喬陽

近年來，受復雜多變的國際形勢及疫情反復等因素影響，干部教育培訓工作的推進與改革發(fā)生了諸多新變化。新形勢下，增強干部對國際國內(nèi)事務的理解、運籌、策劃等能力，同時提高不同領(lǐng)域不同類型干部的業(yè)務素質(zhì)和水平，前提就是要在干部教育培訓過程中明確培訓方向并做好中長期培訓安排，同時注重創(chuàng)新方式方法。

傳統(tǒng)的干部教育培訓需求主要通過調(diào)研、訪談等方式來獲取，通常會分層抽取一定數(shù)量的干部作為調(diào)查對象，通過發(fā)放問卷、詳細詢問、座談交流等方式來獲取干部對于培訓內(nèi)容、時長、方式等方面的需求情況，這種傳統(tǒng)的方法主要側(cè)重于當前需求的跟蹤掌握和參訓者一定時期內(nèi)的主觀需求，但在有機結(jié)合新形勢新要求與之前的培訓數(shù)據(jù)來實現(xiàn)需求預測方面卻效果不佳。當前，隨著大數(shù)據(jù)手段和人工智能方法的普及應用，干部教育培訓需求預測不再單純地依賴傳統(tǒng)方法，而更注重使用科學性、全面性、精準性的智能判斷方法。人工神經(jīng)網(wǎng)絡技術(shù)具有自組織、自學習及記憶性的特點，在培訓需求智能預測工作中具有較大優(yōu)勢。將干部教育培訓數(shù)據(jù)與BP神經(jīng)網(wǎng)絡技術(shù)相結(jié)合，能夠建立適用于培訓需求預測的模型，從而對教育培訓需求作出更為準確和長遠的預判。

一、人工神經(jīng)網(wǎng)絡的預測方法

人工智能（Artificial Intelligence，AI）已經(jīng)受到全世界的熱切關(guān)注，在商業(yè)、農(nóng)業(yè)、通信、交通及計算機科學等領(lǐng)域，都在對其應用進行探索。機器學習（Machine Learning）作為人工智能領(lǐng)域中重要的核心技術(shù)，可以在計算機中重現(xiàn)人類自主學習的能力。在計算機上模擬運算出的神經(jīng)細胞網(wǎng)絡稱為人工神經(jīng)網(wǎng)絡，人工神經(jīng)網(wǎng)絡技術(shù)就是實現(xiàn)機器學習的主要方法。神經(jīng)網(wǎng)絡技術(shù)通過相互連接和協(xié)同運作的方式，產(chǎn)生高度復雜的識別與判斷能力。在需求預測、搜索引擎、智能識別等眾多行業(yè)中被廣泛使用。

反向傳播神經(jīng)網(wǎng)絡（BP）是目前應用最為廣泛的神經(jīng)網(wǎng)絡之一，可以通過對近年干部教育培訓數(shù)據(jù)的運算，找出培訓信息的內(nèi)在規(guī)律，用以預測干部教育培訓需求。在神經(jīng)網(wǎng)絡中，傳遞輸入信息的過程分為正向傳播和反向傳播，可以將網(wǎng)絡層分為三種神經(jīng)層，分別為輸入層、中間層和輸出層。輸入層負責接收神經(jīng)網(wǎng)絡中所有的輸入信息，同時將接收到的輸入信息傳遞至中間層；中間層也稱為隱藏層，對接收的信息進行運算；輸出層對神經(jīng)元進行運算，將神經(jīng)元中的整體信息進行輸出。反向傳播神經(jīng)網(wǎng)絡通過將輸出層產(chǎn)生的結(jié)果與正確答案的誤差進行逆向傳遞，對神經(jīng)網(wǎng)絡中權(quán)重和偏置進行最優(yōu)化的處理。在傳播過程中使用梯度下降法，將誤差在神經(jīng)網(wǎng)絡中傳播，從而更新權(quán)重和偏置，達到最小化誤差的目的。實際應用中，還需要通過激勵函數(shù)使神經(jīng)元產(chǎn)生興奮，實現(xiàn)對復雜問題進行運算的能力,達到培訓需求預測的目標。

