摘要：本研究運用神經(jīng)網(wǎng)絡檢驗了一般能力傾向成套測驗（GATB）對不同學科大學生專業(yè)成績的預測效度。對1022名大學生均施測GATB，并隨機選取其中652名，將其期末專業(yè)考試成績作為衡量專業(yè)成績的指標，建立人工神經(jīng)網(wǎng)絡（ANN）模型。研究發(fā)現(xiàn)：對文、理、工三類專業(yè)大學生專業(yè)成績預測的ANN模型估計的準確率均在90%以上， GATB分數(shù)可以用來預測不同專業(yè)學生的專業(yè)成績。文科大學生最敏感的能力因子是言語能力，系數(shù)為0.523；理科大學生最敏感的能力因子是數(shù)理能力，系數(shù)為0.471；工科大學生最敏感的能力因子是空間判斷能力，系數(shù)是0.594。

關鍵詞：心理學；效度；一般能力傾向成套測驗（GATB）；人工神經(jīng)網(wǎng)絡（ANN）模型；大學生

一、問題提出

一般能力傾向成套測驗（General Aptitude Test Battery，GATB）是美國勞工部就業(yè)保險局歷時50年，耗資數(shù)億美元，研究了美國上萬種職業(yè)后編制而成的著名測驗。這套測驗應用較廣，已被大量研究證明具有良好的信效度，能夠很好地預測職業(yè)成功和學術成就。GATB是適用于初三以上年級的中學生及成年人的團體測驗，包含15種分測驗（11種紙筆測驗，4種操作測驗），可在120～130分鐘內(nèi)測量9種與職業(yè)關系密切并有代表性的能力因素。這9種能力傾向因素為：一般智力、言語能力、數(shù)理能力、空間關系理解力、形狀知覺能力、文書知覺能力、動作協(xié)調(diào)能力、手指靈活性及手部靈巧性。Hammond1984年對GATB的結構進行因素分析發(fā)現(xiàn)，GATB測量的其實是4種更普遍、更高層次的能力：言語能力、數(shù)理能力、工具組合能力和空間能力[1]。GATB在國外應用廣泛，是升學、就業(yè)指導以及人員選擇與安置的重要工具。而Droege等研究發(fā)現(xiàn)：GATB的一般智力、言語能力、數(shù)理能力和書寫知覺測驗可以作為預測學業(yè)成績的良好工具[2]。R.L.Thorndike和E.P.Hagen報告，用GATB預測工程學校學生的專業(yè)成績的R2最低0.46，最高0.58[3]。

個體在大學期間的專業(yè)學習將奠定他們一生職業(yè)生涯的基礎。在美國，大學生入學之初，要進行一項學術能力測驗（SAT），通過這種學術能力測驗，可以預測大學生在大學期間的專業(yè)學習成績。也有研究者應用一般能力傾向成套測驗（GATB）來預測大學生的專業(yè)成績。在預測方法方面，以前的研究大都是運用傳統(tǒng)的多元回歸算法。如果應用神經(jīng)網(wǎng)絡模型新技術，效度是否會有提高呢？這值得我們來探索一番。

人工神經(jīng)網(wǎng)絡（Artificial Neural Network， ANN）是近年來發(fā)展起來的一門新興學科、新技術。它應用了一種信息處理系統(tǒng)或計算機模仿大腦的結構和功能，可稱之為人腦處理信息方式的簡化模型[4]。ANN今天已經(jīng)成為世界關注的熱點，引起各國政府與軍界的高度重視。

目前人工神經(jīng)網(wǎng)絡（ANN）的算法基本成熟。人工神經(jīng)網(wǎng)絡包括三部分：輸入層（input layer），隱藏層（hidden layer），輸出層（output layer）。輸入的數(shù)據(jù)顯示在第一層，其值從每個神經(jīng)元傳播到下一層的每個神經(jīng)元，最終從輸出層輸出結果。ANN是功能強大的函數(shù)估計器，只需基本的統(tǒng)計或數(shù)學知識就能夠進行訓練，并加以應用[4]。特別值得注意的是，它是一種非線性系統(tǒng)，具有一個隱藏層的神經(jīng)網(wǎng)絡算法，可以擬合輸入和輸出之間的任意非線性關系，而不要求資料滿足正態(tài)分布或其他特殊分布，可以自由估計模型（即非參數(shù)模型）。因此，神經(jīng)網(wǎng)絡具有很強的綜合能力，輸入和輸出間的聯(lián)系可由訓練習得，再運用于計算中[5]。

