基于大數據驅動的高職專業認證研究

作者簡介：石漢卿（2001—），男，湖南農業大學教育學院2022級碩士研究生，研究方向為高等職業教育研究；郭麗君（1975—），女，湖南農業大學教育學院院長，湖南省高職專業認證委員會秘書長，教授，研究方向為高等職業教育研究。

基金項目：2022年度國家社科基金（教育學）一般項目“智能時代大學教學生態系統研究”（編號：BIA220062）；湖南省研究生科研創新項目“湖南省高職專業認證的質量保障體系研究”（編號：CX20230680）

摘要：高職專業認證事關高職教育的高質量發展全局，是助推職業教育內涵式發展的重要抓手。大數據技術中的多源數據融合技術、智能推薦算法技術、數據計算技術與高職專業認證的數據獲取、體系完善、結果反饋及應用具有極大的聯系性，滿足高職專業認證客觀化、精準化和科學化發展的現實需要。但大數據技術驅動高職專業認證可能引發倫理性問題、主體性困境和失真性風險三大問題。為此，應建立智能認證規章制度，規范認證行為；多元創新專業認證觀念，校正認證方向；增強技術賦能的適切性，提升認證效能。

關鍵詞：高職專業認證；大數據技術；認證效度；技術限度；倫理性風險

中圖分類號：G710" " 文獻標識碼：A" " 文章編號：1672-5727（2024）05-0038-07

2020年9月，教育部等九部門印發《職業教育提質培優行動計劃（2020—2023年）》，提出要“探索高職專業認證”。2020年10月，中共中央、國務院印發《深化新時代教育評價改革總體方案》，提出要“創新評價工具，利用人工智能、大數據等現代信息技術，探索開展學生各年級學習情況全過程縱向評價、德智體美勞全要素橫向評價”“充分利用信息技術，提高教育評價的科學性、專業性、客觀性”。這些政策文件為高職專業認證指明了發展方向。

高職專業認證是對高等職業教育實行內、外部質量保障的重要手段[1]。高職專業認證事關高職教育高質量發展和高素質技術技能人才培養，是一項現實且艱巨的任務[2]。利用大數據技術革新發展高職專業認證過程和方法，賦能高職專業認證數字化轉型是大數據時代背景下解決這一難題的必然選擇。

一、大數據驅動高職專業認證智能化的必要性

大數據技術是一種處理海量數據、提取有價值信息的先進技術。目前，大數據技術被廣泛運用于教育領域，多源數據融合、智能推薦算法和數據管理等技術在高職專業認證中得到了普遍應用。

（一）多源數據融合技術驅動認證內容客觀化

高職專業認證內容的核心在于“認證什么”。高職專業認證既要堅持“形意并存”的內涵式評價，對學生發展、制度建設、師資建設、條件保障、教學實施過程等實際辦學情況進行評估認證，也要始終秉持“以學生為中心”的理念，深入評估學生的技術技能水平、思想政治素質、職業道德素養。此類內容的數據體量、數據類型和數據來源的質和量很大程度上決定了高職專業認證內容的真實性和客觀性。但受制于學生思想類、素質類和精神類數據難以收集和量化，已有高職專業認證在評估此類數據時存在較大的主觀判斷性問題。如何利用大數據技術中的多源數據融合技術有效提升專業認證內容的客觀性，是建立共識性高職專業認證體系面臨的一大挑戰。

多源數據融合技術是新型大數據技術中的關鍵組成部分，致力于整合不同來源、格式和類型的數據，以創造更全面、準確的信息視圖[3]。多源數據融合技術能夠處理異構數據，保證數據質量和一致性的問題，將散亂的信息整合成統一的、連貫的數據集。多源數據融合技術能夠幫助高職專業認證實現空間維度上的全面性和時間維度上的連續性。

一是在空間維度上，多源數據融合技術能夠突破時空的限制，全面開展“線上+線下”全景式評估認證。首先，在線下場域，基于傳感器技術、計算機視覺、生物識別技術等人工智能感知技術收集學生的學習和生活類數據；其次，在線上場域，借助自然語言處理，使計算機理解學生的網絡社交共性特征和個性特點；最后，通過多源數據融合技術，整合學生在學習生活、社交媒體等方面的數據，建立綜合性的學生信息檔案，以深入挖掘學生的學習表現、社交行為、實踐活動等多方面信息，驅動高職專業認證實現認證內容的全方面、多維度和立體化。

