基于信息技術與教學深度融合的中職教師培訓多樣化學習系統設計

摘 "要 "利用信息技術建立包括基于知識點智能推送的中職教師培訓多樣化學習系統，并系統評測系統的知識點智能推送效果、多樣化學習系統應用效果等，證明該系統在中職教師培訓中擁有較高的效率。

關鍵詞 "信息技術；中職教師培訓；多樣化學習系統；知識點智能推送

中圖分類號：G712 " 文獻標識碼：B

文章編號：1671-489X（2024）11-00-05

0 "引言

現代信息技術是在微電子學基礎上，通過結合電信技術和計算機技術發展而來的，能夠獲取、加工、處理、傳播和使用文字、圖像、聲音等信息的能動技術。信息技術重構了教育教學新形態，對學習者知識綜合能力、問題處理能力和遷移運用能力的培養具有重要作用。

1 "基于信息技術與教學融合的中職教師培訓學習系統

1.1 "融合信息技術的多樣化學習系統設計

信息環境下，為增強中職教師培訓學習效果，需要建立融合現代信息技術的多樣化學習系統。這就需要準確把握信息技術在中職教師培訓學習中的作用：作為認知工具，信息技術能夠幫助中職教師培養創新思維，提高批判性思考能力[1]。作為信息獲取工具，信息技術可以幫助中職教師在較短的時間內掌握更多的專業關聯信息，豐富自身知識。作為交流工具，信息技術既能幫助中職教師相互溝通，積極汲取各自教學和學習經驗，又可以提供師生交互平臺，反饋教學效果，為中職教師教學技能的提高提供有效途徑。同時，信息技術最明顯的作用體現在教學環境的創設方面[2]。根據學習情境理論，學習一定發生在具體環境中，個體及其心理活動和環境間發生相互作用，形成動態的整體或系統。傳統教學環境下課堂枯燥乏味，而大數據、虛擬現實等現代信息技術則可以將中職教師置身于合適的環境中，引導其深入感受和參與培訓學習，最終通過知識內容與情境之間的聯系，將所學應用于實際教學中，增強教學效果。

基于信息技術在中職教師培訓中的應用，研究設計面向中職教師多樣化學習的培訓系統。研究

通過傳統的三層結構B/S模式進行系統設計（圖1）。

第一層為教師瀏覽器，是教師與整個系統的接口。教師培訓的應用程序被精簡成為能夠通用的Web瀏覽器軟件，同時該瀏覽器可以對HTML代碼進行轉化，得到圖文并茂的網頁。由于該網頁被應用于中職教師培訓，需要提供一定的反饋才能提供更好的輔助作用，因此設置了交互功能，允許教師在網頁輸入相關信息并提交到后臺。

第二層為Web服務器。教師用戶的后臺是Web服務器，主要通過啟動相應的進程進行相關請求的響應。當該請求包括一定數據的存取時，所設置的Web服務器必須與數據服務器相互協作，共同處理這一工作。系統的功能模塊及對應的應用程序均儲存在Web服務器中，這些模塊和程序主要被用于處理各種客戶端的請求。此外，Web服務器需要實時訪問后臺數據庫，在查詢、更新等一系列處理過程下，將結果反饋給客戶端。第三層為數據服務器，主要是對不同Web服務器的請求進行協調，以實現數據庫的有效管理。

借助信息技術，中職教師的培訓學習系統得以建立。而為進一步增強培訓效果，研究對相應的網絡課程進行管理，使得教師在學習過程中接受的資源和課程內容被有效監控，避免利用培訓數據進行不良行為的現象出現。由此形成集教師學習、管理培訓功能于一體的多樣化學習系統，中職教師利用該系統實現更好的培訓學習。

1.2 "基于知識點智能推送的中職培訓學習

研究利用信息技術建立針對中職教師培訓的多樣化學習系統，而后以此為基礎，通過培訓知識點的智能推送實現中職教師的深度學習。圖卷積網絡（Graph Convolutional Networks，GCN）能夠對非歐式空間的數據進行處理，從而挖掘實體之間的潛在連接，在個性化推送中應用廣泛[3]。同時，GCN利用神經網絡對圖結構數據進行學習，能夠提取和發掘其中的特征和模式。因此，研究將GCN應用于中職教師培訓學習系統中，利用知識點的智能推送來增強培訓效果。在GCN中，圖由邊和頂點組成，是一種數據結構[4]。若干含有連接關系的數據即能表示為圖，圖通過鄰接矩陣表示。GCN在特定函數的作用下，以映射的方式將圖中包含的節點放入歐式空間，實際上屬于神經網絡層，其基本框架如圖2所示。

