基于深度学习的高职院校STEM学习管理系统评估

摘 要 为解决传统STEM教育系统存在的功能不完善、用户端体验不佳、设备性能不支持、系统安防不成熟的问题，江苏省在高职院校推行了一套基于深度学习的学习管理系统。该系统由知识存储模块、学生学习模块、教师教学模块、用户交互模块和效果评估模块组成，通过构建卷积神经网络模型，整合高职院校的教育资源，为学生提供个性化和智能化的应用服务和为教师提供教学反馈和建议。调查显示，该系统可以促进创新型教师培养和学生多元发展，有助于提升高职院校综合实力。未来，需要从加强移动学习支持、人工智能辅助、跨学科整合三个方面进一步完善该系统。

关键词 深度学习；高职院校；职业教育；STEM学习管理系统

中图分类号 G718.5 文献标识码 A 文章编号 1008-3219（2024）26-0060-08

随着科技的不断发展，STEM（科学、技术、工程和数学）教育越来越受到重视。高职院校作为培养高素质技术技能人才的重要场所，更需要加强STEM教育与实践，提高学生的综合素质和创新能力。然而，当前的高职院校STEM教育存在一些问题，部分高职院校在师资力量、教学设施等方面存在不足，教育质量参差不齐，技能型人才培养缺乏专业性。对此，在大数据时代的社会发展环境下，多种多样的学习软件涌入市场，越来越多的学校开始应用教育系统进行多样化、智能化的教育。孙建结合SPOC线上教育和深度学习的特点，设计多元化的教学系统，注重学生实践能力的培养，开发出自主性、互动性系统功能，有利于培养学生的综合能力，但平台功能之间交互性较差，系统存在兼容性问题[1]。侯梦倩利用大数据分析技术设计智慧校园教育管理系统，针对高职院校课程与教学资源管理进行分析统计，但系统功能相对单一，个性化教学功能模块不完善[2]。为解决这些问题，江苏省高职院校于2024年推行了一套基于深度学习方法的学习管理系统。该系统能够更高效、精准地分析学生的学习行为数据，进而为学生提供个性化的学习服务，提升学生的学习兴趣和学习效率。本文介绍基于深度学习的学习管理系统，并通过线上抽样调查的方式，分析系统的应用效果并提出发展建议，以期为高职院校学习管理系统的优化提供参考。

一、高职院校学习管理系统存在的问题

近年来，高职院校的数量和招生规模不断扩大，为更多学生提供了接受高等职业教育的机会。高职院校紧密结合市场需求，通过与企业合作、实习等方式，培养学生的实践技能，提高学生的就业竞争力，为社会培养了各类技能型人才。学校学习管理系统是学校信息化建设的重要组成部分，对于提高教学效率、优化管理流程具有重要意义。然而，目前学校学习管理系统在引用过程中也存在一些问题。

（一）系统功能不完善

当前大部分高职学校学习管理系统软件功能较为单一，无法满足学校多样化的需求。例如，一些软件可能只提供了成绩管理、课程表查询等基本功能，而对于教学资源共享、在线学习等功能支持不足。教学资源匮乏，缺乏课件、题库、案例等丰富配套教学资源，无法满足教师的教学需求和学生的学习需求[3]。此外，一些系统学习追踪功能缺失，教师难以有效对学生的学习进行追踪和评估，无法及时了解学生的学习进度和学习情况，阻碍个性化教学的推进。

（二）用户端体验不佳

一些高职院校学习管理系统的界面设计不够人性化，操作复杂，信息查询和使用过程繁杂，响应速率慢，严重影响用户体验。同时，部分系统互动功能较弱，无法实现师生之间的实时互动、讨论和协作，影响了教学效果。用户体验不佳可能导致教师和学生在使用过程中遇到困难，影响系统的推广和应用。

（三）设备性能不支持

高职院校学习管理系统中可能包含多个功能性软件，不同软件可能采用不同的技术架构和数据标准，导致软件之间普遍存在兼容性问题，影响了数据共享和系统集成，多应用之间交互不流畅。同时，学习管理系统往往存在移动端支持不足的问题，学生或教师的移动端系统应用体验较差，许多功能无法在移动设备上使用。

