大數據背景下 “問題學生”動態分級預警模型構建研究

魏煒 黃福秀

【摘 要】本文論述大數據背景下“問題學生”動態預警分級模型的構建，提出收集學校各信息化平臺的數據，設計預警值E表征學生的問題狀態，劃定紅、黃、綠三級預警體系，并簡介該模型在實踐中取得的效果和存在的問題。

【關鍵詞】大數據? 問題學生? 動態分級預警? 模型

【中圖分類號】G? 【文獻標識碼】A

【文章編號】0450-9889（2019）01C-0134-04

近年來，大數據技術的應用給教育領域帶來了前所未有的變革。各高校高度重視智慧校園的建設，為師生的學習、生活提供系統化的服務系統，信息化水平大大提高。基于對高校信息化平臺應用的數據統計分析，動態化地分析日常學生管理中可能出現的“問題學生”，輔助輔導員在日常管理中精準發力，在降低工作量的同時提高工作的有效性，是未來高校學生工作的發展趨勢。

“問題學生”是高校學生工作中的特殊群體，做好“問題學生”的教育工作是高校輔導員工作的重點和難點。關于“問題學生”的界定，不同的學者有不同的界定。肖建國在博士論文《“問題大學生”的成因及教育轉化策略研究》中把“問題學生”界定為“在特定時空背景下，大學生個體在社會化過程中，受內外界因素影響，導致個體性格、情感意志、思維方式等方面暫時偏離常態，并在行為特征、心理品質、學業成績、品德養成等諸多方面違背教育規律、價值標準和社會規范，需要通過矯正教育干預的特殊社會群體”。冀學鋒認為“問題學生”是指“在教育過程中，由于存在某些使教育結構和教育環境失調的障礙因素的影響，（可能）表現出問題行為的（全體、部分或個體）大學生”。薛浩把“問題學生”定義為“指學業、行為、心理、生理和情緒上存在著偏與不足，并需要他人幫助才能解決問題的學生”。結合以上學者的定義，本文從學生管理的角度出發，把“問題學生”定義為“在各方面因素影響下具有會造成不良后果的負面行為，需引起學生工作者高度重視或干預的學生”。在此定義下，本文嘗試構建一套“問題學生”動態分級預警模型，幫助學生工作者在日常管理過程中精準化的關注學生群體，避免或減少“問題學生”的出現。

一、模型指標因子確定及采集

（一）指標因子的選取。模型指標因子的確定要從大量的歷史案例數據中統計分析出可能導致“問題學生”產生的主要因素。本文選取的案例主要來源于筆者分管的廣西交通職業技術學院建筑工程系2013—2016年4年期間276份輔導員談心談話材料。對材料中涉及“問題學生”的類型進行歸納和分類，主要分為消費水平問題、作息問題、學習態度問題、人際交往問題、心理問題五大類，各類別的行為表征及樣本分布情況見表1。

（二）指標數據的采集。模型指標數據的采集主要借助高校智慧校園中的各信息化數據平臺，本文以廣西交通職業技術學院為例說明數據采集的路徑。

1.消費指標。消費水平指標的數據主要來源于校內一卡通消費系統，系統可以導出在校學生的不同時段的累計消費金額、各月平均消費水平以及整體學生的平均水平。通過該系統平臺數據可以將學生突然性異常消費或長時間低消費的情況進行反映。

2.作息指標。作息指標可以通過兩個方面進行統計，一是通過學生進出入宿舍的記錄分析學生晚歸或夜不歸宿的情況;二是可以通過學生的上網登錄持續時間判定學生的作息情況。

3.學習態度指標。學習態度主要從學院教學管理數據平臺導出，該系統數據由任課教師進行填報，可以反饋學生的遲到及曠課名單、作業完成情況。

4.人際交往指標。該指標的數據采集主要來源于學院心理反饋機制，由每個班級信息反饋員對學生日常、社交平臺進行觀察定期上報，能反映出班級學生人際交往的情況。

5.心理狀態指標。該指標數據采集來源于學院心理測試站、學生請假制度。學院心理測試站定期（每季度）測試學生心理狀態。學生請假制度可以監測到學生近期的重大事項，如有家人去世等突發事件。