在傳統GCN中，層之間通過式（1）進行傳播：

（1）

式（1）中，表示層節點的隱向量， 是含有自循環的鄰接矩陣，代表激活函數， "表示 " " "的度矩陣，是可訓練的參數。GCN利用圖卷積實現節點及鄰居信息的聚合，能夠在一定程度上應對數據稀疏和冷啟動情況。但GCN在擴展到較高領域時，可學習參數數量增加，加大了計算量，并且節點在平均聚合作用下會出現過度平滑，難以對教師的潛在學習情況進行挖掘。PageRank算法是一種“隨機游走模型”，可以通過網頁之間的鏈接實現網頁搜索排名的計算[5]。將一個培訓知識點看作一個節點，該知識點被教師訪問的概率如式（2）所示。

（2）

式（2）中，表示阻尼因子，是GCN中包含的節點總量，為可能訪問節點的概率，是利用鏈接訪問到節點的概率，通過將概率相加得到總概率。研究將PageRank與GCN相結合，避免節點平滑的發生。所提出的知識點推薦方法包含嵌入層、信息自編碼層、信息傳播聚合層和預測層，其框架如圖3所示。

首先建立查找表X用以表示教師和知識點的初始值，并利用正態分布進行隨機初始化，如式（3）所示：

（3）

式（3）中，表示培訓教師數量，表示知識點數量。將全部教師和知識點看作圖中的節點，使得所有教師學習信息可以在教師—知識點交互圖中傳播。

由此，節點在關注本地鄰居的同時，能夠利用信息擴散獲得教師與培訓知識點之間存在的更為高階的聯系，并將協作信息嵌入教師與知識點嵌入向量中，從而有效緩解數據稀疏狀況。在教師—知識點交互中，所有知識點或教師均是相互關聯的，教師的直接交互知識點即為本地鄰居，教師的學習情況在交互圖上則表現為個性化傳播。所以，即便教師僅有幾個稀疏交互，也能夠通過這種關系實現學習信息在更高階鄰域的擴散，由此獲得高階潛在信息。當教師節點通過隨機訪問接觸知識點節點，且學習信息傳播到時，利用PageRank傳播調整，如式（4）所示：

（4）

式（4）中，為消息嵌入，表示傳送概率，表示對的影響得分，根節點不同得分不同。PageRank傳播規則的矩陣形式傳播如式（5）所示。

（5）

式（5）中，表示通過步傳播求出的教師和知識點的嵌入向量，表示初始消息迭代時的值。研究通過一個自編碼器過濾得到有效嵌入向量，并將其用于最終的模型預測，如式（6）所示。

（6）

式（6）中，表示每層可學習的參數，能夠提取有用信息，并實現消息聚合。在得到多重嵌入向量之后，對不同傳播層的教師和知識點節點相應的嵌入向量進行串聯，獲得最終嵌入向量，如式（7）所示。

（7）

式（7）中，表示拼接操作，是教師的多重嵌入向量，是知識點的多重嵌入向量。最后通過內積估計目標知識點，如式（8）所示。

（8）

再通過成對優化的BPR損失函數對模型參數進行學習，如式（9）所示。

（9）

式（9）中，表示成對訓練數據，代表Sigmoid函數，是全部可訓練的參數，為正則化參數，并且是控制過擬合的。

2 "中職教師培訓學習系統應用效果分析

2.1 "知識點智能推送效果

運用信息技術建立中職教師培訓多樣化學習系統，并通過改進GCN進行知識點的智能推送。在此過程中，通過使用真實的數據集對改進GCN的知識點推送效果進行驗證。通過與國內15所知名中職院校達成合作，經過培訓專家的審核和意見收集，自建中職教師培訓知識點數據集。將改進GCN與基于自注意力機制的GCN（Self-attention Graph Convolution Network）即 GAT（Graph Attention Networks，圖注意力網絡）、多模態GCN（Multi-modal Graph Convolution Network，MMGCN）和基于自注意力機制的多模態GCN（Multi-modal Self-attention Graph Convolution Network）即MGAT（Multi-modal Graph Attention Networks）進行對比。其中，GAT是通過自注意力機制進行改進的GCN，其利用每個節點與其對應鄰居節點的注意力值來實現當前節點信息的更新和聚合；MMGCN則從多模態中對用戶的信息表示進行學習，由此融合多模態的表示實現更加準確的信息推送；MGAT是以MMGCN為基礎，通過圖注意力機制處理消息傳遞，以此捕獲用戶的偏好情況。實驗的軟硬件環境如表1所示。

