基于線(xiàn)上線(xiàn)下學(xué)習(xí)行為分析的學(xué)生成績(jī)預(yù)測(cè)研究

郭羿，韋文山，鄧居昌

（廣西民族大學(xué)電子信息學(xué)院，南寧 530000）

0 引言

近年來(lái)，線(xiàn)上教育的不斷普及對(duì)常規(guī)教育數(shù)據(jù)的研究方法提出了挑戰(zhàn)。管理者通過(guò)學(xué)習(xí)者產(chǎn)生的學(xué)習(xí)行為大數(shù)據(jù)對(duì)在線(xiàn)教育大數(shù)據(jù)進(jìn)行研究，并根據(jù)分析結(jié)果進(jìn)行應(yīng)用，這對(duì)于指導(dǎo)在線(xiàn)開(kāi)放課程的設(shè)計(jì)、運(yùn)行及評(píng)價(jià)，進(jìn)而有效組織學(xué)生的教學(xué)活動(dòng)有幫助作用。如今的高校教學(xué)過(guò)程中，線(xiàn)上教學(xué)與線(xiàn)下教學(xué)相結(jié)合已成為主流趨勢(shì)。線(xiàn)上教育產(chǎn)生了許多學(xué)生學(xué)習(xí)數(shù)據(jù)，運(yùn)用數(shù)據(jù)挖掘方法對(duì)學(xué)生的線(xiàn)上學(xué)習(xí)數(shù)據(jù)與線(xiàn)下學(xué)習(xí)數(shù)據(jù)相結(jié)合，能夠?qū)崿F(xiàn)對(duì)學(xué)生的成績(jī)預(yù)測(cè)，幫助學(xué)生規(guī)避學(xué)業(yè)風(fēng)險(xiǎn)［1］。

學(xué)習(xí)行為分析及結(jié)果預(yù)測(cè)主要體現(xiàn)在數(shù)據(jù)相關(guān)性分析及成績(jī)預(yù)測(cè)理論模型的構(gòu)建、成績(jī)預(yù)測(cè)模型的實(shí)證研究、算法準(zhǔn)確性的對(duì)比、算法的開(kāi)發(fā)、預(yù)警因素研究等方面，已有研究主要采用決策樹(shù)、回歸分析、時(shí)序分析等算法。此外，基于大學(xué)生網(wǎng)絡(luò)課程學(xué)習(xí)過(guò)程、早起行為和圖書(shū)借閱行為，將課內(nèi)表現(xiàn)和數(shù)據(jù)聯(lián)系，建立多個(gè)學(xué)習(xí)場(chǎng)景的數(shù)據(jù)鏈路，通過(guò)對(duì)不同機(jī)器學(xué)習(xí)分類(lèi)模型的預(yù)測(cè)分析和性能提升，結(jié)合不同預(yù)測(cè)模型的優(yōu)勢(shì)，建立用于教學(xué)干預(yù)與學(xué)習(xí)推薦系統(tǒng)的行為診斷模型［2］。隨著深度學(xué)習(xí)技術(shù)越來(lái)越廣泛地應(yīng)用到實(shí)際問(wèn)題中，將深度學(xué)習(xí)技術(shù)應(yīng)用到教育大數(shù)據(jù)挖掘領(lǐng)域，能更好地描述教育數(shù)據(jù)的內(nèi)在信息，幫助教育者發(fā)現(xiàn)教育問(wèn)題的關(guān)鍵［3］。

本研究采用多元線(xiàn)性回歸（MLR）、隨機(jī)森林（RF）和支持向量機(jī)（SVM）三種傳統(tǒng)機(jī)器學(xué)習(xí)方法和一種人工神經(jīng)網(wǎng)絡(luò)（ANN）方法，通過(guò)學(xué)生線(xiàn)上線(xiàn)下兩方面表現(xiàn)和成績(jī)來(lái)對(duì)高校學(xué)生進(jìn)行期末學(xué)業(yè)成績(jī)預(yù)測(cè)，通過(guò)四種不同的算法，提供合適的參考依據(jù)［4］。

1 實(shí)驗(yàn)數(shù)據(jù)

