數(shù)據(jù)挖掘在高職學生綜合素質評價中的應用研究

趙曦

[摘? ? ? ? ? ?要]? 目前高職學生綜合素質評價多以簡單的加權線性關系作為評價模型，這種評價依賴于經(jīng)驗或主觀判斷，利用數(shù)據(jù)挖掘算法，將學生的各類綜合素質得分進行聚類分析，進而劃分為不同的類別，弱化排名對學生綜合素質評價帶來的影響，使大學生綜合素質評價更加科學、有效，為高校學生管理工作提供決策支持。

[關? ? 鍵? ?詞]? 數(shù)據(jù)挖掘;綜合素質評價;神經(jīng)網(wǎng)絡

[中圖分類號]? G712? ? ? ? ? ? ? ? ?[文獻標志碼]? A? ? ? ? ? ? ? [文章編號]? 2096-0603（2021）23-0090-02

一、引言

開展全方位的素質教育是高職院校提升人才培養(yǎng)質量的主要手段，而如何科學系統(tǒng)地評價大學生的綜合素質，是現(xiàn)代大學教育的一個重要研究課題。習近平總書記在全國高校思想政治工作會議上強調，“要重視和加強第二課堂建設，重視實踐育人，堅持教育同生產(chǎn)勞動和社會實踐相結合，廣泛開展各類社會實踐，讓學生在親身參與中認識國情、了解社會，受教育、長才干”。綜合素質教育對訓練學生開放的知識結構、多維的能力結構、不懈的探索精神，培養(yǎng)學生的開放思維、健全人格具有積極促進作用。目前高職院校綜合素質評價體系仍存在指標僵化、不夠客觀等問題，主要是因為大學生的綜合素質評價具有維度較大、過程復雜、個體發(fā)展不均衡的特點，并隨著學生的成長，評價體系會不斷動態(tài)進化，不同年級的學生評價標準不盡相同。研究如何對大學生綜合素質進行科學、有效、系統(tǒng)的評價，并利用評價結果反作用于學生管理，對高職院校人才培養(yǎng)質量的整體提升具有重要的意義。

二、高職學生綜合素質評價模型

高職綜合素質評價中最常見的評價方案是將評價的指標和結果看作簡單的加權線性關系，例如學年綜合測評=學業(yè)成績×60%+綜合素質積分×40%。以此綜合評測為依據(jù)，各專業(yè)年級依據(jù)學生測評得分的名次進行評優(yōu)評獎，學校和各二級學院按測評總分高低進行審批入黨、就業(yè)推薦等，并評選出優(yōu)秀畢業(yè)生。而對于綜合素質積分，一般通過選擇多種評價指標，例如身心健康、創(chuàng)新創(chuàng)業(yè)、技術技能、人文藝術等，對這些指標數(shù)據(jù)還要再一次進行加權賦值。而對于評價結果來說，一般的做法是依據(jù)加權賦值之后的計算結果進行排名，或者用“優(yōu)秀”“良好”“合格”“不合格”這樣的等級作為定性結果。

這種局限于簡單的賦權評價難以抓住以“職業(yè)道德素養(yǎng)、技術技能水平和就業(yè)創(chuàng)業(yè)能力”為核心要素和關鍵環(huán)節(jié)的高職教育關鍵點，因為實際上綜合素質指標和結果之間是一個非常復雜的非線性關系。本文通過數(shù)據(jù)挖掘算法，尋找各類評價數(shù)據(jù)中的聯(lián)系，弱化排名對學生綜合素質評價帶來的影響，使大學生綜合素質評價更加科學、有效，為高校學生管理工作提供決策支持。

