景璐璐 陳天宇 顧煒江 潘卿

摘 要：大數(shù)據(jù)時(shí)代，教育數(shù)據(jù)治理面臨更為復(fù)雜的困境，精準(zhǔn)資助是國(guó)家教育扶貧的核心任務(wù)之一，鑒于目前高校難以有效進(jìn)行貧困生精準(zhǔn)識(shí)別，文章提出一種基于大數(shù)據(jù)技術(shù)的高校精準(zhǔn)資助模型。通過(guò)梳理學(xué)生在校的全量數(shù)據(jù)，設(shè)計(jì)提取學(xué)生基本信息、消費(fèi)數(shù)據(jù)等共計(jì)23類數(shù)據(jù)對(duì)學(xué)生的經(jīng)濟(jì)情況進(jìn)行建模評(píng)估，通過(guò)數(shù)據(jù)采集、數(shù)據(jù)處理、數(shù)據(jù)集中展現(xiàn)，精準(zhǔn)識(shí)別貧困生與非貧困生。該模型優(yōu)化引用機(jī)器學(xué)習(xí)算法對(duì)模型進(jìn)行訓(xùn)練，結(jié)合學(xué)工大數(shù)據(jù)對(duì)結(jié)果進(jìn)行評(píng)價(jià)，能及時(shí)發(fā)現(xiàn)“隱性貧困”，得到一個(gè)有效的貧困生識(shí)別方法。

關(guān)鍵詞：教育數(shù)據(jù)治理;精準(zhǔn)資助模型;機(jī)器學(xué)習(xí)算法

中圖分類號(hào)：G717 文獻(xiàn)標(biāo)識(shí)碼：A DOI：10.3969/j.issn.1003-6970.2021.03.025

本文著錄格式：景璐璐，陳天宇，顧煒江，等.大數(shù)據(jù)時(shí)代高校精準(zhǔn)資助路徑探索[J].軟件，2021，42（03）：090-093

Exploration of Precise Subsidy Paths for Colleges and Universities in the Era of Big Data

JING Lulu1， CHEN Tianyu2， GU Weijiang1， PAN Qing1

（1.Office of Cyberspace Affairs， Nanjing Forestry University， Nanjing? Jiangsu? ?210037;

2.China Mobile （Suzhou） Software Technology Co.， Ltd.， Suzhou? Jiangsu? 215000）

【Abstract】：In the era of big data， education data governance is faced with more complex difficulties， and precise subsidy is the core task of education poverty alleviation. In view of the difficulty of accurate identification of poor students in colleges and universities， this paper proposes a precise subsidy model of colleges and universities based on big data technology. By combing the total data of students in school， we design and extract a total of 23 types of data， such as students' basic information and consumption data， to model and evaluate the economic situation of students， and accurately identify poor students and non-poor students through data collection， data processing and data centralized display. The model uses machine learning algorithm to train the model optimally， and evaluates the results with the big data of Nanjing Forestry University. It can find out the "hidden poverty" in time and get an effective method to identify the poor students.

【Key words】：education data governance;precision funding model;machine learning algorithm

隨著高等教育規(guī)模迅速擴(kuò)大，高校大學(xué)生數(shù)量逐年攀高，相應(yīng)貧困生人數(shù)也呈現(xiàn)了逐年上升態(tài)勢(shì)?！?019年中國(guó)學(xué)生資助發(fā)展報(bào)告》[1]顯示，政府、高校及社會(huì)共資助全國(guó)普通高校貧困生人數(shù)達(dá)4817.59萬(wàn)人次，資助金額1316.89億元，比上年增加166.59億元，增幅達(dá)14.48%。貧困學(xué)生的增多大大增加了貧困生資助部門的工作難度和工作量。貧困生認(rèn)定是一個(gè)相當(dāng)復(fù)雜的過(guò)程，必須要綜合考慮各方面因素，目前貧困生的認(rèn)定方法大多是定性的，要做到公平公正必需要對(duì)貧困生認(rèn)定做定量的解釋，建立精準(zhǔn)資助機(jī)制[2]。精準(zhǔn)資助是國(guó)家教育扶貧的核心任務(wù)之一，只有抓好學(xué)生精準(zhǔn)資助，才能推動(dòng)教育精準(zhǔn)扶貧[3]。

