機(jī)器學(xué)習(xí)技術(shù)在高職院校年度任務(wù)系統(tǒng)中的應(yīng)用探究

摘 要：機(jī)器學(xué)習(xí)作為一種人工智能大數(shù)據(jù)挖掘技術(shù)，在數(shù)據(jù)預(yù)測(cè)和監(jiān)控方面有顯著的優(yōu)勢(shì)。高職院校可以利用機(jī)器學(xué)習(xí)技術(shù)對(duì)學(xué)校年度任務(wù)數(shù)據(jù)進(jìn)行挖掘與分析，預(yù)測(cè)年度任務(wù)的未來完成情況，優(yōu)化高職院校年度任務(wù)系統(tǒng)，在建設(shè)大數(shù)據(jù)智慧校園環(huán)境、建立年度任務(wù)數(shù)字化管理系統(tǒng)、建立教職工數(shù)字化工作系統(tǒng)等方面下功夫，從而推進(jìn)高職院校信息化建設(shè)。

關(guān)鍵詞：機(jī)器學(xué)習(xí)；年度任務(wù)系統(tǒng)；高職院校；人工智能

中圖分類號(hào)：G64 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：0450-9889（2024）06-0077-05

在信息時(shí)代，高職院校不斷加強(qiáng)信息化建設(shè)，積累了海量的學(xué)校年度任務(wù)數(shù)據(jù)。高職院校可以利用人工智能機(jī)器學(xué)習(xí)技術(shù)對(duì)學(xué)校年度任務(wù)數(shù)據(jù)進(jìn)行挖掘，得到有價(jià)值、有意義的數(shù)據(jù)，進(jìn)而預(yù)測(cè)年度任務(wù)的未來完成情況，幫助學(xué)校管理者對(duì)年度任務(wù)進(jìn)行合理調(diào)整和差異化處理，進(jìn)而提高校園資源利用率，高效地完成年度任務(wù)。如何對(duì)與學(xué)校年度任務(wù)相關(guān)的校園數(shù)據(jù)進(jìn)行深層次的分析與評(píng)價(jià)，找出有價(jià)值的屬性特征，并對(duì)學(xué)校年度任務(wù)進(jìn)行分析和預(yù)測(cè)，已經(jīng)成為目前的研究熱點(diǎn)。年度任務(wù)系統(tǒng)是高職院校信息化建設(shè)的重要組成部分，而信息化建設(shè)離不開人工智能機(jī)器學(xué)習(xí)技術(shù)。高職院校信息化建設(shè)應(yīng)從移動(dòng)平臺(tái)、安全評(píng)價(jià)、智能管理等方面入手，加強(qiáng)機(jī)器學(xué)習(xí)技術(shù)在高職院校信息化建設(shè)中的應(yīng)用，從而提高教育智慧化的程度。

一、相關(guān)機(jī)器學(xué)習(xí)技術(shù)簡(jiǎn)述

年度任務(wù)數(shù)據(jù)挖掘是數(shù)據(jù)挖掘領(lǐng)域的一個(gè)新研究熱點(diǎn)，其結(jié)合多個(gè)學(xué)科的理論基礎(chǔ)和技術(shù)實(shí)踐，通過校園年度數(shù)據(jù)可以獲得任務(wù)的各個(gè)屬性特征信息，通過挖掘和分析此類數(shù)據(jù)，可以分析出影響年度任務(wù)完成的主要屬性特征，從而為學(xué)校管理者對(duì)年度任務(wù)的有效干預(yù)和資源分配提供重要參考。年度任務(wù)數(shù)據(jù)挖掘是從有噪聲的、不完全的、多維度的、海量的教育數(shù)據(jù)信息中發(fā)掘出有效的、有利用價(jià)值的信息的過程。一般年度任務(wù)數(shù)據(jù)挖掘流程包括：年度任務(wù)數(shù)據(jù)的清洗、年度任務(wù)數(shù)據(jù)的集成、年度任務(wù)數(shù)據(jù)的轉(zhuǎn)換、年度任務(wù)數(shù)據(jù)的規(guī)定和約束、年度任務(wù)數(shù)據(jù)的挖掘、有價(jià)值信息的發(fā)掘以及評(píng)估［1］。大致可以簡(jiǎn)單理解為年度任務(wù)數(shù)據(jù)預(yù)處理、年度任務(wù)數(shù)據(jù)挖掘、教育數(shù)據(jù)評(píng)估與解釋三個(gè)主要流程。機(jī)器學(xué)習(xí)屬于人工智能大數(shù)據(jù)挖掘技術(shù)，其中的隨機(jī)森林技術(shù)和邏輯回歸技術(shù)可以應(yīng)用于高職院校年度任務(wù)數(shù)據(jù)挖掘。

