人工智能視角下的職業教育大數據應用

貢國忠　吳訪升　楊淑芳　景征駿

摘要：在“互聯網+”環境下，職業院校積累了海量數據，亟需提高大數據服務水平。從大數據融合、大數據分析、軟硬件設施的角度分析職業教育大數據應用面臨的挑戰，提出基于人工智能的職業教育大數據應用模式，以機器學習、知識圖譜、自然語言處理為核心技術，結合開源云計算平臺，為學生提供個性化學習服務、知識服務等智慧服務，促進職業教育大數據服務的進一步發展，助力職業教育走向智慧職教。

關鍵詞：職業教育大數據；人工智能；個性化學習；知識服務

中圖分類號：G712 文獻標志碼：A 文章編號：1673-9094-（2018）09C-0019-05

一、職業教育大數據研究進展及現實挑戰

（一）研究背景

近年來，隨著職業院校信息化進程的迅速推進，以及物聯網、移動互聯網、社交網絡等技術在學校教學和管理中的廣泛應用，職業院校的教育數據在很大程度上具備了大數據的4V（variety、volume、velocity、value）特征，主要體現在：（1）職業院校數據種類繁多，包含圖書、多媒體課件、教學視頻等教育資源數據，個人信息、考試成績、學習過程記錄等學生數據，以及因瀏覽、觀看、下載和維護管理而產生于日常教學服務環節的各類異構數據等，這些數據中既有傳統的結構化數據，更多的是半結構化非結構化數據；（2）數據體量浩大，匯聚了海量教育資源數據，往屆及在校學生數據，教師和管理人員數據；（3）職業教育數據流量增長迅速。近年來，學校師生在工作、學習、日常交流中廣泛使用手機、平板、社交媒體等新平臺，移動設備產生的瀏覽、搜索和下載數據，以及QQ、微博、論壇等社交媒體產生的非結構化數據飛速增長，這些數據具有增長迅猛、時效性強的特點，及時分析才能有效利用；（4）職業教育數據的價值巨大但密度較低，海量的數據隱含著巨大的價值，但由于其中包含許多無用的信息，也呈現出低價值密度的特點。如何利用職業教育大數據為職教事業服務是一個值得研究的課題。

（二）研究進展

職業教育大數據服務的需求受到了學界的廣泛關注。孫鈺林[1]從職業教育系統論的角度，探討了大數據在職教理念、專業設置、課程開發等10個維度的應用，構建職業教育的大數據應用路徑。南旭光[2]認為，與傳統教育相比，大數據時代的教育呈現出個性化輔導、自主學習、彈性學制、關注個人成功等特質，大數據的價值在于讓教育者真正讀懂學生，成為“智慧教育”。王夢君等[3]探討了大數據時代職業教育革新趨勢，包括智能化教學和泛在學習的趨勢，全體數據的“多向相關性”研究思維趨勢，服務型管理和以數據為基礎的決策趨勢，以及多元維度的教學評價趨勢。胡伏湘[4]探討了基于大數據的智慧職教，提出依托大數據的教育信息化平臺是智慧職教的支撐載體，依托智慧職教平臺可以實現翻轉課堂、云班級教學等創新教學模式。楊雪平等[5]提出采用物聯網、云技術和大數據等新技術構建智能化教學環境，整合教學資源、實現資源共享和提升管理水平，實現智慧教學和智慧管理。

學界對職教領域的大數據服務開展了探討，提出了有價值的應用方法和服務策略。但是，當前的研究尚處于初級階段，特別是還缺乏有關高中職院校大數據具體應用模式、實現路徑的研究。黨的十九大報告提出，完善職業教育和培訓體系，深化產教融合、校企合作。職業教育是國民教育體系的重要組成部分，職業院校肩負著培養高素質技能技術人才的重任，有必要對職教大數據應用進行深入研究，使之更好地服務于職業教育，助力職業教育走向智慧職教。

