基于BP神经网络的大学生就业情况分析-最新教育资料

信息通信INFORMATION&COMMUNICATIONS2020 (Sum.No212)2020年第8期(总第212期)基于深度神经网络的大学生就业情况分析与推荐李昊(郑州轻工业大学，河南郑州450000)摘要：随着高等教育的普及化，高校内大学生数量与日俱增，与此同时大学生的就业情况也备受瞩目。

由于学生数量众多，且个人的就业偏向和特点不同，这对大学辅导员为学生记性就业指导带来了一定的困难。

本文依据现有的机器学习方法,结合现有数据，对大学生就业情况进行了分析并给出推荐结果。

文章首先收集了3000份学生数据,数据包括了个人爱好,学科成绩,就业偏向的样本特征，采用机器学习算法对样本数据集进行仿真分析。

利用机器学习的方法,可以大大提高推荐效率，且实验验证表明，本文设计的模型推荐准确率极高。

关键词：就业;神经元：隐层;深度神经网络中图分类号:TP183文献标识码:A文章编号：1673-1131(2020)08-0196-040引言随着高校招生规模不断扩大，截止2019年，我国高等教育毛入学率超过50%,高等教育从精英教育阶段进入普及化教育阶段叫毕业生就业需求逐年增加回，企业对毕业生的专业技能，综合素质要求越来越高。

以往传统的就业指导模式已经不能适应新的就业供需关系。

如何为毕业生提供个性化、精准化的就业服务，成为高校工作的重点。

数据显示,2019年全国大学毕业生达到834万眄再创新高。

当前世界贸易保护愈演愈烈，经济增长处在新旧动能替换中，这些因素叠加使我国经济存在较大下行压力。

与此同收稿日期：2020-07-0]作者简介:李昊(1990-),男,河南郑州人，硕士研究生，助教，研究方向:模式识别。

性和可靠性叫依托统一的校务管理平台共享各部门间的数据,密切各部门间、师生、教师之间的信息沟通，也能够让职业院校的领导获得更多有价值的信息，并科学的分析,为决策管理提供科学的参考。

总之要积极开发管理职业院校的信息资源,并建立完善的、规范化的信息化标准与评估体系，为信息化建设的顺利推进打下良好的基础。

毕业生就业形势的神经网络预测模型背景由于全球性的经济危机，大规模的社会裁员也成为必然的趋势，而每年的大学生毕业也在的不断增加，大学生的就业情况也越来越为人关注。

如果我们能建立一个能预测大学生就业情况的数学模型，那将高中毕业生在选择专业时有很大的帮助；不仅如此，它还对大一刚入学的新生在从高中到大学过度上有指导作用；同时也更方便了大学就业指导中心的老师对未来几年就业形式的把握和了解。

正是基于这一情况建立了该BP 神经网络模型。

它的建立是根据往年的就业信息，在影响就业的因素和就业情况之间建立了一个映射关系。

通过这个映射关系将影响就业的因素作为该网络的输入，按已知道的就业情况作为输出，再通过已知数据对该网络进行训练。

这个训练好的网络便可以用来实现其预测作用。

网络输出（工作签约情况）Y1 :容易找到好的工作，即输出0；Y2 :不太容易找到工作，则输出1网络输入（影响就业指标）X1: 专业热门程度；（最高值0.00即为最热门就业专业，以下以此类推）X1: 专业就业热度；输入值越接近0表示近期专业越热，以下类推X3: 学习成绩；X4: 其它能力数据按照以上评定标准，根据往年毕业学生的资料得到了以下数据，如表0（资料来源：辽宁工程技术就业指导中心）。

毕业生资料数据人员序号 X1 X2 X3 X4 期望输出（Y）0 0.00 0.60 0.71 0.50 00 0.70 0.70 0.80 0.50 01 0.00 0.90 0.88 0.80 11 0.50 0.60 0.67 0.70 15 0.70 0.50 0.70 0.60 06 0.80 0.10 0.61 0.60 07 0.00 0.60 0.87 0.70 18 0.80 0.10 0.67 0.50 09 0.80 0.00 0.70 0.50 000 0.10 0.70 0.79 0.70 100 0.70 0.10 0.70 0.60 000 0.00 0.00 0.60 0.50 001 0.60 0.70 0.80 0.50 001 0.00 0.90 0.80 0.90 005 0.10 0.00 0.68 0.60 106 0.10 0.00 0.60 0.70 107 0.00 0.80 0.80 0.70 108 0.00 0.10 0.61 0.50 109 0.00 0.80 0.77 0.80 100 0.00 0.90 0.90 0.90 000 0.60 0.50 0.69 0.50 000 0.60 0.70 0.71 0.70 001 0.50 0.00 0.60 0.50 101 0.70 0.00 0.70 0.60 005 0.00 0.80 0.90 0.60 106 0.90 0.00 0.70 0.50 007 0.90 0.10 0.81 0.50 008 0.50 0.80 0.87 0.70 009 0.00 0.70 0.80 0.70 010 0.50 0.50 0.79 0.60 110 0.10 0.10 0.65 0.50 110 0.00 0.50 0.87 0.70 011 0.70 0.90 0.90 0.80 011 0.00 0.10 0.61 0.50 115 0.00 0.10 0.60 0.50 116 0.00 0.10 0.60 0.50 117 0.60 0.60 0.61 0.50 ？18 0.10 0.10 0.60 0.50 ？19 0.90 0.60 0.88 0.70 ？10 0.60 0.70 0.89 0.80 ？（其中最后四位学生输出未定）数据导入：将以上数据导入至DPS数据处理系统软件选择其他菜单中的“BP神经网络模型”分别设置分析参数点击确认，得到拟合残差分析以下为计算结果分析（续）从结果分析可以看出，最终四个结果分别趋近 1 ，1 ，0 ，0 ，表示这四名毕业生中，前两位较难找到工作，而后两位的就业则不成问题，即通过BP 神经网络实现对大学生的就业情况进行了预测，并取得了很好的预测结果，说明了该理论有很好的预测作用。

