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施，中學生尤其是高中生要增強對個人興趣、能力、學術潛力以及專業(yè)與職業(yè)方向的綜合認識，學校也要加強對學生學涯測評的引導，提升測評精準性。傳統(tǒng)模型測評的問卷模式反映了學生的部分特征，同時經(jīng)典測評問卷模式受被測試者主觀情緒影響和解讀認識上的差異，可能伴隨部分主觀上的誤差。對此，文章提出一種融合學生無感行為理念的測評方法，并基于文本分類技術及日志處理等手段，對學生無感行為進行分析并與傳統(tǒng)經(jīng)典測評相融合，解決了傳統(tǒng)經(jīng)典測評模型的主觀性強、測評維度單一等問題。還基于微信公眾號平臺，內(nèi)嵌開發(fā)了融合無感測評理念的在線測評系統(tǒng)，在北京市某中學上線并經(jīng)過一年多的應用實踐檢驗。結果表明，該方法有效地提高了學生的認知，并且在學生發(fā)展指導中心對學生個性化指導方面，起到了創(chuàng)新性的作用。

關鍵詞：新高考;無感測評;學涯測評;選科選考

中圖分類號：TP399 文獻標志碼：A 文章編號：1673-8454（2021）22-0023-05

一、引言

2019年6月，國務院辦公廳印發(fā)的《關于新時代推進普通高中育人方式改革的指導意見》，強調(diào)開展不同形式的學生發(fā)展活動，加強學生的學涯規(guī)劃指導。這是繼2014年9月《國務院關于深化考試招生制度改革的實施意見》[1]提出后，對學生發(fā)展和學涯規(guī)劃的又一次深入推動。伴隨著教育的創(chuàng)新改革，學涯規(guī)劃的關鍵——學涯測評獲得越來越多的重視，測評推動著學生、家長、教師、學校各方，通過多種途徑提升學生對學涯的認知與實踐。如何幫助學生選擇備考科目、專業(yè)方向，指導學生學涯規(guī)劃活動，成為學校教育指導的重要內(nèi)容[2]。有效的綜合測評模式，將助力于學生學涯認知和學校學涯規(guī)劃指導。

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

二、國內(nèi)外研究現(xiàn)狀

隨著教育體系和計算機技術的發(fā)展，領域間交叉日益密切，其中研究學生個性化測評方面主要有以下幾種：MBTI（Myers-Briggs Type Indicator）職業(yè)性格測評由Myers和Briggs母女以心理學家榮格的心理類型理論為基礎編制的一個人格自陳量表[3]。這種量表方法比較原始，但是奠定了職業(yè)測評方向的基礎。加拿大西蒙弗雷澤大學的Virtual-U教學平臺[4]可以對學生的測驗進行管理和評價，這種方式是對學生的測驗進行數(shù)字化管理，但評價維度過于單一。之后，張艷霞[5]等通過討論構建和使用數(shù)據(jù)表征來刻畫學生特點和偏好。李爽[6]等通過行為序列分析學生在測評平臺上的連續(xù)動作，這種方式一定程度上反映了學生的行為，不過該測評只是分析行為和成績之間的關系，不適用于新高考環(huán)境下選課和專業(yè)選擇方面測評的情況。滑衛(wèi)軍[7]提出新高考環(huán)境下應用腦AT技術測評工具和校企聯(lián)盟的方法，為中學生選科目、選專業(yè)提供幫助，此方法有一定效果，不過測評周期過長，且沒有有效利用網(wǎng)絡平臺獲取學生的高校專業(yè)、未來職業(yè)的平臺數(shù)據(jù)痕跡再做分析。此外，部分教育工作者運用統(tǒng)計學方法，統(tǒng)計測評者的行為特點數(shù)據(jù)，并分析最終記錄的結果，為測評者進行測評規(guī)劃。

