時間：2023-08-06 10:52:31
導語：在統(tǒng)計學變量類型的撰寫旅程中，學習并吸收他人佳作的精髓是一條寶貴的路徑，好期刊匯集了九篇優(yōu)秀范文，愿這些內(nèi)容能夠啟發(fā)您的創(chuàng)作靈感，引領(lǐng)您探索更多的創(chuàng)作可能。
【關(guān)鍵詞】 客體依戀;自我概念;回歸分析;精神衛(wèi)生;學生
【中圖分類號】 R 179 R 395.6 【文獻標識碼】 A 【文章編號】 1000-9817(2010)02-0214-03
伯恩斯(Burns)[1]認為:個體如何理解自己是其內(nèi)在一致性的關(guān)鍵部分,自我概念積極的學生成就動機與學習投入及成績也明顯優(yōu)于自我概念消極的學生。他還認為一定的經(jīng)驗對個人具有怎樣的意義是由個人的自我概念決定的。不同的人可能會獲得完全相同的經(jīng)驗,但對這種經(jīng)驗的解釋卻可能是高度不同的[2]。當個人的既有自我概念消極時,每一種經(jīng)驗都會被與消極的自我評定聯(lián)系到一起;反之則可能被賦予積極的含義。在各種不同的情境中,人們對事情發(fā)生的期待、對于情境中其他人行為的解釋及自己在情境中如何行為,都受到自我概念極大的影響。戀愛是當代大學生生活的中心內(nèi)容之一。戀愛關(guān)系可以對青少年的發(fā)展產(chǎn)生正面影響,也可以產(chǎn)生負面影響而導致問題的產(chǎn)生。在整個青少年期的發(fā)展過程中,戀愛經(jīng)驗是不斷變化的。本研究旨在考察已具有戀愛經(jīng)驗大學生的依戀模式及親密關(guān)系心理對戀愛持續(xù)時間及戀愛次數(shù)的影響,以及依戀模式及親密關(guān)系心理對自我概念發(fā)展的影響。
1 對象與方法
1.1 對象 2008年10-12月,由研究者在某師范院校中招募已有戀愛經(jīng)驗的大學生進行問卷調(diào)查。共發(fā)放問卷220份,回收有效問卷209份,回收有效率為95%。其中男生107名,女生102名;戀情持續(xù)時間為3個月以下者32名,3～6個月42名,6～12個月28名,12個月以上105名,有2人未報告;戀愛次數(shù)為1次94名,2次64名,3次及以上45名,有6人未報告戀愛次數(shù)。年齡為21～24歲,平均21歲。
1.2 工具
1.2.1 成人依戀問卷 由關(guān)系問卷中文版(RQ)和親密關(guān)系經(jīng)歷量表組成。關(guān)系問卷包括4段短文,分別描述4種依戀類型,要求被試者從中選出一種最符合自己的依戀類型。親密關(guān)系經(jīng)歷量表包括36題,其中18道題測量依戀回避,18道題測量依戀焦慮,為Likert 7點量表,計算其平均分作為維度得分。該量表被證明有很好的信度和效度[3]。本研究中2個分量表的內(nèi)部一致性系數(shù)分別為0.82和0.77。
1.2.2 田納西自我概念量表(Tennessee Self-Concept Scale,簡稱TSCS) 該量表由美國田納西心理治療醫(yī)生Williams于1965年編制,臺灣心理學家林邦杰于1978年進行了修訂。研究表明,量表的Cronbach系數(shù)α=0.869 4 ,Spearman-Brown分半信度系數(shù)為0.965 6,且證明有很高的效度[4]。量表共有70道題,形成生理自我、道德自我、心理自我、家庭自我、社會自我、自我批評、自我認同、自我滿意、自我行動和自我總分。除了自我批評得分越高說明其自我概念越低外,其余各項得分越高表示他越喜歡自己、信任自己,認為自己是個有價值的人。
1.3 數(shù)據(jù)分析 采用SPSS 16.0統(tǒng)計軟件包對數(shù)據(jù)進行整理和分析。
2 結(jié)果
2.1 成人依戀類型和親密關(guān)系經(jīng)歷 成人依戀問卷調(diào)查結(jié)果顯示,戀愛學生的依戀類型為安全型90人(43.1%),輕視型49人(23.4%),傾注型42人(20.1%),害怕型28人(13.4%);親密關(guān)系經(jīng)歷量表測量結(jié)果顯示,依戀回避(3.74±0.34)分,依戀焦慮(3.87±0.56)分。
2.2 不同依戀類型對戀愛持續(xù)時間及戀愛次數(shù)的影響 比較戀愛持續(xù)時間分別為3個月以下、3～6個月、6～12個月及12個月以上。大學生依戀類型差異無統(tǒng)計學意義(χ2=12.56,P>0.05)。比較戀愛次數(shù)分別為1次、2次、3次及以上者,大學生依戀類型差異也無統(tǒng)計學意義(χ2=4.73,P>0.05)。
2.3 親密關(guān)系經(jīng)歷量表、田納西自我概念量表測評結(jié)果
2.3.1 不同戀愛持續(xù)時間、戀愛次數(shù)親密關(guān)系經(jīng)歷量表和田納西自我概念量表得分比較 以戀愛持續(xù)時間為自變量,對親密關(guān)系經(jīng)歷量表、自我概念的各個因素得分進行方差分析,結(jié)果顯示,戀愛持續(xù)時間不同的大學生依戀回避和依戀焦慮得分差異無統(tǒng)計學意義;在自我概念各維度得分上,除道德自我、家庭自我、自我滿意、自我行動及自我總分上得分差異均有統(tǒng)計學意義(F值分別為3.14,2.91,4.29,2.87,3.76,P值均
2.3.2 不同性別大學生親密關(guān)系經(jīng)歷量表、田納西自我概念量表得分比較 以性別為自變量對親密關(guān)系經(jīng)歷量表、自我概念的各個指標進行t檢驗,結(jié)果見表1。在親密關(guān)系體驗上,女性依戀焦慮高于男性,差異有統(tǒng)計學意義(t=4.81,P
2.3.3 不同依戀類型個體自我概念得分比較 以依戀類型作為自變量,以田納西自我概念量表的各個指標作為因變量,進行單因素方差分析,除道德自我和自我批評外,不同依戀類型個體在田納西自我概念各維度上的得分差異均有統(tǒng)計學意義(P值均
2.3.4 成人依戀和自我概念的相關(guān)分析 從表3中可以看出,依戀焦慮除與自我批評呈正相關(guān)外,與自我概念其他各維度均呈負相關(guān);依戀回避與自我概念各維度間均無相關(guān)。
2.3.5 依戀類型和自我概念的回歸分析 見表4。
以性別、戀愛次數(shù)、戀愛持續(xù)時間、依戀焦慮、依戀回避等5個分指標預測自我概念總分,進行逐步回歸分析,結(jié)果見表4。
3 討論
調(diào)查表明,擁有戀愛經(jīng)歷的大學生的依戀類型,安全型高于40%,而矛盾型(即傾注型)占20%;男生在依戀焦慮上的得分顯著低于女生,而在依戀回避上不存在性別差異,與
李同歸等[5]對成人的研究結(jié)果不一致。自我概念的整體情況男大學生在各項因子上的得分均高于女大學生,說明具有戀愛經(jīng)驗的男大學生與女大學生相比,更敢于承認自己的優(yōu)點和長處,能夠更好地接納自己。這與以往的研究結(jié)果[6]不一致。可能與本研究關(guān)注的群體與以往研究不同有關(guān),也可能反映了社會期望對有戀愛經(jīng)驗的男女自我概念的影響。
方差分析結(jié)果顯示,不同依戀類型的大學生在自我概念各維度上,除在道德自我和自我批評維度得分差異無統(tǒng)計學意義外,其他各維度得分差異均有統(tǒng)計學意義,安全型被試的得分均高于其他3種非安全型的被試。這說明安全型被試對自己各方面的感受均好于非安全型的被試,更能認識自己、接納自己、肯定自己的價值,并能以此采取積極的行為。
調(diào)查結(jié)果表明,依戀焦慮與自我概念各維度相關(guān)均有統(tǒng)計學意義。相對于依戀回避而言,依戀焦慮對自我概念有較好的預測性。此外,戀愛持續(xù)時間也能預測自我概念,戀愛持續(xù)時間越長自我概念總分越高,個體越喜歡自己、信任自己并認為自己是個有價值的人。
4 參考文獻
[1] BURNS RB. The self-concept: Theory measurement,development and behavior. New York:Longman, 1982:58-76.
[2] 劉岸英. 自我概念的理論回顧及發(fā)展走向. 心理科學, 2004, 27(10):248-249.
[3] 李同歸,加藤和生. 成人依戀的測量:親密關(guān)系經(jīng)歷量表(ECR)中文.心理學報,2006,38(3):399 -406.
[4] 林邦杰.田納西自我概念量表之修訂.中國測驗年刊(臺灣),1980,27:71-78.
[5] 李同歸,李楠欣,李敏. 成人依戀與社會支持及主觀幸福感的關(guān)系.中國臨床康復,2006, 10(46):47-49.
[6] 萬德智.大學生自我概念發(fā)展特點及其與應(yīng)對方式的相關(guān)性研究.濟南:山東大學,2007.