（四）系统安防不成熟

学校学习管理系统软件涉及大量的学生和教师信息，然而许多学习管理系统缺少风险保护设计，容易受到黑客攻击，在数据存储和传输过程中存在安全隐患，存在安全漏洞，容易导致学生和教师的信息泄露。随着技术的不断发展和用户需求的变化，系统开发商可能无法及时提供支持，导致学习管理系统在使用过程中的诸多问题难以解决，无法进行定期的安全维护和升级[4]。

为解决上述问题，学校学习管理系统的优化设计应充分考虑软件的功能、兼容性、用户体验、安全性等因素，并与开发商保持良好的沟通和合作，确保软件能够满足学校的实际需求。同时，学校也应加强对教师和学生的培训，提高他们对软件的使用能力和信息安全意识。

二、基于深度学习的高职院校STEM学习管理系统概念

（一）深度学习理论

深度学习是机器学习的一个分支，是一种以人工神经网络为架构，对资料进行表征学习的算法。自深度学习出现以来，它已成为许多领域尤其是计算机视觉和语音识别中的一部分。深度学习的概念源于人工神经网络的研究，含多个隐藏层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示[5]。目前，深度学习技术理论主要包括神经网络算法、反向传播算法、模型压缩等研究方法，是一个非常复杂和庞大的领域，需要掌握多方面的知识和技能。本研究基于深度学习理论对高职院校STEM学习管理系统进行优化设计。

（二）STEM教育理念

STEM是科学（Science）、技术（Technology）、工程（Engineering）、数学（Mathematics）四门学科英文首字母的缩写，其中科学在于认识世界、解释自然界的客观规律；技术和工程则是在尊重自然规律的基础上改造世界、实现对自然界的控制和利用、解决社会发展过程中遇到的难题；数学则是技术与工程学科的基础工具[6]。STEM课程重点是加强对学生四个方面的教育：一是科学素养，即运用科学知识、理解自然界并参与影响自然界的过程；二是技术素养，即使用、管理、理解和评价技术的能力；三是工程素养，即对技术工程设计与开发过程的理解；四是数学素养，即发现、表达、解释和解决多种情境下的数学问题的能力。

STEM教育理念有别于传统的单学科、重书本知识的教育方式，它是一种重实践的跨学科教育理念，具有综合化、实践化、活动化的特点。其主要目的是培养具有创新能力的综合型人才，以提升国家的竞争力。

（三）STEM理念与高职教育的关系

当前，我国教育注重STEM教育理念的融合应用，教育理念与实践之间存在着密切的关系，两者相互促进、相互影响。首先，STEM理念强调科学、技术、工程和数学的融合，注重培养学生的实践能力和创新精神，这与高职教育的培养目标高度契合，可以更好地培养学生的实践能力和创新精神，提高学生的专业技术和综合素质。

其次，在高职院校的学习管理系统中，根据STEM理念进行系统教学功能优化，可以为高职学习管理系统提供新的教学方法和教学手段。强调实践教学和探究式学习模块，注重培养学生的创新能力和解决问题的能力，可以推动教学方法和教学手段的改革，提高教学质量和效果。

最后，遵循STEM理念，利用深度学习技术可以对高职学习管理系统进行系统化、个性化内容设计，全面高效整合高职院校丰富的教育资源和实践经验；同时，也可以为 STEM理念的推广提供重要的支持和保障，线下也可以通过与企业合作等形式，开展STEM教育实践活动，为学生提供更多的实践机会和平台。

三、基于深度学习的高职院校STEM学习管理系统设计

（一）STEM学习管理系统总体框架

高职院校STEM学习管理系统主要包括知识存储模块、学生学习模块、教师教学模块、用户交互模块和效果评估模块，见图1。

高职院校STEM学习管理系统运行架构通常包括以下几个层次。

第一，数据存储层。用于存储和管理教务系统所需的数据，包括学生信息、教师信息、课程信息、成绩信息等。数据层通常使用关系型数据库或NoSQL数据库进行存储。

第二，业务逻辑层。用于处理学习管理系统的业务逻辑，包括学生管理、教师管理、课程管理、成绩管理等。业务逻辑层通常使用服务器端编程语言（如Java、Python、NET等）进行实现。

第三，界面显示层。用于展示教学系统的界面，分为学生端和教师端的界面。利用Web技术（如HTML、CSS、JavaScript等）设计学习管理系统用户界面，根据STEM优化功能窗口与页面设计[7]。

