发布日期:
流动现代性视域下数据驱动的建筑学专业人才分类培养模式
文章字数：2856
摘要：随着近年来的经济发展模式变化和建筑行业转型升级，过去统一、固化的建筑学专业人才培养模式面临挑战。首先引入流动现代性理论，提出适应行业需求发展的建筑学专业人才分类培养模式。进而阐述数据驱动的建筑学专业人才分类培养模式执行过程，包括构建人才需求画像、学生职业倾向分类与预测、分类培养模式的实施等步骤。最后，讨论该模式在提升建筑教育管理的科学性和效率等方面的意义。
关键词：流动现代性；数据驱动；人才需求画像；职业倾向预测；分类培养
近年来建筑行业面临诸多挑战和调整，曾经的高速增长期已逐渐过去，行业内部正逐步进行转型升级，探索高质量发展路径，这对高素质建筑人才的培养提出了新要求。我国过去的建筑学专业人才模式以培养实践型的职业建筑师为主要目标，通过专业评估等教学指导活动，完善并规范了各校建筑学专业的培养方案和教学内容，在保证建筑教育基本培养质量的同时，其不足也逐渐显露。同质化的人才培养方案难以满足学生的多样化需求和个性化发展，无法挖掘和培养学生的个性和特长，也较难适应经济和社会发展的职业需求变化。探索和实践新型人才培养理念和方法，高校建筑类专业不仅能够提高自身的办学水平，也可为其他学科的改革和发展提供宝贵经验和示范效应。
一、流动现代性视域下的高等教育范式转移
流动现代性理论[1]由齐格蒙特·鲍曼（Zyg-munt Bauman）提出，强调现代社会的流动性、不确定性和变化性，该理论为理解未来的职业特征和高等教育提供了重要视角[2]。现代社会中的社会关系、经济活动、职业发展等都表现出高度的流动性，跨行业、跨领域的职业变动将成为常态，综合能力和跨领域的知识变得尤为重要。
在传统教育理念中，高等教育需要承担“引领”学生走向某一特定职业轨道的职责，学校依据固定的知识体系和职业规范为学生提供路径指引，这种模式体现了教育的“确定性”和对未来职业的“规划性”。然而，在流动现代性的背景下，社会的发展与职业市场的变化充满了不确定性，人才的职业路径不再线性，且日趋多样化。高等教育的功能不再是引领学生走向某一明确的职业轨道，而应转向更加灵活、开放的“启发”角色，更加关注学生在快速变化社会中的适应性、创新性和独立思考能力的培养，帮助他们在流动的社会中找到属于自己的位置。
二、数据驱动的建筑学专业人才分类培养模式的构建与实施
定制化、个性化的高等教育是应对快速变化社会的有效举措。通过对学生的兴趣、能力、潜力进行评估，帮助学生识别自身优势与潜力，为学生提供个性化的教育和职业发展路径建议，有助于提高其职业选择与发展的适应性、灵活性。
（一）构建人才需求画像
调研建筑行业内不同职业的具体需求，与行业专家、企业以及校友进行深度交流，确定建筑行业的主要职业类型，形成详细、准确且有前瞻性的人才需求画像，是分类培养模式的基础。人才需求画像不仅要包括对专业知识和技能的要求，还应涵盖对人才的软技能、工作习惯和职业发展潜力的期望。
首先收集就业需求数据、从业人员教育背景数据、技能需求数据和行业发展趋势等数据，使用自然语言处理技术处理相关资料，从中提取关键技能、职位要求和行业趋势。随后应用聚类算法将职位和技能进行分类，识别出建筑行业中的主要职业类型和对应的技能集群。进而量化挖掘职位要求与技能之间的关联性，识别常见的技能组合和需求模式；以及使用情景分析和模拟方法，评估不同政策和市场变化对职业需求的影响。最后建立回归或分类模型预测未来的职位需求和技能要求，利用数据可视化工具展示建筑行业不同职业类型的人才需求画像，利用技能需求图谱展示不同职业类型对应的核心技能和相关技能。
（二）学生职业倾向分类与预测
全面收集学生的个人数据，识别学生的特点和潜力，预判适合的职业类型。这些数据包括：①学业表现记录：包括各科成绩、所选修的课程及其成绩。②项目和作品集：学生课外参与的实践项目、研究报告等，以此了解学生的学习和实习经历，及其在这些经历中的表现。③兴趣爱好、职业目标、软技能和性格测试：通过性格测试和软技能评估，了解学生的沟通能力、团队合作能力等。
对收集的学生数据进行清洗等预处理后，首先进行特征提取和降维，利用PCA、t-SNE等技术从多维数据中提取关键特征，减少维度以便于分类。随后应用聚类算法对学生进行分类，将他们分配到不同的职业类型类别中。最后建立分类模型，构建和训练分类模型，根据学生的特征数据预测其适合的职业类型。