二是在時間維度上，多源數據融合技術的作用體現在認證主體能夠借助數據采集平臺和數據獲取技術考察學生成長發展的過程。一方面，建立縱向追蹤的數據庫系統，實現對過程性數據的收集、存儲、整理和分析。同時，結合大數據分析、機器學習等方法，實時監測學生在在線學習平臺上的學習行為，包括瀏覽歷史、學習參與度、作業完成度等。另一方面，利用傳感器技術持續監測學生的生理指標、行為模式，利用社交網絡分析等手段深入了解學生在學習、生活和社交方面的發展。總之，多源數據融合技術能夠通過數據集成的方式實現數據采集由離散轉為連續，更好地揭示學生發展的模式、趨勢，實現專業認證的“過程性評價”，同時也有助于專業內部的精細化管理和持續性、內涵式建設。

（二）智能推薦算法技術驅動認證反饋精準化

高職專業認證結果反饋是將認證中發現的不足及改進意見等反饋至政府部門、學校、企業等相關主體，這對科學調整和改善專業辦學方式、提升專業辦學質量具有重要意義。實現認證反饋的精準化，將認證結果及相關診斷報告以直觀的方式精準推送至各相關主體，發揮高職專業認證的“持續改進”功能，是符合新時代教育評價改革要義，突破“有形無實”性評價問題的關鍵抓手。

大數據技術中的智能推薦算法技術是一種基于先進算法的個性化推薦系統，通過分析用戶行為和偏好，精準地為用戶提供定制化的信息和服務[4]。具體而言，推薦算法主要是通過機器學習、深度學習等算法，自動學習和優化模型，更準確地預測用戶的興趣和需求，為用戶呈現個性化的推薦內容。在此項技術的驅動之下，高職專業認證反饋將更加精準化，主要體現在反饋形式、內容和時間三方面。

首先，大數據技術的智能推薦算法驅動高職專業認證反饋形式可視化。借助文本可視化、網絡可視化等技術，將反饋結果以氣泡圖、漏斗圖、散點矩陣圖等直觀的方式呈現給相關主體，并進行充分的解釋。這既突出了反饋的關鍵信息，又降低了數據解讀的難度，同時，增強了數據的“用戶化”程度，更好地幫助相關主體直觀易懂地了解專業辦學實際情況，明確改進方向。

其次，大數據技術的智能推薦算法驅動高職專業認證反饋內容個性化。高職專業認證涉及多個主體，他們對認證結果的需求往往不盡相同。政府欲憑借反饋結果調整資源撥付，產業界欲將反饋結果作為招聘標準，學校欲基于反饋結果進行專業的持續改進，學生欲將反饋結果作為專業選擇的重要參考等。大數據技術能夠針對不同主體的需求，通過虛擬語音識別、圖像識別、計算機視覺、自適應系統和腦機接口技術等，為其提供更具個性化的反饋內容。一方面，可以通過個性化數據分析、智能助手、實時反饋機制等創新性方法，提供定制化的認證反饋結果；另一方面，利用情感計算技術輔助采集學生的情感體驗，增強反饋的現實性。

最后，大數據技術的智能推薦算法驅動高職專業認證反饋時間的持續性。高職專業認證的持續改進理念要求認證反饋理應貫穿專業教育教學活動始終。從時間向度來看，高職專業認證反饋既包括過程性的及時反饋，也應包括診斷性的結果反饋。現有高職專業認證試點的認證反饋通常是在一個認證活動結束后。此種反饋方式在時間上具有極大的滯后性，難以及時有效地診改專業辦學過程中存在的突發性危機和問題。未來應充分借助大數據技術中的智能交互技術，通過數據持續互動維持對專業辦學實際的持續評估認證，同時調用智能推薦算法將評估認證結果輸送至各相關主體，以促進專業認證反饋實現專業辦學“評教改”在時間上的同步。

（三）數據計算技術驅動專業認證體系科學化

運用數據融合技術獲取的專業辦學質量數據往往結構松散、信息價值性低，必須建立基于大數據智能計算技術的高職專業認證體系，在大體量數據中檢索有效信息，對高職教育教學活動的關鍵屬性和核心要素進行定量分析。未來，大數據計算技術將在認證指標體系的優化設計、權重確立和模型優化等三個方面發揮關鍵作用。

