[摘  要]在現代職業教育朝著高質量發展的政策導向下，當前中高職貫通一體化人才培養的質量評價體系存在諸多不足，亟待借助大數據技術實現創新突破。本研究借助大數據對學生數據進行精準分析，旨在更好地優化資源配置，提升教學質量，促進學生全面發展。研究內容涵蓋數據庫建設、數據采集、人才成長畫像構建、大數據對比分析與培養質量因子識別、科學評價標準制訂以及動態調整機制的建立等方面。數據庫設計遵循全面性、準確性及實效性原則；數據采集涵蓋學生活動的多個維度；運用SVM和KNN算法構建人才成長畫像，并采用四因子模型分析培養質量；體系構建依據綜合評價指標體系，設置教學、管理、實踐及評價四大因子，且確定了各指標的權重。最終，通過建立動態調整機制與閉環管理，確保評價體系能夠持續優化并保持適應性。

[關鍵詞]大數據  中高職貫通  一體化人才培養  質量評價體系  SVM算法

課題：2023年度陜西高等職業教育教學改革研究項目委托項目《中高職貫通一體化人才培養模式創新與實踐——以新能源汽車技術專業為例》（項目編號：23GW006）。


引  言

隨著《關于推動現代職業教育高質量發展的意見》的發布，中高職貫通一體化人才培養成為我國職業教育改革的重要方向。然而，其質量評估體系尚不完善，急需借助大數據技術創新評價機制。大數據技術的崛起，為教育領域帶來深刻變革，能夠精準分析學生數據，優化資源配置，提升教學質量，促進學生全面發展。本研究旨在構建基于大數據的中高職貫通一體化人才培養質量評價體系，以精準識別學生能力差異，促進課程體系融合，建立多維度評價標準，增強評價客觀性，為教育決策提供數據支撐。

本研究致力于構建科學、合理、可操作的大數據驅動的中高職貫通人才培養質量評價體系。通過明確體系框架、確定評價指標與權重、開發數據分析工具并驗證其有效性，以解決當前評價體系中的不足，如不完善、標準單一、主觀性強等問題。核心任務包括：建立全程跟蹤數據庫、對比分析“貫通”與“非貫通”學生、明確質量因子與權重、制訂科學標準、構建動態調整機制，以形成人才培養的閉環管理。

中高職貫通一體化人才培養數據庫建設

1.數據庫設計原則與目標

中高職貫通一體化人才培養數據庫的建設應當遵循數據的全面性、準確性以及實效性原則。簡言之，全面性需要確保數據庫能夠覆蓋學生自中職入學至高職畢業的全部學習經歷、實踐活動、技能掌握情況及個人成長軌跡，包括但不限于學術成績、技能證書、實習經歷、志愿服務等多個維度，以全面掌握學生的綜合能力。準確性則需要采用嚴格的數據校驗機制，確保每一條數據的準確性，減少誤差對后續分析評估的影響。實效性要求對數據庫內容進行實時更新，確保數據能夠反映學生當前狀態及最新發展動態，為及時調整培養方案提供反饋。

2.數據采集內容與方式

為確保全面評價人才培養質量，數據采集應覆蓋學生課堂學習、競賽、社團活動、社會活動等多維度。其中，學生課堂學習數據應包括課程成績、學習態度、參與度等，以反映學生的學術基礎；競賽與社團的活動數據內容應記錄學生參與各類競賽的成績、獲獎情況，以及其在社團的活動表現，以更好地評估其創新能力、團隊協作及領導力；社會實踐與志愿服務數據應收集學生的社會實踐經歷、志愿服務時長及反饋，以評估其社會責任感與實踐能力；企業實習與就業數據應跟蹤學生在實習單位、就業單位的表現情況，以了解市場需求與人才培養的契合度。

