人工智能在职业教育评价体系的构建研究

贺 翔

(天津职业技术师范大学 信息技术工程学院，天津 300222)

1 当前人工智能在职业教育评价体系中存在的问题

1.1 评价指标体系不够完善

发展现代职业教育，需要科学构建质量保障的评估体系，以促进其内涵式发展。而当前人工智能应用于职业教育评价体系时，未能形成唯一系统的评价指标体系，这些都会影响对学生学习行为评估和反馈的有效性。主要问题在于：评价的体系还不够全面，未能涵盖整个职业教育范围，很多的评价项目和指标缺乏针对性，不能突显人工智能在评估过程中的优点。

1.2 评价标准不够科学

对学生学习行为评价的核心是评价标准的制定。当前人工智能在职业教育评价体系中，更偏重的是强调对学生的职业知识和应用技能的考察[2]，而对沟通表达、协同合作等个人能力和团队素养的培养缺乏相应的评价标准，单方面的评价方式和多方面的发展要求特别加重了学生的不适应，不利于学生学习能力的创新，在一定程度上阻碍了学生在职业教育中的全面发展[3]。

1.3 评价主体单一化

人工智能在职业教育评价中的主体不应限制于教师以及学校人员。以往对学生的学习行为的评价往往忽视了课程评价的主体多元性，忽视了学生等评价主体的参与，导致无法对职业教育中的学生学习进行更全面、更客观的评价。这既不利于评价质量的提升，也不利于评价的全面性。

2 构建基于人工智能的职业教育评价体系的思路

2.1 选择合理的评价标准

制定恰当的评价标准是职业教育迈入更高水平的起点，通过一环接一环的连续性操作，人工智能职业教育评价体系将会成为职业教育学生，学习行为评价质量提升的最有效方法之一。

2.2 采用先进的评价技术手段

人工智能对职业教育的评估具有辅助作用。在线评估就是基于人工智能的基础，是智能的评估助理，它集辅助选课、知识查询、学习过程问答、学习行为评估、学生反馈于一身，可帮助学习者解决职业教育的学习过程中不知道自己适合学习什么、没人辅导、没人监督等问题；可帮助教师提升教学效果；可提高平台评估质量。人工智能在线评估功能包括个性化学习计划、智能记忆复习、知识点推荐、知识点导航、智能提问、游戏化激励、社交引导、过程化学习行为评估、形成性反馈、就业兴趣收集、就业方向指导等等，在职业教育学习的过程中，根据学生的学习行为，作出适当的评估，激发学生的学习兴趣[4]。

2.3 注重过程性评价

人工智能技术的蓬勃发展对职业教育领域的影响很大，未来智能教育产品将会从情感、智力、能力等方面提供精准教育服务，真正实现因材施教。人工智能在职业教育教学的目标是教育个性化，为现代学生就业作保障，更好地培养出“大国工匠”[5]。

2.4 评价主体的多元性

随着人工智能技术的加速发展，职业教育正从1.0模式进入到3.0模式。在3.0模式中，人工智能在职业教育评价体系中就能更好地实现教育资源的平均和优化。比如，在职业教育资源有限的地区，人工智能老师可与真人老师相结合，保证当地学生所获得的教育质量；在人工智能评价体系的帮助下，对学生的职业教育学习和发展做出一个准确的评价。

3 人工智能在职业教育评价体系的构建

3.1 构建“预测模型”

3.1.1 教学资源的利用情况

如通过学生学习过程中的行为数据，预测学生是否有高辍学风险，或者预测学生成绩是否及格等。已有的研究主要集中在中高职领域，可以通过学生兴趣导向、过程性的测试、测试的分数、参与讨论情况、作业提交情况等数据，预测学生是否能完成某一课程，从而使教师能及早为有困难的学生提供帮助，提高职业教育教学的效率。

3.1.2 互动交流的情况

在人工智能职业教育评价体系中，即根据学生学习行为等因素，为学生提供相适应的学习内容。有一些研究试图为学生提供符合其认知模式的学习内容，如为对图像敏感的学生提供以视觉刺激为主的学习资料，但目前研究者们还没有探索出一套非常成熟的应用。

3.1.3 学习成果评价

在人工智能职业教育评价体系中，系统需要对学生的学习能力、过程性评价等情况等进行测评。智能测评旨在以传统测评无法比拟的效率，完成对学生的测评和诊断任务，以完成学习者学习成果的科学评价。

3.2 教师教学评价指标

3.2.1 课程资源的组织与设计

传统评价是由学科教师或专业的评估人员，根据教学中的目的，设计测试的过程。测试内容的质量是决定整个测评质量的关键因素，整个问卷在内容上应该是所有需要考评的内容的代表性抽样，问卷的问题设置应当满足测试目的。

人工智能职业教育评价体系领域的大部分评价都缺少对应的认知理论支撑。因此，问卷设置更多使用弱理论模型。具体过程大致如下：评估专家找出性能好的问题作为母题，对问题进行详细分析，构成多层次的问题模型，即把问题题目分解成背景、内容、问题、辅助信息与选项等部分。

3.2.2 教学活动设计

教学活动是为促进学员的职业教育学习而设计的，人工智能职业教育评价体系中开放性文本问题的自动收集分析一般包括两个步骤。首先，要把语言或手写的文字转化为电脑可以读取、分析的文本。这一步依赖自然语言处理系统，目前中文也有一些软件可以便捷地完成处理。第二步是分析文本。常用的分析方法有两种，一种被称为“隐含语义分析”，另一种则是“人工神经网络”。所谓隐含语义分析，是指把被试的回答转换成数字矩阵，计算与标准答案矩阵之间的距离。这种方法多用于附加问题。对于较长的回答，如想法建议，则更多使用人工神经网络。人工神经网络简单说来就是找出本文的特征，如关键词出现的频率、复杂句式出现的频率、连接词的频率等，根据本文的特征来完成分析。每一种分析都需要一定数量的案例，从而完成特征的选取。

3.3 教学支持服务体系评价指标

人工智能在职业教育评价体系的研究和应用都在不断推进过程中。但不少研究者认为，目前的这些应用没有改变测评的基本内容和形式，只在一定程度上降低成本、提高效率。在线测评平台积累的数据能够支撑研究者们进行更多的探索，突破原有的测评方式，例如应用学习过程中的行为数据完成测试等。研究者们开创了一个新的领域——“分析测量学”，即通过大数据分析而非传统的问卷，对学生进行测评。

人工智能在高效实现个性化学习方面有着无可比拟的优势，未来在教育领域的应用必将更为广泛。但在热情迎接人工智能时代的同时，研究者和实践者们仍需保持谨慎。人类认知的拼图还远没有拼完整，因此要理智地对待根据已有大数据得出的结论，防止推论过度泛化。此外，如何保护学生、教师和学校的隐私和秘密，合理使用数据，也是急需思考和解决的问题。

职业教育评价体系不仅将取代教育测评者的重复性劳动，还能摒弃传统的粗放式教育测评，提供能够真正做到因材施教的个性化定制教育。