地方高校評教影響因素及評教管理分析

蔡雅端

（閩南師范大學商學院,福建漳州36300）

1927年美國普渡大學教授雷默斯（Remmers）編制并應用標準化“學生評教量表”，標志著學生評教制度正式走進高校[1].我國高校于20世紀80年代中期開始試行，目前已成為大多數高校的一項制度化工作.國內教育專家和學者也對高校評教及管理進行研究，一定程度推動了高校評教管理工作的發展.

馬莉萍等[2]、李正等[3]、周繼良等[4]、龍月娥[5]等研究了高校學生評教的影響因素；周加燦等[6]、宋彥軍[7]、馬曉旭[8]等研究了高校學生評教存在的問題；邵小芬等[9]、周繼良等[10]等對高校評教的改革與發展提出有益的建議；周繼良等[4]發掘了學生評教行為偏差的基本類型，并建議對學生評教管理、學生評教制度進行優化.上述研究可歸納為影響因素、評教過程存在問題以及改進建議三大內容，從學生/教師/學校三個層面、評教工具/管理制度/結果應用三個方面綜合提出建議.

上述研究采用了問卷調查或統計模型，但存在一定不足.如沒有區分影響因素的不同特征以及對評教得分的影響作用，也沒對各個因素的關聯及作用進行系統性描述，難以細化指導高校評教管理.因此，有必要在區分靜態和動態影響因素基礎上，綜合應用描述統計、方差分析、多重線性回歸分析等方法，更準確地分析高校評教得分的影響因素及作用大小.

1 從評教指標設計到評教影響因素甄選及數據獲取

1.1 評教指標設計

為促進課堂教學質量評價工作的科學規范化，進一步明確課堂教學質量基本要求，某地方高校于2019年重新修訂了《某地方高校本科課堂教學質量評價標準本科課堂教學質量評價標準》，其中將課堂教學分為理論教學、實驗教學、體育術科、藝術術科四類，評價方式分為現場聽課看課和網上評教，評價成績采用百分制計分.

同時針對四類學科，分別設計了網上評教指標（以理論教學為例，見表1）.其中：一級指標設置三個、下設二級指標七個，不同學科的指標數量和對應權重都相同，但二級指標根據不同學科類型描述不同.

表1 理論教學評教指標Tab.1 Theoretical Teaching Evaluation Index

為得到真實的評分反饋，某地方高校采取自愿而非強迫式的評分方式，即學生在評教系統開放時間內，自主根據評教指標對各課程的教師進行打分，系統則根據分數和權重自動計算出學生針對某一課程教師的最終評分.

1.2 評教影響因素甄選

基于馬莉萍等[2]、李正等[3]、周繼良等[4]、龍月娥[5]等對高校學生評教影響因素的研究成果，結合本校評教系統參數選取評教影響因素：一類是相對穩定、表針教師特征的靜態因素；另一類是有變化性、反映師生維度的動態因素（表2）.

表2 評教影響因素Tab.2 Factors Affecting Teaching Evaluation

1.3 數據獲取

以某地方高校商學院為研究范圍，從院教學評教系統獲取2018—2019學年第1學期至2021—2022學年第2學期8個學期，共計94名教師、1 409組有效數據.

2 靜態評教影響因素及評教的統計分析

2.1 靜態評教影響因素的描述性分析

2.1.1 受評教師特征分析

應用SPSS22初步統計，可得2018—2022年各學年各課程授課教師中的男/女比率、學士/碩士/博士不同學位的比率、助教/講師/副教授/教授不同職稱比率以及是否擔任領導職務的比率（表3）.

表3 2018—2021學年受評教師基本情況Tab.3 Information of Evaluated Teachers from 2018 to 2021

從表3 可看出：2018—2021 學年受評教師在性別比率上，男性占比略有輕微下降；學位比率變化極??；隨著時間（教齡）增加，教師職稱逐漸往上升，使得職稱比率發生一定變化；領導比率則輕微下降.總體而言，各比率有輕微波動但保持相對穩定，為教學的穩定性和評教分析的可靠性奠定了基礎.

2.1.2 受評課程類型分析

2018—2021 學年某地方高校分別開設了350、338、360、361 門課程，經計算可得四年中理論課、專業課、必修課各自的平均占比（表4）.