基于PCABP神经网络的就业人口预测作者：唐贤芳刘小刚崔岩来源：《微型电脑应用》2019年第07期摘要：针对就业人口数据的非线性、高维度的特点，采用主成分分析与BP神经网络相结合的方法，建立了就业人口PCABP预测模型，并借助20052017年全国就业人口及影响就业相关因子的数据进行实证分析。

结果表明训练的模型能有效的反映就业人口的变化趋势，预测精度高于仅用BP神经网络构建的预测模型。

最后将20152016年的数据代入训练好的PCABP神经网络模型中，预测出20182019年的就业人口数。

关键词：就业人口预测; 主成分分析; BP神经网络中图分类号： TG409文献标志码： APrediction of Employment Population Based on PCABP Neural NetworkTANG Xianfang1， LIU Xiaogang2， CUI Yang1（1.College of Information Engineering， Northwestern Polytechnical University Ming De College，Xi’an 710124;2.College of Science， Xi Jing University，Xi’an 710123）Abstract： A PCABP prediction model for employed population was developed based on principal component analysis and BP neural network， followed by analyzing the employed population using the data of employment population and related factors affecting employment in 20052017. The results show that the model can effectively reflect the variation tendency of employed population and the prediction accuracy is higher than that of model only based on BP neural network. Finally， the data of 20152016 are substituted into the trained PCABP model to predict the employment population of 20182019.Key words： Employment population prediction; Principal component analysis; BP neural network0引言中国是一个人口大国，就业问题与国家经济持续、健康发展，和谐社会的建设，民生的改善都息息相关。

基于改进BP神经网络的学生职业素质能力评价模型目录一、内容概要 (2)1. 研究背景 (2)2. 研究意义 (3)3. 研究目标与内容 (4)二、相关理论与技术概述 (5)1. BP神经网络理论 (6)1.1 神经网络基本原理 (7)1.2 BP神经网络结构及工作原理 (8)2. 改进BP神经网络方法 (9)2.1 网络结构改进 (10)2.2 算法优化策略 (11)三、学生职业素质能力评价指标体系构建 (12)1. 评价指标选取原则 (13)2. 评价指标体系框架 (14)2.1 职业知识 (16)2.2 职业技能 (17)2.3 职业素养 (18)2.4 职业心理素质 (19)四、改进BP神经网络模型设计 (20)1. 网络结构设计 (21)2. 激活函数与权重初始化 (22)3. 网络训练与优化算法设计 (24)五、实证分析 (25)1. 数据收集与处理 (27)2. 模型训练与验证 (28)3. 模型性能评估 (29)4. 结果分析与应用 (30)六、结论与展望 (31)1. 研究总结 (32)2. 研究不足与局限 (33)3. 未来研究方向 (34)一、内容概要本论文旨在构建一个基于改进BP神经网络的学生职业素质能力评价模型，以实现对大学生职业素质能力的准确、客观和全面的评估。

论文介绍了研究背景和意义，强调了在当前社会背景下，对学生职业素质能力的评价需求日益增强，而传统评价方法存在局限性。

论文阐述了研究方法和步骤，包括对现有评价方法的改进和BP 神经网络模型的构建。

具体包括数据收集与处理、指标体系构建、模型构建与训练、模型应用与验证等。

在模型构建与训练部分，论文采用了改进的BP神经网络算法，通过引入遗传算法优化网络权重和结构，提高了网络的预测精度和泛化能力。

论文通过实验验证了模型的有效性和实用性，并分析了结果。

实验结果表明，改进的BP神经网络模型能够有效地评价学生的职业素质能力，并为高校提供有针对性的职业指导和服务。

［收稿时间］2023-02-04［基金项目］全国教育科学规划课题“新型职业农民培养机制创新研究”（BIA180215）。

［作者简介］王丽萍（1965—），女，湖南人，硕士，研究员，研究方向为人力资源管理。

May ，2023University Education大学生是农村现代化建设的重要人力资本，投身农村基层是大学毕业生未来就业的重要方向。

从农村基层就业的相关研究[1-4]来看，大学毕业生就业质量从两个方面进行评价：一是就业者的预期，主要包括工作报酬、工作氛围以及工作环境等方面的预期；二是就业岗位与就业者的适配程度，即就业者的能力水平是否可以满足岗位的需要[5]。

研究表明：工资、工作条件、工作保障、生活与工作的兼顾能力、培训发展机会[6]、工作满意度[7]、福利待遇、晋升空间[5]、薪酬水平、专业与工作的匹配度、工作稳定性、工作发展前景等[8]是影响大学毕业生就业质量的重要指标。

目前，大学毕业生就业质量缺乏较为完善的评价体系，因此，构建大学毕业生农村基层就业质量的评价指标体系，评估大学毕业生到农村基层就业的质量状况，分析大学毕业生到农村基层就业的影响因素，对引导大学生扎根基层就业具有重要的意义。

一、大学生农村基层就业质量评价（一）评价指标体系构建评估大学毕业生基层就业质量，既要考虑客观的就业情况，还要兼顾大学毕业生的个人感受，即研究的指标不仅应包括薪酬水平、福利保障、工作条件等指标，还应包括工作满意度、自我实现、晋升空间、专业对口程度以及工作环境等能够反映个人感受的指标[9]。

笔者通过查阅参考文献梳理了大学毕业生的就业质量指标，并选取了高频出现的指标作为大学毕业生在农村基层就业质量的评价指标。

结合大学毕业生的实际情况，最终选取薪酬福利、就业满意度、能岗匹配度、及人际关系等四个维度，16个评价指标共同构成了评价指标体系，然后设计问卷进行预调研。

预调研问卷50份，回收率100%，调查对象为高校就业指导老师、人力资源咨询企业负责人。

基于BP神经网络的就业影响预测模型摘要在金融危机正在肆虐全球的今天，面对着巨大的经济动荡，就业问题已经成为了全国面临和关注的一个焦点。

在就业问题日益严重的今天，而怎样找出对其造成重要影响的因素以及如何积极地采取有效措施来应对就业问题就尤其重要了。

本文根据ＢＰ神经网络的基本原理，利用三层BP 网络，建立了输入变量是总人口数，农业总产值以及固定资产投入；输出变量是就业人数以及就业人数占总人数的比例的ＢＰ网络模型。

