基于BTM的人工智能賦能職業(yè)技能習(xí)得的倫理風(fēng)險

摘要：人工智能與職業(yè)教育教學(xué)的深度融合，是助推職業(yè)教育數(shù)字化轉(zhuǎn)型和智能升級的重要途徑。然而，人工智能技術(shù)的躍遷式發(fā)展會對職業(yè)教育教學(xué)進行技術(shù)性反向控制，較易引發(fā)教育倫理風(fēng)險。基于此，文章結(jié)合雙詞主題模型（Biterm Topic Model，BTM）數(shù)據(jù)挖掘和文本共線網(wǎng)絡(luò)分析數(shù)據(jù)可視化的優(yōu)勢，設(shè)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(fēng)險釋義，并利用文本分析方法分析了人工智能技術(shù)應(yīng)用于職業(yè)技能習(xí)得的倫理風(fēng)險案例，總結(jié)出當(dāng)前人工智能賦能職業(yè)技能習(xí)得過程中存在的五對倫理風(fēng)險，即思維僵化與信息繭房、情感遮蔽與職業(yè)失德、資源割裂與學(xué)習(xí)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(shù)據(jù)的挖掘和解釋，有助于規(guī)避和約束倫理風(fēng)險。

關(guān)鍵詞：BTM；人工智能；職業(yè)技能；職業(yè)教育；倫理風(fēng)險

【中圖分類號】G40-057 【文獻標(biāo)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(shù)字化發(fā)展、建設(shè)數(shù)字中國、發(fā)展數(shù)字經(jīng)濟，是貫徹新發(fā)展理念、推動高質(zhì)量發(fā)展的戰(zhàn)略舉措，深刻影響著教育領(lǐng)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(shù)字化戰(zhàn)略行動”^[1]。而教育數(shù)字化既是大勢所趨，又是當(dāng)務(wù)之急，給職業(yè)教育的變軌超車帶來了歷史機遇。對此，教育部職業(yè)教育與成人教育司印發(fā)《關(guān)于2022年職業(yè)教育重點工作介紹》，明確強調(diào)要推動職業(yè)教育數(shù)字化升級^[2]。而以人工智能為代表的數(shù)字技術(shù)，通過與職業(yè)教育教學(xué)深度融合，推動了職業(yè)教育數(shù)字化轉(zhuǎn)型的整體躍升，服務(wù)于高質(zhì)量現(xiàn)代職業(yè)教育體系建設(shè)。然而，人工智能技術(shù)的躍遷式發(fā)展會對職業(yè)教育教學(xué)進行技術(shù)性反向控制，較易引發(fā)教育倫理風(fēng)險。因此，人工智能賦能職業(yè)技能習(xí)得的倫理風(fēng)險是職業(yè)教育數(shù)字化轉(zhuǎn)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(dāng)前人工智能賦能職業(yè)技能習(xí)得的倫理風(fēng)險案例，進而探究當(dāng)前人工智能賦能職業(yè)技能習(xí)得的倫理現(xiàn)狀，以期為規(guī)避相應(yīng)的倫理風(fēng)險提供實證依據(jù)。

一 BTM與人工智能教育倫理

1 BTM研究概況

目前，國內(nèi)外學(xué)者針對BTM的研究主要集中在BTM的歷史演變和BTM的應(yīng)用研究兩個方面：①BTM的歷史演變主要經(jīng)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(fā)展階段。1990年，美國學(xué)者Deerwester等^[3]最早提出“主題模型”的概念，并創(chuàng)造性推出LSA模型。為解決LSA模型過擬合的問題，2003年美國學(xué)者Blei等^[4]結(jié)合貝葉斯思想，推出目前應(yīng)用十分廣泛的LDA模型。為解決短文本數(shù)據(jù)稀疏性而導(dǎo)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(yīng)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(fù)試期間國內(nèi)主流網(wǎng)絡(luò)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(xiàn)分析的雙詞主題模型，并證明了該模型在醫(yī)療評論文本中的主題模型質(zhì)量優(yōu)于傳統(tǒng)主題模型；徐菲菲等^[8]基于BTM，構(gòu)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(zhǔn)確性。BTM在問題解決的過程中逐步演化，并最終演變?yōu)樵诙涛谋局懈哚槍π院蜏?zhǔn)確性的BTM。與此同時，BTM的應(yīng)用研究在各個領(lǐng)域持續(xù)推進，其功能也從單一向多元發(fā)展。