表4 2018—2021學年受評課程基本情況Tab.4 Information of Evaluated Courses from 2018 to 2021

從表4可看出：2018—2021年理論課占比保持很高比率，但呈逐年下降趨勢，可能與商學院逐漸注重培養大學生的實踐或實操能力并增設相關課程有關；專業課占比略有下降但不明顯；必修課占比基本保持穩定.總體而言，各占比有出現變化但保持相對穩定，為保證教學質量和評教打分的穩定性奠定了基礎.

2.1.3 教師特征、課程類型對評教得分的描述性分析

通過計算可求得不同性別、學位、職稱、是否擔任領導的教師和理論課、專業課、必修課等課程相應的評教得分均值、標準差、極大/小值等（表5）.

表5 2018—2021學年評教得分情況與方差分析Tab.5 Scores of 2018—2021 Teaching Evaluation and Analysis of Variance

從表5 可看出：1）女性教師平均得分高于男性0.47 分；2）學士和碩士學位的教師在評教得分上基本相當，但博士學位的教師在評教得分上反而不如學士或碩士學位的教師；3）助教職稱的教師在評教得分最高，教授級教師次之，講師和副教授的得分基本相當且最低；4）擔任領導職務的教師在評教得分略高于無領導職務的教師；5）理論課的評教得分略低于非理論課（如實踐、實習等），專業課和必修課的評教得分略高于非專業課或選修課.

2.2 靜態評教影響因素對評教得分的方差分析

進一步應用ANOVA 方法或Welch/Βrown-Forsythe 分析不同教師特征和課程類型，是否對大學生在評教行為上帶來差異性（表5），結果顯示：

1）男女教師的評教得分差異不顯著，即學生不因性別不同而對教師進行區別性評分.

2）不同學位教師的評教得分差異不顯著，即學生不因教師學位不同而進行區別性評分.

3）不同職稱教師的評教得分差異不顯著，即學生不因教師職稱不同而進行區別性評分.

4）有無擔任領導職務教師的評教得分差異不顯著，即學生不因是否擔任領導職務而進行區別性評分.

5）是否為理論課或專業課或必修課的評教得分上差異不顯著，即學生不因課程類型不同而進行區別性評分.綜上，不同的教師特征和課程類型都不會對評教（得分）產生明顯的差異性.

3 動態評教影響因素及評教數據分析

3.1 動態評教影響因素與評教得分的相關性分析

從教師維度看，教師工作量、任教年限每年（學期）都不固定；從學生維度看，學生課程成績、學生參與評教情況也是變化的，因此有必要進行相關性分析和回歸分析（表6）.

表6 動態評教影響因素與評教得分的相關性分析Tab.6 Correlation analysis of dynamic influencing factors and teaching evaluation scores

從表6可看出：1）教師工作量（課時）與評教得分相關系數為-0.003（負相關）但未達到顯著，即目前教師工作量（課時）未影響學生對教師的評教打分；2）任教年限與評教得分相關系數為0.063且達到顯著，即教齡會影響評教得分；3）課程成績與評教得分相關系數為0.022但未達到顯著，即學生成績未影響學生對教師的評教打分；4）學生有效參評率與評教得分相關系數為0.063且達到顯著，即學生參與評教比例會明顯影響教師的評教得分；5）教師工作量與課程成績相關系數為-0.151（負相關）且達到明顯顯著，即教師工作量（課時）會明顯影響學生成績；6）任教年限與課程成績相關系數為-0.083（負相關）且達到明顯顯著，即教師教齡會明顯影響學生成績；7）任教年限與學生有效參評率相關系數為0.061且達到顯著，即教齡會影響學生的有效參評率；8）課程成績與有效參評率相關系數為-0.098（負相關）且達到明顯顯著，即學生成績會明顯影響學生的有效參評率；實際上，學生參評行為是在課程考試之前，因此課程成績影響參評率的關系不成立，不給予考慮；9）上述以外的各因素之間的相關系數都＜0.7，即不存在強相關性（共性問題弱）.

各因素之間相關性及與評教得分的相關性綜合見圖1（虛線表示因素間相關性不顯著；x 表示因素影響關系不成立）.

