1、基于卷积神经网络的高职产教融合评价算法研究杨 斐 1,石 磊2(1阜阳职业技术学院 工程科技学院,安徽 阜阳 2 3 6 0 3 1;2阜阳职业技术学院 团委,安徽 阜阳 2 3 6 0 3 1)摘 要:本文通过对卷积神经网络的高职产教融合评价算法进行两轮筛选,选出功能相对独立且具有代表性的评价指标,构建评价指标体系。利用改进层次分析法(A n a l y t i cH i e r a r c h yP r o c e s s,AH P)计算每个评价指标的权重;利用卷积神经网络得出高职产教融合评价分值,确定产教融合效果等级。关键词:卷积神经网络;高职院校;产教融合;指标选取;权重计算中图分类号
2、:G7 1 文献标志码:A 文章编号:2 0 9 5 9 6 9 9(2 0 2 2)0 6 0 1 2 9 0 61 高职产教融合评价体系构建相比较理论型人才,就业市场上更偏向应用型人才。而产教融合正是一种学校与企业相互依存的新型办学模式,旨在培养应用型人才。产教融合是一种长期复杂的人才培养模式,涉及内容较多,评价指标较多1。为了构建一个合理的评价指标体系,指标选取环节至关重要。指标既不能过于冗余,指标间的功能最好能够保证相互独立,也不能过少,所选择的指标最好能够全面反映出对产教融合的影响2。面对这种较高的指标选取要求,进行两轮的指标选取工作。1.1 第一轮评价指标选取第一轮指标选取工作主要
3、筛选出功能较为重复的指标,降低指标重复性。具体过程如下:首先查阅以往相关文献、资料、期刊等,尽可能将所有涉及的指标收集起来,组成一个相对全面的指标体系3。然后计算平均值,公式如下:x-=ni=1xin,(i=1,2,n)式中,x-代表产教融合评价指标的平均值;n代表评价的数量;xi代表第i个评价指标;ni=1xi代表所有产教融合评价指标的总和。将指标与平均值x-进行对比,选取不同的标准化方法处理4:xi=xix-,xix-xi=x-xi,xix-,(i=1,2,n)式中,xi代表标准化处理的第i个评价指标。计算评价指标之间的相关系数:ai j=ni,j=1(xi-x-)(xj-x-)ni,j=
4、1(xi-(xj)2;(i,j=1,2,n)按照下述规则筛选出功能重复的指标。ai jT,d(xio rxj)ai jT,r(xia n dxj)式中,T代表设定的临界值;d代表删除;r代表保留。1.2 第二轮评价指标选取第二轮评价指标选取工作旨在筛选出具有代表第3 7卷 第6期2 0 2 2年1 2月 景德镇学院学报J o u r n a l o f J i n g D e Z h e nU n i v e r s i t y V o l.3 7N o.6D c e.2 0 2 2收稿日期:2 0 2 2 0 9 2 6基金项目:安徽高校自然科学研究项目(K J 2 0 2 1 Z D 0
5、1 5 4);安徽省教育厅高水平专业群(高职)(2 0 2 0 z y q 6 3)作者简介:杨 斐(1 9 8 3),男,安徽阜阳人。副教授,硕士,从事大数据及人工智能研究。性的指标。剩余评价指标中有的指标对评价结果并没有较大的贡献性,所起到的影响可以忽略不计,因此需要通过第 二轮的筛 选确定 下 最 终 的 评 价 指标5。具体过程如下:首先在剩余评价指标之间绘制关联关系有向图,并利用影响程度标度1 3标度法,确定两两指标(记为xi和xj)之间的影响程度,由此建立影响矩阵A,即:A=a1 1a1 2a1ma2 1a2 2a2mam1am2amm 基于A计算xi对xj的影响程度以及xi被xj
6、的影响度。计算公式如下:Bi j=|ai-aj|mai jAai jBj i=|aj-ai|mai jAai j 式中,Bi j代表评价指标xi对xj的影响程度;Bj i代表xi被xj的影响度。计算指标xi的中心度Ci与原因度Di。计算公式如下:Ci=Bi j+Bj iDi=Bj i-Bi j 将满足Ci1.0和Di0.7以上的指标作为高职产教融合评价指标,构建评价指标体系6。2 计算产教融合评价指标权重计算指标的权重,即计算指标在整个评价指标体系中所起到的作用比重7。依据1 9评分标度表,利用AH P法计算产教融合指评价标权重。但是,这种评分方式很容易受到评价者利益关系的影响,使得评分失去客
