摘" 要： 人工智能如何賦能人才培養(yǎng)是新一代信息技術(shù)與教育深度融合的重要研究?jī)?nèi)容，賦能大學(xué)生的學(xué)業(yè)預(yù)警是及時(shí)發(fā)現(xiàn)大學(xué)生成長(zhǎng)問(wèn)題、確保其成才的重要手段。為此，提出一種基于人工智能的大學(xué)生學(xué)業(yè)預(yù)警模式，以某高校近1 000名大一新生為研究對(duì)象，在遵循隱私保護(hù)、防止個(gè)人隱私泄露的前提下，對(duì)所采集的校園網(wǎng)絡(luò)大數(shù)據(jù)、上網(wǎng)行為數(shù)據(jù)、教務(wù)數(shù)據(jù)等進(jìn)行脫敏處理，運(yùn)用人工智能的感知、分析與反饋技術(shù)來(lái)探究大學(xué)生的上網(wǎng)等行為與其學(xué)業(yè)的相關(guān)性，構(gòu)建學(xué)業(yè)預(yù)警模型。結(jié)果表明，所研究的學(xué)業(yè)預(yù)警模型能夠較好地預(yù)測(cè)學(xué)生學(xué)業(yè)風(fēng)險(xiǎn)，有助于實(shí)現(xiàn)規(guī)模化學(xué)生群體下的個(gè)性化人才培養(yǎng)模式探索，可為人工智能技術(shù)的教育教學(xué)落地應(yīng)用建立有效途徑。

關(guān)鍵詞： 人工智能賦能； 教育大數(shù)據(jù)； 上網(wǎng)行為； 學(xué)業(yè)預(yù)警； 預(yù)警模型； 隱私保護(hù)

中圖分類(lèi)號(hào)： TN919?34； TP391" " " " " " " " " "文獻(xiàn)標(biāo)識(shí)碼： A" " " " " " " " " " " 文章編號(hào)： 1004?373X（2025）08?0155?09

Research on college?students school precaution model based on artificial intelligence

XIAO Ming1， 2， YU Lin2， 3， XIAO Yi4， CHEN Kun3， ZHOU Dongbo3， ZHAO Liang3

（1. Hubei Key Laboratory of Digital Education， Central China Normal University， Wuhan 430079， China;

2. Informatization Office， Central China Normal University， Wuhan 430079， China;

3. Faculty of Artificial Intelligence in Education， Central China Normal University， Wuhan 430079， China;

4. School of Information Management， Central China Normal University， Wuhan 430079， China）

Abstract： How artificial intelligence empowers talent cultivation is an important research content for the deep integration of new generation information technology and education. Empowering college students with school precaution is an important means to timely discover their growth problems and ensure their success. A college student school precaution model based on artificial intelligence is proposed. Taking nearly 1 000 freshmen in a college as the research object， under the premise of following privacy protection and preventing personal privacy leakage， the collected campus network big data， online behavior data， academic affairs data are desensitized， and artificial intelligence is used to perceive， analyze and feedback technology to explore the relevance of college students' online behavior and their studies， and build an academic early warning model. The results indicate that the researched school precaution model can effectively predict student precaution risks， which herps to explor personalized talent cultivation models for large?scale student groups， and establish effective ways for the implementation and application of artificial intelligence technology in education and teaching.

Keywords： artificial intelligence empowerment; education big data; Internet behavior; school precaution; warning model; privacy protection

0" 引" 言

近年來(lái)，中共中央、國(guó)務(wù)院印發(fā)《新一代人工智能發(fā)展規(guī)劃》《中華人民共和國(guó)國(guó)民經(jīng)濟(jì)和社會(huì)發(fā)展十四個(gè)五年規(guī)劃和二〇三五愿景目標(biāo)的建議》《中國(guó)教育現(xiàn)代化2035》，深化和倡導(dǎo)運(yùn)用人工智能與大數(shù)據(jù)等技術(shù)對(duì)高校教育大數(shù)據(jù)進(jìn)行采集、分析、治理和反饋，推動(dòng)個(gè)性化教學(xué)；圍繞人才培養(yǎng)模式改革和教育治理方式變革，推進(jìn)管理精準(zhǔn)化和決策科學(xué)化。新冠疫情的出現(xiàn)加快了線上教學(xué)的進(jìn)程，網(wǎng)絡(luò)已經(jīng)成為當(dāng)下大學(xué)生學(xué)習(xí)和生活的重要媒介。慕課、云課堂等諸多在線學(xué)習(xí)平臺(tái)和優(yōu)質(zhì)網(wǎng)絡(luò)學(xué)習(xí)資源的出現(xiàn)，也極大地豐富和擴(kuò)展了學(xué)生的學(xué)習(xí)方式。然而，網(wǎng)絡(luò)化的便捷與豐富的娛樂(lè)環(huán)境也帶來(lái)了一些問(wèn)題，如有相當(dāng)比例的學(xué)生因?yàn)樵诰W(wǎng)絡(luò)上花費(fèi)過(guò)多的時(shí)間和精力，導(dǎo)致學(xué)業(yè)荒廢[1]。已有研究表明，不同專(zhuān)業(yè)學(xué)生沉溺于網(wǎng)絡(luò)非學(xué)習(xí)的時(shí)長(zhǎng)與他們的學(xué)習(xí)成績(jī)具有一定的關(guān)聯(lián)性[2]。如何從上網(wǎng)行為數(shù)據(jù)中分析學(xué)生上網(wǎng)行為與學(xué)習(xí)行為之間的關(guān)系，發(fā)現(xiàn)并及時(shí)預(yù)警學(xué)生上網(wǎng)行為與學(xué)習(xí)無(wú)關(guān)的沉溺情況，從而提出干預(yù)機(jī)制，促使學(xué)生養(yǎng)成健康的上網(wǎng)習(xí)慣，是形成精準(zhǔn)化、智慧化的學(xué)業(yè)預(yù)警模式的關(guān)鍵，也是推進(jìn)精準(zhǔn)化管理和學(xué)生個(gè)性化培養(yǎng)的重要手段，更是人工智能等新一代信息技術(shù)與教育的深度融合的重要方式[3]。

學(xué)業(yè)預(yù)警（School Precaution）是通過(guò)家長(zhǎng)與學(xué)校之間的協(xié)作，給予學(xué)生及時(shí)的保護(hù)和干預(yù)，從而達(dá)到提示、勸導(dǎo)并幫助學(xué)生順利完成學(xué)業(yè)的目標(biāo)[4]。一般過(guò)程可分為初期預(yù)警、中期預(yù)警和后期預(yù)警三個(gè)階段。初期預(yù)警即數(shù)據(jù)感知階段，通過(guò)多傳感器設(shè)備采集學(xué)生的行為、生理、心理等狀態(tài)數(shù)據(jù)，對(duì)學(xué)生的學(xué)業(yè)成績(jī)、心理健康、行為規(guī)范進(jìn)行監(jiān)督，并及時(shí)發(fā)現(xiàn)不良行為所導(dǎo)致的留級(jí)、退學(xué)以及不能如期畢業(yè)等嚴(yán)重后果。中期預(yù)警是在獲取一定數(shù)據(jù)的基礎(chǔ)上分析和反饋預(yù)警信息，通過(guò)量化計(jì)算學(xué)生行為的多源數(shù)據(jù)，對(duì)學(xué)習(xí)者進(jìn)行狀態(tài)建模，并使用深度神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，及時(shí)發(fā)現(xiàn)問(wèn)題，科學(xué)地判定預(yù)警等級(jí)。后期預(yù)警即提出干預(yù)建議實(shí)施預(yù)警干預(yù)，是整個(gè)學(xué)業(yè)預(yù)警工作制度的重點(diǎn)和難點(diǎn)，在為不同預(yù)警等級(jí)的學(xué)生匹配合適的干預(yù)策略后實(shí)施干預(yù)。

