（二）国内外研究现状

虽然，随着计算技术以及网络技术的发展，科研项目申报已经逐步地实现了系统化、信息化的管理。但就科研项目的评估环节而言，依旧需人为地对科研项目进行评估。目前，国内外对科研项目进行评价常用的传统方法主要有同行评议法、层次分析法、加权优序法、效用函数法、相关分析法、综合评价法及模糊综合评价法等[1]。国外在20世纪60年代就开始了科研项目评价，但早期的评价大多是定性的分析。1977年，英国苏克塞斯大学科技政策研究所（SPRU），对政府资助的6个研究机构的科研活动进行了评价；1993 年，德国前科技部实施了“原评价计划”，对 1985 年以来资助的50个科技项目进行评价和分析对比，并以此作为改进科技项目管理的依据[2]。我国开展科研项目评价工作的时间相对较晚，20世纪90年代之后这项工作才得到关注。

传统对科研项目的评价方法存在诸如缺乏对历史数据的分析利用、专家知识无积累、对评估组织的知识和经验要求高、评估工作存在主观性等缺点。由于科研项目的评价指标与目标之间存在一种复杂的非线性关系，难以用确定的数学关系来描述，传统的评价方法难以再现系统要素之间复杂的内在规律[9]。数据挖掘中分类技术的出现为解决这些非线性问题提供了技术支持。与传统的评价方法相比，分类预测凭借较强的学习能力为评估是否给予科研资助提供了更好的选择。

有关分类预测在科研资助申请方面的应用的参考文献比较少，但随着数据挖掘技术在信息产业界引起广泛关注，分类预测作为其中一个主要的研究方向，开始有了广泛的应用。如大连理工大学师铮采用BP神经网络对研发人员能力进行评价，各属性的权重由神经网络通过训练学习自动确定，避免了专家打分、层次分析和模糊评价等方法中存在的主观因素过强的弊端[11]。武汉理工大学佘春雨和梁祥君采用进化神经网络法对科研项目进行了评价，并详细设计了算法实现过程中的控制参数，采用ENN参数代替直接用梯度法求网络参数[2]。武汉理工大学潘安娥利用 BP 神经网络对科技项目的社会经济效益进行综合评价，与传统的层次分析法、模糊综合评判法等相比较，无需人为确定权重，更为客观可靠[6]。中国地质大学谷琼等人采用成C4.5算法对高校研究生信息库进行数据挖掘，构建决策树模型，对学生的发展情况进行预测[10]。华南理工大学杨知玲[9]采用C4.5算法构建决策树模型对贫困生等级进行了评价，将分类结果与学校已有结果进行对比，显示良好的预测准确率和精确度，并从构建的贫困生评价模型中提取规则分析，发现了影响贫困生分类的重要标准和评价规则，从而为完善贫困生评价体系和改进评价工作提出了有效建议。哈尔滨工业大学吴冲等人[7]基于支持向量机对个人信用进行评估。中南民族大学胡晶晶[8]采用BP神经网络和RBF神经网络两种神经网络模型分别对科研人员项目申报进行了评价，得到两种模型的实际输出与期望输出的误差均值均小于0.1%，证实了神经网络在科研项目申报评价上的可行性。并且就两种模型进行了收敛速度、训练进度、逼近能力上比较，从而得出RBF神经网络对实际评估项目具有更好的预测能力。Ian Harris，Michael Mainelli，Peter Grant 和Jenny [14]采用支持向量机对新机会基金(NOF)和城市教会基金会的资助方案进行了预测性分析，并与资助机构的从业人员进行的事后定性审查结果进行比较，得出基于支持向量机的分类预测工具对新机会基金(NOF)的资助方案具有预测能力，但对城市教区基金会的资助方案没有显著的预测能力。这样的结果是由于这两个机构在资助的预先评估流程和事后评估上存在较大的差异。Ian Harris等人的研究证明了支持向量机模型对科研项目申报的评估具有一定的可行性。这些证实了预测技术能够在一定程度上提高资助机构资助的有效性，并为他们的资助决策提供依据。 科研资助申请的分类预测(3):http://www.chuibin.com/shuxue/lunwen_205544.html