基于上述分析，运用推荐模型为学生提供个性化的学习建议和职业规划建议。具体的推荐模型包括：①基于内容的推荐：根据学生的个人资料和偏好，以及职业的特征和要求，计算学生与职业之间的匹配度，推荐与学生兴趣相符的职业。②协同过滤推荐：分析学生与职业之间的交互行为和相似性，找到具有相似职业偏好的学生群体，向学生推荐该群体中其他学生喜欢的职业。③基于矩阵分解的推荐：通过将学生与职业之间的交互行为构建成学生-职业交互矩阵，并对矩阵进行分解，学习学生和职业的潜在特征向量，从而预测学生对未知职业的偏好程度，进而进行推荐。④深度学习推荐：深度学习技术在推荐系统领域取得了较好的效果，利用深度学习模型，如神经网络等，对学生和职业的特征进行学习和表示，从而实现更准确和个性化的职业推荐。
（三）分类培养模式的实施
根据职业分类结果，设计并实施针对性的教育方案。不同职业倾向的学生将接受差异化的课程设置、实践项目和职业指导，以充分挖掘其潜力，培养其适应特定职业需求的能力。具体内容包括：
①根据每个学生的职业倾向预判，部署人才出口类型，制定个性化的学习路径和课程计划，包括选修课程和实习安排等。开发个性化教学管理平台，根据学生的学习进度和反馈，动态调整其教学模块和内容。
②为不同职业倾向的学生配备专业导师和行业导师，提供有针对性地指导和支持。开发智能在线辅导平台，结合人工智能分析和实时反馈等功能，提升辅导效果。
③创设项目和实践机会。与建筑行业相关的企业、机构和专业人士合作，根据学生职业倾向差异，安排相应实践项目和实习机会，帮助他们了解行业动态和职业发展需求，增强学生的实际操作能力和行业经验。
三、结语
未来社会的高度流动性、不确定性和变化性对传统教育模式提出了严峻挑战。传统的固化专业划分已难以满足时代对人才的多样化需求。在此背景下，建筑学人才分类培养模式应运而生，其核心是以学生职业倾向类型的预测为基础，设计并实施个性化、动态性的教育路径。这种模式充分发挥现代教育技术和智能管理的优势，打破传统建筑教育的局限，提高建筑教育过程的科学性和精细化水平。借由该模式，学生可以根据自身的兴趣和能力发展出独特的职业道路，避免因人才培养方案固化而带来的职业瓶颈，有望培养出更多高素质、创新性和实践能力强的建筑学人才，为社会发展和行业进步做出更大贡献。
参考文献：
[1]齐格蒙特·鲍曼.流动的现代性[M].欧阳景根,译.北京:中国人民大学出版社，2017.
[2]Oxenham, Marvin. Higher educationin liquid modernity[M]. New York: Rout-ledge, 2013.
基金项目：中国建设教育协会教育教学科研课题“基于学业表现追踪与数据挖掘的行业特色地方高校建筑学专业人才培养模式优化研究”（2021149）。
作者单位：苏州科技大学建筑与城市规划学院
关键词：流动现代性；数据驱动；人才需求画像；职业倾向预测；分类培养
近年来建筑行业面临诸多挑战和调整，曾经的高速增长期已逐渐过去，行业内部正逐步进行转型升级，探索高质量发展路径，这对高素质建筑人才的培养提出了新要求。我国过去的建筑学专业人才模式以培养实践型的职业建筑师为主要目标，通过专业评估等教学指导活动，完善并规范了各校建筑学专业的培养方案和教学内容，在保证建筑教育基本培养质量的同时，其不足也逐渐显露。同质化的人才培养方案难以满足学生的多样化需求和个性化发展，无法挖掘和培养学生的个性和特长，也较难适应经济和社会发展的职业需求变化。探索和实践新型人才培养理念和方法，高校建筑类专业不仅能够提高自身的办学水平，也可为其他学科的改革和发展提供宝贵经验和示范效应。
一、流动现代性视域下的高等教育范式转移
流动现代性理论[1]由齐格蒙特·鲍曼（Zyg-munt Bauman）提出，强调现代社会的流动性、不确定性和变化性，该理论为理解未来的职业特征和高等教育提供了重要视角[2]。现代社会中的社会关系、经济活动、职业发展等都表现出高度的流动性，跨行业、跨领域的职业变动将成为常态，综合能力和跨领域的知识变得尤为重要。
在传统教育理念中，高等教育需要承担“引领”学生走向某一特定职业轨道的职责，学校依据固定的知识体系和职业规范为学生提供路径指引，这种模式体现了教育的“确定性”和对未来职业的“规划性”。然而，在流动现代性的背景下，社会的发展与职业市场的变化充满了不确定性，人才的职业路径不再线性，且日趋多样化。高等教育的功能不再是引领学生走向某一明确的职业轨道，而应转向更加灵活、开放的“启发”角色，更加关注学生在快速变化社会中的适应性、创新性和独立思考能力的培养，帮助他们在流动的社会中找到属于自己的位置。
二、数据驱动的建筑学专业人才分类培养模式的构建与实施
定制化、个性化的高等教育是应对快速变化社会的有效举措。通过对学生的兴趣、能力、潜力进行评估，帮助学生识别自身优势与潜力，为学生提供个性化的教育和职业发展路径建议，有助于提高其职业选择与发展的适应性、灵活性。
