LSTM-RNN在高职教育中的应用研究

王 珂 王 芬 黄 黎

（江苏开放大学，江苏南京 210036）

0 引言

随着高职教育的全面发展，对学生能力的评估也越发重要。传统的学生能力评估方式，通常以纸笔测试、面试等形式进行，忽视了学生的实际操作能力和职业技能。同时，这些评估方式耗时较长，效率低下。而且，评估结果的公正性和准确性也常受到质疑。图1 展示了高职教育系统的结构，包括能力规划、招聘、雇用、入职培训、人才培养计划、绩效管理、薪酬和福利以及继任计划。首先，在能力规划阶段，学校需要确定学生需要掌握的知识和技能，并制定相应的教学计划和课程设置。其次，学校进行教师、行政人员等的招聘工作，根据岗位要求和学校需求进行筛选。经过面试、考核等程序后，最终确定聘用人选。新员工入职后，需要进行必要的岗前培训，以便尽快适应工作环境。同时，学校还需要制定长期的学生培养计划，包括课程设置、实践教学、实习实训等方面。为了评估员工的工作表现和贡献，学校需要进行绩效考核。此外，为员工提供合理的薪酬待遇和福利保障也是重要的一环，可以激励他们积极工作。最后，为了确保人才储备和平稳过渡，学校还需要为管理层和关键岗位制定继任计划。通过这些措施，高职教育体系能够更好地培养出适应社会需求的高素质人才。

图1 高职教育体系架构

在实施过程中，无论是教师还是学生，都将面临层出不穷的问题。这不仅涉及到时间和空间上的不一致性，也涵盖了该学科较短的发展周期。此外，尚未完全成熟的制度也会给教学实施带来挑战[1]。而人工智能在社会生活的各个方面都已经有了广泛应用，它的影响力更是逐步渗透到了包括教育在内的多个领域。2017 年7 月，国务院印发的《新一代人工智能发展规划》明确提出：“利用智能技术加快推动人才培养模式、教学方法的改革，构建包含智能学习、交互式学习的新型教育体系”。紧接着，2019 年3 月，教育部印发了《2019 年教育信息化和网络安全工作要点》，其中第一条基本目标是编制《中国智能教育发展纲要》，并组织召开人工智能与教育国际学术会议[2]。传统的学生能力评估方式，无法满足现代职业教育的需求。这种方式通常忽视了学生的实践技能和知识应用，往往单一地关注理论知识的掌握程度。也忽视了学生个体间的差异，无法给出准确的、个性化的学习建议。当前，国内外对人工智能教育应用的研究主要集中在智能教学系统、智能导师系统、学生模型与领域模型的研究等几个方面。然而，人工智能在国家开放大学远程开放教育中的应用仍在探索阶段，尚未形成成熟且全面的研究成果。因此，在中国传统教育中嵌入人工智能作为示例，采用杂交LSTM-RNN 方法对学生的能力进行评估，以验证其有效性[3]。

通过研究，可以确定中国传统文化能够支持人类的可持续进步，为个体提供所需的精神营养。在教育部门的指导下，各类职业学校需以提升学生的文化素养和道德品质以及发展技术能力为目标[4]。然而，在教育过程中，学生和教师都面临着一定的挑战。为解决这一问题，本研究开发了一种结合人工智能的中国传统文化教育新模型[5]。

1 研究设计

1.1 研究对象

本研究以高职在校学生为研究对象，聚焦中国传统文化在高职教育中的应用，旨在探索如何通过融入传统文化，提升学生的技能培养、文化内涵和道德修养，激发学生的学习兴趣。教育部明确提出，职业院校在培养学生技能的同时，应加强文化内涵和道德品质的提升，以培养全面发展的人才为目标。因此，本研究将基于LSTM-RNN 模型，通过对高职学生的学习数据和行为表现进行深入分析，评估他们的能力并提供有针对性的教学反馈。同时，本研究也将关注中国文化在当前职业培训项目中的重要作用，以期为高职教育的改革和发展提供有益的参考。

1.2 研究方法

首先，是搜集并组织数据集，并采用归一化手段对其进行预处理。其次，将人工智能（AI）全面融入中国传统文化教学之中[6]。最后，结合杂交长短期记忆网络（LSTM-RNN）方法对学生的能力进行测试，以此评估该方法的应用成效。图2 是本研究所采取研究方法的整体框架。

