融合無感行為數(shù)據(jù)的新學(xué)涯測(cè)評(píng)研究與實(shí)踐

鄧慶東 付立軍 楊亮 范玥 程璐璐

摘? ?要：隨著新高考改革選科選考方案的實(shí)施，中學(xué)生尤其是高中生要增強(qiáng)對(duì)個(gè)人興趣、能力、學(xué)術(shù)潛力以及專業(yè)與職業(yè)方向的綜合認(rèn)識(shí)，學(xué)校也要加強(qiáng)對(duì)學(xué)生學(xué)涯測(cè)評(píng)的引導(dǎo)，提升測(cè)評(píng)精準(zhǔn)性。傳統(tǒng)模型測(cè)評(píng)的問卷模式反映了學(xué)生的部分特征，同時(shí)經(jīng)典測(cè)評(píng)問卷模式受被測(cè)試者主觀情緒影響和解讀認(rèn)識(shí)上的差異，可能伴隨部分主觀上的誤差。對(duì)此，文章提出一種融合學(xué)生無感行為理念的測(cè)評(píng)方法，并基于文本分類技術(shù)及日志處理等手段，對(duì)學(xué)生無感行為進(jìn)行分析并與傳統(tǒng)經(jīng)典測(cè)評(píng)相融合，解決了傳統(tǒng)經(jīng)典測(cè)評(píng)模型的主觀性強(qiáng)、測(cè)評(píng)維度單一等問題。還基于微信公眾號(hào)平臺(tái)，內(nèi)嵌開發(fā)了融合無感測(cè)評(píng)理念的在線測(cè)評(píng)系統(tǒng)，在北京市某中學(xué)上線并經(jīng)過一年多的應(yīng)用實(shí)踐檢驗(yàn)。結(jié)果表明，該方法有效地提高了學(xué)生的認(rèn)知，并且在學(xué)生發(fā)展指導(dǎo)中心對(duì)學(xué)生個(gè)性化指導(dǎo)方面，起到了創(chuàng)新性的作用。

關(guān)鍵詞：新高考;無感測(cè)評(píng);學(xué)涯測(cè)評(píng);選科選考

中圖分類號(hào)：TP399 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1673-8454（2021）22-0023-05

一、引言

2019年6月，國務(wù)院辦公廳印發(fā)的《關(guān)于新時(shí)代推進(jìn)普通高中育人方式改革的指導(dǎo)意見》，強(qiáng)調(diào)開展不同形式的學(xué)生發(fā)展活動(dòng)，加強(qiáng)學(xué)生的學(xué)涯規(guī)劃指導(dǎo)。這是繼2014年9月《國務(wù)院關(guān)于深化考試招生制度改革的實(shí)施意見》[1]提出后，對(duì)學(xué)生發(fā)展和學(xué)涯規(guī)劃的又一次深入推動(dòng)。伴隨著教育的創(chuàng)新改革，學(xué)涯規(guī)劃的關(guān)鍵——學(xué)涯測(cè)評(píng)獲得越來越多的重視，測(cè)評(píng)推動(dòng)著學(xué)生、家長、教師、學(xué)校各方，通過多種途徑提升學(xué)生對(duì)學(xué)涯的認(rèn)知與實(shí)踐。如何幫助學(xué)生選擇備考科目、專業(yè)方向，指導(dǎo)學(xué)生學(xué)涯規(guī)劃活動(dòng)，成為學(xué)校教育指導(dǎo)的重要內(nèi)容[2]。有效的綜合測(cè)評(píng)模式，將助力于學(xué)生學(xué)涯認(rèn)知和學(xué)校學(xué)涯規(guī)劃指導(dǎo)。