學(xué)業(yè)預(yù)警在國(guó)外已有較為深入的研究，很多學(xué)者將投入度、輟學(xué)率等作為關(guān)注點(diǎn)，從而分析預(yù)測(cè)學(xué)生未來(lái)的表現(xiàn)。例如：文獻(xiàn)[5]利用MOOC等在線開(kāi)放課程的輟學(xué)率構(gòu)建大學(xué)生輟學(xué)預(yù)測(cè)模型，識(shí)別有輟學(xué)危險(xiǎn)的學(xué)生；文獻(xiàn)[6]將輟學(xué)率作為預(yù)測(cè)學(xué)生有輟學(xué)風(fēng)險(xiǎn)的指標(biāo)，從而尋找新的措施來(lái)糾正錯(cuò)誤；文獻(xiàn)[7]通過(guò)分析學(xué)生投入度與學(xué)業(yè)成績(jī)之間的關(guān)系，在很大程度上能夠解釋和預(yù)測(cè)學(xué)習(xí)成績(jī)，且得出結(jié)論：投入水平高的學(xué)生學(xué)習(xí)成績(jī)較高，而投入水平低的學(xué)生學(xué)習(xí)成績(jī)較低。近年來(lái)，隨著高等教育的數(shù)據(jù)化，如何利用網(wǎng)絡(luò)數(shù)據(jù)來(lái)反映學(xué)生成績(jī)的變化趨勢(shì)也成為一個(gè)重點(diǎn)。文獻(xiàn)[8]利用圖書(shū)館的歷史借書(shū)情況及學(xué)生平均績(jī)點(diǎn)來(lái)預(yù)測(cè)學(xué)生的成績(jī)。文獻(xiàn)[9]利用學(xué)業(yè)成績(jī)、行為指標(biāo)、人口特征等數(shù)據(jù)，并結(jié)合分類(lèi)算法來(lái)預(yù)測(cè)高中畢業(yè)和輟學(xué)情況，其準(zhǔn)確率高達(dá)90%。文獻(xiàn)[10]利用數(shù)據(jù)挖掘的方法，基于學(xué)生的成績(jī)數(shù)據(jù)、人口統(tǒng)計(jì)學(xué)數(shù)據(jù)設(shè)計(jì)了一個(gè)可以預(yù)測(cè)有輟學(xué)風(fēng)險(xiǎn)學(xué)生的系統(tǒng)。

本文所提出的人工智能賦能大學(xué)生學(xué)業(yè)預(yù)警模式，首先是對(duì)學(xué)習(xí)行為數(shù)據(jù)的獲取進(jìn)行賦能。通過(guò)數(shù)字校園中和智慧教室內(nèi)的傳感器設(shè)備、全覆蓋的網(wǎng)絡(luò)設(shè)施與在線學(xué)習(xí)接入環(huán)境，采集多類(lèi)型（接觸式、非接觸式）、多空間（線上學(xué)習(xí)平臺(tái)數(shù)據(jù)、一卡通、WiFi數(shù)據(jù)、教務(wù)數(shù)據(jù)等）的行為狀態(tài)、生理狀態(tài)、心理狀態(tài)數(shù)據(jù)；通過(guò)學(xué)校的網(wǎng)絡(luò)監(jiān)管系統(tǒng)獲取學(xué)生上網(wǎng)時(shí)間、頻率、時(shí)長(zhǎng)、訪問(wèn)類(lèi)型等行為數(shù)據(jù)。其次，人工智能賦能大學(xué)生學(xué)業(yè)預(yù)警是對(duì)分析能力的賦能，體現(xiàn)在中期預(yù)警階段，通過(guò)量化計(jì)算學(xué)生多源行為數(shù)據(jù)，運(yùn)用深度學(xué)習(xí)算法對(duì)文本、圖像、語(yǔ)音、視頻等數(shù)據(jù)進(jìn)行處理，可準(zhǔn)確分析預(yù)警對(duì)象。再次，人工智能賦能大學(xué)生學(xué)業(yè)預(yù)警體現(xiàn)在預(yù)警手段與干預(yù)建議的賦能。在后期預(yù)警階段，通過(guò)分析與反饋提出干預(yù)意見(jiàn)，利用自然人機(jī)交互技術(shù)（如自然語(yǔ)音、腦機(jī)接口）加強(qiáng)家長(zhǎng)、教學(xué)管理人員、學(xué)生三方的交流互動(dòng)，從而確保學(xué)生學(xué)業(yè)預(yù)警模式發(fā)揮作用。

1" 大學(xué)生學(xué)業(yè)預(yù)警述評(píng)

學(xué)業(yè)預(yù)警是教育大數(shù)據(jù)挖掘領(lǐng)域的關(guān)鍵問(wèn)題，而學(xué)業(yè)成績(jī)預(yù)測(cè)是實(shí)現(xiàn)學(xué)業(yè)預(yù)警的有效方法。一直以來(lái)，國(guó)內(nèi)外學(xué)者試圖挖掘影響學(xué)業(yè)成績(jī)的重要因素，并有效地利用相關(guān)因素來(lái)幫助學(xué)生降低輟學(xué)率和改善學(xué)習(xí)成效，幫助教師實(shí)現(xiàn)教學(xué)目標(biāo)，提高教學(xué)質(zhì)量?？v觀學(xué)業(yè)預(yù)警的發(fā)展，本文將預(yù)警的手段和方法分為三個(gè)階段：人工統(tǒng)計(jì)預(yù)警階段、信息系統(tǒng)輔助分析預(yù)警階段、智能化協(xié)同預(yù)警階段。

1.1" 人工統(tǒng)計(jì)預(yù)警階段

人工統(tǒng)計(jì)預(yù)警階段主要以教師或管理者的人工統(tǒng)計(jì)分析為主，在已有成績(jī)的基礎(chǔ)上，運(yùn)用統(tǒng)計(jì)分析方法對(duì)學(xué)生成績(jī)進(jìn)行預(yù)測(cè)，實(shí)現(xiàn)學(xué)業(yè)預(yù)警。例如，文獻(xiàn)[11]運(yùn)用線性回歸分析法，根據(jù)學(xué)生的建筑制圖試驗(yàn)的平時(shí)成績(jī)來(lái)預(yù)測(cè)期末測(cè)驗(yàn)成績(jī)，預(yù)測(cè)模型的精度達(dá)到了97.66%。文獻(xiàn)[12]以家庭背景中家庭人口結(jié)構(gòu)、父母文化程度和家庭收入為自變量，探討對(duì)大學(xué)生學(xué)業(yè)表現(xiàn)中掛科門(mén)次、課程出勤率等的影響情況。文獻(xiàn)[13]通過(guò)分析60項(xiàng)影響大學(xué)生學(xué)業(yè)成績(jī)的預(yù)測(cè)因素，發(fā)現(xiàn)成功的大學(xué)生在高中階段表現(xiàn)優(yōu)異且獲得高考高分，得出學(xué)業(yè)成績(jī)預(yù)測(cè)與高中表現(xiàn)、大學(xué)入學(xué)考試、學(xué)習(xí)行為等具有一定相關(guān)性。文獻(xiàn)[14]利用自我效能量表，研究了自我效能感信念與其他相關(guān)變量能多大程度上預(yù)測(cè)學(xué)業(yè)成績(jī)、毅力和職業(yè)選擇。綜合國(guó)內(nèi)外的研究可以發(fā)現(xiàn)，人工統(tǒng)計(jì)預(yù)警階段的數(shù)據(jù)來(lái)源單一、采集困難，預(yù)警過(guò)程工作量大、耗時(shí)長(zhǎng)、準(zhǔn)確性不足，預(yù)警效果不明顯。