（一）隨機(jī)森林

隨機(jī)森林是一種基于集成學(xué)習(xí)的算法，其通常用于分類、回歸和特征選擇問題［2］。它是由多個(gè)決策樹組成的集合，每個(gè)決策樹都是獨(dú)立構(gòu)建的，在每一個(gè)決策樹中，每個(gè)節(jié)點(diǎn)的劃分依據(jù)一個(gè)隨機(jī)選擇的特征集。這種隨機(jī)選擇的特征集能夠減少特征之間的相關(guān)性，從而使得隨機(jī)森林具有更好的泛化能力。構(gòu)建隨機(jī)森林時(shí)，首先要從訓(xùn)練集中隨機(jī)選擇一組子集，然后對(duì)每個(gè)子集進(jìn)行建樹，構(gòu)建出多個(gè)決策樹。當(dāng)進(jìn)行預(yù)測(cè)時(shí)，隨機(jī)森林會(huì)對(duì)每個(gè)決策樹的預(yù)測(cè)結(jié)果進(jìn)行投票，從而得到最終的預(yù)測(cè)結(jié)果。圖1為隨機(jī)森林算法分類流程圖。

依據(jù)圖1可知，隨機(jī)森林的算法模型分類流程如下：（1）從原始訓(xùn)練集數(shù)據(jù)中隨機(jī)有放回地抽取樣本數(shù)據(jù)，每次抽取n個(gè)訓(xùn)練樣本數(shù)據(jù)，作為一個(gè)決策樹的訓(xùn)練集，共抽取k次，得到k個(gè)訓(xùn)練集。（2）從上述訓(xùn)練集中隨機(jī)選擇抽取m個(gè)屬性特征組成一個(gè)新的特征集，使用新得到的特征集構(gòu)建決策樹，共構(gòu)建出相互獨(dú)立的k個(gè)決策樹，將k個(gè)決策樹組合起來形成隨機(jī)森林。（3）使用隨機(jī)森林模型對(duì)測(cè)試集樣本進(jìn)行分類時(shí)，每個(gè)決策樹都會(huì)對(duì)樣本數(shù)據(jù)進(jìn)行決策，最后采用多數(shù)投票法以確定測(cè)試樣本的分類結(jié)果。即將所有決策樹分類結(jié)果進(jìn)行匯總，選擇出現(xiàn)最多次數(shù)的類別作為最終模型的分類結(jié)果。

