京公网安备 11010802034615号
经营许可证编号:京B2-20210330
校园大数据告诉你!学霸是如何炼成的
近日,国内大数据领域领军专家、电子科技大学周涛教授与有着近十年学工部长教育经验的吕红胤研究员,花费了近大半年的时间,联合研发出一套“大数据”系统——“学生画像”。
该系统利用校园一卡通追踪学生行为轨迹,通过对学生吃饭、打水、出行、消费行为记录,“算”出每名学生的学习、生活状态。更厉害的是,通过对学生日常学习状态的追踪,该系统还会对学生的期末成绩乃至大学四年后的就业情况作出预警~
注:系统用排名均值来计量学生成绩的优异。排名均值=学生在所在专业的年级排名/本专业的总人数,排名均值越接近0,代表该学生的成绩越好。
学霸是如何炼成的?
学霸出门时间通常比较固定
研究人员分析了近半年的宿舍门禁、吃饭、进出图书馆等刷卡记录,发现成绩较好的学生作息时间比成绩差的更规律。
例如,某专业排名第3的小雪,几乎每天固定在8点、12点、14点三个时间点出门,留在宿舍的总时长低于专业平均水平。而该专业成绩排名第61的小石每天进出宿舍的时间很随机,而且通常每次外出的时长不超过2小时,“宅指数”明显高于专业平均水平。
此外,研究人员还发现,9点前出现在食堂吃早餐的同学,成绩也相对更好。
学霸最爱在晚上10-11点洗澡
上图中,横轴代表了时间点,竖轴则代表了在当前的时间点下,学生的洗澡概率。电子科大的澡堂是全天开放的,但研究团队发现,晚上10——11点,学习好的学生与学习差的学生洗澡概率出现了较大的差异。简言之,集中在晚上10到11点之间洗澡的学生成绩更优异。
不管是出门时间还是洗澡时间,抑或是相对固定的早餐时间,都是学生作息规律的具体体现。研究人员发现,较有规律的学生群体,除了成绩上的优势外,考研成功率以及出国留学获得奖学金的概率均高于一般学生。这也从侧面印证了生活的规律性对于成绩有正面影响的结论。
学霸爱泡图书馆和自习室
在样本量足够庞大的情况下,学生在一定时期内的行为追踪确实可以反映他的学习和生活状态。比如,如果一个学生的打卡记录显示,他长期在教学楼的饮水机上打水,那一定程度上就说明了,教学楼是他的长期活动地点。
“学生画像”的研究团队,通过大数据分析,发现了出入图书馆次数多少与学习成绩的好坏存在着一定的相关性,即:出入图书馆次数比较多的学生,成绩要优于出入图书馆次数比较少的学生。同一个学生,随着他出入图书馆次数的增多或减少,他的成绩排名在上下浮动。如图↓↓
这样的相关性,同样适用于学校的教学楼↓↓(注:在教室打水代表该学生出现在了教学楼~)
现实中,每个人都会受到种种环境的影响。无疑,处于校园之中,身边人的学习状态,自然也会影响到学生自身的成绩好坏。
研究团队发现,如果一个大学生,他身边的朋友成绩比较好,那他自身的成绩也相对较好!
想要成为一枚学霸?先找个学霸好友吧~
期末会不会挂科?算一下吧
在这项研究中,研究团队专门设计出了一系列辅助学生更好完成大学学业的功能模块——“挂科预警”。
想知道你学期末会不会挂科?那就算一算喽!
挂科率=努力程度 + 学习基础;
努力程度依据:教学楼打水频率+进出图书馆的时间与次数;
学习基础:用已考科目成绩、已考与将考科目之间的关联性算出;
一旦你的挂科率触碰到了预警红线,那系统便会自动为负责你学习的辅导员推送预警信息!
“前方高能预警,您的挂科率有偏高趋势,请好好学习~”自从有了“挂科预警”系统,妈妈再也不用担心我挂科了~
四年后,你会成为失业大军中的一员吗?
如今,就业形势一年比一年紧张。作为学生,你在担心毕业即失业?作为高校的管理者,你会困惑于如何帮助学生突破重围吗?嗯,好消息来了!
