構(gòu)建基于OODA的職業(yè)教育教學質(zhì)量智能化評估模型

［摘? ? ? ? ? ?要］? 旨在探索建立基于OODA循環(huán)原理的職業(yè)教育教學質(zhì)量智能化評估模型。即對OODA的“觀察、導向、決策、行動”四個階段，賦予職業(yè)教育的相關(guān)概念內(nèi)涵，利用機器學習算法進行建模，對職業(yè)教育中學生的學習及實踐成效進行合理預測和評估，達到有針對性地制定教學目標或調(diào)整教學策略，提升職教教學效果和學生學習體驗的目的。

［關(guān)? ? 鍵? ?詞］? OODA循環(huán)；機器學習；智能化評估；個性化教學

［中圖分類號］? G717? ? ? ? ? ? ? ? ? ? ［文獻標志碼］? A? ? ? ? ? ? ? ? ? ［文章編號］? 2096-0603（2023）31-0173-04

一、引言

習近平總書記在黨的二十大報告中指出，要推進職普融通、產(chǎn)教融合、科教融匯，優(yōu)化職業(yè)教育類型定位，推進教育數(shù)字化，辦好人民滿意的教育[1]。然而，目前我國職業(yè)教育中的生源基礎(chǔ)參差不齊，學習素養(yǎng)差別較大，作為實施職業(yè)教育重要環(huán)節(jié)之一的教學行為，面臨如何更好地應對學生個體差異和不斷變化的教學需求等挑戰(zhàn)[2]。為提升職業(yè)教學的效果和質(zhì)量，有必要構(gòu)建一種智能化的、能夠?qū)崟r滿足評估學生個體差異、適應時代和技術(shù)發(fā)展的新型職業(yè)教育教學模型。

這種基于OODA循環(huán)原理的職教質(zhì)量智能化評估模型對于職業(yè)教育的改進和創(chuàng)新具有重要的現(xiàn)實意義：首先，它可以預測教學效果，幫助教師能夠更快地找到學生個體差異的需求，提供更加個性化的教學內(nèi)容。其次，多次循環(huán)以后，通過及時觀察和導向，學生可以更精準地發(fā)現(xiàn)自我不足，教師可以更好地調(diào)整教學策略和計劃，這種教和學雙方及時采取相應的改進方法，可以極大地提高教學質(zhì)效。

二、OODA循環(huán)原理和職業(yè)教育教學

OODA循環(huán)（OODA Loop）又稱博伊德循環(huán)（Boyed Cycle），是美國人約翰·博伊德提出的一種決策原理，該原理有觀察（Observe）、導向（Orient）、決策（Decide）和行動（Act）4個關(guān)鍵步驟[3]，強調(diào)了快速的決策和行動，以應對外部不斷變化的環(huán)境和情境。該原理的一個循環(huán)如圖1所示：

近年來，OODA循環(huán)廣泛應用于決策和教育培訓中，如，方強等人利用該循環(huán)原理詳細分析并闡述了本科生全程導師制的本質(zhì)[4]；劉晨等人將該循環(huán)原理用于企業(yè)人才培養(yǎng)[5]；于玲等人將該循環(huán)原理用于提升高職生的職業(yè)能力[6]。

本研究認為，在職教教學中采用OODA循環(huán)原理、結(jié)合機器學習算法可以建立應對個性化教學需求的教學模型。其指導思想是：觀察階段通過收集和分析學生的學習數(shù)據(jù)和反饋，了解學生的學習狀態(tài)和需求；導向階段基于觀察結(jié)果，利用機器學習算法預測學生學習效果，并以此建模，調(diào)整此前的教學策略和資源，以滿足學生的個體差異和學習風格；決策階段教師根據(jù)導向結(jié)果，制定相對應的教學目標和行動計劃；行動階段教師實施教學行動，同時進入新一輪循環(huán)，進而及時調(diào)整和優(yōu)化教學方法。