【關(guān)鍵詞】 腎腫瘤； 淋巴結(jié)轉(zhuǎn)移； 危險因素； 回歸分析
Prediction of lymph node metastasis with binary logistic regression in renal cell carcinoma ZHANG Xiao-nong，SHEN Jun， CHEN Peng.Yuehua Hospital of Yueyang，Yueyang 414014, China
【Abstract】 Objective To study the risk factors of lymph node metastasis of renal cell Carcinoma（RCC） and to set up a Logistic regression model.Methods The clinical data of 163 patients with renal cell carcinoma who underwent radical nephrectomy from July 2000 to July 2008 in Affiliated Tumor Hospital of Xinjiang Medicial University, were analyzed by univariate and binary Logistic regression.Results The incidence of lymph node metastasis was 20.9%. Univariate logistic analysis revealed that the tumor size，clinical stage, Fuhrman nuclear grade and anemia were all correlated with lymph node metastasis of RCC（P
【Key words】 Renal cell carcinoma； Lymph node metastasis； Risk factors； Regression analysis
腎細胞癌（RCC）在成人泌尿生殖系統(tǒng)腫瘤中發(fā)病率僅次于膀胱癌居第二位,且對放化療、生物治療不敏感，預后較差。腎癌的生物學行為多變，發(fā)生機制復雜且受到與患者和腫瘤相關(guān)因素的影響，目前不太容易對根治性腎切除術(shù)后患者的生存率進行準確預測。淋巴結(jié)轉(zhuǎn)移是影響腎細胞癌預后的重要因素，而準確的淋巴結(jié)分期對腎細胞癌的治療和預后評價尤為重要。本研究回顧性分析本院近9年163例腎細胞癌根治性切除術(shù)后的病理及臨床資料，探討腎細胞癌淋巴結(jié)轉(zhuǎn)移的危險因素，研究預測腎細胞癌淋巴結(jié)轉(zhuǎn)移的較為合適的方法和指標，并建立Logistic 回歸模型。
1 資料與方法
1.1 一般資料 2000年2月～2008年10月，本院共行腎癌根治性切除術(shù)163例，所有的病例經(jīng)病理組織學確診。其中男105例，女58例；年齡17～79歲，中位數(shù)年齡55歲；腫瘤最大直徑（CT）1.3～19.0 cm，中位數(shù)6.0 cm；根據(jù)2002年AJCC腎細胞癌分期標準，Ⅰ期77例，Ⅱ期31例，Ⅲ期43例，Ⅳ期12例；根據(jù)1982年Fuhrman核分級標準，G1 81 例，G2 46例，G3 22例，G4 14例；病理類型：透明細胞癌135例，顆粒細胞癌7例，混合細胞癌12例，狀細胞癌7例，肉瘤樣癌2例；腫瘤側(cè)別：左側(cè)84例，右側(cè)79例；其中淋巴結(jié)轉(zhuǎn)移34例。
1.2 方法 查閱病歷資料，收集11項可能與腎細胞癌淋巴結(jié)轉(zhuǎn)移相關(guān)的臨床病理因素，如性別、年齡、腫瘤最大徑、ECOG-PS、腫瘤側(cè)別、腫瘤分期、病理類型、腫瘤分級、貧血、堿性磷酸酶和乳酸脫氫酶。以34例淋巴結(jié)轉(zhuǎn)移者為研究組，以129例無淋巴結(jié)轉(zhuǎn)移者為對照組。
1.3 統(tǒng)計學處理 統(tǒng)計學分析采用Logistic回歸分析，以淋巴結(jié)是否轉(zhuǎn)移為應(yīng)變量（Y：無0，有1），對各研究指標進行量化，各自變量（研究指標）賦值標準，見表1。將量化數(shù)據(jù)輸入計算機，應(yīng)用SPSS 13.0統(tǒng)計軟件包，進行Logistic回歸分析。采用相對危險度的近似估計值比值比（odds ratio，OR）來估計各變量與RCC轉(zhuǎn)移的聯(lián)系強度。先用Logistic回歸模型做單因素分析（α0.05），利用單因素分析得出的結(jié)果對不同因素的作用大小進行排序，以α0.05為入選變量的檢驗水準，以α0.1為剔除變量的檢驗水準，基于偏最大似然估計的前進法向前逐步選擇自變量，再用Logistic回歸模型多因素逐步回歸分析，并得出RCC淋巴結(jié)轉(zhuǎn)移的概率模型。
表1 RCC淋巴結(jié)轉(zhuǎn)移因素（自變量）賦值標準
2 結(jié)果
2.1 單因素分析 把與163例RCC患者淋巴結(jié)轉(zhuǎn)移有關(guān)的臨床病理因素應(yīng)用單因素的Logistic回歸模型做單因素分析，結(jié)果見表2。其中腫瘤大小、臨床分期、Fuhrman核分級和貧血的OR值均大于1，與RCC淋巴結(jié)轉(zhuǎn)移的風險有關(guān)（P0.05）。
表2 腎細胞癌淋巴結(jié)轉(zhuǎn)移影響因素的Logistic回歸單因素分析（n163，α0.05）
2.2 多因素分析 利用表2的結(jié)果，將P值＜0.05的自變量和臨床認為對腎細胞癌淋巴結(jié)轉(zhuǎn)移有關(guān)的病理類型X7（病理類型）也入選Logistic回歸模型，基于偏最大似然估計的前進法向前逐步選擇自變量，進行多因素逐步回歸分析，其中腫瘤大小、臨床分期和Fuhrman核分級對RCC淋巴結(jié)轉(zhuǎn)移有顯著回歸效果而選入回歸方程，結(jié)果見表3。但由單因素回歸分析亦可知，P值＜0.05的自變量X9（貧血）未能選入回歸方程并不說明其對腎細胞癌淋巴結(jié)轉(zhuǎn)移無統(tǒng)計學意義，而可能是由于其作用被已選入的變量代替，從而使回歸模型中的自變量均保證具有統(tǒng)計學意義。自變量X7（病理類型）也未能進入方程，不能因此認為其與腎細胞癌淋巴結(jié)轉(zhuǎn)移一定無關(guān)，如果增加樣本含量，可能會出現(xiàn)有統(tǒng)計學意義的結(jié)果。
表3 腎細胞癌淋巴結(jié)轉(zhuǎn)移影響因素的Logistic回歸多因素分析（n163, α0.10）
2.3 概率模型 由多因素逐步回歸分析結(jié)果，可得出腎細胞癌臨床病理因素與淋巴結(jié)轉(zhuǎn)移關(guān)系的概率模型,LogitP－8.199＋0.603X3＋1.840X6＋0.976X8， 其中P值越接近于1，患者發(fā)生轉(zhuǎn)移的可能性越大；P值越接近于0，患者發(fā)生轉(zhuǎn)移的可能性越小。整個模型經(jīng)χ2檢驗有統(tǒng)計學意義（χ281.601，P0.000）。
2.4 應(yīng)用概率模型的回代分析 為檢驗該模型的實用性，163例RCC對概率模型進行回代分析，以預測概率0.500為判別函數(shù)的分界點。結(jié)果顯示此概率模型判斷163例RCC淋巴結(jié)轉(zhuǎn)移與病理診斷總符合率為87.7%［（122+21）/163］，結(jié)果見表4。
表4 RCC淋巴結(jié)轉(zhuǎn)移概率模型回代分析*
注:*判別函數(shù)的分界值為0.5000
3 討論
腎細胞癌是腎臟最常見的惡性腫瘤，占成人腎惡性腫瘤的85%～90%和人類惡性腫瘤的1%～2%［1］。大約25%～30%的腎細胞癌在初始診斷時伴有遠處轉(zhuǎn)移，局限性腎癌在根治性手術(shù)后大約1/3的患者最終會發(fā)生遠處轉(zhuǎn)移,而30%～40%的患者會有淋巴結(jié)轉(zhuǎn)移［2］。目前對腫瘤患者可能出現(xiàn)的淋巴結(jié)轉(zhuǎn)移進行預測是一個大的挑戰(zhàn)，淋巴結(jié)轉(zhuǎn)移是癌癥擴散的首要跡象，因此，詳細的術(shù)前影像學和準確的淋巴結(jié)分期對外科治療計劃和策略及術(shù)后隨訪十分重要，同時還能為患者提供預后有關(guān)的準確信息。
癌細胞淋巴結(jié)轉(zhuǎn)移是影響腎細胞癌療效和預后的重要因素。Blute等［3］通過多因素分析總結(jié)了RCC淋巴結(jié)轉(zhuǎn)移的高危因素：（1）腫瘤臨床分期T3或T4；（2）腫瘤最大徑＞10 cm；（3）腫瘤細胞為低分化；（4）腫瘤組織中含有肉瘤樣成分；（5）腫瘤組織中有壞死。如果具有2個或以上危險因素淋巴結(jié)轉(zhuǎn)移的幾率為10%，如果低于2個危險因素淋巴結(jié)轉(zhuǎn)移的幾率僅為0.6%，如果5個危險因素均滿足者淋巴結(jié)轉(zhuǎn)移率達到50%。此外，遠處轉(zhuǎn)移和下腔靜脈癌栓陽性等也是淋巴結(jié)轉(zhuǎn)移的高危因素［4］。
對腎細胞癌淋巴結(jié)轉(zhuǎn)移的臨床病理指標進行分析，試圖找出RCC預后的獨立的臨床病理指標，可以為臨床選擇更好的治療方案，從而提高患者的術(shù)后生存率。通過對影響RCC淋巴結(jié)轉(zhuǎn)移的可能臨床病理因素進行系列研究，可以在眾多的有關(guān)因素中篩選出具有顯著性影響的因素，將作用有顯著性意義的影響因素挑選出來后建立較為合適的回歸方程，便于檢查和分析，從而可能對RCC的淋巴結(jié)轉(zhuǎn)移的診斷和治療帶來幫助。筆者對163例RCC患者的臨床病例因素進行單因素Logistic回歸分析，結(jié)果表明腫瘤大小、臨床分期，F(xiàn)uhrman核分級、貧血與RCC的淋巴結(jié)轉(zhuǎn)移有關(guān)（P
本研究表明，腫瘤大小、臨床分期和Fuhrman核分級是腎細胞癌淋巴結(jié)轉(zhuǎn)移的危險因素，與Blute等的研究結(jié)果基本一致。根據(jù)臨床病理參數(shù)建立的Logistic回歸模型對RCC患者淋巴結(jié)轉(zhuǎn)移的風險提供非常重要的信息，對于判斷預后、指導術(shù)后治療及隨訪方案的制訂具有重要的作用。因為存在研究方法和研究指標的多樣性，筆者選取的研究方法和研究指標也有其自身的局限性，需要更多的病例和更多研究者的參與，相信隨著研究的不斷深入，這一問題將會得到解決。
參 考 文 獻
［1］ Jemal A, Murray T, Ward E, et al. Cancer statistics, 2005. CA Cancer J Clin， 2005， 55:10-30.
［2］ Motzer RJ, Bander NH, Nanus DM. Renal-cell carcinoma. N Engl J Med, 1996, 335（12）:865-875.
［3］ ML Blute, BC Leibovich, JC Cheville, et al. A protocol for performing extended lymph node dissection using primary tumor pathological features for patients treated with radical nephrectomy for clear cell renal cell carcinoma. J Urol, 2004，172（2）: 465-469.