1大數(shù)據(jù)精準(zhǔn)資助技術(shù)和實(shí)踐基礎(chǔ)

實(shí)現(xiàn)基于大數(shù)據(jù)技術(shù)的精準(zhǔn)資助，一方面需要在大數(shù)據(jù)技術(shù)的支撐下，通過(guò)學(xué)生的消費(fèi)行為數(shù)據(jù)，動(dòng)態(tài)掌握學(xué)生的整體情況;另一方面需要在精準(zhǔn)資助理念的支撐下，不斷優(yōu)化資助形式、方法與策略。

1.1 大數(shù)據(jù)技術(shù)

精準(zhǔn)資助的大數(shù)據(jù)技術(shù)的主要包括以下內(nèi)容：（1）學(xué)生消費(fèi)行為數(shù)據(jù)采集。在校園各類生活過(guò)程中產(chǎn)生的數(shù)據(jù)，比如食宿打卡、超市消費(fèi)等，利用各類信息系統(tǒng)記錄行為發(fā)生的時(shí)間、行為的類型及相應(yīng)的環(huán)境信息，實(shí)時(shí)、動(dòng)態(tài)的對(duì)學(xué)生整體消費(fèi)數(shù)據(jù)進(jìn)行跟蹤、記錄、集成、規(guī)約，為數(shù)據(jù)挖掘和分析做好準(zhǔn)備工作。（2）消費(fèi)數(shù)據(jù)分析。利用數(shù)據(jù)收集、數(shù)據(jù)挖掘、數(shù)據(jù)分析、數(shù)據(jù)可視化等手段，對(duì)每個(gè)學(xué)生的消費(fèi)過(guò)程和結(jié)果進(jìn)行分析，對(duì)貧困數(shù)據(jù)初步掌握，可以進(jìn)一步分析學(xué)生的消費(fèi)傾向和習(xí)慣，實(shí)現(xiàn)個(gè)性化資助。（3）個(gè)性化資助。教育部在2017年發(fā)布了《關(guān)于進(jìn)一步加強(qiáng)和規(guī)范高校家庭經(jīng)濟(jì)困難學(xué)生認(rèn)定工作的通知》，通知指出要精準(zhǔn)分配資金名額，明確重點(diǎn)受助學(xué)生，其中就包括采用“隱形資助”的個(gè)性化資助方式，避免大張旗鼓地把困難學(xué)生與非困難學(xué)生割裂區(qū)分開(kāi)，這就要求基于消費(fèi)的過(guò)程和結(jié)果，建立更加人性化的精準(zhǔn)資助模型[4]。

1.2 精準(zhǔn)資助現(xiàn)狀與實(shí)踐

傳統(tǒng)模式下，貧困生認(rèn)定主要根據(jù)學(xué)生的家庭基本信息、家庭人均收入、家庭成員是否患有重大疾病等影響家庭經(jīng)濟(jì)情況的幾項(xiàng)指標(biāo)對(duì)所有申請(qǐng)貧困資助的學(xué)生進(jìn)行量化評(píng)估，按照評(píng)估結(jié)果及學(xué)生日常消費(fèi)水平進(jìn)行排序，簡(jiǎn)單概要的劃分學(xué)生的經(jīng)濟(jì)困難程度。從流程上看，貧困生認(rèn)定過(guò)程涉及諸多主觀因數(shù)，學(xué)生日常消費(fèi)水平?jīng)]有數(shù)據(jù)支撐，導(dǎo)致認(rèn)定結(jié)果準(zhǔn)確性較低，無(wú)法得到師生的認(rèn)可。貧困生在申請(qǐng)資助時(shí)，首先要提交資助申請(qǐng)，還要開(kāi)具各類材料證明，不僅流程繁瑣，效率低下，還可能產(chǎn)生數(shù)據(jù)造假。

