一般能力傾向測(cè)驗(yàn)的預(yù)測(cè)效度：神經(jīng)網(wǎng)絡(luò)的應(yīng)用

摘要：本研究運(yùn)用神經(jīng)網(wǎng)絡(luò)檢驗(yàn)了一般能力傾向成套測(cè)驗(yàn)（GATB）對(duì)不同學(xué)科大學(xué)生專業(yè)成績(jī)的預(yù)測(cè)效度。對(duì)1022名大學(xué)生均施測(cè)GATB，并隨機(jī)選取其中652名，將其期末專業(yè)考試成績(jī)作為衡量專業(yè)成績(jī)的指標(biāo)，建立人工神經(jīng)網(wǎng)絡(luò)（ANN）模型。研究發(fā)現(xiàn)：對(duì)文、理、工三類專業(yè)大學(xué)生專業(yè)成績(jī)預(yù)測(cè)的ANN模型估計(jì)的準(zhǔn)確率均在90%以上， GATB分?jǐn)?shù)可以用來(lái)預(yù)測(cè)不同專業(yè)學(xué)生的專業(yè)成績(jī)。文科大學(xué)生最敏感的能力因子是言語(yǔ)能力，系數(shù)為0.523；理科大學(xué)生最敏感的能力因子是數(shù)理能力，系數(shù)為0.471；工科大學(xué)生最敏感的能力因子是空間判斷能力，系數(shù)是0.594。

關(guān)鍵詞：心理學(xué)；效度；一般能力傾向成套測(cè)驗(yàn)（GATB）；人工神經(jīng)網(wǎng)絡(luò)（ANN）模型；大學(xué)生

一、問(wèn)題提出

一般能力傾向成套測(cè)驗(yàn)（General Aptitude Test Battery，GATB）是美國(guó)勞工部就業(yè)保險(xiǎn)局歷時(shí)50年，耗資數(shù)億美元，研究了美國(guó)上萬(wàn)種職業(yè)后編制而成的著名測(cè)驗(yàn)。這套測(cè)驗(yàn)應(yīng)用較廣，已被大量研究證明具有良好的信效度，能夠很好地預(yù)測(cè)職業(yè)成功和學(xué)術(shù)成就。GATB是適用于初三以上年級(jí)的中學(xué)生及成年人的團(tuán)體測(cè)驗(yàn)，包含15種分測(cè)驗(yàn)（11種紙筆測(cè)驗(yàn)，4種操作測(cè)驗(yàn)），可在120～130分鐘內(nèi)測(cè)量9種與職業(yè)關(guān)系密切并有代表性的能力因素。這9種能力傾向因素為：一般智力、言語(yǔ)能力、數(shù)理能力、空間關(guān)系理解力、形狀知覺(jué)能力、文書知覺(jué)能力、動(dòng)作協(xié)調(diào)能力、手指靈活性及手部靈巧性。Hammond1984年對(duì)GATB的結(jié)構(gòu)進(jìn)行因素分析發(fā)現(xiàn)，GATB測(cè)量的其實(shí)是4種更普遍、更高層次的能力：言語(yǔ)能力、數(shù)理能力、工具組合能力和空間能力[1]。GATB在國(guó)外應(yīng)用廣泛，是升學(xué)、就業(yè)指導(dǎo)以及人員選擇與安置的重要工具。而Droege等研究發(fā)現(xiàn)：GATB的一般智力、言語(yǔ)能力、數(shù)理能力和書寫知覺(jué)測(cè)驗(yàn)可以作為預(yù)測(cè)學(xué)業(yè)成績(jī)的良好工具[2]。R.L.Thorndike和E.P.Hagen報(bào)告，用GATB預(yù)測(cè)工程學(xué)校學(xué)生的專業(yè)成績(jī)的R2最低0.46，最高0.58[3]。

個(gè)體在大學(xué)期間的專業(yè)學(xué)習(xí)將奠定他們一生職業(yè)生涯的基礎(chǔ)。在美國(guó)，大學(xué)生入學(xué)之初，要進(jìn)行一項(xiàng)學(xué)術(shù)能力測(cè)驗(yàn)（SAT），通過(guò)這種學(xué)術(shù)能力測(cè)驗(yàn)，可以預(yù)測(cè)大學(xué)生在大學(xué)期間的專業(yè)學(xué)習(xí)成績(jī)。也有研究者應(yīng)用一般能力傾向成套測(cè)驗(yàn)（GATB）來(lái)預(yù)測(cè)大學(xué)生的專業(yè)成績(jī)。在預(yù)測(cè)方法方面，以前的研究大都是運(yùn)用傳統(tǒng)的多元回歸算法。如果應(yīng)用神經(jīng)網(wǎng)絡(luò)模型新技術(shù)，效度是否會(huì)有提高呢？這值得我們來(lái)探索一番。

