构建基于OODA的职业教育教学质量智能化评估模型

［摘           要］  旨在探索建立基于OODA循环原理的职业教育教学质量智能化评估模型。即对OODA的“观察、导向、决策、行动”四个阶段，赋予职业教育的相关概念内涵，利用机器学习算法进行建模，对职业教育中学生的学习及实践成效进行合理预测和评估，达到有针对性地制定教学目标或调整教学策略，提升职教教学效果和学生学习体验的目的。

［关    键   词］  OODA循环；机器学习；智能化评估；个性化教学

［中图分类号］  G717                    ［文献标志码］  A                  ［文章编号］  2096-0603（2023）31-0173-04

一、引言

习近平总书记在党的二十大报告中指出，要推进职普融通、产教融合、科教融汇，优化职业教育类型定位，推进教育数字化，办好人民满意的教育[1]。然而，目前我国职业教育中的生源基础参差不齐，学习素养差别较大，作为实施职业教育重要环节之一的教学行为，面临如何更好地应对学生个体差异和不断变化的教学需求等挑战[2]。为提升职业教学的效果和质量，有必要构建一种智能化的、能够实时满足评估学生个体差异、适应时代和技术发展的新型职业教育教学模型。

这种基于OODA循环原理的职教质量智能化评估模型对于职业教育的改进和创新具有重要的现实意义：首先，它可以预测教学效果，帮助教师能够更快地找到学生个体差异的需求，提供更加个性化的教学内容。其次，多次循环以后，通过及时观察和导向，学生可以更精准地发现自我不足，教师可以更好地调整教学策略和计划，这种教和学双方及时采取相应的改进方法，可以极大地提高教学质效。

二、OODA循环原理和职业教育教学

OODA循环（OODA Loop）又称博伊德循环（Boyed Cycle），是美国人约翰·博伊德提出的一种决策原理，该原理有观察（Observe）、导向（Orient）、决策（Decide）和行动（Act）4个关键步骤[3]，强调了快速的决策和行动，以应对外部不断变化的环境和情境。该原理的一个循环如图1所示：

近年来，OODA循环广泛应用于决策和教育培训中，如，方强等人利用该循环原理详细分析并阐述了本科生全程导师制的本质[4]；刘晨等人将该循环原理用于企业人才培养[5]；于玲等人将该循环原理用于提升高职生的职业能力[6]。

本研究认为，在职教教学中采用OODA循环原理、结合机器学习算法可以建立应对个性化教学需求的教学模型。其指导思想是：观察阶段通过收集和分析学生的学习数据和反馈，了解学生的学习状态和需求；导向阶段基于观察结果，利用机器学习算法预测学生学习效果，并以此建模，调整此前的教学策略和资源，以满足学生的个体差异和学习风格；决策阶段教师根据导向结果，制定相对应的教学目标和行动计划；行动阶段教师实施教学行动，同时进入新一轮循环，进而及时调整和优化教学方法。

将OODA循环原理引入职教教学中具有重要的意义。首先，它能够帮助教师更好地理解学生的学习需求和状态，以个性化的方式进行教学。通过观察和导向，教师能够根据学生的个体差异和学习风格，提供有针对性的教学内容和方法。其次，OODA循环强调快速决策和行动，使教学能够及时适应变化的教学环境和日益更新的技术发展。教师可以通过迅速决策和灵活行动，提高教学效果和学生的学习成果。职教教学中的OODA循环如图2所示。

三、构建职教教学质量智能化评估模型

现代职业教育教学评估一般包含以下三方面内容：一是职业教育的个性化程度评估，即是否能够满足学生的个体差异和学习需求。二是职业教育的灵活性和适应性评估，即教师是否能够及时调整教学策略和行动计划。三是学生的学习成果和满意度，以及教师的教学效果和教学满意度评估。通过综合评估这些指标，可以对现代职业教育教学模式的意义和效果进行全面的评估和分析。

构建职业教育质量智能化评估模型，是基于教学OODA循环原理来设计与实施的。

（一）数据的构建和采集（观察阶段）

该阶段为OODA循环原理的第一阶段，主要任务是收集和观察学生的各项数据和特征，以获取对学生学习行为的全面了解。我们要根据职业教育教学评估的主要内容，设定学生九个方面的学习数据来反映教学情况和评估内容，同时给出设定这些数据的目的和作用，按下表1所示：

