实验三学生用户画像-考勤主题扩展标签构建、可视化标签化实验说明实验目的基于我们整理好的学生考勤标签表student_attendance_stats我们可以使用 K-Means 聚类对学生做个自动分群。主要看迟到、早退、请假、校服违规这些指标把他们按考勤表现划分成不同类型最后形成几个可以明显分析出原因的考勤画像。这样做的话后续继续做学生管理和行为分析也能有更实在的数据之支撑。实验环境实验平台助睿在线实验平台 https://lab.guilian.cn/本次实验使用助睿数智Uniplore作为一站式数据科学平台。该平台覆盖从数据接入、ETL处理、机器学习建模到可视化展示的全链路零代码功能适用于数据分析教学与企业数据加工场景。助睿数智官网为https://www.uniplore.com/本次实验主要用到以下功能平台数据集成平台助睿 ETL人工智能平台助睿 AI助睿BI 数据可视化探索平台数据库MySQL前置数据学生考勤主题标签表student_attendance_stats实验数据数据构成这一次实验我们使用实验二输出的学生考勤主题标签表数据包含学生基础信息与考勤次数统计结果利用这些数据我们可以获得干净、标准化的特征数据。字段说明建模思路通过我们对数据的观察以及对考勤分群的业务需求分析确定本次建模的分析思路如下数据里的变量不多维度也比较清晰主要都围绕考勤的几个核心行为。从业务角度看我们可以把分析重点放在迟到、早退、请假、校服违规这四类指标上。每个指标对应一种独立的考勤表现彼此之间业务含义不重叠相关性也不高所以不需要做复杂降维直接拿它们做 K-Means 聚类就行。这样既能避免变量冗余带来的解释困难也让后续结果更贴近实际。这次用的全是次数类的连续变量类型统一正好符合 K-Means 算法的要求。考勤次数都是非负整数本身就是连续型数据不需要做哑变量编码、二值化或者其它特殊转换直接输入模型就好预处理流程可以做得比较简洁聚类结果也更稳定。至于性别、年级、是否住校这些学生基础属性我们不把它们放进聚类模型中只作为后续画画像时的辅助解释变量来用。实验步骤人工智能平台AI Studio是一站式大数据智能应用平台以零代码拖拽的方式简化机器学习全流程提供从数据加载、预处理、特征工程到模型训练与评估的完整解决方案。平台内置 100 数据挖掘算法组件支持主流深度学习框架同时具备可视化建模、智能一键分析、协作共享与精细版本管理能力无需深厚编程知识即可高效实现数据价值挖掘与智能分析。AI Studio 聚类建模新建工作流这个任务是我们所有实验的基础。我们需要使用AI Studio搭建一个从数据加载到聚类建模、再到结果输出的完整流程为后续的建模工作提供一个独立的运行空间。我们先点击左边菜单的“人工智能”进入了人工智能平台AI Studio随后便进入了人工智能模块的用户空间。接着我们点击“”图标然后选择“新建工作流”。人工智能模块的页面是一个集构建、运行、编辑、查看于一体的工作区域。在这个页面中主要包含三个模块菜单栏、控件列表以及用于构建工作流的画布。具体样子如下图所示数据导入我们需要将student_attendance_stats这份数据加载进来。我们在控件列表里搜索“数据库加载”控件然后直接把它拖拽到画布上。我们双击“数据库加载”控件右边会弹出一个参数配置窗口。我们在窗口里填入了团队私有数据库的连接信息然后点击了“连接”。在弹出的新窗口中我们点击下拉框从列表里选择了 student_attendance_stats 这张表。选择完成后系统会自动加载表的信息。因为我们主要是想分析各类异常考勤占比的特征所以只保留了 student_id、class_id、late_count、early_leave_count、leave_count、uniform_violate_count 这几个字段其他字段都选择了跳过skip。之后我们为保留下来的字段选好了对应的属性类型最后点击“确定”。我们右键点击“数据库加载”控件选择“运行该控件”。运行成功后我们右键点击它选择“查看输出结果”。在弹出的窗口中我们就能看到刚才保留下来的数据。K-Means聚类建模我们从控件区拖入了一个“K-Means”组件并创建了一条从“数据库加载”组件到“K-Means”组件的连线。