（三）現實挑戰

目前，高中職院校的教育大數據應用正處于起步階段，開展大數據服務在方法、技術、資金等方面都存在現實困難，面臨著挑戰。

1.職業教育大數據具有多源異構的特點，給數據整合和存儲帶來了挑戰。異構數據具有不同的類型，其存儲格式和存儲方式迥異，不同數據庫之間的關聯方式和關聯程度也有很大差別。如果只是將來源各異類型多樣的數據簡單地堆砌在一起，將難以進一步進行有效的數據挖掘和知識發現，極大地阻礙職業教育大數據展現價值。此外，整合后的海量數據需要合適的存儲，以供實時分析和訪問。傳統的數據整合和存儲方式不能滿足職業教育大數據的管理和應用需求，需要新的技術對數據進行統一管理。

2.職業教育大數據展現數據智慧，給大數據分析帶來了挑戰。職業教育既有教育的一般規律，也有不同于高等教育、初等教育等其他教育的特殊性，職業院校開展大數據服務需要結合職業教育的理念、內容、方法，以及學生的特點來進行。與基礎教育和成人教育相比，職業教育對于人才的培養更為注重技術技能，強調理論實踐一體化，更突出“以學生為中心”。因此，需要有先進的大數據分析方法和應用技術應對方案，提供特定教學和學習場景下的支持服務。

3.有限的資金投入和落后的計算設備也給職業院校開展大數據服務帶來挑戰。隨著職業教育數據量的急劇增加，所需要的存儲和計算規模也隨之劇增。普通職業院校，尤其是中職學校受經費限制，無法投入大量資金來購置服務器硬件設備和軟件設施，必須另辟蹊徑，尋求有效的解決方案。

二、人工智能和職業教育大數據

（一）人工智能解讀

2017年國務院印發《新一代人工智能發展規劃》，2018年李克強總理再次在兩會政府工作報告中提及人工智能，要求“實施大數據發展行動，加強新一代人工智能研發應用”。大數據蘊含價值，而人工智能則使大數據展現數據智慧，發揮價值。1956年達特茅斯學術會議上，美國計算機科學家約翰·麥卡錫首次提出“人工智能”一詞，標志著“人工智能”學科的正式誕生。人工智能領域的專家學者致力于提高機器解決復雜任務的能力，經過60多年的努力，取得了很多成果。棋類人機大戰尤其引人注目。1997年，IBM公司的深藍超級計算機擊敗國際象棋世界冠軍卡斯帕羅夫。2016年，谷歌公司的AlphaGo擊敗圍棋世界冠軍李世石。近年來，人工智能技術進步迅速，在教育、醫療、交通等各個領域顯示出廣闊的應用前景和巨大的經濟潛力，成為新的國際競爭焦點。

人工智能是一門關于知識的學科。[6]《人工智能標準化白皮書（2018版）》將人工智能（Artificial Intelligence， AI）定義為“利用數字計算機或者數字計算機控制的機器模擬、延伸和擴展人的智能，感知環境、獲取知識并使用知識獲得最佳結果的理論、方法、技術及應用系統”[7]。人工智能分為感知智能和認知智能，感知智能使機器具有聽覺、視覺的功能，認知智能使機器能理解人類的語言和知識。機器學習（Machine Learning，ML）、知識圖譜（Knowledge Graph，KG）和自然語言處理（Natural Language Processing，NLP）是構建智慧大腦的三項核心人工智能認知技術。

（二）人工智能在職教大數據應用中的優勢

人工智能對于分析海量職業教育大數據進而獲得洞察力有獨特的優勢，結合開源云計算平臺，為構建職業院校智慧大腦，賦能智慧職教提供了方法和技術上的支持。

1.規整和融合職業教育大數據的優勢。通過自然語言理解、深度學習，對文本、課件、教學視頻等非結構化數據進行分析和挖掘，提取知識和實體。通過機器學習在教育資源、師生信息中發現關聯關系。將海量職業教育數據轉化為以實體關系為主體的語義網絡，構建知識圖譜表征實體及其相互之間的聯系，實現非結構化數據和結構化數據相互融合。