图2 研究方法整体框架

1.2.1 数据收集

在我国，教育和培训就业的开展可以被精细地划分为四个级别，每个级别都在其特定的教育环境下进行：初等教育（地位逐渐降低的领域），中等职业教育（遍及众多的教育机构），高等教育（主导力量为三年制职业学院），以及成人教育和在职培训。收集相关的数据，包括古文、诗词、历史文献、职业规范等数据。然后对数据进行预处理和标注，以便用于后续的模型训练和测试[7]。表1中的数据，清晰地揭示了中国职业学校按照其资金来源，被划分为公立和私立机构。到2022 年，全国共计有职业院校1181 所，其中，约有272 所被标记为私立，占比24%，剩余的77%则属于公立范畴。在这1181 所学校中，中央和地方事业单位拥有635所，国有企业所属事业单位拥有84 所，行业协会所属事业单位达到173 所，其他机关所属事业单位有17 所[8]。这些数据揭示了中国职业教育领域的丰富多样性和复杂的结构[9]。尽管私立学校只占总数量的一小部分，但它们的存在和贡献是不可忽视的，它们在提供教育机会和促进教育公平方面发挥着重要作用。另一方面，公立学校占据了绝大部分，这表明了我国政府在职业教育领域的强大投入和主导地位[10]。

表1 2022年高职院校类型

1.2.2数据处理

本研究为确保数据挖掘与模型评估的准确性，实施了一套规范且精细的数据处理流程。首先，从众多权威机构和相关来源广泛征集了学生的原始数据，这些数据内容丰富，包含各种属性和特征，为本研究提供了深厚的信息基础。为了保证数据集的优质性，采取了一种严格的数据清洗策略，其中包括鉴别并剔除由各种原因产生的异常值和缺失值，确保数据的一致性和精确性[11]。

在预处理数据环节，引入了Z-score 归一化技术，该技术是一种常见的数据标准化方法，它能使处理后的数据具有零均值和单位方差的特性。利用这种技术，可以消除不同属性和特征之间的尺度差异，使数据在各种分布和环境下都能得到有效的对比和分析[12]。

完成数据归一化后，对处理后的数据进行了细致的校验。在这个过程中，运用了统计方法和可视化工具检验数据的合理性和一致性，确保在整个处理过程中数据没有被引入任何偏差或误差。通过一系列的校验程序，数据集精确、可靠并具有代表性，为接下来的数据挖掘和模型评估工作提供了坚实的基础。此外，数据处理流程不仅遵循通用的数据科学实践标准，还根据本研究的特定需求和背景进行了个性化的调整，确保生成的数据集能够充分满足研究的需要。凭借一系列的规范处理步骤，本研究所采用的数据集在质量、标准化程度和可靠性方面都是较为出色，为后续的研究和分析提供了有力的支撑。

数据挖掘系统在预处理阶段较多地使用了规一化数据转换技术，其中包括确保属性值在0.0 到1.0 的预定范围内。这种归一化对于使用神经网络或距离度量的分类技术非常重要，例如通过最近邻算法和聚类算法进行分类。归一化在建模之前对数据进行平滑和规范化[13]。为了实现这一方法，使用了标准的数学转换，包括归一化、Z-score 归一化、对数归一化和十进制缩放归一化来归一化数值列。在具有极端值的数据集中识别模式可能更加困难。如果数据高度不规则、具有极端的高点和低点、包含分布式值或者不符合高斯分布，归一化尤其适用。在本研究中，学生数据使用Z-score归一化进行预处理。Z-score 归一化是指对数据集中的每个值进行归一化，使数据集中的样本均值等于零，标准差等于1。该过程中采用了z 变换数据归一化技术，确保在数据归一化阶段能够正确完成[14]。为了消除数据集中不必要的误差，使用以下公式对数据集中的每个值进行了Z-score归一化：

其中，x是待归一化的值，μ是平均值，σ是标准差，Z是归一化输出值。通过这种方式，可以将数据转换成一个标准化的分布，均值为0，标准差为1，这有助于消除由异常值或分布偏斜引起的潜在偏差。

1.2.3 人工智能在传统教育教学中的应用

人工智能在教育和教学领域中的应用已经越来越广泛，其对于提高教学质量和推动教育现代化具有重要意义。人工智能技术可以为学生提供更加个性化、精准的学习资源和辅导，同时也可以帮助教师更好地掌握学生的学习情况和需求，优化教学策略和资源分配。

在教授中国传统文化领域中，人工智能技术可以提供强大的知识支持，通过计算机硬件和软件实现连续且庞大的知识库创建。这种知识库可以涵盖广泛的领域和主题，包括历史、文学、哲学、艺术等，为学生提供全面的学习资源和指导。同时，人工智能还可以通过数据分析和技术手段，挖掘出传统文化中的深层价值和意义，为现代教育和教学提供更加深入和创新的视角和方法。总之，人工智能技术的发展为教育和教学带来了新的机遇和挑战。需要不断探索和应用新技术，不断提高教育教学的质量和效率，同时也需要关注技术的伦理和社会影响，为人类的未来发展做出更大的贡献。

