)字化手段，培養(yǎng)學(xué)生創(chuàng)新思維、批判性思考和問題解決能力等新一代核心素養(yǎng)，最終達(dá)到優(yōu)化學(xué)生學(xué)習(xí)成果并提升教學(xué)效率的核心目標(biāo)［15］，這與學(xué)業(yè)預(yù)警系統(tǒng)的幫扶目標(biāo)相耦合。

鑒于上述背景，本文旨在提出一種基于監(jiān)督機(jī)器學(xué)習(xí)方法的預(yù)測(cè)分析模型，根據(jù)學(xué)生的歷史學(xué)習(xí)成績(jī)和圖書館利用行為預(yù)測(cè)學(xué)生學(xué)籍異常情況，并對(duì)模型性能進(jìn)行評(píng)估。本研究一方面探索學(xué)業(yè)預(yù)警的新方法，提高學(xué)生成績(jī)預(yù)測(cè)的準(zhǔn)確性和可靠性；另一方面可以為高校建設(shè)未來學(xué)習(xí)中心、提高教務(wù)管理水平和圖書館服務(wù)水平提供參考。

1 研究設(shè)計(jì)

1.1 研究框架

本研究數(shù)據(jù)來源于教務(wù)處學(xué)業(yè)數(shù)據(jù)和圖書館利用數(shù)據(jù)，利用機(jī)器學(xué)習(xí)算法構(gòu)建大學(xué)生學(xué)業(yè)預(yù)警模型，確定哪些特征影響學(xué)生的學(xué)籍異動(dòng)，并進(jìn)一步研究圖書館利用行為對(duì)于學(xué)生學(xué)籍異動(dòng)的影響。技術(shù)路線如圖1所示，首先是收集和整合數(shù)據(jù)，其次是對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，最后是構(gòu)建和評(píng)估模型。

1.2 數(shù)據(jù)來源

本文的數(shù)據(jù)為南京航空航天大學(xué)教務(wù)處和南京航空航天大學(xué)圖書館提供的教育數(shù)據(jù)，包括教務(wù)處學(xué)生學(xué)業(yè)數(shù)據(jù)和圖書館利用數(shù)據(jù)。本研究基于學(xué)生學(xué)籍異常分布情況，選擇主機(jī)專業(yè)2017—2020級(jí)的學(xué)生教育數(shù)據(jù)作為本研究的實(shí)驗(yàn)樣本基礎(chǔ)，以確保研究更具有針對(duì)性和實(shí)際應(yīng)用性。

2 學(xué)業(yè)預(yù)警模型構(gòu)建與評(píng)估

2.1 數(shù)據(jù)預(yù)處理

數(shù)據(jù)集是構(gòu)建機(jī)器學(xué)習(xí)模型的起點(diǎn)，本質(zhì)上是一個(gè)M×N矩陣，其中：M代表列（特征），N代表行（樣本），如果N包含定性值，那么數(shù)據(jù)集（由M和N組成）可以用于分類任務(wù)。本文就是分類任務(wù)，用選定的課程特征預(yù)測(cè)學(xué)生的學(xué)籍異動(dòng)情況。

教務(wù)處提供的學(xué)業(yè)數(shù)據(jù)格式主要是［學(xué)生、課程、成績(jī)］與［學(xué)生、平均學(xué)業(yè)績(jī)點(diǎn)］的列表，圖書館利用數(shù)據(jù)格式為［學(xué)生、借閱冊(cè)數(shù)、入館次數(shù)］的列表。本實(shí)驗(yàn)采用的樣本數(shù)據(jù)格式主要是［學(xué)生、各科課程成績(jī)、借閱冊(cè)數(shù)、入館次數(shù)、平均學(xué)業(yè)績(jī)點(diǎn)］。

基于教務(wù)處原始學(xué)業(yè)數(shù)據(jù)，需要進(jìn)一步對(duì)這些原始數(shù)據(jù)進(jìn)行預(yù)處理，對(duì)數(shù)據(jù)進(jìn)行各種檢查和審查，主要包括數(shù)據(jù)清理、數(shù)據(jù)整理，糾正列表中的缺失值、拼寫錯(cuò)誤，使數(shù)值正?；蜆?biāo)準(zhǔn)化以使其具有可比性。除此之外，本文最主要的工作是轉(zhuǎn)換數(shù)據(jù)形式，將原始數(shù)據(jù)轉(zhuǎn)換為本實(shí)驗(yàn)采用的樣本數(shù)據(jù)，這一轉(zhuǎn)換過程涉及的工具主要包括Python 3、Excel。

