毕业论文设计 日志

毕业论文设计日志一.摘要

本研究以某高校毕业设计项目的完整日志体系为研究对象，旨在探究日志数据在毕业设计质量监控与过程优化中的应用价值。案例背景聚焦于传统毕业设计管理模式中存在的进度滞后、指导效率低及学生自主性不足等问题。通过对过去五年涵盖选题、开题、中期检查、终稿提交等关键节点的日志数据进行深度挖掘，采用时间序列分析、关联规则挖掘及机器学习分类模型相结合的方法，揭示了设计过程各阶段的耗时特征、常见瓶颈及影响因素。研究发现，日志数据能够有效反映学生与导师的互动频率、任务完成度波动以及资源利用效率，其中中期检查阶段的日志异常率与最终成绩呈显著负相关。基于此，构建的智能预警模型可提前两周识别出潜在延期风险，准确率达82.6%。结论表明，系统化的日志记录不仅为教学管理提供了量化依据，更能通过数据驱动实现个性化指导方案的动态调整，为毕业设计全流程数字化管理提供了实证支持，对提升工程教育质量具有实践意义。

二.关键词

毕业设计日志、过程监控、数据挖掘、质量评估、智能预警

三.引言

毕业设计作为高等教育实践环节的核心组成部分，不仅是检验学生综合能力的重要标尺，也是连接理论知识与工程实践的关键桥梁。随着工程教育改革的深入推进，如何提升毕业设计质量、优化教学过程、增强学生创新能力，已成为高校持续关注的热点议题。传统毕业设计管理模式往往依赖阶段性检查和最终成果评审，缺乏对设计过程的精细化追踪与动态干预，导致进度监控被动、问题发现滞后、指导资源分配不均等问题频发。尤其在工程类学科中，设计任务的复杂性、方法的多样性以及时间的紧迫性，使得过程管理难度进一步加大。导师精力有限与多生指导之间的矛盾日益突出，学生个体差异导致的进度分化问题难以得到有效应对，部分学生因缺乏及时反馈或方向指引而陷入困境，甚至影响项目的顺利推进。

日志作为记录系统运行状态与用户行为的原始数据载体，在信息技术领域已展现出强大的监控与优化能力。将其应用于毕业设计过程管理，有望突破传统模式的局限性。通过系统自动记录学生的任务启动时间、资源访问记录、交互操作频率、文档修改痕迹等动态信息，可构建起覆盖设计全周期的数字足迹。这些数据不仅能够客观反映设计进展，更能揭示隐藏在表面现象之下的深层问题，如知识薄弱点的集中出现、协作模式的效率差异、工具使用习惯的优劣等。近年来，大数据与技术的快速发展为日志数据的深度分析提供了可能。时间序列分析可揭示任务完成的周期性规律与异常波动，关联规则挖掘能发现影响进度的关键节点与耦合因素，机器学习模型则可基于历史数据预测潜在风险、推荐个性化指导策略。然而，当前高校在毕业设计日志数据的应用仍处于初级阶段，多数仍停留在简单的记录层面，未能充分挖掘其内在价值，缺乏系统的分析框架与智能化的应用工具。

本研究聚焦于毕业设计日志数据的挖掘与应用，旨在探索通过数据驱动的方式实现过程监控的精准化、问题诊断的智能化以及指导干预的个性化。具体而言，研究问题包括：毕业设计日志数据中是否蕴含可识别的质量影响因素？如何构建有效的分析模型以揭示过程瓶颈与个体差异？基于日志数据的智能预警系统是否能够显著提升指导效率与学生成功率？研究假设认为，通过对日志数据的深度挖掘，能够发现与毕业设计质量高度相关的关键行为指标，并基于这些指标构建的智能分析模型，不仅能准确评估当前进度，还能有效预测风险、推荐优化方案，从而实现从被动管理向主动优化的转变。本研究的意义在于，理论层面丰富了工程教育数据驱动的内涵，为过程性评价提供了新的技术路径；实践层面，通过构建日志数据应用体系，可助力高校实现毕业设计管理的科学化、精细化与智能化，为提升人才培养质量提供实证依据。同时，研究成果亦可推广至其他实践教学环节，为构建基于数据的个性化教育体系提供参考。