近年來，用戶研究已經(jīng)成為產(chǎn)品設(shè)計界的重要研究手段，在產(chǎn)品的進入期、成長期、成熟期甚至衰退期，用戶研究都起著至關(guān)重要的作用，它可以幫助產(chǎn)品概念的具體化、合理化地符合用戶需求，提品功能定義的依據(jù)，等等。歸根結(jié)底，它起到了從用戶的需求域（感性描述）到設(shè)計的功能域（物理要素）的轉(zhuǎn)換作用，最終幫助設(shè)計者獲得成功產(chǎn)品所需的要素。
在用戶研究的領(lǐng)域里，我們已經(jīng)有了較為科學的方法來獲得需求域中的各類信息數(shù)據(jù)，而如何將這些信息數(shù)據(jù)轉(zhuǎn)換成為我們所需要的設(shè)計要素則成為研究的重點和難點。用戶的需求來源于人，而產(chǎn)品的功能賦之予物，我們需要找到一種方法來發(fā)掘這主客體之間的聯(lián)系，定性定量分析毫無疑問是解決這一問題的必要方法。
二、統(tǒng)計學：定量與定性研究結(jié)合
與其他產(chǎn)品設(shè)計的單一研究方法不同，在用戶研究中，定性與定量分析一般而言是相輔相成的，這樣做很好地結(jié)合了兩種分析各自的長處。定量分析能夠發(fā)現(xiàn)某個存在的現(xiàn)象，具有很好的說服力和可信性，是對事物“量”的分析，主要通過數(shù)據(jù)收集和分析來完成。定性研究則可以發(fā)掘隱藏在現(xiàn)象底下的規(guī)律及原因，具有能夠抓住本質(zhì)的深刻性和高效性，是對事物“質(zhì)”的分析，主要通過常識、感覺、經(jīng)驗等主觀因素來參與分析。
在用戶研究中可以直接獲取的數(shù)據(jù)很少，因此定量分析沒有施展的空間，并且對于一些感性問題，例如用戶的需求、用戶的感覺等同樣也無能為力。定性分析則受主觀因素影響較大，具有不確定性的特點。如何能夠很好地發(fā)揮定量分析的可信度與定性分析的深刻度是我們所要解決的下一個問題，這里引入統(tǒng)計學的分析方法，將定量與定性分析結(jié)合起來。
三、用戶研究中的統(tǒng)計學
統(tǒng)計學廣泛運用于生物、化學、心理學、社會學、經(jīng)濟學等諸多領(lǐng)域。它被用來了解與測量系統(tǒng)變異性，程序控制，對資料作出結(jié)論，并且完成資料取向的決策。而它的這些用途特點非常適合集心理學、社會學、人類學等多門學科交融的用戶研究，因此，我們可以通過引入統(tǒng)計學的方法，來對用戶研究中獲取的信息進行定量和定性分析，從而完成需求域到功能域的轉(zhuǎn)化。
根據(jù)統(tǒng)計學的研究特點，我們將其在用戶研究中的運用步驟分為信息獲取、信息處理、數(shù)據(jù)分析、數(shù)據(jù)校驗四個步驟。
1.信息獲取
用戶研究方法有很多，現(xiàn)大多已趨于成熟。我們在確定研究目的與目標的前提下，有意識地選擇用戶研究的方法，并且明確其輸出的數(shù)據(jù)及形式，為今后的分析做準備。在用戶研究中我們可以通過背景資料收集、問卷調(diào)查、用戶觀察、用戶訪談、用戶角色和用戶情境等方法獲得大量的文字數(shù)據(jù)、圖像數(shù)據(jù)、問卷數(shù)據(jù)、實驗數(shù)據(jù)和語音數(shù)據(jù)，這些數(shù)據(jù)都可以通過進一步的處理，轉(zhuǎn)換成統(tǒng)計學中可以運用的數(shù)據(jù)形式。為了更好地進行下一步的分析研究，要根據(jù)用戶研究對象的特點將這些信息分為用戶基本數(shù)據(jù)、用戶行為數(shù)據(jù)和用戶主觀數(shù)據(jù)。
基本數(shù)據(jù)主要是指對用戶的性別、年齡、職業(yè)、收入、教育、地區(qū)、家庭結(jié)構(gòu)、生活方式等量化后的數(shù)據(jù)；行為數(shù)據(jù)是指用戶與產(chǎn)品的交互，即對于產(chǎn)品的使用及體驗通過觀察測試等方法提取的數(shù)據(jù)；主觀數(shù)據(jù)是指用戶對于產(chǎn)品的滿意度、情緒反應(yīng)、審美反應(yīng)、生活態(tài)度等通過問卷訪談等方式獲得的數(shù)據(jù)。由此我們便獲得了計算所需的數(shù)據(jù)。
2.信息處理
上面我們已經(jīng)論述了信息獲取的方法及信息的分類和特點，但是這些信息的形式如文字、圖像、問卷大多都不能直接用于統(tǒng)計學的分析，因此我們要對信息進行處理，也就是信息的量化。
(1)用戶基本數(shù)據(jù)量化
基本數(shù)據(jù)都屬于某種“品質(zhì)”或“屬性”，它們的量化方法可以使用取值為“1”或“0”的人工變量來表示是否存在，也就是對質(zhì)的因素的判斷。如“1”表示已婚，“0”表示未婚。同樣有時本身是“數(shù)量”因素也可以轉(zhuǎn)化成“質(zhì)”因素，如“1”表示年收入5萬到10萬，“0”表示年收入5萬以下。
（2）用戶行為數(shù)據(jù)量化
用戶行為數(shù)據(jù)可以通過試驗器械的輔助，有計劃的觀察與測試來獲得。主要是行為過程中存在的與衡量目標完成情況相關(guān)的變量。這些具體數(shù)據(jù)的情況與目標有著直接關(guān)系，通常可以直接獲得具體數(shù)值。如時間、頻率、數(shù)量、周期、步驟等。
（3）用戶主觀數(shù)據(jù)量化
用戶主觀數(shù)據(jù)主要通過對用戶的問卷與訪談得到，是從用戶的主觀因素出發(fā)對用戶體驗進行量化。在這里，我們可以用數(shù)值來表示主觀因素的程度，通過這種方法來量化這些主觀的、抽象的、感性的信息。如滿意程度可以由-3，-2，-1,0,1,2，3這7個數(shù)值表示，-3為最不滿意，3為最滿意。同理抽象感性詞匯可以選擇一對反義詞作為兩極，由負值到正值表示符合的程度。如傳統(tǒng)和現(xiàn)代、圓潤和尖銳等。
此外，為了消除數(shù)據(jù)計量單位不同的影響，便于數(shù)據(jù)的直接比較，要對數(shù)據(jù)進行標準化——使數(shù)據(jù)矩陣式中每列數(shù)據(jù)的平均值為0，方差為1；或者規(guī)格化——將每列的最大數(shù)據(jù)變?yōu)?，最小數(shù)據(jù)變?yōu)?，其余數(shù)據(jù)取值在0～1之間。
3.數(shù)據(jù)分析
在對數(shù)據(jù)進行必要的處理以后我們就要開始進行統(tǒng)計分析。為了便于介紹統(tǒng)計方法，我們先將處理好的數(shù)據(jù)分類。在統(tǒng)計學中根據(jù)變量數(shù)學性質(zhì)的由低到高可將其劃分為：定類數(shù)據(jù)、定序數(shù)據(jù)、定距數(shù)據(jù)和定比數(shù)據(jù)。定比數(shù)據(jù)使用較少，此處略。定類數(shù)據(jù)是一個分類體系，通常將研究對象屬性分類后編號，其只能測量類別差。如華中、華北、華東等。定序數(shù)據(jù)多了類別間順序等級的信息，可以測量次序差。如幼年、少年、青年、中年、壯年、老年等。定距數(shù)據(jù)不僅可以測量差別，還可以測算距離，如10秒、20秒、30秒等。
下面介紹在設(shè)計領(lǐng)域常會遇到的變量類型之間的關(guān)系測量以及相對應(yīng)的方法類別，具體公式與計算方法可以參看相關(guān)統(tǒng)計學書目。
（1）雙變量統(tǒng)計
兩個變量之間關(guān)系的探討在用戶研究中是重要的內(nèi)容。相關(guān)分析是解決這個問題最為常用的統(tǒng)計學方法。判斷兩個變量之間的關(guān)系主要從它們的相關(guān)程度、相關(guān)正負、相關(guān)類型等方面來看，在通常情況下為線性相關(guān)，可從相關(guān)系數(shù)中看出兩個變量之間的關(guān)系。
①兩個定類變量以及定類與定序變量之間的關(guān)系可使用相關(guān)分析中的λ和τy測量法。λ測量法可以是不分變量與自變量的對稱形式。如丈夫購車標準與妻子購車標準之間的關(guān)系。τy測量法要求具有自變量與因變量之別，如性別與購車標準之間的關(guān)系。定類與定序變量關(guān)系也可用此兩種系數(shù)，如收入水平與購車標準之間的關(guān)系。
②兩個定序變量之間的關(guān)系可以使用Gamma系數(shù)和dY系數(shù)來表示。例如同等收入水平年齡與購車價格之間的關(guān)系。
③定類與定距、定序與定距可采用相關(guān)比率測量法。如性別與某手機功能操作次數(shù)之間的關(guān)系或是年齡與后者之間的關(guān)系。除此之外，也可以使用單因素方差分析。
變量之間除相關(guān)關(guān)系還可以用函數(shù)關(guān)系來表示，線性回歸分析可以測量變量之間的線性關(guān)系，它是在研究過程中將一些因素作為所控制的變量（自變量），而另一些隨機變量作為它們的因變量來進行分析的。一元線性回歸可以用來解決雙變量統(tǒng)計問題。
（2）多變量統(tǒng)計
在設(shè)計領(lǐng)域中研究的問題影響因素往往較為復雜，在雙變量統(tǒng)計不能滿足要求的時候我們就要用到多變量統(tǒng)計方法，主要有多元線性回歸分析，Logistic回歸分析、聚類分析、主成分分析、因子分析等。
①多元線性回歸分析。研究在線性相關(guān)條件下，兩個和兩個以上自變量對一個因變量的數(shù)量變化關(guān)系，稱為多元線性回歸分析，表現(xiàn)這一數(shù)量關(guān)系的數(shù)學公式稱為多元線性回歸模型。它解決的問題是通過抽樣調(diào)查的數(shù)據(jù)，確定自變量和因變量之間關(guān)系的密切程度；確定多個自變量對應(yīng)變量的共同影響，比較各個自變量對因變量影響的大小；確定因變量和自變量之間的關(guān)系表達式，即回歸方程式。如臺燈外形表現(xiàn)現(xiàn)代感程度分別與其燈罩、燈頸、燈座造型、材質(zhì)、色彩的關(guān)系，這種方法在感性工學研究中經(jīng)常使用。
②Logistic回歸分析。線性回歸模型的一個局限性是要求因變量是定量變量（定距變量、定比變量），而不能是定性變量（定序變量、定類變量）。但是在許多實際問題中，經(jīng)常出現(xiàn)因變量是定性變量（分類變量）的情況。Logistic回歸分析就是用于處理分類因變量的統(tǒng)計分析方法。其因變量只取兩個值，表示一種決策、一種結(jié)果的兩種可能性。如消費者是否購買產(chǎn)品與產(chǎn)品性能、外觀、價格、
