舒　懿， 李　棟

(1.北京理工大學(xué) 珠海學(xué)院，廣東 珠海 519085 ；2.澳門城市大學(xué)，澳門 999078)

?

數(shù)據(jù)挖掘在獨立學(xué)院招生錄取評鑒中應(yīng)用

舒懿1， 李棟2

(1.北京理工大學(xué) 珠海學(xué)院，廣東 珠海 519085 ；2.澳門城市大學(xué)，澳門 999078)

摘要：云技術(shù)、數(shù)據(jù)挖掘、互聯(lián)網(wǎng)+等概念已經(jīng)滲透到各個行業(yè)領(lǐng)域。高校每年招生產(chǎn)生的大量數(shù)據(jù)也逐漸被學(xué)校重視起來重新考量。本研究使用數(shù)據(jù)挖掘技術(shù)決策樹ID3算法和其改進算法C4.5,探究這些數(shù)據(jù)運用在招生宣傳決策中的可行性和有效性，并尋找錄取新生的信息之間的關(guān)聯(lián)規(guī)則。提出了把數(shù)據(jù)挖掘技術(shù)應(yīng)用于高校招生工作和高校管理工作的新思想，并建立了高校招生的數(shù)據(jù)挖掘模型。

關(guān)鍵詞：數(shù)據(jù)挖掘；獨立學(xué)院；ID3算法；C4.5算法；招生決策

1研究背景及意義

中國的高等教育過去幾十年飛速發(fā)展，迅速從精英教育階段跨入大眾化教育階段。伴隨高等教育改革而新興的獨立本科院校扮演著重要角色。獨立本科院校的招生宣傳工作與公辦高校相比較有著明顯差異。隨著中國人口紅利的逐漸消失，獨立本科院校的招生工作面臨學(xué)費高昂、學(xué)校名譽較低、招生形式靈活、生源穩(wěn)定性不佳等特點，招生宣傳工作的好壞直接關(guān)系學(xué)校的生存與發(fā)展。

隨著大數(shù)據(jù)時代的到來，云技術(shù)、數(shù)據(jù)挖掘、互聯(lián)網(wǎng)+等概念已經(jīng)滲透到各個行業(yè)領(lǐng)域。與此同時，高校每年招生產(chǎn)生的大量看似無用的數(shù)據(jù)也逐漸被學(xué)校重視起來重新考量。如何從這些數(shù)據(jù)中提取潛在價值，使其成為高校招生宣傳工作參考的重要指標，演變?yōu)橐粋€迫切的議題。由于現(xiàn)代數(shù)據(jù)的大、多、繁、冗等特點，如何更有效地、更精準地、更快速地對數(shù)據(jù)進行分類和挖掘是廣大科研工作者的不懈追求。

在目前獨立本科院校每年給定招生配額的大背景下，如何優(yōu)化各個省份不同專業(yè)的配置，不同專業(yè)的招生名額分配，都成為影響學(xué)校招生計劃完成率以及新生報到率的重要考量。錄取考生的信息不是進行簡單的圖表化，而應(yīng)該找尋各個信息之間的關(guān)系。因此，把數(shù)據(jù)挖掘技術(shù)應(yīng)用于獨立本科院校的招生宣傳決策中有著巨大的實用意義。

2研究方法及分析

本研究以廣東省某獨立學(xué)院2015年招生錄取數(shù)據(jù)為研究基礎(chǔ)，選擇決策樹ID3算法進行分類規(guī)則的研究，分析錄取學(xué)生中不同性別、不同生源地等等因素影響下的新生報到特點；根據(jù)數(shù)據(jù)間的聯(lián)系，對于未來新開設(shè)的專業(yè)，或者新投放的招生地區(qū)，通過此算法，來判別某一專業(yè)或某一地區(qū)未來生源是否充足，亦或某一招生地區(qū)是否存在潛在的生源對象，實證宣傳策略的可行性及可靠性，利用數(shù)據(jù)挖掘算法來實現(xiàn)廣東省獨立本科院校招生宣傳效果的重點研究。在現(xiàn)有的招生宣傳中遵循的一些基本性原則文獻、高校生源競爭的宣傳策略文獻、ID3算法的改進研究、C4.5算法等文獻的基礎(chǔ)上，針對招生宣傳的質(zhì)量評價以實例數(shù)據(jù)為基礎(chǔ)，嘗試運用C4.5算法進行定量的評價研究，對改進招生宣傳工作缺少量化指標與依據(jù)進行改善。[2][3]