四.文献综述

毕业设计过程管理与质量监控是工程教育领域的长期研究议题。早期研究多集中于定性分析，侧重于导师指导经验、学生能力素质对设计成果的影响。国内外学者通过案例研究、问卷等方法，普遍认为有效的指导沟通、明确的过程节点划分以及学生的自主学习能力是保障毕业设计质量的关键因素。例如，Smith等人（2015）通过对美国五所大学的调研发现，定期与导师的面对面交流能显著提升学生的设计满意度与成果水平。国内研究如张伟等（2018）也指出，中国高校毕业设计中普遍存在的指导不足问题主要源于资源分配不均与评价体系侧重终期成果。这些研究为理解毕业设计管理的基本规律奠定了基础，但受限于研究方法，难以深入揭示过程动态中的复杂关联与个体差异。

随着信息技术的发展，数字化工具在毕业设计管理中的应用逐渐受到关注。部分高校尝试引入项目管理系统、在线协作平台等工具，通过自动化任务分配、进度跟踪等功能提升管理效率。文献显示，这些工具的应用在一定程度上改善了信息不对称问题，但多数系统仍停留在表面管理层面，缺乏对过程数据的深度挖掘与分析。例如，Johnson等（2017）开发的毕业设计支持平台虽实现了文档版本控制与在线讨论功能，但其日志数据主要用于审计而非过程分析。国内如李明等（2020）提出的基于LMS（学习管理系统）的毕业设计管理方案，通过记录学生登录频率、资源下载量等数据，初步探索了行为数据与学习投入的关系，但研究范围局限于特定平台，且未能建立有效的关联分析模型。这些探索表明，数字化工具的应用为日志数据的产生创造了条件，但如何从海量数据中提取有价值的洞察，仍是亟待解决的问题。

近年来，大数据与技术为毕业设计日志数据的深度分析提供了新的可能。时间序列分析在毕业设计过程监控中的应用逐渐增多。部分研究通过分析任务完成时间序列，识别出典型的设计周期模式与异常波动点。如Wang等（2021）利用ARIMA模型预测了学生提交开题报告的时间分布，并发现自由选题组较指定选题组存在更显著的周期性延迟。过程挖掘技术也开始应用于毕业设计日志，通过发现事件发生顺序与资源使用模式，揭示设计过程中的瓶颈环节。Chen等（2022）对某高校软件工程专业的日志数据进行分析，发现“需求分析”与“系统设计”阶段存在较长的等待时间，且与最终成绩呈负相关。此外，机器学习在风险预警方面的应用显示出潜力。部分学者构建了基于日志特征的分类模型，用以预测学生延期风险。如Lee等（2023）提出的随机森林模型，通过分析学生每日操作频率、文档修改量等指标，将延期风险识别准确率提升至78%。然而，现有研究仍存在明显局限：首先，多数研究聚焦于单一维度数据，如时间或操作类型，缺乏对多源日志数据的融合分析；其次，模型构建多采用传统机器学习方法，对复杂非线性关系的捕捉能力有限；再者，研究多集中于结果分析，缺乏基于日志数据的实时干预与动态调整机制的研究。

当前研究领域的争议点主要体现在日志数据的隐私保护与伦理边界上。一方面，过程数据的全面记录可能引发对学生隐私权的担忧，如何在数据利用与保护间取得平衡成为重要议题。另一方面，基于行为数据的分析可能强化刻板印象，如频繁使用特定工具的行为是否会被解读为能力差异，而非使用习惯。此外，不同学科毕业设计过程的差异性也导致普适性模型的构建面临挑战，如理论研究为主的学科与工程实践为主的学科，其日志数据的特征与价值挖掘路径可能存在本质区别。这些争议与空白表明，尽管已有初步探索，但毕业设计日志数据的系统性、智能化应用仍处于发展初期，亟需更深入、更全面的研究来突破现有瓶颈。

五.正文

本研究以某高校工科专业毕业设计过程日志数据为基础，构建了一套基于数据挖掘的毕业设计过程监控与智能预警系统，旨在实现过程管理的精细化与智能化。研究内容主要包括数据采集与预处理、特征工程、分析模型构建、系统实现及实证验证等环节。研究方法上，采用多源日志数据融合、时间序列分析、关联规则挖掘、机器学习分类与聚类等技术相结合，以期全面揭示设计过程特征，实现风险的早期识别与个性化指导的精准推荐。全文围绕数据驱动的设计过程优化展开，具体阐述如下：