1.1 數(shù)據(jù)來(lái)源

本研究以N市M高校2020級(jí)電子信息學(xué)院435名大學(xué)生作為數(shù)據(jù)采集對(duì)象，其中兩名同學(xué)的記錄存在信息缺失，剔除含有信息缺失的數(shù)據(jù)，最終保留433條有效數(shù)據(jù)［5-6］。學(xué)習(xí)科目為數(shù)據(jù)結(jié)構(gòu)課程，學(xué)習(xí)場(chǎng)景數(shù)據(jù)來(lái)源于藍(lán)墨云班課的在線(xiàn)課程學(xué)習(xí)日志數(shù)據(jù)和線(xiàn)下教學(xué)學(xué)習(xí)數(shù)據(jù)；學(xué)習(xí)績(jī)效數(shù)據(jù)來(lái)源于藍(lán)墨云班課平臺(tái)的簽到次數(shù)、在線(xiàn)測(cè)試成績(jī)和線(xiàn)下筆試成績(jī)等方面。

1.2 成績(jī)影響因素的確定

其中，在線(xiàn)學(xué)習(xí)平臺(tái)包含10個(gè)屬性，如簽到次數(shù)、資源學(xué)習(xí)數(shù)量、在線(xiàn)測(cè)試等。本研究擬通過(guò)原始數(shù)據(jù)中所有單個(gè)數(shù)據(jù)的屬性對(duì)最終成績(jī)的影響進(jìn)行評(píng)估并排序，借助排序結(jié)果來(lái)選擇子屬性集［7-8］。方法是計(jì)算所有單個(gè)屬性和期末成績(jī)類(lèi)別之間的皮爾遜相關(guān)系數(shù)，并依據(jù)其相關(guān)系數(shù)大小進(jìn)行排序，系數(shù)值越大，表明其與最終成績(jī)的相關(guān)性越強(qiáng)。評(píng)估方法的排序結(jié)果如表1所示。表1中的第一列是屬性的序號(hào)，第二列是屬性的類(lèi)別，第三列為相關(guān)系數(shù)［9］。其中，部分屬性中含有缺失值、無(wú)關(guān)數(shù)據(jù)、孤立點(diǎn)等，對(duì)這些屬性進(jìn)行數(shù)據(jù)清洗［10］，最終保留下來(lái)6項(xiàng)屬性。由于各項(xiàng)屬性的初始指標(biāo)不同，為了方便相關(guān)性分析，將所有屬性數(shù)據(jù)進(jìn)行預(yù)處理，屬性數(shù)據(jù)都轉(zhuǎn)換為百分制分?jǐn)?shù)與期末成績(jī)進(jìn)行比對(duì)。從表1可以發(fā)現(xiàn)，不同屬性與期末成績(jī)的相關(guān)性數(shù)值大小有所差異，從中判斷出系數(shù)較大的3項(xiàng)是影響期末成績(jī)的主要因素，因此將其作為在線(xiàn)學(xué)習(xí)平臺(tái)預(yù)測(cè)建模的部分自變量。

表1 在線(xiàn)學(xué)習(xí)平臺(tái)屬性相關(guān)性分析

線(xiàn)下成績(jī)主要包含2個(gè)方面：平時(shí)成績(jī)與卷面成績(jī)。平時(shí)成績(jī)由5個(gè)屬性構(gòu)成，如測(cè)驗(yàn)、作業(yè)、實(shí)驗(yàn)等。數(shù)據(jù)來(lái)源為學(xué)生的日常測(cè)驗(yàn)考核的真實(shí)成績(jī)。平時(shí)成績(jī)的計(jì)算方法如公式（1）所示。其中，y1代表平時(shí)成績(jī)，α代表段考，β代表實(shí)驗(yàn)，γ1代表課堂測(cè)驗(yàn)1，γ2代表課堂測(cè)驗(yàn)2，δ代表作業(yè)。

期末成績(jī)的計(jì)算方式主要由平時(shí)成績(jī)與卷面成績(jī)得出，計(jì)算方法如公式（2）所示。此處y2代表期末成績(jī)，α代表卷面成績(jī)，β代表平時(shí)成績(jī)。

對(duì)線(xiàn)上和線(xiàn)下兩部分成績(jī)，共8個(gè)屬性，3456條數(shù)據(jù)進(jìn)行分析研究。數(shù)值集中的同時(shí)，為避免不同數(shù)據(jù)屬性對(duì)回歸預(yù)測(cè)的干擾，對(duì)所有數(shù)據(jù)進(jìn)行數(shù)據(jù)歸一化處理，使所有數(shù)據(jù)范圍處于［0，1］的區(qū)間內(nèi)。

