地方高校评教影响因素及评教管理分析

蔡雅端

（闽南师范大学商学院,福建漳州36300）

1927年美国普渡大学教授雷默斯（Remmers）编制并应用标准化“学生评教量表”，标志着学生评教制度正式走进高校[1].我国高校于20世纪80年代中期开始试行，目前已成为大多数高校的一项制度化工作.国内教育专家和学者也对高校评教及管理进行研究，一定程度推动了高校评教管理工作的发展.

马莉萍等[2]、李正等[3]、周继良等[4]、龙月娥[5]等研究了高校学生评教的影响因素；周加灿等[6]、宋彦军[7]、马晓旭[8]等研究了高校学生评教存在的问题；邵小芬等[9]、周继良等[10]等对高校评教的改革与发展提出有益的建议；周继良等[4]发掘了学生评教行为偏差的基本类型，并建议对学生评教管理、学生评教制度进行优化.上述研究可归纳为影响因素、评教过程存在问题以及改进建议三大内容，从学生/教师/学校三个层面、评教工具/管理制度/结果应用三个方面综合提出建议.

上述研究采用了问卷调查或统计模型，但存在一定不足.如没有区分影响因素的不同特征以及对评教得分的影响作用，也没对各个因素的关联及作用进行系统性描述，难以细化指导高校评教管理.因此，有必要在区分静态和动态影响因素基础上，综合应用描述统计、方差分析、多重线性回归分析等方法，更准确地分析高校评教得分的影响因素及作用大小.

1 从评教指标设计到评教影响因素甄选及数据获取

1.1 评教指标设计

为促进课堂教学质量评价工作的科学规范化，进一步明确课堂教学质量基本要求，某地方高校于2019年重新修订了《某地方高校本科课堂教学质量评价标准本科课堂教学质量评价标准》，其中将课堂教学分为理论教学、实验教学、体育术科、艺术术科四类，评价方式分为现场听课看课和网上评教，评价成绩采用百分制计分.

同时针对四类学科，分别设计了网上评教指标（以理论教学为例，见表1）.其中：一级指标设置三个、下设二级指标七个，不同学科的指标数量和对应权重都相同，但二级指标根据不同学科类型描述不同.

表1 理论教学评教指标Tab.1 Theoretical Teaching Evaluation Index

为得到真实的评分反馈，某地方高校采取自愿而非强迫式的评分方式，即学生在评教系统开放时间内，自主根据评教指标对各课程的教师进行打分，系统则根据分数和权重自动计算出学生针对某一课程教师的最终评分.

1.2 评教影响因素甄选

基于马莉萍等[2]、李正等[3]、周继良等[4]、龙月娥[5]等对高校学生评教影响因素的研究成果，结合本校评教系统参数选取评教影响因素：一类是相对稳定、表针教师特征的静态因素；另一类是有变化性、反映师生维度的动态因素（表2）.

表2 评教影响因素Tab.2 Factors Affecting Teaching Evaluation

1.3 数据获取

以某地方高校商学院为研究范围，从院教学评教系统获取2018—2019学年第1学期至2021—2022学年第2学期8个学期，共计94名教师、1 409组有效数据.

2 静态评教影响因素及评教的统计分析

2.1 静态评教影响因素的描述性分析

2.1.1 受评教师特征分析

应用SPSS22初步统计，可得2018—2022年各学年各课程授课教师中的男/女比率、学士/硕士/博士不同学位的比率、助教/讲师/副教授/教授不同职称比率以及是否担任领导职务的比率（表3）.

表3 2018—2021学年受评教师基本情况Tab.3 Information of Evaluated Teachers from 2018 to 2021

从表3 可看出：2018—2021 学年受评教师在性别比率上，男性占比略有轻微下降；学位比率变化极小；随着时间（教龄）增加，教师职称逐渐往上升，使得职称比率发生一定变化；领导比率则轻微下降.总体而言，各比率有轻微波动但保持相对稳定，为教学的稳定性和评教分析的可靠性奠定了基础.

2.1.2 受评课程类型分析

2018—2021 学年某地方高校分别开设了350、338、360、361 门课程，经计算可得四年中理论课、专业课、必修课各自的平均占比（表4）.

