摘要：本文在以分析社会进步与学生发展的协调一致关系为基础，诠释了当今大学教育环境概念，阐述了高等学校学生在校满意度指数测评的重要性及其意义;文章应用美国顾客满意度指数理论，通过引入就业期望这一结构变量，建立了适用于学科教学及职业培养的学生满意度指数测评模型。

　　关键词：就业期望;顾客满意度指数;教学质量;学生满意度指数

　　引言：

　　经济和社会发展给高校人才培养提出了更高要求，高校教育制度的不断调整和改革与大学生切身利益密切相关。以提升学生生命质量，促进其健康发展的高等教育中，“评价模型”的建立和实施不仅对改进高等教育质量起着重要作用，也是高校自我管理的重要手段之一。

　　一、教育环境概念

　　依据环境因素对大学教育不同领域层次的影响，可分为宏观环境和微观环境。其中，宏观环境是指社会这个大的领域，从国家教育计划，方针，政策的层面考虑，对大学教育影响的环境因素。大学教育微观环境包括人员要素、信息要素、条件要素。人员要素主要指教师和学生;信息要素主要指课堂教学计划、课程标准、教学内容;条件要素主要指教学过程所需要的时间、空间、器材设备等因素。大学教育在运行过程中，受到各种因素的影响和制约，同时环境又推动大学教育的改革发展。

　　二、教学中的学生满意度指数测评模型

　　如果能够应用美国顾客满意度测评模型，建立以学生为主体，以教育环境为指标的学生评价模型，则学校管理机构就可时时观测教学课程改革，使得教学改革与社会要求、学生需求和知识发展要求保持一致;使教学工作的运行机制、教学模式和内容的改进与教育理念保持一致;使教师的教、学生的学要与课程的要求保持一致;使对学生发展的期望水平与学生发展的实际水平尽量保持一致。

　　1、美国顾客满意度指数模型

　　满意行为是顾客消费行为前后的一种因果关系过程，顾客在消费一项产品或服务之前，根据以往的消费经验和获取的信息会对该次消费有一个预期，满意水平取决于预期与消费之后实际感知之间的差距，如果实际感知超过了事先的预期，顾客就满意，差距越大顾客就越满意;否则即不满意，并且负向差距越大就越不满意，顾客满意的效果是降低顾客的抱怨以及提高顾客的忠诚。

　　在该模型中顾客满意度同顾客在产品购买前的期望和在产品购买中及购买后的感受有密切关系，并且，顾客的满意程度低或高将会导致两种基本结果：顾客抱怨和顾客忠诚，顾客期望、感知质量、感知价值为顾客满意的原因变量。该模型包括6个结构变量、15个观测变量和9个关系，其中顾客预期是外生变量，其它变量都是内生变量。

　　图2.1美国顾客满意度指数(ACSI)模型

　　2、教学中的学生满意度指数结构模型的建立

　　图 2.2 教学中的学生满意度指数模型

　　表2.1学生满意度指数测评的二、三级指标

　　二级指标 三级指标 就业期望 对学校就业的总体印象 对学校就业特征显著度的看法 预期质量 总体预期教学质量 顾客化预期教学质量 服务预期教学质量 感知质量 学能与思维方式的感知质量 教师专业功底与授课的感知质量 课程设置的感知教学质量 学习资源与学习环境的感知教学质量 学生满意度 总体满意度 实际感受与预期比较的满意度 实际感受同其它学校或教师比较的满意度 实际感受同理想比较的满意度 学生忠诚度 继续在该学校或向该教师学习的可能性 推荐他人在该学校或向该教师学习的可能性

　　将三级指标按照学校的特点展开就可形成学生满意度指数调查问卷的问题，形成具体的观测变量。

　　3、教学中的学生满意度指数数学模型的建立

　　根据顾客满意度指数模型可以建立一个因果关系模型，这就是顾客满意度指数的数学模型。通过这种数学表达方式，可以对顾客满意指数中的各个结构变量的数值及它们之间的关系进行量化计算，其数学模型的结构方程式如下图：

　　4、模型识别、估计、评价和修订

　　依据所建立的学生满意度指数测评模型，通过问卷调查获得数据，应用Amos结构模型分析软件对设定的模型进行模型识别、估计、评价和修订。

　　模型中各包括以下变量：5个内生非观测变量(结构变量)：就业期望、预期质量、感知质量、学生满意度、学生忠诚度;21个内生观测变量(观测变量，问卷问题);26个外生非观测变量(各种误差)。

　　4.1 模型识别

　　模型中包括固定系数31个， 自由系数23个。

　　模型识别主要是考虑模型中每一个未知(自由)参数能否由观测数据求得唯一解进行估计。结构方程模型的识别可分为恰好识别(just-identified)、过度识别(over-identified)和不可识别(underidentified)。当模型中的待估参数数量大于数据的方差与协方差数量时，该模型为过度识别模型，此类模型也是结构方程模型应用中所重点关注的。

　　在本模型中，Amos输出结果如下：

　　Number of distinct sample moments：231

　　Number of distinct parameters to be estimated：49

　　Degrees of freedom (231 - 49)：182

　　内定模型的自由度计算：231“样本矩”是21个观测变量的21个样本方差加上21个协方差构成(也就是21中取2的组合数)。49个参数是模型的26个回归系数和23个被估计的方差。样本矩与估计参数的差为182个自由度。

　　由以上可见，模型自由度大于0，模型为过度识别模型，模型可识别。

　　4.2 模型估计

　　Amos使用最大似然法估计模型，它反映从自变量观测值预测因变量观测值的可能性有多大。

　　表2.3模型估计表 因变量 自变量 Estimate S.E. C.R. 预期质量 就业预期 0.352 0.094 3.745 感知质量 预期质量 0.767 0.175 4.383 感知质量 就业预期 0.016 0.054 0.296 学生满意度 预期质量 0.234 0.056 4.178 学生满意度 感知质量 0.346 0.156 2.218 学生满意度 就业预期 0.017 0.030 0.567 学生忠诚度 学生满意度 0.643 0.093 6.914

　　表2.3给出了模型的估计表。回归系数是模型中带箭头的路径系数。为了识别模型，部分系数在模型识别中已固定为1。表格中给出路径系数的标准误“S.E.”。“C.R.”是临界比，它是回归系数的估计值除以它的标准误(0.352 / 0.094 = 3.745 )。临界比与原假设有关，此前对预期质量和就业预期的原假设是回归系数为 0。如果我们处理近似标准正态分布的随机变量，在 0.05 的显著性水平上，临界比估计的绝对值大于 1.96 称之为显著。这样预期质量和就业预期的回归系数3.7454的绝对值大于1.96，即这个回归系数在 0.05 显著性水平上显著地不等于 0 。由表2.3可见，就业预期对感知质量的回归系数在 0.05 显著性水平上不是显著地不等于 0 ，即为0。其它的六个结构变量间的回归系数在 0.05 显著性水平上显著地不等于 0 。

 1/2    1 2 下一页 尾页