品牌等因素之間的關(guān)系。
③聚類分析。聚類分析是研究“物以類聚”的一種多元統(tǒng)計分析方法。聚類分析的基本思想是根據(jù)對象間的相關(guān)程度進行類別的聚合。例如可以通過測試者對于較多產(chǎn)品的評價運用聚類分析將產(chǎn)品分別歸類。又如通過對消費者生活形態(tài)的研究將其分類，有針對性地進行產(chǎn)品開發(fā)。聚類分析可用樹藝術(shù)與設(shè)計ˉ形圖來表示結(jié)果。
④主成分分析。把多個變量（指標）化為少數(shù)幾個綜合變量（綜合指標），而這幾個綜合變量可以反映原來多個變量的大部分信息。為了使這些綜合變量所含的信息互不重疊，應(yīng)要求它們之間互不相關(guān)。例如在評價一個產(chǎn)品設(shè)計時，往往有很多因素，通過主成分分析可以用少數(shù)幾個綜合因素對其進行評價，減少工作量。
⑤因子分析。因子分析可以看成是主成分分析的一種推廣。它的基本目的是，找出隱藏在一組測量到的變量中的一些更基本的，但又無法直接測量到的隱性變量（愛好、態(tài)度、能力）去解釋顯在變量（設(shè)計成功與否、銷售量、點擊率）。例如從眾多人們顯在的生活習慣中找到人們選擇使用購買生活用品的潛在因子。這種方法可以應(yīng)用在用戶研究中的生活方式研究之中。
4.數(shù)據(jù)檢驗
數(shù)據(jù)檢驗其實是貫穿整個計算過程中的，一些計算方法需要檢測數(shù)據(jù)是否適合做此類運算，如回歸分析的擬合優(yōu)度檢驗，因子分析的KMO檢驗，而回歸分析可以用逆運算進行檢驗等。當然一般人都會認為數(shù)據(jù)是客觀而準確的，但是準確的數(shù)據(jù)之后，依賴分析師的常識、經(jīng)驗和主觀判斷，來選擇和運用適合分析方法，并以嚴謹?shù)难芯繎B(tài)度來完成整個分析步驟。
1、統(tǒng)計研究設(shè)計：應(yīng)交代統(tǒng)計研究設(shè)計的名稱和主要做法。如調(diào)查設(shè)計(分為前瞻性、回顧性或橫斷面調(diào)查研究)；實驗設(shè)計(應(yīng)交代具體的設(shè)計類型，如自身配對設(shè)計、成組設(shè)計、交叉設(shè)計、析因設(shè)計、正交設(shè)計等)；臨床試驗設(shè)計(應(yīng)交代屬于第幾期臨床試驗，采用了何種盲法措施等)。主要做法應(yīng)圍繞4個基本原則(隨機、對照、重復、均衡)概要說明，尤其要交代如何控制重要非試驗因素的干擾和影響。
2、資料的表達與描述：用x±s表達近似服從正態(tài)分布的定量資料，用M(QR)表達呈偏態(tài)分布的定量資料；用統(tǒng)計表時，要合理安排縱橫標目，并將數(shù)據(jù)的含義表達清楚；用統(tǒng)計圖時，所用統(tǒng)計圖的類型應(yīng)與資料性質(zhì)相匹配，并使數(shù)軸上刻度值的標法符合數(shù)學原則；用相對數(shù)時，分母不宜小于20，要注意區(qū)分百分率與百分比。
3、統(tǒng)計學分析方法的選擇：對于定量資料，應(yīng)根據(jù)所采用的設(shè)計類型、資料所具備的條件和分析目的，選用合適的統(tǒng)計學分析方法，不應(yīng)盲目套用t檢驗和單因素方差分析；對于定性資料，應(yīng)根據(jù)所采用的設(shè)計類型、定性變量的性質(zhì)和頻數(shù)所具備的條件以及分析目的，選用合適的統(tǒng)計學分析方法，不應(yīng)盲目套用x2檢驗。對于回歸分析，應(yīng)結(jié)合專業(yè)知識和散布圖，選用合適的回歸類型，不應(yīng)盲目套用簡單直線回歸分析，對具有重復實驗數(shù)據(jù)的回歸分析資料，不應(yīng)簡單化處理；對于多因素、多指標資料，要在一元分析的基礎(chǔ)上，盡可能運用多元統(tǒng)計學分析方法，以便對因素之間的交互作用和多指標之間的內(nèi)在聯(lián)系進行全面、合理的解釋和評價。
4、統(tǒng)計結(jié)果的解釋和表達：當P＜0.05(或P＜0.01)時，應(yīng)說明對比組之間的差異有統(tǒng)計學意義，而不應(yīng)說對比組之間具有顯著性(或非常顯著性)的差別；應(yīng)寫明所用統(tǒng)計學分析方法的具體名稱(如：成組設(shè)計資料的t檢驗、兩因素析因設(shè)計資料的方差分析、多個均數(shù)之間兩兩比較的q檢驗等)，統(tǒng)計量的具體值(如t值，x2值，F(xiàn)值等)應(yīng)盡可能給出具體的P值；當涉及總體參數(shù)(如總體均數(shù)、總體率等)時，在給出顯著性檢驗結(jié)果的同時，再給出95％可信區(qū)間。
關(guān)鍵詞:自然資源調(diào)查;高分衛(wèi)星;遙感技術(shù);神經(jīng)網(wǎng)絡(luò);像素級分析
高分衛(wèi)星又稱作高分辨率對地觀測系統(tǒng)重大專項工程，是《中國國家中長期科學和技術(shù)發(fā)展規(guī)劃綱要》(2006—2020年)的16個重大科技專項之一，主要用于國土普查、農(nóng)作物估產(chǎn)、環(huán)境治理、氣象預警預報和綜合防災減災等領(lǐng)域。目前，包括最新發(fā)射的高分十三號衛(wèi)星在內(nèi)，所有高分衛(wèi)星的實時動態(tài)對地觀測成果已經(jīng)全面投入商用，民營企業(yè)可以以較低成本獲得全面的米級精度實時衛(wèi)星遙感遙測信息。因為早期民營企業(yè)較少涉及衛(wèi)星航天工程，所以受到高分衛(wèi)星專項工程的商用影響，越來越多的民營企業(yè)開始涉及高分衛(wèi)星專項工程的信息數(shù)據(jù)分析工作，包括農(nóng)業(yè)服務(wù)、氣象服務(wù)、林業(yè)資源調(diào)查、水域及漁業(yè)資源調(diào)查、農(nóng)業(yè)資源調(diào)查、水利水文監(jiān)測、礦產(chǎn)資源調(diào)查等。該研究基于高分衛(wèi)星數(shù)據(jù)開發(fā)工具包，研究一種可以分析調(diào)查自然資源現(xiàn)狀及動態(tài)變化情況的算法架構(gòu)，使中國產(chǎn)衛(wèi)星遙感技術(shù)的應(yīng)用范圍進一步拓展。
1地籍單元的劃分與類模型提取
基于高分衛(wèi)星專項工程的商業(yè)化數(shù)據(jù)服務(wù)，其本質(zhì)意義是讓國內(nèi)普通企業(yè)可以充分享受到衛(wèi)星航天工程的數(shù)據(jù)成果。當前高分衛(wèi)星資源分析系統(tǒng)中，已經(jīng)推出了商業(yè)化應(yīng)用，使農(nóng)民可以每年只花費數(shù)十元，就可以對農(nóng)田的含水量、預計產(chǎn)量、病蟲害發(fā)生概率進行詳細統(tǒng)計。該研究在針對高分衛(wèi)星資源分析的深度研究中，探求一種分析性能更佳的地籍單元分析模式，使基于復雜神經(jīng)網(wǎng)絡(luò)的高分衛(wèi)星數(shù)據(jù)分析系統(tǒng)可以提供更強大的分析功能。因為衛(wèi)星視場為交叉重疊的帶狀視場，而大部分被分析地區(qū)屬于面狀區(qū)域，所以，在任何衛(wèi)星遙感數(shù)據(jù)的處理中，利用衛(wèi)星視場拼接被分析區(qū)域均屬于首要工作。同時，在相關(guān)分析中，即便在單一衛(wèi)星視場區(qū)域內(nèi)進行分析，也需要對地籍單元進行細化分析，以獲得足夠精確的機器學習分析結(jié)果。如圖1所示。圖1中，根據(jù)被分析地區(qū)的區(qū)域坐標，在衛(wèi)星視場數(shù)據(jù)中選擇所有相關(guān)視場資料，對視場資料進行拼接，最終形成被分析區(qū)域的原始數(shù)據(jù)圖像集。根據(jù)市場的四至極點構(gòu)建矩形區(qū)域，使用四分法對區(qū)域進行逐層劃分，直至最終地籍單元的像素數(shù)量在神經(jīng)網(wǎng)絡(luò)的可控制范圍內(nèi)。本文研究中，選擇的地籍單元數(shù)量最終為F(x，y)={m×n}，maxx=m＜25，maxy=n＜25的地籍單元。使用神經(jīng)網(wǎng)絡(luò)對地籍單元資料進行評價，最終找到邊緣地籍單元并確定地籍單元的屬性。將邊緣地籍單元進行連線，最終形成加權(quán)疊加輸出結(jié)果。受到篇幅限制，本文不對較為成熟的地籍單元的四分法及其他相關(guān)算法進行深入討論，僅對其神經(jīng)網(wǎng)絡(luò)的機器學習實現(xiàn)算法進行展開分析。
2地籍單元的神經(jīng)網(wǎng)絡(luò)分析算法
2．1神經(jīng)網(wǎng)絡(luò)整體分析架構(gòu)
該神經(jīng)網(wǎng)絡(luò)系統(tǒng)的輸入值為地籍單元的不超過25×25個像素陣列，其中需要進行3個神經(jīng)網(wǎng)絡(luò)判斷模塊。3個神經(jīng)網(wǎng)絡(luò)模塊均通過25×25個像素陣列的輸入數(shù)據(jù)進行分析，分別給出該地籍單元是否包含資源邊界的分析類型判斷二值化判斷，對自然資源種類進行判斷的地籍種類模塊，判斷邊界位于像素陣列位置的邊界判斷模塊。如圖2所示。
2．2數(shù)據(jù)降維功能的實現(xiàn)
分析類型選擇模塊分為兩個功能，是將數(shù)據(jù)充分降維，不超過25×25個像素點陣，共包含最高625個輸入單元，每個輸入單元包括3個上色通道，每通道為1個16位Long型變量。即該模塊的輸入量最高可達到625×3=1875個Long型變量輸入，而其輸出結(jié)果為1個Logical型二值化變量，其分析過程的信息損失量較大。所以，該模塊在提供二值化輸出功能的同時，應(yīng)有充足的數(shù)據(jù)降維功能，使降維過程損失的信息量在模塊帶回歸變量中充分保留，采用40%的維度壓縮比，其隱藏層結(jié)構(gòu)傳導函數(shù)如公式(1)所示:f(n+1)=mod(f(n)×40%)(1)式中，mod函數(shù)為取整函數(shù);根據(jù)該式進行降維設(shè)計，則其隱藏層結(jié)構(gòu)見表2。表2中，該降維模塊在3個模塊中均有應(yīng)用，均作為其隱藏層的前6層結(jié)構(gòu)，其利用六階多項式回歸函數(shù)的豐富待回歸變量資源，將高達1875個數(shù)據(jù)維度降維到7個數(shù)據(jù)維度，以供后續(xù)分析，六階多項式回歸函數(shù)的基函數(shù)如公式(2):(2)式中，Xi為第i個輸入變量;Y為節(jié)點輸出變量;j為多項式階數(shù)，該設(shè)計中使用了6階多項式;Aj為第j階多項式的待回歸變量，每個節(jié)點共包含6個待回歸變量。