傳統(tǒng)經(jīng)典測(cè)評(píng)模型，如MBTI測(cè)評(píng)模型[3]通過選擇題的方式，為用戶展示測(cè)評(píng)結(jié)果。然而，模型測(cè)評(píng)的方式存在一定的局限性，測(cè)評(píng)者可能出于其他心理而選擇一些非實(shí)際情況的答案，使得測(cè)評(píng)結(jié)果有一定的偏差。隨著“互聯(lián)網(wǎng)+”的推進(jìn)，大數(shù)據(jù)和人工智能技術(shù)與行業(yè)結(jié)合應(yīng)用不斷深化，本文在傳統(tǒng)經(jīng)典模型測(cè)評(píng)基礎(chǔ)上，基于微信公眾號(hào)內(nèi)嵌開發(fā)測(cè)評(píng)系統(tǒng)，通過文本分類、日志分析技術(shù)，以無感測(cè)評(píng)的方式分析提取學(xué)生無感行為數(shù)據(jù)，構(gòu)建學(xué)生在新高考環(huán)境下推薦選科、選專業(yè)的新型測(cè)評(píng)模型。同時(shí)結(jié)合學(xué)生成績等進(jìn)行驗(yàn)證，在綜合多方面因素的基礎(chǔ)上，使測(cè)評(píng)結(jié)果更具真實(shí)性、客觀性。

二、國內(nèi)外研究現(xiàn)狀

隨著教育體系和計(jì)算機(jī)技術(shù)的發(fā)展，領(lǐng)域間交叉日益密切，其中研究學(xué)生個(gè)性化測(cè)評(píng)方面主要有以下幾種：MBTI（Myers-Briggs Type Indicator）職業(yè)性格測(cè)評(píng)由Myers和Briggs母女以心理學(xué)家榮格的心理類型理論為基礎(chǔ)編制的一個(gè)人格自陳量表[3]。這種量表方法比較原始，但是奠定了職業(yè)測(cè)評(píng)方向的基礎(chǔ)。加拿大西蒙弗雷澤大學(xué)的Virtual-U教學(xué)平臺(tái)[4]可以對(duì)學(xué)生的測(cè)驗(yàn)進(jìn)行管理和評(píng)價(jià)，這種方式是對(duì)學(xué)生的測(cè)驗(yàn)進(jìn)行數(shù)字化管理，但評(píng)價(jià)維度過于單一。之后，張艷霞[5]等通過討論構(gòu)建和使用數(shù)據(jù)表征來刻畫學(xué)生特點(diǎn)和偏好。李爽[6]等通過行為序列分析學(xué)生在測(cè)評(píng)平臺(tái)上的連續(xù)動(dòng)作，這種方式一定程度上反映了學(xué)生的行為，不過該測(cè)評(píng)只是分析行為和成績之間的關(guān)系，不適用于新高考環(huán)境下選課和專業(yè)選擇方面測(cè)評(píng)的情況?；l(wèi)軍[7]提出新高考環(huán)境下應(yīng)用腦AT技術(shù)測(cè)評(píng)工具和校企聯(lián)盟的方法，為中學(xué)生選科目、選專業(yè)提供幫助，此方法有一定效果，不過測(cè)評(píng)周期過長，且沒有有效利用網(wǎng)絡(luò)平臺(tái)獲取學(xué)生的高校專業(yè)、未來職業(yè)的平臺(tái)數(shù)據(jù)痕跡再做分析。此外，部分教育工作者運(yùn)用統(tǒng)計(jì)學(xué)方法，統(tǒng)計(jì)測(cè)評(píng)者的行為特點(diǎn)數(shù)據(jù)，并分析最終記錄的結(jié)果，為測(cè)評(píng)者進(jìn)行測(cè)評(píng)規(guī)劃。

三、無感測(cè)評(píng)實(shí)現(xiàn)的技術(shù)方法

無感測(cè)評(píng)主要是將學(xué)生在測(cè)評(píng)平臺(tái)上對(duì)“職業(yè)案例”模塊的瀏覽情況、收藏行為以及學(xué)生成績等多元化數(shù)據(jù)作為測(cè)評(píng)指標(biāo)，通過文本分類技術(shù)對(duì)所實(shí)驗(yàn)的數(shù)據(jù)進(jìn)行分類，挖掘分析瀏覽情況和收藏行為數(shù)據(jù)所反映出的學(xué)生的能力、性格或興趣傾向等。該實(shí)現(xiàn)過程包括數(shù)據(jù)獲取、分類算法的研究與選取、分類模型優(yōu)化等幾個(gè)步驟。