详细介绍模型的建立过程，对仿真和预测做了详细介绍，进行误差分析以及对模型优缺点的讨论，定量的分析了未来几年的就业发展趋势！从而，根据分析，定性的有针对性的提出关于就业问题的建议！【关键词】 BP 网络金融危机就业影响预测误差分析指导建议一、问题提出金融危机正在肆虐全球，全球面对巨大的经济动荡，企业裁员，大量人员失业的趋势已成定局。

中国的人才市场就业压力日益严峻，而应届毕业生数量又创新高，大学生的就业将遭遇多方面的挑战和压力，他们在就业过程中将不得不面对残酷的现实。

本文通过历年的相关数据建立就业影响的预测模型问题一就业受各种因素影响,在此我们将所有因素及就业人口的数据用MATLAB绘图（图1-1）,初步观察变化趋势后再做进一步判断。

数据来源于中国统计局，详细数据见附录1，源程序见附录2观察图形，容易得到国民收入、工业产值和农业总产值线性相关；总人口与就业人口线性相关；固定资产投入与其他因素无明显线性相关。

因此，判断国民收入、工业产值、农业总产值为同类相关因素。

接下来，我们MATLAB做最小二乘拟合，分别做一次拟合和二次拟合（如图1-2，1-3），并计算拟合精度即误差平方和Q。

精确度结果：因此可以判断出就业人口数与总人口数、农业总产值和固定资产投入最为有关。

问题二二、问题分析我国就业形势与很多因素有关，要建立就业影响预测模型，必须结合国家各个发展指标。

一个好的模型不能能够反应就业形势与各方面因素的关系，而且还能有效预测将来一段时间内的就业形势。

bp神经网络第一篇：BP神经网络的基本原理BP神经网络是一种最为经典的人工神经网络之一，它在模拟神经元之间的信息传输和处理过程上有很高的效率，可以被应用于多种领域，如图像处理、模式识别、预测分析等。

