基于BTM的人工智能賦能職業技能習得的倫理風險

摘要：人工智能與職業教育教學的深度融合，是助推職業教育數字化轉型和智能升級的重要途徑。然而，人工智能技術的躍遷式發展會對職業教育教學進行技術性反向控制，較易引發教育倫理風險。基于此，文章結合雙詞主題模型（Biterm Topic Model，BTM）數據挖掘和文本共線網絡分析數據可視化的優勢，設計了基于BTM的研究框架。依托此框架，文章開展了實驗語料庫搭建、運行BTM、倫理風險釋義，并利用文本分析方法分析了人工智能技術應用于職業技能習得的倫理風險案例，總結出當前人工智能賦能職業技能習得過程中存在的五對倫理風險，即思維僵化與信息繭房、情感遮蔽與職業失德、資源割裂與學習淺層、角色迷航與操作僵化、工具理性與自我困厄。文章對案例數據的挖掘和解釋，有助于規避和約束倫理風險。

關鍵詞：BTM；人工智能；職業技能；職業教育；倫理風險

【中圖分類號】G40-057 【文獻標識碼】A 【論文編號】1009—8097（2023）07—0025—10 【DOI】10.3969/j.issn.1009-8097.2023.07.003

加快數字化發展、建設數字中國、發展數字經濟，是貫徹新發展理念、推動高質量發展的戰略舉措，深刻影響著教育領域的變革。在此背景下，《教育部2022年工作要點》正式提出“實施教育數字化戰略行動”^[1]。而教育數字化既是大勢所趨，又是當務之急，給職業教育的變軌超車帶來了歷史機遇。對此，教育部職業教育與成人教育司印發《關于2022年職業教育重點工作介紹》，明確強調要推動職業教育數字化升級^[2]。而以人工智能為代表的數字技術，通過與職業教育教學深度融合，推動了職業教育數字化轉型的整體躍升，服務于高質量現代職業教育體系建設。然而，人工智能技術的躍遷式發展會對職業教育教學進行技術性反向控制，較易引發教育倫理風險。因此，人工智能賦能職業技能習得的倫理風險是職業教育數字化轉型過程中亟待解決的問題。基于此，本研究利用文本分析方法，基于BTM來分析當前人工智能賦能職業技能習得的倫理風險案例，進而探究當前人工智能賦能職業技能習得的倫理現狀，以期為規避相應的倫理風險提供實證依據。

一 BTM與人工智能教育倫理

1 BTM研究概況

目前，國內外學者針對BTM的研究主要集中在BTM的歷史演變和BTM的應用研究兩個方面：①BTM的歷史演變主要經歷了潛在語義分析（Latent Semantic Analysis，LSA）、隱含狄利克雷分布（Latent Dirichlet Allocation，LDA）、BTM三個發展階段。1990年，美國學者Deerwester等^[3]最早提出“主題模型”的概念，并創造性推出LSA模型。為解決LSA模型過擬合的問題，2003年美國學者Blei等^[4]結合貝葉斯思想，推出目前應用十分廣泛的LDA模型。為解決短文本數據稀疏性而導致模型效果不佳的問題，2013年Yan等^[5]推出針對短文本的BTM。②BTM的應用研究主要聚焦于主題時間演化、主題文本聚類、主題話題提取三個方面。例如，王曦等^[6]基于BTM，聚焦考研復試期間國內主流網絡社交平臺的討論文本，成功刻畫了教育輿情隨時間推進的演化路徑；高慧穎等^[7]基于BTM，提出了一種基于詞共現分析的雙詞主題模型，并證明了該模型在醫療評論文本中的主題模型質量優于傳統主題模型；徐菲菲等^[8]基于BTM，構建了一種中文新聞話題提取模型，能夠有效提高話題提取的準確性。BTM在問題解決的過程中逐步演化，并最終演變為在短文本中更具針對性和準確性的BTM。與此同時，BTM的應用研究在各個領域持續推進，其功能也從單一向多元發展。

