基于大數據技術的高校資助工作精準化平臺設計與實現

摘 要：高校資助工作旨在幫助有需要資金支持的學生完成學業，然而傳統的資助管理方法存在效率低下、信息不精確等問題。因此，本文探討了大數據技術在高校資助工作精準化平臺搭建中的應用。本文介紹了該平臺的硬件設備構建，并收集貧困學生信息，利用大數據技術規范化數據，使用SVM建模對收集數據信息進行挖掘分析，最終生成資助決策，以期利用大數據技術實現學生信息的智能化管理，提高高校資助工作的準確性。測試試驗證明，該平臺能夠提供更準確、快速和可靠的資助決策服務，有助于提高高校的資助管理效率及學生滿意度。

關鍵詞：大數據技術；高校資助工作；精準化；平臺搭建

中圖分類號：TP 399" " " " 文獻標志碼：A

高校資助工作是指高等教育機構為學生提供經濟資助、獎學金、貸款和其他形式的經濟支持，使其能夠支付學費、生活費和其他相關費用，以幫助其能夠順利完成學業[1-2]。資助工作不僅需要有效管理大量學生信息，還需要合理決策，以確保有需要的學生能夠獲得適當的經濟支持[3]。然而，傳統的資助管理方法存在信息不精確、決策效率低下等很多問題。隨著大數據技術的崛起，高校資助工作迎來了新的機遇，能夠通過構建精準化平臺提高工作效率和決策的準確性[4-5]。因此，本文研究了大數據技術在高校資助工作精準化平臺搭建中的應用，通過收集貧困學生信息，利用大數據技術使數據規范化，使用SVM建模對收集數據信息挖掘分析，最終生成資助決策。旨在提高資助工作的效率及精準性，確保教育機會的平等，幫助有需要的學生克服經濟障礙，提高其未來的就業機會和社會地位，對社會發展和資助公平性具有重要意義。

1 平臺硬件設計

在高校資助工作精準化平臺搭建過程中，結合大數據技術，該平臺的硬件設計需要考慮數據存儲、處理、傳輸和安全等方面的需求。平臺采用Dell PowerEdge R740xd數據存儲服務器，用于存儲大量的學生信息、財務數據和教育歷史記錄；NVIDIA DGX A100數據處理服務器，用于運行數據分析、挖掘和機器學習模型，以提供決策支持；Oracle Exadata X8數據庫服務器，用于存儲和管理結構化數據，支持系統的數據庫操作；NetApp AFF A800存儲區域網絡（SAN），提供高速數據存儲和訪問，確保數據的可用性和可靠性。網絡設備采用Juniper MX Series路由器，連接各硬件組件，確保數據傳輸的穩定性和速度；安全設備選用Cisco ASA防火墻，保護系統免受網絡攻擊、數據泄露和惡意訪問。Dell EMC Data Domain數據備份和恢復設備，定期備份系統數據，以防止數據丟失和支持災難恢復。HPE Apollo 6500 Gen10高性能計算（HPC）集群，用于運行大規模數據分析和機器學習任務。云存儲和計算資源選擇AWS云服務提供商，利用云服務提供商的資源進行彈性擴展和備份；選擇APC NetShelter機柜提供硬件設備的物理支持和環境控制。

2 平臺軟件設計

2.1 收集貧困學生信息

在高校資助工作精準化平臺的搭建中，收集貧困學生信息數據首先需要明確數據來源，如學生申請材料（包括學生的申請表、財務文件和家庭背景信息），學校內部系統（學生信息系統、財務系統和學籍系統），外部數據源（政府機構、貧困線數據和國家或地區貧困指標），根據數據來源不同，選擇適當的數據采集方法，如圖1所示。

為獲取學生申請材料，平臺建立在線申請模塊，要求學生填寫相關信息并上傳必要文件；獲取學校內部系統，平臺編寫腳本或調用API從校園內部系統中提取數據；獲取外部數據源可以與相關機構合作或利用公開數據源獲取數據。對采集的數據進行清洗和整合，以確保數據的準確性和一致性，利用貧困指標公式標識貧困學生，貧困指標包括家庭收入、家庭成員人數以及家庭支出等因素的組合，貧困指數Z的計算過程如公式（1）所示。