首先，大數據計算技術驅動高職專業認證指標體系科學化。一方面，大數據計算技術驅動專業認證指標與政策要求相統一。如運用分布式離線計算框架、分布式內存計算框架等大數據計算技術和機器學習、數據挖掘等大數據挖掘技術，從職業教育相關政策法規等文件中挖掘有關高職專業認證的核心要素，以此指導高職專業認證指標體系的設計，確保專業認證與職業教育制度頂層設計價值追求的一致性。運用基于高職教育質量評價、工程專業認證、師范認證等領域研究成果構建的專家系統，對專業辦學核心內容進行構建，明確專業認證核心指標體系與高職教育數據的“對象關系映射”，確保高職專業認證核心指標體系和教育實踐的一致性。另一方面，大數據技術驅動專業認證指標體系精簡性。多源數據融合技術實現了認證數據獲取的全方位、全過程和多空間性，而構建高職專業認證指標體系需要對這類數據進一步精細加工。與傳統專家篩選評價指標的方法相比，計算引擎、Hadoop生態系統、開源流處理技術等大數據計算技術具有高自動化、大批量處理、多源數據收集等優勢，能對原始認證數據進行集成、聯結、表征和整合，篩選并設計出具有真實性和強解釋力的認證指標。

其次，大數據計算技術驅動高職專業認證指標體系賦權準確化。現有高職專業認證較多沿用已有高職教育質量評價指標權重賦值方法，如層次分析法、主成分分析法、德菲爾法[5]。而在面對大規模數據時，這些方法可能面臨指數爆炸、非線性關系計算能力差、尋找最優解動態調整技術薄弱等難題。但大數據計算技術的深度學習能力和數據分析能力能夠在極大程度上攻克此類難題。

再次，大數據計算技術驅動高職專業認證指標體系持續驗證與優化。體系驗證與優化是通過機器學習檢測認證指標在新數據上的“性能表現”，從而靈活調整指標體系的各項參數，以提高其準確性和容納性。我國職業教育具有復雜性特征，要求高職專業認證指標體系能做到持續驗證、優化與改進。傳統的評價模型驗證和優化方法存在諸多限制，如小樣本數據驗證的數據偏差、專家驗證的主觀性偏向、實際運行的高成本等問題。大數據計算技術在一定程度上能夠克服以上限制，從而持續不斷地優化高職專業認證指標體系。辟如，引入貝葉斯優化、遺傳算法等自動調參工具和算法，能更高效地搜索超參數空間，優化認證指標體系的模型性能；使用分層交叉驗證技術，將數據集分成多個子集用于訓練和驗證，能提高認證指標體系的泛化能力。

二、大數據驅動高職專業認證智能化的現實困境

當前，大數據技術在數據的一致性、真實性和批量獲取能力，以及算法的深層解釋能力、自我強化和算法可見度等方面面臨著一定程度的技術困境[6]，導致大數據技術賦能驅動高職專業認證可能存在倫理性問題、主體性困境和失真性風險。

（一）認證過程中的倫理性問題

1.個人隱私問題

在運用大數據技術驅動高職專業認證的過程中，教師和學生的個人信息數據極有可能流入公共空間[7]。換言之，大數據技術賦予高職專業認證數據獲取更便捷、數據存儲更穩定、數據分析計算更科學等優勢的同時，也大大增加了個人信息泄露的風險。理論上，在開展高職專業認證過程中，對學生成長類數據進行跟蹤和獲取是建立在學生已知情并同意的基礎上的。實際上，傳感器技術、計算機視覺、生物識別技術等人工智能感知技術獲取數據常常是“無感化”的，學生的個人信息數據容易變得“無私”。即使采用匿名方式抓取這類數據并進行模糊化處理，新型大數據智能計算技術仍能夠將這些數據和歷史數據進行“基因重組”，并精準定位到學生個人，導致其個人隱私被重新顯露。當前，缺乏對智能技術參與高職專業認證的制度規范，如若任由人工智能不恰當地使用、存儲或分享學生的成長數據，可能會造成對學生個人隱私權的侵犯，從而引發倫理性問題。