2.分析和挖掘職業教育大數據，提供智慧服務，助力智慧職教的優勢。采用人工智能技術，可以充分挖掘職教大數據的潛力，提供智慧服務，實現“以學生為中心”的教育和管理，為職業人才培養服務。培育學生善于學習的智能型素養、人機協同的創造型素養，促進學生從工具型人才向智慧型人才轉變。[8]以混合式教學而言，該教學模式融合傳統教學與網絡教學的優勢，對職業院校培養學生綜合素質有重要意義，有助于學生成為高效的學習者，更好地適應社會。[9]人工智能為課堂教學和在線學習的有機結合提供了新的技術手段，對混合式教學有良好的促進作用，將促使教學向個性化、精準化和智能化方向發展。[10][11]

3.開源云計算支持平臺的優勢。利用開源云計算支持平臺，職業院校可以以較小的資金代價搭建高性能集群計算環境，開展大數據服務。Hadoop是目前應用最廣泛也最成功的開源云計算平臺，它由Apache基金會開發，核心功能是分布式文件系統HDFS（Hadoop Distributed File System）和分布式計算框架MapReduce。MapReduce是一個設計精良的并行計算框架，能自動完成大數據的并行化處理，HDFS具有高容錯性的特點，能夠在價格低廉的硬件上應用。MapReduce是批處理引擎，而UCBerkeley AMP實驗室開發的類MapReduce通用并行框架Spark擅長流處理，能快速處理動態大規模數據，為機器學習等人工智能技術提供了更為優越的框架。

三、基于人工智能的職業教育大數據應用模式

（一）職業教育大數據應用模式框架

以機器學習、自然語言處理和知識圖譜為主的人工智能技術是促進職業教育大數據價值演化的關鍵。多源異構大數據進行采集、清洗、轉化，加載到大數據平臺后，轉換成各類有用的信息。將信息進一步提煉，通過知識構建與管理的手段，信息轉化為知識，在一系列知識圖譜的基礎上，可以開展知識計算。最終應用場景模型結合知識計算的能力，以及對大數據平臺的數據進行機器學習的能力，形成職業院校的智慧大腦，提供面向智慧職教的大數據智慧服務。本文設計的基于人工智能的職業教育大數據應用模式框架如圖1所示。

（二）數據收集、存儲和計算

職業教育大數據按產生對象分，主要有三類：教育資源數據、學生數據、教師數據。職業院校要應用大數據，首先需要一個大數據平臺對海量多源異構數據進行統一管理。以自然語言處理、機器學習和圖數據庫為主要人工智能和數據庫技術建立職教大數據的Hadoop云計算基礎支持平臺，對數據進行收集、存儲和計算。通過自然語言處理技術進行實體挖掘、關系抽取、屬性提煉，并用機器學習技術提高這一處理進程的效率和結果準確度。通過知識圖譜保存提煉出來的具有關系特征的各種數據。知識圖譜是基于圖的數據結構，目前工業界普遍采用圖數據庫存儲知識圖譜。圖數據庫可以直觀高效地存儲千百億個節點和關系，為知識推理、知識快速查詢、圖實時計算等知識圖譜上層應用提供支持。

（三）知識構建與管理

運用知識管理理論和構建手段，建立職業教育知識圖譜，其流程大致分為4個階段：知識建模、知識獲取、知識融合、知識計算。

1.知識建模。建立知識圖譜的數據模式，對整個知識圖譜的結構進行定義。以資源、學生、教師、課程知識點等實體為主體目標，實現對多源數據進行映射與合并。利用屬性全面描述不同數據源中的實體。利用關系表示實體之間的關聯，從而支持關聯分析。利用實體鏈接技術對實體的多種類型數據進行關聯存儲。

