黄炎培职业教育思想与学校课程推荐及评价体系研究

1 前言

本研究以黄炎培职业教育思想中的“谋个性之发展”为指导思想，通过将学生的社交信息融入推荐系统的个性化识别为技术手段。从学生之间交互度、学生性格、专业相似度、构建专业课程池等方面对学校课程推荐和评价体系进行研究，提出了一个兼顾个性和社会化信息的学生特征模型，并利用相似性，计算课程与专业间的相似性，构建专业课程池，实现满足黄炎培职业教育思想的个性化培养的课程推荐方法。

当前高职院校学生选课面临的主要问题是学校选课、排课形式单一，而学生的知识背景、学习能力却千差万别，致使黄炎培职业教育思想的个性化培养贯彻成为难题。本研究全面剖析了当前职业教育人才培养方案中的课程选择和排课方式中存在的模式统一的问题，以学生个性化识别为出发点，从学生性格分析和学生社会化信息识别两个维度，以实现学生课程的个性化推荐为基本目标，创新性地提出了构建专业课程池的方法，紧紧围绕学生个性刻画和课程推荐展开研究，探索提高学生成功选课的方法及选课后的评价标准研究。

1.1 个性化识别建模

黄炎培职业教育思想强调个性化教育，职业教育应该根据每个学生的独特特点和需求来进行。课题组通过广泛深入地调查学生学习方式，并研究了信任推荐领域内的最新商业研究动态，从应用调研情况和当前研究现状分析发现，现有的学校排课模式统一，学生没有自主选择权。针对这个问题，课题组提出学生个性化识别模型，该模型旨在利用学生的个性化特征，为他们提供定制的教育体验。学生个性化识别模型能较全面地识别和刻画学生的个性，充分反映学生特征，为下一步课程推荐的合理性和推荐的成功率提供基本保障。学生个性化识别模型与黄炎培职业教育思想的理念相符，可以为教育领域提供更好的工具和方法，以满足学生的个性需求，培养全面发展的人才。

1.2 构建专业课程池

与黄炎培职业教育思想相结合，学校扩大课程选择范围，以满足学生的多样化兴趣和需求。针对当前学生可选的课程非常有限的问题，我们对专业特征和课程特征进行了分类和整合，通过建立课程特征向量和专业类特征向量，然后认真分析学校所开课程的特点，对开设的课程和各系部开设专业的特征，以计算向量余弦值的方式计算课程与专业的相似值，将余弦值大的课程归入到专业课程池内，构建出相关专业的课程池。

1.3 生成推荐列表

根据黄炎培职业教育思想“谋个性之发展”的理念，本课题设计了一个个性化的培养方案，以学生个性化识别和专业课程池的构建技术为支撑，课题组使用预估评分的办法计算被预测的学生对所有没被评价过的课程的预估分值，将分值进行排序，给出N门课程的排序序列，将这个排序序列推荐给学生选择。

1.4 社会化推荐课程评价标准

黄炎培职业教育思想的“谋个性之发展”课程推荐评价标准的制定是一个复杂而重要的过程，需要考虑多个因素，以确保评价标准的专业性和全面性。课题组首先根据准确性、个性化、时效性、解释性、学生满意度等方面设定评价目标，根据学生的选课成功率进行评价，以课程覆盖率和准确率的平均绝对误差为评价工具，对结果进行分析，比较不同学生、不同课程的评价结果。