表4 2018—2021学年受评课程基本情况Tab.4 Information of Evaluated Courses from 2018 to 2021

从表4可看出：2018—2021年理论课占比保持很高比率，但呈逐年下降趋势，可能与商学院逐渐注重培养大学生的实践或实操能力并增设相关课程有关；专业课占比略有下降但不明显；必修课占比基本保持稳定.总体而言，各占比有出现变化但保持相对稳定，为保证教学质量和评教打分的稳定性奠定了基础.

2.1.3 教师特征、课程类型对评教得分的描述性分析

通过计算可求得不同性别、学位、职称、是否担任领导的教师和理论课、专业课、必修课等课程相应的评教得分均值、标准差、极大/小值等（表5）.

表5 2018—2021学年评教得分情况与方差分析Tab.5 Scores of 2018—2021 Teaching Evaluation and Analysis of Variance

从表5 可看出：1）女性教师平均得分高于男性0.47 分；2）学士和硕士学位的教师在评教得分上基本相当，但博士学位的教师在评教得分上反而不如学士或硕士学位的教师；3）助教职称的教师在评教得分最高，教授级教师次之，讲师和副教授的得分基本相当且最低；4）担任领导职务的教师在评教得分略高于无领导职务的教师；5）理论课的评教得分略低于非理论课（如实践、实习等），专业课和必修课的评教得分略高于非专业课或选修课.

2.2 静态评教影响因素对评教得分的方差分析

进一步应用ANOVA 方法或Welch/Βrown-Forsythe 分析不同教师特征和课程类型，是否对大学生在评教行为上带来差异性（表5），结果显示：

1）男女教师的评教得分差异不显著，即学生不因性别不同而对教师进行区别性评分.

2）不同学位教师的评教得分差异不显著，即学生不因教师学位不同而进行区别性评分.

3）不同职称教师的评教得分差异不显著，即学生不因教师职称不同而进行区别性评分.

4）有无担任领导职务教师的评教得分差异不显著，即学生不因是否担任领导职务而进行区别性评分.

5）是否为理论课或专业课或必修课的评教得分上差异不显著，即学生不因课程类型不同而进行区别性评分.综上，不同的教师特征和课程类型都不会对评教（得分）产生明显的差异性.

3 动态评教影响因素及评教数据分析

3.1 动态评教影响因素与评教得分的相关性分析

从教师维度看，教师工作量、任教年限每年（学期）都不固定；从学生维度看，学生课程成绩、学生参与评教情况也是变化的，因此有必要进行相关性分析和回归分析（表6）.

表6 动态评教影响因素与评教得分的相关性分析Tab.6 Correlation analysis of dynamic influencing factors and teaching evaluation scores

从表6可看出：1）教师工作量（课时）与评教得分相关系数为-0.003（负相关）但未达到显著，即目前教师工作量（课时）未影响学生对教师的评教打分；2）任教年限与评教得分相关系数为0.063且达到显著，即教龄会影响评教得分；3）课程成绩与评教得分相关系数为0.022但未达到显著，即学生成绩未影响学生对教师的评教打分；4）学生有效参评率与评教得分相关系数为0.063且达到显著，即学生参与评教比例会明显影响教师的评教得分；5）教师工作量与课程成绩相关系数为-0.151（负相关）且达到明显显著，即教师工作量（课时）会明显影响学生成绩；6）任教年限与课程成绩相关系数为-0.083（负相关）且达到明显显著，即教师教龄会明显影响学生成绩；7）任教年限与学生有效参评率相关系数为0.061且达到显著，即教龄会影响学生的有效参评率；8）课程成绩与有效参评率相关系数为-0.098（负相关）且达到明显显著，即学生成绩会明显影响学生的有效参评率；实际上，学生参评行为是在课程考试之前，因此课程成绩影响参评率的关系不成立，不给予考虑；9）上述以外的各因素之间的相关系数都＜0.7，即不存在强相关性（共性问题弱）.

各因素之间相关性及与评教得分的相关性综合见图1（虚线表示因素间相关性不显著；x 表示因素影响关系不成立）.

