大数据背景下的高校精准资助评价模型构建
2019-05-17何炜蒋昆坤许欣欣成都大学
文/何炜 蒋昆坤 许欣欣,成都大学
1 引言
实施精准扶贫,共奔小康和实施国家大数据战略等一系列发展战略是当前国民经济和社会发展的重要要求。如何应对人工智能、新技术、新产业、新业态以及大数据等带来的新时代挑战是当前教育事业发展的难点和探索方向。目前,社会各界也在教育精准扶贫上展开新的研究和探索,充分完善精准资助的评价机制和有效利用数据资源的工作已经全面展开。
2 当前高校资助存在的问题
“精准扶贫”是我国“十三五”期间扶贫工作的战略部署,将“精准扶贫”引入到高校资助工作中,既能体现习近平总书记提出的“扶贫先扶智”的指导思想,又能有效解决当前高校贫困生认定中存在一些问题。这些问题使得认定的精准性与有效性难以得到保证,并且当前的评价体系也亟待完善。
2.1 学生认定过程单一简单,缺乏真实性
高校贫困生认定通常以申请人提交相关申请材料及附属证明资料,由班级选取评定成员和班委干部以及班级辅导员进行评定工作。一般都是通过单一打分或者根据主观经验判断进行评选和等级认定,虽然评选人对申请人的日常消费能力能和消费情况有一定了解,但仍有很大可能出现漏评或错评。并且申请人提交资料的真实性很难保证,如家庭收入一栏一般都是学生估计填写,当地村委会或居委会碍于人情关系不做任何审核便予以签字盖章,地方民政部门也无从核实。认定方法简单且不严谨,认定过程缺乏有效监督。
2.2 缺少合理清晰的认定标准,无法实现资助动态管理
现阶段,高校认定贫困生基本根据教育部的“学生总体家庭经济情况困难,学生和家庭没有能力支付学生在学校期间教育的费用”的标准,较少高校采用创新举措。但这样的标准不但不清晰还很模糊,且会在贫困生认定过程中根据实际情况不断更改,因此在实践中难以进行有效的落实。再者,由于突发变故导致的贫困很可能由于贫困生的自卑心理或者评定小组的疏忽漏评等原因无法被精准地认定。此外,学生的家庭经济状况是不断变化的,而传统的资助认定办法常以历史标准作为认定标准,对于学生家庭的实际经济状况信息不能做到及时了解和掌握,这是亟待解决的问题。
2.3 忽视资助育人的目标
当前的资助模式大多仅停留在助学资金配置和精准资助的层面,很少以在资助学生的同时对其进行意志品质的培养为目标。笔者认为高校的资助工作不应单停留在经济资助层面上,既要帮助学生缓解经济困难和维持学业,更要培养他们自爱、自修、自尊、自强的美好品质或意志,以期帮助他们成为有担当有奉献的人。
3 大数据引入
随着大数据的不断发展,通过定量化的技术分析得到申请人的家庭经济信息和特征数据,建立更加完善的高校“精准资助”体系是当前的研究热点。大数据具有规模性、多样性、高速性和价值性四大基本特征,能够有效地解决资助的精准化和真实性问题,同时也有助于提高当前资助工作人员的效率。大数据涵盖学生各方面的信息,如生源地与家庭情况、生活与消费能力、学习和能力情况与综合素质因素情况等方面的全面又更具真实性的数据。大数据背景下进行精准认定的前提就是进行数据分析与挖掘,目前不少学者早就在该方面展开了研究,但较多仅就一卡通数据展开相应的研究,如利用K-means、C4.5、Apriori、关联分析、聚类分析、K近邻方法等进行相关的数据研究。本文完善了高校资助对象精准认定指标体系,加入了日常表现指标和基本信息指标的考量。
4 高校精准资助评价模型构建
本文采用层次分析法(Analytic Hierarchy Process,AHP)和模糊综合评价法((Fuzzy Comprehensive Evaluation,FCE)相结合的方法建立高校精准资助评价模型,以期达到对贫困学生进行精准评定的目的。首先应用层次分析法,对贫困生的评价指标进行分层和分类,通过构造判断矩阵的方式两两比较评价指标的重要性程度,之后再计算权重向量并检验一致性。然后建立模糊综合评价模型,利用隶属度理论把定性评价转化为定量评价,从而确定评判效果。采用模糊综合评价法处理评价对象,有助于量化处理评价对象的一些比较模糊的信息和数据,处理结果既科学又合理,并且采用模糊综合评价法能够比较准确地刻画被评价对象,因为评价结果不是一个点值,而是一个矢量,这使得结果包含了更加丰富的信息。此外,通过运用层次分析法来对评价指标进行分类和确定权重,能在很大程度上弥补传统模糊分析由于人为主观对权重进行赋值导致权重不准确不真实的缺陷。因此,融合层次分析法与模糊综合评价法建立模型对贫困生进行精准认定,既能达到定性分析,也能达到定量分析的目的,使得评价结果更加真实准确。