二、神經(jīng)網(wǎng)絡技術(shù)在干部教育培訓需求預測中的優(yōu)勢

神經(jīng)網(wǎng)絡技術(shù)發(fā)展迅速，BP神經(jīng)網(wǎng)絡可以為干部教育培訓工作提供實質(zhì)性幫助。BP神經(jīng)網(wǎng)絡在教育培訓需求預測中可以發(fā)揮以下優(yōu)勢：

（一）具有較強的非線性映射能力

BP神經(jīng)網(wǎng)絡具有較強的非線性函數(shù)映射能力，非線性函數(shù)具有較強的信息處理能力，能夠逼近任意復雜的非線性關(guān)系，適合解決內(nèi)部機制復雜的培訓需求預測問題。輸入的干部教育培訓信息屬于非線性數(shù)據(jù)，輸入值與輸出值之間存在非線性映射關(guān)系。

（二）具有自學習和自適應能力

BP神經(jīng)網(wǎng)絡在訓練環(huán)節(jié)，能夠通過學習自動提取培訓數(shù)據(jù)間的“規(guī)律”，并自適應地將學習內(nèi)容存入網(wǎng)絡的權(quán)值中，通過運算出的規(guī)律調(diào)節(jié)適應參數(shù)，顯著提高模型預測能力。當各類培訓信息輸入BP神經(jīng)網(wǎng)絡中進行運算，對有效的培訓信息賦予較大的權(quán)值，將存在干擾屬性的培訓信息賦予極小的權(quán)值，從而快速降低干擾信息對輸出結(jié)果的影響。

（三）具有泛化能力

BP神經(jīng)網(wǎng)絡在訓練后，可以存儲輸入與輸出之間的非線性映射關(guān)系。保證模型可以不斷接受新樣本和新信息，提高模型的適用性。輸入樣本數(shù)據(jù)以外的培訓數(shù)據(jù)，仍能運算出正確的映射關(guān)系，進行正確的分類。

（四）具有容錯能力

BP神經(jīng)網(wǎng)絡中的信息采取聯(lián)網(wǎng)式的存儲方式，各類培訓數(shù)據(jù)分散地存儲在BP神經(jīng)網(wǎng)絡中，可以從缺失的輸入數(shù)據(jù)中找到正確的規(guī)律，正常發(fā)揮預測培訓需求的能力。在局部受損的情況下仍可進行正常的訓練，使得模型內(nèi)可以包含大量信息。

三、BP神經(jīng)網(wǎng)絡在干部教育培訓需求預測中的流程

當使用BP神經(jīng)網(wǎng)絡模型實施預測時，為保證干部教育培訓需求預測結(jié)果的穩(wěn)定性和可靠性，需要經(jīng)過模型訓練、模型檢驗和模型預測三個環(huán)節(jié)。

（一）模型訓練

BP神經(jīng)網(wǎng)絡模型需要通過學習和訓練的環(huán)節(jié)，才能對干部教育培訓需求進行預測。選取標準情況下開設的培訓班，將參訓信息作為樣本數(shù)據(jù)進行研究，提升模型的預測能力。BP神經(jīng)網(wǎng)絡通過模型訓練的方式，將培訓樣本數(shù)據(jù)進行運算，獲得達到目標誤差或最小誤差的網(wǎng)絡權(quán)值和閾值。

（二）模型檢驗

BP神經(jīng)網(wǎng)絡預測模型內(nèi)部含有隨機機制，若直接用于干部教育培訓需求的預測工作，會使運算結(jié)果出現(xiàn)偏差。因此，需要通過模型檢驗的方式，確定BP神經(jīng)網(wǎng)絡模型在培訓需求中具有所需要的精準性和穩(wěn)定性。在檢驗環(huán)節(jié)，將參訓信息的樣本數(shù)據(jù)代入模型后輸出的結(jié)果與近期標準培訓班的真實數(shù)據(jù)值進行比較分析，從而判斷預測效果。通過模型檢驗環(huán)節(jié)，可以提升培訓需求預測結(jié)果的可信度。

（三）模型預測

設計的BP神經(jīng)網(wǎng)絡模型經(jīng)過訓練和檢驗即可投入干部教育培訓需求的預測工作。若預測效果未達到目標，應對模型中的培訓信息進行整理，重新構(gòu)建預測模型。