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network， ANN）是近年來(lái)發(fā)展起來(lái)的一門新興學(xué)科、新技術(shù)。它應(yīng)用了一種信息處理系統(tǒng)或計(jì)算機(jī)模仿大腦的結(jié)構(gòu)和功能，可稱之為人腦處理信息方式的簡(jiǎn)化模型[4]。ANN今天已經(jīng)成為世界關(guān)注的熱點(diǎn)，引起各國(guó)政府與軍界的高度重視。

目前人工神經(jīng)網(wǎng)絡(luò)（ANN）的算法基本成熟。人工神經(jīng)網(wǎng)絡(luò)包括三部分：輸入層（input layer），隱藏層（hidden layer），輸出層（output layer）。輸入的數(shù)據(jù)顯示在第一層，其值從每個(gè)神經(jīng)元傳播到下一層的每個(gè)神經(jīng)元，最終從輸出層輸出結(jié)果。ANN是功能強(qiáng)大的函數(shù)估計(jì)器，只需基本的統(tǒng)計(jì)或數(shù)學(xué)知識(shí)就能夠進(jìn)行訓(xùn)練，并加以應(yīng)用[4]。特別值得注意的是，它是一種非線性系統(tǒng)，具有一個(gè)隱藏層的神經(jīng)網(wǎng)絡(luò)算法，可以擬合輸入和輸出之間的任意非線性關(guān)系，而不要求資料滿足正態(tài)分布或其他特殊分布，可以自由估計(jì)模型（即非參數(shù)模型）。因此，神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的綜合能力，輸入和輸出間的聯(lián)系可由訓(xùn)練習(xí)得，再運(yùn)用于計(jì)算中[5]。

BP（back propagation）神經(jīng)網(wǎng)絡(luò)是ANN的一種，由James McClelland和David Rumelhart在1986年提出[6]。它是一種典型的前饋神經(jīng)網(wǎng)絡(luò)，其權(quán)重的調(diào)整采用反向傳播的學(xué)習(xí)算法，神經(jīng)元的變換函數(shù)是S型函數(shù)，輸出量是0～1之間的連續(xù)量，可以實(shí)現(xiàn)從輸入到輸出的任意非線性映射[7]。通過(guò)對(duì)網(wǎng)絡(luò)參數(shù)的選取，在確定了網(wǎng)絡(luò)層數(shù)、隱含層神經(jīng)元數(shù)、初始權(quán)重、學(xué)習(xí)速率、期望誤差及最大步長(zhǎng)后，構(gòu)建神經(jīng)網(wǎng)絡(luò)模型。確定網(wǎng)絡(luò)的結(jié)構(gòu)后，利用輸入輸出樣本進(jìn)行訓(xùn)練，也就是對(duì)網(wǎng)絡(luò)進(jìn)行調(diào)整，多次反復(fù)，直到樣本收斂，使網(wǎng)絡(luò)實(shí)現(xiàn)給定的輸入輸出映射關(guān)系，從而獲知最重要的影響因素。

從ANN誕生之日起，它與心理學(xué)就有著千絲萬(wàn)縷的聯(lián)系。神經(jīng)網(wǎng)絡(luò)的靈感來(lái)自于神經(jīng)元的信息處理功能，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練則可以反映感覺(jué)、記憶、學(xué)習(xí)等認(rèn)知過(guò)程[8]。ANN已被研究者廣泛應(yīng)用于視知覺(jué)識(shí)別[9]、技能培養(yǎng)[10]、語(yǔ)言發(fā)展[11]等認(rèn)知領(lǐng)域。研究者發(fā)現(xiàn)，ANN對(duì)于內(nèi)隱記憶、內(nèi)隱學(xué)習(xí)等無(wú)意識(shí)認(rèn)知過(guò)程有著極強(qiáng)的適應(yīng)性[12，13]，對(duì)神經(jīng)網(wǎng)絡(luò)來(lái)說(shuō)，外界環(huán)境的每一次輸入都可能會(huì)引起網(wǎng)絡(luò)結(jié)構(gòu)的重新調(diào)整（權(quán)重變化），從而改變?cè)摼W(wǎng)絡(luò)下一次的加工模式。

