“導師制+競賽賦能+成長檔案”的創新人才培養模式研究與實踐

摘 要：高等教育旨在培養德才兼備的全方面人才，實施綜合創新人才培養模式是實現最佳教育效果的一種可行途徑。本文基于某高校工科相關專業大學生的成績數據，分析了其成績的變化趨勢以及在實施“導師制+競賽賦能+成長檔案”創新人才培養模式下的結構化數據（如學生成績）與非結構化數據（如簡歷的文本信息）的前后對比差異，探討了在創新人才培養模式下學生多方面表現。結果發現：實施“導師制+競賽賦能+成長檔案”創新人才培養模式的效果顯著。

關鍵詞：導師制；競賽賦能；成長檔案；創新人才培養

1 創新人才培養模式的現狀

高等教育大眾化帶來了新的挑戰，黨的二十大報告提出“加強學科建設、加快中國特色世界一流大學建設”的戰略目標。現有研究表明，導師制、競賽參與和成長檔案記錄在創新人才培養中的作用，但單一制度難以全面反映學生的綜合素質。本文探討一種結合導師制、競賽賦能和成長檔案的新型模式，以提升學生的學術成績和綜合能力。

2 “導師制+競賽賦能+成長檔案”的創新人才培養模式構建

2.1 三種制度的解釋

導師制［1］旨在促進課堂內外的有機結合。然而，隨著高等教育規模擴大，導師制在實施中面臨挑戰，包括學生認知不足、交流頻率低等問題。

成長檔案［2］記錄學生學術、實踐和創新歷程，幫助學生更好地設定職業目標。

競賽賦能［3］通過實踐平臺提升學生的創新創業能力，不僅推動學校整體實踐水平，還能為學生提供個性化的成長路徑。

本研究對武漢某理工類高校本科生“導師制+競賽賦能+成長檔案”模式實施的情況進行調查研究，了解實施現狀及存在問題，對提升效果進行數據分析并提出相應的改進建議。

2.2 綜合三種制度下的創新人才培養模式構建

綜合模式將導師制、競賽賦能和成長檔案有機結合［4］，為學生提供全面發展的平臺。通過導師指導、競賽參與和成長檔案的記錄評估，學生可以制定清晰的長期發展目標。該模式強調個性化成長和團隊合作，最終培養具備多維素質的高層次人才。

3 “導師制+競賽賦能+成長檔案”的創新人才培養模式評價

3.1 評價指標

3.1.1 學生綜合成績

本研究通過學生的綜合成績和簡歷數據，分析不同評估模式對學生表現的影響，具體指標包括平均學分績點（GPA）、課程總分等。配對樣本t檢驗結果表明，學生成績有所提升，但提升幅度較小。

3.1.2 簡歷分析

采用簡歷分析法［5］研究學校人才培養成效具有兩大優勢：（1）廣泛的數據源：教育系統隨著數字化的發展儲存了海量的數據，包括學生的行為、學業成績、升學情況、教師的教學和職業發展、學校的教學資源和條件等，這些數據為簡歷分析法提供了豐富的信息來源。（2）數據整合的潛力：將簡歷分析法與其他數據源結合，進行更為全面和深入的教育研究，探索各種因素對學生發展的影響，進而提高人才培養的效果。表1為從評價維度、量化指標、標準構建等方面對于人才培養模式的評價指標體系［6］。

3.2 成績指標計算方法

數理統計是一類分析數據的有效工具。早期的研究多利用統計分析技術對學生成績進行建模［78］，如描述性分析（包括數據可視化）、相關性分析、差異性分析等。本文中所用到的數據分析具體指標說明如下。

