本次评价中，我们在审定了评价体系并确定评价对象后，对原始数据进行了全面核查，并对异常数据进行处理，然后利用我们自己设计的“中国研究生教育评价信息系统”进行数值计算、统计得分。

 

     分类评价是当前科学评价的热点和难点，专业评价是教育评价的微观层面，其复杂度和难度之大难以想象。通过多年的评价实践，认识到利用题录信息可以完成论文分类，有人提出《学科分类与代码》是中国科学评价领域的最佳分类体系。在梳理常规分类方法的基础上，归纳出这些方法适合于分类评价的方面，而且对这些方面进行进一步的改造和融合，提出和构建了科学评价论文分类系统，其特点是“二次分类”和“自动生成训练集”。该系统巧妙利用期刊分类器和类号转换器，实现了二次分类和自动生成测试集，提高了支持向量机（support vector machine，SVM，一种机器学习算法）的分类精度，也避免了繁重的人工分类任务。实验证明本系统能胜任科学评价中的论文分类任务。本次评价继续使用该系统并适当改进。在其他数据指标的分专业过程中，采用人机结合的方式，大量使用VBA、Java等设计程序，提高了工作效率和准确性。

 

     最后，我们利用“中国研究生教育评价信息系统”进行数值计算、统计得分和排行榜生成。在评价过程中，我们进一步实现智能与人工的密切配合，加强了误差判定，对波动较大的数据进行了人工校准，提高了效率，保证了准确率。

 

     在评价的初步结果出来之后，邀请各领域专家对结果进行分析，将反馈的意见纳入最终的结果，达到了定量评价和定性评价的完美结合，使评价的结果更具科学性和权威性。

 

     在结果的呈现方式上，根据集中与离散分布规律，在各评价结果的表示方面，将各排行榜中的竞争力依次分为5个等级，并用星级表示：①5★为具有重点优势竞争力的单位，即排在最前面10%的培养单位（其中，排在前1%（含1%，下同）的为5★+级，前1%以后至5%的为5★级，5%以后至10%的为5★-级）；②4★为具有优势竞争力的单位，占总数的10%，即排在10%～20%的单位；③3★为具有良好竞争力的单位，占总数的30%，即排在前20%～50%的单位；④2★为具有一般竞争力的单位，占总数的40%，即排在前50%～90%的单位；⑤1★为具有较差竞争力的单位，占总数的10%，即排在90%～100%的单位。