基于深度学习的高职院校STEM学习管理系统评估

摘 要 为解决传统STEM教育系统存在的功能不完善、用户端体验不佳、设备性能不支持、系统安防不成熟的问题，江苏省在高职院校推行了一套基于深度学习的学习管理系统。该系统由知识存储模块、学生学习模块、教师教学模块、用户交互模块和效果评估模块组成，通过构建卷积神经网络模型，整合高职院校的教育资源，为学生提供个性化和智能化的应用服务和为教师提供教学反馈和建议。调查显示，该系统可以促进创新型教师培养和学生多元发展，有助于提升高职院校综合实力。未来，需要从加强移动学习支持、人工智能辅助、跨学科整合三个方面进一步完善该系统。

关键词 深度学习；高职院校；职业教育；STEM学习管理系统

中图分类号 G718.5 文献标识码 A 文章编号 1008-3219（2024）26-0060-08

随着科技的不断发展，STEM（科学、技术、工程和数学）教育越来越受到重视。高职院校作为培养高素质技术技能人才的重要场所，更需要加强STEM教育与实践，提高学生的综合素质和创新能力。然而，当前的高职院校STEM教育存在一些问题，部分高职院校在师资力量、教学设施等方面存在不足，教育质量参差不齐，技能型人才培养缺乏专业性。对此，在大数据时代的社会发展环境下，多种多样的学习软件涌入市场，越来越多的学校开始应用教育系统进行多样化、智能化的教育。孙建结合SPOC线上教育和深度学习的特点，设计多元化的教学系统，注重学生实践能力的培养，开发出自主性、互动性系统功能，有利于培养学生的综合能力，但平台功能之间交互性较差，系统存在兼容性问题[1]。侯梦倩利用大数据分析技术设计智慧校园教育管理系统，针对高职院校课程与教学资源管理进行分析统计，但系统功能相对单一，个性化教学功能模块不完善[2]。为解决这些问题，江苏省高职院校于2024年推行了一套基于深度学习方法的学习管理系统。该系统能够更高效、精准地分析学生的学习行为数据，进而为学生提供个性化的学习服务，提升学生的学习兴趣和学习效率。本文介绍基于深度学习的学习管理系统，并通过线上抽样调查的方式，分析系统的应用效果并提出发展建议，以期为高职院校学习管理系统的优化提供参考。

一、高职院校学习管理系统存在的问题

近年来，高职院校的数量和招生规模不断扩大，为更多学生提供了接受高等职业教育的机会。高职院校紧密结合市场需求，通过与企业合作、实习等方式，培养学生的实践技能，提高学生的就业竞争力，为社会培养了各类技能型人才。学校学习管理系统是学校信息化建设的重要组成部分，对于提高教学效率、优化管理流程具有重要意义。然而，目前学校学习管理系统在引用过程中也存在一些问题。

（一）系统功能不完善

当前大部分高职学校学习管理系统软件功能较为单一，无法满足学校多样化的需求。例如，一些软件可能只提供了成绩管理、课程表查询等基本功能，而对于教学资源共享、在线学习等功能支持不足。教学资源匮乏，缺乏课件、题库、案例等丰富配套教学资源，无法满足教师的教学需求和学生的学习需求[3]。此外，一些系统学习追踪功能缺失，教师难以有效对学生的学习进行追踪和评估，无法及时了解学生的学习进度和学习情况，阻碍个性化教学的推进。

（二）用户端体验不佳

一些高职院校学习管理系统的界面设计不够人性化，操作复杂，信息查询和使用过程繁杂，响应速率慢，严重影响用户体验。同时，部分系统互动功能较弱，无法实现师生之间的实时互动、讨论和协作，影响了教学效果。用户体验不佳可能导致教师和学生在使用过程中遇到困难，影响系统的推广和应用。

（三）设备性能不支持

高职院校学习管理系统中可能包含多个功能性软件，不同软件可能采用不同的技术架构和数据标准，导致软件之间普遍存在兼容性问题，影响了数据共享和系统集成，多应用之间交互不流畅。同时，学习管理系统往往存在移动端支持不足的问题，学生或教师的移动端系统应用体验较差，许多功能无法在移动设备上使用。

