基于大數(shù)據(jù)技術(shù)的高校資助工作精準(zhǔn)化平臺設(shè)計與實現(xiàn)

摘 要：高校資助工作旨在幫助有需要資金支持的學(xué)生完成學(xué)業(yè)，然而傳統(tǒng)的資助管理方法存在效率低下、信息不精確等問題。因此，本文探討了大數(shù)據(jù)技術(shù)在高校資助工作精準(zhǔn)化平臺搭建中的應(yīng)用。本文介紹了該平臺的硬件設(shè)備構(gòu)建，并收集貧困學(xué)生信息，利用大數(shù)據(jù)技術(shù)規(guī)范化數(shù)據(jù)，使用SVM建模對收集數(shù)據(jù)信息進(jìn)行挖掘分析，最終生成資助決策，以期利用大數(shù)據(jù)技術(shù)實現(xiàn)學(xué)生信息的智能化管理，提高高校資助工作的準(zhǔn)確性。測試試驗證明，該平臺能夠提供更準(zhǔn)確、快速和可靠的資助決策服務(wù)，有助于提高高校的資助管理效率及學(xué)生滿意度。

關(guān)鍵詞：大數(shù)據(jù)技術(shù)；高校資助工作；精準(zhǔn)化；平臺搭建

中圖分類號：TP 399" " " " 文獻(xiàn)標(biāo)志碼：A

高校資助工作是指高等教育機構(gòu)為學(xué)生提供經(jīng)濟資助、獎學(xué)金、貸款和其他形式的經(jīng)濟支持，使其能夠支付學(xué)費、生活費和其他相關(guān)費用，以幫助其能夠順利完成學(xué)業(yè)[1-2]。資助工作不僅需要有效管理大量學(xué)生信息，還需要合理決策，以確保有需要的學(xué)生能夠獲得適當(dāng)?shù)慕?jīng)濟支持[3]。然而，傳統(tǒng)的資助管理方法存在信息不精確、決策效率低下等很多問題。隨著大數(shù)據(jù)技術(shù)的崛起，高校資助工作迎來了新的機遇，能夠通過構(gòu)建精準(zhǔn)化平臺提高工作效率和決策的準(zhǔn)確性[4-5]。因此，本文研究了大數(shù)據(jù)技術(shù)在高校資助工作精準(zhǔn)化平臺搭建中的應(yīng)用，通過收集貧困學(xué)生信息，利用大數(shù)據(jù)技術(shù)使數(shù)據(jù)規(guī)范化，使用SVM建模對收集數(shù)據(jù)信息挖掘分析，最終生成資助決策。旨在提高資助工作的效率及精準(zhǔn)性，確保教育機會的平等，幫助有需要的學(xué)生克服經(jīng)濟障礙，提高其未來的就業(yè)機會和社會地位，對社會發(fā)展和資助公平性具有重要意義。