我们双击“K-Means”组件在配置窗口中我们把“簇数量”设置为固定的3个其他的选项都保持默认不变。我们右键运行这个控件并查看输出结果。可以看到每个学生都被标记了对应的簇类分别是C1、C2或C3。结果输出与保护聚类之后的数据我们需要把它保存到数据库里方便后续使用。我们拖拽一个“数据入库”组件到画布上然后创建一条从“K-Means”组件到“数据入库”组件的连线。我们双击“数据入库”组件在数据库配置里输入我们团队私有数据库的参数并点击“获取表信息”。在弹出的窗口中我们选择“新建数据表”把表名称修改为 student_cluster然后点击“确定”最后我们运行整个工作流。看到每个控件都成功运行了就说明这个工作流运行成功了。分析聚类簇编号对应的考勤群体分类上一步骤输出的聚类簇编号只是一串代号我们还无法直接知道它对应着什么样的考勤群体。要解决这个问题我们需要借助助睿BI平台进行可视化分析。点击实验平台左边的菜单“助睿BI”进入助睿BI平台。进入助睿BI平台的首页后我们可以看到该账户下的数据情况、数据分析处理流程以及支持的数据源类型。连接数据源上一步骤输出的 student_cluster 表存放在我们的团队私有数据库中所以我们首先需要在助睿BI平台里创建一个数据库连接。我们点击左边菜单中的“数据源”。然后点击左上角的“”图标选择“新建连接” - “MySQL”。在弹出的窗口里我们需要输入自己所在小组在Uniplore实验平台的数据库连接账号信息然后点击“测试连接”。连接成功后我们需要点击新建的数据库目录才能看到本次实验所要用到的学生考勤主题标签表。构建数据集数据源连接成功后我们要把需要分析的数据表构建成一个数据集。我们需要点击左边菜单中的“数据集”。下一步点击左上角的“”图标选择“新建数据集”。在弹出的窗口中需要我们输入数据集名称、所属分组、备注信息后点击“确认”。在数据集创建成功了以后会自动跳到该数据集的配置页面第一步需要我们先选择数据源助睿BI平台为防止这个步骤遗漏做了强提醒点击“好的我知道了”可关闭提醒。数据源的第一个选项选择我们刚刚新建的数据源“商业数据分析实验” 第二个选项则选择student_cluster 所在的目录“cs_group_4”。数据源选择完成后cs_group_4目录下的数据表自动出现在画布左边我们把student_cluster 拖拽至画布中。查看数据的表结构及数据为方便进行后续分析我们需要字段备注分别修改为中文在student_id的字段备注输入框中输入“学生ID”并点击“√”保存。其他字段的字段备注按照同样操作进行修改字段别名参考如下在保存提示中点击“保存并发布”只有发布后的数据集才能在工作表中引用制作工作表工作表是助睿BI平台中用来承载可视化图表、完成数据探索与分析的核心单元也是实现数据可视化展示的基础载体。接下来我们开始制作聚类簇编号对应的考勤群体分类的工作表。第一步我们点击左边菜单中的“工作表”进入工作表模块。为了方便管理我们决定把这次制作的工作表都集中存放在一个目录下。我们点击了左上角的“” - “新建分组”。在弹出的窗口里我们需要分别输入分组名称、选择所属分组、填写备注信息后点击“确认”。然后我们右键点击“聚类簇对应的考勤画像群体分类分析”这个分组或者点击分组右边的“...”。在操作列表中我们点击“新建工作表”。在弹出的窗口里我们输入工作表名称为“迟到早退次数的聚类簇分析”选择所属分组填写备注信息后点击“确认”。页面会自动跳转到工作表设计页面之后我们点击右上角的“好的我知道了”来关闭提醒即可。我们选择刚刚创建好的“聚类簇编号数据集”作为数据集。图表类型我们选择“探索器”。然后我们需要把字段“late_count迟到次数”拖拽到X轴把“early_leave_count早退次数”拖拽到Y轴。接着我们点击图形设置按钮打开设置面板。在设置面板里我们点击颜色区域的“”号在下拉框中选择“Cluster聚类簇编号”然后点击“确认”。然后我们点击信息区域的“”号在下拉框中选择“student_id学生ID”并点击“确认”。我们还需要把“student_id学生ID”设置为“维度”。系统默认的显示限额是2000条数据为了确保所有数据都能显示出来我们把限额设置为了100%。为了让不同聚类簇的区别更明显我们可以设置聚类簇编号的颜色。