1.2" 信息系統(tǒng)輔助分析預(yù)警階段

這一階段的預(yù)警特征表現(xiàn)在利用所建立的各級(jí)各類(lèi)信息管理系統(tǒng)進(jìn)行數(shù)據(jù)綜合，輔助教師與管理者使用數(shù)據(jù)挖掘的方法進(jìn)行分析，發(fā)現(xiàn)特征并給予預(yù)警。例如，南通大學(xué)研究發(fā)現(xiàn)：學(xué)生上網(wǎng)的時(shí)長(zhǎng)、網(wǎng)絡(luò)流量和費(fèi)用等指標(biāo)與英語(yǔ)四級(jí)通過(guò)率呈明顯正相關(guān)[15]。北京郵電大學(xué)的相關(guān)研究表明：學(xué)業(yè)成績(jī)不佳的人可能會(huì)花費(fèi)更多的時(shí)間在在線游戲和電影上，從而導(dǎo)致使用更多的網(wǎng)絡(luò)流量[16]。山東大學(xué)運(yùn)用調(diào)查問(wèn)卷研究大學(xué)生網(wǎng)游風(fēng)險(xiǎn)感知、學(xué)習(xí)自我效能感與網(wǎng)游成癮的關(guān)系，認(rèn)為既要認(rèn)清網(wǎng)游危害性，又要提升學(xué)習(xí)積極性及學(xué)習(xí)認(rèn)同感[17]。電子科技大學(xué)基于校園一卡通數(shù)據(jù)，從學(xué)習(xí)努力程度和生活規(guī)律性等多個(gè)維度出發(fā)構(gòu)建學(xué)業(yè)成績(jī)預(yù)測(cè)模型，其研究發(fā)現(xiàn)：努力程度越高、生活越規(guī)律的大學(xué)生經(jīng)常取得越好的學(xué)習(xí)成績(jī)[18?20]。德國(guó)柏林洪堡大學(xué)通過(guò)MOOC系統(tǒng)內(nèi)心理學(xué)課程的點(diǎn)擊流數(shù)據(jù)訓(xùn)練預(yù)測(cè)模型，所采用的機(jī)器學(xué)習(xí)算法考慮了學(xué)生的每周歷史數(shù)據(jù)，因此能夠注意到學(xué)生行為隨時(shí)間的變化。研究結(jié)果表明：在課程的后期階段（即一旦歷史數(shù)據(jù)可用），所提方法能夠比線性方法更好地預(yù)測(cè)輟學(xué)率[5]。但是以信息系統(tǒng)建設(shè)為主的學(xué)業(yè)成績(jī)預(yù)警系統(tǒng)只是對(duì)學(xué)生的日?；顒?dòng)數(shù)據(jù)，如食堂就餐數(shù)據(jù)、超市購(gòu)物數(shù)據(jù)、圖書(shū)借閱數(shù)據(jù)、宿舍進(jìn)出數(shù)據(jù)等進(jìn)行簡(jiǎn)單統(tǒng)計(jì)分析，沒(méi)有將行為與成績(jī)進(jìn)行關(guān)聯(lián)，并分析行為變化與成績(jī)變化之間的關(guān)聯(lián)。這一階段由于系統(tǒng)類(lèi)型過(guò)多、數(shù)據(jù)標(biāo)準(zhǔn)不一、融合困難，難以全方位地對(duì)學(xué)生的學(xué)習(xí)與生活、學(xué)習(xí)與身心健康的關(guān)系進(jìn)行分析。

1.3" 智能化協(xié)同預(yù)警階段

智能化協(xié)同預(yù)警階段以深度學(xué)習(xí)等人工智能技術(shù)為主要手段，聚焦多源數(shù)據(jù)和融合多模態(tài)數(shù)據(jù)，形成數(shù)字化教育管理與監(jiān)測(cè)體系，實(shí)現(xiàn)人機(jī)協(xié)同預(yù)警。近年來(lái)，國(guó)內(nèi)外諸多研究人員試圖挖掘影響學(xué)業(yè)成績(jī)的重要因素，并有效地利用相關(guān)因素來(lái)幫助學(xué)生降低輟學(xué)率和改善學(xué)習(xí)成效。

國(guó)內(nèi)外諸多研究表明：學(xué)生的生活行為（如飲食、睡眠、社交等）和學(xué)習(xí)行為（如在線學(xué)習(xí)、進(jìn)出圖書(shū)館等）對(duì)其學(xué)業(yè)成績(jī)均有重大影響[21?23]。美國(guó)達(dá)特茅斯學(xué)院利用智能手機(jī)采集學(xué)生的睡眠、軌跡、情緒、壓力、社交等數(shù)據(jù)，基于L1范數(shù)正則化構(gòu)建線性回歸模型，對(duì)學(xué)生的學(xué)業(yè)成績(jī)進(jìn)行預(yù)測(cè)，其研究發(fā)現(xiàn)：學(xué)生的社交能力和壓力與學(xué)業(yè)成績(jī)呈負(fù)相關(guān)，學(xué)習(xí)時(shí)長(zhǎng)和積極的情感水平與學(xué)業(yè)成績(jī)呈正相關(guān)[21]。文獻(xiàn)[22]基于線上學(xué)習(xí)管理數(shù)據(jù)，利用集成學(xué)習(xí)構(gòu)建了數(shù)據(jù)驅(qū)動(dòng)的成績(jī)預(yù)測(cè)模型，其研究發(fā)現(xiàn)：學(xué)生行為、父母的參與度與態(tài)度均對(duì)學(xué)業(yè)成績(jī)有較大影響。文獻(xiàn)[23]通過(guò)采集在線學(xué)習(xí)的學(xué)員信息、不同學(xué)習(xí)方式的行為數(shù)據(jù)，構(gòu)建學(xué)習(xí)成績(jī)預(yù)測(cè)模型，研究發(fā)現(xiàn)：自主學(xué)習(xí)行為會(huì)直接影響在線學(xué)習(xí)成績(jī)，而提高學(xué)習(xí)積極性的協(xié)作學(xué)習(xí)行為則間接地影響成績(jī)。當(dāng)前深度學(xué)習(xí)的預(yù)警是一種數(shù)據(jù)驅(qū)動(dòng)的密集型計(jì)算范式，存在魯棒性不高、可解釋性不強(qiáng)等問(wèn)題，需要引入具體的領(lǐng)域知識(shí)來(lái)突破其“黑盒效應(yīng)”。

在上述研究基礎(chǔ)上，本文利用華中師范大學(xué)校園WiFi數(shù)據(jù)（包括對(duì)學(xué)生在校園各區(qū)域出現(xiàn)的時(shí)長(zhǎng)、頻次及其動(dòng)態(tài)變化情況）、學(xué)生上網(wǎng)數(shù)據(jù)、一卡通數(shù)據(jù)、學(xué)生基礎(chǔ)信息數(shù)據(jù)等構(gòu)建學(xué)業(yè)預(yù)警模型，深入探索學(xué)生上網(wǎng)行為模式對(duì)學(xué)業(yè)成績(jī)的影響，系統(tǒng)地挖掘?qū)W生上網(wǎng)行為與學(xué)業(yè)成績(jī)的深層次影響機(jī)理。借助人工智能手段，針對(duì)規(guī)?；后w與個(gè)性化學(xué)生相結(jié)合的學(xué)業(yè)預(yù)警，高效、及早地發(fā)現(xiàn)預(yù)警時(shí)機(jī)，實(shí)現(xiàn)“結(jié)果式”預(yù)警向“預(yù)測(cè)式”預(yù)警轉(zhuǎn)變，促進(jìn)學(xué)生的高質(zhì)量培養(yǎng)。

