本文由《 電化教育研究》授權發布
作者：胡小勇 林梓柔
摘要 面對新時代教師隊伍建設的(de)要求，教研有必要向個性化、精準化轉型。依托各種智能技術對教師畫像，成了破解精準教研難題的(de)創新途徑。然而，目前精準教研視(shì)域下的(de)教師畫像研究，在國內(nèi)尚屬空白。文章(zhāng)從教研數據采集、分類及其有效關聯等角度闡釋了數據驅動的(de)教師畫像的(de)實施可(kě)行性;同時，剖析了教師畫像的(de)實現流程，包括教研數據預處理(lǐ)、教師畫像模型建構、教師個體标簽體系建立和(hé)教師畫像質量評估四大環節，從而提供了清晰的(de)框架指引。文章(zhāng)最後提出教師畫像的(de)四大應用場景，涵蓋教師、決策者、教研服務提供方和(hé)學(xué)生等利益者視(shì)角。該研究從精準教研視(shì)域下教師畫像的(de)實現必要性、實施可(kě)行性、實現方法和(hé)應用場景作了系統論述，旨在為(wèi)相關研究提供參考。
關鍵詞：精準教研; 教師畫像; 數據; 流程; 應用場景
一(yī)、引 言
2018年(nián)1月，新中國成立以來第一(yī)個專門面向教師隊伍建設的(de)國家政策文件《關于全面深化新時代教師隊伍建設改革的(de)意見》明确提出，要“全面提高(gāo)中小學(xué)教師質量，建設一(yī)支高(gāo)素質專業化的(de)教師隊伍”[1]。教研是一(yī)種促進中小學(xué)教師發展的(de)重要活動。然而，傳統教研方式存在着服務“千人一(yī)面”、資源分配失衡以及無法精準評價和(hé)反饋調适等不足，緻使教研長(cháng)期存在效能低(dī)下的(de)現象。更加個性化和(hé)精準化，是新時代教師教研的(de)新要求。教師作為(wèi)教研服務的(de)主要對象，其特征、需求、偏好和(hé)行為(wèi)等信息的(de)準确判斷，是實現精準教研的(de)重要前提。
2018年(nián)8月，教育部印發了《關于開展人工智能助推教師隊伍建設行動試點工作的(de)通知》[2]，提出在試點學(xué)校開展教師大數據行動，“通過采集教師各方信息，彙聚成教師大數據，建立教師數字畫像，以支持學(xué)校決策，改進教師管理(lǐ)，優化教師服務”。當前，雲計算、大數據和(hé)人工智能等新一(yī)代信息技術快速發展，無處不在的(de)數據構成了“互聯網+”世界的(de)分子(zǐ)，數據的(de)指數式增長(cháng)和(hé)數據采集技術的(de)快速升級也讓教研邁入了“數據驅動”的(de)時代。教師專業發展生涯中産生的(de)多模态數據能夠描摹出其個體畫像，為(wèi)精準教研的(de)多維應用提供數據支撐。因此，本研究将聚焦如(rú)何通過教研數據構建教師畫像，研究其邏輯框架和(hé)實現流程，以及教師畫像最終如(rú)何驅動和(hé)服務精準教研。
二、精準教研視(shì)域下的(de)教師畫像
(一(yī))教研需要精準“表征、發現和(hé)預測”教師的(de)行為(wèi)特征
在教育領域，對“精準”的(de)關注最先聚焦于教學(xué)領域。Lindsley最早提出“精準教學(xué)”的(de)概念，他認為(wèi)精準教學(xué)是指學(xué)習者利用标準化工具持續記錄和(hé)監控自(zì)身的(de)學(xué)業成就變化，為(wèi)教師決策提供數據支持的(de)過程。Lindsley 通過實踐證明這種方式能夠有效表征學(xué)情，便于教師提供個性化輔導，大大提高(gāo)了學(xué)習者的(de)學(xué)習效益[3]。近年(nián)來，對教師發展的(de)精準性研究開始受到關注。在精準扶貧的(de)政策背景下，教育幫扶成為(wèi)重要突破口[4]，如(rú)何通過對教師精準培訓來促進落後地(dì)區的(de)教育均衡發展成了關注焦點[5-6]。然而，精準培訓不應隻關注落後地(dì)區，培訓也不是教師發展的(de)單一(yī)途徑，包含教師培訓在內(nèi)的(de)各類教師教研活動更要精準關注每一(yī)位教師的(de)專業發展路徑[7]。由于教師的(de)年(nián)齡、任教經曆、學(xué)習風格等主體特征具有較大的(de)個體差異性，精準“表征、發現和(hé)預測”不同教師個體的(de)特征、需求、偏好和(hé)行為(wèi)是精準教研的(de)三大現實需求。
