工业机器人数据思维项目式教学动态调整策略

［摘 要］ 数据分析技术的发展极大地推动了职业教育研究的发展。针对工业机器人专业培养的人才工作内容不仅限于专业技术本身，还需要结合行业产业发展和细分领域，做好人才精准定位等问题，对工业机器人码垛项目式教学任务实例进行知识技能拆分和教学流程重组，运用数据思维挖掘影响学生学习的隐性能力因子，将其嵌入项目任务教学设置的数据采集内容和流程节点中。采用AHP层次分析方法分析隐性能力因子相对权重，阐述数据思维在项目式任务教学动态调整及人才培养策略中的作用。

［关键词］ 数据思维；工业机器人；教学策略调整

［基金项目］ 2022年度厦门市教育科学“‘十四五’规划”课题“中职创客产品制造实训课堂增值效应研究”（22102）

［作者简介］ 席鑫宁（1984—），女，山西蒲县人，硕士，集美工业学校先进制造产业系高级讲师，主要从事工业机器人技术职业教育研究。

［中图分类号］ G642.0 ［文献标识码］ A ［文章编号］ 1674-9324（2025）-07-0057-04 ［收稿日期］ 2024-01-27

引言

新时代工业生产方式的变化为教学改革提出了新要求，提供了新手段。作为职业教育的新兴专业且是重点发展领域之一的工业机器人，其教学改革需求源于岗位能力需求的变革。企业对人才的选择不再局限于知识技能本身，而是包含信息整合、语言表达、应变能力等综合职业素养。这种变革源自企业本身数字化智能化生产改制的过程中对企业员工的生产思维的同化。工业4.0的生产方式产生大量的数据流、信息流，工业互联网汇聚的大数据对企业的生产监控、决策起了关键作用。大数据时代，人才能力结构需要被重新定义，工业机器人专业教学模式也需要重新审视。

一、数据时代工业机器人职业教育改革动向

职业院校工业机器人专业课程体系经过近几年发展已日趋完善。职业院校工业机器人专业课程体系在人才培养模式上增加了产教融合、现代学徒制等提高校企技能融合度的项目。在课程资源的建设中增加了信息化课程、一体化课程等旨在提高专业教学水平的内容。部分院校引进了校中厂建设、双元制教育等新型人才培养模式。职业院校百花齐放的教学模式为职教改革注入了新的动力，然而，工业机器人专业教学改革仍然需要不断探索。

（一）对课程项目式教学案例进行重组

工业机器人专业新知识新技能在课程体系中的设置离散化，无法完成由“知识人”到“创新人”“智慧人”的转变［1］。例如，学生完成了“电气控制”“机器人编程操作”“计算机三维建模”等课程的学习，却不熟悉课程的系统应用。工业机器人专业包含常规机械、电气通用技术，是面向现代智能装备制造业的复合新兴专业的典型代表，但其在新理念、新技术、新工艺的校内引入方面缺乏具有特色成效的方法和技巧。针对此现状，对课程的重组、项目的编排和课程资源的建设思路和方案提出了更高的要求［2］。

（二）用数据思维开展个性化培养

工业机器人的行业应用如搬运、码垛、焊接、抛光、分拣等需要掌握的行业知识各不相同。不同企业生产对象不同，生产方法、工具和内容也不同。若校内培养还按照标准化大规模培养是无法做到对接各类产业的。个性化培养如何进行，除了企业需求因素外，学生个人知识能力结构和特长的不同也将决定其适合不同的岗位类型。职业学校的学生各具特色，有的学生逻辑思维能力较好，有些学生动手实践能力优秀，有些学生语言表达能力较好。个性化培养需要了解学生各方面的数据，学校因材施教的理念目前只能根据教师主观经验。要确立更精准的培养定位，可以发挥数据分析的功用。

二、数据思维的项目式教学实践案例分析

本文选取典型应用《工业机器人码垛》项目进行改革实践。项目根据企业工作场景设置工作目标，实现定制化码垛。项目包括八项内容：机械装配、电气连接、虚拟仿真、夹具测绘、PLC编程、工业机器人操作与编程、工控组态、综合调试。八项内容分别在目前教学课程体系下有对应的课程，以及相应的知识技能素养目标，教学任务的实施建立在相关科目已经完成的基础之上。