隨著大數(shù)據(jù)技術(shù)在教育領(lǐng)域的應(yīng)用廣泛應(yīng)用，在高等教育管理和教學(xué)各方面發(fā)揮了重要的作用，高校學(xué)生資助工作也試圖充分利用校園大數(shù)據(jù)，在原有工作模式基礎(chǔ)上探索新的發(fā)展方向，力爭(zhēng)實(shí)現(xiàn)學(xué)生資助工作的科學(xué)化、精準(zhǔn)化、智能化，提升工作效率和質(zhì)量。文獻(xiàn)[5]通過(guò)學(xué)生多樣化數(shù)據(jù)從方方面面記錄學(xué)生的家庭及個(gè)人情況，利用用戶畫(huà)像技術(shù)精準(zhǔn)識(shí)別貧困生，做到個(gè)性化資助[4]。文獻(xiàn)[6]通過(guò)設(shè)定不同的貧困等級(jí)，運(yùn)用大數(shù)據(jù)相關(guān)技術(shù)判斷學(xué)生是否是貧困生，在Hadoop平臺(tái)上運(yùn)用GBDT算法將學(xué)生在學(xué)校所產(chǎn)生的行為數(shù)據(jù)進(jìn)行處理，分析屬于哪一級(jí)貧困生，將學(xué)生進(jìn)行分級(jí)資助并對(duì)貧困生進(jìn)行精準(zhǔn)識(shí)別[5]。歐陽(yáng)鐵磊[7]以學(xué)生在校一卡通數(shù)據(jù)為基礎(chǔ)，進(jìn)行數(shù)據(jù)挖掘研究，為貧困生資助工作中提供了一些參考信息。張璽[8]等人利用大數(shù)據(jù)優(yōu)化貧困生認(rèn)定系統(tǒng)，采用支持向量機(jī)（Support Vector Machine，SVM）算法對(duì)學(xué)生校園一卡通的消費(fèi)數(shù)據(jù)進(jìn)行分析，將學(xué)生按照貧困與非貧困進(jìn)行分類。柴政等[9]借助于深度神經(jīng)網(wǎng)絡(luò)DNN，把原有的數(shù)據(jù)集分成兩類，分別進(jìn)行訓(xùn)練和驗(yàn)證，用訓(xùn)練后的模型來(lái)預(yù)測(cè)學(xué)生的貧困等級(jí)。從以上研究來(lái)看，使用精準(zhǔn)資助算法模型比傳統(tǒng)貧困生識(shí)別效率和精確度都有一定提高。

2大數(shù)據(jù)精準(zhǔn)資助方法和框架

目前，利用大數(shù)據(jù)技術(shù)識(shí)別貧困生可以最大限度地實(shí)現(xiàn)資助公平，最大限度地實(shí)現(xiàn)國(guó)家資助資金精準(zhǔn)發(fā)放。通過(guò)數(shù)據(jù)采集，分析學(xué)生日常的消費(fèi)情況，再輔助以嚴(yán)謹(jǐn)?shù)脑u(píng)判標(biāo)準(zhǔn)，例如以學(xué)生每月在食堂用餐60次以上、每天就餐低于平均值10塊錢等篩選標(biāo)準(zhǔn)，大概勾畫(huà)出學(xué)生們的經(jīng)濟(jì)情況及困難程度。這與傳統(tǒng)的提交材料證明等方式相比，具有高針對(duì)性和高精準(zhǔn)度，徹底打破了傳統(tǒng)資助資源“按比例”“一刀切”的分配模式?；诖?，本研究提出一種基于大數(shù)據(jù)的貧困生多級(jí)認(rèn)定方法，流程如圖1所示。