准确采集以上数据需要教师尽可能精准观察和解读学生行为和表现，且需熟悉目前各种网络教学平台的使用，才能保证收集数据的客观、真实。例如，课前可以通过调查问卷等方式收集学生前期教育经历，了解学生的学习基础和学习背景；课堂上通过观察、记录学生的表现和参与度，了解学生的学习投入程度；课后通过慕课、学习通以及职教云等网络学习平台访问数据，评估学生对课程内容的理解和职业应用能力，等等。

以上数据的设定基本涵盖了職教教学质量评估三个方面，为下面导向阶段奠定了基础。

（二）算法的确定和建模（导向阶段）

为研究方便，本文将学生学习效果分为优秀、良好、合格、不合格四个档次，分别记为A、B、C、D。在以下确定算法的实验中，根据学生的历史数据标注了2700条信息，使用python 3.10.11和scikit-learn 1.2.2库，采用五折交叉验证和平均F1值来评估算法的性能[7]。

五折交叉验证过程如下：将数据集分成五个子集，然后依次选择其中4个子集作为训练集，剩下1个子集作为验证集，利用训练集训练算法并在验证集上评估。重复这个过程5次，每次选择不同的验证集，得到5个分类准确率，最终取5个准确率的平均值，根据该值来评估算法性能。

在分类任务中，F1值是一个常用的评估指标。它是精确率和召回率的调和平均值，可以帮助我们评估模型在平衡准确性和完整性方面的表现。由于本文中关于学习效果的预测结果会有四个值，即A、B、C、D，那么每个分类器相应的也会有4个F1值，为方便比较，本文取其平均值。F1值的计算公式如下：

其中，precision为精确率，表示分类器预测为正例的样本中实际为正例的比例；recall为召回率，表示实际为正例的样本中被分类器预测为正例的比例。计算公式如下：

此处TP为真正例（True Positive）指的是分类器正确地将正例样本预测为正例的数量，即本文中学习效果A、B、C、D；FP表示假正例（False Positive）指的是分类器错误地将反例样本预测为正例的数量，FN表示假反例（False Negative）指实际为正例的样本被分类器错误地预测为反例的数量[8]。

本次实验中，参与比较的9种分类算法分别为：梯度提升树、随机森林、决策树、K近邻（K-Nearest Neigh-bor，KNN）、逻辑回归、朴素贝叶斯、支持向量机（Support Vector Machines，SVM）、多层感知机（Multi-Layer Perce-ptron，MLP）和循环神经网络（Recurrent Neural Network，RNN）。相关验证数据如表2、表3所示。

由以上得知，前三种分类器，即梯度提升树、随机森林和决策树在预测准确率方面表现较好，五折交叉验证均值准确率达到0.84以上。尤其是梯度提升树和随机森林，准确率分别为0.87和0.85，它们的平均F1值达到0.89以上。较高的F1值表示算法在多个学习档次上具有较好的综合性能，能够同时保持预测的准确性和完整性。因此，在导向阶段，可以将梯度提升树或随机森林作为主要预测算法。

在确定了梯度提升树或随机森林作为主要预测算法的基础上，适当调整算法参数，可以获得更高准确率的预测模型。限于篇幅，不再赘述。该模型根据观察阶段的数据采集、结合梯度提升树或随机森林算法对学生的学习效果进行预测，其预测值A、B、C、D将直接决定下一阶段教学调整策略的制定。

（三）评估值输出和运用（决策阶段与行动阶段）

根据模型预测输出的不同档次（A、B、C、D）的学生学习效果，教师可以进行相应的教学调整，以达到差异化教学目的。

针对A档次的学生，教师要提供更深入的扩展学习任务和挑战性项目，比如参与教师研究项目、设计实际应用案例等，以满足该部分学生的学习需求[9]。同时鼓励他们进行自主学习和研究，并提供额外的资源和指导，比如指导他们参加各种大赛，帮助其进一步拓展知识和技能。

B档次学生已经具备一定的学习基础和理解能力，但学习效果尚未达到A档次，针对这部分学生，在课堂上教师应鼓励他们积极参与课堂探究活动，同时提供开放性问题和案例，引导他们深入思考并表达自己的观点。在课下，教师应及时与这部分学生进行一对一交流，了解他们的学习需求和兴趣并进行针对性帮助。例如，可以与他们一起讨论学习计划并提供额外的学习资源。对于B档次的学生而言，教师一定要给予他们及时、具体的反馈和评价，帮助他们了解自己不足，鼓励他们反思自己的学习方法和策略，这样可以帮助他们增强自我学习和自我调整能力，从而提高学习效果。