2 人工智能教育倫理研究概況

當(dāng)前，國內(nèi)外學(xué)者關(guān)于人工智能教育倫理的研究主要集中在本質(zhì)研究和規(guī)避研究兩個方面：①本質(zhì)研究主要存在技術(shù)嫁接抵觸說、技術(shù)應(yīng)用反噬說、教育生態(tài)失衡說三種觀點。例如，How^[9]引入“技術(shù)嫁接”的概念，提出人工智能技術(shù)嫁接存在抵觸傾向，表現(xiàn)為教育數(shù)據(jù)解釋性差、算法迫使學(xué)生面臨安全危機等倫理風(fēng)險；韋妙等^[10]引入“技術(shù)反噬”的概念，警示職業(yè)教育若被技術(shù)裹挾甚至反噬，可能導(dǎo)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(tài)”的概念，指出人工智能技術(shù)若被過分倚重、凌駕于師生之上，就極易導(dǎo)致教育生態(tài)失衡，進而產(chǎn)生倫理風(fēng)險。②規(guī)避研究主要存在技術(shù)優(yōu)化法、規(guī)范約束法、價值理性法三種規(guī)避方法。例如，Hagendorff^[12]從技術(shù)優(yōu)化的角度出發(fā)，指出應(yīng)讓設(shè)計者意識到人工智能技術(shù)是一個倫理層面的系統(tǒng)，進而優(yōu)化技術(shù)來規(guī)避倫理風(fēng)險；陳可等^[13]從規(guī)范約束的角度出發(fā)，主張構(gòu)建包含技術(shù)向度、教育向度和管理向度的人工智能倫理規(guī)制，助力職業(yè)教育高質(zhì)量發(fā)展；劉延翠等^[14]從價值理性的角度出發(fā)，指明職業(yè)教育應(yīng)對人工智能挑戰(zhàn)的關(guān)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(yīng)用中的倫理問題表現(xiàn)時，過于從宏觀視野描述，并未對問題現(xiàn)象進行分層和歸類，欠缺對倫理困境的系統(tǒng)分析。而BTM作為一種無監(jiān)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(fēng)險的案例數(shù)據(jù)進行更具科學(xué)性、準(zhǔn)確性和全面性的主題聚類。

二 研究框架構(gòu)建

1 相關(guān)概念界定

（1）職業(yè)技能

當(dāng)前，關(guān)于職業(yè)技能的概念可從教育學(xué)和心理學(xué)角度進行解析：教育學(xué)角度方面，Dewey^[15]從技能類型的外在屬性出發(fā)，認(rèn)為職業(yè)技能是職業(yè)教育學(xué)習(xí)者需具備的隱性操作技能和顯性認(rèn)知技能的集合，且反對將職業(yè)技能等同于單純的技能訓(xùn)練；心理學(xué)角度方面，崔景貴^[16]從技能形成的內(nèi)在機制出發(fā)，將職業(yè)技能解釋為在職業(yè)活動中，運用專業(yè)知識和經(jīng)驗，通過練習(xí)而形成的操作系統(tǒng)或行為模式。在此基礎(chǔ)上，本研究認(rèn)為，職業(yè)技能是學(xué)習(xí)者在職業(yè)教育教學(xué)過程中，運用專業(yè)知識和經(jīng)驗進行職業(yè)活動實踐，進而形成認(rèn)知與操作技能相結(jié)合的復(fù)雜行為模式。

（2）倫理風(fēng)險

當(dāng)前，關(guān)于倫理風(fēng)險的概念可從道德挑戰(zhàn)和倫理關(guān)系角度進行解析：道德挑戰(zhàn)角度方面，Akgun等^[17]將倫理風(fēng)險界定為人類對于出現(xiàn)道德挑戰(zhàn)和道德弊端的思考與感悟；倫理關(guān)系角度方面，陳愛華^[18]將倫理風(fēng)險解釋為人與人、人與社會、人與自然、人與自身的倫理關(guān)系由于受正面或負(fù)面影響可能產(chǎn)生不確定的事件或現(xiàn)象。在此基礎(chǔ)上，本研究認(rèn)為，倫理風(fēng)險是由于責(zé)任主體觸碰道德邊界而產(chǎn)生的不確定的倫理負(fù)效應(yīng)，文中專指在人工智能賦能職業(yè)技能習(xí)得的過程中存在于師生關(guān)系中的倫理風(fēng)險。

