給高職學生構建數字畫像的技術探究

中圖分類號：G64 文獻標識碼：A 文章編號：0450-9889（2025）09-0028-05

在當前快速發展的信息技術時代，職業教育面臨著前所未有的挑戰與機遇。盡管高校積累了大量的數據，但這些數據的價值還未得到充分的挖掘與利用；另一方面，傳統的職業教育模式因其教學內容滯后、實踐機會有限以及缺乏個性化教學等問題，難以滿足現代社會對高技能人才的復雜需求。隨著信息技術的不斷進步，特別是機器學習等人工智能技術的發展，高職院校通過有效整合這些新興技術，有望實現職業教育質的飛躍，為學生提供更加高效、個性化和實用的學習路徑。

機器學習技術已在職業教育界展現其多樣化的應用潛力，涵蓋了如職業教育學分相互認可以及職業教育與產業深度融合等創新管理策略，該技術同樣在大數據挖掘指標預測領域發揮著重要作用。盡管如此，針對如何有效利用機器學習技術推動高等職業教育教學管理，提高人才培養質量的創新發展，目前的研究成果尚顯不足。因此，本文旨在利用機器學習算法分析學生行為數據、生成學生畫像，從而智能分析學生的學習、社交、消費、就業等行為，然后構建成績預測模型，以輔助學生全面了解自己，實現學業預警功能，幫助學校提高教學管理效率。

一、高職學生畫像的概念與意義

學生畫像是一個帶有標簽的用戶畫像，本文以為例，通過學生在超星泛雅平臺的學習時長、作業情況，在易班系統上的社團活動、獲獎情況，在教務系統上的學科成績，在一卡通平臺上的消費記錄等生活中產生的校園活動數據進行人工智能分析，得到學生帶有標簽信息的數字化描述畫像[1。它包含了學生的學科成績、第二課堂情況、消費情況、競賽參與情況、就業情況等，如圖1所示。職業院校管理層和教師可以通過學生的這些信息對學生的就業情況、學習情況、消費情況、參與活動情況等有更全面、精確的掌握和了解，有助于院校做好相關規劃和提高學生管理效率。

在大數據和人工智能快速發展背景下，職業院校積累了學生各個方面的數據，例如學生的入學信息、學習成績、消費信息、獲獎信息、就業信息等方面。這些數據存在學校的各類信息系統中，學校通過采集這些數據并利用人工智能進行數據分析和處理，能夠刻畫出學生的數字畫像，根據這些多維數據與學業成績之間存在的潛在關系，可以預測出學生當前狀況下未來某一學科的成績，這對學生掌握自身學習情況、及時調整學習狀態具有積極的意義。

在以往高職教育中，教師難以全面掌握每名學生的學習與生活情況，學校不能準確地規劃政策和采取有效的措施，使得高質量的人才培養計劃打折扣，教師也無法向學生提供有充分差異性的個性化輔導。以往，職業院校往往是等到學生已經逃課到一定的課時，掛科的科目達到一定的數目，才下學業預警通知，這種缺乏全程監控的預警機制2，可能導致學生的學業問題在被發現時已經很嚴重，想要挽回和糾正已顯得滯后。因此，開展高校學生行為畫像與成績預測的研究具有以下意義。

第一，促進個性化教學策略制訂。通過深入分析學生行為畫像，包括學習習慣（如每日學習時長、學習時間分布、學習平臺使用頻率等），社交互動（參與社團活動類型、與同學交流合作情況），生活規律（作息時間、校園消費場所偏好等）等多方面信息，教師能夠精準地了解每名學生的特點和需求。例如，對學習主動性強但缺乏系統學習方法的學生，教師可以提供具有針對性的學習方法指導課程；而對社交活躍但學習時間較少的學生，教師可以設計更具吸引力和靈活性的學習任務，鼓勵他們將社交優勢轉化為學習動力。

第二，早期干預與心理支持。對行為畫像顯示出異常行為模式（如長期熬夜、消費異常、社交孤立等）且成績預測有明顯下降趨勢的學生，學校可以及時介入，提供心理咨詢、生活指導等支持。例如，若發現學生因經濟壓力導致生活規律紊亂且學習成績下滑，學校可以提供助學金申請指導、兼職推薦等幫助，避免學生因潛在問題進一步惡化而影響學業和身心健康，有助于學生保持良好的學習和生活狀態[3]。

