人工智能賦能的應用型本科高校科教協同育人評價模型

摘要：針對應用型本科高校科教協同育人評價過程中存在非線性和精度低的問題，文章提出了人工智能賦能的應用型本科高校科教協同育人評價模型。首先，文章從校企合作辦學條件、專業理論實踐條件、科教融合應用條件和實習就業發展條件4個角度，構建了協同育人評價體系，利用粗糙集方法對評價指標進行約簡處理；其次，利用改進灰狼算法對RBF神經網絡結構進行優化設計，構建了高?？平虆f同育人評價模型；最后，以國內10所應用型高?？平虆f同育人數據為案例，利用優化后的RBF神經網絡結構進行數據訓練，對4所高?？平虆f同育人效果進行仿真評價。結果表明，該模型具有較高的精準性。

關鍵詞：人工智能；科教協同育人；RBF神經網絡；灰狼算法

中圖分類號：G640 文獻標志碼：A

0 引言

科教協同育人的成效是國家評價應用型高校人才培養質量的重要標準。目前，科教協同育人評價主要從定性視角［1-2］展開了研究，這種研究方式主要涉及模式設計和指標體系等方面，且這種方法勢必存在主觀不確定性，特別是對于人工智能技術的交叉應用考慮較少。因此，如何將神經網絡和智能優化算法融合于科教協同育人成效評價的定量化研究是接下來的研究方向。

粗糙集（Rough Set，RS）是由學者Pawlak［3］提出的處理不精確、不確定和不完全數據的有效工具，運用屬性約簡方式刪減冗余信息，且一些學者將粗糙集與神經網絡結合，并取得顯著成效［4-5］。但將人工智能算法用于優化神經網絡結構，并將該網絡結構用于教育類評價方面還鮮有研究。灰狼算法（Grey Wolf Optimization， GWO）是由學者Mirjalili等在2014年提出的仿生進化算法，具有較好的魯棒性和全局收斂能力，且多數從算法參數優化、模型改進等方面展開理論與應用研究［6］。

綜上所述，盡管諸多研究突出了不同方法的優越性，但能夠將粗糙集—RBF神經網絡—灰狼算法交叉應用于科教協同育人定量化評價還有諸多不足，因此，本文提出了人工智能賦能的應用型本科高校科教協同育人評價模型（簡稱“高?？平虆f同育人”），為深入探索科教協同育人問題提供重要價值。

1 問題分析

1.1 評價模型描述與分析

應用型本科高?？平虆f同育人評價應本著合理性、科學性、可行性等原則，根據前期研究成果對高?？平虆f同育人內涵的闡釋，本文著重從校企合作辦學條件、專業理論實踐條件、科教融合應用條件和實習就業發展條件等4個視角構建出16個評價指標，如圖1所示。

在影響科教協同育人的眾多指標中，本文選取圖1所示的16個指標，分別為辦學定位、基礎設施、師資隊伍等，從左到右的編碼為x1 ～x16，并將這16個指標體系劃分為優秀、良好、中等、一般以及較差5類，分別對應I～V 5個等級。

通常，應用型本科高校科教協同育人評價涉及復雜多樣的指標，RBF神經網絡是解決此類問題的有效方法。由此，文中選用模塊化RBF神經網絡作為評估工具，同時為了提高RBF神經網絡算法的性能，做出如下改進：基于協同改進的灰狼優化算法，對粗糙集模塊化RBF神經網絡性能進行改進；基于算法對全局空間與局部空間的自適應快速逃逸與收斂問題，提出使用自適應多重搜索策略的灰狼優化算法，實現灰狼優化算法性能參數的改進；利用優化后的模塊化RBF神經網絡對高?？平虆f同育人效果進行評估。

1.2 科教協同育人評價模型網絡結構設計

RBF神經網絡在許多函數逼近和工程應用領域中獲得廣泛研究，通常在應用RBF神經網絡進行預測使用前，需要對網絡模型的輸入數據進行歸一化預處理，達到降維處理，因此，設計高?？平虆f同育人評價網絡結構模型，如圖2所示。