2" 基于人工智能的大學(xué)學(xué)業(yè)預(yù)警模型

2.1" 模型框架

人工智能技術(shù)賦能學(xué)業(yè)預(yù)警的初期預(yù)警是通過(guò)智能設(shè)備實(shí)現(xiàn)數(shù)據(jù)感知賦能，中期預(yù)警是通過(guò)深度學(xué)習(xí)算法分析實(shí)現(xiàn)建模與分析賦能，后期預(yù)警是通過(guò)多模態(tài)交互實(shí)現(xiàn)預(yù)測(cè)與反饋賦能。本研究以大學(xué)生校園網(wǎng)絡(luò)行為為例，探索利用上網(wǎng)數(shù)據(jù)、教務(wù)數(shù)據(jù)為基礎(chǔ)的學(xué)生行為活動(dòng)預(yù)測(cè)模型構(gòu)建學(xué)業(yè)預(yù)警應(yīng)用案例，其實(shí)現(xiàn)框圖如圖1所示。

2.2" 智能數(shù)據(jù)感知

學(xué)業(yè)預(yù)警初期的智能數(shù)據(jù)感知是以學(xué)習(xí)者為中心，融合線上線下多空間學(xué)生數(shù)據(jù)，實(shí)現(xiàn)全時(shí)空的學(xué)習(xí)過(guò)程追蹤的數(shù)據(jù)感知賦能。通過(guò)數(shù)據(jù)感知、匯聚教育情境數(shù)據(jù)，全面支撐各類(lèi)教學(xué)活動(dòng)的實(shí)施、教學(xué)資源的便捷獲取、知識(shí)的可視化呈現(xiàn)、教育主體間的良好互動(dòng)、教學(xué)流程的重組和教學(xué)模式的創(chuàng)新，促進(jìn)了規(guī)模化和個(gè)性化的統(tǒng)一，人工智能賦能的數(shù)據(jù)感知還有利于信息時(shí)代創(chuàng)新人才的培養(yǎng)。

就數(shù)據(jù)類(lèi)型而言，以學(xué)習(xí)者為中心的預(yù)警模型主要包括學(xué)生教務(wù)數(shù)據(jù)和上網(wǎng)行為數(shù)據(jù)兩類(lèi)。其中教務(wù)數(shù)據(jù)包括學(xué)生基礎(chǔ)信息、學(xué)習(xí)數(shù)據(jù)、教學(xué)評(píng)價(jià)三個(gè)方面的信息。學(xué)生基礎(chǔ)信息主要包括學(xué)生入學(xué)信息、父母及監(jiān)護(hù)人情況、家庭經(jīng)濟(jì)情況、家庭情感氣氛、教育期望5個(gè)維度。學(xué)生的學(xué)習(xí)數(shù)據(jù)主要包括入學(xué)成績(jī)（如高考英語(yǔ)成績(jī)）、學(xué)期成績(jī)、線上學(xué)習(xí)平臺(tái)學(xué)習(xí)數(shù)據(jù)、課堂學(xué)習(xí)錄制視頻、學(xué)生選課信息5個(gè)維度。教學(xué)評(píng)價(jià)數(shù)據(jù)主要包括課程作業(yè)、上課考勤情況2個(gè)維度。上網(wǎng)行為數(shù)據(jù)主要包括上網(wǎng)時(shí)長(zhǎng)、上網(wǎng)流量、上網(wǎng)頻次3個(gè)方面。

就數(shù)據(jù)采集而言，隨著網(wǎng)絡(luò)技術(shù)和數(shù)據(jù)采集設(shè)備的發(fā)展，上網(wǎng)數(shù)據(jù)等其他類(lèi)型的數(shù)據(jù)逐漸豐富。集成人工智能技術(shù)的數(shù)據(jù)感知設(shè)備，綜合采用（音視頻等）非接觸式感知技術(shù)和（可穿戴設(shè)備等）接觸式感知技術(shù)。具體來(lái)說(shuō)，校園感知設(shè)備包括課堂行為的音（視）頻，線上學(xué)習(xí)平臺(tái)的日志和論壇，集學(xué)習(xí)、辦公、生活、家庭為一體的智慧校園，無(wú)縫融合物理空間與虛擬空間的智慧教室（具有備授課一體化教學(xué)、課堂教學(xué)智能交互、物聯(lián)網(wǎng)集控等功能）等人工智能硬件教育設(shè)備。

為體現(xiàn)對(duì)學(xué)生的連續(xù)追蹤，本研究以華中師范大學(xué)2022級(jí)近1 000名本科生作為實(shí)驗(yàn)對(duì)象，考慮文理科學(xué)生的不同特征，數(shù)據(jù)涵蓋文學(xué)院和馬克思主義學(xué)院554名文科生，以及化學(xué)學(xué)院和生命科學(xué)學(xué)院445名理科生。通過(guò)學(xué)校建設(shè)的無(wú)線智能網(wǎng)絡(luò)系統(tǒng)（包括1萬(wàn)余臺(tái)智能無(wú)線接入點(diǎn)、5萬(wàn)余臺(tái)智能移動(dòng)終端）進(jìn)行學(xué)生的上網(wǎng)數(shù)據(jù)采集[24]；利用學(xué)校的120余間智慧教室進(jìn)行伴隨式數(shù)據(jù)采集，并結(jié)合學(xué)校教務(wù)數(shù)據(jù)、管理數(shù)據(jù)、教研數(shù)據(jù)，構(gòu)建了面向個(gè)體和學(xué)生群體的教育教學(xué)全景、全視圖數(shù)據(jù)。需要指出的是，本案例中學(xué)生在校園內(nèi)使用校園網(wǎng)上網(wǎng)，通過(guò)學(xué)生的一卡通帳號(hào)連接/斷開(kāi)校園網(wǎng)，無(wú)線訪問(wèn)節(jié)點(diǎn)上就記錄了該學(xué)生上線/下線的時(shí)間以及流量使用情況。通過(guò)人工智能技術(shù)的賦能，本案例在相關(guān)時(shí)間內(nèi)獲取的數(shù)據(jù)存儲(chǔ)容量為4.5 TB，日志記錄177.631 5億條，數(shù)據(jù)類(lèi)型豐富，樣本充足。

此外，由于教務(wù)數(shù)據(jù)和上網(wǎng)行為數(shù)據(jù)中存在大量的學(xué)生個(gè)人信息，為了避免隱私數(shù)據(jù)泄露，本案例對(duì)獲取的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行了數(shù)據(jù)隱私保護(hù)處理，在處理數(shù)據(jù)、智能技術(shù)與人的相互關(guān)系時(shí)遵循“有用”“無(wú)害”的倫理原則[25]。考慮到學(xué)號(hào)是學(xué)生身份識(shí)別的唯一屬性，對(duì)學(xué)生的身份信息進(jìn)行匿名化處理，采用高級(jí)加密標(biāo)準(zhǔn)（Advanced Encryption Standard， AES）[26]對(duì)學(xué)號(hào)進(jìn)行加密。該加密標(biāo)準(zhǔn)是保護(hù)隱私的重要手段，具有極高的安全性和可靠性。

2.3" 智能行為分析

學(xué)業(yè)預(yù)警中期的深度學(xué)習(xí)建模與分析賦能是通過(guò)數(shù)據(jù)挖掘的方法提取多層次、多粒度的特征，利用神經(jīng)網(wǎng)絡(luò)等深度學(xué)習(xí)方法進(jìn)行異常檢測(cè)與趨勢(shì)分析，更精準(zhǔn)、更高效地發(fā)現(xiàn)預(yù)警目標(biāo)。此過(guò)程分為特征提取與建模、智能分析兩個(gè)階段。在特征提取與建模階段，利用自然語(yǔ)言處理技術(shù)、語(yǔ)音識(shí)別技術(shù)、計(jì)算機(jī)視覺(jué)處理技術(shù)等提取學(xué)生行為特征，實(shí)現(xiàn)對(duì)學(xué)習(xí)者建模的賦能；在智能分析階段，利用時(shí)序網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)等分析技術(shù)對(duì)學(xué)業(yè)進(jìn)行精準(zhǔn)分析與預(yù)測(cè)，實(shí)現(xiàn)對(duì)學(xué)業(yè)分析的賦能。