BP神经网络的核心思想是通过将神经元之间的权值调整来达到优化网络结构的目的，从而提高网络的准确率和泛化能力。

BP神经网络包含三个基本部分：输入层、隐层和输出层。

其中，输入层用于接收原始数据，隐层是神经元之间信号处理的地方，而输出层则用于输出最终的结果。

与其他的神经网络不同，BP神经网络使用了反向传播算法来调整神经元之间的权值。

这个算法是一种基于梯度下降的优化方法，通过最小化目标函数来优化权值，从而获得最小的误差。

具体来说，反向传播算法分为两个步骤：前向传播和反向传播。

前向传播是指从输入层开始，将数据经过神经元的传递和处理，一直到输出层，在这个过程中会计算每一层的输出值。

这一步完成后，就会得到预测值和实际值之间的误差。

接着，反向传播将会计算每个神经元的误差，并将误差通过链式法则向后传播，以更新每个神经元的权值。

这一步也被称为误差反向传播，它通过计算每个神经元对误差的贡献来更新神经元之间的权值。

总的来说，BP神经网络的优点在于其具有灵活性和较高的准确率。

但同时也存在着过拟合和运算时间过长等问题，因此在实际应用中需要根据实际情况加以取舍。

第二篇：BP神经网络的应用BP神经网络作为一种人工智能算法，其应用范围非常广泛。

以下是BP神经网络在不同领域的应用案例。

1. 图像处理BP神经网络在图像处理方面的应用主要有两个方面：图像分类和图像增强。

在图像分类方面，BP神经网络可以通过对不同特征之间的关系进行学习，从而对图像进行分类。

在图像增强方面，BP神经网络可以根据图像的特征进行修复和增强，从而提高图像的质量。

2. 股票预测BP神经网络可以通过对历史数据的学习来预测未来股市趋势和股票价格变化，对投资者提供参考依据。

3. 语音识别BP神经网络可以对人声进行测量和分析，从而识别出人说的话，实现语音识别的功能。

BP神经网络的研究分析及改进应用一、本文概述本文旨在对BP（反向传播）神经网络进行深入的研究分析，并探讨其在实际应用中的改进策略。

BP神经网络作为领域的重要分支，已经在模式识别、预测分析、自适应控制等多个领域展现出强大的应用潜力。

然而，随着数据规模的扩大和应用场景的复杂化，传统的BP 神经网络也暴露出诸如训练速度慢、易陷入局部最优解、泛化能力弱等问题。

因此，本文希望通过理论分析和实证研究，提出针对性的改进方法，以提升BP神经网络的性能，进一步拓展其应用范围。

本文将首先回顾BP神经网络的基本原理和发展历程，分析其在现有应用中的优势和局限。

接着，从算法优化、网络结构设计和硬件加速等方面探讨改进BP神经网络的途径。

算法优化方面，将研究如何结合现代优化理论，如遗传算法、粒子群优化等，改进BP神经网络的权值更新规则和训练策略。

网络结构设计方面，将探讨如何通过增加隐藏层、调整神经元连接方式等方式提升网络的复杂度和表达能力。

硬件加速方面，将研究如何利用专用硬件（如神经网络处理器、图形处理器等）提高BP神经网络的训练速度和推理效率。

本文将通过具体的应用案例，验证所提出改进方法的有效性。

这些案例将涵盖不同领域的数据集，旨在全面评估改进BP神经网络在不同场景下的表现。

通过本文的研究，我们期望能够为BP神经网络的发展和应用提供新的思路和方法，推动其在领域的更广泛应用。

二、BP神经网络的基本原理BP神经网络，即反向传播神经网络，是一种基于误差反向传播算法的多层前馈网络。

它的基本原理主要包括两个过程：前向传播和反向传播。

前向传播过程中，输入信号从输入层开始，通过隐藏层，最终到达输出层。

在每一层，每个神经元的输出都是其输入与权重的加权和，再经过激活函数的转换得到。

这个过程主要是将输入的信息逐层传递，直到得到网络的输出结果。

然而，由于网络初始权重的随机性，初次前向传播得到的结果往往与实际期望的输出存在误差。

这时就需要进行反向传播过程。

第３７卷第３期２０２３年５月兰州文理学院学报(自然科学版)J o u r n a l o fL a n z h o uU n i v e r s i t y ofA r t s a n dS c i e n c e (N a t u r a l S c i e n c e s )V o l ．３７N o ．３M a y ２０２３收稿日期:２０２２Ｇ１０Ｇ０２基金项目:２０２２年度国家级大学生创新创业训练计划项目(２０２２１０５３１０３２);湖南省普通高等学校教学改革研究项目(HN J G ２０２００５６９)通信作者:李洪毅(１９７８Ｇ),女,湖南沅陵人,教授,博士,硕士生导师,研究方向:数理统计与应用统计．E Ｇm a i l:８４９３９３６５４＠q q．c o m．㊀㊀文章编号:２０９５Ｇ６９９１(２０２３)０３Ｇ００２７Ｇ０８基于灰色关联与B P 神经网络的大学生内卷成因及影响的统计分析以长沙市高校为例柳雅婧,陈明新,李洪毅(吉首大学数学与统计学院,湖南吉首４１６０００)摘要:随着高等教育的飞速发展,高校学生之间的非理性竞争现象日益激烈,内卷现象也伴随着激烈的竞争应运而生,对大学生内卷成因及影响的研究对帮助大学生走出内卷的思想漩涡与意识困境有着重要意义．本研究以长沙市的高校大学生为研究对象,选取亲友期望㊁自我要求㊁环境影响㊁有限资源等１６个大学生内卷的成因指标,借助因子分析对成因进行降维,并利用灰色关联获得大学生内卷的显著成因,最后运用B P 神经网络从个人㊁学校和社会３个层面对大学生内卷所造成的影响进行综合评价．所获得的分析结果,为高校相关部门进行心理教育和学风㊁考风建设提供借鉴和指导．关键词:B P 神经网络;灰色关联;因子分析;内卷中图分类号:O ２１３㊀㊀㊀文献标志码:AS t a t i s t i c a lA n a l ys i s o fC a u s e a n dE f f e c t o f I n v o l u t i o no f C o l l e g e S t u d e n t sB a s e do nG r e y Co r r e l a t i o na n dB PN e u r a lN e t w o r k T a k i n g U n i v e r s i t i e s i nC h a n g s h a a s a nE x a m pl e L I UY a Ｇj i n g ,C H E N M i n g Ｇx i n ,L IH o n g Ｇyi (C o l l e g e o fM a t h e m a t i c s a n dS t a t i s t i c s ,J i s h o uU n i v e r s i t y,J i s h o u４１６０００,H u n a n ,C h i n a )A b s t r a c t :W i t ht h er a p i dd e v e l o p m e n to fh i g h e re d u c a t i o n ,t h e i r r a t i o n a l c o m p e t i t i o na m o n gc o l l e g e s t ude n t sh a sb e c o m ei n c r e a s i n g l yf i e r c e ,a n dt h e p h e n o m e n o no f i n v o l u t i o nh a se Ｇm e rg e da l o n g w i th t h e fi e r c e c o m pe t i t i o n ．