论文部分内容阅读
摘 要：学习行为是高校学生的主体行为，好的学习成绩通常与好的学习行为密不可分，而好的学习行为在很大程度上折射出学生稳定的心理状态。文章以北京工商大学学生为数据样本，应用SPSS软件验证学生食堂吃早餐次数、去图书馆次数与学生学习成绩好坏的相关性，并提供了构建基于学习行为大数据的学生思想动态监测及预警体系的思路，为高校思想政治工作管理提供新的方法和途径。
关键词：大数据;思想动态;监测及预警
中图分类号：G641 文献标志码：A 文章编号：2096-000X（2019）05-0175-03
Abstract： Learning behavior is the main behavior of college students. Good academic performance is usually closely related to good learning behavior， and good learning behavior reflects the stable psychological state of students to a large extent. Taking the students of Beijing Technology and Business University as the data sample， this paper uses SPSS software to verify the correlation between the number of breakfasts eaten in the student canteen， the number of visits to the library and the students' academic performance. It also provides the idea of constructing the dynamic monitoring and early warning system of students' thoughts based on the big data of learning behavior. The idea of the system provides new methods and ways for the management of ideological and political work in colleges and universities.
Keywords： big data; ideological trend; monitoring and early warning
近年来，大数据技术已经广泛应用于社会各领域。2015年教育部提出要“坚持促进信息技术与教育教学深度融合的核心理念，推进大数据应用，发挥其监测、评价、预测及预警功能，为科学决策、宏观管理提供依据”[1]。将信息化和移动互联网高速发展的成果与高校育人体系、思政工作途径、管理服务模式相结合是教育领域发展的必然趋势。
一、基本情况
大学生思想政治教育大数据通常包括保存在学校学生信息系统中的静态数据以及学生日常表现（如学生的课堂行为、考试行为、晚归情况、校园消费记录、图书馆借阅记录、成绩数据等）和网络行为表现（如微博、微信、QQ动态等发表的日志、状态、话题、言论，分享的图片、影音、新闻链接等）的动态数据[2]。在这些不同类型、纷繁复杂的大数据中，有些数据是便于高校学生管理部门采集的，如与学生一卡通相关的食堂就餐、图书馆借阅、出入宿舍等数据，有些靠专业的数据监测系统，如与个人微博、微信、BBS相关的舆情监测系统，还有些数据依赖专门的管理部门，如教务系统提供的学生成绩数据、网络中心提供的学生上网情况记录。
作为负责学生思想教育工作的高校教师，最迫切希望的是能够在学校现有信息化条件下，实现既能映射学生心理动态又便于信息自动采集、机器分析处理，同时既不侵犯学生隐私又当学生出现思想异常波动时能够给予有效预警的大数据系统。近些年，国内部分高校在学生大数据监测、预警方面开展了一些工作，相应的监测预警系统也应运而生，取得了较好的效果，但也明显存在监测效果较好，预警功能不足的问题。系统可以较为全面的监测学生的各种行为，也可以根据学校需要提供固定周期的统计报告。但由于缺少预设的学生行为监测参数与学生思想动态之间关联关系的科学论证依据。当多个监测参数杂糅在一起，会出现经常性、大面积的报警，让学生管理者很难去区分报警的真伪性和针对性，问题定位不够准确。
