LSTM-RNN在高職教育中的應用研究

王 珂 王 芬 黃 黎

（江蘇開放大學，江蘇南京 210036）

0 引言

隨著高職教育的全面發展，對學生能力的評估也越發重要。傳統的學生能力評估方式，通常以紙筆測試、面試等形式進行，忽視了學生的實際操作能力和職業技能。同時，這些評估方式耗時較長，效率低下。而且，評估結果的公正性和準確性也常受到質疑。圖1 展示了高職教育系統的結構，包括能力規劃、招聘、雇用、入職培訓、人才培養計劃、績效管理、薪酬和福利以及繼任計劃。首先，在能力規劃階段，學校需要確定學生需要掌握的知識和技能，并制定相應的教學計劃和課程設置。其次，學校進行教師、行政人員等的招聘工作，根據崗位要求和學校需求進行篩選。經過面試、考核等程序后，最終確定聘用人選。新員工入職后，需要進行必要的崗前培訓，以便盡快適應工作環境。同時，學校還需要制定長期的學生培養計劃，包括課程設置、實踐教學、實習實訓等方面。為了評估員工的工作表現和貢獻，學校需要進行績效考核。此外，為員工提供合理的薪酬待遇和福利保障也是重要的一環，可以激勵他們積極工作。最后，為了確保人才儲備和平穩過渡，學校還需要為管理層和關鍵崗位制定繼任計劃。通過這些措施，高職教育體系能夠更好地培養出適應社會需求的高素質人才。

圖1 高職教育體系架構

在實施過程中，無論是教師還是學生，都將面臨層出不窮的問題。這不僅涉及到時間和空間上的不一致性，也涵蓋了該學科較短的發展周期。此外，尚未完全成熟的制度也會給教學實施帶來挑戰[1]。而人工智能在社會生活的各個方面都已經有了廣泛應用，它的影響力更是逐步滲透到了包括教育在內的多個領域。2017 年7 月，國務院印發的《新一代人工智能發展規劃》明確提出：“利用智能技術加快推動人才培養模式、教學方法的改革，構建包含智能學習、交互式學習的新型教育體系”。緊接著，2019 年3 月，教育部印發了《2019 年教育信息化和網絡安全工作要點》，其中第一條基本目標是編制《中國智能教育發展綱要》，并組織召開人工智能與教育國際學術會議[2]。傳統的學生能力評估方式，無法滿足現代職業教育的需求。這種方式通常忽視了學生的實踐技能和知識應用，往往單一地關注理論知識的掌握程度。也忽視了學生個體間的差異，無法給出準確的、個性化的學習建議。當前，國內外對人工智能教育應用的研究主要集中在智能教學系統、智能導師系統、學生模型與領域模型的研究等幾個方面。然而，人工智能在國家開放大學遠程開放教育中的應用仍在探索階段，尚未形成成熟且全面的研究成果。因此，在中國傳統教育中嵌入人工智能作為示例，采用雜交LSTM-RNN 方法對學生的能力進行評估，以驗證其有效性[3]。

通過研究，可以確定中國傳統文化能夠支持人類的可持續進步，為個體提供所需的精神營養。在教育部門的指導下，各類職業學校需以提升學生的文化素養和道德品質以及發展技術能力為目標[4]。然而，在教育過程中，學生和教師都面臨著一定的挑戰。為解決這一問題，本研究開發了一種結合人工智能的中國傳統文化教育新模型[5]。

1 研究設計

1.1 研究對象

本研究以高職在校學生為研究對象，聚焦中國傳統文化在高職教育中的應用，旨在探索如何通過融入傳統文化，提升學生的技能培養、文化內涵和道德修養，激發學生的學習興趣。教育部明確提出，職業院校在培養學生技能的同時，應加強文化內涵和道德品質的提升，以培養全面發展的人才為目標。因此，本研究將基于LSTM-RNN 模型，通過對高職學生的學習數據和行為表現進行深入分析，評估他們的能力并提供有針對性的教學反饋。同時，本研究也將關注中國文化在當前職業培訓項目中的重要作用，以期為高職教育的改革和發展提供有益的參考。

1.2 研究方法

首先，是搜集并組織數據集，并采用歸一化手段對其進行預處理。其次，將人工智能（AI）全面融入中國傳統文化教學之中[6]。最后，結合雜交長短期記憶網絡（LSTM-RNN）方法對學生的能力進行測試，以此評估該方法的應用成效。圖2 是本研究所采取研究方法的整體框架。

