柳炳祥，田 原，彭永康，邱 娟

（景德鎮(zhèn)陶瓷大學(xué) 信息工程學(xué)院，江西 景德鎮(zhèn) 333403）

0 引 言

目前，教育部在全國高校中開展“審核評估”[1]，通過評估學(xué)校內(nèi)部質(zhì)量保障體系對學(xué)校辦學(xué)質(zhì)量進(jìn)行間接評估，從而促進(jìn)學(xué)校的“五個(gè)度”（對學(xué)校人才培養(yǎng)效果與培養(yǎng)目標(biāo)的達(dá)成度、學(xué)校辦學(xué)定位和人才培養(yǎng)目標(biāo)與社會(huì)需求的適應(yīng)度、教師和教學(xué)資源對學(xué)校人才培養(yǎng)的保障度、教學(xué)質(zhì)量保障體系運(yùn)行的有效度、學(xué)生及用人單位的滿意度），并提高學(xué)校的“三強(qiáng)化”（強(qiáng)化辦學(xué)合理定位、強(qiáng)化教學(xué)中心地位、強(qiáng)化內(nèi)部質(zhì)量保障體系建設(shè)）。一般地方高校在轉(zhuǎn)型發(fā)展的新形勢下，如何科學(xué)、合理地設(shè)計(jì)人才培養(yǎng)目標(biāo)，將人才培養(yǎng)模式績效評價(jià)工作融入“審核評估”的框架內(nèi)，是需要進(jìn)一步研究的問題。

1 用于人才培養(yǎng)模式績效評價(jià)的貝葉斯網(wǎng)絡(luò)構(gòu)建

在處理不確定性問題的模擬和推理時(shí)，貝葉斯網(wǎng)絡(luò)[2]是一種被廣泛使用的工具，可以通過不斷地自我學(xué)習(xí)調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)和概率分布，從而識別出觀測變量之間的因果關(guān)系及關(guān)聯(lián)強(qiáng)度，并且這種關(guān)聯(lián)性可以通過簡潔的圖模型表示出來，其所包含的語義便于解釋、易于理解。

貝葉斯網(wǎng)絡(luò)是一個(gè)有向無環(huán)圖，定義為：給定一個(gè)隨機(jī)變量集合χ={x1,x2……xn}，其中xi是一個(gè)m維向量，貝葉斯網(wǎng)絡(luò)B=＜G,θ＞，其中G為網(wǎng)絡(luò)結(jié)構(gòu)，θ為網(wǎng)絡(luò)參數(shù)，G可以看做問題領(lǐng)域的定性描述，θ看做定量描述。θ通常稱為條件概率表，描述每個(gè)結(jié)點(diǎn)在其父結(jié)點(diǎn)取所有可能值情況下的條件概率。貝葉斯網(wǎng)絡(luò)學(xué)習(xí)的任務(wù)是從樣本數(shù)據(jù)中學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)和各結(jié)點(diǎn)的條件概率表。

1.1 人才培養(yǎng)模式績效評價(jià)模型的構(gòu)建

為了使評價(jià)模型在全面和實(shí)用之間做到平衡，教師需要合理設(shè)計(jì)評價(jià)指標(biāo)體系，可以從3方面考慮：人才培養(yǎng)的基礎(chǔ)條件、人才培養(yǎng)過程及人才培養(yǎng)質(zhì)量反饋，據(jù)此設(shè)計(jì)的人才培養(yǎng)模式績效評價(jià)指標(biāo)體系[3]見表1。筆者首先所做的工作是將指標(biāo)體系映射為貝葉斯網(wǎng)絡(luò)，這一步采用人工構(gòu)造方法，將指標(biāo)體系中的三級指標(biāo)作為貝葉斯網(wǎng)絡(luò)中的根結(jié)點(diǎn)，二級指標(biāo)由一級指標(biāo)確定，三級指標(biāo)由二級指標(biāo)確定，由此設(shè)計(jì)出指標(biāo)體系的貝葉斯網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)圖，可以體現(xiàn)出各級指標(biāo)之間的因果關(guān)系。該模型中除了包含指標(biāo)體系中的所有指標(biāo)外，還有一個(gè)結(jié)點(diǎn)PE用來表示每個(gè)專業(yè)班級的最終績效水平分?jǐn)?shù)。

指標(biāo)體系中每個(gè)評價(jià)指標(biāo)的量綱不同，原始評價(jià)數(shù)據(jù)需處理成統(tǒng)一的量綱，其中一級指標(biāo)是定量指標(biāo)，需轉(zhuǎn)換成等級表示，二級指標(biāo)和三級指標(biāo)是定性指標(biāo)的等級表示，無需再轉(zhuǎn)換，因此所對應(yīng)的貝葉斯網(wǎng)絡(luò)的結(jié)點(diǎn)設(shè)計(jì)為離散結(jié)點(diǎn)。對應(yīng)評價(jià)指標(biāo)的等級，每個(gè)結(jié)點(diǎn)由5種狀態(tài)組成：5代表優(yōu)秀， 4代表良好， 3代表中等， 2代表一般，1代表較差。