7、观性8。针对上述问题提出一种改进的AH P法。具体过程如下:步骤1:将选取的产教融合指标进行层次化处理,建立评价指标多层次体系。步骤2:按照1 9评分标度表,选取N个评价者,对指标进行打分,由此建立产教融合评价指标评分矩阵G。G=gp j()MN=g1 1g1 2g1Ng2 1g2 2g2NaM1aM2aMN 式中,gp j代表评价者p对j指标的评分;M代表章节1.1选出的指标数量。步骤3:计算评价者p和其他评价者q之间的利益系数,记为Fp q;Fp q=gp j-gq jgp jgq j 式中,gq j代表评价者q对同一指j标的评分。步骤4:计算评价者p和q之间的净利益系数。计算公式如下:H
8、p q=2Fp q-1 式中,Hp q代表净利益系数。步骤5:重复上述过程,计算评价者p与其他所有评价者之间的净利益系数。步骤6:计算评价者的客观性系数,计算公式如下:K=H-Np=1Hp q 式中,K代表评价者客观性系数;H-代表所有净利益系数的平均值。步骤7:按照传统AH P计算产教融合评价指标权重。步骤8:将AH P计算的产教融合评价指标权重与评价者的客观性系数相乘,得到最终的产教融合评价指标权重9。计算公式如下:Wj=Kwj 式中,Wj代表第j个产教融合评价指标的权重;wj代表AH P计算出的第j个产教融合评价指标的权重。经过上述过程,完成产教融合评价指标权重计算。3 基于卷积神经网络
9、的评价模型卷积神经网络是一种深度神经网络结构,与一般神经网络相比,计算能力更强。将其应用在高职产教 融 合 评 价 中,有 助 于 提 高 评 价 效 率 和 准 确性1 0。基于卷积神经网络的评价模型如图1所示。在基于卷积神经网络的评价高职产教融合效果中,以产教融合评价指标权重作为输入,指标权重输031 景德镇学院学报 2 0 2 2年第6期入后首先会进行卷积运算,运算公式如下:Ljk=fZk=1Mj=1WjOjkvi k+bjk()图1 卷积神经网络评价模型 式中,Ojk代表卷积核函数;bjk代表第k层第j个指标的偏置项;Z代表卷积层数;vi k代表输入层节点i与第k层卷积节点之间的连接权
10、值;f代表s i g m o i d激活函数。然后经过卷积层处理之后,得到的指标卷积结果进入到池化层,通过抽样处理以降低维度,减小计算复杂度。yjk=f Sk=1Zj=1(Ljk)vj k+djk 式中,yjk代表第k层池化层的第j个节点的池化输出;代表采样函数;djk代表池化层偏置项;f 为T a n h激活函数;vj k代表卷积层与池化层之间的连接权值;S代表池化层数。池化后的yjk进入全连接层,将所有yjk展开排成一列。最后利用S o f t m a x分类器,计算每个评价等级的得分情况,最大值对应的等级就是高职产教融合评价结果。S o f t m a x分类器基本形式如下:Qm a x
11、=yjkSk=1yjk 式中,Qm a x代表评价等级得分最大值。在这里评价等级分为5个,即融合效果好、较好、一般、较差及极差。经过上述流程,完成基于卷积神经网络的高职产教融合评价。4 评价测试以安徽阜阳2 0 1 8年2 0 2 2年3所高职院校为例,对其进行的产教融合成果进行评价分析。4.1 评价指标体系表1 评价指标体系一级指标二级指标三级指标相关系数中心度原因度高职产教融合效果产教融合基础条件资金投入2.6 21.5 50.8 9制度建立2.0 11.4 40.7 8人力资源2.8 61.2 30.7 7机构设置3.2 51.4 71.0 2产教融合过程师资队伍3.1 41.6 21.
