新工科背景下导师组制对研究生培养的作用机制研究论文

SCI论文（www.lunwensci.com）:

摘 要：导师组制是新工科背景下研究生培养的新模式，研究其作用机制有利于为我国输送高层次人才。已有研究从宏观层面对导师组制培养模式进行了阐述，而对导师组制的定量化研究甚少。为此，本文对导师职称、年龄等 17 个变量进行了调研，再定量化说明导师组制的建设现状，进而运用主成分分析确定各自变量对研究生培养效果的重要性，最后建立人工神经网络模型预测不同导师组成下研究生的培养成效。

研究结果表明，导师组制较单导师制的研究生进校时的学习基础、硕士毕业时自我满意度明显更高，具有更好的自信心；主成分结果显示导师敬业度、学生投入时间、学生进校时基础对研究生培养效果最为重要，且重要性依次降低；建立的人工神经网络模型对研究生毕业工资和毕业自我满意度的整体预测误差分别在 20% 和 5% 以内，预测效果良好。综上所述，本文可为高校导师组制建设提供良好的指导和评价依据。

关键词：导师组制；研究生培养；作用机制；主成分分析；人工神经网络

本文引用格式：尚雪义 , 刘彩云 , 彭康 , 等 . 新工科背景下导师组制对研究生培养的作用机制研究 [J]. 教育现代化 ,2021,8(35):36-40.

Mechanism Study of Tutor-Group System on Postgraduate Training under the New Engineering Background
SHANG Xueyi, LIU Caiyun, PENG Kang, tIAN Sen, LIAO Zhiwei(School of Resources and Security, Chongqing University, Chongqing)

Abstract: Tutor-group system is a new postgraduate training pattern under the new engineering background. Its mechanism study is conducive to transfer high-level talents for our country. Previous studies have elaborated on the training pattern of tutor- group system from macroscopic levels, but few quantitative studies have been found at this stage. Therefore, 17 variables (e.g., tutor title and age) are investigated and quantitative description was given on tutor-group system construction situation in this paper. Then, principal component analysis was adopted to determine the importance of each variable on postgraduate education.

Finally, an artificial neural network model was established to predict the training performance under different postgraduate training sets. Results show that there are significant differences in terms of student knowledge foundation, self-satisfaction after graduation between the single-tutor system and tutor group system, and the students of tutor group system have more confidence. The PCA analysis show that tutor engagement, student invested time and student knowledge foundation play the most important roles in postgraduate training, and the importance of these three parameters follows a decrease order. The prediction errors of the constructed artificial neural network for postgraduate salary and postgraduate satisfaction are separately within 20% and 5%  on  the whole, which are good prediction results. In conclusion, this paper can provide a good guidance and evaluation basis for the construction of tutor group system in colleges.

Keywords: tutor-group system; postgraduate training; mechanism; principal component analysis (PCA); artificial neuralnetwork (ANN)

一 引 言

国家主席习近平对研究生教育工作做出重要指示：研究生教育肩负着高层次专业人才培养和创新创造的重要使命，人才质量的高低在一定程度上决定着经济发展的速度和国家的繁荣程度。导师队伍建设是研究生培养中的重要一环 [1-4]，近年来我国研究生培养方式不断改善和发展。目前，国内主流的研究生培养模式是单导师制，单个导师通常在某一领域有所造诣，但随着学科的不断交叉、融合，研究问题日趋复杂，单个导师不利于研究生学术视野的扩大和知识面的增加 [5]。此外，单个导师的时间和精力有限， 同时指导多名学生难免力不从心。与之相对，多人形成的导师组制在一些高校逐渐发展起来，其在当今日益细分又高度综合的新工科背景下，更加符合我国高等教育的发展趋势和新时期人才培养的要求 [6]。

在国外，硏究生的培养主要采取导师与指导委员会集体培养的模式。Lechuga[7] 认为导师对学生的培养方式以及师生关系对研究生的学习和成长有着非常重要的作用。Fenge[8] 研究发现导师组制对研究生的协作学习和创造力有很大的提升，而 Mastoras和 Andrews[9] 指出导师组成员建议和经验对研究生培养起主导作用。我国针对研究生导师组制的研究处于起步阶段。王海波和王茹 [10]、彭国华和甘永涛 [11] 对实施导师组制培养模式的必要性、实施方法以及该培养模式下需要避免的问题作了详细介绍。崔传金等 [12] 指出高校科研平台的建设、合理的导师梯队结构、导师遴选、考核及激励机制是导师组制建设的关键。王春华等 [13] 对导师组制权责划分机制、师生间沟通交流机制、学生间沟通交流机制、“1+2” 导师结构模式和定期研讨会机制进行了说明。

上述研究多集中在宏观层面的分析，而对导师组制定量化的研究较少。为此，本项目将主成分分析和人工神经网络引入至导师组制对研究生培养作用机制的研究中。首先，对我国研究生导师组制影响因素进行调查，定量化说明导师组制的建设现状；在此基础上，对调查的数据进行归一化处理，运用主成分分析确定各因素对研究生培养的重要性；最后建立人工神经网络模型预测不同导师组成下研究生的培养成效，从而为高校导师组制建设提供指导和评价依据。

