基于AHP和向量機融合的大學生綜合素質評價體系研究與應用

徐蓉+曹堅

[摘要]本文首先通過現狀分析、走訪調研等方式確立了大學生綜合素質測評的指標體系，然后運用層次分析法確定各目標層指標的權重，最后應用支持向量機訓練樣本來驗證統一性并進行最終評價。研究結果表明，將層次分析法和支持向量機綜合運用于大學生綜合素質的評價，操作簡單并且能獲得更為科學合理的評價結果。

[關鍵詞]層次分析法；支持向量機；綜合素質測評

引言

對學生開展綜合素質評價，是高校人才培養和學生管理中一項十分重要的內容。雖然多數高校已經實施大學生綜合素質評價，但其主要評價標準仍是學業成績，在學生的創新精神、實踐能力等方面體現不夠全面。因此，建立一個科學、合理、便捷的評價模型非常必要。層次分析法在解決多層多因素評價中能較好地給出各因素的權重，而基于支持向量機的機器學習系統，能很好解計算便捷的問題。由此，本文將兩者結合并綜合應用于學生的綜合素質評價。

一、大學生綜合素質評價指標體系的建立

（一）我省高校大學生綜合測評體系現狀

通過查閱資料、走訪調查等方式，對我省高校現行的綜合測評體系進行了分析：絕大部分高校都進行學生綜合素質測評工作，并且在評價方式上都在向著素質教育方向進行探索，但普遍的做法還是將測評分為德、智、體三個方面，權重大多數仍為0.3、0.6、0.1左右，智育部分所占權重最大，一般不低于0.6，且主要以學習成績來衡量，應試教育痕跡依然明顯，身心素質及能力評價在素質測評中權重極低，容易形成學業成績分高者“一好百好”的錯誤導向；在評價的方法上，大部分高校逐步向著定性與定量結合，以定量為主的方向發展。但定性部分的評價渠道和評價主體相對比較單一，一般是由班級成立測評小組進行打分，有的會參考班主任（輔導員）意見。而事實上學生的素質表現體現在方方面面，學生在宿舍、課堂、黨團學組織中的表現及評價往往被忽略；在評價結果上，存在可信度及社會認可度較低的問題。用人單位還很少根據綜合測評成績來判斷畢業生的素質高低，測評結果不能全面反映學生在校情況和能力水平，尤其是企業比較注重的創新能力、團隊合作、實踐能力、心理素質等職業素質要求，還不能通過現有的綜合測評體系得到全面客觀的體現。

（二）評價要素指標體系的設置

大學生綜合素質評價是多層次、多屬性的決策問題，在科學性、導向性、全面性、層次性、多元性及可操作性的原則下，建立了由德育素質、智育素質、身心素質、發展性素質4個一級指標及政治表現、道德修養、學習成績、學習能力、身體素質、心理素質、科研創新、職業能力、文體特長、社會實踐10個二級指標組成的大學生綜合素質評價指標體系。指標體系設置原則及特點：遵循引導性原則，以企業、社會需求為導向，更加突出對科研創新、學習能力、職業能力的評價；遵循實證性原則，增加宿舍表現、集體活動、黨員作用發揮等項目的評價；遵循差異性原則，通過文體特長、社會實踐指標的化，突出學生個體發展的獨特性。