2 基于BTM的研究框架

本研究基于倫理風(fēng)險潛藏性的特點，結(jié)合BTM數(shù)據(jù)挖掘和文本共現(xiàn)網(wǎng)絡(luò)分析數(shù)據(jù)可視化的優(yōu)勢，設(shè)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(xué)術(shù)平臺、權(quán)威媒體、白皮書、藍皮書中搜集并篩選人工智能賦能職業(yè)技能習(xí)得的倫理風(fēng)險案例，形成實驗語料庫。②運行BTM，經(jīng)歷最佳主題數(shù)確定、主題維度劃分、主題內(nèi)容分析三個子步驟。其中，最佳主題數(shù)是根據(jù)主題困惑度折線圖的走勢確定，而主題維度是根據(jù)文本共現(xiàn)網(wǎng)絡(luò)分析知識圖譜進行劃分。③倫理風(fēng)險釋義，通過主題內(nèi)容分析，聚類出思維僵化與信息繭房、情感遮蔽與職業(yè)失德、資源割裂與學(xué)習(xí)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(fēng)險的具體表現(xiàn)。其中，實驗語料庫搭建、運行BTM為主題聚類的過程，而倫理風(fēng)險釋義為主題聚類的結(jié)果，故本研究在搭建實驗語料庫、運行BTM的基礎(chǔ)上，挖掘主題數(shù)量與聯(lián)系，并梳理得出倫理風(fēng)險的內(nèi)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(yè)or技能”and“倫理or風(fēng)險”為關(guān)鍵詞，檢索時限為2018～2022年，在中國知網(wǎng)、維普網(wǎng)等學(xué)術(shù)平臺，《人工智能安全標(biāo)準(zhǔn)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(wǎng)、人民網(wǎng)等權(quán)威媒體中進行全文搜索，對同時包含所選關(guān)鍵詞的案例文本進行保留。在初步數(shù)據(jù)收集階段，本研究得到100個案例數(shù)據(jù)，存放于表格之中，形成原始語料庫。之后，本研究進行數(shù)據(jù)預(yù)處理，發(fā)現(xiàn)聚類的主題數(shù)量過多且主題模型并非指向倫理風(fēng)險，造成的原因可能是有些案例并非重點闡述倫理風(fēng)險，因此本研究依據(jù)主題相關(guān)度多次進行人工篩選，最終得到75個案例數(shù)據(jù)（數(shù)據(jù)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(xiàn)的共現(xiàn)詞對進行建模，解決了文檔數(shù)據(jù)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(jié)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(xiàn)詞對集合，預(yù)設(shè)主題數(shù)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(shù)確定

一般認(rèn)為，主題困惑度折線圖主題數(shù)量處于最低值且位于拐點處時，對應(yīng)的K值是該模型的最佳主題數(shù)^[19]。本研究在Python編程環(huán)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(yīng)的困惑度值。本研究將主題數(shù)量作為橫坐標(biāo)、困惑度值作為縱坐標(biāo)，設(shè)置主題數(shù)量區(qū)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(shù)量1～10的走勢表明：當(dāng)主題數(shù)量為1～4時，隨著主題數(shù)量的增加，困惑度值在持續(xù)下降；當(dāng)主題數(shù)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(xù)上升，故最佳主題數(shù)K值為5。

（2）主題維度劃分

通過上述分析，本研究將預(yù)設(shè)的主題數(shù)量6改為最佳主題數(shù)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(xiàn)關(guān)系，本研究對實驗語料庫的共現(xiàn)詞對進行文本共現(xiàn)網(wǎng)絡(luò)分析，結(jié)果如圖4所示。圖4顯示，高頻詞“教學(xué)”和“學(xué)習(xí)”不僅節(jié)點標(biāo)簽面積較大，而且位于圖中的中間位置，可見“教學(xué)”和“學(xué)習(xí)”是實驗語料庫的核心高頻詞。選中高頻詞“教學(xué)”，查看與其有共現(xiàn)關(guān)系的高頻詞，得到以高頻詞“教學(xué)”為網(wǎng)絡(luò)中心的局部共現(xiàn)網(wǎng)絡(luò)圖，如圖5所示；同理，得到以高頻詞“學(xué)習(xí)”為網(wǎng)絡(luò)中心的局部共現(xiàn)網(wǎng)絡(luò)圖，如圖6所示。