2．3功能模塊的實現(xiàn)
圖2中的3個神經(jīng)網(wǎng)絡(luò)功能模塊，其隱藏層前6層均為表2和公式(2)提供的邏輯架構(gòu)，但在后續(xù)各層中有所不同，3個神經(jīng)網(wǎng)絡(luò)功能模塊的后續(xù)隱藏層結(jié)構(gòu)有以下區(qū)別，詳見表3。表3中，3個神經(jīng)網(wǎng)絡(luò)功能模塊應(yīng)用到除多項式回歸函數(shù)之外的2種回歸函數(shù)，分別為二值化函數(shù)和對數(shù)回歸函數(shù)。邊界判斷模塊中，因為是多列神經(jīng)網(wǎng)絡(luò)，則會構(gòu)建2列平行的多列神經(jīng)網(wǎng)絡(luò)模塊，分別對m值和n值進行輸出。此時，二值化函數(shù)的基函數(shù)寫作公式(3)，對數(shù)回歸函數(shù)的基函數(shù)寫作公式(4):
3資源調(diào)查監(jiān)測算法效能判斷
按照圖1中的技術(shù)整合方式，將前文所述的神經(jīng)網(wǎng)絡(luò)算法整合到技術(shù)體系中，可以得到對應(yīng)的分析結(jié)果，分析數(shù)據(jù)來自某市市域面積的自然資源調(diào)查結(jié)果，分析時間周期來自2018年1月1日至2019年12月31日，每15d對數(shù)據(jù)進行重新采集取樣，即達到該市2年期限內(nèi)的48次密集資源普查結(jié)果。在算法效能判斷中，分析單一圖像內(nèi)資源區(qū)域邊界數(shù)據(jù)點的標準偏差率得到單張圖像的分析結(jié)果，分析時序圖像上資源區(qū)域邊界變化趨勢的標準偏差率結(jié)果，在兩種標準偏差率基礎(chǔ)上，判斷該算法精度。對比數(shù)據(jù)來自高分衛(wèi)星數(shù)據(jù)開發(fā)工具包內(nèi)自帶資源識別系統(tǒng)給出的分析結(jié)果同樣分析該兩種標準偏差率。標準偏差率的計算公式如式(5):式中:σ為一維單列數(shù)據(jù)的標準偏差率;xi為該列數(shù)據(jù)的第i個輸入值;x－為該列數(shù)據(jù)的算數(shù)平均數(shù);N為數(shù)據(jù)列的最大下標。使用SPSS24．0的t校驗功能比較數(shù)據(jù)的差異性，當t＜10．000時認為數(shù)據(jù)存在統(tǒng)計學差異，同時讀取t校驗過程的P值;當P＜0．05時認為分析結(jié)果處于統(tǒng)計學置信空間內(nèi);當P＜0．01時認為數(shù)據(jù)具有顯著的統(tǒng)計學意義。該分析結(jié)果詳見表4。表4中，靜態(tài)標準偏差率均值指所有48套計算結(jié)果中的標志性數(shù)據(jù)點位置沿分界線連線進行分組，對其標準偏差率求取均值并進一步計算該值數(shù)列的標準偏差率;動態(tài)標準偏差率均值指計算48套計算結(jié)果的標志性數(shù)據(jù)點位置變化量沿分界線連線進行分組，對其標準偏差率求取均值并進一步計算該值數(shù)列的標準偏差率;改組數(shù)據(jù)比較中，t＜10．000，P＜0．01，具有顯著的統(tǒng)計學差異，且革新軟件將靜態(tài)分析誤差優(yōu)化84．9%，將動態(tài)誤差優(yōu)化85．7%。革新系統(tǒng)的分析精度顯著優(yōu)于工具包的自帶系統(tǒng)。該研究的根本意義在于探求一種基于原始開發(fā)神經(jīng)網(wǎng)絡(luò)模塊可以服務(wù)于高分衛(wèi)星遙測數(shù)據(jù)，使其得到更精細化的資源識別功能，所以，判斷其對資源識別的準確率，可以使其社會效能得到更大提升。在驗證試驗中，選擇20名地籍管理專業(yè)從業(yè)者，以肉眼評價方式對2套算法的最終分析效果進行評價，發(fā)現(xiàn)2種分析算法的失誤率，詳見表5。表5中，考察全市約35km2土地面積，涉及分類地塊29753個，最大面積318．4hm2，最小面積0．8hm2，2套軟件算法條件下，均為發(fā)生在林木、農(nóng)作物、水產(chǎn)水域資源類型之間的跨門類誤判，即所有2種算法條件下，所有機器誤判均為在林木種類之間的誤判、農(nóng)作物種類之間的誤判、水產(chǎn)類型之間的誤判。自帶軟件較革新軟件，在林木種類誤判數(shù)量上高出6．8倍，在農(nóng)作物類型誤判數(shù)量上高出19．2倍，在水產(chǎn)類型誤判數(shù)量上高出4．1倍，即可認為革新軟件因為啟用了神經(jīng)網(wǎng)絡(luò)深度迭代回歸的數(shù)據(jù)識別模式，使其資源類型誤判率得到了顯著提升。在邊界劃分方面，因為高分衛(wèi)星給出的遙測數(shù)據(jù)每像素點約為0．8m×0．8m，所以其本身存在一定程度的測量誤差，在此基礎(chǔ)上，對資源邊界的實際判讀精度，只能達到亞米級，很難達到毫米級。但因為當前進行地籍單元劃分時，底圖一般采用國家地球地理信息系統(tǒng)(GIS)底圖，其比例尺約為1∶1000，支持最高達到±50mm的精度，所以，對兩套系統(tǒng)判斷資源區(qū)邊界的精度進行對比分析，其結(jié)果見表6。表6中，大資源區(qū)指林木、農(nóng)田、水域、房屋壓占、道路壓占等大資源區(qū)的邊界劃分結(jié)果，小資源區(qū)指大資源區(qū)內(nèi)因為不同林木種類、不同農(nóng)作物種類、不同水產(chǎn)種類等進行的小資源區(qū)劃分結(jié)果。通過比較，革新軟件對比自帶軟件，其大資源區(qū)邊界精度提升65．9%，小資源區(qū)邊界精度提升67．2%，綜合分析其邊界劃分精度提升62．5%。該結(jié)果t＜10．000，P＜0．01，具有顯著的統(tǒng)計學差異?？梢哉J為使用了神經(jīng)網(wǎng)絡(luò)深度迭代回歸的機器學習分析策略較其自帶系統(tǒng)具有更高的邊界劃分精度，且不論其自帶軟件還是革新軟件，均已經(jīng)實現(xiàn)遠超過原始衛(wèi)星遙感圖像成像精度的邊界劃分能力。
4結(jié)束語
神經(jīng)網(wǎng)絡(luò)深度迭代回歸數(shù)據(jù)挖掘分析方法，是在不完備數(shù)據(jù)條件下實現(xiàn)高精度數(shù)據(jù)分析的大數(shù)據(jù)解決方案。通過該方案可以充分利用不完備數(shù)據(jù)條件，如成像精度每像素點覆蓋0．8m×0．8m范圍的高分衛(wèi)星圖像數(shù)據(jù)，對其進行逐像素點的地籍單元模塊深度迭代回歸分析，可以實現(xiàn)平均精度達到±186．3mm的地籍邊界劃分。即便采用全站儀進行人工防線測量，雖然全站儀精度可以達到±50mm以內(nèi)，但資源區(qū)邊界難以通過肉眼明確位置，其實際分析精度不會超過該革新算法的精度。該革新算法可以大幅度提升資源調(diào)查效率和資源區(qū)劃分精度，具有顯著的大數(shù)據(jù)工程意義。
參考文獻:
［1］井延濤．國土資源遙感監(jiān)測應(yīng)用研究［J］．華北自然資源，2020(6):84－85．
［2］付晶瑩，彭婷，江東，等．草地資源立體觀測研究進展與理論框架［J］．資源科學，2020，42(10):1932－1943．
［3］段志強，張娜，王挺，等．基于遙感影像的違章建筑監(jiān)測實踐［J］．地理空間信息，2020，18(10):41－45．
［4］王克．試談設(shè)立一種微型衛(wèi)星式監(jiān)測站的可行性［J］．中國無線電，2020(10):45－46，49．
［5］陳湘楠，耿莉．多源衛(wèi)星遙感數(shù)據(jù)在廣西北部灣地區(qū)的應(yīng)用［J］．北京測繪，2020，34(10):1368－1373．
［6］尤淑撐，張銳，董麗娜，等．自然資源衛(wèi)星遙感常態(tài)化監(jiān)測框架設(shè)計及關(guān)鍵技術(shù)［J］．地理信息世界，2020，27(5):115－120，128．
［7］王橋，趙少華，封紅娥，等．國家城鎮(zhèn)生態(tài)環(huán)境綜合監(jiān)測技術(shù)體系構(gòu)建［J］．地球信息科學學報，2020，22(10):1922－1934．
［8］趙少華，朱軍，白志杰，等．土壤污染監(jiān)測衛(wèi)星遙感應(yīng)用需求與載荷配置初探［J］．環(huán)境與可持續(xù)發(fā)展，2020，45(5):114－117．
［9］楊貫偉．衛(wèi)星遙感技術(shù)在公路全生命周期建設(shè)中的應(yīng)用［J］．數(shù)字通信世界，2020(10):48－49，81．
【關(guān)鍵詞】 子宮內(nèi)膜異位癥；不孕；腹腔鏡手術(shù)；妊娠率
子宮內(nèi)膜異位癥（內(nèi)異癥）是育齡婦女常見疾病， 且與不孕關(guān)系密切。內(nèi)異癥相關(guān)不孕的治療一直是臨床中的難點， 腹腔鏡手術(shù)可部分改善此類患者妊娠預后， 但遠未達到理想水平。本文探討了內(nèi)異癥相關(guān)不孕患者年齡、r-AFS分期（根據(jù)1985年修訂的美國生育學會內(nèi)異癥分期標準）、不孕類型、不孕年限、術(shù)前用藥、術(shù)后用藥及是否接受輔助生殖技術(shù)（ART）助孕與其腹腔鏡術(shù)后妊娠率的關(guān)系， 旨在為提高此類患者的生育能力尋找更合理的治療方案。
1 資料與方法