1.數(shù)據(jù)獲取

采用Scrapy爬蟲框架[8]采集公開的職業(yè)招聘案例數(shù)據(jù)為數(shù)據(jù)集，根據(jù)職業(yè)方向劃分為建筑類、財(cái)務(wù)/行政類、銷售/市場(chǎng)類、計(jì)算機(jī)類、工程技術(shù)類、公務(wù)員、通信類、酒店旅游類、傳媒文化類、藝術(shù)設(shè)計(jì)類、化工環(huán)保類、生物制藥類、生產(chǎn)制造、貿(mào)易/物流類、保險(xiǎn)類、證券類、農(nóng)業(yè)類、醫(yī)療類、法律類、教育類和金融類共21類，共計(jì)11000余條數(shù)據(jù)。職業(yè)案例主要包括：任務(wù)職責(zé)、職業(yè)技能、知識(shí)背景、從業(yè)資格、常用工具等。職業(yè)案例的節(jié)選數(shù)據(jù)如表1所示，包括案例標(biāo)題和案例詳情模塊。

2.分類算法的研究與選取

分類算法的選擇或融合常基于分類數(shù)據(jù)的結(jié)構(gòu)。本文需要的數(shù)據(jù)集中每份職業(yè)招聘數(shù)據(jù)均包括案例標(biāo)題和案例詳情，而這種文檔有一定的特征，即大部分標(biāo)題是對(duì)正文的高度概括，通過標(biāo)題可以直接確定其分類;而有些標(biāo)題則略為含糊，需要結(jié)合文檔詳情確定最終分類。

本文參考并改進(jìn)吳漢瑜等[9]人提出的CNN_BiLSTM_ Attention混合分類模型，提出基于注意力機(jī)制的雙CNN+BiLSTM分類算法，注重標(biāo)題與職業(yè)招聘詳情部分的融合加權(quán)分類。對(duì)每條職業(yè)案例標(biāo)題與詳情通過Word2vec模型訓(xùn)練為詞向量，分別對(duì)案例標(biāo)題與詳情語料中每個(gè)詞潛在的語義向量進(jìn)行卷積[10]與最大池化[11]，最大池化后的特征向量輸入到BiLSTM，獲取上下文語義信息[12]，得到標(biāo)題和案例詳情隱藏狀態(tài)向量后，通過注意力機(jī)制分別為案例標(biāo)題與詳情這兩部分處理結(jié)果配置對(duì)應(yīng)權(quán)重，最后通過softmax函數(shù)計(jì)算文本類別概率，分類模型如圖1所示。

其中卷積神經(jīng)網(wǎng)絡(luò)融合雙向長短時(shí)記憶網(wǎng)絡(luò)（CNN+BiLSTM）模型不僅可以考慮上下文信息，還可以提取局部特征，有效防止關(guān)鍵信息丟失。同時(shí)，為了獎(jiǎng)勵(lì)作為正確分類文檔的線索部分，引入標(biāo)題與詳情級(jí)別的注意力機(jī)制，該機(jī)制在標(biāo)題與詳情內(nèi)容兩部分分別經(jīng)過CNN+BiLSTM模型處理之后，分配不同的注意力分布概率值。

首先，用一個(gè)非線性激活函數(shù)獲取標(biāo)題向量或者詳情向量的深層語義向量：

ui=tanh（WSy（3）

i? ?+bs）公式（1）

其中y（3）

i? ?是標(biāo)題或詳情向量，bs是注意力機(jī)制的偏置參數(shù)，使用公式（2）獲取標(biāo)題與詳情的注意力向量：

ai=公式（2）

其中，us是一個(gè)隨機(jī)初始化的在訓(xùn)練中學(xué)習(xí)的上下文向量，通過公式（3）求得整篇文檔的向量表示：

v=aiy（3）

i? ?公式（3）

在這最后的向量中，本文使用softmax計(jì)算職業(yè)案例Q的分類標(biāo)簽y，分類器利用隱藏狀態(tài)c*作為輸入：

（y│Q）=softmax（W（Q）+b（Q））公式（4）

=argmax（y│Q）公式（5）

損失函數(shù)如下：

J（θ）=-tilog（yi）+λ||θ||2

F公式（6）

其中t∈Rm是one-hot表示，y∈Rm代表估計(jì)每個(gè)類別的概率（m是目標(biāo)類別的數(shù)目），表示一個(gè)L2正則化參數(shù)。