根據(jù)“教學(xué)”“學(xué)習(xí)”的局部共現(xiàn)網(wǎng)絡(luò)圖，本研究對BTM主題聚類結(jié)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(xué)”和“學(xué)習(xí)”共現(xiàn)的詞語區(qū)分開來，即把每一個主題劃分為教學(xué)環(huán)節(jié)和學(xué)習(xí)環(huán)節(jié)兩個維度；然后，按照詞頻從前到后排序，劃分結(jié)果如表1所示（刪除了語義重復(fù)的個別詞語）。

（3）主題內(nèi)容分析

表1是代碼運行的文本分析結(jié)果，尚未賦予主題名稱。對此，本研究根據(jù)每個主題靠前的詞語含義和相應(yīng)的文本邏輯進行人工主題內(nèi)容編碼，并經(jīng)推理得出對應(yīng)的倫理風(fēng)險。為防止關(guān)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(nèi)容編碼。

結(jié)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(nèi)容編碼和倫理風(fēng)險推理，結(jié)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(xué)環(huán)節(jié)的關(guān)鍵詞為“情感遮蔽”“教學(xué)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(yīng)用破壞職業(yè)課堂組織中師生交往機制，出現(xiàn)情感遮蔽風(fēng)險……”，結(jié)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(xué)習(xí)環(huán)節(jié)編碼為“重知識輕職業(yè)精神”。融合主題1教與學(xué)環(huán)節(jié)的內(nèi)容編碼，其倫理風(fēng)險賦名為“情感遮蔽與職業(yè)失德風(fēng)險”。以此類推，主題2的教學(xué)環(huán)節(jié)、學(xué)習(xí)環(huán)節(jié)分別編碼為“教師成為技術(shù)附庸”“學(xué)生技能操作機械化”，其倫理風(fēng)險賦名為“角色迷航與操作僵化風(fēng)險”；主題3的教學(xué)環(huán)節(jié)、學(xué)習(xí)環(huán)節(jié)分別編碼為“教學(xué)資源結(jié)構(gòu)碎片化”“學(xué)生技能模仿淺表化”，其倫理風(fēng)險賦名為“資源割裂與學(xué)習(xí)淺層風(fēng)險”；主題4的教學(xué)環(huán)節(jié)、學(xué)習(xí)環(huán)節(jié)分別編碼為“效果檢驗工具理性”“內(nèi)化學(xué)習(xí)能動性低”，其倫理風(fēng)險賦名為“工具理性與自我困厄風(fēng)險”；主題5的教學(xué)環(huán)節(jié)、學(xué)習(xí)環(huán)節(jié)分別編碼為“材料準(zhǔn)備思維固化”“學(xué)習(xí)情境信息繭房”，其倫理風(fēng)險賦名為“思維僵化與信息繭房風(fēng)險”。

四 倫理風(fēng)險釋義

本研究根據(jù)主題內(nèi)容編碼抽象出包含教學(xué)流程和學(xué)習(xí)流程的細粒度因素，并將其作為人工智能賦能職業(yè)技能習(xí)得的實踐流程，根據(jù)細粒度因素進一步歸納得到包含教學(xué)環(huán)節(jié)的解釋因素并將其作為人工智能賦能職業(yè)技能習(xí)得的實踐環(huán)節(jié)，進而按照實踐環(huán)節(jié)和實踐流程的先后順序重新整合倫理風(fēng)險的內(nèi)容信息，最終得到主題內(nèi)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(nèi)容編碼為“材料準(zhǔn)備思維固化”和“學(xué)習(xí)情境信息繭房”，抽象得出細粒度因素為“材料準(zhǔn)備”教學(xué)流程和“情境感知”學(xué)習(xí)流程，并進一步歸納得出解釋因素為“創(chuàng)設(shè)與感知”教學(xué)環(huán)節(jié)，其對應(yīng)的倫理風(fēng)險為“思維僵化與信息繭房風(fēng)險”——同理，可以推導(dǎo)出主題1～4的細粒度因素、解釋因素和對應(yīng)的倫理風(fēng)險。最終，本研究的實踐環(huán)節(jié)為創(chuàng)設(shè)與感知、組織與建構(gòu)、示范與模仿、指導(dǎo)與練習(xí)、評估與內(nèi)化，實踐流程為材料準(zhǔn)備/情境感知、課堂組織/知識建構(gòu)、技能講解/技能模仿、能力進階/崗位練習(xí)、效果檢驗/個性內(nèi)化。