（1）數(shù)據(jù)采集—采集學(xué)生的校園消費(fèi)行為信息：采集學(xué)生的校園行為信息，包括學(xué)生的消費(fèi)信息、基本信息及恩格爾系數(shù)、屬地GDP等。（2）數(shù)據(jù)清洗—構(gòu)建學(xué)生信息庫(kù)：對(duì)學(xué)生的校園消費(fèi)行為信息進(jìn)行清洗和關(guān)聯(lián)處理。（3）數(shù)據(jù)建?！獜膶W(xué)生信息庫(kù)中提取目標(biāo)行為信息，并根據(jù)目標(biāo)行為信息計(jì)算行為評(píng)價(jià)指標(biāo)，根據(jù)行為評(píng)價(jià)指標(biāo)構(gòu)建初始消費(fèi)分析模型。根據(jù)消費(fèi)分析模型及待認(rèn)定行為信息，進(jìn)一步構(gòu)建貧困生多級(jí)認(rèn)定模型。

以我校資助工作為例，基于學(xué)工大數(shù)據(jù)的精準(zhǔn)資助方法核心在于學(xué)生消費(fèi)數(shù)據(jù)分析模型的構(gòu)建。學(xué)生一卡通數(shù)據(jù)支出狀況能夠在一定程度上反映出學(xué)生的貧困程度，困難家庭的學(xué)生通常具有消費(fèi)地點(diǎn)穩(wěn)定、消費(fèi)結(jié)構(gòu)簡(jiǎn)單、消費(fèi)連續(xù)性強(qiáng)等特點(diǎn)。對(duì)學(xué)工、教務(wù)和一卡通系統(tǒng)等線上和線下的數(shù)據(jù)進(jìn)行全方位采集，采集到的原始數(shù)據(jù)無(wú)法直接對(duì)其進(jìn)行特征分析和建模，需要對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理、消除錯(cuò)誤、缺失、冗余等無(wú)效數(shù)據(jù)，提高數(shù)據(jù)價(jià)值。經(jīng)過(guò)預(yù)處理后的數(shù)據(jù)相對(duì)比較完整，且結(jié)構(gòu)統(tǒng)一，對(duì)這部分?jǐn)?shù)據(jù)進(jìn)行整合分析，提取學(xué)生消費(fèi)行為特征，結(jié)合學(xué)生家庭信息、建檔立卡信息、貸款信息等構(gòu)建學(xué)生消費(fèi)行為與家庭經(jīng)濟(jì)情況的關(guān)系。通過(guò)機(jī)器學(xué)習(xí)算法對(duì)數(shù)據(jù)進(jìn)行聚類分析，將學(xué)生的消費(fèi)水平劃分等級(jí)，根據(jù)等級(jí)層次為每位學(xué)生添加合理的貧困標(biāo)簽。在此基礎(chǔ)上，通過(guò)數(shù)據(jù)可視化技術(shù)，直觀的對(duì)學(xué)生消費(fèi)數(shù)據(jù)分析結(jié)果進(jìn)行展示，幫助學(xué)校全面掌握貧困生數(shù)據(jù)庫(kù)。

3 基于大數(shù)據(jù)的精準(zhǔn)資助方法實(shí)踐認(rèn)證

基于大數(shù)據(jù)技術(shù)的貧困生多級(jí)認(rèn)定模型，包括4個(gè)模塊：采集模塊、信息庫(kù)構(gòu)建模塊、初始消費(fèi)分析模型構(gòu)建模塊、貧困生多級(jí)認(rèn)定模型構(gòu)建模塊。模型采用基于邏輯判斷的自步集成學(xué)習(xí)模型，集成學(xué)習(xí)不是一個(gè)單獨(dú)的機(jī)器學(xué)習(xí)算法，而是通過(guò)構(gòu)建并結(jié)合多個(gè)機(jī)器學(xué)習(xí)器的方式來(lái)完成學(xué)習(xí)任務(wù)，采用多種機(jī)器學(xué)習(xí)算法，為精準(zhǔn)資助提供決策支持。該模型功能點(diǎn)包括三部分：（1）精準(zhǔn)識(shí)別貧困生，即符合貧困生統(tǒng)計(jì)特征且接受資助的學(xué)生;（2）發(fā)現(xiàn)需要關(guān)懷的學(xué)生，即符合貧困生統(tǒng)計(jì)特征但又未接受資助的學(xué)生;（3）發(fā)現(xiàn)異常貧困生，即接受資助，但行為特征與貧困生有明顯差異的學(xué)生。

