基于數據驅動的大學生培養質量評價分析

于光華

摘 要： 針對大學生培養質量采用加權平均法評價，弱化了部分評價指標的重要程度，導致評價結果不可靠，提出一種新的基于數據驅動的大學生培養質量評價方法。構建數據驅動模型，將系統狀態變量作為模型的輸入與輸出，通過系統數據特征建立系統狀態變量間的映射關系。選用由三個層次組成的評價指標體系，通過最小二乘意義下的主客觀權重組合法確定各指標權重。利用多層次模糊邏輯關聯聚類評價方法實現對大學生培養質量的評價。實驗結果表明，采用所提方法對大學生培養質量進行評價，評價結果科學可靠，與實際評價結果的一致性較高。

關鍵詞： 數據驅動; 大學生; 培養質量; 評價; 模糊; 邏輯關聯

中圖分類號： TN911.1?34; TP391 文獻標識碼： A 文章編號： 1004?373X（2018）09?0113?04

Abstract： The weighted mean method used to evaluate the college students training quality weakens the importance degree of some evaluation indexes， which leads to the unreliable evaluation results. Therefore， a new college students′ training quality evaluation method based on data driven technology is proposed. The data driven model is constructed. The system state variables are considered as the input and output of the model. The mapping relation between the system state variables is established according to the system data characteristics. The evaluation index system composed of three levels is selected. The weight of each index is determined by means of the subjective and objective weights combining method in the sense of least squares. The multi?layer fuzzy logical association clustering evaluation method is used to evaluate the training quality of college students. The experimental results show that the proposed method used to evaluate the training quality of college students has scientific and reliable evaluation result， which is consistent with the actual evaluation result.

Keywords： data driven technology; college student; training quality; evaluation; fuzzy; logical association

0 引 言

大學生教育是我國創新體系的關鍵組成，其主要目的是培養具有創新精神、創新能力和實踐能力的綜合型人才[1]。隨著經濟和科技的迅猛發展，企業競爭日益激烈，對高等綜合型人才的需求大大提高。大學生培養質量能夠代表學校和國家人才的硬實力，因此對大學生培養質量進行科學評價非常關鍵[2]。

當前大學生培養質量評價方法通常采用加權平均法，弱化了部分指標的重要程度，導致評價結果不準確[3]。為此，本文提出一種新的基于數據驅動的大學生培養質量評價方法，通過權值衡量評價指標重要程度，保證評價結果的可靠性。

1 基于數據驅動的大學生培養質量評價分析

1.1 數據驅動模型

傳統數值模型都是根據一定系統物理規律構建的，屬于過程驅動模型，其中的物理規律通過方程進行描述，一般利用有限差分等數值方法對方程進行求解，通過觀測數據實現模型檢驗[4]。

數據驅動模型與過程驅動模型不同，數據驅動模型將系統狀態變量當成模型的輸入與輸出，通過系統數據特征構建系統狀態變量間的映射關系。數據驅動模型通過模糊邏輯、層次分析法等方法實現[5]。

數據驅動模型可用公式描述為：

1.2 評價指標體系

評價指標體系與評價問題有關，根據屬性對體現問題的各個指標進行類別劃分，每類為一個層次。對于簡單的評價問題，評價指標體系通常由兩個層次組成;對于復雜的問題，評價指標體系需要由多個層次組成[6]。本文研究的大學生培養質量評價問題屬于復雜問題，選用由三個層次組成的評價指標體系，如圖1所示。圖1中，最高層[A]用于描述大學生培養質量評價問題;第一層[B1，B2，…，Bn]用于描述一級評價指標;第二層[Cnk]用于描述二級指標。在此基礎上，本文結合模糊邏輯理論，通過多層次模糊邏輯關聯聚類評價方法實現對大學生培養質量的評價。

1.3 評價指標權重確定

在評價指標體系中，各指標體現的重要性是不同的，所以，當對大學生培養質量進行評價時，針對各指標需設定不同權重[7]。為了保證指標權重在主客觀上的統一，本文選用最小二乘意義下的主客觀權重組合法。