圖4為改進GCN、GAT、MMGCN和MGAT在自建培訓知識點數據集中的推送結果，其中圖4a為四種方法的精準率，圖4b為四種方法的召回率。從圖4a可知，在三次知識點推送中，GAT的精準率平均值為83.7%，MGAT和MMGCN的精準率平均值分別是85.6%和84.2%，而改進GCN的平均值是87.8%，相較于前三者，分別提升4.1%、2.2%和3.6%。從圖4b中可以看出，召回率方面，MMGCN的平均值為84.7%，MGAT和GAT的平均值分別為85.1%和84.3%，而研究所改進的GCN平均值可以達到88.5%，相較于前三種方法，分別提升3.8%、3.4%和4.2%。綜合來看，改進GCN在知識點推送的精準率和召回率方面均有較為明顯的提升，推送效果得到顯著增強。

2.2 "多樣化學習系統應用效果

研究將改進GCN的知識點智能推送應用于中職教師培訓多樣化學習系統中，為驗證多樣化學習系統的應用效果，選取900名中職教師在該系統中進行培訓測試。同時加入經典的協同過濾推薦（Collaborative Filtering，CF）算法和基于用戶的推薦算法（User Based Collaborative Filtering，UBCF）與GAT、MMGCN、MGAT、改進GCN四種方法進行比較，所得結果如圖5所示。從圖5可以看出，CF和UBCF的準確率分別是83.9%和86.2%，運行時間分別為4.2 s和6.1 s，CF是六種方法中耗時最短的，但準確率同樣最低。同時可知，MMGCN和MGAT的準確率均在90%以上，分別是90.2%和91.7%，但耗時均在6 s以上。而改進GCN的準確率可達96.1%，并且耗費時間為5.6 s，雖然時間不是最優，但仍然在較短時間內實現最高的推送效果。

圖6為改進GCN應用前后教師的培訓得分結果。圖6a為改進GCN多樣化學習系統應用前的中職教師培訓得分，圖6b則是應用后的得分結果。從

圖6可以明顯看出，在多樣化學習系統應用前，教師的培訓得分集中在60～70分，占比高達90%；而在多樣化學習系統應用后，教師的培訓得分大部分在85分以上，占比高達95%，相較于應用前，學習效果顯著增強。

3 "結論

中職教育是現代教育體系的重要組成部分，中職教師的綜合素質直接關系到技術技能人才培養。研究以現代信息技術為基礎，構建面向中職教師教學培訓的多樣化學習系統，并通過改進GCN實現培訓知識點的智能推送，最后對該系統在中職教師培訓中的應用效果進行驗證，證明了該系統在中職教師培訓中的高效率。但研究所提方法并未實現運行時間的最佳效果，有待進一步優化。

4 "參考文獻

[1]向金山，陳林濤，牟向偉，等.基于CiteSpace的國內中職教師教學能力研究可視化分析（2011—2021年）[J].職業教育，2022，21（20）：49-61.

[2]肖凱.基于雨課堂的混合式教學模式構建及實踐：以中職信息技術課程為例[J].教育科學論壇，2022（36）：60-65.

[3]蘭國帥，李蒲，黃春雨，等.教育數字化轉型政策規劃和創新路徑研究：聯合國教科文組織《教育信息技術政策和總體規劃指南》要點與思考[J].開放教育研究，2023，29（1）：4-17.

[4]胡婷婷，黃剛，吳長旺.融合知識圖卷積網絡的雙端鄰居推薦算法[J].計算機技術與發展，2022，32（10）：34-40.

[5]陶玉合，高榕，邵雄凱，等.基于膠囊圖卷積的解

纏繞會話感知推薦方法[J].計算機應用研究，2023，

40（1）：122-128.