T h e r e s e a r c ho n t h e c a u s e s a n d ef f e c t s o f i n v o l u t i o n i s o fg r e a t s i g n i f i c a n c e t oh e l p c o l l e g e s t u d e n t s g e t o u t o f t h ei d e o l o gi c a l v o r t e x a n d c o n s c i o u s Ｇn e s sd i l e mm a o f i n v o l u t i o n ．I n t h i s s t u d y ,c o l l e g e s t u d e n t s i nC h a n g s h a a r e s e l e c t e d a s t h e r e Ｇs e a r c ho b j e c t s ,a n d１６f a c t o r s i n c l u d i n g r e l a t i v e s e x p e c t a t i o n s ,s e l f Ｇr e qu i r e m e n t s ,e n v i r o n Ｇm e n t a l i m p a c t a n d l i m i t e d r e s o u r c e s a r e s e l e c t e d t o r e d u c e t h e d i m e n s i o n s o f t h e f a c t o r s ,a n d g r e y c o r r e l a t i o n i s u s e d t o o b t a i n t h e s i g n i f i c a n t c a u s e s o f c o l l e g e s t u d e n t i n v o l u t i o n ,f i n a l l y ,B Pn e u r a l n e t w o r k i s u s e d t o c o m p r e h e n s i v e l y e v a l u a t e t h e i n f l u e n c e o f c o l l e g e s t u d e n t s i n v o Ｇl u t i o n f r o mt h e t h r e e l e v e l so f i n d i v i d u a l ,s c h o o l a n ds o c i e t y ．T h e r e s u l t s c a n p r o v i d e r e f e r Ｇe n c e a n d g u i d a n c e f o r r e l e v a n t d e p a r t m e n t s i n c o l l e g e s a n d u n i v e r s i t i e s t o c a r r y o u t p s y c h o l o gＧi c a l e d u c a t i o na n d t h e c o n s t r u c t i o no f s t u d y s t y l e a n d e x a m i n a t i o n s t yl e ．K e y w o r d s :B Pn e u r a l n e t w o r k ;g r e y c o r r e l a t i o n ;f a c t o r a n a l y s i s ;i n v o l u t i o n ㊀㊀近年来,我国教育内卷现象引起人们广泛关注,尤其是高校内卷最为严重,内卷几乎渗透到高校学生的各个方面．对于大学生而言,无序和盲目的竞争只会给自身带来压力和迷茫,扼杀主观能动性和创新能力,造成心理上的巨大负担．因此,对大学生内卷成因及影响的研究无论是对教育行业的发展,还是对大学生缓解或摆脱内卷困境都具有重要意义．关于大学生内卷成因及影响,许多学者从不同角度㊁不同方法进行了研究．王斯腾等[１]采用访谈法,以高校学生为研究对象对内卷的成因进行了剖析,得到内卷成因有迷失自己的发展道路等;郭艳玲[２]通过语句分析挖掘出大学生内卷的深层原因,包括父母对子女的期望㊁高校单一评价体系等;尉峰等[３]在新冠疫情的背景下提出大学生内卷的成因有自我认同的降低㊁压力加大等;杨绮瑕㊁徐明生[４]指出内卷会导致时间和精力的浪费㊁人格自由的丧失㊁价值观的扭曲㊁生命意义的模糊;戴子涵[５]认为内卷不仅会增加家庭对儿女的教育投入成本,还会使大学生无法得到充分的发展．综上,已有的研究主要是针对内卷的定性研究,特别是对于内卷造成的影响．本文主要从定量的角度研究大学生内卷的成因及其造成的影响．长沙市作为湖南省的省会城市,共有５８所高校,双一流高校㊁普通一本㊁二本㊁专科等各个层次均包含在内,覆盖面广泛,能更大程度地保证样本选取的科学性㊁代表性以及调查研究的可信度．1㊀数据来源与研究方法1.1㊀数据来源本文选取长沙市５８所高校的所有大学生作为调查对象,运用分层抽样与三阶段不等概率抽样两种抽样方法,以减少抽样误差,同时保证研究的可信度和科学性．在本次调查过程中,发放问卷总计１１５０份,其中有效问卷１０４３份,有效率达９０．７０％．1.2㊀研究方法１．２．１㊀灰色关联度分析灰色关联分析是衡量因素与因素之间相关程度的方法,且灰色关联分析将因素之间发展趋势相近或相反的程度作为衡量标准．其基本思路是:通过对因素权重组的几何形状的接近度对比,确定其相似性,各因素之间的发展趋势相似程度越高,相关性越强．基本步骤如下:(１)确定比较数列和参考数列设n个比较数列如下:Z i＝{Z i(k)|k＝１,２, ,m},i＝１,２, ,n,其中:Z i(k)表示第i个评价对象关于第k个指标变量x k的取值;n为评价对象的个数;m为评价指标的个数．参考数列为Z０＝{Z０(k)|k＝１,２, ,m},一般取Z０(k)＝m a x１ɤiɤn{Z i(k)},即参考数列相当于一个虚拟的最好评价对象的各指标值．