2 實(shí)驗(yàn)方法

2.1 預(yù)測(cè)模型

預(yù)測(cè)問(wèn)題主要分為分類(lèi)和回歸兩類(lèi)。預(yù)測(cè)離散的值使用分類(lèi)，預(yù)測(cè)連續(xù)的值使用回歸［11］。本研究主要通過(guò)學(xué)習(xí)者日常學(xué)習(xí)行為對(duì)學(xué)生期末學(xué)業(yè)成績(jī)進(jìn)行回歸預(yù)測(cè)。回歸預(yù)測(cè)一般根據(jù)預(yù)測(cè)目標(biāo)來(lái)確定自變量和因變量，進(jìn)而建立回歸模型，再對(duì)數(shù)據(jù)進(jìn)行相關(guān)性分析，檢驗(yàn)回歸預(yù)測(cè)變量，計(jì)算預(yù)測(cè)誤差，并確定預(yù)測(cè)值［12］。目前，常用的回歸方法有支持向量機(jī)（SVM）、多元線(xiàn)性回歸（MLR）、人工神經(jīng)網(wǎng)絡(luò)（ANN）等［13］。

傳統(tǒng)回歸建模方法是將原始數(shù)據(jù)集分為訓(xùn)練集、測(cè)試集和驗(yàn)證集三類(lèi)，其中訓(xùn)練集用于模型的訓(xùn)練，驗(yàn)證集用于模型的調(diào)參，測(cè)試集用來(lái)檢驗(yàn)?zāi)Ｐ托阅艿暮脡摹Ｓ捎凇皢我荒Ｐ偷臎Q策可能會(huì)低于集體決策”，本研究在模型選擇上采用單一模型和集中學(xué)習(xí)模型相結(jié)合的方式，對(duì)學(xué)生期末學(xué)業(yè)成績(jī)進(jìn)行預(yù)測(cè)分析［14］。預(yù)測(cè)模型分為兩部分：第一部分進(jìn)行監(jiān)督學(xué)習(xí)，將已知各項(xiàng)屬性用于模型對(duì)預(yù)測(cè)變量的訓(xùn)練，建立模型參數(shù)；第二部分對(duì)模型進(jìn)行優(yōu)化，將原模型結(jié)果與優(yōu)化結(jié)果進(jìn)行對(duì)比，檢驗(yàn)?zāi)Ｐ偷奶嵘潭龋u(píng)估模型的性能。

2.1.1 多元線(xiàn)性回歸（Multiple Linear Regression）

建立多元線(xiàn)性回歸（MLR）模型時(shí)，為了保證回歸模型具有良好的解釋能力和預(yù)測(cè)效果，應(yīng)注意自變量的選擇：

（1）自變量對(duì)因變量要有顯著影響，并呈現(xiàn)出線(xiàn)性相關(guān)性；

（2）自變量與因變量的關(guān)系必須是真實(shí)的，而不是形式上的；

（3）自變量間須有互斥度，自變量之間的相關(guān)性不應(yīng)高于自變量與因變量之間的相關(guān)性［15］。

對(duì)于n維特征的樣本數(shù)據(jù)，在使用線(xiàn)性回歸時(shí)，對(duì)應(yīng)的模型為

為簡(jiǎn)化模型，增加一個(gè)特征x0=1，使得

得到模型，需要求出損失函數(shù)，一般線(xiàn)性回歸采用均方誤差作為損失函數(shù)。損失函數(shù)的代數(shù)法表示如下：

其中，求損失函數(shù)最小化參數(shù)的方法一種是梯度下降法，一種是最小二乘法。

2.1.2 支持向量機(jī)（Support Vector Machines）

支持向量機(jī)（SVM）在解決高維特征的分類(lèi)和回歸問(wèn)題方面很有效，特征維度大于樣本數(shù)時(shí)依然有很好的效果。它有大量的核函數(shù)可以使用，從而可以很靈活地解決各種非線(xiàn)性的分類(lèi)回歸問(wèn)題。且樣本數(shù)據(jù)不是海量數(shù)據(jù)時(shí)，分類(lèi)的準(zhǔn)確率高，泛化能力強(qiáng)［16］。