1 思維僵化與信息繭房風(fēng)險

在創(chuàng)設(shè)與感知實踐環(huán)節(jié)的材料準(zhǔn)備流程中，教師提供與職業(yè)技能相關(guān)的背景材料，搭建技能活動的情境，創(chuàng)設(shè)職業(yè)技能習(xí)得的條件。人工智能賦能材料準(zhǔn)備，有助于節(jié)省教師的時間和精力，但如果教師產(chǎn)生材料依賴性，就可能導(dǎo)致思維僵化風(fēng)險：一方面，人工智能提供內(nèi)容全面、結(jié)構(gòu)良好的材料庫，縮短了教師搜尋與整合教學(xué)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(shù)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(fù)的工作中積累經(jīng)驗的機會，割裂了思考和實踐的平衡^[20]，進而導(dǎo)致思維僵化風(fēng)險。

在創(chuàng)設(shè)與感知實踐環(huán)節(jié)的情境感知流程中，學(xué)生辨識職業(yè)技能的工作任務(wù)和行動過程的背景知識^[21]，為技能掌握奠定基礎(chǔ)。人工智能賦能情境感知，有助于拓寬學(xué)生的知識視野，但學(xué)生如果過分依賴材料推送，就可能導(dǎo)致信息繭房風(fēng)險：一方面，人工智能支持的閱讀推送、標(biāo)引知識、答案搜索等服務(wù)，能夠增長學(xué)生的技能知識儲備；另一方面，學(xué)生如果盲目信任智能篩選或預(yù)設(shè)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(xué)習(xí)的能力，進而導(dǎo)致信息繭房風(fēng)險。

2 情感遮蔽與職業(yè)失德風(fēng)險

在組織與建構(gòu)實踐環(huán)節(jié)的課堂組織流程中，教師按照崗位任務(wù)的要求，遵循學(xué)生的認(rèn)知發(fā)展規(guī)律，講授職業(yè)技能習(xí)得所需的職業(yè)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(fù)擔(dān)，但會弱化師生的交互程度，可能出現(xiàn)情感遮蔽風(fēng)險：一方面，人工智能技術(shù)能夠精準(zhǔn)地監(jiān)控教室硬件設(shè)施的正常工作狀態(tài)，嚴(yán)謹(jǐn)?shù)赜涗泴W(xué)生的到課和學(xué)習(xí)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(lián)系可能會被精確且嚴(yán)謹(jǐn)?shù)闹悄茌o助課堂管理系統(tǒng)切斷，并在空間和時間的雙重迷失中日趨弱化^[22]，進而導(dǎo)致情感遮蔽風(fēng)險。

在組織與建構(gòu)實踐環(huán)節(jié)的知識建構(gòu)流程中，學(xué)生通過領(lǐng)會、分析、綜合等方式，建構(gòu)包含隱性職業(yè)技能知識和顯性職業(yè)技術(shù)知識的職業(yè)知識體系^[23]。人工智能賦能知識建構(gòu)，有助于構(gòu)建學(xué)生的職業(yè)知識圖譜，但也會淡化對學(xué)生的人文關(guān)懷，可能出現(xiàn)職業(yè)失德風(fēng)險：一方面，人工智能支持的學(xué)習(xí)分析技術(shù)能夠采集和融合多種來源的動態(tài)或微觀學(xué)習(xí)數(shù)據(jù)，剖析學(xué)生的知識鏈和技能體系；另一方面，人工智能技術(shù)如果屏蔽教師以言傳身教的方式傳播職業(yè)道德的信號，學(xué)生就會難以感召職業(yè)精神氛圍和錘煉職業(yè)道德水平，進而導(dǎo)致職業(yè)失德風(fēng)險。

3 資源割裂與學(xué)習(xí)淺層風(fēng)險

在示范與模仿實踐環(huán)節(jié)的技能講解流程中，教師形象地講解技能操作的細節(jié)，對于學(xué)生直接經(jīng)驗之外的復(fù)雜內(nèi)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(xué)資源場景，但教師如果過度拼接資源碎片，就可能出現(xiàn)資源割裂風(fēng)險：一方面，人工智能技術(shù)能夠打破課堂教學(xué)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(yè)場景的融合^[25]；另一方面，教師如果過度拼接人工智能技術(shù)提供的教學(xué)資源造成資源無序疊加，就會破壞教學(xué)資源的系統(tǒng)和結(jié)構(gòu)，進而導(dǎo)致資源割裂風(fēng)險。

