高等教育產出與產業需求之間差距的自動分析方法

趙曉非

［摘 要］ 高等教育作為行業勞動力的主要提供者，因未能跟上數字革命與行業需求脫節而受到越來越多的批評，發展基于能力的教育可以解決上述問題。為彌合高等教育的產出與產業需求之間的差距，提出了一種評估教育產出與產業需求之間差距的方法。首先將行業職位所需的能力和高等教育課程的成果表示為簡檔。在構建簡檔的過程中，將上述領域中的概念和關系建模為語義Web本體。隨后利用推理引擎執行簡檔的初步篩選，最后對候選簡檔進一步利用層次分析法進行匹配程度的計算。

［關鍵詞］ 產業需求；高等教育產出；層次分析法（AHP）

［作者簡介］ 趙曉非（1978—），男，遼寧錦州人，博士，天津工業大學計算機科學與技術學院副教授，主要從事本體工程的研究與應用、知識圖譜研究。

［中圖分類號］ G646 ［文獻標識碼］ A［文章編號］ 1674-9324（2024）07-0021-04 ［收稿日期］ 2023-04-14

引言

隨著科學技術的快速發展，產業領域迫切需要與高等學校之間的密切合作。因此，高等教育需要與時俱進提高學習者的市場競爭力，確保其更好地適應產業需求［1］。近年來，很多國家、高校和學術機構已將能力框架納入其培養計劃設計活動。能力框架的主要目的是詳細描述學生準備從事的工作所需的知識和技能。近年來，基于能力的教育已被廣泛用于改進高職課程，也越來越多地被用于高等教育，從而更新和改革學位課程［2-3］。目前，比較有代表性的能力框架包括美國的O*NET［4］和法國的ROME［5］。

本文的目的是在產業職位的能力要求和高等教育學習者的能力之間建立映射關系，以分析學生的資質和產業需求之間的匹配程度［6］。該方法將教育的產出和行業的需求都表示為以能力為核心的簡檔。由于不同的領域對同一概念的描述不盡相同，而通過語義Web本體［7］技術可以實現跨領域術語的共同理解，使概念重用變得更加容易。因此我們將領域知識建模為語義Web本體，從而實現不同領域之間的概念映射以及簡檔匹配［8-9］。

一、系統的體系結構

我們設計的系統有兩個主要功能。其一是在教育簡檔和產業簡檔之間進行匹配。教育簡檔可以是學生成績單，也可以是大學課程表。二者的主要區別是成績單包含學生的成績，而這些成績將被用作計算匹配分數的附加標準。產業簡檔描述了我們想要與學生成績單相匹配的職位。簡檔由本體中的類的實例和關系的實例構成。系統的第二個功能是基于預定義的匹配標準，利用AHP方法計算候選簡檔的匹配分數并生成補充培養計劃。系統由4個主要組件組成：本體庫、推理引擎、簡檔匹配組件（PMC）和匹配分數計算組件（MSCC）。

本體庫中定義了領域中的概念、概念之間的關系以及匹配規則。PMC組件是系統的核心，它從本體庫中加載未分類的簡檔文件，并調用推理引擎實現推理，最終將所有教育簡檔分類為適合或不適合其相關聯的產業簡檔。對于已分類完成的教育簡檔，PMC組件將對其進行標記，以防止它們在后續處理中被加載。接著，將已匹配的簡檔傳遞給MSCC組件。該組件使用AHP方法計算匹配分數，最后用計算出的分數更新簡檔并更新本體庫。

二、本體設計

我們遵循了Stadnicki提出的本體設計規范［10］，并選擇了Web本體語言OWL2作為建模語言，以及Protege作為本體建模工具。開發過程采用了以下步驟：（1）定義本體的域和范圍；（2）重用現有本體；（3）列舉領域術語；（4）定義類和類層次結構；（5）定義類之間的關系。核心模型如圖1所示。

能力在本體模型中處于核心地位，從而能夠覆蓋不同課程的共同特征。能力可以是參加一門課程的學習所獲得的成果，也可以是一個職位的需求。在基于能力的教育中，必須以能力的形式描述特定培養計劃的目標。