2.智能鴻溝下的公正性問題

“智能鴻溝”即“技術鴻溝”，指的是由于技術水平和信息化程度的差異而導致的技術發展不平衡、信息獲取不均等現象[8]。“智能鴻溝”問題存在于數字鴻溝、技能鴻溝、經濟鴻溝等多個方面。“智能教育鴻溝”表現為在教育系統中，由于某些學校或地區的資源不足，無法提供先進的科技教育，導致學生在智能技術領域的知識和技能產生差距[9]。由于歷史因素、地理因素、經濟基礎、資源配置因素等方面的影響，我國職業教育在區域間的差異性較大。在此情況下，大數據技術賦能高職專業認證集中在科技發達的地區，處于技術弱側的職業學校無法享受技術帶來的紅利，可能催生我國職業教育發展的不平衡性問題。“智能鴻溝”造成的高職專業認證過程的不公正是值得被注意的另一倫理性挑戰。

（二）理念偏差下的主體性困境

1.單向度思維下認證主體的邊緣化問題

智能技術的興起和盛行引領了人類社會的新一輪變革。人類通過新型人工智能技術完成簡單而繁瑣的任務，從而將更多的精力放在富有創造性的工作上，達到“解放雙手”的目的。高職專業認證的相關主體可借助大數據、人工智能等技術完成數據收集、數據監控、數據分析等一些簡單性的工作，“解放雙手”去完成富有創造性的活動。然而，大數據技術在決策過程中往往存在某種限制性的思維，即單一工具性思維方式。如大數據技術通常基于歷史數據進行學習和預測，并按照程序和模型運行，不能充分理解人類復雜語境、情感和背景以實現自我更新。過度依賴大數據技術，容易使高職專業認證相關主體只關注技術和效率，忽視評價增值性功能和效果，從而降低認證主體的自主性。這主要體現在以下幾個方面。其一，相關認證主體過度依賴大數據技術的決策能力，將決策權交給機器學習模型，可能導致認證主體對于自身的思考能力逐漸失去信心。其二，認證主體在設計專業認證核心指標時過度依賴人工智能技術的分析運算能力，片面追求指標的可控性而忽視指標的價值性、適應性和邏輯性，難以凸顯高職專業認證的價值導向。概言之，隨著大數據技術驅動下的新型高職專業認證系統的開發與應用，在智能技術單向度思維的影響下，高職專業認證主體與智能技術之間可能出現本末倒置的現象，專業認證主體易被大數據技術等智能技術“奴化”。

2.數據主義思維下認證客體的受限性問題

數據主義思維是指在人工智能技術中，對數據的重視和依賴程度達到了一種哲學層面的認知，認為數據是解決所有問題的關鍵[10]。這意味著將數據視為信息獲取和處理的核心，強調通過大規模數據的分析和利用來實現智能化。數據主義思維存在三方面的風險。一是可能導致人類過度依賴大規模數據，而忽視對問題本質的深刻理解。這可能使得算法在特定情境下表現優異，但在未知或復雜情境中表現不佳。二是算法本身存在的數據偏見漏洞，可能會影響數據處理過程的公正性。數據主義思維也可能影響大數據驅動高職專業認證的發展。一方面，由于數據主義強調在決策過程中應該更多地依賴數據，以替代或輔助傳統的基于經驗和直覺的決策方式。過度依賴量化指標，忽視非標準化特征，將導致認證過程中忽略一些難以量化的重要因素，如學生創造力、團隊協作和社交能力等。另一方面，由于數據主義思維強調數據驅動決策，可能削弱對人文關懷和創造性教育的重視。因此，在引入大數據賦能高職專業認證的過程中，相關主體需要平衡數據主義思維和對教育的全面理解，確保專業認證體系更加全面、公正、貼近實際需求，同時也要注重學生的全面發展和個性化差異。

