“人工智能+高职教育”融合的 内涵与模型研究*

肖卓宇 徐运标 陈果 郭杰 黄俊

摘   要：随着人工智能赋能行业势头的飞速发展，职业教育领域发生了深刻变革。针对人工智能与高职教学融合出现的一些问题，文章以结构主义教学理论与PST框架理论为基础，对“人工智能+高职教育”融合的内涵与模型进行了研究，设计了影响“人工智能+高职教育”融合的调查问卷，分析了教学法、学习空间、支撑技术三个维度及其11个主要影响因子之间的联系。事实证明，该研究丰富了人工智能赋能高职教育的理论视角，为多维度的创新式信息化教学提供了新思路。

关键词：人工智能+高职教育;PST框架;维度;影响因子;模型

中图分类号：G642 文件标志码：A 文章编号：1673-8454（2021）03-0022-05

一、引言

2017年国务院印发的《新一代人工智能发展规划》提出“人工智能+教育”的新命题[1]。2019年教育部、财政部印发的《关于实施中国特色高水平高职学校和专业建设计划的意见》提出建设中国特色高水平高职学校和专业建设计划（以下简称《双高计划》）[2]。目前，人工智能技术赋能职业教育的市场呈现快速增长趋势[3]。为此，众多领域相关研究围绕人工智能赋能教育展开[4-5]。张志祯等[6]、Bollier[7]提出了人工智能赋能职业教育的核心要素及意义。戴永辉等[8]对智能技术视域下教学方式的发展趋势进行了分类研究。杨现民等[9]提出通过信息化技术完善现有学习空间，以满足职业院校个性化学习的有效开展。赵斌等[10]倡导因材施教，提出人工智能赋能教育应构建以人为本的学习环境。李振等[11]提出人工智能技术赋能教育的技术核心因子为数据、算法与计算能力。袁利平等[12]与曹培杰[13]指出智能感知技术、学习分析技术、情感计算技术有潜力成为未来智慧教育的关键技术。

总体而言，目前“人工智能+职业教育”融合也存在诸如“人工智能技术与教学方式脱节”“学习空间不够个性化”等问题。因此，在这种新形式下，迫切需要对“人工智能+高职教育”融合的内涵、模型进行深入研究，以促进中国教育信息化2.0的转型升级，为国家和各级地方政府提供决策支持和依据。

二、“人工智能+高职教育”融合的内涵

1.“人工智能+高职教育”融合

在本研究中，“人工智能+高职教育”融合主要探讨《双高计划》视阈下人工智能等新型技术如何有效赋能高职教育，为国家职业教育改革实施的20条方案提供支持。

2.PST框架理论基础

2009年，Radcliffe[14]提出了PST （Pedagogy-Space-Technology，PST）框架理论思想，关注教学法、学习空间与支撑技术三个维度及其之间的关系。近年来在领域内得到广泛关注，可在一定程度上为信息技术赋能职业教育提供理论支持。

3.结构主义教学理论基础

结构主义教学理论（Structuralism Teaching Theory，STT）以结构主义教育理论及皮亚杰结构主义心理学为理论基础[15]。本研究侧重关注人工智能赋能高职教育的主要维度及其之间的关系、各主要维度的主要影响因子特征。

三、“人工智能+高职教育”融合问卷调查设计

基于PST框架理论基础，文献[4][8][12]从教学法维度提出影响“人工智能+高职教育”融合的教学目标、教学理念、教学方式等11种主要影响因子;文献[7][9][14]从教学空间维度提出影响“人工智能+高职教育”融合的学习空间环境与服务、学习空间规划、学习空间陈设等8种主要影响因子;文献[1][11][12]从支撑技术维度提出影响“人工智能+高职教育”融合的智能技术、教育大数据、应用服务等9种主要影响因子。

表1从教学法、教学空间、支撑技术三个维度描述了PST框架主要影响因子问卷试题的内涵。此外，本研究通过问卷星专业问卷调查平台进行网上问卷调查。调查对象为智慧职教、超星泛雅、中国大学MOOC等主流学习平台用户。调查时间为2019年6月1日开始，截至2019年8月31日，为期3个月。调查问卷分为教学法维度主要影响因子、教学空间维度主要影响因子、支撑技术维度主要影响因子三个主题。共计发放1226份问卷，回收有效问卷1147份，有效问卷占比为93.56%，如表2所示。