2 人工智能教育倫理研究概況

當前，國內外學者關于人工智能教育倫理的研究主要集中在本質研究和規避研究兩個方面：①本質研究主要存在技術嫁接抵觸說、技術應用反噬說、教育生態失衡說三種觀點。例如，How^[9]引入“技術嫁接”的概念，提出人工智能技術嫁接存在抵觸傾向，表現為教育數據解釋性差、算法迫使學生面臨安全危機等倫理風險；韋妙等^[10]引入“技術反噬”的概念，警示職業教育若被技術裹挾甚至反噬，可能導致精神焦點愈漸渙散或聚焦情境日益退隱的怪圈；孫田琳子^[11]引入“教育生態”的概念，指出人工智能技術若被過分倚重、凌駕于師生之上，就極易導致教育生態失衡，進而產生倫理風險。②規避研究主要存在技術優化法、規范約束法、價值理性法三種規避方法。例如，Hagendorff^[12]從技術優化的角度出發，指出應讓設計者意識到人工智能技術是一個倫理層面的系統，進而優化技術來規避倫理風險；陳可等^[13]從規范約束的角度出發，主張構建包含技術向度、教育向度和管理向度的人工智能倫理規制，助力職業教育高質量發展；劉延翠等^[14]從價值理性的角度出發，指明職業教育應對人工智能挑戰的關鍵是“以人為本”，以人獨有的鑒賞力、個性化和工匠精神為落腳點。已有研究在闡述人工智能在教育應用中的倫理問題表現時，過于從宏觀視野描述，并未對問題現象進行分層和歸類，欠缺對倫理困境的系統分析。而BTM作為一種無監督的主題生成模型，以詞語文本的微觀角度作為切入點，可對人工智能教育倫理風險的案例數據進行更具科學性、準確性和全面性的主題聚類。

二 研究框架構建

1 相關概念界定

（1）職業技能

當前，關于職業技能的概念可從教育學和心理學角度進行解析：教育學角度方面，Dewey^[15]從技能類型的外在屬性出發，認為職業技能是職業教育學習者需具備的隱性操作技能和顯性認知技能的集合，且反對將職業技能等同于單純的技能訓練；心理學角度方面，崔景貴^[16]從技能形成的內在機制出發，將職業技能解釋為在職業活動中，運用專業知識和經驗，通過練習而形成的操作系統或行為模式。在此基礎上，本研究認為，職業技能是學習者在職業教育教學過程中，運用專業知識和經驗進行職業活動實踐，進而形成認知與操作技能相結合的復雜行為模式。

（2）倫理風險

當前，關于倫理風險的概念可從道德挑戰和倫理關系角度進行解析：道德挑戰角度方面，Akgun等^[17]將倫理風險界定為人類對于出現道德挑戰和道德弊端的思考與感悟；倫理關系角度方面，陳愛華^[18]將倫理風險解釋為人與人、人與社會、人與自然、人與自身的倫理關系由于受正面或負面影響可能產生不確定的事件或現象。在此基礎上，本研究認為，倫理風險是由于責任主體觸碰道德邊界而產生的不確定的倫理負效應，文中專指在人工智能賦能職業技能習得的過程中存在于師生關系中的倫理風險。

2 基于BTM的研究框架

本研究基于倫理風險潛藏性的特點，結合BTM數據挖掘和文本共現網絡分析數據可視化的優勢，設計了基于BTM的研究框架（如圖1所示），具體包含三個步驟：①實驗語料庫搭建，即從學術平臺、權威媒體、白皮書、藍皮書中搜集并篩選人工智能賦能職業技能習得的倫理風險案例，形成實驗語料庫。②運行BTM，經歷最佳主題數確定、主題維度劃分、主題內容分析三個子步驟。其中，最佳主題數是根據主題困惑度折線圖的走勢確定，而主題維度是根據文本共現網絡分析知識圖譜進行劃分。③倫理風險釋義，通過主題內容分析，聚類出思維僵化與信息繭房、情感遮蔽與職業失德、資源割裂與學習淺層、角色迷航與操作僵化、工具理性與自我困厄五對倫理風險的具體表現。其中，實驗語料庫搭建、運行BTM為主題聚類的過程，而倫理風險釋義為主題聚類的結果，故本研究在搭建實驗語料庫、運行BTM的基礎上，挖掘主題數量與聯系，并梳理得出倫理風險的內涵。

