高等教育产出与产业需求之间差距的自动分析方法

赵晓非

［摘 要］ 高等教育作为行业劳动力的主要提供者，因未能跟上数字革命与行业需求脱节而受到越来越多的批评，发展基于能力的教育可以解决上述问题。为弥合高等教育的产出与产业需求之间的差距，提出了一种评估教育产出与产业需求之间差距的方法。首先将行业职位所需的能力和高等教育课程的成果表示为简档。在构建简档的过程中，将上述领域中的概念和关系建模为语义Web本体。随后利用推理引擎执行简档的初步筛选，最后对候选简档进一步利用层次分析法进行匹配程度的计算。

［关键词］ 产业需求；高等教育产出；层次分析法（AHP）

［作者简介］ 趙晓非（1978—），男，辽宁锦州人，博士，天津工业大学计算机科学与技术学院副教授，主要从事本体工程的研究与应用、知识图谱研究。

［中图分类号］ G646 ［文献标识码］ A［文章编号］ 1674-9324（2024）07-0021-04 ［收稿日期］ 2023-04-14

引言

随着科学技术的快速发展，产业领域迫切需要与高等学校之间的密切合作。因此，高等教育需要与时俱进提高学习者的市场竞争力，确保其更好地适应产业需求［1］。近年来，很多国家、高校和学术机构已将能力框架纳入其培养计划设计活动。能力框架的主要目的是详细描述学生准备从事的工作所需的知识和技能。近年来，基于能力的教育已被广泛用于改进高职课程，也越来越多地被用于高等教育，从而更新和改革学位课程［2-3］。目前，比较有代表性的能力框架包括美国的O*NET［4］和法国的ROME［5］。

本文的目的是在产业职位的能力要求和高等教育学习者的能力之间建立映射关系，以分析学生的资质和产业需求之间的匹配程度［6］。该方法将教育的产出和行业的需求都表示为以能力为核心的简档。由于不同的领域对同一概念的描述不尽相同，而通过语义Web本体［7］技术可以实现跨领域术语的共同理解，使概念重用变得更加容易。因此我们将领域知识建模为语义Web本体，从而实现不同领域之间的概念映射以及简档匹配［8-9］。

一、系统的体系结构

我们设计的系统有两个主要功能。其一是在教育简档和产业简档之间进行匹配。教育简档可以是学生成绩单，也可以是大学课程表。二者的主要区别是成绩单包含学生的成绩，而这些成绩将被用作计算匹配分数的附加标准。产业简档描述了我们想要与学生成绩单相匹配的职位。简档由本体中的类的实例和关系的实例构成。系统的第二个功能是基于预定义的匹配标准，利用AHP方法计算候选简档的匹配分数并生成补充培养计划。系统由4个主要组件组成：本体库、推理引擎、简档匹配组件（PMC）和匹配分数计算组件（MSCC）。

本体库中定义了领域中的概念、概念之间的关系以及匹配规则。PMC组件是系统的核心，它从本体库中加载未分类的简档文件，并调用推理引擎实现推理，最终将所有教育简档分类为适合或不适合其相关联的产业简档。对于已分类完成的教育简档，PMC组件将对其进行标记，以防止它们在后续处理中被加载。接着，将已匹配的简档传递给MSCC组件。该组件使用AHP方法计算匹配分数，最后用计算出的分数更新简档并更新本体库。

二、本体设计

我们遵循了Stadnicki提出的本体设计规范［10］，并选择了Web本体语言OWL2作为建模语言，以及Protege作为本体建模工具。开发过程采用了以下步骤：（1）定义本体的域和范围；（2）重用现有本体；（3）列举领域术语；（4）定义类和类层次结构；（5）定义类之间的关系。核心模型如图1所示。

能力在本体模型中处于核心地位，从而能够覆盖不同课程的共同特征。能力可以是参加一门课程的学习所获得的成果，也可以是一个职位的需求。在基于能力的教育中，必须以能力的形式描述特定培养计划的目标。