(一)ID3算法

ID3算法是對1966年Hunt等學(xué)者提出的CLS決策樹概念學(xué)習系統(tǒng)基礎(chǔ)上進行改進的，可以稱作是決策樹算法的經(jīng)典。ID3算法能夠揭示隱藏的模式和關(guān)系，通過把最大信息的增益(Gain)的屬性作為節(jié)點進行劃分，將所有信息根據(jù)節(jié)點來構(gòu)建一顆樹[1-3]，例如：對于學(xué)校而言，樹的主體就是被錄取的學(xué)生讀還是不讀，接著根據(jù)生源地、分數(shù)、性別等等確定節(jié)點進行自上而下枝葉的生長，構(gòu)建一棵簡潔明了的決策樹。信息增益是期望信息或者信息熵的有效減少量，意味著信息增益(Gain)值越大信息的意義就越大，也可以理解為某種信息的出現(xiàn)率[2，3]。具體計算方法如下：

(1)以決策屬性分類的樣本集信息熵的推導(dǎo)公式： (公式2.1)

其中E(D)表示信息熵值，將整個樣本集分為P正例集和N反例集，|P|表示P正例集的元素個數(shù)，同理|N|表示N反例集的元素個數(shù)。

(2)以各個條件屬性劃分樣本集的類別條件熵的推導(dǎo)公式：(公式2.2)

(3)以條件屬性劃分樣本集的信息增益推導(dǎo)公式：

例如：屬性A的信息增益推導(dǎo)公式：

Gain(A)=E(D)-E(D|A) (公式2.4)

本研究以廣東省某獨立學(xué)院2015級錄取新生名單，選取20人作為樣本數(shù)據(jù)集合T(如下表1)

在數(shù)據(jù)集合中“是否報到”屬于決策屬性，“性別”“生源地”“參加宣講”“考生特長”屬于條件屬性，對以報到為類標記的樣本元組進行統(tǒng)計分析(如下表2)。

決策屬性條件屬性性別生源地參加宣講考生特長報到男女廣州深圳是否有無是(12)577512093否(8)53530853

(二)接著我們依據(jù)以上公式2.1-2.3探究構(gòu)造決策樹的模型：

(1)計算樣本數(shù)據(jù)集合T的決策屬性“是否報到”的信息熵：

(2)分別計算四個條件屬性劃分樣本集的條件熵：

4.根據(jù)以上結(jié)果，運用公式2.4來求取四個屬性的信息增益值分別為：

Gain(性別)=Info(報到)-Info(報到|性別)=0.9716-0.94065=0.03095

Gain(生源地)=Info(報到)-Info(報到|生源地)=0.9716-1.06866=-0.09706

Gain(參加宣講)=Info(報到)-Info(報到|宣講)=0.9716-0=0.9716

Gain(考生特長)=Info(報到)-Info(報到|考生特長)=0.9716-0.96412=0.00748

此時，選取信息增益值進行分類，“參加宣講”的條件屬性的信息增益值為0.9716，在四個條件屬性中具有最強的分類能力，通過ID3算法把信息進行了初步規(guī)整，分為參加過宣講的數(shù)據(jù)和沒有參加過宣講的數(shù)據(jù)兩部分：

數(shù)據(jù)集合A=參加過學(xué)校宣講會的12名考生

數(shù)據(jù)集合B=沒有參加過學(xué)校宣講會的8名考生

因為“參加宣講”進行信息分類帶來的不確定程度最小。所以，在構(gòu)建招生信息決策樹時，首先選擇“參加宣講”作為根節(jié)點，下一步對數(shù)據(jù)集合A和B進行以上往復(fù)運算分類，從其他三個條件屬性中繼續(xù)尋找信息增益值最大的屬性做下一步分類屬性，直到分析完畢，建構(gòu)一顆完整的決策樹。決策樹如圖1：

