[中圖分類號]G434 [文獻標志碼]A

[作者簡介]余越凡（1998—），男，江蘇蘇州人。博士研究生，主要從事教育數(shù)字化、職業(yè)教育課程與教學(xué)論研究。E-mail ： yuyuefan 461@163.com 為通信作者，E-mail：zhiqunzhac @263.net_o

一、背景與挑戰(zhàn)

（一）研究背景

數(shù)字技術(shù)的革新正深刻推動職業(yè)教育變革。以ChatGPT為代表的大模型會話機器人憑借內(nèi)容生成能力，展現(xiàn)出超越傳統(tǒng)技術(shù)工具的能動性。傳統(tǒng)教育會話機器人主要依賴計算能力實現(xiàn)知識問答、個性化學(xué)習(xí)路徑規(guī)劃等工具性功能。而基于大模型的教育會話機器人可以作為技術(shù)構(gòu)建者行動意向的智能延伸及實踐活動的自主代理。充分釋放能動性的大模型會話機器人更接近于具有主體性的行動者，不僅會重構(gòu)職業(yè)教育教學(xué)中的人機關(guān)系，還可能對傳統(tǒng)的班級授課和實訓(xùn)教學(xué)構(gòu)成挑戰(zhàn)1。

將會話機器人作為職業(yè)教育教學(xué)代理的研究興起于最近十幾年。早期研究主要采用基于規(guī)則的方法，如Mascitti等通過預(yù)設(shè)“刺激—響應(yīng)\"規(guī)則，開發(fā)了家庭保健員培訓(xùn)會話機器人，具有知識測試、學(xué)習(xí)路徑定制等功能2。此后，機器學(xué)習(xí)技術(shù)的進步推動該領(lǐng)域持續(xù)發(fā)展，Casillo等利用潛在狄利克雷分配模型構(gòu)建了工業(yè)4.0員工培訓(xùn)會話機器人，具有在地化學(xué)習(xí)資源推送、學(xué)習(xí)進度監(jiān)督等功能。此時的職業(yè)教育會話機器人仍以檢索式方法為主，機器學(xué)習(xí)降低了查詢和回復(fù)間的語義差異，但沒有改變其結(jié)構(gòu)化響應(yīng)的本質(zhì)。直到大模型出現(xiàn)，生成式方法才成為研究的焦點。Makhlouf等將ChatGPT設(shè)計成基于知識的系統(tǒng)，為護理專業(yè)學(xué)生提供保持更新的循證知識[4]。王佑鎂等歸納了ChatGPT賦能職業(yè)教育的多重角色，包括智能加強儀、教學(xué)輔助員、個性化管家、質(zhì)量評估員和校企連接員。但基于大模型的職業(yè)教育會話機器人研究仍處于起步階段，其構(gòu)建面臨多重挑戰(zhàn)。

（二）面臨的挑戰(zhàn)

1.傳統(tǒng)設(shè)計難以支持職業(yè)能力發(fā)展

職業(yè)教育旨在培養(yǎng)職業(yè)（行動）能力，但現(xiàn)有職業(yè)教育會話機器人仍以知識問答或?qū)W(xué)為核心，秉承知識本位設(shè)計理念，導(dǎo)致教育者自然而然地采用“理論為實踐服務(wù)\"的課程理念組織人機對話，期望學(xué)生借此學(xué)習(xí)理論知識，并將其與實踐中遇到的實際問題聯(lián)系起來，從而提升工作能力。但職業(yè)能力的形成依賴于工作行動，去情境化、顆粒化的知識導(dǎo)學(xué)將那些與工作情境緊密相關(guān)的隱性能力排除在外，導(dǎo)致學(xué)生過分關(guān)注孤立的操作行為，忽視工作的整體性，進而阻礙能力發(fā)展。傳統(tǒng)設(shè)計不僅浪費了大模型作為主體間性的潛能，而且違背技能人才成長的規(guī)律。

2.推理能力和領(lǐng)域知識限制教學(xué)決策

職業(yè)教學(xué)須綜合學(xué)情、工作情境和職業(yè)教育規(guī)律進行整體化決策，涉及多線程、多步驟的感知與推理。但大模型多步推理能力較弱，難以獨立解決復(fù)雜邏輯推理、因果分析和決策等系統(tǒng)問題8。相關(guān)研究嘗試構(gòu)建多智能體系統(tǒng)（Multi-agentSystem），通過設(shè)計多智能體角色及工作流來增強推理能力。但串行工作流延長了響應(yīng)時間，削弱了其在對話教學(xué)場景中的實用性。同時，由于職業(yè)的領(lǐng)域特殊性，會話機器人還須具備保持更新的垂直領(lǐng)域知識。相關(guān)研究嘗試通過檢索增強生成（Retrieval-augmented Generation，RAG）技術(shù)拓展大模型的知識邊界，但RAG技術(shù)僅基于單次提問內(nèi)容進行檢索，對單輪知識問答任務(wù)有效，在多輪、多步驟的推理中有明顯的局限性。