“学生画像”研究团队通过大量的数据分析,研究得出了一个学生的毕业去向与他在校期间的生活规律有着一定的关联性。
电子科技大学教育大数据研究所副所长、原微软亚洲研究院的连德富教授在接受中国青年报(ID:zqbcyol)采访时表示,通过对比往届毕业生的毕业去向,他们发现,就业困难学生群体身上确实存在某些相似的行为特征。比如,与其他同学相比,就业困难学生在校期间的生活普遍不太规律。此外,就业困难学生在图书馆的借阅书目也更偏向于悬疑科幻小说以及与游戏相关的书籍。
近年来,越来越多的大学生毕业后选择创业。麦可思研究院研究发现,包括本科毕业生和高职专院校毕业生在内的中国大学生毕业后选择自主创业的比例基本呈逐年上升的趋势:2007年1.2%,2008年1%,2009年1.2%,2010年1.5%,2011年1.6%,2012年2%,2013年2.3%,2014年2.9%。
在连德富教授看来,大学里的创业一族也有“大数据”特点。偏好创业的学生跑市区的频率要高于普通学生。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在使用Excel透视表进行数据汇总分析时,我们常遇到“需通过两个字段相乘得到关键指标”的场景——比如“单价×数量=金额”“销量 ...
2025-11-14在测试环境搭建、数据验证等场景中,经常需要将UAT(用户验收测试)环境的表数据同步到SIT(系统集成测试)环境,且两者表结构完 ...
2025-11-14在数据驱动的企业中,常有这样的困境:分析师提交的“万字数据报告”被束之高阁,而一张简洁的“复购率趋势图+核心策略标注”却 ...
2025-11-14在实证研究中,层次回归分析是探究“不同变量组对因变量的增量解释力”的核心方法——通过分步骤引入自变量(如先引入人口统计学 ...
2025-11-13在实时数据分析、实时业务监控等场景中,“数据新鲜度”直接决定业务价值——当电商平台需要实时统计秒杀订单量、金融系统需要实 ...
2025-11-13在数据量爆炸式增长的今天,企业对数据分析的需求已从“有没有”升级为“好不好”——不少团队陷入“数据堆砌却无洞察”“分析结 ...
2025-11-13在主成分分析(PCA)、因子分析等降维方法中,“成分得分系数矩阵” 与 “载荷矩阵” 是两个高频出现但极易混淆的核心矩阵 —— ...
2025-11-12大数据早已不是单纯的技术概念,而是渗透各行业的核心生产力。但同样是拥抱大数据,零售企业的推荐系统、制造企业的设备维护、金 ...
2025-11-12在数据驱动的时代,“数据分析” 已成为企业决策的核心支撑,但很多人对其认知仍停留在 “用 Excel 做报表”“写 SQL 查数据” ...
2025-11-12金融统计不是单纯的 “数据计算”,而是贯穿金融业务全流程的 “风险量化工具”—— 从信贷审批中的客户风险评估,到投资组合的 ...
2025-11-11这个问题很有实战价值,mtcars 数据集是多元线性回归的经典案例,通过它能清晰展现 “多变量影响分析” 的核心逻辑。核心结论是 ...
2025-11-11在数据驱动成为企业核心竞争力的今天,“不知道要什么数据”“分析结果用不上” 是企业的普遍困境 —— 业务部门说 “要提升销量 ...
2025-11-11在大模型(如 Transformer、CNN、多层感知机)的结构设计中,“每层神经元个数” 是决定模型性能与效率的关键参数 —— 个数过少 ...
2025-11-10形成购买决策的四个核心推动力的是:内在需求驱动、产品价值感知、社会环境影响、场景便捷性—— 它们从 “为什么买”“值得买吗 ...
2025-11-10在数字经济时代,“数字化转型” 已从企业的 “可选动作” 变为 “生存必需”。然而,多数企业的转型仍停留在 “上线系统、收集 ...
2025-11-10在数据分析与建模中,“显性特征”(如用户年龄、订单金额、商品类别)是直接可获取的基础数据,但真正驱动业务突破的往往是 “ ...
2025-11-07在大模型(LLM)商业化落地过程中,“结果稳定性” 是比 “单次输出质量” 更关键的指标 —— 对客服对话而言,相同问题需给出一 ...
2025-11-07在数据驱动与合规监管双重压力下,企业数据安全已从 “技术防护” 升级为 “战略刚需”—— 既要应对《个人信息保护法》《数据安 ...
2025-11-07在机器学习领域,“分类模型” 是解决 “类别预测” 问题的核心工具 —— 从 “垃圾邮件识别(是 / 否)” 到 “疾病诊断(良性 ...
2025-11-06在数据分析中,面对 “性别与购物偏好”“年龄段与消费频次”“职业与 APP 使用习惯” 这类成对的分类变量,我们常常需要回答: ...
2025-11-06