（1）

式中：Js為家庭收入；Jz為家庭支出；b為家庭成員人數。

如果貧困指數低于一定閾值（閾值視學校情況而定），學生可以被標識為貧困學生，將采集的貧困學生信息存儲在數據庫或數據倉庫中，以供后續分析和資助計劃推薦使用。為確保采集的學生信息得到妥善保護，符合隱私法規，使用數據加密來保障數據安全，使用TLS傳輸安全性協議來加密數據在網絡傳輸中的通信，防止數據在傳輸過程中被竊聽；對存儲在數據庫中的學生信息進行AES（高級加密標準）強加密算法，確保數據在存儲過程中是加密的；對敏感字段（社會安全號碼、銀行賬號）進行字段級別的加密，以進一步提高數據的安全性。

2.2 數據挖掘分析

在高校資助工作精準化平臺搭建中，使用大數據技術引擎對數據進行挖掘分析可以發現潛在的模式、趨勢和關聯，以提供更準確的決策支持。

2.2.1 數據規范化

在數據挖掘和機器學習中，數據變換和規范化是重要的預處理步驟，旨在準備數據以供模型訓練和分析使用。特征工程是一項關鍵任務，旨在創建新的特征或轉換現有特征，以提高模型性能或使數據更具信息價值。根據高校資助工作的大數據采集情況，平臺創建新的特征，采用標簽編碼將類別特征轉換為數值特征，以便機器學習模型能夠理解。確保不同特征具有相似的尺度，避免某些特征對模型的影響過大。數據規范化是將不同特征的值縮放到相同的尺度，以確保不同特征對模型的權重影響相對均勻。歸一化模型Xnorm將數據縮放到[0，1]，可以用公式（2）表示。

（2）

式中：X為原始數據；Xmin和Xmax分別為特征的最小值和最大值。將數據轉換為均值為0、標準差為1的標準正態分布，標準化公式可以用公式（3）。

（3）

式中：X為原始數據；Xmean為特征的均值；Xs為特征的標準差。數據規范化有助于模型更好地處理特征之間的差異，改善模型性能，提高模型可解釋性，并確保模型數據的準確性和魯棒性。

2.2.2 SVM建模

支持向量機（Support Vector Machine，SVM）是一種強大的大數據監督學習算法，適用于高維數據和復雜的分類問題。將數據集劃分為訓練集和測試集，采用交叉驗證的方式來確保模型的穩健性，訓練集用于訓練SVM模型，而測試集用于評估模型的性能。在訓練SVM模型前，需要確定以下參數。

2.2.2.1 C參數（正則化參數）

C參數控制了模型的懲罰項，用于平衡模型的復雜性和分類錯誤。使用交叉驗證來選擇最佳的C值，計算最小化minmize如公式（4）所示。

（4）

式中：||w||2為權重向量w的L2范數；C為正則化參數；Σ為對所有樣本進行求和。主題約束如公式（5）所示。

yi（wTxi+b）≥1-ξi，ξi≥0 " " " " "（5）

式中：yi為類別標簽；xi為特征向量；b為偏置項；ξi為松弛變量。用于容忍一些分類錯誤。C值較小會導致模型容忍更多的分類錯誤，C值較大使模型更嚴格，可能導致分類過擬合。

2.2.2.2 核函數選擇

根據數據的性質選擇適當的核函數。核函數包括線性核、多項式核和徑向基函數（RBF）核，選擇適當的核函數取決于數據的性質：①線性核。不引入非線性映射，用于線性可分問題。②多項式核。引入多項式映射，通過參數d來控制多項式的階數。③徑向基函數（RBF）核。通過參數γ來控制RBF核的形狀，用于非線性問題。選擇核函數的過程會涉及嘗試不同的核函數類型，并使用交叉驗證來評估它們的性能。

2.2.2.3 核函數參數

對于RBF核函數，需要調整核函數的參數γ，該參數控制了核函數的寬度。較小的γ值會導致核函數更寬，較大的γ值會導致核函數更窄。γ的選擇也可以通過交叉驗證來確定。RBF核函數的形式如公式（6）所示。

K（x，x'）=e-γ||x-x'||2 " " " " " " " " （6）

式中：||x-x'||2為特征空間中2個樣本之間的距離。訓練SVM模型的過程涉及尋找能夠將不同類別的數據分隔開的超平面。SVM的目標是最大化支持向量到超平面的距離（即間隔），以保證分類的魯棒性。將訓練好的模型部署到實際高校資助工作精準化平臺中，以進行實時預測或推薦。