第四，系统接口层。用于与学校其他系统进行交互，如财务系统、人事系统等，并与教育部门相关系统、第三方在线教育平台等外部系统进行对接。接口层通常使用SOAP、REST等 Web 服务技术进行实现。

第五，信息安全层。用于保障教学系统信息数据与操作应用的安全性，加强用户认证、授权访问、数据加密等安防程序。利用加密技术、身份验证技术等对用户应用模块、系统数据模块等进行加密安全保护。

第六，监控运维层。用于监控学习管理系统的运行状况，利用日志分析工具对学生课程进程进行追踪监督。同时对系统进行维护和升级，及时检查维修系统漏洞故障，更新系统应用功能。

（二）深度学习管理系统模型构建

STEM学习管理系统采用卷积神经网络（CNN）算法进行模型构建，收集与高职院校教育相关的数据，包括学生信息、课程信息、教师信息、成绩数据等，确保数据的质量和准确性，对数据进行清洗预处理，删除缺失值、处理异常值。具体而言，包括以下五个部分。

第一，数据收集与预处理。首先，系统需要收集与高职院校教育相关的数据，包括学生的信息、课程安排、教师资料以及学生的成绩等。这些数据的质量和准确性是模型构建的基础。因此，在数据输入模型之前，必须对数据进行清洗和预处理。清洗数据的过程包括删除缺失数据、处理异常值，以确保数据的完整性和准确性。

第二，卷积神经网络模型构建。利用卷积神经网络（CNN）算法来构建模型。CNN的核心是通过卷积层从输入数据中提取特征。在教育系统的场景中，卷积层会处理输入的教育数据（如学生成绩、课程参与情况等），提取与学生学习表现相关的关键特征。这些特征随后传递到模型的下一层，逐层提取更多复杂的信息。

第三，特征提取。在卷积层中，使用递归神经网络算法来进一步挖掘数据中的关键特征。通过递归关系，模型不仅能够提取当前数据的特征，还能从历史数据中学习到更多关联信息，帮助模型更好地理解学生的长期学习表现。

第四，模型优化。为了提高模型的性能，需要对模型的迭代过程进行调整。通过应用非线性修正方法来优化模型的超参数，确保模型在每次迭代中逐渐接近最佳性能。这一过程可以通过不断调整模型的参数来减少误差，提升数据处理的准确性。

第五，模型评估。构建好的模型需要经过严格的评估，以确保其泛化能力，也就是模型在未见过的数据上能够保持良好的表现。为此，使用交叉验证的方法，对模型在不同数据集上的表现进行评估，确保模型不仅能在训练数据上表现出色，还能在实际应用中保持稳定性和高效性。模型构建流程关系如图2所示。

经上述步骤构建深度学习管理系统数学模型，卷积结构如图3所示，其运行结构主要分为以下层级。

第一，输入层。负责接收学习管理系统文本、图频等多项资料数据输入，将原始的特征向量信息进行归一化或标准化处理，去除干扰噪声，提高资料挖掘真实度。

第二，卷积层。卷积层是深度学习模型中的数据特征处理层次，卷积迭代识别输入数据的相关特征，通过应用卷积核对输入数据进行卷积操作，生成特征图谱与关系树，对学校教学资料进行特征提取和图像处理。

第三，池化层。池化层用于对卷积层生成的特征图进行降采样，减少特征图的大小，从而减少计算量和模型参数的数量[8]。常见的池化操作包括最大池化和平均池化。

第四，全连接层。全连接层用于对池化层输出的特征进行分类或回归任务。全连接层将每个特征与一个权重向量相乘，并加上一个偏置项，得到一个输出值，实现特征数据归类整合。

第五，输出层。输出层是模型的最后一层，用于生成最终的输出结果。根据任务的不同，输出层可以是分类层（用于分类任务）或回归层（用于回归任务）。

基于深度学习的教学模型应用于高职院校的学习管理系统中，可以实现学生成绩预测、课程推荐、教学质量评估等功能。在模型投入使用后，需要对其进行持续的监控和更新，确保模型在实际应用中的有效性。通过监控模型的性能指标，如准确率和召回率，及时发现问题，并在必要时对模型进行重新训练或调整参数。基于实践过程中遇到的问题，如果模型的预测准确度降低或系统无法满足用户需求，则通过调整数据输入、优化模型架构或引入更多训练数据来改进模型，从而保证学习管理系统的稳定性和高效性。