配對樣本t檢驗：在實證研究中，配對樣本t檢驗是一種用于評估兩組相關樣本之間均值差異是否顯著的統計方法。

（1）假設設定：設定原假設H0（兩個條件下的均值差異為0）和備擇假設H1（兩個條件下的均值差異不為0）。

（2）差值標準差計算。該計算如公式（1）所示。

Sd=1n-1∑ni=1（d-d）2（1）

其中，n為樣本數量；di表示第i個個體在兩個條件下的差值；d表示所有差值的平均值。

（3）計算t值。該計算如公式（2）所示。

t=dSdn（2）

（4）確定自由度：配對樣本t檢驗的自由度（df）為樣本數量減1。

（5）顯著性檢驗：將計算出的t值與t分布表中的臨界值進行比較，或者計算P值來判斷結果是否顯著。根據選擇的顯著性水平，判斷是否拒絕原假設。

（6）Cohen's d值是一個效應量的度量，用于表示兩個組之間均值差異的標準化大小。Cohen's d的計算公式如（3）所示。

d=M1-M2Sp（3）

其中：M1是第一組的均值，M2是第二組的均值，Sp是兩個組的標準差的合并，計算公式如（4）所示。

Sp=（n1-1）S21+（n2-1）S22n1+n2-2（4）

其中：S1是第一組的標準差，S2是第二組的標準差，n1是第一組的樣本量，n2是第二組的樣本量。

3.3 詞云分析介紹

詞云分析是一種數據可視化技術，用于展示文本數據中詞匯出現的頻率。通過將高頻詞匯以較大的字體顯示，低頻詞匯以較小的字體顯示，詞云能夠直觀地反映出文本中的關鍵詞和主題。

詞云分析步驟如下：

（1）文本預處理：在生成詞云之前，需要對文本數據進行預處理。常見的預處理步驟包括：去除標點符號和數字，這些字符通常對文本主題沒有實質性貢獻；轉化為小寫，將所有單詞轉化為小寫，避免相同單詞因大小寫不同而被視為不同的詞；去除停用詞，停用詞（如“的”“是”“在”等）通常需要移除。

（2）詞頻統計：對預處理后的文本進行詞頻統計，即計算每個詞匯在文本中出現的次數。

（3）詞云生成：根據詞頻統計的結果，將詞匯按照頻率高低進行展示。頻率越高的詞匯字體越大，顏色和位置通常是隨機的，以增強視覺效果。

自然語言處理技術能夠大幅提升詞云分析的深度和準確性［9］。在詞云分析中，可以用不同顏色區分不同情感傾向的詞匯，使詞云不僅反映詞頻，還反映情感信息［10］。

3.4 學生成績指標計算結果

本研究對某高校2020級、2021級、2022級軟件工程以及人工智能專業本科生的大學成績數據進行分析。這三屆學生的培養方案基本一致，且大一的基礎課相同，不同班級的教學具有高度一致性，成績具備可比較性。樣本處理上，刪除了成績異常的學生（0分），該數據量只占用全部數據的0.26%。配對樣本T檢驗結果如表2所示。

從給出的數據中，配對樣本的平均值在第一學期為3122±0.385，而在第二學期則為3.044±0.416。由配對差值可知兩學期之間的平均成績有所提高。t檢驗的統計量t值為2.181，對應的自由度為130，這表明樣本量足夠大，可以支持統計推斷的有效性。P值為0031，低于通常設定的顯著性水平0.05（即5%），認為第一學期與第二學期之間的配對差值在統計上是顯著的。在5%的顯著性水平下，拒絕原假設（即兩學期成績無顯著差異），接受備擇假設（即兩學期成績存在顯著差異）。Cohen's d值為0191，用于衡量兩組之間的差異大小。

3.5 詞云分析結果

利用Python的分詞工具以及利用nlp對文本信息干擾信息的剔除得到以下的詞云圖［11］，結果如圖1所示。

大學本科簡歷信息提取（圖1左圖）。關鍵詞分布：“高等數學”“C語言”“Python”“線性代數”“羽毛球”“開朗”等。這些關鍵詞反映了學生在大學期間學習的主要課程、編程技能、基礎學科的學習、興趣愛好、個人性格特點。

就業市場需求分析（圖1右圖）。關鍵詞分布：“Python”“TensorFlow”“PyTorch”“自然語言處理”“神經網絡”“NumPy”等。這些關鍵詞主要集中在人工智能和數據科學相關的技術、實際工作中所需的技能和工具使用能力。

相同點：結果都強調了編程和技術技能的重要性，大學生在簡歷中展示編程能力，而就業市場則對這些技能有實際需求。

差異點：主要體現在技術深度和應用領域。就業市場提到的技術更加專業和具體，如“TensorFlow”“PyTorch”等深度學習框架，大學簡歷信息提取中的技術關鍵詞相對基礎。就業市場需求提到了具體的應用領域和技術，如“自然語言處理”，大學簡歷信息提取詞云中更注重綜合素質。

