基于系统控制理论的高职院校创新创业教育质量评价模型研究

田 欢

(兰州职业技术学院 电子信息工程系， 甘肃 兰州 730070)

一、引言

创新和创业是当今时代的主题，也是推动国民经济新一轮高质量发展的强大引擎。创新创业教育质量更是成为了评价高职院校办学水平和综合教育创新创业教育质量的重要指标。高职院校学生是创新创业的“新力量”，大力发展职业院校的创新创业教育势在必行。

近年来，我国高职院校针对创新创业教育质量评价，开展了广泛的研究，取得了一定的成绩，对学校教育教学工作取得的成绩也起到了相当大的推动作用。但是，在评估中仍然存在一些问题，例如如何对创新创业教育结果进行预测和反馈，如何控制反馈结果精度，如何构建和完善“政校企”三位一体的高职院校创新创业教育质量评价体系。因此，如何有效地开展高职教育创新创业教育质量评价体系研究，已成为我国职业教育发展的重要任务之一。

本文针对以上这些客观存在的问题，明确研究视角，提出基于系统理论和BP神经网络的高职创新创业教育质量评价体系的构建方案。以系统论和神经网络为理论依据，为创新创业教育质量评价体系具体搭建奠定理论基础。继而通过创新创业教育质量的内涵和特点，构建基于系统论的评价模型。以相关高职院校创新创业教育教学情况为例，应用BP神经网络进行分析，确保创新创业教学评价体系的科学性和实用性，使其具有推广价值。

二、高职院校创新创业教学过程与控制理论

(一)创新创业教学过程的特点

职业教育不是学术型教育的简化版，也不是普通教育的职业版，而是一个具有鲜明特质的领域。学校除了教授技术，还需要培养敬业专注精益求精的工匠精神，培养的人才是满足当前社会发展需要的高素质技能型人才和大国工匠。职业人才培养需要精准满足企业需求，就必须直接与企业对接。需要将企业岗位职责、职业能力标准贯穿到育人的全过程中去。高等职业教育教学过程特点在于，教学不只是一门课程的教学过程，更是一种职业思想引导和职业技能养成的过程。要评估创新创业教育质量，应考虑教师、学生、管理人员、设备以及合作企业、政府资源、业内专家等诸多因素，如此才能更好地促进学生、教师和学校的全方位发展，进而推动“大众创新”的发展与社会的进步。同时，我们也要根据高职院校育人目标的实际情况，把理论教学与职业技能、创新创业竞赛结合起来，着眼于知识体系构建和以赛促学两个关键环节，根据高职院校生源和专业设置的实际情况，采用科学的方法选择评价指标和权重，设计理论模型体系。

(二)系统控制理论

系统论将研究内容看作一个完整系统，分析该系统运行的规律。控制论将研究对象运行规律进行模式化，将系统输出结果反馈回输入端，重新获得输出结果，生成一种模式化的运行模式。在本文研究框架下，需要控制的具体内容包括：创业指导教师职业培训、企业实践教学、监督学生课程学习和学生技能证书取得，监督人才培养过程和质量。从学生创业教育的角度，课程与绩效训练计划的控制，训练内容与训练时间的控制、信息反馈评价等功能主要通过接收和比较外部信息实现。

(三)创新创业教学评价过程与控制理论的关系

闭环控制系统在控制理论上具有较好的控制效果，因为系统本身可以通过理想输入和实际输出之间的旋转反馈来控制系统的运行，最终使期望值与实际值协调一致。因此，我们适用闭环控制系统理论，简化创新创业教学过程的结构为，输入端是创新创业教育对象与教学过程，经创新创业教育赋能平台进行信息处理，输出教育评价结果，将结果反馈回输入端与输入信息进行比对，从而检验评价结果与预期结果是否吻合，如是则为正反馈，不是则为负反馈。如图 1所示。

图1 创新创业教育评价流程结构

三、基于系统控制理论的创新创业教学评价模型

系统控制理论中的神经网络是一种非线性数学仿真技术，它用简单的非线性操作来定义复杂的表示。使得受人为因素影响的评估结果有可能客观而有效，并可能改变传统评估方法的工作复杂度问题。本文设计的实践教学评价体系模型中，评估数据作为BP神经网络的输入参数，对评估系统的结构和指令实例进行逻辑设计，根据默认参数条件，将每个指令数据集输入网络系统进行学习，评价结果作为BP神经网络的输出参数。

(一)创新创业教育质量评价指标体系构建

高职院校创新创业教育质量评价是建立在指标体系基础之上，即由信息输入、信息处理、信息反馈、信息输出几个基本因素组成。信息输入部分为评价内容，包括实训基地建设、实习讲师资质、仪器设备完备、学生竞赛团队组建、学校资金支持、政府资源支撑、合作企业培训等。创新创业教学质量评价结果是输出部分。本文提出的基于系统论的创新创业教育质量评价体系，包括四个子系统：前预测评价体系、教师自我评价体系、学生评价体系、专家评价体系，以及十二个二级子系统，如图2所示。