社會(huì)認(rèn)知與ANN有著類似的信息加工過(guò)程。社會(huì)認(rèn)知過(guò)程中，人們會(huì)按照某種規(guī)則對(duì)所經(jīng)驗(yàn)的事件進(jìn)行組織，從而影響他們?cè)陬愃骗h(huán)境下對(duì)待相似對(duì)象的印象與態(tài)度。因此，許多研究者針對(duì)印象形成[14]、歸因[15]、認(rèn)知矛盾[16]、群體印象[17]等建立了各具特色的神經(jīng)網(wǎng)絡(luò)模型。

由于ANN的模仿對(duì)象是人腦神經(jīng)系統(tǒng)的處理方式，因此，它在功能上也具有某些智能的特點(diǎn)。神經(jīng)網(wǎng)絡(luò)主要有以下幾個(gè)基本功能：非線性映射、分類識(shí)別、知識(shí)處理。目前，神經(jīng)網(wǎng)絡(luò)已經(jīng)廣泛應(yīng)用于信息領(lǐng)域、自動(dòng)化領(lǐng)域、工程領(lǐng)域、醫(yī)學(xué)領(lǐng)域、經(jīng)濟(jì)學(xué)領(lǐng)域等各知識(shí)領(lǐng)域中，其智能化的特征解決了許多傳統(tǒng)信息處理方法無(wú)法解決的問(wèn)題[18]。目前，學(xué)術(shù)界已經(jīng)普遍認(rèn)同，人工神經(jīng)網(wǎng)絡(luò)方法是一種有效的研究工具，能夠代替?zhèn)鹘y(tǒng)的回歸分析方法，并可以在不同的領(lǐng)域進(jìn)行廣泛應(yīng)用。然而，心理測(cè)量學(xué)領(lǐng)域內(nèi)運(yùn)用人工神經(jīng)網(wǎng)絡(luò)方法的研究還相當(dāng)少見(jiàn)。

本研究將使用神經(jīng)網(wǎng)絡(luò)算法，取代傳統(tǒng)的回歸分析，嘗試檢驗(yàn)一般能力傾向成套測(cè)驗(yàn)預(yù)測(cè)不同學(xué)科大學(xué)生的專業(yè)成績(jī)的效度。

二、研究方法與研究過(guò)程

1.研究工具

以戴忠恒等修訂的一般能力傾向成套測(cè)驗(yàn)（GATB）為研究工具，該測(cè)驗(yàn)共包括15種分測(cè)驗(yàn)，其中11種為筆試，分別為： 圓內(nèi)打點(diǎn)測(cè)驗(yàn)、記號(hào)記入測(cè)驗(yàn)、形狀相配測(cè)驗(yàn)、名稱比較測(cè)驗(yàn)、圖案相配測(cè)驗(yàn)、平面圖判斷測(cè)驗(yàn)、計(jì)算測(cè)驗(yàn)、詞義測(cè)驗(yàn)、立體圖判斷測(cè)驗(yàn)、句子完成測(cè)驗(yàn)、算術(shù)應(yīng)用測(cè)驗(yàn)；4種為器具測(cè)驗(yàn)：插入測(cè)驗(yàn)、轉(zhuǎn)動(dòng)測(cè)驗(yàn)、組裝測(cè)驗(yàn)、拆卸測(cè)驗(yàn)。

本研究采用團(tuán)體施測(cè)方式，每次施測(cè)有2名以上熟悉本測(cè)驗(yàn)所有項(xiàng)目的主試，最多對(duì)38名被試同時(shí)施測(cè)。首先由主試?yán)首x指導(dǎo)語(yǔ)，在所有被試明白測(cè)驗(yàn)的要求和具體做法后開(kāi)始測(cè)驗(yàn)。因11項(xiàng)紙筆分測(cè)驗(yàn)均為速度測(cè)驗(yàn)，所以由主試使用秒表準(zhǔn)確計(jì)時(shí)。