4 提升策略以及結語

為進一步優化“導師制+競賽賦能+成長檔案”模式，我們提出以下策略：幫助學生完善簡歷，全面展示綜合能力，定期組織簡歷評審活動；增加導師與學生的交流頻率，提升導師的指導能力；推動競賽平臺建設，吸引更多學生參與創新性競賽；記錄學生的成長軌跡，全面反映學生綜合素質的提升情況；提供詳細的職業規劃課程和就業指導服務，提升學生的就業競爭力。

該模式不僅提升了學生的學術表現，還在職業規劃、綜合素質等方面效果顯著。未來應持續優化，助力學生實現高質量發展。

參考文獻：

［1］董春陽，劉鑠.“三全育人”理念下高校本科生導師制的理論價值和實踐探索［J］.北京科技大學學報（社會科學版），2024，40（02）：4955.

［2］王玉楠，李佳杰，張旭.建立“大學生成長檔案”的作用、意義與方法［J］.成人教育，2017，37（11）：8688.

［3］夏春琴，劉芫健，朱震華.以競賽為載體的電子信息類創新人才培養模式探索與實踐［J］.實驗室研究與探索，2019，38（12）：173176+181.

［4］LI L，CHEN Z，TANG C.Exploring Innovations in the Undergraduate Tutorial System Paradigm in the Era of Mega Science［J］.Journal of Higher Vocational Education，2024，1（01）：34.

［5］劉進，于宜田，楊莉，等.簡歷分析法：一種教育實證研究新方法［J］.重慶高教研究，2024，12（02）：88127.

［6］丁澍，繆柏其，彭美云，等.論本科課堂學習效果的影響因素：基于相關性和累積Logistic回歸分析［J］.數學的實踐與認識，2015，45（22）：5564.

［7］楊華，王奇，肖杰，等.大學“清考”制取消背景下數字化教學效果研究［J］.科技風，2023（30）：5860.

［8］李凱偉.基于機器學習的高校學生成績預測［J］.計算機時代，2023（12）：220223.

［9］崔樹娟，賓晟，孫更新，等.基于大數據分析的多關系社交網絡輿情傳播模型研究［J］.中南民族大學學報（自然科學版），2018，37（02）：114120.

［10］蔡增玉，韓洋，張建偉，等.基于SnowNLP的微博網絡輿情分析系統［J］.科學技術與工程，2024，24（13）：54575464.

［11］盧嘉榮，肖紅，姜文超，等.基于語料關聯生成的知識增強型BERT［J］.湖北大學學報（自然科學版），2022，44（06）：732741.

基金項目：武漢輕工大學教學質量文化建設項目，名稱：專業學科建設與產業發展適配度評價體系研究，JP2024006；教育部產學合作育人項目，名稱：人工智能專業雙師教學模式探索，231106627155856；武漢輕工大學校級研究生工作站項目，2024GZZ11；武漢輕工大學研究生課程思政項目，2024KCSZ05；2024年武漢輕工大學專業學位研究生課程案例庫建設項目，名稱：智慧農業信息化管理系統設計與實現，領域：人工智能amp;人工智能與綠色制造；武漢輕工大學“大學生創新創業計劃”項目，名稱：自然語言處理，編號：202410496074；武漢輕工大學“大學生創新創業計劃”項目，名稱：試題庫，編號：202410496070

作者簡介：楊華（1979— ），女，漢族，湖北隨州人，博士研究生，副教授，研究方向：隨機控制、智能優化算法；王奇（1998— ），男，漢族，湖北孝感人，研究生在讀，研究方向：數據分析、深度學習；黎重耳（2002— ），男，漢族，湖北通城縣人，研究生在讀，研究方向：深度學習、自然語言處理；李緣緣（2005— ），女，漢族，湖北隨州人，本科在讀，研究方向：人工智能；楊鵬程（2005— ），男，漢族，湖北襄陽人，本科在讀，研究方向：人工智能；杭天宇（2004— ），男，漢族，浙江杭州人，本科在讀，研究方向：自然語言處理。