（三）數據偏見下的失真性風險

1.數據獲取的主觀性問題

在理想狀態下，大數據技術驅動高職專業認證能夠有效規避人類意識主觀性帶來的決策偏見。但在實際中，由于大數據技術自身未完全具備批判性思維和獨立性意識，從技術運行的底層邏輯來說，它并不能幫助高職專業認證實現完全客觀性，甚至在一定程度上可能導致認證結果失真。大數據技術通常需要通過訓練來學習并完成特定任務，這一過程被稱為機器學習。在機器學習中，智能系統使用訓練數據來學習數據的模式和規律，并創造出一種模型來表示這些規律。在高職專業認證過程中，收集高職教育數據時，對于辦學基礎設施、師資隊伍結構、校企合作情況、學生獲獎情況等基礎性數據的收集相對容易，且能夠保證客觀性。而對于“人才培養質量”指標中的素質水平等抽象數據而言，雖然大數據技術能夠利用多源數據融合技術、智能推薦算法技術和數據計算技術等幫助認證主體更好地獲取這類數據，但這些數據在機器學習的過程中，都被賦予了可測量的外顯性行為特征。但這類可操作的數據并不能完全代表所有學生的思想意識。從這一邏輯出發，通過智能技術采集的數據本身可能存在失真性問題，將導致專業認證結果的失真。

2.算法黑箱的主觀性因素

算法黑箱是指人工智能（AI）技術中的一些復雜算法，其內部運作過程對普通用戶來說是不透明的。算法黑箱存在兩方面問題。一是缺乏解釋性。由于算法黑箱不予公開、不予解釋、不予置評的特點，可能會導致“算法壟斷”的外在風險。但是，在教育質量評價領域，決策的透明性和解釋性對于質量評價的可信度和合法性至關重要。如此一來，兩者將不可避免地存在“解釋性問題”的矛盾。二是存在潛在的數據偏見[11]。理想圖景中，算法不受外界因素干擾。標準化的算法程序執行具有技術中立的屬性。但實際上，算法一開始即被算法設計者灌輸了“先前知識”，在這一過程中，算法設計者和程序編寫者的價值觀念、思維模式、道德標準等可能無意識地影響著算法程序。算法黑箱對大數據驅動的高職專業認證的威脅體現在兩方面。一方面，由于算法黑箱效應，算法的決策過程對外部觀察者來說是不透明的，高職專業認證主體不能理解具體的內部運作機制或權重分配，可能擾亂認證主體在決策過程中的判斷，從而影響認證結果的真實性[12]。另一方面，雖然人工智能通過機器學習被先入為主地輸入了專業認證的基本標準、流程或知識，但是其習得的專業認證相關知識可能與認證主體存在細微的差別。在智能技術還未具備高度創造性思維的情況下，這些細微差別將難以被察覺和修正，可能會導致決策結果的失真。

三、大數據驅動高職專業認證智能化的應對策略

大數據技術驅動高職專業認證數字化轉型是一項從政策引導、理念引領、行動指引等多方面進行持續性、系統化創新的工程。應建構高職專業智能認證體系，以促進職業教育高質量發展。

（一）建立智能認證規章制度，規范認證行為

1.制定高職專業智能認證的規章制度

為了促進生成式人工智能健康發展和規范應用，2023年，國家互聯網信息辦公室聯合國家發展改革委等七部門聯合公布《生成式人工智能服務管理暫行辦法》，強調“支持行業組織、企業、教育和科研機構、公共文化機構、有關專業機構等在生成式人工智能技術創新、數據資源建設、轉化應用、風險防范等方面開展協作”。高職專業智能認證理應推進制度建設，通過制定相關管理辦法、實施方案、行動指南，從法律層面明確大數據驅動高職專業認證的目標、內容、方式方法、職責等方面的制度合法性。另外，政府、學校和產業界應形成高職專業認證共同體，持續細化宏觀制度，形成具體且可操作的舉措。在此基礎上，應設立相關成果獎，遴選出全國典型制度案例，推進高職專業智能認證制度的實踐落地。

2.建立和明確高職專業智能認證的標準和規范

一方面，建立高職專業智能認證的技術標準。按照國家智能技術標準，借鑒國際智能技術標準，構建認證數據感知獲取、連接分析、計算處理等環節所涉及的智能技術標準體系，保證人工智能技術賦能高職專業智能認證的制度有效性。另一方面，建立高職專業智能認證的數據規范。首先，各相關主體應基于《中華人民共和國網絡安全法》《中華人民共和國數據安全法》《中華人民共和國個人信息保護法》《中華人民共和國科學技術進步法》等法律法規，共同商定并遵循一套標準，以保障認證數據的標準化，包括學生學業數據、教學效果指標、就業數據等。其次，設計和建立統一的數據采集和存儲框架及確保數據質量的機制，以適應大數據模型的訓練和應用需求。最后，通過明確數據使用和共享的原則，建立數據匿名化和脫敏的技術規范等標準，制定新型大數據技術應用于教育領域的倫理和隱私保護標準，確保學生和教育從業者的隱私得到充分保護。

