基于離散數(shù)學(xué)的大學(xué)生課程績點(diǎn)預(yù)測分析,離散數(shù)學(xué)論文

基于離散數(shù)學(xué)的大學(xué)生課程績點(diǎn)預(yù)測分析,離散數(shù)學(xué)論文摘要：學(xué)業(yè)預(yù)警是加強(qiáng)學(xué)風(fēng)建設(shè)、提高教學(xué)質(zhì)量的一項(xiàng)舉措,課程績點(diǎn)預(yù)測是華而不實(shí)一項(xiàng)必不可少的工作.在分析課程之間的關(guān)系基礎(chǔ)上,運(yùn)用遺傳優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法對目的課程績點(diǎn)進(jìn)行預(yù)測.首先,將百分制成績轉(zhuǎn)化為課程績點(diǎn);其次,引入專業(yè)知識網(wǎng)絡(luò)并建立課程社團(tuán);然后,運(yùn)用關(guān)聯(lián)規(guī)則分析給出課程之間的關(guān)聯(lián)性;接下來,利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò),提出預(yù)測課程績點(diǎn)的算法;最后,以本校數(shù)學(xué)專業(yè)成績?yōu)榉治鰯?shù)據(jù),討論該預(yù)測方式方法的可行性和有效性.本文關(guān)鍵詞語：高校學(xué)生;課程績點(diǎn);預(yù)測方式方法;Abstract：Academicperformancepre-warningisanimportantmethodtostrengthentheconstructionofacademicstyleandimprovethequalityofteachingwherethecoursegradepredictionisabsolutelynecessary.Basedontheanalysisoftheintercurricularrelationships,theoptimizedBPneuralnetworkgeneticalgorithmisusedtopredictthecoursegradepoint.Firstly,throughintroducingthecoursegradepoint,thepercentagesystemisconvertedintothecoursegradepoint.Secondly,aprofessionalknowledgenetworkisintroducedandacoursecommunityiscreated.Then,thosestrongassociationbetweencoursesarepresentedbyaidoftheassociationrules.Fourthly,analgorithmtopredictthecoursegradebymeansofgeneticalgorithmtooptimizetheBPneuralnetworkisputforth.Finally,thescoredataofmathematicsmajorinouruniversityisanalyzedtoillustratethefeasibilityandeffectivenessofourmethod.Keyword：collegestudents;coursegradepoint;predictionmethod;0、引言隨著國內(nèi)高等教育從精英式教育走向群眾化教育,各個(gè)高校都在積極探尋求索怎樣強(qiáng)化教學(xué)管理以加強(qiáng)學(xué)風(fēng)建設(shè)和提高教學(xué)質(zhì)量.2006年,江西理工大學(xué)首創(chuàng)性提出學(xué)業(yè)預(yù)警制度,并獲得良好的效果和認(rèn)同[1].學(xué)業(yè)預(yù)警是一種信息溝通和危機(jī)預(yù)測的制度,它指的是教學(xué)管理部門根據(jù)學(xué)生管理辦法和專業(yè)培養(yǎng)方案,對學(xué)生學(xué)習(xí)情況進(jìn)行統(tǒng)計(jì)調(diào)查,將學(xué)習(xí)存在的問題以及所產(chǎn)生不良后果的信息及時(shí)告知學(xué)生和家長,同時(shí)采取有效措施幫助學(xué)生順利完成學(xué)業(yè)[1].