將OODA循環(huán)原理引入職教教學中具有重要的意義。首先，它能夠幫助教師更好地理解學生的學習需求和狀態(tài)，以個性化的方式進行教學。通過觀察和導向，教師能夠根據(jù)學生的個體差異和學習風格，提供有針對性的教學內(nèi)容和方法。其次，OODA循環(huán)強調(diào)快速決策和行動，使教學能夠及時適應變化的教學環(huán)境和日益更新的技術(shù)發(fā)展。教師可以通過迅速決策和靈活行動，提高教學效果和學生的學習成果。職教教學中的OODA循環(huán)如圖2所示。

三、構(gòu)建職教教學質(zhì)量智能化評估模型

現(xiàn)代職業(yè)教育教學評估一般包含以下三方面內(nèi)容：一是職業(yè)教育的個性化程度評估，即是否能夠滿足學生的個體差異和學習需求。二是職業(yè)教育的靈活性和適應性評估，即教師是否能夠及時調(diào)整教學策略和行動計劃。三是學生的學習成果和滿意度，以及教師的教學效果和教學滿意度評估。通過綜合評估這些指標，可以對現(xiàn)代職業(yè)教育教學模式的意義和效果進行全面的評估和分析。

構(gòu)建職業(yè)教育質(zhì)量智能化評估模型，是基于教學OODA循環(huán)原理來設(shè)計與實施的。

（一）數(shù)據(jù)的構(gòu)建和采集（觀察階段）

該階段為OODA循環(huán)原理的第一階段，主要任務(wù)是收集和觀察學生的各項數(shù)據(jù)和特征，以獲取對學生學習行為的全面了解。我們要根據(jù)職業(yè)教育教學評估的主要內(nèi)容，設(shè)定學生九個方面的學習數(shù)據(jù)來反映教學情況和評估內(nèi)容，同時給出設(shè)定這些數(shù)據(jù)的目的和作用，按下表1所示：

準確采集以上數(shù)據(jù)需要教師盡可能精準觀察和解讀學生行為和表現(xiàn)，且需熟悉目前各種網(wǎng)絡(luò)教學平臺的使用，才能保證收集數(shù)據(jù)的客觀、真實。例如，課前可以通過調(diào)查問卷等方式收集學生前期教育經(jīng)歷，了解學生的學習基礎(chǔ)和學習背景；課堂上通過觀察、記錄學生的表現(xiàn)和參與度，了解學生的學習投入程度；課后通過慕課、學習通以及職教云等網(wǎng)絡(luò)學習平臺訪問數(shù)據(jù)，評估學生對課程內(nèi)容的理解和職業(yè)應用能力，等等。

以上數(shù)據(jù)的設(shè)定基本涵蓋了職教教學質(zhì)量評估三個方面，為下面導向階段奠定了基礎(chǔ)。

（二）算法的確定和建模（導向階段）

為研究方便，本文將學生學習效果分為優(yōu)秀、良好、合格、不合格四個檔次，分別記為A、B、C、D。在以下確定算法的實驗中，根據(jù)學生的歷史數(shù)據(jù)標注了2700條信息，使用python 3.10.11和scikit-learn 1.2.2庫，采用五折交叉驗證和平均F1值來評估算法的性能[7]。

五折交叉驗證過程如下：將數(shù)據(jù)集分成五個子集，然后依次選擇其中4個子集作為訓練集，剩下1個子集作為驗證集，利用訓練集訓練算法并在驗證集上評估。重復這個過程5次，每次選擇不同的驗證集，得到5個分類準確率，最終取5個準確率的平均值，根據(jù)該值來評估算法性能。

在分類任務(wù)中，F(xiàn)1值是一個常用的評估指標。它是精確率和召回率的調(diào)和平均值，可以幫助我們評估模型在平衡準確性和完整性方面的表現(xiàn)。由于本文中關(guān)于學習效果的預測結(jié)果會有四個值，即A、B、C、D，那么每個分類器相應的也會有4個F1值，為方便比較，本文取其平均值。F1值的計算公式如下：

其中，precision為精確率，表示分類器預測為正例的樣本中實際為正例的比例；recall為召回率，表示實際為正例的樣本中被分類器預測為正例的比例。計算公式如下：

