基于大數(shù)據(jù)的人才分類精準培養(yǎng)平臺研究

［摘要］依托“互聯(lián)網(wǎng)+教育”大平臺，發(fā)揮信息技術在教學改革中的重要作用，解決高職學生分類精準培養(yǎng)問題，提高人才培養(yǎng)質量，探討利用大數(shù)據(jù)應用創(chuàng)新教與學的智能診斷、教學資源推送和多維學習輔導，構建使用Hadoop的平臺系統(tǒng)架構設計方案，構建深度學習模型，完成學生行為過程畫像，運用聚類算法實現(xiàn)個體現(xiàn)狀與職業(yè)發(fā)展崗位匹配預測，實現(xiàn)技術與教育深度融合，有效促進學生的個性化發(fā)展。［關鍵詞］大數(shù)據(jù)；人才分類精準培養(yǎng)；系統(tǒng)設計；算法設計職業(yè)教育在國民教育體系和人力資源開發(fā)中扮演著重要角色，在黨的二十大報告中特別提到要著力推動高質量發(fā)展的職業(yè)教育。社會發(fā)展需要各類高技能職業(yè)人才，為了實現(xiàn)人人成才、人人皆可成才的培養(yǎng)目標，針對高職學生開展分類精準培養(yǎng)，提高人才培養(yǎng)質量，成為高職院校教學改革亟待解決的問題。因此，職業(yè)教育應依托“互聯(lián)網(wǎng)+教育”的大平臺，發(fā)揮信息技術在教學改革中的重要作用，基于大數(shù)據(jù)應用創(chuàng)新教與學的智能診斷、教學資源推送和多維學習輔導，實現(xiàn)技術與教育深度融合，有效促進學生的個性化發(fā)展。一、職業(yè)教育要滿足學生個性化發(fā)展依據(jù)人職匹配的理論，當學習者的個性特征、職業(yè)能力等與其從事的職業(yè)性質相一致，可以最大限度發(fā)揮個人的潛力，提高滿意度和成就感，對未來的就業(yè)起到推動作用；與之相反，若學習者個性特征與職業(yè)不符，則影響和限制學習者的職業(yè)發(fā)展。而當前高職院校存在多種招生方式，包括普通高考、學考、學徒制、中高職貫通培養(yǎng)三二分段等多種形式，生源類型呈現(xiàn)多樣性，不同生源水平基礎參差不齊，學生所處的學習環(huán)境不同[1]，學生教育經(jīng)歷、學習興趣、學習方法等方面存在較大差異，傳統(tǒng)的人才培養(yǎng)標準和教育模式已不能很好地適應新時代對學生個性化發(fā)展的需求。為適應當前高職院校生源類型相對復雜的教育現(xiàn)狀，高校需要基于教育學理論中的“以人為本”的學習理論，從職業(yè)院校教學活動的現(xiàn)狀入手，分析人才分類培養(yǎng)和分層教學存在的問題，提出造成高校無法有效展開人才分類培養(yǎng)和分層教育的原因機制，尋找解決問題的可靠性方法[2-3]，建立學生個性化培養(yǎng)指導體系、構建學生個性化分類培養(yǎng)模型，提出符合學生個性化分類培養(yǎng)方法[4-6]，以滿足學生多樣化發(fā)展為目標，以職業(yè)崗位需求為導向，以提升培養(yǎng)質量為宗旨，以專業(yè)類別差異化為手段，對培養(yǎng)過程數(shù)據(jù)分析，根據(jù)不同生源學生特點和學生發(fā)展需求進行分類培養(yǎng)，設計多元成長路徑，推行多元考核與分層分類評價，探索能夠最大限度地實現(xiàn)因材施教，實施橫向差別化分類培養(yǎng)，做到精準培養(yǎng)[7-8]。基于大數(shù)據(jù)技術應用的職業(yè)人才分類精準培養(yǎng)是教書育人與職業(yè)規(guī)劃相結合，大數(shù)據(jù)技術代表一種新的價值觀和方法論，它并不僅僅是簡單地將多個數(shù)據(jù)組合在一起，而是通過運用智能處理方法和模式對數(shù)據(jù)進行分析和處理，旨在實現(xiàn)數(shù)據(jù)價值的最大化，這與傳統(tǒng)意義上的“大量數(shù)據(jù)”概念有很大的不同。