广东省教育科学规划课题成果公报：洪绍勇（2022GXJK378）

课题名称：基于数据驱动的应用型民办本科院校人才培养模式研究

课题批准号：2022GXJK378

课题类别：广东省教育科学规划课题

学科分类:教育学

课题负责人:洪绍勇副教授人工智能学院

主要成员：杨宪、唐显锋、杨春、石金诚、陈刚、刘玉灵

一、课题研究的指导思想、理论基础

（一）指导思想

本项目坚持以学生为本、数据驱动的核心理念，立足应用型民办本科院校的办学定位，以服务地方经济社会发展和用人单位实际需求为导向，依托毕业生跟踪调查数据，通过智能算法定量揭示校内培养项目与职业能力的内在关联，推动人才培养模式从经验判断向证据驱动转变，实现精准育人、以评促改。

（二）理论基础

项目融合能力本位教育理论、CIPP教育评价模型、数据驱动的教育评价范式以及神经网络智能优化理论，以职业需求能力指数和校内培训模块为输入，构建逻辑精化卷积神经网络与双度量信息熵优化策略的融合分析模型，实现对人才培养效果与职业发展关系的定量识别与预测。

二、课题研究的主要内容和研究方法

（一）主要研究内容

本课题以广东省应用型民办本科院校为研究对象，围绕“数据驱动的人才培养模式评估与优化”这一核心问题，开展以下主要内容：首先，设计职业需求能力指标体系（10项能力指标）和校内培养项目模块（课程体系、素质教育、自我意识、实践经历四大模块共32个具体项目），并编制毕业生跟踪调查问卷；其次，收集近三年毕业生就业与职业发展数据，通过离散PCA变换实现多源异构数据的融合与降维，生成综合贡献矩阵；再次，构建基于改进卷积神经网络（CNN）的自适应训练模型，引入逻辑激活函数和双度量可扩展信息熵优化策略，定量预测校内培训项目对毕业生职业能力及晋升概率的融合贡献；最后，基于模型分析结果，评估现行人才培养方案的有效性，为民办高校人才培养模式的动态修订与优化提供数据支撑和决策依据。

（二）研究方法

三、课题研究取得的主要成果

（一）主要结论

1、校内培养项目与职业能力显著相关：基于5030份有效样本的实证研究证实，民办高校设置的课程体系、素质教育活动、实践经历等校内培训项目，与毕业生的职业能力（如团队协作、终身学习、抗压能力等）及工作晋升概率之间存在显著的正相关性。

2、企业属性可调节晋升概率：毕业生的晋升机会不仅取决于个人在校期间的能力积累，还受到企业规模、性质、领域及学术部门匹配度等外部因素的调节，纳入企业属性后的模型预测准确率从92.1%提升至95.3%。

3、跨模态数据融合优于单模态评估：融合结构化数据（薪酬、晋升次数等）与非结构化文本数据（校友反馈、岗位描述等）的智能评估模型，其准确率（82.6%）、F1分数（81.3%）和AUC值（0.891）均显著优于传统逻辑回归（71.2%、69.8%、0.763）和随机森林（75.3%、74.1%、0.812）等方法。

（二）新的论点

1、“能力-晋升”可量化预测：首次提出并验证了“高校素质教育→毕业生职业能力→工作晋升概率”这一因果链可以借助深度学习模型进行定量预测，打破了传统研究仅停留在定性描述的局限。

2、动态权重优于静态权重：传统评价体系采用固定指标权重，难以适应不同专业和行业的差异化需求。本研究提出“专业适配器（discipline-specific adapter）”机制，可根据毕业生所属专业自动调整评价指标的权重，使跨专业测试集上的评估准确率提升了15.2%。

3、信息熵可桥接学校培养与企业需求：创新性地将信息熵原理引入人才培养评估，构建了“双度量可扩展信息熵策略”，将企业的规模、性质、领域等外部属性与学校的课程、素质、实践等内部模块进行融合建模，揭示了二者之间的非线性耦合关系。

4、非结构化文本具有高价值信息：以往评估多依赖结构化问卷数据，本研究证明校友的开放性文本反馈（如“对母校的建议”）经BERT模型提取特征后，可显著提升模型对就业质量的判别能力，验证了质性数据在量化评估中的不可替代性。

（三）较前的突破性进展

1、方法论突破：从统计分析到智能建模

项目申报书原计划采用离散PCA变换与基础神经网络模型，实际研究中成功升级为逻辑精化卷积神经网络（CNN）与BERT跨模态特征学习的混合架构。模型不仅实现了端到端的自动特征提取，还通过4头注意力机制实现了结构化数据与文本数据的深度融合，这是对传统主成分分析和逻辑回归方法的根本性超越。

2、范式突破：从单模态评估到跨模态融合

传统人才培养评估长期依赖单一类型的结构化问卷数据。本研究首次在该领域成功应用跨模态学习技术，将78.5%的结构化数据（薪酬、晋升次数等）与21.5%的非结构化文本数据（开放式反馈、岗位描述等）进行联合建模，解决了多源异构数据的统一表示与特征融合难题，填补了民办高校教育数据挖掘中跨模态研究的空白。

四、研究成果推广的范围

1、研究成果《An improved CNN architecture for exploring the influence of quality-oriented college education to work promotion probability: a case study in Guangdong province, China》发表于《Egyptian Informatics Journal》（被SCI收录）。

2、研究成果《Intelligent Evaluation Model for Graduate Employment Quality Based on Cross Modal Feature Learning》被2025年Blockchain and Trustworthy Systems国际会议录用，并受邀作现场报告。

五、研究成果取得的社会效益

该项目研究成果的社会效益集中体现为：通过构建数据驱动的智能评估模型，显著提升了民办高校人才培养与市场需求的匹配度，将就业质量评估效率提高15倍、职业指导准确性提升31%以上，推动高校从经验管理向数据驱动决策转型，同时以新生普查和必修课模块等形式实现个性化精准育人，有效服务粤港澳大湾区产业升级与地方经济社会发展，并为全国同类院校提供了可复制、可推广的智能化教育评价范例。

六、主要研究成果目录

七、该研究领域尚待进一步研究的主要理论与实际问题

1、模型跨地域、跨院校的泛化能力验证：现有模型基于广东省部分高校及企业数据构建，其在不同省份、不同办学层次（如高职院校、公办应用型本科）以及不同产业结构区域的适用性尚未充分验证。后续需开展多中心、大样本的迁移学习研究，探索模型参数的自适应调整机制。

2、长期职业发展的追踪与因果推断：当前研究主要聚焦于毕业后3年内的晋升概率与就业质量，缺乏对毕业生5-10年长期职业发展轨迹的追踪。同时，模型揭示的是相关性而非因果性，例如“校内培训项目→职业能力→晋升”之间是否存在真正的因果链，需借助准实验设计、工具变量或因果图模型进一步厘清。