摘要：高校資助育人的關(guān)鍵在于精準識別目標群體。該文運用大數(shù)據(jù)與AI技術(shù)，通過神經(jīng)網(wǎng)絡(luò)算法構(gòu)建貧困生等級預測模型，經(jīng)訓練與測試驗證其準確性，相較于逐步線性模型，該模型提供更客觀支撐，對高校實現(xiàn)精準資助及管理具有重要意義。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)算法；精準資助；育人模型；逐步線性模型

doi：10.3969/J.ISSN.1672-7274.2024.11.003

中圖分類號：TP 18" " " " " " " " "文獻標志碼：A" " " " " " 文章編碼：1672-7274（2024）11-000-03

Construction of a Precise Financial Aid and Educational Model

Based on Neural Network Algorithms

ZHANG Li

（Jiangsu Vocational College of Electronics and Information， Huaian 223003， China）

Abstract： The key to financial aid and educational support in colleges and universities lies in the precise identification of target groups. This paper utilizes big data and AI technology to construct a poverty level prediction model for students through neural network algorithms. The accuracy of the model is verified through training and testing. Compared with the stepwise linear model， this model provides more objective support and is of great significance for colleges and universities to achieve precise financial aid and management.

Keywords： neural network algorithms; precise financial aid; educational model; stepwise linear model

0" "引言

隨著高校資助工作的深入，資助育人理念日益深化，對精準資助提出了更高要求，其核心在于細化、公平化資助目標群體，以實現(xiàn)精準化、科學化的資助育人。當前，多數(shù)學校依賴學生申請、家訪、班級評定及村委會證明來認定貧困生，但此過程易受主觀影響。研究表明，貧困生等級與個人、家庭、社會等多方面因素相關(guān)，呈現(xiàn)復雜的非線性關(guān)系。因此，構(gòu)建具有強泛化能力的預測模型，準確識別關(guān)鍵屬性特征，成為亟待解決的問題。學者們紛紛探索數(shù)據(jù)挖掘方法改進認定工作，如王雪飛分析校園卡數(shù)據(jù)[1]，戴海輝在Hadoop架構(gòu)上挖掘數(shù)據(jù)[2]，馬偉杰利用C4.5算法分類[3]。李妍則基于DNN算法構(gòu)建精準資助模型[4]，提供現(xiàn)代化資助模式?？杉研啦捎镁垲惙治鏊惴▽ω毨畔⑦M行特征分類[5]，以實現(xiàn)精準幫扶。

本文以江蘇電子信息職業(yè)學院為例，在R語言環(huán)境中，運用神經(jīng)網(wǎng)絡(luò)算法構(gòu)建學生個人屬性與貧困生等級的非線性映射，實現(xiàn)精準認定，并與逐步線性回歸模型對比，驗證其適用性。

1" "模型原理

1.1 BP神經(jīng)網(wǎng)絡(luò)模型

BP（Back Propagation，BP）神經(jīng)網(wǎng)絡(luò)是模擬生物神經(jīng)網(wǎng)絡(luò)進行信息處理的一種數(shù)學模型。它以對大腦的生理研究成果為基礎(chǔ)，其目的在于模擬大腦的某些機理與機制，實現(xiàn)一些特定的功能。這是一種前饋型神經(jīng)網(wǎng)絡(luò)，又稱誤差反向傳播網(wǎng)絡(luò)，學習過程由信號的正向傳播和誤差的反向傳播兩個過程組成，是結(jié)構(gòu)相對簡單且比較常見的神經(jīng)網(wǎng)絡(luò)。

BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱藏層和輸出層三部分構(gòu)成，工作過程由兩階段組成：一個是工作階段，信號正向傳播，把樣本的特征從輸入層進行輸入，信號經(jīng)過各個隱藏層的處理后，最后從輸出層傳出；另一個是學習階段，也稱為誤差反向傳播，在此階段，期望輸出向量不變，對于網(wǎng)絡(luò)的實際的輸出與期望輸出之間的誤差，把誤差信號從最后一層逐層反傳，從而獲得各個層的誤差學習信號，然后再根據(jù)誤差學習信號來修正各層神經(jīng)元的權(quán)值，直到達到滿足的所需精度。

