文档介绍：高校大学生综合素质评价框架研究
作者:肖永良 罗永恒 李香宝 刘文彬 贺灿卫
[摘 要] 全面、客观、科学地对高校大学生综合素质进行评价是高校素质教育一个价进而提升自身素质的研究也越来越多。许多学者对高校大学生综合素质评价的理论和方法进行了深入研究和分析。周晓晶等人在考虑多方协同创新人才培养的基础上,创建了包括有12个二级指标的综合素质评价指标。而董卓宁等人为了区别不同指标的重要程度,根据经验把思想政治、专业知识、实践创新、人文和身心等分配了不同的权值。赵曦等人通过分析学生行为数据与综合素质发展之间的联系,提出了基于行为大数据的综合素质评价系统。为了解决当前评价系统与学生实际情况之间的误差,徐雪丽等人提出一种多级模糊综合评判的方法。毛军权等人则结合层次分析和模糊综合提出了新的综合素质评价方法。这些优秀的研究成果为我们研究大学生综合素质评价提供了很好的理论和技术支持。
2 评价框架
评价特征提取
常见的大学生综合素质评价方案是把各个评价指标进行加权处理而获得评价结果,其缺点是无法准确描述两者之间存在的非线性关系,因此一般采用主成分分析方法,从众高校大学生综合素质评价指标中获取有效的信息。主成分分析方法的思路是把高维空间投影到低维空间去分析,这些低维空间的数据之间互不相关,同时又能保留高维空间数据中包含的重要信息。
我们假设高维空间中有大学生综合素质数据集X=[x1,x2,…,xl,xl+1,…,xl+u],l+u=N,其中前面的l个样本X是有标签的数据样本,各类样本数为Ni,l=(1,2,…,c),c为类别数,后面的u个样本Xu为无标签的数据样本。
对比以上两个式子可知,半监督主成分分析方法在提取大学生综合素质评价指标信息时,不仅考虑了整个数据样本的分布情况,同时还综合了已知样本的标签信息来指导信息的提取,保留了指标特征之间存在的非线性关系。很明显,综合利用样本的分类标签信息和全局结构信息构建的半监督模型更加符合大学生综合素质评价的现实情况。
评价模型构建
支持向量机模型是數据分析中的一项新技术,它通过统计学****理论和优化理论解决机器学****的相关问题,已经成功地运用于各种模式识别的领域。其核心思想就是通过构建一个具有最优分类面的判别函数,把已有标签的数据样本准确地进行区分,同时还要满足样本间隔最大的约束条件。该模型的优点是只需少量的已知标签样本,构建出符合大学生综合素质评价要求的非线性模型。
在对大学生综合素质评价进行评价时,假设给定训练样本:X={(xi,yi),i=1,2,…,n},xi∈Rd,yi∈{+1,-1},n为训练样本个数,d为每个训练样本向量的维数,y为分类类别。在线性可分的情况下,求解决策函数需要构造如下优化问题:
很明显,我们在已知类别的样本基础上,还充分利用未标记数据进行辅助训练。其优点是半监督支持向量机不但利用了有标签样本对单个样本精确描述的优势,而且发挥了无标签样本对样本集整体描述的重要作用。与常用的对评价指标进行加权处理方法明显不同的是,半监督支持向量机通过学****算法可以获得评价结果与评价指标之间的非线性关系,这更有助于对大学生综合素质进行科