2.研究對(duì)象

在江蘇、安徽、上海等省市的7所院校對(duì)在校大學(xué)生進(jìn)行團(tuán)體施測(cè)。共施測(cè)1022人。其中男生521人（51.0%），女生501人（49.0%）；“211工程”院校569人（55.7%），普通本科院校453人（44.3%）；大一464人（45.4%），大二104人（10.2%），大三321人（31.4%），大四133人（13.0%）；文科446人（43.7%），理科221人（21.6%），工科355人（34.7%）。

3.數(shù)據(jù)收集

隨機(jī)選取其中652名大學(xué)生，對(duì)他們期末考試中的專業(yè)課成績(jī)求出平均分并以班級(jí)為單位進(jìn)行標(biāo)準(zhǔn)化，以此標(biāo)準(zhǔn)分作為衡量其專業(yè)成績(jī)的標(biāo)準(zhǔn)。在652名大學(xué)生中，文科專業(yè)268人，占41.1%；理科專業(yè)218人，占33.4%；工科專業(yè)166人，占25.5%；年齡17～24歲，平均20±1歲；男生320人，占46.3%，女生371人，占53.7%。

三、構(gòu)建神經(jīng)網(wǎng)絡(luò)模型

使用專業(yè)軟件Clementine12.0構(gòu)建神經(jīng)網(wǎng)絡(luò)模型。首先對(duì)樣本數(shù)據(jù)進(jìn)行歸一化處理，以便更好地對(duì)數(shù)據(jù)關(guān)系進(jìn)行映射，從而使其參數(shù)都落在（0，1）之間。歸一化選用以下公式：

P=（p-pmin）/（pmax-pmin）

公式中，pmin，pmax分別表示歸一化之前的最小值和最大值，P為歸一化值，p為歸一化之前的值。經(jīng)過(guò)歸一化轉(zhuǎn)換的結(jié)果在本研究中以P表示，例如P專業(yè)課均分。

經(jīng)過(guò)歸一化處理后，開(kāi)始正式建模。在Clementine中應(yīng)用神經(jīng)網(wǎng)絡(luò)進(jìn)行能力傾向?qū)I(yè)成績(jī)預(yù)測(cè)的過(guò)程如下：首先選擇數(shù)據(jù)源，將GATB的7項(xiàng)能力傾向數(shù)據(jù)選為輸入變量，將標(biāo)記專業(yè)課均分項(xiàng)選為輸出變量。然后在字段選項(xiàng)中選擇其中的分區(qū)節(jié)點(diǎn)，設(shè)置訓(xùn)練、測(cè)試、驗(yàn)證區(qū)域樣本比例，這是構(gòu)建神經(jīng)網(wǎng)絡(luò)模型所需要的一個(gè)設(shè)置?？傮w挖掘過(guò)程如圖1 所示。

圖1 數(shù)據(jù)挖掘過(guò)程

接著在模型里選擇神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練方法。Clementine提供了快速、動(dòng)態(tài)、多重、修剪、RBFN和窮舉型修剪六種用于構(gòu)建神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練方法（Silverston，數(shù)據(jù)模型資源手冊(cè)）。選擇快速的訓(xùn)練方法，即使用數(shù)據(jù)的簡(jiǎn)明規(guī)則和特征來(lái)選擇適合的網(wǎng)絡(luò)形狀（拓?fù)洌?/p>

此后在模型中設(shè)置預(yù)防過(guò)度訓(xùn)練，將數(shù)據(jù)隨機(jī)分割為訓(xùn)練集合和檢驗(yàn)集合兩部分，設(shè)置70%的樣本為訓(xùn)練集合，并將隨機(jī)種子設(shè)置為18。特定的隨機(jī)種子通常會(huì)生成相同的隨機(jī)值序列，產(chǎn)生相同的生成模型，從而使結(jié)果模型具有精確的可再現(xiàn)性。本研究中的預(yù)防過(guò)度訓(xùn)練與隨機(jī)種子設(shè)置見(jiàn)圖2。

圖2 模型設(shè)置結(jié)果

四、結(jié)果分析

1.文科大學(xué)生一般能力傾向?qū)I(yè)成績(jī)的預(yù)測(cè)模型

本模型顯示出模型在生成前的選項(xiàng)和生成后的統(tǒng)計(jì)情況。結(jié)果顯示模型對(duì)建模數(shù)據(jù)估計(jì)的準(zhǔn)確率達(dá)90.247%，其中輸入層有7個(gè)神經(jīng)元，隱藏層有1∶3個(gè)神經(jīng)元，輸出層有1個(gè)神經(jīng)元。

