学生行为画像在学业困难学生识别与干预问题中的应用研究

参考文献顾临风.数据驱动的高校贫困生鉴别及行为画像研究[D].安徽理工大学,2024.李妍.大数据背景下基于学生“行为画像”的高校精准资助模型研究[J].南昌师范学院学报,2023,44(03):86-89+104.张鹏源.基于学生学习画像的“效果—状态—能力”多维度评价方法研究[D].西安电子科技大学,2023.李欢.基于校园行为数据分析的外省学生画像初步构建[J].大众标准化,2023,(18):154-156.程歌星.基于在线作业行为的学生画像构建与应用研究[D].华东师范大学,2021.张诚.大学生校园行为画像大数据分析与研究[J].浙江工贸职业技术学院学报,2024,24(03):57-63.常岚.基于大数据的学生行为画像研究与分析[D].兰州理工大学,2020.梁柱.基于校园大数据的学生行为分析与预测方法研究[D].西安理工大学,2017.李芸嘉,丁琪.基于机器学习的学生成绩预测研究[J].物流科技,2025,48(07):178-180.薛金强,吴秦.结合卷积神经网络与多层感知机的渐进式多阶段图像去噪算法[J].计算机科学,2024,51(04):243-253.董雷刚,崔晓微.基于机器学习的大学生学习行为分析研究[J].信息与电脑,2025,37(07):196-198.谭舜泉,黎思力,陈保营,等.面向图像视频取证的机器学习综述[J].信号处理,2021,37(12):2235-2250.裴忠一,刘璘,王晨,等.面向机器学习应用的可解释性需求分析框架[J].计算机研究与发展,2024,61(04):983-1002.张蔚.高职生学业困难成因分析及干预策略的实证研究[J].太原城市职业技术学院学报,2017,(06):70-72.翟鸣宇.基于高校学生数据的学业危机致因机理及干预策略研究[D].大连理工大学,2022.申民哲.基于数据挖掘的学生画像与学业预警方法研究[D].郑州轻工业大学,2022.潘超,郭禹宏,穆宏浪.大数据下基于学生行为画像分析的高校精准资助模式构建研究[J].信息系统工程,2020,(12):74-76.Arizmendi，CJ，Bernacki，ML，Raković，M.

等人。使用学习行为的数字日志预测学生成绩：回顾、当前标准和对未来工作的建议。行为研究

55，3026–3054（2023）。/10.3758/s13428-022-01939-9Premlatha，K.R，Dharani，B.，&Geetha，T.V.（2014）.动态学习者分析和自动学习者分类，适用于自适应电子学习环境。互动学习环境，24（6），1054-1075。/10.1080/10494820.2014.948459附录代码：importpandasaspdfromsklearn.preprocessingimportStandardScaler,LabelEncoderfromsklearn.model_selectionimporttrain_test_splitfromsklearn.ensembleimportRandomForestClassifierfromsklearn.metricsimportaccuracy_score,recall_score,f1_score,confusion_matriximporttorchimporttorch.nnasnnimporttorch.optimasoptimfromsklearn.metricsimportclassification_reportimportmatplotlib.pyplotaspltimportnumpyasnpfrommatplotlibimportrcParams#设置字体为支持中文的字体（例如SimHei）rcParams['font.family']='SimHei'#设置字体为黑体rcParams['axes.unicode_minus']=False#防止负号显示问题#数据加载和预处理file_path='./data/data.xlsx'data=pd.read_excel(file_path,sheet_name='Sheet1')#选择分类数据列并进行编码categorical_columns=data.select_dtypes(include=['object']).columnslabel_encoder=LabelEncoder()forcolincategorical_columns:data[col]=label_encoder.fit_transform(data[col])#检查缺失值ifdata.isnull().sum().any():data=data.dropna()#若有缺失值，删除含缺失值的行#目标列和特征列分开X=data.drop(columns=['是否学业困难'])y=data['是否学业困难']columns=data.drop(columns=['是否学业困难']).columns#数据标准化scaler=StandardScaler()X_scaled=scaler.fit_transform(X)#数据划分为训练集和测试集X_train,X_test,y_train,y_test=train_test_split(X_scaled,y,test_size=0.2,random_state=42)#第一个模型print("这是第一个模型")#构建模型：使用随机森林进行分类rf_classifier=RandomForestClassifier(n_estimators=10,random_state=42)rf_classifier.fit(X_train,y_train)#评估模型性能y_pred=rf_classifier.predict(X_test)#计算准确率、召回率、F1分数accuracy=accuracy_score(y_test,y_pred)recall=recall_score(y_test,y_pred)f1=f1_score(y_test,y_pred)print("随机森林模型评估:")print(f"Accuracy:{accuracy:.4f}")print(f"Recall:{recall:.4f}")print(f"F1Score:{f1:.4f}")#使用RandomForestClassifier计算特征重要性rf_classifier=RandomForestClassifier(n_estimators=100,random_state=42)rf_classifier.fit(X_train,y_train)#获取特征重要性feature_importances=rf_classifier.feature_importances_#创建特征重要性的排序indices=np.argsort(feature_importances)[::-1]#可视化特征重要性plt.figure(figsize=(10,6))plt.title("FeatureImportance(RandomForest)")plt.barh(range(X_train.shape[1]),feature_importances[indices],align="center")plt.yticks(range(X_train.shape[1]),np.array(columns)[indices])plt.xlabel("RelativeImportance")plt.show()#第二个模型print("这是第二个模型")#构建神经网络模型classMLPModel(nn.Module):def__init__(self,input_dim):super(MLPModel,self).__init__()self.fc1=nn.Linear(input_dim,64)self.fc2=nn.Linear(64,32)self.fc3=nn.Linear(32,1)self.sigmoid=nn.Sigmoid()defforward(self,x):x=torch.relu(self.fc1(x))x=torch.relu(self.fc2(x))x=self.fc3(x)x=self.sigmoid(x)returnx#将数据转为PyTorch格式X_train_tensor=torch.tensor(X_train,dtype=torch.float32)y_train_tensor=torch.tensor(y_train.values,dtype=torch.float32).view(-1,1)X_test_tensor=torch.tensor(X_test,dtype=torch.float32)y_test_tensor=torch.tensor(y_test.values,dtype=torch.float32).view(-1,1)#初始化神经网络模型model=MLPModel(X_train.shape[1])criterion=nn.BCELoss()optimizer=optim.Adam(model.parameters(),lr=0.001)#训练神经网络num_epochs=150forepochinrange(num_epochs):model.train()optimizer.zero_grad()#前向传播outputs=model(X_train_tensor)#计算损失loss=criterion(outputs,y_train_tensor)#反向传播loss.backward()optimizer.step()if(epoch+1)%10==0:print(f"Epoch[{epoch+1}/{num_epochs}],Loss:{loss.item():.4f}")#评估神经网络模型model.eval()withtorch.no_grad():y_pred_tensor=model(X_test_tensor)y_pred_class=(y_pred_tensor>0.5).float()accuracy_nn=accuracy_score(y_test_te