第三，校園資源規劃與設施建設。了解學生的行為習慣和需求后，學校可以更科學地規劃校園資源和設施建設。如果學生行為畫像顯示大部分學生喜歡在特定時間段使用圖書館的電子資源進行學習，學校可以考慮增加電子閱覽室的設備數量；如果發現學生對戶外運動場地的使用需求在某些時間段較高，學校可以合理安排場地維護時間，或者考慮擴建相關運動場地，以滿足學生的學習和生活需求，提升校園整體的運行效率和學生滿意度[4]。

二、構建學生畫像的流程

構建學生畫像，有三個流程。一是需要從多個數據庫中獲取學生的成績、消費、生活的數據信息。獲得信息后，要進行數據清洗、數據標準化等一系列數據預處理，根據學生的學習生活等相關過程中不同的行為特征進行數據分析，從而確定多維方向，例如德育、學業、體育、勞動等方面的不同標簽，并利用生成好的標簽進行數據可視化展示，這個標簽組成圖像就是學生畫像5。以為例，其中數據從學生的消費記錄、成績記錄等方面進行采集，對采集到的數據進行數據清洗和集成，就可以得到學生行為數據集。

二是確定學生畫像的標簽描述。因為學生畫像指的是對學生消費、行為習慣、生活起居等方面的描述，所以可以選擇成績、消費水平、出入圖書館次數等指標，使目標畫像信息的生成更集中和準確。然后利用機器學習或數據挖掘等技術對已有數據進行分析，從而得到學生的一些個人屬性。

三是利用可視化操作技術將得到的學生用戶畫像多維數據進行可視化，方便教師對學生的各方面表現進行評估，以提供更好的教學幫助。具體構建學生畫像的流程圖如圖2所示。

三、學生數字畫像的實踐探究

（一）學生行為數據來源

筆者以為例，從教務系統、一卡通系統、就業系統、泛雅超星系統和易班系統采集各類數據，具體涉及的數據包括學生的基本信息數據、學科期末成績、一卡通消費數據、課程基本信息、學生就業數據、參賽獲獎數據和在線學習時長等，具體數據表及其主要字段名稱主要包括：學生信息表一學號、姓名、性別、高考成績、單招或者對口成績；學科成績表一學號、課程編號、課程學分、課程名稱、學期、分數；學生校園卡表—學號、姓名、支出金額、支出時間、支出地點；超星平時成績表一一學號、作業名稱、學期、課程名稱、得分；易班獲獎表一學號、學期、獲獎項目、獲獎等級、獲獎時間。

（二）數據處理

研究所采集的數據來自學校各數據庫，數據庫在使用的過程中經常會因為某種變故導致數據質量下降，因此需要在模型建立前對數據進行一定的數據預處理操作，提取所需要的特征，方便后續的相應研究。具體數據預處理包括數據清洗和數據變換兩個方面。

數據清洗是數據挖掘過程中必不可少的環節，它是指在進行數據分析和模型訓練之前對數據進行預先的檢查和清理的過程，能提高數據的質量和可用性。常見的數據清洗技術包括數據校驗、數據規范化、數據去重等操作。筆者在研究中通過數據清洗去除不完整的數據并刪除明顯不合理的數據，比如學生年齡為負值或成績超過滿分的情況等。同時利用整體數據來尋找一些合適的數據值，對空缺的數據進行填充。

數據變換是為了使原始數據轉變為更適宜進行數據分析而進行的一步操作，比如學生進出圖書館時間的數據可以轉變為出入次數，學生一卡通消費數據可以轉變為學生月均早餐消費金額等指標。常見的數據變換方法有標準化、歸一化、規范化等。本文為了消除學生各種指標的單位量級不同而造成的數據差異和不同年級學生相同學科由于不同年份出題難度不同而造成的成績差異，所選用的方法為規范化，它可以提前規定數據集中某個字段的最值，并將原始數據映射到新區間范圍內。