（四）系统安防不成熟

学校学习管理系统软件涉及大量的学生和教师信息，然而许多学习管理系统缺少风险保护设计，容易受到黑客攻击，在数据存储和传输过程中存在安全隐患，存在安全漏洞，容易导致学生和教师的信息泄露。随着技术的不断发展和用户需求的变化，系统开发商可能无法及时提供支持，导致学习管理系统在使用过程中的诸多问题难以解决，无法进行定期的安全维护和升级[4]。

为解决上述问题，学校学习管理系统的优化设计应充分考虑软件的功能、兼容性、用户体验、安全性等因素，并与开发商保持良好的沟通和合作，确保软件能够满足学校的实际需求。同时，学校也应加强对教师和学生的培训，提高他们对软件的使用能力和信息安全意识。

二、基于深度学习的高职院校STEM学习管理系统概念

（一）深度学习理论

深度学习是机器学习的一个分支，是一种以人工神经网络为架构，对资料进行表征学习的算法。自深度学习出现以来，它已成为许多领域尤其是计算机视觉和语音识别中的一部分。深度学习的概念源于人工神经网络的研究，含多个隐藏层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示[5]。目前，深度学习技术理论主要包括神经网络算法、反向传播算法、模型压缩等研究方法，是一个非常复杂和庞大的领域，需要掌握多方面的知识和技能。本研究基于深度学习理论对高职院校STEM学习管理系统进行优化设计。

（二）STEM教育理念

STEM是科学（Science）、技术（Technology）、工程（Engineering）、数学（Mathematics）四门学科英文首字母的缩写，其中科学在于认识世界、解释自然界的客观规律；技术和工程则是在尊重自然规律的基础上改造世界、实现对自然界的控制和利用、解决社会发展过程中遇到的难题；数学则是技术与工程学科的基础工具[6]。STEM课程重点是加强对学生四个方面的教育：一是科学素养，即运用科学知识、理解自然界并参与影响自然界的过程；二是技术素养，即使用、管理、理解和评价技术的能力；三是工程素养，即对技术工程设计与开发过程的理解；四是数学素养，即发现、表达、解释和解决多种情境下的数学问题的能力。

STEM教育理念有别于传统的单学科、重书本知识的教育方式，它是一种重实践的跨学科教育理念，具有综合化、实践化、活动化的特点。其主要目的是培养具有创新能力的综合型人才，以提升国家的竞争力。

（三）STEM理念与高职教育的关系

当前，我国教育注重STEM教育理念的融合应用，教育理念与实践之间存在着密切的关系，两者相互促进、相互影响。首先，STEM理念强调科学、技术、工程和数学的融合，注重培养学生的实践能力和创新精神，这与高职教育的培养目标高度契合，可以更好地培养学生的实践能力和创新精神，提高学生的专业技术和综合素质。

其次，在高职院校的学习管理系统中，根据STEM理念进行系统教学功能优化，可以为高职学习管理系统提供新的教学方法和教学手段。强调实践教学和探究式学习模块，注重培养学生的创新能力和解决问题的能力，可以推动教学方法和教学手段的改革，提高教学质量和效果。

最后，遵循STEM理念，利用深度学习技术可以对高职学习管理系统进行系统化、个性化内容设计，全面高效整合高职院校丰富的教育资源和实践经验；同时，也可以为 STEM理念的推广提供重要的支持和保障，线下也可以通过与企业合作等形式，开展STEM教育实践活动，为学生提供更多的实践机会和平台。

三、基于深度学习的高职院校STEM学习管理系统设计

（一）STEM学习管理系统总体框架

高职院校STEM学习管理系统主要包括知识存储模块、学生学习模块、教师教学模块、用户交互模块和效果评估模块，见图1。

高职院校STEM学习管理系统运行架构通常包括以下几个层次。

第一，数据存储层。用于存储和管理教务系统所需的数据，包括学生信息、教师信息、课程信息、成绩信息等。数据层通常使用关系型数据库或NoSQL数据库进行存储。

第二，业务逻辑层。用于处理学习管理系统的业务逻辑，包括学生管理、教师管理、课程管理、成绩管理等。业务逻辑层通常使用服务器端编程语言（如Java、Python、NET等）进行实现。

