贫困生认定

摘要： 当前,我国脱贫攻坚战取得全面胜利,面向“后脱贫时代”,高校资助应当从保障型资助向发展型资助转变。贫困生认定是资助工作的首要环节,针对高校资助多存在重物质保障轻育人的问题,从发展型资助视角,将育人理念融入贫困生认定过程,把受助学生的义务工作考核、学业成绩及在校行为表现作为后续学年困难认定的主要指标,实现资助和育人有机结合,提高贫困生认定精准度,提升资助育人成效。

摘要： 针对贫困生数据类别不平衡、特征复杂等特点,提出ADA-MDF贫困生认定模型。首先利用ADASYN自适应过采样方法,通过合成少数类别样本,改善贫困生数据不平衡的问题,同时结合深度森林算法,拓展了其级联结构的多样性,加强模型的表征学习能力。在相同数据下,与DF、RF、XGBoost、LGB、GBDT模型进行了10次对比实验,结果表明,该模型较其他模型综合性能更为优越,平均准确率达到93.11%,与学校目前应用的模型相比,准确率提高了8.81%。综上,ADA-MDF贫困生认定模型是有效可行的,在高校资助工作中具有良好的应用前景。

摘要： 随着各大高校数字化校园不断建设以及大数据研究地不断推进,学校各个业务系统在日常运行过程中累积了大量原始数据。利用好这些数据有效地核查贫困生认定的准确性、科学性,是今后高校资助工作的一个创新亮点。运用数据挖掘技术,基于校园消费数据和上网行为分析,对贫困生预警进行了分析。

摘要： 针对当今高校在学生消费行为分析、贫困生认定工作中存在工作模型低效、信息不全面、可信度不高等问题,提出了采用大数据分析技术和聚类算法相结合,对一卡通系统数据进行聚类分析并构建数据分析模型。利用聚类算法对学生进行分类。实践表明,该算法能够精准分析学生消费行为、精准认定贫困生,对高校学生管理工作具有实践指导意义和应用前景。

摘要： 资助育人工作应该坚持以资助为基础,以育人为导向,助育并举,将解决实际问题和解决思想问题相结合,建立物质帮助、道德浸润、能力拓展、精神激励的发展型工作机制,形成解困、育人、成才、反哺的良性循环,为社会主义现代化建设输送更多有用人才。文章主要针对当前高职院校资助育人工作中存在的突出问题,分析问题并就如何提升资助育人质量提出合理化建议,找出行之有效的路径对策。

摘要： 高校贫困生认定工作存在人员信息无法确定、贫困生证明材料可信度考证难度大、学生主观存在不好意思申请等问题.在数据挖掘与大数据技术日趋成熟背景下,通过采集学生校园一卡通数据,并通过数据预处理、特征提取与选择、再通过BP神经网络模型进行训练,通过学校往年已知贫困生数据验证模型的准确性.预测模型在学校贫困生认定工作中发挥着重要作用,有利于学校提高学生管理水平,且照顾到因各种情况遗漏的学生.

摘要： 中国高校自从开始进行招生、收费制度改革试点,实行公费和自费并轨以来,贫困大学生逐渐进入公众视野.中国贫困大学生的研究经历了“萌芽阶段”“发展阶段”“成熟阶段”和“创新阶段”四个时期,研究热点集中在贫困大学生资助、心理健康、认定、思想政治教育和就业五个领域.展望未来,贫困生研究呈现出扶困助学法制化、研究主题纵深化与研究方法多元化等趋势.

