目前，大学生的综合素质与社会的要求不匹配的问题日益突显出来。这不只会影响学生个人的发展，对整个社会的发展也是不利的。尽管近些年国家一直呼吁大学全面提高人才培养质量，开展素质教育，但能做到德智体美全面发展的学生仍为少数，大部分学生还是重视成绩而轻视其它方面，重视理论知识而轻视社会实践，重视机械学习而轻视人文情怀。造成这些问题一个不容忽视的原因便是学生素质测评环节的不完善。当前，我国各高校仍采用成绩加权平均，再加一些课外奖励的方法对学生进行笼统排队来对学生进行测评，然而该方法指标较模糊，主要看中学生的学习成绩而忽视学生的全面发展和潜在素质，这些都影响了素质评价本身激励、调节等作用的发挥，也使得很多在校生仍然像在中小学时，两耳不闻窗外事，一心只读圣贤书。不发展自己的兴趣爱好，不去提高自己的人文素养及心理健康，甚至因为盲目地攀比做出伤天害理的事情。良好的有效的评价体系，应该形成有效地激励机制，全面并有针对性的对学生做出评价，帮助学生来认识自我，发展自我优势，扬长避短。同时也帮助学校包括学生毕业后的用人单位来了解学生情况，有针对性地开展工作。总的说来，如何培养适应社会发展的具有较高综合素质的学生，如何评价培养出来的学生是否具有良好的综合素质，给出一个合理的评价模型，很重要也很有必要。本文用到的主要研究方法是因子分析法。文献综述

1。1。2国内外研究现状和发展趋势

2、因子分析的方法及模型

2。1因子分析的基本思想

因子分析是一种基于降维思想的数据简化技术，它通过计量变量之间的相关系数矩阵分析变量之间的相关性，把相关的变量找出来，相关性较强的变量成为一类，最终形成几类假想变量，不同类间变量的相关性则较低。每类变量代表了一个“公共因子”，因子分析就是寻找公因子，并解释每个因子的含义。由于能够反映原来众多变量的主要信息的假想变量是不可观测的潜在变量。因子分析正是利用这些潜在变量或基本特征来解释可观测的原始变量。以从中提取出几个互不相关独立的随机变量代表所有原始变量描述变量间的相关关系，因此在某种程度上把它作为主成分分析的推广和发展。换言之，因子分析是在一组具有相关性的数据中，在保证数据信息丢失最少的情况下，将原来的高维变量空间降维处理为低维变量空间，即把原始变量指标转化为独立不相关指标的一种多元统计分析方法。在分析过程中变量个数越少，处理起问题越容易。

2。2因子分析的基本理论及模型

对于多指标（变量）问题，形成的背景原因是多种多样的，许多指标可能一起受制于其一或好几个因素，这些指标的变动在很大的程度上取决于这些因素，这些共同因素就被称作公共因子。而对其一特定变量来说，它的变动受共同因素的制约外，也有可能受一些特殊因素的制约，这些特殊因素我们把其称为特殊因子。因子分析就是用样本数据资料把每一个原始变量起支配作用的公共因子和特殊因子的线性函数来表示，便于达到较好地解释原始变量的相关性并降低维数的目的。一般要使公共因子在专业上有意义且尽可能少，公共因子共同作用于各个变量，特殊因子仅作用于对应的变量。

下面给出一般的因子分析模型：设有n个样本，每个样本观测p个变量，这p个变量之间有较强的相关性。由于数据进行标准化后，不改变变量之间的相互关系，而又能消除量钢及数量级的不同所造成的影响，使问题得到简化。所以下面的讨论都建立在已经标准化的数据上。将样本观测数据进行标准化处理的变量 ，则此时的 均值为0，标准差为1。