En BP-neuralt nätverksmodell för intelligent kvalitetsövervakning av integration mellan industri och utbildning samt talangutveckling

Varför detta är viktigt för studenter och arbetsgivare

Universitet står under press att visa att de faktiskt förbereder studenter för riktiga jobb, inte bara delar ut diplom. Samtidigt vill företag ha nyutexaminerade som kan gå direkt in i moderna arbetsmiljöer utan år av extra utbildning. Denna studie undersöker hur en artificiell intelligensmodell kan användas för att kontinuerligt övervaka och förbättra hur väl universitet och företag samarbetar för att utbilda arbetsklara kandidater.

Att göra rörig utbildningsdata begriplig

Författarna fokuserar på en populär politisk idé: djup samverkan mellan universitet och näringsliv genom gemensamma kurser, delade träningsbaser, praktikplatser och gemensamt handledda projekt. I praktiken samlar universitet in stora mängder data om dessa program—budgetar, undervisningstimmar, företagsfeedback, arbetsmarknadsutfall—men informationen är spridd, varierar i kvalitet och är svår att tolka. Traditionella utvärderingsmetoder tenderar att förlita sig på ett fåtal enkla mått, såsom anställningsgrad eller nöjdhetsundersökningar, ofta kontrollerade först efter att ett program avslutats. Det gör det svårt att tidigt upptäcka problem eller förstå vilka delar av ett partnerskap som verkligen fungerar.

Att bygga en mångsidig poängtavla

För att tackla detta designar forskarna först ett detaljerat indikator­system som granskar hela livscykeln för universitet–företagssamarbete. De grupperar 26 mätbara indikatorer i fem områden: undervisningsinsatser (såsom investeringar i utrustning och träningsbaser), lärarsamarbete (till exempel andelen företagsmentorer), kursgemensam utveckling (gemensamt utformade och uppdaterade kurser), företagsdeltagande (praktikplatser, gemensamma projekt, återkopplingshastighet) och studentutfall (anställningsgrad, lön, befordran, entreprenörskap, tävlingsresultat). Numeriska indikatorer standardiseras noggrant så att mycket olika kvantiteter—som pengar, procenttal och 1–5-betyg—kan kombineras meningsfullt i en modell utan att någon enskild faktor dominerar enbart på grund av sin skala.

Låta ett neuralt nätverk hitta dolda mönster

Ovanpå detta indikator­system bygger teamet ett förbättrat Back Propagation-neuralt nätverk—en vanligt förekommande AI-modell som kan lära sig komplexa samband från data. Nätverket använder de 26 indikatorerna som indata och genererar en enda kvalitetspoäng mellan 0 och 1 för varje universitet–företagsprojekt. För att träna det använder författarna 642 verkliga projektprov från ett topprankat kinesiskt universitet, som täcker åtta examina inom teknik och management och spänner över sex års samarbetshistorik, företagsfeedback och uppföljningsundersökningar av alumner. De inför flera förfiningar: en förtroendevikt för varje projekt (så att mer pålitliga, väldokumenterade fall påverkar inlärningen mer än ofullständiga eller brusiga), och en informationsentropibaserad kontroll för att välja en nätverksstorlek som matchar datans komplexitet, vilket hjälper till att undvika både underfitting och overfitting.

Insyn i svart låda

Eftersom beslutsfattare inom utbildning inte kan acceptera en ”svart låda”-poäng utan vidare, lägger studien till ett tolkningslager med hjälp av SHAP, en spelteoribaserad teknik. SHAP uppskattar hur mycket varje indikator driver ett projekts kvalitetspoäng uppåt eller nedåt. Genom att omvandla dessa bidrag till visuella rankingar och värmekartor kan chefer se, till exempel, när ett långt glapp mellan kursuppdateringar eller för få praktiska träningstimmar sänker poängen. Systemet kopplar sedan sådana signaler till enkla, handlingsbara strategier: öka företagsmentorers närvaro på campus, påskynda återkopplingscykler eller justera mixen av praktikorienterade kurser. Detta skapar en loop av ”prediktion → förklaring → intervention”, där AI både upptäcker risker och pekar ut troliga spakar för förbättring.

Hur väl fungerar den smarta övervakningen?

Författarna jämför sitt neurala nätverk med fyra vanliga prediktionsmetoder: linjär regressionsanalys, beslutsträd, supportvektorregrassion och den välanvända XGBoost-modellen. Med samma dataset och noggrann korsvalidering levererar det neurala nätverket de bästa resultaten, med mycket låg prediktionsfel och en förklaringsgrad (R²) nära 0,95. Det håller liknande hög noggrannhet när det testas separat på olika examina och på projekt som leds huvudsakligen av universitet respektive företag, vilket tyder på att modellen är robust över varierande kontexter. I många fall minskar den prediktionsfelet med mer än 20 % jämfört med alternativa tillvägagångssätt, vilket visar att den bättre fångar de intrasslade, icke‑linjära interaktionerna mellan indata, processer och utfall i verkliga utbildningsmiljöer.

Vad detta betyder för framtida undervisning och utbildning

För en allmän läsare är huvudbudskapet att studien visar hur modern AI kan omvandla spridd, svåranvänd utbildningsdata till en levande ”instrumentpanel” för gemensamma universitet–industriprogram. I stället för att vänta år för att se om en samverkansmodell fungerar, skulle universitet och företag kunna övervaka kvaliteten i nära realtid, upptäcka svagheter tidigt och fokusera på de spakar som spelar störst roll för studenters karriärutveckling. Arbetet bygger fortfarande på ett enda universitet och måste testas mer brett, men det beskriver en praktisk väg mot intelligent kvalitetsövervakning som stödjer bättre undervisning, starkare partnerskap och smidigare övergångar från skola till arbete.

Citering: Chen, Y., Shi, J. A BP neural network model for intelligent quality monitoring of industry-education integration and talent cultivation. Sci Rep 16, 13175 (2026). https://doi.org/10.1038/s41598-026-43967-x

Nyckelord: integration mellan industri och utbildning, neuralt nätverksutvärdering, högre utbildnings kvalitet, universitet–industrisamarbete, talangutveckling