（三）構建判斷矩陣計算各指標的權重

采用T.I.Saaty的數量標度法，結合問卷及走訪調查的結果，對同一層次指標的重要性兩兩進行比較得到判斷矩陣即當兩個因素相比，具有相同重要性時，標記為1；表示兩個因素相比，前者比后者稍重要時，標記為3；當兩個因素相比，前者比后者明顯重要時，標記為5；當兩個因素相比，前者比后者強烈重要時，標記為7；當兩個因素相比，前者比后者極端重要時，標記為9；以2、4、6、8表示上述相鄰判斷的中間值。計算出判斷矩陣對應于最大特征值x的特征向量w，經歸一化后即為同一層次相應因素對于上一層次某因素相對重要性的排序權值。進行一致性檢驗：CR=CI/RI，其中n為判斷矩陣階數，RI值選取區間為[0.00，1.45]，當cI=0時，判斷矩陣具有完全一致性；如果CR<0.10，則此判斷矩陣具有滿意的一致性，否則還需調整。經檢驗，各判斷矩陣的CR<0.10，得到系統層的各因素權重值為[B1=0.1344，B2=0.5280，B3=0.0466，B4=0.2910]，評價體系的權重分配情況為[c1=0.5，c2=0.5，c3=0.875，C4=0.125，C5=0.75，C6=0.25，C7=0.4485，C8=0.2863，C9=0.0906，C10=0.1746]。

二、基于支持向量機進行評價

用AHP得出來的結果作為支持向量機的學習訓練樣本，把大學生綜合素質測評數據矩陣作為向量機的輸入，將代表相應評價結果的向量作為輸出。通過對已有樣本模式的學習，獲得評價的知識和經驗，以后當需要對大學生進行綜合素質測評時，只要給訓練好的向量機輸入相應的指標，就能獲得相應評價結果，從而可以避免評價過程中的人為失誤。

（一）大學生綜合素質測評模型的原理

支持向量機根據有限的樣本信息，在模型的復雜性和學習能力之間尋求最佳折衷，從而實現最優分類。對于非線性劃分，支持向量機分類算法引入了最大間隔原則和核技巧，即通過事先確定的非線性映射將輸入量x映射到一個高維特征空間中，然后在此高維空間中構建最優平面，把非線性空間轉化為線性空間，降低分類的難度。

（二）選用核函數與參數

在SVM的訓練和測試過程中，核函數的確定至關重要，不同的內積核函數將形成不同的算法。某些問題用某些核函數效果很好，用另一些就很差，但是一般來講，徑向基核函數是不會出太大偏差的一種，本文選擇徑向基核函數（RBF）：其中兩個重要參數懲罰參數c范圍確定在0-100之間，核函數參數g范圍在0-1之間，具體值由參數優化過程確定或根據經驗進行人為的調整，其他參數均為系統默認值。

（三）支持向量機訓練樣本的選取

選取40名同學的數據作為訓練樣本，基于以上的評價指標體系得出評價結果，因為綜合測評成績主要是用于對學生綜合評價和獎學金評定的參考依據，因此評價結果根據百分制換算為“優秀”、“良好”、“較差”三類。此次選取的40個訓練樣中優秀樣本10個（>=80分）標記為1，良好樣本20個（60-80分之間）標記為2，較差樣本10個（<60分）標記為3。

（四）訓練測試樣本

將已經分類的40組學生的原始數據為指標進行數據的歸一化預處理，運用svmtrain函數將原始數據線性調整到[-1，1]之間，以減少最優參數集的搜索空間，增加分類的精準度。將這些數據作為訓練樣本訓練支持向量機，實驗中取懲罰參數c=99.68，核函數參數g=0.58，利用40個訓練樣本得到分類模型即向量機。訓練結束后，選取30個測試樣本（其中優秀樣本5個，良好樣本20個，較差樣本5個）對向量機進行檢驗。測試結果如下：SVM={1，1，1，1，1，2，2，1，2，2，2，2，2，2，2，2，2，2，2，2，2，2，2，2，2，3，3，3，3，3}與預期值完全吻合，準確率達到100%。

三、結論

用測試樣本對訓練好的向量機進行檢驗，得到相應的大學生綜合素質評價結果準確率高，說明將層次分析法與支持向量機結合起來綜合運用于大學生綜合素質評價是可行的，從而可以有效避免評價過程中的人為失誤，具有容錯力強，準確性高，計算速度快的特點。將上述兩種方法結合，并通過參數優化不斷提高數據分類的準確率，可推廣應用于其他評價類問題。