3.分類模型優(yōu)化

本文分類模型最終的分類，使用softmax函數(shù)實(shí)現(xiàn)對(duì)職業(yè)案例數(shù)據(jù)進(jìn)行計(jì)算。針對(duì)算法模型在訓(xùn)練的時(shí)候有可能出現(xiàn)過擬合的情況，為了避免這種情況的發(fā)生，我們使用L2正則化策略[13]和Dropout策略[14]。

（1）L2 正則化策略

為了提高本平臺(tái)模型的廣泛適用能力，我們使用L2正則化策略進(jìn)行激勵(lì)。本平臺(tái)模型參數(shù)選擇 λ=2 時(shí)候的正則化項(xiàng)，因此本融合算法的目標(biāo)函數(shù)如下：

f（Θ）=L+∑θi公式（7）

對(duì)模型參數(shù)進(jìn)行優(yōu)化，其中模型參數(shù)說明如表2所示。

（2）Dropout策略

本文在算法模型的全連接層后融入Dropout機(jī)制，可在訓(xùn)練時(shí)去掉一些特征，過程如下：①保證輸入層與輸出層神經(jīng)元個(gè)數(shù)不變，臨時(shí)隨機(jī)去除部分隱藏層中的神經(jīng)元。②將輸入層經(jīng)過調(diào)整后的網(wǎng)絡(luò)進(jìn)行前向傳播，再把獲取的損失結(jié)果通過調(diào)整后的網(wǎng)絡(luò)反向傳播。③恢復(fù)步驟①中被臨時(shí)去除掉的神經(jīng)元，未被臨時(shí)去除的神經(jīng)元此時(shí)已被更新。不斷重復(fù)執(zhí)行這一過程，從而達(dá)到削弱網(wǎng)絡(luò)模型隱藏層之間的作用，以此來防止算法過擬合的情況，經(jīng)過Dropout機(jī)制優(yōu)化的網(wǎng)絡(luò)變化如圖2所示。

四、融合無感行為的新學(xué)涯測(cè)評(píng)方案設(shè)計(jì)

為了解決中學(xué)生學(xué)涯測(cè)評(píng)選科、選專業(yè)難的問題，本文提出基于微信公眾號(hào)平臺(tái)先用經(jīng)典的MBTI職業(yè)性格測(cè)評(píng)得到個(gè)性化推薦的職業(yè)類別信息，之后融合學(xué)生無感行為理念的測(cè)評(píng)方法，來解決傳統(tǒng)經(jīng)典測(cè)評(píng)模型的主觀性強(qiáng)、測(cè)評(píng)維度單一等問題。

1.無感測(cè)評(píng)的設(shè)計(jì)

本文提出的無感測(cè)評(píng)指的是在測(cè)評(píng)的過程中測(cè)試者沒有明顯感知在進(jìn)行測(cè)試環(huán)節(jié)，之后對(duì)于測(cè)試的結(jié)果數(shù)據(jù)進(jìn)行挖掘分析得出測(cè)試評(píng)價(jià)。本文設(shè)計(jì)通過采集學(xué)生在本測(cè)評(píng)系統(tǒng)中職業(yè)案例等模塊產(chǎn)生的瀏覽記錄[15]、收藏行為以及個(gè)人成績等多元化數(shù)字痕跡數(shù)據(jù)綜合作為測(cè)評(píng)指標(biāo)。對(duì)于瀏覽記錄方面，通過系統(tǒng)埋點(diǎn)與日志采集以及數(shù)據(jù)分析技術(shù)得出中學(xué)生感興趣的職業(yè)類別和不同類別的訪問頻率，再結(jié)合測(cè)評(píng)者可能有的收藏行為，基本得出其職業(yè)興趣類別。此外，職業(yè)類別和高校專業(yè)、高校專業(yè)和基礎(chǔ)學(xué)科之間存在一定聯(lián)系[16]，所以學(xué)生成績可以作為無感測(cè)評(píng)的參考標(biāo)準(zhǔn)。無感測(cè)評(píng)流程如圖3所示。

2.融合無感測(cè)評(píng)與經(jīng)典MBTI模型的綜合測(cè)評(píng)

