基于区间中智理论的专业学习能力评价方法及系统

技术领域

本发明涉及学习能力评价技术领域，具体涉及基于区间中智理论的专业学习能力评价方法及系统。

背景技术

在高校内部进行专业分流、实验班组建等专业人才选拔过程中，为了全面考察学生的综合能力和素质，一般都需要进行专业学习能力评价。评价指标可以根据评价目标而设置。

目前，常用的评价方法主要为笔试和面试两种，笔试就是通过考试方式，以分数标准进行人才选拔，属于定量评价方式；面试则是学生通过书面材料展示、口头汇报等多种手段向专家展示其综合能力，专家通过经验以定性方式作出评判。在定性评价时，现有方法一般均采用评分的方式，这种方式需要专家针对一些具有不确定和模糊性的指标(如创新能力、专业潜质等)给出确定性的分数，因此，会造成专家决策过程的不方便和结果的不准确。随着模糊理论的发展，多种模糊集表达概念相继提出，模糊多指标决策应运而生，从评价方法看，专业学习能力评价属于典型的模糊多指标决策问题。

关于学生综合能力评价的研究，已有成果主要集中在评价指标体系构建和评价方法设计两方面。例如面向工科学生研究的综合素质评价体系的构建问题，并应用层次分析法进行求解；为了研究大学生的数学素质评价问题，建立了灰色模糊评价模型；根据应用主成分分析法、直觉模糊熵进行学生综合能力评价问题；虽然这些方法在解决学生能力定性评价方面具有一定的可行性，但在定性评价指标的模糊表达以及决策方法方面还有改进的空间。针对具体的决策问题，如何合理选择模糊值表达方式以及使用什么样的决策方法，都对决策结果的可信度产生直接的影响。

发明内容

为了克服上述现有技术存在的问题，本发明提供基于区间中智理论的专业学习能力评价方法。

本发明提供的方案如下：

基于区间中智理论的专业学习能力评价方法，包括以下步骤：

确定评价对象、评价指标、评审专家及其权重；

确定指标权重：获取评审专家对评价指标的评价值，确定各指标的权重；

对关键指标进行评价：获取评审专家的聚合后决策矩阵，设定关键指标并计算确定度，根据确定度阈值判断关键指标是否合格；

综合优选评价：对关键指标评价合格的对象进行加权相似度计算，根据加权相似度排序，确定评价对象的专业学习能力。

作为本发明的进一步技术方案为，所述评价指标包括专业基础能力、专业发展潜质、专业创新意识、团队合作意识和语言表达能力，所述指标权重为根据评审专家的评价值而确定的各指标权值大小。

