基于PCA的现代学徒制满意度评价模型构建

缪进 高洪波

摘要：现代学徒制是职业教育培养人才的重要途径在世界范围内已成为共识。本文首先基于顾客满意度评价理论，结合我国当前开展现代学徒制实际情况，在分析学生家长对现代学徒制开展实施满意度测评构成要素的基础上，利用主成分分析法（PCA）归类得出了学生家长对现代学徒制开展实施状况满意度测评模型中的四个二级指标，然后通过回代的方法，得出了最终的学生家长对现代学徒制开展实施状况满意度评价模型。

关键词：主成分分析;现代学徒制;顾客满意度;评价;模型

中图分类号：G40-058.1       文献标识码：A

文章编号：1009-3044（2019）20-0155-03

开放科学（资源服务）标识码（OSID）：

1 引言

现代学徒制作为提升我国职业教育水平的重要举措，其目的在于通过校企双方深化产教融合、进一步完善校企合作育人机制，为我国社会经济的发展提供人才支撑。近年来，国家对职业教育现代学徒制越来越重视，这些可从教育部近年来印发的开展现代学徒制工作有关文件精神可见一斑，这些都标志着我国职业教育改革正在向以现代学徒制为代表的方向转变。

要开展好现代学徒制，对现代学徒制开展实施状况进行科学有效的评价是开展好现代学徒制的重要环节，其中第三方评价由于其具有较好的客观性、公正性等特性而被教育界所推崇，学生家长对现代学徒制实施开展状况的满意度评价是职业教育现代学徒制第三方评价的重要组成部分，通过开展科学有效的学生家长对现代学徒制开展实施状况的满意度评价，对进一步开展职业教育现代学徒制有着重要的现实意义。同时，以家长的视角来评价现代学徒制开展实施状况模型构建研究相对较少，从这个层面来讲，本文研究的问题有着较好的实际价值。

基于顾客满意度评价的教育满意度评价有关理论缘起可以追溯到上世纪九十年代，该评价方法自本世纪以来也逐渐成为我国教育领域中教育满意度评价研究的热点之一[1-3]。借鉴顾客满意度评价的有关理论，以时下我国职业教育现代学徒制开展实施现状及学生家长对现代学徒制实施的期盼为出发点，研究和构建学生家长对当前现代学徒制实施的满意度定量测评模型，对时下开展好职业教育现代学徒制具有重要的指导意义。

2 学生家长对现代学徒制开展实施满意度评价构成要素分析

就学生家长对现代学徒制开展实施状况满意度测量而言，精准找出满意度的相关测评观测点并得到相应符合客观实际的观测值是问题的关键。现代学徒制可以视为职业教育人员凭借相应的企业生产场所、设施和机构等实施的针对学生旨在提升学生职业能力开展职业教育活动过程[4]。学生家长对现代学徒制开展实施的满意度构成要素可划分为从事现代学徒制人员（包括学校专任教师和企业的兼职教师）、设施（相关的设备及生产经营场所等）、机构（学校和企业相关的现代学徒制实施及管理部门）及课程项目（能为学生提供的旨在培养职业能力的现代学徒制课程项目）等四个方面。

学生家长对现代学徒制开展状况的满意度评价应能充分描述学生家长对现代学徒制开展实施过程的各个构成要素的切身感知，从这个角度而言，体现学生家长对现代学徒制开展状况的满意程度，以课程项目、相关人员、场所设施和相关机构组成等为观测点是切合当前现代学徒制开展实施状况测评实际的。在此基础上，我们可以进一步采用计算机算法构建相应的模式，从而能够如实反映学生家长对现代学徒制开展实施状况的满意程度，再结合满意度模型得出各种相关因素对总体满意度的具体影响水平，进而达到为职业教育现代学徒制有效实施与开展提供依据和借鉴的目的。

3 学生家长对现代学徒制满意度评价模型PCA法分析与构建

3.1 PCA分析法

主成分分析（Principal Component Analysis，PCA）在解决多重共线问题较之于其他算法具有较大优势[5-6]。就其理论层面而言，主成分分析法是通过采用正交变换，将相关性较强的一系列变量经过适当的变换去除它们之间存在着重叠现象，从而得到一组具有代表性的，比原来变量数量上要少的主成分且这些主成分不丢失问题的重要信息而能够揭示问题的内在本质，正是由于主成分分析法具有这种特点和优势，使该方法在实际问题的建模中得到了广泛的应用[7-9]。

3.2 三级指标的确定与模型的构建

依据滿意度测评理论及上述满意度测评构成要素分析结果，根据南通开放大学教务处针对300名学生家长进行现代学徒制满意度调查问卷数据进行PCA分析，选取16个观测点作为家长满意度评价模型的三级指标，即描述相关企业在距离上的便利性的企业距离（记为x1）、相关机构服务的常规性（记为x2）、描述相关企业是否能满足现代学徒制实施需求的企业设施的齐备性（记为x3）、用于现代学徒的设施数量的可获得性（记为x4）、用于现代学徒制的设施的可利用性（记为x5）、用于现代学徒制的相关设施获得方式（记为x6）、职业教育的全纳覆盖性（记为x7）、从事现代学徒制职业教育人员数量（记为x8）、从事人员资格的专业性（记为x9）、从事现代学徒制人员构成的多元性（记为x10）、现代学徒制项目课程的丰富性（记为x11）、课程内容的针对适用性（记为x12）、课程实施的有效性即可接受性（记为x13）、课程信息的获得性（记为x14）、课程服务获得方式（记为x15）、描述学生家长对现代学徒制课程改善的参与性的家长课程参与性（记为x16）。具体步骤如下：

