基于AHP構建的專業技術實踐質量評價體系模型分析

范棟林

(河北北方學院 附屬第一醫院，河北 張家口 075000)

實踐教學質量評價十分復雜，評價的客觀性也直接影響到實踐教學的改革。將層次分析法(AHP)和極限學習機(ELM)相結合，并采用涼亭鳥優化(SBO)算法對ELM參數進行優化，提出了基于AHP和SBO-ELM的醫院實踐教學質量評價系統，并通過具體的案例驗證評價系統的有效性。

1 層次分析法

AHP將復雜的多目標決策問題層次化分析，形成一個多層次的分析結構模型，在解決各類復雜問題中具有十分廣泛的應用。以下為AHP的分析流程。

1.1 構建層次結構

構造一個層級是非常關鍵的，而一個好的層級可以讓一個復雜的問題變得更加清楚和條理。其原則是將復雜的問題分為若干個部分，每一個部分為一個元素。下一層元素為準則層可支配方案層，同時其又受到目標層的支配[1]。具體的層次結構圖如圖1所示。

圖1 構建的層次結構圖Fig.1 Builds the hierarchy diagram

1.2 比較判斷矩陣

因為對某個問題有不同的主體性理解，所以各個層面的政策制定者對各個層面的評價都會有很大的差別。利用對比判別法可以有效地克服因主觀認知差異而產生的問題。在該方法中，不同因子的重要程度被1～9標度法所衡量，表1所示為標度法的具體內容；2、4、6、8數值介于其相鄰數值之間[2]。

表1 標度法含義Tab.1 Meaning of scaling method

1.3 層次排序及其一致性檢驗

通過對各個比較判定矩陣進行最大的特征值和特征矢量的運算，并對其進行了一致性檢驗。當相容性系數低于0.10時，進行了相容性檢驗；與之不同，為了通過一致性檢驗，對比較判斷矩陣進行了修改。為了計算最大特征值和特征向量，必須對比較判斷矩陣的每個列向量進行歸一化。標準化方法：

(1)

根據行對ωij進行求和并得到ωj，進一步對ωj進行歸一化：

(2)

(3)

式中：ω為近似特征向量。最大特征向量λmax的近似計算公式：

(4)

計算一致性檢驗指數CI，通過查表獲得平均隨機一致性指數RI；通過CI和RI獲得一致性比CR：

(5)

CR=CI/RI

(6)

1.4 層次總排序

利用分級方法，可以獲得單個單元的最終單元的次序權重矢量。最后，通過采用從上往下的方式進行綜合評估，得出各指標的權重矢量。

2 基于AHP和SBO-ELM的校醫合作臨床實踐教學質量評價

2.1 校院合作臨床實踐教學評價層次結構

臨床醫學專業人才培養實施校院合作的質量直接決定了人才培養的質量，強化醫院實踐教學質量評價能夠更好地為實踐教學改革提供參考。醫院實踐教學質量評價是一個復雜的系統性問題，結合高等臨床醫學院的實習標準，構建實踐教學評價層次結構，具體如圖2所示[3]。

圖2 實踐教學評價層次結構Fig.2 Hierarchy structure of practical teaching evaluation

由圖2可看出，在實踐教學理念、實踐教學方法以及實踐教學教師3個層面上，對大學合作實習教學進行了評估。實習教學的思想在一定程度上反映了院校開展協作實習的重要意義。在加強醫學專業協作實習中，加強合作實習對提高醫學專業人才培養水平具有重要意義。實踐教學法是對當前教育發展的一個重要指標，若不健全的校內外實習基地，在開展校醫協作臨床實習中，會存在著許多問題。實習教師在實踐教學中起著舉足輕重的作用。在實施高校臨床實習協作中，應強化實習教師的培養，為了更好地提升醫學專業的臨床實習技能，更好地利用學校間的合作進行實習。本文所構建的醫療合作臨床實習評估系統包含9項指標，其權重的測算結果如表2所示。

表2 校院協作臨床實習評估指標的權重Tab.2 Weight of evaluation indicators of school-hospital collaboration clinical practice

