一种高校贫困生评定方法技术

本发明专利技术提供了一种高校贫困生评定方法，包括如下步骤：①获取参数：获取经过评定并记入系统的高校学生数据中十个指标的度量值，十个指标分别为家庭月均收入FI、人均月收支比FIOR、有劳动力成员占家庭成员的比例FMR、特殊家庭类型FT、家庭成员健康情况FH、学费来源ST、生活费来源SC、日均伙食消费SE、班级民主测评SS和挂科情况SCS；②模型判别；③获取结果。本发明专利技术通过采用前向有监督神经网络算法模型的方法，以及更合理的选取指标，从而使得准确度能超过93.3％，在很大程度上避免过拟合的情况，准确率理想，进而使得学校能够更加真实、公平、方便、高效率地评定贫困生。

【技术实现步骤摘要】
一种高校贫困生评定方法
本专利技术涉及一种高校贫困生评定方法。
技术介绍
为了减轻贫困家庭的经济负担，尽量减少因经济问题而困扰学生的学习。党和国家对贫困生资助工作历来重视并实施了诸如《关于对高等学院生活特别困难学生进行资助的通知》、《关于进一步加强高校资助经济困难学生工作的通知》以及《教育部财政部关于认真做好高等学校家庭经济困难学生认定工作的指导意见》等一些政策惠及贫困学生，使他们减弱了经济负担的压力进而安心地学习。根据教育部对贫困学生的界定：在国家招收的普通高校本专科学生中，由于家庭经济困难，支付教育费用很困难或无力支付教育费用的学生。然而规定存在一定的模糊性，造成了各个高校在对贫困生评定的实际操作中的缺乏统一的度量标准。标准的缺失使得许多高校的资助模式随意性较强。这种现象的出现背离了国家对高校贫困生资助的初衷和降低了贫困资金的使用效益，同时也难以发挥国家对高等教育的资助功能，损害了公民对高等教育的公平、公正与均等的权利。为了避免上述现象的发生，很有必要采用统一化标准的方法。在调查研究的基础上，采用定性与定量相结合的贫困生认定指标体系，克服评定工作的简单化与随意性，不断提高济困资金的使用效益。在贫困生评定中存在的不公平问题引起了学者的关注，并成为广大高校资助工作人员和研究人员关心的问题，各种各样的评定方法被提出来解决公平性问题。李明江等人与陶双红提出了使用决策树的方法指导贫困生的评定工作。针对他们对评定指标无区别对待，陈晓等针对评定指标的偏向性提出了基于加权约束的决策树方法在贫困生的方法。付宝君利用基于FP-growth的关联规则挖掘对贫困生进行了认定。胡磊和刘红旗等人分别利用了灰色综合评定方法实现了对经济困难学生资格等级的认定。上述的研究使用的指标高于现实的实际操作或指标的获取性价比较低使得使用的方法不能很好地实施以及使用决策树存在过度拟合问题以及在灰色综合评定对矩阵的一致性判定无较科学的指导。而对贫困学生的实际的且易于获得的评定指标研究较少。
技术实现思路
为解决上述技术问题，本专利技术提供了一种高校贫困生评定方法，该高校贫困生评定方法通过采用前向有监督神经网络算法模型的方法，以及更合理的选取指标，从而使得准确度能超过93.3％，能在很大程度上避免过拟合的情况，准确率理想。本专利技术通过以下技术方案得以实现。本专利技术提供的一种高校贫困生评定方法，包括如下步骤：①获取参数：获取经过评定并记入系统的高校学生数据中十个指标的度量值，十个指标分别为家庭月均收入FI、人均月收支比FIOR、有劳动力成员占家庭成员的比例FMR、特殊家庭类型FT、家庭成员健康情况FH、学费来源ST、生活费来源SC、日均伙食消费SE、班级民主测评SS和挂科情况SCS；②模型判别：将获取的十个指标输入至神经网络模型进行计算，神经网络模型为三层，三层分别为输入层、隐含层、输出层，其中隐含层神经元个数采用Cross-validation算出，神经网络模型采用前向有监督的神经网络算法得到；③获取结果：得到神经网络模型计算输出的结果。所述前向有监督的神经网络算法为LVQ神经网络算法。所述神经网络模型采用300～500个样本作为训练集计算得到。所述特殊家庭类型FT、家庭成员健康情况FH、学费来源ST、生活费来源SC、挂科情况SCS均为以0～9范围内整数表示的虚拟变量。本专利技术的有益效果在于：通过采用前向有监督神经网络算法模型的方法，以及更合理的选取指标，从而使得准确度能超过93.3％，在很大程度上避免过拟合的情况，准确率理想，进而使得学校能够更加真实、公平、方便、高效率地评定贫困生。具体实施方式下面进一步描述本专利技术的技术方案，但要求保护的范围并不局限于所述。本专利技术提供了一种高校贫困生评定方法，包括如下步骤：①获取参数：获取经过评定并记入系统的高校学生数据中十个指标的度量值，十个指标分别为家庭月均收入FI、人均月收支比FIOR、有劳动力成员占家庭成员的比例FMR、特殊家庭类型FT、家庭成员健康情况FH、学费来源ST、生活费来源SC、日均伙食消费SE、班级民主测评SS和挂科情况SCS；②模型判别：将获取的十个指标输入至神经网络模型进行计算，神经网络模型为三层，三层分别为输入层、隐含层、输出层，其中隐含层神经元个数采用Cross-validation算出，神经网络模型采用前向有监督的神经网络算法得到；③获取结果：得到神经网络模型计算输出的结果。所述前向有监督的神经网络算法为LVQ神经网络算法。所述神经网络模型采用300～500个样本作为训练集计算得到。所述特殊家庭类型FT、家庭成员健康情况FH、学费来源ST、生活费来源SC、挂科情况SCS均为以0～9范围内整数表示的虚拟变量。具体而言，根据训练集为400个样本的实验结果，隐含层神经元个数为42时，最终结果误差绝对值达到最小。采用高校历年对贫困生评定数据的数据，当训练集为400个样本时，最终结果准确率为96.9％，而当训练集为300个样本时，最终结果准确率为93.3％，当训练集小于300时，准确率难以保证，且容易出现过拟合的情况。由此，本专利技术针对现有方法的不足，利用评定指标对学生进行综合评价并假设高校现存的大量评定数据与贫困生类别之间存在特定的函数关系，这种特定函数关系可用如下形式描述：C＝f(indicator1,indicator2,indicator3,…,indicatorK)其中，C表示贫困类型；indicatork表示第K个评价指标；f表示贫困生类型与K个评价指标之间的特定数映射关系。在挖掘大量数据所蕴含的特定函数关系中，神经网络无需建立表达式就能够从大量的数据中，抽取出潜在的、有价值的知识、模型或规则。LVQ网络为神经网络的一种可以通过对输入模式的学习得到准确的结果。为此，本文选择了LVQ神经网络作为模型中的f函数。通过在评价指标下对各个学生进行综合评定，进而得到更加可观公正的评定结果。以学生评价指标为基础的评定建模的方法分为如下5个步骤：(1)假设高校学生评定数据与贫困生类别之间存在特定的函数关系；(2)对高校贫困生评定数据进行指标抽取以客观反映学生贫困类别；(3)确定LVQ网络的结构，输入层神经元个数、竞争层神经元个数和输出层神经元个数；(4)通过LVQ神经网络对已存在的大量贫困生数据进行学习、训练以挖掘出他们潜在的函数关系；(5)将评价指标作为函数f的输入，函数f的输出为学生的贫困类别；通过LVQ神经网络得出贫困类别C。通过LVQ神经网络得出的结果与实际类别进行对比，验证模型的合理性。指标的选取与学生的贫困程度息息相关。由于我国目前尚无统一的高校贫困生认定指标，为此，本专利技术从现实条件出发筛选了2大类10个易获取且综合反映学生家庭状况和学生自身状况的指标。从现实情况来看，家庭的物质条件直接决定了学生的贫困程度；而大部分贫困学生在学校的日常表现也于其家庭所能承受的物质条件相符。因此，从家庭情况和学生自身的情况2大类指标就能够综合反映学生的贫困程度。下面将综合分析2大类指标及其度量方法。一、家庭类指标A.家庭月均收入：一年内学生家庭的平均月总收入，能够反映出家庭资金来源的宽度，用FI表示。指标的值可以从县乡村开具的证明中获得；B.人均月收支比：学生家庭一年内月平均收入(FI)和月平均支出(F本文档来自技高网...