（二）多元創新專業認證觀念，校正認證方向

1.樹立以人為本的認證目的觀

《中華人民共和國職業教育法》明確提出，職業教育的最終目的是培養高素質技術技能人才。高職專業認證作為一種服務性活動，理應為高職教育目標服務。因此，引入大數據技術賦能高職專業認證，就是要實現價值評價和工具評價的統一；同時，也將育人為先的專業認證目標嵌入高職專業認證的數據獲取、轉化、分析、運算和決策的全過程。

2.樹立以“數”為基的智能認證觀

智能素養是指個體具備在數字化環境中獲取、理解、應用信息的能力，涵蓋了使用數字技術、進行網絡溝通、評估信息質量、解決問題及參與數字社會等多個方面[13]。專業認證主體的智能素養提升路徑有以下幾方面。首先，加強數字化教育培訓。可以通過在線培訓課程、研討會、工作坊等形式，開展使用數字工具、了解網絡安全、信息檢索和評估等方面的培訓。其次，創建數字化教育社區，提供交流平臺，分享實踐經驗和資源，以促進認證主體之間的合作和互動。再次，教育機構可以設計專門的智能素養課程，并將其納入教育課程體系，培養專業認證主體的數字能力、信息素養和批判思維。最后，提供實踐機會，讓專業認證主體通過實習、項目工作、實際案例分析等方式在實際教育環境中應用數字技能。通過以上路徑，培養高職專業智能認證的專業型人才，為國家打造一支強有力的智能評價人才隊伍。

（三）增強技術賦能的適切性，提升認證效能

1.提升大數據技術對高職專業認證的適應性

大數據技術驅動高職專業認證主要體現在多源數據融合、智能推薦算法和數據計算技術三個環節。整體提升各個環節的適應性是高職專業認證實現智能化的關鍵。

在多源數據融合技術層面，一方面，高職專業智能認證可以引入更多的傳感器技術，如眼動追蹤、情感識別、腦電波監測等，以獲取學生在學習過程中更豐富的信息，幫助認證體系更全面、精準地理解學生的學習狀態和需求，提供更個性化的認證。另一方面，高職專業智能認證可以通過整合多種感知數據，包括文字、圖像、音頻等，形成多模態的學習畫像，以全面把握學生的學習特征，為專業認證提供更多元的視角。

在智能推薦算法層面，高職專業智能認證可采用多通道的交互方式，采集包括語音、圖像、虛擬現實等在內的多模態過程性數據，對多源異構數據進行歸納、轉化、分析、集成和對自動標注技術進行開發，實現針對專業認證數據的全自動、全空間、全過程的集聚，增強認證交互的適應性。

在數據計算技術層面，一方面，高職專業智能認證應引入更多自適應學習算法，使專業認證系統能夠根據學生的學習表現，使用元學習、強化學習等技術調整認證模型和指標，實現算法的自我更新和專業認證的個性化發展。另一方面，高職專業智能認證可通過引入元優化機制，對認證體系進行周期性元學習，并對智能認證算法和模型進行優化，提高其適應性和泛化能力，使其更好地適應不同的學科、課程和學生群體。

2.提升大數據技術在高職專業認證中的拓展解釋性

針對多模態數據分析粗糙、認證模型精準性和解釋性低等現實難題，首先，高職專業智能認證可采用深度學習與多模態融合、注意力機制與關鍵信息提取、模型解釋技術等先進方法，引入可解釋性算法和選擇可解釋性模型結構，如決策樹和規則引擎，提高認證模型的可理解性。其次，高職專業智能認證可利用遷移學習和預訓練模型增強模型對多模態數據的理解能力，結合人機協同和用戶反饋優化模型，確保其符合實際需求。同時，通過數據清洗降低數據噪聲，提高數據分析的精準性。