2.知識獲取。從不同來源和結構的數據中提取知識。職教大數據中有大量的文本信息，比如試卷、試題練習、課程PPT、電子教材和圖書、文獻資料、社交文本等。采用自然語言理解技術對文本深度分析和理解，進行實體識別和關系抽取。采用深度學習技術分析和理解圖像、音頻、視頻等多媒體教育資源，實現資源信息到知識的轉換。深度學習技術中，卷積神經網絡和遞歸神經網絡應用最為廣泛。深度學習不同于傳統機器學習技術，具有自動提取特征的能力，可以將慕課、微課等大量教學視頻音頻資源轉換為語義表示。

3.知識融合。對獲取的知識進行知識融合，構建知識圖譜，實現來源形態各異的海量職教數據的整合。知識融合主要包括數據模式層融合和數據層融合。前者包括概念合并、概念上下位關系合并等，后者包括實體合并、實體屬性融合等。當今科學技術的發展日新月異，要培養滿足企業需要的技術技能型人才，職業院校需要不斷改革教學內容和知識。對于職業教育大數據而言，不僅需要高效融合已有的海量數據，還需要實時融合新增知識。

4.知識計算。在建立的知識圖譜上進行知識計算，實現知識挖掘和知識推理。知識計算主要包括圖挖掘計算和推理計算。圖挖掘計算采用基于圖論的算法對知識圖譜進行探索和挖掘。知識圖譜是一種網狀的圖結構，呈現了實體之間復雜的關聯關系，對知識圖譜進行分析和挖掘可以得到宏觀互聯特征，比如學生之間、教師之間、師生之間的人群社交拓撲特征，學習資源之間、學科知識之間、學生和知識之間的關聯拓撲特征等。推理計算包括基于本體的推理和基于規則的推理，通過推理發現新知識，例如發現學生的隱性興趣和需求。

四、智慧服務探討

應用人工智能技術，使職教大數據展現數據智能，提供智慧服務，進而實現智慧職教是職業教育的發展趨勢。近年來，針對學生的個性化學習服務和知識服務是教育研究的兩個重要主題，本文圍繞這兩個主題探討職教大數據服務。[12][13]

（一）個性化學習服務

職業院校強調學生專業技能和實踐能力的培養。近年來，理實一體化教學、混合式教學、探究性教學、翻轉課堂等新的教學理念和教學模式不斷提出，在職業院校得到了廣泛應用，為提高職業教育教學質量提供了新的有效途徑。學生成為中心，教師則通過講授和組織協作來滿足學生的學習需要，促成其個性化學習。高質量的個性化學習將極大地激發學生的積極性，提高學習效果。

對學生的全面了解是為學生提供個性化學習服務的前提。不同學生的學習情況千差萬別。例如，有的學生有很高的學習熱情，有的學生學習積極性不高；對于同一門課程，有的學生對理論知識掌握得較好，但是實踐能力欠缺，有的學生則相反。大數據記錄了學生在使用教育資源和學習活動過程中的數據，人工智能使得提取數據智能，實現數據驅動的個性化教育成為可能。從學生學習、行為、社交等各類數據中發現其知識水平、學習風格、興趣偏好、資源需求等，構建學生知識圖譜，對學生畫像，把學生畫像的必備要素條理化、標準化、結構化、動態化，根據學生畫像為學生提供個性化學習支持和服務。例如，對于學習熱情不高的學生，為其提供趣味性強的音頻視頻等學習資源，激發其學習興趣；發現學生某一方面知識水平低，則為其提供定制學習，讓學生進入特定的知識學習環境，幫助學生補齊短板。