我们点击颜色区域的设置按钮切换一个对比更强烈的主题。注意颜色设置完成后需要点击一下颜色区域外的地方才会生效。点击保存按钮保存并发布工作表按照同样的方法我们重新新建工作表依次两两分析另外几个异常考勤次数的三个聚类簇的表现情况。迟到与请假次数的聚类簇分析迟到与没穿校服次数的聚类簇分析早退与请假次数的聚类簇分析早退与没穿校服次数的聚类簇分析请假与没穿校服次数的聚类簇分析搭建仪表盘为了更好地观察和分析以上制作的6个工作表我们可以把它们都放在一起。我们点击左边菜单的“仪表盘”。然后点击左上角的“” - “新建仪表盘”。我们把仪表盘名字输入为“聚类簇分析”备注信息也填上“聚类簇分析”然后点击“确认”。在右边的组件与工作表区域我们点击“基础组件”。我们拖拽一个文本组件到画布中。在文本组件里我们输入标题“聚类簇分析”并设置字体颜色、字体大小还加了粗、居中对齐。并调整如下图。接着我们点击工作表组件的显示按钮。切换到“工作表”选项卡我们把在3.2.3节中制作的所有工作表都拖拽到了画布中。最后的效果如下图点击保存按钮保存并发布仪表盘聚类群体画像解读结合 6 组两两指标散点图的分布特征我们可以为 C1、C2、C3 三类聚类簇赋予清晰的业务含义完成从机器编号到可解释学生画像的转化C1黄色自律模范型在迟到、早退、请假、校服违规次数的所有组合中数据点高度集中在低频次区间无明显离群值。这类学生出勤稳定、纪律意识强各类异常行为极少是校园考勤行为的正面典型。C2青色轻微波动型 整体数据点同样集中在低频次区间但相比 C1 分布略散少量记录存在轻微的校服违规或请假行为迟到、早退次数始终保持低位。这类学生整体纪律可控仅存在偶发的轻微考勤波动属于需要日常提醒的群体。C3蓝色纪律高危型 数据点呈现明显的 “离群特征”在迟到次数与其他指标的组合图中出现了大量高频迟到记录且伴随有不同程度的早退、请假或校服违规行为是唯一存在多维度叠加违纪的群体。这类学生考勤问题突出是校园管理中需要重点关注和干预的核心对象。将映射结果加入学生考勤主题标签表我们需要将最终群体分类数据增加到上一个实验输出的结果表学生考勤主题标签表 student_attendance_stats 中新增扩展字段上一个实验输出的结果表 student_attendance_stats 里没有考勤群体分类的字段所以我们需要先给它增加两个字段cluster聚类簇编号attendance_group考勤群体分类我们进入上一个实验在数据集成平台中创建的ETL项目新建一个名为“增加考勤主题扩展标签字段”的转换流然后拖拽了“执行一个SQL脚本”组件到画布中。双击“执行一个SQL脚本”组件在配置窗口中数据库连接“团队私有数据库”输入SQL脚本后点击“确认”执行转换流聚类簇编号数据获取接下来我们需要使用 3.1这步骤中 AI Studio 输出的结果表 student_cluster xxx打开上一个实验创建的项目创建转换流“增加考勤群体分类标签”双击“表输入”组件从团队私有数据库中获取 3.1步骤中的分类结果表 student_cluster 的所有SQL 查询语句。字段选择获取的数据中我们只需保留 student_id、Cluster 字段拖拽“字段选择”组件到画布中并创建“表输入”组件到“字段选择”组件的连线双击“字段选择”组件点击“移除”选项并在字段名称下方空白区域右键-点击“获取字段”选中 student_id、Cluster 字段后右键“删除选中的行”表述除 student_id、Cluster 外其他字段均被移。为了保持和 student_attendance_stats 表中字段类型一致不影响后续数据更新到 student_attendance_stats需要将 student_id、class_id 的类型修改为Integer点击元数据选项插入2行 student_id、class_id 的配置如下聚类簇编号映射原始聚类簇编号以编号形式存储可读性差通过映射转换增加中文说明添加“值映射”组件到画布中并字段选择组件到值映射组件的连线并选择“主输出步骤”双击“值映射”组件使用的字段名为“Cluster ” 