3.職業(yè)能力診斷方法的科學(xué)性不足

對學(xué)生職業(yè)能力的科學(xué)診斷是職業(yè)教育會話機器人行動的關(guān)鍵依據(jù)，但自前缺乏適用于即時會話場景的有效方法。職業(yè)能力并非簡單的規(guī)則知識應(yīng)用，而是構(gòu)筑于行動實例中的訣竅和技巧，只有水平高低之分而沒有標準答案。傳統(tǒng)教育會話機器人依賴認知診斷、知識追蹤等技術(shù)，通過判斷個體是否掌握規(guī)定的知識或技能來進行個性化指導(dǎo)，很難實現(xiàn)素質(zhì)或能力培養(yǎng)。原因在于其完全依賴認知主義模型解釋人類智能，認為人的一切知識都能用適當?shù)姆柋碚?。但專家系統(tǒng)等早期人工智能的失敗，已證明人類智能無法用明確的規(guī)則知識完整表征。現(xiàn)有的職業(yè)能力診斷方法，如PISA-VET和COMET職業(yè)能力測評，依賴專門的評價環(huán)境和高成本的評價活動，無法直接嵌入會話教學(xué)過程中。

針對上述挑戰(zhàn)，本研究嘗試基于設(shè)計導(dǎo)向、行動導(dǎo)向、“從初學(xué)者到專家\"能力發(fā)展邏輯、支架式教學(xué)等理論基礎(chǔ)，應(yīng)用多智能體、思維鏈（ChainofThought，CoT）檢索增強生成等技術(shù)，構(gòu)建具備職業(yè)能力培養(yǎng)、專業(yè)化教學(xué)決策和能力診斷功能的職業(yè)教育會話機器人。

二、基于大模型的職業(yè)教育會話機器人構(gòu)建

（一）理論基礎(chǔ)

1.“設(shè)計導(dǎo)向\"職業(yè)教育思想

“設(shè)計導(dǎo)向\"職業(yè)教育思想強調(diào)，職業(yè)工作者不僅要有技術(shù)適應(yīng)能力，更重要的是本著對社會、經(jīng)濟和環(huán)境負責的態(tài)度，有能力參與設(shè)計和創(chuàng)造未來的技術(shù)和勞動世界[。智能時代，“機器換人\"降低了封閉性工作的勞動附加值，高技能人才須超越對技術(shù)的工具性認知，將技術(shù)勞動視為社會過程，通過整體化感知工作情境，發(fā)現(xiàn)技術(shù)之于世界構(gòu)造的潛能，開展技術(shù)設(shè)計活動。Rauner據(jù)此將職業(yè)能力劃分為功能性能力、過程性能力和整體設(shè)計能力三個依次遞進的級別，體現(xiàn)職業(yè)任務(wù)的設(shè)計導(dǎo)向要求，構(gòu)成職業(yè)能力的要求維度[13]。職業(yè)教育會話機器人應(yīng)圍繞開放性任務(wù)組織人機對話，給予學(xué)生技術(shù)設(shè)計空間，保障學(xué)生的自主決策權(quán)，避免機器代理決策和程式化的操作教學(xué)。

2.“行動導(dǎo)向\"職業(yè)教學(xué)原則

職業(yè)工作并非孤立行為的簡單集合，而是完整、連續(xù)的行動調(diào)節(jié)過程。“行動導(dǎo)向\"職業(yè)教學(xué)原則主張學(xué)生只有主觀能動地完整經(jīng)歷工作任務(wù)全程，并圍繞行動結(jié)果進行全面且具有設(shè)計導(dǎo)向特征的反思，才能提升職業(yè)能力。在此過程中，學(xué)生以工作任務(wù)為載體發(fā)揮行動意向，通過比較行動目標與結(jié)果審視自我，獲取工作過程知識4，即工學(xué)結(jié)合的學(xué)習(xí)。職業(yè)教育會話機器人應(yīng)在“實踐一對話\"場景下應(yīng)用，以完整工作過程為主線組織人機對話，引導(dǎo)學(xué)生以自我負責的態(tài)度調(diào)控行動。具體而言，依據(jù)工作過程系統(tǒng)化理論，完整的工作行動包含明確任務(wù)、計劃、決策、實施、檢查和評價六步，學(xué)生借此實現(xiàn)有意義的自我建構(gòu)。