對(duì)各輸入點(diǎn)的敏感度進(jìn)行分析顯示，各輸入字段的相對(duì)重要性參數(shù)，按重要性排序?yàn)檠哉Z(yǔ)能力、一般智力、形狀知覺(jué)、運(yùn)動(dòng)協(xié)調(diào)、數(shù)理能力、書寫知覺(jué)、空間判斷能力，其敏感性系數(shù)依次為0.523、0.191、0.09、0.053、0.05、0.047、0.045。

將Neural Net結(jié)果結(jié)點(diǎn)連接在數(shù)據(jù)流中的分區(qū)結(jié)點(diǎn)后，向數(shù)據(jù)流中增加分析節(jié)點(diǎn)，模型分析結(jié)果見(jiàn)圖3，由圖可知，文科學(xué)生一般能力傾向?qū)I(yè)成績(jī)模型的平均預(yù)測(cè)誤差在-0.004到0.036之間，絕對(duì)平均誤差在0.103到0.105之間，該模型的預(yù)測(cè)誤差在可以接受的范圍之內(nèi)。

圖3 文科大學(xué)生一般能力傾向?qū)I(yè)成績(jī)的預(yù)測(cè)模型分析結(jié)果

再向數(shù)據(jù)流中增加導(dǎo)出結(jié)點(diǎn)。將導(dǎo)出結(jié)點(diǎn)連接到Neural Net結(jié)果結(jié)點(diǎn)。設(shè)置該結(jié)點(diǎn)屬性，將增添的字段的值設(shè)置為【abs（P專業(yè)課均分 - '$N- P專業(yè)課均分'） / P專業(yè)課均分】 * 100，其中$N- P專業(yè)課均分是由神經(jīng)網(wǎng)絡(luò)生成的預(yù)測(cè)結(jié)果，如圖4所示。該圖形的橫坐標(biāo)為導(dǎo)出值，縱坐標(biāo)表示一共有多少個(gè)樣本的導(dǎo)出值落在相對(duì)應(yīng)的橫坐標(biāo)上。由導(dǎo)出的定義公式可知，導(dǎo)出值越小，則表明預(yù)測(cè)值與實(shí)際值的差別越小。由輸出圖形可以看出，該模型已達(dá)到一定的精度。

圖4 文科大學(xué)生一般能力傾向?qū)I(yè)成績(jī)的預(yù)測(cè)模型精度直方圖

2.理科大學(xué)生能力傾向?qū)I(yè)成績(jī)的預(yù)測(cè)模型

理科大學(xué)生一般能力傾向?qū)I(yè)成績(jī)預(yù)測(cè)模型顯示模型對(duì)建模數(shù)據(jù)估計(jì)的準(zhǔn)確率達(dá)90.979%，輸入層、隱藏層、輸出層的神經(jīng)元個(gè)數(shù)與文科大學(xué)生模型的數(shù)量相同，分別為7個(gè)、1∶3個(gè)、1個(gè)。

理科大學(xué)生一般能力傾向?qū)I(yè)成績(jī)預(yù)測(cè)的各輸入點(diǎn)的敏感度分析顯示：按重要性排序?yàn)閿?shù)理能力、一般智力、空間判斷能力、書寫知覺(jué)、言語(yǔ)能力、形狀知覺(jué)、運(yùn)動(dòng)協(xié)調(diào)，其敏感性系數(shù)依次為0.471、0.233、0.132、0.073、0.046、0.042、0.003。

圖5 理科大學(xué)生一般能力傾向?qū)I(yè)成績(jī)的預(yù)測(cè)模型分析結(jié)果

模型分析結(jié)果見(jiàn)圖5，由圖可知，理科學(xué)生一般能力傾向?qū)I(yè)成績(jī)模型的平均預(yù)測(cè)誤差在-0.022到0.006之間，絕對(duì)平均誤差在0.091到0.097之間，結(jié)合圖6可知，模型達(dá)到了一定的精度。