（二）邏輯回歸

邏輯回歸算法經(jīng)常被應(yīng)用于分類問題，其可解決二分類和多分類問題［3］。在解決二分類問題時(shí)，常常通過將輸入的各個(gè)屬性特征進(jìn)行加權(quán)并加上一個(gè)偏置項(xiàng)，從而得到一個(gè)線性函數(shù)，此線性函數(shù)的輸出結(jié)果被輸入Sigmoid函數(shù)中進(jìn)行非線性轉(zhuǎn)換，如圖2所示的Sigmoid函數(shù)將結(jié)果映射到0到1之間，表示輸入的樣本數(shù)據(jù)屬于某一分類類別的概率值。如果概率大于0.5，則預(yù)測(cè)結(jié)果為正類別，否則預(yù)測(cè)結(jié)果為負(fù)類別。邏輯回歸用于多分類時(shí)，一種常用的方法是以一對(duì)多（One-vs-All）策略處理多分類問題。邏輯回歸模型在多分類問題上的推廣即Softmax回歸。在Softmax回歸中對(duì)每個(gè)類別都有一個(gè)參數(shù)向量，用以計(jì)算輸入樣本屬于該類別的概率值。在模型訓(xùn)練時(shí)，利用最大化似然函數(shù)，調(diào)整參數(shù)向量，使得模型可以正確地分類每個(gè)樣本；在預(yù)測(cè)時(shí)，輸入樣本計(jì)算每個(gè)類別的概率值，最終從中選擇概率值最高的類別當(dāng)作模型預(yù)測(cè)結(jié)果。

二、機(jī)器學(xué)習(xí)技術(shù)應(yīng)用于高職院校年度任務(wù)系統(tǒng)的優(yōu)勢(shì)

將機(jī)器學(xué)習(xí)技術(shù)應(yīng)用于高職院校年度任務(wù)系統(tǒng)，有利于高職院校對(duì)年度任務(wù)數(shù)據(jù)進(jìn)行挖掘，預(yù)測(cè)年度任務(wù)的未來完成時(shí)間與效果，幫助教師和學(xué)校管理者對(duì)年度任務(wù)執(zhí)行方式進(jìn)行合理調(diào)整，提高資源利用率。

第一，進(jìn)行高職院校年度任務(wù)數(shù)據(jù)分析與數(shù)據(jù)集預(yù)處理。對(duì)數(shù)據(jù)集中的部門年度任務(wù)數(shù)據(jù)與部分屬性特征繪制散點(diǎn)圖，分析年度任務(wù)執(zhí)行進(jìn)度完成率分布與其他屬性特征的關(guān)聯(lián)，接著對(duì)數(shù)據(jù)集進(jìn)行數(shù)據(jù)預(yù)處理。

第二，構(gòu)建基于機(jī)器學(xué)習(xí)的高職院校年度任務(wù)執(zhí)行預(yù)測(cè)模型［4］。利用隨機(jī)森林、邏輯回歸兩種傳統(tǒng)機(jī)器學(xué)習(xí)算法分別建立單模型的部門年度任務(wù)執(zhí)行預(yù)測(cè)模型。為進(jìn)一步提高預(yù)測(cè)模型的準(zhǔn)確性，利用Stacking算法將上述兩個(gè)單模型進(jìn)行融合，構(gòu)建兩層的Stacking合預(yù)測(cè)模型。與單模型進(jìn)行預(yù)測(cè)效果對(duì)比發(fā)現(xiàn)，Stacking融合的年度任務(wù)預(yù)測(cè)模型的準(zhǔn)確率、精準(zhǔn)率、召回率以及F1-score值提高了10%以上。

第三，構(gòu)建基于多路注意力機(jī)制的高職院校年度任務(wù)執(zhí)行預(yù)測(cè)模型［5］。此預(yù)測(cè)模型共有兩路注意力機(jī)制，其中一路為自注意力機(jī)制，使得高職院校年度任務(wù)執(zhí)行的表現(xiàn)受各個(gè)屬性特征的影響程度不同；另一路為針對(duì)階段的注意力機(jī)制，充分利用了兩階段歷史任務(wù)情況與當(dāng)前任務(wù)執(zhí)行情況的重要關(guān)聯(lián)信息。將兩路注意力機(jī)制的兩個(gè)特征向量進(jìn)行融合，并將其輸入BP神經(jīng)網(wǎng)絡(luò)從而對(duì)高職院校年度任務(wù)執(zhí)行進(jìn)度進(jìn)行有效預(yù)測(cè)。實(shí)踐證明，多路預(yù)測(cè)模型效果更佳，相比其他預(yù)測(cè)模型其四種評(píng)價(jià)指標(biāo)均有8%以上的提升。