在高校，学生的学习行为是学生主体行为。在学生管理工作中我们发现，学生在某一阶段的行为表现在很大程度上能够反映出学生在此阶段的学习状态和心理状态。通常而言，学生学习状态好的时候心理是相对稳定的。相反，学生的心理状态出现波动时在其学习状态上也会有所体现。本文以北京工商大学低年级学生为研究对象，以学生校园一卡通大数据为数据源，寻找不同学生学习行为数据与学生思想动态的变化关系，为建立高校学生思想动态监测及预警体系提供理论依据。
二、调查研究过程及结果
在我校，学生一卡通数据主要有学生食堂就餐、出入图书馆、使用校园网、出入宿舍等。学生每日按时去食堂吃早餐上课，经常去图书馆看书学习是良好生活学习状态的一种体现，也是学校鼓励和提倡的学习行为。所以，笔者认为监测学生吃早餐和去图书馆次数的数据可以从一定程度上反映学生的学习状态，并对这两项大数据进行统计分析。
（一）学生吃早餐、去图书馆情况与学习成绩相关性研究
1. 数据样本。本文选取我校2016级2735名在校学生为研究对象。为确保数据的准确性，在采集的信息中去掉了非住校、休学等其他情况学生的数据，最终保留了2249名有效学生数据。其中男生751人，女生1498人，基本符合学校的男女比例。从学校网络中心采集2016级有效样本数据学生在大二学年非休息日、节假日在学校食堂吃早餐和去图书馆的校园一卡通数据，并从教务处收集学生在该学年的学习绩点数据，利用SPSS软件对数据进行统计分析。样本数据如表1所示。2. 相关性分析。对样本中学生学年绩点、食堂吃早餐次数、去图书馆次数进行相关分析，结果如表2所示。3. 典型类别学生数据对比。将数据样本中绩点大于等于4和绩点小于2的学生分为绩优和绩差两组，对比两组间吃早餐和去图书馆的平均次数，统计结果如表3所示。4. 结果分析。（1）学生食堂吃早餐的次数与绩点的相关系数为0.529，学生去图书馆的次数与绩点的相关系数为0.402。根据相关系数r的性质，当0.4≤|r|<0.7时，两个变量显著性相关（中度相关）。即学生食堂吃早晨次数和去图书馆的次数分别与学生的绩点具有显著相关性。（2）绩优组吃早餐和去图书馆的的平均次数分别为97.8次和120.2次，远远超过绩差组的15.1次和14.5次，充分说明学生食堂吃早餐和去图书馆的情况可以作为区分学生学习状态的有效观测参数，具有重要的统计意义。（3）数据分析结果显示，学生食堂吃早餐和去图书馆的情况与学生的成绩成正相关性，从理论上验证了好的学习行为与好的学习成绩之间的关系。高校可以通过一定技术手段监测学生食堂吃早餐和去图书馆次数的动态变化所反应出来的该生在某一阶段的学习状态。如果一名学生在某一阶段吃早餐或去图书馆的次数较全校平均水平值或个人以往平均水平值有了明显减少，很可能说明该生的學习状态出现了波动，思想上或生活中遇到了问题，提示学生辅导员应予以重点关注，详细了解情况。 （二）心理问题、学业警示学生与其学习行为相关性研究
大学生心理健康已经渐渐成为社会关注的焦点，学生不同程度的心理应激、心理危机或心理障碍给高校管理带来了巨大的安全隐患。更令学生管理部门头疼的是，往往一些没在心理健康筛查时发现的非重点关注对象却毫无征兆地发生了严重心理问题，甚至发生自伤、自杀等重大事件。如果能在心理问题产生的萌芽阶段就能及时发现，提醒学生辅导员早期关注和干预，就可以降低严重心理问题发生的概率。在对我校2016级5名非疾病引起的严重心理问题学生的学习行为一卡通数据进行分析时发现，有3名学生在发病前2周内，食堂吃早餐和图书馆的数据发生明显的变化。现就一名因父母离婚引起重度抑郁、有自杀倾向的学生一卡通数据举例说明，如图1所示。
数据表明，该生在病发前4-5周，学习行为数据处于正常状态。病发前3周，学习行为数据有了一定下滑。病发前2周该数据出现明显下滑，病发前1周达到最低值。学校如果通过一定技术手段及时监测到学生的学习行为数据变化，在学生病发前两周甚至三周就能够定位准确并及时排查具体情况，就完全有可能避免学生心理问题的升级。
同样，受学业警示的学生不是一入学就跟不上学习进度，会有间接反映在学习行为上的数据缓慢发酵的过程。大量的实际案例证明，学生出现学习成绩明显下降和有心理问题征兆的时间段，恰恰伴随着该生学习行为特征出现明显变化的阶段，也是学生管理部门应着重抓住的“黄金时间段”。
三、对策建议