三、無感測評實現(xiàn)的技術方法

無感測評主要是將學生在測評平臺上對“職業(yè)案例”模塊的瀏覽情況、收藏行為以及學生成績等多元化數(shù)據(jù)作為測評指標，通過文本分類技術對所實驗的數(shù)據(jù)進行分類，挖掘分析瀏覽情況和收藏行為數(shù)據(jù)所反映出的學生的能力、性格或興趣傾向等。該實現(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、財務/行政類、銷售/市場類、計算機類、工程技術類、公務員、通信類、酒店旅游類、傳媒文化類、藝術設計類、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11000余條數(shù)據(jù)。職業(yè)案例主要包括：任務職責、職業(yè)技能、知識背景、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?；诜诸悢?shù)據(jù)的結構。本文需要的數(shù)據(jù)集中每份職業(yè)招聘數(shù)據(jù)均包括案例標題和案例詳情，而這種文檔有一定的特征，即大部分標題是對正文的高度概括，通過標題可以直接確定其分類;而有些標題則略為含糊，需要結合文檔詳情確定最終分類。

本文參考并改進吳漢瑜等[9]人提出的CNN_BiLSTM_ Attention混合分類模型，提出基于注意力機制的雙CNN+BiLSTM分類算法，注重標題與職業(yè)招聘詳情部分的融合加權分類。對每條職業(yè)案例標題與詳情通過Word2vec模型訓練為詞向量，分別對案例標題與詳情語料中每個詞潛在的語義向量進行卷積[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]，得到標題和案例詳情隱藏狀態(tài)向量后，通過注意力機制分別為案例標題與詳情這兩部分處理結果配置對應權重，最后通過softmax函數(shù)計算文本類別概率，分類模型如圖1所示。

其中卷積神經(jīng)網(wǎng)絡融合雙向長短時記憶網(wǎng)絡（CNN+BiLSTM）模型不僅可以考慮上下文信息，還可以提取局部特征，有效防止關鍵信息丟失。同時，為了獎勵作為正確分類文檔的線索部分，引入標題與詳情級別的注意力機制，該機制在標題與詳情內(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，用一個非線性激活函數(shù)獲取標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? ?是標題或詳情向量，bs是注意力機制的偏置參數(shù)，使用公式（2）獲取標題與詳情的注意力向量：

ai=公式（2）

其中，us是一個隨機初始化的在訓練中學習的上下文向量，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計算職業(yè)案例Q的分類標簽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代表估計每個類別的概率（m是目標類別的數(shù)目），表示一個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)實現(xiàn)對職業(yè)案例數(shù)據(jù)進行計算。針對算法模型在訓練的時候有可能出現(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

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

f（Θ）=L+∑θi公式（7）

對模型參數(shù)進行優(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機制，可在訓練時去掉一些特征，過程如下：①保證輸入層與輸出層神經(jīng)元個數(shù)不變，臨時隨機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)絡進行前向傳播，再把獲取的損失結果通過調(diào)整后的網(wǎng)絡反向傳播。③恢復步驟①中被臨時去除掉的神經(jīng)元，未被臨時去除的神經(jīng)元此時已被更新。不斷重復執(zhí)行這一過程，從而達到削弱網(wǎng)絡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機制優(yōu)化的網(wǎng)絡變化如圖2所示。

四、融合無感行為的新學涯測評方案設計

為了解決中學生學涯測評選科、選專業(yè)難的問題，本文提出基于微信公眾號平臺先用經(jīng)典的MBTI職業(yè)性格測評得到個性化推薦的職業(yè)類別信息，之后融合學生無感行為理念的測評方法，來解決傳統(tǒng)經(jīng)典測評模型的主觀性強、測評維度單一等問題。

1.無感測評的設計

本文提出的無感測評指的是在測評的過程中測試者沒有明顯感知在進行測試環(huán)節(jié)，之后對于測試的結果數(shù)據(jù)進行挖掘分析得出測試評價。本文設計通過采集學生在本測評系統(tǒng)中職業(yè)案例等模塊產(chǎn)生的瀏覽記錄[15]、收藏行為以及個人成績等多元化數(shù)字痕跡數(shù)據(jù)綜合作為測評指標。對于瀏覽記錄方面，通過系統(tǒng)埋點與日志采集以及數(shù)據(jù)分析技術得出中學生感興趣的職業(yè)類別和不同類別的訪問頻率，再結合測評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)和基礎學科之間存在一定聯(lián)系[16]，所以學生成績可以作為無感測評的參考標準。無感測評流程如圖3所示。