2.3 生成資助決策

在高校資助工作精準化平臺中，生成資助決策是一個關鍵的步驟，它需要根據學生的信息和模型預測結果以確定是否向學生提供資助以及提供何種類型和金額的資助，生成資助決策的具體流程如圖2所示。

收集學生信息、財務數據和其他相關數據，進行數據清洗、特征工程和數據規范化，以準備數據進行模型預測。使用之前建立的機器學習模型對學生進行分類或回歸預測，預測的目標為是否需要資助、資助類型（獎學金、貸款等）以及資助金額。根據模型的預測結果，為每個學生生成初步的資助建議，可以是一個二元決策（是否資助）或連續數值（資助金額）。對于分類問題（是否資助），需要設置一個決策閾值，以確定哪些學生需要資助。滿足閾值則確定最終的資助決策，不滿足閾值則直接返回第4步驟，重新生成資助建議。根據生成的初步資助建議和決策閾值，確定最終的資助決策。對于連續數值問題（資助金額），可以根據模型預測值進行決策，例如，基于閾值將學生劃分為不同的資助層次，在生成資助決策的過程中，考慮公平性和可解釋性因素。確保決策過程不會產生不公平偏差，并能夠給出特定決策的原因。向學生發送資助通知，提供關于獲得資助的信息。同時，提供途徑供學生提出異議或請求重新評估。

3 測試試驗

3.1 試驗準備

為測試精準化平臺的各項性能，試驗硬件環境采用Dell PowerEdge R740服務器，2 x Intel Xeon Gold 6248 CPU @ 2.50GHz處理器，內存256GB DDR4 RAM，存儲1.2TB NVMe SSD，操作系統為Ubuntu Server 20.04 LTS。大數據框架選擇Apache Hadoop， Apache Spark，使用Scikit-Learn機器學習庫，Apache Cassandra數據庫，Python 3.8編程語言。使用包含學生信息、財務數據和歷史資助記錄的模擬數據集。試驗在服務器上安裝和配置所需的硬件和軟件環境，包括Hadoop、Spark和Cassandra等，導入測試數據集到Cassandra數據庫。在不同負載條件下進行平臺的穩定性測試，模擬多個用戶同時訪問平臺。

3.2 試驗結果

使用不同大小的數據子集進行性能測試，包括1000、5000、10000和50000名學生的信息。測試平臺的大數據處理能力，包括數據導入、清洗、特征工程和模型訓練的性能，記錄每個步驟的執行時間，具體的平臺表現見表1。

從表1中可以看出，在不同規模的數據集下，平臺的性能測試結果都表現出較短的數據導入時間、數據清洗時間、特征工程時間和模型訓練時間，這表明構建的高校資助工作精準化平臺在數據處理和模型訓練方面具有較高的性能，可以提升用戶的體驗。這些優勢使平臺能夠更好地支持高校資助工作，提供更準確、快速和可靠的資助決策服務，有助于提高高校的資助管理效率和學生滿意度。

4 結語

大數據技術在高校資助工作精準化平臺搭建中的應用，為高校資助工作帶來了新的機遇和挑戰。通過智能化的學生信息管理和個性化的資助決策，高校能夠更好地支持有需要的學生，提高工作效率，實現精準資助。然而，設計人員也必須認識到平臺數據安全和算法公平性的重要性，并通過不斷改進平臺以滿足未來的需求。隨著大數據技術的不斷發展，高校資助工作將進一步邁向智能化和精準化，為學生提供更好的教育支持。

參考文獻

[1]林振，王慶佳，馮志明.基于大數據技術的高校貧困生資助體系構建[J].林區教學，2022（7）：34-37.

[2]陳克文，劉陽.基于大數據的地方院校貧困學生精準資助路徑研究[J].中國新通信，2021，23（24）：121-122.

[3]姜攀.基于大數據分析的大學生資助管理平臺設計研究[J].科學技術創新，2021（32）：94-96.

[4]龐偉連.發展性資助理念下高校資助工作精準化的探索[J].理財，2021（9）：94-95.

[5]楊晨程.大數據背景下高校學生資助工作精準化實現路徑研究[J].黃岡職業技術學院學報，2021，23（4）：57-59.