图2给出了以“知识领域”为核心的类和关系。每个“知识领域”可以包含若干个“子知识领域”。“部分”关系是连接“知识领域”和“子知识领域”的重要元素。由于能力匹配不仅需要知识的内部构成，而且关联不同知识领域的关系也很重要。因此，必须建立一种新的关系，即“先决条件”的关系。这种关系将在支持模糊匹配方面发挥重要作用。如果在匹配过程中发现学生在某一特定知识领域存在严重不足，那么就可以追溯先前学习的知识领域。“知识领域”的类别被进一步细分为“知识要素”，主要有以下几种类型：“基本概念”“规则”和“示例”。本体库的这一部分确保了课程内容的描述，并为匹配过程提供了基础。

此外，本体中的其他类的简介如下：“教育简档”类由以下的类组成：（1）培养计划——由大学所教授的课程列表组成；（2）课程——为获得学位所需的学分而修习的课程。每门课程都应给出学生获得的学习成果；（3）学习成果——课程的学习结果。一个学习成果被映射到一个或多个能力。

“学生简档”类由以下的类组成：（1）学生；（2）成绩单——描述学生所修课程的清单和取得的分数；（3）成绩级别——课程的成绩级别用字母A、B、C、D和F表示。

“职位”类由以下的类组成：（1）能力需求——职位所要求的每个能力的名称；（2）重要性级别——表示能力对职位的重要性，可以采用以下值：弱需要、需要、强需要；（3）能力需求级别——职位所需的能力水平，可以采用以下值：了解、称职、胜任；（4）映射级别（相关性）——描述课程能力和职位能力之间的相关性，可以采用以下值：弱相关、相关、强相关。

三、简档匹配方法

简档的匹配过程需要两个输入：（1）以学生的能力为代表的先前资格及完成的水平。（2）目标职位所需的条件。

简档匹配过程借助SQWRL规则推理来实现。具体来说，对职位简档和学生简档之间的匹配是通过对双方的能力进行比较来实现的。如下所示：

学生（？s）∧提出申请（？s，？x）∧申请职位（？x，？e）

∧已获得能力（？s，？p1）∧匹配的成果（？x，？om）

∧能力需求（？e，？p2）∧SameAs（？p1，？p2）

→匹配的能力（？om，？p2）∧匹配结果（？om，适合）

该规则将下述二者进行匹配：（1）与学生的申请x相关联的职位e；（2）包含学生简档所述能力的职位。SameAs公理用于检查能力p1和p2是否为相同的个体。如果是，则将该能力添加到匹配的能力集合中，最后检查职位e的能力需求p2是否在能力集合中。如果是，可以推断出学生的申请符合职位要求，并将该申请标记为“适合”。

四、简档匹配分数的计算

下面以信息安全分析员的职位和天津工业大学计算机科学系的培养计划为例，介绍简档匹配分数的计算过程。用于提供工作职位及其能力的数据来源于O*Net上的发布。由于O*Net中描述工作的简档非常广泛，我们根据重要性排名只选取了重要性≥50%的能力。

培养计划匹配分数的计算过程包括计算学生简档中的每项能力与相应的行业能力之间的匹配分数，再取平均值获得简档之间的匹配分数。我们采用AHP方法来评估3个指标的匹配级别。这些指标分别为：能力映射级别、重要性级别和能力需求级别。根据AHP方法，分数计算的具体步骤如下。

（一）构造比较矩阵

比较矩阵描述了指标的相对重要性。我们采用1～9的比例标度法，并结合领域专家的建议构建了比较矩阵，结果如表1所示，再对比较矩阵进行归一化处理。

（二）计算权重向量

每个指标的权重使用以下公式计算w：

其中n为指标的个数。应用上述公式，可以得到所有指标的权重向量。

（三）学生简档与职位需求的匹配

表2给出了产业简档中的能力需求与学生已具备的能力。产业需求和学生成绩等级的对应关系如表3所示。

为了计算匹配分数，我们参考了教育界专家和产业界专家的意见，为每个指标分配了以下的对应数值。能力需求级别：胜任=85，称职=65，了解=45；能力映射级别：强相关=85，相关=65，弱相关=45；重要性级别：强需要=85，需要=65，弱需要=45；学生成果级别：A=89，B=79，C=69，D=59。

