高校教师职业道德自律评价结构要素的确立和实证分析--基于江苏四所高校数据调查

对高校教师进行职业道德评价,是“办好人民满意的教育”的应有之义。文章采用问卷调研法,筛选出8项高校教师职业道德自律评价量化指标,并依据此8项指标,对江苏省4所高校290名教师进行问卷调查与行为事件访谈,测量职业道德自律评价的6大结构要素,即职业品德素养、职业评聘标准、社会舆论监督、师德规范要求、教学管理制度、校园文化影响,根据调查的样本数据,进行差异比较和数列排序,确定优先顺序,确立了校教师职业道德自律评价结构要素先后排序为:职业品德素养、职业评聘标准、社会舆论监督、师德规范要求、教学管理制度、校园文化影响。按此优先顺序,需要建立标准化、规范化、现代化的高校教师职业道德自律评价体系,实施高校教师职业道德自律质量体系PDCA循环。

TenrepNN:集成学习的新范式在企业自律性评价中的实践

为了应对互联网环境中企业自律性低、违规事件频发、政府监管困难的现状,提出一种针对企业自律性评价的双层集成残差预测神经网络(TenrepNN)模型,并融合Stacking和Bagging集成学习的思想提出一种集成学习的新范式Adjusting。TenrepNN模型具有两层结构:第1层使用3种基学习器初步预测企业评分;第2层采用残差修正的思想,提出残差预测神经网络以预测每个基学习器的输出偏差。最后,将偏差与基学习器评分相加得到最终输出。在企业自律性评价数据集上,相较于传统的神经网络,TenrepNN模型的均方根误差(RMSE)降低了2.7%,企业自律性等级分类准确率达到了94.51%。实验结果表明,TenrepNN模型集成不同的基学习器降低预测方差,并使用残差预测神经网络显式地降低偏差,从而能够准确评价企业自律性以实现差异化的动态监管。