在教授中国传统文化时，教师需要应对各种多样性，包括文化多样性、语言差异和知识多样性。如何根据学生的能力进行教育是一项不可忽视的挑战。人工智能可以通过收集学生的特定数据，例如创造思考能力、语言表现力、认知能力等，并将其呈现给教师作为数据或文本来实现定制的需求感知，从而作为多功能助手协助中国传统文化教育教师完成多项教育任务。虽然人工智能可以提供数据和辅助工具，但真正的教育质量仍然掌握在中国传统文化教育教师手中。人工智能只是聚集和组合模糊数据，并以特定和明确的方式将其交付给他们，真正的决策权最终掌握在教师手中。在这种情况下，人工智能从属于中国人类教师，这被称为“AI助手+教师”方法。

1.2.4 LSTM-RNN算法测试学生的能力

通过深度学习策略，使用人工神经网络实现机器学习成为一种较为流行的方式，而这种方法则被称为深度学习。多层神经网络被认为是深度学习网络的基础构建部分，“深度学习网络”这一词语特指多种类型神经网络的集合，例如深度神经网络（DNN）、卷积神经网络（CNN）、循环神经网络（RNN）以及深度信念网络（DBN）等。本研究基于杂交LSTM-RNN方法，旨在评估学生的能力水平。

Hybridized LSTM-RNN 是一种融合了LSTM和RNN 的创新神经网络架构，目标是汇聚两者的优势，以提升模型的综合性能。该网络设计的核心组件如下：

首先，LSTM网络是这种混合架构中不可或缺的一部分。它由众多的LSTM 单元组成，每个单元内部都设有一个记忆细胞以及三个门控机制，分别为输入门、遗忘门和输出门。记忆细胞的主要功能是存储和更新状态信息，而门控机制则负责调控信息的流动和更新，通过协同工作，LSTM单元能够智能地判断哪些信息应该被保留，哪些应该被丢弃。

其次，RNN 网络也是这个架构中的重要一环。它由多个RNN 单元组成，每个单元通常是一个常规的全连接层。RNN 单元的主要职责是处理输入的序列数据，并将处理后的信息传递给LSTM网络，以便进行后续的分析和处理。

此外，这种Hybridized LSTM-RNN 还引入了一种名为“杂交连接”的创新连接方式，以实现LSTM 网络和RNN 网络之间的深度融合。通过这种连接方式，两个网络能够直接共享信息和梯度，实现更高效的信息交互和协同学习。具体来说，LSTM 网络的输出会被用作RNN 网络的输入，同时LSTM 网络的梯度也会被反向传播给RNN 网络，从而实现两个网络之间的双向互动和调整。这种连接方式不仅促进了信息的流通，还有助于提高模型的泛化能力和性能表现[15]。

最后，在Hybridized LSTM-RNN 的输出层，通常会采用softmax 函数对网络的输出进行转换，得到一个概率分布，以支持分类或生成任务。这种设计使模型能够更加灵活和多样化地应对各种实际应用场景的需求。

本研究中，为了确保模型的准确性和泛化能力，采用了严格的训练和测试数据划分方法。具体步骤如下：

数据划分。首先，将收集到的学生能力数据划分为训练数据集和测试数据集。其中，训练数据集用于训练LSTM-RNN 模型，测试数据集用于评估模型的性能。

数据预处理。在划分数据后，对训练数据集和测试数据集进行了相同的数据预处理操作，包括数据清洗、归一化等，确保数据的一致性和可比性。

模型训练。使用训练数据集对LSTM-RNN模型进行训练，通过调整模型的参数和隐藏层数量，使模型在训练数据上的表现最佳。

模型评估。在完成模型训练后，使用测试数据集对模型的性能进行评估。通过计算模型的准确率、召回率等指标，评估模型在未知数据上的泛化能力。

通过以上步骤，成功地使用混合LSTMRNN 模型对学生能力数据进行了分类和评估，验证了模型的准确性和有效性。同时，通过严格的训练和测试数据划分，避免了过度拟合等问题，提高了模型的泛化能力。