4.1 运用层次分析法确定评价因素的权重向量
4.1.1 构建高校资助对象精准认定指标体系
设K=(k1,k2,k3,k4)为助学金评价的4种一级评价指标,kij为第i种一级评价指标下第j种二级评级指标,具体如下表1所示:
表1 高校精准资助对象认定指标体系
4.1.2构造判断矩阵
设xi和xj为同一级的任意两个高校精准资助对象认定评价指标,可以构造判断矩阵A=(aij)n×n,并通过相对权重aij来比较第i个指标与第j个指标的相对重要程度。aij可按下表2所示标度进行赋值。
表2 重要性比较结果赋值
规定:aij>0,aii=0,aij=。
4.1.3做一致性检验并计算权重向量
计算矩阵A的最大特征值λmax,代入公式,可得到判断矩阵A的不一致程度CI。若CI=0,则有完全的一致性;若CI约等于0,则有较满意的一致性;而CI越大,不一致程度就越大。
然后,引入随机一致性指标 RI,RI和判断矩阵的阶数n有关,一般情况下,n越大,则出现一致性随机偏离的可能性也越大,RI与n的对应关系如下表3:
表3 平均随机一致性指标RI标准值
再将CI和RI进行比较,计算判断矩阵A的一次性比率CR:
一般,可以通过比较CR是否小于0.1 来衡量判断矩阵A是否具有满意的一致性,若CR<0.1,则矩阵A通过一致性检验,否则需要调整矩阵,直到其通过为止。
最后计算判断矩阵权重,可采用几何平均法,具体步骤为:第一步,对判断矩阵A中的各行各个元素aij进行连乘,并开n次方根得:,其中;第二步,将量标准化为,其中,向量W即所要求的权重向量。
4.2模糊综合评价法的模型和步骤
其中rij(i=1,2,…,m;j=1,2,…,n)表示某个被评价对象从因素ui来看对vj等级模糊子集的隶属度。
建立单因素评价矩阵ri=(ri1,ri2,…,rim),刻画被评价对象在某个因素ui方面的表现。
确定隶属关系:由专家依据评判等级对评价对象进行打分,并统计打分结果,根据绝对值减数法可求得:
4.2.1确定被评价对象的因素集和评语集
其中:c适当选取,要求0≤rij≤1。
4.2.3合成模糊综合评价结果矢量
利用合适的模糊合成算子将模糊权矢量A与模糊关系矩阵R合成得到各被评价对象的模糊综合评价结果矢量B,模糊综合评价模型为:
4.2.2进行单因素评价,建立模糊关系矩阵R
对被评价对象逐个从每个因素ui(i=1,2,…,m)上进行量化,确定从单因素来看被评价对象对各等级模糊子集的隶属度,从而建立模糊矩阵:
其中:bj表示被评价对象从整体上看对vj等级模糊子集的隶属程度。
4.2.4 分析模糊综合评价结果
将评价结果B转换为综合分值,并按大小排序,挑选出最优者。
对于模糊综合评价矢量B的处理,可采用最大隶属度原则,即:若模糊综合评价结果矢量中,则被评价对象隶属于第r等级。
5 总结与思考
基于大数据背景下的精准资助需要一个足够大的数据、信息处理平台,需要政府、企业及高校实现数据资源的全面共享和更新,从而通过对数据的实时追踪实现精准资助的精准化与动态化,以期达到资助育人的目标。其中可能存在的信息安全问题也应提前预见,高校应做好加强内部管理、规范涉及学生隐私的大数据使用方法和流程。全民应强化大数据思想,国家也应重视相关人才的重点培养。借助大数据思维进行高校精准资助体系的建设与完善,建立精准资助新机制是资助工作发展的趋势,对于资助的效率提升和精准认定的程度以及优化教育的资源配置具有深远的意义。落实基于大数据的精准资助理念,不仅能够有效地促进高校资助工作的顺利进展,还能增强资助工作的科学性、有效性,为促进教育公平做出贡献。