根據評價模型網絡結構要求，對于網絡輸入數據的預處理形式以前置粗糙集為主，這可保證網絡模型具有足夠的輸入數據量，同時也可實現數據的屬性約簡，加快RBF神經網絡的收斂速度。從圖2的網絡結構中可知，評價模型有以下特點：粗糙集的數據屬性約簡處理；改進RBF神經網絡高校科教協同育人質量等級評價。

2 改進的人工智能賦能方法

2.1 RS-RBF模塊化神經網絡

高?？平虆f同育人效果評價作為一種反饋式循環信息系統，其可表示為I=（U，A），其中U表示目標集有限域，A表示目標集中的屬性集。如果信息中的決策屬性為D，則信息系統變成一個決策系統。決策系統可定義為DS=（U，A，D），其中U表示論域，A、D分別表示條件屬性與決策屬性集合。

2.2.3 灰狼空間尺度的自適應搜索算法的步驟

步驟1：算法參數初始化；種群規模N個位置與速度，初始化α，ω，A，C，Xα，Xβ，Xδ等算法參數。

步驟2：在搜索空間內使用隨機生成N個個體灰狼的位置，并令t=1。

步驟3：計算個體灰狼Xα，Xβ，Xδ的適應度值，排序適應度值，并記錄個體灰狼的平均適應度Xavg、最優適應度和對應位置值Xi，確定迭代過程中的最優解Xα、優解Xβ和次優解Xδ。

步驟4：根據式（10），利用控制參數α對算法參數A和C進行計算。

步驟5：根據式（12）和（13），計算灰狼Xi與種群內其他灰狼Xik以及獵物位置Xp的距離。

步驟6：根據灰狼個體適應度值和平均適應度值Xavg，更新當前個體灰狼的位置。

步驟7：根據個體灰狼逃出局部最優空間，保留最優的Xα，Xβ，Xδ位置。

步驟8：如果達到預設的迭代次數，則輸出最優解Xα和最優值；否則，令t=t+1轉入步驟（2）繼續迭代計算。

3 科教協同育人評價模型

3.1 指標離散化編碼

通過1.1節指標體系等級劃分要求，以4所應用型高校的科教協同育人評價等級與16項評價指標關聯后，離散化處理指標數據，如表1所示。

將本科高?？平虆f同育人效果評價等級對應的指標均值作為理想評價標準，然后將理想評價值作為RBF神經網絡的均衡點。其指標離散化處理的規則是：當評價指標值大于或等于某個等級指標時，其對應RBF神經網絡節點狀態為“1”，否則為“0”。在理想評估情形下，簡要描述4所高?？平虆f同育人的5個評價等級編碼形式，如圖6所示。

從圖6中選取5個評價等級的取值范圍分別為X1=［90，100］、X2=［75，90］、X3=［60，75］、X4=［45，60］、X5=［0，45］。根據圖5中算法搜索空間的劃分方法，在4所高校和16個評估指標體系下，構建10個16*4的矩陣，將4所高校對應的評估等級作為向量Y=［I，II，III，…］，并保存在主數據文件中，其向量的維數為1*16。3.2 科教協同育人評價模型優化過程