目标字段名为“attendance_group”在下方字段值表格空白处右键点击“插入”双击插入的行在源值中输入“C1”目标值输入“轻微波动型”代表将原数据中的“C1”统一映射为“自律模范型”同样的再插入2行设置源值“C2”目标值“轻微波动型”源值“C3”目标值“纪律高危型”并点击“确认”更新学生考勤主题标签拖拽“更新”组件到画布中并创建值映射组件到更新组件的连线双击“更新”组件在配置窗口中数据库连接选择团队私有数据目标模式为cs_group_4用来查询的关键字表格空白处获取字段保留 student_id、class_id表示更新时查询到数据表与流里的字段1相同时执行更新操作更新字段表格空白处获取字段删除 student_id这里需要注意我们在增加扩展字段时聚类簇编号的字段为cluster所以在表字段的 Cluster 字段中需要双击后点击下拉框选择正确的表字段最后的配置如下表示当数据表的student_id与流里的student_id相同时将流字段Cluster、attendance_group的值更新到表字段cluster、attendance_group中运行转换流点击运行按钮查看结果切换“元数据”选项右键“团队私有数据库”点击“加载元数据”加载成功后点击“数据探查”在团队私有数据库中点击 student_attendance_stats 在点击“查询”可以看到 cluster、attendance_group的数据已经更新成功了实验总结本次实验基于学生考勤次数数据我们采用K-Means聚类算法完成了学生考勤群体的自动划分。由于选用的都是次数类特征模型的稳定性和可解释性都比较理想。随后我们借助助睿BI平台进行可视化分析为机器生成的聚类簇赋予了明确的业务含义最终将学生精准划分为自律模范型、轻微波动型、纪律高危型三类。之后我们把聚类标签回写到了原始考勤表中完成了考勤主题扩展标签的构建。这些成果可以为校园学生精细化管理、行为干预以及个性化教育提供可靠的数据支撑。可视化实验说明实验目的在完成K-Means聚类和考勤群体标注的基础上我们本次实验把重点聚焦在了“纪律高危型”群体上专门分析他们的行为特征。跟其他群体相比这群学生的特点是违纪频率高而且迟到、早退、请假、校服违规等多个维度的问题经常叠加出现可以说是校园考勤管理中风险最高、影响最大的群体。通过做这个专项画像分析我们希望能为精准干预和重点整治提供数据依据真正帮学校实现精细化管理。实验环境本次实验使用助睿数智Uniplore作为一站式数据科学平台。该平台覆盖从数据接入、ETL处理、机器学习建模到可视化展示的全链路零代码功能适用于数据分析教学与企业数据加工场景。助睿数智官网为https://www.uniplore.com/本次实验主要用到 助睿BI 数据可视化探索平台、MySQL数据库 数据源student_attendance_stats 学生考勤主题标签表 实验设备计算机支持助睿平台运行具备数据库连接权限实验数据数据结构student_attendance_stats 学生考勤主题标签表的数据结构如下样例数据实验步骤进入助睿BI进入实验平台后点击左边菜单的“助睿BI”进入助睿BI可视化探索平台进入助睿BI 平台的首页可以看到该账户下的数据情况、数据分析处理流程、支持的数据源有哪些连接数据源student_attendance_stats 存放于我们的团队私有数据库中而上一个实验在“分析聚类簇编号对应的考勤群体分类”时已经创建了团队私有数据库的连接因此我们可以直接使用这个数据源无需再连接数据源。构建数据集接下来我们使用 student_attendance_stats 构建数据集用于后续分析点击左边菜单中的“数据集”点击左上角“” - “新建数据集”数据源的第一个选项选择我们刚刚新建的数据源“商业数据分析实验” 第二个选项则选择student_attendance_stats 所在的目录“cs_group_4”数据源选择完成后cs_group_4目录下的数据表自动出现在画布左边将student_attendance_stats拖拽至画布中查看数据的表结构及数据由于我们之前实验中的建表语句中已经包含了字段的中文备注因此这里我们不需要设置字段备注直接点击画布左上角“保存”按钮制作工作表工作表是承载可视化图表、开展数据分析的基础单元点击左边菜单中的“工作表”进入工作表模块为方便管理相同主题分析的工作表最好都放置在一个目录下点击左上角的“” - “新建分组”在弹窗中输入分组名称、选择所属分组、填写备注信息后点击“确认”整体概况指标卡指标卡是助睿BI 平台中用于直观展示核心统计数值的基础组件能够快速呈现关键指标便于整体把控高危群体概况。