2 應用實例分析

2.1 本文方法的測試結果

針對定性指標，因為評價影響大學生培養質量指標的狀態評級具有隨機性，受到專家知識、經驗的約束，導致部分專家無法獲取影響大學生培養質量影響因素狀態等級的準確值，這時部分專家在一定程度上會通過描述性語言或區域值進行描述。經大量研究表明，模糊判斷比確切值判斷更加可靠，同人們的邏輯思維更相符。所以，本文通過數據驅動，依據模糊思想對大學生培養質量進行評價，建立數據驅動模型。因為專家的知識經驗和背景不同，所以對大學生培養質量的評價結果存在很大差異，評價結果不準確，本節通過建立數據驅動模型消除上述干擾，同時為不同評價指標賦予不同權重。假設共存在[n]個評價指標，賦予第[i]個指標的權重用[wi]進行描述，[wi∈0，1]，[i=1nwi=1]。評價指標權重表如表1所示。

將得到的大學生培養質量評價指標確切值輸入數據驅動模型，輸出結果即為相應大學生培養質量評價綜合值。令90個不同專家對輸出結果進行審核，均認為沒有奇異結果，說明本文方法評價結果符合實際應用，科學可靠。

2.2 一致性檢測

為了驗證本文方法的有效性，需對本文方法評價結果與實際結果進行一致性檢測。若一致性程度高于既定閾值，則認為本文方法評價結果準確。

假設[Φ]是大學生培養質量評價總體結構，用[λmax]描述[Φ]和實際值相符的最大特征值，則一致性指標可描述成：

3 結 語

本文提出基于數據驅動的大學生培養質量評價方法。構建數據驅動模型，確定評價指標體系和各指標權重。利用多層次模糊邏輯關聯聚類評價方法實現對大學生培養質量的評價。經實驗驗證，所提方法評價結果科學可靠，與實際評價結果的一致性較高。

參考文獻

[1] 魏順平，程罡.數據驅動的教育機構在線教學過程評價指標體系構建與應用[J].開放教育研究，2017，23（3）：113?120.

WEI Shunping， CHENG Gang. Research on the construction and application of an online teaching evaluation system for data?driven educational institutions [J]. Open education research， 2017， 23（3）： 113?120.

[2] 高子龍，曾捷，許希斌.基于數據驅動的無線鏈路管理策略[J].科學技術與工程，2016，16（24）：219?223.

GAO Zilong， ZENG Jie， XU Xibin. A wireless link management policy bases on data driven [J]. Science technology and engineering， 2016， 16（24）： 219?223.

[3] ZHANG Xiuqing， LIU Jiaomin， YU Guoqing， et al. Design of electronic map data driven system based on large data analysis [J]. Modern electronics technique， 2017， 40（16）： 19?21.

[4] 李慧，李強，楊臻，等.基于數據驅動的彈射救生可視化軟件開發[J].計算機測量與控制，2015，23（2）：652?655.

LI Hui， LI Qiang， YANG Zhen， et al. Ejection lifesaving view simulation software development based on data actuation [J]. Computer measurement & control， 2015， 23（2）： 652?655.

[5] 蔣棟年，李煒.基于數據驅動殘差評價策略的故障檢測方法[J].控制與決策，2017，32（7）：1181?1188.

JIANG Dongnian， LI Wei. Fault detection method based on data?driven residual evaluation strategy [J]. Control and decision， 2017， 32（7）： 1181?1188.

[6] 胡文斌，伍宇鵬，程海燕，等.基于數據驅動的主汽溫度改進灰色預測PID控制[J].計算機仿真，2016，33（2）：190?193.

HU Wenbin， WU Yupeng， CHENG Haiyan， et al. An improved data?driven grey?predictive PID control for main steam temperature [J]. Computer simulation， 2016， 33（2）： 190?193.

[7] 張玉鵬，王茜.基于數據驅動平滑檢驗的密度預測評估方法：以香港恒生指數、上證綜指和臺灣加權指數為例[J].中國管理科學，2014，22（3）：130?140.

ZHANG Yupeng， WANG Qian. Density forecast evaluation based on data?driven smooth test： taking HIS， SHCI and TWII for example [J]. Chinese journal of management science， 2014， 22（3）： 130?140.

[8] 卜鵬，呂惠進，黃秋香，等.基于主成分分析法的南通市區大氣環境質量評價[J].科技通報，2016，32（2）：214?217.

BU Peng， L? Huijin， HUANG Qiuxiang， et al. Atmospheric environmental quality evaluation in urban area of Nantong city based on principal component analysis [J]. Bulletin of science and technology， 2016， 32（2）： 214?217.