（二）知識服務

職業教育培養和提升學生的職業能力，而能力以知識為基礎。傳統上，學生的知識獲取來源于教師傳授，互聯網平臺只是提供信息服務而非知識服務，如今大數據和人工智能為知識服務提供了資源和技術支撐。利用人工智能技術對原始知識資源進行深度加工，提煉出知識精華，提供方式智能化、內容智慧化、覆蓋泛在化的知識服務。[14]在混合式教學、探究性教學等教學過程中，為學生提供知識服務，深入知識探究、整合和應用過程，促進知識理解，激發知識創新。

利用機器學習和圖挖掘技術，分析和挖掘學科知識圖譜，可以提供知識檢索、知識問答、知識導航、知識推薦等知識服務。知識檢索識別查詢關鍵詞所涉及的知識實體或屬性，返回與查詢實體相關的知識卡片；可視化知識導航顯示知識之間的關聯，立體化地展示知識結構，方便學生在腦海中建立知識網，全面、整體地掌握知識；智能化知識問答在準確理解學生意圖的基礎上給出提問的準確回答。情景化知識推薦感知學生所處的學習內容、時間、地點、設備等情景，滿足學生特定情景下的知識需求。例如，在軟件項目綜合開發實訓階段，學生需要綜合運用多方面的知識和技能才能完成企業級項目設計和開發，推薦契合情景的知識，完善學生的知識鏈和技能體系，促進知識到能力、知識到智慧的轉化。

五、結束語

本文針對職教大數據應用面臨的數據整合、數據分析、職業院校資金受限三個主要挑戰，提出以人工智能方法和技術，結合云計算平臺，挖掘大數據價值，賦能職業教育，并構建基于人工智能的職教大數據應用模式，以自然語言處理、機器學習、知識圖譜為核心技術，融合職教大數據并從中提取智能，提供個性化學習服務、知識服務等智慧服務。本文的研究對職業院校利用人工智能，開展基于大數據的智慧服務，進而實現智慧職教有一定的參考價值。

參考文獻：

[1] 孫鈺林. 大數據在職業教育中的應用[J]. 中國高教研究， 2017（4）.

[2] 南旭光. 大數據驅動職業教育人才培養的價值邏輯與創新路徑[J]. 教育與職業， 201（20）.

[3] 王夢君， 張璐. 大數據時代職業教育革新趨勢與策略[J]. 教育與職業， 2017（12）.

[4] 胡伏湘. 基于大數據的智慧職教——內涵、平臺設計與應用[J]. 中國職業技術教育， 2017（3）.

[5] 楊雪平， 陳光海， 韓晉川. 基于大數據的職業教育智慧云平臺教學環境構建[J]. 職教論壇， 2018（7）.

[6] 唐曉波， 李新星. 基于人工智能的知識服務研究[J]. 圖書館學研究， 2017（13）.

[7] 中國電子技術標準化研究院. 人工智能標準化白皮書（2018版）[EB/OL]. [2018-01-24]. http：//www.cesi.ac.cn/201801/3545.html

[8] 魯石. 人工智能視角下的高校職業素養教育[J]. 教育與職業， 2018（7）.

[9] 劉俊瑋， 馬勇. 混合式教學對職業教育學生綜合素質的影響研究[J]. 職教論壇， 2016（29）.

[10] 吳永和， 劉博文， 馬曉玲. 構筑“人工智能+教育”的生態系統[J]. 遠程教育雜志， 2017（5）.

[11] 戴永輝， 徐波， 陳海建. 人工智能對混合式教學的促進及生態鏈構建[J]. 現代遠程教育研究， 2018（2）.

[12] 單永剛， 張吉先， 尹學松， 虞江鋒， 陳東毅. 基于元模型的知識服務模式的研究與實現[J]. 中國電化教育， 2017（7）.

[13] 楊卉. 教師在線實踐社區知識服務模式研究[J]. 電化教育研究， 2016（4）.

[14] 柳益君， 李仁璞， 羅燁， 黃純國， 曹鳳雪. 人工智能+圖書館知識服務的實現路徑和創新模式[J]. 圖書館學研究，2018

（10）.

責任編輯：謝傳兵