在回歸問(wèn)題中，常用的誤差函數(shù)是最小平方和誤差函數(shù)，其表示如下：

2.1.3 人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks）

人工神經(jīng)網(wǎng)絡(luò)（ANN）是一種通過(guò)神經(jīng)元的處理單元相互連接而組成的一套機(jī)器學(xué)習(xí)方法。神經(jīng)網(wǎng)絡(luò)主要由輸入層、隱藏層和輸出層構(gòu)成，同時(shí)，神經(jīng)網(wǎng)絡(luò)在輸入層、隱藏層和輸出層上都部署了非線(xiàn)性函數(shù)的組合［17］。神經(jīng)網(wǎng)絡(luò)廣泛應(yīng)用于社會(huì)的各個(gè)領(lǐng)域，在教育領(lǐng)域主要通過(guò)不同的神經(jīng)網(wǎng)絡(luò)算法組合實(shí)現(xiàn)學(xué)生學(xué)習(xí)效果預(yù)測(cè)和學(xué)習(xí)預(yù)警等。與傳統(tǒng)機(jī)器學(xué)習(xí)算法相比，神經(jīng)網(wǎng)絡(luò)在一般情況下預(yù)測(cè)準(zhǔn)確率更優(yōu)，因此適用于學(xué)業(yè)成績(jī)預(yù)測(cè)。

2.1.4 隨機(jī)森林（Random Forest）

隨機(jī)森林（RF）是采用集成學(xué)習(xí)的思想將多棵樹(shù)集成的一種算法，它的基本單元是決策樹(shù)。它集成多棵決策樹(shù)的預(yù)測(cè)，其中每棵樹(shù)都由基于隨機(jī)向量的一個(gè)獨(dú)立集合的值產(chǎn)生［18］。

隨機(jī)森林具有極好的準(zhǔn)確率，能夠有效地運(yùn)行在大數(shù)據(jù)集上，它能夠處理具有高維特征的輸入樣本，并且不需要進(jìn)行降維處理。此外，隨機(jī)森林還能夠評(píng)估各個(gè)特征在分類(lèi)問(wèn)題上的重要性，在生成過(guò)程中，它通過(guò)獲取內(nèi)部生成誤差的一種無(wú)偏估計(jì)，對(duì)缺省值問(wèn)題也可以得出很好的結(jié)果［19］。

2.2 研究設(shè)計(jì)

本研究采用4∶1的比例將數(shù)據(jù)集分為訓(xùn)練集和測(cè)試集，分別使用MLR、SVM、ANN和RF四種算法在訓(xùn)練集上訓(xùn)練，比較這四種回歸算法的性能［20］。之后對(duì)MLR、SVM和RF三種算法采用十折交叉驗(yàn)證方法重新劃分?jǐn)?shù)據(jù)集；同時(shí)將所有設(shè)定參數(shù)進(jìn)行排列組合，選取最優(yōu)模型性能；對(duì)ANN采用改進(jìn)超參數(shù)的方法優(yōu)化模型參數(shù)，同時(shí)比較優(yōu)化后的模型性能。

研究流程圖如圖1所示。

本研究采用MAE（平均絕對(duì)誤差）和MSE（均方誤差）兩項(xiàng)回歸評(píng)價(jià)指標(biāo)來(lái)評(píng)定模型性能。這兩個(gè)指標(biāo)都是用來(lái)描述預(yù)測(cè)值與真實(shí)值之間的誤差情況，指標(biāo)值越小，說(shuō)明模型性能越好，預(yù)測(cè)值與真實(shí)值之間的誤差越小。二者的計(jì)算公式分別如下：

2.3 研究工具

本研究實(shí)驗(yàn)平臺(tái)為PC平臺(tái)，處理器Inter Corei7-11800H，Windows版本21H1，基于Python3.8環(huán)境下，運(yùn)用Python自帶工具進(jìn)行數(shù)據(jù)預(yù)處理，安裝tensorflow2.5版本進(jìn)行神經(jīng)網(wǎng)絡(luò)模型構(gòu)建。在其他預(yù)測(cè)工具及集成學(xué)習(xí)模型方面，使用Keras進(jìn)行模型的構(gòu)建與改進(jìn)。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 預(yù)測(cè)結(jié)果對(duì)比

將四種預(yù)測(cè)模型的預(yù)測(cè)值與真實(shí)值進(jìn)行對(duì)比，實(shí)現(xiàn)同一課程不同模型之間的對(duì)比分析，尋找不同預(yù)測(cè)模型之間預(yù)測(cè)的差異，選擇最優(yōu)模型對(duì)學(xué)生期末學(xué)業(yè)成績(jī)進(jìn)行預(yù)測(cè)及分析［21］。其中，四種初始模型的預(yù)測(cè)成績(jī)與實(shí)際成績(jī)的誤差曲線(xiàn)如圖2—圖5所示。圖中虛線(xiàn)線(xiàn)條為已知的真實(shí)值，其下方的折線(xiàn)為四種模型的預(yù)測(cè)成績(jī)。數(shù)據(jù)點(diǎn)越接近虛線(xiàn)線(xiàn)條，其對(duì)應(yīng)的預(yù)測(cè)模型越好。

