学生行为对学业成绩影响的智能分析

一、引言

在新工科建设与人工智能快速发展的背景下，教育模式正加速转型，机器学习等技术逐步渗透到教学与管理中，为学生培养提出了新的要求[1]。未来的人才不仅需要扎实的专业基础，还应具备跨学科整合与创新能力，以适应复杂的应用场景和社会需求。相关教育政策也在不断强化对学生学习行为的规范与引导，例如强调课堂出勤、学习习惯、实践训练和体育锻炼的重要性，并将其纳入综合评价体系[2]。这些制度导向表明，学生的日常行为和学习投入与学业成绩之间存在密切联系。基于此研究，本文利用Kaggle 平台公开数据集，结合数据挖掘方法，从多维度刻画学生的学习行为，探索其对成绩表现的综合影响，为智能教育环境下的学业评价与人才培养提供参考。

二、学生行为分析

（一）在学习投入方面，大多数学生将 3 至 5 小时用于学习，这一区间构成了学习投入的主体，说明多数人保持着相对稳定的学习习惯。然而，仍有少部分学生每日学习不足 3 小时，甚至出现个别几乎没有学习投入的情况。这类学生在知识掌握和能力提升上存在明显风险，若缺乏后续补救措施，其学业表现可能受到严重影响。与之形成对照的是，少量学生在学习中表现出超常的投入，每日学习时间远高于平均水平。

（二）在出勤行为方面，大多数学生的出勤率集中在 85% 左右，表明缺课现象在群体中普遍存在。如果学生未能通过自主学习及时补上缺失的知识点，可能导致对课程内容的掌握出现断层，进一步影响综合成绩。然而，有少数学生出勤率不足 60% ，这类学生在课堂参与上明显不足，学习效果难以保证。但值得注意的是，如果能够针对低出勤群体采取个性化督导和学业干预，他们的成绩仍有较大提升空间。

（三）在社交媒体使用习惯方面，大多数学生每日花费在社交媒体上的时间为 2 至 3 小时，这一比例说明社交媒体已成为日常生活中不可忽视的一部分，对学生的时间分配产生持续影响。少数学生每日使用时长超过5 小时，对于该群体而言，过度沉浸可能带来时间浪费与注意力分散，甚至削弱学习投入的质量。

三、学生行为对成绩的影响

为深入分析学生行为特征对学业成绩的作用规律，本文选取了 Kaggle平台提供的模拟数据集作为研究基础。如表 1 所示，数据集采用合成方式生成，旨在刻画学生群体中学习行为与成绩表现之间的潜在联系。该数据集共包含 1000 个学生样本，为后续模型构建与实证分析提供了可靠的数据支撑。

表 1 数据集的详细信息

为了系统评估学生不同学习行为对学业成绩的影响，本文采用了信息增益（Information Gain）方法对关键特征进行筛选。信息增益是一种常见的特征选择指标，其基本思想是通过比较某一行为特征在引入前后对成绩划分所造成的不确定性变化，来判断该特征的重要性。一般而言，信息增益数值越大，说明该特征在区分不同成绩水平时的贡献越突出。

具体地实施的步骤如下所示。计算学生每个习惯对成绩的信息增益，以衡量该习惯在划分成绩上的区分能力。首先，通过计算整个数据集 D 中目标变量（成绩）的信息熵 H（T）。其中， z_i 是第 j 个类别在目标变量中的概率。其次，对于学生的每个习惯 1A ，使用计算习惯对应的条件熵。其中，是习惯 14 取第 j 个值时的子集。条件熵反映在已知某一习惯取值的情况下，成绩的剩余不确定性。最后，通过得到学生习惯 1A 的信息增益。通过这一方法，可以识别出最能解释成绩差异的关键行为特征，为后续的预测与干预提供依据。

学生行为对成绩的影响结果如表 2 所示。从信息增益值来看，每天学习时间对成绩的影响最为显著，其信息增益值达到 0.5114，远高于其他变量，说明学习投入是成绩差异的核心决定因素。缺乏足够学习时间的学生往往难以在考试中取得理想成绩，这与既有的教育实践和学习规律高度一致。其次，媒体使用行为与精神健康状况也表现出较强的相关性，信息增益值分别为 0.0534 和 0.0442。过度依赖社交媒体容易占用学习时间、分散注意力，而心理健康不佳则可能削弱学习动机与认知能力，进而间接影响成绩表现。再次，娱乐类媒体使用（如 Netflix）也在一定程度上对成绩产生负面作用，其信息增益值为 0.0219，提示过度娱乐会挤压学习时间。最后，睡眠时长的信息增益值为 0.0310，虽然相对较低，但仍显示出其对成绩的潜在影响。过短的睡眠可能降低精力与专注度，而过长的睡眠则可能导致时间利用效率下降。综上，学习时长是最关键的影响因素，而媒体使用、精神健康与睡眠习惯则作为次要变量共同作用于学业表现。

表 2 学生行为对成绩的影响结果（影响力排名前 5）