圖1　決策樹

以上分析僅僅選取20個學(xué)生信息作為闡述ID3算法，數(shù)據(jù)雖然真實，但在數(shù)量上以及條件屬性關(guān)系上略有欠妥之處，另外在實際研究錄取學(xué)生是否報到上，高考分數(shù)、志愿情況、專業(yè)配置、家庭收入、父母教育背景均屬于研究范圍內(nèi)的條件屬性。而通過ID3算法在構(gòu)造決策樹時只能對離散型信息進行分類，對連續(xù)性數(shù)值類型的高考成績無法處理，通過計算信息增益值來確定決策樹的根節(jié)點，這樣算法的選擇偏向于取值較多的屬性[1，2]，但是這樣的屬性在招生決策時不一定是最優(yōu)屬性。

(三)C4.5算法

C4.5算法是在ID3算法的基礎(chǔ)上進行的改進，克服ID3算法缺陷提出了新的決策樹構(gòu)建算法。使得C4.5算法成為2006年以來IEEE數(shù)據(jù)挖掘國際會議選入數(shù)據(jù)挖掘十大經(jīng)典算法[1]。在ID3算法基礎(chǔ)上提出的改進有：

(1)ID3算法實用信息的增益值來衡量信息的屬性標準，而C4.5算法改進為使用信息增益率(Gain Ratio)，如此改進可以避免在進行信息屬性選擇時候出現(xiàn)對取值較多屬性的偏向情況。其原理就是求得特定信息增益值與其分裂屬性的信息熵的比值[1][3]。具體公式如下：

其中，A表示屬性，T表示按照屬性A劃分的樣本集，K表示條件屬性A的K個屬性值通過上文引用的例子來解釋C4.5算法的具體運用，樣本集中共有20個樣本，其中14個樣本屬性為有“考生特長”，6個樣本屬性為沒有“考生特長”，上文已經(jīng)計算了Gain(考生特長)=0.00748，那么屬性“考生特長”的信息增益率計算如下：

Gain(考生特長)=Info(報到)-Info(報到|考生特長)=0.9716-0.96412=0.00748

Gain Ratio(考生特長)=0.00748/0.88129=0.00849

(2)C4.5算法可以處理連續(xù)數(shù)值型屬性，處理方法按照連續(xù)數(shù)值屬性進行排序，然后將該屬性劃分若干分割點，對每個分割點的信息增益率進行計算，取信息增益率最大的方案最為最終的分割方案實現(xiàn)連續(xù)數(shù)值屬性的離散化，選取決策樹的根節(jié)點。具體改進方法如下所示：

樣本T1T2T3T4T5T6T7T8T9T10成績511512519520522523524528538540報到是否是是是是是否是否

首先將T1-T10十個屬性值劃分9個分割點，然后分別計算9個分割點的信息增益率，例如第四分割點在T4與T5之間，將屬性劃分為{T1，T2，T3，T4}和{T5,T6，T7，T8，T9，T10}兩部分，

報到考生成績≦S4≧S4是(7)34否(3)12

因此我們可以求得決策屬性“報到”的信息熵：

以屬性“考生成績”劃分的“報到”的條件熵：

Gain(考生成績)=Info(到)-Info(到|考生成績)=0.8813-0.8755=0.0058

由公式計算屬性“學(xué)生成績”的信息熵：

由公式計算屬性“學(xué)生成績”的信息增益率：

Gain Ratio(考生成績)=0.0058/0.9709=0.1282

通過分別計算9個分割點的信息增益率，取最大信息增益率的分割點就可以將“考生成績”屬性進行離散化，進而進行根節(jié)點的劃分和決策樹的構(gòu)建。

3發(fā)現(xiàn)及結(jié)論

綜合前期對該獨立學(xué)院2015年錄取學(xué)生做出的問卷調(diào)查，部分信息結(jié)合C4.5決策樹構(gòu)建方法，做出詳細分析，針對招生宣傳工作茲提出以下發(fā)現(xiàn)和結(jié)論：

