高校创新创业教育生态环境评价体系研究——基于群组G2法的分析

创新创业教育生态环境是激发高校创新创业的关键因素和重要保障,高校创新创业教育生态环境评价体系为高校创新创业教育改革的稳步推进提供了目标导向依据.在阐释了评价指标体系构建依据的基础上,从创新创业平台支撑环境、创新创业教育资源配置环境和创新创业教育成果三个方面,构建高校创新创业教育生态环境评价指标体系.在此基础上,基于研究的问题,引入群组G2法作为评价方法,完成了评价指标赋权.然后结合指标体系特点,应用非线性加权法完成了评价模型设计,最终构建了高校创新创业教育生态环境评价体系.基于赋权结果确定的影响高校创新创业教育生态环境的关键因素,提出了优化高校创新创业教育生态环境的措施.     

评价的共识与共识评价的机制：基于子群的视角

本文针对群组评价中,忽视群组共识度高低程度而强行集成、忽视不同子群的潜在不可比而强行比较这两类问题,以共识度为主线,讨论子群评价的共识度测算方法、子群分类与构建、子群分歧的分解与识别等问题,并在此基础上,对如何提升群组评价共识程度的评价机制设计进行了思考,分别从事前、事后的角度给出了“信息反馈评价机制”、“加权修正评价机制”和“链式修正评价机制”的设计思路,为实现子群评价活动的合理开展提供了基本的研究框架。     

基于均衡理论的群组评价机制设计及应用

考虑到评价对象异质化有悖于同质性假设前提,提出了一种基于均衡理论的群组评价方法。首先,测度了评价对象的差异程度,并基于此对群组进行了有效性划分,避免了非主体因素影响评价结论的公平性;其次,利用均衡理论进行分组,保证了群组再划分的同质性,实现了评价结论的客观可控性;再次,通过多阶段评价技术和分子群技术,进行交互式评价和标准化修正,兼顾了评价结论的科学性与活动组织的效率。最后,给出了应用研究,通过比较表明该方法更具科学性和稳定性。     

基于用户画像概念模型的冲浪游客特征识别——以海南日月湾为例

根据399 8位相关用户的基本属性、自然资源与运动偏好、旅游行为习惯、以及对景点配套设施的需求等信息,设计标签,识别关联规则,得出用户画像概念模型,主要结论是:(1)冲浪游客以26—45岁的高学历高收入男性为主;(2)初级冲浪游客占大多数;(3)选择冲浪地的优先因素为安全、浪况、设施等;(4)冲浪旅游淡旺季明显;(5)冲浪俱乐部最重要的作用依次为:提供冲浪设施、教学、活动组织等;(6)选择住宿的主要因素为卫生、位置、服务等;(7)冲浪游客常选择西式简餐;家庭游客多选择当地特色美食.     

连续群组的Oaxaca-Blinder分解方法与应用

Oaxaca-Blinder分解为两个群组间工资差异的定量分解提供了一个标准范式。在实际应用中,经常会遇到连续群组的情况,现有的Oaxaca-Blinder方法通常需要将连续群组简化为两个群组后才能进行分解。通过一些连续的数学变换,推导了连续群组的分解方法及其估计,拓展了已有的Oaxaca-Blinder分解,并将该方法应用于已有文献中的一个案例,研究表明,城镇居民与不同城市化程度的农民工群组都存在工资差异,且其工资结构效应占工资总差距的比例随着城市化程度降低而增加,也就是城市化程度越低的农民工,在劳动力市场上越处于劣势。与已有文献比较可知,新的分解方法取得了比标准Oaxaca-Blinder分解更为广泛和深入的结果。     

一种基于资源多属性分类的群组推荐模型

群组推荐是个性化推荐研究的一个新领域,主要研究如何将群组中的成员作为一个整体进行推荐,目前国内的相关研究较少。现有的群组推荐方法强调应用协同过滤算法分析群组成员的历史记录,发现成员间的内在联系,进而进行个性化推荐。文章认为在这种推荐模式下得到的结果,不能很好地反映群组成员具有共性的偏好信息,主要是因为资源之间缺乏逻辑层面的关联,因此本文构建领域资源分类模型,依据资源属性对资源进行分类,在此基础上构建群组用户的兴趣模型,进而实现相应的推荐算法。     

GMDH物价指数预测模型研究及实证

利用物价指数的月均值与年均值数据同时建模的数据处理群组方法的两水平算法,扩大了月均值数据的可预测范围,引入以三角函数求和形式的调和自组织的数据处理群组方法解决月均值物价指数的波动影响,提高了月均值数据预测的准确性。实证分析表明,数据处理群组方法的调和两水平方法预测月均值物价指数是有效的。     

群组轮换协作英语阅读教学法之研究与实践

阅读教学一直是英语教学中的难点,如何更有效地提高学生的阅读能力也困扰着很多高校老师。笔者根据学生为中心的教学方法、自主合作学习和自我建构等理论引入群组轮换阅读法,从而给学生最大的自主权进行材料选择、形式组织和成果评价,并介绍群组轮换阅读的基本组成和角色作用。最后提出英语教师可能遇到的困难和挑战。     

Logistic回归的双层变量选择研究

变量选择是统计建模的重要环节,选择合适的变量可以建立结构简单、预测精准的稳健模型。本文在logistic回归下提出了新的双层变量选择惩罚方法——adaptive Sparse Group Lasso(adSGL),其独特之处在于基于变量的分组结构作筛选,实现了组内和组间双层选择。该方法的优点是对各单个系数和组系数采取不同程度的惩罚,避免了过度惩罚大系数,从而提高了模型的估计和预测精度。求解的难点是惩罚似然函数不是严格凸的,因此本文基于组坐标下降法求解模型,并建立了调整参数的选取准则。模拟分析表明,对比现有代表性方法Sparse Group Lasso、Group Lasso及Lasso,adSGL法不仅提高了双层选择精度,而且降低了模型误差。最后本文将adSGL法应用到信用卡信用评分研究,对比logistic回归,它具有更高的分类精度和稳健性。