2 研究工作的内容详述

2.1 问题描述

将课程推荐与黄炎培职业教育思想相结合的课程分类可以有助于更好地实施黄炎培教育理念。将学校课程重新进行定义和划分，如下：核心价值观教育类课程、人文科学与社会科学类课程、健康与体育教育类课程、创新与创业教育类课程、实践与实习类课程、职业发展与就业指导类课程。以上专业和课程假设为L个专业大类、M门课程、N个学生，学生集合U=｛u1，u2，u3，…， un｝，专业课程池集合Z=｛z1，z2，z3，…，zl｝，课程集合C=｛c1，c2，c3，…，cm｝。学生之间的信任关系记为tu，v，tu，v为[0，1]之间的小数，学生信任关系矩阵记为：T。学生的性格记为pi，pi为[0.5，1]之间的小数，越内向的取值越靠近0.5，越外向的取值越靠近1。课程和专业之间的相似值记为Xc，z，Xc，z这里为0～1之间的一位小数，所有的相似值组成相似矩阵，记为：X=［Xc，z］M×L。新学期新开设的课程ci第一次排入选课系统中，计算新开设课程与系统内所有专业的相似值xi，j，将新加入的课程归类相似值最大的课程池zk中。选课学生u对新加入的课程c的评分记为rui，cj，设定rui，cj为[1，5]之间的整数，如果第一次选课的学生对某一课程没有评分，这一项在矩阵中用0表示，评分矩阵记为：R=［Ru，c］M×N。

2.2 学生的社会化个性识别模型

黄炎培职业教育思想下学生的社会化个性识别是一个复杂而重要的问题。要有效地识别学生的社会化个性，课题组采取了以下方法：学生调查和问卷调查。进行定期的学生调查，以了解他们在校园和社会环境中的互动和行为。教师观察。教师在日常教学中可以观察学生的行为和互动方式，这有助于了解他们的社会化特征。家长和同学反馈。与家长和同学交流，以获取他们的观点和看法。社会技能评估。进行社会技能评估，以了解学生的沟通、合作和解决冲突的能力。通过以上方法，对学生进行社交个性分类，将学生分为内向型和外向型。内向型学生更喜欢独立思考，外向型学生更愿意和他人互动和合作。根据“信任即相似”的假设，利用网络交互信息，计算学生之间的信任度。

信任的定义：若有学生u和学生v，v的选课是参考u的选课结果而做出的选择，则认为v信任u。计算出学生的信任度再用其个性进行修改，得到学生v对u的信任值。公式1给出了计算个性化的学生之间的信任度。

t（v，u）=pv·（1）

表1是表示学生之间信任的关系矩阵，表格中有u1、 u2、u3、u4、u5五个学生，表格中0～1之间的数值表示学生之间的信任关系，假设学生之间是互相信任，比如u3和学生u1、u2、u4、u5有信任关系，那么u1、u2、u4、u5也都和u3有相同的信任关系。

表2表示学生对课程评分构成的矩阵，表格中包含有5个学生对5门课程的评分值，学生对课程的评分是矩阵中的一个值，数值在[0，5]之间。在表格中课程c2和c4的已有评分是学生u2给出的，数值都是3。没有被这5个学生选过的课程，在矩阵中的值都是0。0值越多，没被学生选过的课程越多。

表3是专业—课程的X矩阵，表格中列出5个专业和5门课程的相互关系，以[0，1]的小数表示课程与专业之间的相似性。例如，课程c2和专业z1、z2、z3、z4、z5之间的相似值都是非0值，z1的相似值最大。从而课程c2归入到z1的专业课程池中。专业—课程相似的矩阵数据比较充足。

本课题研究学生和课程之间的关系，假设学生u和课程c，其中u∈U，c∈C，而学生对课程的评分ru，c未知。课程c在第一次被选课之前，要计算课程的特征向量，根据课程向量和专业类向量之间的相似值，加入相似值最大的专业课程池中，我们再去预估学生u对课程c的评分值。

2.3 建立以相似值和信任值为基础的课程池算法。

（1）课程与其专业的余弦相似值计算

构建专业矩阵Qa×b，其中a为学校的专业数量，b为专业关键特性的数量。将专业关键特征数量看作是多维空间上的向量，利用cos计算课程与专业类的相似值公式2如下。

（2）

其中，ci是表示目标课程的向量，zj是所将归属的专业类的向量，输出课程与其专业的cos矩阵XM×L，其中，M表示学校内全部课程的总量，如管理学基础、个人与团队管理、教育学等全校课程的总数量；L表示全校设置所有专业的总量，如法学、公共事业管理、土木工程等的总数量。

