邓玲玲 戴新建
(长沙民政职业技术学院，湖南 长沙 410004)
随着智能制造2025 和工业4.0 时代的到来，我国人才结构性矛盾尤为突出，这对从业者的创新素质和能力结构提出了更高的要求，“核心素养”也随之成为热词。习近平总书记多次强调职业教育的重要性和适应性，指出实体经济是我国发展的本钱，做实做强我国实体经济离不开大批知识型、技能型、创新型产业大军。高职教育前途广阔，高职院校作为助推经济社会发展的中坚力量，应以发展学生核心素养为本质目标，托起我国社会经济转型升级的人力资源和技术技能底座，为我国产业增值赋能、跻身全球价值链中高端提供生力军。因此，提升高职学生核心素养日渐成为新时代高职学生培养的主要方向。
发展高职学生核心素养是落实立德树人根本任务的一项重要举措，核心素养目标是培养“可持续发展的技术技能型人才”。高职学生核心素养评价是实现这一目标的重要环节，通过多种评价方法和技术手段评定高职学生核心素养，培养具有创新思维、智慧型、生态型技术技能人才。目前高职学生核心素养评价以定性研究[1-4]为主，定量研究很少。因此，本文首先基于核心素养总体框架和高职学生自身发展特点构建评价指标体系，运用TOPSIS 评价模型分别计算构成高职学生核心素养的理想信念、职业品质、社会能力和方法能力四大素养的评价值，根据四大素养评价结果，运用K-means 聚类算法对高职学生进行分类。最后，以高职学生核心素养评价指标为输入变量，以K-means 分类结果为输出变量，构建BP 神经网络评价模型。
围绕立德树人的本质要求，基于高职学生身心成长规律，根据中国学生核心素养的内涵，坚持以人为本，从“必备品格”和“关键能力”两个维度[1-3]，构建包含理想信念、职业品质、社会能力和方法能力四大素养，适合我国高职学生发展的核心素养评价指标体系，见表1。
表1 高职学生核心素养评价指标体系
（续表）
（一）高职学生核心素养K-means聚类分析
高职学生核心素养包含理想信念、职业品质、社会能力和方法能力四个方面，运用TOPSIS 评价模型分别计算四大素养评价值。TOPSIS综合评价法[5-6]首先对原始数据进行规范化处理，然后分别计算评价对象与最优解和最劣解的距离，如果与最优解距离最小而与最劣解距离最大，说明该评价对象最优；
否则该评价对象不为最优。
假设A=(xij)n×m为原始数据矩阵，即包含n个对象、m项评价指标，为了消除指标属性的影响，将逆指标转化为正指标，即
进一步消除量纲、数量级的影响，对数据进行规范化处理得到矩阵Z=(Zij)n×m，其中
确定最优解Z+，由Z中每列中最大值构成：Z+=(max Zi1,max Zi2,...,max Zim)。
确定最劣解Z-，由Z中每列中最小值构成：Z-=(minZi1,minZi2,...,minZim)。
计算每一个评价对象与最优解Z+和最劣解Z-的距离：
计算各评价对象与最优解的接近程度：
Ci越接近1，表明评价对象越优。运用TOPSIS 评价模型分别计算理想信念、职业品质、社会能力和方法能力四大素养评价值，基于四大素养评价结果对高职学生核心素养进行K-means聚类分析。
K-means 聚类算法[7]将相似的数据样本分到一组（簇），使得同一组中的数据对象相似度高，不同组中的数据相似度较小，聚类相似度是利用各组中对象的均值来计算的。K-means聚类算法具体步骤如下：
步骤一：X={xi|i= 1,2,...,N}，随机选取K 个样本作为初始聚类中心Aj(j= 1,2,...,K)；
步骤四：若类中心不再发生变动或达到迭代次数，算法结束，否则回到第（2）步。
选用剪影方法确定算法中的K 值，剪影方法选取K 值的范围，根据聚类结果计算轮廓系数。首先计算第i个对象的轮廓系数：