為確保上述數據的準確性，應集成多維度數據采集模塊，實現數據的全方位采集，具體如圖1所示。

20250703085507919-86-14c09.png

具體而言：通過學校的教學管理系統或課堂考勤軟件，自動記錄學生的出勤情況；利用課堂互動平臺（如雨課堂、超星學習通等），收集學生在課堂上的提問、回答、討論等參與度數據；定期進行單元測試、期中考試和期末考試，收集學生的考試成績數據；利用在線作業系統，收集學生的作業完成情況和得分數據；通過學校的競賽管理系統，記錄學生參與各類競賽的報名信息；跟蹤學生在競賽中的表現，包括獲獎情況、排名等；建立競賽成果數據庫，收錄學生的競賽作品、獲獎證書等資料；通過社團管理系統，記錄學生參與的社團名稱、職務、活動時間等信息；鼓勵學生通過社團日志、活動總結等方式，記錄自己的社團經歷和成長；收集社團舉辦的活動資料、成果展示照片、視頻等，作為社團成果評價的依據。

3.人才成長畫像與評價數據模型構建

基于上述數據，采用支持向量機（Support Vector Machine，SVM）和K近鄰（K-Nearest Neighbors，KNN）算法，構建人才成長畫像與評價數據模型。

SVM算法的核心策略在于尋求超平面的最優解，以實現樣本的最大化分隔。鑒于學生特征比較錯綜復雜，本研究引入SVM剖析相關數據，為人才成長畫像拓寬維度視野。

K近鄰（KNN）算法，則是以實例為基礎，實現數據的分類與回歸。KNN算法的核心精髓在于依據鄰近的K樣本，實現數據樣板的分類。KNN算法能夠處理數據中競賽、社會支援等活動的相關數據，可進一步豐富人才成長畫像。

多層感知機（MLP）是一種前饋神經網絡，通過四層架構，能夠解決復雜非線性問題，無論分類還是回歸，都可快速準確地完成。MLP巧妙融合了SVM與KNN的功能，通過激活函數、權重更新與反向傳播機制，可學習到最優的權重參數。

通過上述方法構建的人才成長畫像與評價數據模型，能為人才培養提供詳盡的評價數據，教師可根據學生成長畫像，為其量身定制培養方案，提供個性化學習建議與職業規劃指導，促進學生全面發展。同時，利用成長畫像數據，可對教育過程進行量化評估，發現教學與管理中的不足，為持續改進提供依據。更為重要的是，學校能夠基于數據分析結果合理優化課程設置，調配教育資源，如調整師資力量及實踐平臺，以更好地提升整體辦學水平。

大數據對比分析與培養質量因子分析

1.與“非貫通培養學生”的對比分析策略

本研究運用大數據技術，對比中高職貫通一體化培養的學生與“非貫通學生”，旨在評估貫通培養質量評價體系的有效性，為后續優化方案提供依據。首先，明確對比維度：學業成績（平均分、及格率、優秀率）、技能掌握（技能證書獲取率、競賽獲獎）、職業素養（職業道德、團隊協作、創新能力）及就業質量（就業率、單位性質、薪資）。其次，利用大數據清洗、篩選有效數據，構建兩類學生的人才畫像，涵蓋上述四個維度，并通過信息技術生成直觀報告，展現對比結果。最后，分析影響貫通培養的關鍵因素，確定其權重，構建更為完善的人才質量評價體系指標權重，以優化人才培養方案。

2.培養質量因子識別

在實施上述對比分析后，能夠得到影響人才培養質量的關鍵因素，為確保質量評價體系的全面性、準確性以及實效性，需要進一步識別影響中高職貫通一體化人才培養質量的因子。具體而言，培養質量因子可歸納為四類，分別為教學因子、管理因子、實踐因子、評價因子。其中，教學因子包括課程設置、教學內容、教學方法、師資力量等；管理因子包括學籍管理、教學管理、學生管理、實習實訓管理等；實踐因子包括實習實訓條件、校企合作深度、實踐教學質量等；評價因子包括評價體系構建、評價方法選擇、評價結果應用等。