1 平臺硬件設(shè)計

在高校資助工作精準(zhǔn)化平臺搭建過程中，結(jié)合大數(shù)據(jù)技術(shù)，該平臺的硬件設(shè)計需要考慮數(shù)據(jù)存儲、處理、傳輸和安全等方面的需求。平臺采用Dell PowerEdge R740xd數(shù)據(jù)存儲服務(wù)器，用于存儲大量的學(xué)生信息、財務(wù)數(shù)據(jù)和教育歷史記錄；NVIDIA DGX A100數(shù)據(jù)處理服務(wù)器，用于運行數(shù)據(jù)分析、挖掘和機器學(xué)習(xí)模型，以提供決策支持；Oracle Exadata X8數(shù)據(jù)庫服務(wù)器，用于存儲和管理結(jié)構(gòu)化數(shù)據(jù)，支持系統(tǒng)的數(shù)據(jù)庫操作；NetApp AFF A800存儲區(qū)域網(wǎng)絡(luò)（SAN），提供高速數(shù)據(jù)存儲和訪問，確保數(shù)據(jù)的可用性和可靠性。網(wǎng)絡(luò)設(shè)備采用Juniper MX Series路由器，連接各硬件組件，確保數(shù)據(jù)傳輸?shù)姆€(wěn)定性和速度；安全設(shè)備選用Cisco ASA防火墻，保護(hù)系統(tǒng)免受網(wǎng)絡(luò)攻擊、數(shù)據(jù)泄露和惡意訪問。Dell EMC Data Domain數(shù)據(jù)備份和恢復(fù)設(shè)備，定期備份系統(tǒng)數(shù)據(jù)，以防止數(shù)據(jù)丟失和支持災(zāi)難恢復(fù)。HPE Apollo 6500 Gen10高性能計算（HPC）集群，用于運行大規(guī)模數(shù)據(jù)分析和機器學(xué)習(xí)任務(wù)。云存儲和計算資源選擇AWS云服務(wù)提供商，利用云服務(wù)提供商的資源進(jìn)行彈性擴展和備份；選擇APC NetShelter機柜提供硬件設(shè)備的物理支持和環(huán)境控制。

2 平臺軟件設(shè)計

2.1 收集貧困學(xué)生信息

在高校資助工作精準(zhǔn)化平臺的搭建中，收集貧困學(xué)生信息數(shù)據(jù)首先需要明確數(shù)據(jù)來源，如學(xué)生申請材料（包括學(xué)生的申請表、財務(wù)文件和家庭背景信息），學(xué)校內(nèi)部系統(tǒng)（學(xué)生信息系統(tǒng)、財務(wù)系統(tǒng)和學(xué)籍系統(tǒng)），外部數(shù)據(jù)源（政府機構(gòu)、貧困線數(shù)據(jù)和國家或地區(qū)貧困指標(biāo)），根據(jù)數(shù)據(jù)來源不同，選擇適當(dāng)?shù)臄?shù)據(jù)采集方法，如圖1所示。

為獲取學(xué)生申請材料，平臺建立在線申請模塊，要求學(xué)生填寫相關(guān)信息并上傳必要文件；獲取學(xué)校內(nèi)部系統(tǒng)，平臺編寫腳本或調(diào)用API從校園內(nèi)部系統(tǒng)中提取數(shù)據(jù)；獲取外部數(shù)據(jù)源可以與相關(guān)機構(gòu)合作或利用公開數(shù)據(jù)源獲取數(shù)據(jù)。對采集的數(shù)據(jù)進(jìn)行清洗和整合，以確保數(shù)據(jù)的準(zhǔn)確性和一致性，利用貧困指標(biāo)公式標(biāo)識貧困學(xué)生，貧困指標(biāo)包括家庭收入、家庭成員人數(shù)以及家庭支出等因素的組合，貧困指數(shù)Z的計算過程如公式（1）所示。

（1）

式中：Js為家庭收入；Jz為家庭支出；b為家庭成員人數(shù)。

如果貧困指數(shù)低于一定閾值（閾值視學(xué)校情況而定），學(xué)生可以被標(biāo)識為貧困學(xué)生，將采集的貧困學(xué)生信息存儲在數(shù)據(jù)庫或數(shù)據(jù)倉庫中，以供后續(xù)分析和資助計劃推薦使用。為確保采集的學(xué)生信息得到妥善保護(hù)，符合隱私法規(guī)，使用數(shù)據(jù)加密來保障數(shù)據(jù)安全，使用TLS傳輸安全性協(xié)議來加密數(shù)據(jù)在網(wǎng)絡(luò)傳輸中的通信，防止數(shù)據(jù)在傳輸過程中被竊聽；對存儲在數(shù)據(jù)庫中的學(xué)生信息進(jìn)行AES（高級加密標(biāo)準(zhǔn)）強加密算法，確保數(shù)據(jù)在存儲過程中是加密的；對敏感字段（社會安全號碼、銀行賬號）進(jìn)行字段級別的加密，以進(jìn)一步提高數(shù)據(jù)的安全性。