在参与调研的人群中，年龄17～23岁的占78.4%、24～30岁的占18.4%、30岁以上者占3.2%。此外，男性占41.65%，女性占58.35%。理工科占39.8%，文科与管理类专业占60.2%。

四、“人工智能+高职教育”融合模型构建

为进一步探究“人工智能+高职教育”融合的内涵，本研究基于结构主义教学理论和PST框架理论，结合问题调查结果，构建了“人工智能+高職教育”融合的基础理论模型。

1.PST框架模型

PST框架理论探究教学法、学习空间、支撑技术三个维度及其主要影响因子之间的关系。图1描述了教学法、学习空间、支撑技术三个维度的相互联系。在PST框架中，教学法是基础，为教学空间与支撑技术提供指导;教学空间能够嵌入支撑技术，从而实现与教学法的有效融合;支撑技术能进一步推动教学空间赋能职业教育的广度与深度，并为教学法的开展提供技术支持。

2.“人工智能+高职教育”融合模型

基于结构主义教学理论与PST框架理论，深入了解“人工智能+高职教育”融合的内涵。结合问卷调查结果，本文构建了“人工智能+高职教育”融合的基础理论模型，如图2所示。图2描述了“人工智能+高职教育”融合的教学法、教学空间、支撑技术三个维度及其之间的关系。此外，通过对“人工智能+高职教育”融合调查问卷进行数据分析，按照频次给出了三个维度的主要影响因子。其中，影响教学法维度的5个主要影响因子为教学目标、教学理念、教学方式、教学内容与教学组织形式;影响教学空间维度的3个主要影响因子为学习空间规划、学习空间环境服务与学习空间陈设;影响支撑技术维度的3个主要影响因子为智能技术、教育大数据与应用服务。

五、“人工智能+高职教育”融合的影响因子

1.教学法维度主要影响因子

通过对“人工智能+高职教育”融合问卷调查结果的数据分析，构建了PST框架中教学法维度影响因子的关键词云图，如图3所示。由图3可以发现，教学目标、教学方式、教学内容等高频词汇成为“人工高智能+高职教育”融合中教学法维度的主要影响因子。

（1）教学目标

2019年国务院发布了《国家职业教育改革实施方案》（以下简称“职教20条”）。为此，“人工智能+高职教育”融合的教学目标以“职教20条”为纲，致力于推进高职教学质量的全面发展，关注大国工匠、行业技术能手等应用型职业技术人才的培养。人工智能、大数据等技术的飞速发展为教学目标的实现提供了保障，并有助于提升高职学生的竞争力，促进区域经济的发展。

（2）教学理念

“人工智能+高职教育”融合的教学理念将关注“1+X”证书制度的试点。高职教育的目标是培养高质量的应用型人才，但仅为拿到毕业证书的传统教学理念已不适合时代发展，尤其在疫情期间，学生就业形式严峻的背景下。“1+X”中的“1”表示学历证书，该证书是基本要求;“X”表示多种职业技能等级证书。等级证书将有效丰富高职学生的知识结构，实现学校与企业人才需求的无缝对接，有效解决人才需求的矛盾。

（3）教学方式

“人工智能+高职教育”融合的教学方式倡导以高职学生为中心的原则，以及巩固性原则、启发式原则，鼓励因材施教。区别于传统以教师为中心的教学方式，“人工智能+高职教育”融合的教学方式将依托人工智能技术，对每个学生进行人物画像，并通过学习资源推送等技术为每位学生提供个性化的教学服务。例如：可依靠学习平台对学生每节课的测试题、章节测试题、考试试卷答题情况进行数据分析，并对错误率较高的知识点、章节进行答题推送，以巩固学习效果。此外，还可以通过人工智能技术将课程知识点与试题进行映射，开展启发式教学。