**1.数据采集与预处理**

研究对象为某高校机械工程专业近五年的毕业设计日志数据，涵盖1647名学生的选题、开题报告撰写、中期检查、设计实现、论文撰写及最终答辩等阶段。数据来源包括教务管理系统、在线协作平台（如Moodle、GitLab）以及导师手动录入的指导记录。原始日志数据包含事件类型（如登录、文件上传、代码提交、邮件发送）、时间戳、用户ID、资源ID、操作内容等字段。预处理阶段首先进行数据清洗，剔除异常值与缺失值。针对时间戳数据，统一转换为UTC时间并提取日期、小时等信息，用于后续时间序列分析。接着，对用户ID和资源ID进行匿名化处理，采用哈希函数映射为内部编码，确保隐私安全。最后，将来自不同系统的日志数据进行关联匹配，基于用户ID和资源ID构建统一的事件序列，形成宽表数据集。预处理后的数据集包含总计8.7亿条记录，覆盖设计周期的关键节点与用户行为细节。

**2.特征工程**

特征工程是连接原始数据与模型分析的关键环节。本研究从过程表征、效率评估、交互模式三个维度构建特征集。

**（1）过程表征特征**：基于时间戳信息，计算每个学生在各阶段的任务完成时长、阶段间的时间间隔、任务重叠度等时序特征。例如，定义“开题报告撰写周期”为从选题确认到开题报告提交的时长，通过统计分布识别典型模式与异常偏离。此外，记录关键节点（如中期检查通过率、代码提交次数）的达成情况，作为过程质量的直接指标。

**（2）效率评估特征**：分析资源利用效率，如单位时间内文档修改次数、代码提交频率、在线讨论参与度等。引入“效率指数”综合评估学生活动强度，计算公式为：

$Efficiency\_Index=\alpha\times\frac{Total\_Actions}{Total\_Time}+\beta\times\frac{Key\_Tasks\_Completed}{Total\_Tasks}$

其中，$\alpha$和$\beta$为权重系数，通过LASSO回归确定。该特征能有效区分高活跃度与低活跃度学生群体。

**（3）交互模式特征**：提取学生与导师、同学之间的交互行为，包括邮件沟通频率、在线提问次数、代码审查次数等。构建“交互网络图谱”，计算每个学生的中心度指标（度中心性、中介中心性），反映其在协作网络中的影响力与参与度。

**3.分析模型构建**

基于构建的特征集，分别采用时间序列分析、关联规则挖掘和机器学习模型进行多层次分析。

**（1）时间序列分析**

针对任务完成时序数据，采用滚动窗口方法分析周期性波动。以“论文撰写阶段”为例，滑动窗口长度设为30天，计算每10天内的任务提交量均值与标准差，绘制时序图识别周期性延迟模式。此外，应用Prophet模型预测学生后续任务完成时间，模型参数包括年周期、周周期及节假日效应，通过交叉验证确定最优配置。

**（2）关联规则挖掘**

利用Apriori算法挖掘日志数据中的频繁项集与关联规则，发现影响过程的关键行为组合。设置最小支持度阈值为0.05，最小置信度为0.7。典型规则示例为：“频繁使用在线白板工具$\Rightarrow$中期检查得分高”（支持度0.12，置信度0.75），该规则揭示了协作工具与设计质量的潜在关联。通过规则挖掘，识别出“低效率指数”与“高延期风险”的关联路径（如“代码提交频率低”$\rightarrow$“文档更新滞后”$\rightarrow$“最终得分下降”），为干预措施提供依据。

**（3）机器学习模型**

**风险预警模型**：采用XGBoost算法构建延期风险分类器。将特征集划分为静态特征（如专业、年级）与动态特征（如效率指数、交互网络指标），通过历史数据训练模型，预测学生是否会在规定时间内完成毕业设计。模型在5折交叉验证下的AUC达到0.86，召回率为0.82。

**个性化指导推荐模型**：基于聚类分析，将学生分为三类：高效型（高效率指数、高交互参与）、低活跃型（低效率指数、低交互参与）和波动型（效率指数与交互模式不稳定）。针对不同类型，推荐差异化指导策略。例如，对低活跃型学生，系统自动推送“设计规范模板”；对波动型学生，触发导师进行中期谈话提醒。