一般來講，相比于了解高校開設(shè)專業(yè)的情況，中學(xué)生更了解身邊人從事的職業(yè)情況，因此學(xué)生可以先從職業(yè)開始了解，通過職業(yè)關(guān)聯(lián)對(duì)應(yīng)專業(yè)，通過專業(yè)鎖定選科。職業(yè)一般和高校專業(yè)密切關(guān)聯(lián)，從而抽取出職業(yè)大類關(guān)聯(lián)的一級(jí)高校專業(yè)，而專業(yè)又與九大基礎(chǔ)學(xué)科進(jìn)行知識(shí)關(guān)聯(lián)，進(jìn)而能通過傳統(tǒng)經(jīng)典測(cè)評(píng)獲取測(cè)評(píng)者擅長的高校專業(yè)類和基礎(chǔ)學(xué)科，其中專業(yè)和職業(yè)之間知識(shí)關(guān)聯(lián)[16]部分內(nèi)容如表3所示。

專業(yè)和學(xué)科之間的知識(shí)關(guān)聯(lián)部分內(nèi)容如表4所示。

MBTI經(jīng)典測(cè)評(píng)結(jié)果的推薦同樣是職業(yè)，因此與前面提到的引導(dǎo)中學(xué)生從職業(yè)模塊開始收集無感測(cè)評(píng)相切合，MBTI經(jīng)典測(cè)評(píng)和無感測(cè)評(píng)均收斂聚焦于職業(yè)，MBTI測(cè)評(píng)推薦的職業(yè)類別結(jié)果如圖5（a）所示，與無感測(cè)評(píng)模型分析收集的職業(yè)類別有重疊，本文采用基于權(quán)重的統(tǒng)計(jì)學(xué)方法計(jì)算排序。同一測(cè)評(píng)模式下的重復(fù)職業(yè)類別直接累加統(tǒng)計(jì)，經(jīng)典測(cè)評(píng)推薦結(jié)果和無感測(cè)評(píng)收集分析結(jié)果重要度比重各占50%，最終結(jié)果按照加權(quán)累加的方法由高到低進(jìn)行排序，經(jīng)過表3和表4所描述職業(yè)與專業(yè)、專業(yè)與學(xué)科之間的知識(shí)關(guān)聯(lián)，可以推出適合學(xué)生的選科和選專業(yè)列表。圖4是系統(tǒng)的測(cè)評(píng)模型融合設(shè)計(jì)圖。

通過融合無感測(cè)評(píng)，解決了經(jīng)典測(cè)評(píng)模型測(cè)評(píng)維度單一等問題。此外，聯(lián)合學(xué)生的學(xué)習(xí)成績，一方面有效利用學(xué)生成績提高模型的推薦準(zhǔn)確度;另一方面，通過學(xué)生成績驗(yàn)證本文提出的綜合測(cè)評(píng)模型的準(zhǔn)確性，兩者相輔相成。

五、新學(xué)涯測(cè)評(píng)系統(tǒng)的應(yīng)用實(shí)踐

本項(xiàng)目應(yīng)用在北京市某重點(diǎn)中學(xué)，采用上述融合無感測(cè)評(píng)模型，用于輔助中學(xué)生的學(xué)涯規(guī)劃指導(dǎo)工作。其中主要的測(cè)評(píng)分為經(jīng)典模型測(cè)評(píng)、職業(yè)案例瀏覽、個(gè)人成績管理三大塊。為了將本文的測(cè)評(píng)模型得到實(shí)際應(yīng)用，使用配套研發(fā)的“學(xué)涯測(cè)評(píng)系統(tǒng)”為學(xué)生提供服務(wù)，其測(cè)評(píng)界面如圖5所示。