3.“從初學(xué)者到專家”能力發(fā)展邏輯

德雷福斯兄弟認為，能力水平的高低不由形式化知識的積累情況決定，而是取決于人應(yīng)對情境的模式，發(fā)展的終極是情境參與的直覺反應(yīng)。他們共同提出了“從初學(xué)者到專家\"能力發(fā)展邏輯，以初學(xué)者、高級初學(xué)者、有能力者、熟練者和專家五個階段闡釋人類技能習(xí)得過程中發(fā)生的關(guān)鍵變化一從超然的規(guī)則遵循轉(zhuǎn)向非反思性和非概念性的熟練應(yīng)對[15]。Rauner將這五階段作為職業(yè)能力的內(nèi)容維度，衡量各維度的發(fā)展程度，并明確了各階段的學(xué)習(xí)范圍：定向和概括性知識、關(guān)聯(lián)性知識、具體與功能性知識和基于經(jīng)驗的學(xué)科系統(tǒng)化深人知識[13]。職業(yè)教育會話機器人一是要根據(jù)學(xué)生能力發(fā)展情況，按照對應(yīng)的學(xué)習(xí)范圍設(shè)計工作任務(wù)和對話策略。二是要基于能力發(fā)展規(guī)律對學(xué)生職業(yè)能力做有效診斷。人機對話體現(xiàn)學(xué)生的職業(yè)認知特征，可以利用學(xué)習(xí)范圍對應(yīng)的應(yīng)對模式特征來預(yù)測職業(yè)能力?！岸ㄏ蚝透爬ㄐ灾R”支持利用明確的簡單規(guī)律處理程序確定的任務(wù)，“關(guān)聯(lián)性知識”支持利用情境中與任務(wù)相關(guān)的重要因素建構(gòu)解決問題的條件，“具體與功能性知識”支持利用對情境的整體感知經(jīng)驗性地應(yīng)對特殊問題，“基于經(jīng)驗的學(xué)科系統(tǒng)化深入知識\"支持在開放性任務(wù)中利用復(fù)雜專業(yè)知識進行基于經(jīng)驗的熟練應(yīng)對。

4.支架式教學(xué)

支架式教學(xué)是以最近發(fā)展區(qū)理論為基礎(chǔ)的建構(gòu)主義教學(xué)方法，通過提供與學(xué)習(xí)情境緊密相關(guān)的支架，幫助學(xué)生逐步建構(gòu)起對某一事物或問題領(lǐng)域的認識。支架類型多樣，形式上可分為范例、問題、建議、向?qū)Ш蛨D表等，功能上可分為概念支架、程序支架、策略支架和元認知支架等7。工作過程可抽象為綜合運用概念性和程序性知識的行動過程。職業(yè)教育會話機器人一是應(yīng)基于能力發(fā)展邏輯生成分梯度的支架，幫助每位學(xué)生從各自的最近發(fā)展區(qū)上升到目標能力發(fā)展階段。二是以建議形式提供概念支架。在職業(yè)能力發(fā)展過程中，概念性知識就像學(xué)習(xí)騎自行車時的輔助輪，在技能成熟后會自然\"隱退\"5，相關(guān)支架也應(yīng)圍繞學(xué)生的工作決策，僅在技能未成熟時生成。三是以問題形式為學(xué)生提供程序支架。相較于其他形式，基于問題的程序支架不直接向?qū)W生提供決策提示或操作步驟，而是通過問題鏈引導(dǎo)學(xué)生逐步剖析問題，契合設(shè)計導(dǎo)向和行動導(dǎo)向的職業(yè)教學(xué)。

（二）系統(tǒng)架構(gòu)與實現(xiàn)

基于上述理論基礎(chǔ)，本研究依托千帆大模型平臺，設(shè)計并實現(xiàn)了基于大模型的職業(yè)教育會話機器人，由多智能體系統(tǒng)、代理服務(wù)器、云數(shù)據(jù)庫和UI界面組成（如圖1所示）。多智能體系統(tǒng)參考LangGraph[8]和AutoGen[設(shè)計，包含管理中樞，以及智能教師、工作分析和能力診斷三個子系統(tǒng)。系統(tǒng)將智能體視為循環(huán)圖中的節(jié)點，節(jié)點間的交互關(guān)系受圖的邊和邊邏輯約束。同時，管理中樞與數(shù)個獨立的基礎(chǔ)業(yè)務(wù)流循環(huán)圖連接，所涉智能體均能以協(xié)程的方式并行調(diào)度。