在職業(yè)教育中構建人才分類精準培養(yǎng)平臺，圍繞“教、學、管、練、評”5大教學場景，融入互聯(lián)網(wǎng)+的理念，實現(xiàn)人才培養(yǎng)對接產(chǎn)業(yè)需求，專業(yè)課程內(nèi)容對接職業(yè)標準。將大數(shù)據(jù)、AI大模型等現(xiàn)代信息技術應用到系統(tǒng)中，通過對學生在校學習行為分析，對照職業(yè)崗位能力素質標準，為學生提供基于大數(shù)據(jù)分析的信息，幫助學生更為客觀地評價自己，制訂動態(tài)的、精準的職業(yè)規(guī)劃方案，實現(xiàn)技術技能人才精準培養(yǎng)。二、人才分類精準培養(yǎng)平臺構建人才分類精準培養(yǎng)平臺系統(tǒng)，參照國家對學生職業(yè)核心素養(yǎng)能力要求，根據(jù)高職學生的培養(yǎng)內(nèi)容和學習特點，運用大數(shù)據(jù)收集與統(tǒng)計分析技術，對學生的認知、創(chuàng)新、協(xié)作、實踐、管理、人格、心理綜合等多個方面開展評價，學生各項能力表現(xiàn)被分解為若干二級指標，系統(tǒng)對二級指標完成加權折合計算，最后得到學生綜合表現(xiàn)指標值。通過對學生各方面的能力的綜合評價分析，可以有針對性地為學生提供個性化的培養(yǎng)規(guī)劃指導。（一）人才分類精準培養(yǎng)平臺系統(tǒng)架構人才分類精準培養(yǎng)平臺設計架構選擇Hadoop的HDFS分布式文件系統(tǒng)作為大數(shù)據(jù)處理的基礎，為底層存儲提供支持。通過使用Hive技術，平臺能夠發(fā)揮基于HDFS存儲并管理大量的數(shù)據(jù)集的優(yōu)勢，完成對海量、多源數(shù)據(jù)進行采集和處理，借助MapReduce分布式計算框架進行更深入的分析，以構建學習者畫像并獲取每個學習者的當前狀態(tài)信息，使用SpringBoot等實現(xiàn)數(shù)據(jù)的圖表可視化展示，以便與基準數(shù)據(jù)進行對比，從而發(fā)現(xiàn)學習者的知識薄弱點，為學生優(yōu)化學習提供有效的技術支持。圖1所示為基于Hadoop平臺的系統(tǒng)設計框架。（二）數(shù)據(jù)來源學校在實施數(shù)字化校園建設時，以信息化、自動化、智能化驅動重點領域改革，將數(shù)字化業(yè)務流程融入教學管理、科研創(chuàng)新等領域工作，構建基于云服務的數(shù)據(jù)平臺，打破數(shù)據(jù)孤島效應，實現(xiàn)數(shù)據(jù)標準化無縫交換，有效解決了跨部門、跨業(yè)務領域數(shù)據(jù)同步和工作協(xié)調的問題。一方面，通過部署新一代智能協(xié)同管理平臺，搭建在線教學、圖書館管理、校園一卡通、教務管理、學籍管理、學生工作管理等業(yè)務功能子系統(tǒng)，依托人臉識別、物聯(lián)網(wǎng)技術提升教學管理基礎設施，實現(xiàn)學校全面數(shù)字化管理，促進智慧校園應用全面融合，智能管理。另一方面，基于大數(shù)據(jù)形成高度融合互通的全院校本數(shù)據(jù)應用中心，通過數(shù)據(jù)采集、清洗整合和深度挖掘、輔助決策，為師生以及相關用戶提供全面精細化數(shù)據(jù)綜合查詢，充分發(fā)揮數(shù)據(jù)共享效益，為構建學校信息化應用體系實施提供大數(shù)據(jù)支撐。另外，基于云應用的信息化系統(tǒng)，可以在教學管理過程中，以系統(tǒng)日志或實時服務方式，記錄行為發(fā)生時間、行為類型及相關系統(tǒng)信息，為人才分類精準培養(yǎng)平臺提供了持續(xù)、有效的數(shù)據(jù)來源。近年來，高職院校積極探索推進線上線下教育教學新模式，推動教育教學改革，在線學習平臺已經(jīng)作為主要教學載體，平臺不僅聚合了教師、學生、管理者等使用者的基礎信息數(shù)據(jù)，而且在課前、課中、課后不同教學環(huán)節(jié)同步產(chǎn)生多維大數(shù)據(jù)，大量的數(shù)據(jù)真實反映了師生日常教與學行為和活動過程狀況，為分析和改進教育教學過程提供了豐富的數(shù)據(jù)基礎。