三 研究過程解析

1 實驗語料庫搭建

本研究以“人工智能or智能”and“職業or技能”and“倫理or風險”為關鍵詞，檢索時限為2018～2022年，在中國知網、維普網等學術平臺，《人工智能安全標準化白皮書（2021版）》《人工智能白皮書（2022年）》《2022年人工智能教育藍皮書》等白、藍皮書，中國網、人民網等權威媒體中進行全文搜索，對同時包含所選關鍵詞的案例文本進行保留。在初步數據收集階段，本研究得到100個案例數據，存放于表格之中，形成原始語料庫。之后，本研究進行數據預處理，發現聚類的主題數量過多且主題模型并非指向倫理風險，造成的原因可能是有些案例并非重點闡述倫理風險，因此本研究依據主題相關度多次進行人工篩選，最終得到75個案例數據（數據保留率為75%），存放于表格之中，形成實驗語料庫，其過程如圖2所示。

2 運行BTM

BTM對文本語料庫中2個臨近出現的共現詞對進行建模，解決了文檔數據稀疏的問題。本研究采用停用詞和自定義字典兩種方式，對實驗語料庫進行文本和分詞去噪，以提高后期模型結果的精確性和指向性。同時，采用jieba組件進行分詞，進而生成共現詞對集合，預設主題數量K為6，并生成每個主題概率靠前的前10個詞語。

（1）最佳主題數確定

一般認為，主題困惑度折線圖主題數量處于最低值且位于拐點處時，對應的K值是該模型的最佳主題數^[19]。本研究在Python編程環境中編寫程序代碼，對實驗語料庫進行主題困惑度分析，獲取每個主題所對應的困惑度值。本研究將主題數量作為橫坐標、困惑度值作為縱坐標，設置主題數量區間為[1， 10]，步長為1，繪制二維主題困惑度折線圖，如圖3所示。圖3主題數量1～10的走勢表明：當主題數量為1～4時，隨著主題數量的增加，困惑度值在持續下降；當主題數量達到5時，困惑度值處于最低值且位于拐點處；之后，困惑度值又持續上升，故最佳主題數K值為5。

（2）主題維度劃分

通過上述分析，本研究將預設的主題數量6改為最佳主題數5，即K取值5，再次運行BTM，最終得到包含5個主題、且每個主題都含有10個高頻詞的主題—高頻詞表。為了更細致地觀察高頻詞之間的共現關系，本研究對實驗語料庫的共現詞對進行文本共現網絡分析，結果如圖4所示。圖4顯示，高頻詞“教學”和“學習”不僅節點標簽面積較大，而且位于圖中的中間位置，可見“教學”和“學習”是實驗語料庫的核心高頻詞。選中高頻詞“教學”，查看與其有共現關系的高頻詞，得到以高頻詞“教學”為網絡中心的局部共現網絡圖，如圖5所示；同理，得到以高頻詞“學習”為網絡中心的局部共現網絡圖，如圖6所示。

根據“教學”“學習”的局部共現網絡圖，本研究對BTM主題聚類結果進行了維度劃分：首先，將每一個主題下詞語序列中與“教學”和“學習”共現的詞語區分開來，即把每一個主題劃分為教學環節和學習環節兩個維度；然后，按照詞頻從前到后排序，劃分結果如表1所示（刪除了語義重復的個別詞語）。

（3）主題內容分析

表1是代碼運行的文本分析結果，尚未賦予主題名稱。對此，本研究根據每個主題靠前的詞語含義和相應的文本邏輯進行人工主題內容編碼，并經推理得出對應的倫理風險。為防止關鍵詞不足以解釋主題含義，本研究在實驗語料庫中選出輔助理解的文本語料進行主題內容編碼。