（三）系统基础教育功能模块设计

1.知识存储模块

知识存储模块是学习管理系统必不可少的组成部分，它用于存储和管理各种教育资源。首先，建立包含各种专业术语、概念、原理的专业知识库。其次，设计课程相关资料存储功能，保存课程大纲、教学计划、课件、教材、参考书籍等课程资料，以及录制的课堂教学视频、讲座视频、实验演示视频等，以供学生自主观看学习。多平台搜索采集课内外多样化案例材料，包含实际项目的案例分析、实际应用场景的示例，以及行业动态、研究成果等，帮助学生深入理解并灵活应用所学知识[9]。

同时大量存储各种类型的练习题、测验题、考试题库等，有助于学生进行自测和复习。存储学生提交的实验报告、作业、论文等，供教师进行批改和反馈。统计存储学生的学习记录、学习进度、成绩排名等信息，以便教师和学生进行跟踪和评估。

2.学生学习模块

学生学习模块为学生提供了一个个性化的学习平台，学生可以自主访问课件、教学视频、电子书籍、学术论文等课程资料，按照自己的节奏进行学习或复习。设置计划功能，学生可以制定个人学习计划，安排学习目标和时间，查看自己的学习进度；在学习管理系统中可以线上提交作业、参加测验，查看学习成绩和教师的反馈。

在学习互动社区，学生可以与同学和教师进行交流和互动，讨论课程内容、分享学习经验等。并通过数据分析了解自己的学习情况，发现自己的优势和不足，以便针对性地调整学习策略，更好地管理学习过程、获取学习资源，并根据STEM教学理念，鼓励学生参与教学系统中相关单位的活动实践[10]。

3.教师教学模块

教师教学模块为教师提供了教学支持和资源管理，教师可以创建、编辑和发布课程信息，上传、管理、组织和共享课件、文档、视频、音频等教学资源，并布置作业、测验和考试，设定截止日期和客观题自动批改功能。系统提供实时的教学互动功能，如实时聊天、讨论区、投票等，教师与学生可以进行多元化互动和讨论，具体流程如图4所示。教师之间也可以互动协作，共享教学资源、经验和教学方法[11]。

在学生管理方面，通过系统大数据分析，教师可以了解学生的学习情况，包括学生的学习进度、成绩分布、学习行为等，以便进行个性化的教学指导与调整。同时，教师可以创建和管理评价活动，包括学生自评、同学互评和教师评价，以促进教学质量的提升。

4.用户交互模块

用户交互模块支持学生和教师与系统进行交互，用户界面应该简洁明了、易于操作。用户需要通过认证登录获取权限，确保只有学校授权用户可以访问系统的功能。用户可以管理个人信息，进行密码修改、查看学习记录、设置偏好。系统会根据身份认证向用户发送课程更新、作业提醒、考试安排等通知和消息。

系统提供导航栏搜索功能，方便浏览查找系统资源，学生可以查看感兴趣课程的详细信息，浏览和下载系统中的教学资源，参与考核，提交作业，教师在线批改作业并反馈。在线讨论区支持学生和教师进行课程内容的讨论、提问和解答、在线帮助文档、常见问题解答等互动，以帮助用户解决学习问题。

5.效果评估模块

在学生评估端，通过收集分析学生的课程作业、考试成绩等数据，跟踪学生的学习进度，查看任务完成度，评估学生的学习效果。分析登录频率、学习时间、资源浏览量等学生的学习行为，评估学生的学习积极性和参与度。通过作业、项目、考试评估学生的学习成果，了解学生对知识和技能的掌握程度，并生成统计报告进行管理。

在教师评估端，开展课程满意度调查，了解学生对课程内容、教学方法、教学资源等方面的满意度，收集学生对教师教学的评价和反馈，评估教师的教学质量和效果。根据评估结果提供反馈和建议，督促教师和管理人员进行教学改进和课程优化[12]。