從圖2—圖5可以看出，四種方法的成績(jī)預(yù)測(cè)誤差曲線(xiàn)區(qū)別較小，不易看出四個(gè)模型中哪個(gè)效果更好。表2給出了評(píng)估指標(biāo)的具體數(shù)值，展現(xiàn)出了各模型預(yù)測(cè)性能的好壞。

表2 四種原始模型的評(píng)估指標(biāo)

從表2可以看出，上述實(shí)驗(yàn)樣本中ANN的MSE和MAE均最小，其次是RF，對(duì)比之下，MLR和SVM的效果較差。

3.2 模型優(yōu)化

在上述實(shí)驗(yàn)?zāi)Ｐ秃蛯?shí)驗(yàn)樣本中，人工神經(jīng)網(wǎng)絡(luò)的表現(xiàn)最好，兩項(xiàng)指標(biāo)在四個(gè)模型中均為最小值。但其MSE和MAE的數(shù)值仍較大，不符合預(yù)期期望。因此，針對(duì)同一實(shí)驗(yàn)樣本和模型，本文對(duì)方法進(jìn)行優(yōu)化，從而得出更好的結(jié)果。優(yōu)化后的模型結(jié)構(gòu)流程圖如圖6所示。

由于數(shù)據(jù)集樣本數(shù)量有限，因此采用K折交叉驗(yàn)證的方法對(duì)數(shù)據(jù)集進(jìn)行“擴(kuò)充”，同時(shí)，還可以評(píng)估模型的泛化能力。K的值取為10，通過(guò)測(cè)試，10折交叉驗(yàn)證在偏差和方差之間可以取得最佳的平衡。

對(duì)實(shí)驗(yàn)?zāi)Ｐ偷膬?yōu)化，主要采用改進(jìn)參數(shù)設(shè)置來(lái)提升模型性能。原始模型采用默認(rèn)參數(shù)進(jìn)行實(shí)驗(yàn)，針對(duì)本實(shí)驗(yàn)樣本數(shù)據(jù)，不一定會(huì)得到最佳效果。因此，對(duì)模型的各項(xiàng)參數(shù)設(shè)定不同的值，通過(guò)參數(shù)間的排列組合，來(lái)尋找最佳參數(shù)的組合，提升模型性能。

對(duì)于隨機(jī)森林（RF），通過(guò)設(shè)置其子樹(shù)數(shù)量、分支數(shù)量以及葉子結(jié)點(diǎn)數(shù)量進(jìn)行嵌套循環(huán)，尋找最優(yōu)組合對(duì)象；支持向量機(jī)（SVM）則通過(guò)其核函數(shù)和C值（懲罰系數(shù)）來(lái)尋找泛化能力較強(qiáng)的模型；人工神經(jīng)網(wǎng)絡(luò)（ANN）則通過(guò)調(diào)整其神經(jīng)元數(shù)量（neurons）、激活函數(shù)（activations）與全連接層數(shù)量（denses）來(lái)提升其模型性能。多元線(xiàn)性回歸由于是一條直線(xiàn)，本研究中不需要進(jìn)行優(yōu)化處理。

模型優(yōu)化后的各項(xiàng)指標(biāo)對(duì)比見(jiàn)表3。

表3 優(yōu)化后四種模型評(píng)估指標(biāo)

從表3可以看出，模型優(yōu)化之后，此數(shù)據(jù)集下人工神經(jīng)網(wǎng)絡(luò)沒(méi)有太好的優(yōu)化效果，MAE（平均絕對(duì)誤差）只下降了0.19，而MSE（均方誤差）反而上升了5。人工神經(jīng)網(wǎng)絡(luò)在常規(guī)回歸實(shí)驗(yàn)中的效果比較好，但是在本實(shí)驗(yàn)數(shù)據(jù)樣本下，卻沒(méi)有達(dá)到預(yù)期效果。而隨機(jī)森林和支持向量機(jī)在本實(shí)驗(yàn)數(shù)據(jù)樣本下取得了極大幅度的提升。經(jīng)多次對(duì)比試驗(yàn)驗(yàn)證，排除了因?yàn)檫^(guò)擬合情況導(dǎo)致的MAE和MSE誤差值過(guò)小的問(wèn)題。故此，在本實(shí)驗(yàn)中，支持向量機(jī)預(yù)測(cè)結(jié)果好于隨機(jī)森林，遠(yuǎn)高于人工神經(jīng)網(wǎng)絡(luò)和多元線(xiàn)性回歸。