1.管理中樞

管理中樞具有智能感知、智能體調(diào)節(jié)、邊邏輯調(diào)節(jié)和信息注人等功能。智能感知工具從學(xué)生和場景數(shù)據(jù)庫中調(diào)取學(xué)生信息、課程安排、工作任務(wù)和能力發(fā)展目標等數(shù)據(jù)，并判斷學(xué)生回復(fù)的相關(guān)性。智能體調(diào)節(jié)工具基于模板生成提示語并創(chuàng)建智能體，或通過繼承會話上下文實現(xiàn)智能體無縫更替。邊邏輯調(diào)節(jié)工具利用預(yù)設(shè)的邊邏輯調(diào)整子圖并發(fā)關(guān)系及其內(nèi)部業(yè)務(wù)流，動態(tài)適應(yīng)任務(wù)需求。信息注人工具將各子系統(tǒng)生成的教學(xué)輔助信息傳遞給智能教師，其途徑有兩種：一是將全局性信息以系統(tǒng)記憶的形式傳遞給智能體；二是在等待學(xué)生回復(fù)的窗口期，以問答形式將信息插入到智能教師的消息列表中。

2.智能教師

智能教師采用ERNIE-4.0-Turbo-8K大模型。管理中樞從功能性、過程性和整體設(shè)計三個能力要求維度出發(fā)，根據(jù)教師設(shè)定的能力發(fā)展目標確定支架生成策略（見表1），并結(jié)合工作任務(wù)信息構(gòu)成提示語，驅(qū)動智能教師主動開始支架式教學(xué)。能力發(fā)展目標的設(shè)定須同時遵循能力級別的遞進順序和能力發(fā)展邏輯，如學(xué)生第一級別職業(yè)能力（功能性能力）處于“從初學(xué)者到高級初學(xué)者”階段，后兩個級別職業(yè)能力可不作要求。根據(jù)工作階段的不同，智能教師有“計劃\"和“反思\"兩種啟動模式：計劃模式下，根據(jù)工作任務(wù)要求生成支架，并以工作過程為線索引導(dǎo)學(xué)生逐步剖析任務(wù)；反思模式下，圍繞學(xué)生的行動過程和結(jié)果生成相悖的假設(shè)性問題，以此誘發(fā)認知沖突，促使學(xué)生反思行動過程。以“電子電路與CAD制版”課程中目標確定的程序化工作任務(wù)為例，對話效果如圖2所示。

3.工作分析

工作分析多智能體系統(tǒng)采用ERNIE-3.5-8K大模型，由主控節(jié)點及知識檢索、空間解析和決策解析三個下游節(jié)點組成，旨在利用垂直領(lǐng)域知識對工作任務(wù)或?qū)W生工作決策作出專業(yè)分析。由于工作分析不是簡單的問答任務(wù)，需要從多角度進行多步驟的復(fù)雜推理，本研究提出了交替檢索增強生成（InterleavingRAG，IRAG）方法（如圖3所示）。首先，主控節(jié)點從目標應(yīng)對模式視角分析工作任務(wù)或會話上下文，拆解出若干關(guān)鍵問題，并交由知識檢索節(jié)點查找對應(yīng)領(lǐng)域知識。其次，主控節(jié)點根據(jù)領(lǐng)域知識總結(jié)答案，并基于所有檢索歷史進行追問，直至達到最大迭代輪數(shù)或主控節(jié)點后主動停止。最后，調(diào)用空間解析或決策解析節(jié)點，基于IRAG檢索結(jié)果對工作任務(wù)的行動空間或?qū)W生工作決策進行分析?？臻g解析節(jié)點以實例的方式說明目標應(yīng)對模式下處理工作任務(wù)的要點與策略，決策解析節(jié)點則運用概念性知識解釋目標應(yīng)對模式下學(xué)生決策的不足之處，分析結(jié)果將作為能力診斷和智能教師教學(xué)決策的重要提示。

4.能力診斷

能力診斷多智能體系統(tǒng)采用ERNIE-3.5-8K大模型，由主控節(jié)點及三個分別用于診斷功能性、過程性和整體設(shè)計能力的下游節(jié)點組成，旨在根據(jù)當前會話語境判斷學(xué)生以目標應(yīng)對模式處理任務(wù)的能力，從而診斷其是否達到預(yù)設(shè)的發(fā)展目標。該系統(tǒng)基于少樣本思維鏈（Few-shot-CoT）技術(shù)實現(xiàn)（如圖4所示）。主控節(jié)點將會話上下文、工作任務(wù)、能力發(fā)展目標，以及工作分析系統(tǒng)的解析結(jié)果等信息傳輸給對應(yīng)的下游節(jié)點。下游節(jié)點基于少樣本提示，利用CoT模擬人類評價過程，對照目標行動空間中的實例描述和決策分析結(jié)果，找到充分的循證證據(jù)，通過智能體內(nèi)部推理得出結(jié)論。