以学生食堂就餐、去图书馆为代表的学生学习行为一卡通大数据为监测学生思想动态提供了新的路径。在互联网+的背景下，“智慧校园”在各个高校逐渐普及，构建智能化的学生行为大数据监测系统成为高校学生管理工作的大势所趋并成为可能。依托强大的数据采集和数据挖掘的技术优势，定制开发专业实用的学生学习行为数据收集、整理、分析平台，可以更高效的实现对学生学习状态的监控、分析以及对可能出现的问题学生的预警，为各学院在学生学风状况趋势准确判断、问题学生精确查找、干预措施及时实施提供参考依据。
（一）构建符合高校特点的学生学习行为大数据监测与预警系统
北京工商大学结合学校信息化建设基础，构建了由数据库系统、预处理系统、参数设置系统、阈值系统、监测系统、预警与提醒系统、数据分析系统为子系统组成的基于学生学习行为大数据的高校学生思想动态监测及预警体系，如图2所示。
网络中心服务器（即数据交换中心）是学生学习行为大数据的源数据。数据库系统包括学生的基本信息，如学院、姓名、学号、绩点等，还包括从交换中心传输过来的学生学习行为大数据。数据预处理系统是将数据中心采集的源数据进行格式化，转化成系统可识别的数据格式并与学生基本信息进行匹配，为后续正式的数据处理做好准备。参数设置系统主要用于设置用户的不同级别（学生处、副书记、辅导员、班主任），根据用户需求设置查询范围、查询周期等。阈值系统用于设置预警的触发条件。分为静态阈值和动态阈值两种方式选择。静态阈值是管理者根据往届学生在同一学习阶段的历史数据平均值设置的参考阈值，也可以经过应届学生一定周期的数据积累，由机器自学习系统根据前期每个人不同的学习行为状态情况设定动态阈值，更好的实现学生学习行为动态化、个性化的监测。如有学生数据低于用户设置的阈值，系统会以弹出对话框的形式进行提醒，并列出预警对象的具体信息和改进建议。无论是监测还是预警系统的结果，数据分析系统可以根据用户的需求统计频次、均值、极大极小值、方差等常用参数，并以表格、折线图、柱状图、饼状图等形式输出。
（二）开发使用学生学习行为大数据监测与预警系统的注意事项
1. 系统应用要注意与其他学生思想动态监测手段的全面结合。大数据技术提供的是一条解决问题的方法和途径，其核心价值在于对研究对象可能性的预测，但绝不是一劳永逸的。例如预警系统所提示的学生，也仅仅是说明这名学生有出现思想问题的可能性，还需要辅导员进一步去甄别。基于学生学习行为大数据的学生思想动态监测及预警体系本身就有其局限性，只适用于长期住校的在校学生，不适用于走读或者毕业班学生。所以学生管理部门在应用新技术的同时，不能丢掉传统的学生思想教育管理模式，建立学校、学院、班级、宿舍四级监控体系，多系统形成合力，全方位掌握学生思想动态，提升精细化管理的水平和效果。2. 系统开发要与学校的学生管理系统有机融合。学生管理是一项综合性的管理工作，所涉及的学生日常管理、学生资助奖惩、学业辅导、心理健康教育及辅导咨询、学生宿舍管理等都需要信息化系统去实现。而实际操作中不每个功能都自成一个系统，各子系统之间彼此既有独立性，又有数据共享。所以学生行为大数据监测与预警系统应纳入大的学生管理系统体系内，基于学校现有的公共应用平台的模式建立，加强系统顶层设计。应统一数据标准和管理规范，发挥统一身份认证、统一共享数据库、统一系统接口设计，实现大量数据共享，减少数据冗余，提高管理的效率。3. 系统功能应具有可拓展性。学生行为大数据监测与预警系统在实现基本功能基础上应该可以利用相关一卡通数据进行管理功能的延展。例如，系统不只采集分析学生早餐数据，可以有针对性的对在校经济困难学生的食堂三餐消费情况进行监控，对消费金额明显低于正常消费水平的贫困生经核实情况后可以实施“隐性资助”，提升学生资助工作水平。另外，还可以采集并对学生图书馆借阅图书的类别、书目清单大数据进行统计分析，为学生管理提供辅助信息。
四、结束语
本文从理论上验证了学生食堂吃早餐和去图书馆的学习行为大数据可以有效反映学生的学习状态和思想动态，提供了构建基于学生学习行为大数据的学生思想动态监测及预警体系的思路，并对系统构建过程中的注意事项进行了分析说明。未来该领域应在高校现有信息化硬件条件基础上加强实证研究，解决平台设计、机制完善、数据挖掘、功能拓展等问题，不断探索理论与实践的最佳结合点，最大程度上发挥大数据在学生思想政治教育工作中的作用，为教师管理学生提供第一手准确、有效的数据。
参考文献：
[1]教育部.2015年教育信息化工作要点[Z].