圖2 研究方法整體框架

1.2.1 數據收集

在我國，教育和培訓就業的開展可以被精細地劃分為四個級別，每個級別都在其特定的教育環境下進行：初等教育（地位逐漸降低的領域），中等職業教育（遍及眾多的教育機構），高等教育（主導力量為三年制職業學院），以及成人教育和在職培訓。收集相關的數據，包括古文、詩詞、歷史文獻、職業規范等數據。然后對數據進行預處理和標注，以便用于后續的模型訓練和測試[7]。表1中的數據，清晰地揭示了中國職業學校按照其資金來源，被劃分為公立和私立機構。到2022 年，全國共計有職業院校1181 所，其中，約有272 所被標記為私立，占比24%，剩余的77%則屬于公立范疇。在這1181 所學校中，中央和地方事業單位擁有635所，國有企業所屬事業單位擁有84 所，行業協會所屬事業單位達到173 所，其他機關所屬事業單位有17 所[8]。這些數據揭示了中國職業教育領域的豐富多樣性和復雜的結構[9]。盡管私立學校只占總數量的一小部分，但它們的存在和貢獻是不可忽視的，它們在提供教育機會和促進教育公平方面發揮著重要作用。另一方面，公立學校占據了絕大部分，這表明了我國政府在職業教育領域的強大投入和主導地位[10]。

表1 2022年高職院校類型

1.2.2數據處理

本研究為確保數據挖掘與模型評估的準確性，實施了一套規范且精細的數據處理流程。首先，從眾多權威機構和相關來源廣泛征集了學生的原始數據，這些數據內容豐富，包含各種屬性和特征，為本研究提供了深厚的信息基礎。為了保證數據集的優質性，采取了一種嚴格的數據清洗策略，其中包括鑒別并剔除由各種原因產生的異常值和缺失值，確保數據的一致性和精確性[11]。

在預處理數據環節，引入了Z-score 歸一化技術，該技術是一種常見的數據標準化方法，它能使處理后的數據具有零均值和單位方差的特性。利用這種技術，可以消除不同屬性和特征之間的尺度差異，使數據在各種分布和環境下都能得到有效的對比和分析[12]。

完成數據歸一化后，對處理后的數據進行了細致的校驗。在這個過程中，運用了統計方法和可視化工具檢驗數據的合理性和一致性，確保在整個處理過程中數據沒有被引入任何偏差或誤差。通過一系列的校驗程序，數據集精確、可靠并具有代表性，為接下來的數據挖掘和模型評估工作提供了堅實的基礎。此外，數據處理流程不僅遵循通用的數據科學實踐標準，還根據本研究的特定需求和背景進行了個性化的調整，確保生成的數據集能夠充分滿足研究的需要。憑借一系列的規范處理步驟，本研究所采用的數據集在質量、標準化程度和可靠性方面都是較為出色，為后續的研究和分析提供了有力的支撐。

數據挖掘系統在預處理階段較多地使用了規一化數據轉換技術，其中包括確保屬性值在0.0 到1.0 的預定范圍內。這種歸一化對于使用神經網絡或距離度量的分類技術非常重要，例如通過最近鄰算法和聚類算法進行分類。歸一化在建模之前對數據進行平滑和規范化[13]。為了實現這一方法，使用了標準的數學轉換，包括歸一化、Z-score 歸一化、對數歸一化和十進制縮放歸一化來歸一化數值列。在具有極端值的數據集中識別模式可能更加困難。如果數據高度不規則、具有極端的高點和低點、包含分布式值或者不符合高斯分布，歸一化尤其適用。在本研究中，學生數據使用Z-score歸一化進行預處理。Z-score 歸一化是指對數據集中的每個值進行歸一化，使數據集中的樣本均值等于零，標準差等于1。該過程中采用了z 變換數據歸一化技術，確保在數據歸一化階段能夠正確完成[14]。為了消除數據集中不必要的誤差，使用以下公式對數據集中的每個值進行了Z-score歸一化：

其中，x是待歸一化的值，μ是平均值，σ是標準差，Z是歸一化輸出值。通過這種方式，可以將數據轉換成一個標準化的分布，均值為0，標準差為1，這有助于消除由異常值或分布偏斜引起的潛在偏差。

1.2.3 人工智能在傳統教育教學中的應用

人工智能在教育和教學領域中的應用已經越來越廣泛，其對于提高教學質量和推動教育現代化具有重要意義。人工智能技術可以為學生提供更加個性化、精準的學習資源和輔導，同時也可以幫助教師更好地掌握學生的學習情況和需求，優化教學策略和資源分配。

在教授中國傳統文化領域中，人工智能技術可以提供強大的知識支持，通過計算機硬件和軟件實現連續且龐大的知識庫創建。這種知識庫可以涵蓋廣泛的領域和主題，包括歷史、文學、哲學、藝術等，為學生提供全面的學習資源和指導。同時，人工智能還可以通過數據分析和技術手段，挖掘出傳統文化中的深層價值和意義，為現代教育和教學提供更加深入和創新的視角和方法?？傊?，人工智能技術的發展為教育和教學帶來了新的機遇和挑戰。需要不斷探索和應用新技術，不斷提高教育教學的質量和效率，同時也需要關注技術的倫理和社會影響，為人類的未來發展做出更大的貢獻。