（三）應(yīng)用模式

工學(xué)結(jié)合作為職業(yè)教育類型特征的集中體現(xiàn)，是職業(yè)教育教學(xué)必須堅守的根本原則。在工學(xué)結(jié)合的學(xué)習(xí)中，“學(xué)習(xí)的內(nèi)容是工作，通過工作實現(xiàn)學(xué)習(xí)”，以工作任務(wù)而非學(xué)科系統(tǒng)化知識為線索開展行動導(dǎo)向的學(xué)習(xí)成為必然的選擇。為實現(xiàn)基于大模型的職業(yè)教育會話機器人的有效應(yīng)用，本研究基于設(shè)計導(dǎo)向和行動導(dǎo)向思想，將人機會話融人工作行動，旨在利用會話機器人引導(dǎo)學(xué)生開展主動和全面的工作及學(xué)習(xí)活動，達到腦力和體力勞動的統(tǒng)一，由此構(gòu)建了工學(xué)結(jié)合一體化人機協(xié)同教學(xué)模式（如圖5所示）。

工作前階段對應(yīng)工作中的明確任務(wù)和計劃步驟。教師作為教學(xué)活動的設(shè)計和引導(dǎo)者，一是要確定能力發(fā)展目標、設(shè)計相應(yīng)的工作及學(xué)習(xí)任務(wù)，并將相關(guān)信息錄入場景數(shù)據(jù)庫，引導(dǎo)會話機器人按照預(yù)設(shè)時間節(jié)點發(fā)起適合情境的會話。二是要引導(dǎo)學(xué)生以明確任務(wù)和計劃為目標開展人機會話。會話機器人在計劃模式下開展支架式教學(xué)，引導(dǎo)學(xué)生從目標應(yīng)對模式的視角分析任務(wù)，據(jù)此一步步地規(guī)劃行動。根據(jù)任務(wù)分工方式的不同，可以開展面向團隊或個體的會話，可以小組討論與人機會話同時進行，也可以基于個人分工開展一對一的會話。

工作中階段對應(yīng)工作中的決策和實施步驟。為學(xué)習(xí)工作過程知識，學(xué)生需要以意向孤的形式建立過去經(jīng)驗與工作情境間的反饋回路，最大程度地控制身體對情境作出回應(yīng)。教師和會話機器人需賦予學(xué)生充分的獨立決策權(quán)，使他們自我負責地推進工作。教師作為課堂的組織者，僅在必要時進行調(diào)控，保證學(xué)生具有足夠的主動性，并確保其工作有正常推進的可能。同時，教師還需萃取學(xué)生行動中存在的問題，并錄人場景數(shù)據(jù)庫，以支持會話機器人下一階段的精準教學(xué)。

工作后階段對應(yīng)工作中的檢查和評價步驟。首先，教師組織學(xué)生與反思模式下的會話機器人交互。會話機器人結(jié)合教師提取的問題，引導(dǎo)學(xué)生對工作過程進行回顧并提出質(zhì)疑，幫助學(xué)生從目標應(yīng)對模式的視角反思工作過程。其次，教師組織學(xué)生對行動結(jié)果進行迭代控制。最后，教師綜合學(xué)生整體工作與學(xué)習(xí)情況，給出總結(jié)性反饋。

三、實驗與結(jié)果

（一）實驗設(shè)計

1.研究對象

本研究以廣東省A職業(yè)技術(shù)學(xué)院2022級電子信息工程技術(shù)專業(yè)學(xué)習(xí)“電子電路與CAD制版\"課程的兩個班級為研究對象。隨機選取1班共53名學(xué)生作為實驗組，2班共57名學(xué)生作為對照組。兩組學(xué)生在入學(xué)成績上沒有顯著差異，課程安排與進度均完全相同。實驗組利用基于大模型的職業(yè)教育會話機器人開展工學(xué)結(jié)合一體化人機協(xié)同教學(xué)，對照組則采用傳統(tǒng)的“理論為實踐服務(wù)\"式教學(xué)。

2.測量工具

本研究使用的測量工具包括COMET職業(yè)能力測評試題和技術(shù)滿意度調(diào)查問卷。COMET職業(yè)能力測評采用筆試形式，包含一道綜合性情境測試任務(wù)，評價學(xué)生的功能性、過程性和整體設(shè)計能力[13]。測試時長50分鐘，測試結(jié)果由兩位專業(yè)教師進行評判。采用線性加權(quán)Kappa檢驗評分者信度，結(jié)果為0.92，表明一致性很強。技術(shù)滿意度調(diào)查問卷改編自Papakostas等開發(fā)的計算機編程教育會話機器人滿意度調(diào)查問卷2。問卷從使用滿意度、專業(yè)化推理和個性化教學(xué)三個維度調(diào)查學(xué)生對基于大模型的職業(yè)教育會話機器人的滿意度，采用李克特五點計分法，共9個題目，各維度克隆巴赫 α 系數(shù)分別為0.949、0.817、0.914，整體 α 系數(shù)為0.951。

