多维位图决策支持模型与学分制培养方案制订

摘要：高等教育机构学分制改革的进一步深化，必然给高校的教学体制和管理模式带来一系列的冲击。以弹性学分制培养模式为主导的培养方案的制定，将面临决策因子浮动与动态审计等诸多棘手的问题和挑战。通过把握学科体系培养要求内在质与量的相关关系，抽象出基于多维位图决策支持的数学模型，有效的解决了决策因素不可控的局面。根据该数模合理规划数据组织方式，提供析取的决策支持情报，大幅度促进了学分制培养方案制定流程的科学性与合理性。

关键词：培养方案；弹性学分制；多维位图模型；学分审计过程

中图分类号：G4 文献标识码：A

文章编号：1672―3198（2014）16―0127―02

1前言

经调查发现，现阶段大多数高校的培养方案制定系统缺乏有效的约束审计机制和决策支持功能，致使方案整体质量不高，作业效率低下等缺点。伴随着我国高等教育学科体系的不断完善，人才培养结构正在向纵横复杂化方向发展，为培养方案的制定流程提出了新的要求。

2弹性学分制中的审计与决策

学分制的有效实施，关键在于处理好各个专业课程的设置与管理。在学分制培养模式下，学科专业的个体差异性更为显著，如何根据限定的课程约束制定出符合既定标准的课程规模与课程结构，将成为培养方案制定流程中的重点工作。

首先，培养方案中的课程安排要符合毕业学分总量要求。一方面，通过不同课程的搭配与组合，使学生通过一定期限的学习能够获得足够的学分，作为衡量其学业完成与考核的水准。另一方面，由学分对不同性质和类别的课程赋予一定比例的权重，确保专业综合素质发展的同时又不失学科特色。其次，课程的选定要遵循科学的体系结构。在强调专业技能塑造的同时，充分考虑基础课程在人才培养过程中的决定性作用，以及创新型的实践教学活动对于学科发展的推动。通过不断地完善课程组织结构，促进学科专业全方位平衡发展。弹性学分制下培养方案的审计与决策支持模型如图1所示。

弹性学分制下培养方案的制定，难点在于同时把握学分数量与结构的变动，这是培养方案制订者对于审计与决策的现实需求。在选择课程的过程中，剩余学分需求量在不断递减，而课程组织结构的权重也在随之浮动。决策的目标是通过课程学分在课程组织结构中的合理分布，实现科学合理的培养方案输出。在此过程中，还要充分考虑开课学期的课时分布，兼顾学分的时间平衡性等诸多决策限制因素。

由此，学分制培养方案的决策流程具有动态性与多维度的特征。其动态性表现在不同课程的选择所引起的学分数量、结构分布的变化以及相关决策因子等的平衡性问题；而多维度主要来自于针对方案制定流程的多方面限定与约束。

3面向终端用户的决策支持

通过基于多维位图的决策支持模型的开发，使培养方案辅助制定系统能够以轻量级的数据统计服务提供实时的决策状态信息，为科学的课程设置与合理的学分分布提供支持。作为面向终端用户的决策支持系统，培养方案辅助制定系统的设计与开发需要提供统一的数据接口和信息服务，满足用户对于如下决策支持信息的获取：

（1）实时的学分约束与课程结构状态信息。系统根据用户的决策过程，对已选课程的学分以及所涉及的课程类型进行统计并存储。通过采用类似柱状图的表达方式，将已选学分总量、剩余学分需求以及课程结构信息返回给最终的决策者。

（2）学分在课程组织结构中的分布状况。统计已选课程总学分在各个课程类别中的分布，与系统存储的期望模型进行比对，记录不符合期望模型的结构以及学分盈余或差额数量，充分发挥饼状图在展现结构和数量方面的优势。

（3）课时与学分分布的学期平衡性。根据已选课程的总学时和学分总数，计算每学期的课时和学分均值。通过合理分布高学时和高学分的课程，尽量避免所修课程数量与获取学分的不一致状况，以及课时时间分布的不平衡性。

（4）输出方案课程数量的学期分布信息。通过课程的开课学期属性以及所选课程总量，分析课程数量在不同学期的分布状况。以数量均值为标准，进行各个学期课程数量的比对，利用高水位线法进行学期间课程的调剂，保证课程数量在时间上的均衡分布。