怎樣預(yù)測課程成績并做到期初事前預(yù)警而不是期末事后處理,這對教學(xué)管理工作來講具有較強(qiáng)的實(shí)用性和參考價(jià)值.然而,在當(dāng)下實(shí)際教學(xué)管理工作中,學(xué)業(yè)預(yù)警更多的是使用初等統(tǒng)計(jì)方式方法分析學(xué)生所處的學(xué)習(xí)狀態(tài),比方補(bǔ)考率、專業(yè)排名等.該方式方法固然簡單直觀卻不能做到期初預(yù)警.為此,學(xué)者們開展了相關(guān)研究工作.王凱成[2]利用四種數(shù)據(jù)挖掘算法對學(xué)生課程績點(diǎn)進(jìn)行預(yù)測獲知畢業(yè)時(shí)候的平均績點(diǎn),王濤等[3]基于BP神經(jīng)網(wǎng)絡(luò),利用學(xué)生每學(xué)期的成績作為模型輸入,以平均學(xué)分績點(diǎn)作為模型輸出,給出平均學(xué)分績點(diǎn)預(yù)測模型.注意到,這兩項(xiàng)工作都只對學(xué)業(yè)平均(學(xué)分)績點(diǎn)做出預(yù)測,而非詳細(xì)課程成績的預(yù)測.吳暾華[4]通過構(gòu)造學(xué)業(yè)狀態(tài)特征向量,運(yùn)用支持向量機(jī)得到非線性預(yù)測模型自動(dòng)發(fā)現(xiàn)學(xué)習(xí)狀態(tài)不佳的學(xué)生并做出預(yù)警,陳勇[5]利用遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò)構(gòu)造成績預(yù)測模型,其研究具有較強(qiáng)的實(shí)用性,朱東星[6]運(yùn)用關(guān)聯(lián)規(guī)則分析挖掘出學(xué)生課程考試成績與畢業(yè)之間的關(guān)聯(lián)關(guān)系,為教務(wù)管理工作提供有價(jià)值的信息.基于對相關(guān)文獻(xiàn)的梳理,運(yùn)用數(shù)據(jù)挖掘算法對課程成績進(jìn)行預(yù)測并提出解決方案是當(dāng)下學(xué)業(yè)預(yù)警的主流研究內(nèi)容[2,3,4,5,6].上述已有研究基本以百分制成績作為分析數(shù)據(jù)[5],研究課程之間的關(guān)聯(lián)性[6,7]、目的課程的成績預(yù)測[5]、學(xué)生當(dāng)下學(xué)習(xí)所處的狀態(tài)[4]等.然而,這些研究內(nèi)容并未牽涉到課程學(xué)分,脫離了以學(xué)分制為主的評價(jià)體系.同時(shí)注意到,每一個(gè)專業(yè)的培養(yǎng)方案和教學(xué)計(jì)劃都具有整體性和系統(tǒng)性,假如純粹以學(xué)生成績作為分析數(shù)據(jù)討論課程的關(guān)聯(lián)性而不考慮課程內(nèi)容的相關(guān)性,那么這樣的課程關(guān)聯(lián)性分析就缺乏合理性和科學(xué)性.這也是當(dāng)下研究工作的一個(gè)缺乏之處.為此,本文將對學(xué)生百分制成績做一定預(yù)處理,在綜合考慮課程內(nèi)容和課程成績基礎(chǔ)上研究討論課程之間的關(guān)聯(lián)性,然后再運(yùn)用適宜的數(shù)據(jù)挖掘算法對課程成績做一定預(yù)測,進(jìn)而為學(xué)業(yè)預(yù)警工作提供相關(guān)預(yù)測信息.1、課程績點(diǎn)預(yù)測算法1.1、課程績點(diǎn)的計(jì)算為了加強(qiáng)學(xué)風(fēng)建設(shè)、提高教學(xué)質(zhì)量,各個(gè)高校都在積極探尋求索和采取有效措施改良學(xué)分制的教學(xué)管理體制.當(dāng)前,遭到公認(rèn)的成功經(jīng)歷體驗(yàn)是采取平均績點(diǎn)制[8,9].平均績點(diǎn)(gradepointaverage,GPA),是國際通行的學(xué)生學(xué)習(xí)質(zhì)量綜合評價(jià)指標(biāo).一般采用加權(quán)平均分的五級評分制計(jì)算GPA,其計(jì)算公式為:華而不實(shí),GPi表示第i門課程績點(diǎn)或簡稱績點(diǎn);Ci表示第i門課程學(xué)分.