1.2 逐步線性回歸模型

多元線性回歸（MLR）是統(tǒng)計學常用的數(shù)據(jù)回歸方法，主要研究一個因變量與多個自變量之間的線性回歸關(guān)系，由多個自變量的最佳組合來預測因變量，但由于自變量之間可能存在多重共線性，因此，本研究采用逐步線性回歸法，逐步線性回歸是一種特征選擇方法，可以幫助我們確定哪些變量對于預測目標變量最具有影響力，通過考察引入自變量是否具有統(tǒng)計意義，檢驗自變量是否有保留在方程式中的價值，以此確定方程式中自變量的種類，從而實現(xiàn)模型最優(yōu)化。雖然逐步線性回歸模型可以幫助我們更好地理解因變量和自變量之間的關(guān)系，并構(gòu)建更準確的預測模型，然而逐步線性回歸并不是萬能的，它也有一些局限性，比如無法處理復雜的非線性關(guān)系。

2" "數(shù)據(jù)整理

本文將通過R語言搭建貧困生等級預測回歸模型，R語言是一種強大的統(tǒng)計分析工具，其中包括各種線性回歸包、隨機森林包，支持向量機包、神經(jīng)網(wǎng)絡(luò)包等，為學者們構(gòu)建和訓練神經(jīng)網(wǎng)絡(luò)模型提供了便利，本文將采用的函數(shù)為逐步線性回歸模型包中的lm函數(shù)、step函數(shù)和神經(jīng)網(wǎng)絡(luò)包中的neuralnet函數(shù)。在進行數(shù)據(jù)回歸分析之前，首先需要準備好數(shù)據(jù)集，數(shù)據(jù)集應(yīng)包含因變量和多個自變量，在R語言中，可以通過read.csv（）、read.table（）來導入數(shù)據(jù)集。另外，還需要對數(shù)據(jù)進行清洗和預處理，如處理缺失值、異常值，數(shù)據(jù)標準化等。

2.1 數(shù)據(jù)預處理

本文以江蘇電子信息職業(yè)學院為例，從高校學生管理系統(tǒng)中隨機抽取1 500名貧困生個體作為樣本。根據(jù)任俊等人[6]采用多粒度粗糙集理論挖掘影響貧困生精準認定的關(guān)鍵性因素，從中篩選出家庭人口數(shù)（A）、父親職業(yè)（B）、母親職業(yè)（C）、家庭月收入（D）、學生家庭住房情況（E）、學生年生活費總額（F）、學生每天餐費支出（G）、上學費用占家庭收入比例（H）、兄弟姐妹受教育情況（I）、家庭成員健康狀況（J）這10個指標作為模型輸入層因子，由于因子均為文本格式，考慮到構(gòu)建模型的需求，首先需要對輸入因子進行量化，具體如表1所示。

將貧困生等級則作為輸出變量，困難等級設(shè)為三類，特別困難為一等，比較困難為二等，一般困難為三等。在輸入因子和輸出結(jié)果數(shù)值化、規(guī)范化的基礎(chǔ)上，得到指標量化數(shù)據(jù)，如表2所示。最后將表中數(shù)據(jù)進行歸一化處理，以此弱化數(shù)值的大小帶來的負面影響。

2.2 模型評價

對模型效能的評估是建模的重要環(huán)節(jié)，本文以均方根誤差（Root Mean Squared Error，RMSE）作為評價指標，以此驗證神經(jīng)網(wǎng)絡(luò)模型的效能，均方根誤差的表達式為

（1）

式中，為樣本真實值；為模型預測值；m為樣本總數(shù)。均方根誤差RMSE是衡量數(shù)據(jù)精度的常用指標，描述了預測數(shù)據(jù)與真實數(shù)據(jù)的離散程度。

3" "逐步線性回歸模型構(gòu)建

3.1 逐步線性模型構(gòu)建方法

逐步回歸分析是一種逐步選擇自變量的過程，它通過逐漸添加或刪除自變量來構(gòu)建模型。這種方法通常用于處理高維數(shù)據(jù)集，以避免過擬合和提高模型的解釋性能。本文首先通過R語言中的lm（）函數(shù)創(chuàng)建一個初始的所有變量均參與的多元線性回歸方程，多元線性回歸模型表達式為

貧困等級～A+B+C+D+E+F+G+H+I+J" " " "（2）

構(gòu)建的線性回歸模型為全變量的模型，后期使用step（）函數(shù)來執(zhí)行逐步回歸分析，其中direction參數(shù)用于指定逐步回歸的方向，可以選擇“forward”“backward”“both”，分別表示向前引入法、向后剔除法、逐步篩選法。在本文中，選擇了“both”，表示逐步回歸同時進行前向和后向選擇。從而在去除對模型貢獻程度較小的變量后，得到一個擬合效果更好的線性回歸模型。

