大数据背景下的学生孤独预警模型——以华中师范大学为例

发布时间：2024-04-20 11:41

　　大数据时代背景下,关注大学生心理健康,要借用技术手段科学、客观推进大学生心理健康教育工作。目前研究学生心理健康大多采用问卷调查的形式,所得结果取决于被调查者的填写情况,不一定真实反映其内心的想法,并且调查个案有限,不能很好地反映总体情况。本文以华中师范大学为例,通过一卡通消费明细、图书门禁明细得出学生间的共现频率,从而得出学生的朋友关系表,得到疑似孤独者名单,结合学生的就业情况,得出朋友关系较少的学生未就业率高于朋友关系多的结论;再运用DecisionTreeClassifier模型,挖掘出各个指标对就业成功的影响力,并基于训练好的模型预测哪些学生有就业失败的可能,可作为重点关注对象。分析结果与日常生活反馈较一致,对于应用大数据在高校学生管理工作有一定的借鉴作用。

【文章页数】：4 页

【部分图文】：

图5不同深度下的训练集准确率与测试集准确率

将最大深度设为1～40，计算每个值的预测情况并画图，所得结果如图5所示。图6深度为21时每个指标对目标变量的影响力

图4寻找孤独的学生方法截图

经验证，以上随机挑选的三组朋友关系，均确实属于真正的朋友关系。再回到本项目中，采用排除法，寻找孤独的人。以2011～2014级全体本科生作为样本数据，共17828人，有食堂消费朋友关系表的有20585人，有图书馆的朋友圈关系表的有43840人（此处两个数字均大于样本数据17828....

图6深度为21时每个指标对目标变量的影响力

图5不同深度下的训练集准确率与测试集准确率根据图5，选取max＿depth=21，再进行模型训练，计算每个指标对目标变量的影响力。得到训练集准确率0.9859，测试集准确率0.8937，以及每一个指标对目标变量的影响力。如图6所示，发现deal＿cs、deal＿money、ts....

图1消费关系明细表截图

不孤独即朋友关系多，有朋友一起吃饭、一起去图书馆，用数据特征表示即是同一食堂刷卡时间接近且次数较多、进入图书馆刷卡时间接近且次数较多。如果刷卡时间接近的定义过大则会导致朋友关系网过大、计算量太大；如果刷卡时间接近的定义过小则会导致朋友关系网较小，过滤了原本是朋友的人；考虑日常的实....

本文编号：3959356