作为本发明的进一步技术方案为，所述获取评审专家对评价指标的评价值，确定各指标的权重；具体包括：

设有l位评价对象(学生)记为S

评价指标的重要性通过专家集体决策的方式确定；每位专家根据语言变量对各个指标的重要性进行评价；根据对应关系，将评价结果转成INV，得到如下决策矩阵DM

式中

决策矩阵DM

通过如下计算公式计算各指标的权重：

作为本发明的进一步技术方案为，所述获取评审专家的聚合后决策矩阵，设定关键指标并计算确定度，根据确定度阈值判断关键指标是否合格；具体包括：

每位专家根据语言变量对每位评价对象的每一个指标给出评价值，得到如下k个决策矩阵：

式中，

式中

设第j个指标为关键指标，计算其确定度，根据确定度阈值判断关键指标是否合格。

进一步的，所述计算确定度，具体为，当采用保守型决策时，按下式计算：

设定δ为确定度阈值，当

进一步的，所述计算确定度，具体为，当采用风险型决策时，按下式计算：

设定δ为确定度阈值，当

作为本发明的进一步技术方案为，所述对关键指标评价合格的对象进行加权相似度计算，根据加权相似度排序，确定评价对象的专业学习能力；具体包括：

当评价指标C

计算各评价对象与最优指标集之间的加权相似度S(C

本发明还提出基于区间中智理论的专业学习能力评价系统，包括：

待评价数据模块，用于存储评价对象、评价指标及其评价值；

确定指标权重模块，用于获取评审专家对评价指标的评价值，确定各指标的权重；

关键指标评价模块，用于获取评审专家的聚合后决策矩阵，设定关键指标并计算确定度，根据确定度阈值判断关键指标是否合格；

综合优选评价模块，用于对关键指标评价合格的对象进行加权相似度计算，根据加权相似度排序，确定评价对象的专业学习能力。

本发明的有益效果为：

本发明提出一种基于区间中智集余弦相似度量的专业学习能力评价方法，将区间中智理论引入学生专业学习能力评价过程中，可有效提高决策的准确性和有效性；通过区间中智集指数熵计算方法，并基于指数熵计算各指标的权重，使权重分配更加合理；通过两种确定度计算方法，为关键指标评价提供了可能；采用余弦相似度量函数进行模糊相对评价，能够取得更加合理的结果。

附图说明

图1为本发明提出的基于区间中智理论的专业学习能力评价方法流程图；

图2为本发明提出的基于区间中智理论的专业学习能力评价系统结构图。

具体实施方式

以下将结合一种实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整地描述，以充分地理解本发明的目的、特征和效果。显然，所描述的实施例只是本发明的一部分实施例，而不是全部实施例，基于本发明的实施例，本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例，均属于本发明保护的范围。

在高校内部进行专业分流、实验班组建等专业人才选拔过程中，为了全面考察学生的综合能力和素质，一般都需要进行专业学习能力评价。评价指标可以根据评价目标而设置，一般可以考虑设置如下5个评价指标：专业基础能力、专业发展潜质、专业创新意识、团队合作意识和语言表达能力。

在进行评价过程中，一般是按照5个指标的综合表现进行评价；但有时不同专业对人才的要求侧重点不同，此时应设置一些关键指标，比如有学生要从其他专业转到计算机专业学习，在学习能力评价时，应将专业基础能力(如数学计算和编程能力)设为关键指标。如果有学生要从其他专业转到师范专业学习，则应将语言表达能力设为关键指标。在综合能力评价前，首先判断关键指标是否达到基本要求，否则“一票否决”，不得参与综合评选。

在实际评价过程中，专家一般采用语言变量对上述5个指标进行模糊评价。可将语言变量分为7个等级，每个等级用与之对应的区间中智数表示，具体见表1。

表1语言变量与INV之间的对应关系

本发明中涉及的区间中智集概念如下：

定义1：设X是一个给定的论域，X＝{x1，x2，…，xm}；则定义在论域X上的一个区间中智集(INS)N可用如下形式表示：N＝{

式中，真隶属度函数

区间中智集N中基本元素

定义2：设

其中w

定义3：设N、H为两个INS，则它们之间的余弦加权相似度可用下式计算：

其中w

定义4：设N为一个INS，则其指数中智熵可定义如下：

参见图1，为本发明提出的基于区间中智理论的专业学习能力评价方法流程图；

如图1所示，基于区间中智理论的专业学习能力评价方法，包括以下步骤：

步骤101，确定评价对象、评价指标、评审专家及其权重；

步骤102，确定指标权重：获取评审专家对评价指标的评价值，确定各指标的权重；

步骤103，对关键指标进行评价：获取评审专家的聚合后决策矩阵，设定关键指标并计算确定度，根据确定度阈值判断关键指标是否合格；

步骤104，综合优选评价：对关键指标评价合格的对象进行加权相似度计算，根据加权相似度排序，确定评价对象的专业学习能力。

其中，评价指标包括专业基础能力、专业发展潜质、专业创新意识、团队合作意识和语言表达能力。

在步骤102中，获取评审专家对评价指标的评价值，确定各指标的权重；具体包括：

设有l位评价对象(学生)记为S

评价指标的重要性通过专家集体决策的方式确定，每位专家根据表1中列出的7级语言变量对各个指标的重要性进行评价，根据对应关系，将评价结果转成INV，可得到如下决策矩阵DM