第四，根據(jù)構(gòu)建的多路預(yù)測(cè)模型，利用Java語言、Python語言以及前后端開發(fā)框架、深度學(xué)習(xí)框架開發(fā)高職院校年度任務(wù)執(zhí)行進(jìn)度預(yù)測(cè)系統(tǒng)［6］。該系統(tǒng)可以根據(jù)高職院校年度任務(wù)數(shù)據(jù)信息準(zhǔn)確預(yù)測(cè)任務(wù)未來執(zhí)行的表現(xiàn)，且可以利用詞云圖可視化部門任務(wù)的執(zhí)行信息。

三、機(jī)器學(xué)習(xí)技術(shù)應(yīng)用于高職院校年度任務(wù)系統(tǒng)的策略

（一）基于機(jī)器學(xué)習(xí)技術(shù)的校園信息化建設(shè)思路

高職院校信息化建設(shè)以物聯(lián)網(wǎng)、云計(jì)算、大數(shù)據(jù)等新一代信息技術(shù)為基礎(chǔ)，以智能管理、智慧服務(wù)和智慧學(xué)習(xí)為目標(biāo)，將大數(shù)據(jù)技術(shù)、人工智能技術(shù)等現(xiàn)代信息技術(shù)與教育教學(xué)深度融合，通過智能感知、實(shí)時(shí)交互、動(dòng)態(tài)分析和深度挖掘，為師生提供智能化、個(gè)性化的服務(wù)與支持，以實(shí)現(xiàn)對(duì)教育教學(xué)全過程的高效管理和科學(xué)決策［7］。圖3為高職院校年度任務(wù)系統(tǒng)融合預(yù)測(cè)功能的架構(gòu)圖。預(yù)測(cè)系統(tǒng)遵循MVC設(shè)計(jì)模式，利用MVC可以進(jìn)行更簡(jiǎn)潔的Web系統(tǒng)開發(fā)，其與Spring框架天然集成。

（二）建設(shè)大數(shù)據(jù)智慧校園環(huán)境

通過機(jī)器學(xué)習(xí)技術(shù)可以實(shí)現(xiàn)高職院校年度任務(wù)執(zhí)行預(yù)測(cè)，將各個(gè)部門的年度任務(wù)用可視化的折線圖、柱狀圖加以呈現(xiàn)，方便學(xué)校管理者查看任務(wù)執(zhí)行趨勢(shì)。基于此，可以構(gòu)建基于大數(shù)據(jù)的智慧校園體系，充分發(fā)揮機(jī)器學(xué)習(xí)技術(shù)的預(yù)測(cè)作用。教師和學(xué)校管理者是學(xué)校年度任務(wù)的主體，是教育教學(xué)活動(dòng)的組織者、管理者和服務(wù)提供者，也是信息數(shù)據(jù)的提供者。高職院校內(nèi)部根據(jù)學(xué)校特點(diǎn)建立大數(shù)據(jù)智慧校園體系，通過該體系可以獲得任務(wù)執(zhí)行者的一些基本屬性（例如任務(wù)執(zhí)行者的學(xué)歷、工作經(jīng)驗(yàn)、性格特點(diǎn)等），這些屬性會(huì)影響任務(wù)執(zhí)行效率。然后，進(jìn)行數(shù)據(jù)處理，利用機(jī)器學(xué)習(xí)技術(shù)構(gòu)建模型并進(jìn)行預(yù)測(cè)。任務(wù)的執(zhí)行者可以通過平臺(tái)上傳任務(wù)的執(zhí)行情況，平臺(tái)的數(shù)據(jù)集基于此進(jìn)行重新構(gòu)造，再采用機(jī)器學(xué)習(xí)技術(shù)進(jìn)行糾偏預(yù)測(cè)，從而獲得更精準(zhǔn)的預(yù)測(cè)效果。