四類因子之間緊密關聯，相互作用顯著。教學與管理相互促進又相互制約，完善管理可為教學提供堅實基礎，而卓越教學又能反哺管理優化；反之，管理不足限制教學創新，教學質量下滑則反映管理效能問題。教學與實踐深度融合，理論為實踐奠基，實踐檢驗教學成效，共同促進學生全面發展。評價因子作為鏡像，反映教學與管理成效，能提供持續優化反饋，促進質量提升并設定更高標準。管理與實踐緊密相連，科學管理可確保實踐教學有序高效，而實踐成果能反饋優化管理的效果。評價與管理相互作用，應提升管理效能，以保障評價公正，推動教育體系整體進步。四因子相互依存、促進，共筑教育質量提升與學生全面發展的核心動力。

3.影響因素權重確定

構建人才培養質量評價體系時，需依據目的性、可操作性、獨立性及動態性原則，精心設計綜合評價指標體系。該過程可遵循“五階段遞進模型”，涵蓋初步構想、初步遴選、深入篩選、合理性驗證及反饋性評估等關鍵步驟。評價體系力求彰顯中國特色，以能力為核心導向，精準反映人才培養成效，從而摒棄傳統單一依賴學業成績量化評分的考核模式，避免僅憑分數高低片面評判學生能力水平的局限。經過上述步驟，最終確定中高職貫通一體化人才培養質量評價體系指標，如表1所示。

20250703085508009-21-5ebae.png


制訂科學合理的評價標準

在構建基于大數據的中高職貫通一體化人才培養質量評價體系時，制訂科學合理的評價標準是核心環節。評價標準不僅須具備高度的客觀性、公正性和可操作性，還應緊密契合中高職貫通教育的獨特性和復雜性。

1.評價標準構建原則

客觀性要求評價標準不受主觀偏見的影響，應基于大數據的統計分析結果，客觀反映學生的真實能力；公正性要求評價標準應對所有學生一視同仁，避免任何形式的歧視或偏見，確保評價過程的公平性和透明度；可操作性要求評價標準應具體、明確，以便于實施者理解和操作，減少人為誤差，提高評價效率。除此以外，評價標準需充分反映中高職貫通教育的連續性、系統性和實踐性特點，既要關注學生在不同學習階段的知識積累和技能提升，也要重視其職業素養和綜合素質的全面發展。

2.評價標準具體內容

根據前述分析，本次研究評價標準確定如下，見表2。

20250703085508030-66-bd13c.png

3.評價標準的應用與檢驗

在構建中高職貫通一體化人才培養質量評價體系的過程中，實施階段性評估與綜合評價體系相融合的策略。于中職教育階段，采用課堂測驗、實驗報告及技能操作考核等形式，每學期末系統性檢驗學生基礎理論的掌握情況與基本技能水平。進入高職教育階段后，深化專業知識傳授的同時，著重加強專業技能的評估，借助項目實踐、案例分析作業及實習總結報告等工具，評估學生運用技能解決復雜問題的能力。

動態調整機制并形成人才培養閉環

1.評價反饋機制

評價中，利用大數據技術系統全面地收集學生在學習過程中的各類數據，包括但不限于課堂表現、作業完成情況、實驗報告、項目實踐、案例分析、實習報告及測試成績等。重視收集來自教師、同伴、企業導師及學生自身的多維度評價信息，以確保反饋的全面性與客觀性。在此基礎上，運用數據挖掘與統計分析等先進方法，對海量數據進行清洗、整理與歸類，為后續分析提供可靠數據基礎。隨后，借助先進的數據分析工具，對整理后的數據進行深度挖掘，揭示其背后的規律。通過對學生學習成效、技能掌握、團隊協作、創新能力及道德素養等多維度指標的分析，精準識別學生在各方面的優勢與不足，為人才培養模式的優化調整提供科學依據。除此以外，還應緊跟行業發展趨勢與市場需求變化，將外部因素納入分析框架，確保人才培養質量與社會需求的高度契合。