第三，界面显示层。用于展示教学系统的界面，分为学生端和教师端的界面。利用Web技术（如HTML、CSS、JavaScript等）设计学习管理系统用户界面，根据STEM优化功能窗口与页面设计[7]。

第四，系统接口层。用于与学校其他系统进行交互，如财务系统、人事系统等，并与教育部门相关系统、第三方在线教育平台等外部系统进行对接。接口层通常使用SOAP、REST等 Web 服务技术进行实现。

第五，信息安全层。用于保障教学系统信息数据与操作应用的安全性，加强用户认证、授权访问、数据加密等安防程序。利用加密技术、身份验证技术等对用户应用模块、系统数据模块等进行加密安全保护。

第六，监控运维层。用于监控学习管理系统的运行状况，利用日志分析工具对学生课程进程进行追踪监督。同时对系统进行维护和升级，及时检查维修系统漏洞故障，更新系统应用功能。

（二）深度学习管理系统模型构建

STEM学习管理系统采用卷积神经网络（CNN）算法进行模型构建，收集与高职院校教育相关的数据，包括学生信息、课程信息、教师信息、成绩数据等，确保数据的质量和准确性，对数据进行清洗预处理，删除缺失值、处理异常值。具体而言，包括以下五个部分。

第一，数据收集与预处理。首先，系统需要收集与高职院校教育相关的数据，包括学生的信息、课程安排、教师资料以及学生的成绩等。这些数据的质量和准确性是模型构建的基础。因此，在数据输入模型之前，必须对数据进行清洗和预处理。清洗数据的过程包括删除缺失数据、处理异常值，以确保数据的完整性和准确性。

第二，卷积神经网络模型构建。利用卷积神经网络（CNN）算法来构建模型。CNN的核心是通过卷积层从输入数据中提取特征。在教育系统的场景中，卷积层会处理输入的教育数据（如学生成绩、课程参与情况等），提取与学生学习表现相关的关键特征。这些特征随后传递到模型的下一层，逐层提取更多复杂的信息。

第三，特征提取。在卷积层中，使用递归神经网络算法来进一步挖掘数据中的关键特征。通过递归关系，模型不仅能够提取当前数据的特征，还能从历史数据中学习到更多关联信息，帮助模型更好地理解学生的长期学习表现。

第四，模型优化。为了提高模型的性能，需要对模型的迭代过程进行调整。通过应用非线性修正方法来优化模型的超参数，确保模型在每次迭代中逐渐接近最佳性能。这一过程可以通过不断调整模型的参数来减少误差，提升数据处理的准确性。

第五，模型评估。构建好的模型需要经过严格的评估，以确保其泛化能力，也就是模型在未见过的数据上能够保持良好的表现。为此，使用交叉验证的方法，对模型在不同数据集上的表现进行评估，确保模型不仅能在训练数据上表现出色，还能在实际应用中保持稳定性和高效性。模型构建流程关系如图2所示。

经上述步骤构建深度学习管理系统数学模型，卷积结构如图3所示，其运行结构主要分为以下层级。

第一，输入层。负责接收学习管理系统文本、图频等多项资料数据输入，将原始的特征向量信息进行归一化或标准化处理，去除干扰噪声，提高资料挖掘真实度。

第二，卷积层。卷积层是深度学习模型中的数据特征处理层次，卷积迭代识别输入数据的相关特征，通过应用卷积核对输入数据进行卷积操作，生成特征图谱与关系树，对学校教学资料进行特征提取和图像处理。

第三，池化层。池化层用于对卷积层生成的特征图进行降采样，减少特征图的大小，从而减少计算量和模型参数的数量[8]。常见的池化操作包括最大池化和平均池化。

第四，全连接层。全连接层用于对池化层输出的特征进行分类或回归任务。全连接层将每个特征与一个权重向量相乘，并加上一个偏置项，得到一个输出值，实现特征数据归类整合。