摘要： 资助工作是一项较为繁琐的系统工程,其中最重要的一个环节就是贫困学生的认定,这也是精准资助工作的前提和先决条件。文章分析当前广西高职院校贫困生认定工作中存在的问题,并提出相应的对策,有利于提升工作效率。

摘要： 贫困生认定是贫困生资助的首要环节,涉及有效识别贫困生的根本问题.学生对"贫困生"身份的认知、对贫困生认定过程和认定结果的认知,影响学生递交认定材料的积极性和在认定过程中的行为表现.以自我认知理论为基础,对600名被认定为贫困生的学生进行了问卷调查,通过问卷调查探究对"贫困生"身份的认知是否理性、贫困生认定过程是否合理、贫困生认定结果是否公平.从贫困生自我认知的视角,从树立正确的贫困观、确保认定过程的合理性和高效性、确保认定结果的准确性和公平性等方面提出具体的建议.

摘要： 高职院校资助育人工作关乎教育公平与社会公平等核心问题.资助育人实践涉及家庭经济困难学生的科学认定、合理资助、学生全面培养等环节.系统分析家庭经济困难学生认定及资助育人实践中存在的问题,并提出解决策略.进一步提出加强顶层设计做好保障型资助与发展型资助的互动,把好资助源头奠定精准认定、精准资助基础,实施分层资助推进国家资助政策科学落实,打造育人体系实施"三全育人"促进全面发展,完善评价体系推动资助育人工作成效落实的对策,以期提高认定精准性与资助育人针对性,提高资助育人成效,促进教育公平发展.

摘要： 本发明公开了一种基于SVM的贫困生辅助认定方法，包括以下步骤：采集学生数据，并对学生数据进行预处理；对预处理学生数据提取特征，通过随机森林对特征重要性进行排名；在满足Mercer条件下，构造混合核函数，并植入SVM中；使用遗传算法对混合核函数参数进行寻优，得到最优混合核函数参数；将最优混合核函数参数代入SVM，并对学生数据进行训练，得到分类器模型；将需要认定的学生数据输入分类器模型，输出分类结果；本发明采用遗传算法对基于SVM混合核函数参数进行寻优，用适应度作为评价依据，通过随机重组重要基因，让群体中的个体不断进化，获取最优解，减少全局搜索时间，提高了分类器的推广泛化能力，并降低成本。

摘要： 本发明涉及基于在校行为数据多维分析的贫困生资助推荐方法，与现有技术相比解决了难以实现待资助贫困生精准推荐的缺陷。本发明包括以下步骤：历史行为数据的获取；历史行为数据的特征提取；推荐模型的训练；待分析行为数据的获取；待分析行为数据的特征提取；推荐结果的获得。本发明基于学生产生的在校数据，通过提取多个维度的特征，利用这些特征建立分类模型，借助分类模型准确判断学生的贫困情况并作出决策。

摘要： 本发明一种基于校园消费卡流水数据的高校贫困生识别方法，属于高校贫困生识别方法领域。包括如下步骤：步骤一、获取学生校园消费卡流水数据，建立SQL Server数据库；步骤二、利用核主成分分析方法选取多个分类特征；步骤三、基于步骤二选取的分类特征，建立RandomForest分类器，并利用训练数据进行训练；步骤四、基于步骤三获得的RandomForest分类器，建立用于高校贫困生识别的预测模型。本发明用于高校贫困生识别，利用核主成分分析方法实现了关键特征提取，并建立了基于RandomForest的分类预测模型，提高了高校贫困生识别的精准度。

摘要： 本发明公开了一种基于SVM的贫困生辅助认定方法，包括以下步骤：采集学生数据，并对学生数据进行预处理；对预处理学生数据提取特征，通过随机森林对特征重要性进行排名；在满足Mercer条件下，构造混合核函数，并植入SVM中；使用遗传算法对混合核函数参数进行寻优，得到最优混合核函数参数；将最优混合核函数参数代入SVM，并对学生数据进行训练，得到分类器模型；将需要认定的学生数据输入分类器模型，输出分类结果；本发明采用遗传算法对基于SVM混合核函数参数进行寻优，用适应度作为评价依据，通过随机重组重要基因，让群体中的个体不断进化，获取最优解，减少全局搜索时间，提高了分类器的推广泛化能力，并降低成本。