圖6 理科大學(xué)生一般能力傾向?qū)I(yè)成績(jī)的預(yù)測(cè)模型精度直方圖

3.工科大學(xué)生能力傾向?qū)I(yè)成績(jī)的預(yù)測(cè)模型

工科大學(xué)生一般能力傾向?qū)I(yè)成績(jī)的預(yù)測(cè)模型顯示模型對(duì)建模數(shù)據(jù)估計(jì)的準(zhǔn)確率達(dá)90.381%，輸入層、隱藏層、輸出層的神經(jīng)元個(gè)數(shù)與之前相同，分別為7個(gè)、1∶3個(gè)、1個(gè)。

工科大學(xué)生一般能力傾向?qū)I(yè)成績(jī)預(yù)測(cè)的各輸入點(diǎn)的敏感度分析結(jié)果顯示：按重要性排序?yàn)榭臻g判斷能力、一般智力、言語(yǔ)能力、書寫知覺(jué)、形狀知覺(jué)、數(shù)理能力、運(yùn)動(dòng)協(xié)調(diào)，其敏感性系數(shù)依次為0.594、0.202、0.084、0.048、0.035、0.029、0.008。

模型分析結(jié)果（見(jiàn)圖7）顯示，工科學(xué)生一般能力傾向?qū)I(yè)成績(jī)模型的平均預(yù)測(cè)誤差在-0.044到0.008之間，絕對(duì)平均誤差在0.106到0.115之間。模型精度直方圖（見(jiàn)圖8）顯示，由圖可知，導(dǎo)出值集中在一個(gè)很小的范圍之內(nèi)，模型達(dá)到了一定的精度。

圖8 工科大學(xué)生一般能力傾向?qū)I(yè)成績(jī)的預(yù)測(cè)模型精度直方圖

五、討論

神經(jīng)網(wǎng)絡(luò)具有的非線性映射、自適應(yīng)學(xué)習(xí)、并行性、知識(shí)分布存儲(chǔ)、逼近任意復(fù)雜連續(xù)函數(shù)等信息處理能力，克服了傳統(tǒng)預(yù)測(cè)方法對(duì)于數(shù)據(jù)處理方面的缺陷，使神經(jīng)網(wǎng)絡(luò)能夠在心理測(cè)量領(lǐng)域發(fā)揮重要作用。值得注意的是，回歸分析要求數(shù)據(jù)正態(tài)分布、線性，以及連續(xù)變量這些比較嚴(yán)苛的條件，在神經(jīng)網(wǎng)絡(luò)模型中卻不需要這些前提條件。也就是說(shuō)，神經(jīng)網(wǎng)絡(luò)的算法具有非線性的特點(diǎn)。這可以大大彌補(bǔ)傳統(tǒng)統(tǒng)計(jì)方法的線性模型的局限。

本研究以人工神經(jīng)網(wǎng)絡(luò)建模為統(tǒng)計(jì)手段，分別建立文、理、工三類大學(xué)生一般能力傾向?qū)ζ鋵I(yè)成績(jī)的預(yù)測(cè)模型，由建網(wǎng)信息和模型分析結(jié)果可知，三個(gè)模型對(duì)建模數(shù)據(jù)估計(jì)的準(zhǔn)確率均達(dá)到90%以上，預(yù)測(cè)的平均預(yù)測(cè)誤差在0.091到0.115之間，三個(gè)模型均達(dá)到了一定的精度。

首先， GATB的7項(xiàng)能力傾向?qū)ξ目茖I(yè)成績(jī)的影響按重要性排序依次為言語(yǔ)能力、一般智力、形狀知覺(jué)、運(yùn)動(dòng)協(xié)調(diào)、數(shù)理能力、書寫知覺(jué)、空間判斷能力，這一結(jié)果也可與文科專業(yè)大學(xué)生優(yōu)勢(shì)能力傾向互為佐證。言語(yǔ)能力的敏感性系數(shù)達(dá)到0.523，是影響文科專業(yè)成績(jī)表現(xiàn)的關(guān)鍵能力，這一結(jié)果也符合我們研究前的假設(shè)和實(shí)際情況。文科類專業(yè)的學(xué)生通常對(duì)文字、語(yǔ)言更有興趣，擁有較好的文字功底，將來(lái)所從事的職業(yè)多以文字工作為主，專業(yè)課程的設(shè)置與考核也是以此職業(yè)方向?yàn)閷?dǎo)向，因而言語(yǔ)能力上得分突出的學(xué)生更有可能在文科專業(yè)的課程學(xué)習(xí)中達(dá)到優(yōu)秀水平。