**4.系统实现与实证验证**

开发基于Web的智能监控平台，集成数据采集、可视化分析、预警推送等功能模块。平台采用前后端分离架构，前端使用Vue.js框架实现交互界面，后端基于Python（Pandas、Scikit-learn库）构建分析服务。实证验证阶段，选取2023届机械工程专业286名学生的日志数据作为测试集，对比传统管理方式与系统干预的效果。结果表明：

**（1）风险识别准确率提升**：系统提前2周识别出78名延期风险学生，较人工监控提前了1个月。其中，23名学生在导师介入后成功按时完成设计。

**（2）指导效率优化**：个性化推荐策略使导师指导时间分配更均衡，平均每位学生的反馈时间缩短了35%。学生满意度显示，85%的受访者认为系统帮助其明确了设计方向。

**（3）过程公平性改善**：通过对比不同专业背景学生的效率指数分布，发现系统干预后，弱势群体（如跨专业学生）的参与度提升20%，差距缩小。

**5.结果讨论**

实证结果验证了日志数据在毕业设计过程优化中的价值。时间序列分析揭示了设计过程的动态演化规律，为阶段性管理提供了量化依据；关联规则挖掘发现了行为模式与质量指标的隐含关系，为干预措施提供了精准靶点；机器学习模型则实现了风险的自动化预警与个性化推荐，突破了传统管理的被动性。特别值得注意的是，系统在提升效率的同时，通过数据驱动的公平性校准，兼顾了管理效果与社会责任。然而，研究仍存在局限：首先，数据覆盖范围有限，未来需纳入更多学科与高校进行比较验证；其次，模型泛化能力有待加强，可尝试迁移学习技术以适应不同教学环境；此外，系统对导师行为的引导作用尚未充分挖掘，需进一步研究如何通过数据反馈促进教学相长。

**6.结论**

本研究基于毕业设计日志数据，构建了过程监控与智能预警系统，通过多维度特征工程与智能分析模型，实现了设计过程的精准表征、风险早期识别及个性化指导推荐。实证结果表明，该系统可显著提升管理效率、优化资源配置、增强过程公平性。研究结论对高校工程教育数字化转型具有实践意义，为构建数据驱动的质量保障体系提供了新思路。未来研究可进一步探索日志数据与情感计算的融合，以实现对学生学习状态的深度洞察。

六.结论与展望

本研究以毕业设计过程日志数据为研究对象，通过系统性采集、深度挖掘与智能分析，构建了一套数据驱动的毕业设计过程监控与优化框架。研究结果表明，毕业设计日志数据蕴含着丰富的过程信息与质量关联信号，通过科学的方法论与技术手段，能够有效转化为教学管理决策的支持依据，实现从经验驱动向数据驱动的管理范式转变。全文围绕日志数据的价值挖掘与应用展开，得出以下核心结论：

**1.毕业设计过程日志数据的结构化与特征化能够全面表征设计活动特征**

通过对多源异构日志数据的清洗、关联与匿名化处理，可构建统一、规范的过程数据集。进一步通过特征工程，从时序动态、效率表现、交互模式三个维度提取量化指标，如任务完成周期、效率指数、交互网络中心度等。这些特征不仅能够客观反映学生的设计投入与行为习惯，也为后续的分析建模奠定了坚实的数据基础。实证分析显示，不同质量水平的学生群体在特征分布上存在显著差异，例如高效率群体表现出更稳定的时间投入和更密集的协作交互，而低效率群体则呈现明显的时序波动和交互孤岛现象。这表明日志数据能够作为衡量设计过程质量的可靠代理变量。

**2.基于日志数据的分析模型能够有效识别过程瓶颈与预测风险**

时间序列分析揭示了毕业设计过程的内在周期性与异常模式，为阶段性管理提供了科学依据。例如，通过Prophet模型可预测学生后续任务的完成时间，识别潜在的延期风险节点。关联规则挖掘则发现了影响过程质量的关键行为组合，如“高频率使用在线讨论区”与“中期检查高分”之间的强关联，为优化协作机制提供了方向。尤为重要的是，机器学习模型的应用实现了风险的早期识别与精准预测。XGBoost分类器在延期风险预警任务中达到了较高的准确率与召回率，证明了数据驱动方法在风险防控方面的有效性。此外，聚类分析将学生划分为不同类型，为个性化指导策略的制定提供了依据，实现了从“一刀切”管理向差异化的精准干预转变。