圖2給出了以“知識領域”為核心的類和關系。每個“知識領域”可以包含若干個“子知識領域”。“部分”關系是連接“知識領域”和“子知識領域”的重要元素。由于能力匹配不僅需要知識的內部構成，而且關聯不同知識領域的關系也很重要。因此，必須建立一種新的關系，即“先決條件”的關系。這種關系將在支持模糊匹配方面發揮重要作用。如果在匹配過程中發現學生在某一特定知識領域存在嚴重不足，那么就可以追溯先前學習的知識領域。“知識領域”的類別被進一步細分為“知識要素”，主要有以下幾種類型：“基本概念”“規則”和“示例”。本體庫的這一部分確保了課程內容的描述，并為匹配過程提供了基礎。

此外，本體中的其他類的簡介如下：“教育簡檔”類由以下的類組成：（1）培養計劃——由大學所教授的課程列表組成；（2）課程——為獲得學位所需的學分而修習的課程。每門課程都應給出學生獲得的學習成果；（3）學習成果——課程的學習結果。一個學習成果被映射到一個或多個能力。

“學生簡檔”類由以下的類組成：（1）學生；（2）成績單——描述學生所修課程的清單和取得的分數；（3）成績級別——課程的成績級別用字母A、B、C、D和F表示。

“職位”類由以下的類組成：（1）能力需求——職位所要求的每個能力的名稱；（2）重要性級別——表示能力對職位的重要性，可以采用以下值：弱需要、需要、強需要；（3）能力需求級別——職位所需的能力水平，可以采用以下值：了解、稱職、勝任；（4）映射級別（相關性）——描述課程能力和職位能力之間的相關性，可以采用以下值：弱相關、相關、強相關。

三、簡檔匹配方法

簡檔的匹配過程需要兩個輸入：（1）以學生的能力為代表的先前資格及完成的水平。（2）目標職位所需的條件。

簡檔匹配過程借助SQWRL規則推理來實現。具體來說，對職位簡檔和學生簡檔之間的匹配是通過對雙方的能力進行比較來實現的。如下所示：

學生（？s）∧提出申請（？s，？x）∧申請職位（？x，？e）

∧已獲得能力（？s，？p1）∧匹配的成果（？x，？om）

∧能力需求（？e，？p2）∧SameAs（？p1，？p2）

→匹配的能力（？om，？p2）∧匹配結果（？om，適合）

該規則將下述二者進行匹配：（1）與學生的申請x相關聯的職位e；（2）包含學生簡檔所述能力的職位。SameAs公理用于檢查能力p1和p2是否為相同的個體。如果是，則將該能力添加到匹配的能力集合中，最后檢查職位e的能力需求p2是否在能力集合中。如果是，可以推斷出學生的申請符合職位要求，并將該申請標記為“適合”。

四、簡檔匹配分數的計算

下面以信息安全分析員的職位和天津工業大學計算機科學系的培養計劃為例，介紹簡檔匹配分數的計算過程。用于提供工作職位及其能力的數據來源于O*Net上的發布。由于O*Net中描述工作的簡檔非常廣泛，我們根據重要性排名只選取了重要性≥50%的能力。

培養計劃匹配分數的計算過程包括計算學生簡檔中的每項能力與相應的行業能力之間的匹配分數，再取平均值獲得簡檔之間的匹配分數。我們采用AHP方法來評估3個指標的匹配級別。這些指標分別為：能力映射級別、重要性級別和能力需求級別。根據AHP方法，分數計算的具體步驟如下。

（一）構造比較矩陣

比較矩陣描述了指標的相對重要性。我們采用1～9的比例標度法，并結合領域專家的建議構建了比較矩陣，結果如表1所示，再對比較矩陣進行歸一化處理。

（二）計算權重向量

每個指標的權重使用以下公式計算w：

其中n為指標的個數。應用上述公式，可以得到所有指標的權重向量。

（三）學生簡檔與職位需求的匹配

表2給出了產業簡檔中的能力需求與學生已具備的能力。產業需求和學生成績等級的對應關系如表3所示。

為了計算匹配分數，我們參考了教育界專家和產業界專家的意見，為每個指標分配了以下的對應數值。能力需求級別：勝任=85，稱職=65，了解=45；能力映射級別：強相關=85，相關=65，弱相關=45；重要性級別：強需要=85，需要=65，弱需要=45；學生成果級別：A=89，B=79，C=69，D=59。