学生完成项目应学习的课程，掌握分科目知识、技能及职业素养。然而，这些对于综合职业素养的培养还不系统。我们无法了解学生的主观因素对完成效果的影响，无法了解学生参与该任务对他的潜力发展提供多大的帮助，无法了解学生在该项目中更适合他的角色是什么，也无法根据他的完成情况对他的学习内容和方法提供建议。总之，如果做不到对学生的全面了解，全方位的定制化培养就有可能止步于此。对此，有必要寻找教学案例的重组策略和有效的数据挖掘方法，对项目式教学设计进行动态调整和优化，以达到新时代职业教育对学生的培养目标。

（一）挖掘影响职业院校学生成长的隐性能力因子

根据项目任务学科知识和技能，挖掘该工作任务中对学生学习过程和效果产生影响的隐性数据类型。在确立隐性数据类型时，指标选取要能够实现量化评估，要具有针对性和适用性。可遵循如下流程：（1）对要素进行分类整合，将要素分为方法能力、学习意识、团队协作、心理因素四个方面，再分解为不同要素内容。（2）构建一级要素和二级要素后，选择教育管理人员、教育研究专家及一线教师等成立专家队伍，对各个指标进行初步筛选，构建指标体系。（3）在教学活动中围绕实践项目对指标进行评价，对实践前后各个能力数据要素的有效程度进行优化，得出最为合理的指标体系。对数据类型的整理归纳，得出能力评价指标体系如表1所示。

（二）隐性能力因子融入项目式任务及对动态调整的作用

根据表1，重构工业机器人码垛项目式教学案例，设计教学环节，将隐性能力因子融入知识和技能学习过程评价，工业机器人码垛项目的阶段检测节点可参考图1。在教学流程中设置合理的监测节点，全程跟踪学生子任务的学习过程和完成效果，使用恰当的测评手段记录学生在该因子作用下的课堂表现。在任务流程各检测节点进行学习评价，并根据学习个体的实际情况动态调整教学辅导内容和方法，针对其薄弱点提供学习建议，提高该检测点能力的培养。在项目结束后动态观测出学生在学习过程中各个能力模块的进步状态，给出总体评价。经过几轮不同学生的课程实施样本，得出学生在该项目任务中的整体知识能力结构，从而对教学结构设置提供建议。

各项隐性能力因子对完成项目任务的学习效果起促进作用，可以通过数据监测来发现哪一项因子阻碍了学生在任务中的参与度和完成度，并对该能力因子引起的学习效果提供改进措施。例如，若发现该学生阅读任务书有困难，则可能需要增强文字阅读理解能力、逻辑思维能力，可以推荐学生选修提高阅读能力的选修课增加学分。若夹具零件图完成效果欠佳，则推荐补修三维建模课程。若发现该生学习挫败感较强，则动态调整任务完成难度，并对学生的心理进行辅导，以增加学生学习的愉悦程度，也会增加其学习动力等。课程结构和进程的设置，加上合理利用数据的记录便于发现学生的特质和潜质，为项目式任务教学提供动态调整的依据，为特长定制化培养提供基本数据支撑。

（三）隐性能力因子与学科对应技能紧密程度分析

隐性能力因子的合理选取在项目式教学任务的动态调整中发挥关键作用。本文选取工业机器人码垛项目的“工业机器人编程”检测节点进行样例分析，通过AHP层次分析法得出各隐性因子对该任务分项内容学习效果的权重，让教师在进行学生数据监测和评价中利用该方法合理选取隐性能力因子［3］。在实践研究过程中，选择行业专家15名、专业教师30名、教学对象120名展开问卷调查，了解分项隐性能力因子与学科知识的紧密程度，得出AHP层次分析判断矩阵。该分析结果的一致性检验CR值＜0.1，构建的判断矩阵通过了一致性检验。