表1 專業(yè)人才培養(yǎng)模式績效評價(jià)三級指標(biāo)體系

1.2 評價(jià)指標(biāo)之間因果關(guān)系的確定

貝葉斯網(wǎng)絡(luò)中結(jié)點(diǎn)之間的因果關(guān)系采用條件概率表的形式描述。當(dāng)貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)確定之后，接下來的工作是確定貝葉斯網(wǎng)絡(luò)的參數(shù)，即結(jié)點(diǎn)的條件概率表。貝葉斯網(wǎng)絡(luò)的參數(shù)學(xué)習(xí)有多種方法，我們采用的是極大似然估計(jì)法（ML）[4]。樣本數(shù)據(jù)在經(jīng)過預(yù)處理后，已全部表示為前述5個(gè)等級形式的離散數(shù)據(jù)。對于給定的貝葉斯網(wǎng)絡(luò)B，在條件概率分布為離散形式的情況下，則可采用基于頻率的學(xué)習(xí)方法。若其某個(gè)結(jié)點(diǎn)Xi有ri個(gè)取值1、2、3……ri，其父結(jié)點(diǎn)集π（Xi）取值有qi個(gè)組合1、2、3……qi，則該網(wǎng)絡(luò)的參數(shù)而似然函數(shù)為

據(jù)此，將樣本數(shù)據(jù)劃分為訓(xùn)練集和測試集，用訓(xùn)練集數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，求出各結(jié)點(diǎn)的條件概率表。各級指標(biāo)結(jié)點(diǎn)的條件概率表的形式見表2，B1的父結(jié)點(diǎn)為C1、C2和C3，每個(gè)結(jié)點(diǎn)的離散取值范圍為1～5。

表2 結(jié)點(diǎn)B1的條件概率表（部分）

1.3 貝葉斯網(wǎng)絡(luò)人才培養(yǎng)績效評價(jià)模型的驗(yàn)證

接下來，用測試集數(shù)據(jù)驗(yàn)證貝葉斯網(wǎng)絡(luò)人才培養(yǎng)績效評價(jià)模型，將測試集的每個(gè)樣本作為證據(jù)變量輸入該模型中。由于模型的輸出結(jié)果為概率分布表，故選取概率值最大的量作為模型的預(yù)測值。測試結(jié)果表明該模型的正確率為72%。

2 基于貝葉斯網(wǎng)絡(luò)對人才培養(yǎng)模式進(jìn)行績效評價(jià)

貝葉斯網(wǎng)絡(luò)建立之后，優(yōu)點(diǎn)是可以對不完備數(shù)據(jù)進(jìn)行推理和不確定推理。給定部分結(jié)點(diǎn)的證據(jù)數(shù)據(jù)即可推理出所需其他結(jié)點(diǎn)的概率分布，因此可以很好地應(yīng)對數(shù)據(jù)不完備的情況。以本校信息管理與信息系統(tǒng)專業(yè)為例，取5個(gè)年級{A、B、C、D、E}的樣本數(shù)據(jù)作為證據(jù)，輸入已經(jīng)訓(xùn)練好的貝葉斯網(wǎng)絡(luò)，求出各樣本數(shù)據(jù)PE結(jié)點(diǎn)的等級值，再按年級求PE結(jié)點(diǎn)的概率分布，結(jié)果見表3?？梢姡创朔椒ㄟM(jìn)行評價(jià)，結(jié)果基本分布在等級3，即中等這個(gè)級別。通過對結(jié)果進(jìn)一步分析，應(yīng)給出相應(yīng)對策，如調(diào)整人才培養(yǎng)目標(biāo)、加強(qiáng)學(xué)風(fēng)建設(shè)和專業(yè)建設(shè)力度等。

表3 各年級評價(jià)結(jié)果的概率分布

3 結(jié) 語

科學(xué)評價(jià)專業(yè)人才培養(yǎng)模式，對于高校各專業(yè)自主設(shè)定人才培養(yǎng)目標(biāo)和規(guī)劃人才培養(yǎng)路徑具有正向促進(jìn)作用，且容易激發(fā)高校在人才培養(yǎng)方面的主動(dòng)性和創(chuàng)造性。專業(yè)人才培養(yǎng)模式績效評價(jià)的常態(tài)化和開放化，有利于落實(shí)高校自主辦學(xué)。

[1]中華人民共和國教育部. 教育部關(guān)于開展普通高等學(xué)校本科教學(xué)工作審核評估的通知[EB/OL]. (2013-12-05)[2017-08-09].http://www.moe.edu.cn/publicfiles/business/htmlfiles/moe/s7168/201312/xxgk_160919.html.

[2]Microsoft. A tutorial on learning bayesian networks[EB/OL]. (1995-03-01)[2017-08-09]. https://www.microsoft.com/en-us/research/publication/a-tutorial-on-learning-with-bayesian-networks/.

[3]Kim S, Imoto S, Miyano S. Dynamic bayesian network and nonparametric regression for nonlinear modeling of gene networks from time series gene expression data[J]. Biosystems, 2004, 75(1): 57-65.

[4]田原, 張俊娜, 賈建華,等. 信息管理與信息系統(tǒng)專業(yè)人才培養(yǎng)模式績效評價(jià)研究[J]. 科教文匯旬刊, 2015(5): 67-68.

[5]Spiegelhalter D J, Lauritzen S L. Sequential updating of conditional probabilities on directed graphical structures[J]. Networks,1990, 20(5): 579-605.