（四）基于深度学习的智慧功能设计

1.在线直播点播授课功能

高职院校学习管理系统支持线上直播点播学习，教师可以通过直播功能实时授课，学生观看直播并与教师进行互动。课后直播视频会被保存记录并提供给学生进行回放复习，学生根据自己的需求和时间安排，随时点播已录制好的课程视频进行学习。点播功能支持暂停、快进、倒退等操作，方便学生自由控制学习进度。

在学习过程中，教师和学生可以在直播聊天窗口提问交流，或者在点播课程评论区发布评论和留言。系统会记录学生的学习历史和学习进度，包括观看的课程视频、学习时间、完成的作业等。学生可以随时查看自己的学习记录，了解自己的学习情况，检验自己的学习效果[13]。

2.个性化学习资源推荐功能

基于学生的学习历史和兴趣爱好，系统会推荐适合学生的学习路径。发掘学生在某个学科领域的出色表现，系统会推荐相关的学习内容，检索相关课程供学生选择，并提供智能辅导，帮助学生进一步提升专业能力。

同时，根据学生的学习进度，系统会生成个性化的学习计划，包括学习目标、学习内容、学习时间安排等，实时跟踪学生的学习进度，帮助学生合理规划学习时间、提高学习效率[14]。根据学生的表现和成绩，系统会给予相应反馈，激励学生，以提高学生学习的积极性。

3.基于深度学习的成绩预测功能

基于深度学习智慧模块，如图5所示，将采集到的数据样本代入深度学习模型进行训练。通过使用交叉验证或其他评估方法，对训练好的模型进行评估，以确定模型的准确性和泛化能力。将学生相关数据输入模型，模型会输出预测的成绩结果，并以可视化的方式呈现给教师和学生，包括学生的预测成绩、成绩变化趋势等[15]。教师可以根据预测结果，对学生的学习情况进行更有针对性地指导和支持。

四、高职院校STEM教育中基于深度学习的学习管理系统应用调查

（一）调查方法

本文选取江苏省某高职院校于2024年推行的学习管理系统进行调研，主要采用线上抽样调查的方式对教师与学生进行问卷调查。通过线上多个教育平台发放问卷链接，并采用SPSS软件进行分析。问卷内容设计如表1所示。

对收集到的问卷资料进行编码，提取问题关键概念形成概念群，按照问题特征属性对资料进行类目整合。采用主轴式编码方式，梳理所有问卷题目之间的从属关系，并记录问题参考节点，见表2，便于统计整理和资料分析。

（二）调查结果分析

1.高职院校STEM学习管理系统应用现状

本研究共收回862份调查问卷，其中教师提交的问卷占比12.5%，学生提交的问卷占比87.5%。大部分人每周使用STEM学习管理系统的时长在4小时以内。在教师中，每周使用0～2小时的人数占比为28.07%，使用时长在2～4小时的占比最多，为48.11%，使用时长为6小时以上的占比7.55%。在学生中，44.64%的学生每周使用STEM学习管理系统的时长为0～2小时，47.32%的学生使用时长为2～4小时，每周使用时间超过4小时的仅为8.03%。

数据结果显示，该高职院校已经开始引入STEM教育理念，并结合适配的学习管理系统，尝试将其应用于教学实践中，以支持多样化、专业化教学活动的开展。但由于我国当前的高职院校课程安排仍以线下教育为主，且在校时间长，课程安排较多，学习压力较大，进行线上教育资源应用的时间并不充裕，因此STEM学习管理系统使用率相对不高。

2.高职教师对STEM学习管理系统的评价态度

本文对STEM学习管理系统的不足进行调研，发现大部分教师认为系统存在授课效率相对较低和实践项目有限的问题。因此，高职院校可以加强对于STEM学习管理系统软件的系统性设计，充分整合各个学科领域资源，扩展系统个性化功能。同时应加强STEM的教育资源建设，优化师资队伍，创新教学模式，使教学系统与线下授课相结合，尽可能发挥其教学辅助作用。

3.高职学生对STEM学习管理系统评价态度

对参与调研的高职学生进行STEM系统应用必要性调查，对系统应用需求度由低到高进行划分，用1～10表示从“没有必要”到“十分必要”并进行打分评价，按照年级进行数据统计，并根据性别比例对必要性评价数据样本进行独立检验。