2.2 數(shù)據(jù)挖掘分析

在高校資助工作精準(zhǔn)化平臺搭建中，使用大數(shù)據(jù)技術(shù)引擎對數(shù)據(jù)進(jìn)行挖掘分析可以發(fā)現(xiàn)潛在的模式、趨勢和關(guān)聯(lián)，以提供更準(zhǔn)確的決策支持。

2.2.1 數(shù)據(jù)規(guī)范化

在數(shù)據(jù)挖掘和機器學(xué)習(xí)中，數(shù)據(jù)變換和規(guī)范化是重要的預(yù)處理步驟，旨在準(zhǔn)備數(shù)據(jù)以供模型訓(xùn)練和分析使用。特征工程是一項關(guān)鍵任務(wù)，旨在創(chuàng)建新的特征或轉(zhuǎn)換現(xiàn)有特征，以提高模型性能或使數(shù)據(jù)更具信息價值。根據(jù)高校資助工作的大數(shù)據(jù)采集情況，平臺創(chuàng)建新的特征，采用標(biāo)簽編碼將類別特征轉(zhuǎn)換為數(shù)值特征，以便機器學(xué)習(xí)模型能夠理解。確保不同特征具有相似的尺度，避免某些特征對模型的影響過大。數(shù)據(jù)規(guī)范化是將不同特征的值縮放到相同的尺度，以確保不同特征對模型的權(quán)重影響相對均勻。歸一化模型Xnorm將數(shù)據(jù)縮放到[0，1]，可以用公式（2）表示。

（2）

式中：X為原始數(shù)據(jù)；Xmin和Xmax分別為特征的最小值和最大值。將數(shù)據(jù)轉(zhuǎn)換為均值為0、標(biāo)準(zhǔn)差為1的標(biāo)準(zhǔn)正態(tài)分布，標(biāo)準(zhǔn)化公式可以用公式（3）。

（3）

式中：X為原始數(shù)據(jù)；Xmean為特征的均值；Xs為特征的標(biāo)準(zhǔn)差。數(shù)據(jù)規(guī)范化有助于模型更好地處理特征之間的差異，改善模型性能，提高模型可解釋性，并確保模型數(shù)據(jù)的準(zhǔn)確性和魯棒性。

2.2.2 SVM建模

支持向量機（Support Vector Machine，SVM）是一種強大的大數(shù)據(jù)監(jiān)督學(xué)習(xí)算法，適用于高維數(shù)據(jù)和復(fù)雜的分類問題。將數(shù)據(jù)集劃分為訓(xùn)練集和測試集，采用交叉驗證的方式來確保模型的穩(wěn)健性，訓(xùn)練集用于訓(xùn)練SVM模型，而測試集用于評估模型的性能。在訓(xùn)練SVM模型前，需要確定以下參數(shù)。

2.2.2.1 C參數(shù)（正則化參數(shù)）

C參數(shù)控制了模型的懲罰項，用于平衡模型的復(fù)雜性和分類錯誤。使用交叉驗證來選擇最佳的C值，計算最小化minmize如公式（4）所示。

（4）

式中：||w||2為權(quán)重向量w的L2范數(shù)；C為正則化參數(shù)；Σ為對所有樣本進(jìn)行求和。主題約束如公式（5）所示。

yi（wTxi+b）≥1-ξi，ξi≥0 " " " " "（5）

式中：yi為類別標(biāo)簽；xi為特征向量；b為偏置項；ξi為松弛變量。用于容忍一些分類錯誤。C值較小會導(dǎo)致模型容忍更多的分類錯誤，C值較大使模型更嚴(yán)格，可能導(dǎo)致分類過擬合。