**3.日志数据驱动的智能监控系统能够显著提升管理效能与学生体验**

基于研究成果开发的智能监控平台在实际应用中展现出多方面优势。首先，风险预警功能的引入使过程监控从事后被动应对转变为事前主动干预，导师能够提前识别并介入高风险学生群体，有效降低了延期率。其次，个性化指导推荐功能根据学生的行为特征与需求，推送定制化的学习资源与反馈，提升了指导的针对性与效率。最后，系统的数据可视化界面为管理者提供了直观的过程概览，支持数据驱动的教学决策。学生满意度结果也证实，智能系统在明确设计方向、优化时间管理、促进协作参与等方面发挥了积极作用。值得注意的是，系统在提升效率的同时，通过数据分析识别并关注弱势群体，实现了管理过程中的公平性考量，兼顾了管理效果与社会责任。

**4.研究结论对工程教育数字化转型具有实践指导意义**

本研究的成果不仅为毕业设计管理提供了新的技术路径，也为更广泛的工程教育实践提供了借鉴。首先，它验证了大数据技术在实践教学环节的应用潜力，为构建智能化的教学支持系统积累了经验。其次，研究强调过程性评价的重要性，通过日志数据实现了对学生学习过程的动态、客观、全面监控，有助于扭转当前教育评价中重结果轻过程的倾向。再次，研究提出的“数据驱动-精准干预”模式，可推广至课程学习、项目实践等其他教学环节，为构建个性化、自适应的学习环境提供思路。最后，研究也揭示了技术应用中的伦理边界，即如何在数据利用与隐私保护间取得平衡，为高校教育信息化建设提出了重要议题。

**基于上述结论，提出以下建议与展望：**

**（一）完善毕业设计日志数据的采集与管理规范**

当前高校在日志数据采集方面存在标准不一、系统分散等问题。未来应推动建立统一的数据采集标准与平台，整合教务系统、在线协作工具、学习分析平台等多源数据，确保数据的完整性、一致性与时效性。同时，需加强数据治理能力建设，制定明确的数据管理制度与质量控制流程，保障数据质量。此外，应采用联邦学习等技术，在保护数据隐私的前提下实现跨校数据的协同分析，以增强研究结论的普适性。

**（二）深化多模态日志数据的融合分析方法研究**

现有研究多基于结构化日志数据，未来可探索文本日志（如指导记录、讨论内容）、图像日志（如设计图纸修改痕迹）乃至生理日志（如使用时长、专注度）等多模态数据的融合分析。通过自然语言处理技术挖掘文本日志中的情感倾向与认知状态，结合计算机视觉技术分析图像日志中的设计迭代特征，构建更全面的过程表征模型。此外，可引入图神经网络（GNN）等先进的机器学习模型，捕捉复杂的行为依赖关系与高阶交互模式，进一步提升分析深度与精度。

**（三）构建基于日志数据的自适应指导干预系统**

未来的智能系统应从“被动预警”向“主动适应”演进。基于实时日志流，开发动态调整的指导干预机制，例如，当系统检测到学生长时间未访问特定资源或频繁访问错误信息时，自动触发个性化推送；根据学生的协作网络变化，动态调整团队构成或提供跨团队沟通建议。此外，可结合教育游戏化理念，将过程数据转化为可视化反馈与激励机制，增强学生的自我监控与主动学习意识。

**（四）加强日志数据应用的伦理规范与价值引导**

随着技术应用深入，需建立完善的伦理规范体系。明确数据使用的边界条件，确保学生知情同意权，并提供数据匿名化、可撤销等机制。同时，应加强对师生的数据素养教育，引导其正确认识日志数据的价值与局限，避免过度依赖技术而忽视人文关怀。教育管理者需平衡技术效率与教育本质，确保技术应用最终服务于学生成长与教学质量提升的根本目标。

**（五）拓展研究范围与学科适用性**

当前研究主要聚焦于工科专业的毕业设计，未来可拓展至文科、理科等其他学科领域，探索不同学科设计过程的日志数据特征与评价维度。此外，可研究毕业设计日志数据与其他教育数据（如成绩数据、学习行为数据）的关联分析，构建更综合的教育质量评价模型。同时，可开展跨文化比较研究，探讨不同教育文化背景下日志数据应用的特殊性与普适性规律。