在高职院校中，越高年级的学生对STEM学习管理系统的需求越大，对系统必要性的支持率越高，三年级学生虽然是三个年级中人数最少的，但对系统的支持率却是三个年级中最高的，平均支持率高达8.34，且使用学习管理系统的大部分学生是出于实践需求；二年级平均支持率为6.21，使用系统的主要原因多为教师安排，其次为兴趣驱动；一年级学生对系统的平均支持率约为5.62，且使用原因是教师安排或任务要求居多。因为高职院校中三年级学生普遍需要参与更多的社会实践，进行专业性的技术训练，对STEM课程与资料需求量也随之增大，所以对STEM系统的评价更高。

按照参与者性别比例进行样本独立性检验，三年级学生必要性评价独立性检验结果为P<0.03，说明不同群体间对系统必要性评价无明显差异。一年级学生样本独立性检验结果为p>0.05，说明该年级不同学生群体之间对STEM学习管理系统的应用评价存在一定差异。研究认为，一年级学生对学业任务认知不全面，相对三年级学生来说学习压力较小，所以对学习管理系统的需求程度有明显不同。

五、基于深度学习的STEM学习管理系统对高职院校综合发展的影响

（一）加强创新型教师培养

一是教学效率提高。基于深度学习的STEM学习管理系统可以为高职教师提供丰富的教学资源和工具，例如虚拟实验室、模拟器和可视化工具等，这些工具可以帮助教师更加生动、直观地展示教学内容，提高学生的学习兴趣和参与度。

二是个性化教学发展。借助 STEM学习管理系统的多样化功能，教师可以更好地根据学生的个体差异和学习需求，为学生提供个性化的学习路径和资源，高效进行学习追踪和计划定制，有助于实现因材施教。

三是教学质量提升。加强教师STEM教育培训，提升教师专业能力，结合STEM系统可以全面优化课程内容，转变授课方式，根据学生学习进度、作业完成情况等数据及时调整教学策略，切实提高教学效果。

（二）促进学生多元发展

一是增强学习兴趣。STEM学习管理系统支持多企业合作，在线上平台进行公示，学生可以有更多渠道参与到社会相关的实践项目活动中，提高他们的学习积极性和主动性。

二是跨学科学习。STEM教育强调跨学科的学习方法，学生在学习过程中需要运用多个学科的知识和技能来解决问题。这种跨学科的学习方式可以帮助学生更好地理解不同学科之间的联系，培养他们的综合思维能力。

三是培养创新精神。STEM教育鼓励学生进行创新和实践，学生可以通过软件提供的工具和资源，尝试不同的设计和实验，培养他们的创新精神和实践能力。

（三）提升高职院校综合实力

一是提升学校软实力。STEM学习管理系统的应用可以提升学校的整体教学质量，提高学生的综合素质和竞争力，从而提高学校的声誉和知名度。

二是促进教育改革。STEM教育的理念和方法与传统教育相比有较大的差异，学校引入STEM学习管理系统可以推动教育模式的改革，优化学校的教学体系，促进高职教育的创新发展。

三是加强校企合作。STEM教育需要学校与企业、产业界等建立紧密的联系，共同培养符合市场需求的人才。学校可以通过STEM学习管理系统与企业合作，开展实践项目和实习活动，拓宽企业宣传渠道，为学生提供更多的实践机会，实现校企双方合作共赢。

总之，基于深度学习的STEM学习管理系统的应用对高职院校课程教育具有多方面的影响，有助于提高教学质量、培养学生的综合素质和创新能力，推动教育模式改革和创新。积极引入和应用基于深度学习的STEM学习管理系统能够为学生提供更好的教育服务，对高职院校教育和服务的发展具有积极的影响作用。

六、结论与建议

基于深度学习的高职院校STEM学习管理系统利用卷积神经网络构建系统模型，充分考虑用户需求、学习内容、教学策略等因素，设计适用于知识存储、学生学习、教师授课、互动服务与效果评估功能模块。并针对线上服务的独特性，设计直播点播、成绩预测、个性化服务等智能应用模块。通过调研分析STEM学习管理系统应用现状以及应用主体对其的评价态度，并从教师、学生、学校三方面分析基于深度学习的STEM学习管理系统对高职院校教育的影响，认为该系统的应用对高职院校教育和服务的发展具有一定的积极作用。

