人工智能在技工院校學生學習危機預警方面的研究與應用

陳方兵 湯湘林

摘 要：技工院校學生普遍在學習自信心和執行力方面存在不足，很容易導致學習興趣下降、成績不理想。本文通過收集技工院校學生在校行為數據，通過人工智能算法對學生行為數據進行實時分析，建立了學生學習危機預警模型，一旦監測到學生有學習危機，系統會自動預警，引起輔導員和老師對學生的注意。這樣一方面可及早發現與預警，另一方面后續通過輔導員和老師有針對性地對學生進行思想工作，最終可幫助學生扭轉學習困難的局面。

關鍵詞：人工智能? ? 技工院校? ? 學習困難? ? 學習危機預警

當今社會要求技工院校學生不僅要有良好的思想道德素質、文化素質、專業素質和身體素質，還要具備良好的學習能力。

“十三五”以來，技工院校堅持就業導向，聚焦技工、技師急需緊缺問題，技能人才培養工作取得積極成效。截至2019年年底，全國共有技工院校2 392所，在校生360.3萬人;2019年度全國技工院校共招生143.0萬人，畢業生98.4萬人，就業率為97.5%。很多技工院校從學生學習態度矯正到學習能力培養等各個環節都開展了很多工作，并取得了一定的成果。但大部分院校都是對所有學生無差別地開展工作，由于每位學生情況不一樣，導致學校不能針對有問題的學生重點做好工作，基本上都是事后救火，不能防患于未然。

針對上述情況，筆者積極探索學生學習危機預警解決方案，加強在學生學習危機到來之前的預警工作，并提出引入人工智能等新興預警方法。

一、人工智能學習危機預警模型的研究

從行為心理學理論出發，個體的行為變化可以反映其心理狀態變化，反之，個體的心理狀態變化也會表現在行為上。個體自身行為的變化，一定是由于個體某些情緒的變化或者外在刺激導致的，進而影響有機體的其他行為狀態，也就是說有機體的眾多行為之間存在關聯關系。于是筆者試圖尋找影響個體學習行為的相關因素，如果能找到個體學習行為與哪些其他行為相關，那么通過對外顯行為的監測，最終內隱行為就變得可預測，這樣學習危機預警就變得可以實現。

個體行為包括很多方面，例如飲食、作息、社交、運動、工作等。其中需要解決兩個關鍵問題。首先，需要接入個體的行為數據，只有接入了個體行為數據才有可能對個體行為數據進行分析，找出關聯、關系;其次，需要在行為大數據中找出與學習危機有關聯的指標進行學習危機預警。尋找與學習相關聯的指標非常重要，需要明確哪些指標與學習的關聯性較強、哪些指標與學習的關聯性較弱，而確定關聯性指標的強弱是非常困難的，需要對大量的數據進行分析才能得到。

近年來技工院校信息化建設飛速發展，技工院校學生在學校里大部分行為都可能留下行為記錄，這樣一來就為解決第一個關鍵問題提供了可能。有大量行為數據作為基礎，利用人工智能、大數據等技術手段，依靠行為學的理論基礎，就有可能找出行為與學習危機之間的關系。目前已經能夠發現的學生行為數據包括但不限于個人信息、消費記錄、網絡系統使用情況、打卡記錄、成績記錄、選課記錄、考勤記錄、就業數據、獎懲助學貸記錄等。

初步獲得的學生行為數據是臟數據（指源系統中的數據不在給定的范圍內或對于實際業務毫無意義，或是數據格式非法，以及在源系統中存在不規范的編碼和含糊的業務邏輯），很多數據并不能直接使用，需要對數據進行數據清洗、脫敏和指標化幾個步驟，才能形成完整可用的數據集。數據清洗主要是對數據進行重新審查和校驗，目的在于刪除重復信息、糾正存在的錯誤，并提供數據一致性。數據脫敏主要是將數據中的敏感信息進行隱藏和加密，目的在于不暴露個人隱私，脫敏不僅是對某些關鍵字段脫敏，還需要對多個字段交叉驗證，保證將各字段組合起來也不能顯示個人真實信息。

人工智能學習危機預警模型的建立主要有兩個方面的問題需要解決：第一，收集與問題相關的訓練數據進行模型訓練，收集訓練數據組成訓練集，利用訓練集對模型進行訓練，使模型對特定問題具有預測能力;第二，將新的行為數據輸入模型，新的行為數據組成了測試集，用測試集數據來驗證模型的預測能力，進行預測并檢驗，測試模型的預測準確度。

訓練數據主要是指學校已經掌握的有學習危機的學生數據，有學習危機的學生的數據將作為訓練樣本進行模型訓練，在征得學生本人的同意后，以這部分學生的行為數據作為訓練樣本，采用合適的算法，對量化模型進行訓練。訓練完成后，量化模型就會有一定的預測能力，模型這種預測能力主要體現在對有學習危機行為的識別和預警上。

