工业工程人才培育评价机制分析
工业工程人才培育评价机制分析 工业工程学科的发展对推进我国的工业化与信息化相 结合的进程,建设创新型国家起着日益突出的重要作用。为 了有效地促进工业工程创新型人才培养,本文基于层次分析 法的基本思想,对工业工程人才培养评价体系进行探讨。1工业工程人才培养与人才评价体系 在构建创新型人才培养评价体系时,要全面评价一个人 的综合素质,不仅要评价属于知识记忆性和技能技巧性的内 容,还应包括一定比例的没有现成标准参考、可让学生充分 发挥想象、表现学生自己创造能力的内容。综合各方面对工 业工程人才的基本要求,本文给出了一套具有层级结构的评 价指标体系,其结构如图1所示。在人才培养评价指标体系中, 一级目标层是一个综合的评价指标集,是对评价指标的宏观 分类。本文将一级目标层划分为4个维度(分别是思想、学术 与文体素养;科技创新能力;学习、分析与实践能力;沟通与 协调能力),从这4个维度对学生进行宏观评价。二级目标层 是对一级目标层的细分和具体化。一级目标层分解为更加细 致的9个维度,这9个维度的指标构成了评价体系的二级目标 层。二级目标层是通过对学生能力和素养的客观描述,说明 社会和学校对工业工程人才培养的要求。三级指标层是在二 级目标层的基础上,结合工业工程系基本情况以及育人目标 对评价指标进一步细化。根据学生在第一课堂和第二课堂中 的各项活动来评价学生的综合素质,共分为22个维度。为了获得更加准确、全面的评价指标,本文通过专家法对初步确 立的评价指标体系进行调整和完善。经过四轮讨论之后,本 研究得到了更为完整的、具有层次结构的评价指标体系,如 表1所示。
2人才培养评价指标的相对重要性 笔者设计了评价指标相对重要性的调查问卷,在清华大 学选择工业工程系与一个偏重于学术研究的工科系(记为 MSE)进行调研,收集相关专家关于评价指标之间的相对重要 性数据,在此基础上分析两个系在人才培养方面的相似性与 差异性。
2.1评价指标的相对重要性与调查问卷设计 本文在前面提出的评价指标体系基础上,针对工业工程 系以及参照系(MSE系)的情况,对评价指标间的相对重要性 进行量化分析。评价指标间重要性主要通过调查问卷来获得。
相对重要性的评语集包括9个重要性等级,分别为非常不重 要、很不重要、不重要、较不重要、同等重要、较重要、重 要、很重要、非常重要,它们分别对应着1至9中的一个数字。
在调查问卷设计中,要求调查对象对一级指标层的四个指标、 属于某个一级指标的二级指标以及属于某个二级指标的三 级指标进行成对比较,给出相对重要性的值。根据调查问卷 的数据,可以得到相对重要性的判断矩阵。最后,通过对判断 矩阵的进一步处理可以获得各项指标的相对重要性数值。调 查问卷在正式发放给专家之前,首先需要进行预调研。在本研究中,预调研的调研对象选择为有过调查问卷制作经验, 并学习过调查问卷设计相关理论知识的工业工程专业学生。
调研问卷的预调研采取的是当面调研的方法,调研对象在填 写问卷的同时,研究人员向调研对象提出关于问卷设计的问 题,并将调研对象的问题反馈记录在表格中。根据预调研中 获得的问题反馈信息,对调查问卷的填写说明、问卷的表格 设计以及问卷的整体结构进行调整,确定调查问卷设计的最 终方案,并开展正式的调研工作。正式调研的目的是获得人 才培养评价指标间的相对重要性,因此调研对象需要选择对 这些指标有充分了解,并且在人才培养及评价方面具有一定 经验的人员。为了多视角考察各项评价指标的相对重要性, 主要选择了三类调研对象:各班(年级)主任与学生工作组组 长(后文称老师),学生辅导员,各班级现任班长和支书。这三 类群体平时与学生接触较多,对学生工作和学生的成长需求 比较熟悉,不仅了解学校层面的人才培养目标和社会需求, 而且了解学生层面的具体工作,因此这三类群体人员具有一 定的代表性。此外,为了比较工科系之间在评价指标相对重 要性方面的差异性和相似性,我们分别在清华大学的MSE系 和工业工程两个系(下面分别称为A系、B系)进行调研。根据 实际情况,问卷的发放采用纸板直接调查与电子邮件发放两 种途径。共发放调查问卷65份,回收问卷65份,回收率为100%, 其中有效问卷63份,问卷有效率为96?9%。