二、動態預警模型的構建

（一）指標因子賦分標準的確定。各指標因子的賦分標準根據各指標反映的行為可能產生“問題學生”的程度，采取專家打分法來確定。最終確定了各指標因子賦分標準如表2。

（二）預警模型的設計。“問題學生”產生的原因是復雜的，是在多種因素相互疊加影響下，最終導致學生行為的失常，但各種因素對“問題學生”的作用機理和影響程度又不盡相同。本次研究中作用機理通過不同的賦分標準體現，作用結果采用賦分值f體現，影響程度通過因子指標權重r體現。在綜合考慮各指標因子的作用機理和影響程度兩個方面，設計預警值E，其表達式子見公式（1）。

公式（1）

公式（1）中各參數的含義如下：E，為某個學生成為“問題學生”的預警值;i，模型指標因子的序號;fi，第i個指標因子的賦值;ri，第i個指標因子的權重。

根據公式（1）的計算結果，某位學生的預警值E越大，表示的該學生成為“問題學生”的可能性越高。

三、分級預警體系的構建

（一）預警體系的分級。根據高校學生管理工作的經驗，一個學生班級主要有三類群體：“問題學生”、表現一般學生、表現優秀的學生。第一類“問題學生”高校輔導員要重點關注的學生，也是學生工作的重點;第二類學生表現中規中矩，在日常的管理過程中不用刻意去關注，但是需要重視，防止此類學生向“問題學生”轉化;第三類學生表現比較優秀，一般是班干且學習成績比較優異，能夠在班級上起帶動作用，不用教師操心，反而能輔助教師工作?；诖?，本文把預警體系分為三級：高度預警、輕微預警、無預警，分別用紅、黃、綠三種等級表示。分別定義為：

1.高度預警，表示該學生當前可能處于“問題學生”行列，在日常管理中，輔導員要對該生進行高度關注或干預，盡早談心談話，模型系統中呈紅色顯示。

2.輕微預警，表示該學生表現一般，無須過度關注，但若其預警值E的持續增大，需引起輔導員重視，模型系統中呈黃色顯示。

3.無預警，表示該學生表現較優秀，無須關注，可以引導其帶動班級建設，模型系統中呈綠色顯示。

（二）不同預警等級預警值E的劃定。具體如下：

1.預警值E的劃定思路。為了合理的劃定不同預警等級的預警值E，本次研究主要采用數理統計方法進行判定。本次選取的樣本來源于廣西交通職業技術學院建筑工程系二年級共計974名學生。輔導員經過跟樣本學生一年的相處，對樣本學生在校的表現有了充分的了解，在日常的管理工作中對樣本學生也形成了分層關注的經驗判斷。本次研究預警值劃定思路如下：（1）輔導員根據對學生表現的了解和日常管理經驗，將各自所帶班級分為與本次研究模型一致的三類預警等級群體，并根據學生入學序列排序;（2）計算所有樣本學生的預警值E;（3）統計不同等級預警值學生的分布情況;（4）分析確定不同預警等級的預警值E區間。

2.預警值E劃定過程。根據劃定思路，6名輔導員將974學生分層了3級預警群體，其中高度預警學生124名，占總人數的12.73%;輕微預警人數682名，占總人數的70.02%;無預警人數為168名，占總人數的17.24%。計算所有同學的預警值E，并根據學生入學序列號進行排序繪制散點圖（見圖1），按0.1間隔統計預警值E在各區間的分布情況，見表3。

由圖1可以看出，散點圖分區明顯，說明了本次研究模型與輔導員分層次管理經驗相符，具有一定的可靠性和管理參考價值。進一步分析不同關注群體預警值E的分布情況，高度預警的124名樣本學生的預警值有122名在0.5以上，剩余兩名高度預警學生的預警值E分別為0.454和0.474;輕微預警的682名樣本學生的預警值有672名分布在0.15～0.5之間，6名學生的預警值分布在0.15以下，3名學生的預警值分布在0.5以上，分別為0.526、0.543、0.564;無預警的168名樣本學生的預警值有162名分布在0.15以下，6名同學的預警值分布在0.15～0.5之間。詳細統計分析見表4。