六、研究結(jié)論

在本文配套的學(xué)涯測(cè)評(píng)系統(tǒng)中，通過將經(jīng)典測(cè)評(píng)模型與無感測(cè)評(píng)模型相融合，并實(shí)際應(yīng)用于北京市某重點(diǎn)中學(xué)學(xué)涯規(guī)劃指導(dǎo)中，使得學(xué)生對(duì)自我認(rèn)知、職業(yè)的認(rèn)識(shí)以及高校專業(yè)的了解有了顯著提升。同時(shí)這種融合的測(cè)評(píng)模型相對(duì)可靠地刻畫了學(xué)生的能力特征與興趣傾向，有效克服了傳統(tǒng)經(jīng)典測(cè)評(píng)的局限性，較為精準(zhǔn)地為中學(xué)生在新高考環(huán)境下推薦個(gè)性化選科、選專業(yè)。借助移動(dòng)微信公眾平臺(tái)，使得學(xué)生打破時(shí)空限制，有更多時(shí)間和機(jī)會(huì)進(jìn)行無感測(cè)評(píng)，無論對(duì)學(xué)生個(gè)人學(xué)涯規(guī)劃，還是學(xué)校的培養(yǎng)教育均有十分重要的作用。

參考文獻(xiàn)：

[1]劉寶劍.關(guān)于高中生選擇高考科目的調(diào)查與思考——以浙江省2014級(jí)學(xué)生為例[J].教育研究，2015，36（10）：142-148.

[2]林德全.新高考選考科目嬗變的多維審視[J].湖南師范大學(xué)教育科學(xué)學(xué)報(bào)，2019，18（6）：40-46.

[3]Myers I B，McCaulley M H，Quenk N L，et al.MBTImanual： A Guide to the Development and Use of the Myers-Briggs Type Indicator Instrument，3rd Edition[M].Palo Alto：Consulting Psychologists Press，1998：285-324.

[4]呂嘯，余勝泉，譚霓.基于發(fā)展性評(píng)價(jià)理念的網(wǎng)絡(luò)教學(xué)平臺(tái)學(xué)習(xí)評(píng)價(jià)系統(tǒng)設(shè)計(jì)[J].電化教育研究，2011（2）：73-78.

[5]張艷霞，孫洪濤，李爽，等.數(shù)據(jù)表征學(xué)習(xí)過程及其應(yīng)用——學(xué)習(xí)分析數(shù)據(jù)集國際研究綜述[J].中國電化教育，2015（9）：85-93.

[6]李爽，鐘瑤，喻忱，等.基于行為序列分析對(duì)在線學(xué)習(xí)參與模式的探索[J].中國電化教育，2017（3）：88-95.

[7]滑衛(wèi)軍.新高考改革背景下高中生涯規(guī)劃教育的實(shí)踐探索——以北京市H中學(xué)為例[J].教育理論與實(shí)踐，2019，39（14）：7-9.

[8]Kaiying D，Senpeng C，Jingwei D.On optimisation of web crawler system on Scrapy framework[J].International Journal of Wireless and Mobile Computing，2020，18（4）： 332-338.

[9]吳漢瑜，嚴(yán)江，黃少濱，等.用于文本分類的CNN_ BiLSTM_Attention混合模型[J].計(jì)算機(jī)科學(xué)，2020，47（S2）：23-27+34.

[10]Kim Y.Convolutional neural networks for sentence classification[C]∥Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing.Doha，Qatar：Association for Computational Linguistics，2014：1746-1751.

[11]Collobert R，Weston J，Bottou L，et al.Natural Language Processing（Almost） from Scratch[J]. Journal of machine learning research，2011（12）：2493-2537.

[12]國顯達(dá)，那日薩，崔少澤.基于CNN-BiLSTM的消費(fèi)者網(wǎng)絡(luò)評(píng)論情感分析[J].系統(tǒng)工程理論與實(shí)踐，2020，40（3）：653-663.

[13]呂國豪，羅四維，黃雅平，等.基于卷積神經(jīng)網(wǎng)絡(luò)的正則化方法[J].計(jì)算機(jī)研究與發(fā)展，2014，51（9）：1891-1900.

[14]Zhang Y D，Pan C，Sun J，et al.Multiple sclerosis identification by convolutional neural network with dropout and parametric ReLU[J].Journal of computational science，2018（28）：1-10.

[15]姚攀，馬玉鵬，徐春香.基于ELK的日志分析系統(tǒng)研究及應(yīng)用[J].計(jì)算機(jī)工程與設(shè)計(jì)，2018，39（7）：2090-2095.

[16]趙寧寧.高中學(xué)生選科與高校招生專業(yè)類相關(guān)性探討[J].考試與招生，2019（11）：8-12.

（編輯：李曉萍）