四、BP神經(jīng)網(wǎng)絡在干部教育培訓需求預測中的應用

基于神經(jīng)網(wǎng)絡的基本原理和特點，建議應用BP神經(jīng)網(wǎng)絡對干部教育培訓需求的預測進行研究。使用BP神經(jīng)網(wǎng)絡在干部教育培訓需求預測時，應通過以下三步驟進行。

（一）數(shù)據(jù)選取

在運用BP神經(jīng)網(wǎng)絡模型進行干部教育培訓需求預測時，利用Python編程語言，對現(xiàn)有的近年干部教育培訓相關(guān)情況的數(shù)據(jù)進行處理。選取5個輸入變量，分別為：培訓規(guī)模、培訓時長、學員綜合成績、學員及單位對參訓成效的評估綜合分數(shù)、經(jīng)費投入。輸出變量為：課程設置比例系數(shù)。其中，課程設置比例系數(shù)這一指標需要根據(jù)當前培訓內(nèi)容體系情況來構(gòu)建，為黨的基本理論教育、黨性教育、專業(yè)化能力培訓、知識培訓課程的時長賦予不同的權(quán)重系數(shù)，計算出數(shù)值，將其作為描述課程設置比例的指標，進行研究和預測。

（二）數(shù)據(jù)處理

1.數(shù)據(jù)標準化。由于選取指標數(shù)據(jù)的量化單位存在差異，所以必須對選取指標的原始數(shù)據(jù)進行統(tǒng)一的標準化處理，將所有指標數(shù)據(jù)運用Spss中的Z標準化方法，消除指標數(shù)據(jù)的量綱和數(shù)量級的影響，從而在訓練前實現(xiàn)數(shù)據(jù)的標準化。

2.BP神經(jīng)網(wǎng)絡的參數(shù)選取。數(shù)據(jù)參數(shù)指標的選取設定對運用BP神經(jīng)網(wǎng)絡實現(xiàn)干部教育培訓需求預測具有重要的影響，因此必須依據(jù)參數(shù)設定原則進行網(wǎng)絡參數(shù)設定，這樣才能最大程度減小誤差，提高BP神經(jīng)網(wǎng)絡模型對培訓需求預測的精準程度。

（1）節(jié)點級設計。輸入層、輸出層及隱含層節(jié)點數(shù)的設計要以指標選取的個數(shù)為基礎(chǔ)，基于上述數(shù)據(jù)選取部分的描述，此研究擬設計輸入層的節(jié)點數(shù)為5，即研究中自變量的個數(shù)；輸出層節(jié)點數(shù)一般與被預測指標的個數(shù)一致，設計為1；隱含層節(jié)點數(shù)是模型中的一個重要參數(shù)，它的選取對神經(jīng)網(wǎng)絡模型的計算能力和目標函數(shù)的預測精準度有重要影響，但是目前還沒有成熟的選取方法，通常情況下根據(jù)建模經(jīng)驗進行選取，在此將隱含層節(jié)點設計為4。

（2）節(jié)點連接。在完成了網(wǎng)絡層數(shù)和各層級神經(jīng)元節(jié)點數(shù)設計后要完成將相鄰層級中的神經(jīng)元的連接。

（3）設定一定的迭代次數(shù)，可選取1000次。允許誤差設置為0.00001，當?shù)Y(jié)果小于該值時停止迭代，生成結(jié)果。

（三）結(jié)果預測

選取近年干部教育培訓相關(guān)情況數(shù)據(jù)結(jié)果作為訓練樣表數(shù)據(jù)，即網(wǎng)絡輸入，以本年度干部教育培訓相關(guān)情況數(shù)據(jù)結(jié)果作為預測樣本數(shù)據(jù)，即訓練輸出。完成BP神經(jīng)網(wǎng)絡模型的訓練，經(jīng)過大量反復的逆向誤差傳播并修正，得到誤差范圍內(nèi)的數(shù)據(jù)，從而完成數(shù)據(jù)預測。通過構(gòu)建多個影響因素的BP神經(jīng)網(wǎng)絡模型，來準確預測最優(yōu)課程設置比例，從而達到預測干部教育培訓需求的目的。