2.人才培養模式與機制調整

依據反饋信息分析結果，對中高職貫通一體化人才培養過程中存在的問題進行針對性優化。在課程設置上，根據行業需求與學生興趣動態調整課程結構，確保課程體系的科學性。在教學方法上，積極探索線上線下混合式教學、項目式教學、翻轉課堂等新型模式，以激發學生的學習興趣。在評價體系上，不斷完善多維度、多主體的評價體系，確保評價結果的全面性。另外，為保持人才培養機制的靈活性，應建立持續改進機制。一方面，緊跟教育理念的更新與行業發展的步伐，及時調整人才培養目標；另一方面，積極收集學生、教師及企業等利益相關者的反饋意見，不斷優化培養機制中的各個環節。例如，可通過定期舉辦教學研討會、學生座談會、企業交流會等活動，廣泛聽取各方意見，為培養機制的持續改進提供堅實支撐。

3.人才培養閉環構建

基于大數據的中高職貫通一體化人才培養質量評價體系構建了一個閉環系統，該系統由數據采集、信息處理、反饋分析、模式調整及效果評估等關鍵環節構成。數據采集環節利用大數據技術全面收集學生數據；信息處理環節運用先進工具對數據進行深度挖掘與整理；反饋分析環節識別問題與不足；模式調整環節針對問題進行優化；效果評估環節再次收集數據驗證改進效果。

該閉環系統在提升中高職貫通一體化人才培養質量體系中，可實現對人才培養全過程的實時監控，以便動態調整，保障了人才培養質量的可預測性。更為重要的是，能夠促進教育資源的優化配置，提高人才培養的效果，增強人才培養與社會需求的契合度，提升了畢業生的職業發展潛力。

結  論

本研究構建了基于大數據的中高職貫通一體化人才培養質量評價體系，并系統展示了其科學性與全面性、數據驅動的精準評價能力、多維度評價標準的確立、動態調整機制的建立以及閉環管理系統的形成。該體系不僅確保了對學生從中職入學至高職畢業全周期學習經歷的全面覆蓋與多維數據分析，還依托大數據技術精準識別學生的能力差異，為個性化培養提供堅實數據支撐。通過引入先進算法構建人才成長畫像與評價模型，可顯著提升評價的客觀性與準確性。多維度評價標準的設定及動態調整機制的引入，促進了課程設置、教學方法與評價體系的持續優化，實現了人才培養的閉環管理，有效提升了人才培養質量與社會需求的契合度。此外，評價體系還促進了教育資源的優化配置與辦學水平的整體提升。展望未來，隨著大數據技術的不斷革新，該評價體系將持續完善，為職業教育領域的改革與發展注入新的活力。

參考文獻：

[1]秦風碩.職業本科教育“崗課賽證創”一體化人才培養體系構建[J].現代職業教育，2024（28）：57-60.

[2]戴麗艷，韋后明，韋宜月.信息化背景下欠發達地區高職院校人才培養質量評價體系的構建[J].中國新通信，2024，26（1）：161-163.

[3]曾文瑜.淺談工匠精神對現代學徒制人才培養評價體系的影響[J].教育教學論壇，2022（50）：81-84.

[4]周蓉，師瑞峰.基于第三方平臺大數據分析的人才培養質量評價方法研究[J].教育教學論壇，2020（33）：8-11.

[5]宛鐘娜，丁向東.基于大數據的MOOC人才培養質量評價方法[J].人才資源開發，2020（15）：62-63.

[6]王正華.“學改”視閾下學習質量的保證體系建構與評價方法創新[J].創新創業理論研究與實踐，2020，3（12）：1-2.

[7]遲曉妮，李潔，張所濱，等.大數據時代統計學專業創新人才培養質量的綜合評價體系研究[J].常州工學院學報，2020，33（1）：70-73.

[8]楊乾坤，趙樹平，梁昌勇.基于“第二課堂成績單”構建“大數據+思想政治教育”質量評價體系[J].黑龍江高教研究，2020，38（2）：133-138.

（吳瑋瑋、王玉、張巖：陜西國防工業職業技術學院）

責任編輯：張言