（三）特征提取

以信息工程學院2022年級計算機應用技術專業120名學生數據為例，首先筆者利用學生基本信息數據提取出學生的學號、性別、院系、專業、出生日期、高考成績等基本信息，其中為了方便后續建立模型，將男性記作1，女性記作2；同時利用入學年份減去學生對應的出生年份作為學生的入學年齡；其次利用每名學生的對應學號，在《編程基礎》成績數據表中找出學生的第一次《編程基礎》成績數據，如果學生沒有參加過《編程基礎》考試，則其對應成績記為0；隨后利用學生的學號在上網信息數據表中計算出每名學生在校期間平均每個月所使用的校園網流量信息以及校園網上網時長；利用圖書館出入記錄，統計學生對應學號四年期間出入圖書館的天數；然后利用一卡通消費數據計算出學生在校期間就餐次數，并按照就餐時間統計出三餐分別的就餐次數以及平均用餐金額。在統計學生的基本信息以及日常行為數據后，對學生的成績數據進行統計匯總，取出每名學生的必修科目成績并且篩選出至少有100名學生成績的課程，并結合課程學分數據計算出學生所有必修科目的加權平均成績。

由于本文要利用學生的基本行為來預測學生在校期間的成績，所以對之前獲得的學生行為數據表中的“超星平時成績表”“易班”“必修課加權平均分”三項在校就讀后獲得的成績進行剔除處理，隨后利用pandas庫中的merge函數將學生行為數據表與學生成績數據表中學號一樣的數據進行鏈接，得到信息工程學院2022年級計算機應用技術專業學生“行為一成績”數據矩陣，部分數據截圖如圖3所示。

（四）基于SVR進行學生成績預測

筆者利用上面經過集成的數據進行基于學生行為相似度的學生成績預測，利用學生的行為數據、成績信息進行數據挖掘，得到潛在的行為與學習成績之間的關系、影響學生學習成績的行為因素，并進行相應的預測。

項目中的特征值為學生性別、年齡、高考成績、進入圖書館天數、流量數據、就餐信息等基本行為信息，目標值為學生的各個學科課業成績，利用基本行為信息，基于機器學習svr模型對學生學習成績進行建模預測，從而得到各科目的模型準確率以及平均誤差。如大學英語準確率得分 85% ，平均誤差3.25分；編程基礎準確率得分 86% ，平均誤差2.30分；web前端開發課程準確率得分 88% ，平均誤差2.20分。同時經過分析得到學科成績受到行為影響的重要程度，由大到小排列順序為：高考成績，早餐的次數，作業成績，進入圖書館次數，午餐次數，入學年齡。

從分析結果可以看出，對學生學習課程影響比較重要的學生行為有學生的高考成績、早餐次數、進入圖書館天數等信息，從這些數據可以體現出學生的入學前能力以及入學后學習狀態，整體而言符合基本邏輯。但是也包含一些相對而言關系不是很大的諸如就餐次數、流量數據等信息。筆者將課程成績預測值與學生的真實成績相比較，發現該模型的準確率較高。部分數據截圖如圖4所示。

從圖4中可以看出，基于學生行為數據分析得到的成績預測值與真實成績都比較接近，所以本文基于學生行為成績預測值是值得信任的。

四、學生畫像可視化展示

學生畫像可視化展示成為一座連接學生與教師、數據與認知的重要橋梁。它以一種極具直觀性與形象化的方式，將原本抽象、繁雜的學生信息轉化為一目了然的視覺呈現，通過本文前面介紹的采集學校各類信息系統的數據，經過數據處理出來后，可刻畫出一個具有標簽信息的學生數字畫像。

構建學生群體畫像的核心在于以生動形象且精準的形式對學生群體的多維度特點進行深度刻畫。高校管理者聚焦于學生的消費數據與成績數據，運用經過改進的機器學習聚類分析及關聯分析技術，深入挖掘數據背后隱藏的信息與規律。這兩種先進的分析方法相互配合，可以精準地剖析學生數據之間的內在聯系與潛在模式。在深入分析數據的同時，學生的基本信息也被融入其中。這些基本信息涵蓋了學生的性別、年齡、專業、生源地等多個方面，它們如同畫像的輪廓框架，為學生群體畫像奠定了基礎。詞云圖以其獨特的視覺呈現方式，將學生群體的關鍵特征以不同大小、顏色和字體的字詞形式展現出來。例如，在消費數據方面，高頻出現的“食堂消費”“圖書購買”“學習用品支出”等詞匯，直觀地反映了學生在校園生活中的消費偏好與重點領域；而在成績數據方面，“優秀科目”“薄弱學科”“進步顯著課程”等詞語則清晰地勾勒出學生在學業上的表現輪廓。

