电子科大最新大数据研究表明：生活越规律，平均而言学生学习成绩越好？

marked

电子科大最新大数据研究表明：生活越规律，平均而言学生学习成绩越好

是这样吗？


电子科技大学大数据研究中心科研团队一份研究表明，学生校园生活的规律性和成绩显著相关。该项研究首次揭示校园生活的规律性和学生成绩的显著关联，其相关论文《生活规律性预测学业表现：校园生活的行为分析》已于9月19日在英国皇家学会会刊发表。26日，成都商报记者联系到该论文通讯作者、电子科技大学大数据研究中心周涛教授，为我们解读了这份研究数据。

生活越规律 平均而言成绩越好？

电子科技大学大数据研究中心科研团队一份研究表明，学生校园生活的规律性和成绩显著相关，生活越规律，平均而言，学生的学习成绩越好。

电子科技大学大数据研究中心的科研团队收集和分析了近2万名大学生的食堂吃饭、宿舍洗澡、教学楼打水和进出图书馆4种行为，约3000万条刷卡记录，将教学楼打水和进出图书馆的数据生成了学生的学习努力程度指数，食堂吃饭、宿舍洗澡的数据形成了生活规律指数，再将这两个指数与学生的学习成绩进行对比，得出了学生学习努力程度指数与学习成绩呈正相关的结论，更有趣的是，学生校园生活的规律性，也和成绩呈正向关系。

从研究论文的洗澡和吃饭规律性示意图上可以看到，开始洗澡的时间在一天24小时中的分布，某位有规律的同学主要在21点左右洗澡，而没有规律的某位同学除了凌晨02：30到05：30，随时都可以去洗澡。

而在生活规律性和学业成绩正相关的示意图上，可以看到，不管是吃饭还是洗澡，生活越规律，平均而言成绩越好。

研究数据还进一步发现，校园生活的规律性和学习勤奋程度两者是不相关的。研究团队进一步将校园生活规律程度作为一组重要的行为特征来训练机器学习模型，以提高人工智能对学生成绩的预测能力。“即便在考虑勤奋程度的情况下，校园生活规律程度的引入，对学生成绩的预测精度仍然有显著提升作用。这说明校园生活规律程度对于学习成绩的影响是独立于勤奋程度的。”

选择18960名学生有效行为数据，形成研究结论

周涛教授介绍说，学生校园卡全面地记录了在校学生的学习生活行为，是比较少见的、几乎可以全面覆盖学生学习和生活行为的数据采集利器。

那么，在众多数据中，为什么单单选择了洗澡、吃饭、打水、进出图书馆这4类行为？周涛介绍说，在选取行为数据时，必须满足行为发生频次高的、累计记录多的，这样才便于进行可信的统计分析，确保结论的科学性。另外，这些行为最好都是自发行为，不容易受到外界因素干扰，在采集时也不会影响到学生的正常生活学习，不需要询问学生。

图书馆是学校学生上自习最多的地方，而在教学楼自习时间较长，就会有打水等行为，所以可以用来评估学生的学习勤奋程度。如果一个学生一个月在教学楼打水80次，但是最近一个月只有一两次，也可以观测出这个学生的行为异常，而无论学生课程表和课外活动如何安排，必然会留有吃饭和洗澡的时间，这些行为与其他因素没有太大关系，可以用来刻画生活规律性。

周涛介绍说，在研究过程中，采集的行为数据覆盖时间段是从2009年9月到2015年7月，前后约6年时间，剔除了行为数据中断、数据量太少等样本，最终选择了18960名学生的有效行为数据，大约3000多万条校园卡刷卡记录，最终形成了这一研究结论。

可监测学生异常行为，从而进行提前干预

周涛认为，尽管目前的结论是使用匿名数据得出的，但对于学校教学管理，尤其是定量化、个性化、前置化和动态化的教学管理，有很大意义。“这种行为数据作为一个前置性、引导性的指标，可以让学校管理者认识到学生的行为数据和学业发展之间的关系。”

周涛说，不仅在大学校园，在中学、小学，甚至是幼儿园，都可以用类似的技术去观察学生是否在集中注意力听课，学生的状态是否阳光开朗，是不是有孤僻自闭行为。“例如，网络游戏成瘾的学生表现出极不规律的生活作息，抑郁和孤僻的学生更倾向于独来独往。行为数据分析方法有助于及时察觉学生的异常行为和心理问题，采取干预和帮助措施，更好地引导学生的校园生活。”研究团队也希望寻找到一部分志愿者，在他们的同意下，获得与真实身份可对应的行为数据，从而加强研究结论的实际可用性。

周涛举例说，针对退学学生或者已有心理疾病的学生，可以建立更精细化的模型，来判断学生的行为变化。比如说一些沉溺于网络游戏甚至完全逃课不上学的学生，无故多天离开学校，失去联系，这会反映在学生的校园卡记录上，通过数据分析能够早期发现信号，让学工部或者其辅导员可以掌握到这一异常信号，进行人工干预，可以尽可能地避免产生不可挽回的结果。

“总之，把学生在学习生活过程中表现出来的行为特征，纳入到精细化教学管理的范畴中。”周涛说。针对个人隐私问题，周涛教授介绍说，研究人员在拿到数据时，已经做了匿名化处理，无从得知数据号码对应的学号是多少。同时，学生在某个寝室洗澡、在哪个食堂吃饭，精确到分钟以及地点的这类信息会进行模糊化处理，技术人员无法从原有数据中反向获知这个学生到底是谁。