MED-Net:利用多视觉编码和曼哈顿距离池化技术实现鲁棒的医学图像分割
《Expert Systems with Applications》:MED-Net: Leveraging Multi-visual Encoding and Manhattan-distance Pooling for Robust Medical Image Segmentation
【字体:
大
中
小
】
时间:2026年01月07日
来源:Expert Systems with Applications 7.5
编辑推荐:
研究生扩招背景下产教融合资源优化路径研究,提出共享输入与固定中间产品的逆网络DEA模型,实现多阶段资源动态配置与效率前沿保持,通过上海27个专业硕士培养案例验证模型有效性,为扩招条件下教育资源精准配置提供科学决策依据。
Jiqiang Zhao|Lijun Cheng
浙江省重点智库,浙江农林大学生态文明研究所,浙江农林大学经济管理学院,中国杭州311300
摘要
随着中国研究生招生规模的扩大,大学在优化产教融合项目中的资源配置方面面临着越来越大的压力。本研究提出了一种新型的逆向网络数据包络分析(DEA)模型。该模型结合了共享输入和固定的中间产品来估计最优资源配置。与传统逆向DEA模型不同,我们的方法允许在多个阶段同时进行优化,同时保持原有的DEA前沿。该模型应用于四种实际情况,涉及输入、输出和效率水平的变化。使用上海一所大学27个研究生专业的数据进行实证验证,证明了该模型的有效性和稳健性。研究结果揭示了在资源受限的情况下提高培训质量的最优资源配置路径。这些发现为数据驱动的教育规划提供了理论和实践支持,为寻求平衡质量和效率的研究生管理者提供了可操作的指导,丰富了多阶段效率估计的方法论工具箱,并为数据驱动的教育资源规划提供了新的视角。总体而言,所提出的方法有助于提高高等教育资源管理政策决策的科学依据。
引言
在经济转型和产业升级的背景下,促进产教融合并在大学中设立专业学位研究生联合培训项目的重要性日益凸显(Zhao等人,2024年)。这种融合有助于教育链与产业链、人才链与创新链之间的紧密联系。因此,它成为培养能够适应产业转型并支持高质量发展的高素质应用型人才的关键途径(Atta-Owusu等人,2021年)。然而,中国的研究生招生扩张政策旨在缓解就业压力。这一政策对通过产教融合培养人才的质量提出了新的挑战。例如,2024年,中国政府新增了831个博士学位专业和1,924个硕士学位专业,其中专业学位硕士专业占比高达81.4%。虽然招生规模的扩大提高了教育覆盖率,但也可能分散教育资源,从而影响培训的深度和质量(Wu等人,2021年)。因此,在招生扩张的背景下优化产教融合模式,以维持和提升人才培养的质量,已成为教育部门亟需解决的问题。
科学的资源配置计划对于提高专业学位研究生联合培训中的产教融合质量至关重要。目前,专业学位研究生的培训面临着将学术要求与实际应用相结合的挑战。产教融合的质量往往直接受到学生、导师和实习基地等资源分配的影响(Odlin等人,2022年)。在产教融合的联合培训中,输入因素的过度分配可能导致资源浪费和效率低下,从而影响培训质量的提高。相反,投入不足可能会阻碍教育活动并限制学生的潜力,这直接降低了培训质量,使得难以满足行业对高素质专业人才的需求(Madani,2019年)。因此,合理分配输入资源是确保培训质量的关键步骤。它有助于在资源有限的情况下最大化教育成果,并为社会提供高度符合行业需求的应用型人才。
目前,学者们已经对产教融合中的资源分配问题进行了广泛研究,但仍存在一些不足:首先,由于数据获取的限制,许多研究主要使用省级层面的宏观数据来构建产教融合的评估模型,这对大学管理者的实际应用参考价值有限(Zhou等人,2024年)。其次,大多数资源分配模型仅关注客观指标,忽视了学生满意度等主观指标,导致对学生真实需求的不完整反映,从而影响产教融合质量的评估(Li等人,2017年;Liu等人,2020年)。最后,现有研究通常缺乏对培训效率、输入因素和输出因素之间动态关系的深入分析(Bai等人,2020年)。例如,当未来输入因素发生变化时,最优输出将如何调整?如果需要提高特定输出目标,应该如何优化输入因素的分配?培训效率的变化对输入和输出的具体影响是什么?这些关键问题仍未得到解答。因此,解决这些问题需要三个关键步骤:收集多层次数据,构建一个结合主观和客观指标的综合性资源分配模型,并引入一个动态机制来分析输入、输出和培训效率之间的关系。此外,应为不同的目标设计多样化的资源优化策略。
