首页 > 论文范文 > 教育综合论文 > 高等教育论文 > 基于智慧校园大数据分析的助学金发放评价系统设计

基于智慧校园大数据分析的助学金发放评价系统设计

2024-08-22 55 上传者：管理员

摘要：随着智慧校园建设的不断推进，助学金评定的信息化、数字化服务也应加快数字化转型，立足现有评价体系，细分助学金评价指标，建立数字化评价体系。采用基于自助采样的集成学习思想，通过构建多个决策树来解决助学金评定问题，并进行可视化系统搭建。预测结果表明，随机森林模型对于助学金评定具有一定的实用价值。

关键词：
助学金评定
指标体系
智慧校园
综合评价算法
随机森林模型
加入收藏

随着智慧校园建设的不断推进，高校使用信息化、数字化服务已成为重要的管理运营方式之一。助学金的发放不仅是为资助的学生提供帮助，更是学校的一项社会责任。众多高校采用“学生自愿申请—班级民主评议—教师认定审核—学院最终批准”的模式，在该模式中，会出现收集信息不全面和一些人为、主观因素干扰，导致缺乏统一的量化标准，最终使得认定工作出现一定纰漏，造成“伪贫困生”这一群体出现。

本文设计的助学金发放评价系统旨在利用学生信息、家庭信息和社会实践等信息进行助学金评定，通过数据分析全方位展示学生个人数据和学业表现，为助学金评价提供有力数据保障，最终得出一份合理的助学金分配方案[1]。

1、综合评价算法优化

1.1 综合评价算法概述

综合评价是对事物或现象从多个角度、指标出发进行全面、客观、准确的评价和比较，考虑经济、社会、环境、技术等多方面因素，对各项因素进行合理权重分配，通过指标测算和归一化处理得出最终评价结果，为使用者提供全面客观的信息支持决策。

综合评价可以被应用于各行业，如教育、金融、医疗、环保、交通等领域。对于学生综合素质评价，可以从学术成绩、综合实践能力、人际交往能力、文化素养等多个角度出发进行评价，以更为全面地反映学生的综合素质；对于企业绩效评价，可以从财务、客户、内部流程、学习与成长等多个方面进行评价，以更全面了解企业的现状和未来发展情况[2]。

综合评价不像单一指标评价那样局限于某个维度，而是倡导全面、系统地考虑问题。常见的综合评价算法有简单加权法、层次分析法、灰色关联分析法、模糊评价法等。

1.2 优化思路：随机森林算法

随机森林（Random Forest)[3]是一种集成学习方法，如图1所示，通过构建多个决策树进行分类、回归或其他任务。在随机森林中，每个决策树的结果由投票或平均值来决定。

图1 集成学习思想

随机森林的基本思想是通过自助采样（Bootstrap Sampling）生成多个不同的采样集，再为每个采样集构建一棵决策树，构建过程中，只考虑部分特征子集来增加树之间的差异性，详见图2。

图2 随机森林思想

随机森林的随机性在于“样本随机”与“特征随机”。样本随机指采用从样本数据中采取有放回（Boostrap）随机抽取N个样本（因为是有放回抽取，有些数据可能被选中多次，有些数据可能一直没有被选上），每次取出的样本不完全相同，这些样本组成了决策树的训练数据集；特征随机是指假设每个样本数据都有M个特征，从所有特征中随机地选取m个特征（m<M），选择最佳分割属性作为节点建立CART决策树，决策树成长期间m的大小始终不变，在Python中构造随机森林模型时，默认采用来确定特征个数。

随机森林模型的基本步骤如下。

遍历随机森林的大小K次：从训练集T中有放回抽样的方式，取样N次形成一个新子训练集D。

随机选择m个特征，其中m<M。使用新的训练集NEW和m个特征，学习出一个完整的决策树，得到随机森林。

首先，定义数据集，其中每个样本，每个样本的标签为Yi∈R。对于一个随机森林模型，设集成了t棵决策树，第i棵决策树的输出为fi(x），包含的数据子集为Di，每个决策树都由一个基本的分类器组成。对于随机森林分类器F(x），其预测输出为：

式中：t为决策树个数。

随机森林中，每棵决策树都是通过对数据集进行随机抽样来训练的，即每个数据点都有被抽出和未被抽出的可能性。对于一个数据集S，从中进行随机抽样而得到的子集S′，其抽样概率为p，则可得到：

式中：k为子集的大小；n为数据集的大小；为不含某一个数据点的k个子集；为包含所有的k个数据点的子集。

在每个节点上，根据某些策略选择特征，如每个节点随机选择特征集中的一个特征进行分裂。这个特征集由问题的输入特征集生成；假设特征集为F，每个节点根据其中特征集合F的子集fk来进行分裂，则某个节点的特征选择概率即可表示为：

式中：|F|为特征集合F的大小。

算法测试则选取了某高校某学院于某学年提交的849份贫困申请数据。从招生处、教务处、后勤处、学工处、院系和财务处等部门获得学生数据并保存在数据库中。再对这些数据进行预处理，对于选取最优的参数，则利用网格搜索算法实现，它是用穷举搜索的思想，通过循环遍历，对所有候选参数进行组合，尝试每个可能的优劣，将表现最好的作为最终的参数。指标体系如表1所示，最终结果为最优参数12个。