图1 动态评教影响因素间及与评教得分的相关性Fig.1 Correlation between dynamic influencing factors and teaching evaluation scores

3.2 动态评教影响因素与评教得分的多重线性回归分析

经过绘制散点图观察到因变量与自变量满足线性趋势，同时正态分布P-P 图显示因变量具有正态性（过程略），可进一步进行模型拟合及后续检验.

3.2.1 模型拟合优度

在定性分析了教师维度、学生维度与评教得分的关系后，可进一步采用多重线性回归进行分析（具体过程略），软件自动剔除教师工作量和课程成绩2个自变量后，得到模型拟合度情况（表7）.

传统的数据库访问多以与之配套的软件界面作为操作窗口，只在本地及附近进行使用，共享性几乎为零。各数据库对应的软件更是千差万别，想真正熟练使用数据库，还需学习软件的操作。且飞机数据库内容烦琐，数据庞杂，所占内存空间一般较大，当远程的工作人员希望使用数据库成果时，使用无线传输不甚现实，只能通过磁盘等移动储存介质进行传播，这样就增加了人力、物力成本。

表7 模型概要cTab.7 Model Summaryc

从表7 可知，模型2 的R 方值为0.008，大于模型1 的0.006，模型2 优于模型1；同时DW 值为1.688，比较接近2，即残差自相关性越小，上述表明模型2 虽然对因变量的解释度很低，但仍达到多重线性回归分析的条件.

3.2.2 模型检验

选用模型2后（不需再分析模型1数据）并进行检验.从表8可知：F=5.304，P=0.005＜0.05，结果表明：所拟合的模型2具有统计学意义.

表8 模型方差分析表Tab.8 Analysis of moder variance

进一步从表9 可知：有效参评率和任教年限的t检验都为显著，即2 个自变量和常量都具有统计学意义；同时，从容差和VIF值可明显判断自变量基本不存在共线性问题.

表9 模型系数表Tab.9 Table of model coefficients

学生化残差绝对值小于2（图2）、残差直方图呈正态分布（图3）,分别验证了应变量取值的独立性和正态性，满足了线性回归分析要求，最终构建拟合模型如下：

图3 残差直方图Fig.3 regression Standardized Residual

y=93.688+0.049×任教年限+1.716×有效参评率.

从公式可知：任教年限每提高1 单位，评教得分课提高0.049 单位；有效参评率每提高1 单位，评教得分则可提高1.716单位.

4 结论与建议

4.1 主要结论

通过描述性统计、相关性分析和多重回归分析，可得到如下3个方面的结论：

2）任教年限、有效参评率与评教得分存在显著的正相关，但教师工作量、课程成绩与评教得分分别为负相关、正相关，但都不显著；任教年限、教师工作量与课程成绩存在显著性的负相关，但任教年限与有效参评率为显著正相关.

3）通过多重线性回归分析，经拟合和检验后，可获得有效参评率、任教年限和评教得分的回归方程，该方程具有统计学意义；有效参评率对评教得分的影响远大于教师的任教年限；但从评教评得分和回归方程来看，不同教师的评教得分差距并不明显，学校可能有必要对评教指标及评教管理加以评估与改进.

4.2 评教管理建议

综上所述，提出如下3点建议：

1）学生不因教师或课程特征而区别性评分，该做法是相对公正公平，应给予鼓励；同时可将评教结果进行公开，打消部分教师倚重学位、职称、领导职务来获得高分的心理，这也有利于减轻年轻教师的心理压力而专注教学.

2）在现行制度下，有效参评率是影响评教得分的最大影响因素，且在有必要进一步完善鼓励学生参与评教的措施，并提醒学生避免出于尊重而偏向参与老教师的评教甚至打高分，促进每一门课程的有效参评率相对均衡，防止参评率影响个别教师的评教得分；同时教务部门在评教管理上应注意学生参评率的有效性.

3）学校有必要评估不同课程与专业教师的匹配度，必要时加以调整，避免教师工作量太大而影响教学质量；同时教务部门应该注意，教龄长的教师是否陷入“教学陷阱”，如沿用几年不变的讲义、一成不变的教学风格、缺乏与新时代大学生的互动等情形，及时给予反馈及帮助改进，避免其教学水平下滑.