結合主題維度劃分和輔助理解的文本語料，本研究進行了主題內容編碼和倫理風險推理，結果如表2所示。表2顯示，在主題序號1（下文簡稱“主題1”）中，教學環節的關鍵詞為“情感遮蔽”“教學活動”“交流”“邊際”，其輔助理解的文本語料是“人工智能的過度應用破壞職業課堂組織中師生交往機制，出現情感遮蔽風險……”，結合兩者可將主題編碼為“課堂組織情感遮蔽”；同理，可將主題1的學習環節編碼為“重知識輕職業精神”。融合主題1教與學環節的內容編碼，其倫理風險賦名為“情感遮蔽與職業失德風險”。以此類推，主題2的教學環節、學習環節分別編碼為“教師成為技術附庸”“學生技能操作機械化”，其倫理風險賦名為“角色迷航與操作僵化風險”；主題3的教學環節、學習環節分別編碼為“教學資源結構碎片化”“學生技能模仿淺表化”，其倫理風險賦名為“資源割裂與學習淺層風險”；主題4的教學環節、學習環節分別編碼為“效果檢驗工具理性”“內化學習能動性低”，其倫理風險賦名為“工具理性與自我困厄風險”；主題5的教學環節、學習環節分別編碼為“材料準備思維固化”“學習情境信息繭房”，其倫理風險賦名為“思維僵化與信息繭房風險”。

四 倫理風險釋義

本研究根據主題內容編碼抽象出包含教學流程和學習流程的細粒度因素，并將其作為人工智能賦能職業技能習得的實踐流程，根據細粒度因素進一步歸納得到包含教學環節的解釋因素并將其作為人工智能賦能職業技能習得的實踐環節，進而按照實踐環節和實踐流程的先后順序重新整合倫理風險的內容信息，最終得到主題內容編碼—細粒度因素—解釋因素表，如表3所示。以主題5為例，主題5內容編碼為“材料準備思維固化”和“學習情境信息繭房”，抽象得出細粒度因素為“材料準備”教學流程和“情境感知”學習流程，并進一步歸納得出解釋因素為“創設與感知”教學環節，其對應的倫理風險為“思維僵化與信息繭房風險”——同理，可以推導出主題1～4的細粒度因素、解釋因素和對應的倫理風險。最終，本研究的實踐環節為創設與感知、組織與建構、示范與模仿、指導與練習、評估與內化，實踐流程為材料準備/情境感知、課堂組織/知識建構、技能講解/技能模仿、能力進階/崗位練習、效果檢驗/個性內化。

1 思維僵化與信息繭房風險

在創設與感知實踐環節的材料準備流程中，教師提供與職業技能相關的背景材料，搭建技能活動的情境，創設職業技能習得的條件。人工智能賦能材料準備，有助于節省教師的時間和精力，但如果教師產生材料依賴性，就可能導致思維僵化風險：一方面，人工智能提供內容全面、結構良好的材料庫，縮短了教師搜尋與整合教學材料的時間和精力；另一方面，教師如果盲目臣服于人工智能技術所營造的“便利”，將搜索的信息直接搬運到課堂中，就會喪失從繁復的工作中積累經驗的機會，割裂了思考和實踐的平衡^[20]，進而導致思維僵化風險。

在創設與感知實踐環節的情境感知流程中，學生辨識職業技能的工作任務和行動過程的背景知識^[21]，為技能掌握奠定基礎。人工智能賦能情境感知，有助于拓寬學生的知識視野，但學生如果過分依賴材料推送，就可能導致信息繭房風險：一方面，人工智能支持的閱讀推送、標引知識、答案搜索等服務，能夠增長學生的技能知識儲備；另一方面，學生如果盲目信任智能篩選或預設的信息，就會被禁錮在算法制造的“繭房”之中，在雷同或冗余的推送信息中弱化挖掘信息和深入學習的能力，進而導致信息繭房風險。