指标卡是助睿BI 平台中用于直观展示核心统计数值的基础组件能够快速呈现关键指标便于整体把控高危群体概况。在操作列表中点击“新建工作表”在弹窗中输入工作表名称为“纪律高危型人数”、选择所属分组、填写备注信息后点击“确认”自动跳转到工作表设计页面点击右上角“好的我知道了”来关闭提醒在数据集下拉框中选择广告构建的数据集“学生考勤主题数据集”纪律高危型人数纪律高危型中的所有学生ID去重计数 在左边基础图表中点击“指标卡”将字段“student_id学生ID”拖拽到值点开字段“student_id”的聚合类型点击“去重计数”点击图形设置图标打开设置面板点击过滤器中的“”在下拉框中选择“attendance_group考勤群体分类”并点击“确认点击过滤器中“attendance_group”后的“···” - “编辑”在过滤器配置中点击“包含以下选项”并勾选“纪律高危型”在点击“确认”指标卡即显示纪律高危型人数接下来我们可以点击“样式设置”对指标卡样式进行调整点开基础设置将4个边距都改为最大值16点开标题设置将标题字体大小改色16字体颜色改为红色显示位置改为顶部居中点击“保存”按钮点击“显示分组”按钮即可看到学生总人数指标卡已经发布成功按照同样的步骤获得如下图整体指标分析从整体指标卡可以清晰看到纪律高危型学生总人数为715 人其中男生 57 人、女生 70 人、未知性别 588 人。高危群体整体规模清晰其中女生人数多于男生说明高危群体存在明显的性别分布特点需要从性别角度进一步深入分析。纪律高危型学生性别特征分析在该环节我们制作纪律高危型学生性别占比饼图同时结合全校性别基数数据分析高危群体的性别倾向纪律高危型学生男女人数占比可以看到存在性别“未知”数据需要将“未知”数据过滤掉点击图像设置并点击过滤器中的“”在下拉列表中选择“gender”最后点击“确认”、并点击过滤器中的“”在下拉列表中选择“attendance_group”最后点击“确认”点击过滤器中的“attendance_group”后的“···”并点击“编辑”在过滤器设置中点击“包含以下选项”勾选“纪律高危型”点击“确认”系统默认的饼图没有百分比标签数据我们可以点击“样式设置” - “图表元素设置” - “标签显示形式” - “勾选百分比”其他样式可根据自身需求设置例如图表元素设置中的内环大小设置为“50%”扇形设置中的扇形圆角半径设置为“10”还可以修改主题色样式调整完毕后点击“保存”按钮“保存并发布”工作表同样的方法获得下图性别特征分析排除性别未知数据的情况下从全校性别分布来看男生占比为 53.03%女生占比为 46.97%而在纪律高危型学生群体中女生占比为 55.12%男生占比下降至 44.88%。对比两组数据可以发现女生在高危群体中的占比55.12%高于其在全校的基数占比46.97%而男生在高危群体中的占比44.88%则低于其在全校的基数占比53.03%。这一结果表明纪律高危型学生中女生占比偏高并非由全校性别基数差异导致而是女生在考勤违纪行为上的真实风险更高。结合女生规则意识、时间观念相对薄弱的特点更易出现高频违纪行为因此是高危群体的主要构成对象后续管理需针对性加强女生考勤纪律引导。纪律高危型学生年级特征分析在该环节我们制作纪律高危型学生年级分布堆叠条形图观察不同年级高危学生的情况新建工作表“纪律高危型学生年级特征分析”数据集选择“学生考勤主题数据集”图表类型选择“柱状图”将字段“grade”拖拽到X轴“student_id”拖拽到Y轴并将“student_id”的聚合方式设置为“去重计数”点击图像设置按钮在过滤器中添加字段“attendance_group”同样的方法获得下图年级特征分析从年级分布柱状图可以看出纪律高危型学生在各年级的分布存在明显差异高三年级高危学生人数最多达 340 人高二年级次之为 290 人高一年级高危学生人数相对较少为 228 人。