(1)獲得C4.5決策樹模型，以及對于影響決策樹分類的變量，從影響程度高低排列分別為：參加宣講會、性別、成績、高考類型、年齡、宣傳登記、所在地區(qū)，其中是否接受學(xué)校宣傳對報到影響程度較大，而宣傳登記的影響程度大于考生所在地區(qū)的影響程度。

(2)提前確定報考院?？忌浫÷瘦^高。研究發(fā)現(xiàn)考生在高三及高考填報志愿期間選擇目標學(xué)校的占79%，特別在高考填報志愿期間選擇目標學(xué)校的占39%。在志愿填報時，有明確目標的，自己心中有數(shù)占40.39%，比較茫然和查閱資料再定的占57%。而在高三期間確定報考志愿的考生報到率同比高考填報志愿期間高出7.8個百分點。

(3)考生關(guān)注“校園環(huán)境”，“教學(xué)、師資”宣傳大有空間。數(shù)據(jù)顯示2015級新生選擇本學(xué)校最主要的原因是“校園環(huán)境”(68.16%)，其后依次是 “學(xué)校的社會聲譽”(32.94%)和“專業(yè)特色”(32.79%)等。但在不同省份學(xué)生的關(guān)切點略有差異，因此對于招生宣傳工作人員應(yīng)該有策略講方法的針對不同省份考生的關(guān)切點進行重點宣傳。

(4)多媒體成為考生獲取信息的主渠道。研究發(fā)現(xiàn)在參與調(diào)研的4597名廣東考生中有將近88%的新生都未看到過學(xué)校招生簡章，2015級學(xué)生獲知我校信息的來源最主要的渠道是當?shù)卣猩鷪罂寄夸?63.27%)、學(xué)校招生簡章和海報(26.44%)親戚朋友推薦(22.46%)。另外，部分學(xué)生通過報刊網(wǎng)站、微信、貼吧等獲悉我校信息。2015級學(xué)生以學(xué)校招生指南作為我校信息渠道同比2014級學(xué)生高出17個百分點。我校新生報到的人數(shù)中有77%新生沒有參加我校在各地舉行的高考招生咨詢會，而只有23%新生參加了招生咨詢會，參與情況較2014年略微提升。另外，值得我們注意的是，在參加過我校招生咨詢會的同學(xué)中，有854人接近65%的學(xué)生認為參加招生咨詢會對報考有直接影響。

(5)專業(yè)信息獲取渠道較為狹窄。2015級新生對“專業(yè)的培養(yǎng)目標和就業(yè)范圍”普遍有所了解，63.23%的考生通過學(xué)校網(wǎng)站獲取報考專業(yè)信息，通過招生宣傳人員了解專業(yè)情況的考生占比5.76%。此外，學(xué)生對于學(xué)校優(yōu)勢學(xué)科及專業(yè)情況不甚了解，在參加招生咨詢會過程中工作人員對考生的問題解答滿意度直接影響考生報考學(xué)校的意愿。

4思考及建議

(1)全面更新線上宣傳端口，發(fā)揮宣傳正面效果。

以上結(jié)果顯示，學(xué)校的官方網(wǎng)站是獨立類本科院校獲取專業(yè)信息，了解學(xué)校情況的主要網(wǎng)絡(luò)傳播媒介。從資源的投入產(chǎn)出比來看，學(xué)校官網(wǎng)是一種不需耗用額外費用的自有電子媒體，獨立本科院校要善用此媒介，使其發(fā)揮具備詳細、便捷、快速、準確的為考生提供報考參考咨詢的功能。除此之外，可以增加考生與校方互動功能，以利于來年招生傳銷和決策，強化效果與無形。