12、3 6教材建设2.8 51.3 31.5 2实训基地建设3.6 61.2 51.8 4课程建设2.8 71.8 50.9 5培训指导5.4 52.1 11.0 4信息沟通2.1 41.2 81.2 2产教融合结果就业水平2.8 51.8 60.8 7学生满意度2.3 01.4 50.7 6学校效益2.1 21.6 51.2 5企业效益3.7 41.5 21.2 1 注:设定的临界值为2.0。经过两轮安徽阜阳2 0 1 8年2 0 2 2年3所高职院校产教融合成果的选取,构建如表1所示的评价指标体系。4.2 指标权重按照章节2研究过程,计算表1中三级指标2 0 1 8 2 0 2 2年的权重,计
13、算结果如图2所示。a)高职院校1b)高职院校2c)高职院校3图2 2 0 1 8年2 0 2 2年高职院校评价指标权重设置卷积神经网络的参数为:卷积核大小1 01 0;卷积步长为6;池化步长为4;各神经元个数为1 4;2 3;1 5;1 0;5;训练步数为1 0 0;学习速率为1.1 5;1312 0 2 2年第6期 杨 斐,石 磊:基于卷积神经网络的高职产教融合评价算法研究 训练精度为0.0 0 0 1。4.3 评价结果在上述参数的设定下,结合图2所示的2 0 1 8年2 0 2 2年高职院校评价指标权重,对3所高职院校产教融合效果进行评价,结果如图3所示。图3 高职产教融合评价结果从图3中
14、看出,近5年安徽阜阳3所高职院校的产教融合效果整体均呈现逐年上升的趋势,其中高职院校3融合效果已经达到了最高等级,而其他2所高职院校的产教融合效果均达到了较好效果,仍具有上升空间。5 结束语为明确产教融合办学模式的效果,提出基于卷积神经网络的高职产教融合评价算法研究。该研究通过卷积神经网络确定融合评价分值,得出对应的评价等级。最后通过实例测试,证明了所研究评价算法的有效性,完成安徽阜阳3所高职院校的产教融合效果的分析。然而,本研究只选择3所高职院校作为分析对象,选出的指标可能对其他高职院校的评估存在不适用的情况。针对这一点评价指标体系有必要进行完善,以期构建出更加权威和全面的体系。参考文献:1
15、 陈红卫.教学绩效评估中的短板要素分析 以学生评教为例J.教育理论与实践,2 0 2 0,4 0(2 1):5 3 5 5.2 向月,方凤贞,林雅珠,等.健康评估课程思政教学模式的构建及实施J.护理学杂志,2 0 2 2,3 7(1 0):6 8 7 1.3 梅鲁海.高职教育混合式教学模式绩效评估量化体系实证研究J.职业技术教育,2 0 2 1,4 2(3 2):4 8 5 2.4 涂俊礼,姜红.高校思政课研究型教学效果的评价维度探究 评 高校思政课 研究 型教 学 实施 路径 与 效果 评估J.热带作物学报,2 0 2 1,4 2(1 0):3 1 4 1 3 1 4 2.5 管恩京,张鹤方
16、,冯超,等.混合式教学有效性的实证研究 以山东理工大学的6 8门多学科课程为例J.现代教育技术,2 0 2 0,3 0(0 3):3 9 4 4.6 吕路平,童国通.“双高计划”背景下高职院校产教融合质量评价体系研究J.职业技术教育,2 0 2 0,4 1(3 0):3 1 3 6.7 叶小波.多样性人才培养背景下高职教育考试评价体系研究 评 高校 考 试 管 理 概 论 J.林 产 工 业,2 0 2 0,5 7(0 3):1 2 7.8 黄武彪,丁明涛,王栋,等.基于层数自适应加权卷积神经网络的川藏交通廊道沿线滑坡易发性评价J.地球科学,2 0 2 2,4 7(0 6):2 0 1 5 2 0 3 0.9 陈积常,周武.基于领域嵌入的循环膨胀卷积神经网络评价对象抽取方法J.国外电子测量技术,2 0 2 2,4 1(0 1):2 0 2 7.1 0 董潇晓,程世丹.基于卷积神经网络的幼儿园户外环境安全评价J.环境科学与技术,2 0 2 1,4 4(0 9):7 3 8 0.R e s e a r c ho nE v a l u a t i o nA l g o r i t h mo