大三学年论文提纲

论文题目：基于学生个人大数据的行为特征分析

摘要：随着高校信息化建设的不断完善,在校大学生日常生活和学习行为被各大业务系统记录和存储下来,并且得到了持续的积累,初步形成了具有大规模、多类型学生个人大数据环境。这不仅引起了众多研究者的广泛关注,也越来越受到高校学生管理工作人员的高度重视。大多数学者的研究侧重于分析某一类或几类校园行为数据与学生成绩的相关性,所涉及到的学生行为指标的数量和类别较少,并且缺乏对大学生在校期间成长变化的过程性分析和学生整体分析。针对上述问题,论文利用学生个人大数据,探究大学生在校成长变化与规律,挖掘学生不同行为背后的特征及相关性,辅助增强学校对学生学习成长的检测能力。本文的研究内容主要包括以下三方面:1、从学生基本信息、校园学习、校园生活三个层面对学生数据进行归类总结,重点对学生校园消费、在线学习、WiFi使用、课程与成绩数据进行特征抽取和指标挖掘,构建学生个人大数据行为分析模型,并对学生消费行为数据进行深入分析和挖掘,探究学生饮食规律和消费水平。2、设计并搭建基于Hadoop分布式计算框架的学生个人大数据实验分析平台。3、基于武汉某高校2013级至2016级本科生,在2014学年至2016学年期间的基本信息、成绩、消费、图书馆进出、在线学习、国奖6类数据,对不同年级的学生进行群体分析,探究其各群体行为表现的差异与共性,并重点分析优秀学生群体在校行为表现的特征和规律,以及学业表现与行为和各行为表现之间的相关性,为学生个体绘制“学生画像”。通过数据分析,发现如下规律:1)从整体消费数据来看,学生在校期间就餐总人次逐年减少,早餐就餐率逐年降低;大一学生的早餐就餐“高峰期”为7-8点,比整体的学生早餐就餐“高峰期”提前一个小时。2)从图书馆进出数据来看,大三学生的进馆占比相对较高,大二学生进馆率的稳定性表现较好。3)从学生日常行为与学业表现的相关性分析来看,学生的学业成绩与正餐就餐率、早餐就餐率、就餐消费水平等变量的相关性较强,与图书馆进馆率、窗口选择稳定度等变量的相关性较弱。4)学生饮食越规律、消费水平越稳定、学习努力程度越高,学生学业表现水平越好,获得国家奖学金的可能性越大。

关键词：学生个人大数据;行为分析;相关性分析;学生画像;Hadoop

学科专业：教育技术学

摘要

Abstract

第一章 绪论

1.1 研究背景与意义

1.1.1 研究背景

1.1.2 研究意义

1.2 国内外研究现状

1.2.1 在线学习行为分析

1.2.2 混合式学习行为分析

1.2.3 学生校园行为分析

1.3 研究问题

1.4 研究思路与方法

1.4.1 研究思路

1.4.2 研究工具

1.5 研究内容与组织结构

第二章 学生个人大数据分析模型

2.1 学生个人大数据分析模型

2.2 一卡通消费数据分析模型

2.2.1 就餐时间段划分和餐别定义

2.2.2 按餐别汇聚就餐数据

2.2.3 就餐时间稳定系数

2.2.4 学生早起系数

2.2.5 窗口选择稳定度

2.2.6 年度早餐就餐率&年度正餐就餐率

2.2.7 就餐消费水平&就餐消费稳定度

2.3 在线学习行为分析模型

2.4 校园网使用数据分析模型

2.5 学生成绩数据分析模型

2.6 本章小结

第三章 学生个人大数据实验分析平台

3.1 相关技术简介

3.2 搭建基于学生个人大数据的实验分析平台

3.3 本章小结

第四章 基于学生个人大数据的行为特征分析

4.1 实验数据采集

4.2 数据清洗与预处理

4.2.1 有效数据筛选

4.2.2 成绩数据清洗与预处理

4.2.3 一卡通消费数据清洗与预处理

4.2.4 图书馆进出数据清洗与预处理

4.2.5 云课堂数据清洗与预处理

4.3 学生一卡通消费行为整体分析

4.3.1 学生整体就餐时间分布

4.3.2 学生整体就餐餐厅与窗口选择

4.3.3 学生饮食规律与就餐消费水平聚类

4.4 学生图书馆进出行为整体分析

4.4.1 学生整体进馆时间分布

4.4.2 图书馆学习勤奋度分类

4.5 学生日常行为与学业表现的相关性分析

4.5.1 相关性分析——连续型行为指标与学业表现

4.5.2 相关性分析——分类型行为指标与学业表现

4.6 获得国家奖学金学生的行为特征分析

4.6.1 国奖数据分析

4.6.2 获国奖学生行为特征分析

4.7 学生画像

4.8 本章小结

第五章 总结与展望

5.1 总结

5.2 展望

参考文献

致谢