式(1)給出了GPA計(jì)算公式,該指標(biāo)能夠用于評價(jià)學(xué)生學(xué)習(xí)狀態(tài)以及能否到達(dá)畢業(yè)條件等[2,3].在該式中,計(jì)算課程績點(diǎn)GPi是其主要工作.課程績點(diǎn)是根據(jù)每門課程的成績來計(jì)算的,一般將60分計(jì)為1個(gè)績點(diǎn),往上每1分績點(diǎn)增加0.1,這樣100分就是5個(gè)績點(diǎn).不過,這樣計(jì)算方式方法會(huì)使得課程績點(diǎn)劃分了太細(xì),反倒不利于后續(xù)討論計(jì)算.因此,采用成績區(qū)間段來計(jì)算課程績點(diǎn)是比擬理想的方案,比方武漢七所部屬高校就是對不同成績區(qū)間段給出不同的課程績點(diǎn)[9].結(jié)合本校學(xué)生課程成績以及學(xué)生綜合測評的實(shí)際情況,經(jīng)過充分論證,將采用表1的課程績點(diǎn)計(jì)算規(guī)則.表1課程績點(diǎn)計(jì)算規(guī)則1.2、專業(yè)知識網(wǎng)絡(luò)和課程數(shù)據(jù)畫像為了分析課程之間的關(guān)聯(lián)關(guān)系,借鑒文獻(xiàn)[10]的基本思想,引入專業(yè)知識網(wǎng)絡(luò)、課程數(shù)據(jù)畫像等相關(guān)概念以及設(shè)計(jì)方式方法.這些將為后續(xù)分析作前期準(zhǔn)備,主要步驟如下:(1)先選取N門課程,每門課程包含Nk,1個(gè)知識單元、Nk,2個(gè)知識點(diǎn),k=1,2,,N;(2)分析課程知識點(diǎn)之間的聯(lián)絡(luò),用有向圖G1=〈V1,E1〉來表示,華而不實(shí),頂點(diǎn)集V1表示課程集,有向邊E1表示課程學(xué)習(xí)的先后順序關(guān)系;(3)同樣根據(jù)知識關(guān)聯(lián)關(guān)系對知識單元和課程建立有向圖,分別記為G2=〈V2,E2〉、G3=〈V3,E3〉.同時(shí),將知識點(diǎn)提升為知識單元、知識單元?dú)w納為課程.綜合三個(gè)層次的專業(yè)知識有向圖,記為G=〈V,E〉;(4)用專業(yè)知識關(guān)聯(lián)的數(shù)量計(jì)算出知識點(diǎn)(vi,vj)的關(guān)聯(lián)程度wij,并以此標(biāo)記出圖中每一條有向邊的權(quán)重;(5)分析每個(gè)頂點(diǎn)的出入度din和dout、度分布特性、每個(gè)頂點(diǎn)vi與所有鄰接節(jié)點(diǎn)(〈vieijvj〉)之間的實(shí)際連接與最大可能連接數(shù)之間的比率rij;(6)將整個(gè)網(wǎng)絡(luò)進(jìn)行劃分,構(gòu)成幾個(gè)具有共同特征的社團(tuán)構(gòu)造C(課程組);(7)建立專業(yè)知識有向圖并做標(biāo)識,由此建立起課程數(shù)據(jù)畫像.1.3、課程關(guān)聯(lián)規(guī)則分析在專業(yè)知識網(wǎng)絡(luò)中,課程社團(tuán)是根據(jù)課程關(guān)聯(lián)性結(jié)合在一起.在同一課程社團(tuán)內(nèi),課程之間就知識層面來講是互相關(guān)聯(lián)的.然而,這并不能作為課程關(guān)聯(lián)規(guī)則分析之用,也達(dá)不到預(yù)測的目的.為此,在課程社團(tuán)基礎(chǔ)上,運(yùn)用關(guān)聯(lián)規(guī)則分析算法計(jì)算出課程的強(qiáng)關(guān)聯(lián)規(guī)則,進(jìn)而將規(guī)則中前置條件作為前導(dǎo)課程,后置條件作為預(yù)測課程.詳細(xì)方式方法如下.首先,假設(shè)C是一類課程社團(tuán),令I(lǐng)={i1,i2,,id}是該類課程社團(tuán)中所有課程的集合,共有d門課程.同時(shí),定義支持度和置信度以度量課程關(guān)聯(lián)的強(qiáng)度,公式如下:華而不實(shí),N表示學(xué)生人數(shù);(XY)表示相對于績點(diǎn)來講在所有學(xué)生的課程事務(wù)中,課程項(xiàng)集X和Y所包含的所有課程績點(diǎn)都大于.