(２)对比较数列与参考数列进行无量纲化处理本文通过对比较数列和参考数列进行极差变换,消除数据单位和量纲对分析结果的影响,从而达到数据无量纲化的目的,其中极差均值的变换公式为Z i(k)ᶄ＝Z i(k)－m i n Z i(k)m a x Z i(k)－m i n Z i(k),(i＝１,２, ,n,k＝１,２, ,m)．(３)计算每一个比较数列与参考数列的灰色关联系数ξi(k)＝[m i n１ɤiɤn m i n１ɤkɤm Z０(k)－Z i(k)ᶄ＋ηm a x１ɤiɤnm a x１ɤkɤmZ０(k)－Z i(k)ᶄ]/[Z０(k)－Z i(k)ᶄ＋ηm a x１ɤiɤnm a x１ɤkɤmZ０(k)－Z i(k)ᶄ],其中,η表示分辨率系数,取值范围为(０,１),一般取η＝０．５．(４)计算每一个比较数列与参考数列的关联度g＝１nðn i＝１ξi(k),其中,g为关联度,其取值范围为(０,１)．g越接近１,表示该子序列与母序列的相关性越高,否则说明该子序列与母序列的关联度越低．１．２．２㊀B P神经网络的综合评价模型B P(b a c k p r o p a g a t i o n)神经网络是当今最常用的神经网络之一．B P神经网络是由输入层㊁隐含层和输出层三个层次组成的,在运行过程时会发生正向传播和反向传播两个过程,无需基于描述输入 输出模式映射关系函数的前提下,学习和保存大量的输入 输出模式映射关系．它的学习是根据已获得的数据自动归纳规则,以得到这些数据的潜在规律,并通过反向传播,借助梯８２㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀兰州文理学院学报(自然科学版)㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第３７卷度下降法来不断调整网络的权值和阈值,从而使网络的误差平方和达到可接受范围．B P 神经网络结构图如图１所示．图１㊀B P 神经网络结构图图１中y 表示神经网络的输出向量,x １,x ２,,x n 表示神经网络的输入向量．输入层节点数取决于样本的属性个数．2㊀大学生内卷成因分析2.1㊀成因指标选取为探究大学生内卷现状的成因,本文通过查阅相关文献,选取了亲友期望㊁自我要求㊁环境影响㊁有限资源㊁就业压力等作为大学生内卷的成因指标,具体指标体系如表１所列．表１㊀大学生内卷的成因指标成因指标符号说明亲友期望X １自我要求X ２环境影响X ３有限资源X ４就业压力X ５盲目跟风X ６提升自己X ７自我怀疑X ８贩卖焦虑X ９发展前景X １０荣誉和面子X １１经济发展水平X １２学业评价标准X １３2.2㊀大学生内卷成因的因子分析２．２．１㊀因子分析的可行性检验在因子分析之前[６],先进行可行性检验,利用S P S S 软件得到KMO 的值为０．９７９,B a r t l e t t 的值为８８６８．７３０,自由度为７８,p 的值为０．０００,说明数据具有很强的相关性,适合做因子分析．２．２．２㊀公因子的提取公因子解释原始变量的能力见表２．表２㊀总方差的解释成分初始特征值合计方差的％累积％提取载荷平方和合计方差的％累积％１３．０１０３１．６１７３１．６１７３．０１０３１．６１７３１．６１７２２．５４１２９．１６２６０．７７９２．５４１２９．１６２６０．７７９３１．４７５１３．６５２７４．４３１１．４７５１３．６５２７４．４３１４１．４５４１３．４８９８７．９２０１．４５４１３．４８９８７．９２０５０．９４７２．４３６９０．３５６６０．８２７２．２８１９２．６３７７０．６２１２．２４２９４．８７９８０．４０４２．１１１９６．９９０９０．３８９０．９９２９７．９８２１００．３８００．９２０９８．９０２１１０．３６７０．８２４９９．７２６１２０．３５４０．２３６９９．９６２１３０．３３２０．０３８１００．０００㊀㊀从表２可以看出前４个公因子总的方差贡献率为８７．９２％,基本提取了样本所包含的信息．故本文提取４个公因子来分析大学生内卷成因是合适的．２．２．３㊀因子载荷矩阵的计算为了便于解释公因子的实际意义,对因子载９２第３期柳雅婧等:基于灰色关联与B P 神经网络的大学生内卷成因及影响的统计分析荷矩阵进行方差最大化正交旋转,结果如表３所列．表３㊀大学生内卷成因的旋转正交因子表指标因子载荷权重１２３４命名经济发展水平(X１２)０．３４２０．０９５０．０１９０．１２４亲友期望(X１)０．２９８０．１３１０．１６００．２４０提升自己(X７)０．２７８０．３０３０．０７００．０１６荣誉和面子(X１１)０．２４６０．２４８０．０４００．２７１自我怀疑(X８)０．２１１０．４３９０．１６４０．０１８个人驱动因子F１盲目跟风(X６)０．０８１０．８１００．０３２０．１２２心理驱动因子F２学业评价标准(X１３)０．０６５０．１２１０．３７４０．０２２就业压力(X５)０．０５００．２５７０．３２２０．１８３发展前景(X１０)０．０４２０．１９１０．２９４０．３８５自我要求(X２)０．０１４０．０４５０．２８９０．０８３社会驱动因子F３环境影响(X３)０．０５００．１７００．０２５０．８２０贩卖焦虑(X９)０．０２４０．３４１０．０５７０．３７１有限资源(X４)０．００２０．１２９０．０９５０．２０２环境驱动因子F４㊀㊀从表３可以看出,第一公因子主要由X１, X７,X８,X１１,X１２五个指标决定,它们主要代表个人行为,可命名为个人驱动因子F１．类似地,描述大学生内卷成因的其他３个公因子可命名为:心理驱动因子F２㊁社会驱动因子F３和环境驱动因子F４．２．２．４㊀公因子和原始变量的解析关系在确定了初始的因子载荷矩阵之后,由于初始公共因子不一定相互独立,所以需要通过因子旋转的方法,得到４个公因子关于原始变量的线性表达式为F１＝０．２９８X１＋０．０１４X２－０．０５０X３－０．００２X４－０．０５０X５－０．０８１X６＋０．２７８X７＋０．２１１X８－０．０２４X９＋０．０４２X１０＋０．２４６X１１＋０．３４２X１２－０．０６５X１３,F２＝０．１３１X１－０．０４５X２－０．１７０X３＋０．１２９X４－０．２５７X５＋０．８１０X６－０．３０３X７＋０．４３９X８＋０．３４１X９＋０．１９１X１０－０．２４８X１１－０．０９５X１２－０．１２１X１３,F３＝－０．０１６X１＋０．２８９X２－０．０２５X３＋０．０９５X４＋０．３２２X５＋０．０３２X６＋０．０７０X７－０．１６４X８－０．０５７X９＋０．２９４X１０－０．０４０X１１－０．０１９X１２＋０．３７４X１３,F４＝０．２４０X１＋０．０８３X２－０．８２０X３－０．２０２X４－０．１８３X５＋０．１２２X６－０．０１６X７＋０．０１８X８－０．３７１X９＋０．３８５X１０－０．２７１X１１＋０．１２４X１２＋０．０２２X１３．2.3㊀大学生内卷成因的灰色关联度分析从因子分析可知,大学生内卷的成因可以概括为４个方面:个人驱动㊁心理驱动㊁社会驱动㊁环境驱动．