3.研究過程

準實驗研究時間為2024年11月15日至12月13日。兩個班級由同一名教師執(zhí)教，課程內(nèi)容與工作任務(wù)均相同，授課頻次為每周2次，每次2課時，共計16課時。教學(xué)結(jié)束后，組織所有學(xué)生開展COMET職業(yè)能力測評和基于會話機器人的能力測試，并對實驗組學(xué)生進行技術(shù)滿意度調(diào)查?；跁挋C器人的能力測試規(guī)定時長30分鐘，包含3輪工作任務(wù)逐級復(fù)雜、支架策略逐級遞增的會話，三個能力維度中任意一項達到目標發(fā)展階段即可進入下一輪會話。

（二）實驗結(jié)果

1.應(yīng)用效果

COMET職業(yè)能力測評實驗組回收答卷52份，對照組回收答卷53份，采用獨立樣本 t 檢驗比較兩組學(xué)生職業(yè)能力差異，結(jié)果見表2?？梢园l(fā)現(xiàn)，實驗組的功能性能力！ （t=2.231，p=0.028lt;0.05 ）和過程性能力（ t=2.156 ， p=0.034lt;0.05 ）顯著優(yōu)于對照組，但兩組學(xué)生整體設(shè)計能力（ t=1.428 p=0.157gt;0.05 ）無顯著差異。

實驗組技術(shù)滿意度調(diào)查共發(fā)放問卷53份，回收有效問卷49份。使用滿意度、專業(yè)化推理和個性化教學(xué)三個維度的平均值分別為4.14、4.13、4.12，說明實驗組學(xué)生對基于大模型的職業(yè)教育會話機器人較為滿意。

注： 。

2.能力診斷效果

在基于會話機器人的能力測試中，共64人完整完成測試任務(wù)，測試結(jié)果按照能力發(fā)展階段進行量化：若學(xué)生某一能力維度未通過第一輪測試則計為0，通過第一輪測試但未通過第二輪測試則計為1，以此類推。接著，以COMET職業(yè)能力測評作為校標，采用Spearman相關(guān)系數(shù)評估二者的校標關(guān)聯(lián)效度，結(jié)果見表3?？梢园l(fā)現(xiàn)，在三個能力維度上，兩種測評方法的結(jié)果間均存在中等程度的正相關(guān)關(guān)系，且具有顯著性（ _plt;0.01 。對于人機會話教學(xué)而言，會話機器人的能力診斷效果可以接受。

四、結(jié)論與啟示

（一）研究結(jié)論

第一，基于大模型的職業(yè)教育會話機器人及其應(yīng)用模式能夠有效提升學(xué)生的功能性和過程性能力，且顯著優(yōu)于傳統(tǒng)模式。區(qū)別于沿用普通教育設(shè)計理念和技術(shù)范式的既有研究，本研究不關(guān)注課程知識的掌握，也不關(guān)注推理能力、決策能力等孤立的能力要素，而是關(guān)注整合能力觀下的職業(yè)（行動）能力培養(yǎng)與診斷，即職業(yè)行動是各方面能力有機結(jié)合與動態(tài)協(xié)同的結(jié)果?；诖竽Ｐ偷穆殬I(yè)教育會話機器人能夠在教師的協(xié)同增智下開展符合能力發(fā)展規(guī)律的會話教學(xué)，其對話過程通過工學(xué)結(jié)合一體化人機協(xié)同教學(xué)模式融入工作與學(xué)習(xí)中，能夠有效支持學(xué)生職業(yè)能力發(fā)展。同時，能力導(dǎo)向的分層會話也為科學(xué)有效的能力診斷提供了語境支持，其診斷結(jié)果反映“職業(yè)的效度”，而非“課程的效度”。但相較于傳統(tǒng)模式，學(xué)生的整體設(shè)計能力沒有顯著提高?？赡艿脑蛴袃蓚€：一是實驗時間較短，絕大部分學(xué)生仍停留于功能性或過程性能力發(fā)展過程中；二是缺少企業(yè)實踐，課堂教學(xué)難以提供與企業(yè)中工作邏輯完整化程度相當?shù)娜蝿?wù)以支撐整體設(shè)計能力的發(fā)展。