1. 1 一般資料 收集2009年5月～2011年4月于福建省婦幼保健院經(jīng)腹腔鏡手術(shù)與病理結(jié)果確診為內(nèi)異癥且合并不孕患者的資料。剔除輸卵管、內(nèi)分泌因素所致不孕、男性因素不孕以及合并子宮腺肌病、子宮肌瘤、卵巢腫瘤、盆腔炎癥、卵巢囊腫破裂、惡變、內(nèi)科疾病等。符合條件病例共113例， 失訪12例（失訪率10.62%）， 入選病例共101例?；颊吣挲g22～43歲， 平均（30.31±4.42）歲， 不孕年限1～12年， 中位數(shù)2（2～4）年。藥物治療情況：根據(jù)病情及患者意愿， 101例患者中有53例僅單純行腹腔鏡手術(shù)治療；10例患者術(shù)前孕三烯酮口服（2.5 mg/次， 2次/周）3個月， 術(shù)后均補充促性腺激素釋放激素激動劑（GnRH-a）醋酸曲普瑞林肌肉注射（3.75 mg/次， 每28天1次）3～6個月；38例患者僅術(shù)后補充GnRH-a治療（3.75 mg/次， 每28天1次）3～6個月， 無術(shù)前用藥。
1. 2 研究方法
1. 2. 1 回顧性分析 根據(jù)病歷資料將101例入選病例按照各臨床因素分組， 回顧性分析患者年齡、r-AFS分期、不孕類型、不孕年限、術(shù)前用藥、術(shù)后用藥及是否接受輔助生殖技術(shù)助孕與腹腔鏡術(shù)后妊娠率的關(guān)系。
1. 2. 2 隨訪 通過電話或門診隨訪2～4年，隨訪時間截止至2013年4月30日。主要指導患者受孕， 了解其術(shù)后繼續(xù)用藥、接受輔助生殖技術(shù)助孕以及妊娠情況。
1. 3 統(tǒng)計學方法 采用SPSS 17.0統(tǒng)計軟件進行統(tǒng)計學分析， 計數(shù)資料采用χ2檢驗， 不滿足χ2檢驗條件的采用Fisher確切概率法計算， 采用多因素非條件Logistic回歸分析腹腔鏡術(shù)后妊娠率的影響因素。P
2 結(jié)果
2. 1 術(shù)后1年內(nèi)及術(shù)后1年后的妊娠率比較 本研究納入病例101例， 腹腔鏡術(shù)后累積受孕率64.36%（65/101）。其中術(shù)后1年內(nèi)的受孕率44.55%（45/101）， 術(shù)后1年后的受孕率19.80%（20/101）， 前者顯著高于后者（χ2= 14.1774， P
2. 2 術(shù)后1年內(nèi)妊娠率與各臨床因素的關(guān)系 按照各臨床因素分組分別統(tǒng)計其術(shù)后1年內(nèi)的妊娠率， 結(jié)果見表1。年齡
2. 3 術(shù)后隨訪2～4年累積妊娠率與各臨床因素的關(guān)系 按照各臨床因素分組分別統(tǒng)計其腹腔鏡術(shù)后累積妊娠率， 結(jié)果見下表。年齡
2. 4 腹腔鏡術(shù)后妊娠率影響因素的多因素分析 以是否妊娠為因變量， 以年齡、r-AFS分期、不孕類型、不孕年限以及不同輔助藥物治療方案、是否采用輔助生殖技術(shù)為自變量進行Logistic回歸分析（引入變量的水平為0.05， 剔除變量的水平為0.05）。多因素分析顯示所篩選因素中僅年齡是妊娠率的獨立影響因素。OR值為0.241， 表示年齡越小妊娠率越高。
3 討論
內(nèi)異癥合并不孕的機制復雜， 臨床上尚無標準化治療方案。腹腔鏡手術(shù)有助于提高內(nèi)異癥相關(guān)不孕患者的生育能力， 但仍不能達到理想水平， 臨床上常于腹腔鏡手術(shù)前后補充內(nèi)分泌藥物治療以期進一步改善妊娠預后。但目前關(guān)于手術(shù)前后輔以藥物治療能否改善此類患者的生育能力， 及其生育能力的其它可能影響因素仍無一致觀點。關(guān)菁[1]、葛春曉[2]等認為腹腔鏡術(shù)后聯(lián)合GnRH-a治療可提高內(nèi)異癥患者的妊娠率， 改善妊娠結(jié)局。而Loverro等[3]進行的一項前瞻性隨機對照研究獲得相反結(jié)論。Sachiko等[4]的研究顯示術(shù)前藥物治療會增加卵巢內(nèi)異癥患者腹腔鏡術(shù)中正常卵巢組織的去除量從而降低卵巢儲備， 對內(nèi)異癥患者的生育能力造成不利影響。本文擬通過探討內(nèi)異癥相關(guān)不孕患者腹腔鏡術(shù)后妊娠率的可能影響因素， 嘗試找出改善該類患者妊娠率的有效方法[4]。
r-AFS評分系統(tǒng)是目前臨床上應(yīng)用最廣的內(nèi)異癥評分系統(tǒng)。但近年來有研究[5]顯示內(nèi)異癥患者術(shù)后妊娠率與r-AFS分期無統(tǒng)計學相關(guān)性， 作者的研究結(jié)果亦表明I～II期患者的妊娠率與III～IV期患者的妊娠率比較無顯著差異， 提示r-AFS分期不能很好地反映患者的生育能力。近年內(nèi)出現(xiàn)一個新的評分系統(tǒng)即子宮內(nèi)膜異位癥生育指數(shù)（EFI）， 但該系統(tǒng)在臨床尚未得到廣泛應(yīng)用， 其有效性仍需更多大樣本前瞻性研究進一步驗證。
本研究結(jié)果顯示腹腔鏡術(shù)后1年內(nèi)的妊娠率顯著高于術(shù)后1年后的妊娠率， 提示術(shù)后1年內(nèi)為最佳受孕時機。年齡（35歲患者的妊娠率顯著高于年齡）或等于35歲患者的妊娠率， 考慮與35歲后女性卵巢儲備功能明顯下降有關(guān)。不孕類型、不孕年限、腹腔鏡術(shù)后補充內(nèi)分泌藥物治療對妊娠率均無顯著影響。該結(jié)果與劉丹等[6]的研究相符。我們的研究同時顯示腹腔鏡術(shù)前是否輔助藥物治療對妊娠率亦無顯著影響。采用輔助生殖技術(shù)助孕與未助孕患者1年內(nèi)的妊娠率差異有統(tǒng)計學意義， 而超過1年后其妊娠率差異無統(tǒng)計學意義。多因素分析顯示無論是對于術(shù)后1年內(nèi)妊娠率還是隨訪2～4年術(shù)后累積妊娠率， 年齡是唯一恒定的影響因素。綜合上述因素我們不建議內(nèi)異癥相關(guān)不孕患者腹腔鏡圍手術(shù)期前后接受藥物治療?；颊呖捎谛g(shù)后短期期待， 醫(yī)師指導受孕， 對經(jīng)短期期待、醫(yī)師指導受孕而未能妊娠的內(nèi)異癥患者， 特別是年齡≥35歲的患者， 建議積極采用輔助生殖技術(shù)助孕。
參考文獻
[1] 關(guān)菁， 沈浣， 劉亞南， 等.腹腔鏡術(shù)后應(yīng)用促性腺激素釋放激素激動劑對I期子宮內(nèi)膜異位癥不孕患者生育能力的影響. 中華婦產(chǎn)科雜志， 2010， 45（4）：264-268.
[2] 葛春曉， 朱湘虹， 湯曉秋. 腹腔鏡保守性手術(shù)聯(lián)合戈舍瑞林治療重度卵巢內(nèi)異癥206例近遠期療效分析. 中華婦產(chǎn)科雜志， 2012， 47（8）：603-607.
[3] Loverro G， Carriero C， Rossi AC， et al. A randomized study comparing triptorelin or expectant management following conservative laparoscopic surgery for symptomatic stage III-IV endometriosis. Eur J Obstet Gynecol Reprod Biol.，2008， 136（2）：194-198.
[4] Sachiko Matsuzaki， Céline Houlle， Claude Darcha， et al. Analysis of risk factors for the removal of normal ovarian tissue during laparoscopic cystectomy for ovarian endometriosis. Hum Reprod， 2009， 24（6）：1402-1406.
1對象與方法
1．1研究對象
1．1．1被評價課程。某醫(yī)科大學為全日制在校研究生開設(shè)的16f-IPBL選修課程，涉及I臨床專業(yè)、基礎(chǔ)專業(yè)及人文倫理等學科領(lǐng)域，課程學時在9—18之間，每個班次參與人數(shù)在lO～3O人之間。
1．1．2問卷調(diào)查對象。以參與PBL課程的528名碩士研究生為研究對象，采用自填式問卷調(diào)查。
1．2研究方法
1．2．1編制調(diào)查問卷。采用“Dephil法”與“層次分析法(AHP)”進行評價指標的篩選和權(quán)重的確定，構(gòu)建了包含三級評價指標的醫(yī)學研究生PBL模式教學質(zhì)量評價體系J，以評價體系為基礎(chǔ)編制調(diào)查問卷。問卷共分四部分，包涵46個問題，第一部分用于收集填表人的基本信息；第二部分將評價體系中三級指標細化到問卷的題目中，指標與問題逐一對應(yīng)，對每門PBL課程的實際教學質(zhì)量進行量化評價，以此作為各門PBL課程教學效果的客觀評價標準；第三部分中的題目是對教學過程相關(guān)信息的收集，旨在尋找PBL課程實施過程中影響教學效果的相關(guān)因素；第四部分設(shè)置了兩道開放性問題，以獲得更符合被調(diào)查者想法的答案，收集更多研究者在問卷設(shè)計時未曾考慮到的信息。
1．2．2數(shù)據(jù)整理。對收集到的調(diào)查問卷進行篩查，剔除標準為：(1)漏項超過10％的問卷；(2)重復率超過90％的問卷；(3)兩組以上邏輯篩查項填答矛盾的問卷(問卷中設(shè)置了三組邏輯篩查項，若兩組及兩組以上邏輯相關(guān)性問題的回答存在矛盾，則認定被調(diào)查者沒有認真填寫該份問卷，該份問卷將被篩查掉)。
1．2．3統(tǒng)計學分析。采用Epidata3．02完成數(shù)據(jù)錄人，用SPSS13．0統(tǒng)計軟件進行統(tǒng)計分析。正態(tài)分布計量資料以±s描述，偏態(tài)分布計量資料以M(Q)描述，計數(shù)資料用率或構(gòu)成比描述。組間比較選用t檢驗或方差分析，變量之間關(guān)聯(lián)性檢驗采用Spearman等級相關(guān)分析，教學效果影響因素分析采用多元線性回歸模型。假設(shè)檢驗水準為雙側(cè)=0．05。
2結(jié)果
2．1一般情況