接下来运用因子分析得出公因子得分,进一步使用灰色关联度分析,得到大学生内卷的显著成因．为了进一步研究大学生内卷情况,将F１㊁F２㊁F３㊁F４数据列作为比较列,内卷程度为参考列．利用MA T L A B得到各公因子与总体内卷程度间的关联度,其排序如表４所列．表４㊀各形成因子与总体的内卷程度的关联度表指标个人驱动心理驱动社会驱动环境驱动关联度０．６３６５０．７６３９０．６８３４０．７２００排序４１３２由表４可看出,F１㊁F２㊁F３㊁F４这４个公因子与内卷的关联度都比较大,其中,心理驱动因子F１与内卷的关联度最高,为０．７６３９,说明大学生内卷最显著的成因是心理驱动因子．心理驱动因子所对应的成因指标为盲目跟风,这也意味着大学生盲目跟风的心理是造成内卷最主要的原因,通过心理辅导来减少内卷的内心驱动,能有效地０３㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀兰州文理学院学报(自然科学版)㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第３７卷降低大学生的内卷程度．其次是环境驱动因子F２与总体内卷程度的关联度,为０．７２００,环境驱动因子所对应的成因指标为环境影响㊁贩卖焦虑和有限资源环境㊁焦虑及有限资源都是大学生内卷的重要因素．由此可见,一个良好的校园氛围和环境是不可或缺的,高校大学生在良好的氛围和环境下将会减少内卷,总体的内卷程度能够得到降低．3㊀大学生内卷的影响分析3.1㊀大学生内卷影响评价指标体系的建立在大学生内卷造成影响的调查中,通过查阅相关文献,基于已有的研究,从个人㊁学校和社会３个层面选取了１５个指标,分别是职业规划㊁自信心㊁激励学习㊁人际交往㊁紧张感㊁课程投入时间㊁人格缺陷㊁学风建设㊁学习氛围㊁科研成果㊁育人质量㊁经济发展㊁幸福度．为了便于评价,将这些指标大致分为以下３个模块．(１)个人层面:职业规划㊁自信心㊁激励学习㊁人际交往㊁紧张感㊁课程投入时间㊁人格缺陷．这些主要是对大学生主观内在心理的评估,能够初步判断内卷行为在心理方面的影响．(２)学校层面:学风建设㊁学习氛围㊁科研成果㊁育人质量．这些指标主要是在学校整体水平方面的评估,构成大学生内卷行为对学校方面的影响．(３)社会层面:经济发展㊁幸福度．这些指标反映大学生内卷对社会中影响的把握．综上,本文建立的大学生内卷影响的评价指标体系如表５所列．3.2㊀构建BP神经网络大学生内卷影响的评价模型㊀㊀B P神经网络一般由３个部分组成,分别是输入层㊁隐含层㊁输出层,各层之间实行全连接．隐含层层数随着实际需要的变化而变化,可以是一层或者多层．在本文大学生内卷影响的评价模型中,选择隐含层为１层[７]．基于上述所构建的大学生内卷影响评价指标体系中可以看出,共有１５个二级评价指标．因此,输入层的神经元数目l＝１５．网络输出仅为大学生内卷影响评价结果,故输出层神经元数目为n＝１．隐含层神经元数目的计算方法一直是许多学者所关注的问题,若隐含层神经元数目过少,可能训练不出网络;隐含层神表５㊀大学生内卷影响评价指标体系一级指标二级指标个人层面指标职业规划(I１)自信心(I２)激励学习(I３)人际交往(I４)紧张感(I５)课程投入时间(I６)人格缺陷(I７)身心健康(I８)原有节奏(I９)学校层面指标学风建设(I１０)学习氛围(I１１)科研成果(I１２)育人质量(I１３)社会层面指标经济发展(I１４)幸福度(I１５)经元数目过多,会导致网络训练时间过长．根据K o l m o g o r v e经验公式,可选择隐含层神经元数目,其公式如下:p＝n＋q＋a,其中:q为输入层神经元数目;p为隐含层神经元数目;n为输入层神经元数目;a为０~１０的随机整数．通过计算知当a＝９时,均方误差最小,此时隐含层神经元个数p＝１３．计算出的遍历结果如表６所列．在神经网络模型建立后,需要选择已知的样本数据对神经网络进行训练．若所选取样本的数据值差异过大,则无法直接进行比对．所以,必须先进行样本数据初始化,该方法的基本原理是尽可能多地增加样本数,但也要考虑到网络规模,选择适当的样本数,太大或太小都会造成不精确的结果．本文选取１０个样本作为B P神经网络的训练样本．通过训练发现,在训练数e p o c h＝３的情况下,该训练集的均方误差为０．００１７０１６,达到最小,此时训练集的均方误差为０．００１,模型训练曲线如图２所示．将该方法的训练结果与实际数据进行了比较,得到了如图３所示训练集的回归参数．由图３可知,拟合系数R值为０．９９８４１,非常接近１,说明模型的拟合效果较好,预测值与真实值的误差仅为０．００１５９．１３第３期柳雅婧等:基于灰色关联与B P神经网络的大学生内卷成因及影响的统计分析表６㊀a 值遍历表a 值４５６７８９１０１１１２１３１４相关性０．９８２００．９８９５０．９９８８０．９９９２０．９９９５０．９９９９０．９９８７０．９９９００．９９９４０．９９９８０．９９７２M S E０．０３０６０．０１９００．００１２０．００２００．０００５０．００２００．００１８０．００２４０．００１００．０００４０．００５３图２㊀模型训练曲线㊀图３㊀训练集回归参数㊀㊀综上,B P 神经网络评价模型是合理的,因此本文将通过最终训练好的模型来对大学生内卷造成的影响进行评价．通过对样本数据集进行训练,得出了训练结果,如表７㊁表８所列．表７㊀输入层与隐含层之间的权值隐含层单元输入层单元１２３４５６７８９１０１０．３５４－０．２１１－０．４１２０．７０１０．７２２０．４５００．５２９０．０２４０．２８４０．０７６２０．２２５－０．０６３０．７３３－０．３５６－０．０９０－０．７７２０．０２４９－０．３１７０．７５５０．４８０３０．０４６０．５４４－０．１７７０．２２７－０．７２９－０．１１８０．８２４－０．５２２－０．２１７－０．０８６４０．４７９－０．３９６－０．５６２０．１０４０．４５４０．６４８０．４４７０．７０９－０．４８７０．３９９５０．３１９０．１８４－０．７７５０．２４１０．２３８－０．１１４－０．６１１０．４４０．５１６０．３３０６－０．２８４０．６５５０．１８２０．０７４－０．００２－０．２７９－０．４２１０．６８６－０．０６３０．６９８７０．５５２０．２１７０．７６９－０．３１８０．１３５０．２６８－０．６１６０．２８２０．３２９－０．３０３８０．２３８－０．６２８－０．２６９－０．５２１－０．２７７０．４８４０．０４１－０．４３６０．２５４－０．２２７９０．０８６０．２５７０．２９５０．２３００．３０１０．３５０－０．８１４－０．４１０－０．２１１－０．２７１表８㊀输入层、隐含层及输出层之间的权值隐含层单元输入层单元１１１２１３１４１５输出层单元１－０．１３２０．２５１０．５４４－０．２２１－０．６９３－０．２８０２－０．０７９０．６４６－０．１５８０．２９０－０．３０９－０．５３３３－０．３０９－０．６３６－０．１３５０．１７４－０．３３８０．７７５４－０．４６００．