当前,素质教育己成为全社会的共识,随着教育教学改革的全面深化,时代赋予高等教育长期而艰巨的任务是坚持以素质教育为核心,培养出高素质的开拓型人才。从高等教育推进素质教育的进程看,在实践环节上,目前己进入一个新的阶段,而大学生素质评估尤其是综合素质的评估还显得比较薄弱,这一现实问题已成为影响当前进一步加强和改进高校学生素质教育工作的一个“瓶颈”。综合评估是对被评价对象所进行的客观、公正、合理的全面评价,是素质教育效果的一种体现,它关系到学生自身发展、高等院校教育教学改革和用人单位能否获得高质量的人才。权重是综合评估中的重要环节之一,但目前在评估中,指标赋权方法过于单一,主观性、片面性太强,不能客观地反映各指标的重要性。为了避免过去评估系统赋权方法的不足,本文采用了组合赋权法,通过选择现有系统中的主观法、客观法,再设定偏好系数来实现。利用组合赋权法计算各指标的权重,可以吸取主观法和客观法的优点,同时又避免了这两类方法的缺点,得到的权重更合理地反映各指标在综合评估中的重要性。综合评估方法的选择也很重要,是评估中最关键的一步。目前,能较好地考虑综合评估过程中的各种定性与定量信息的评估方法如神经网络法、模糊综合评估法等。但在实际应用中,这些综合评估方法仍摆脱不了评估过程的随机性、专家主观上的不确定性及认识上的模糊性等不足。即使是同一评估专家,在不同的时间和环境对同一被评价对象也往往会得出不一致的评估结果。为了避免过去综合评估系统中评估方法及系统自身的不足,在大学生综合素质评估系统中集成了多种评估方法,用户可根据自己的需要选择合适的方法。由于以往的评估系统中评估方法单一,所以评估结果无可比性。为了避免这一不足,系统中采用了等级相关系数法,此方法表示变量之间等级排序线性相关程度的量。通过对学生的多种综合评估结果进行等级相关系数计算,根据计算结果大小选择最佳方案。当前,有的综合评估系统只注重最终评估结果,用户只是将这个评估结果作为评价被评对象的依据,很少利用评估结果中潜在的信息,这样的评估系统集成化程度和智能化程度均较低。为了不让这些宝贵的评估信息资源白白地浪费,本文引进数据挖掘技术。通过数据挖掘技术,对评估数据进行关联规则发现,试图得到一些有利于决策者的信息。本文就是基于大学生综合素质评估系统的一个应用。通过关联规则发现,可以得到一些优等生及劣等生的相关信息。校方决策部门可根据此信息,得到优等生优的因素及劣等生差的地方,然后根据不同学生对症下药,更好、更快、更有效地培养出高素质的学生。在关联规则算法选择中,本文利用了一种改进的基于向量积的关联规则算法。此算法只要扫描事务数据库一次,不会产生大量的频繁项候选集。算法首先将数据事务集映射到一个向量矩阵中,每个列向量代表一个属性,若要判断某几项的交集是否为频繁项,只须通过几个代表属性的向量求内积,看结果中“1”的个数,若满足数目大于等于最小支持度与总事务数的积,则可将这几项的交集并入频繁项目集。具体算法见5.4.3节。此算法与Apriori算法相比,效率快很多,对于大数据集的挖掘效果更加明显,平均要快10~20倍。若要对大量的学生评估数据进行挖掘,此算法要比Apriori算法节约很多时间。实验证明,将以上技术融入大学生综合素质评估系统中,使系统能够从定性分析与定量分析相结合的角度考虑,符合时代发展且能适应就业市场化的需要,具有一定的推广价值。