此外，教務(wù)處學(xué)業(yè)成績(jī)中除了必修課，選修課占據(jù)很大部分，為了能達(dá)到樣本和特征數(shù)量的平衡，采取的方案如下：根據(jù)主機(jī)專業(yè)的學(xué)生課程成績(jī)，按照從高到低進(jìn)行排序，選取前n門課作為特征，然后計(jì)算全部選擇這些課程的學(xué)生數(shù)量作為樣本量。例如對(duì)于主機(jī)專業(yè)2017—2020級(jí)，選擇前20門課程，樣本量達(dá)到1232條，樣本數(shù)據(jù)集示例如表1所示。20門課程分別是“概率論與數(shù)理統(tǒng)計(jì)Ⅱ”“線性代數(shù)”“C++語言程序設(shè)計(jì)”“C++語言課程設(shè)計(jì)”“大學(xué)英語Ⅳ”“毛澤東思想和中國(guó)特色社會(huì)主義理論體系概論”“大學(xué)物理實(shí)驗(yàn)I2”“中國(guó)近現(xiàn)代史綱要”“大學(xué)物理實(shí)驗(yàn)I1”“思想道德修養(yǎng)與法律基礎(chǔ)”“電工與電子技術(shù)課程設(shè)計(jì)”“理論力學(xué)Ⅰ”“大學(xué)生心理健康教育”“材料力學(xué)Ⅰ”“創(chuàng)業(yè)基礎(chǔ)”“理工基礎(chǔ)化學(xué)I”“工程圖學(xué)I1”“工程圖學(xué)I2”“大學(xué)生職業(yè)生涯發(fā)展與規(guī)劃”“計(jì)算思維導(dǎo)論實(shí)驗(yàn)”。

2.2 模型訓(xùn)練

本文采用了樸素貝葉斯（Naive Bayes）、邏輯回歸（Logistic Regression）、廣義線性回歸（Generalized Linear Model）、快速間隔分類（Fast Large Margin）、深度學(xué)習(xí)（Deep Learning）、決策樹（Decision Tree）、隨機(jī)森林（Random Forest）、梯度提升樹（Gradient Boosted Tree）和支持向量機(jī)（Support Vector Machine）9種分類和回歸模型來預(yù)測(cè)學(xué)生的學(xué)籍異動(dòng)情況，運(yùn)用網(wǎng)格搜索方法進(jìn)行模型訓(xùn)練和參數(shù)優(yōu)化，將最優(yōu)參數(shù)下的模型運(yùn)用于測(cè)試數(shù)據(jù)集。以準(zhǔn)確率和AUC值作為模型評(píng)價(jià)指標(biāo)，進(jìn)行各模型性能的比較。使用RapidMiner完成建模，采用十折交叉驗(yàn)證，將數(shù)據(jù)集劃分為訓(xùn)練集（90%）和測(cè)試集（10%）進(jìn)行評(píng)估。

經(jīng)過參數(shù)優(yōu)化，當(dāng)算法模型達(dá)到最優(yōu)性能時(shí)，快速間隔分類C值取0.001；決策樹最大深度為7；隨機(jī)森林最優(yōu)樹數(shù)量為20，最大深度為7；梯度提升樹最優(yōu)樹數(shù)量為90，最大深度為4，學(xué)習(xí)率為0.1；支持向量機(jī)Gamma值取0.005，C值取100。

2.3 模型性能評(píng)估

本文構(gòu)建的大學(xué)生學(xué)業(yè)預(yù)警模型主要關(guān)注預(yù)測(cè)結(jié)果的準(zhǔn)確度，因此，要評(píng)價(jià)各個(gè)算法模型的指標(biāo)選擇準(zhǔn)確度和AUC值，其中，準(zhǔn)確度表示所有樣本中被預(yù)測(cè)正確的樣本的比率，其值越高表示模型預(yù)測(cè)的準(zhǔn)確度越高；AUC值表示ROC曲線下的面積值，該值越接近1，準(zhǔn)確性越高［16］，模型的性能也越好。模型性能評(píng)價(jià)指標(biāo)如表2所示。