本文以華中師范大學(xué)4個(gè)院系大一新生第一學(xué)期的學(xué)業(yè)預(yù)警為例，使用智能化方法進(jìn)行預(yù)警。首先進(jìn)行粗粒度的特征分析，即通過(guò)傳統(tǒng)統(tǒng)計(jì)方法統(tǒng)計(jì)每位學(xué)生每周的上網(wǎng)時(shí)長(zhǎng)、上網(wǎng)流量、上網(wǎng)頻次、上網(wǎng)行為的具體類(lèi)別及其頻次等基本信息；在此基礎(chǔ)上，引入并計(jì)算每次上網(wǎng)時(shí)長(zhǎng)、每次上網(wǎng)流量、單位時(shí)長(zhǎng)上網(wǎng)流量三個(gè)指標(biāo)。此類(lèi)計(jì)算指標(biāo)可顯示學(xué)生群體的特征偏向，如喜歡瀏覽（高清）視頻資源或偏向于瀏覽文字資源。特征建模過(guò)程是將多維行為數(shù)據(jù)按周整合，比如基于學(xué)生上網(wǎng)頻次、上網(wǎng)流量、上網(wǎng)時(shí)長(zhǎng)等行為數(shù)據(jù)構(gòu)建個(gè)性化的學(xué)習(xí)者模型，反映學(xué)習(xí)過(guò)程的狀態(tài)變化。

在智能分析階段，采用細(xì)粒度特征計(jì)算中的線性回歸方法，這種方法通過(guò)精確計(jì)算上網(wǎng)行為的斜率以及殘差平方和，能夠精確地?cái)M合出學(xué)生在一段時(shí)間內(nèi)上網(wǎng)行為的線性變化趨勢(shì)。具體來(lái)說(shuō)，以學(xué)生的上網(wǎng)流量為例，斜率成為了衡量學(xué)生上網(wǎng)行為變化強(qiáng)度和方向的關(guān)鍵指標(biāo)。負(fù)斜率反映出隨著教學(xué)周的深入，學(xué)生的上網(wǎng)流量趨于減少；而正斜率則表明學(xué)生的上網(wǎng)流量在穩(wěn)步增長(zhǎng)。此外，殘差平方和作為衡量擬合程度的重要指標(biāo)，其值越小，說(shuō)明線性回歸模型對(duì)實(shí)際數(shù)據(jù)的擬合效果越佳。鑒于學(xué)生行為在學(xué)期的前半段和后半段可能存在顯著差異，引入了拐點(diǎn)概念，具體做法是：將學(xué)期的第12周設(shè)為拐點(diǎn)，并對(duì)前半學(xué)期（拐點(diǎn)前）和后半學(xué)期（拐點(diǎn)后）的數(shù)據(jù)分別進(jìn)行線性回歸分析，如式（1）所示。通過(guò)計(jì)算每個(gè)階段的斜率及殘差平方和，能夠?yàn)楹罄m(xù)分析構(gòu)建出更為精細(xì)的特征參數(shù)，從而更全面地理解學(xué)生的上網(wǎng)行為變化。

式中：[α0]為回歸常數(shù)；[α1，α2，…，an]為總體回歸參數(shù)；[ε]為隨機(jī)誤差，且[ε～N（0，μ2）]。當(dāng)[n=1]時(shí)，稱(chēng)公式（1）為一元線性回歸模型；[n≥2]時(shí)，稱(chēng)公式（1）為多元線性回歸模型。

本文在大一新生的學(xué)業(yè)預(yù)警應(yīng)用中發(fā)現(xiàn)，文理科群體的學(xué)習(xí)過(guò)程是存在差異的。如圖2所示，文理科優(yōu)秀學(xué)生和困難學(xué)生在上網(wǎng)行為的模式上存在差異：在整個(gè)學(xué)期的上網(wǎng)過(guò)程中，成績(jī)較好的文科生使用較少的流量，而成績(jī)較差的文科生則使用流量較多，如圖2a）所示，說(shuō)明文科生中好生使用文本類(lèi)型偏多；在理科生中，在前18周好生與差生的上網(wǎng)流量相差不大，說(shuō)明他們使用的學(xué)習(xí)方式差不多；另一方面，從每次上網(wǎng)流量反映學(xué)習(xí)內(nèi)容的特征來(lái)看，文科差生和理科差生的變化較大，特別明顯表現(xiàn)在理科生的第18周以后。單位時(shí)長(zhǎng)上網(wǎng)流量的變化也體現(xiàn)了這一結(jié)論，如圖2b）所示。這一階段可通過(guò)流量使用情況的變化初步篩選出可能存在問(wèn)題的學(xué)生，用于后續(xù)的精準(zhǔn)分析。

為了彌補(bǔ)數(shù)據(jù)空白，本文引入了人均帶寬需求的概念?；诤侠砑僭O(shè)，即每個(gè)人使用的平均帶寬相等，從而推斷出在人員密集的區(qū)域，對(duì)網(wǎng)絡(luò)帶寬的需求將相應(yīng)增加[27]。為了全面反映不同網(wǎng)絡(luò)業(yè)務(wù)的應(yīng)用狀況和需求，根據(jù)業(yè)務(wù)類(lèi)型、帶寬需求、平均持續(xù)時(shí)間等關(guān)鍵指標(biāo)，將業(yè)務(wù)細(xì)分為5個(gè)獨(dú)特的應(yīng)用組，詳細(xì)分類(lèi)如表1所示。

為了實(shí)現(xiàn)精準(zhǔn)預(yù)警，需要在初步分析的基礎(chǔ)上綜合考慮更多因素，整合更全面的數(shù)據(jù)，并從中選取適當(dāng)?shù)奶卣餍畔⑦M(jìn)行智能分析。這一過(guò)程可以分為三個(gè)階段。首先是多源數(shù)據(jù)融合的特征提取，具體來(lái)說(shuō)，將整合每周上網(wǎng)行為的多個(gè)基本統(tǒng)計(jì)特征，包括每周上網(wǎng)時(shí)間、頻次、流量以及每次上網(wǎng)的平均時(shí)長(zhǎng)和流量等。此外，引入4個(gè)線性變化特征以及每次上網(wǎng)流量的拐點(diǎn)強(qiáng)度。

為了更全面的評(píng)估，還會(huì)計(jì)算每次上網(wǎng)流量的加權(quán)平均和上網(wǎng)行為特征的加權(quán)平均，并結(jié)合高考成績(jī)進(jìn)行綜合預(yù)測(cè)。

其次，分析這些特征與學(xué)習(xí)成績(jī)的相關(guān)性，根據(jù)表1的數(shù)據(jù)發(fā)現(xiàn)，文科生的單位時(shí)長(zhǎng)上網(wǎng)流量和全斜率與其學(xué)業(yè)成績(jī)之間存在正相關(guān)（相關(guān)系數(shù)r=0.104，plt;0.05），這意味著在整個(gè)學(xué)期中，如果文科生的單位時(shí)長(zhǎng)上網(wǎng)流量變化越大，其學(xué)業(yè)成績(jī)往往表現(xiàn)越好。同時(shí)，文科生的每次上網(wǎng)流量_全斜率也與其學(xué)業(yè)成績(jī)呈正相關(guān)（r=0.081，plt;0.05），表明如果文科生的每次上網(wǎng)流量隨時(shí)間推移逐漸減小，其學(xué)業(yè)成績(jī)可能會(huì)受到影響而下降。對(duì)于理科生而言，發(fā)現(xiàn)成績(jī)較差的學(xué)生在第18～20周時(shí)，每次上網(wǎng)流量和單位時(shí)長(zhǎng)上網(wǎng)流量均會(huì)出現(xiàn)一個(gè)波峰，如圖2c）和圖2d）所示。此外，理科生的每次上網(wǎng)流量和全斜率與其學(xué)業(yè)成績(jī)呈負(fù)相關(guān)（r=-0.154，plt;0.05）。這意味著如果理科生的每次上網(wǎng)流量隨時(shí)間推移逐漸增大，其學(xué)業(yè)成績(jī)可能會(huì)相應(yīng)下降。

