摘要：该文通过发放问卷形式结合教务管理系统的数据对宁波财经学院数字技术与工程学院的学生教学满意度进行了数据采集和分析，随机发放809份问卷，利用逐步模糊聚类分析法对学生的教学满意度进行了评估。发现大四的学生普遍对学校的各项指标满意度比大二大三要差，计算机科学与技术专升本专业对教师教学各个维度满意度最高。网络工程和机械制造及其自动化对实践教学的软硬件满意度最低，计算机科学与技术对课程的教辅资料满意度较低。通过教学管理系统发现计算机科学与技术专升本的CET-4通过率远远高于其他专业的平均数。

关键词：高校教育;满意度;模糊聚类分析法

中图分类号：TP311 文献标识码：A

文章编号：1009-3044（2020）29-0145-02

1 引言

自1999年教育部出台《面向21世纪教育振兴行动计划》开始，高等教育不断扩大，招生人数日益剧增，2013年全国各类高等教育在学总规模达到3460万人，高等教育毛入学率达到34.5%。2019年高校再次扩招，我国高等教育毛入学率超过50%进入高等教育普及化阶段。但高等教育的质量如何？是否还是以前精英教育时代的质量，这是值得我们商榷的。2007年，教育部印发《关于进一步深化本科教学改革全面提高教学质量的若干意见》，对于全面提高本科教学质量详细提出20条要求。在2018年6月21日召开的全国高等学校本科教育工作会议上，教育部部长陈宝生强调本科教育是大学的根和本，应把人才培养的质量和效果作为检验一切工作的根本标准[1]。所以提交教学满意度是至关重要的大事，需要我们仔细研究，深刻分析。

高校的教学满意度是一项系统性工程。许多国外高校对教学满意度评价很早就已经有了研究。英国PRP满意度评价体系是20世纪70年代以来英国教师满意度评价发展的成果。PRP教师评价体系包含教师的评价、校长的评价和学校的评价三个方面。美国在20世纪50-80年代教师有效性研究和教师满意度评价：建立TER数据库和专业教师评价体系。国内专家学者对教学满意度也做了大量的研究。蒋苏等人提出由高校形象、顾客预期、感知价值和感知质量四个因素组成的体育教学满意度评价模型，采用因子分析对模型进行降维处理，最终提取了教学效果、课堂氛围、创新教学、课程安排、教学资源和师资力量六个主因子，从而形成体育教学满意度评价量表，进而再通过重要性——满意度（IPA）分析，基于量表因子提出改进教学安排的针对性措施[2]。徐文俊等人通过分层随机抽样的方式，对H大学所有专业的本科生从“课程设置”“实践教学”“教学保障”等多个维度对本科教学满意度进行了调查，并对调查结果进行了分析。

2 教学满意度的研究分析

2.1 问卷设计

教学满意度是指学校提供给学生教学软硬件的一种满足程度，具有主观性和客观性。本次调查的问卷涉及的主要有“学习环境”“教师教学”“人际关系”三个维度，学习环境共有5个考察点，分别是学校的课堂规章制度、教室环境布置、实践教学的软硬件、学生学习的各类教材、教辅资料。教师教学也有5个观测点，分别是教师的道德修养水平、教师的专业知识水平、教师教学的方式方法、教师的教学内容、班级的学习氛围。人际关系主要有三个考察点对于同学的关系、师生的交流和老师对学生的反馈三个方面来进行观察。此外还有一个“学习效果”，这个维度我们通过教务管理系统的数据导出可以更精确地对学生的学习效果进行分析。满意度的评价是一个非常典型的模糊评价问题，教学满意度表示学生的一种主观的想法，若只是用简单的“是”或者“否”等评价方式进行评价，则会导致评价的结果失真[3]。本文将利用模糊聚类分析评价法对这些数据进行评价。教学满意度问卷的设计主要包括调查对象的基本特征包括性别、年级、专业;学习环境;教师教学;人际关系等四个部分。其中，满意度量表设计是自己经过十几年的教学管理经验结合宁波财经学院的特色经过有机结合，最终确定五个维度、16个题项。为提升满意度评价的客观性，方便数据统计，本研究将每一问项分为“非常满意、满意、比较满意、不满意、非常不满意”并分别赋予1-5分。

2.2 数据处理

2.2.1 数据来源

本研究所用数据来自2019年12月-2020年6月对宁波财经学院数字技术与工程学院的在读学生进行的抽样调查。调查内容主要包括学生个体特征（性别、年级、专业等）、对学校学习环境;教师教学;人际关系等三大体系16个方面的满意度。调查以线上问卷星形式通过班级学习委员进行发放、共收回809份问卷，经过数据整理对809份问卷进行了统计分析，问卷答题有效率为98.4%。