2.融合無感測評與經(jīng)典MBTI模型的綜合測評

一般來講，相比于了解高校開設專業(yè)的情況，中學生更了解身邊人從事的職業(yè)情況，因此學生可以先從職業(yè)開始了解，通過職業(yè)關聯(lián)對應專業(yè)，通過專業(yè)鎖定選科。職業(yè)一般和高校專業(yè)密切關聯(lián)，從而抽取出職業(yè)大類關聯(lián)的一級高校專業(yè)，而專業(yè)又與九大基礎學科進行知識關聯(lián)，進而能通過傳統(tǒng)經(jīng)典測評獲取測評者擅長的高校專業(yè)類和基礎學科，其中專業(yè)和職業(yè)之間知識關聯(lián)[16]部分內(nèi)容如表3所示。

專業(yè)和學科之間的知識關聯(lián)部分內(nèi)容如表4所示。

MBTI經(jīng)典測評結果的推薦同樣是職業(yè)，因此與前面提到的引導中學生從職業(yè)模塊開始收集無感測評相切合，MBTI經(jīng)典測評和無感測評均收斂聚焦于職業(yè)，MBTI測評推薦的職業(yè)類別結果如圖5（a）所示，與無感測評模型分析收集的職業(yè)類別有重疊，本文采用基于權重的統(tǒng)計學方法計算排序。同一測評模式下的重復職業(yè)類別直接累加統(tǒng)計，經(jīng)典測評推薦結果和無感測評收集分析結果重要度比重各占50%，最終結果按照加權累加的方法由高到低進行排序，經(jīng)過表3和表4所描述職業(yè)與專業(yè)、專業(yè)與學科之間的知識關聯(lián)，可以推出適合學生的選科和選專業(yè)列表。圖4是系統(tǒng)的測評模型融合設計圖。

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

五、新學涯測評系統(tǒng)的應用實踐

本項目應用在北京市某重點中學，采用上述融合無感測評模型，用于輔助中學生的學涯規(guī)劃指導工作。其中主要的測評分為經(jīng)典模型測評、職業(yè)案例瀏覽、個人成績管理三大塊。為了將本文的測評模型得到實際應用，使用配套研發(fā)的“學涯測評系統(tǒng)”為學生提供服務，其測評界面如圖5所示。

六、研究結論

在本文配套的學涯測評系統(tǒng)中，通過將經(jīng)典測評模型與無感測評模型相融合，并實際應用于北京市某重點中學學涯規(guī)劃指導中，使得學生對自我認知、職業(yè)的認識以及高校專業(yè)的了解有了顯著提升。同時這種融合的測評模型相對可靠地刻畫了學生的能力特征與興趣傾向，有效克服了傳統(tǒng)經(jīng)典測評的局限性，較為精準地為中學生在新高考環(huán)境下推薦個性化選科、選專業(yè)。借助移動微信公眾平臺，使得學生打破時空限制，有更多時間和機會進行無感測評，無論對學生個人學涯規(guī)劃，還是學校的培養(yǎng)教育均有十分重要的作用。

參考文獻：

[1]劉寶劍.關于高中生選擇高考科目的調(diào)查與思考——以浙江省2014級學生為例[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].湖南師范大學教育科學學報，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)展性評價理念的網(wǎng)絡教學平臺學習評價系統(tǒng)設計[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)表征學習過程及其應用——學習分析數(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在線學習參與模式的探索[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)劃教育的實踐探索——以北京市H中學為例[J].教育理論與實踐，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，嚴江，黃少濱，等.用于文本分類的CNN_ BiLSTM_Attention混合模型[J].計算機科學，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，那日薩，崔少澤.基于CNN-BiLSTM的消費者網(wǎng)絡評論情感分析[J].系統(tǒng)工程理論與實踐，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)絡的正則化方法[J].計算機研究與發(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)研究及應用[J].計算機工程與設計，2018，39（7）：2090-2095.

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

（編輯：李曉萍）