首先，对调查数据进行AHP层次分析计算，发现“方法能力”中逻辑思维对机器人码垛任务编程效果影响最大，为0.179 9，需要学生将码垛动作要求转化为逻辑严谨的编程语言。其次是数值计算0.164 5，需要将不同的码垛方式、数量与机器人语言中的数据结构结合，计算码垛位置等。再次是知识迁移0.138 6，当码垛的垛型、尺寸、数量、物料类型发生变化时，能根据实际灵活改变程序数据和结构，关注动作和协调等。其他因子根据关系紧密程度分析，依次分别是：图形分析0.133 5（码垛位置、垛型、尺寸分析）、阅读理解0.115 8（码垛任务的描述）、肢体动作0.108 4（工业机器人操作位置点示教准确性和灵活性）、信息整合0.087 8（码垛与周边信息的整合分析）、语言表达0.071 5（任务过程沟通）。分析得出语言表达和信息整合这一能力分项的关联程度最低，大部分码垛任务和周边设备的信息交互相对较少，对大量信息的搜集整理分析能力的要求相对较低。

同理，对其他三个能力类型用相同方法分析得出：学习意识中最相关的是严谨条理的习惯，其余依次是探究钻研意识和批判质疑意识。因为码垛任务大都标准规范化，除非特殊产品码垛需要根据产品特质探究具体细节操作方式。心理因素中感知愉悦对任务完成效果的正向作用最大，接着是个体能力层次同任务难度的匹配程度、挫折感对学习效果的影响与学习动机和信念。究其原因是测试对象中职生年龄较小，对知识的渴求仍是简单的个人意愿，任务难度与能力匹配度越高，完成任务的愉悦感的正向促进作用越强，应对挫败感的能力欠佳，学习动机不明显。最后，团队协作分项在所有能力中同工业机器人编程操作的关系紧密程度最低。

根据多轮教学实践得到的数据记录及分析，指导教师在工业机器人项目任务的重点、难点设置，隐性能力因子选择以及教学评价策略设置，甚至对课程体系建设中项目任务层次结构进行合理调整。

三、数据思维在职业教育中的应用分析

促进数据思维的教育应用是教育价值观念的大转变。教学经验历来依靠经验和知识传承，然而，如今的教育科学研究更注重数据说话的行为科学。大数据时代的教师需要改变观念，不仅要懂学科知识、懂教法，还要懂学生，紧跟思维变革。

（一）掌握教育数据分析关键技术

工业机器人职业教育改革实践应该在充分掌握数据分析技术的基础上进行。通过近年来信息化教学管理建设，各职业院校都有自己的教学管理系统，记录课堂产生的学生学习过程、教学评价等数据。应对数据进行归类和整理，赋予数据所属的能力目标归属，搜集与专业培养目标相关的所有数据，从学生行为的微观记录，上升到专业发展的宏观洞察。原始教育大数据只是基础，只有对采集到的海量教育数据进行数据挖掘，构建学习分析模型，分析教育变量的关系，赋予数据实际意义，形成信息、知识，最终成为教育智慧，进而指导教学决策［4-5］。

（二）教师数据素养养成

教师对自己教学实践接触到的相关数据及其异动要具有敏锐的嗅觉，对教与学的相关过程和行为等从数据的角度进行理解、感受和评价［6］，具备数据意识。在日常教学活动中使用必要的工具，搜集多元数据，常规形成性评价、实践感知的总结性评价。多样化的过程数据既能记录学生的学习行为、掌握程度，又能评估学生的学习投入度、思维品质提升情况、心理发展过程，甚至能预测潜能和发展。这些需要教师能够重视数据的价值，将数据同培养目标对应。教师要掌握采集、组织、优化、分析、解读数据的方法能力，且会利用数值分析方法，数据可视化工具，分析数据产生的模型、图表等，识别数据的可信度、有效性、相关性，会解释数据。合理利用数据思维感知学生能力发展的隐性能力因子，帮助学生增强职业技能。

四、总结

数据思维指导下的项目式任务教学动态策略调整对教师提出了要求，一是根据能力结构量表合理设置体现检测点能力要求的项目任务内容，根据数据思维分析学生隐性能力类型，设置合理量化评估点，让检测量表具有可行性；二是教师在教学实施过程中要具备动态监控学生能力检测量表的数据意识和能力，做出正确的教学决策。

数据思维测评方式的教学实践，可以调整工业机器人专业设置课程结构和教学措施，根据学生隐性能力因子建立相应的选修课、网络课或创新能力培养课。若通过大样本的整体分析，发现大部分学生的某个能力因素普遍较低，则人才培养策略应针对整体情况调整学时学分数量和质量。通过项目式教学任务数据测评，动态调整教学过程、内容和策略，有助于学生职业技能的个性化培养，适应现代行业发展需求。