2.2.2 逐步模糊聚类的基本原理

本文将这些收集的数据通过逐步模糊聚类分析方法来对数据进行整理分析。聚类是把一组个体按照相似性归成为若干类别，即“物以类聚”，其目的是使得属于同一类别的个体之间的距离尽可能的小，而不同类别的个体之间的距离尽可能大。这种方法我们称为模糊聚类[4]。逐步模糊聚类是以样本组内的离差平方和达到最小为标准，通过反复调整每个样本组中的个体数，从而达到样本组内具有最大同质性（或最小异质性），而样本组间具有最大异质性（或最小同质性）这一优化目标。此法，是先将样本进行一次粗略的分类，称为初始分类，然后根据最优原则进行反复不断的修改，直到分类合理为止。基于以上分析，本文利用逐步模糊聚類分析法对满意度进行综合性评价。

2.2.3 数据清洗

在收集完宁波财经学院《教学满意度调查问卷》后，对数据进行了清洗，对不符合逻辑规律的数据进行了删除，比如问卷只发放了大二、大三、大四的学生，但是收集的数据确有大一的学生，比如工业工程专业由于是新专业还没有毕业生，但工业工程专业中确有大四的学生填写数据，诸如此类不符合宁波财经学院特色的数据都进行了统一删除处理。这些数据对于我们分析没有起到作用，反而消减了我们数据的可靠性。为了保证数据的有效性故对此进行删除处理。

2.2.4 数据分类

为了方便数据之间的相互比较分析，首先将原始数据进行数值化处理，这样方便计算机的统一处理。我们先整理数据如下表1所示。

把数据分类规格化以后，我们通过DPS软件，分别根据逐步聚类的方法分成三大组。具体如下图1所示。

2.3 数据分析

通过Excel中自带的散点图我们对宁波财经学院的796条数据分别从年级、专业两个方面对教学满意度进行了数据分析，发现通过逐步聚类分析法分成的三组数据中，从年级进行分析明显发现第一组数据的满意度高于其他两组数据，特别是第三组数据中大四的满意度明显要低于大二和大三，说明我们的教学满意度随着年级的增大而逐渐地降低。而学生的人际关系不管在哪一组满意度都是显得非常的高，说明同学们的关系、师生的关系是非常融洽的。

从各专业的散点图可以看出也是第一组的数据的满意度明显高于其他两组。特别是第三组的机械电子工程专业的学生对各项满意度非常的低，需要引起专业负责人的高度重视。还是从第三组数据发现计算机科学.专升本对于教师教学的满意度非常高，我们可以吸取他们教师教学经验并进行推广。

另外一个维度的学习效果，我们通过教学管理的数据导出统计分析得出学生CET-4数据的统计分析，发现计算机科学计算机科学与技术专升本的通过率为85.71%远远高于其他专业的平均值，这也体现了计算机科学与技术专升本专业对教学满意度高的一个原因。

3 总结

经过数据分析，我们发现加强校园环境建设对于学生的学习、生活有着潜移默化的影响。学生的教辅材料，看似比较小的事情，但是对于学生的满意度变化影响也比较大，所以要引起高度的重视。

大四的學生对于本文设置的各项指标满意度相对比较低，体现了学生在校时间越长对于学校的各方面制度、环境、软硬件设备、教材、学习内容等满意度越低。我们要加强对学生的人文关怀，让我们的学生对我们学校越来越满意。这个需要引起我们的重视。

总之我们需要对学校校园环境、学习氛围等软文化进行升级。同事也需要逐步对我们的教室硬件设施进行改善，让学生在快乐中学习，在幸福中生活。

参考文献：

[1]徐文俊，张卓，杨兰芳.工科高校本科教学质量学生满意度情况研究——以H大学为例[J].南京航空航天大学学报（社会科学版），2017（12）：96-101.

[2]吕文婷，慎海歌，民办高校课堂教学学生满意度影响因素及提升策略[J].哈尔滨学院学报，2019 （11 ）：141-143.

[3]邵雪梅.大学生创新船业教育及双创博览会满意度提升的研究[J].电脑知识与技术，2020（6）.

[4]张维朋，刘晓文.基于模糊聚类的数据挖掘在临床检验信息系统中的应用[J].电脑知识与技术，2009（8）：158-161.

[5]蒲光华.高校工科专业教学质量学生满意度评价——以A学院汽车服务工程专业为例[J].现代商贸工业，2020（12）：179-181.

【通联编辑：朱宝贵】

作者简介：邵雪梅（1981-），女，助理研究员，主要研究方向为高等教育教学管理。