大數據背景下的高校精準資助評價模型構建

文/何煒 蔣昆坤 許欣欣，成都大學

1 引言

實施精準扶貧，共奔小康和實施國家大數據戰略等一系列發展戰略是當前國民經濟和社會發展的重要要求。如何應對人工智能、新技術、新產業、新業態以及大數據等帶來的新時代挑戰是當前教育事業發展的難點和探索方向。目前，社會各界也在教育精準扶貧上展開新的研究和探索，充分完善精準資助的評價機制和有效利用數據資源的工作已經全面展開。

2 當前高校資助存在的問題

“精準扶貧”是我國“十三五”期間扶貧工作的戰略部署，將“精準扶貧”引入到高校資助工作中，既能體現習近平總書記提出的“扶貧先扶智”的指導思想，又能有效解決當前高校貧困生認定中存在一些問題。這些問題使得認定的精準性與有效性難以得到保證，并且當前的評價體系也亟待完善。

2.1 學生認定過程單一簡單，缺乏真實性

高校貧困生認定通常以申請人提交相關申請材料及附屬證明資料，由班級選取評定成員和班委干部以及班級輔導員進行評定工作。一般都是通過單一打分或者根據主觀經驗判斷進行評選和等級認定，雖然評選人對申請人的日常消費能力能和消費情況有一定了解，但仍有很大可能出現漏評或錯評。并且申請人提交資料的真實性很難保證，如家庭收入一欄一般都是學生估計填寫，當地村委會或居委會礙于人情關系不做任何審核便予以簽字蓋章，地方民政部門也無從核實。認定方法簡單且不嚴謹，認定過程缺乏有效監督。

2.2 缺少合理清晰的認定標準，無法實現資助動態管理

現階段，高校認定貧困生基本根據教育部的“學生總體家庭經濟情況困難，學生和家庭沒有能力支付學生在學校期間教育的費用”的標準，較少高校采用創新舉措。但這樣的標準不但不清晰還很模糊，且會在貧困生認定過程中根據實際情況不斷更改，因此在實踐中難以進行有效的落實。再者，由于突發變故導致的貧困很可能由于貧困生的自卑心理或者評定小組的疏忽漏評等原因無法被精準地認定。此外，學生的家庭經濟狀況是不斷變化的，而傳統的資助認定辦法常以歷史標準作為認定標準，對于學生家庭的實際經濟狀況信息不能做到及時了解和掌握，這是亟待解決的問題。

2.3 忽視資助育人的目標

當前的資助模式大多僅停留在助學資金配置和精準資助的層面，很少以在資助學生的同時對其進行意志品質的培養為目標。筆者認為高校的資助工作不應單停留在經濟資助層面上，既要幫助學生緩解經濟困難和維持學業，更要培養他們自愛、自修、自尊、自強的美好品質或意志，以期幫助他們成為有擔當有奉獻的人。

3 大數據引入

隨著大數據的不斷發展，通過定量化的技術分析得到申請人的家庭經濟信息和特征數據，建立更加完善的高?！熬珳寿Y助”體系是當前的研究熱點。大數據具有規模性、多樣性、高速性和價值性四大基本特征，能夠有效地解決資助的精準化和真實性問題，同時也有助于提高當前資助工作人員的效率。大數據涵蓋學生各方面的信息，如生源地與家庭情況、生活與消費能力、學習和能力情況與綜合素質因素情況等方面的全面又更具真實性的數據。大數據背景下進行精準認定的前提就是進行數據分析與挖掘，目前不少學者早就在該方面展開了研究，但較多僅就一卡通數據展開相應的研究，如利用K-means、C4.5、Apriori、關聯分析、聚類分析、K近鄰方法等進行相關的數據研究。本文完善了高校資助對象精準認定指標體系，加入了日常表現指標和基本信息指標的考量。

4 高校精準資助評價模型構建

本文采用層次分析法（Analytic Hierarchy Process，AHP）和模糊綜合評價法(（Fuzzy Comprehensive Evaluation，FCE）相結合的方法建立高校精準資助評價模型，以期達到對貧困學生進行精準評定的目的。首先應用層次分析法，對貧困生的評價指標進行分層和分類，通過構造判斷矩陣的方式兩兩比較評價指標的重要性程度，之后再計算權重向量并檢驗一致性。然后建立模糊綜合評價模型，利用隸屬度理論把定性評價轉化為定量評價，從而確定評判效果。采用模糊綜合評價法處理評價對象，有助于量化處理評價對象的一些比較模糊的信息和數據，處理結果既科學又合理，并且采用模糊綜合評價法能夠比較準確地刻畫被評價對象，因為評價結果不是一個點值，而是一個矢量，這使得結果包含了更加豐富的信息。此外，通過運用層次分析法來對評價指標進行分類和確定權重，能在很大程度上彌補傳統模糊分析由于人為主觀對權重進行賦值導致權重不準確不真實的缺陷。因此，融合層次分析法與模糊綜合評價法建立模型對貧困生進行精準認定，既能達到定性分析，也能達到定量分析的目的，使得評價結果更加真實準確。