模型的算法流程如圖2所示。

3.1校園大數(shù)據(jù)的采集和處理

數(shù)據(jù)來(lái)源于我校2019-2020年貧困生認(rèn)定數(shù)據(jù)，通過(guò)學(xué)生基本信息、消費(fèi)數(shù)據(jù)等對(duì)學(xué)生的經(jīng)濟(jì)情況進(jìn)行評(píng)估，從而識(shí)別貧困生與非貧困生。貧困生識(shí)別涉及23個(gè)字段，以學(xué)生學(xué)號(hào)作為標(biāo)識(shí)字段，假設(shè)家庭困難學(xué)生在成長(zhǎng)時(shí)養(yǎng)成相對(duì)穩(wěn)定的消費(fèi)習(xí)慣，在消費(fèi)指標(biāo)中發(fā)現(xiàn)特征并形成分類器，并進(jìn)行對(duì)一般性學(xué)生的經(jīng)濟(jì)困難水平進(jìn)行評(píng)估。評(píng)估時(shí)，考慮不同人群的消費(fèi)結(jié)構(gòu)，以性別，民族，戶口類別，省份等作為基本指標(biāo)以消費(fèi)流水為基礎(chǔ)的消費(fèi)相關(guān)數(shù)據(jù)為消費(fèi)指標(biāo)。隨后，根據(jù)一般學(xué)生的消費(fèi)水平參數(shù)以及關(guān)懷學(xué)生的消費(fèi)水平，評(píng)估資助金額。23個(gè)字段如表1所示。

數(shù)據(jù)清洗時(shí)，由于本次分析選用消費(fèi)數(shù)據(jù)，基于嚴(yán)格的消費(fèi)數(shù)據(jù)流水進(jìn)行整合，部分消費(fèi)數(shù)據(jù)為空，均可理解為沒(méi)有發(fā)現(xiàn)相關(guān)消費(fèi)記錄，所以針對(duì)缺失值的處理，統(tǒng)一用0代替。針對(duì)消費(fèi)異常值，即部分學(xué)生有較為特殊的消費(fèi)特點(diǎn)，部分維度分布下出現(xiàn)極端情況，在一些模型（尤其基于距離的模型）有較為嚴(yán)重的影響，故需要發(fā)現(xiàn)并規(guī)約，異常值發(fā)現(xiàn)算法基于中位數(shù)，采用MAD 算法計(jì)算各項(xiàng)指標(biāo)（連續(xù)型指標(biāo)的正常范圍，并對(duì)超范圍的數(shù)據(jù)統(tǒng)一轉(zhuǎn)換為極值），MAD（中位數(shù)絕對(duì)偏差）是一個(gè)健壯的統(tǒng)計(jì)量，是單變量數(shù)據(jù)集中樣本差異性的穩(wěn)健度量，對(duì)于數(shù)據(jù)集中異常值的處理比標(biāo)準(zhǔn)差更具有彈性，可以大大減少異常值對(duì)于整個(gè)數(shù)據(jù)集的影響。 以下為各類數(shù)據(jù)的 MAD 范圍，如圖3所示。