在示范與模仿實踐環(huán)節(jié)的技能模仿流程中，學(xué)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(lǐng)^[26]，養(yǎng)成正確的技能操作習(xí)慣。人工智能賦能技能模仿，能夠通過多重場景促進學(xué)生積極參與，但學(xué)生如果沉迷感官體驗，就可能出現(xiàn)學(xué)習(xí)淺層風(fēng)險：一方面，人工智能技術(shù)能夠搭建多重場景來調(diào)動學(xué)生多種感官的學(xué)習(xí)參與，促進學(xué)生對技能操作的觀摩與模仿；另一方面，學(xué)生如果過度依賴人工智能技術(shù)支持的感官化學(xué)習(xí)體驗，就可能形成立體化、可視化的技能學(xué)習(xí)偏好，從而造成技能模仿流于表面，進而導(dǎo)致學(xué)習(xí)淺層風(fēng)險。

4 角色迷航與操作僵化風(fēng)險

在指導(dǎo)與練習(xí)實踐環(huán)節(jié)的能力進階流程中，教師指導(dǎo)學(xué)生逐步獲得專業(yè)取向的、關(guān)聯(lián)的、細節(jié)的、系統(tǒng)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(xué)，但教師如果過度依賴人工智能，就可能出現(xiàn)角色迷航風(fēng)險：一方面，人工智能技術(shù)能夠提供技能難度漸進的進階教學(xué)，及時診斷和調(diào)整學(xué)生的學(xué)習(xí)進度，促進學(xué)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(shù)理性的驅(qū)使，過度使用人工智能技術(shù)進行教學(xué)，而忽略自身教育教學(xué)能力的培養(yǎng)，進而導(dǎo)致角色迷航風(fēng)險。

在指導(dǎo)與練習(xí)實踐環(huán)節(jié)的崗位練習(xí)流程中，學(xué)生在模擬的真實工作環(huán)境中明確崗位的工作職能與職責(zé)^[28]，對技能操作流程有完整的認(rèn)識。人工智能賦能崗位練習(xí)，能夠減少學(xué)生面對真實崗位的緊張感，但學(xué)生如果被智能規(guī)則所束縛，就可能出現(xiàn)操作僵化風(fēng)險：一方面，人工智能技術(shù)模擬真實工作環(huán)境，解決了技能學(xué)習(xí)中崗位稀缺和材料浪費的問題，削減了學(xué)生面對真實技能環(huán)境的緊張感；另一方面，學(xué)生可能會被人工智能的標(biāo)準(zhǔn)規(guī)則所束縛而進入“假性”學(xué)習(xí)成功的狀態(tài)，此時如果不能跳出規(guī)則束縛發(fā)展自己的技能風(fēng)格^[29]，就會導(dǎo)致操作僵化風(fēng)險。

5 工具理性與自我困厄風(fēng)險

在評估與內(nèi)化實踐環(huán)節(jié)的效果檢驗流程中，教師依據(jù)技能目標(biāo)和客觀標(biāo)準(zhǔn)，利用科學(xué)、可行的技術(shù)手段，對學(xué)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(jù)化，但教師如果苛求技術(shù)呈現(xiàn)，就可能出現(xiàn)工具理性風(fēng)險：一方面，人工智能技術(shù)可以實時監(jiān)控學(xué)生的學(xué)習(xí)狀態(tài)，精準(zhǔn)記錄學(xué)生的學(xué)習(xí)過程，進而實現(xiàn)效果評估證據(jù)化；另一方面，教師如果被技術(shù)的形式、程序所捆綁，重視技術(shù)呈現(xiàn)勝于育人實效，就會逐漸淪為技術(shù)附庸^[31]，偏離職業(yè)教育價值理性的目標(biāo)，進而導(dǎo)致工具理性風(fēng)險。