進(jìn)一步深入歸納特征后發(fā)現(xiàn)，線性變化特征對(duì)文理科學(xué)生成績(jī)的影響存在顯著差異。為了驗(yàn)證這種差異是否源于文理科學(xué)生上網(wǎng)行為影響機(jī)理的不同，進(jìn)行了綜合分析，即將文理科學(xué)生數(shù)據(jù)合并，并考察上網(wǎng)行為特征與學(xué)業(yè)成績(jī)之間的相關(guān)性。

根據(jù)表1數(shù)據(jù)可以觀察到，當(dāng)不區(qū)分文理科時(shí)，后4個(gè)上網(wǎng)行為特征與學(xué)生學(xué)業(yè)成績(jī)之間的相關(guān)性均有所減弱。以每次上網(wǎng)流量_前斜率（即前半個(gè)學(xué)期的周上網(wǎng)流量斜率）為例，該指標(biāo)在文科生和理科生群體中的相關(guān)系數(shù)值分別為0.123和-0.123，顯示出明顯的正相關(guān)和負(fù)相關(guān)趨勢(shì)。然而，在文理科學(xué)生合并的總?cè)后w中，該指標(biāo)的相關(guān)系數(shù)降至0.051，相關(guān)性顯著下降。這一發(fā)現(xiàn)充分驗(yàn)證了本研究將學(xué)生群體按文理科細(xì)分的合理性，進(jìn)一步證實(shí)了不同學(xué)科背景下學(xué)生上網(wǎng)行為對(duì)學(xué)業(yè)成績(jī)影響的差異性。在加權(quán)特征方面，本文旨在通過(guò)計(jì)算加權(quán)平均值來(lái)提高上網(wǎng)行為特征的可解釋性。

具體而言，計(jì)算了同一類(lèi)上網(wǎng)行為特征的加權(quán)平均值，如每次上網(wǎng)流量_加權(quán)平均以及與每次上網(wǎng)流量相關(guān)的所有線性變化特征的加權(quán)平均值，包括斜率、拐點(diǎn)、殘差和拐點(diǎn)強(qiáng)度。此外，還計(jì)算了上網(wǎng)行為特征_加權(quán)平均，該指標(biāo)涵蓋了每周上網(wǎng)頻次、時(shí)間、流量、每次時(shí)長(zhǎng)、每次流量和單位時(shí)長(zhǎng)流量等所有相關(guān)線性變化特征的加權(quán)值。這些加權(quán)特征不僅為研究提供了更豐富的分析維度，還有助于更深入地理解學(xué)生上網(wǎng)行為與學(xué)業(yè)成績(jī)之間的關(guān)系[28]。卷積神經(jīng)網(wǎng)絡(luò)計(jì)算公式如下：

式中：[σ]為sigmoid激活函數(shù)；[ft]、[it]、[ot]分別為遺忘門(mén)、輸入門(mén)和輸出門(mén)；W為神經(jīng)元權(quán)重值；b為神經(jīng)元的偏差值。將卷積神經(jīng)網(wǎng)絡(luò)與雙向長(zhǎng)短期記憶（CNN?BiLSTM）網(wǎng)絡(luò)聯(lián)合模型進(jìn)行動(dòng)態(tài)特征分析，如圖3所示。

深入研究上網(wǎng)行為時(shí)，將所有相關(guān)的線性變化特征進(jìn)行了加權(quán)計(jì)算，以獲取其平均值。這一分析揭示了一個(gè)有趣的現(xiàn)象，即在引入高考英語(yǔ)成績(jī)作為考量因素后，其與文科生和理科生的學(xué)業(yè)成績(jī)均呈現(xiàn)出正相關(guān)關(guān)系。具體而言，高考英語(yǔ)成績(jī)與文科生學(xué)業(yè)成績(jī)的相關(guān)系數(shù)值為0.267，而與理科生學(xué)業(yè)成績(jī)的相關(guān)系數(shù)值為0.139。這一數(shù)據(jù)對(duì)比清晰地表明，高考英語(yǔ)成績(jī)對(duì)文科生學(xué)業(yè)成績(jī)的影響相較于理科生更為顯著。

在此基礎(chǔ)上探索利用隨機(jī)森林算法對(duì)提取的特征集構(gòu)建一個(gè)分類(lèi)模型，并進(jìn)行多元關(guān)聯(lián)分析，準(zhǔn)確預(yù)測(cè)學(xué)業(yè)成績(jī)，從而為學(xué)生和教師提供及時(shí)的預(yù)警信息。為了提升模型的預(yù)測(cè)能力，進(jìn)一步對(duì)學(xué)生的行為時(shí)序進(jìn)行模型擬合，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)（CNN）與雙向長(zhǎng)短時(shí)記憶（BiLSTM）網(wǎng)絡(luò)的優(yōu)勢(shì)，構(gòu)建了一個(gè)分析模型，用于提取學(xué)生上網(wǎng)行為的時(shí)間序列特征。從表2的數(shù)據(jù)可以看出，無(wú)論是針對(duì)文科、理科還是文科與理科合并的群體，這一模型都展現(xiàn)了較強(qiáng)的預(yù)測(cè)性能，能夠有效地篩選出可能存在學(xué)業(yè)失敗風(fēng)險(xiǎn)的學(xué)生。

2.4" 智能預(yù)測(cè)反饋

在前一階段通過(guò)分析與預(yù)測(cè)，本文計(jì)算學(xué)業(yè)失敗概率，如圖4中變量I所示。通過(guò)一個(gè)學(xué)期近千人次的實(shí)踐發(fā)現(xiàn)，0.5、0.8是一個(gè)區(qū)分界限，可以準(zhǔn)確地定位學(xué)業(yè)失敗的個(gè)體。本文借助多模態(tài)數(shù)據(jù)來(lái)加強(qiáng)數(shù)據(jù)分析的能力，從而得到預(yù)警信息，同時(shí)運(yùn)用人機(jī)交互、體感交互等人工智能技術(shù)及時(shí)對(duì)大學(xué)生的個(gè)人發(fā)展?fàn)顩r進(jìn)行預(yù)警，并逐步考慮實(shí)施多層次、多維度的干預(yù)策略。對(duì)應(yīng)的干預(yù)策略是由學(xué)生管理系統(tǒng)或即時(shí)通信程序等推送預(yù)警信息，提示其行為將造成的壞結(jié)果，提示將要發(fā)生行為的時(shí)間、地點(diǎn)與內(nèi)容等數(shù)據(jù)。在準(zhǔn)確定位需要進(jìn)行干預(yù)的學(xué)生后，根據(jù)學(xué)生上網(wǎng)行為習(xí)慣對(duì)學(xué)習(xí)者的不同影響以及習(xí)慣的強(qiáng)度進(jìn)行多層次干預(yù)，層次干預(yù)實(shí)施機(jī)制如圖4所示[29]。

第一層次為預(yù)警信息多模態(tài)智能反饋，該層次為最低級(jí)別的干預(yù)層次。當(dāng)學(xué)生的相關(guān)行為導(dǎo)致其學(xué)業(yè)負(fù)向變化，根據(jù)變化影響因素分析將造成壞行為時(shí)，通過(guò)多模態(tài)預(yù)警信息反饋系統(tǒng)向該生發(fā)送提示信息，提示其行為將造成的壞結(jié)果，以及將要發(fā)生行為的時(shí)間、地點(diǎn)與內(nèi)容等數(shù)據(jù)。