表1 指标体系

对849个样本进行随机抽样选取训练样本，训练集与测试集样本数量之比为7∶3，而后进行模型训练并保存，对测试集的预测结果准确率为83.5%，具有较好的实际应用意义。

算法准确度比较如表2所示。将随机森林算法与其他相关算法如KNN、决策树算法等进行比较，其在该数据集上具有较高的准确度。总的来说，随机森林算法适用于助学金评价过程，它具有处理大规模数据集、高维数据、缺失值和异常值的鲁棒性，降低过拟合风险，处理噪声数据表现较好，自动特征选择等优点；缺点是占用较多内存和计算资源，训练时间长，结果难以解释和理解，对噪声和异常值敏感[4]。

表2 算法准确度比较

2、助学金评价系统设计

2.1 系统设计理念和实现方法

系统基于机器学习思想，通过训练和优化得出能更准确反映变量关系的预测模型，输入学生成绩、贫困状况和家庭情况等因素，采用随机森林算法进行分类，再通过交叉验证和网格搜索等方法提高泛化性能和预测精度。具体实现包括数据收集、预处理、模型构建、训练与应用。

2.2 系统数据来源

系统数据主要来源如下：通过调用学校API接口获取学生基本信息、行为记录和消费情况等关键数据；通过学生线上表单提交的家庭情况、联系方式、社会实践经历等信息，以便更好地了解学生情况并提供更准确的关怀。且所有数据经管理员审核，可保障信息安全；同时，创建索引提高查询效率，保证系统在高并发情况下快速、准确地响应用户请求。

2.3 数据预处理

数据预处理主要包括数据清洗、数据集成、数据变换等操作。数据清洗是预处理的关键步骤，旨在确保数据质量和准确性，清洗过程中，需要处理缺失值和异常值[5]。缺失值处理包括删除和填充，常用填充方式为选择最大值、最小值、均值、中位数等统计指标；异常值处理是用期望值替换离群点或异常值；数据集成是将不同来源和格式的数据整合成整体，包括关系型数据库的数据集成和文件格式转换等方式。需要统一数据格式，将不同数据源按照数据表的方式存储，如整合学生表、教师表、助学金信息表、学生家庭信息表等存入MySQL数据库表中。

数据变换是对原始数据进行操作和处理，以获得符合特定需求的新数据，旨在改善数据质量、结构、语义。由于学校API采集的原始数据涉及学生敏感信息，系统仅取代表性数据；数据脱敏分为静态数据脱敏（SDM）与动态数据脱敏（DDM），系统采用静态数据脱敏处理，即对学生信息的姓名、联系电话等字段进行无效处理，如将“张阿三”转为“张*三”，学号作为学生唯一标识，同时为确保数据分析结果的准确性，需要对不同特征的数据进行缩放处理，使数值落在一个特定区域，便于综合分析[6]。

2.4 系统前后端功能

评价系统的前端网页有主页、登录注册、助学金评价、关于我们4个部分。主页包含系统导航栏、轮播图和助学金相关政策等部分；用户需进行注册登录后方可使用系统；系统页面介绍了系统的基本流程和开发团队；助学金评价方面主要是信息填写与提交。部分页面见图3。

系统的后台管理系统主要由HTML、B/S结构、MySQL数据库、SSM框架组成。后台管理系统分为以下3个部分：①注册登录。管理员注册，登录进入管理系统，进行信息维护与前端内容修改等系列操作。②信息管理。管理员进入系统后可对登录系统人员情况、主页内容更新等进行动态操作，对前端站点的内容进行简单的可视化编辑，不需要烦琐的代码，保证信息的时效性。③助学金管理。管理员可对申请助学金的学生信息进行修改、驳回申请、更新相关助学金公示情况等。

图3 前端网页图示

2.5 系统改进方向

针对助学金发放评价系统的优化，可以从算法和网站设计2个方面入手。

在算法方面，可使用深度学习算法或神经网络算法来提高模型的准确率和鲁棒性。这些算法可以用于分类与预测学生情况，如通过卷积神经网络（CNN）模型提取学生照片特征来帮助识别贫困生[7]。在网站设计方面，可以细化前端网页组件并使用H5新特性来优化前端效果，加强前后端数据交互的安全性；后端则可使用实时数仓来代替MySQL以加快数据的ETL，利用Lambda架构提高处理速度，并逐步引入更加完善的大数据体系。

3、结束语

本文提出了一个基于大数据分析的助学金发放评价系统，并且在该系统中使用了随机森林算法来构建和处理框架。通过实验对比，该系统在多个评价维度上效果良好，以高准确率预测和评估助学金分配方案，有助于学校更精准地发放助学金，特别关注贫困学生群体。

参考文献:

[1]孙亚男.高校学生奖助学金预测系统应用研究[D].昆明:云南财经大学,2023.

[2]任春荣.“四个评价”的概念辨析与历史任务[J].中国民族教育,2021(6):17-20.

[3]失落的版图.随机森林详解(从决策树理解随机森林)[DB/OL]

[4]胡天宇.基于Spark的随机森林算法优化与并行化研究[D].济南:齐鲁工业大学,2019.

[7]张鑫,杨万祥,李小斌,等.卷积神经网络中批量规范化层的使用对地震数据去噪的影响分析[J].地球物理学进展,2024,39(1):183-196.

文章来源:杨婕,王斐凡,师超,等.基于智慧校园大数据分析的助学金发放评价系统设计[J].科技与创新,2024,(16):56-58+61.