第二，本研究設(shè)計的基于大模型的職業(yè)教育會話機器人系統(tǒng)架構(gòu)，能夠在控制響應(yīng)延遲和API調(diào)用成本的同時，改善大模型推理能力和領(lǐng)域知識不足問題。首先，串并行混合的多智能體結(jié)構(gòu)將復(fù)雜任務(wù)分解為多個同步推理的分支，提高運行效率。其次，相較于傳統(tǒng)檢索策略，交替檢索能夠深入挖掘任務(wù)所需專業(yè)知識，增強工作分析和能力診斷效果。然而，有 22% 的學(xué)生表示，會話機器人有時無法做出恰當、有針對性的即時響應(yīng)?？赡苡袃蓚€方面的原因：一是并行結(jié)構(gòu)造成教學(xué)輔助信息延遲注入；二是RAG通過文本語義特征相似度檢索獲得的既定陳述難以應(yīng)對開放性工作任務(wù)中上下文敏感的問題。

（二）研究啟示

第一，要以完整行動過程為線索開展工學(xué)結(jié)合的人機會話，使職業(yè)教育會話教學(xué)從知識/技能導(dǎo)向轉(zhuǎn)向能力導(dǎo)向。職業(yè)能力作為人們成功完成工作所必備的本領(lǐng)，其發(fā)展離不開基于工作的意識體驗。現(xiàn)象學(xué)理論認為，意識體驗是個體以身心與環(huán)境一體的方式，在時間的流變中整體感知和構(gòu)建對象的過程。職業(yè)教育會話教學(xué)既不能脫離實踐情境，也不能只針對靜止的工作瞬間講授固定的知識和技能，而是要關(guān)注完整行動過程中的顯隱特征。未來，可以將職業(yè)教育會話機器人嵌入生產(chǎn)設(shè)備中，應(yīng)用多模態(tài)大模型技術(shù)深度感知現(xiàn)實工作情境，生成更加契合情境的工作與教學(xué)策略。

第二，要充分利用大模型的生成機制，提升職業(yè)教育會話機器人能力導(dǎo)向的個性化教學(xué)能力。受“框架問題\"22的限制，傳統(tǒng)教育會話機器人離不開先驗的知識導(dǎo)學(xué)規(guī)則。但明確的相關(guān)性規(guī)則不是能力發(fā)生的充要條件，面對開放場景，人腦可以從任何來源獲取信息，潛在的相關(guān)命題是無限的。大模型憑借其生成機制，能夠在開放命題中考慮多元相關(guān)因素。未來，一是要利用后訓(xùn)練技術(shù)，使大模型能夠根據(jù)能力發(fā)展規(guī)律分層生成會話內(nèi)容，更好地適應(yīng)能力導(dǎo)向的會話教學(xué)任務(wù)。二是要優(yōu)化大模型的知識攝取機制，如利用超關(guān)系知識圖譜3挖掘知識間的隱含關(guān)聯(lián)，突破傳統(tǒng)知識庫和知識圖譜關(guān)系簡單、形式固化的知識呈現(xiàn)模式，為大模型提供基于上下文感知的精準知識支持。

[參考文獻]

[1]吳慶華，郭麗君.生成式人工智能時代高職院校的教學(xué)變革：挑戰(zhàn)、框架與路徑[J].大學(xué)教育科學(xué)，2023（6）：112-120.

[2] MASCITTII，F(xiàn)EURIM，UNGHIF，etal.COACHBOTmodularecoursewithvirtualcoachtlsupport[CProcedingsofthe 2ndInternationalConferenceonAgentsandArtificial Intellgene.Setubal：NSCC-INSTSYSTTechnologiesInformationCotrolamp; Communication，2010：115-120.

[3] CASILLOM，COLACEF，F(xiàn)ABBRIL，etal.Chatbot inindustry4.0：anappoach fortraining newemploys[C/Proceedingsof IEEEInternational Conference on Teaching，Assessment，and Leaming forEngineering.NewYork：IEEE，2O2O：371-376.

[4]MAKHLOUFE，ALENEZIA，SHOKREA.Efectivenessofdesigniga knowledge-basedartifialintellgncechatbot systintoa nursing training program：a quasi-experimental design[J]. Nurse education today，2O24（137）：106159.

[5]王佑鎂，王海潔，王旦，等.ChatGPT賦能職業(yè)教育數(shù)字化轉(zhuǎn)型的多重角色與實踐路徑[J].電化教育研究，2024，45（1）：76-83.

[6] CHANG CY，KUOSY，HWANGGH.Chatbot-facliatednursingducation：icorporatingaknowedge-basedchatbotstto a nursing training program[J]. Educational technology amp; society，2022，25（1）：15-27.

[7]趙志群.職業(yè)教育工學(xué)結(jié)合一體化課程開發(fā)指南[M].北京;清華大學(xué)出版社，2009：1，5-9，94-95.