數(shù)據(jù)清洗后的訓(xùn)練數(shù)據(jù)整理主要解決目標(biāo)數(shù)據(jù)不平衡問(wèn)題，類不平衡（Class-imbalance）是指在訓(xùn)練分類器時(shí)所使用數(shù)據(jù)集的類別分布不均。例如一個(gè)二分類問(wèn)題，1000個(gè)訓(xùn)練樣本，比較理想的情況是正類、負(fù)類兩種樣本的數(shù)量相差不多（本文正、負(fù)類樣本特指貧困生和非貧困生）。如果正類樣本有999個(gè)、負(fù)類樣本僅有1個(gè)，就意味著存在類不平衡。從訓(xùn)練模型的角度來(lái)說(shuō)，如果某類的樣本數(shù)量很少，那么這個(gè)類別所提供的“信息”就太少。常見(jiàn)的方法，通過(guò)過(guò)采樣，欠采樣等方式，從樣本抽取中消除不平衡性。精準(zhǔn)資助多級(jí)認(rèn)定方法采用SMOTE進(jìn)行過(guò)采樣。SMOTE算法的基本思想是對(duì)少數(shù)類樣本進(jìn)行分析并根據(jù)少數(shù)類樣本人工合成新樣本添加到數(shù)據(jù)集中。

3.2 精準(zhǔn)資助貧困生認(rèn)定方法

精準(zhǔn)資助貧困生認(rèn)定算法采用隨機(jī)森林進(jìn)行分類模型訓(xùn)練：隨機(jī)森林顧名思義，使用隨機(jī)的方式建立一個(gè)森林，森林由多個(gè)決策樹(shù)組成，隨機(jī)森林的每一棵決策樹(shù)之間不相關(guān)。形成森林之后，每輸入一個(gè)新的樣本，就由森林中的每一棵決策樹(shù)分別進(jìn)行投票似判斷，觀察這個(gè)樣本應(yīng)該屬于哪一類，哪一類被選擇最多，就可預(yù)測(cè)該樣本為被選擇最多的類。隨機(jī)森林屬于集成學(xué)習(xí)，把分類樹(shù)組合成隨機(jī)森林，即在變量和數(shù)據(jù)的使用上進(jìn)行隨機(jī)化，生成很多分類樹(shù)，并匯總分類樹(shù)的結(jié)果。本模型構(gòu)建1000個(gè)決策樹(shù)組成森林，并對(duì)未知數(shù)據(jù)進(jìn)行投票?；煜仃囈卜Q為誤差矩陣，是精度評(píng)價(jià)的一種標(biāo)準(zhǔn)格式。

精確率（Precision）為TP/（TP+FP）;模型判斷出的所有正例（TP+FP）中，其中真正例（TP）占的比例。正例即正類樣本，負(fù)例即負(fù)類樣本，下同。

準(zhǔn)確率（Accuracy）為（TP+TN）/（TP+TN+FN+FP）;模型判斷正確的數(shù)據(jù)占總數(shù)據(jù)的比例。

召回率（Recall）為TP/（TP+FN）;模型正確判斷出的正例（TP）占數(shù)據(jù)集中所有正例的比例。

其中，TP：真正例，F(xiàn)P：假正例，F(xiàn)N：假負(fù)例，TN：真負(fù)例（文中，正例指貧困生，負(fù)例指非貧困生）。

F1值是精確率和召回率的調(diào)和均值，F(xiàn)1=2PR/（P+R），是精確率和召回率的綜合評(píng)價(jià)指標(biāo)。P：Precision;R：Recall。

應(yīng)用于測(cè)試數(shù)據(jù)集，結(jié)果如下表2。

如表2所示，多次測(cè)試后，模型準(zhǔn)確率為0.8，還可以進(jìn)一步提高模型的準(zhǔn)確率。通過(guò)特征選取，逐步獲取各個(gè)變量的重要性，并規(guī)約變量，提高模型效率。經(jīng)過(guò)測(cè)試后，變量重要性排序：戶口類別最為重要，而性別最不重要，后續(xù)把性別變量去掉，再觀察準(zhǔn)確率。