给定能力向量V和權重向量W，匹配分数=WoV。由于表3中的能力2（信息安全）的匹配向量为：V=（学生成果级别：A（85），映射级别（85），重要性级别：弱需要（45））=（85，85，45）。因此，能力2的匹配分数=85*0.14+85*0.48+45*0.37=69.35。

尽管计算结果显示学生的成绩级别为85，但由于能力2对该职位的重要性不高（重要性：弱需要），因此匹配分数仅为69.35。相反，能力1的匹配分数却为79*0.14+65*0.48+85*0.37=73.71。比较能力1和能力2，我们注意到，尽管学生在能力1方面获得了较低的分数，但最终获得的匹配分数更高。这是因为该能力对产业人士来说很重要，并被指定为强需要。最终匹配分数是学生能力匹配分数的平均值，在本例中等于：（69.35+73.71）/2=71.53。因此，学生简档和职位之间的匹配度为71.53%。

结论

研究高等教育产出与产业需求之间的差距具有重要的理论与实际意义。然而提出高效、准确的解决方案来衡量这一差距是一项具有挑战性的任务。本文提出的方法展示了如何使用本体、语义Web技术和AHP方法来充分建模领域概念并执行所需的差距分析。当前，我们建立能力简档的工作是人工进行的，该任务枯燥且工作量较大。未来的工作是提高这一过程的自动化程度，从而为提升高等教育的质量提供进一步的参考。

参考文献

［1］ABDELAZIZ， LAURENT， STEPHANIE， et al. Cooperative education development： towards ICT reference models［C］. Proc. of the Int. Conf. on Interactive Collaborative Learn（ICL），2014：855-861.

［2］STAVROU. Negotiating curriculum change in the French university： the case of ‘regionalising social scientific knowledge［J］. International Studies in Sociology of Education，2009，19（1）：19-36.

［3］DEIBINGER， HELLWIG. Structures and functions of competence-based education and training （CBET）： a comparative perspective［M］. OAI，2005：69-72.

［4］PETERSON， MUMFORD， BORMAN， et al. An occupational information system for the 21st century： the development of O*NET［M］. American Psychological Association，1999：13-56.

［5］MARKOWITSCH， PLAIMAUER. Descriptors for competence： towards an international standard classification for skills and competences［J］. Journal of European Industrial Training，2009，33（8/9）：817-837.

［6］ BOURAS， ZAINAL， ABDULWAHAD. Proceedings of the 15th international conference on e-Learning e-Business， enterprise information systems， and e-government［C］. New Jersey： IEEE， 2016：25-28.

［7］HITZLER. A review of the semantic web field［J］. Communications of the ACM，2021，64（2）：76-83.

［8］ANTONIAZZI， VIOLA. Building the semantic web of things through a dynamic ontology［J］. IEEE Internet of Things Journal，2019（99）：1.

［9］SULTAN. Decision support system assisted e-recruiting system［J］. Journal of Computational and Theoretical Nanoscience，2019，16（2）：335-340.

［10］BUREK. Towards a modern ontology development environment［J］. Procedia Computer Science，2020（176）：753-762.

An Automatic Analysis Method for the Gap Between the Outcome of Higher Education and

Industrial Requirement

ZHAO Xiao-fei

（School of Computer Science and Technology， Tiangong University， Tianjin 300387， China）

Abstract： As the main provider of industry labor， higher education has been increasingly criticized for failing to keep up with the digital revolution and being disconnected from industry demand. Developing capacity-based education can provide assistance in addressing these issues and bridging the gap between higher education outcome and industry demand. This paper proposes a method for evaluating the gap between educational outcomes and industrial demand. We first describe the capabilities required for industry positions and the outcomes of higher education courses as profiles. In the process of building profiles， we model the concepts and relationships in the aforementioned fields as semantic web ontologies. Subsequently， the inference engine is used to perform preliminary screening of profiles， and finally， the candidate profiles are further calculated for the matching degree using the Analytic Hierarchy Process.

Key words： industrial requirement; higher education output; analytic hierarchy process（AHP）