根據表2統計可知，高度預警等級預警值E主要分布在[0，0.15]區間，占比為98.39%;輕微預警等級預警值E主要分布在（0.15，0.5]區間，占比為98.68%;無預警等級預警值E主要分布在（0.5，1]區間，占比為95.83%。由此，可以確定“問題學生”預警體系為：當預警值在（0.5，1]區間時，預警等級為紅色，屬于高度預警;當預警值在（0.15，0.5]區間時，預警等級為黃色，屬于輕微預警;當預警值在[0，0.15]區間時，預警等級為綠色，屬于無預警。

四、動態分級預警模型應用實踐

2017年9月開始，筆者將動態分級預警模型在廣西交通職業技術學院建筑工程系2016級進行應用實踐，取得了較好的效果。

（一）應用實踐準備。為了更好地將模型用于學生管理工作中，并輔助輔導員高效率的開展工作，筆者組織成立了“問題學生”動態預警分級模型應用工作小組，其成員主要由輔導員和學生干部組成。筆者作為分管學生的黨總支書記擔任了工作組長，協調指導模型的應用實施。工作小組安排了學生會中紀檢部們收集模型數據的導入，并從學院的學生一卡通系統、宿舍出入管理系統、教學監控數據管理系統獲得了數據采集端口，并跟學院心理咨詢中心建立了數據收集合作，確保了模型應用過程中數據的可靠性。

（二）應用實踐過程。模型應用實踐已實施了1年，已成為學生管理日常工作的一部分。整個模型實施過程如下：學生會紀檢部分工負責各個輔導員班級學生信息數據的采集更新，根據每位同學的預警值E所處區間分為紅、黃、綠三級預警等級;輔導員每天早上查詢學生動態預警分級，合理安排學生談心談話時間，對學生狀態做到心中有數。

（三）應用效果評價。模型應用1年以來，受到了輔導員和學生的積極評價。其主要效果體現在以下兩個方面;

1.厘清了輔導員的工作思路。動態分級預警體系突出了輔導員的工作重點，及時地對“問題學生”進行了關注和干預，特別是對新入職的輔導員，更有利于其開展工作。學生預警值的動態變化，可以系統研究分析學生的狀態變化，提前對可能向“問題學生”轉化的學生進行介入，預防“問題學生”的出現。

2.“問題學生”人數大大減少了。模型實施以來，“問題學生”出現的數量大幅度降低，僅有32名“問題學生”產生，相比往年降了近一半。主要原因是對學生的狀態變化提前進行了干預，引導學生正向轉化。

五、總結

“問題學生”一直是高校學生管理工作中重點關注的對象，本文基于大量的案例數據的基礎上，分析了導致問題學生產生的主要因素，綜合考慮各主要因素的作用表征和影響程度，構建了動態預警分級模型，并將模型進行實踐研究果。主要結論如下：一是高校大力建設智慧校園已初現成效，為利用大數據輔助學生管理工作提供了可能性;二是構建了預警值模型，預警值E越大，表示學生成為“問題學生”的可能性越高;三是劃定了分級預警體系，當預警值E處于[0，0.15]、（0.15，0.5]、（0.5，1]區間時，定義為紅色、黃色、綠色預警等級，分別表示為高度預警、輕微預警、無預警。四是文章提出了動態預警模型在監控學生日常狀態具有一定的普適性，但是在學生發生突發事件時需要另作考慮。

模型在實踐應用過程中取得了一定的效果，但是也存在一定的問題，主要在于系統大量的數據收集需要人為的操作收集，未來的研究中，將結合智慧校園的進一步建設，研究學生信息智能化采集平臺，提高模型的可操作性。

【參考文獻】

[1]范倩.高?！皢栴}學生”的成因及對策分析[J].中國職工教育，2013（10）

（下轉第148頁）

（上接第136頁）

[2]肖建國.“問題大學生”的成因及教育轉化策略研究[D].長春：東北師范大學，2014

[3]冀學鋒.沉重的邊緣：“問題大學生”的內涵及成因解讀[J].湖南師范大學社會科學學報，2006（6）

[4]薛浩.高?！皢栴}學生”及其思想政治工作[J].江蘇高教，2005（3）

[5]劉麗.高校“問題學生”的產生原因分析[J].產業與科技論壇，2018（3）

（責編 王 一）