根據(jù)模型，確定學(xué)生的貧困度，根據(jù)一般學(xué)生的消費(fèi)水平參數(shù)以及關(guān)懷學(xué)生的消費(fèi)水平，評(píng)估資助金額。貧困度，以投票樹(shù)為指標(biāo)，例如在本研究中，1000棵決策樹(shù)，有500棵認(rèn)為是貧困，則學(xué)生A貧困度為50%。另外，根據(jù)一般學(xué)生的消費(fèi)水平以及被關(guān)懷學(xué)生的消費(fèi)水平，評(píng)估資助金額。例如學(xué)校非貧困生月均消費(fèi)金額假設(shè)為300元，某學(xué)生月均消費(fèi)金額250元，如已經(jīng)接受補(bǔ)助，且補(bǔ)助金額不足300的，則增加補(bǔ)助金額到300元。

4 結(jié)語(yǔ)

大數(shù)據(jù)驅(qū)動(dòng)的精準(zhǔn)資助模型是指以大數(shù)據(jù)技術(shù)為手段，在精準(zhǔn)分析學(xué)生在校消費(fèi)現(xiàn)狀的基礎(chǔ)上，對(duì)資助模型進(jìn)行精準(zhǔn)設(shè)計(jì)、對(duì)貧困生進(jìn)行精準(zhǔn)定位、對(duì)資助形式進(jìn)行精準(zhǔn)定制、對(duì)資助模型精準(zhǔn)評(píng)價(jià)進(jìn)而做出精準(zhǔn)決策，使精準(zhǔn)資助過(guò)程和結(jié)果可量化、可優(yōu)化。同時(shí)，利用大數(shù)據(jù)對(duì)學(xué)生進(jìn)行“隱形資助”，不僅可以解決一些貧困學(xué)生生活上的壓力，又可以維護(hù)他們的尊嚴(yán)。這與高校中傳統(tǒng)的資助方式相比，最大的特點(diǎn)就是利用現(xiàn)有的大數(shù)據(jù)技術(shù)進(jìn)行分析，在資助公平和學(xué)生尊嚴(yán)之間找到了平衡，既充滿人性，又精準(zhǔn)高效，讓學(xué)生們更有尊嚴(yán)且更公平地享受國(guó)家的這份關(guān)懷。

參考文獻(xiàn)

[1] 全國(guó)學(xué)生資助管理中心.2019年中國(guó)學(xué)生資助發(fā)展報(bào)告[N].人民日?qǐng)?bào)，2020-05-21（006）.

[2] Wei Huang，F(xiàn)an Li，Xiaowei Liao，et al.More Money，Better performancy？The effects of student loans and need-based grants in China's higher education[J].China Economic Review，2017，9（5）：208-227.

[3] 徐新洲.林業(yè)高校精準(zhǔn)扶貧“三全”模式研究：以南京林業(yè)大學(xué)為例[J].中國(guó)高?？萍?，2020（12）：18-21.

[4] 黃立，戴航.基于大數(shù)據(jù)的高職院校貧困生精準(zhǔn)資助[J].教育與職業(yè)，2019（15）：53-60.

[5] 李成飛.大數(shù)據(jù)背景下高校貧困生資助工作精準(zhǔn)化研究[D].南京：南京郵電大學(xué)，2017.

[6] 楊勝志.基于大數(shù)據(jù)的大學(xué)生精準(zhǔn)資助貧困等級(jí)研究[D].長(zhǎng)春：東北師范大學(xué)，2018.

[7] 歐陽(yáng)鐵磊，葉玲肖.基于大數(shù)據(jù)分析的高校貧困生精準(zhǔn)資助策略研究[J].計(jì)算機(jī)應(yīng)用與軟件，2020，37（8）：45-47+129.

[8] 張璽，咼森林，孫宗良.基于校園一卡通消費(fèi)數(shù)據(jù)對(duì)高校貧困生分類的應(yīng)用研究[J].數(shù)字技術(shù)與應(yīng)用，2016（8）：100.

[9] 柴政，屈莉莉，彭貴賓.高校貧困生精準(zhǔn)資助的神經(jīng)網(wǎng)絡(luò)模型[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2018，48（16）：85-91.