利用基本信息和行为数据发现高校贫困学生.docx

近年来，大数据技术在高等教育领域的应用日益受到重视，特别是在评估学生表现和行为方面。早期的研究，如文献[5]和[6]，已经开始尝试将数据挖掘技术应用于高校数据分析，以理解学生的学习行为。随着研究的深入，学者们进一步利用大数据分析探讨了学生行为对学生学业和职业选择的影响（文献[7-15]）。然而，这些研究并未涉及学生家庭经济状况的分析。 在当前的教育环境中，尤其是对贫困学生的资助是至关重要的。国家和社会投入大量资源来支持贫困学生完成学业，但识别贫困学生的传统方法往往存在缺陷，效率低下且不够精确。因此，利用大数据分析来挖掘家庭贫困学生的相关信息成为一种有效的新途径。本文旨在通过分析学生的行为数据，构建一个基于大数据挖掘的贫困学生识别算法，以优化高校的扶贫策略。 文章提出了一种名为CW-LSTM（Clockwork Long Short-Term Memory）的深度学习算法，该算法是对RNN（循环神经网络）和CW-RNN（Clockwork Recurrent Neural Network）的改进。RNN因其循环结构可以处理序列数据，但存在长期依赖问题，即“梯度消失”现象。为了解决这个问题，CW-RNN（文献[17]）提出了时间频率分组的隐藏层，使得不同模块可以独立处理不同时间尺度的信息。而LSTM（长短期记忆网络）则通过输入门、输出门和遗忘门有效地解决了RNN的长时间序列信息丢失问题（文献[18]）。 CW-LSTM结合了这两者的优点，将RNN的时序信息处理能力与LSTM的门控机制相结合，以更精确地捕捉和保留长期信息。在算法框架中，权重矩阵被划分为多个块，对应不同的时间频率，这使得模型能够同时处理短期和长期的序列信息。在每个时间步，只有部分模块处于活跃状态，其他模块则被设置为零，从而有效地处理不同时间尺度的数据。 通过应用CW-LSTM算法，文章使用了某高校2011至2014级学生在2012年至2015年间的消费和行为数据进行分析，验证了该方法在识别贫困学生方面的有效性。这种方法不仅可以提高识别的准确性和效率，还有助于高校更精准地分配教育资源，确保贫困学生得到应有的支持。 总结来说，本研究聚焦于利用大数据技术挖掘高校贫困学生的特征，提出了一种结合CW-RNN和LSTM的深度学习模型——CW-LSTM。通过这种方法，可以更准确地预测学生家庭的经济状况，为高校的贫困生资助政策提供科学依据，从而提升资助工作的精确性和效率。