其中，a(i)为第i个对象与同类其他对象距离的均值，b(i)为第i个对象与其他类的平均距离的最小值，计算所有对象的轮廓系数并求平均值，即为取值为K的聚类算法的轮廓系数。轮廓系数取值在[-1,1]之间，值越接近1，说明同类对象相距越近，不同类对象相距越远，则聚类效果越好。
（二）高职学生核心素养BP神经网络评价模型
BP神经网络[7-8]是一种按误差逆传播算法训练的多层前馈网络。它的学习规则是使用梯度下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。
基于BP神经网络的高职学生核心素养评价模型的建立步骤为：
步骤一：输入层变量的选取。根据构建的高职学生核心素养评价指标体系，确定18 个指标作为神经网络输入层，分别为表1中的x1～x18。
步骤二：网络初始化。确定网络输入层、隐含层、输出层节点数n、l、m，初始化输入层、隐含层和输出层神经元之间的连接权值wij、wjk，初始化隐含层阈值aj和输出层阈值bk，给定学习速率η和神经元激励函数f(x) =
步骤三：学习规则。
（1）输入向量(x1,x2,...,xn)，计算隐含层输出Hj：
（2）计算BP神经网络预测输出Ok：
（3）计算网络预测误差ek:
（4）更新连接权值wij、wjk：
（5）更新阈值aj、bk:
该迭代过程中不断调整权重，直到期望值与预测值的误差小于某一个容许值或者达到一定的迭代次数为止，BP神经模型训练结束，从而建立评价模型。
（一）数据来源
本文选取长沙某一高职院校2018 级学生作为研究对象，指标数据来源于该校大数据平台收集的学生各种学习数据和行为表现数据，剔除数据有缺失的记录，最后确定5488名学生作为评价对象。
（二）基于TOPSIS 和K-means 聚类算法的样本数据分类
运用上述TOPSIS 综合评价模型分别计算5488 名学生的理想信念、职业品质、社会能力、方法能力四大素养的评价值，对四大素养评价值求平均值即得每位学生的核心素养综合评价值。进一步，基于理想信念、职业品质、社会能力、方法能力四大素养评价值进行K-means 聚类分析，通过剪影方法确定K-means聚类算法中的K 值为3 最合适，对应的轮廓系数值为0.57401。聚类分析将5488 名学生分为3 类，分别统计每一类学生理想信念、职业品质、社会能力、方法能力四大素养和核心素养评价值的平均值、标准差系数，结果见表2。
表2 基于TOPSIS和K-means聚类算法的样本数据分类统计结果
从表2 可以看出，高职学生核心素养水平整体偏低，核心素养评价均值仅为0.3923，三类学生核心素养评价均值分别为0.3127、0.4102、0.5026，其中均值最大的第3类学生人数最少，占比仅为9.88%。
第1 类学生在理想信念、职业品质、社会能力、方法能力以及核心素养上的评价均值都低于第2 类和第3 类学生，标准差系数都高于第2 类和第3 类学生，说明第1 类学生在核心素养四个方面表现都较差，且簇内个体差异较大。第3 类学生在职业素养四个方面的表现都优于第1类和第2类学生，尤其在职业品质方面的表现明显优于第1类和第2类学生，职业品质包含爱岗敬业、诚实守信、积极主动等隐性特质，这些隐性特质会影响学生基本知识、基本技能、社交能力等显性素养。因此，具有良好职业素养的学生能较好地管理自己和时间，在学业、竞赛、社团各方面都能取得好成绩。
相比理想信念和方法能力，三类学生在职业品质和社会能力方面的评价值都很低，标准差系数都较大，尤其是社会能力，三类学生的社会能力评价均值都小于0.05，标准差系数都大于1，说明一些学生进入高职院校学习后，对核心素养的认知比较模糊，对自己所学专业一知半解，甚至没有职业概念，在平时学习中不太注重自身职业品质和社会能力的培养和积累。因此，高职院校在培养高职学生核心素养时应重视培养学生工匠精神等职业品质和沟通协作等社会能力。
（三）基于BP 神经网络的高职学生核心素养评价模型训练与预测