幸运的是,逆向数据包络分析(DEA)的兴起为解决这一问题提供了新的方法。传统的DEA方法主要用于评估决策单元(DMUs)的相对效率,而逆向DEA模型则反向确定实现给定效率水平下效率提升目标所需的资源调整或输出变化(Ghiyasi等人,2022年;Liu等人,2024年;Wei等人,2000年)。这一特性使得逆向DEA在资源优化和输出调节方面具有很高的价值,特别是在教育技术、环境治理和企业并购等领域,它被广泛用于支持科学资源调整决策(Amin等人,2019年;Emrouznejad等人,2019年;Le等人,2021年)。逆向DEA可以处理各种情景下的资源分配问题。例如,在教育领域,逆向DEA常用于分析大学如何在保持当前运营效率的同时优化教育资源的分配(Foladi等人,2020年)。在企业管理中,逆向DEA有助于在特定市场条件或生产要求下确定部门的最优资源分配(Sayar等人,2021年)。通过逆向DEA,管理者可以确定调整资源输入或输出的最佳方向,而不会降低效率,从而实现成本节约或输出最大化。
尽管这些研究在扩展逆向DEA方法的应用方面具有重要意义,但它们通常将DMUs简化为“黑箱”,而没有深入探讨实际生产过程中其内部结构的复杂性(Orisaremi等人,2025年;Zhang和Cui,2020年)。为了满足多阶段或多部门系统中的效率分析和资源优化需求,逆向网络DEA模型逐渐引起了学术界的关注(Kazemi & Galagedera,2023年)。逆向网络DEA不仅能够识别系统内各阶段或部门之间的资源流动关系,还能逆向工程所需的资源调整,以确保整体效率不会下降。与传统逆向DEA相比,逆向网络DEA更适合复杂的多部门结构,并已应用于环境、商业和能源等领域的资源优化和效率提升(Arbabi等人,2023年;Emrouznejad等人,2023年)。例如,逆向网络DEA可用于识别各阶段之间的资源流动和效率提升路径(Kalantary & Farzipoor Saen,2019年)。然而,由于涉及多个相互依赖的阶段或组件,逆向网络DEA的计算复杂性和数据质量要求相对较高。目前的研究仍处于早期探索阶段,一些专门的逆向网络DEA模型(如基于共享输入网络结构的模型)仍有待开发。
为了解决这些问题,本研究提出了一种具有共享输入的网络DEA模型。该模型从研究生专业管理者的角度评估产教融合的效率。其次,该模型扩展为逆向网络DEA框架,以分析以下情景:如何在保持效率的同时分配输入资源以满足改进输出因素的需求;如何在输入因素增加的情况下实现最优输出分配;以及在效率提升下的资源分配和最优输出估计方法。最后,以上海一所大学的27个专业学位研究生专业为研究对象,本研究利用研究生信息管理系统和调查问卷的数据,估计招生扩张背景下的产教融合最优资源分配方案。研究结果将为研究生专业管理者提供具体的、可操作的资源分配解决方案(图1)。
本研究的主要贡献如下:
基于共享输入的网络DEA模型
产教融合的研究生培训机制包括三个关键阶段:首先,大学指派学术导师确定与研究生研究领域相符的企业,并与这些企业建立合作协议,将其指定为相应学科的产教融合基地。其次,大学评估企业中具有高级技术专长的个人,选拔优秀...
研究对象、指标体系构建和数据来源
本研究以上海一所大学的27个专业学位研究生专业为研究对象,分别用DMU1至DMU27表示。2022年,共有1,518名专业学位研究生注册了这27个专业。根据大学的规定,所有学生必须在2023年12月之前完成实习和实践培训课程,企业的实习时间通常为6个月。
输入的选择...
结论
本研究提出了一种基于共享输入的新型逆向网络DEA模型,用于两阶段产教融合系统,旨在估计下一个周期的最优资源分配。该方法解决了现有两阶段逆向DEA方法的局限性,这些方法由于整体效率提升导致前沿表面变化而面临资源分配优化挑战。此外,该模型还包括了中间...
利益冲突声明
作者声明他们没有已知的可能会影响本文报告工作的财务利益或个人关系。
致谢
本研究得到了以下机构的联合支持:
国家自然科学基金(72564022);
浙江农林大学研究基金(2024FR004)。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号