BP（back propagation）神經(jīng)網(wǎng)絡是ANN的一種，由James McClelland和David Rumelhart在1986年提出[6]。它是一種典型的前饋神經(jīng)網(wǎng)絡，其權重的調(diào)整采用反向傳播的學習算法，神經(jīng)元的變換函數(shù)是S型函數(shù)，輸出量是0～1之間的連續(xù)量，可以實現(xiàn)從輸入到輸出的任意非線性映射[7]。通過對網(wǎng)絡參數(shù)的選取，在確定了網(wǎng)絡層數(shù)、隱含層神經(jīng)元數(shù)、初始權重、學習速率、期望誤差及最大步長后，構建神經(jīng)網(wǎng)絡模型。確定網(wǎng)絡的結構后，利用輸入輸出樣本進行訓練，也就是對網(wǎng)絡進行調(diào)整，多次反復，直到樣本收斂，使網(wǎng)絡實現(xiàn)給定的輸入輸出映射關系，從而獲知最重要的影響因素。

從ANN誕生之日起，它與心理學就有著千絲萬縷的聯(lián)系。神經(jīng)網(wǎng)絡的靈感來自于神經(jīng)元的信息處理功能，神經(jīng)網(wǎng)絡的訓練則可以反映感覺、記憶、學習等認知過程[8]。ANN已被研究者廣泛應用于視知覺識別[9]、技能培養(yǎng)[10]、語言發(fā)展[11]等認知領域。研究者發(fā)現(xiàn)，ANN對于內(nèi)隱記憶、內(nèi)隱學習等無意識認知過程有著極強的適應性[12，13]，對神經(jīng)網(wǎng)絡來說，外界環(huán)境的每一次輸入都可能會引起網(wǎng)絡結構的重新調(diào)整（權重變化），從而改變該網(wǎng)絡下一次的加工模式。

社會認知與ANN有著類似的信息加工過程。社會認知過程中，人們會按照某種規(guī)則對所經(jīng)驗的事件進行組織，從而影響他們在類似環(huán)境下對待相似對象的印象與態(tài)度。因此，許多研究者針對印象形成[14]、歸因[15]、認知矛盾[16]、群體印象[17]等建立了各具特色的神經(jīng)網(wǎng)絡模型。

由于ANN的模仿對象是人腦神經(jīng)系統(tǒng)的處理方式，因此，它在功能上也具有某些智能的特點。神經(jīng)網(wǎng)絡主要有以下幾個基本功能：非線性映射、分類識別、知識處理。目前，神經(jīng)網(wǎng)絡已經(jīng)廣泛應用于信息領域、自動化領域、工程領域、醫(yī)學領域、經(jīng)濟學領域等各知識領域中，其智能化的特征解決了許多傳統(tǒng)信息處理方法無法解決的問題[18]。目前，學術界已經(jīng)普遍認同，人工神經(jīng)網(wǎng)絡方法是一種有效的研究工具，能夠代替?zhèn)鹘y(tǒng)的回歸分析方法，并可以在不同的領域進行廣泛應用。然而，心理測量學領域內(nèi)運用人工神經(jīng)網(wǎng)絡方法的研究還相當少見。

本研究將使用神經(jīng)網(wǎng)絡算法，取代傳統(tǒng)的回歸分析，嘗試檢驗一般能力傾向成套測驗預測不同學科大學生的專業(yè)成績的效度。

二、研究方法與研究過程

1.研究工具

以戴忠恒等修訂的一般能力傾向成套測驗（GATB）為研究工具，該測驗共包括15種分測驗，其中11種為筆試，分別為： 圓內(nèi)打點測驗、記號記入測驗、形狀相配測驗、名稱比較測驗、圖案相配測驗、平面圖判斷測驗、計算測驗、詞義測驗、立體圖判斷測驗、句子完成測驗、算術應用測驗；4種為器具測驗：插入測驗、轉(zhuǎn)動測驗、組裝測驗、拆卸測驗。