根據(jù)以上9種算法模型在準(zhǔn)確率和AUC值的對(duì)比情況，隨機(jī)森林的準(zhǔn)確率最高，樸素貝葉斯的AUC值最高，但是隨機(jī)森林在準(zhǔn)確率和AUC指標(biāo)兩者之間達(dá)到了更好的平衡，后續(xù)可以優(yōu)先利用隨機(jī)森林算法構(gòu)建的大學(xué)生學(xué)業(yè)預(yù)警模型進(jìn)行部署推理。

2.4 特征因子重要性分析

在大學(xué)生學(xué)業(yè)預(yù)警模型中不同因子的特征重要性（Importance of Feature，IF）表示每個(gè)因子在預(yù)測(cè)中具有不同的強(qiáng)度，其范圍為0.089～0.497，如圖2所示。

從圖2可以看出，材料力學(xué)、數(shù)學(xué)類（“線性代數(shù)”“概率論與數(shù)理統(tǒng)計(jì)II”）以及編程類（“C++語言課程設(shè)計(jì)”）等需要邏輯思維的課程與學(xué)籍異動(dòng)之間存在顯著的相關(guān)性。在圖書館利用數(shù)據(jù)中，“入館次數(shù)”相較于“借閱冊(cè)數(shù)”對(duì)學(xué)籍的影響更大，可能是高入館次數(shù)暗示學(xué)生傾向于在圖書館集中學(xué)習(xí)，學(xué)習(xí)時(shí)間的有效利用可能會(huì)帶來更好的學(xué)業(yè)表現(xiàn)，降低學(xué)籍異常的可能性；此外，較高的入館次數(shù)可能反映學(xué)生更加積極利用圖書館的學(xué)習(xí)環(huán)境和資源。圖書館通常提供安靜、專注的學(xué)習(xí)空間，以及豐富的圖書和學(xué)術(shù)資源，學(xué)生在這樣的環(huán)境中可能更容易保持專注，提高學(xué)業(yè)水平。

3 討論

3.1 大學(xué)生學(xué)業(yè)預(yù)警模型的發(fā)現(xiàn)

教育數(shù)據(jù)挖掘可以將大量的學(xué)生教育信息轉(zhuǎn)化為有價(jià)值的教學(xué)信息，學(xué)業(yè)預(yù)警作為教育數(shù)據(jù)挖掘分析的重要環(huán)節(jié)，為教學(xué)干預(yù)和教學(xué)預(yù)測(cè)提供了可靠的科學(xué)依據(jù)。本文利用南京航空航天大學(xué)主機(jī)專業(yè)2017—2020級(jí)學(xué)生的教育數(shù)據(jù)，利用機(jī)器學(xué)習(xí)算法構(gòu)建了大學(xué)生學(xué)業(yè)預(yù)警模型，主要研究結(jié)論如下。

（1）對(duì)樸素貝葉斯、邏輯回歸、廣義線性回歸、快速間隔分類、深度學(xué)習(xí)、決策樹、隨機(jī)森林、梯度提升樹和支持向量機(jī)9種預(yù)警模型進(jìn)行了性能評(píng)估，實(shí)驗(yàn)結(jié)果表明：隨機(jī)森林在準(zhǔn)確率和AUC值方面表現(xiàn)最優(yōu)，可優(yōu)先用于構(gòu)建大學(xué)生學(xué)業(yè)預(yù)警模型。

（2）理論力學(xué)、數(shù)學(xué)類（“高等數(shù)學(xué)”“概率論與數(shù)理統(tǒng)計(jì)”“線性代數(shù)”）、編程類（“C++語言課程設(shè)計(jì)”）等對(duì)邏輯思維要求較高的課程和學(xué)籍異動(dòng)之間具有顯著的相關(guān)性。

（3）圖書館利用數(shù)據(jù)中，“入館次數(shù)”相較于“借閱冊(cè)數(shù)”對(duì)學(xué)籍的影響更大，初步分析可能是學(xué)生的高入館次數(shù)在一定程度上反映了較長(zhǎng)的學(xué)習(xí)時(shí)長(zhǎng)和積極的學(xué)習(xí)動(dòng)機(jī)。

