
本文篇幅較長,涉及較強的技術內容,主要面向教育工作者與研究人員。
目錄
-
為什麼需要師生匹配系統
-
設計原則
-
匹配流程
-
初配演算法
-
定配演算法
設計原則
有效性指每位學生能匹配到合適的導師。我們用兩個指標衡量學生與導師之間的匹配質量:一是導師能否快速與學生建立友誼,二是導師的輔導特點是否能滿足學生的成長需求。對於第一個指標,我們完全依賴師生雙方的主觀感受。人際關係在本質上是主觀的,因此從理論角度來看,我們在這裡採用現象學而非實證主義的評價方法 [Garvey & Stokes, 2022, p71] 對一個指標進行衡量。現象學將主觀經驗視為事物的本質,而實證主義則更強調驗證客觀的因果關係。
對於第二個指標——導師的特點是否能滿足學生的成長需求,我們依據面試階段獲取的資訊進行評估。我們會對每位社會導師候選人和學生進行多維度的面試評估。面試結束後,面試官會記錄導師的個性與輔導特點,以及學生的成長需求。這些資訊為師生匹配提供了關鍵依據。舉例來說,如果一位導師在"知識儲備"維度上表現出知識面廣泛且善於思考的特質,那麼他對思維能力較弱的學生將特別有幫助。
高效性指事半功倍。有效性和高效性是兩個相互矛盾的目標。例如,為了讓學生充分了解導師,最有效的方法是讓每一位學生依次與所有導師一對一交流。然而,這種方法過於耗時費力。相反,過分強調高效性又可能使過程變得機械和形式化,難以顧及學生的主觀感受和個體差異。在下文描述的設計中,我們充分考慮了有效性和高效性之間的平衡。
可擴充套件性是指隨著學生和導師數量的增加,匹配所耗時間應該線性增長,而非呈指數增長。如果不對系統進行最佳化,匹配耗時會隨著人數增長而急劇上升。例如,匹配10名學生和10名導師需考慮100對潛在匹配,而匹配30名學生和30名導師則需考慮900對潛在匹配。
為了降低總耗時,我們設計的系統允許多位匹配人員同時獨立工作,儘可能減少他們之間的協調需求。此外,我們透過軟體自動化提高了匹配效率和準確度,顯著降低了人力成本。
匹配流程
下圖展示了師生匹配系統的完整流程:

社會導師制師生匹配流程
步驟(1):首先,導師候選人必須透過面試,符合社會導師的標準,才能成為正式的社會導師。面試還有一個重要作用,就是從多個維度評估導師的個性特點,為他們"畫像"。這包括評估導師的性格是偏外向還是內向、更傾向於表達還是傾聽、更擅長與高年級或低年級學生交流、思維習慣和心態開放的程度等等。
步驟(2):學生面試的目的主要在於“畫像”而不在於選拔,儘管某些社會導師制的實踐也透過面試限制學生數量。學生的評估維度與導師面試類似但不同,比如它更側重於學生的未來發展潛力以及輔導需求。具體維度的設計與社會導師制的具體實現相關,實現的目的不同,維度設計也會有所差異。由於篇幅限制,此處不再詳細展開。
步驟(3):面試通過後,導師們上傳個人資料,包括生活照、簡歷、輔導特長和生活趣事等。除此之外,他們還要提供匹配偏好。例如,一些女性導師僅希望輔導女學生,來自農村的導師可能傾向於幫助相似背景的學生,具有中學教育經驗的導師則可能更希望輔導低年級的學生,等等。
步驟(4):學生瀏覽所有導師的基本資訊後,需填寫《學生意向》表。這份表格旨在收集學生對導師的初步印象和偏好。它包含以下幾個問題:
-
"最希望匹配的導師和希望匹配的原因"。要求學生闡述原因能促使他們進行理性分析,而不僅僅依賴直覺或導師照片帶來的第一印象。這些原因也為匹配過程提供了重要參考。例如,如果學生表示希望匹配的原因是導師與他來自同一個縣城,那麼他們更可能因為"老鄉見老鄉"的親近感而快速建立友誼。然而,如果原因僅僅是某位導師事業非常成功,這並不一定意味著匹配合適。 -
“其次希望匹配的導師和原因” -
“再次希望匹配的導師和原因” -
“第四位希望匹配的導師”。第四和第五位導師主要用作備選,因此提供原因的意義不大。 -
“第五位希望匹配的導師” -
“其他希望匹配的導師,可多選” -
“希望避免的導師,可多選”。匹配演算法將盡量避免匹配他們。
步驟(5):初配演算法是一套人機結合的半自動流程。它將步驟(1)到(4)收集的資料作為輸入,生成初始匹配名單。這個名單為每位學生配置最少M位、最多N位導師進行初步交流。M和N是可調節的引數。我們將在下一節詳細介紹這個演算法。
步驟(6):安排學生與匹配的導師進行一對一遠端影片溝通,每次時長30至45分鐘。這次溝通旨在幫助雙方建立初步印象,並讓學生思考每位導師對其未來發展的潛在影響。我們在發給學生的通知模板中詳細闡述了這一安排:
學生通知模板
【關於導師的稱謂】我們希望你與導師建立一種朋友般的關係,而非傳統的師生或長輩關係。因此,稱呼導師時可以隨意一些。可以直呼其名,或者用暱稱、“哥”、“姐”等親切的方式。
【關於與導師的對話內容】我們鼓勵你主動提出感興趣的問題,展開深入討論。以下是一些參考話題:
1. 建立關係:增進彼此瞭解,培養默契。你可以問:
* 請導師分享日常的工作生活、興趣愛好或特長。
* 詢問導師近期遇到的挑戰或困惑。
2. 長期陪伴:導師將是你人生的一部分,因此彼此性格的契合度很重要。你可以問:
* 請導師簡單總結一下自己的性格特點。
* 請導師分享兩項優點和一項弱點。
* 詢問導師在什麼情況下會生氣或變得嚴厲。
3. 共塑目標:導師能夠幫助你實現職業或人生目標。你可以問:
* 導師在哪些領域擅長輔導?