2.2相对重要性数据的判断矩阵一致性由于人们对事物认识的多样性和客观事物的复杂性,被 调查对象在调查问卷中给出的判断矩阵未必都能满足一致 性要求[1-2]。在处理数据之前,需要对判断矩阵的一致性进 行检验。在一致性的检验中,多数判断矩阵的一致性良好,随 机一致性比例(CR)值小于0?1,但是也有部分判断矩阵不满 足一致性,需要对这些判断矩阵进行一致性修正,使其满足 判断矩阵一致性要求。判断矩阵的一致性可以通过一定的数 学变换来实现,具体方法为[3-4]:B=f(A)=exp(1n∑ nk=1(lnaik-lnajk)).值得指出的是,通过这种方法得到的 矩阵B虽然满足了一致性的要求,但与原矩阵A相比,判断矩 阵B可能丢失了过多的信息,使得原判断矩阵的信息没有被 充分地利用。为了克服信息丢失的问题,可以按照如下规则 对矩阵A进行处理[5]:A-w=-wA+(1--w)B?其中-w为权重值, 满足0-w1。由公式可以看出,权重值-w越大,则调整后的判断 矩阵A-w保留的原始信息越多。因此,在保证判断矩阵A-w满 足一致性要求的情况下,找到每个变换中权重-w的最大值, 就可以保证得到的判断矩阵A-w最大程度上保留了原判断矩 阵的信息。在求解权重值-w时,可以采用数学规划的方法,将 原判断矩阵A与进行一致性变换后得到的矩阵A-w做差值后, 计算所得矩阵的2-范数。差值矩阵的2-范数值越小,则说明 矩阵A-w与原矩阵A的差异性越小,一致性变换后A的信息丢 失越少。计算修正判断矩阵对应的优化问题可以表述成如下 形式:min‖A-A-w‖2s.t.0-w1CRAw0?1在实际操作中,使用Matlab程序可以求解上述优化问题,获得一致性修正后的判 断矩阵A-w。此外,通过Matlab程序可以进一步求得各个判断 矩阵对应的权重向量,即指标间的相对重要性。
2.3相对重要性数据的处理及对比分析 在获得A、B两系老师、辅导员及班长支书的调查问卷数 据后,我们对A、B两系在一级目标层上评价指标的相对重要 性数据进行了分析。本文使用箱线图描述A、B两系的权重数 据,并通过双样本的T检验以及单因子的方差分析法对数据 进行对比分析。首先,本研究通过箱线图描述两个系给出的 相对重要性数据。箱线图不仅可以发现不同集合数据的差异 性,同时可以发现数据中的异常点。在排除异常点后,我们可 以得到A系与B系老师、辅导员、班长支书以及系内综合相对 重要性的对比箱线图,如图2所示。在箱线图上,A系与B系大 部分数据在均值及分散程度上表现出了差异性,少部分数据 的相似性非常明显。为了从统计意义上确定A、B两系数据的 差异性,本研究对A、B两系的数据进行了双样本的T检验。在 双样本T检验中,原假设设定为A、B两系获得的相对重要性数 据均值相等,备择假设设定为两系获得的相对重要性数据均 值不相等,T检验的结果如表2所示。由T检验的结果可以看 到,A、B两系老师在4个一级指标上都未表现出显著的差异性, 说明在老师的层面上,A、B两系在人才评价方面具有很高的 一致性。在辅导员层面上,A、B两系在“科技创新能力”这 一指标的判断方面存在显著的差异性,在其他3个一级目标上未表现出明显的差异性。在班长及支书层面上,A、B两系 在“沟通与协调能力”上具有显著的差异性,在其他3个一级 目标上未表现出明显的差异性。而综合三个层面,研究发 现,A、B两系在“思想、学术与文体素养”与“科技创新能 力”表现出了明显的差异性,而在其他2个一级目标上的差异 并不明显。