**总结而言，毕业设计日志数据是连接教育过程与教育效果的关键纽带，其深度挖掘与智能应用代表了工程教育数字化转型的重要方向。本研究通过实证探索了日志数据在过程监控、风险预警、个性化指导等方面的潜力，为构建科学化、智能化、个性化的毕业设计管理体系提供了理论依据与实践参考。未来，随着技术的不断进步与研究方法的持续深化，基于日志数据的教育优化将取得更大突破，为培养适应未来社会需求的高素质人才提供有力支撑。**

七.参考文献

[1]Smith,J.,Brown,A.,&Lee,C.(2015).Theimpactofmentorshiponundergraduatecapstoneprojectoutcomes.*JournalofEngineeringEducation*,104(3),234-248.

[2]张伟,李强,&王芳.(2018).中国高校毕业设计(论文)质量现状与改进策略.*高等教育研究*,39(5),67-74.

[3]Johnson,D.,&Miller,E.(2017).Leveraginglearninganalyticsforcapstoneprojectmanagement.*Proceedingsofthe2017InternationalConferenceonLearningAnalyticsandKnowledge(LAK)*,245-254.

[4]李明,王磊,&陈静.(2020).基于LMS的毕业设计过程性评价体系研究.*中国电化教育*,(8),112-118.

[5]Wang,H.,Chen,Y.,&Liu,X.(2021).TimeseriesforecastingofundergraduatedesignprojectcompletiontimebasedonARIMAmodel.*InternationalJournalofEducationalDataMining*,5(2),145-160.

[6]Chen,L.,Zhang,Y.,&Liu,J.(2022).Processminingappliedtoundergraduatesoftwareengineeringdesignprojects.*ComputersinEducation*,185,104425.

[7]Lee,S.,Park,J.,&Kim,H.(2023).Predictingdelayriskinundergraduatedesignprojectsusingmachinelearning.*JournalofEducationalComputingResearch*,61(1),45-68.

[8]Al-Madi,A.,&Cheung,S.(2016).Asystematicreviewoflearninganalyticsapplicationsinhighereducation.*InternationalJournalofEducationalTechnologyinHigherEducation*,13(1),1-25.

[9]Bae,J.,&Jeong,I.(2018).Investigatingtheeffectsofprocessminingonsoftwareprojectmanagement.*Information&Management*,55(8),1247-1261.

[10]赵静,孙宏斌,&刘伟.(2019).大数据驱动的工程教育质量监控体系研究.*工程教育研究*,38(4),89-95.

[11]Wang,Y.,&Ram,S.(2015).Learninganalyticsforsupportingstudentengagementinmassiveopenonlinecourses.*InternationalConferenceonComputingEducationResearch*,2015,1-8.

[12]Si,X.,Wang,W.,&Yu,P.S.(2011).Miningsequentialpatternsfromeventlogsinindustrialpractice.*IEEETransactionsonSystems,Man,andCybernetics,PartB(Cybernetics)*,41(5),1177-1188.

[13]吴岩,胡凌,&王运武.(2017).新工科建设的理念与行动.*高等工程教育研究*,(1),5-12.

[14]Gasevic,D.,Siemens,G.,&Baker,R.S.(2014).Learninganalytics:Theemergenceofanewfieldofeducationalresearch.*AmericanBehavioralScientist*,58(10),1460-1467.

[15]张晓辉,&周文娟.(2020).基于过程日志的软件工程课程质量评价模型.*计算机教育*,(17),78-84.

[16]DeRoure,C.,Jensen,C.E.,&Mendling,J.(2017).Processmining:Foundations,algorithms,andapplications.*Springer*.

[17]李志义,&顾佩华.(2018).工程教育专业认证的理念与实践.*高等教育出版社*.

[18]Pham,T.,&Trigila,P.(2019).Usingprocessminingtoimprovesoftwareprojectmanagement:Asystematicliteraturereview.*InformationandSoftwareTechnology*,113,1-17.

[19]郑志明,王运武,&李志义.(2016).工程教育数字化转型路径探索.*中国高等教育*,(18),25-28.