二 数据调研及统计分析

本文结合引言中导师组制分析使用的变量与研究生访谈，最终选取了 15 个自变量和 2 个因变量进行调研：导师职称 (x1)、导师年龄 (x2)、导师所带研究生数 (x3)、导师指导频次 (x4)、导师发放补助金额 (x5)、导师投入时间 (x6)、导师敬业度 (x7)、研究生对导师的满意度 (x8)、进校时研究生学习基础 (x9)、研究生科研目标清晰度 (x10)、研究生科研投入时间 (x11)、与导师外人员科研交流时间 (x12)、参与横纵项课题时间 (x13)、本科毕业预期工资 (x14)、本科毕业自我满意度 (x15)、硕士毕业工资 (y1)、硕士毕业时自我满意度 (y2)。此次调研共收集有效问卷 60 份，其中单导师制 40 份，导师组制 20 份。

将这 60 份问卷中的单导师制与导师组制变量的最小值、最大值、平均值、方差和差异显著性统计于表 1。由表知，方差由 4.5×100 变化至 1.6×107。因此，数据分析前需要对离散化后的数据进行归一化处理，归一化后数据如图 1 的箱型图所示。其中， 导师职称中教授( 研究员)、副教授 ( 副研究员)、讲师、助教分别对应离散化数据 1、2、3 和 4；采用 Z-Score 标准化数据，可降低异常数据的影响。

由图表知，单导师制与导师组制中副导师的职称、年龄、所带研究生数差异显著性，主要归根于副导师通常是研究生数较少、年纪较轻的讲师和副教授。进一步地，差异显著性表明导师组制研究生进校时的学习基础、硕士毕业时自我满意度明显更高，表明导师组制研究生具有更好的自信心；而其他变量导师组制稍优于或相当于单导师制，且导师发放补助金额、导师敬业度、研究生科研投入时间、本科毕业自我满意度也存在较大差异。

三 自变量重要性 PCA 分析

主成分分析 (PCA) 是一种多变量分析方法，基本思想是设法将原来众多具有一定相关性的指标， 重新组合成一组不相关的、维数减少的综合指标来代替原指标，从而消除因素间的相关性以及达到降维的目的。主成分的分析过程如下 [14]：设原始数据矩阵 X* 由 n 个评价对象的 p 个评价指标 X1,X2,… , Xp 构成， 即：

其中，，i=1, 2, … , n。
为消除因素数量级和量纲的影响，将原始数据矩阵 X* 标准化得到矩阵 X。

（1）其中 ，j=1, 2, … , p。采用皮尔逊相关分析计算标准化数据矩阵 X 的相关系数矩阵 R。

（2）其中 ，k，j=1, 2,… , p。


计算特征值贡献率：计算相关系数矩阵 R 的特征值 (λ1 ≥ λ2 ≥⋯≥ λp ≥ 0) 和特征向量 (u1, u2,⋯ , up)，其中 uj=(uj1, uj2,⋯ , uj1)。特征值 λj 反映了第 j 个主成分 Zj 对被评价对象的影响大小，λj 越大贡献越大。特征值贡献率可通过下式计算：
（3）选取主成分：通常选取特征值累计贡献率超过85% 的最小整数 m(m ≤ p) 对应的成分作为主成分， 即主成分为 Z1, Z2,⋯ , Zm，并用这 m 个主成分作为综合指标替代 X1, X2,⋯ , Xp，即：

（4）进一步地，我们借助上述 PCA 方法原理，利用主成分载荷值分析自变量对研究生培养成效作用大小的影响。考虑到导师组制中主导师、副导师的自变量 x1、x2 和 x3 是分开来统计的，本文仅使用x4~x15 来展开 PCA 分析，并使用特征值累计贡献率85% 来确定主成分个数，PCA 计算得到图 1 中标准化矩阵的主成分载荷值如表 2 所示。

 

由表可知，前 7 个特征值的累计贡献率满足85% 的要求，PCA 将 12 维数据降维至 7 维，降维效果并不明显，说明各自变量对研究生培养成效作用的差异性不明显。而前三个主成分对研究生培养成效影响较大，PC1、PC2、PC3 特征值贡献率分别达到了 24.65%、贡献率均小于 10%。

由此， 本文仅选取前三个主成分进行分析，并以主成分载荷值 >40% 作为临界载荷值。PC1 中的导师敬业度、研究生对导师的满意度两个载荷值较大，表明学生更喜爱敬业的导师，且导师敬业度在研究生培养中起到了重要作用；PC2 中的导师发放补助金额、研究生科研投入时间、与导师外人员科研交流时间起主要作用，说明研究生科研投入时间对研究生培养成效影响较大，且发放补助对学生投入的科研时间具有促进意义；PC3 说明学生进校时的学习基础对研究生培养成效的影响较大。综上，研究生培养时应当依次充分考虑导师敬业度、学生投入时间和学生进校时基础，其他变量次之。