本研究采用團體施測方式，每次施測有2名以上熟悉本測驗所有項目的主試，最多對38名被試同時施測。首先由主試朗讀指導語，在所有被試明白測驗的要求和具體做法后開始測驗。因11項紙筆分測驗均為速度測驗，所以由主試使用秒表準確計時。

2.研究對象

在江蘇、安徽、上海等省市的7所院校對在校大學生進行團體施測。共施測1022人。其中男生521人（51.0%），女生501人（49.0%）；“211工程”院校569人（55.7%），普通本科院校453人（44.3%）；大一464人（45.4%），大二104人（10.2%），大三321人（31.4%），大四133人（13.0%）；文科446人（43.7%），理科221人（21.6%），工科355人（34.7%）。

3.數(shù)據(jù)收集

隨機選取其中652名大學生，對他們期末考試中的專業(yè)課成績求出平均分并以班級為單位進行標準化，以此標準分作為衡量其專業(yè)成績的標準。在652名大學生中，文科專業(yè)268人，占41.1%；理科專業(yè)218人，占33.4%；工科專業(yè)166人，占25.5%；年齡17～24歲，平均20±1歲；男生320人，占46.3%，女生371人，占53.7%。

三、構建神經(jīng)網(wǎng)絡模型

使用專業(yè)軟件Clementine12.0構建神經(jīng)網(wǎng)絡模型。首先對樣本數(shù)據(jù)進行歸一化處理，以便更好地對數(shù)據(jù)關系進行映射，從而使其參數(shù)都落在（0，1）之間。歸一化選用以下公式：

P=（p-pmin）/（pmax-pmin）

公式中，pmin，pmax分別表示歸一化之前的最小值和最大值，P為歸一化值，p為歸一化之前的值。經(jīng)過歸一化轉(zhuǎn)換的結果在本研究中以P表示，例如P專業(yè)課均分。

經(jīng)過歸一化處理后，開始正式建模。在Clementine中應用神經(jīng)網(wǎng)絡進行能力傾向?qū)I(yè)成績預測的過程如下：首先選擇數(shù)據(jù)源，將GATB的7項能力傾向數(shù)據(jù)選為輸入變量，將標記專業(yè)課均分項選為輸出變量。然后在字段選項中選擇其中的分區(qū)節(jié)點，設置訓練、測試、驗證區(qū)域樣本比例，這是構建神經(jīng)網(wǎng)絡模型所需要的一個設置?？傮w挖掘過程如圖1 所示。

圖1 數(shù)據(jù)挖掘過程

接著在模型里選擇神經(jīng)網(wǎng)絡模型的訓練方法。Clementine提供了快速、動態(tài)、多重、修剪、RBFN和窮舉型修剪六種用于構建神經(jīng)網(wǎng)絡模型的訓練方法（Silverston，數(shù)據(jù)模型資源手冊）。選擇快速的訓練方法，即使用數(shù)據(jù)的簡明規(guī)則和特征來選擇適合的網(wǎng)絡形狀（拓撲）。

此后在模型中設置預防過度訓練，將數(shù)據(jù)隨機分割為訓練集合和檢驗集合兩部分，設置70%的樣本為訓練集合，并將隨機種子設置為18。特定的隨機種子通常會生成相同的隨機值序列，產(chǎn)生相同的生成模型，從而使結果模型具有精確的可再現(xiàn)性。本研究中的預防過度訓練與隨機種子設置見圖2。

圖2 模型設置結果

四、結果分析

1.文科大學生一般能力傾向?qū)I(yè)成績的預測模型

本模型顯示出模型在生成前的選項和生成后的統(tǒng)計情況。結果顯示模型對建模數(shù)據(jù)估計的準確率達90.247%，其中輸入層有7個神經(jīng)元，隱藏層有1∶3個神經(jīng)元，輸出層有1個神經(jīng)元。

對各輸入點的敏感度進行分析顯示，各輸入字段的相對重要性參數(shù)，按重要性排序為言語能力、一般智力、形狀知覺、運動協(xié)調(diào)、數(shù)理能力、書寫知覺、空間判斷能力，其敏感性系數(shù)依次為0.523、0.191、0.09、0.053、0.05、0.047、0.045。