[2]何蓓蓓.大數据时代大学生思想政治教育工作创新探究[J].教育探索，2018（8）.
关键词：大数据;思想动态;监测及预警
中图分类号：G641 文献标志码：A 文章编号：2096-000X（2019）05-0175-03
Abstract： Learning behavior is the main behavior of college students. Good academic performance is usually closely related to good learning behavior， and good learning behavior reflects the stable psychological state of students to a large extent. Taking the students of Beijing Technology and Business University as the data sample， this paper uses SPSS software to verify the correlation between the number of breakfasts eaten in the student canteen， the number of visits to the library and the students' academic performance. It also provides the idea of constructing the dynamic monitoring and early warning system of students' thoughts based on the big data of learning behavior. The idea of the system provides new methods and ways for the management of ideological and political work in colleges and universities.
Keywords： big data; ideological trend; monitoring and early warning
近年来，大数据技术已经广泛应用于社会各领域。2015年教育部提出要“坚持促进信息技术与教育教学深度融合的核心理念，推进大数据应用，发挥其监测、评价、预测及预警功能，为科学决策、宏观管理提供依据”[1]。将信息化和移动互联网高速发展的成果与高校育人体系、思政工作途径、管理服务模式相结合是教育领域发展的必然趋势。
一、基本情况
大学生思想政治教育大数据通常包括保存在学校学生信息系统中的静态数据以及学生日常表现（如学生的课堂行为、考试行为、晚归情况、校园消费记录、图书馆借阅记录、成绩数据等）和网络行为表现（如微博、微信、QQ动态等发表的日志、状态、话题、言论，分享的图片、影音、新闻链接等）的动态数据[2]。在这些不同类型、纷繁复杂的大数据中，有些数据是便于高校学生管理部门采集的，如与学生一卡通相关的食堂就餐、图书馆借阅、出入宿舍等数据，有些靠专业的数据监测系统，如与个人微博、微信、BBS相关的舆情监测系统，还有些数据依赖专门的管理部门，如教务系统提供的学生成绩数据、网络中心提供的学生上网情况记录。
作为负责学生思想教育工作的高校教师，最迫切希望的是能够在学校现有信息化条件下，实现既能映射学生心理动态又便于信息自动采集、机器分析处理，同时既不侵犯学生隐私又当学生出现思想异常波动时能够给予有效预警的大数据系统。近些年，国内部分高校在学生大数据监测、预警方面开展了一些工作，相应的监测预警系统也应运而生，取得了较好的效果，但也明显存在监测效果较好，预警功能不足的问题。系统可以较为全面的监测学生的各种行为，也可以根据学校需要提供固定周期的统计报告。但由于缺少预设的学生行为监测参数与学生思想动态之间关联关系的科学论证依据。当多个监测参数杂糅在一起，会出现经常性、大面积的报警，让学生管理者很难去区分报警的真伪性和针对性，问题定位不够准确。
