基于数据驱动的大学生培养质量评价分析

于光华

摘 要： 针对大学生培养质量采用加权平均法评价，弱化了部分评价指标的重要程度，导致评价结果不可靠，提出一种新的基于数据驱动的大学生培养质量评价方法。构建数据驱动模型，将系统状态变量作为模型的输入与输出，通过系统数据特征建立系统状态变量间的映射关系。选用由三个层次组成的评价指标体系，通过最小二乘意义下的主客观权重组合法确定各指标权重。利用多层次模糊逻辑关联聚类评价方法实现对大学生培养质量的评价。实验结果表明，采用所提方法对大学生培养质量进行评价，评价结果科学可靠，与实际评价结果的一致性较高。

关键词： 数据驱动; 大学生; 培养质量; 评价; 模糊; 逻辑关联

中图分类号： TN911.1?34; TP391 文献标识码： A 文章编号： 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

大学生教育是我国创新体系的关键组成，其主要目的是培养具有创新精神、创新能力和实践能力的综合型人才[1]。随着经济和科技的迅猛发展，企业竞争日益激烈，对高等综合型人才的需求大大提高。大学生培养质量能够代表学校和国家人才的硬实力，因此对大学生培养质量进行科学评价非常关键[2]。

当前大学生培养质量评价方法通常采用加權平均法，弱化了部分指标的重要程度，导致评价结果不准确[3]。为此，本文提出一种新的基于数据驱动的大学生培养质量评价方法，通过权值衡量评价指标重要程度，保证评价结果的可靠性。

1 基于数据驱动的大学生培养质量评价分析

1.1 数据驱动模型

传统数值模型都是根据一定系统物理规律构建的，属于过程驱动模型，其中的物理规律通过方程进行描述，一般利用有限差分等数值方法对方程进行求解，通过观测数据实现模型检验[4]。

数据驱动模型与过程驱动模型不同，数据驱动模型将系统状态变量当成模型的输入与输出，通过系统数据特征构建系统状态变量间的映射关系。数据驱动模型通过模糊逻辑、层次分析法等方法实现[5]。

数据驱动模型可用公式描述为：

1.2 评价指标体系

评价指标体系与评价问题有关，根据属性对体现问题的各个指标进行类别划分，每类为一个层次。对于简单的评价问题，评价指标体系通常由两个层次组成;对于复杂的问题，评价指标体系需要由多个层次组成[6]。本文研究的大学生培养质量评价问题属于复杂问题，选用由三个层次组成的评价指标体系，如图1所示。图1中，最高层[A]用于描述大学生培养质量评价问题;第一层[B1，B2，…，Bn]用于描述一级评价指标;第二层[Cnk]用于描述二级指标。在此基础上，本文结合模糊逻辑理论，通过多层次模糊逻辑关联聚类评价方法实现对大学生培养质量的评价。

1.3 评价指标权重确定

在评价指标体系中，各指标体现的重要性是不同的，所以，当对大学生培养质量进行评价时，针对各指标需设定不同权重[7]。为了保证指标权重在主客观上的统一，本文选用最小二乘意义下的主客观权重组合法。

2 应用实例分析

2.1 本文方法的测试结果

针对定性指标，因为评价影响大学生培养质量指标的状态评级具有随机性，受到专家知识、经验的约束，导致部分专家无法获取影响大学生培养质量影响因素状态等级的准确值，这时部分专家在一定程度上会通过描述性语言或区域值进行描述。经大量研究表明，模糊判断比确切值判断更加可靠，同人们的逻辑思维更相符。所以，本文通过数据驱动，依据模糊思想对大学生培养质量进行评价，建立数据驱动模型。因为专家的知识经验和背景不同，所以对大学生培养质量的评价结果存在很大差异，评价结果不准确，本节通过建立数据驱动模型消除上述干扰，同时为不同评价指标赋予不同权重。假设共存在[n]个评价指标，赋予第[i]个指标的权重用[wi]进行描述，[wi∈0，1]，[i=1nwi=1]。评价指标权重表如表1所示。

将得到的大学生培养质量评价指标确切值输入数据驱动模型，输出结果即为相应大学生培养质量评价综合值。令90个不同专家对输出结果进行审核，均认为没有奇异结果，说明本文方法评价结果符合实际应用，科学可靠。

2.2 一致性检测

为了验证本文方法的有效性，需对本文方法评价结果与实际结果进行一致性检测。若一致性程度高于既定阈值，则认为本文方法评价结果准确。

假设[Φ]是大学生培养质量评价总体结构，用[λmax]描述[Φ]和实际值相符的最大特征值，则一致性指标可描述成：

3 结 语

本文提出基于数据驱动的大学生培养质量评价方法。构建数据驱动模型，确定评价指标体系和各指标权重。利用多层次模糊逻辑关联聚类评价方法实现对大学生培养质量的评价。经实验验证，所提方法评价结果科学可靠，与实际评价结果的一致性较高。

参考文献

[1] 魏顺平，程罡.数据驱动的教育机构在线教学过程评价指标体系构建与应用[J].开放教育研究，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] 高子龙，曾捷，许希斌.基于数据驱动的无线链路管理策略[J].科学技术与工程，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，李强，杨臻，等.基于数据驱动的弹射救生可视化软件开发[J].计算机测量与控制，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] 蒋栋年，李炜.基于数据驱动残差评价策略的故障检测方法[J].控制与决策，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，伍宇鹏，程海燕，等.基于数据驱动的主汽温度改进灰色预测PID控制[J].计算机仿真，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] 张玉鹏，王茜.基于数据驱动平滑检验的密度预测评估方法：以香港恒生指数、上证综指和台湾加权指数为例[J].中国管理科学，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] 卜鹏，吕惠进，黄秋香，等.基于主成分分析法的南通市区大气环境质量评价[J].科技通报，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.