第二層次為系統(tǒng)的智能交互干預(yù)，該層次為中等級(jí)別的干預(yù)層次。該類(lèi)學(xué)生在經(jīng)過(guò)第一層次干預(yù)后沒(méi)有正向發(fā)展，反而朝著負(fù)向變化，故在保持第一層次的信息提示的基礎(chǔ)上，增加系統(tǒng)的智能交互干預(yù)手段。干預(yù)方法是首先獲得系統(tǒng)對(duì)該學(xué)生警示提示的行為，并得到演化計(jì)算后需要干預(yù)的時(shí)間、空間與頻率等；再通過(guò)系統(tǒng)交互提示的內(nèi)容進(jìn)行精準(zhǔn)干預(yù)。

第三層次為家校聯(lián)合人機(jī)協(xié)同的智能干預(yù)，該層次為最高級(jí)別的干預(yù)層次。針對(duì)一級(jí)干預(yù)和二級(jí)干預(yù)收效甚微的情況，實(shí)施人機(jī)協(xié)同的家校聯(lián)合干預(yù)手段。輔導(dǎo)員談話(huà)后，會(huì)對(duì)該類(lèi)學(xué)生持續(xù)關(guān)注，適當(dāng)增加談話(huà)頻率。此外，輔導(dǎo)員還可以找該同學(xué)室友、朋友等了解情況，安排班干部、同學(xué)等適當(dāng)關(guān)注并帶動(dòng)其學(xué)習(xí)，必要時(shí)還應(yīng)告知該生家長(zhǎng)并說(shuō)明具體情況，實(shí)行家校聯(lián)合的干預(yù)方式，高度重視其變化。

為確保干預(yù)機(jī)制的有效性，追蹤干預(yù)后的變化狀態(tài)，對(duì)干預(yù)后的學(xué)生進(jìn)行數(shù)據(jù)監(jiān)測(cè)，根據(jù)時(shí)間閾值提取其數(shù)據(jù)進(jìn)行預(yù)警值重新計(jì)算，分析干預(yù)效果。學(xué)生在干預(yù)后學(xué)業(yè)呈正向變化，則采取激勵(lì)機(jī)制，使行為變化保持正向、上升的趨勢(shì)；若干預(yù)后仍呈負(fù)向變化，則根據(jù)學(xué)生行為的實(shí)測(cè)數(shù)據(jù)調(diào)整干預(yù)等級(jí)、優(yōu)化干預(yù)策略，實(shí)施個(gè)性化再干預(yù)，使模型呈現(xiàn)一個(gè)不斷更新、反復(fù)、螺旋上升的過(guò)程，最終確保學(xué)業(yè)的正向發(fā)展。

3" 結(jié)" 論

人工智能技術(shù)與教育的深度結(jié)合，促進(jìn)了教育教學(xué)活動(dòng)和學(xué)生行為數(shù)據(jù)的全面收集、深入分析和實(shí)時(shí)反饋，為學(xué)業(yè)預(yù)警提供了新的方法與手段，為個(gè)性化學(xué)習(xí)和針對(duì)性教學(xué)管理提供了新的技術(shù)支持。借助人工智能技術(shù)，能夠基于學(xué)生的上網(wǎng)數(shù)據(jù)精準(zhǔn)地識(shí)別出大學(xué)生的異常行為，并在這些行為影響學(xué)業(yè)成績(jī)之前就進(jìn)行個(gè)性化的干預(yù)和指導(dǎo)，這種及時(shí)有效的干預(yù)對(duì)于大學(xué)生個(gè)性化的成長(zhǎng)和發(fā)展至關(guān)重要。本文案例中的大學(xué)生學(xué)業(yè)預(yù)警模型能夠較好地預(yù)測(cè)存在學(xué)業(yè)問(wèn)題的學(xué)生，為高校優(yōu)化學(xué)生上網(wǎng)行為、提高學(xué)生學(xué)業(yè)成績(jī)開(kāi)辟了嶄新的道路，為人工智能技術(shù)的應(yīng)用創(chuàng)新典型案例。然而人工智能的技術(shù)還處于發(fā)展期，將其與教育相結(jié)合并應(yīng)用于學(xué)業(yè)預(yù)警等還存在以下問(wèn)題有待改進(jìn)。

1） 人工智能技術(shù)帶來(lái)的數(shù)據(jù)倫理與隱私安全問(wèn)題凸顯緊迫。隨著多模態(tài)數(shù)據(jù)變得更易獲得、更加透明、更為精準(zhǔn)，干預(yù)技術(shù)更智能化的同時(shí)，也面臨教育數(shù)據(jù)倫理的道德信念和行為規(guī)范的理性審視[30]，亟需解決教育大數(shù)據(jù)的隱私安全、倫理沖突和倫理危機(jī)等問(wèn)題。因此，需要制定相應(yīng)的數(shù)據(jù)規(guī)范標(biāo)準(zhǔn)和規(guī)則限制，在教育教學(xué)過(guò)程中采取適當(dāng)技術(shù)和組織措施，從宏觀層面制定標(biāo)準(zhǔn)來(lái)確保學(xué)生的隱私不受侵犯，解決數(shù)據(jù)的安全性、隱私保護(hù)和互操作等問(wèn)題。

2） 人工智能的預(yù)測(cè)存在精準(zhǔn)化缺陷。將學(xué)業(yè)預(yù)警引入教學(xué)過(guò)程，挖掘大學(xué)生上網(wǎng)行為與其學(xué)業(yè)成績(jī)之間的關(guān)系，能夠預(yù)警有異常行為的學(xué)生。將人工智能技術(shù)與學(xué)業(yè)預(yù)警相結(jié)合提早了精準(zhǔn)化發(fā)現(xiàn)預(yù)警時(shí)機(jī)，提高了規(guī)模化育才的效率，提升了個(gè)性化成長(zhǎng)的質(zhì)量。然而，學(xué)生學(xué)習(xí)、生活是一個(gè)比較真實(shí)且復(fù)雜的環(huán)境，既有的模型、算法與流程所預(yù)測(cè)的結(jié)果只是反映一定的概率可能，其結(jié)果受限于人工智能技術(shù)本身，預(yù)測(cè)的精度并不能真實(shí)地反映學(xué)生的狀況，還需要人類(lèi)的知識(shí)與經(jīng)驗(yàn)來(lái)提升人工智能的能力。

3） 人工智能賦能學(xué)習(xí)的過(guò)程機(jī)理不完善。學(xué)習(xí)是一個(gè)復(fù)雜的過(guò)程，個(gè)性化學(xué)習(xí)過(guò)程中的賦能機(jī)理還處于探索階段，其作用機(jī)理尚不明確，需要進(jìn)一步探索預(yù)測(cè)干預(yù)手段的調(diào)節(jié)依據(jù)。外顯的現(xiàn)象歸納是對(duì)現(xiàn)象產(chǎn)生的概率統(tǒng)計(jì)，并不能說(shuō)明其內(nèi)因作用的機(jī)理，需要多學(xué)科交叉融合（如心理學(xué)、認(rèn)知神經(jīng)學(xué)、腦科學(xué)等）并結(jié)合更多的技術(shù)手段（如皮電、腦電等設(shè)備），探尋賦能學(xué)習(xí)過(guò)程中認(rèn)知、心理狀態(tài)對(duì)學(xué)習(xí)的作用機(jī)理。

注：本文通訊作者為趙亮。

參考文獻(xiàn)

[1] 白學(xué)軍，原勝，都旭，等.大學(xué)生學(xué)業(yè)失敗的預(yù)警因素初探[J].天津師范大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2022（1）：70?76.

[2] 姚麗，崔超然，馬樂(lè)樂(lè)，等.基于校園上網(wǎng)行為感知的學(xué)生成績(jī)預(yù)測(cè)方法[J].計(jì)算機(jī)研究與發(fā)展，2022，59（8）：1770?1781.