此處TP為真正例（True Positive）指的是分類器正確地將正例樣本預測為正例的數(shù)量，即本文中學習效果A、B、C、D；FP表示假正例（False Positive）指的是分類器錯誤地將反例樣本預測為正例的數(shù)量，F(xiàn)N表示假反例（False Negative）指實際為正例的樣本被分類器錯誤地預測為反例的數(shù)量[8]。

本次實驗中，參與比較的9種分類算法分別為：梯度提升樹、隨機森林、決策樹、K近鄰（K-Nearest Neigh-bor，KNN）、邏輯回歸、樸素貝葉斯、支持向量機（Support Vector Machines，SVM）、多層感知機（Multi-Layer Perce-ptron，MLP）和循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）。相關(guān)驗證數(shù)據(jù)如表2、表3所示。

由以上得知，前三種分類器，即梯度提升樹、隨機森林和決策樹在預測準確率方面表現(xiàn)較好，五折交叉驗證均值準確率達到0.84以上。尤其是梯度提升樹和隨機森林，準確率分別為0.87和0.85，它們的平均F1值達到0.89以上。較高的F1值表示算法在多個學習檔次上具有較好的綜合性能，能夠同時保持預測的準確性和完整性。因此，在導向階段，可以將梯度提升樹或隨機森林作為主要預測算法。

在確定了梯度提升樹或隨機森林作為主要預測算法的基礎(chǔ)上，適當調(diào)整算法參數(shù)，可以獲得更高準確率的預測模型。限于篇幅，不再贅述。該模型根據(jù)觀察階段的數(shù)據(jù)采集、結(jié)合梯度提升樹或隨機森林算法對學生的學習效果進行預測，其預測值A(chǔ)、B、C、D將直接決定下一階段教學調(diào)整策略的制定。

（三）評估值輸出和運用（決策階段與行動階段）

根據(jù)模型預測輸出的不同檔次（A、B、C、D）的學生學習效果，教師可以進行相應的教學調(diào)整，以達到差異化教學目的。

針對A檔次的學生，教師要提供更深入的擴展學習任務(wù)和挑戰(zhàn)性項目，比如參與教師研究項目、設(shè)計實際應用案例等，以滿足該部分學生的學習需求[9]。同時鼓勵他們進行自主學習和研究，并提供額外的資源和指導，比如指導他們參加各種大賽，幫助其進一步拓展知識和技能。

B檔次學生已經(jīng)具備一定的學習基礎(chǔ)和理解能力，但學習效果尚未達到A檔次，針對這部分學生，在課堂上教師應鼓勵他們積極參與課堂探究活動，同時提供開放性問題和案例，引導他們深入思考并表達自己的觀點。在課下，教師應及時與這部分學生進行一對一交流，了解他們的學習需求和興趣并進行針對性幫助。例如，可以與他們一起討論學習計劃并提供額外的學習資源。對于B檔次的學生而言，教師一定要給予他們及時、具體的反饋和評價，幫助他們了解自己不足，鼓勵他們反思自己的學習方法和策略，這樣可以幫助他們增強自我學習和自我調(diào)整能力，從而提高學習效果。

針對學習效果較差的學生（C、D檔次），教師首先應幫助其樹立正確的學習態(tài)度和目標，與他們討論學習的重要性和未來的發(fā)展前景，幫助他們認識到努力學習的價值，激發(fā)他們的學習興趣，與他們分享成功的學習經(jīng)歷和角色模型的故事，鼓勵他們相信自己的潛力和能力。其次，在課堂上教師應采用多樣化的教學方法和資源，滿足他們的學習需求[10]。例如，使用圖像、實例、故事等形式，幫助他們理解抽象的概念；結(jié)合實際應用和案例分析，讓學習更具實踐性和可操作性；提供可視化和互動性強的學習資源，增強學習的趣味性和參與度。最后，課下教師應鼓勵他們制定學習計劃和目標，并提供指導和監(jiān)督，確保按時完成學習任務(wù)。

