医学生综合素质评价算法研究

导语：医学生综合素质评价算法研究一文来源于网友上传，不代表本站观点，若需要原创文章可咨询客服老师，欢迎参考。

摘要：本文利用大数据中的聚类算法确定影响医学生综合素质的主要因素，构建医学生综合素质评价指标体系。根据评价指标体系内的各指标采集相关数据，生成医学生综合素质评价大数据集，选用约束参量分析法，分析融合后医学生综合素质评价大数据的控制变量和解释变量，实现医学生综合素质评价大数据评价。实例分析结果显示所研究方法评价所花费时间均值约为1.3s，与主观评价方法相比平均等级相关系数达到0.97，可提升医学生综合素质评价效率。

关键词：大数据分析；医学生；综合素质；指标体系；数据融合；相空间分布；约束参量

1引言

随着大数据和人工智能技术的发展，医学生综合素质的评价手段普遍得到了提升[1-3]，医学生综合素质与人民的生命和健康息息相关，因此医学生综合素质的评价成为当前医学教育改革的的研究热点之一[4-6]。为了获得理想的医学生综合素质评价结果，提出了基于大数据的医学生综合素质评价算法。相较于普通高等教育采用的综合素质评价算法[7-9]，该算法在医学生综合素质评价过程中引入大数据技术，通过数据化形式记录并统计医学生综合素质变化过程，并找到医学生综合素质的相关影响因素，同时可基于实时数据汇总判断医学生综合素质需求与需调节的评价内容等[10]。基于这种汇总、分析医学生综合素质中最真实可靠的数据的方式，即可显示出大数据的宏观掌控性能，同时还可详细描述微观数据的分析功能，使医学院校从整体到细节均可更好的把握医学生综合素质变化特点，掌握医学生的培养规律，提升医学教育水平。

2基于大数据的医学生综合素质评价算法

基于大数据的医学生综合素质评价方法主要分为三个环节：（1）利用大数据中的聚类算法确定哪些因素是影响医学生综合素质的主要影响因素，集合这些主要影响因素构建医学生综合素质评价指标体系。（2）根据所构建医学生综合素质评价指标体系内的各指标，采集相关数据，生成医学生综合素质评价的大数据集，对医学生综合素质评价大数据进行融合。（3）选用约束参量分析法，分析融合后医学生综合素质评价大数据的控制变量和解释变量，实现医学生综合素质的大数据评价。2.1聚类算法作为大数据中的主要组成部分，聚类分析算法可理解为是一种非监督模式识别方法[11-13]。聚类分析算法运行过程中，将数据对象分为簇，令每一个簇内部具有较高一致度，并确保簇与簇之间具有较低一致度。聚类算法在分析数据内在规律方面产生关键性影响，聚类过程通过持续确定距离种子点最近均值的方式完成，图1所示为聚类算法流程。聚类算法流程总共分为5个环节：（1）用D表示样本数据集，依照实际需求将样本数据D集划分为k个簇，同时确定k个样本点，分别设定k个样本点值的聚类中心。（2）用表示D内全部样本点，以此确定各样本点同簇中心的距离。（3）基于相关计算方法确定关于的最小距离，该距离值用表示，基于的计算结果将划分到同距离最小的簇内。（4）再次确定各簇的聚类中心距离。（5）确定数据集D内全部点标准差E(t)，并将其同前一次标准差E(t-1)实施对比，若E(t)小于E(t-1)，表示计算过程不收敛，此时需转到（2），相反表示计算过程收敛可结束。依据大数据的聚类算法对所采集的医学生综合素质数据实施聚类处理，构建医学生综合素质评价指标体系，如表1所示。2.2大数据融合根据所构建医学生综合素质评价指标体系内的各指标，采集相关数据，生成医学生综合素质评价的大数据集，对医学生综合素质评价大数据进行融合。2.3基于大数据的评价方法利用约束参量分析方法分析医学生综合素质评价大数据融合后的控制变量与解释参量[13]，以此评价医学生综合素质。

3实例应用

实验为测试本文所研究的基于大数据的医学生综合素质评价方法，选取厦门医学院学生为评价对象，利用本文方法对研究对象医学生综合素质进行评估测试，所得测试结果如下。3.1评价效率测试从大数据融合效率与整体评估效率两方面测试本文方法进行医学生综合素质评价的效率。3.1.1大数据融合效率对比在不同评价指标数据量条件下，本文方法大数据融合效率测试结果如表2所示。分析表2得到，采用本文方法进行医学生综合素质评价过程中，数据融合所需时间随着数据量的提升而提升。在各一级指标数据量达到5000个时，本文方法融合各一级指标数据所需时间均低于900ms。以上数据充分说明利用本文方法能够较快融合各评价指标数据，利于提升医学生综合素质评价的整体效率。3.1.2整体效率测试整体评价效率测试过程中，选择RBF神经网络和层次分析法进行对比测试，选择9个对象作为测试目标，本文方法与对比方法整体评价效率测试结果如图2所示。分析图2得到，三种评价方法中，本文方法评价全部评价对象医学生综合素质所用的时间最少，平均时间在1.3s左右。相较于本文方法，层次分析法的评价过程所花费的时间最长，平均时间在2.0s；RBF神经网络的评价过程所花费的平均时间约为1.9s。同时由图1还可发现，本文方法评价过程中，各评价对象评价过程所花费的时间最为稳定，由此说明相较于对比方法，本文方法在评价效率方面具有绝对性优势。3.2评价结果验证通过对比本文方法评价结果与主观评价结果间的等级相关系数验证本文方法评价结果的可靠性。等级相关系数Cij用于描述一种质量如何被另一种质量所表示的单调函数的指标，其中，D表示主观评价结果与本文方法评价结果间的差异度，N表示客观评价结果。等级相关系数Cij值取值范围为[01]，其值越越接近于1说明本文方法评价结果越准确。表3所示为本文方法对评价对象的评价结果与主管评价方法间等级相关系数计算结果。分析表3得到，采用本文方法对评价对象的素质实施评价，所得评价结果与主观评价结果的等级相关系数均高于0.95，平均等级相关系数达到0.97。与本文方法相比，两种对比方法的平均等级相关系数分别下降0.02和0.01。以上实验结果说明本文方法的评价结果更具可靠性。

4结论

针对当前医学生综合素质评价方法存在的缺陷，以提升医学生综合素质评价结果，提出基于大数据的医学生综合素质评价方法，通过收集医学生综合素质评价的相关数据，采用大数据分析方法对数据实施分析与评价，得到相对准确有效的医学生综合素质评价结果。

作者：杨晓吟 单位：厦门医学院信息中心