將Neural Net結果結點連接在數(shù)據(jù)流中的分區(qū)結點后，向數(shù)據(jù)流中增加分析節(jié)點，模型分析結果見圖3，由圖可知，文科學生一般能力傾向?qū)I(yè)成績模型的平均預測誤差在-0.004到0.036之間，絕對平均誤差在0.103到0.105之間，該模型的預測誤差在可以接受的范圍之內(nèi)。

圖3 文科大學生一般能力傾向?qū)I(yè)成績的預測模型分析結果

再向數(shù)據(jù)流中增加導出結點。將導出結點連接到Neural Net結果結點。設置該結點屬性，將增添的字段的值設置為【abs（P專業(yè)課均分 - '$N- P專業(yè)課均分'） / P專業(yè)課均分】 * 100，其中$N- P專業(yè)課均分是由神經(jīng)網(wǎng)絡生成的預測結果，如圖4所示。該圖形的橫坐標為導出值，縱坐標表示一共有多少個樣本的導出值落在相對應的橫坐標上。由導出的定義公式可知，導出值越小，則表明預測值與實際值的差別越小。由輸出圖形可以看出，該模型已達到一定的精度。

圖4 文科大學生一般能力傾向?qū)I(yè)成績的預測模型精度直方圖

2.理科大學生能力傾向?qū)I(yè)成績的預測模型

理科大學生一般能力傾向?qū)I(yè)成績預測模型顯示模型對建模數(shù)據(jù)估計的準確率達90.979%，輸入層、隱藏層、輸出層的神經(jīng)元個數(shù)與文科大學生模型的數(shù)量相同，分別為7個、1∶3個、1個。

理科大學生一般能力傾向?qū)I(yè)成績預測的各輸入點的敏感度分析顯示：按重要性排序為數(shù)理能力、一般智力、空間判斷能力、書寫知覺、言語能力、形狀知覺、運動協(xié)調(diào)，其敏感性系數(shù)依次為0.471、0.233、0.132、0.073、0.046、0.042、0.003。

圖5 理科大學生一般能力傾向?qū)I(yè)成績的預測模型分析結果

模型分析結果見圖5，由圖可知，理科學生一般能力傾向?qū)I(yè)成績模型的平均預測誤差在-0.022到0.006之間，絕對平均誤差在0.091到0.097之間，結合圖6可知，模型達到了一定的精度。

圖6 理科大學生一般能力傾向?qū)I(yè)成績的預測模型精度直方圖

3.工科大學生能力傾向?qū)I(yè)成績的預測模型

工科大學生一般能力傾向?qū)I(yè)成績的預測模型顯示模型對建模數(shù)據(jù)估計的準確率達90.381%，輸入層、隱藏層、輸出層的神經(jīng)元個數(shù)與之前相同，分別為7個、1∶3個、1個。

工科大學生一般能力傾向?qū)I(yè)成績預測的各輸入點的敏感度分析結果顯示：按重要性排序為空間判斷能力、一般智力、言語能力、書寫知覺、形狀知覺、數(shù)理能力、運動協(xié)調(diào)，其敏感性系數(shù)依次為0.594、0.202、0.084、0.048、0.035、0.029、0.008。

模型分析結果（見圖7）顯示，工科學生一般能力傾向?qū)I(yè)成績模型的平均預測誤差在-0.044到0.008之間，絕對平均誤差在0.106到0.115之間。模型精度直方圖（見圖8）顯示，由圖可知，導出值集中在一個很小的范圍之內(nèi)，模型達到了一定的精度。

圖8 工科大學生一般能力傾向?qū)I(yè)成績的預測模型精度直方圖

五、討論

神經(jīng)網(wǎng)絡具有的非線性映射、自適應學習、并行性、知識分布存儲、逼近任意復雜連續(xù)函數(shù)等信息處理能力，克服了傳統(tǒng)預測方法對于數(shù)據(jù)處理方面的缺陷，使神經(jīng)網(wǎng)絡能夠在心理測量領域發(fā)揮重要作用。值得注意的是，回歸分析要求數(shù)據(jù)正態(tài)分布、線性，以及連續(xù)變量這些比較嚴苛的條件，在神經(jīng)網(wǎng)絡模型中卻不需要這些前提條件。也就是說，神經(jīng)網(wǎng)絡的算法具有非線性的特點。這可以大大彌補傳統(tǒng)統(tǒng)計方法的線性模型的局限。