摘要： 本申请公开了一种基于区块链的贫困生问题解决方法、设备及介质，方法包括：接收贫困生申请信息；将所述贫困生申请信息发送至审核机构进行背书，并接收所述审核机构的反馈，以确定贫困生；将所述贫困生对应的所述贫困生申请信息在所述区块链中进行标识。本发明实施例通过区块链的分布式存储技术弥补了提高了数据存储的公信力和可靠性，可以实现对贫困生信息的追溯，同时通过区块链技术透明的特性，向外开放举报接口，通过师生监督的方式，降低假贫困生骗取补助的概率。

摘要： 本发明公开了基于长短期记忆神经网络LSTM的高校贫困生精准资助模型，基于LSTM神经网络构建了高校贫困生精准资助模型，通过数据实验分析了LSTM神经网络隐层神经单元数、训练优化算法与贫困生资助等级识别率之间的关系，并据此对基于LSTM的高校贫困生精准资助模型进行结构与参数优化。该精准资助模型能够根据高校贫困生消费数据识别国家助学金资助等级，为高校贫困生资助的精准识别和分类提供智能量化工具，能够减少人为干扰因素，对于高校学生资助助学工作具有创新性意义。

摘要： 一种基于多分类BP‑Adaboost的贫困生认定方法，包括以下步骤：（1）获取往年贫困生的多维历史数据，（2）对采集到的往年贫困生历史数据进行预处理，构造学生特征矩阵S；（3）将往年贫困生的多维历史数据按照贫困程度分为三个类别，标注学生贫困类别标签，构造训练数据集；（4）设计BP‑Adaboost分类模型，使用提取的往年各贫困程度的贫困生特征矩阵构造的数据集训练BP‑Adaboost分类模型；（5）训练模型用于贫困生辅助认定。本发明利用在校学生产生的学生行为数据，设计了一个基于BP‑Adaboost的多分类模型，本模型可以快速、准确的将学生分为三种贫困类别，以此判断学生的贫困情况辅助高校贫困生管理工作人员进行决策。

摘要： 本专利公开发明了一种基于深度学习的贫困生认定方法，本发明从学生一卡通消费数据、成绩数据、图书馆借阅数据中提取学生特征，将学生分为4个贫困等级并用one‑hot编码，将编码结果作为学生类别标签。使用提取的特征和类别标签训练搭建好的神经网络模型。当需要认定贫困生时，提取学生一卡通消费数据、成绩数据、图书馆借阅数据的特征，经过神经网络模型预测后得出学生类别。并将结果用于贫困生的辅助认定。本发明具有准确度高，隐藏层深度足够的特点。

摘要： 本发明属于高校学生贫困生资助领域，具体涉及一种基于多维度评价的高校贫困生认证方法及其系统，该方法包括：获取待认定学生的信息；将获取的信息输入到学生贫困生认证预测模型中，得到贫困认证结果；根据贫困认证结果对待认证的学生进行分类，完成贫困生认定；本发明对待认定的人员的信息采集更全面，不仅对申请者的个人消费情况、学习态度情况、日常行为情况、勤工俭学情况、助学贷款申请情况进行采集，还对申请者的家庭基本情况进行采集，使贫困资助系统更加数据更加精确，贫困评估更加全面。

摘要： 本发明属于高校学生贫困生资助领域，具体涉及一种基于用户消费数据的高校贫困生识别方法，该方法包括：获取学生用户的消费信息；对消费信息进行预处理，将预处理后的消费信息输入到SVM分类模型中进行分类，得到分类结果；对分类结果进行聚类分析，得到每个分类结果的评级；将该学生用户的所有分类评级结果进行融合，得到贫困程度综合评级；根据最终的贫困程度综合评级结果判断该学生用户是否为贫困生；本发明通过校园卡储蓄、消费以及餐饮消费占比三种数据信息对学生用户进行贫困生认定，使得认定结果更精确；本发明采用改进的SVM分类模型对输入数据进行分类处理，使得分类的结果更准确。