在教授中國傳統文化時，教師需要應對各種多樣性，包括文化多樣性、語言差異和知識多樣性。如何根據學生的能力進行教育是一項不可忽視的挑戰。人工智能可以通過收集學生的特定數據，例如創造思考能力、語言表現力、認知能力等，并將其呈現給教師作為數據或文本來實現定制的需求感知，從而作為多功能助手協助中國傳統文化教育教師完成多項教育任務。雖然人工智能可以提供數據和輔助工具，但真正的教育質量仍然掌握在中國傳統文化教育教師手中。人工智能只是聚集和組合模糊數據，并以特定和明確的方式將其交付給他們，真正的決策權最終掌握在教師手中。在這種情況下，人工智能從屬于中國人類教師，這被稱為“AI助手+教師”方法。

1.2.4 LSTM-RNN算法測試學生的能力

通過深度學習策略，使用人工神經網絡實現機器學習成為一種較為流行的方式，而這種方法則被稱為深度學習。多層神經網絡被認為是深度學習網絡的基礎構建部分，“深度學習網絡”這一詞語特指多種類型神經網絡的集合，例如深度神經網絡（DNN）、卷積神經網絡（CNN）、循環神經網絡（RNN）以及深度信念網絡（DBN）等。本研究基于雜交LSTM-RNN方法，旨在評估學生的能力水平。

Hybridized LSTM-RNN 是一種融合了LSTM和RNN 的創新神經網絡架構，目標是匯聚兩者的優勢，以提升模型的綜合性能。該網絡設計的核心組件如下：

首先，LSTM網絡是這種混合架構中不可或缺的一部分。它由眾多的LSTM 單元組成，每個單元內部都設有一個記憶細胞以及三個門控機制，分別為輸入門、遺忘門和輸出門。記憶細胞的主要功能是存儲和更新狀態信息，而門控機制則負責調控信息的流動和更新，通過協同工作，LSTM單元能夠智能地判斷哪些信息應該被保留，哪些應該被丟棄。

其次，RNN 網絡也是這個架構中的重要一環。它由多個RNN 單元組成，每個單元通常是一個常規的全連接層。RNN 單元的主要職責是處理輸入的序列數據，并將處理后的信息傳遞給LSTM網絡，以便進行后續的分析和處理。

此外，這種Hybridized LSTM-RNN 還引入了一種名為“雜交連接”的創新連接方式，以實現LSTM 網絡和RNN 網絡之間的深度融合。通過這種連接方式，兩個網絡能夠直接共享信息和梯度，實現更高效的信息交互和協同學習。具體來說，LSTM 網絡的輸出會被用作RNN 網絡的輸入，同時LSTM 網絡的梯度也會被反向傳播給RNN 網絡，從而實現兩個網絡之間的雙向互動和調整。這種連接方式不僅促進了信息的流通，還有助于提高模型的泛化能力和性能表現[15]。

最后，在Hybridized LSTM-RNN 的輸出層，通常會采用softmax 函數對網絡的輸出進行轉換，得到一個概率分布，以支持分類或生成任務。這種設計使模型能夠更加靈活和多樣化地應對各種實際應用場景的需求。

本研究中，為了確保模型的準確性和泛化能力，采用了嚴格的訓練和測試數據劃分方法。具體步驟如下：

數據劃分。首先，將收集到的學生能力數據劃分為訓練數據集和測試數據集。其中，訓練數據集用于訓練LSTM-RNN 模型，測試數據集用于評估模型的性能。

數據預處理。在劃分數據后，對訓練數據集和測試數據集進行了相同的數據預處理操作，包括數據清洗、歸一化等，確保數據的一致性和可比性。

模型訓練。使用訓練數據集對LSTM-RNN模型進行訓練，通過調整模型的參數和隱藏層數量，使模型在訓練數據上的表現最佳。

模型評估。在完成模型訓練后，使用測試數據集對模型的性能進行評估。通過計算模型的準確率、召回率等指標，評估模型在未知數據上的泛化能力。

通過以上步驟，成功地使用混合LSTMRNN 模型對學生能力數據進行了分類和評估，驗證了模型的準確性和有效性。同時，通過嚴格的訓練和測試數據劃分，避免了過度擬合等問題，提高了模型的泛化能力。