步驟1（指標離散化）：根據3.1節的方法對4所高校16個評價指標進行離散化處理，建立10個16×4矩陣。

步驟2（指標數據處理）：利用粗糙集理論對RBF神經網絡的輸入數據進行約簡處理。

步驟3（網絡參數優化）：利用空間自適應搜索灰狼算法，對粗糙集模塊化RBF神經網絡結構參數進行優化改進。

步驟4（科教協同育人效果評價）：根據評價指標的分值與劃分層次比較，設計出準確的等級測評值，并與步驟1指標離散化，作為RBF神經網絡結構的輸入層數據。

步驟5（模型預測）：根據步驟2對數據進行預處理，并獲得模塊化RBF神經網絡輸入數據，且根據步驟3獲得網絡權值參數。

步驟6（科教協同育人評價）：根據模塊化RBF神經網絡對科教協同育人效果進行評價。

步驟7（反復訓練網絡結構）：如果網絡結構和隱含層數不符合評價要求則轉入步驟1，否則轉入步驟4，對高?？蒲谐晒D化進行評價。

4 案例應用與結果分析

4.1 科教協同育人評價模型測試

根據1.1節高?？平虆f同育人評價等級的劃分，選取國內10所應用型本科高校科教協同育人評價指標，如辦學定位、基礎設施、師資隊伍、教學環境、基礎知識等，如圖1所示;從左到右的編碼為x1～x8，作為部分數據來源，如表2所示。

為了測試本文提出算法優化的RBF神經網絡（MAS-GWO神經網絡）的評價效果，通過選取后4所高校的數據作為訓練外的測試數據，測試輸出結果如圖7所示。

從圖7的測試結果可知，隨機選取訓練測試數據時，幾種神經網絡算法都存在預測錯誤等級項。智能水滴神經網絡預測結果準確率為70%左右，而MAS-GWO神經網絡預測結果準確率為96%以上，這些結果驗證了本文人工智能算法對于科教協同育人評價結果的有效性。

4.2 人工智能賦能方法性能測試

為了驗證傳統和改進的神經網絡算法對于評價應用型本科高?？平虆f同育人效果的優越性，本文利用文獻［6］中的算法參數和MATLAB2019Ra軟件，對6種算法性能進行仿真測試，結果如圖8所示。

從圖8的收斂曲線可發現，與其他人工智能算法相比，本文算法在12代左右的收斂速度為0，精度較高。而MAS-GWO神經網絡性能要優于傳統神經網絡，其在15代左右開始收斂，收斂值為1，收斂速度和精度較為理想，且計算時間較少。

利用不同類型神經網絡方法對科教協同育人評價過程進行仿真求解和精度分析，結果如表3所示。

根據表3的計算結果可知，雖然6種神經網絡算法均可收斂，但3種基本神經網絡算法的訓練誤差較大，收斂能力較弱；而使用智能算法優化后的神經網絡訓練誤差相對較小。

5 結語

本文針對應用型本科高校科教協同育人評價過程中存在的精度和非線性變化問題，提出一種適合協同多策略自適應灰狼優化算法和粗糙集模塊化神經網絡的高?？平虆f同育人評價模型。多種仿真結果證實了優化的RBF網絡結構的優越性和可行性，以及人工智能算法的精準性和計算速度，為科教協同育人的成效定量化評價研究提供理論參考和方法推廣應用。

參考文獻

［1］宋福明.科教融合在高校發展過程中的作用及其促進方法研究［J］.江蘇科技信息，2015（19）：29-30.

［2］齊明洋，南錦順，劉志東.應用型高?！叭斯ぶ悄?電氣專業”復合型人才培養體系構建研究［J］.江蘇科技信息，2022（33）：25-27.

［3］PAWLAK Z.Rough sets and intelligent data analysis［J］.Information Sciences，2002（1/2/3/4）：1-12.

［4］何明，李博，馬兆豐，等.粗糙集理論框架下的神經網絡建模研究及應用［J］.控制與決策，2005（7）：782-785.

［5］PAL S K，MITRA S，MITRA P.Rough-fuzzy MLP：modular evolution，rule generation，and evaluation［J］.IEEE Transactions on Knowledge and Data Engineering，2003（1）：14-25.

［6］馬龍，寇猛，張靜，等.非線性0-1規劃問題的元胞灰狼優化算法［J］.數學的實踐與認識，2020（12）：155-167.

［7］DOS SANTOS COELHO L，SANTOS A A P.A RBF neural network model with GARCH errors： application to electricity price forecasting［J］.Electric Power Systems Research，2011（1）：74-83.

［8］魏政磊，趙輝，韓邦杰，等.具有自適應搜索策略的灰狼優化算法［J］.計算機科學，2017（3）：259-263.

（編輯 李春燕）