随着数据挖掘技术和深度学习技术的不断发展,为我们从海量数据中得到有价值的信息并加以利用成为了可能。与此同时,教育信息化的蓬勃发展使得各大高校在智慧校园的建设投入也大大增加,部署了众多信息管理系统,如学籍管理系统、网络教学系统、校园一卡通系统等。这些系统存储了学生信息以及各式各样的行为数据,如何从这类教育大数据中挖掘出有效信息,让数据驱动决策成为了教育数据挖掘(Educational Data Minging,EDM)的核心内容。早期学习预警(Early Warning for Learning)通常是指对学生背景信息、课程成绩、学习行为等教育数据进行挖掘与分析,定位出处于辍学、挂科等风险的学生以便教师提供干预措施。本文基于校园多源异构数据,结合教育数据挖掘、深度学习技术,力图及早定位出有挂科风险的学生,以便纠正学生的学习态度与习惯,从而提高学生成绩。首先,对教育数据挖掘的相关研究领域及其流程进行了研究。其次,通过数据预处理提取了学生个人信息、消费、生活规律等方面的一些特征,并利用描述性统计和聚类方法来分析特征,将学生分为了高、中、低消费三个群体,便于将数据集中的连续型变量离散化。接着,利用Apriori算法挖掘离散化后的特征与学生是否挂科之间的关联性,结果表明学生是否挂科与学生高考成绩和籍贯最为相关,与学生洗浴水平、校车搭乘以及晚睡次数等特征关联较弱。最后,鉴于现有学习预警未考虑时间维度的问题,提出了一种按时间维度划分数据集的预测方法;随后提出了一种基于双向长短时记忆神经网络(Bi-directional Long-Short Term Memory,Bi LSTM)的深度双向LSTM模型(Deep Bi LSTM,DBi LSTM)对学生成绩进行预测,该模型由输入层、Bi LSTM部分、全连接层部分、Dropout层、输出层组成。Bi LSTM与全连接层部分将n层Bi LSTM与全连接层叠加起来作为隐藏层用于对数据的深层次特征挖掘,同时引入Dropout层来防止网络过拟合,提升了模型的泛化能力。结果表明,DBi LSTM-SMOTE模型在学期中期便能准确预测学生挂科情况,可作为早期预警模型。