（4）教学内容

“人工智能+高职教育”融合的教学内容将对应“1+X”证书。学院各个专业传统人才培养课程体系相对陈旧，由于教师能力、管理制度等各方面的原因，部分新技术、新课程未能与企业人才需求同步，导致学生就业质量、就业率不理想。为此，“人工智能+高职教育”融合的教学内容与“1+X”证书对应已成为刻不容缓的工作。以人工智能技术服务专业人才培养课程体系为例，将对应华为智能计算平台应用开发的初级、中级与高级证书。而“1+X”证书中的知识点都会对应到修改后的专业人才培养方案中。该项教学改革工作能在一定程度上使学校专业教学内容与企业人才需求趋于一致。

（5）教学组织形式

“人工智能+高职教育”融合的教学组织形式倡导个性化教学、参与式教学、碎片化学习、混龄教学、翻转课堂等。区别于传统教学组织形式，“人工智能+高职教育”融合的教学组织依托智慧职教、超星泛雅、中国大学MOOC等教学资源平台，构建高职教学的精品课程。同时，鼓励学生参与教学活动设计，以期为线上线下学习、翻转课堂等提供碎片化学习时间，增强学生的学习积极性，为“1+X”证书的落实提供保障。

2.教学空间维度主要影响因子

“人工智能+高职教育”融合关注用户體验、支持课堂互动。为此，学习空间的规划、服务及陈设需要区别于传统教学空间。

（1）学习空间规划

学习空间规划指学习空间的有效布局，包括学习空间环境的通透性、采光度、人性化、智能化等要素。现阶段，人工智能技术赋能高职教学引发了教学法的深刻变革，个性化教学、混龄教学、AR/VR教学等方式得到了广泛的应用。但这些教学方式对学习空间的布局、层次性等有着较高的要求，为此，需要深入研究教学空间规划。High Tech High、Altschool等机构的学习空间规划就特别关注学习空间与教学方式的融合。开放式空间与软隔断的有效规划使得教学活动设计能够较好地开展，也可以有效避免不同教学活动开展时导致的相互干扰，并有效利用有限的教学空间。目前，一些学校正在构建智慧大楼，在学习空间规划上融入了更多的人工智能元素，该项工作势必为高职教学提供新的思路。

（2）学习空间环境服务

学习空间环境服务关注人工智能技术与物联网等终端产品的融合。学习空间中的光线、温度、色彩、湿度等要素都将影响用户的体验，尤其针对长时间学习的用户，智能服务将发挥重要作用。目前，学习空间中的智能空调、智能照明系统等设备被广泛应用，一定程度上提升了用户的体验。此外，卡耐基梅隆大学、加州大学伯克利分校等高校研究人员通过无线定位追踪技术，搜寻学习空间的“智能网格”，提供了更加精确的个性化服务，进一步提升了学习空间中光线、温度、湿度等要素的用户体验，并有效节约了成本。可以预见，学习空间环境服务相关的智能产品普及后，学生的学习环境将进一步改善，并能在一定程度上提升学习效果。

（3）学习空间陈设

学习空间陈设关注人工智能技术与新型家具的融合，以提升用户学习体验。图4为人工智能技术赋能的智能办公桌“Autonomous Desk”。“Autonomous Desk”能通过数天的机器学习对用户的习惯与行为进行有效“记忆”，进而实现自动调整。新版本的“Autonomous Desk”甚至能够通过用户声音、颜色、喜好等信息提供更多个性化的服务。目前，虽然“Autonomous Desk”等类似的智能家具还存在性价比有待提高等问题，但可以预见，随着技术的发展和产品的规模化，未来更多智能家具将为职业教育提供个性化服务。

3.支撑技术维度主要影响因子

随着第三次人工智能技术的兴起，人工智能技术赋能高职教育也得到了飞速发展。“人工智能+职业教育”融合的支撑技术纬度分为教育大数据、智能技术、应用服务三层，如图5所示。其中，教育大数据层位于最底层，主要职能是为智能技术层的人工智能算法提供输入;智能技术层位于中间层，负责选择合适的算法对输入的教育大数据进行训练，进而构建模型;应用服务层位于顶层，负责模型对不同教学场景提供服务。