选取表1 中x1～x1818 个特征变量作为BP 神经网络的输入变量，基于TOPSIS和K-means算法的样本数据聚类结果作为BP 神经网络的输出变量，将5488 个样本划分为80%训练集和20%验证集。对输入变量进行数据标准化处理，将输出类别变量转换为0-1 矩阵，隐藏层神经元数目设置为8，学习速率为0.01，训练目标最小误差为0.0001，训练数据迭代100 次，找出输入与输出之间的内在联系，建立神经网络模型。最后，使用测试数据集输入网络模型，比较模型预测类型与实际类型，结果见表3，模型整体预测精度为98.9061%，说明模型对高职学生核心素养类型评价的准确性较高，可利用该模型比较准确地判断高职学生的核心素养类型。
表3 BP神经网络评价模型测试集预测结果
（一）主要结论
基于理想信念、职业品质、社会能力、方法能力四大素养进行K-means 聚类分析，可将高职学生核心素养分为3 类，只有第3 类学生的核心素养均值大于0.5，占比仅为9.88%，第3 类学生在核心素养四个方面的表现都优于第1类和第2类学生，尤其在职业品质方面的表现明显优于其余两类学生。相比理想信念和方法能力，三类学生在职业品质和社会能力方面的评价均值都很低，标准差系数都较大。因此，高职学生核心素养亟待提升。
高职学生核心素养评价指标之间相互影响，并且呈现出复杂的非线性特征，BP神经网络具有很强的非线性映射能力，为解决高职学生核心素养评价问题提供有效的方法。BP神经网络利用样本数据，通过学习和训练较好地模拟专家评价的全过程，从而降低了评价过程中人为的不确定性。同时，BP神经网络的强泛化能力和容错能力在解决噪声数据或缺失数据时表现出鲜明的优越性。以聚类分析得到的分类数据为输入层，训练BP神经网络，构建高职学生核心素养评价模型，精确度高达98%。因此，基于K-means 聚类和BP神经网络构建的高职学生核心素养评价模型，可以比较准确地判断高职学生核心素养的类型，为自动化、精准化评价高职学生核心素养类型提供了新思路。
（二）主要建议
高职院校是学生核心素养养成教育的主阵地，在人才培养过程中应注重个体与整体相结合、技能与素养相结合、理论与实践相结合，设计科学合理的核心素养评价机制，引导学生树立健康、稳定的核心价值观、就业观和事业观。定期开展校内技能竞赛和第二课堂等校园文化活动，在校园文化中嵌入企业文化的元素，健全学生的人格，规范学生的言行举止，提升学生组织管理、团队协作、包容竞争、吃苦耐劳、精益求精等职业品质。校企产学研合作是高职学生核心素养培养的重要途径，高职院校应有效建立“三合作、三联动”的育人机制，聘请企事业单位技术骨干参与课堂教学、修订教学计划和教学大纲，通过校企合作项目把学生课堂搬到企业，让学生边做边学、学做结合，帮助学生及时了解自己专业发展方向和产业发展宏观环境，让学生在校期间提前感受企业文化，提高对企业的认同感，提前适应企业对工作人员核心素养的要求，提升职业意识。
猜你喜欢聚类神经网络核心我是如何拍摄天和核心舱的军事文摘(2022年14期)2022-08-26近观天和核心舱军事文摘(2022年14期)2022-08-26你好！我是“天和”核心舱军事文摘(2022年12期)2022-07-13基于递归模糊神经网络的风电平滑控制策略现代电力(2022年2期)2022-05-23神经网络抑制无线通信干扰探究电子制作(2019年19期)2019-11-23基于K-means聚类的车-地无线通信场强研究铁道通信信号(2019年6期)2019-10-08基于神经网络的中小学生情感分析电子制作(2019年24期)2019-02-23以问题为核心上好初中几何复习课教书育人·教师新概念(2017年6期)2017-06-15基于高斯混合聚类的阵列干涉SAR三维成像雷达学报(2017年6期)2017-03-26基于Spark平台的K-means聚类算法改进及并行化实现互联网天地(2016年1期)2016-05-04