圖1 動態評教影響因素間及與評教得分的相關性Fig.1 Correlation between dynamic influencing factors and teaching evaluation scores

3.2 動態評教影響因素與評教得分的多重線性回歸分析

經過繪制散點圖觀察到因變量與自變量滿足線性趨勢，同時正態分布P-P 圖顯示因變量具有正態性（過程略），可進一步進行模型擬合及后續檢驗.

3.2.1 模型擬合優度

在定性分析了教師維度、學生維度與評教得分的關系后，可進一步采用多重線性回歸進行分析（具體過程略），軟件自動剔除教師工作量和課程成績2個自變量后，得到模型擬合度情況（表7）.

傳統的數據庫訪問多以與之配套的軟件界面作為操作窗口，只在本地及附近進行使用，共享性幾乎為零。各數據庫對應的軟件更是千差萬別，想真正熟練使用數據庫，還需學習軟件的操作。且飛機數據庫內容煩瑣，數據龐雜，所占內存空間一般較大，當遠程的工作人員希望使用數據庫成果時，使用無線傳輸不甚現實，只能通過磁盤等移動儲存介質進行傳播，這樣就增加了人力、物力成本。

表7 模型概要cTab.7 Model Summaryc

從表7 可知，模型2 的R 方值為0.008，大于模型1 的0.006，模型2 優于模型1；同時DW 值為1.688，比較接近2，即殘差自相關性越小，上述表明模型2 雖然對因變量的解釋度很低，但仍達到多重線性回歸分析的條件.

3.2.2 模型檢驗

選用模型2后（不需再分析模型1數據）并進行檢驗.從表8可知：F=5.304，P=0.005＜0.05，結果表明：所擬合的模型2具有統計學意義.

表8 模型方差分析表Tab.8 Analysis of moder variance

進一步從表9 可知：有效參評率和任教年限的t檢驗都為顯著，即2 個自變量和常量都具有統計學意義；同時，從容差和VIF值可明顯判斷自變量基本不存在共線性問題.

表9 模型系數表Tab.9 Table of model coefficients

學生化殘差絕對值小于2（圖2）、殘差直方圖呈正態分布（圖3）,分別驗證了應變量取值的獨立性和正態性，滿足了線性回歸分析要求，最終構建擬合模型如下：

圖3 殘差直方圖Fig.3 regression Standardized Residual

y=93.688+0.049×任教年限+1.716×有效參評率.

從公式可知：任教年限每提高1 單位，評教得分課提高0.049 單位；有效參評率每提高1 單位，評教得分則可提高1.716單位.

4 結論與建議

4.1 主要結論

通過描述性統計、相關性分析和多重回歸分析，可得到如下3個方面的結論：

2）任教年限、有效參評率與評教得分存在顯著的正相關，但教師工作量、課程成績與評教得分分別為負相關、正相關，但都不顯著；任教年限、教師工作量與課程成績存在顯著性的負相關，但任教年限與有效參評率為顯著正相關.

3）通過多重線性回歸分析，經擬合和檢驗后，可獲得有效參評率、任教年限和評教得分的回歸方程，該方程具有統計學意義；有效參評率對評教得分的影響遠大于教師的任教年限；但從評教評得分和回歸方程來看，不同教師的評教得分差距并不明顯，學?？赡苡斜匾獙υu教指標及評教管理加以評估與改進.

4.2 評教管理建議

綜上所述，提出如下3點建議：

1）學生不因教師或課程特征而區別性評分，該做法是相對公正公平，應給予鼓勵；同時可將評教結果進行公開，打消部分教師倚重學位、職稱、領導職務來獲得高分的心理，這也有利于減輕年輕教師的心理壓力而專注教學.

2）在現行制度下，有效參評率是影響評教得分的最大影響因素，且在有必要進一步完善鼓勵學生參與評教的措施，并提醒學生避免出于尊重而偏向參與老教師的評教甚至打高分，促進每一門課程的有效參評率相對均衡，防止參評率影響個別教師的評教得分；同時教務部門在評教管理上應注意學生參評率的有效性.

3）學校有必要評估不同課程與專業教師的匹配度，必要時加以調整，避免教師工作量太大而影響教學質量；同時教務部門應該注意，教齡長的教師是否陷入“教學陷阱”，如沿用幾年不變的講義、一成不變的教學風格、缺乏與新時代大學生的互動等情形，及時給予反饋及幫助改進，避免其教學水平下滑.