机器学习方法在高校大学生就业层次模型中的应用研究开题报告
2022-01-14 21:26:13
全文总字数：2987字
1. 研究目的与意义及国内外研究现状
在如今数字信息化的时代，人们无论在做什么、做了什么都会有相应的数据记录下来。例如微信步数就记录了每个人每天走的步数。在高校也不例外，就比如如今的高校几乎都是用的一卡通，它可以记录每个人的消费记录、消费地点、图书馆借阅记录等等数据。但在学校最为重要的数据还要算是每个人的课程成绩。成绩受方方面面影响，但也影响着方方面面。成绩好的往往能够被用人单位所重视或是能够获得更好的学习机会和培训。随着大数据技术和机器学习算法的普及，人们发现可以通过这些技术来进行数据挖掘，从而分析学生的行为。这些行为数据往往能反映出一个学生的个性、习惯、兴趣、能力等等。随着这些数据的积累，能够更加准确地帮助学生认识自己。本文通过分析以往毕业学生的课程成绩和最后的就业去向，利用机器学习中的回归算法来对毕业生就业进行建模预测。将理论和实际相结合，搭建一个根据学生课程成绩来预测就业走向的系统，从而能够让学校根据分析结果合理安排教学计划；同时学生也能根据自身成绩发现自身的不足从而更有针对性地进行职业规划，明确未来方向，从一定程度上也能缓解毕业生就业难的问题。国内外研究现状
从我国目前大学生的就业教育现状来看，相应的就业体制改革在不断深入，越来越多的高校也意识到应届生就业难的问题，并设置了职业生涯和就业指导等课程，在一定程度上确实对学生的就业观有促进作用，但是从整体来看，还是存在着许多的不足之处：1、就业教育组织机构和队伍不完善。2、就业教育对象单一。3、就业教育内容缺乏。4、就业教育方法手段单一。5、就业教育课程体系不完善。但是从另一个方面来看，国内的这种课程体质从一定程度上也为学生打下了深厚的理论基础，为之后的研究或者就业提供了有力的支持，不然也不会经常能看见中国学生在一些国际竞赛上获得可喜的成绩。
相比国内，国外的教育体制和就业体制更加成熟完善：1、高校设有专门的就业指导机构，队伍素质相对较高。2、国家政府企业三者共同建立完备的就业指导体系。3、就业指导内容丰富，形式多样，可行性高，方法先进。因此，学习西方先进的教育制度和方法体制，并结合中国特色，是当前社会的一个重要目标，而高校教育在整个教育体制中又起到了关键性的作用。相比对学生的培养，更加看重学生的综合素质。学校对学生的校外实践能力非常重视，常常作为升学或者就业的重要指标，有的学校甚至要求必须参加社区活动才能获得学位证书。2. 研究的基本内容
本文是针对研究在校期间的各科成绩是否对大学生以后的就业与升学有影响而言的，通过设计并实现一个以学生成绩为指标生成和分析为主要功能的系统，可以帮助解决毕业生就业困难和方向模糊等问题，它的内容对于我们大学生、教育的决策者与管理者而言来说至关重要，通过分析，教育者可以宏观把控学生未来的发展状况。
通过分析以往毕业学生的课程成绩和最后的就业去向，利用机器学习中的回归算法来对毕业生就业进行建模预测。将理论和实际相结合，搭建一个根据学生课程成绩来预测就业走向的系统，从而能够让学校根据分析结果合理安排教学计划；同时学生也能根据自身成绩发现自身的不足从而更有针对性的进行职业规划，明确未来方向，从一定程度上也能缓解毕业生就业难的问题。3. 实施方案、进度安排及预期效果
（1）数据采集
（2）数据处理
（3）数据分析
4. 参考文献
| [1] 邹治. 高校毕业生失业预警系统研究[D]. 江苏: 南京航空航天大学, 2012: 1-2. [2] 孙怡帆,潘昆峰,孙正阳,等. 大学生毕业去向预测的思路与方法——基于机器学习算法的尝试[J]. 教育学术月刊, 2019, NO.127(1): 25, 34. [3] 曹同艳. 学习成绩对就业培训与学习机会的影响分析[J]. 科教导刊(上旬刊), 2016, No.253(1): 49-50. [4] 孙宇. 中西方大学生就业教育的比较研究[J]. 佳木斯大学社会科学学报, 2011, 29(5): 124-125. [5] 王亚如. 基于决策树算法的大学生就业预测模型及应用研究[D]. 湖北: 华中师范大学, 2018: 51. [6] 李想. 大学生就业的建模与预测研究[J]. 现代电子技术, 2017, 40(21): 109-111, 116. [7] 高璇. 应用自然邻居分类算法的大学生就业预测模型[D]. 重庆: 重庆大学, 2017: 5-6, 43. [8] 高玲,刘艳. 欧美国家职业教育体系构建及比较[J]. 辽宁高职学报, 2014, 16(4): 10-12. [9] Natek Sreko,Zwilling Moti. Student data mining solution–knowledge management system related to highereducation institutions[J]. Expert Systems With Applications, 2014, 41(14):6400-6407. [10] Shahiri Amirah-Mohamed,Husain Wahidah,RashidNur’aini-Abdul. A Review on Predicting Students Performance Using DataMining Techniques[J]. Procedia Computer Science, 2015, 72(16): 414-422. [11] Boselli Roberto,Cesarini Mirko,Mercorio Fabio,等. Classifying online Job Advertisements throughMachine Learning[J]. Future Generation Computer Systems, 2018, 86(23):319-328. [12] Fernandes Eduardo,Holanda Maristela,VictorinoMarcio,等. Educational data mining: Predictive analysis ofacademic performance of public school students in the capital of Brazil[J].Journal of Business Research, 2019, 94(35): 335-343.
|