其次,綜合考慮所有課程績點(diǎn),通過計(jì)算課程的總支持度和總置信度,能夠得到課程之間的強(qiáng)關(guān)聯(lián)規(guī)則,其計(jì)算公式如下:接下來,運(yùn)用Apriori算法,可計(jì)算出在相對于績點(diǎn)下的課程之間的強(qiáng)關(guān)聯(lián)規(guī)則.算法詳細(xì)描繪敘述如下.算法的輸入部分(1)給定一類課程社團(tuán)C和對應(yīng)的課程集合I;(2)給定N個(gè)學(xué)生、績點(diǎn)和所有學(xué)生的課程事務(wù)的集合T(3)給定一個(gè)最小支持度閾值a0和b0.算法的輸出部分(1)讀取所有學(xué)生的課程事務(wù),產(chǎn)生待選的1-課程項(xiàng)集的集合C1;(2)參照最小支持度閾值,通過待選的1-課程項(xiàng)集的集合C1產(chǎn)生頻繁1-課程項(xiàng)集的集合L1;(3)取遍i1,循環(huán)執(zhí)行下述步驟(4-6);(4)通過Li執(zhí)行連接和剪枝計(jì)算,并且由待選的i+1-課程項(xiàng)集的集合Ci+1;(5)參照最小支持度閾值,由待選的i+1-課程項(xiàng)集的集合Ci+1產(chǎn)生頻繁i+1-課程項(xiàng)集的集合Li+1;(6)判定頻繁Li能否為空集,假如不為空集,則令i=i+1并返回第(4)步,否則執(zhí)行第(7)步;(7)參照最小置信度,返回頻繁課程項(xiàng)集計(jì)算出強(qiáng)關(guān)聯(lián)規(guī)則.最后,選取與預(yù)測課程相關(guān)的強(qiáng)關(guān)聯(lián)規(guī)則,按總支持度和總置信度大小排列取一定數(shù)量的關(guān)聯(lián)課程(前置條件)作為預(yù)測的前導(dǎo)課程,其后置條件作為預(yù)測課程.1.4、BP神經(jīng)網(wǎng)絡(luò)優(yōu)化運(yùn)用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò),提出在強(qiáng)關(guān)聯(lián)規(guī)則下的課程績點(diǎn)預(yù)測算法.算法詳細(xì)描繪敘述如下.算法的輸入部分(1)給定一類課程社團(tuán)C和對應(yīng)的課程集合I;(2)給定N個(gè)學(xué)生、績點(diǎn)和所有學(xué)生的課程事務(wù)的集合T(3)給定一個(gè)最小支持度閾值a0和b0.算法的輸出部分(1)針對強(qiáng)關(guān)聯(lián)規(guī)則的課程,讀取所有學(xué)生的課程績點(diǎn)數(shù)據(jù),并對數(shù)據(jù)進(jìn)行歸一化等相關(guān)前期處理;(2)設(shè)置相關(guān)參數(shù):節(jié)點(diǎn)數(shù)量、隱層數(shù)、次數(shù)、步長、目的等;(3)初始化種群的大小,進(jìn)化代數(shù)、穿插概率和(初始)變異概率等;(4)用十進(jìn)制對種群進(jìn)行編碼,取適應(yīng)度函數(shù)為實(shí)際輸出與期望輸出績點(diǎn)不一樣的個(gè)數(shù)與總數(shù)之間的比值;(5)不斷循環(huán)直至進(jìn)化次數(shù),該經(jīng)過進(jìn)行穿插操作、變異操作、選擇操作等自適應(yīng)遺傳操作以便產(chǎn)生新種群,將得到最優(yōu)個(gè)體作為BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值;(6)利用循環(huán)計(jì)算得到的最佳初始權(quán)值和閾值設(shè)置BP神經(jīng)網(wǎng)絡(luò);(7)使用訓(xùn)練數(shù)據(jù)train訓(xùn)練BP神經(jīng)網(wǎng)絡(luò);(8)使用測試數(shù)據(jù)input＿test測試BP神經(jīng)網(wǎng)絡(luò),并將預(yù)測數(shù)據(jù)反歸一化;(9)返回分析期望數(shù)據(jù)與預(yù)測數(shù)據(jù)之間的誤差.2、實(shí)例分析首先,從教務(wù)系統(tǒng)獲取數(shù)學(xué)專業(yè)2006～2021級633位學(xué)生課程成績作為分析數(shù)據(jù),華而不實(shí)一部分作為訓(xùn)練數(shù)據(jù),另一部分作為驗(yàn)證數(shù)據(jù).