1.建立高職院校年度任務(wù)數(shù)據(jù)集

本研究認(rèn)為，構(gòu)建高職院校年度任務(wù)執(zhí)行預(yù)測(cè)模型所使用的校園數(shù)據(jù)集應(yīng)該是時(shí)序性數(shù)據(jù)，最好是捕捉任務(wù)在執(zhí)行過程中的相關(guān)時(shí)間序列信息，在之后的工作中可以考慮使用包含時(shí)間序列信息的數(shù)據(jù)并改進(jìn)預(yù)測(cè)模型。數(shù)據(jù)集是來自傳統(tǒng)線下各個(gè)部門的年度任務(wù)信息數(shù)據(jù)。數(shù)據(jù)集包含了任務(wù)執(zhí)行者在校園中的各種信息（例如家庭、社交、個(gè)人學(xué)習(xí)等方面的信息），能顯示任務(wù)執(zhí)行者的相關(guān)屬性。在這些屬性中，有的屬性從表面上看可能與任務(wù)執(zhí)行無關(guān)，例如任務(wù)執(zhí)行者的年齡、性別、家庭地址、父母工作類型及受教育程度等；有的屬性信息與任務(wù)執(zhí)行密切相關(guān)，例如任務(wù)執(zhí)行者每周的工作時(shí)長(zhǎng)、家庭教育支持、過去失敗的次數(shù)、上班缺勤次數(shù)及對(duì)接受高等教育的意愿等。此外，還包括兩階段年中任務(wù)執(zhí)行情況和年終任務(wù)執(zhí)行情況表現(xiàn)的數(shù)據(jù)。高職院校應(yīng)結(jié)合數(shù)據(jù)集的特點(diǎn)，利用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)相關(guān)算法構(gòu)建學(xué)校年度任務(wù)執(zhí)行預(yù)測(cè)模型，通過預(yù)測(cè)年度任務(wù)執(zhí)行時(shí)間，使得學(xué)校管理者及時(shí)關(guān)注各任務(wù)執(zhí)行情況，更好地進(jìn)行差異化指導(dǎo)和調(diào)動(dòng)資源分配。

2.進(jìn)行高職院校年度任務(wù)數(shù)據(jù)預(yù)處理

在構(gòu)建高職院校年度任務(wù)執(zhí)行預(yù)測(cè)模型前，先要對(duì)數(shù)據(jù)集中的任務(wù)執(zhí)行者各屬性特征值進(jìn)行預(yù)處理，例如對(duì)年度任務(wù)進(jìn)行分組、將部分特征數(shù)值進(jìn)行歸一化、將二元數(shù)據(jù)進(jìn)行數(shù)值編碼轉(zhuǎn)換等。進(jìn)行數(shù)據(jù)的轉(zhuǎn)換就是要將數(shù)據(jù)集中的原始數(shù)據(jù)按照規(guī)則轉(zhuǎn)換成教育數(shù)據(jù)挖掘中所規(guī)定格式的流程。原始數(shù)據(jù)的類型包括標(biāo)稱數(shù)據(jù)類型、數(shù)值數(shù)據(jù)類型、二元數(shù)據(jù)類型。為了建立有效且準(zhǔn)確的高職院校年度任務(wù)預(yù)測(cè)模型，應(yīng)對(duì)數(shù)據(jù)集中的原始數(shù)據(jù)統(tǒng)一進(jìn)行編碼轉(zhuǎn)換，將標(biāo)稱類型和二元類型數(shù)據(jù)全部轉(zhuǎn)換為數(shù)值類型數(shù)據(jù)。然后，進(jìn)行異常數(shù)據(jù)分析和處理，可以利用Python進(jìn)行統(tǒng)計(jì)分析。例如：某數(shù)據(jù)集共有649條數(shù)據(jù)記錄，其中某個(gè)屬性G3分值為0的共有15條。經(jīng)過分析發(fā)現(xiàn)，這15條數(shù)據(jù)屬性特征值均正常，工作時(shí)長(zhǎng)在正常范圍內(nèi)、當(dāng)前健康狀況正常、缺勤次數(shù)在正常范圍內(nèi)。系統(tǒng)將工作時(shí)長(zhǎng)為0值、當(dāng)前健康狀況為0值且學(xué)歷G2也為0值的數(shù)據(jù)記錄認(rèn)定為真正的異常值，將其進(jìn)行刪除，經(jīng)統(tǒng)計(jì)分析共7條真正異常數(shù)據(jù)被移除；將工作時(shí)長(zhǎng)值為0但當(dāng)前健康狀況G1和學(xué)歷G2不同時(shí)為0值的數(shù)據(jù)記錄進(jìn)行保留，并據(jù)此記錄將期末成績(jī)重新賦值為G1和G2之和的平均值。