[3] 黃榮懷.論科技與教育的系統(tǒng)性融合[J].中國(guó)遠(yuǎn)程教育，2022（7）：4?12.

[4] 王理，王紅震.我國(guó)學(xué)分制高校學(xué)業(yè)預(yù)警制度的制度移植誤區(qū)探析[J].高教探索，2019（12）：56?60.

[5] KLOFT M， STIEHLER F， ZHENG Z， et al. Predicting MOOC dropout over weeks using machine learning methods [C]// Conference on Empirical Methods in Natural Language Processing. [S.l.]： ACM， 2014： 60?65.

[6] JIMENEZ F， PAOLETTI A， SANCHEZ G， et al. Predicting the risk of academic dropout with temporal multi?objective optimization [J]. IEEE transactions on learning technologies， 2019， 12（2）： 225?236.

[7] GUNUC S. The relationships between student engagement and their academic achievement [J]. International journal on new trends in education and their implications， 2014， 5（4）： 216?231.

[8] LIAN D F， LIU Q. Jointly recommending library books and predicting academic performance： a mutual reinforcement perspective [J]. Computer science technology， 2018（33）： 654?667.

[9] SORENSEN L C. \"Big Data\" in educational administration： an application for predicting school dropout risk [J]. Educational administration quarterly， 2019， 55（3）： 404?446.

[10] VEGA H， SANEZ E， DE LA CRUZ P， et al. Intelligent system to predict university students dropout [J]. International journal of online and biomedical engineering， 2022， 18（7）： 27?43.

[11] 董兆芬，吳杰.線性回歸分析法在成績(jī)預(yù)測(cè)中的應(yīng)用[C]//面向21世紀(jì)的圖學(xué)教育：第十二屆全國(guó)圖學(xué)教育研討會(huì)暨第三屆制圖CAI課件演示交流會(huì)論文集.無(wú)錫：中國(guó)工程圖學(xué)學(xué)會(huì)，2000：699?704.

[12] 郭俊，李凱，張璐帆，等.家庭背景對(duì)大學(xué)生學(xué)業(yè)表現(xiàn)影響的實(shí)證研究[J].教育學(xué)術(shù)月刊，2012（8）：29?34.

[13] MATHIASEN R E. Predicting college academic achievement： a research review [J]. College student journal， 1984， 18（4）： 380?386.

[14] LENT R W， BROWN S D， LARKIN K C. Self?efficacy in the prediction of academic performance and perceived career options [J]. Journal of counseling psychology， 1986， 33（3）： 265?269.

[15] 陳益均，殷莉.基于數(shù)據(jù)挖掘的學(xué)生成績(jī)影響模型的研究[J].現(xiàn)代教育技術(shù)，2013，23（1）：94?96.

[16] WANG Z， ZHU X， HUANG J， et al. Prediction of academic achievement based on digital campus [C]// Proceeding of the 11th International Conference on Educational Data Mining. [S.l.]： IEEE， 2018： 266?272.

[17] 陶煒，馮強(qiáng).大學(xué)生網(wǎng)絡(luò)游戲成癮的影響因素及作用機(jī)制：風(fēng)險(xiǎn)感知、學(xué)習(xí)自我效能感和游戲成癮的關(guān)系探析[J].教育學(xué)術(shù)月刊，2019（10）：84?90.

[18] 呂紅胤，連德富，聶敏，等.大數(shù)據(jù)引領(lǐng)教育未來(lái)：從成績(jī)預(yù)測(cè)談起[J].大數(shù)據(jù)，2015（4）：118?121.

[19] CAO Y， GAO J， ZHOU T. Orderliness of campus lifestyle predicts academic performance： a case study in Chinese university [M]// MARTIN R， CHRISTIAN M. Studies in Neuroscience， Psychology and Behavioral Economics. 2019： 137?149.

[20] YAO H， LIAN D， CAO Y， et al. Predicting academic performance for college students： A campus behavior perspective [J]. ACM transactions on intelligent systems and technology， 2019， 1（1）： 1?20.

[21] WANG R， CHEN F， CHEN Z， et al. StudentLife： assessing mental health， academic performance and behavioral trends of college students using smartphones [C]// ACM International Joint Conference on Pervasive amp; Ubiquitous Computing. [S.l.]： ACM， 2014： 3?14.

[22] WANG R， HAO P， ZHOU X， et al. SmartGPA： how smartphones can assess and predict academic performance of college students [J]. Getmobile mobile computing and communications， 2016， 19（4）： 13?17.

[23] 陳子健，朱曉亮.基于教育數(shù)據(jù)挖掘的在線學(xué)習(xí)者學(xué)業(yè)成績(jī)預(yù)測(cè)建模研究[J].中國(guó)電化教育，2017（12）：75?81.

[24] 肖明，譚鳳霞，舒江波，等.基于校園大數(shù)據(jù)的無(wú)線網(wǎng)絡(luò)AP布局優(yōu)化[J].華中師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2020，54（3）：384?390.

[25] 劉三女牙，劉盛英杰，孫建文，等.智能教育發(fā)展中的若干關(guān)鍵問(wèn)題[J].中國(guó)遠(yuǎn)程教育，2021（4）：1?7.

[26] 楊波.現(xiàn)代密碼學(xué)[Ｍ].5版.北京：清華大學(xué)出版社，2022.

[27] 譚鳳霞.校園大數(shù)據(jù)平臺(tái)的服務(wù)優(yōu)化研究[D].武漢：華中師范大學(xué)，2021.

[28] 陳錕.基于時(shí)間序列分析的大學(xué)生學(xué)業(yè)成績(jī)預(yù)測(cè)模型研究[D].武漢：華中師范大學(xué)，2021.

[29] 周東波，徐雯慧，喻宏偉，等.大學(xué)生日常行為習(xí)慣的可發(fā)現(xiàn)、可計(jì)算與可干預(yù)研究框架[J].現(xiàn)代遠(yuǎn)距離教育，2021（6）：77?84.

[30] PINKWART N， LIU S. Artificial intelligence supported educational technologies [M]. Berlin： Springer， 2020.

作者簡(jiǎn)介：肖" 明（1971—），男，湖北孝感人，博士研究生，高級(jí)實(shí)驗(yàn)師，研究方向?yàn)榻逃龜?shù)據(jù)挖掘。

余" 琳（1988—），女，湖北黃崗人，碩士研究生，工程師，研究方向?yàn)榇髷?shù)據(jù)分析。

肖" 毅（1975—），男，湖北孝感人，博士研究生，教授，研究方向?yàn)榇髷?shù)據(jù)。

陳" 錕（1996—），男，浙江蒼南人，碩士研究生，研究方向?yàn)閿?shù)據(jù)挖掘。

周東波（1979—），男，湖南長(zhǎng)沙人，博士研究生，教授，研究方向?yàn)榻逃髷?shù)據(jù)。

趙" 亮（1984—），女，河南南陽(yáng)人，博士研究生，副研究員，研究方向?yàn)榻逃髷?shù)據(jù)。

收稿日期：2024?05?09" " " " " "修回日期：2024?06?17

基金項(xiàng)目：國(guó)家自然科學(xué)基金項(xiàng)目（62177017）；數(shù)字教育湖北省重點(diǎn)實(shí)驗(yàn)室開(kāi)放基金項(xiàng)目（F2024G03）；湖北省高等學(xué)校實(shí)驗(yàn)室研究項(xiàng)目（HBSY2024?40）；校級(jí)實(shí)驗(yàn)室研究項(xiàng)目（2024sys02）；教育部人文社會(huì)科學(xué)研究項(xiàng)目（21YJA630098）；教育部產(chǎn)學(xué)合作協(xié)同育人項(xiàng)目（220504555160842）；中央高?；究蒲袠I(yè)務(wù)費(fèi)專(zhuān)項(xiàng)資金項(xiàng)目（CCNU24ZZ131）