（5）基于系统支持的决策信息反馈。系统不仅返回给用户直观的统计数据，告知用户实时的决策状态，而且通过特定的数学模型进行数据的分析与处理，自动进行决策方案的提取，并且反馈给最终用户参考，实现智能化的决策支持。该决策支持的部分模型如图2所示。

通过用户的相关输入，系统能够自动的查找和匹配相应专业培养方案的约束条件。根据用户的决策方向，实时记录决策状态。经过用户决策数据收集，模型分析比对以及决策信息反馈等主要流程，面向终端用户提供辅助支持。构造数学模型，采用直观的数学统计方法提供形象的信息反馈是解决该问题的核心。同时，在系统设计与开发过程中要充分考虑终端用户体验，采用合理的系统表达方式。

4基于多维位图模型的解决方案

采用多维位图的数学模型来处理基于结构的数量统计，具有其他方式无可比拟的优越性。考虑到学分制下课程组织结构与学分分布的复杂度，利用现有的数据结构抽象出基本的业务处理模型，并且不断析取决策过程数据，为事务的分析与处理提供基层架构。充分发挥多维数组在数据存储与计算方面的灵活性，实现业务模型向计算机处理模型的转变。

（1）基于多维数组的数据存储。多维数组能够同时处理结构化的数据和相关的量化信息，很好的应对了相对静止的课程结构和绝对变化的学分数量。一个容量充足的二维数组，对于各个专业的课程模块具有很好的适应性和可拓展性，能够通过简单的数学计算来处理复杂的业务流程，有效的提升了决策效率和系统的反应速度。

（2）数组模拟下的位图分析与处理模型。数组模拟环境下的多维位图，清晰地展现了课程结构与学分量化之间的关系。通过把学分制约束转化成标准的位图模型，采用基于结构的计算模式，可以有效的克服单个变量决策过程的盲目性和低效性。根据与标准约束模型的比对结果，终端用户可以实时的纠正决策过程中的偏差，或者通过优化指数进行相应的整体均衡，使方案决策过程达到最优化状态。

（3）精细化的决策数据审计与反馈输出。多维数组的数据存储能够保证课程结构与学分数量记录的准确性与真实性，是进一步事务分析与处理的可靠依据。基于多维位图的决策支持模型，不仅能够提供粗粒度指标数量级别的审计，而且可以提供细粒度的单个决策因子的动态信息，有效的兼顾了整体和局部的最优化。通过C#编程语言在与终端用户交互方面的优势，采用合理的数据控件来表达决策信息，可以达到事半功倍的效果。

多维位图计算环境下的数据组织方式如图4所示。

位图处理模型是一个兼顾全局的处理模型，涉及到为数众多的决策因素，考虑到将学分制约束转化为系统需求，抽象出其基本的事务处理模型如下所述：

若变量S和C分别代表规则的课程结构与学分限制，而US和UC表示用户某一决策过程产生的结构与学分选项，那么某一时间点的决策状态ST是S，C，US，UC的函数，我们可以将其表示为：

ST=ST（S，C，US，UC）

该函数值ST表示经过用户的一次决策过程，培养方案所处的即时状态。它包括了课程结构、学分数量以及学分和课时的分布情况。通过函数ST（）的不断迭代运算，决策者可以在每次决策后得到最快的系统反馈。但是，ST（）仅仅能够返回相关的统计信息，而无法实现自动的智能识别与决策方案的生成。

在ST（）模型的基础上，引进基于位图思想的处理方式，可以实现精细化的审计与决策项的识别，为终端用户提供直接的解决方案。若SM代表已转化为位图标准的学分制约束，SH表示决策方案的析取过程，SD为相关决策因子的分布平衡度，那么系统支持下的参考决策方案DC可由下式得出：

DC=SH（ST，SM，SD）

DC为允许决策集合，包含了在接下来的决策过程中对应相应结构的可选的课程，以及关于课程、学分和课时平衡分布的建议。

参考文献

[1]侯婷婷.学分制下高校选课管理制度实施研究――以南京某211高校为例[J].现代商贸工业，2014，26（8）：133135.

[2]邬开东.学分制下教学质量保障与监控体系的建构与实践[J].安徽工业大学学报：社会科学版，2013，30（6）：130131.

[3]王静，杨中华.学分制下交叉学科学生专业能力培养与评估体系研究[J].教育探索，2014，（4）：8889.

[4]高永格，李斌斌，朱望东.高等学校学分制管理制度的改革与实践[J].河北工程大学学报：社会科学版，2008，25，（4）：8384.