4 結(jié)論與展望

本文采用數(shù)據(jù)挖掘方法中常用的回歸預(yù)測(cè)手段，對(duì)學(xué)生期末學(xué)業(yè)成績(jī)進(jìn)行回歸預(yù)測(cè)分析。疫情以來(lái)，在線(xiàn)教育的快速發(fā)展不僅給學(xué)生帶來(lái)新的機(jī)遇，同時(shí)也帶來(lái)了新的挑戰(zhàn)。隨著學(xué)生網(wǎng)課時(shí)間越來(lái)越多，如何對(duì)線(xiàn)上學(xué)生的期末學(xué)業(yè)成績(jī)進(jìn)行預(yù)測(cè)，以便為學(xué)生及時(shí)提供學(xué)業(yè)預(yù)警及其他干預(yù)措施顯得尤為重要［22］。在大數(shù)據(jù)時(shí)代，將學(xué)生在線(xiàn)學(xué)習(xí)所產(chǎn)生的大量非線(xiàn)性數(shù)據(jù)與線(xiàn)下學(xué)習(xí)產(chǎn)生的線(xiàn)性數(shù)據(jù)相結(jié)合，對(duì)探尋學(xué)生期末學(xué)業(yè)成績(jī)的影響因素至關(guān)重要。

基于本研究采用的數(shù)據(jù)集，學(xué)生在線(xiàn)學(xué)習(xí)情況對(duì)期末學(xué)業(yè)成績(jī)的影響因素中，測(cè)試平均分對(duì)學(xué)生學(xué)業(yè)成績(jī)的影響最大，其次是上課出勤率和學(xué)習(xí)資源數(shù)，而其他在線(xiàn)學(xué)習(xí)因素對(duì)學(xué)生學(xué)業(yè)成績(jī)的影響相對(duì)較小。學(xué)生的線(xiàn)下成績(jī)呈線(xiàn)性分布，每個(gè)屬性都有相應(yīng)的比例。因此，通過(guò)線(xiàn)上學(xué)習(xí)行為表現(xiàn)與線(xiàn)下成績(jī)相結(jié)合對(duì)學(xué)業(yè)成績(jī)進(jìn)行預(yù)測(cè)對(duì)當(dāng)今學(xué)生教育具有重要意義。同時(shí)，還可以根據(jù)在線(xiàn)教育平臺(tái)對(duì)學(xué)生學(xué)業(yè)成績(jī)的影響屬性的關(guān)系，對(duì)在線(xiàn)教育平臺(tái)的改進(jìn)以及實(shí)現(xiàn)學(xué)生真正的個(gè)性化教育提供良好的幫助。

本研究采用三種機(jī)器學(xué)習(xí)模型和一種神經(jīng)網(wǎng)絡(luò)模型對(duì)學(xué)生期末學(xué)業(yè)成績(jī)進(jìn)行預(yù)測(cè)，分析和比較了預(yù)測(cè)的結(jié)果和模型的評(píng)估指標(biāo)，提供了本數(shù)據(jù)集中最優(yōu)的實(shí)驗(yàn)?zāi)Ｐ汀Ｑ芯窟€存在一些局限性，由于數(shù)據(jù)的缺失與數(shù)據(jù)的不平衡，教師的主觀(guān)評(píng)分影響較大，研究場(chǎng)景未能覆蓋大學(xué)學(xué)習(xí)環(huán)境中對(duì)學(xué)業(yè)成績(jī)產(chǎn)生影響的所有因素。在后期研究中，將在更多的學(xué)習(xí)場(chǎng)景中結(jié)合不同學(xué)生的學(xué)習(xí)類(lèi)型和學(xué)習(xí)行為數(shù)據(jù)，針對(duì)場(chǎng)景特點(diǎn)提供最優(yōu)的預(yù)測(cè)模型，以直觀(guān)、清晰的方式對(duì)高校教師提供技術(shù)支持，以便對(duì)學(xué)生學(xué)習(xí)提供專(zhuān)業(yè)指導(dǎo)，對(duì)提升高校學(xué)生的個(gè)性化教育起到推動(dòng)作用。