本研究以人工神經(jīng)網(wǎng)絡建模為統(tǒng)計手段，分別建立文、理、工三類大學生一般能力傾向?qū)ζ鋵I(yè)成績的預測模型，由建網(wǎng)信息和模型分析結果可知，三個模型對建模數(shù)據(jù)估計的準確率均達到90%以上，預測的平均預測誤差在0.091到0.115之間，三個模型均達到了一定的精度。

首先， GATB的7項能力傾向?qū)ξ目茖I(yè)成績的影響按重要性排序依次為言語能力、一般智力、形狀知覺、運動協(xié)調(diào)、數(shù)理能力、書寫知覺、空間判斷能力，這一結果也可與文科專業(yè)大學生優(yōu)勢能力傾向互為佐證。言語能力的敏感性系數(shù)達到0.523，是影響文科專業(yè)成績表現(xiàn)的關鍵能力，這一結果也符合我們研究前的假設和實際情況。文科類專業(yè)的學生通常對文字、語言更有興趣，擁有較好的文字功底，將來所從事的職業(yè)多以文字工作為主，專業(yè)課程的設置與考核也是以此職業(yè)方向為導向，因而言語能力上得分突出的學生更有可能在文科專業(yè)的課程學習中達到優(yōu)秀水平。

其次，對理科大學生而言，數(shù)理能力、一般智力和空間判斷能力對其專業(yè)成績預測的敏感性系數(shù)分別為0.471、0.233和0.132。數(shù)理能力是利用算術知識解決實際問題的能力，一般智力則是需要根據(jù)原理進行推理和判斷的能力，而空間判斷能力是要求在心理空間進行圖形轉(zhuǎn)換進而進行推理、判斷的能力，這三類能力對學生的邏輯思維能力有較高要求，理科類專業(yè)側重于理論研究和科學培養(yǎng)，尤需學生的理性思維、邏輯思維能力，因此，數(shù)理能力、一般智力和空間判斷能力是理科學習關鍵之所在，理科專業(yè)要求報考者在這些能力上的發(fā)展達到一定的水平，而在這些能力傾向上得分較低的被試可能需要付出相當?shù)呐Σ拍軌騽偃卫砜茖I(yè)的學習。

最后，工科類專業(yè)學生的專業(yè)成績7項能力傾向按重要性排序依次為：空間判斷能力、一般智力、言語能力、書寫知覺、形狀知覺、數(shù)理能力、運動協(xié)調(diào)。另外，空間判斷能力也是工科類大學生的優(yōu)勢能力傾向，以往相關研究也表明，空間想象和空間思維能力對于工科學習是不可或缺的[19]，尤其是機械制圖等相關專業(yè)。工科專業(yè)側重技術應用，學生動手能力較強，心理空間的運動能力依賴于實際動手能力的發(fā)展，動手能力的鍛煉也會促進其空間想象能力的發(fā)展。值得注意的是，空間判斷能力對于工科學生專業(yè)成績的預測敏感性系數(shù)達到了0.594的水平——該項能力對工科學習十分重要，若發(fā)展良好，更可能在工科學習中脫穎而出。

縱觀三類專業(yè)大學生一般能力傾向?qū)ζ鋵I(yè)成績的預測情況，不難發(fā)現(xiàn)，一般智力對于任何一類專業(yè)來說都是基礎性的能力傾向。國外相關研究結果也發(fā)現(xiàn)，人們的智力和知識只要達到一定的水平，人們智力的高低差異對于工作效率不再有明顯的影響，然而與專業(yè)緊密相關的能力傾向與工作效率之間始終有顯著的正相關。本研究的結論在一定程度上驗證了這一觀點：對于不同的專業(yè)方向來說，每種專業(yè)類型都各有其關鍵的能力傾向。該專業(yè)的潛在報考者能否勝任該專業(yè)的學習和考核，關鍵能力傾向是至關重要之因素。