式中，

决策矩阵DM

根据E(C

在步骤103中，对关键指标进行评价：获取评审专家的聚合后决策矩阵，设定关键指标并计算确定度，根据确定度阈值判断关键指标是否合格；具体包括：

每位专家根据表1中列出的7级语言变量对每位评价对象的每一个指标给出评价值，可得到如下k个决策矩阵：

式中

式中

设第j个指标为关键指标，计算其确定度，根据确定度阈值判断关键指标是否合格。

本发明实施例中，对于计算确定度，当采用保守型决策时：按下式计算：

设定δ为确定度阈值，当

本发明实施例中，计算确定度，当采用风险型决策时，按下式计算：

设定δ为确定度阈值，当

保守型决策时，将不确定度全部视作假隶属度值；而风险型决策时，将不确定度按照真假隶属度的比例一部分分配给真隶属度，一部分分配给假隶属度，所以有一定的决策风险。

在步骤104中，对关键指标评价合格的对象进行加权相似度计算，根据加权相似度排序，确定评价对象的专业学习能力；具体包括：

当评价指标C

根据式(2)可计算各评价对象与最优指标集之间的加权相似度S(C

参见图2，为本发明提出的基于区间中智理论的专业学习能力评价系统结构图；

如图2所示，基于区间中智理论的专业学习能力评价系统，包括：

待评价数据模块201，用于存储评价对象、评价指标及其评价值；

确定指标权重模块202，用于获取评审专家对评价指标的评价值，确定各指标的权重；

关键指标评价模块203，用于获取评审专家的聚合后决策矩阵，设定关键指标并计算确定度，根据确定度阈值判断关键指标是否合格；

综合优选评价模块204，用于对关键指标评价合格的对象进行加权相似度计算，根据加权相似度排序，确定评价对象的专业学习能力。

本发明选择区间中智集来表征专业能力评价指标值的不确定性和模糊性。与其它模糊集相比，它能更好地处理不完整、不确定和不一致信息。通过提出一种确定度评价函数，在对各评价对象关键指标进行达标评价的基础上，再通过余弦相似度度量函数进行优化决策，体现“注重关键、好中选优”的决策思想。

实施例一

某一学期，在学校组织的转专业报名期间，共有6位非计算机专业的同学申请转入我院计算机专业学习，统筹考虑已有学生人数、教学资源等条件限制，最多同意3位同学转入。在前期充分了解6位同学基本资料(如学习成绩、生源地、原专业等)后，现准备组织5位专家对6位同学(S

表2指标重要性评价数据

表3对学生的评价数据

根据本发明中的评价方法对以上原始数据进行分析：

步骤1：确定评价指标的权重：

根据表1将表2中的数据转化为区间中智数。根据专家的阅历、职称等方面的差异，设定每位专家对应的权重分别为0.3，0.2，0.20，15，0.15，根据式(1)将5位专家的评价值聚合，带入式(3)可计算各指标对应的熵值为：E(C)＝[0.1949，0.2065，0.3630，0.3656，0.3793]。将E(C)代入式(4)，切得各指标对应的权重为：

步骤2：关键指标评价：

根据专家权重，应用式(1)将表2～6对应的数据进行聚合，得到每位学生的每个指标的评价值。并根据(5)、(6)计算两种决策方式下关键指标C

按照保守型决策方式，6位同学的确定度值分别为：-0.138，-0.779，-0.430，0.356，0.36267，-0.443，如果设置阈值为δ＝0，则S

按照风险型决策方式，6位同学的确定度值分别为：0.333，-0.296，0.069，0.693，0.697，0.056，如果阈值为δ＝0，则S

本例拟采用风险型决策方式进行关键指标评价，故S

步骤3：综合优选评价：

根据式(7)求出最优指标集：C

应用第1步求出的权重

S(C

根据S(C

采用文献[12]中的欧氏距离法进行相似度计算，可得到相似度值S(C

本发明提出一种基于区间中智集余弦相似度量的专业学习能力评价方法，将区间中智理论引入学生专业学习能力评价过程中，可有效提高决策的准确性和有效性；通过区间中智集指数熵计算方法，并基于指数熵计算各指标的权重，使权重分配更加合理；通过两种确定度计算方法，为关键指标评价提供了可能；实例证明，采用余弦相似度量函数进行模糊相对评价，能够取得更加合理的结果。

以上对本发明进行了详细介绍，但是本发明不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。不脱离本发明的构思和范围可以做出许多其他改变和改型。应当理解，本发明不限于特定的实施方式，本发明的范围由所附权利要求限定。