（一）构建人才需求画像
调研建筑行业内不同职业的具体需求，与行业专家、企业以及校友进行深度交流，确定建筑行业的主要职业类型，形成详细、准确且有前瞻性的人才需求画像，是分类培养模式的基础。人才需求画像不仅要包括对专业知识和技能的要求，还应涵盖对人才的软技能、工作习惯和职业发展潜力的期望。
首先收集就业需求数据、从业人员教育背景数据、技能需求数据和行业发展趋势等数据，使用自然语言处理技术处理相关资料，从中提取关键技能、职位要求和行业趋势。随后应用聚类算法将职位和技能进行分类，识别出建筑行业中的主要职业类型和对应的技能集群。进而量化挖掘职位要求与技能之间的关联性，识别常见的技能组合和需求模式；以及使用情景分析和模拟方法，评估不同政策和市场变化对职业需求的影响。最后建立回归或分类模型预测未来的职位需求和技能要求，利用数据可视化工具展示建筑行业不同职业类型的人才需求画像，利用技能需求图谱展示不同职业类型对应的核心技能和相关技能。
（二）学生职业倾向分类与预测
全面收集学生的个人数据，识别学生的特点和潜力，预判适合的职业类型。这些数据包括：①学业表现记录：包括各科成绩、所选修的课程及其成绩。②项目和作品集：学生课外参与的实践项目、研究报告等，以此了解学生的学习和实习经历，及其在这些经历中的表现。③兴趣爱好、职业目标、软技能和性格测试：通过性格测试和软技能评估，了解学生的沟通能力、团队合作能力等。
对收集的学生数据进行清洗等预处理后，首先进行特征提取和降维，利用PCA、t-SNE等技术从多维数据中提取关键特征，减少维度以便于分类。随后应用聚类算法对学生进行分类，将他们分配到不同的职业类型类别中。最后建立分类模型，构建和训练分类模型，根据学生的特征数据预测其适合的职业类型。
基于上述分析，运用推荐模型为学生提供个性化的学习建议和职业规划建议。具体的推荐模型包括：①基于内容的推荐：根据学生的个人资料和偏好，以及职业的特征和要求，计算学生与职业之间的匹配度，推荐与学生兴趣相符的职业。②协同过滤推荐：分析学生与职业之间的交互行为和相似性，找到具有相似职业偏好的学生群体，向学生推荐该群体中其他学生喜欢的职业。③基于矩阵分解的推荐：通过将学生与职业之间的交互行为构建成学生-职业交互矩阵，并对矩阵进行分解，学习学生和职业的潜在特征向量，从而预测学生对未知职业的偏好程度，进而进行推荐。④深度学习推荐：深度学习技术在推荐系统领域取得了较好的效果，利用深度学习模型，如神经网络等，对学生和职业的特征进行学习和表示，从而实现更准确和个性化的职业推荐。
（三）分类培养模式的实施
根据职业分类结果，设计并实施针对性的教育方案。不同职业倾向的学生将接受差异化的课程设置、实践项目和职业指导，以充分挖掘其潜力，培养其适应特定职业需求的能力。具体内容包括：
①根据每个学生的职业倾向预判，部署人才出口类型，制定个性化的学习路径和课程计划，包括选修课程和实习安排等。开发个性化教学管理平台，根据学生的学习进度和反馈，动态调整其教学模块和内容。
②为不同职业倾向的学生配备专业导师和行业导师，提供有针对性地指导和支持。开发智能在线辅导平台，结合人工智能分析和实时反馈等功能，提升辅导效果。
③创设项目和实践机会。与建筑行业相关的企业、机构和专业人士合作，根据学生职业倾向差异，安排相应实践项目和实习机会，帮助他们了解行业动态和职业发展需求，增强学生的实际操作能力和行业经验。
三、结语
未来社会的高度流动性、不确定性和变化性对传统教育模式提出了严峻挑战。传统的固化专业划分已难以满足时代对人才的多样化需求。在此背景下，建筑学人才分类培养模式应运而生，其核心是以学生职业倾向类型的预测为基础，设计并实施个性化、动态性的教育路径。这种模式充分发挥现代教育技术和智能管理的优势，打破传统建筑教育的局限，提高建筑教育过程的科学性和精细化水平。借由该模式，学生可以根据自身的兴趣和能力发展出独特的职业道路，避免因人才培养方案固化而带来的职业瓶颈，有望培养出更多高素质、创新性和实践能力强的建筑学人才，为社会发展和行业进步做出更大贡献。
参考文献：
[1]齐格蒙特·鲍曼.流动的现代性[M].欧阳景根,译.北京:中国人民大学出版社，2017.
[2]Oxenham, Marvin. Higher educationin liquid modernity[M]. New York: Rout-ledge, 2013.
基金项目：中国建设教育协会教育教学科研课题“基于学业表现追踪与数据挖掘的行业特色地方高校建筑学专业人才培养模式优化研究”（2021149）。
作者单位：苏州科技大学建筑与城市规划学院