STEP1：将调查数据表中读入系统。

STEP2：进行相应格式标准化。

STEP3：进行PCA分析。以主成分累计贡献率达到80%以上或用特征根大于1为准则，进而分析得出数量上较之于原来变量数量较少的主成分及因子负荷矩阵，从而可以确定出二级指标和三级指标。二级指标可以通过三级表示如下：

其中， x1 ， x2 ， … ， xp表示显变量， 即观测变量;z1 ， z2 ， …， zm是提取出来的潜在变量;同时得到相关的回归系数矩阵。

STEP4：确定各个三级指标对应于二级指标权重，同样，通过计算确定二级指标对应于一级指标的权重，最后通过回代，得出最终的满意度评价定量分析模型。

4 基于PCA的学生家长对现代学徒制开展实施状况满意度评价模型的实现

4.1 基于PCA分析提取二级指标

对调查数据进行格式标准化得到的系数矩阵进行主成分分析，可以得到相应的因子负荷矩阵（见表1），依据主成分累计贡献率超过80%及对应的特征根大于1的标准，提取得出四个主成分，他们对应的特征根分别为5.227，4.384，2.296，与1.236，其解释总变量的百分比达到了82.134%，实现了简化变量的目的。因子负荷矩阵见表1。

由表1 可知，正是由于第一主成分与课程丰富性、适用性、教学方式及课程获得性、获得方式、学生家长课程参与性等呈现出较强的正相关，故可用项目课程作为涵盖这些三级指标的二级指标;第二主成分主要与设施齐备性、可获得性、可利用性及设施获得方式、设施覆盖性等正相关，可归纳为反映的是现代学徒制设施场所状况这一个二级指标;第三主成分与从事现代学徒制人员数量、人员专业资格及构成具有较强的相关性，故可用从事现代学徒制人员作为第三个二级指标;第四主成分与机构距离、机构的固定性等呈现出正相关，可将机构建设与管理作为第四个二级指标。综上可知，以现代学徒制课程项目， 开展现代学徒制设施场所、校企参与现代学徒制相关人员和现代学徒制实施机构建设与管理为该满意度测评模型中的四个二级指标，这一结论与上面满意度评价要素构成分析是非常相近的。

4.2 三级指标对应于二级指标的权重确定

这里，上述线性方程组中的系数描述了相应变量对于各个主成分的贡献度， 这些值正是这里的16个三级指标对应于的二级指标的权重。

4.3 最终的现代学徒制满意度评价模型的确定

由主成分分析的有关理论，每个主成分所对应的特征值占所得到的主成分特征值之和的比例即可作为相应的权重，在此基础上得出最终的主成分综合模型。根据该种算法，依据四个主成分对应的特征值分别为5.227，4.384，2.296，1.236 ，可以计算得到这四个主成分的贡献率为0.398，0.334，0.175， 0.094，综合上述分析可以得到最终的学生家长对现代学徒制实施状况满意度评价模型：

由上式可知，学生家长对现代学徒制实施状况满意度四个主成分中影响程度较大是前两个主成分，即现代学徒制项目课程和现代学徒制的设施场所。

4.4 最终评价模型的确立

将式（2）代入式（3），本文建立的最终的满意度评价模型如下：

根据上面的定量模型，可以得出学生家长对现代学徒制实施状况满意度量化值。

5 结论

依据顾客满意度测评有关理论，在分析学生家长对现代学徒制开展实施满意度测评构成要素的基础上，利用主成分分析法（PCA）归类得出了学生家长对现代学徒制开展实施状况满意度测评模型中的四个二级指标，然后通过回代的方法，得出了最终的学生家长对现代学徒制开展实施状况满意度评价模型，对进一步开展好现代学徒制职业教育有着一定的参考借鉴意义。

参考文献：

[1] 李晓林.顾客满意度调查在高职现代学徒制教学质量保障中的应用研究[J].产业与科技论坛，2018，17（14）：126-127.

[2] 贾璇，徐大真.关于职业教育满意度研究的文獻分析[J].职业教育研究，2016（05）：22-25.

[3] 刘大鹏.现代学徒制背景下高职院校“双创”人才培养路径探究[J].教育现代化，2018（41）：34-35.

[4] 高洪波，马素萍.现代学徒制人才培养质量第三方评价机制的构建[J].职教通讯，2018（03）：71-74.

[5] 胡帅，顾艳，曲巍巍.主成分分析与BP网络结合的教学质量评价[J].自动化技术与应用，2016，35（04）：10-14.

[6] 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（10）：124-126.

[7] 张云龙.基于PCA的高维流式数据聚类算法[J].电子技术与软件工程，2019（10）：175-176.

[8] 张妍，郭新宇，刘锋.基于PCA的商洛市城乡协调发展评价[J].商洛学院学报，2019（02）：69-74.

[9] 刘一，谢懿.基于PCA的离散小波自回归情感识别[J].计算机系统应用，2019（05）：119-124.

【通联编辑：朱宝贵】