在高校，学生的学习行为是学生主体行为。在学生管理工作中我们发现，学生在某一阶段的行为表现在很大程度上能够反映出学生在此阶段的学习状态和心理状态。通常而言，学生学习状态好的时候心理是相对稳定的。相反，学生的心理状态出现波动时在其学习状态上也会有所体现。本文以北京工商大学低年级学生为研究对象，以学生校园一卡通大数据为数据源，寻找不同学生学习行为数据与学生思想动态的变化关系，为建立高校学生思想动态监测及预警体系提供理论依据。
二、调查研究过程及结果
在我校，学生一卡通数据主要有学生食堂就餐、出入图书馆、使用校园网、出入宿舍等。学生每日按时去食堂吃早餐上课，经常去图书馆看书学习是良好生活学习状态的一种体现，也是学校鼓励和提倡的学习行为。所以，笔者认为监测学生吃早餐和去图书馆次数的数据可以从一定程度上反映学生的学习状态，并对这两项大数据进行统计分析。
（一）学生吃早餐、去图书馆情况与学习成绩相关性研究
1. 数据样本。本文选取我校2016级2735名在校学生为研究对象。为确保数据的准确性，在采集的信息中去掉了非住校、休学等其他情况学生的数据，最终保留了2249名有效学生数据。其中男生751人，女生1498人，基本符合学校的男女比例。从学校网络中心采集2016级有效样本数据学生在大二学年非休息日、节假日在学校食堂吃早餐和去图书馆的校园一卡通数据，并从教务处收集学生在该学年的学习绩点数据，利用SPSS软件对数据进行统计分析。样本数据如表1所示。2. 相关性分析。对样本中学生学年绩点、食堂吃早餐次数、去图书馆次数进行相关分析，结果如表2所示。3. 典型类别学生数据对比。将数据样本中绩点大于等于4和绩点小于2的学生分为绩优和绩差两组，对比两组间吃早餐和去图书馆的平均次数，统计结果如表3所示。4. 结果分析。（1）学生食堂吃早餐的次数与绩点的相关系数为0.529，学生去图书馆的次数与绩点的相关系数为0.402。根据相关系数r的性质，当0.4≤|r|<0.7时，两个变量显著性相关（中度相关）。即学生食堂吃早晨次数和去图书馆的次数分别与学生的绩点具有显著相关性。（2）绩优组吃早餐和去图书馆的的平均次数分别为97.8次和120.2次，远远超过绩差组的15.1次和14.5次，充分说明学生食堂吃早餐和去图书馆的情况可以作为区分学生学习状态的有效观测参数，具有重要的统计意义。（3）数据分析结果显示，学生食堂吃早餐和去图书馆的情况与学生的成绩成正相关性，从理论上验证了好的学习行为与好的学习成绩之间的关系。高校可以通过一定技术手段监测学生食堂吃早餐和去图书馆次数的动态变化所反应出来的该生在某一阶段的学习状态。如果一名学生在某一阶段吃早餐或去图书馆的次数较全校平均水平值或个人以往平均水平值有了明显减少，很可能说明该生的學习状态出现了波动，思想上或生活中遇到了问题，提示学生辅导员应予以重点关注，详细了解情况。 （二）心理问题、学业警示学生与其学习行为相关性研究
大学生心理健康已经渐渐成为社会关注的焦点，学生不同程度的心理应激、心理危机或心理障碍给高校管理带来了巨大的安全隐患。更令学生管理部门头疼的是，往往一些没在心理健康筛查时发现的非重点关注对象却毫无征兆地发生了严重心理问题，甚至发生自伤、自杀等重大事件。如果能在心理问题产生的萌芽阶段就能及时发现，提醒学生辅导员早期关注和干预，就可以降低严重心理问题发生的概率。在对我校2016级5名非疾病引起的严重心理问题学生的学习行为一卡通数据进行分析时发现，有3名学生在发病前2周内，食堂吃早餐和图书馆的数据发生明显的变化。现就一名因父母离婚引起重度抑郁、有自杀倾向的学生一卡通数据举例说明，如图1所示。
数据表明，该生在病发前4-5周，学习行为数据处于正常状态。病发前3周，学习行为数据有了一定下滑。病发前2周该数据出现明显下滑，病发前1周达到最低值。学校如果通过一定技术手段及时监测到学生的学习行为数据变化，在学生病发前两周甚至三周就能够定位准确并及时排查具体情况，就完全有可能避免学生心理问题的升级。
同样，受学业警示的学生不是一入学就跟不上学习进度，会有间接反映在学习行为上的数据缓慢发酵的过程。大量的实际案例证明，学生出现学习成绩明显下降和有心理问题征兆的时间段，恰恰伴随着该生学习行为特征出现明显变化的阶段，也是学生管理部门应着重抓住的“黄金时间段”。
三、对策建议