3.2 面向未來學(xué)習(xí)中心的學(xué)業(yè)幫扶

扎實(shí)做好學(xué)業(yè)幫扶工作是學(xué)業(yè)預(yù)警機(jī)制的落腳點(diǎn)，目前，高校對(duì)學(xué)業(yè)不佳學(xué)生的幫扶大多停留在問題暴露后的被動(dòng)應(yīng)對(duì)上，幫扶手段較為僵化且缺少后續(xù)的跟蹤。隨著人工智能和大數(shù)據(jù)等新一代數(shù)字技術(shù)的飛速發(fā)展，未來教育模式將會(huì)發(fā)生巨大變革。未來學(xué)習(xí)中心的建設(shè)是適應(yīng)快速技術(shù)和社會(huì)變化現(xiàn)實(shí)需要的一項(xiàng)關(guān)鍵舉措，利用智能科技和數(shù)字化手段推進(jìn)學(xué)生的幫扶工作，優(yōu)化學(xué)生的學(xué)習(xí)成果并提升教學(xué)效率，幫助學(xué)生順利完成學(xué)業(yè)。本文基于以上3條實(shí)驗(yàn)結(jié)果，提出相關(guān)建議以提升高校學(xué)業(yè)預(yù)警幫扶機(jī)制的實(shí)踐效果，為高校依托圖書館建立未來學(xué)習(xí)中心提供參考。

3.2.1 未來學(xué)習(xí)中心的個(gè)性化學(xué)業(yè)支持

未來學(xué)習(xí)中心是技術(shù)發(fā)展和教育變革背景下對(duì)未來學(xué)習(xí)場(chǎng)景的一種重新定義和探索，注重以人為本，為學(xué)生提供更加高效、個(gè)性化和創(chuàng)新的學(xué)習(xí)體驗(yàn)。為此，未來學(xué)習(xí)中心在對(duì)存在潛在學(xué)業(yè)風(fēng)險(xiǎn)的同學(xué)進(jìn)行幫扶的過程中，應(yīng)以學(xué)習(xí)者為中心，建立學(xué)業(yè)幫扶系統(tǒng)：首先，對(duì)面臨學(xué)業(yè)預(yù)警的同學(xué)建立學(xué)業(yè)跟蹤機(jī)制，對(duì)其學(xué)業(yè)跟蹤和反饋，通過定期的學(xué)科測(cè)驗(yàn)、考試或課堂參與情況的評(píng)估及時(shí)發(fā)現(xiàn)學(xué)生的學(xué)科學(xué)習(xí)問題，通過深度學(xué)習(xí)、人工智能等先進(jìn)技術(shù)，提供個(gè)性化的學(xué)習(xí)路徑和資源，以滿足學(xué)生的個(gè)性化需求。對(duì)于與學(xué)生績(jī)點(diǎn)影響較大的學(xué)科，未來學(xué)習(xí)中心應(yīng)積極進(jìn)行特色化資源建設(shè)，保障學(xué)科導(dǎo)向的資源支持。以南京航空航天大學(xué)主機(jī)專業(yè)學(xué)生為例，對(duì)于理論力學(xué)、數(shù)學(xué)類和編程類等對(duì)邏輯思維要求較高的課程，圖書館可以提供相關(guān)的專業(yè)書籍、期刊、在線課程、教學(xué)視頻等資源，以滿足學(xué)生的學(xué)習(xí)需求。同時(shí)，學(xué)生可以根據(jù)自身興趣、能力和學(xué)習(xí)進(jìn)度選擇學(xué)習(xí)內(nèi)容和方式，提高學(xué)習(xí)效率和效果。另外，學(xué)生心理健康不容忽視，未來學(xué)習(xí)中心通過定期的心理健康評(píng)估，了解學(xué)生的情緒狀態(tài)和應(yīng)對(duì)壓力的能力。根據(jù)評(píng)估結(jié)果，提供相應(yīng)的心理健康支持和建議，確保學(xué)生在面對(duì)學(xué)業(yè)壓力時(shí)，能夠獲得適當(dāng)?shù)膸椭?/p>

3.2.2 教務(wù)處實(shí)時(shí)學(xué)業(yè)監(jiān)測(cè)