由表2可知，實習教學基地、領導比例、實習教學時數以及專業兼職老師是影響醫院實習教學質量的重要因素。

2.2 涼亭鳥優化算法

涼亭鳥優化算法(SBO)是一種仿生算法，為了吸引雌鳥在展覽廳里繁衍后代，模仿公的亭子來搭建和布置亭子[4]。通過概率選擇、精英策略、位置更新和變異運算等方法，確定了一個最好的位置，也就是所需要的問題的優化解決方案。以下為SBO算法的主要步驟。

2.2.1種群初始化

隨機生成M個初始種群，種群初始化公式：

xij=xjmin+rand(0,1)×(xjmax-xjmin)

(7)

式中：i=1,2,…,M；j=1,2,…,D；xjmax和xjmin分別為優化問題第j維的上、下限。

2.2.2計算個體概率選擇和適合度

涼亭建成后，雄館鳥會在涼亭內外大聲歌唱，吸引雌館鳥。雌鳥會在亭子附近筑巢，并根據式(7)的概率產卵[5]。

(8)

式中：Pi是第i只涼亭鳥的選擇概率；M是涼亭數量；fi是第i只涼亭鳥的適應度。

(9)

f(xi)為式(9)中的第i個亭子的適應度函數。

2.2.3個體位置更新

雌性涼亭鳥位置更新公式[6]：

(10)

(11)

式中：a表示為最大步長；λk表示為變量步長量。

2.2.4突變操作

正態分布被應用于當前涼亭鳥位置進行突變操作，以提高SBO算法的搜索性能。

(12)

(13)

式中：z是搜索空間系數；Umax、Umin分別是搜索空間上限和下限。

2.3 極限學習機

ELM為一個單隱層前饋神經網絡，其模型結構如圖3所示。

圖3 ELM模型結構圖Fig.3 Structure diagram of ELM model

假設有N個訓練樣值(Xi,Yi)，輸入和目標向量分別是Xi=[xi1,xi2,…,xin]T∈Rn和Ti=[ti1,ti2,…,tin]T∈Rm。X和T分別為n×Q維和m×Q維矩陣。因此 ELM模式的輸出值是由隱藏層的結點L來表達的[7]：

(14)

式中：βi為ELM模型的輸出權重；g(x)是ELM模型的激勵函數；Wi=[wi1,wi2,…,win]T為ELM模型的輸入權重；Wi·Xj為Wi和Xj的內積；bi為ELM模型的第i個隱含層節點的偏置。

ELM學習的目的在于使模型的輸出錯誤降到最低，即式(15)的誤差最小。

(15)

聯合式(14)和式(15)，也就是存在βi、Wi和bi，使得式(16)成立。

(16)

式(16)的矩陣形式為：

Hβ=T

(17)

式中：H為ELM模型隱含層節點的輸出；β為ELM模型的輸出權重矩陣。

(18)

在ELM模型訓練過程中，Wi與bi保持不變，β的最小二乘解可以通過求解式(19)獲得：

(19)

式(19)的最小二乘解可表示為：

(20)

2.4 算法流程

ELM模型的性能受初始輸入權和隱含層偏壓的影響。本文利用SBO算法對ELM模型進行了初值加權及隱含層偏差的優選，并選擇均方根誤差(RMSE)作為目標函數：

(21)

式中：n為樣本數量；xk和predk為第k個樣本的實際值和預測值。

為了實現對校醫合作臨床實踐教學評價的研究，先根據校醫合作臨床實踐教學評價指標體系及各指標的相對重要性[9]，運用專業評分方法，確定各項評估指數及總分；另外，將各評估指數的分數作為SBO-ELM的輸入，而SBO-ELM的總分數則是其輸出結果。并且建立基于SBO-ELM的校醫合作臨床實踐教學評價模型。基于SBO-ELM的校院合作性臨床實踐教學評價算法流程被描述為：

Step1: 選擇評價指標信息和綜合評分數據信息，對 ELM和測驗集合進行分割，并對數據進行規范化處理[10]：

(22)