3.選取預(yù)測(cè)模型評(píng)價(jià)指標(biāo)

應(yīng)用機(jī)器學(xué)習(xí)技術(shù)的最終目標(biāo)是獲得泛化能力強(qiáng)的模型，所以預(yù)測(cè)模型評(píng)價(jià)度量指標(biāo)的選取很重要。本研究考慮到對(duì)數(shù)據(jù)處理后會(huì)出現(xiàn)正負(fù)樣本不均衡問題，所構(gòu)建的高職院校年度任務(wù)執(zhí)行預(yù)測(cè)模型使用分類模型常用的四個(gè)效果評(píng)價(jià)指標(biāo)，即準(zhǔn)確率（Accuracy）、精準(zhǔn)率（Precision）、召回率（Recall）、FI分?jǐn)?shù)（F1-score）。準(zhǔn)確率指所有樣本中預(yù)測(cè)正確的樣本數(shù)量的比例，為所有預(yù)測(cè)正確的樣本數(shù)量除以所有樣本的數(shù)量。精準(zhǔn)率反映了預(yù)測(cè)為某類別的樣本中有多少是真正預(yù)測(cè)準(zhǔn)確的，能衡量模型的精準(zhǔn)性。召回率反映了實(shí)際為某類別的樣本數(shù)據(jù)中有多少樣本被正確檢測(cè)出來。F1分?jǐn)?shù)為對(duì)精準(zhǔn)率和召回率兩個(gè)評(píng)價(jià)指標(biāo)綜合考慮的一項(xiàng)評(píng)價(jià)指標(biāo)。上述四個(gè)分類模型效果評(píng)價(jià)指標(biāo)均是越高越好。

（三）建立年度任務(wù)數(shù)字化管理系統(tǒng)

在高職院校信息化建設(shè)中，年度任務(wù)數(shù)字化是其重要環(huán)節(jié)，是實(shí)現(xiàn)“數(shù)據(jù)”向“知識(shí)”轉(zhuǎn)變的重要途徑。建立年度任務(wù)數(shù)字化管理系統(tǒng)，可以收集到年度任務(wù)的各類屬性信息，例如年度任務(wù)的執(zhí)行責(zé)任部門、年度任務(wù)的考核要點(diǎn)、年度任務(wù)的主要內(nèi)容、年度任務(wù)的執(zhí)行時(shí)間等。收集這些基礎(chǔ)信息，能為后續(xù)進(jìn)行大數(shù)據(jù)挖掘、運(yùn)用機(jī)器學(xué)習(xí)技術(shù)進(jìn)行預(yù)測(cè)和監(jiān)控打下研究基礎(chǔ)。機(jī)器學(xué)習(xí)技術(shù)可以幫助學(xué)校管理者更好地了解年度任務(wù)執(zhí)行情況，從而干預(yù)任務(wù)的執(zhí)行。