(2)靈活調(diào)整宣傳方式，準確選擇宣傳時機。

研究發(fā)現(xiàn)學(xué)?？梢栽谛麄髡猩陂g，對于不同省份縣市靈活選擇招生宣講會的時間、地點、對象，學(xué)校招生海報等宣傳資料根據(jù)宣傳需要動態(tài)增減并且宜采取進校進班全面鋪開的形式進行張貼宣傳，對于招生宣傳工作時機趕早不趕晚，并與下一級教育機構(gòu)保持長期穩(wěn)定的合作關(guān)系，以提高我校知名度和聲譽，促進招生。

(3)突出宣傳學(xué)校優(yōu)勢，提升宣傳人員專業(yè)素養(yǎng)。

研究結(jié)果發(fā)現(xiàn)，錄取學(xué)生中參加招生咨詢會考生報到率高于未參加招生咨詢會考生，現(xiàn)場宣傳人員左右考生選擇就讀院校之意向。因此，對于參加各類招生宣傳工作人員，宜經(jīng)過專業(yè)訓(xùn)練，將學(xué)校硬件、軟件、學(xué)科、師資之優(yōu)勢規(guī)整總結(jié)，便于解答。期望使咨詢學(xué)生家長留下良好影響，杜絕派公差、輪值方式派出不適任人員[2]。

我國高等教育已經(jīng)步入改革的關(guān)鍵時期，長期以來積累的眾多數(shù)據(jù)應(yīng)該為學(xué)校招生決策提供參考，通過數(shù)據(jù)挖掘技術(shù)的應(yīng)用，可以促進教育和改革的良性發(fā)展。中國的高考招生制度具有非常強的計劃性和政策性。因此，本研究通過一個小的數(shù)據(jù)集闡釋了ID3算法和C4.5算法在招生決策中的具體應(yīng)用，具有一定現(xiàn)實意義。具體實踐不一定對所有地區(qū)的獨立學(xué)院均適用，后續(xù)可以進步一探討相關(guān)改進方法的運用，將理論研究付之于實際，產(chǎn)研結(jié)合，通過開發(fā)建立高校的招生錄取分析系統(tǒng)為高校個體提供更精準有效的招生決策服務(wù)。

參考文獻：

[1]姚亞夫，邢留濤.決策樹C4.5連續(xù)屬性分割閾值算法改進及其應(yīng)用[J]，中南大學(xué)學(xué)報(自然科學(xué)版)，2011,42,(12)：3772-3776.

[2]楊學(xué)兵，張俊.決策樹算法及其核心技術(shù)[J]，計算機技術(shù)與發(fā)展，2007(1)：44-46.

[3]劉玉文，數(shù)據(jù)挖掘在高校招生中的研究與應(yīng)用[D].上海：上海師范大學(xué)，2008.

[4]朱巍，譚峰.高校局域網(wǎng)考試系統(tǒng)設(shè)計[J].黑龍江八一農(nóng)墾大學(xué)學(xué)報，2013(2)：81-83.

責任編輯：程艷艷

Application of Data Mining in Enrollment Assessment in Independent Colleges

SHU Yi1, LI Dong2

(1.Zhuhai School, Beijing Institute of Technology, Zhuhai 519085, China;2.City University of Macau, Macau 999078, China)

Abstract：The concepts of cloud technology, data mining and Internet+ have been penetrated into various industries. A large number of data generated from enrollment each year are gradually being taken and reconsidered by colleges. The study uses data mining techniques decision tree ID3 algorithm and its improved C4.5 algorithm to explore the feasibility and effectiveness of these data in the application of enrollment propaganda decisions and to seek for the rules of association between information among enrolled students, presenting the ideas of applying data mining technology to college enrollment and management and establishing data mining models of college enrollment.

Keywords：data mining; independent college; ID3 algorithm; C4.5 algorithm; enrollment decision

中圖分類號：TP311

文獻標志碼：A

文章編號：1009-3907(2016)04-0022-06

作者簡介：舒懿(1982-)，女，安徽旌德人，碩士，助理研究員，主要從事招生政策、高等教育管理方面研究；李棟(1988-)，男，山東煙臺人，講師，博士研究生，主要從事教育管理、成人教育、思政教育方面研究。

基金項目：2015年廣東省教育統(tǒng)計科學(xué)研究計劃項目(14TJ0015)

收稿日期：2015-10-28