三、數(shù)據(jù)挖掘

數(shù)據(jù)挖掘就是從大量的樣本數(shù)據(jù)中，尋找其規(guī)律的技術，一般可以分為描述和預測兩類，可以分析出隱藏的但潛在有用的信息。數(shù)據(jù)挖掘的算法主要包括神經(jīng)網(wǎng)絡、決策樹、仿生算法、粗糙集、模糊集、關聯(lián)規(guī)則等，國內(nèi)已有學者和專家利用數(shù)據(jù)挖掘技術對大學生綜合素質教育數(shù)據(jù)進行研究[1]，對高職學生綜合素質評價的研究也取得了許多成果，也有學者結合學生大數(shù)據(jù)對高職學生綜合素質評價體系進行研究。例如劉曉飛[2]、陳鳳[3]等闡述了大數(shù)據(jù)在學生綜合素質評價中的應用價值及創(chuàng)新構建優(yōu)化測評模型。本文提出基于自組織特征映射神經(jīng)網(wǎng)絡 SOM[4]方法進行數(shù)據(jù)挖掘分析。

四、應用實現(xiàn)

神經(jīng)網(wǎng)絡是通過模擬人腦神經(jīng)生理特性而建立的算法總和，該模型把神經(jīng)元抽象為邏輯器件，把大量的神經(jīng)元聯(lián)結成網(wǎng)絡結構，通過設置邏輯器件的閾值和權重來模擬復雜系統(tǒng)。20世紀80年代，神經(jīng)網(wǎng)絡進入高速發(fā)展時期，涌現(xiàn)出一系列重要成果：玻爾茲曼機、BP神經(jīng)網(wǎng)絡、并行計算理論、最大互信息理論、徑向基神經(jīng)網(wǎng)絡等。神經(jīng)網(wǎng)絡在理論完善的同時，在模式識別、系統(tǒng)辨識、推薦系統(tǒng)、分類回歸、圖像與自然語言處理等應用方面也獲得了極大發(fā)展。神經(jīng)網(wǎng)絡的知識信息以分布式的方式存儲在各個連接權重上，部分神經(jīng)元的損壞并不能帶來太大的影響，具有較強的容錯性。

SOM算法是人工神經(jīng)網(wǎng)絡的一種，最大的優(yōu)點是不需要提供前期的標簽信息，算法過程中能很好地保留輸入層的拓撲結構。因此，可利用SOM處理高職學生綜合素質評價得分結果差異，分別將個體樣本歸類到不同的組別，以組內(nèi)差異小、組間差異大的方式進行聚類。聚類結果將學生劃分為不同的類別，通過此結果作為下一步評測的依據(jù)。該方法比較傳統(tǒng)的方法，避免了絕對排名的弊端，弱化了“唯名次論”對學生綜合素質評價帶來的影響。

SOM分為輸入層和輸出層兩層。輸出層的神經(jīng)元采用競爭的方式激活，每個神經(jīng)元有一個權值向量，輸入層的每一個向量x會激活與之最接近的神經(jīng)元，這個神經(jīng)元叫作獲勝神經(jīng)元（winner）。輸出層的所有的神經(jīng)元組織成一個網(wǎng)格，網(wǎng)絡的結構通常取決于輸入的數(shù)據(jù)在空間中的分布，網(wǎng)格可以是四邊形、六邊形、鏈狀等，可以由算法自行設定，一般情況的輸出是一個二維的矩陣。

將SOM應用于高職學生綜合素質評價，不同于通過計算每項分類的權重，然后再依據(jù)得分排名的方式，而是依據(jù)每一項綜合素質評價得分結果差異，分別將其歸類到不同的組別，以組內(nèi)差異小、組間差異大的方式進行聚類，然后在不同的類別中再進行評價和認定。算法的具體步驟如下：

1.選取同一專業(yè)同一年級的數(shù)據(jù)，例如200個學生的分類得分數(shù)據(jù)作為數(shù)據(jù)樣本，用作SOM算法輸入，輸入樣本格式為： x=（x1，x2，……xn），其中7個維度分別代表思想政治、身心健康、創(chuàng)新創(chuàng)業(yè)、技術技能、人文藝術、志愿服務、勞動實踐7個模塊的得分，因此，神經(jīng)網(wǎng)絡的輸入層節(jié)點個數(shù)設置為7。