其次,對課程成績數(shù)據(jù)做如下預(yù)處理:(1)選修課因人而異不具有群體性,故不列入分析討論范圍;(2)確認(rèn)正考成績、補(bǔ)考成績和重修成績,取最高分為最終成績;(3)計(jì)算每門課程的績點(diǎn).然后,在數(shù)據(jù)預(yù)處理基礎(chǔ)上選取17門專業(yè)課程作為分析對象(見表2).運(yùn)用Apriori算法對這些課程進(jìn)行關(guān)聯(lián)分析,按支持度高低進(jìn)行排列,同時(shí)取前5門置信較度的課程作為關(guān)聯(lián)課程,相關(guān)結(jié)果見表2.在考慮開課時(shí)間順序的基礎(chǔ)上,選取三組課程做績點(diǎn)預(yù)測分析.課程組一:高等代數(shù)2、概率統(tǒng)計(jì)、運(yùn)籌學(xué)、常微分方程和復(fù)變函數(shù)作為訓(xùn)練輸入,數(shù)學(xué)模型作為目的輸出.課程組二:復(fù)變函數(shù)、數(shù)學(xué)分析3、概率統(tǒng)計(jì)、大學(xué)物理和常微分方程作為訓(xùn)練輸入,數(shù)值方式方法作為目的輸出.課程組三:數(shù)據(jù)構(gòu)造、數(shù)學(xué)分析1、高等代數(shù)2、程序設(shè)計(jì)和常微分方程作為訓(xùn)練輸入,數(shù)值方式方法作為目的輸出.注意到課程組二和課程組三的目的輸出課程都是數(shù)值方式方法,不同的是:對于課程組二的訓(xùn)練輸入課程,僅通過績點(diǎn)的關(guān)聯(lián)性強(qiáng)度高低來選取;對于課程組三的訓(xùn)練輸入課程,不但要考慮績點(diǎn)的關(guān)聯(lián)性強(qiáng)度還要結(jié)合專業(yè)知識網(wǎng)絡(luò)、所在課程社團(tuán)以及知識之間關(guān)聯(lián)程度.表2強(qiáng)關(guān)聯(lián)課程和目的課程最后,設(shè)定相關(guān)參數(shù)構(gòu)建遺傳優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法.在神經(jīng)網(wǎng)絡(luò)中,由于有5個(gè)關(guān)聯(lián)課程和1個(gè)目的課程,所以輸入層和輸出層的神經(jīng)元(節(jié)點(diǎn)數(shù))分別設(shè)定為5個(gè)和1個(gè);隱含層的神經(jīng)元個(gè)數(shù)設(shè)定為11個(gè),整體逼近效果較好.在遺傳算法中,經(jīng)過不斷實(shí)驗(yàn)調(diào)試給出較優(yōu)的參數(shù)設(shè)定值,見表3.表3遺傳優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法的參數(shù)設(shè)定通過編程計(jì)算,分別得到三個(gè)課程組的目的課程績點(diǎn)的預(yù)測值和誤差值(見表4和圖1～4).詳細(xì)分析如下:第一,表4和圖1～4分別給出目的課程績點(diǎn)的預(yù)測值和誤差值,結(jié)果表示清楚該方式方法對預(yù)測目的課程績點(diǎn)總體效果較為良好,有84%以上學(xué)生的目的課程績點(diǎn)的誤差在1個(gè)數(shù)值范圍內(nèi).第二,圖2給出了課程組二和課題組三的目的課程績點(diǎn)的誤差比照圖,從圖中能夠看出課程組三的預(yù)測效果優(yōu)于課題組二,這講明結(jié)合專業(yè)知識網(wǎng)絡(luò)、課程社團(tuán)和知識之間關(guān)聯(lián)程度對于提高課程績點(diǎn)的預(yù)測準(zhǔn)確度是很有必要的.同時(shí),從專業(yè)角度來看,與課題組二比照,課程組三的訓(xùn)練輸入課程對目的輸出課程有更強(qiáng)的課程內(nèi)容相關(guān)性,這使得預(yù)測結(jié)果更具有合理性和科學(xué)性.第三,圖3～4均給出課題組三的目的課程績點(diǎn)的誤差值,華而不實(shí)圖3牽涉到預(yù)測學(xué)生數(shù)為83人,圖4牽涉到預(yù)測學(xué)生數(shù)為133人.兩個(gè)實(shí)驗(yàn)預(yù)測效果均為良好,講明該方式方法對于預(yù)測數(shù)量來講具有很強(qiáng)的穩(wěn)健性.