四 研究生培养效果 ANN 预测

人工神经网络 (ANN) 是由大量的处理单元互相连接而形成的复杂网络结构，它借鉴生物神经网络得到，能够模拟生物神经系统对真实世界物体所作出的交互反应，且能处理高度非线性问题，使得其在很多领域得到应用。通常使用三层人工神经网络处理实际问题，包含有输入层、隐含层和输出层。本文输入层为 x4~x15 共 12 个参数，隐含层神经元取21 个，输出层为硕士毕业工资和毕业自我满意度。

以单导师制的前 30 个和导师组制前 15 个归一化数据作为 ANN 的训练数据集，余下数据为预测数据集， 得到的训练和预测结果如图 2 所示。

 

由图 2 知，该 ANN 模型的训练和预测能力较好， 硕士毕业工资整体误差在 20% 以内，而硕士毕业时自我满意度整体误差在 5% 以内，取得了较好的效果。在上述模型基础之上，各高校可针对现有师资力量， 设计不同的导师组制组成方案，将其输入该 ANN 模型即可获得硕士毕业工资和毕业自我满意度，进而优化导师组制建设方案，提升研究生的培养质量。

五 结论

本文围绕新工科背景下导师组制对研究生培养的作用机制，展开了数据调研、主成分分析和 ANN 模型预测，主要结论如下：
（1）通过文献调研和研究生访谈，我们确定了影响研究生培养的 17 个变量，调研的数据显示单导师制与导师组制中副导师的职称、年龄、所带研究生数差异显著，而对于其他变量导师组制整体稍优于或相当于单导师制，且导师组制研究生具有更好的自信心。
（2）主成分分析仅将 12 维数据降维至 7 维，说明自变量对研究生培养效果作用的差异性不明显， 并且获得了各自变量对应的主成分载荷值，得到研究生培养的重要性因素依次为导师敬业度、学生投入时间和学生进校时基础，其他变量次之。
（3）提出的基于 ANN 的研究生培养成效预测模型，对研究生毕业工资和毕业自我满意度训练和预测数据的整体误差分别在 20% 和 5% 以内。该 ANN 模型可为研究生导师组制建设过程中，如何分配导师组成员工作制度等提供指导依据。

参考文献
[1]贺智龙 , 肖中俊 . 提高研究生培养质量的途径与方法 [J]. 教育教学论坛 , 2019, (35): 233-234.
[2]宋传忠 , 顾军 .“校中厂”模式下“双师型”师资队伍建设的探索 [J]. 教育现代化 , 2019, 6(54): 90-92.
[3]卢鹏 , 徐昌贵 , 张兴元 , 等 . 基于导师制的工科学生科研能力培养与提升 [J]. 教育现代化 , 2019, 6(54): 81-82.
[4]杨静 , 周慧 , 周鹏 . 现代学徒制模式下高职学生管理要点探究[J]. 教育现代化 , 2019, 6(54): 149-151.
[5]裴未迟 , 龙海洋 , 李占贤 , 等 . 基于导师团队模式的研究生培养质量的提高 [J]. 河北联合大学学报 : 社会科学版 , 2016, 16(1): 100-102.
[6]孙政荣 . 研究生培养实行导师组制的探讨 [J]. 浙江理工大学学报 , 2006, 23(1): 90-92.
[7]Lechuga V M. Faculty-graduate student mentoring relationships: Mentors’perceived roles and responsibilities[J]. Higher Education, 2011(62): 757-771.
[8]Fenge L A. Enhancing the doctoral journey: the role of group supervision in supporting collaborative learning and creativity[J]. Studies in Higher Education, 2012, 37(4): 401-414.
[9]Mastoras S M, Andrews J J W. the supervisee experience of group supervision: Implications for research and practice[J]. training and Education in Professional Psychology, 2011, 5(2): 102-111.
[10]王海波 , 王茹 . 高职订单班“导师组”制培养模式的探讨与研究 [J]. 宿州教育学院学报 , 2019, 22 (6):116-118+136.
[11]彭国华 , 甘永涛 . 充分发挥导师组作用提高研究生培养质量 -- 对硕士研究生教育中师生关系的问卷调查与分析 [J]. 现代教育科学 : 高教研究 , 2003(1): 79-82.
[12]崔传金 , 陈至坤 , 张瑞成 . 研究生导师团队的建设方法与实践研究 [J]. 大学教育 , 2015, (8): 1-3.
[13]王春华 , 涂宇翔 , 孙晶茹 . 导师组制在研究生培养中的实践探索 [J]. 高教论坛 , 2012, (3):17-19.
[14]Peng K, Li X, Wang Z. Hydrochemical characteristics of groundwater movement and evolution in the Xinli deposit of the Sanshandao gold mine using FCM and PCA methods[J]. Environmental Earth Sciences, 2015, 73(12): 7873-7888.


关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！

文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/jiaoyulunwen/32509.html