学生行为的大数据分析与管理

传统的学生行为的分析和管理，往往靠的是学校管理者和老师的经验和个人的判断。但在信息技术日益发达的今天，基于学生行为的大数据分析和研究平台，收集学生校内外行为的大数据，挖掘这些行为数据在管理、教学和学习中的实际价值，通过行为的大数据分析来辅助学校管理，寻找教育教学和学习质量中的问题，及时管控学生日常行为和安全、提前进行问题学生的心理干预等，必将在不久的将来成为学校现代化管理的新常态。

一个课堂学习行为大数据分析实例

某高校老师运用面部识别系统来分析学生课堂学习行为，即通过摄像头摄入全班学生的面部表情，用软件判断学生听讲的认真程度，专注还是走神、思考还是打盹，全都记录下来。根据平均数据，反馈出当前时段整体状况，统计出什么时间学生们的积极性最高，什么时间师生“缺乏互动”。上课效果好不好、怎么讲更好、更容易被理解和接受。当年他的尝试，由于技术上的条件未能真正在以及配合普遍应用。但今天，这项研究又有所进展了。

武汉一所小学，一个实验班级在学生上课前通过摄像头用面部识别软件扫脸，后台将学生的各种面部表情进行建模，开课后电脑通过摄像头捕捉到每个学生在课堂上的注意程度，对师生的课堂行为进行跟踪观察，并形成大数据测评报告。

测评内容包括学生在这堂课上的应答情况、与同学的互动、举手、听讲、读写、讲授的次数，以及教师与学生的互动、板书和巡视情况等。

系统还会自动生成课堂注意力散点图，采样间隔为6秒，记录整节课学生的注意力分布情况。

课后，老师们进一步分析学生的人际关系、行为方式和学习过程，用数据驱动课堂、诊断教学行为，让课堂问题可视化、清晰化，从而对教学行为给出精准的分析结论与建议，让课后干预更准确。

学生行为大数据的采集、分析与预测

学生行为数据包括结构化和非结构化的数据。结构化数据可以通过上述例子中的面部识别系统，以及各种“一卡通”、网络监控、教务、考勤等校园部署的信息系统进行数据采集和转换。非结构化、半结构化数据大部分来源于互联网、社区论坛等，需要利用数据采集平台，运用云化ETL工具、流数据处理、网络爬虫等工具进行采集。

当前学生行为分析方法主要包括关联分析、特征分析、分类预测、异常分析和TopN分析等，以统计分析、聚类、预测、关系挖掘、文本挖掘等教育数据挖掘方法为基础，设计与建立学生离群行为分析、学生情感分析等非常规挖掘模型，从学生心理健康测试、精神状态、情感态度、人际关系、行为轨迹、家庭背景、上课考试情况、课外活动情况、各种奖惩统计、微博微信活跃度、宗教信仰等方面进行数据关联性分析，设置各分析系统模块的分级指标和权重比例，深入剖析每位学生的个性特征、行为规律、生活习惯及其智力水平等，建立以影像、图形、文本、语音等非结构化数据为对象的学生校园行为大数据分析安全预警管理模式，做到未雨绸缪，防微杜渐，真正实现“平安校园”的管理目标。

学生行为大数据的可视化展示

大数据背后蕴藏着非常大的应用价值，但是如果没有人能够看得懂这些数据背后含义的话，再多的大数据分析方式方法都没有用。这就要通过各种专业的可视化工具将学生行为大数据变成直方图、面积图、曲线图、雷达图等各种人们易于理解的图形，使管理者不再是简单地通过数据关系表来观察和分析用户数据信息，从而以更直观、更方便的方式观看到所有用户的数据及其结构关系。

如，通过对学生行为的数据进行离群点分析，初步形成具有相似行为特征值的聚类分析，最后梳理生成不同主题内容的学生行为基本归类。

再如，学生在校期间的课堂出勤情况、考试分数、及格率、优秀率等可自动生成不同的动态曲线图，让老师非常直观地掌握学生的学习情况和发展趋势；

还有，通过对网络行为监控，可以对使用网络的学生进行热点话题分析，针对重点标注的政治性词语出现的频率，可以分析学生对时事政治敏感问题的关注情况，教师和学生管理者可以根据这些数据进行舆情分析；对学生安全数据的进行系统分析，可以将学生的情绪和态度进行直观可视化，并且针对重点标注“焦虑”“失恋”“愤恨”等负面情绪主题词，实时掌握学生的生理和心理健康问题。

还可以根据学生情感问题情况、人际交往记录、行动轨迹信息、常用联系人等数据，跟踪观察在校学生的行动行为轨迹，预先划定学习区域、运动区域和生活区域等人身平安区域，一旦系统出现监测到数据出现不稳定或者超常规的迹象预警时，就要密切关注和跟踪学生的行为，防患于未然。

学生行为的大数据分析与管理正在向我们走来，这个领域亟待开发和应用，任何忽视这个趋势的教育管理者和学校领导，都是不明智的。