在評估與內(nèi)化實踐環(huán)節(jié)的個性內(nèi)化流程中，學(xué)生積極、主動地吸納新知識，不斷反思自己的職業(yè)知識與技能體系，在內(nèi)化過程中提升自己的職業(yè)技能習(xí)得水平。人工智能賦能個性內(nèi)化，促進學(xué)生自省與成長，但學(xué)生如果迷信技術(shù)至上，就可能出現(xiàn)自我困厄風(fēng)險：一方面，人工智能技術(shù)能夠?qū)W(xué)生的技能水平進行合理評估，快速定位學(xué)生的學(xué)習(xí)薄弱點，促進學(xué)生自我反思和知識內(nèi)化；另一方面，學(xué)生如果迷信技術(shù)至上，就難以建構(gòu)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(xué)習(xí)過程中失去主動權(quán)^[32]，進而導(dǎo)致自我困厄風(fēng)險。

五 結(jié)語

本研究基于BTM，搜集相關(guān)案例進行主題聚類，推理得出人工智能賦能職業(yè)技能習(xí)得的倫理風(fēng)險。從學(xué)術(shù)角度來看，本研究豐富了人工智能職業(yè)教育倫理的理論體系，結(jié)合文本分析方法梳理倫理風(fēng)險，創(chuàng)新了倫理風(fēng)險的研究方法。從實踐角度來看，本研究描述了倫理風(fēng)險的具體表現(xiàn)，可為人工智能賦能職業(yè)技能習(xí)得的倫理風(fēng)險規(guī)避提供現(xiàn)實依據(jù)和應(yīng)對方向，進而有助于提升人工智能賦能職業(yè)技能習(xí)得的成效。本研究是探索性的理論研究，后續(xù)研究還需使用大規(guī)模調(diào)查問卷來揭示倫理風(fēng)險其他可能存在的潛在表現(xiàn)形式，并嘗試構(gòu)建倫理風(fēng)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(yè)教育與成人教育司.關(guān)于2022年職業(yè)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(xué)，2022，（7）：55-60、77.

[7]高慧穎，公孟秋，于思佳.基于改進BTM模型的醫(yī)療服務(wù)質(zhì)量因素識別[J].北京理工大學(xué)學(xué)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(yīng)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(yè)教育中的聚焦實踐——基于鮑爾格曼技術(shù)哲學(xué)觀的思考[J].職教論壇，2020，（6）：13-19.

[11]孫田琳子.論技術(shù)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(yè)教育變革：內(nèi)蘊邏輯、現(xiàn)實挑戰(zhàn)與時代進路[J].教育與職業(yè)，2023，（8）：102-107.

[14]劉延翠，路寶利，茹寧.人工智能視域下職業(yè)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(shè)項目成果：職業(yè)教育心理學(xué)導(dǎo)論[M].北京：科學(xué)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(shù)的倫理風(fēng)險及其應(yīng)對[J].倫理學(xué)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(wù)聚類方法研究[J].計算機工程與科學(xué)，2018，（10）：1737-1745.

[20]劉延翠，路寶利，茹寧.人工智能視域下職業(yè)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(dāng)代德國職業(yè)教育主流教學(xué)思想研究：理論，實踐與創(chuàng)新[M].北京：清華大學(xué)出版社，2007：190-191、116.

[22]孫帥帥.人工智能對職業(yè)教育教學(xué)影響的風(fēng)險及其應(yīng)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(xiàn)代學(xué)徒制內(nèi)在需求動力的研究——從知識結(jié)構(gòu)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(yè)教育：實質(zhì)、路徑與目標(biāo)[J].現(xiàn)代教育技術(shù)，2019，（10）：28-33.

[26][28]黃艷芳.職業(yè)教育課程與教學(xué)論[M].北京：北京師范大學(xué)出版社，2010：190-191、176.

[27]徐國慶.職業(yè)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(yè)教育教學(xué)形態(tài)變革：影響、挑戰(zhàn)與趨向[J].職業(yè)技術(shù)教育，2020，（29）：42-46.

[30]肖鳳翔，陳鳳英.技術(shù)工具論視角下職業(yè)教育教學(xué)生態(tài)系統(tǒng)的困境與重構(gòu)[J].現(xiàn)代教育技術(shù)，2021，（5）：52-58.

[31]劉春生，徐長發(fā).職業(yè)教育學(xué)[M].北京：教育科學(xué)出版社，2002：418-419.

[32]劉金松.人工智能時代學(xué)生主體性的相關(guān)問題探討[J].現(xiàn)代教育技術(shù)，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