式(11)中，統一后的數據為x′；統一后的最小值和最大值分別為a和b，取a=-1,b=1；原始數據和原始數據中的最大值和最小值分別是x、xmax和xmin。

Step2: SBO算法參數被設置：最大迭代次數為T、選擇概率為p、種群規模為popsize、最大步長為a和搜索空間系數為z，同時涼亭位置被隨機初始；

Step3: 根據式(21)，可以計算出和排序每一個展館本人的總體目標函數值，并進一步保留現階段最好展館位置做為精英本人位置；

Step4: 涼亭的選擇概率可根據式(8)和式(9)計算；

Step5: 更新涼亭位置可根據式(10)和式(13)；

Step6: 對目前展廳所在區域的目標函數進行計算和分類，確定目前樓閣的精銳所在區域，并與上一代的精銳進行對比。若超過上一屆的優秀崗位，則將繼續保持現有的位置。相反，這是一種保持其上一輩人的精銳；

Step7: 假如迭代頻次t>T，那么就輸出最好涼亭部位，還可以說相匹配的ELM實體模型的最好輸出層權值和隱含層偏置；否則，反復流程3～流程7；

Step8: 將最優輸出層的權重和隱層的偏差代入ELM模型，對校院合作臨床實踐進行評價。

3 測試與結果分析

3.1 數據的來源

選擇第一臨床醫學院在2012～2021年的校院實踐教學質量評價數據作為研究對象，通過1～9標度法的兩兩對比，得出了商-校-院合作性臨床實踐評價指標的得分數據和校院合作性臨床實踐評價的數據，并運用最大最小值法標準化處理并評估。

3.2 評價指標

使用均方根誤差(RMSE)與相關系數(R)作為判斷依據，對校院合作臨床實習的評價結果進行評估[11]：

(23)

(24)

式中：n為樣本數量；xk和predk為第k個樣本的實際得分和預測得分。

3.3 結果分析

將校院合作性臨床實踐評價結果劃分為優秀、良好、中等、較差和差5個等級[12]，具體如表3所示。

表3 評價等級劃分Tab.3 Evaluation grade division

學校-醫院合作臨床實踐評估的評估數據分為培訓集和測試集。訓練集共有6組數據，用于建立SBO-ELM學校-醫院合作臨床實踐評估模型；測試集共有4組數據，用于驗證前者建立的SBO-ELM學校-醫院合作臨床實踐評估模型的正確性。為了說明SBO-ELM學校-醫院合作臨床實踐評估模型的優勢，將SBO-ELM和PSO-ELM[13]、GA-ELM[14]和ELM[20]進行了比較。不一樣的算法參數如表4所示；校院合作臨床實踐評估結果如圖4和表5所示。

表4 不同算法參數Tab.4 Parameters of different algorithms

圖4 校院合作性臨床實踐評價結果Fig.4 Evaluation results of school-hospital cooperative clinical practice

表5 校院合作性臨床實踐評價結果對比Tab.5 Comparison of evaluation results of school-hospital cooperative clinical practice

由圖4和表5中的結果可知：(1)SBO-ELM是最好的，因此SBO-ELM模型的校醫合作臨床實踐評估效果最好；(2)SBO-ELM、GA-ELM和PSO-ELM的評估精度優于ELM，主要是因為SBO、GA和PSO算法優化了ELM模型的初始輸入權重和隱含層偏差等參數，大大提高了校院合作臨床實習評估結果的準確性。

4 結語

校間合作臨床醫學實踐課堂教學是一種“院校-醫院-小區-社會發展”方式，對提高臨床醫學專業學生的實際操作能力具有重要作用。運用層次分析法對院校的實習教學評估進行了探討，建立了實習評估的體系結構，并采用專家打分法得出各項綜合得分。每個評估指數的分數均以SBO-ELM模式的形式進行，而總分數則以SBO-ELM模式的形式輸出，構建了以SBO-ELM為基礎的醫院醫療協作實習的評估模式。結果表明：SBO-ELM能有效提高校醫合作臨床實習教學評價的準確性；層次分析的結果表明，實踐教學基地、行業兼職教師、實習課時和領導比例對實踐教學質量有重要影響。提升臨床實踐教學水平，進一步提高實踐活動產業基地基本建設，提高領頭人占比，科學安排綜合實踐課程時間，充分運用兼職教師在行業領域中的功效。