以学生食堂就餐、去图书馆为代表的学生学习行为一卡通大数据为监测学生思想动态提供了新的路径。在互联网+的背景下，“智慧校园”在各个高校逐渐普及，构建智能化的学生行为大数据监测系统成为高校学生管理工作的大势所趋并成为可能。依托强大的数据采集和数据挖掘的技术优势，定制开发专业实用的学生学习行为数据收集、整理、分析平台，可以更高效的实现对学生学习状态的监控、分析以及对可能出现的问题学生的预警，为各学院在学生学风状况趋势准确判断、问题学生精确查找、干预措施及时实施提供参考依据。
（一）构建符合高校特点的学生学习行为大数据监测与预警系统
北京工商大学结合学校信息化建设基础，构建了由数据库系统、预处理系统、参数设置系统、阈值系统、监测系统、预警与提醒系统、数据分析系统为子系统组成的基于学生学习行为大数据的高校学生思想动态监测及预警体系，如图2所示。
网络中心服务器（即数据交换中心）是学生学习行为大数据的源数据。数据库系统包括学生的基本信息，如学院、姓名、学号、绩点等，还包括从交换中心传输过来的学生学习行为大数据。数据预处理系统是将数据中心采集的源数据进行格式化，转化成系统可识别的数据格式并与学生基本信息进行匹配，为后续正式的数据处理做好准备。参数设置系统主要用于设置用户的不同级别（学生处、副书记、辅导员、班主任），根据用户需求设置查询范围、查询周期等。阈值系统用于设置预警的触发条件。分为静态阈值和动态阈值两种方式选择。静态阈值是管理者根据往届学生在同一学习阶段的历史数据平均值设置的参考阈值，也可以经过应届学生一定周期的数据积累，由机器自学习系统根据前期每个人不同的学习行为状态情况设定动态阈值，更好的实现学生学习行为动态化、个性化的监测。如有学生数据低于用户设置的阈值，系统会以弹出对话框的形式进行提醒，并列出预警对象的具体信息和改进建议。无论是监测还是预警系统的结果，数据分析系统可以根据用户的需求统计频次、均值、极大极小值、方差等常用参数，并以表格、折线图、柱状图、饼状图等形式输出。
（二）开发使用学生学习行为大数据监测与预警系统的注意事项
1. 系统应用要注意与其他学生思想动态监测手段的全面结合。大数据技术提供的是一条解决问题的方法和途径，其核心价值在于对研究对象可能性的预测，但绝不是一劳永逸的。例如预警系统所提示的学生，也仅仅是说明这名学生有出现思想问题的可能性，还需要辅导员进一步去甄别。基于学生学习行为大数据的学生思想动态监测及预警体系本身就有其局限性，只适用于长期住校的在校学生，不适用于走读或者毕业班学生。所以学生管理部门在应用新技术的同时，不能丢掉传统的学生思想教育管理模式，建立学校、学院、班级、宿舍四级监控体系，多系统形成合力，全方位掌握学生思想动态，提升精细化管理的水平和效果。2. 系统开发要与学校的学生管理系统有机融合。学生管理是一项综合性的管理工作，所涉及的学生日常管理、学生资助奖惩、学业辅导、心理健康教育及辅导咨询、学生宿舍管理等都需要信息化系统去实现。而实际操作中不每个功能都自成一个系统，各子系统之间彼此既有独立性，又有数据共享。所以学生行为大数据监测与预警系统应纳入大的学生管理系统体系内，基于学校现有的公共应用平台的模式建立，加强系统顶层设计。应统一数据标准和管理规范，发挥统一身份认证、统一共享数据库、统一系统接口设计，实现大量数据共享，减少数据冗余，提高管理的效率。3. 系统功能应具有可拓展性。学生行为大数据监测与预警系统在实现基本功能基础上应该可以利用相关一卡通数据进行管理功能的延展。例如，系统不只采集分析学生早餐数据，可以有针对性的对在校经济困难学生的食堂三餐消费情况进行监控，对消费金额明显低于正常消费水平的贫困生经核实情况后可以实施“隐性资助”，提升学生资助工作水平。另外，还可以采集并对学生图书馆借阅图书的类别、书目清单大数据进行统计分析，为学生管理提供辅助信息。
四、结束语
本文从理论上验证了学生食堂吃早餐和去图书馆的学习行为大数据可以有效反映学生的学习状态和思想动态，提供了构建基于学生学习行为大数据的学生思想动态监测及预警体系的思路，并对系统构建过程中的注意事项进行了分析说明。未来该领域应在高校现有信息化硬件条件基础上加强实证研究，解决平台设计、机制完善、数据挖掘、功能拓展等问题，不断探索理论与实践的最佳结合点，最大程度上发挥大数据在学生思想政治教育工作中的作用，为教师管理学生提供第一手准确、有效的数据。
参考文献：
[1]教育部.2015年教育信息化工作要点[Z].
[2]何蓓蓓.大數据时代大学生思想政治教育工作创新探究[J].教育探索，2018（8）.