当然，目前的高职院校 STEM学习管理系统仍存在一些局限性，未来需要进一步探究以下三方面的技术内容：一是移动学习支持。随着移动设备的普及，移动学习已经成为一种趋势。未来的高职院校STEM学习管理系统可以进一步增加对移动设备系统功能的设计，以满足学生随时随地学习的需求。二是人工智能辅助。除了深度学习技术，未来的高职院校STEM学习管理系统还可以引入其他人工智能技术，如自然语言处理、机器学习等，以提供更加智能化的教学辅助。三是加强跨学科整合。STEM教育本身就是一个跨学科的教育领域，未来的高职院校STEM学习管理系统可以进一步加强不同学科之间的信息交互与融合，促进学生跨学科思维能力的发展。

综上所述，通过深度学习技术的应用，高职院校 STEM学习管理系统可以为学生提供更加个性化、智能化的学习体验，为高职院校STEM教育的发展带来新的机遇。未来的研究需要进一步探索更加先进的技术方案，以应对不断变化的教育需求和挑战。

参 考 文 献

[1]孙建.高职院校基于SPOC的深度学习教学设计[J].教育与职业，2021（5）：107-112.

[2]侯梦倩.高职院校智慧教育管理系统的设计与应用[J].互联网周刊，2023（11）：85-87.

[3]苗天潮.美国国家STEM高职教育监测指标体系及其启示[J].职业技术教育，2021（7）：67-73.

[4]朱永海.深度学习视角下混合教学系统化设计与体系化模式构建[J].中国电化教育，2021（11）：77-87.

[5]杨广荣，张兴建.高职院校设计类专业顶岗实习成绩评价方法及指标体系研究[J].职业技术教育，2021（14）：57-61.

[6]包静洁.高职院校数据采集平台系统设计与实现[J].电脑编程技巧与维护，2022（9）：70-73.

[7]赵岩，王璇，吴旭.高职院校辅导员工作管理系统的设计与实现[J].数字技术与应用，2023（3）：222-224.

[8]李旭.智慧教育视野下基于STEM和TP ACK理念的高职数学教学策略探究[J].山东商业职业技术学院学报，2021（6）：44-47，51.

[9]王松涛，沈宝国，谢中敏.基于工作流的高职院校科研管理信息系统设计[J].现代职业教育，2021（52）：136-137.

[10]吕翱.STEM理念在高职创新创业教育中的应用研究——以新能源汽车技术专业为例[J].内燃机与配件，2021（15）：236-237.

[11]LIANG Y. Design and implementation of practical teaching management system based on web in higher vocational colleges[J]. Journal of Physics Conference Series，2021（2）：22-78.

[12]ZHANG Y. Modern art design system based on the deep learning algorithm[J].Interconnect.Networks，2022（22）：214-226.

[13]ZHANG X. Teaching reform and research on art design majors in higher vocational colleges under the background of“Double High Plan”[J].Contemporary Education Research （Baitu），2021（1）：20-24.

[14]WANNAPIROON P，NILSOOK P，TECHAKOSIT S，et al. STEM literacy of students in vocational education[J].International Journal of Technology in Education an0d Science，2021（4）：253-261.

[15]FERRARA M，SANTA F D，BILARDO M，et al. Design optimization of renewable energy systems for NZEBs based on deep residual learning[J].Renewable Energy，2021（5）：590-605.

Evaluation on STEM Learning Management Systems Based on Deep Learning in Higher Vocational Schools

Zhang Yue

Abstract To solve the problems of incomplete function， poor user experience， insufficient device performance， and immature security system in traditional STEM education system， Jiangsu Province has implemented a learning management system based on deep learning in vocational colleges. The system consists of knowledge storage module， student learning module， teacher teaching module， user interaction module and effect evaluation module. It constructs a convolutional neural network model to integrate educational resources in higher vocational colleges and provides personalized and intelligent application services for students and teaching feedback and suggestions for teachers. The survey shows that the system can promote the cultivation of innovative teachers and the diversified development of students and help to improve the comprehensive strength of vocational colleges. In the future， the system needs to be further improved from the perspectives of enhancing mobile learning support， artificial intelligence assistance and interdisciplinary integration.

Key words deep learning; higher vocational colleges; vocational education; STEM learning management system

Author Zhang Yue， assistant researcher of Jiangsu College of Engineering and Technology （Nantong 226001）