2 情感遮蔽與職業失德風險

在組織與建構實踐環節的課堂組織流程中，教師按照崗位任務的要求，遵循學生的認知發展規律，講授職業技能習得所需的職業知識體系。人工智能賦能課堂組織，雖減輕了教師的課堂管理負擔，但會弱化師生的交互程度，可能出現情感遮蔽風險：一方面，人工智能技術能夠精準地監控教室硬件設施的正常工作狀態，嚴謹地記錄學生的到課和學習情況，從而輔助教師進行課堂管理；另一方面，師生天然的情感聯系可能會被精確且嚴謹的智能輔助課堂管理系統切斷，并在空間和時間的雙重迷失中日趨弱化^[22]，進而導致情感遮蔽風險。

在組織與建構實踐環節的知識建構流程中，學生通過領會、分析、綜合等方式，建構包含隱性職業技能知識和顯性職業技術知識的職業知識體系^[23]。人工智能賦能知識建構，有助于構建學生的職業知識圖譜，但也會淡化對學生的人文關懷，可能出現職業失德風險：一方面，人工智能支持的學習分析技術能夠采集和融合多種來源的動態或微觀學習數據，剖析學生的知識鏈和技能體系；另一方面，人工智能技術如果屏蔽教師以言傳身教的方式傳播職業道德的信號，學生就會難以感召職業精神氛圍和錘煉職業道德水平，進而導致職業失德風險。

3 資源割裂與學習淺層風險

在示范與模仿實踐環節的技能講解流程中，教師形象地講解技能操作的細節，對于學生直接經驗之外的復雜內容，則補充一些信息源輔助理解^[24]。人工智能賦能技能講解，能夠展示多重教學資源場景，但教師如果過度拼接資源碎片，就可能出現資源割裂風險：一方面，人工智能技術能夠打破課堂教學的單向時空觀，達成線上、線下的資源共享以及課堂場景與職業場景的融合^[25]；另一方面，教師如果過度拼接人工智能技術提供的教學資源造成資源無序疊加，就會破壞教學資源的系統和結構，進而導致資源割裂風險。

在示范與模仿實踐環節的技能模仿流程中，學生按照頭腦中形成的“方案”進行實踐，親身體會技能操作的要領^[26]，養成正確的技能操作習慣。人工智能賦能技能模仿，能夠通過多重場景促進學生積極參與，但學生如果沉迷感官體驗，就可能出現學習淺層風險：一方面，人工智能技術能夠搭建多重場景來調動學生多種感官的學習參與，促進學生對技能操作的觀摩與模仿；另一方面，學生如果過度依賴人工智能技術支持的感官化學習體驗，就可能形成立體化、可視化的技能學習偏好，從而造成技能模仿流于表面，進而導致學習淺層風險。

4 角色迷航與操作僵化風險

在指導與練習實踐環節的能力進階流程中，教師指導學生逐步獲得專業取向的、關聯的、細節的、系統的技能知識^[27]。人工智能賦能能力進階，能夠提供循序漸進的技能進階教學，但教師如果過度依賴人工智能，就可能出現角色迷航風險：一方面，人工智能技術能夠提供技能難度漸進的進階教學，及時診斷和調整學生的學習進度，促進學生掌握高階技能；另一方面，教師可能會無形中受到人工智能技術理性的驅使，過度使用人工智能技術進行教學，而忽略自身教育教學能力的培養，進而導致角色迷航風險。

在指導與練習實踐環節的崗位練習流程中，學生在模擬的真實工作環境中明確崗位的工作職能與職責^[28]，對技能操作流程有完整的認識。人工智能賦能崗位練習，能夠減少學生面對真實崗位的緊張感，但學生如果被智能規則所束縛，就可能出現操作僵化風險：一方面，人工智能技術模擬真實工作環境，解決了技能學習中崗位稀缺和材料浪費的問題，削減了學生面對真實技能環境的緊張感；另一方面，學生可能會被人工智能的標準規則所束縛而進入“假性”學習成功的狀態，此時如果不能跳出規則束縛發展自己的技能風格^[29]，就會導致操作僵化風險。