针对学习效果较差的学生（C、D档次），教师首先应帮助其树立正确的学习态度和目标，与他们讨论学习的重要性和未来的发展前景，帮助他们认识到努力学习的价值，激发他们的学习兴趣，与他们分享成功的学习经历和角色模型的故事，鼓励他们相信自己的潜力和能力。其次，在课堂上教师应采用多样化的教学方法和资源，满足他们的学习需求[10]。例如，使用图像、实例、故事等形式，帮助他们理解抽象的概念；结合实际应用和案例分析，让学习更具实践性和可操作性；提供可视化和互动性强的学习资源，增强学习的趣味性和参与度。最后，课下教师应鼓励他们制定学习计划和目标，并提供指导和监督，确保按时完成学习任务。

针对上述学生的不同情况，总体来说，教师首先应确定具体目标，这些目标应该是可量化和衡量的，以便具体执行和监控进展。然后根据目标制定分阶段的、可行的、具有针对性的措施和活动，这些措施要与决策阶段的教学调整策略相对应，针对不同档次的学生进行个性化设计。需要注意的是，教师要为每个措施和活动确定合理的时间框架和所需资源，需要考虑教学进度和学生学习能力，确保教师和学生都能充分参与和实施。

以上是一定时间框架下（例如每月）的第一轮教学质量评价情况，在实施过程中，教师要严格按照时间节点，在数据采集和输入的真实性和一致性前提下开展评估，然后可以及时进行下一轮OODA循环，用以调整、改进教学计划，这样才能达到持续提高教学效果的目的。学期结束，通过质量评价系统可以给出学生该学期的总体教育质量评价结论。

四、结果与讨论

基于OODA循环原理的职教教学模型可以采取收集、设置和输入维护上述九类学生数据，结合机器学习中的梯度提升树或随机森林算法完成操作系统开发。其优势在于突出了教學过程的循环性、动态性、实时性。通过持续观察、引导、决策和行动的循环，教师能够及时调整教学策略，根据学生的不同需求提供个性化指导，使教学更具灵活性和适应性。这种灵活的教学方式为学生提供了更加丰富和有趣的学习体验，使他们能够更深入地理解和应用所学知识。同时，教师在不断循环的过程中也能不断改进自己的教学方法和教学策略，从而提高教学质量。这种教学模型的成功应用为学生的综合能力培养提供了有力支持，可以为职业教育带来新的活力。

然而，该模型也存在一些挑战和改进的空间。例如，教师在决策以及实施过程中需要具备较高的观察力和教学经验。此外，对于大班级或多班级的职教情况，教师可能面临时间和资源的限制，难以快速调整教学策略，需要在实践中找到平衡点。

参考文献：

［1］习近平.高举中国特色社会主义伟大旗帜为全面建设社会主义现代化国家而团结奋斗：在中国共产党第二十次全国代表大会上的报告［R］.北京：人民出版社，2022.

［2］高鹏南.新时代背景下加快推进现代职业教育发展的思考［J］.现代职业教育，2023（21）：21-24.

［3］Angerman，William S.，Coming Full Circle with Boyd’s OODA Loop Ideas：An Analysis of Innovation Diff-usion and Evolution［Z］.United States：Air Force Institute of Technology，2004.

［4］方強，周晗，王熙童.基于OODA理论的本科生全程导师制的阐述［J］.科技资讯，2018，16（22）：67-69.

［5］刘晨.OODA模型在企业人才培养和发展上的运用［J］.内蒙古煤炭经济，2018（14）：69-70.

［6］于玲.基于OODA模型提升高职生职业能力探讨［J］.新课改教育理论探究，2021（9）：114-115.

［7］Dietterich，T. G.，Approximate statistical tests for comparing supervised classification learning algorithms［J］. Neural Computation，1998，10（7）：1895-1923.

［8］Pedro Domingos.A Few Useful Things to Know About Machine Learning［J］.Communications of the ACM，2012，55（10）：78-87.

［9］张趁香.大学生在线自主学习能力培养探索探究［J］.现代职业教育，2021（19）：56-57.

［10］陆浩刚.德国双元制教学模式和我国职教教学模式的比较研究［J］.现代职业教育，2018（20）：42-43.

◎编辑 张 慧

作者简介：谢宁宇（1991—），男，汉族，安徽阜阳人，硕士研究生，助教，研究方向：人工智能和机器学习。