圖2的示意圖顯示了數(shù)據(jù)來源業(yè)務流程，數(shù)據(jù)來源主要是從基礎數(shù)據(jù)平臺、教務管理系統(tǒng)、圖書管理系統(tǒng)、在線教學系統(tǒng)、日常管理系統(tǒng)等獲得相關數(shù)據(jù)，完成學習者數(shù)據(jù)的采集工作后，會將采集的數(shù)據(jù)存儲在HDFS上，再使用MapReduce分布式并行計算來對海量數(shù)據(jù)進行處理，通過對原始數(shù)據(jù)進行清洗處理，保證數(shù)據(jù)的有效性和可信度，完成從數(shù)據(jù)到信息到知識的有效過渡[9]，過程如圖3所示。在數(shù)據(jù)結構及接口標準方面，人才分類精準培養(yǎng)平臺系統(tǒng)為了能與教育管理部門的信息平臺進行數(shù)據(jù)對接，如全國職業(yè)教育智慧大腦院校中臺，參考教育部職業(yè)教育與成人教育司、教育部教育管理信息中心2023年6月發(fā)布的《全國職業(yè)教育智慧大腦院校中臺高職數(shù)據(jù)標準及接口規(guī)范（試行）》、教育部《職業(yè)院校數(shù)字校園規(guī)范》（教職成函〔2020〕3號）等技術標準，例如，數(shù)據(jù)項結構由編號、數(shù)據(jù)項名、中文簡稱、類型、長度、約束、值空間、解釋、引用編號等9項內(nèi)容進行組合[10]。編號：數(shù)據(jù)項的唯一標識，標注出數(shù)據(jù)大類、子類、類別等信息。數(shù)據(jù)項名：由中文簡稱的漢語拼音首字母（大寫）組成，或標識語義的英文字母組成，與中文簡稱一一對應，具有良好的可讀性與可解釋性。中文簡稱：所用的數(shù)據(jù)元的名稱，具有語義，面向用戶。類型：數(shù)據(jù)項使用的數(shù)據(jù)類型，常見有字符型（VARCHAR）、日期型（YYYYMMDD）等。長度：數(shù)據(jù)項能容納的最大字符數(shù)（一種屬性）。約束：數(shù)據(jù)項約束狀態(tài)的描述，即必備數(shù)據(jù)項或可選數(shù)據(jù)項。值空間：數(shù)據(jù)項取值的范圍與規(guī)范屬性。解釋/舉例：數(shù)據(jù)項屬性的說明或舉例。引用編號：指明此數(shù)據(jù)項引用其他已定義數(shù)據(jù)項的編號。（三）行為畫像行為畫像是人才分類精準培養(yǎng)的核心關鍵點，需要利用數(shù)據(jù)統(tǒng)計、數(shù)據(jù)分析、數(shù)據(jù)挖掘等數(shù)據(jù)處理分析方法，對學生基本信息、學習狀態(tài)、行為表現(xiàn)等數(shù)據(jù)進行有效處理，依據(jù)學生的行為過程數(shù)據(jù)，對學生個體特征、學習態(tài)勢、生活習慣各方面的狀態(tài)進行標簽化，構建學生行為畫像，實現(xiàn)對學生當前情況的全面把握、對學生未來情況的預測估計、為學習者設計學習內(nèi)容、優(yōu)化學習過程、更有效地達成教學目標。學生行為畫像的基礎是個人數(shù)據(jù)的收集和分析處理，學生信息數(shù)據(jù)通常包括所屬學院、所學專業(yè)、所在班級、學生姓名、性別、學號等內(nèi)容，在屬性方面有較高的相似性和辨識度，只需要進行歸類處理，但反映日常行為的數(shù)據(jù)可能存在缺失值、重復值、異常值，或者數(shù)量級標簽差異等，對于這些數(shù)據(jù)，需要進行預處理，如果直接使用會導致建模預測結果錯誤。缺失值是指數(shù)據(jù)集中可能存在某個或某些屬性的值不完全的情況，對于缺失值的處理方法一般是刪除或者填充?？梢圆捎肞andas提供了dropna（）方法進行缺失值刪除，fillna（）方法填充缺失值，或者調用interpolate（）插值方法求得的值進行填充。