Kursbedömningsmodell i yrkesutbildning baserad på BPNN optimerad med genetisk algoritm

Varför nya sätt att mäta färdigheter spelar roll

När fler unga i Kina och runt om i världen väljer yrkeshögskolor står skolorna under press att bedöma studenter rättvist och snabbt. Traditionella kursbedömningar förlitar sig ofta på lärarens intryck eller enkla medelvärden av provresultat, vilket kan vara subjektivt, långsamt att uppdatera och svårt att skala upp till tusentals inlärare. Denna studie undersöker hur en specialanpassad form av artificiell intelligens kan förvandla röriga register från många källor till klara, pålitliga bilder av studentprestationer, vilket hjälper skolor att stödja studerande och förbättra undervisningskvaliteten.

Utmaningen att bedöma verkligt lärande

Yrkesutbildning fokuserar på praktiska färdigheter: att svetsa en fog, koppla en krets eller driva en affärssimulering. Att bedöma sådant lärande är svårare än att betygsätta ett enskilt prov. Högskolor samlar många informationsbitar—närvaro, laborationsarbete, läraromdömen med mera—som ofta lagras i olika format. Mänskliga bedömare kan väga dessa faktorer olika, vilket leder till inkonsekventa resultat. Samtidigt kräver vissa moderna AI-modeller stora datamängder och datorkraft, något många skolor saknar. Författarna satte därför upp att designa ett lättare, mer transparent system som kan hantera mångsidiga data samtidigt som bedömningarna hålls så objektiva som möjligt.

En smart motor anpassad för yrkesdata

Kärnan i studien är en kursbedömningsmodell byggd på ett bakåtspridnings-neuronätverk (backpropagation), en klassisk AI-teknik som lär sig mönster genom att upprepade gånger jämföra sina förutsägelser med faktiska utfall. För att få detta nätverk att fungera väl på utbildningsdata rengör och skalas först alla indata så att olika indikatorer—såsom provpoäng eller närvaroprocent—kan jämföras på samma villkor. Därefter använder forskarna en så kallad "entropimetod" för att beräkna hur informativ varje indikator är, och ger större vikt åt faktorer som varierar meningsfullt mellan studenter och mindre åt de som förändras lite. Detta minskar inflytandet av gissningar om vilka indikatorer som är viktigast.

Lånar från evolutionen för att förbättra lärandet

Ovanpå detta kärnnätverk lägger teamet en genetisk algoritm, inspirerad av naturligt urval. Möjliga inställningar för nätverkets interna kopplingar behandlas som individer i en population. Genom upprepade rundor av selektion och rekombination söker algoritmen brett efter lovande kombinationer av vikter och trösklar, vilket hjälper systemet att undvika att fastna i dåliga lösningar. När en bra region hittats tar en andra metod, känd som Levenberg–Marquardt, över för att finjustera parametrarna snabbt och precist. Denna tvåstegsprocess balanserar bred utforskning med snabb, lokal justering, vilket gör att modellen kan lära sig noggrant från relativt måttliga datamängder.

Hur väl fungerar modellen i klassrummet?

För att testa sitt angreppssätt byggde författarna två verkliga dataset från kinesiska yrkesinstitutioner, innehållande tusentals kursregister från flera program och skolor, samt ytterligare offentliga studentdatasatser. De jämförde sin hybridmodell med flera alternativ, inklusive traditionella neuronätverk, rekurrenta nätverk och andra optimeringsscheman. Över mått såsom förutsägelsefel, stabilitet över upprepade försök och överensstämmelse mellan förutsagda och faktiska kursbetyg, kom den nya modellen konsekvent bättre ut. Den reducerade typiska förutsägelsefel till ensiffriga procentsatser, uppnådde mycket hög överensstämmelse med verkliga bedömningsresultat och bibehöll stark prestanda när den tränades och testades på olika studentgrupper.

Vad detta betyder för studenter och skolor

Enkelt uttryckt visar studien att ett noggrant utformat AI-system kan omvandla komplexa, mångfacetterade register över yrkeslärande till trovärdiga kursutvärderingar som är mindre partiska och mer konsekventa än många nuvarande metoder. Genom att automatiskt balansera kunskapstester, praktisk övning och bredare egenskaper som samarbetsförmåga speglar modellen målen för modern yrkesutbildning samtidigt som arbetsbördan för lärare och administratörer minskar. Även om ytterligare arbete behövs för att ta itu med frågor som rättvisa mellan olika studentgrupper och anpassning till andra länders system, pekar denna ram mot smartare, mer transparenta sätt att känna igen praktiska färdigheter och stödja studerande på karriärinriktade vägar.

Citering: Luo, W., Zang, L., Liang, W. et al. Course assessment model in vocational education based on BPNN optimized by genetic algorithm. Sci Rep 16, 12686 (2026). https://doi.org/10.1038/s41598-026-43397-9

Nyckelord: yrkesutbildning, kursbedömning, neuronätverk, genetiska algoritmer, educational data mining