首先，需要實時客觀表征教師的(de)教研特征。在教研活動中，教師希望能夠客觀認知自(zì)己的(de)教研軌迹，教育決策者希望能夠準确了解教研的(de)總體情況，例如(rú)參與教研的(de)教師具備什麽群體特征，有哪些教研行為(wèi)習慣等。客觀表征能夠為(wèi)教研評價和(hé)決策提供依據，是精準教研的(de)首要需求。
其次，需要準确發現教師的(de)教研需求和(hé)偏好。教師參與教研的(de)主要目的(de)是為(wèi)了提升專業技能和(hé)自(zì)身競争力，因此，教師希望教研平台主動推薦符合自(zì)身需求和(hé)興趣的(de)資源和(hé)服務，涵蓋教師感興趣的(de)、近期關注的(de)以及不擅長(cháng)但重要的(de)教研主題，降低(dī)教師的(de)主動檢索成本。
最後，需要動态預測教師的(de)教研行為(wèi)變化。在海量教研數據的(de)基礎上，能夠預測和(hé)預警教師的(de)教研行為(wèi)，是精準教研在大數據時代的(de)新需求，多模态數據采集技術的(de)發展為(wèi)此提供了可(kě)能。決策者基于預測或預警結果可(kě)以有效管理(lǐ)和(hé)監控教研活動，為(wèi)教師提供更加優化的(de)教研服務。
(二)通過教師畫像能夠有效服務精準教研
用戶畫像的(de)概念源于企業。随着互聯網的(de)發展，數據不斷積累、更新，呈爆炸式增長(cháng)。電子(zǐ)商務企業為(wèi)實現最大盈利，采集大量用戶數據以分析其行為(wèi)習慣，助力産品的(de)精準設計和(hé)精準營銷。交互設計之父Alan Cooper最早提出用戶畫像(Persona)的(de)概念，他認為(wèi)用戶畫像是基于大量真實數據構建出來的(de)虛拟用戶模型[8]。實際上，用戶畫像就是為(wèi)特定對象打上“數字化标簽”的(de)過程，畫像構建需要采集大量真實有效的(de)用戶數據，對這些數據進行聚類和(hé)抽象，利用數據集訓練和(hé)優化畫像模型，生成一(yī)個個具有明确含義、可(kě)表征和(hé)預測用戶行為(wèi)的(de)語義化标簽。
文獻顯示，近年(nián)來用戶畫像的(de)應用研究主要集中于醫學(xué)、心理(lǐ)學(xué)、情報科學(xué)和(hé)行為(wèi)科學(xué)等領域，其共同點是通過人的(de)外顯行為(wèi)挖掘內(nèi)隐因素，如(rú)人的(de)病因、行為(wèi)動機或需求。大數據支持将人“數據化”，進而更客觀地(dì)挖掘和(hé)解讀內(nèi)隐信息。同時，計算機科學(xué)為(wèi)用戶畫像提供了技術支持，關注如(rú)何借助用戶畫像技術實現個性化表征和(hé)精準推薦[9]，涵蓋用戶标簽體系的(de)創建[10]、畫像建模[11]、用戶畫像應用效果評估[12]等方面。
教育是研究人的(de)學(xué)習行為(wèi)的(de)學(xué)科。基于此，用戶畫像技術在教育領域的(de)應用同樣具有需求指向性和(hé)實施可(kě)行性。當前，教育領域的(de)用戶畫像研究已經興起，有研究者對學(xué)習者畫像在精準教學(xué)中的(de)意義和(hé)實現途徑進行了闡述。例如(rú)，陳海建等人構建了遠程學(xué)習者畫像并證明這對個性化教學(xué)有積極作用[13];而肖君等人[14]和(hé)張雪等人[15]分别聚焦不同類型的(de)線上學(xué)習者，通過構建畫像來聚類不同特征的(de)學(xué)習者群體，旨在研究影響不同群體學(xué)習效果的(de)因素或指标。在教師畫像研究領域，陳堯在技術實現上，通過學(xué)生評教數據構建了教師畫像模塊[16];方丹丹等人則對教師畫像的(de)理(lǐ)論構建和(hé)應用作了闡述[17]。目前國內(nèi)僅有可(kě)查的(de)兩項教師畫像研究，但并未聚焦于教師教研，在教研視(shì)域下開展的(de)教師畫像系統研究尚屬空白。本研究提出的(de)教師畫像是指通過抓取和(hé)分析與教師教研緊密相關的(de)數據，通過數據挖掘和(hé)用戶畫像技術來構建的(de)虛拟教師模型。該模型是教師個體标簽體系的(de)集合，能夠描述教師的(de)特征、需求、偏好和(hé)行為(wèi)。