【技术保护点】
一种高校贫困生评定方法，其特征在于：包括如下步骤：①获取参数：获取经过评定并记入系统的高校学生数据中十个指标的度量值，十个指标分别为家庭月均收入FI、人均月收支比FIOR、有劳动力成员占家庭成员的比例FMR、特殊家庭类型FT、家庭成员健康情况FH、学费来源ST、生活费来源SC、日均伙食消费SE、班级民主测评SS和挂科情况SCS；②模型判别：将获取的十个指标输入至神经网络模型进行计算，神经网络模型为三层，三层分别为输入层、隐含层、输出层，其中隐含层神经元个数采用Cross‑validation算出，神经网络模型采用前向有监督的神经网络算法得到；③获取结果：得到神经网络模型计算输出的结果。

【技术特征摘要】
1.一种高校贫困生评定方法，其特征在于：包括如下步骤：①获取参数：获取经过评定并记入系统的高校学生数据中十个指标的度量值，十个指标分别为家庭月均收入FI、人均月收支比FIOR、有劳动力成员占家庭成员的比例FMR、特殊家庭类型FT、家庭成员健康情况FH、学费来源ST、生活费来源SC、日均伙食消费SE、班级民主测评SS和挂科情况SCS；②模型判别：将获取的十个指标输入至神经网络模型进行计算，神经网络模型为三层，三层分别为输入层、隐含层、输出层，其中隐含层神经元个数采用Cross-validati...

【专利技术属性】
技术研发人员：李君科，刘凯，卢玉，周力军，
申请(专利权)人：黔南民族师范学院，
类型：发明
国别省市：贵州,52