随着我国高等教育的快速发展，教务教学管理部门面临着一个日益突出的问题，那就是，在确保大多数学生按照培养方案的要求完成学业的同时，如何对那些因为各种原因未能按照培养方案的要求完成相应学业的学生进行及时、有效的预警?

学术预警系统利用高校学生的基本信息和课程成绩数据，运用数据挖掘及机器学习技术，分析影响本科学生学业失败风险的关键因素。

对于学校来说，分析学科成绩间的内在联系可以为各专业培养计划中的课程设置提供重要的参考依据。此外，通过对学生以往成绩的对比分析，可以为每个学生的学业水平做出科学合理的预估，为划分奖学金评定与学业警示的标准提供参考。对于每个学生而言，能更好地认识到自己学习上的优势和劣势，从而做出针对性的调整；对于学校而言，可以事前针对发现有重修或退学风险的学生，采取更有效的干预措施。

在西方社会特别是以美国为代表的高等院校，学分制已经施行了一百多年的时间，并且在教学管理中不断的改进和完善。在美国的高等学校，学分制本身也是“问责"和“预警”的一个主要手段。学分制是衡量学生发展过程的一个工具。学生要获得学位必须完成一定数量的课程与学分。学校也可能会要求学生的平均绩点必须达到一定的认可标准才授予学位，或要求学生每年必须获得一定数量的学分。学生必须达到可接受的学习进程标准，否则可能被转为“试读"甚至中止学业。
日本根据本国的实际情况在面向本科阶段的高等院校中普遍采用学分学年制。学分学年制在对学生学习过称进行督促和监控中有较大的影响力，授课教师和教务管理部门可以针对不同年级的同学施行不同程度和不同方式的“预警”，这样既保证绝大多数学生的培养质量，又给予学生一定的自由权，同时保证了国家强调的教育内容，如外语、体育、一般教养及必要的专业知识等科目得以落实。日本的在学年学分制下的学业预警的不足之处主要表现在规定过细，管理过死，灵活性不够，容易让学生产生抵触情绪和厌学情绪。

与国外相比，国内对数据挖掘与知识发现的研究与应用开始稍晚，还处于刚起步的阶段，没有形成行业研究领域的整体力量。

目前国内高校的教务管理系统，大多采用的是功能模块设计，以武汉理工大学为例，教务管理系统由学分制选课系统、成绩查询、评教模块、培养计划查询等模块组成，数据库中包含学生学号、姓名、专业班级、成绩等信息。大部分高校的管理系统在成绩分析方面，只能进行一些简单的统计，例如平均值、最值、及格率、优秀率等，要进行学科成绩之间的内部联系分析只能通过人工计算的方式。

2. 研究的基本内容与方案

基本内容：

以武汉理工大学学生成绩为数据样本，参考国外先进技术方案，通过数据挖掘有关的方法和工具对培养方案中的课程信息和学生的选课及成绩信息进行深入的分析和处理，从而挖掘出隐含在数据中的先前未知的、有价值的信息一一包括课程预警信息在内的学业预警信息，用作为学生的下一阶段学习提供规划支持，为老师的下一阶段对学生的学习督导提供决策支持。

目标：

实现数据导入和学业风险预测的自动化，并对学业预测的结果进行可视化呈现。