（2）构建专业课程池

由余弦相似来计算相似值，根据相似值来建立专业课程池，由公式2计算每一门课程与所有专业类的相似值，把课程归入相似值最大的专业课程池中。

计算全部课程与所有专业的相似值和建立课程池的算法如下。

算法1 建立课程池的伪代码

输入：全部课程的集合C，全部专业的集合L，课程—专业相似值的矩阵S=［Sc，z］M×L

输出：专业课程池矩阵

1：for i from 1 to m do

2：for j from 1 to l do

3：利用公式2计算每一门课程ci与专业zj的余弦相似值

4：记录相似值矩阵Mm×n

5：ci归入相似值最高的zj

6：endfor

7：endfor

未选课的学生u，对新课程c的预估评分，可由公式3（学生对课程的预估评分）得到。

公式3学生对课程的预估评分

以学生之间信任关系为基础的课程推荐评分预测算法。

算法2 预测评分的伪代码

输入：学生对已选课的评分矩阵R，学生的信任关系集合T

输出：生成新的评分矩阵R

1：if （ci in 课程池）

2：for i from 1 to m do

3：计算学生u对已选课程的评分平均值

4：ruc= rcache

5：else

6：通过公式（1）计算学生之间的相互关系值，选取值最大的学生v

7：if （rvc＞0）

8：利用公式（3）计算ruc

9：else

10：计算学生v对课程c所在课程池的已评课程的rcache

（3）算法的后续讨论

以计算专业相似性的方法，划分专业课程池的算法，利用了学校排课中的课程与专业相关的特性，进行余弦相似值计算，根据相似值的大小，将新加入的课程归入相似值大的专业课程池内，这防止了课程进入选课系统的冷启动的出现。同样地，新生第一次进入系统选课，通过学生归属在班级或系科里，解决了学生的冷启动问题。

通过学生对课程的预测评分计算出新生对所有还没选择课程的预测评分，将预测值排序，从列表中选择最大的N门课程进行推荐。

例如，判断新生李华对人力资源管理课的预测评分。先搜索人力资源管理课所在会计专业池内李华已经选修课程的课程评分，将所有课程的均值返给，如果会计专业课程池内没有李华选修的课程，则选取李华信任最大的王山作为游走目标，若王山对《人力资源管理》有评分rv，c，则=tu，v·rv，c，否则，计算王山在会计专业池内已选修课程的评分均值rv，c，如果李华与王山的信任值为tu，v，则李华对《人力资源管理》的预测评分为：=tu，v·rv，c。在选课系统中，基于信任关系的随机游走算法，可以百分百实现选课预测，但是根据路径的长度，准确性也相应地变化。

2.4 课程推荐的评价

黄炎培职业教育思想的课程推荐评价步骤与一般的课程推荐评价类似，但可以根据黄炎培职业教育思想的特点进行定制。首先收集和预处理数据，收集与黄炎培职业教育思想相关的用户行为数据和课程信息。这些数据可能包括学生的学习历史、浏览记录、学习兴趣等行为，以及课程的内容、难度等特征信息，再划分训练集和测试集，将数据集划分为训练集和测试集，以确保评估结果的准确性和可靠性，可以使用交叉验证或其他合适的划分方法。

（1）课程推荐评价标准

①准确性。评价目标应该确保推荐算法能够准确地根据学生的需求和兴趣推荐适合的选课信息。这可以通过计算推荐结果与用户实际选择的课程之间的匹配度来进行评估。

②个性化。评价目标应该关注推荐算法的个性化程度，即推荐结果是否能够符合不同用户的特定需求和兴趣，这可以通过计算推荐结果的多样性和覆盖率等指标来进行评估。

③时效性。评价目标应该考虑推荐算法的时效性，即推荐结果是否能够及时地反映最新的选课信息和用户需求变化，这可以通过计算推荐结果的更新频率和响应速度等指标来进行评估。

④解释性。评价目标应该关注推荐算法的解释性，即推荐结果是否能够清晰地向用户解释为什么会得到这样的推荐结果，以增加用户对推荐结果的理解和信任，这可以通过计算推荐结果的解释性指标来进行评估。