為了提高年度任務(wù)的預(yù)測(cè)精確度，除了收集任務(wù)的基礎(chǔ)數(shù)據(jù)，還要收集任務(wù)執(zhí)行者的數(shù)據(jù)。在技術(shù)實(shí)踐探索中，學(xué)者更加關(guān)注物聯(lián)網(wǎng)技術(shù)在數(shù)據(jù)采集中的作用。例如：充分利用物聯(lián)網(wǎng)技術(shù)將校園中的各種信息、各種物品融合，實(shí)現(xiàn)人與人、人與物、物與物之間的互聯(lián)，從而更好地為師生服務(wù)；利用物聯(lián)網(wǎng)技術(shù)收集大量用戶行為信息數(shù)據(jù)并匯聚于數(shù)字化管理系統(tǒng)中，再利用機(jī)器學(xué)習(xí)技術(shù)分析用戶的行為屬性，為年度任務(wù)完成情況預(yù)測(cè)提供更可靠保障。高職院校可以依托大數(shù)據(jù)技術(shù)構(gòu)建年度任務(wù)數(shù)字化管理系統(tǒng)，通過大數(shù)據(jù)技術(shù)獲取海量的用戶數(shù)據(jù)并進(jìn)行分析處理，進(jìn)行用戶畫像，洞察用戶的特征和偏好，推送個(gè)性化的校園服務(wù)方案，也為后續(xù)年度任務(wù)的預(yù)測(cè)提供基礎(chǔ)數(shù)據(jù)支持；借助云計(jì)算等核心技術(shù)提升管理效能、提供多元服務(wù)，以云計(jì)算技術(shù)為支撐，靈活統(tǒng)計(jì)校內(nèi)各種信息，實(shí)現(xiàn)平臺(tái)信息服務(wù)無盲區(qū)，這不僅能夠?yàn)樾?nèi)用戶提供可靠性高、穩(wěn)定性高的智慧校園服務(wù)，而且可以及時(shí)根據(jù)信息輔助高校管理決策。此外，還有學(xué)者從“邊緣智能計(jì)算［8］”“人工智能”“5G通信技術(shù)”等技術(shù)視角入手，采集更多的數(shù)據(jù)集，為高職院校年度任務(wù)的預(yù)測(cè)提供更多、更直接的數(shù)據(jù)資料，以此不斷改進(jìn)高職院校年度任務(wù)的預(yù)測(cè)模型，提高預(yù)測(cè)精度。

（四）建立教職工數(shù)字化工作系統(tǒng)

教職工是高職院校年度任務(wù)執(zhí)行的主體，智慧校園的建設(shè)要以教職工為中心。數(shù)字化工作系統(tǒng)的建設(shè)涉及學(xué)校內(nèi)部的方方面面（例如智慧圖書館、財(cái)務(wù)系統(tǒng)、“一卡通”應(yīng)用、后勤管理等），往往需要多個(gè)校內(nèi)部門進(jìn)行合作共享。但在實(shí)際的智慧校園建設(shè)過程中，校內(nèi)各單位間的組織協(xié)同問題層出不窮，例如出現(xiàn)“信息孤島”現(xiàn)象。各業(yè)務(wù)部門以自身業(yè)務(wù)為本位建設(shè)的信息系統(tǒng)較為分散，導(dǎo)致了數(shù)據(jù)資源的割裂。另外，由于各業(yè)務(wù)部門的信息系統(tǒng)建設(shè)周期不同，有些業(yè)務(wù)系統(tǒng)已經(jīng)運(yùn)行數(shù)年且未能合理進(jìn)行數(shù)據(jù)歸檔，其中存在大量無價(jià)值的數(shù)據(jù)信息，從而導(dǎo)致數(shù)據(jù)資源無法實(shí)現(xiàn)跨部門的共享。為了實(shí)現(xiàn)數(shù)據(jù)的共享，高職院校要建設(shè)教職工數(shù)字化工作系統(tǒng)。在機(jī)器學(xué)習(xí)技術(shù)的支持下，教職工可以通過手機(jī)或者平板電腦等移動(dòng)終端完成個(gè)人年度任務(wù)分析預(yù)測(cè)。例如，在執(zhí)行任務(wù)時(shí)，教職工可以通過移動(dòng)終端查詢?nèi)蝿?wù)執(zhí)行進(jìn)度、任務(wù)執(zhí)行趨勢(shì)等。目前，許多高職院校由于自身?xiàng)l件的限制，無法在技術(shù)上自給自足，可以轉(zhuǎn)而向市場(chǎng)上尋求合作，由科技型技術(shù)企業(yè)提供技術(shù)支撐。例如，美國(guó)斯坦福大學(xué)和英國(guó)劍橋大學(xué)為了更好地促進(jìn)數(shù)字化校園建設(shè)過程中的校企合作，專門設(shè)立了對(duì)接企業(yè)的技術(shù)部門。而在國(guó)內(nèi)也有學(xué)者提出建設(shè)數(shù)字化校園需要發(fā)揮政府與學(xué)校的管理經(jīng)驗(yàn)優(yōu)勢(shì)、需求分析優(yōu)勢(shì)和教育資源優(yōu)勢(shì)，發(fā)揮企業(yè)的經(jīng)費(fèi)優(yōu)勢(shì)與通信技術(shù)優(yōu)勢(shì)，實(shí)現(xiàn)多方聯(lián)手。