2.2.2.2 核函數(shù)選擇

根據(jù)數(shù)據(jù)的性質(zhì)選擇適當(dāng)?shù)暮撕瘮?shù)。核函數(shù)包括線性核、多項式核和徑向基函數(shù)（RBF）核，選擇適當(dāng)?shù)暮撕瘮?shù)取決于數(shù)據(jù)的性質(zhì)：①線性核。不引入非線性映射，用于線性可分問題。②多項式核。引入多項式映射，通過參數(shù)d來控制多項式的階數(shù)。③徑向基函數(shù)（RBF）核。通過參數(shù)γ來控制RBF核的形狀，用于非線性問題。選擇核函數(shù)的過程會涉及嘗試不同的核函數(shù)類型，并使用交叉驗證來評估它們的性能。

2.2.2.3 核函數(shù)參數(shù)

對于RBF核函數(shù)，需要調(diào)整核函數(shù)的參數(shù)γ，該參數(shù)控制了核函數(shù)的寬度。較小的γ值會導(dǎo)致核函數(shù)更寬，較大的γ值會導(dǎo)致核函數(shù)更窄。γ的選擇也可以通過交叉驗證來確定。RBF核函數(shù)的形式如公式（6）所示。

K（x，x'）=e-γ||x-x'||2 " " " " " " " " （6）

式中：||x-x'||2為特征空間中2個樣本之間的距離。訓(xùn)練SVM模型的過程涉及尋找能夠?qū)⒉煌悇e的數(shù)據(jù)分隔開的超平面。SVM的目標(biāo)是最大化支持向量到超平面的距離（即間隔），以保證分類的魯棒性。將訓(xùn)練好的模型部署到實際高校資助工作精準(zhǔn)化平臺中，以進(jìn)行實時預(yù)測或推薦。

2.3 生成資助決策

在高校資助工作精準(zhǔn)化平臺中，生成資助決策是一個關(guān)鍵的步驟，它需要根據(jù)學(xué)生的信息和模型預(yù)測結(jié)果以確定是否向?qū)W生提供資助以及提供何種類型和金額的資助，生成資助決策的具體流程如圖2所示。

收集學(xué)生信息、財務(wù)數(shù)據(jù)和其他相關(guān)數(shù)據(jù)，進(jìn)行數(shù)據(jù)清洗、特征工程和數(shù)據(jù)規(guī)范化，以準(zhǔn)備數(shù)據(jù)進(jìn)行模型預(yù)測。使用之前建立的機器學(xué)習(xí)模型對學(xué)生進(jìn)行分類或回歸預(yù)測，預(yù)測的目標(biāo)為是否需要資助、資助類型（獎學(xué)金、貸款等）以及資助金額。根據(jù)模型的預(yù)測結(jié)果，為每個學(xué)生生成初步的資助建議，可以是一個二元決策（是否資助）或連續(xù)數(shù)值（資助金額）。對于分類問題（是否資助），需要設(shè)置一個決策閾值，以確定哪些學(xué)生需要資助。滿足閾值則確定最終的資助決策，不滿足閾值則直接返回第4步驟，重新生成資助建議。根據(jù)生成的初步資助建議和決策閾值，確定最終的資助決策。對于連續(xù)數(shù)值問題（資助金額），可以根據(jù)模型預(yù)測值進(jìn)行決策，例如，基于閾值將學(xué)生劃分為不同的資助層次，在生成資助決策的過程中，考慮公平性和可解釋性因素。確保決策過程不會產(chǎn)生不公平偏差，并能夠給出特定決策的原因。向?qū)W生發(fā)送資助通知，提供關(guān)于獲得資助的信息。同時，提供途徑供學(xué)生提出異議或請求重新評估。