五、對策建議

（一）探索創(chuàng)新預測方法，精準對焦培訓需求

在實際工作中，應采用統(tǒng)計學、大數(shù)據(jù)和神經(jīng)網(wǎng)絡模型相結(jié)合的方式，提升干部教育培訓需求預測的科學性、權(quán)威性和精準性。在培訓過程中，需要充分結(jié)合組織需求、崗位需求和個人需求制定針對性的培訓方案。加強對干部教育培訓信息的收集、整理和分析工作，精準預測干部在實際工作中的培訓需求。根據(jù)每位干部的職位和特點，分類分級構(gòu)建培訓體系，實現(xiàn)培訓需求與崗位能力需要的高度契合，持續(xù)提升培訓的深度和廣度，確保各級干部熟練掌握相關(guān)基礎(chǔ)知識和各項技能。

（二）建設干部教育培訓信息庫，擴大培訓信息來源渠道

依托各級干部使用的網(wǎng)絡培訓平臺，擴大信息來源渠道，建設規(guī)范完善的干部教育培訓信息庫，幫助培訓機構(gòu)快速獲取需要分析的培訓信息，為推動干部教育培訓工作的改革和創(chuàng)新提供數(shù)據(jù)依據(jù)。信息庫中記錄參訓干部的基本信息、參加培訓和通過考試等情況，完成對各級干部培訓考試的全過程信息化管理，構(gòu)建科學規(guī)范的線上培訓體系。開發(fā)數(shù)據(jù)接口，有效實現(xiàn)干部參訓信息與各類業(yè)務工作的數(shù)據(jù)共享機制，確保BP神經(jīng)網(wǎng)絡接受、學習最新的培訓數(shù)據(jù)，提高系統(tǒng)的泛化能力，全面提升干部教育培訓的信息化水平。

（三）持續(xù)改進神經(jīng)網(wǎng)絡預測模型，增強培訓需求預測能力

■聳入云霄｜付秀宏/攝

傳統(tǒng)的培訓需求預測方式，需要付出大量的勞動力和時間成本。BP神經(jīng)網(wǎng)絡可以在干部教育培訓中，完成多條件、多目標的需求預測工作。通過神經(jīng)網(wǎng)絡技術(shù)，能夠?qū)崿F(xiàn)對干部教育培訓需求較高精度水平的預測，為實現(xiàn)干部教育培訓定制化的目標提供了實用工具，對明確干部教育培訓指向起到了積極的作用，但其參數(shù)多、運算難度大、個別預測值誤差大等缺點，在需求預測過程中仍然存在一定的局限性。隨著神經(jīng)網(wǎng)絡技術(shù)的完善和干部教育培訓數(shù)據(jù)庫信息的擴充，可以將更多的培訓信息作為分析指標，收集各類干部的培訓信息作為測試數(shù)據(jù)，改進和解決現(xiàn)有預測模型遇到的問題，從而提高培訓體系的系統(tǒng)化和精準化。

（四）建立數(shù)據(jù)化干部教育培訓檔案，搭建用戶畫像系統(tǒng)

通過建立干部教育培訓檔案的方式，存儲大量干部參訓數(shù)據(jù)及培訓業(yè)務數(shù)據(jù)，抽象出用戶信息的全貌。收集參訓干部的任職情況、選課偏好、學習習慣等多維度的培訓數(shù)據(jù)，進而對干部參訓的特征屬性進行刻畫，挖掘潛在價值信息，制作標簽化的用戶模型。在培訓檔案內(nèi)，為培訓數(shù)據(jù)配置統(tǒng)計類標簽、規(guī)則類標簽和機器學習挖掘類標簽，將各級干部教育培訓信息“標簽化”。通過聚類、綜合評價等方法對統(tǒng)計類標簽和規(guī)則類標簽進行運算，發(fā)現(xiàn)干部參訓的模式和特點，對各類干部進行精準畫像，完成培訓工作的基本規(guī)劃。通過神經(jīng)網(wǎng)絡模型對挖掘類標簽進行運算，發(fā)現(xiàn)干部參訓的習慣和規(guī)律，從而對干部參與培訓的需求開展預測判斷。