5 工具理性與自我困厄風險

在評估與內化實踐環節的效果檢驗流程中，教師依據技能目標和客觀標準，利用科學、可行的技術手段，對學生的技能水平做出公正的判斷^[30]。人工智能賦能效果檢驗，可以助力效果評估證據化，但教師如果苛求技術呈現，就可能出現工具理性風險：一方面，人工智能技術可以實時監控學生的學習狀態，精準記錄學生的學習過程，進而實現效果評估證據化；另一方面，教師如果被技術的形式、程序所捆綁，重視技術呈現勝于育人實效，就會逐漸淪為技術附庸^[31]，偏離職業教育價值理性的目標，進而導致工具理性風險。

在評估與內化實踐環節的個性內化流程中，學生積極、主動地吸納新知識，不斷反思自己的職業知識與技能體系，在內化過程中提升自己的職業技能習得水平。人工智能賦能個性內化，促進學生自省與成長，但學生如果迷信技術至上，就可能出現自我困厄風險：一方面，人工智能技術能夠對學生的技能水平進行合理評估，快速定位學生的學習薄弱點，促進學生自我反思和知識內化；另一方面，學生如果迷信技術至上，就難以建構個性的精神世界，也就容易在人工智能賦能的過程中迷失自己，從而在學習過程中失去主動權^[32]，進而導致自我困厄風險。

五 結語

本研究基于BTM，搜集相關案例進行主題聚類，推理得出人工智能賦能職業技能習得的倫理風險。從學術角度來看，本研究豐富了人工智能職業教育倫理的理論體系，結合文本分析方法梳理倫理風險，創新了倫理風險的研究方法。從實踐角度來看，本研究描述了倫理風險的具體表現，可為人工智能賦能職業技能習得的倫理風險規避提供現實依據和應對方向，進而有助于提升人工智能賦能職業技能習得的成效。本研究是探索性的理論研究，后續研究還需使用大規模調查問卷來揭示倫理風險其他可能存在的潛在表現形式，并嘗試構建倫理風險的消解路徑。

————————

參考文獻

[1]教育部.教育部2022年工作要點[OL]. lt;http：//www.moe.gov.cn/jyb_xwfb/gzdt_gzdt/202202/t20220208_597666.htmlgt;

[2]教育部職業教育與成人教育司.關于2022年職業教育重點工作介紹[OL].

lt;http：//www.moe.gov.cn/jyb_xwfb/gzdt_gzdt/202202/t20220208_597666.htmlgt;

[3]Deerwester S， Dumais S T， Furnas G W， et al. Indexing by latent semantic analysis[J]. Journal of the American Society for Information Science， 1990，（6）：391-407.

[4]Blei D M， Lafferty J D. A correlated topic model of science[J]. The Annals of Applied Statistics， 2007，（1）：17-35.

[5]Yan X， Guo J， Lan Y， et al. A biterm topic model for short texts[A]. Proceedings of the 22nd International Conference on World Wide Web[C]. New York： Association for Computing Machinery， 2013：1445-1456.

[6]王曦，陳鐸.基于BTM模型的教育輿情熱點主題演化研究——以研究生招生考試為例[J].情報科學，2022，（7）：55-60、77.

[7]高慧穎，公孟秋，于思佳.基于改進BTM模型的醫療服務質量因素識別[J].北京理工大學學報，2022，（11）：1167-1174.

[8]徐菲菲，陳賽紅，田宇.基于BTM模型和改進聚類算法的熱點話題檢測[J].計算機應用與軟件，2022，（5）：283-290.

[9]How M L. Future-ready strategic oversight of multiple artificial superintelligence-enabled adaptive learning systems via human-centric explainable AI-empowered predictive optimizations of educational outcomes[J]. Big Data and Cognitive Computing， 2019，（3）：46.

[10]韋妙，李朦.人工智能在職業教育中的聚焦實踐——基于鮑爾格曼技術哲學觀的思考[J].職教論壇，2020，（6）：13-19.

[11]孫田琳子.論技術向善何以可能——人工智能教育倫理的邏輯起點[J].高教探索，2021，（5）：34-38、102.

[12]Hagendorff T. The ethics of AI ethics： An evaluation of guidelines[J]. Minds and Machines， 2020，（1）：99.