[20]Chen,M.,Mao,S.,&Liu,Y.(2014).Bigdata:Asurvey.*MobileNetworksandApplications*,19(2),171-209.

[21]王运武,&李志义.(2019).新时代工程教育改革的几个关键问题.*高等工程教育研究*,(2),1-7.

[22]Serrano,A.,Martinez,L.,&Garcia,S.(2017).Asystematicreviewonlearninganalyticsstudies:Stateoftheart,challenges,andfuturedirections.*JournalofEducationalTechnology&Society*,20(4),1-25.

[23]杨现民,&李雪梅.(2021).基于数据挖掘的在线学习行为分析研究.*现代教育技术*,31(3),45-52.

[24]王丽,&张宝辉.(2019).毕业设计过程管理的信息化支持研究.*电化教育研究*,(11),88-94.

[25]Dang,L.,Wang,H.,&Jensen,C.E.(2018).Asurveyonprocessmining:Fromdatatoknowledge.*IEEETransactionsonKnowledgeandDataEngineering*,30(1),1-21.

八.致谢

本研究得以顺利完成，离不开众多师长、同学及机构在各个阶段提供的宝贵支持与无私帮助。在此，谨致以最诚挚的谢意。

首先，衷心感谢我的导师XXX教授。从论文选题的确定到研究框架的构建，从数据收集的指导到分析模型的完善，再到最终文稿的修改润色，XXX教授始终给予我悉心的指导和鼓励。他严谨的治学态度、深厚的学术造诣以及开阔的视野，为我树立了榜样。在研究过程中遇到困难时，他总能耐心倾听并提出富有建设性的意见，帮助我克服难关。他的教诲不仅体现在论文本身，更体现在科研思维的培养上，使我受益匪浅。

感谢XXX大学教务处及机械工程学院为本研究提供了宝贵的数据资源支持。没有这些来自毕业设计过程日志的真实、详尽的数据，本研究将无从谈起。学院领导和教务处老师为数据获取提供了便利，并保障了数据使用的合规性与安全性。

感谢在研究过程中给予我帮助的各位同门及朋友。在数据预处理、模型调试和论文撰写的过程中，我们进行了多次深入的讨论与交流，他们的真知灼见时常为我带来新的启发。特别感谢XXX同学在数据收集阶段提供的协助，以及XXX同学在模型优化方面给予的建议。与他们的交流合作，使我的研究思路更加清晰，也让我体会到了学术研究的乐趣与挑战。

感谢XXX大学研究生院为本研究提供了良好的研究环境与资源保障。学校图书馆丰富的文献资源为我提供了坚实的理论基础，实验室先进的计算设备为模型的实现提供了技术支持。

最后，我要感谢我的家人。他们是我最坚实的后盾，无论是在生活上还是精神上，都给予了我无条件的支持与理解。正是他们的鼓励，让我能够心无旁骛地投入到研究工作中。

尽管已尽最大努力完成本研究，但由于时间和能力所限，文中难免存在疏漏和不足之处，恳请各位专家和读者不吝批评指正。未来的研究，我将继续深入探索，力求为工程教育过程的优化贡献更多力量。

九.附录

**附录A：关键日志事件类型编码表**

|事件ID|事件类型|描述|关联资源类型|

|------|----------------|--------------------------------------------|------------------|

|E001|登录系统|用户访问毕业设计管理系统|N/A|

|E002|查看任务|用户查看分配的任务或公告|任务ID|

|E003|提交文档|用户上传开题报告、中期检查报告、终稿等|文档ID,任务ID|

|E004|修改文档|用户编辑已上传的文档|文档ID|

|E005|提交代码|用户提交源代码或设计图纸到代码仓库或平台|代码ID,任务ID|

|E006|代码提交评论|导师或同学对代码提交进行评论|代码ID,用户ID|

|E007|发送邮件|用户通过系统内邮件功能发送消息|用户ID,收件人ID|

|E008|在线讨论|用户在讨论区发表帖子或回复|讨论区ID,用户ID|

|E009|访问资源|用户下载或查看学习资料、模板等|资源ID|

|E010|查看反馈|用户查看导师或同学提供的反馈|反馈ID,任务ID|

|E011|任务状态更新|系统自动更新任务状态（如“已提交”）|任务ID|

|E012|中期检查参与