總而言之，人工神經(jīng)網(wǎng)絡模型對三類專業(yè)的專業(yè)成績預測都具有較高的準確性，說明本研究整體的技術路線可行，GATB所測得的7項能力傾向的不同組合可以用來預測不同專業(yè)學生的專業(yè)成績。通過人工神經(jīng)網(wǎng)絡模型，中學生可以根據(jù)自己在GATB的7項能力傾向上的得分情況預測自己報考三類專業(yè)的成績水平，從而判斷自己適合報考的專業(yè)方向。如能早日實現(xiàn)推廣，將是教育界及廣大學子喜聞樂見之事。

項目基金：全國教育規(guī)劃課題（DIA080131）

[1] Hammod， M.. An investigation into the factor structure of the General Aptitude Test Battery[J]. Journal of Occupational Psychology，1984，57（1）：43–48.

[2] Droege， R. C.. GATB aptitude intercorrelations of ninth and twelfth garders： A study in organization of mental abilities[J]. Personnel Guidance Journal， 1968，46（7）：668–672.

[3] 桑代克， R.L.，哈根， E.P.. 心理與教育的測量與評價[M]. 葉佩華，等，譯. 北京：人民教育出版社，1985.

[4] 林耀斌，杜友福.基于Clementine神經(jīng)網(wǎng)絡的商品促銷效果預測模型應用[J].電腦知識與技術，2009，5（34）：90-92.

[5] 張菊英，韋健，楊樹勤.神經(jīng)網(wǎng)絡模型在住院費用影響因素分析中的應用[J].中華醫(yī)院管理雜志，2002，18（3）：143-145.

[6] 嚴武.基于BP算法的住院天數(shù)神經(jīng)網(wǎng)絡模型建模研究[J].中國病案， 2009，10（11）： 38-40.

[7] 易東，王文昌.回歸分析的人工神經(jīng)網(wǎng)絡算法模型研究[J].中國衛(wèi)生統(tǒng)計，1998，15（5）.

[8] 郭秀艷，朱磊，魏知超.內(nèi)隱學習的人工神經(jīng)網(wǎng)絡模型[J].心理科學進展，2006，14（6）：837-843.

[9] Martin， G. L.. Encoder： A connectionist models of how learning to visually encode fixated text images reading fluency[J]. Psychological Review， 2004，111（3）：617–639.

[10] Berthier， N.E.， Rosenstein， M. T.， Barto， A.G..Approximate optimal control as a model for motor learning[J]. Psychological Review， 2005，69（2）：329–346.

[11] Seidenberg， M. S..Connectionist models of word reading[J]. Current Directions in Psychological Science， 2005，14（5）：1238–1242.

[12] 郭秀艷，鄒玉梅，李強，孫怡.中學生顏色內(nèi)隱學習特征的實驗研究[J].心理與行為研究， 2003，1（2）：122-127.

[13] 郭秀艷，朱磊.神經(jīng)網(wǎng)絡模型對內(nèi)隱學習的探索[J].心理科學，2006，29（2）：410-415.

[14] Kashima，Y.， Kerekes， Andrew. R.Z.. A distributed memory model of averaging phenomena in person impression formation[J]. Journal of Experimental Social Psychology， 1994，30（5）：407-455.

[15] Read， S. J.， Montoya， J. A.. An auto associative model of causal reasoning and causal learning： Reply to Van Overwalle’s critique of Read and Marcus-Newhall[J]. Journal of Personality and Social Psychology，1996， 76（5）：728–742.

[16] Shultz， T.， Lepper，M.. Cognitive dissonance reduction as constraint satisfaction[J]. Psychological Review，1996， 103（2）： 219–240.

[17] Gureckis， T.M.， Love， B.C.. Common mechanisms in infant and adult category learning[J]. Infancy， 2004，5（2）：173–198.

[18] 楊富勇.神經(jīng)網(wǎng)絡模型在股票投資中的應用[J].計算技術與自動化，2010，29（3）：108-112.

[19] 黃俊紅.機械、自動化專業(yè)與非專業(yè)高年級學生能力傾向的比較研究[J].天津職業(yè)技術師范學院學報，2000，10（4）：15-18.