[13]陳可，葉林良.人工智能賦能職業教育變革：內蘊邏輯、現實挑戰與時代進路[J].教育與職業，2023，（8）：102-107.

[14]劉延翠，路寶利，茹寧.人工智能視域下職業教育之“潘多拉魔盒”——“機器換人”再解[J].職教論壇，2020，（3）：12-19.

[15]（美）約翰·杜威著.王承緒譯.民主主義與教育[M].北京：人民教育出版社，2001：151-158.

[16]崔景貴.江蘇省普通高校精品教材建設項目成果：職業教育心理學導論[M].北京：科學出版社，2008：183-185.

[17]Akgun S， Greenhow C. Artificial intelligence in education： Addressing ethical challenges in K-12 settings[J]. AI Ethics， 2022，（3）：431-440.

[18]陳愛華.高技術的倫理風險及其應對[J].倫理學研究，2006，（4）：95-99.

[19]陳婷，劉建勛，曹步清，等.基于BTM主題模型的Web服務聚類方法研究[J].計算機工程與科學，2018，（10）：1737-1745.

[20]劉延翠，路寶利，茹寧.人工智能視域下職業教育之“潘多拉魔盒”——“機器換人”再解[J].職教論壇，2020，（3）：12-19.

[21][24]姜大源.當代德國職業教育主流教學思想研究：理論，實踐與創新[M].北京：清華大學出版社，2007：190-191、116.

[22]孫帥帥.人工智能對職業教育教學影響的風險及其應對[J].職教論壇，2022，（2）：68-74.

[23]賈文勝，徐堅，石偉平.技能形成視閾中現代學徒制內在需求動力的研究——從知識結構的角度[J].中國高教研究，2020，（9）：98-103.

[25]董文娟，黃堯.人工智能賦能職業教育：實質、路徑與目標[J].現代教育技術，2019，（10）：28-33.

[26][28]黃艷芳.職業教育課程與教學論[M].北京：北京師范大學出版社，2010：190-191、176.

[27]徐國慶.職業教育原理[M].上海：上海教育出版社，2007：248-250.

[29]張靜，眭碧霞.人工智能帶來職業教育教學形態變革：影響、挑戰與趨向[J].職業技術教育，2020，（29）：42-46.

[30]肖鳳翔，陳鳳英.技術工具論視角下職業教育教學生態系統的困境與重構[J].現代教育技術，2021，（5）：52-58.

[31]劉春生，徐長發.職業教育學[M].北京：教育科學出版社，2002：418-419.

[32]劉金松.人工智能時代學生主體性的相關問題探討[J].現代教育技術，2021，（1）：5-11.

Ethical Risk of AI Empowered Vocational Skills Acquisition Based on Biterm Topic Model

ZHANG Dong-ke¹""" LI Jin-jin¹""" WU Nan-zhong²

（1. College of Education， Hebei University， Baoding， Hebei， China 071002;

2. Mathematical and Statistical Institute， Southwest University， Chongqing， China 400715）

Abstract： The deep integration of artificial intelligence （AI） and vocational education teaching is an important way to promote the digital transformation and intelligent upgrading of vocational education. However， the leapfrog development of AI technology will carry out technical reverse control on vocational education and teaching， which is more likely to cause educational ethical risks. Accordingly， this paper designed a research framework based on biterm topic model （BTM） by combing the advantages of data mining of BTM model and data visualization of text collinear network analysis. Relying on this framework， the paper carried out the experimental corpus construction， the BTM operation， and the ethical risk interpretation， and used the text analysis method to analyze the ethical risk cases of the application of AI technology to vocational skills acquisition， and summarized five pairs of ethical risks existing in the current process of AI-empowered vocational skills acquisition， namely， the rigid thinking and information cocoon， the emotional shading and professional moral loss， the resource segmentation and shallow learning， the role trepidation and operation rigidity and the instrumental rationality and self-difficulty. The mining and interpretation of the case data in this paper were helpful to avoid and restrict the ethical risks.

Keywords： BTM; artificial intelligence; vocational skill; vocational education; ethical risk