給定能力向量V和權重向量W，匹配分數=WoV。由于表3中的能力2（信息安全）的匹配向量為：V=（學生成果級別：A（85），映射級別（85），重要性級別：弱需要（45））=（85，85，45）。因此，能力2的匹配分數=85*0.14+85*0.48+45*0.37=69.35。

盡管計算結果顯示學生的成績級別為85，但由于能力2對該職位的重要性不高（重要性：弱需要），因此匹配分數僅為69.35。相反，能力1的匹配分數卻為79*0.14+65*0.48+85*0.37=73.71。比較能力1和能力2，我們注意到，盡管學生在能力1方面獲得了較低的分數，但最終獲得的匹配分數更高。這是因為該能力對產業人士來說很重要，并被指定為強需要。最終匹配分數是學生能力匹配分數的平均值，在本例中等于：（69.35+73.71）/2=71.53。因此，學生簡檔和職位之間的匹配度為71.53%。

結論

研究高等教育產出與產業需求之間的差距具有重要的理論與實際意義。然而提出高效、準確的解決方案來衡量這一差距是一項具有挑戰性的任務。本文提出的方法展示了如何使用本體、語義Web技術和AHP方法來充分建模領域概念并執行所需的差距分析。當前，我們建立能力簡檔的工作是人工進行的，該任務枯燥且工作量較大。未來的工作是提高這一過程的自動化程度，從而為提升高等教育的質量提供進一步的參考。

參考文獻

［1］ABDELAZIZ， LAURENT， STEPHANIE， et al. Cooperative education development： towards ICT reference models［C］. Proc. of the Int. Conf. on Interactive Collaborative Learn（ICL），2014：855-861.

［2］STAVROU. Negotiating curriculum change in the French university： the case of ‘regionalising social scientific knowledge［J］. International Studies in Sociology of Education，2009，19（1）：19-36.

［3］DEIBINGER， HELLWIG. Structures and functions of competence-based education and training （CBET）： a comparative perspective［M］. OAI，2005：69-72.

［4］PETERSON， MUMFORD， BORMAN， et al. An occupational information system for the 21st century： the development of O*NET［M］. American Psychological Association，1999：13-56.

［5］MARKOWITSCH， PLAIMAUER. Descriptors for competence： towards an international standard classification for skills and competences［J］. Journal of European Industrial Training，2009，33（8/9）：817-837.

［6］ BOURAS， ZAINAL， ABDULWAHAD. Proceedings of the 15th international conference on e-Learning e-Business， enterprise information systems， and e-government［C］. New Jersey： IEEE， 2016：25-28.

［7］HITZLER. A review of the semantic web field［J］. Communications of the ACM，2021，64（2）：76-83.

［8］ANTONIAZZI， VIOLA. Building the semantic web of things through a dynamic ontology［J］. IEEE Internet of Things Journal，2019（99）：1.

［9］SULTAN. Decision support system assisted e-recruiting system［J］. Journal of Computational and Theoretical Nanoscience，2019，16（2）：335-340.

［10］BUREK. Towards a modern ontology development environment［J］. Procedia Computer Science，2020（176）：753-762.

An Automatic Analysis Method for the Gap Between the Outcome of Higher Education and

Industrial Requirement

ZHAO Xiao-fei

（School of Computer Science and Technology， Tiangong University， Tianjin 300387， China）

Abstract： As the main provider of industry labor， higher education has been increasingly criticized for failing to keep up with the digital revolution and being disconnected from industry demand. Developing capacity-based education can provide assistance in addressing these issues and bridging the gap between higher education outcome and industry demand. This paper proposes a method for evaluating the gap between educational outcomes and industrial demand. We first describe the capabilities required for industry positions and the outcomes of higher education courses as profiles. In the process of building profiles， we model the concepts and relationships in the aforementioned fields as semantic web ontologies. Subsequently， the inference engine is used to perform preliminary screening of profiles， and finally， the candidate profiles are further calculated for the matching degree using the Analytic Hierarchy Process.

Key words： industrial requirement; higher education output; analytic hierarchy process（AHP）