高校教務(wù)處可以優(yōu)先選擇隨機(jī)森林模型進(jìn)行學(xué)業(yè)預(yù)警，并建立實(shí)時(shí)監(jiān)測(cè)系統(tǒng)，實(shí)時(shí)獲取與學(xué)生成績(jī)、行為等相關(guān)的數(shù)據(jù)，及時(shí)發(fā)現(xiàn)學(xué)業(yè)風(fēng)險(xiǎn)并將預(yù)警結(jié)果及時(shí)反饋給學(xué)生、教師和教務(wù)管理人員。在識(shí)別出可能面臨學(xué)業(yè)問題的學(xué)生之后，第一時(shí)間制定針對(duì)性的學(xué)業(yè)輔導(dǎo)與干預(yù)措施，確保學(xué)生的學(xué)業(yè)問題得到及時(shí)關(guān)注和解決。此外，教務(wù)處可以聯(lián)動(dòng)圖書館技術(shù)部定期評(píng)估預(yù)警系統(tǒng)的性能，根據(jù)評(píng)估結(jié)果對(duì)預(yù)警模型進(jìn)行優(yōu)化和調(diào)整，確保預(yù)警系統(tǒng)的持續(xù)有效性。

3.2.3 圖書館資源與服務(wù)優(yōu)化

學(xué)生的入館次數(shù)與其學(xué)習(xí)動(dòng)機(jī)和學(xué)習(xí)時(shí)長(zhǎng)有較大的相關(guān)性。首先，圖書館可以利用“入館次數(shù)”信息，建立學(xué)生學(xué)習(xí)行為的模型，及時(shí)發(fā)現(xiàn)入館學(xué)生群體對(duì)圖書館資源和服務(wù)的需求特征。其次，為了幫助學(xué)生更好地利用圖書館資源，提高學(xué)習(xí)效果，圖書館可以提供針對(duì)性的學(xué)科服務(wù)，如學(xué)科咨詢、學(xué)科導(dǎo)航、學(xué)科培訓(xùn)等。最后，圖書館可以通過社交活動(dòng)和學(xué)術(shù)活動(dòng)組織，如組織學(xué)術(shù)講座、學(xué)術(shù)沙龍和社交活動(dòng)，營(yíng)造積極向上的學(xué)術(shù)氛圍，幫助學(xué)生建立良好的學(xué)術(shù)交往圈，促進(jìn)互相學(xué)習(xí)和共同成長(zhǎng)。

4 結(jié)語

新一代數(shù)字技術(shù)的發(fā)展已經(jīng)深刻地改變了人們的教育和學(xué)習(xí)方式，而建立未來學(xué)習(xí)中心是應(yīng)對(duì)時(shí)代變遷和實(shí)際需求的必要之舉。本文通過構(gòu)建大學(xué)生學(xué)業(yè)預(yù)警模型以挖掘與大學(xué)生學(xué)籍異常密切相關(guān)的因素，為提前識(shí)別學(xué)業(yè)困難的學(xué)生、及時(shí)進(jìn)行學(xué)業(yè)輔導(dǎo)與干預(yù)提供了解決方案。本研究可為未來學(xué)習(xí)中心建設(shè)、教務(wù)管理、圖書館資源和服務(wù)優(yōu)化提供參考與借鑒，更多與大學(xué)生學(xué)業(yè)異常相關(guān)的因素及其作用機(jī)制還有待未來進(jìn)一步探索。

參考文獻(xiàn)

［1］任小華，種蘭祥，楊建鋒.基于FT＿BP神經(jīng)網(wǎng)絡(luò)的學(xué)業(yè)預(yù)警模型［J］.計(jì)算機(jī)應(yīng)用研究，2020（增刊1）：83-85.

［2］牟智佳，李雨婷，嚴(yán)大虎.混合學(xué)習(xí)環(huán)境下基于學(xué)習(xí)行為數(shù)據(jù)的學(xué)習(xí)預(yù)警系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)［J］.遠(yuǎn)程教育雜志，2018（3）：55-63.

［3］BALQIS A， NAZAR Z， HANG A. A systematic literature review of student’ performance prediction using machine learning techniques［J］. Education Sciences， 2021（9）：552-579.

［4］SANTOS G A S， BELLOZE K T， TARRATACA L， et al. EvolveDTree： analyzing student dropout in universities［C］//2020 International Conference on Systems， Signals and Image Processing （IWSSIP）. Niteri， Brazil： IEEE， 2020： 173-178.

［5］CHEN C H， YANG S J H， WENG J X， et al. Predicting at-risk university students based on their e-book reading behaviours by using machine learning classifiers［J］. Australasian Journal of Educational Technology， 2021（4）： 130-144.

［6］MUSSO M F， HERNNDEZ C F R， CASCALLAR E C. Predicting key educational outcomes in academic trajectories： a machine-learning approach［J］. Higher Education， 2020（5）： 875-894.

