杜 平

本研究基于多源学生数据构建了面向四级学业风险等级的分类与回归模型。实验结果表明，LightGBM在回归评估中决定系数R²为0.6461，平均绝对误差为0.1579，均方误差为0.2146，展现出较高的数值预测精度。在分类任务中，模型整体准确率达86.23%，对正常学生的识别召回率高达98.75%。计算效率方面，LightGBM训练耗时仅0.3606秒，单样本预测时间低至0.0162毫秒，能够满足大规模在线学业预警的实时性需求。研究表明，LightGBM凭借其梯度提升框架与算法优化，在分类准确率、误差控制及计算效率上表现优异，是构建学情大数据预警系统的理想模型。

LightGBM；学情大数据；学业预警；梯度提升；分类预测；计算效率

[1] 王计生,徐多勇,唐莉,等.基于大数据的高校学生心理危机智能预警模型构建[J].成都医学院学报,2024,19(1):111-115. [2] 任慧娜.基于校园行为数据挖掘的学生学业预警模型构建分析[J].信息系统工程,2026(3):22-25. [3] 刘发稳,方芳,孙土土,谢显杰.基于群智感知数据的高职院校学业预警系统设计与实现[J].电脑知识与技术,2026(5):64-67. [4] 舒仕文.LightGBM模型及其应用[J].信息记录材料,2022(007):023. [5] 李娟,郭蕊,郑天悦.基于动态多维学情画像的学生学业预警与干预系统设计[J].北京工业职业技术学院学报,2026,25(1):19-24.

点击下载PDF