3.2 逐步線性回歸模型預測

在對數(shù)據(jù)進行預處理的基礎(chǔ)上，以7︰3的比例劃分訓練樣本和測試樣本，在訓練過程中，母親職業(yè)對預測結(jié)果的影響較小，因此最終參與逐步線性回歸模型的因子有：家庭人口數(shù)（A），父親職業(yè)（B），家庭月收入（D），學生家庭住房情況（E），學生年生活費總額（F），學生每天餐費支出（G），上學費用占家庭收入比例（H），兄弟姐妹受教育情況（I），家庭成員健康狀況（J）。

將測試樣本導入模型，共450條數(shù)據(jù)，預測困難等級與實際困難等級有343條一致，表明神經(jīng)網(wǎng)絡(luò)模型困難等級預測準確度為76.2%。

4" "神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

4.1 技術(shù)路線

構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型的技術(shù)路線如圖1所示，首先對收集的數(shù)據(jù)進行預處理，形成有效的建模因子，在確保樣本充足條件下，以70%和30%的比例將樣本劃分為訓練樣本和測試樣本，將70%的訓練樣本導入模型，調(diào)整參數(shù)，使其擬合度達到最佳值，在最優(yōu)模型的基礎(chǔ)上，用30%的測試樣本對其進行驗證。

4.2 模型訓練與驗證

在模型參數(shù)方面，隱藏層采用最常用的對數(shù)S型激活函數(shù)；多個隱藏層會提高網(wǎng)絡(luò)精度，但也會使網(wǎng)絡(luò)變得復雜，增加了訓練時長且易出現(xiàn)過擬合現(xiàn)象，因此本文采用一個隱藏層；隱藏層的節(jié)點數(shù)能直接影響模型性能，且與輸入輸出層的節(jié)點數(shù)密切相關(guān)，因此隱藏層節(jié)點個數(shù)的確定可根據(jù)經(jīng)驗公式（3）確定。

（3）

式中，m為隱藏層節(jié)點個數(shù)；n為輸入層節(jié)點個數(shù)；l為輸出層節(jié)點個數(shù)；α為1～10之間的常數(shù)。本文隱含層節(jié)點取值范圍為[4，13]。經(jīng)過逐一測試，當隱藏層節(jié)點為6時，模型的準確率更高。模型構(gòu)建示意圖如圖2所示。

模型完成訓練后，將450條測試樣本導入神經(jīng)網(wǎng)絡(luò)模型進行驗證，預測困難等級與實際困難等級有371條一致，表明神經(jīng)網(wǎng)絡(luò)模型困難等級預測準確度為82.4%，預測準確度較高，為新時代的高校精準資助提供了客觀依據(jù)。

4.3 BP神經(jīng)網(wǎng)絡(luò)回歸模型與逐步線性回歸模型比較

BP神經(jīng)網(wǎng)絡(luò)回歸預測模型與逐步線性回歸預測模型對于貧困生等級的預測均具有一定的效果，前者預測準確度為82.4%，后者比前者準確度減少了6.2%，為76.2%。顯然，在高校貧困生等級預測方面，BP神經(jīng)網(wǎng)絡(luò)模型更具有優(yōu)勢，為實現(xiàn)精準識別貧困生提供了更客觀的依據(jù)，為解決貧困資助評定標準單一化、不一致以及諸多人為因素帶來的問題提供了新的解決方向。

5" "結(jié)束語

人工智能技術(shù)為高校精準資助學生開辟了新路徑，本研究構(gòu)建了逐步線性回歸與BP神經(jīng)網(wǎng)絡(luò)回歸兩大預測模型，旨在深入挖掘貧困學生數(shù)據(jù)，實現(xiàn)貧困生等級的精確預測。

參考文獻

[1] 王雪飛．數(shù)據(jù)挖掘在高校貧困生校園卡流水數(shù)據(jù)中的應(yīng)用研究[D]．長春：東北師范大學，2014．

[2] 戴海輝．基于Hadoop的校園卡數(shù)據(jù)挖掘的研究與實現(xiàn)[D]．南昌：南昌航空大學，2017．

[3] 馬偉杰．C4．5決策樹法在高校貧困生認定中的應(yīng)用[J]．河南教育學院學報（自然科學版），2012，21（03）：27-30．

[4] 李妍．大數(shù)據(jù)背景下基于學生“行為畫像”的高校精準資助模型研究[J]．南昌師范學院學報，2023，44（03）：86-89+104．

[5] 可佳欣，李瑞欣．數(shù)字化技術(shù)在高校發(fā)展型資助育人工作中的應(yīng)用[J]．山西電子技術(shù)，2023，（04）：61-63．

[6] 任俊，唐綺雯，徐怡，等．大學生貧困資助評定的多粒度粗糙集研究[J]．計算機工程與應(yīng)用，2019，55（07）：82-86．