在同一个系内部,本研究对老师、辅导员、班长支书给 出的相对重要性数据进行了对比。从图3的箱线图上可以看 到,无论A系还是B系,在相对重要性的均值和分散程度上都 表现出了不同程度的相似性。同时,本研究通过单因子方差 分析来确定同一个系内部差异性的显著程度。在方差分析中, 影响因子为调查对象的身份,该因子有3个水平,分别为老师、 辅导员、班长支书,方差分析的结果如表4所示。从表3中的 统计数据可以发现,在A系中,老师、辅导员、班长支书给出 的一级目标层的相对重要性具有一定的相似性,彼此间的差 异性并不显著。在B系中,除了在“科技创新能力”方面表现 出明显的差异性之外,其他3个指标的相对重要性差异都不 显著。所以,从这一部分的结果中可以看到,A、B两系内部老 师、辅导员、班长支书三个群体的观点基本一致,在人才培 养的方向上具有一定的共识。
总之,从A、B两系的对比分析中可以看出,两系在“思想、 学术与文体素养”与“科技创新能力”重要性认知方面存在 差异,而在其他2个一级目标上的差异不明显。这反映出两个系在人才培养导向方面还是存在一定的差异。“学习、分析 与实践能力”和“沟通与协调能力”评价指标权重的相似性 也反映出在学生的基本能力培养方面,不同的工科专业之间 具有共识。人才培养评价指标的相对重要性反映了不同群体 对于指标的期望,但是否与学生的能力和素质表现匹配还是 一个值得深入研究的问题。
3可测指标层、人才矢量与创新型人才面 人才评价指标体系由3个层次构成,虽然3个层次逐层细 化,但三级指标仍然难以直接测量。在人才评价体系的实际 操作过程中,对于每一个三级指标,需要找到若干个可测量 指标对其进行评估,这些可测量指标构成了人才培养评价体 系的可测量指标层。为了更加客观、全面地评价一个人,确 立可测量指标层需要遵循一定的原则:第一,客观性,即尽量 选择可以定量描述的指标;第二,全面性,即需要全面地反映 三级指标层的各项指标;第三,易获得性,即在评估体系的实 际运用中,这些可测量指标容易获得;第四,前瞻性,即在学 校教育改革和育人政策适当调整之后,这些指标同样可以方 便地获得。可测量指标层为人才评价体系收集评估对象的可 测量数据,可测数据经过后期处理,转化成反映第三级评价 指标的定量化数据,如表示成[0,1]内的效用值。可测数据的 处理方法包括定性数据向定量数据的转换、定量数据的无量 纲化等。总之,以人才培养评价体系中第三级指标层的22个 效用值作为分量,可以构成22维空间中一个点,对于每一位评估对象,在理论上都可以通过可测量指标层及其变换函数, 获得其三级指标层各项指标的评估(效用)值,形成一个该评 估对象的评价向量,我们称之为一个22维人才矢量。
所有可能的22维人才矢量在22维空间中形成一个单位 超方体,超方体上效用值为1的面表示其对应的评估对象在 相应指标方面存在特长,因此,我们将超方体上某个效用值 为1的面称为创新型人才面。根据创新型人才面的含义,本文 把人才矢量能够达到或者接近创新型人才面的评估对象视 为需要重点培养的拔尖创新型人才。当然,关于创新人才的 含义,也可以借助若干个创新型人才面来界定,这与不同高 校或者不同专业人才的评价机制有紧密的关系。不同专业以 及不同高校的办学特点,可以通过所培养学生的人才矢量分 布以及与创新型人才面的关系加以定量化界定。本文提出的 关于工业工程人才培养的评价指标可以看成一个模型,可测 量指标涉及评估对象的课内、课外活动表现数据。将模型与 数据分离,有助于在实际操作过程中根据不同的需要将模型 拓展到不同的专业和不同的高校,可以针对不同的高校或者 专业人才设计可测数据指标,也可以针对不同的高校或者专 业人才设计评价指标,获得用于该高校或者专业的创新型人 才评价体系。