高校机械专业本科生学习力的聚类评价

王爱祥

(常州工学院航空与机械工程学院/飞行学院， 江苏 常州 213032)

伴随着云计算、大数据、移动互联网、物联网、人工智能等新兴信息技术与制造业的深度融合，机械行业进入了深度变革时期。中国的机械产业要经历由大到强的转变离不开机械行业人才。随着知识的更新速度急剧加快，学习型社会已经形成，终身学习的理念也越来越深入人心。人才已经成为一个动态的概念，裹足不前，今天的人才也会成为明日的庸才。即将成为新时代建设者的大学生们，在高等教育中如何形成学习力的问题引起了广泛的关注。

1 学习力的研究

学习力的讨论，源于1965年美国麻省理工学院Jay Forrester 教授对学习型组织的研究。 之后，随着教育领域对学习力内涵研究的深入，主要出现两种不同的看法。一是哈佛大学Kirby教授2005年提出的资本说，即强调学习力是个人把知识资源转化为知识资本的能力[1]187-214。他认为，个人的学习力包括了知识总量、知识质量、学习流量和知识增量四个方面。二是陈维维、杨欢于2010年提出的学习力定位倾向，即素质说、能力说、品行说和能量说[2]。

在学习力构成要素的研究方面，彼得·圣吉最先提出学习力的学习毅力、学习动力、学习能力的三要素说[3]。随后，Kirby教授提出学习力是学习态度、学习方法、学习效率、学习动力、创造能力和创新思维的综合体[1]1-25。瞿静[4]从关联主义的视角认为，学习力包括联结力、适应力、敏感力、搜寻力、判断力、迁移力、实践力、创新力。杨聪旖[5]提出学习力包括学习行为总动力、学习需求识别力、学习潜能评价力、学习行为理解力、学习活动激活力和学习能力。关于学习力的其他方面研究可参阅文献[6]。

然而，学习力的研究还有一些薄弱的方面，比如，学习力的研究较少地结合专业和行业，与学科脱节，学习力评估方面的研究成果较少。为此，本文在文献研究的基础上，结合机械学科特点，探讨高校机械专业本科生学习力的评价体系。

2 学习力评价指标体

2018年，白娟等结合旅游专业特点，通过访谈法，采用定性研究的方法，构建高职旅游专业学生学习力评价体系[7]。本文仿照文献[7—10]的思路，对常州工学院机械专业部分教师、校友以及相关企业管理人员进行了深度访谈，对访谈记录进行了分析，编制了机械专业本科生学习力评价体系。评价体系参考了常州工学院机械专业本科生的培养目标和相关企业对机械人才的需求。指标X1关注从事机械行业必要的身体素质和基础知识。指标X2和X3关注学习能力和方法，包括对机械专业的兴趣、学习的计划性和学习过程中必备的毅力和关注力等心理素质等。指标X4关注学生的素质，这是机械行业的发展对从业者不断更新知识结构的要求。指标X5和X6关注学习和工作中的团队交往和社会实践，这是企业对机械人才团队合作精神和素质的考量。指标X7关注在校期间创新意识，这也是机械行业的发展之源。该体系包括了7个一级指标，22个二级指标，具体见表1。

表1 机械专业本科生的学习力构成要素指标

表1(续)

3 灰色聚类评价

目前，学习力评估的研究方法较少，常见的是英国ELLI项目的“蜘蛛图”动态评估方法，但该方法不关注数据的处理。高校机械专业本科生学习力评价中，影响评价的因素较多，多数评价只能根据选取的学习力构成要素作为典型指标，不可能获取学习力相关的所有指标，因此这些评价往往是不够充分的。

灰色理论是20世纪80年代邓聚龙教授提出，以部分信息已知、部分信息未知的小样本、贫信息的不确定性系统为研究对象，主要通过对部分已知信息的生成、开发，提取有价值的信息，实现对系统运行行为、演化规律的正确描述和有效监控[11]。因此，灰色聚类分析应用于高校机械专业本科生学习力评价是有利的。

3.1 机械专业本科生的学习力指标

根据表1中机械专业本科生的学习力构成要素指标，设定“劣”“差”“中”“良”“优”5个评价灰类，各类评价灰类为[a1,a2)、[a2,a3)、[a3,a4)、[a4,a5)、[a5,a6]。这里，采用百分制，各类评价灰类可为[0,20)、[20,40)、[40,60)、[60,80)、[80,100]。实际工作中，可以根据各个指标性质，灵活确定各灰类代表的不同的灰类范围。

3.2 确定绩效评估指标的权重

这里可由层次分析(AHP)法获得权重，即选定由学生管理领域专家组成的专家组，根据评价指标体系确定的层次结构开展调查。调查目的是应用专家们的集体智慧，对学习力构成要素指标的相对重要性进行评估。向专家发放征询意见表，再根据回收的表格，综合构造判断矩阵，求出其最大特征根所对应的特征向量。所求特征向量即为各评价因素的重要性排序，归一化后，得到权数分配。通过所构造的判断矩阵求出的特征向量(权值)是否合理，需要对判断矩阵进行一致性和随机性检验，若判断矩阵具有满意的一致性，说明权数分配是合理的；否则，就需要调整判断矩阵，直到取得满意的一致性为止。经过计算，获得各层次指标权重，见表2。

表2 指标的权重值

表2(续)

3.3 评价灰类

以常州工学院机械专业某同学为例，对二级指标X11至X74进行评估，以百分制赋值得出结果，见表3。

表3 各项指标原始数据

3.4 指标的白化权聚类系数

从而计算各指标的白化权聚类系数。

依次计算各个观测值的聚类系数，生成表4。

3.5 结果分析

将评价指标白化权聚类系数乘以各指标的权重再求和，就可以计算关于灰类的综合聚类系数，见表5。根据最大值原则，从表5可以看出，该同学在学习工具X4指标上为“优”，在学习心理X3、学习实践X6和学习创新X7指标上为“良”，在学习储备X1、学习效率X2指标上评价为“中”，在学习交往X5指标上评为“差”。总评学习力X为“良”。

相比一般的统计方法，灰色聚类评价方法在处理数据的时候，能有效减少人为因素对数据的影响，有一定的可行性和有效性。我们还可以建立评价的管理库作为评价工具，当指标和权重变化时，相应修改，就可以迅速得出评价结果。

4 结语

本文基于白化权函数，构造了高校机械专业本科生学习力灰色聚类评价的方法。根据选取指标上的数据，归类到优、良、中、差、劣5个类别，在一定程度上可保证评价结果的信度。各个指标上不同的聚类系数，也说明着归类判断的强弱性。对于聚类系数较低的项目需要有针对性的改进。

该方法中，学习力构成要素指标及其权重的确定是极其重要的，应具有代表性、客观性，能够真实反映机械专业本科生的学习力。事实上，对于不同学校、不同专业，学习力的构成要素也可能不同。要适应时间和特定条件的变化，对要素指标和相应权重进行动态修正。只有更加科学地设定目标，更加规范地获取数据，有效地考量评价，才能进一步提高学习力评价的科学性。

表4 评价指标白化权聚类系数

表5 综合聚类系数