* 提出一個自己希望達成的目標,詢問導師如何幫助你實現。
4. 共同成長:導師可以陪伴你在人生旅途中一起成長。你可以問:
* 請導師分享一些自己成長的故事或重要的轉折時刻。
* 詢問導師是否有一些人生信條?如果有,是什麼?為什麼對他/她重要?
【關於導師對你的意義】我們希望導師能夠像蝴蝶的翅膀一樣,帶來積極的改變並對你的人生產生深遠的影響。因此,請思考導師的品質在長期陪伴過程中,以及在五年、十年之後,將如何對你產生深刻的意義和幫助。
步驟(7):在交流過後,學生用《導師反饋》表對每位交流過的導師打分。表格說明如下:"請綜合考慮各項因素,如交流感受、背景匹配程度、導師經歷對你人生的啟發等,給予1至5分的評分。1分表示最不希望匹配,5分表示最希望匹配。同時請提供簡要解釋。"
步驟(8):類似地,導師要填寫《學生反饋》表,但不需要給學生打分,只需回答兩個問題:
-
“你特別喜歡的學生,可多選。鼓勵提供主觀或客觀原因” -
“你希望避免的學生,可多選”
我們不要求導師為學生打分是因為學生選導師往往比導師選學生更挑剔。正如 [Garvey & Stokes, 2022, p73] 所說:“學生通常對與誰合作十分挑剔,並且在一開始就非常明確地指出他們的導師應該具備哪些成就,以及希望導師從事什麼樣的行業。相反,導師們則願意與來自任何背景的學生合作。“ 有意思的是,文中也指出:“在實際操作中,即使學生被匹配到的導師不符合他們的預期,他們仍發現這種關係對自己很有幫助。從這個角度來看,學生對自己的需求很清楚,但對預期條件的重要性有所誤判。”
步驟(9):定配演算法以步驟(7)和(8)收集的資料為輸入,生成最終匹配結果(10)。我們將在下文詳細介紹這個演算法。在最終結果中,每位學生只會匹配一位導師,而每位導師可能匹配多位學生。導師們會根據自身精力指定他們最多可以輔導的學生數量。定配演算法確保不會超出這個限制。
初配演算法使用步驟(1)至(4)收集的資訊,透過一系列人機結合的半自動化步驟,生成用於初次交流的師生匹配名單。在這個演算法中,自動化軟體首先為每位學生生成一份資料報表。下圖展示了"學生甲"的報表示例。其中,兩個紅色的欄位需由匹配人員手動填寫,而其他欄位則是自動匯入的資訊:

在表格下部,“學生偏好度”欄位是根據當前學生在《學生意向》表中的答案自動計算出來的:
導師在《學生意向》表的位置 | 對應的“學生偏好度”數值 |
---|---|
最希望匹配 | 5 |
其次希望匹配 | 4 |
再次希望匹配 | 3 |
更多希望匹配 | 2 |
希望避免 | -4 |
未出現在《學生意向》表 | 0 |
步驟 | 如果… | 則把匹配度… |
---|---|---|
1
|
不滿足導師的硬性偏好(比如只願輔導女性學生) | 設為 -5 |
2 | 不滿足導師軟性偏好(比如希望輔導農村學生) | 減 1 至 5 分 |
3 | 導師在以下領域有輔導特長:學生面試維度的低分項、”導師需注意“、”學生對未來導師的期待“ | 每個特長加 1 分 |
4 | 導師的某些維度符合學生的背景或個性(比如善於忘年之交的導師適合年齡差距大的學生) | 加 1 到 3 分 |
5 | 師生在某些方面相似(比如性格、愛好、職業、學術經歷、成長環境、生活背景等) | 每個相似點加 1 分 |
6 | 師生在其他某些方面互補 |
每個互補點加 1 分
最多 3 分
|