(二)基于BP网络的创新创业教育质量评价模型设计

1.BP算法原理

BP 算法由数据流的前向计算(正向传播)和误差信号的反向传播两个过程构成。正向传播时，传播方向为输入层→隐层→输出层，每层神经元的状态只影响下一层神经元。若在输出层得不到期望的输出，则转向误差信号的反向传播流程。通过这两个过程的交替进行，在权向量空间执行误差函数梯度下降策略，动态迭代搜索一组权向量，使网络误差函数达到最小值，从而完成信息提取和记忆过程。即样本数据从输入层输入，经过传递函数计算隐层节点的值，在输出层与预期值作比较，若有误差则反向传递给上一层，用来调整上层节点的权值。这个过程反复执行直到误差值小于期望的最小误差，理论上可以预测后续样本的值，如图3所示。

图2 高职院校创新创业质量评价体系的构成

图3 BP算法由输入层→隐层→输出层构成

2.网络中的层

BP算法中，为不同的网络结构赋予了不同的解决问题的能力。非线性网络层数可以提高神经网络的学习能力。BP层由神经网络支持，因此，一个三级 BP神经网络可以补充任何 N级 m-Size图。在基于神经网络的创新创业教育质量评价模型中，本文应用具有隐藏层的三级BP神经网络结构。

3.每一层神经元数量的确定

输入层神经元个数的确定：针对BP神经网络子系统中的评价结果：优，良、一般、较差。我们为评价体系设计了了4个一级评价指标和10个二级指标。其中，二级评价指标构成评价神经网络的十个输入向量；

输出层神经元：每次评价只有一个最后评价结果，BP神经网络子系统的输出层神经元数量为1；

4.神经元兴奋功能的测定

根据BP神经网络隐藏层和样本数据归一化预处理的分析，结合测试结果，隐藏层和输出层中：tansig，pureline为传递函数， trainlm函数为网络训练函数，learned函数为学习函数，性能函数为MSE函数。

5.学习频率的选择

每个训练周期的权重变化由学习率决定。高学习率可能导致网络不稳定或发散；低学习率会导致网络学习时间长，收敛速度慢，但可以保证网络的误差值不会从误差面的缝隙中跳出，最终导致最小误差值，因此，学习率越小系统的稳定性越高。在神经网络设计过程中，需要不同的学习率形成网络。观察每次训练后误差平方和的下降率，可以判断选择的学习率是否合适。如果错误平方和迅速减小，则学习率合适；如果错误平方和振荡，则学习率太高。网络越复杂，就需要不同的学习率来支持错误表面的不同位置。为了确定不同训练阶段的自适应学习率，我们采用自适应学习率。

图4 基于BP网络的实践创新创业教育质量评价模型

四、实例研究

(一)数据选择

选取相关高职院校的实践创新创业教育质量评价问卷数据作为样本数据。通过数据的归一化处理，随机选择13组数据样本，前八组作为训练样本，剩余五组样本则作为预测样本。其中，评价选项均为：优秀/良好/一般/差。

1.预评价模块

对创新创业指导教师的指导能力和学生的学习竞赛情况进行评价。

2.教师自我评估模块

针对教学方法、教学效果即刻进行反馈。

3.专家评估

包括企业专家、高校专家、政府专家，评价教师的教学策略、方法以及他们的指导竞赛能力。

4.学生评估

每个学期学生都需要评估他们的教师培训质量。对教师培训质量的研究通常在某些课程的中期和结束之前进行，如图4所示。

(二)MATLAB仿真分析

Matlab工具箱中的 newff函数用于构建网络。根据给定的样本数据，该函数可以自动给出输出层的神经元数量；对于隐藏层的神经元数量和训练算法函数需要我们自己给出。Matlab工具箱中的函数init用于初始化。使用给定数据样本，选取前八组数据在MATLAB上训练网络，对后五组数据进行预测测试，验证测试结果。MATLAB中BP神经网络的代码，如图5所示。

图5 MATLAB中BP神经网络的代码

(三)测试结果分析

在神经网络中，样本训练是必不可少的数据。对输入样本进行归一化处理，保证数据在指定范围[0,1]内，有利于数据处理，提高网络效率。输入样本的归一化公式描述如下：

训练结果如图6所示。

图6 BP网络测试结果

经过3次迭代，系统误差已达到0.000135(<0.001)，最终输出的训练样本数据值与实验实际输出值之间，误差与设定值一致，系统输出值接近教学评价的实际数据值，说明构建的BP神经网络子系统能更好地逼近训练样本数据集要求。实验结果表明，基于神经网络的评价体系在理论、政策等教育培训评价中是一种合乎逻辑的、有针对性的评价模型。可见，基于神经网络的评价体系是一种合理的、可预测的评价实践教学效果的评价模型。

五、结语

高等职业院校创新创业教育质量是评价学校育人水平和教学质量的重要指标之一。本文探讨了高等职业院校创新创业教育质量评价的特点。采用BP神经网络理论，运用数学仿真模型作为设计基础，基于系统控制理论，设计了创新创业教育质量评价体系结构与理论拓扑模型。通过实际数据中的非线性复杂的教学评价因素进行MATLAB仿真分析，通过非线性作用函数的复合映射，从而生成教学效果评价仿真预测结果，所建立神经网络系统的预测值和评价目标值吻合较好，相关系数达到 0.9094，接近1，因此该系统具备客观、科学、实用性。