4.1 運用層次分析法確定評價因素的權重向量

4.1.1 構建高校資助對象精準認定指標體系

設K=(k1,k2,k3,k4)為助學金評價的4種一級評價指標，kij為第i種一級評價指標下第j種二級評級指標，具體如下表1所示：

表1 高校精準資助對象認定指標體系

4.1.2構造判斷矩陣

設xi和xj為同一級的任意兩個高校精準資助對象認定評價指標，可以構造判斷矩陣A=(aij)n×n，并通過相對權重aij來比較第i個指標與第j個指標的相對重要程度。aij可按下表2所示標度進行賦值。

表2 重要性比較結果賦值

規定：aij＞0，aii=0，aij=。

4.1.3做一致性檢驗并計算權重向量

計算矩陣A的最大特征值λmax，代入公式，可得到判斷矩陣A的不一致程度CI。若CI=0，則有完全的一致性；若CI約等于0，則有較滿意的一致性；而CI越大，不一致程度就越大。

然后，引入隨機一致性指標 RI，RI和判斷矩陣的階數n有關，一般情況下，n越大，則出現一致性隨機偏離的可能性也越大，RI與n的對應關系如下表3：

表3 平均隨機一致性指標RI標準值

再將CI和RI進行比較，計算判斷矩陣A的一次性比率CR：

一般，可以通過比較CR是否小于0.1 來衡量判斷矩陣A是否具有滿意的一致性，若CR＜0.1，則矩陣A通過一致性檢驗，否則需要調整矩陣，直到其通過為止。

最后計算判斷矩陣權重，可采用幾何平均法，具體步驟為：第一步，對判斷矩陣A中的各行各個元素aij進行連乘，并開n次方根得：，其中；第二步，將量標準化為，其中，向量W即所要求的權重向量。

4.2模糊綜合評價法的模型和步驟

其中rij(i=1,2,…,m;j=1,2,…,n）表示某個被評價對象從因素ui來看對vj等級模糊子集的隸屬度。

建立單因素評價矩陣ri=(ri1,ri2,…,rim)，刻畫被評價對象在某個因素ui方面的表現。

確定隸屬關系：由專家依據評判等級對評價對象進行打分，并統計打分結果，根據絕對值減數法可求得：

4.2.1確定被評價對象的因素集和評語集

其中：c適當選取，要求0≤rij≤1。

4.2.3合成模糊綜合評價結果矢量

利用合適的模糊合成算子將模糊權矢量A與模糊關系矩陣R合成得到各被評價對象的模糊綜合評價結果矢量B，模糊綜合評價模型為：

4.2.2進行單因素評價，建立模糊關系矩陣R

對被評價對象逐個從每個因素ui(i=1,2,…,m)上進行量化，確定從單因素來看被評價對象對各等級模糊子集的隸屬度，從而建立模糊矩陣：

其中：bj表示被評價對象從整體上看對vj等級模糊子集的隸屬程度。

4.2.4 分析模糊綜合評價結果

將評價結果B轉換為綜合分值，并按大小排序，挑選出最優者。

對于模糊綜合評價矢量B的處理，可采用最大隸屬度原則，即：若模糊綜合評價結果矢量中，則被評價對象隸屬于第r等級。

5 總結與思考

基于大數據背景下的精準資助需要一個足夠大的數據、信息處理平臺，需要政府、企業及高校實現數據資源的全面共享和更新，從而通過對數據的實時追蹤實現精準資助的精準化與動態化，以期達到資助育人的目標。其中可能存在的信息安全問題也應提前預見，高校應做好加強內部管理、規范涉及學生隱私的大數據使用方法和流程。全民應強化大數據思想，國家也應重視相關人才的重點培養。借助大數據思維進行高校精準資助體系的建設與完善，建立精準資助新機制是資助工作發展的趨勢，對于資助的效率提升和精準認定的程度以及優化教育的資源配置具有深遠的意義。落實基于大數據的精準資助理念，不僅能夠有效地促進高校資助工作的順利進展，還能增強資助工作的科學性、有效性，為促進教育公平做出貢獻。