排名均值越小，成績越好。

　　1新奇的發現

　　打水次數減少35次學生成績相應降低了26名

　　電子科大教育大數據研究所成立于去年，數十名師生共同承擔著我國多項教育研究課題。周濤曾介紹研究所說，數據中心集中了學校上萬名學子的行為、消費等匿名信息，研究所基于這些數據，進行整合、分析與運用。

　　據介紹，目前學生的數據包括出入寢室的時間、進出圖書館的次數、借閱書籍的種類、在教學樓打水的次數、去澡堂洗澡的時間等。“學生畫像”的研究團隊首先會根據這些數據與實際行為的關聯性，“計算”出每名學生的學習、生活狀態，從而預測學生是否有掛科的可能，甚至還有輔導學生更好規劃自己學業的可能。

　　通過這一年時間的大數據統計，可以看出，在電子科技大學：總體上，女生平均成績好于男生;大二上學期，成績兩極化最為明顯。

　　同時，還總結出一個規律，學生成績波動之前，生活模式會先發生變化。比如，一名學生第一學期在教室打水的次數為53，他的成績在565位同學中排名200;第二學期，這名學生的打水次數減少了35次，他的成績也相應降低了26名。

　　2如何成為學霸?

　　生活有規律多與成績好的學生做朋友

　　通過大數據研究，其實可以發現，學霸也是有規律可循的。這不，教育大數據研究所根據這些數據，繪制出了“學霸”和“學渣”的學習生活軌跡。來，一起看下，想要成為學霸，你要做些什么?

　　一、去圖書館和教學樓次數越多，成績越好

　　在大數據研究所提供的圖表一上，記者可以看到，第一學期，成績最好的學生進入圖書館的次數為55次，成績最差的學生進入圖書館的次數為35次;到了第四學期，成績最好的學生進入圖書館的次數為61次，成績最差的學生進入圖書館的次數為18次。

　　正如圖表所顯示的，“學生畫像”的研究團隊通過大數據分析，發現出入圖書館次數比較多的學生，成績要優于出入圖書館次數比較少的學生。而同一名學生，隨著出入圖書館次數的增多或減少，成績排名在上下浮動。

　　同樣的情況也存在教學樓，學生去教學樓飲水機上打水次數越多，就說明學生長期在教學樓里活動。第三學期的數據顯示(圖二)，成績最好的學生在教學樓打水近80次，成績最差的學生在教學樓打水不到10次。這也說明，經常在教學樓活動的學生，成績就越好。

　　二、生活、學習有規律的學生，成績更好

　　研究人員通過分析全校本科生進出宿舍、在食堂吃飯、去澡堂洗澡等記錄，發現成績好的學生除了在教學樓打水次數比較多之外，生活、學習等行為習慣比成績差的更有規律。

　　以吃早飯的次數為例(圖三)，第二學期，成績最好的學生吃早餐次數在110次，成績最差的學生吃早餐次數僅為60次。也就是說，9點前出現在食堂吃早餐的同學，成績也相對更好。

　　除此之外，研究還發現，在固定時間進出宿舍，在宿舍的平均時長少的學生，成績遠遠高于經常宅在宿舍的學生。

　　三、身邊朋友成績較好，自身成績也相對較好

　　大數據顯示，學霸的身邊總是圍繞著學霸，身邊朋友成績較好，自身成績也相對較好。

　　電子科大教育大數據研究所有專門分析“朋友圈”的模塊，主要分析同校的朋友。“兩個朋友關系越親密，共同行動的概率就越大，而陌生人之間則不然，這是已經經過仔細驗證的結論。”基于此，研究所的專家們對學生們的共現頻率進行了統計分析，凡是兩兩間較短間隔內在同一場所，研究人員都進行了記錄，以此獲取兩人的關系親密程度，超過某一親密程度的則為朋友，以此獲取每個人的朋友圈信息。此后，研究人員再結合學生基本信息，獲取學生與朋友之間的標識，如室友、同班、同學院等，進而進一步分析學生的交際能力與偏好。

　　研究人員在分析了學生和朋友們之間的成績之后，得出一個研究結果：學生自身成績與身邊朋友的成績具有很強的相關性。

　　3科研人員建議

　　大學新生們這樣做你也能成為“學霸”

　　基于以上的研究成果，教育大數據研究所也給出了一定的建議：

　　生活習慣很重要，請注意保持生活的規律性，早上6點起床跑步讀書吃早餐而不是8點起床飛奔去上課，你這一天的感覺會完全不一樣;

　　一定要抽時間鍛煉身體，不要天天宅，睡懶覺和打游戲不如出去跑跑步，打打球;

　　不要迷戀網絡游戲;入學就打好學習基礎;多去教室圖書館學習。

　　4掛科預警

　　推送給輔導員及時調整學生的學習狀態

　　除了教你如何成為“學霸”之外，“學生畫像”還可以幫學生預測成績，發出“掛科預警”。

　　據介紹，掛科預警就是通過學生學習基礎以及由日常行為特征體現出的努力程度，綜合分析提前預測學生掛科可能性，并將掛科可能性較高的群體發送給輔導員，幫助他們提前引導，有效提升學生的學習成績。

　　研究人員告訴記者，掛科預警主要從三個方面分析：一是刻畫學生生活與學習的規律性。比如，如果某學生最近幾個月作息極不規律，那么他的成績就會有下滑的可能;二是分析課程相關性，先導課程的掌握程度對后續課程的成績有大的影響。比如，如果某學生微積分—I分數在及格邊緣，那么后續課程微積分—II就有較高的掛科可能性。三是計算學生在該課程上付出的精力。比如，如果發現該生在圖書館從未借閱與微積分課程相關的圖書，那么他在該課上掛科的可能性會進一步提高。

　　依據這些分析，系統便可計算出學生的掛科可能性，類似于“電磁場與波有87.5%的可能性掛科”這樣的信息就會推送給輔導員，由輔導員介入調整學生的學習狀態。

　　5如何保護隱私?

　　不強調個人情況對異常狀況提供人文關懷

　　通過數據挖掘獲知學生在校行為記錄，這是否意味著學生的行蹤被監控，侵犯了學生的隱私權?

　　其實不然。教育大數據研究所副所長連德富強調，如今，“大數據”已滲透到生活的各個領域。學校做數據收集，不會去強調每個人的情況，而是察看學生整體的學習生活狀況，及時預測預警學生異常狀況，為學校的決策提供數據支撐。比如，根據學生就業能力情況，學校及時開展個性化引導，提升學生就業水平;根據學生實際消費情況，找出隱性困難學生，提升學校人文關懷等。