［7］HANNAFORD L， CHENG X， KUNES-CONNELL M. Predicting nursing baccalaureate program graduates using machine learning models： a quantitative research study［J］. Nurse Education Today， 2021（99）： 104784.

［8］肖巍，倪傳斌，李銳.國(guó)外基于數(shù)據(jù)挖掘的學(xué)習(xí)預(yù)警研究：回顧與展望［J］.中國(guó)遠(yuǎn)程教育，2018（2）：70-78.

［9］金義富，吳濤，張子石，等.大數(shù)據(jù)環(huán)境下學(xué)業(yè)預(yù)警系統(tǒng)設(shè)計(jì)與分析［J］.中國(guó)電化教育，2016（2）：69-73.

［10］王磊，趙芳芳.高等職業(yè)院校分類招考背景下的學(xué)生學(xué)業(yè)早期預(yù)警研究［J］.中國(guó)職業(yè)技術(shù)教育，2017（32）：70-74.

［11］趙慧瓊，姜強(qiáng)，趙蔚，等.基于大數(shù)據(jù)學(xué)習(xí)分析的在線學(xué)習(xí)績(jī)效預(yù)警因素及干預(yù)對(duì)策的實(shí)證研究［J］.電化教育研究，2017（1）：62-69.

［12］王改花，傅鋼善.網(wǎng)絡(luò)學(xué)習(xí)行為與成績(jī)的預(yù)測(cè)及學(xué)習(xí)干預(yù)模型的設(shè)計(jì)［J］.中國(guó)遠(yuǎn)程教育，2019（2）：39-48.

［13］孫鵬，王宇，劉新勇.高校圖書館未來學(xué)習(xí)中心建設(shè)：緣起、現(xiàn)狀、困惑與路徑［J］.圖書情報(bào)工作，2024（6）：12-20.

［14］吳巖.加快高校圖書館現(xiàn)代化建設(shè)助力高等教育高質(zhì)量發(fā)展［J］.大學(xué)圖書館學(xué)報(bào)，2022（1）：7-8.

［15］朱永新，楊帆.重新定義教育：未來學(xué)習(xí)中心的形態(tài)構(gòu)建與實(shí)踐暢想：朱永新教授專訪［J］.蘇州大學(xué)學(xué)報(bào)（教育科學(xué)版），2020（4）：83-91.

［16］劉巧紅，馬雨生，蔡雨晨.基于XGBoost算法的糖尿病分類預(yù)測(cè)模型及應(yīng)用［J］.現(xiàn)代儀器與醫(yī)療，2023（4）：1-6.

（編輯 何琳）

Research on the academic early warning model of college students facing future learning centers

ZHANG" Wei1， LI" Xiaotao2*， LIU" Cunjie2， QIN" Haixia1， XIE" Ling2，3

（1.Academic Affairs Office， Nanjing University of Aeronautics and Astronautics， Nanjing 210016， China;

2.Library， Nanjing University of Aeronautics and Astronautics， Nanjing 210016， China; 3.College of Economics and Management， Nanjing University of Aeronautics and Astronautics， Nanjing 210016， China）

Abstract：" Since the reform and open， the scale of higher education in China has been continuously expanding， and the problem of poor academic performance among undergraduate students has become increasingly prominent. Therefore， early warning and assistance for college students are urgent issues that universities need to solve. In response to the current situation where there are few college student academic warning models based on library utilization data， this article integrates academic data from the Academic Affairs Office of Nanjing University of Aeronautics and Astronautics and library utilization data， and uses machine learning methods to construct a college student academic warning model. The research results indicate that subjects with high requirements for logical thinking have a significant impact on abnormal student status. In the utilization of data in libraries， the number of times students enter the library has a more significant impact on their academic performance compared to the number of times they borrow. The research results can provide reference for universities to build future learning centers， improve academic management and library service levels.

Key words： college student; academic warning model; machine learning; future learning center

基金項(xiàng)目：2023年南京航空航天大學(xué)本科教育教學(xué)改革研究項(xiàng)目；項(xiàng)目名稱：基于圖書館大數(shù)據(jù)的大學(xué)生學(xué)業(yè)預(yù)警模型研究；項(xiàng)目編號(hào)：2023JGTS15Z。

作者簡(jiǎn)介：張煒（1973—），女，講師，碩士；研究方向：教育教學(xué)管理。

*通信作者：李小濤（1986—），男，副研究館員，博士；研究方向：信息計(jì)量與科學(xué)評(píng)價(jià)。