關於最後兩步,我們之所以把相似性和互補性均視為加分項,是因為我們認為二者都能促進師生關係的形成。正如 [Garvey & Stokes, 2022, p76] 所說:“確保兩方面的平衡至關重要:一方面,需要有足夠的差異性來創造價值;另一方面,也需要有足夠的相似性來建立融洽關係。“此外,互補性還能夠為學生提供新的視角。我們的實踐經驗表明,導師特有的個人經歷常常能引起學生的好奇,使他們更渴望瞭解這些經歷背後的故事。這無疑有助於增進師生關係並拓展學生的視野。
然而,相較於互補性,相似性更能促進社交關係的形成。因此,我們首先考察相似性,然後才考慮師生在其他方面是否互補。我們還將互補性的加分限制在三分以下。
我們設計如此細緻的流程,旨在儘可能減少主觀因素引起的誤差。然而,當待匹配的學生數量較多時,這個流程不僅耗時,還會給匹配人員帶來較大負擔。為解決這一問題,我們可以採用多人並行工作的方式,讓每位匹配人員負責一部分學生。由於匹配度計算相互獨立——即任何一對師生的匹配度計算不受其他配對的影響——匹配人員可以獨立完成任務,無需互相協調。這種方法最大限度地支援並行工作,從而顯著縮短計算時間。展望未來,我們希望應用人工智慧大語言模型(LLM)自動計算匹配度,徹底替代人工流程。
在匹配人員完成匹配度打分後,我們會執行一個自動求解程式。該程式把匹配度打分作為輸入資訊,自動生成一份用於師生初次交流的匹配名單。它為每位導師匹配 M 至 N 名學生,為每名學生匹配 P 至 Q 位導師。M、N、P、Q 都是根據學生和導師的精力預先設定的引數。這些引數不僅控制師生的交流數量,還會影響定配演算法(詳見下節)的工作量——引數值越大,工作量越大。在實踐中,我們通常把這些引數設定為 M = 2、N = 4、P = Q = 3。
自動求解程式採用業界標準的組合最佳化演算法——谷歌的 CP-SAT 求解器。該演算法能確保輸出的方案是最優的。我們已將這個程式的原始碼公開,感興趣的讀者可以訪問 https://github.com/yuanjian-org/ops/tree/main/matchmaker。
定配演算法
在學生和導師完成初次交流(步驟6)並各自填寫《學生反饋》和《導師反饋》表後,我們使用定配演算法確定最終的匹配名單。為執行該演算法,我們首先用軟體將兩個反饋表的資料自動匯入到同一張報表,如下圖所示。其中,"容量"列顯示導師們在步驟(3)填寫的最多可輔導學生數量。"學生X"列的數字代表學生在《學生反饋》表中給導師的打分,而"Y"和"N"分別代表導師在《導師反饋》表中標明的特別喜歡和希望避免的學生:

需要注意,不同學生對導師的打分標準可能存在差異。例如,一個學生給導師打 4 分可能表示不願意匹配,而另一個學生打同樣的分數卻可能表示願意匹配。為了消除這種標準差異,我們需要對分數進行標準化處理,將每個學生的分數統一擴充套件到 1 至 5 的區間。假設某位學生給三位導師打分是 4、4、5,則分值會被擴充套件成 1、1、5;若另一位學生的打分是 2、3、4,則會被擴充套件成 1、3、5。
最後,匹配人員根據表中的資料,手工確定最佳匹配方案。我們不難找出上圖的最佳方案,並在下圖中用藍色方塊標示。在這個方案中,“導師己”匹配到了兩位學生,而“導師戊”沒有匹配到任何學生:

由於定配演算法涉及的資料量遠少於初配演算法,人工操作不會耗費太多時間。儘管如此,我們仍然計劃在未來使用軟體輔助求解。然而,人工參與仍有其獨特優勢。首先,當遇到棘手的決策問題時(如導師名額不足或師生反饋不一致),負責人可直接與雙方溝通,靈活調整。其次,為了保證匹配質量,我們可以請多位負責人獨立完成匹配,再對比結果。如有分歧,他們需深入考察導師和學生資料,充分討論至達成共識。這種集體決策方法能有效減少個人偏見,展現了機器演算法難以企及的優勢。【完】
我們邀請你加入遠見大家庭