[8]翟雪松，季爽，焦麗珍，等.基于多智能體的人機協(xié)同解決復(fù)雜學(xué)習(xí)問題實證研究[J].開放教育研究，2024，30（3）：63-73.

[9]TRIVEDIH，BALASUBRAMANIANN，KHOTT，etal.Interleavingrtrieval withchain-of-thoughtreasoning forknowledgeintensivemulti-stepquestions[C/Proceedingsofthe61stAnnualMeetingoftheAsociationforComputationalLinguistics. Stroudsburg：ASSOC COMPUTATIONAL LINGUISTICS-ACL，2023：10014-10037.

[10] RAUNERF，HEINEMANNL，MAURER A，etal.Competence development andasessment in TVET[M].Dordrecht：Springer， 2012：2-3.

[1]GILLS.Cognition，communicationandinteractionransdisciplinaryerspectivesoninteractivetechologyM].London：Sringe， 2008 ：277.

[12]趙志群，王煒波.德國職業(yè)教育設(shè)計導(dǎo)向的教育思想研究[J].中國職業(yè)技術(shù)教育，2006（32）：62-64.

[13] RAUNERF.Handbook of fundamentals of modern vocational education[M]. Singapore： Springer，2O24：143，7-737.

[14]趙志群.關(guān)于行動導(dǎo)向的教學(xué)[J].職教論壇，2008（20）：1.

[15]DREYFUSHL.Overcomingthemythofthemental：howpilosopherscaprofitfromthephenomenologyofeverydayexperise[J] Proceedings and addresses of the american philosophical association， 20o5，79（2）：47-65.

[16]閆寒冰.信息化教學(xué)的學(xué)習(xí)支架研究[J].中國電化教育，2003（11）：18-21.

[17]CAGIK.Scafingstrategiesineetronicperfomancesupportsyst：typsadchallngesJ]Iovatiosincation and teaching international， 2006，43（1） ：93-103.

[18]Langchain-AI. LangGraph[EB/OL].（2024-06-20）[2024-10-15]. htps：//angchain-ai.github.io/langgraph.

[19]WUQ，BANSAL G，ZHANGJ，etal.AutoGen：enabling next-gen lmapplicationsvia multi-agentconversation[EB/L].（2023- 10-03）[2024-10-15]. htps：//arxiv.org/abs/2308.08155.

[20]ERICSSONKA，KRAMERT，LEHMANAC，etal.Theroleofdeliberatepracticein teacqusitionofexpertpeforce[] Psychological review，1993，100（3）：363-406.

[21] PAPAKOSTASC，TROUSSASC，KROUSKA A，etal.Arule-basedchatbotoferingpersonalizedguidance incomputer programming education[C]//Generative Intelligence and Intellgent Tutoring Systems.Cham：Springer，2O24：253-264.

[22] FODOR JA. The modularity of mind[M]. Cambridge：MIT Press，1983：114.

[23] PANDA P，AGARWAL A，DEVAGUPTAPU C，et al.HOLMES：hyper-relational knowledge graphs for multi-hopquestion answering using LLMs[EB/OL]. （2024-06-10）[2024-12-20]. htps：/arxiv.0rg/abs/2406.06027.

Construction and Application of Vocational Education Chatbot with Large Language Models

YU Yuefan1， ZHAO Zhiqun1， HUANG Fanghui2 （1.Faculty of Education， Beijing Normal University， Beijing 100875; 2.Department of Political Work， China Fire and Rescue Institute，Beijing 102202）

[Abstract] Despite the rapid development of generative large language models（LLMs）， the construction of LLM-based vocational education chatbots still confronts some challnges，including the difculty of traditional designs to support the development of professional competence，the limitations of thereasoning ability and domain knowledge of LLMs to teaching decision-making，and inadequate scientificity of professional competence assessment methods.To address these challenges，based on the theoretical foundation of the \"design -oriented\" vocational education ideology，the \"action -oriented\" vocational teaching principles，the \"from novice to expert\" competence development logic，and scaffolding teaching，the study constructs an LLM-based vocational education chatbot and its application model by comprehensively utilizing multi-agent systems， chain -of-thought prompting，and retrieval -augmented generation technologies.A quasi-experimental study in a course titled \"Electronic Circuits and CAD Plate Making\" is conductedin higher vocational education.The results demonstrate that the LLM-based vocational education chatbot and its application model can significantly improve students'level 1 and level 2 professional competence.Furthermore，the chatbot can improve LLM reasoning capabilities and domain knowledge deficiencies while controlling response delay and API call cost，therefore achieve effctive competence assessment. This study further discusses optimizing strategies of the LLM-based vocational education chatbot.

[Keywords] Large Language Models;； Multi -agent; Chatbot; Professional Competence； ScaffoldingInstruction