3.提升大數據技術在高職專業認證反饋中的應用性

在認證結果反饋應用階段，如何利用智能技術直觀清晰地呈現高職辦學過程、教育效果和未來發展趨勢是需要重點解決的技術難題。可從以下幾方面努力。第一，采用數據可視化技術，通過圖表、圖形等形式直觀呈現認證反饋數據，使反饋信息一目了然。第二，結合虛擬現實和增強現實技術，創造虛擬學習環境，向各相關認證主體實時展示教學過程和未來發展趨勢。第三，利用智能儀器和物聯網技術實時監測教育過程，提供實際教育效果和流程展示。第四，借助自然語言處理與智能報告生成，分析文本數據，生成清晰的智能報告，全面呈現辦學情況。第五，通過機器學習與預測分析，對歷史數據進行分析，預測未來趨勢，為認證主體提供科學的決策支持。同時，建設高職教育大數據分析平臺和智能決策支持系統，集成各類數據源和分析工具，提供全面、直觀的數據展示，使認證主體更好地監控辦學過程，優化辦學效果。值得注意的是，綜合運用上述策略將更好地解決技術難題，拓展技術應用場景，從而提升專業認證效能。

參考文獻：

[1]湯霓.高等職業教育專業認證：國際經驗與發展邏輯[J].中國職業技術教育，2018（21）：33-38.

[2]陸旻瑤，陸小榮.我國職業教育專業認證的必然、邏輯原則與策略[J].職教論壇，2021（10）：152-157.

[3]張維沖，王芳，趙洪.多源信息融合用于新興技術發展趨勢識別——以區塊鏈為例[J].情報學報，2019（11）：1166-1176.

[4]馬素偉，朱飛.智能算法對高校思想政治教育的風險挑戰與治理路徑[J].學校黨建與思想教育，2023（9）：55-57.

[5]黃浩嵐.我國高職教育質量評價的取向、主體及指標——基于文獻研究的角度[J].高等農業教育，2012（7）：78-81.

[6]王興宇.智能技術在精準教學中的應用及其規制[J].高等教育研究，2022（4）：87-97.

[7]王良順，李想.生成式人工智能服務提供者的數據安全保護義務研究[J].南昌大學學報（人文社會科學版），2023（6）：72-83.

[8]白鈞溢.教育人工智能倫理治理：現實挑戰與實現路徑[J].重慶高教研究，2024（2）：37-47.

[9]鐘祥銘，方興東.智能鴻溝：數字鴻溝范式轉變[J].現代傳播（中國傳媒大學學報），2022（4）：133-142.

[10]成龍，王楠.數字異化：表象、根源及其破解途徑[J].中國地質大學學報（社會科學版）：2022（6）：1-11.

[11]胡瑞，蔣蓓蓓.數字化賦能高等教育評價：樣態、困境與突破[J].國家教育行政學院學報，2023（12）：57-65.

[12]馮永剛，屈玲.ChatGPT運用于教育的倫理風險及其防控[J].內蒙古社會科學，2023（4）：34-42，213.

[13]CHRISTIE S.人工智能時代教育系統應著力培養三種核心能力[J].人民論壇·學術前沿，2023（18）：44-51.

（責任編輯：張宇平）

Research on Big Data-driven Accreditation of Higher Vocational

Education Programs

SHI Han-qing， GUO Li-jun

（Hunan Agricultural University， Changsha Hunan 410128， China）

Abstract： The accreditation of higher vocational education programs is related to the overall high-quality development of higher vocational education and it is an important lever to promote the connotative development of vocational education. The multi-source fusion technology， intelligent recommendation algorithm technology and data computing technology in big data technology are closely related to the data acquisition， system improvement and result feedback and application of accreditation of higher vocational education programs， which meets the practical needs of the objective， accurate and scientific development of accreditation of higher vocational education programs. However， big data technology driving accreditation of higher vocational education programs" may lead to three major issues： ethical issues， subjectivity dilemma and distortion risk. Therefore， intelligent accreditation regulations should be established to standardize certification behavior; diversified innovative accreditation concepts are needcled to correct accreditation directions; the appropriateness of technological empowerment should be enhanced to improver the efficiency of the accreditation.

Key words： accreditation of higher vocational education programs; big data technology; accreditation validity; technical limitations; ethical risks