基于一般地方高校视角的人才培养模式绩效评价

柳炳祥 田 原 余姗姗 黄远明 费若岚

（景德镇陶瓷大学信息工程学院，江西 景德镇 333403）

基于一般地方高校视角的人才培养模式绩效评价

柳炳祥 田 原 余姗姗 黄远明 费若岚

（景德镇陶瓷大学信息工程学院，江西 景德镇 333403）

一般地方高校为地方各项事业的建设和发展提供了大量的人才，不断提高人才培养绩效是一般地方高校的努力目标。但是，人才培养模式的评价指标具有不确定性、评价过程具有动态性。故对于构建的评价指标体系，采用熵权法、主成分分析方法及BP神经网络方法综合确定指标权重，使用马尔可夫链理论得出不同时间阶段内专业人才的发展趋势及综合评价结果。最后，通过实例证明该评价方法的可行性及有效性。

一般地方高校；人才培养模式；绩效评价

1 引言

人才培养模式绩效评价是关系着高校人才培养质量监控管理与绩效改善。对绩效评价问题的研究包括：评价指标体系的研究及综合评价方法。基于服务地方经济的一般地方高校视角的人才培养模式绩效评价，需秉承全面、协调、可持续的科学发展观，充分考虑高校的办学层次、所在地区、所提供教育产品的服务职能等差异性；需克服绩效评价方式单一的弱点，不断研究多角度评价的集成机制；需在静态评价为主的基础上，增加动态过程评价方法。

本文试图通过学习国内外先进的绩效评估理论和方法，构建基于一般地方高校视角的人才培养模式绩效评价方法，并以本校信息管理与信息系统专业为例进行实证分析。

2 确定评价指标体系权重

2.1 基于一般地方高校视角的人才培养模式指标体系

人才培养模式体系，以服务学生、注重学生利益为前提，其中的培养计划应具有战略性与前瞻性，同时重视学生个体的素养、能力、知识等方面的全面发展，从而建立学校、教师、学生三方的信任合作共赢局面。

在人才培养模式绩效评价过程中，应保证评价方向不产生偏差，剔除难以量化的指标，遵循绩效指标体系设计的基本规律和基本要求，进行系统分析和深入研究，以保证评价指标的实用性、有效性和合理性，并最终构建适用于一般地方高校专业人才培养模式评价的指标体系。在参照其他一般地方高校专业人才培养模式绩效评价的基础上，从学校、教师、学生三方协同良性发展的前提出发，依照指标选取的原则，从资源利用效率（基础条件）、专业人才培养过程、质量反馈等三个方面遴选出测度一般地方高校专业人才培养模式绩效评价的各指标，遴选出由41个具体指标，构成专业绩效评价三级指标体系[1]，见表1。

2.2 确定指标体系的权重

人才培养是一个复杂的系统工程，人才培养模式的绩效评价同样是一个复杂的非线性系统。随着云计算、物联网、大数据的时代特征凸显，及学习、生活、生产、娱乐的全面智慧化、多元化，绩效评价体系的指标将趋于数量增加化、影响动态化。也就是说，即将从多个渠道获取到的人才培养过程及人才发展过程中的数据会越来越全面，评价指标的数量也将随之增加；各指标对人才培养模式绩效评价结果的影响程度也将随之变化。所以，从趋势上来说，绩效评价中应建立权重的动态学习机制。

因此本文没有采用层次分析法等主观赋权方法，而采用能够动态学习的客观赋权方法。采用熵权法[2]、主成分分析

法[3]及BP神经网络方法[4]分别确定各指标的权重，然后采用算术平均法确定各指标的综合权重。假设有m个评价对象，n个评价指标，指标数据矩阵为X=[xij]m×n。

2.2.1 熵权法确定指标权重

熵权法基于信息论的基本原理，根据各个指标的样本值中所包含信息量的多少来确定指标权重，一个指标的信息熵越小，该指标的权重越大。采用熵权法确定指标权重的主要步骤如下：

(3)计算指标j的信息效用值：dj=1-ej；

表1 专业绩效评价三级指标体系

2.2.2 主成分分析法确定权重

主成分分析方法通过矩阵变换的方式，将高维相关的变量变为低维不相关的综合指标变量，能够实现对数据集的降维。该方法不需要事先做假设，可以有效利用评价数据，而且分析结果由数据本身的性质决定。采用主成分分析方法确定指标权重的步骤：

(2)计算矩阵Z的相关系数矩阵R：

(3)求 R的特征值：解得 n个特征值λ1≥λ2≥…≥λn≥0；并分别求出对应于特征值λi的特征向量 Ei（i=1，2，…，n），eij表示向量 Ei的第j个分量（j=1，2，…，n）；

(4)求各主成分的贡献率gi，及主成分累计贡献率Gi，其中；并确定k值，使主成分累计贡献率达80%以上：即Gi≥0.8；

(5)根据累计贡献率准则计算主成分载荷：lij=；

(6)求各主成分Fi：Fi=；

(7)计算指标j的权重：

2.2.3 BP神经网络确定权重

BP神经网络是在1985年由Rumelhart等人提出的误差反向传播算法的基础上发展起来的，是一种多层次前向反馈型神经网络，该网络的拓扑结构由输入层、隐含层和输出层组成。不同于主成分分析法，BP神经网络能够将过去的经验记忆到网络结构中。采用BP神经网络确定指标权重的步骤如下：

(1)计算各层输出：BP网络的输入层包含n个节点，对应指标体系中的n个评价指标；隐含层包含k个节点，输出为Y；输出层包含一个节点，输出为O，期望输出用D表示。输入层到隐含层之间的连接权用V表示，隐含层到输出层之间的连接权用Z表示。若激活函数按常规选用Sigmoid函数，即：；则隐含层输出为：；输出层的输出为：；将矩阵V、Z中的元素随机赋一个较小的初始数值；