為了更深入地理解學生群體的多樣性與差異性，針對不同類別群體的學生畫像進行舉例展示顯得尤為重要。圖5運用機器學習和python程序生成的詞云圖是一個使用案例。在這幅詞云圖中，我們可以清晰地看到不同類別學生之間的顯著差異。以專業類別為例，成績中等學生的詞云圖突出顯示“消費較高”“成績中等”“一般規律”等與成績相關聯的詞匯，反映出他們平時行為上的特征與成績之間的關聯；而成績較差學生的詞云圖則更多地呈現“成績較差”“不規律”“熬夜”“逃課”等與成績差對應的行為不規律的詞語。

這樣全面、細致且直觀的學生畫像可視化展示，對學生了解自身優點與不足以及對教師為學生提供有針對性的指導都大有裨益。對學生而言，他們可以借此清晰地認識自己在群體中的位置與特點，發現自身的優勢與不足，從而有針對性地調整學習策略與生活方式，實現自我成長與發展的優化。對教師而言，學生畫像可視化展示則為他們提供了一幅精準的教學導航圖，使其能夠根據不同學生群體的特點與需求，制定個性化的教學計劃與指導方案，實現因材施教的教育理想。在教育大數據的時代背景下，學生畫像可視化展示無疑將成為推動教育質量提升與學生全面發展的重要助力，引領教育走向更加精準、高效、個性化的未來。

五、數字畫像技術局限及展望

綜上所述，利用本文所建立的學生用戶畫像以及成績預測模型，在未來可以搭建相關系統平臺，在學校的日常學生管理工作中，可以通過平臺更直觀地提供給相關教師更多的建議，方便他們更便捷高效地幫助學生，同時也可以將對應學生的相應成績預測數據提供給學生本人，提高學生對學科的重視程度。在運用數字畫像技術時，數據隱私保護至關重要。研究者在采集學生數據過程中需遵循嚴格規范，采取加密傳輸、分級存儲等技術手段，確保學生個人信息安全無虞，避免敏感信息泄露。

基于本研究，未來的相關研究可以從以下兩個角度展開。一是加強多模態數據融合。目前可能主要依賴于消費數據、基本信息等有限類型的數據構建畫像與預測模型，未來可嘗試融合更多模態的數據，如學生在在線學習平臺上的學習行為數據、課堂互動數據以及生理數據，以更全面地刻畫學生狀態，挖掘潛在的影響成績的因素，提升模型的泛化能力與解釋性。二是針對顯示有學業預警風險的學生，進一步研究如何根據其畫像特征采取高度個性化的輔導策略。例如，針對因學習方法不當而導致成績下滑的學生，可設計專門的學習方法培訓課程；針對因缺乏學習動力而表現不佳的學生，可探索基于激勵理論的個性化激勵方案，如設立個性化的學習目標與獎勵機制，通過平臺及時推送鼓勵信息與學習進度反饋，激發學生的內在學習動力，提高輔導的針對性與有效性。

參考文獻

[1]翁泉源.基于BP神經網絡和Apriori算法的教學成績預測與分析研究[D].南昌：江西師范大學，2018.

[2]王曉玲，趙岳生，羅宇彤.基于機器學習的人體活動識別[J].物聯網技術，2023，13（12）：3-6，11.

[3]胡茜茜.基于學生個人大數據的行為特征分析[D].武漢：華中師范大學，2019.

[4]馬海榮.基于深度學習的遙感影像耕地地塊邊界提取應用[J].中南農業科技，2023，44（12）：129-133.

[5孫美娟.基于校園一卡通數據的學生畫像和學業預警研究[D].烏魯木齊：新疆師范大學，2023.

[6]王曉飛，韓溢文.邊緣智能計算與智能邊緣計算［J].張江科技評論，2019（2）：10-12.

注：本文系廣西教育科學“十四五”規劃2024年度專項課題“大數據視域下職業本科學生數字畫像研究與實踐”（2024ZJY428）的研究成果。

（責編 秦越霞）