預測數據是指隨機抽取一部分學生的行為數據，在不知道這批學生是否有學習危機情況的前提下，征得學生本人同意后，將這批學生的行為數據輸入量化模型。量化模型對新輸入的學生數據進行預測，預測完成后會對預測結果進行準確度對比，將預測有學習危機的學生名單與實際情況進行比較，得出模型預測的準確度和識別錯誤率。

模型對新數據進行預測后，需要有輸出結果，模型將輸出結果進行打分，按照分值的高低進行排序，分數越高表示學生有學習危機的可能性越大，分數越低表示學生有學習危機的可能性越小，最后模型需要設置一個閾值，在閾值之上的學生建議重點關注。除此以外，模型還將學生的行為數據指標化，形成個人用戶畫像系統，用戶畫像全方位展示學生各個方面的表現，揭示各個指標是如何影響學生學習，進而造成學習危機的。

二、人工智能學習危機預警模型的應用

人工智能學習危機預警模型的應用需要注意如下三個問題。

（一）數據類型

數據類型即需要用到哪些類型的學生行為數據。不同類型的數據對結果影響很大，所以需要不斷嘗試不同類型數據的組合，找出影響因素較大的數據類型。

根據對影響學習因素的理論的深入研究，結合實際情況，筆者選取的數據類型主要有上網時間、上網時長、進宿舍時間、出宿舍時間、運動頻率、運動時間、選課科目、攝像頭視頻數據、個人信息等。這些數據類型是比較普通的數據，在各個學校中應用比較普遍，具有較強的普適性。同時這些數據類型相對來說較容易獲得，且數據質量較高，與研究標的的關聯性較強。

（二）算法對比

算法對比即采用不同的算法進行建模訓練，而后評估預測效果。不同的算法對模型預測準確度影響較大，選擇合適的算法，可以大大提高模型的預測精度。

筆者選取了監督學習算法和非監督學習算法兩類，原因是這樣可以比較不同類型的算法在處理研究問題時的優劣，最后找到合適的算法來訓練模型。

監督學習是指利用一組已知類別的樣本調整分類器的參數，使其達到所要求的性能，也稱為監督訓練或有教師學習。監督學習算法具體采用了時間序列分析、邏輯回歸算法以及改進的支持向量機算法。

非監督學習是指缺乏足夠的先驗知識，因此難以人工標注類別或進行人工標注類別的成本太高。希望計算機能代人們完成這些工作，或至少提供一些幫助。根據類別未知（沒有被標記）的訓練樣本解決模式識別中的各種問題。非監督學習算法主要采用聚類算法。

通過比較監督學習和非監督學習兩類算法的效果，可以達到兩個目的：第一，對比哪一類算法對學習危機預警模型更有效果;第二，找出預測準確度較高的算法，應用于實際預測。

（三）指標有效性驗證

指標有效性驗證即選取不同的指標后，評估不同指標與預測結果關聯度大小。

筆者共選取了8個指標，并對這些指標做了有效性驗證。這8個指標分別是單親家庭、運動情況、飲食情況、睡眠情況、同性社交、異性社交、網絡社交、新生適應壓力。

對這8個指標進行關聯度分析可以得到不同指標的關聯度大小，單親家庭的關聯度為0.08，運動情況的關聯度為0.18，飲食情況的關聯度為0.33，睡眠情況的關聯度為0.28，同性社交的關聯度為0.59，異性社交的關聯度為0.67，網絡社交的關聯度為0.49，新生適應性壓力關聯度為0.56。

由此可見，選取的這8個指標中，社交情況與學習危機的關聯度最大，新生適應性壓力與學習危機的關聯度也很大，相對來說，家庭情況和運動情況與學習危機的關聯度較小。

三、意義

（一）學習危機預警，實現精準“扶貧”

系統根據學生數據進行自動化預警，學校能夠有效幫助學習困難學生，及時讓學習困難學生走出人生低谷，實現學習方面的精準“扶貧”。這樣不僅可以及時幫助學生走出學習的困境，也能夠讓學生獲得一個更好的未來。

（二）學生無感知，不會刻意隱藏

學校在用傳統的方法識別學生是否有學習危機時，學生由于存在抗拒心理，總會在老師和輔導員面前刻意隱藏自己的某些行為，讓老師產生錯誤的判斷。人工智能學習危機預警模型可以在學生無感知的情況下，對學生學習情況進行分析和預警，相對來講人工智能學習危機預警模型的結果更真實。

（三）不做事后救火工作，防患于未然

之前，學校在解決學生學習危機問題時，總是等到學生在學習方面已經出現了嚴重的問題時才能發現并采取措施，這實際上是一種事后救火，不利于及時發現和解決問題，甚至可能造成難以挽回的后果。學習危機預警模型可以在學生剛剛出現苗頭時就能發現問題并及時預警，加上及時干預，可以有效縮短發現問題的時間，極大提高了解決問題的效率和速度。

參考文獻：

[1]鄒潔，朱國勝，曹揚晨.基于監督學習算法的網絡流量應用類型分類研究[J].長江信息通信，2021（1）.

[2]孔欣然.機器學習綜述[J].電子制作，2019（24）.

（作者單位：陳方兵，深圳阿塔基科技有限公司;

湯湘林，深圳技師學院）