本研究使用混合LSTM-RNN 對能力數據進行分類，創建了具有LSTM 隱藏層的雜交LSTM-RNN 模型。所有隱藏層的隱藏和記憶單元數量通過反復試驗確定。后續層可能會遇到四種主要的異常和噪聲區域，每個區域有五個神經元?？紤]到LSTM-DL 的明顯開銷，訓練時使用了保留交叉驗證而不是標準的k 折疊。在此場景下，將LSTM-RNN 模型的訓練集和驗證集劃分為兩組。當隱藏層數量增多時，訓練模型的難度也隨之增加。過度擬合用來描述一種情況，即在訓練數據中表現最好，但驗證性能不佳的網絡。在LSTM 層數設置為5時，沒有出現LSTM 運行異?；蛑貜陀柧殨r間的情況。因此，經過長時間的訓練過程，通過混合LSTMRNN技術，成功地評估了學生的能力。

2 研究結果

本研究的首要目標是研究中國傳統文化教學模式在高職教育教學過程中的實際應用，特別關注的是該模式對學生能力水平評估的準確性。為了實現這一目標，本研究創新性地采用了雜交LSTM-RNN 方法，這是一種結合了長短期記憶網絡（LSTM）和循環神經網絡（RNN）的混合模型，主要目的是提高對學生能力評估的準確性和穩定性。該方法利用Originpro 仿真工具得以實現，因此可以在實際教學環境中廣泛應用。

為了全面驗證本研究提出的雜交LSTMRNN 模型的有效性，本研究將其與幾種現有的教學方法進行了對比分析。這些方法包括CNN（卷積神經網絡）[16]、模糊邏輯[17]以及LSTM[18]。這些方法在不同程度上都能對學生的能力水平進行評估，但存在一定的局限性和不足。

通過對比分析，本研究發現雜交LSTMRNN 模型在評估學生創造性思考能力和語言表達能力方面具有顯著優勢。圖3和圖4直觀展示了該模型在預測學生能力方面的準確率，明顯高于其他對比方法。這種優勢主要體現在以下幾個方面：

圖3 創造性思考能力

圖4 語言表現能力

準確性。雜交LSTM-RNN 模型能更準確地評估學生的能力水平，尤其在判斷學生的創造性思考和語言表現方面具有更高的準確性。

穩定性。該方法在不同學生群體中表現出較好的穩定性，有效避免了因學生個體差異導致的評估結果波動。

效率。雜交LSTM-RNN 模型在處理大量數據時具有更高的效率，能迅速得出評估結果，有助于及時調整教學策略并優化學生的學習體驗。

綜上所述，本研究提出的雜交LSTM-RNN模型在評估學生能力水平方面具有明顯優勢，為高職教育教學提供了更為準確、穩定和高效的教學評估工具。這種方法的成功應用將有助于提高教學質量，優化學生的學習體驗，并為推動中國傳統文化在高職教育中的深入應用提供有力支持。

認知技能與態度以及心理技能都是大腦工具箱中的重要工具，它們涉及獲得滿足感、壓力管理、降低焦慮、認知力的理解和情緒穩定等技巧。通過加強這些心理技能，學生可以更好地應對學術挑戰，提高學術表現，并提升生活質量。如圖5 所示，接受基于人工智能的中國傳統文化教育的學生已經掌握了多種心理技能，這些技能將有助于他們在未來的學習和生活中取得更大的成功。

圖5 心理技能

心理能力被廣泛認為是一種涵蓋了創造力、自我調節、計劃、抽象思維、理解復雜概念以及經驗學習等多種能力的綜合體現。這些能力不僅在學術領域中發揮著重要的作用，也在日常生活和工作中扮演著關鍵的角色。圖6 展示了一項關于接受基于人工智能的中國傳統教育指導的學生心理能力和傾向的研究結果。從圖中可以清晰地看到，經過一段時間的學習和訓練，這些學生的心理能力和傾向得到了顯著的提升。這一發現不僅為人工智能在中國傳統教育中的應用提供了有力的支持，同時也為教育方法的改進和優化提供了有價值的參考。

圖6 態度心理能力

3 結論

經過本研究對基于LSTM-RNN 的高職教育學生能力評估方法的探索和實踐，可以得出以下結論：LSTM-RNN 模型在高職教育學生能力評估中具有顯著的優勢，能夠有效地評估學生的能力，并為教師和學校提供有針對性的教學反饋。通過實際應用驗證，該方法在提高評估準確性和效率方面取得了顯著成果。

本研究采用的混合LSTM-RNN 模型，通過深入分析學生的學習數據和行為表現，能夠更全面地評估學生的能力，并克服了傳統評估方法中的主觀性和片面性。同時，該模型具有較強的泛化能力，可以適用于不同領域和場景的學生能力評估。

因此，本研究的方法對于推動高職教育的質量提升和學生綜合能力的培養具有積極的意義。通過應用該方法，可以為教師和學校提供更加準確、全面的學生能力評估結果，為教學提供更加有針對性的指導，從而提高學生的整體學習效果。