⑤用户满意度。评价目标应该关注用户对推荐结果的满意度，即推荐算法是否能够真正地满足用户的需求和期望。这可以通过用户调查、反馈和评分等方式来进行评估。

通过设定以上评价标准，并合理选择相应的评估指标和评估方法，可以有效地评估课程推荐系统的性能和可靠性，为进一步改进和优化提供参考依据。

（2）课程数据测评

我们选取与黄炎培职业教育培养“谋个性之发展”目标相吻合的覆盖率和准确率两个评价指标对推荐系统进行实验和分析比较。在课题实验的时候，严格掌控数据的来源、格式。删除含有缺失项的记录，用默认值或使用其他相关变量的信息填充缺失值进行插补等。识别并处理与其它观测值明显不同的值，再对学生之间的交互关系进行模拟，信任度设置在[0，1]之间，通过将学生以班级、系部进行信任关系归类，生成学生的信任关系表。

①以选课和行为记录为数据集。训练集1是采用了学校最近3年的48个专业、1290门课程的150276课次的选课记录。训练2是学生在3年的学习过程中产生的546987份学生行为记录，将它分成信任值在[0，1]之间的信任关系。测试集是2023年秋季的6个专业、187门课程、1902个学生的选课数据和这些学生的行为记录作为信任关系集。

②算法的评价指标

在建立各类专业课程池的时候，课程的覆盖率是重要的评价指标，表示课程归入到课程池的完全程度。在学校课程的分类过程中，课程分类一直不彻底。比如大数据分析课程，既与计算机应用专业相类似，也和大数据与会计相类似，这种模棱两可的课程，就无法被推荐给学生。课程覆盖率的高低、课程推荐的准确性也就有了相应的变化。覆盖率的计算公式如下。

Coverage= （4）

其中，是指课程池内包含的课程的总量，是指全校课程的总量。

准确度是课程推荐的另一个评价指标，是在信任的基础上加入随机游走策略后，成功将课程推荐给学生的比率，用平均绝对误差来表示。平均绝对误差的大小与推荐是否成功紧密相关，平均绝对误差越小越好。设学生对课程的预测评分集合为=｛，，…，｝而实际学生选课后的真实评分集合为R=｛，，…｝，那么推荐成功的准确度的计算公式如下。

（5）

（3）结果分析

将48个专业、1290门课程进行实验，将对课程进行分类的词语分别设定为3、5、7、9、11、13、15个，在对课题研究的算法进行实验过程中，验证了对课程进行分类的关键词的选择决定算法的成败。选择专业术语作为“专业类关键词”，两个评价指标都很低。设定专业性不强的“非专业关键词”，两个评价指标都非常高，但是也有同一门课程分到了不同的专业池里的情况。分布图如表4和表5所示。

由上表所示，课程进行分类的过程中，是否是专业的关键词对课程的成功分类起到关键的作用。在本课题研究中，选用黄炎培职业教育方向相关的课程作为训练集和测试集，所以测试结果完全在预期中。

本研究的课程分类和推荐算法是在经典的随机游走算法的基础上改进的，所以将本文算法和随机游走算法用平均绝对误差值进行比较，结果如下图所示。

从图中可以看出，本研究采用的先建立专业课程池再基于信任的随机游走双层结构算法与传统的TidalTrust算法与比较，课程推荐成功的可能性更大。在学校选课系统内，已经构建了各个专业的课程池，所以课程查找范围进一步缩小，在基于学生互相信任基础上的随机游走算法，进一步提高了课程推荐成功的可能性。

3 总结

黄炎培作为中国职业教育领域的杰出思想家，他的思想对中国的职业教育产生了深远的影响。为深入研究和传承黄炎培的职业教育思想的“谋个性之发展”的理念融入学校课程中，本课题研究提出的以个性为基础的新的学校课程设置算法，先根据课程与专业的相似值大小，将课程归入专业课程池，再在专业课程池中，将学生之间的信任关系融入游走算法中，将预测学生评分高的课程推荐给学生进行选择。在这种情况下，解决了系部增加的学期新课的冷启动问题，加入信任的随机游走算法后，也将黄炎培职业教育思想中的“个性化”考虑在内，解决了新生刚进入学校的选课冷启动问题。研究最后的实验验证了，基于信任的随机游走算法能够提高学校课程的推荐成功率，也减少了学生选课的盲目性。

（作者单位：1.烟台职业学院；2.烟台开放大学）