發(fā)放調(diào)查問卷536份，收回問卷528份，問卷回收率98．51％。回收的問卷中，15份問卷漏項超過10％，3份問卷選項完全一致，13份問卷存在邏輯性錯誤，共31份試卷被篩除掉，最后獲得有效問卷497份，問卷有效率94．13％。被調(diào)查對象中，男生占31．79％，女生占68．21％；年齡分布在21—36歲，平均年齡(24．52±1．74)歲；基礎(chǔ)醫(yī)學碩士占46．88％，臨床醫(yī)學碩士53．12％。
2．2PBL模式教學效果總體評價
從問卷中評價體系部分對PBL模式課程教學質(zhì)量量化評價結(jié)果可知，被調(diào)查者對PBL課程的總體評價得分為85．2O(11．95)，總體評價得分呈負偏態(tài)分布，醫(yī)學研究生PBL課程教學質(zhì)量總體評價得分偏向高分一側(cè)。評價得分在80．00—100．00之間的所占比例最高，近75％的參與學生對醫(yī)學研究生PBL課程的整體教學評分在8O．0o分以上，即絕大多數(shù)參與學生對PBL課程給予了較高評價。
2．3影響教學效果的單因素分析
以評價得分Y為應(yīng)變量，因Y呈負偏態(tài)分布，先采用變量變換的方式使其正態(tài)化，然后以l9個影響因素為自變量，進行單因素分析。
2．3．1授課對象相關(guān)因素。研究生生源類別、既往是否有工作經(jīng)歷、是否已取得醫(yī)師資格、對PBL模式的認知程度4個因素對醫(yī)學研究生PBL課程教學效果的影響有統(tǒng)計學意義(均P<0．05，t或F值分別為2．1l6，一2．850，一3．214，25．433)。其中，生源類別為定向、委培的研究生參與PBL課程的教學效果優(yōu)于非定向、自籌的研究生；既往有過工作經(jīng)歷的研究生參與PBL課程的教學效果優(yōu)于從未有過工作經(jīng)歷的研究生；已取得醫(yī)師資格的研究生參與PBL課程的教學效果優(yōu)于尚未取得醫(yī)師資格的研究生；對PBL模式?jīng)]有任何了解的研究生的教學效果最差，不同了解程度的研究生參與課程的教學效果問無顯著差異。此外，學生性別、年齡2個因素對醫(yī)學研究生PBL課程教學效果的影響無統(tǒng)計學意義。
2．3．2學習過程相關(guān)因素。所修PBL課程與專業(yè)的相關(guān)程度、選課目的、同一學期選課門數(shù)、課前資料準備情況、課堂討論參與度5個因素對醫(yī)學研究生PBL課程教學效果的影響均有統(tǒng)計學意義(均P<0．05，t或F值分別為90．829，48．136，137．69，122．232，27．637)。其中，所修PBL課程與研究生自身攻讀的專業(yè)越相關(guān)，獲得的教學效果越好；以掌握專業(yè)知識、提高學習興趣、尋求科研幫助等積極目的參與課程的研究生獲得的教學效果明顯優(yōu)于以單純拿學分、遵從導師要求等消極目的參與課程的研究生，具有雙重選課目的的研究生的教學效果介于兩者之問；同一學期選修PBL課程門數(shù)在3門以內(nèi)的研究生的教學質(zhì)量評價總分無顯著差異，優(yōu)于選修PBL課程門數(shù)超過3門的研究生；研究生在課前資料準備的越充分，最終獲得的教學效果越好；參與課堂討論頻率越高，討論態(tài)度越積極的研究生獲得的教學效果越好。
2．3．3師資配備相關(guān)因素。教師年齡、職稱、是否有留學經(jīng)歷、是否擔任研究生導師4個因素對醫(yī)學研究生PBL課程教學效果的影響均有統(tǒng)計學意義(均P<0．05，t或F值分別為5．239，2．289，1．937，4．050)。其中年齡在40—5O歲的PBL教師講授的課程獲得的教學效果最好，其余年齡分組的PBL教師的教學效果無顯著差異；具有副高級職稱的教師講授的PBL課程獲得的教學效果優(yōu)于其他職稱的教師；曾有留學經(jīng)歷教師講授的PBL課程的教學效果優(yōu)于未有留學經(jīng)歷的任課教師；擔任碩導工作的任課教師講授的PBL課程的教學效果優(yōu)于擔任博導和未曾擔任研究生導師的任課教師。此外，教師性別、學位級別2個因素對醫(yī)學研究生PBL課程教學效果的影響無統(tǒng)計學意義。
2．3．4課程相關(guān)因素。不同類型PBL課程的教學效果間存在統(tǒng)計學差異(F=15．96，P=0．000)，臨床類和人文類PBL課程的教學效果優(yōu)于基礎(chǔ)類PBL課程。而將相同PBL課程安排在不同學年開設(shè)獲得的教學效果無統(tǒng)計學差異。
2．4影響因素間的相關(guān)性分析
在影響教學效果的因素中，部分因素間可能存在相關(guān)性，進行相關(guān)分析后可知：學生的生源類型與既往是否有工作經(jīng)歷之間r=0．305，P=0．000<0．05，即生源類型為定向和委培的研究生大多曾經(jīng)有過工作經(jīng)歷；教師職稱與教師年齡之間r。=0．328，P=0．000<0．05，即年齡越大的教師其職稱越高，兩者間具有相關(guān)性。
2．5教學效果相關(guān)因素的多元線性回歸分析
經(jīng)單因素分析，共得到14個影響因素，同時考慮到學生的生源類型、教師職稱兩個因素，分別與學生既往是否有工作經(jīng)歷、教師年齡之間有相關(guān)性，根據(jù)經(jīng)驗式診斷，不將學生的生源類型和教師職稱兩個因素納入方程。以教學質(zhì)量評價得分Y作為應(yīng)變量，12個影響因素作為自變量，并將分類變量轉(zhuǎn)化成啞變量，采用forward法引人多元線性回歸分析，擬合主效應(yīng)模型。12個自變量分別為與授課對象特征相關(guān)的研究生既往是否有工作經(jīng)歷、是否已取得醫(yī)師資格、對PBL模式的認知程度，與學習過程相關(guān)的所修PBL課程與專業(yè)的相關(guān)程度、選課目的、同一學期選課門數(shù)、課前資料準備情況、課堂討論參與度，與師資配置相關(guān)的教師年齡、是否有留學經(jīng)歷、是否擔任研究生導師以及與課程管理相關(guān)的課程類型。結(jié)果顯示，最終進入模型的根據(jù)其影響程度大小依次為：學生課前資料準備情況、學生所修PBL課程與專業(yè)的相關(guān)程度、課程類型、學生同一學期選課門數(shù)、教師是否擔任研究生導師、學生課堂討論參與度、學生對PBL模式的認知程度以及學生有既往是否有工作經(jīng)歷8個變量。回歸模型的復相關(guān)系數(shù)R為0．698，校正復相關(guān)系數(shù)adi為0．686，即最終模型可解釋的變異占總變異的69．8％。回歸模型的方差分析F=58．238，P=0．000，回歸方程的擬合優(yōu)度較好。變量(啞變量)回歸系數(shù)的假設(shè)檢驗結(jié)果見表1：
3討論
國內(nèi)醫(yī)學院校對PBL模式課程教學的研究，大多集中在“教學手段或方法”、“教學內(nèi)容”等方面的改革研究上，對教學效果的研究多是基于單門課程或單個小班傳統(tǒng)教學模式與PBL模式的對照研究。本研究通過在醫(yī)學研究生群體中大規(guī)模的實踐PBL教學模式，對PBL模式在醫(yī)學研究生群體中應(yīng)用的教學效果及影響因素進行研究和評價，為進一步改進PBL課程的各實施環(huán)節(jié)，提高研究生課程教學質(zhì)量提供依據(jù)。
3．1提高研究生教學安排對PBL模式的適應(yīng)性
高水平的教學組織安排是保證PBL順利開展的前提。PBL作為一種全新教學模式，從課程的開設(shè)到課程的組織與管理，都需在傳統(tǒng)教學管理模式上做出適應(yīng)性調(diào)整。研究結(jié)果表明，研究生對PBL模式的認知程度及既往是否有工作經(jīng)歷直接影響PBL課程的教學效果，故在課程組織過程中，開課前應(yīng)根據(jù)PBL模式的理念、發(fā)展趨勢、基本思想及授課流程對擬參與學生進行培訓，或定期開設(shè)PBL示范課程，提高學生對PBL模式的整體認知程度，以獲得更好的教學效果。在課程的實施過程中，采取科學的分組策略，兼顧各組中研究生在既往工作經(jīng)歷、年齡、性別及經(jīng)歷背景等方面的比例，利于研究生在學習過程中實現(xiàn)優(yōu)勢互補，提高教學效果。此外，本研究結(jié)果顯示，我校開設(shè)的研究生PBL課程中，臨床和人文類課程的教學效果優(yōu)于基礎(chǔ)類課程，這可能與課程設(shè)置及本校生源特點有關(guān)，不具有普遍性。同時也說明，在我國以教師為主的傳統(tǒng)教學主流下推行PBL模式，不同高校在實踐PBL模式的過程應(yīng)實現(xiàn)個性化發(fā)展，根據(jù)各高校生源特•58-點和學科側(cè)重，充分考慮各個環(huán)節(jié)影響因素，合理選擇適宜課程實踐PBL模式，才能更好的推廣PBL課程，實現(xiàn)教學效果的最優(yōu)化。
3．2合理組建PBL課程教學團隊
PBL課程指導教師的教學技能與其受到的教育方式、專業(yè)知識水平、社會閱歷、所參加的教學方法培訓有關(guān)J。在PBL教學過程中，教師作為資源提供者，要善于合理構(gòu)造和設(shè)計問題；作為促進者，要具備很強的課堂駕馭能力；作為評價者，要善于肯定和發(fā)現(xiàn)問題J。研究結(jié)果表明，研究生導師參與PBL課程的教學效果優(yōu)于其他任課教師，一方面研究生導師具備一定教學經(jīng)驗，更了解研究生的學習習慣和實際需求，在課程中易于依據(jù)研究生需求對問題的設(shè)計和整個授課過程做出調(diào)整；另一方面，當前我國研究生導師年齡趨于年輕化j，年輕化的教師隊伍善于理念更新，對PBL這種新型教學模式的接受程度更高。故在組建PBL課程團隊時，應(yīng)注重培養(yǎng)中青年P(guān)BL課程教學團隊，充分鼓勵中青年教師，特別是研究生導師經(jīng)過規(guī)范的PBL培訓，參與到研究生PBL課程教學中，在教學實踐和探索的過程中實現(xiàn)理念創(chuàng)新。在此過程中大學或?qū)W院從管理層面應(yīng)發(fā)揮核心作用，為教師提供實踐平臺，制定計劃性強、規(guī)范有序的培訓方案，幫助教師更新教學理念、了解新的教學方法、掌握新的教學技巧、適應(yīng)新的角色，在研討問題的設(shè)計和教師的引導技巧方面不斷完善和提高。
一、基于SPSS的統(tǒng)計學課程框架
