基于AHP和向量机融合的大学生综合素质评价体系研究与应用

徐蓉+曹坚

[摘要]本文首先通过现状分析、走访调研等方式确立了大学生综合素质测评的指标体系，然后运用层次分析法确定各目标层指标的权重，最后应用支持向量机训练样本来验证统一性并进行最终评价。研究结果表明，将层次分析法和支持向量机综合运用于大学生综合素质的评价，操作简单并且能获得更为科学合理的评价结果。

[关键词]层次分析法；支持向量机；综合素质测评

引言

对学生开展综合素质评价，是高校人才培养和学生管理中一项十分重要的内容。虽然多数高校已经实施大学生综合素质评价，但其主要评价标准仍是学业成绩，在学生的创新精神、实践能力等方面体现不够全面。因此，建立一个科学、合理、便捷的评价模型非常必要。层次分析法在解决多层多因素评价中能较好地给出各因素的权重，而基于支持向量机的机器学习系统，能很好解计算便捷的问题。由此，本文将两者结合并综合应用于学生的综合素质评价。

一、大学生综合素质评价指标体系的建立

（一）我省高校大学生综合测评体系现状

通过查阅资料、走访调查等方式，对我省高校现行的综合测评体系进行了分析：绝大部分高校都进行学生综合素质测评工作，并且在评价方式上都在向着素质教育方向进行探索，但普遍的做法还是将测评分为德、智、体三个方面，权重大多数仍为0.3、0.6、0.1左右，智育部分所占权重最大，一般不低于0.6，且主要以学习成绩来衡量，应试教育痕迹依然明显，身心素质及能力评价在素质测评中权重极低，容易形成学业成绩分高者“一好百好”的错误导向；在評价的方法上，大部分高校逐步向着定性与定量结合，以定量为主的方向发展。但定性部分的评价渠道和评价主体相对比较单一，一般是由班级成立测评小组进行打分，有的会参考班主任（辅导员）意见。而事实上学生的素质表现体现在方方面面，学生在宿舍、课堂、党团学组织中的表现及评价往往被忽略；在评价结果上，存在可信度及社会认可度较低的问题。用人单位还很少根据综合测评成绩来判断毕业生的素质高低，测评结果不能全面反映学生在校情况和能力水平，尤其是企业比较注重的创新能力、团队合作、实践能力、心理素质等职业素质要求，还不能通过现有的综合测评体系得到全面客观的体现。

（二）评价要素指标体系的设置

大学生综合素质评价是多层次、多属性的决策问题，在科学性、导向性、全面性、层次性、多元性及可操作性的原则下，建立了由德育素质、智育素质、身心素质、发展性素质4个一级指标及政治表现、道德修养、学习成绩、学习能力、身体素质、心理素质、科研创新、职业能力、文体特长、社会实践10个二级指标组成的大学生综合素质评价指标体系。指标体系设置原则及特点：遵循引导性原则，以企业、社会需求为导向，更加突出对科研创新、学习能力、职业能力的评价；遵循实证性原则，增加宿舍表现、集体活动、党员作用发挥等项目的评价；遵循差异性原则，通过文体特长、社会实践指标的化，突出学生个体发展的独特性。

（三）构建判断矩阵计算各指标的权重

采用T.I.Saaty的数量标度法，结合问卷及走访调查的结果，对同一层次指标的重要性两两进行比较得到判断矩阵即当两个因素相比，具有相同重要性时，标记为1；表示两个因素相比，前者比后者稍重要时，标记为3；当两个因素相比，前者比后者明显重要时，标记为5；当两个因素相比，前者比后者强烈重要时，标记为7；当两个因素相比，前者比后者极端重要时，标记为9；以2、4、6、8表示上述相邻判断的中间值。计算出判断矩阵对应于最大特征值x的特征向量w，经归一化后即为同一层次相应因素对于上一层次某因素相对重要性的排序权值。进行一致性检验：CR=CI/RI，其中n为判断矩阵阶数，RI值选取区间为[0.00，1.45]，当cI=0时，判断矩阵具有完全一致性；如果CR<0.10，则此判断矩阵具有满意的一致性，否则还需调整。经检验，各判断矩阵的CR<0.10，得到系统层的各因素权重值为[B1=0.1344，B2=0.5280，B3=0.0466，B4=0.2910]，评价体系的权重分配情况为[c1=0.5，c2=0.5，c3=0.875，C4=0.125，C5=0.75，C6=0.25，C7=0.4485，C8=0.2863，C9=0.0906，C10=0.1746]。

二、基于支持向量机进行评价

用AHP得出来的结果作为支持向量机的学习训练样本，把大学生综合素质测评数据矩阵作为向量机的输入，将代表相应评价结果的向量作为输出。通过对已有样本模式的学习，获得评价的知识和经验，以后当需要对大学生进行综合素质测评时，只要给训练好的向量机输入相应的指标，就能获得相应评价结果，从而可以避免评价过程中的人为失误。

（一）大学生综合素质测评模型的原理

支持向量机根据有限的样本信息，在模型的复杂性和学习能力之间寻求最佳折衷，从而实现最优分类。对于非线性划分，支持向量机分类算法引入了最大间隔原则和核技巧，即通过事先确定的非线性映射将输入量x映射到一个高维特征空间中，然后在此高维空间中构建最优平面，把非线性空间转化为线性空间，降低分类的难度。

（二）选用核函数与参数

在SVM的训练和测试过程中，核函数的确定至关重要，不同的内积核函数将形成不同的算法。某些问题用某些核函数效果很好，用另一些就很差，但是一般来讲，径向基核函数是不会出太大偏差的一种，本文选择径向基核函数（RBF）：其中两个重要参数惩罚参数c范围确定在0-100之间，核函数参数g范围在0-1之间，具体值由参数优化过程确定或根据经验进行人为的调整，其他参数均为系统默认值。

（三）支持向量机训练样本的选取

选取40名同学的数据作为训练样本，基于以上的评价指标体系得出评价结果，因为综合测评成绩主要是用于对学生综合评价和奖学金评定的参考依据，因此评价结果根据百分制换算为“优秀”、“良好”、“较差”三类。此次选取的40个训练样中优秀样本10个（>=80分）标记为1，良好样本20个（60-80分之间）标记为2，较差样本10个（<60分）标记为3。

（四）训练测试样本

将已经分类的40组学生的原始数据为指标进行数据的归一化预处理，运用svmtrain函数将原始数据线性调整到[-1，1]之间，以减少最优参数集的搜索空间，增加分类的精准度。将这些数据作为训练样本训练支持向量机，实验中取惩罚参数c=99.68，核函数参数g=0.58，利用40个训练样本得到分类模型即向量机。训练结束后，选取30个测试样本（其中优秀样本5个，良好样本20个，较差样本5个）对向量机进行检验。测试结果如下：SVM={1，1，1，1，1，2，2，1，2，2，2，2，2，2，2，2，2，2，2，2，2，2，2，2，2，3，3，3，3，3}与预期值完全吻合，准确率达到100%。

三、结论

用测试样本对训练好的向量机进行检验，得到相应的大学生综合素质评价结果准确率高，说明将层次分析法与支持向量机结合起来综合运用于大学生综合素质评价是可行的，从而可以有效避免评价过程中的人为失误，具有容错力强，准确性高，计算速度快的特点。将上述两种方法结合，并通过参数优化不断提高数据分类的准确率，可推广应用于其他评价类问题。