表4課程組一的績點(diǎn)真實(shí)值和預(yù)測值3、討論通過上述分析能夠看出,在對成績數(shù)據(jù)做前期預(yù)處理和關(guān)聯(lián)性分析基礎(chǔ)上運(yùn)用遺傳優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法對課程績點(diǎn)進(jìn)行預(yù)測具有如下特色和優(yōu)勢:圖1課程組一的績點(diǎn)誤差圖2課程組二、課程組三的績點(diǎn)誤差值的比照圖3課程組三的績點(diǎn)誤差(83人)圖4課程組三的績點(diǎn)誤差(133人)第一,GPA作為學(xué)分制下評價(jià)學(xué)生成績好壞的根據(jù),在教學(xué)管理上有較多的應(yīng)用,比方畢業(yè)資格審核、獎(jiǎng)學(xué)金評選、學(xué)業(yè)預(yù)警等.根據(jù)計(jì)算公式GPA是通過課程績點(diǎn)和對應(yīng)課程學(xué)分計(jì)算出來的.因此,分析和預(yù)測課程績點(diǎn)對于GPA在教學(xué)管理中的應(yīng)用十分是學(xué)業(yè)預(yù)警方面是必要的前期工作.注意到,已有文獻(xiàn)是以學(xué)生百分制成績做學(xué)業(yè)預(yù)警分析[5],而對課程績點(diǎn)預(yù)測是這方面研究的一個(gè)補(bǔ)充.第二,區(qū)別于已有文獻(xiàn)[6,7]對課程關(guān)聯(lián)分析的研究方式方法,在專業(yè)網(wǎng)絡(luò)分析基礎(chǔ)進(jìn)行關(guān)聯(lián)性分析的方式方法不但考慮了課程內(nèi)容之間的關(guān)聯(lián)性也考慮了以成績?yōu)閿?shù)據(jù)的課程之間關(guān)聯(lián)性,這樣分析結(jié)果愈加客觀合理.第三,相關(guān)研究表示清楚BP神經(jīng)網(wǎng)絡(luò)算法對課程成績預(yù)測具有一定的不適應(yīng)性,表如今收斂速度慢、效率低下等[11].因此,需要對該算法進(jìn)行一定的優(yōu)化.解決該問題的一種比擬好方式方法是應(yīng)用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò),它能夠減少網(wǎng)絡(luò)陷入局部極小的可能性,同時(shí)也提高網(wǎng)絡(luò)收斂的速度,進(jìn)而獲得全局最優(yōu)解[5,11].4、結(jié)論本文主要以課程績點(diǎn)為分析數(shù)據(jù),引入專業(yè)知識網(wǎng)絡(luò),在強(qiáng)關(guān)聯(lián)規(guī)則下利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò),運(yùn)用改良后的算法對課程績點(diǎn)進(jìn)行預(yù)測,通過實(shí)例分析表示清楚該解決方式方法對于課程績點(diǎn)預(yù)測總體效果較為良好.進(jìn)一步將繼續(xù)沿用GPA考核體系,對所提出的預(yù)測方案予以優(yōu)化以提高預(yù)測的準(zhǔn)確度.同時(shí)作為結(jié)果的應(yīng)用,在教學(xué)改革重點(diǎn)項(xiàng)目支撐下,正在研究開發(fā)專業(yè)知識網(wǎng)絡(luò)和學(xué)業(yè)預(yù)警系統(tǒng),相關(guān)結(jié)果將在系統(tǒng)使用中得以具體表現(xiàn)出.對于教學(xué)管理者來講,能夠根據(jù)前導(dǎo)關(guān)聯(lián)課程的績點(diǎn),對學(xué)生后續(xù)課程績點(diǎn)進(jìn)行預(yù)測,并做好期初預(yù)警工作;對于學(xué)生來講,在接收到相關(guān)課程預(yù)警之后,能夠通過對關(guān)聯(lián)課程進(jìn)行溫習(xí)以及改變學(xué)習(xí)態(tài)度和學(xué)習(xí)方式方法,以利于提高目的課程績點(diǎn).以下為參考文獻(xiàn)[1]吳婉淑.從學(xué)籍管理的角度談高校學(xué)業(yè)預(yù)警[J].文教資料,2020(7):115-117.[2]王凱成.基于數(shù)據(jù)挖掘的大學(xué)生學(xué)業(yè)預(yù)警研究[D].上海:上海師范大學(xué)