綜上所述，建設(shè)運(yùn)用機(jī)器學(xué)習(xí)技術(shù)的高職院校年度任務(wù)系統(tǒng)，提高了高職院校的信息化建設(shè)水平。隨著科學(xué)技術(shù)的迅速發(fā)展，人工智能的普及率逐漸提升，人工智能機(jī)器學(xué)習(xí)預(yù)測(cè)成為人們提高工作效率的一個(gè)重要途徑。基于機(jī)器學(xué)習(xí)技術(shù)的年度任務(wù)系統(tǒng)的開發(fā)與應(yīng)用能夠有效提升高職院校年度任務(wù)管理效率，使任務(wù)分解管理變得更加規(guī)范和便捷，該系統(tǒng)平臺(tái)和人工智能的聯(lián)結(jié)，打破了高職院校年度任務(wù)分解功能限制，另辟蹊徑預(yù)測(cè)未來任務(wù)的執(zhí)行情況。

參考文獻(xiàn)

［1］魏夢(mèng)颯，李強(qiáng)，許成娣，等.基于數(shù)據(jù)挖掘算法的用戶用電量需求自動(dòng)預(yù)測(cè)模型［J］.自動(dòng)化技術(shù)與應(yīng)用，2023（12）：15-17+94.

［2］王曉玲，趙岳生，羅宇彤.基于機(jī)器學(xué)習(xí)的人體活動(dòng)識(shí)別［J］.物聯(lián)網(wǎng)技術(shù)，2023，13（12）：3-6+11.

［3］張家輝，孫榮.基于邏輯回歸的COVID-19患者高危影響因素分析［J］.醫(yī)院管理論壇，2023，40（10）：36-43.

［4］鄧英蓮，郭慧蕓.青少年抑郁癥患者康復(fù)出院后再入院風(fēng)險(xiǎn)預(yù)測(cè)模型構(gòu)建［J］.上海護(hù)理，2023，23（12）：44-49.

［5］張宸嘉，朱磊，俞璐.卷積神經(jīng)網(wǎng)絡(luò)中的注意力機(jī)制綜述［J］.計(jì)算機(jī)工程與應(yīng)用，2021，57（20）：64-72.

［6］馬海榮.基于深度學(xué)習(xí)的遙感影像耕地地塊邊界提取應(yīng)用［J］.中南農(nóng)業(yè)科技，2023，44（12）：129-133.

［7］宮文浩.云計(jì)算的企業(yè)大數(shù)據(jù)商業(yè)價(jià)值創(chuàng)造解析［J］.電子元器件與信息技術(shù)，2021，5（3）：193-194.

［8］王曉飛，韓溢文.邊緣智能計(jì)算與智能邊緣計(jì)算［J］.張江科技評(píng)論，2019（2）：10-12.