其次，對(duì)理科大學(xué)生而言，數(shù)理能力、一般智力和空間判斷能力對(duì)其專業(yè)成績(jī)預(yù)測(cè)的敏感性系數(shù)分別為0.471、0.233和0.132。數(shù)理能力是利用算術(shù)知識(shí)解決實(shí)際問(wèn)題的能力，一般智力則是需要根據(jù)原理進(jìn)行推理和判斷的能力，而空間判斷能力是要求在心理空間進(jìn)行圖形轉(zhuǎn)換進(jìn)而進(jìn)行推理、判斷的能力，這三類能力對(duì)學(xué)生的邏輯思維能力有較高要求，理科類專業(yè)側(cè)重于理論研究和科學(xué)培養(yǎng)，尤需學(xué)生的理性思維、邏輯思維能力，因此，數(shù)理能力、一般智力和空間判斷能力是理科學(xué)習(xí)關(guān)鍵之所在，理科專業(yè)要求報(bào)考者在這些能力上的發(fā)展達(dá)到一定的水平，而在這些能力傾向上得分較低的被試可能需要付出相當(dāng)?shù)呐Σ拍軌騽偃卫砜茖I(yè)的學(xué)習(xí)。

最后，工科類專業(yè)學(xué)生的專業(yè)成績(jī)7項(xiàng)能力傾向按重要性排序依次為：空間判斷能力、一般智力、言語(yǔ)能力、書寫知覺(jué)、形狀知覺(jué)、數(shù)理能力、運(yùn)動(dòng)協(xié)調(diào)。另外，空間判斷能力也是工科類大學(xué)生的優(yōu)勢(shì)能力傾向，以往相關(guān)研究也表明，空間想象和空間思維能力對(duì)于工科學(xué)習(xí)是不可或缺的[19]，尤其是機(jī)械制圖等相關(guān)專業(yè)。工科專業(yè)側(cè)重技術(shù)應(yīng)用，學(xué)生動(dòng)手能力較強(qiáng)，心理空間的運(yùn)動(dòng)能力依賴于實(shí)際動(dòng)手能力的發(fā)展，動(dòng)手能力的鍛煉也會(huì)促進(jìn)其空間想象能力的發(fā)展。值得注意的是，空間判斷能力對(duì)于工科學(xué)生專業(yè)成績(jī)的預(yù)測(cè)敏感性系數(shù)達(dá)到了0.594的水平——該項(xiàng)能力對(duì)工科學(xué)習(xí)十分重要，若發(fā)展良好，更可能在工科學(xué)習(xí)中脫穎而出。

縱觀三類專業(yè)大學(xué)生一般能力傾向?qū)ζ鋵I(yè)成績(jī)的預(yù)測(cè)情況，不難發(fā)現(xiàn)，一般智力對(duì)于任何一類專業(yè)來(lái)說(shuō)都是基礎(chǔ)性的能力傾向。國(guó)外相關(guān)研究結(jié)果也發(fā)現(xiàn)，人們的智力和知識(shí)只要達(dá)到一定的水平，人們智力的高低差異對(duì)于工作效率不再有明顯的影響，然而與專業(yè)緊密相關(guān)的能力傾向與工作效率之間始終有顯著的正相關(guān)。本研究的結(jié)論在一定程度上驗(yàn)證了這一觀點(diǎn)：對(duì)于不同的專業(yè)方向來(lái)說(shuō)，每種專業(yè)類型都各有其關(guān)鍵的能力傾向。該專業(yè)的潛在報(bào)考者能否勝任該專業(yè)的學(xué)習(xí)和考核，關(guān)鍵能力傾向是至關(guān)重要之因素。

總而言之，人工神經(jīng)網(wǎng)絡(luò)模型對(duì)三類專業(yè)的專業(yè)成績(jī)預(yù)測(cè)都具有較高的準(zhǔn)確性，說(shuō)明本研究整體的技術(shù)路線可行，GATB所測(cè)得的7項(xiàng)能力傾向的不同組合可以用來(lái)預(yù)測(cè)不同專業(yè)學(xué)生的專業(yè)成績(jī)。通過(guò)人工神經(jīng)網(wǎng)絡(luò)模型，中學(xué)生可以根據(jù)自己在GATB的7項(xiàng)能力傾向上的得分情況預(yù)測(cè)自己報(bào)考三類專業(yè)的成績(jī)水平，從而判斷自己適合報(bào)考的專業(yè)方向。如能早日實(shí)現(xiàn)推廣，將是教育界及廣大學(xué)子喜聞樂(lè)見(jiàn)之事。

項(xiàng)目基金：全國(guó)教育規(guī)劃課題（DIA080131）

[1] Hammod， M.. An investigation into the factor structure of the General Aptitude Test Battery[J]. Journal of Occupational Psychology，1984，57（1）：43–48.