針對上述學生的不同情況，總體來說，教師首先應確定具體目標，這些目標應該是可量化和衡量的，以便具體執(zhí)行和監(jiān)控進展。然后根據(jù)目標制定分階段的、可行的、具有針對性的措施和活動，這些措施要與決策階段的教學調(diào)整策略相對應，針對不同檔次的學生進行個性化設(shè)計。需要注意的是，教師要為每個措施和活動確定合理的時間框架和所需資源，需要考慮教學進度和學生學習能力，確保教師和學生都能充分參與和實施。

以上是一定時間框架下（例如每月）的第一輪教學質(zhì)量評價情況，在實施過程中，教師要嚴格按照時間節(jié)點，在數(shù)據(jù)采集和輸入的真實性和一致性前提下開展評估，然后可以及時進行下一輪OODA循環(huán)，用以調(diào)整、改進教學計劃，這樣才能達到持續(xù)提高教學效果的目的。學期結(jié)束，通過質(zhì)量評價系統(tǒng)可以給出學生該學期的總體教育質(zhì)量評價結(jié)論。

四、結(jié)果與討論

基于OODA循環(huán)原理的職教教學模型可以采取收集、設(shè)置和輸入維護上述九類學生數(shù)據(jù)，結(jié)合機器學習中的梯度提升樹或隨機森林算法完成操作系統(tǒng)開發(fā)。其優(yōu)勢在于突出了教學過程的循環(huán)性、動態(tài)性、實時性。通過持續(xù)觀察、引導、決策和行動的循環(huán)，教師能夠及時調(diào)整教學策略，根據(jù)學生的不同需求提供個性化指導，使教學更具靈活性和適應性。這種靈活的教學方式為學生提供了更加豐富和有趣的學習體驗，使他們能夠更深入地理解和應用所學知識。同時，教師在不斷循環(huán)的過程中也能不斷改進自己的教學方法和教學策略，從而提高教學質(zhì)量。這種教學模型的成功應用為學生的綜合能力培養(yǎng)提供了有力支持，可以為職業(yè)教育帶來新的活力。

然而，該模型也存在一些挑戰(zhàn)和改進的空間。例如，教師在決策以及實施過程中需要具備較高的觀察力和教學經(jīng)驗。此外，對于大班級或多班級的職教情況，教師可能面臨時間和資源的限制，難以快速調(diào)整教學策略，需要在實踐中找到平衡點。

參考文獻：

［1］習近平.高舉中國特色社會主義偉大旗幟為全面建設(shè)社會主義現(xiàn)代化國家而團結(jié)奮斗：在中國共產(chǎn)黨第二十次全國代表大會上的報告［R］.北京：人民出版社，2022.

［2］高鵬南.新時代背景下加快推進現(xiàn)代職業(yè)教育發(fā)展的思考［J］.現(xiàn)代職業(yè)教育，2023（21）：21-24.

［3］Angerman，William S.，Coming Full Circle with Boyd’s OODA Loop Ideas：An Analysis of Innovation Diff-usion and Evolution［Z］.United States：Air Force Institute of Technology，2004.

［4］方強，周晗，王熙童.基于OODA理論的本科生全程導師制的闡述［J］.科技資訊，2018，16（22）：67-69.

［5］劉晨.OODA模型在企業(yè)人才培養(yǎng)和發(fā)展上的運用［J］.內(nèi)蒙古煤炭經(jīng)濟，2018（14）：69-70.

［6］于玲.基于OODA模型提升高職生職業(yè)能力探討［J］.新課改教育理論探究，2021（9）：114-115.

［7］Dietterich，T. G.，Approximate statistical tests for comparing supervised classification learning algorithms［J］. Neural Computation，1998，10（7）：1895-1923.

［8］Pedro Domingos.A Few Useful Things to Know About Machine Learning［J］.Communications of the ACM，2012，55（10）：78-87.

［9］張趁香.大學生在線自主學習能力培養(yǎng)探索探究［J］.現(xiàn)代職業(yè)教育，2021（19）：56-57.

［10］陸浩剛.德國雙元制教學模式和我國職教教學模式的比較研究［J］.現(xiàn)代職業(yè)教育，2018（20）：42-43.

◎編輯 張 慧

作者簡介：謝寧宇（1991—），男，漢族，安徽阜陽人，碩士研究生，助教，研究方向：人工智能和機器學習。