这可能与高三学生面临的升学压力、在校时间安排以及部分学生的课程安排调整有关例如备考节奏紧张、校外培训或特殊升学路径安排都可能导致考勤行为出现波动。高年级学生学业压力大、自主空间广、心态浮躁对考勤纪律重视度下降因此高危占比随年级升高明显上升。校区类型与年级交叉特征分析从校区类型与年级交叉柱状图可以看出纪律高危型学生的校区分布差异显著高危学生高度集中在老校区新校区高危人数整体较少仅高一 21 人、高二 20 人老校区高危学生中“未知性别” 类别人数最多达 588 人女生 21 人、男生 20 人新校区无高三高危学生数据。数据表明老校区高危学生占比远高于新校区并非仅因基数大老校区是高危学生的高发区与年级分布特征吻合新校区整体风险可控。综合来看老校区尤其是高年级是高危核心聚集区后续管理需重点聚焦该群体制定针对性措施。同时不同校区各年级整体学生人数显示老校区高一 1169 人、高三 1883 人、高二 1374 人新校区高一 148 人、高二 295 人进一步验证了老校区学生基数大、高危占比高的特点。纪律高危型学生班级特征分析接下来我们分析纪律高危型学生的班级特征定位高危学生集中的班级新建工作表“纪律高危型学生班级特征分析”数据集选择“学生考勤主题数据集”图表类型选择“水平条图”将字段“class_name”拖拽至Y轴“student_id”拖拽至X轴并将“student_id”的聚合方式设置为“去重计数”过滤器中添加字段“attendance_group”为了方便观察高危型学生的集中班级我们可以将“student_id”按降序排序这样人数多的班级就排在前面班级特征分析从班级水平条形图可以清晰看到纪律高危型学生高度集中在少数班级呈现明显的聚集性特征其中高三 (09) 班高危人数最多达 36 人其次为高三 (13) 班、高三 (07) 班、高三 (08) 班等人数均在 20 人以上多数班级高危人数极少部分班级无高危学生。结合年级分布特征来看高危学生主要集中在高三年级的部分班级这既与高三学生升学备考节奏紧张、课程安排灵活有关也说明高危行为与班级管理强度、班风氛围、同伴影响密切相关。少数薄弱班级需要重点整治通过加强班主任监管、整顿班风阻断不良风气传染搭建综合仪表盘访问地址http://47.109.153.89/#/share/dashboard/2059945594566348800纪律高危型学生画像分析总结整体概况纪律高危型学生总人数为715人该群体存在高频迟到、早退、请假及校服违规行为多维度违纪叠加是校园考勤管理中最需重点关注的群体。其中女生57人、男生70人、未知性别588人。值得注意的是女生在高危群体中的实际占比高于男生这与常规认知有所不同需引起重视。该群体人数虽相对可控但行为影响大易引发不良风气需专项治理。核心特征性别特征女生为高危群体的主要构成对象。排除未知性别数据后女生在高危群体中占比55.12%显著高于其在全校的基数占比46.97%男生占比44.88%则低于其全校基数53.03%。说明女生在考勤违纪行为上的真实风险更高与女生规则意识、时间观念相对薄弱有关。年级特征高危学生高度集中于高年级随年级升高占比明显上升。其中高三年级人数最多340人高二年级次之290人高一年级相对较少228人。高年级学生面临升学压力、自主空间扩大、心态易浮躁对考勤纪律重视度有所下降。校区特征高危学生高度集中在老校区新校区风险较低。老校区高危人数远高于新校区其中“未知性别”类别人数最多588人。新校区仅高一、高二有少量高危学生高三无高危数据。这一分布差异与校区通勤条件、管理模式、学风氛围密切相关。班级特征高危学生存在明显班级聚集性集中在少数管理薄弱、班风涣散的班级。其中高三09班高危人数最多36人高三13班、高三07班、高三08班等均在20人以上多数班级高危人数极少甚至为零。这与班级管理强度、同伴效应直接相关。管理建议重点关注高年级女生群体针对女生针对性开展考勤纪律教育与时间管理培训强化规则意识扭转女生高危占比偏高的现状。加强老校区高年级管理针对老校区优化通勤管理、强化考勤监督营造严谨学风氛围重点盯防高三年级降低学生违纪风险。整治高危学生集中班级加强班主任监管力度整顿班风建立班级考勤责任制对高三09班等重灾班级进行重点整治阻断不良风气传染。建立高危学生台账一对一建档家校联动制定个性化矫正方案跟踪干预效果防止违纪行为固化。