傳統(tǒng)統(tǒng)計學課程框架是典型的學科中心課程，其特征是將課程內(nèi)容按知識的邏輯結(jié)構(gòu)關(guān)系組織在一起，追求知識的完整性、系統(tǒng)性，強調(diào)知識的傳授、信息獲得和記憶，忽視對學生的技能訓練，難以達到將理論用于實踐的目的。SPSS在教學上的應(yīng)用，給我們改革統(tǒng)計學課程提供了契機。新課程教學模式可概括為:以統(tǒng)計軟件SPSS作為教學平臺，以數(shù)據(jù)收集+統(tǒng)計學基本原理和思路+數(shù)據(jù)處理軟件為核心。課程理念凝煉為“略去證明、講清原理、依托軟件、突出實用”十六字方針。具體表現(xiàn)在:(1)理論講授著重“講清基本原理，略去繁難的證明”，可分為數(shù)據(jù)搜集、數(shù)據(jù)整理、描述統(tǒng)計、統(tǒng)計指數(shù)、相關(guān)與回歸等模塊。統(tǒng)計學理論的講授以“必需夠用”為原則。(2)上機實踐環(huán)節(jié)強調(diào)“依托SPSS，突出實用”，要求學生熟悉SPSS的操作基本流程:打開數(shù)據(jù)文件、確定統(tǒng)計程序、指定統(tǒng)計變量、解釋統(tǒng)計結(jié)果。采用多媒體教學手段，以計算機軟件為主要教學工具。著重培養(yǎng)學生的實踐操作技能，突出體現(xiàn)職業(yè)教育的技能性、應(yīng)用性。課程改革目標是培養(yǎng)學生在專業(yè)領(lǐng)域中的數(shù)據(jù)分析能力，具體包括兩個方面的內(nèi)容:在掌握統(tǒng)計基本原理的基礎(chǔ)上，培養(yǎng)學生的理性;以統(tǒng)計軟件為依托，以專業(yè)典型數(shù)據(jù)分析任務(wù)為載體，培養(yǎng)學生的應(yīng)用性。課程框架的特點不是介紹理論統(tǒng)計學的數(shù)學原理，而是側(cè)重闡述統(tǒng)計方法的思路與思想，并輔以大量經(jīng)濟與管理的實例，通過SPSS統(tǒng)計軟件實現(xiàn)具體統(tǒng)計步驟。SPSS軟件是教學平臺，整合各方面因素以有利于學生數(shù)據(jù)分析能力的培養(yǎng)。
二、統(tǒng)計學課程載體的選擇和實現(xiàn)
有人認為課程載體是:“只要它能為你的教學目標服務(wù)，能承載你的教學內(nèi)容，具體的存在物，載體是一個可望又可及的目標，在它被完成后，學生往往會有強烈的成就感。”選擇課程載體有六個原則:承載課程教育目標;涵蓋完整工作過程;涵蓋后續(xù)崗位所需的職業(yè)素質(zhì)要求;涵蓋技術(shù)文檔制作;涵蓋成本核算;涵蓋過程考核與綜合考核。我們認為統(tǒng)計學課程載體就是承載一定職業(yè)能力的任務(wù)或項目，學生通過完成任務(wù)或項目，養(yǎng)成數(shù)據(jù)分析能力。課程載體的選擇必須在專業(yè)典型工作任務(wù)或項目中尋覓。不同專業(yè)的統(tǒng)計學課程基本理論可以一樣，但其課程載體必須體現(xiàn)不同的專業(yè)性。以會計專業(yè)統(tǒng)計課程為例，學習描述性統(tǒng)計分析時，以上市銀行一些重要財務(wù)指標的會計信息與股票價值相關(guān)性研究為載體。
第一步，搜集數(shù)據(jù)。學生分小組搜集20～30家上市的金融銀行類股票一定時刻的股票價格、流動比率、凈資產(chǎn)負債比率、固定資產(chǎn)比率等財務(wù)指標。
第二步，數(shù)據(jù)錄入。打開SPSS軟件，進入“變量視圖”，定義好變量。切換到“數(shù)據(jù)視圖”中輸入變量的具體取值。
第三步，確定統(tǒng)計程序。點擊“分析”、“描述統(tǒng)計”、“描述”，打開“描述性”對話框。第四步，指定統(tǒng)計變量。將“流動比率”、“凈資產(chǎn)負債比率”等選入“變量”列表。單擊選項按鈕進入“描述:選項”對話框，如圖1所示。第五步，結(jié)果解釋。結(jié)合統(tǒng)計學知識和專業(yè)知識，學生可從平均股價、凈利潤等統(tǒng)計指標看我國銀行業(yè)經(jīng)營狀況。會計專業(yè)學生通過SPSS完成上述任務(wù)，加深對描述統(tǒng)計理論知識的認識，也與未來工作中的典型任務(wù)相結(jié)合，體現(xiàn)了統(tǒng)計學課程的技能性、應(yīng)用性。區(qū)別于傳統(tǒng)模式，改革后的統(tǒng)計學課程由不同的任務(wù)或項目組成，用SPSS加以實現(xiàn)。
三、SPSS對統(tǒng)計學課堂學習的影響
1．產(chǎn)生了新的教學要素
應(yīng)用SPSS軟件以前，學生需要直接面對各種數(shù)據(jù)，至多借助計算器完成計算。SPSS為統(tǒng)計學課程提供前所未有的技術(shù)支持，在人和數(shù)據(jù)之間產(chǎn)生了一個“新界面”。SPSS的作用不僅僅是工具意義，它其實作為一個新的教學要素參與教學。SPSS引起了教學方式和教學價值觀的深層變革。SPSS與統(tǒng)計學課程的整合營造出信息化教學環(huán)境，在此環(huán)境里，形成“自主、探究、合作”為特征的教與學方式，極大激發(fā)了學生的主動性、積極性、創(chuàng)造性。
2．促進了學生自主學習
何克抗教授曾強調(diào)，“建構(gòu)主義的教學設(shè)計主要有兩大部分:一是學習環(huán)境的設(shè)計，二是自主學習策略的設(shè)計”。SPSS極大改善了統(tǒng)計學的學習環(huán)境，也為學生自主學習策略的設(shè)計提供更廣闊的空間和可能性。采用SPSS平臺學習統(tǒng)計學，可有效簡化統(tǒng)計過程。數(shù)據(jù)輸入、整理、選擇統(tǒng)計功能、結(jié)果解釋、預測、圖形輸出等對學生都不是難事。而且，計算機特有的模擬和動態(tài)演示功能，使統(tǒng)計學的抽象理論變得直觀、具體、形象，從而增強學生對概念的理解。建構(gòu)主義堅持“做中學”的學習觀，其實可區(qū)分為兩種類型:“學中做”的自主學習和“做中學”的自主學習。在統(tǒng)計學課程學習初期為“學中做”，教師“教”的比重要大一些，課程載體的選擇要有一定的廣度;學習后期為“做中學”，學生“學”的比重要大一些，課程載體的選擇要有一定的深度。
3．出現(xiàn)了新的問題
首先，提高統(tǒng)計學課程的師資水平。授課教師應(yīng)該熟悉所教專業(yè)的典型工作任務(wù)，開發(fā)適合統(tǒng)計課程的合適載體，根據(jù)社會需求調(diào)整統(tǒng)計知識內(nèi)容范圍。受課程標準的限制，當前講授的統(tǒng)計知識內(nèi)容主要圍繞描述統(tǒng)計和推斷統(tǒng)計，一些多元統(tǒng)計方法(聚類分析、主成分分析、因子分析等)在課堂上很少涉及。
在多元回歸分析中，自變量“家庭可支配收人”為定距變量可直接引人，學生個人人口統(tǒng)計學變量和家庭背景變量都屬于定類或定序變量，需要先將其轉(zhuǎn)換為虛擬變量才能引人線性回歸模型中，這里使用最小二乘法(OLS)估計回歸模型參數(shù)。進人模型的7個變量分別為：家庭可支配收人、專業(yè)類別、情感狀態(tài)、兼職情況、父親受教育程度、母親受教育程度、家庭經(jīng)濟來源主要承擔者的職業(yè)類型，而學生性別、年級等控制變量均未通過顯著性檢驗，故沒有呈現(xiàn)(如表9所示)。
表9中的模型(1 ),(2)基于農(nóng)村大學生樣本，模型(3)、(4)基于城鎮(zhèn)大學生樣本，模型(5)、(6)基于總樣本并同時引人學生來源地變量。上述h個回歸模型分別控制了父親受教育程度或母親受教育程度，回歸結(jié)果顯示，各模型的有效解釋率或擬合優(yōu)度介于37.707o}77.fi%之間，F(xiàn)統(tǒng)計量的顯著性概率值均小于0.001，且多重共線性診斷統(tǒng)計量表明不存在嚴重多重共線性問題，總體上看，各個回歸模型的擬合程度滿足要求，具有統(tǒng)計學意義。進一步分析發(fā)現(xiàn)不同因素對大學生家庭高等教育負擔比的影響呈現(xiàn)不同特征
第一，“家庭可支配收人”變量對城鄉(xiāng)大學生家庭高等教育負擔比有最顯著影響。其回歸系數(shù)均顯著為負，表明隨著家庭可支配收人的增加，大學生家庭高等教育負擔比隨之下降，其中，農(nóng)村家庭可支配收人增加對降低高等教育負擔比的影響更大。
第二，大學生“情感狀態(tài)”因素有顯著影響。戀愛中的農(nóng)村大學生的家庭高等教育負擔比顯著高于單身的農(nóng)村大學生家庭，這可能與談戀愛的農(nóng)村大學生需要更多額外支出有關(guān)；與此相反，戀愛中的城鎮(zhèn)大學生家庭高等教育負擔比顯著低于單身的城鎮(zhèn)大學生，這可能與談戀愛的城鎮(zhèn)大學生自身家庭經(jīng)濟條件比較優(yōu)越有關(guān)，在校額外支出對其家庭可支配收人的影響微不足道不過，總體上看，戀愛中的大學生給家庭帶來的高等教育負擔要明顯高于仍處于單身的大學生。
第三，農(nóng)村或城鎮(zhèn)家庭中“母親受教育程度” 影響要比父親更加顯著，只是影響的方向和程度有所不同。在家庭可支配收入不變的情況下，對于農(nóng)村家庭來說，母親受教育程度越高，其家庭高等教育負擔越重。這驗證了家長受教育程度越高，越會重視教育和盡力滿足子女教育需求，更傾向于為子女受教育支出更多的情況‘“〕，而且有研究發(fā)現(xiàn)母親的影響更大。對于城鎮(zhèn)家庭來說，母親具有高中及以上受教育程度的家庭，其家庭高等教育負擔比要比受教育程度更低的家庭更低。造成這種反向差異的原因可能來自兩方面：一是城鎮(zhèn)母親受教育程度越高，越具有多元化資本(已有經(jīng)驗實證研究表明我國城鎮(zhèn)地區(qū)的女性教育回報顯著高于男性，這對減少或節(jié)省子女在讀期間的顯性支出具有重要作用，在不考慮隱性教育支出的情況下，子女顯性教育支出的減少使得家庭高等教育負擔比的估值降低；二是調(diào)查數(shù)據(jù)存在誤差，具有高受教育程度的農(nóng)村母親樣本并不多，本身不足以很好地解釋模型。父親受教育程度對農(nóng)村或城鎮(zhèn)家庭高等教育負擔比的影響并不顯著。不過，基于不分學生來源地的全樣本回歸結(jié)果顯示，總體上看，父親或母親的受教育程度與家庭高等教育負擔的關(guān)系并不大。