（1）教育大数据

教育大数据层位于“人工智能+高职教育”融合的支撑技术框架的最底层。目前，智慧职教、超星泛雅、中国大学MOOC、小鹅通等教学平台通过教师的教学活动设计产生了大量的教育大数据。2020年疫情期间，高校的线上线下教学使各大教育平台得到飞速发展，并产生了更多的教育大数据，以笔者所在的高职院校为例，通过各大教学平台产生的教育大数据同比增长了860%。

数据的成倍增长也带来了挑战。由于目前从各大教学平台获取的教育大数据是诸如文字、笔迹、动作、眼睛凝视、情感、脑电波等多模态数据，故需要进一步改进数据采集、数据清洗、数据分析的方法与策略，以实现为智能技术层提供高效服务。

（2）智能技术

智能技术层位于“人工智能+高职教育”融合的支撑技术框架的中间层。智能技术层主要通过选择人工智能算法对处理后的教育大数据进行机器学习训练，最终生成问题解决模型。智能技术层算法分为聚类、分类、强化学习三类。如SVM、C4.5、ID3等算法都属于经典的分类算法。由于应用服务层存在不同的教学服务场景，故需要考虑应用不同的算法构建模型。

（3）应用服务

应用服务层位于“人工智能+高职教育”融合的支撑技术框架的顶层。应用服务层负责将智能技术层构建的模型应用于各种复杂的教学场景。图5给出了智能学习监测、智能环境构建、智能学伴、智能教学诊断等典型教学应用场景。应用服务层有助于高职学生个性化学习的开展，实现教学方式从“教师为中心”向“学生为中心”的转变，让因材施教的教学理念落到实处。

六、结语

本文以结构主义教学理论与PST框架理论为基础，对“人工智能+高职教育”融合的内涵与模型进行了研究，设计了调查问卷，分析了教学法、学习空间、支撑技术三个维度及其11个主要影响因子之间的关系。本文的研究丰富了人工智能赋能高职教育的理论视角，为多维度、多视角的创新式信息化教学提供了新思路。

参考文献：

[1]陈颖博，张文兰.国外教育人工智能的研究热点、趋势和启示[J].开放教育研究，2019（4）：43-58.

[2]张玲，魏丽萍，马宁.“双高计划”建设的实施路径探讨与分析[J].中国职业技术教育，2019（22）：5-11.

[3]梁迎丽，刘陈.人工智能教育应用的现状分析、典型特征与发展趋势[J].中国电化教育，2018（3）：24-30.

[4]李文淑.教育人工智能（EAI）对学习机制的影响[J].现代教育管理，2018 （8）：119-123.

[5]薛维忠，张春明，佀妲.人工智能时代职业教育发展研究[J].教育与职业，2020（6）：39-43.

[6]張志祯，张玲玲，李芒.人工智能教育应用的应然分析：教学自动化的必然与可能[J].中国远程教育，2019 （1）：25-35，92.

[7]Bollier D. Artificial intelligence comes of age. The promise and challenge of integrating AI into cars， healthcare and journalism[J].The Aspen Institute Communications and Society Program. Washington，2017 （2）：17-28.

[8]戴永辉，徐波，陈海建.人工智能对混合式教学的促进及生态链构建[J].现代远程教育研究，2018 （2）：24-31.

[9]杨现民，张昊，郭利明等.教育人工智能的发展难题与突破路径[J].现代远程教育研究，2018 （3）：30-38.

[10]赵斌，黄天元.人工智能时代的高等教育与变革[J].复旦教育论坛， 2019 （4）：18-25.

[11]李振，周东岱，王勇.“人工智能+”视域下的教育知识图谱：内涵、技术框架与应用研究[J].远程教育杂志，2019 （4）：42-53.

[12]袁利平，陈川南.人工智能视域下的宽度学习及在教育中的应用[J].远程教育杂志，2018 （4）：49-56.

[13]曹培杰.智慧教育人工智能时代的教育变革[J].教育研究，2018 （8）：121-128.

[14]Radcliffe D， Wilson H， Powell D， et al. Learning spaces in higher education： Positive outcomes by design[C].Proceedings of the Next Generation Learning Spaces 2008 Colloquium， University of Queensland， Brisbane，2008：10-16.

[15]朱璋龙，赵刘.结构功能主义视角下高职院校内涵建设核心要素分析[J].教育与职业，2017（6）：17-23.

（编辑：王晓明）