１６８－０．５８９０．２９６０．１７７－０．７２９５－０．６１４０．１６７０．１４７－０．６２１－０．１５７０．３８３６－０．５７３０．０１９０．５８７０．２５９－０．５００－０．１９４７０．７８７－０．０３８－０．５３２０．３４１－０．１５２０．７３０８－０．０２１０．６４０－０．５３５０．５９３－０．４９８－０．３７３９０．３６２－０．６２９－０．４３６０．４２６０．４３７－０．９００２３㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀兰州文理学院学报(自然科学版)㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第３７卷㊀㊀为了确定二级评价指标的影响权重,构建神经网络学习模型．神经网络训练得到的结果只是各神经元之间的关系,要想得到输入因素对输出因素的真实关系,也就是输入因素对输出因素的影响权重,还需要对各个神经元之间的权重加以分析处理,因此利用以下指标来描述输入因素和输出因素之间的关系[８]．(１)相关显著性系数r i j＝ðP k＝１W k i(１－e－x)/(１＋e－x),x＝w j k．(１) (２)相关系数R i j＝(１－e－y)/(１＋e－y),y＝r i j．(２) (３)绝对影响系数S i j＝R i j/ðm i＝１R i j,(３)其中:i为神经网络输入单元,i＝１,２, ,m;j为神经网络的输出单元,j＝１,２, ,n;k为神经网络的隐含层单元,k＝１,２, ,p;W k i为输出层神经元i与隐含层神经元k之间的权重系数;w j k为输出神经元j和隐含层神经元k之间的权重系数．上述３个相关系数中的绝对影响系数就是所要求解的权重．利用公式(１)－(３),对一㊁二级指标的影响权重进行了计算,结果如表９㊁１０所列．表９㊀一级指标的权重表指标名称权重个人层面０．０８９１学校层面０．１２２０社会层面０．７８９０㊀㊀利用一㊁二级指标的权重,对各二级指标进行打分．具体打分公式如下:S i＝w i r i,(４)其中:S i表示第i个二级指标的综合得分;w i表示第i个二级指标的权重;r i表示第i个二级指标的原始打分结果,i＝１,２, ,１５．利用一级指标的影响权重,并结合各二级指标原始打分结果,得到各一级指标的综合得分,具体打分公式如下:l１＝W１ð１０i＝１S i,l２＝W２ð１３i＝１１S i,l３＝W３ð１５i＝１３S i,(５)表１０㊀二级指标的权重表指标名称权重职业规划(I１)０．０８２自信心(I２)０．１９１激励学习(I３)０．００５人际交往(I４)０．１１３紧张感(I５)０．０８７课程投入时间(I６)０．０５１人格缺陷(I７)０．１３５身心健康(I８)０．０１１原有节奏(I９)０．００７学风建设(I１０)０．０００学习氛围(I１１)０．０３１科研成果(I１２)０．１３２育人质量(I１３)０．０５６经济发展(I１４)０．０８４幸福度(I１５)０．０１５其中:l i(i＝１,２,３)表示第i个一级指标的综合得分;W i(i＝１,２,３)表示第i个一级指标的权重．运用公式(４)㊁(５),可得到一级指标及二级指标的最终得分,见表１１所列．由表１１中的结果可得到:在个人㊁学校㊁社会３方面中,社会层面的影响得分最高,为６１９ ３６２８,说明内卷行为对社会层面的影响最大;在社会层面中,幸福度的权重得分为４０５．７６,远远高于经济发展的权重得分３７９．２４,说明内卷行为对社会的幸福度水平影响很大,过多的内卷行为会导致社会的幸福水平以及幸福感下降．4㊀结语本文以长沙市高校为例,探讨大学生内卷的成因及影响,旨在为不同大学生正确认识内卷㊁理性面对内卷提供建议,使得大学生脱离内卷的漩涡,并为高校进行心理教育和学风建设提供科学依据和策略．本文利用因子分析降维得到４个公因子后,运用灰色关联分析得到心理驱动因子排列第一,由此得到盲目跟风的心理是大学生内卷最显著的成因;其次是环境㊁焦虑和有限资源所代表的环境驱动因子．在构建大学生内卷的影响指标体系之后,本文通过B P神经网络评价模型进一步得到了大学生内卷对社会层面的影响程度最大,严重影响着社会的幸福度水平．３３第３期柳雅婧等:基于灰色关联与B P神经网络的大学生内卷成因及影响的统计分析表１１㊀各级指标最终得分结果一级指标二级指标各二级指标得分各一级指标得分个人层面职业规划３６８．６９２４０７自信心４１２．２５６９７１２激励学习４１６．８６７８１１人际交往４２９．１９７３８２５紧张感４１１．２７４６０７８课程投入时间４１３．６５０６２２３人格缺陷４１９．６０４５５１９身心健康４１２．６６３９０３３原有节奏４１３．５１４９８１７３２９．６９９４学校层面学风建设３７１．２９８９９１８学习氛围４７７．０１５３７８４科研成果４０２．２３３９３８７育人质量４６４．１４４１１４９２０９．１９２５社会层面经济发展３７９．２４１１２７４幸福度４０５．７５６０９２８６１９．３６２８㊀㊀将成因与影响相结合,双管齐下,基于统计分析的结果提出建议．由盲目跟风所代表的心理驱动因子这一最显著的成因可得,高校应加强引导学生更好地形成自我认同及自我价值的实现,重视学生心理健康,积极开展心理健康相关专题讲座,设立心理健康咨询点,及时发现并解决学生的心理障碍;由环境㊁焦虑和有限资源所代表的环境驱动因子可见,高校还应注重多引进教学资源,为学生营造良好的校园环境和学习氛围．就大学生自身而言,更应注重自我独立性的培养,勇于尝试新事物,提高自我判断能力,争做 反卷 青年．参考文献:[１]王斯腾,贺敬雯．基于个体倾向性的大学生内卷表现㊁特征及成因分析[J]．煤炭高等教育,２０２２,４０(１):１０９Ｇ１１５．[２]郭艳玲．我国当代大学生 内卷 表征与归因研究 基于话语分析视角[J]．煤炭高等教育,２０２１,３９(５):６５Ｇ７１．[３]尉峰,王如娟．新冠疫情影响下的大学生内卷问题辨析与应对[J]．北方工业大学学报,２０２１,３３(５):１２８Ｇ１３３．[４]杨绮瑕,徐明生．当代大学生 内卷化 心态表征与疏导策略[J]．青少年学刊,２０２１(５):１６Ｇ２０．[５]戴子涵．培养游戏精神:突破教育内卷重围之道[J]．少年儿童研究,２０２２(１):６６Ｇ７２．[６]何晓群．多元统计分析[M]．北京:中国人民大学出版社,２０１９:１４３Ｇ１５０．[７]宋端超,闻传花,王行自．基于B P神经网络的军校课堂教学质量评价模型[J]．继续教育,２０１７,３１(１２):４７Ｇ４９．[８]孙会君,王新华．应用人工神经网络确定评价指标的权重[J]．山东科技大学学报(自然科学版),２００１,２０(３):８４Ｇ８６．[责任编辑:赵慧霞]４３㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀兰州文理学院学报(自然科学版)㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第３７卷。