本研究使用混合LSTM-RNN 对能力数据进行分类，创建了具有LSTM 隐藏层的杂交LSTM-RNN 模型。所有隐藏层的隐藏和记忆单元数量通过反复试验确定。后续层可能会遇到四种主要的异常和噪声区域，每个区域有五个神经元。考虑到LSTM-DL 的明显开销，训练时使用了保留交叉验证而不是标准的k 折叠。在此场景下，将LSTM-RNN 模型的训练集和验证集划分为两组。当隐藏层数量增多时，训练模型的难度也随之增加。过度拟合用来描述一种情况，即在训练数据中表现最好，但验证性能不佳的网络。在LSTM 层数设置为5时，没有出现LSTM 运行异常或重复训练时间的情况。因此，经过长时间的训练过程，通过混合LSTMRNN技术，成功地评估了学生的能力。

2 研究结果

本研究的首要目标是研究中国传统文化教学模式在高职教育教学过程中的实际应用，特别关注的是该模式对学生能力水平评估的准确性。为了实现这一目标，本研究创新性地采用了杂交LSTM-RNN 方法，这是一种结合了长短期记忆网络（LSTM）和循环神经网络（RNN）的混合模型，主要目的是提高对学生能力评估的准确性和稳定性。该方法利用Originpro 仿真工具得以实现，因此可以在实际教学环境中广泛应用。

为了全面验证本研究提出的杂交LSTMRNN 模型的有效性，本研究将其与几种现有的教学方法进行了对比分析。这些方法包括CNN（卷积神经网络）[16]、模糊逻辑[17]以及LSTM[18]。这些方法在不同程度上都能对学生的能力水平进行评估，但存在一定的局限性和不足。

通过对比分析，本研究发现杂交LSTMRNN 模型在评估学生创造性思考能力和语言表达能力方面具有显著优势。图3和图4直观展示了该模型在预测学生能力方面的准确率，明显高于其他对比方法。这种优势主要体现在以下几个方面：

图3 创造性思考能力

图4 语言表现能力

准确性。杂交LSTM-RNN 模型能更准确地评估学生的能力水平，尤其在判断学生的创造性思考和语言表现方面具有更高的准确性。

稳定性。该方法在不同学生群体中表现出较好的稳定性，有效避免了因学生个体差异导致的评估结果波动。

效率。杂交LSTM-RNN 模型在处理大量数据时具有更高的效率，能迅速得出评估结果，有助于及时调整教学策略并优化学生的学习体验。

综上所述，本研究提出的杂交LSTM-RNN模型在评估学生能力水平方面具有明显优势，为高职教育教学提供了更为准确、稳定和高效的教学评估工具。这种方法的成功应用将有助于提高教学质量，优化学生的学习体验，并为推动中国传统文化在高职教育中的深入应用提供有力支持。

认知技能与态度以及心理技能都是大脑工具箱中的重要工具，它们涉及获得满足感、压力管理、降低焦虑、认知力的理解和情绪稳定等技巧。通过加强这些心理技能，学生可以更好地应对学术挑战，提高学术表现，并提升生活质量。如图5 所示，接受基于人工智能的中国传统文化教育的学生已经掌握了多种心理技能，这些技能将有助于他们在未来的学习和生活中取得更大的成功。

图5 心理技能

心理能力被广泛认为是一种涵盖了创造力、自我调节、计划、抽象思维、理解复杂概念以及经验学习等多种能力的综合体现。这些能力不仅在学术领域中发挥着重要的作用，也在日常生活和工作中扮演着关键的角色。图6 展示了一项关于接受基于人工智能的中国传统教育指导的学生心理能力和倾向的研究结果。从图中可以清晰地看到，经过一段时间的学习和训练，这些学生的心理能力和倾向得到了显著的提升。这一发现不仅为人工智能在中国传统教育中的应用提供了有力的支持，同时也为教育方法的改进和优化提供了有价值的参考。

图6 态度心理能力

3 结论

经过本研究对基于LSTM-RNN 的高职教育学生能力评估方法的探索和实践，可以得出以下结论：LSTM-RNN 模型在高职教育学生能力评估中具有显著的优势，能够有效地评估学生的能力，并为教师和学校提供有针对性的教学反馈。通过实际应用验证，该方法在提高评估准确性和效率方面取得了显著成果。

本研究采用的混合LSTM-RNN 模型，通过深入分析学生的学习数据和行为表现，能够更全面地评估学生的能力，并克服了传统评估方法中的主观性和片面性。同时，该模型具有较强的泛化能力，可以适用于不同领域和场景的学生能力评估。

因此，本研究的方法对于推动高职教育的质量提升和学生综合能力的培养具有积极的意义。通过应用该方法，可以为教师和学校提供更加准确、全面的学生能力评估结果，为教学提供更加有针对性的指导，从而提高学生的整体学习效果。