毕业学生的评价方法主要是通过加权积分来评价学生,这种方法具有很大程度上的主观性,特别是课外的科技活动,学生的活动在学习加权中具有一定的影响,用这样的方法评价还是有些缺点,本论文通过数据包络分析与其他统计方法融合建立基于DEA(Data Envelopment Analysis,DEA)融合算法的大学毕业生学习效率评价方法。首先,数据包络分析模型(DEA)对输出和输入数据的大小(即数据的倍数)不影响评价的结果,这对于五分制还是一百制对应的数据评价的结果是一样;另外可以选取不同的课程类型讨论学习效率,所以用DEA模型能够较好地用不同的课程或评价方式对大学生毕业学习效率进行评价。其次,对于评价数据用DEA模型和G-DEA模型同样都是失效的情况下,建立了一种通过“自评(Self-evaluation)”与“他评(Peer-evaluation)”两种策略得到的综合评价交叉效率的DEA模型。这种交叉效率的DEA模型,能够很好地区分评价学生学习效率。第三,通过灰色系统理论中的灰色关联度方法求出其他各课程与毕业设计的关联度,选取关联度大或小的一些课程作为样本集,排除由于干扰课程太多而失真的现象。这样有利于教育者发现某些课程教学中存在的问题,从而提高教学效果。第四,基于聚类的广义DEA方法先通过聚类,对绝大多数类的学生进行区分,通过不同类的学生对其他类的学生进行评价,通过自己“对立面”评价相同类的学生学习效率,并且可以完全排序,这样就达到了我们考察学生学习效率的目的。总之,通过所建立的传统的数据包络分析、广义数据包络分析、交叉效率的数据包络分析、基于关联度的数据包络分析和聚类的数据包络分析等方法对大学生毕业论文进行了学习效率的评价。实例表明:这几种DEA方法针对学生学习效率评价具有较好的评价效果。