3 測試試驗

3.1 試驗準(zhǔn)備

為測試精準(zhǔn)化平臺的各項性能，試驗硬件環(huán)境采用Dell PowerEdge R740服務(wù)器，2 x Intel Xeon Gold 6248 CPU @ 2.50GHz處理器，內(nèi)存256GB DDR4 RAM，存儲1.2TB NVMe SSD，操作系統(tǒng)為Ubuntu Server 20.04 LTS。大數(shù)據(jù)框架選擇Apache Hadoop， Apache Spark，使用Scikit-Learn機器學(xué)習(xí)庫，Apache Cassandra數(shù)據(jù)庫，Python 3.8編程語言。使用包含學(xué)生信息、財務(wù)數(shù)據(jù)和歷史資助記錄的模擬數(shù)據(jù)集。試驗在服務(wù)器上安裝和配置所需的硬件和軟件環(huán)境，包括Hadoop、Spark和Cassandra等，導(dǎo)入測試數(shù)據(jù)集到Cassandra數(shù)據(jù)庫。在不同負(fù)載條件下進(jìn)行平臺的穩(wěn)定性測試，模擬多個用戶同時訪問平臺。

3.2 試驗結(jié)果

使用不同大小的數(shù)據(jù)子集進(jìn)行性能測試，包括1000、5000、10000和50000名學(xué)生的信息。測試平臺的大數(shù)據(jù)處理能力，包括數(shù)據(jù)導(dǎo)入、清洗、特征工程和模型訓(xùn)練的性能，記錄每個步驟的執(zhí)行時間，具體的平臺表現(xiàn)見表1。

從表1中可以看出，在不同規(guī)模的數(shù)據(jù)集下，平臺的性能測試結(jié)果都表現(xiàn)出較短的數(shù)據(jù)導(dǎo)入時間、數(shù)據(jù)清洗時間、特征工程時間和模型訓(xùn)練時間，這表明構(gòu)建的高校資助工作精準(zhǔn)化平臺在數(shù)據(jù)處理和模型訓(xùn)練方面具有較高的性能，可以提升用戶的體驗。這些優(yōu)勢使平臺能夠更好地支持高校資助工作，提供更準(zhǔn)確、快速和可靠的資助決策服務(wù)，有助于提高高校的資助管理效率和學(xué)生滿意度。

4 結(jié)語

大數(shù)據(jù)技術(shù)在高校資助工作精準(zhǔn)化平臺搭建中的應(yīng)用，為高校資助工作帶來了新的機遇和挑戰(zhàn)。通過智能化的學(xué)生信息管理和個性化的資助決策，高校能夠更好地支持有需要的學(xué)生，提高工作效率，實現(xiàn)精準(zhǔn)資助。然而，設(shè)計人員也必須認(rèn)識到平臺數(shù)據(jù)安全和算法公平性的重要性，并通過不斷改進(jìn)平臺以滿足未來的需求。隨著大數(shù)據(jù)技術(shù)的不斷發(fā)展，高校資助工作將進(jìn)一步邁向智能化和精準(zhǔn)化，為學(xué)生提供更好的教育支持。

參考文獻(xiàn)

[1]林振，王慶佳，馮志明.基于大數(shù)據(jù)技術(shù)的高校貧困生資助體系構(gòu)建[J].林區(qū)教學(xué)，2022（7）：34-37.

[2]陳克文，劉陽.基于大數(shù)據(jù)的地方院校貧困學(xué)生精準(zhǔn)資助路徑研究[J].中國新通信，2021，23（24）：121-122.

[3]姜攀.基于大數(shù)據(jù)分析的大學(xué)生資助管理平臺設(shè)計研究[J].科學(xué)技術(shù)創(chuàng)新，2021（32）：94-96.

[4]龐偉連.發(fā)展性資助理念下高校資助工作精準(zhǔn)化的探索[J].理財，2021（9）：94-95.

[5]楊晨程.大數(shù)據(jù)背景下高校學(xué)生資助工作精準(zhǔn)化實現(xiàn)路徑研究[J].黃岡職業(yè)技術(shù)學(xué)院學(xué)報，2021，23（4）：57-59.