[2] Droege， R. C.. GATB aptitude intercorrelations of ninth and twelfth garders： A study in organization of mental abilities[J]. Personnel Guidance Journal， 1968，46（7）：668–672.

[3] 桑代克， R.L.，哈根， E.P.. 心理與教育的測(cè)量與評(píng)價(jià)[M]. 葉佩華，等，譯. 北京：人民教育出版社，1985.

[4] 林耀斌，杜友福.基于Clementine神經(jīng)網(wǎng)絡(luò)的商品促銷效果預(yù)測(cè)模型應(yīng)用[J].電腦知識(shí)與技術(shù)，2009，5（34）：90-92.

[5] 張菊英，韋健，楊樹勤.神經(jīng)網(wǎng)絡(luò)模型在住院費(fèi)用影響因素分析中的應(yīng)用[J].中華醫(yī)院管理雜志，2002，18（3）：143-145.

[6] 嚴(yán)武.基于BP算法的住院天數(shù)神經(jīng)網(wǎng)絡(luò)模型建模研究[J].中國(guó)病案， 2009，10（11）： 38-40.

[7] 易東，王文昌.回歸分析的人工神經(jīng)網(wǎng)絡(luò)算法模型研究[J].中國(guó)衛(wèi)生統(tǒng)計(jì)，1998，15（5）.

[8] 郭秀艷，朱磊，魏知超.內(nèi)隱學(xué)習(xí)的人工神經(jīng)網(wǎng)絡(luò)模型[J].心理科學(xué)進(jìn)展，2006，14（6）：837-843.

[9] Martin， G. L.. Encoder： A connectionist models of how learning to visually encode fixated text images reading fluency[J]. Psychological Review， 2004，111（3）：617–639.

[10] Berthier， N.E.， Rosenstein， M. T.， Barto， A.G..Approximate optimal control as a model for motor learning[J]. Psychological Review， 2005，69（2）：329–346.

[11] Seidenberg， M. S..Connectionist models of word reading[J]. Current Directions in Psychological Science， 2005，14（5）：1238–1242.

[12] 郭秀艷，鄒玉梅，李強(qiáng)，孫怡.中學(xué)生顏色內(nèi)隱學(xué)習(xí)特征的實(shí)驗(yàn)研究[J].心理與行為研究， 2003，1（2）：122-127.

[13] 郭秀艷，朱磊.神經(jīng)網(wǎng)絡(luò)模型對(duì)內(nèi)隱學(xué)習(xí)的探索[J].心理科學(xué)，2006，29（2）：410-415.

[14] Kashima，Y.， Kerekes， Andrew. R.Z.. A distributed memory model of averaging phenomena in person impression formation[J]. Journal of Experimental Social Psychology， 1994，30（5）：407-455.

[15] Read， S. J.， Montoya， J. A.. An auto associative model of causal reasoning and causal learning： Reply to Van Overwalle’s critique of Read and Marcus-Newhall[J]. Journal of Personality and Social Psychology，1996， 76（5）：728–742.

[16] Shultz， T.， Lepper，M.. Cognitive dissonance reduction as constraint satisfaction[J]. Psychological Review，1996， 103（2）： 219–240.

[17] Gureckis， T.M.， Love， B.C.. Common mechanisms in infant and adult category learning[J]. Infancy， 2004，5（2）：173–198.

[18] 楊富勇.神經(jīng)網(wǎng)絡(luò)模型在股票投資中的應(yīng)用[J].計(jì)算技術(shù)與自動(dòng)化，2010，29（3）：108-112.

[19] 黃俊紅.機(jī)械、自動(dòng)化專業(yè)與非專業(yè)高年級(jí)學(xué)生能力傾向的比較研究[J].天津職業(yè)技術(shù)師范學(xué)院學(xué)報(bào)，2000，10（4）：15-18.