基于数据驱动的大学生培养质量评价分析

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权平均法，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：

式中：(a 1,…,ai,…,am)表示系统的输入变量，即大学生培养质量相关数据；(b 1 ,…,bi,…,bn)表示系统的输出变量，即大学生培养质量评价结果；f表示输入变量与输出变量间的函数关系。

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。

图1 评价指标体系Fig.1 Evaluation index system

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。

通过主观赋权得到的评价指标权重为Zb=[z b 1,zb2,…,zbm]T，通过客观赋权得到的评价指标权重为Zo=[z o 1,zo2,…,zom]T，通过最小二乘法得到的优化组合权重为Zt=[z t 1,zt2,…,ztm]T。设N个评价指标，M个评价对象通过无量纲化处理得到的决策矩阵为X=(xij)M×N，由此确定第i个评价对象的评价值，公式描述如下：

构建组合权重最小二乘优化模型，即：

通过Lagrange函数对该模型进行求解，得到结果为：

式中：J为一个N×N对角矩阵；O为N×1对角向量。

1.4 多层次模糊综合评价方法

1.4.1 模糊数学处理

模糊数学为采用教学语言或算法实现模糊问题描述与处理的方法[8]。

设D=(d 1,d2,…,dm)与E=(e 1 ,e2,…,em)为两个大学生培养质量数据有限集，如S为集合D与集合E间的一个模糊关系，则有：

其中，集合D模糊集P=(p 1,p2,…,pm)与集合E上模糊集Q=(q 1,q2,…,qn)间存在Q=S·P，此时认为S为集合D至集合E上的模糊关系。

设模糊矩阵为S=(skn)u×v，其中，0＜skn＜1，存在两个模糊向量G=(g 1,g2,…,gi,…,gk)和 H=(h 1,h2,…,hi,…,hk)，0＜gi＜1，0＜hi＜1。如果有 H=G·S，则将 G·S=H 过程称为模糊变换过程。

设 判 定 集 合 为R=(r 1 ,r2,…,rn)，因 素 集 合 为C=(c 1 ,c2,…,cm)，第 i个因素的单因素评判矩阵为Wi=(w i1,wi2,…,wik,…,win)，可将其视为R上的一个模糊子集。其中wik用于描述第i个因素的评判对于第k个等级的隶属度，则m个因素的总评判矩阵为：

1.4.2 多层次模糊逻辑关联聚类评价方法

通过层次分析法对目标指标进行评价，确定各评价指标的权重值。设定一个评语集合 δ=(δ 1,δ2,…,δm)，δ为一个全序集。常用到的评语集包括：δ={很好，好，一般，较差，很差}，δ={A,B,C,D,E}等。依次对各级评价指标构成的因数集进行评价，并对各个因素进行判定，针对各因素给出相应的评语，由此确定模糊评价矩阵Ii，公式描述如下：

文章来源：《模糊系统与数学》 网址: http://www.mhxtysxzz.cn/qikandaodu/2021/0104/358.html