(2)计算网络误差：输入一个训练样本之后，计算输出误差Ei，；网络总误差为E，；

(3)各层权值调整：通过计算误差，得到新的权值，采用的公式有：

其中δo是期望输出与实际输出之间的误差；是隐含层的误差；η∈(0,1)，称为学习率；μ∈(0,1)用来提高网络的收敛速度；

(4)返回步骤（2）继续训练网络；

(5)所有样本训练完成后，如果E小于事先设定的误差阈值（阈值设为一个正小数），训练结束；否则令E=0，返回步骤（2），重新依次输入所有的样本，再次训练该BP神经网络；

(6)计算指标j的权重：训练结束后，

2.2.4 指标体系综合权重

综合权重Wc由以上三种方法所求得的权重进行算术平均之后求得，这种方法可以兼顾以往经验及样本数据本身的特性。

3 绩效评价方法

为了消除每届学生培养过程中软硬件条件的基础性差异对于绩效评价结果的影响，采用齐次马尔可夫链方法[5]来进行人才培养模式的绩效评价，以真实反映人才培养的质量及人才的发展趋势。

3.1 马尔可夫链基本思想

给定一个n维状态空间的系统，随机向量X=(x1,…,xn)，qt表示x在时刻t的状态，系统在有规律的、间隔的离散时刻，根据以前的状态值以给定的概率P转移到下一状态，，aij为 转 移 概 率 ，aij≥0并且=1。也就是说，给定当前的状态，未来系统的状态独立于过去的状态，这个性质也称为齐次马尔可夫性。

将aij(n)按行组成一个矩阵A，A称为一步转移概率矩阵，经k步转移之后得到的概率矩阵为k步概率转移矩阵A(k)，A(k)=A(k-1)∙A=…=Ak，此时马尔可夫链逐渐处于稳定状态，且与初始状态无关。

3.2 采用马尔可夫链进行绩效评价

计算每个指标的稳定向量，得出所有指标的稳定矩阵F， F=[X1,X2,…,Xn]T；则最终评价结果向量为Ge，Ge=Wc×F。

4 实例分析

评价数据取自信息管理与信息系统专业五届学生的所有8个学期的评价数据，由上述三种计算指标权重方法确定出综合指标权重，见表2。

表2 某届信管专业学生的部分得分（标准化之后）及指标权重情况表

接着计算每届学生每个指标的稳定向量，得出稳定矩阵F，并求出每届学生的Ge。若将评价等级分为{优秀、良好、中等、及格、不及格}五个等级，对应的隶属度向量为[5,4,3,2, 1]，则每届学生的最终评价结果值Rank为：Rank= Ge×[5,4,3,2,1]T。评价结果见表3所示。

表3 五届学生的培养模式绩效评价结果

马尔可夫过程的稳定状态表明，在一定的教学条件下，学生在大学期间的成长过程及水平与入学时的基础无关，入学时的基础差异不影响采用马尔可夫链来进行培养模式质量评价的评价结果。由表3可以看出，第D届学生的评价结果值最高，说明该届学生未来的发展趋势最好，培养效果最好。第C届学生的评价结果值最低，需要仔细分析培养过程中出现的关键问题，以图改进。这一结论与实际情况是吻合的。说明本评价方法是有效的、可行的。

5 结束语

本文基于机器学习方法，在同一个评价指标体系框架下，考虑环境变化及学生本身不同的差异性，针对不同专业年级的学生使用客观赋权方法，求出指标体系的权重；引入时间因素使静态评价变为动态评价（确定评价指标在不同时刻的权重系数，以反映时间序列中对象属性的变化）。且学生入学时的基础差异不影响评价结果，这对地方一般高校而言，更加具备现实意义。

[1]田原，张俊娜，贾建华，等．信息管理与信息系统专业人才培养模式绩效评价研究[J]．科教文汇旬刊，2015(5)：67-68．

[2]谢赤，钟赞．熵权法在银行经营绩效综合评价中的应用[J]．中国软科学，2002(9)：108-110．

[3]韩小孩，张耀辉，孙福军，等．基于主成分分析的指标权重确定方法[J]．四川兵工学报，2012，33(10)：124-126．

[4]R umelhart D E，Hinton G E，Williams R J．Learning representationsby back-propagating errors[C]//MIT Press，1986：533-536．

[5]冯虹，邹华，魏文元．马尔可夫链在教学质量评价中的应用[J]．天津师范大学学报：自然科学版，1999(1)：6-10．

The Performance Evaluation of Talent Training Mode Based on the Perspective of Ordinary Local Colleges

Liu Bingxiang Tian Yuan Yu Shanshan Huang Yuanming Fei Ruolan
(Jingdezhen Ceramic Institute,Jingdezhen 333403,Jiangxi)

tract】 The goal of ordinary local colleges,which provides a large number of talents for the construction and development of local enterprises,is to improve the performance of personnel training constantly.However,the evaluation indexes of the talent training mode are uncertain and the evaluation process is dynamic.So for the construction of evaluation index system,entropy method, principal component analysis and BP neural network method are used to determine the index weights.Markov chain theory is used to find the development trend of the professional talent in different stages and it results in the comprehensive evaluation conclusions. Finally,the feasibility and effectiveness of the evaluation method is proved by an example.

words】 ordinary local colleges;talent training mode;performance evaluation

G642.0

A

1008-6609(2016)09-0017-03

柳炳祥，男，江西九江人，博士，教授，研究方向：数据挖掘。

2015年度江西省高等学校省级教改课题重点项目“专业人才培养模式绩效评价研究——以信息管理与信息系统专业为例”，项目编号：JXJG-15-11-3。