數(shù)據(jù)集中難免會出現(xiàn)重復值，有些是需要的，有些是不需要的。不需要的重復值會影響數(shù)據(jù)分析的準確率，所以要進行處理，pandas提供了drop_duplicates（）方法刪除重復值。對于異常值的處理必須重視，如果忽視這些異常值，在后續(xù)的數(shù)據(jù)分析中可能會導致結論的錯誤。檢測異常值的常用方法有最大最小值法，標準差法和箱線圖法。常用的異常值處理方法是刪除和替換。如果要對檢測出的異常值進行替換，要根據(jù)實際的情況確定替換的值，常?？梢杂米畲笾?、最小值或者均值等。而對于可能存在數(shù)量級標簽差異，此類數(shù)據(jù)需要進行歸一化處理，即將學生的各項標簽信息統(tǒng)一映射到［0，1］的區(qū)間內(nèi)，各個標簽都真實地反映其貢獻度，使轉化后的數(shù)據(jù)更好地呈現(xiàn)相應的歸類效果，通常采用線性函數(shù)轉換、反正切函數(shù)轉換等方法對學生個人信息數(shù)據(jù)進行歸一化處理。學生行為數(shù)據(jù)畫像核心部分是學生認知掌握程度診斷，學生學習行為的場景主要集中在靜態(tài)考試，動態(tài)能力和學生在線學習，可以通過構建認知診斷模型來進行分析，基于深度學習建模方式的優(yōu)勢在于其較強的特征表征能力和復雜交互函數(shù)建模能力，其可提高認知水平建模準確性，目前常見的離散型認知診斷模型有DINA模型（DeterministicInputs，NoisyandGate），其具有建構簡單、參數(shù)解釋性好、判斷準確性高的特點，通過DINA模型可以將學生表述為一個掌握知識點的多維向量，根據(jù)學生對知識點題目的作答進行結果判斷，模型定義學生i在問題j上的作答情況如式（1）所示：其中，ηij表示學生i在問題j上的潛在作答情況；表示學生i對知識點k的掌握情況，以及問題j對知識點k的考查情況；ηij=1表示學生i已經(jīng)掌握問題j所包含的所有知識點；ηij=0表示學生i對問題j中的知識點至少有一個沒有掌握。DINA模型結合試題知識點關聯(lián)矩陣Q矩陣，學生作答情況X矩陣對學生情況進行建模，在已知學生掌握知識點的條件下，答對試題j的概率為：Pj（αi）=P（Xij=1│αi）（2）其中，αi表示學生i的知識點掌握情況，sj表示學生掌握了試題j所關聯(lián)的知識點情況下錯誤概率，gj表示學生在并不完全掌握試題j所關聯(lián)的知識點情況下猜對概率。（四）匹配預測在完成學生行為畫像構建后，需要構建個體現(xiàn)狀與職業(yè)發(fā)展崗位匹配預測模型。在學生行為畫像的基礎上，系統(tǒng)根據(jù)學生的數(shù)據(jù)信息使用聚類算法進行全方位的分析對比，計算學生認知掌握程度與崗位職業(yè)素養(yǎng)的指標值之間的匹配運算，產(chǎn)生不同維度的差異值，最終給出與崗位匹配度情況。1.系統(tǒng)根據(jù)職業(yè)崗位對學習者各方面的能力要求進行細分，形成參照指標體系。2.通過學生基礎數(shù)據(jù)加權系數(shù)后，對信息數(shù)據(jù)進行篩選，形成與參照指標體系相同的個人指標體系。3.使用聚類K-Means算法，進行個人指標體系與崗位參照指標體系差異化對比，從而得到多維度分值，表示其與崗位的匹配度情況。具體實現(xiàn)過程如下：學生個人指標體系作為樣本集，設每個樣本x=x（1），x（2），…，x（k）），以崗位數(shù)目作為聚類簇數(shù)（假設為k），初始簇的聚類中心由系統(tǒng)隨機選擇k個數(shù)據(jù)點，設C=C1，C2，…，Ck，計算出每個樣本離哪個簇的中心argkmin距離值，根據(jù)距離最短原則將樣本分配到對應的簇中，根據(jù)這個劃分不斷反復迭代來更新聚類，再用這K個聚類的簇作為新的中心檢查收斂性，，直到聚類中心值不能帶來新的分類結果變化，或完成最大迭代次數(shù)。最后根據(jù)聚類中心與崗位參照指標體系的差異來預測個體與崗位的匹配