三、數據驅動教師畫像的(de)實現
數據是指對客觀事件進行記錄并可(kě)以鑒别的(de)符号，具有描述現象、發現關系、評價效果及預測趨勢的(de)功能。根據DIKW金字塔層次體系[18]，從下往上依次是數據、信息、知識和(hé)智慧，處于上方的(de)信息、知識和(hé)智慧全都離(lí)不開數據的(de)表征。教師畫像的(de)構建需要有效運用全過程多模态的(de)教研數據，才能有效地(dì)表征教研情況、發現隐性信息和(hé)預測教師教研行為(wèi)變化，以支持教研決策智慧的(de)生成。
(一(yī))智能技術與教研數據采集
智能技術的(de)興起和(hé)教育應用，使各類教研數據以更大容量和(hé)更快速度産生和(hé)彙聚于各類便捷的(de)智能設備中，形成“教研大數據”。教育是一(yī)個複雜的(de)育人系統，對包括教研在內(nèi)的(de)一(yī)切教育決策的(de)容錯性較小，數據驅動的(de)教師畫像要求科學(xué)精準;此外，參與教研隻是教師衆多社會屬性之一(yī)，指向精準教研的(de)教師畫像需要聚焦于與教研活動緊密相關的(de)數據，相比數據體量的(de)絕對大小，本研究更強調數據的(de)“教研相關性”和(hé)“價值密度”。與教研數據采集相關的(de)智能技術可(kě)以分為(wèi)網絡技術、富媒體技術和(hé)感知技術。
網絡技術支持抓取描摹教師教研行為(wèi)軌迹的(de)網絡數據，如(rú)教研社交網站公開數據和(hé)教研管理(lǐ)平台用戶日志。教研管理(lǐ)平台面向所有參研教師，提供教師需要的(de)教研資源以及同伴交流、聽評課和(hé)個人電子(zǐ)檔案袋等線上功能模塊，這些數據具有較高(gāo)教研相關性和(hé)價值;教研社交網站為(wèi)教師提供了跨時空的(de)同伴交流平台，教師可(kě)以組建志同道(dào)合的(de)教研共同體。
富媒體技術支持抓取圖文聲像和(hé)超鏈接等多種媒體形式的(de)交互式教研數據。教研管理(lǐ)平台中海量的(de)教研資源和(hé)數字化教研實踐成果多以富媒體形式呈現，如(rú)教學(xué)設計、課例視(shì)頻等，這類非結構化數據提升了教研數據的(de)可(kě)挖掘性，但也對數據采集和(hé)處理(lǐ)提出了更大挑戰。
感知技術支持抓取教師在教研過程中産生的(de)聽覺、視(shì)覺和(hé)觸覺等感知交互數據，這類技術借助智能終端或可(kě)穿戴設備實時獲取教師的(de)感官數據，如(rú)教師的(de)語言、行為(wèi)、面部情緒、眼神等，能夠輔助發現教師教研的(de)內(nèi)隐信息。
相較于一(yī)般網絡用戶數據，教研數據具有更高(gāo)更特殊的(de)用戶價值，因其關乎教師群體的(de)隐私，并且伴有學(xué)生數據以及其他教育數據，因此，在數據采集前應使利益相關者知情并取得其許可(kě)，同時，在數據處理(lǐ)中規範脫敏，保護隐私。
(二)五類數據描摹教師教研全過程
為(wèi)了從多維度對教師進行精準畫像，需要對教師的(de)教研數據進行分類。綜合考慮教師畫像需求和(hé)數據的(de)可(kě)及性，涵蓋教師的(de)人口統計學(xué)、內(nèi)隐心理(lǐ)和(hé)外顯行為(wèi)等特征，本研究提出了教師畫像所需的(de)五大類教研數據，具體見表1。
表 1 教師教研數據的(de)類别與來源
(1)教師特征數據包括教師的(de)個人信息，能夠唯一(yī)地(dì)表征某位教師，初步描摹教師畫像的(de)輪廓，此類數據結構較為(wèi)簡單，包含明确的(de)屬性和(hé)元組，可(kě)以通過教師人事系統或教研管理(lǐ)平台直接導入完成采集。(2)教研心理(lǐ)數據是指反映教師參與教研過程的(de)心理(lǐ)狀态數據，例如(rú)滿意度、效能感等，由于這類數據具有較強的(de)主觀性，需要通過問卷調查或訪談等方法獲取，為(wèi)了減少主觀因素的(de)幹擾，目前也可(kě)以利用可(kě)穿戴設備實時捕獲和(hé)分析教師的(de)心跳、眼動、表情等生物特征數據。(3)社會交互數據映射出教師參與教研的(de)內(nèi)隐交互情況，側重教師的(de)網絡交互，如(rú)交互同伴、交互主題、交互時間和(hé)交互頻率等，此類數據可(kě)以判斷和(hé)預測教師的(de)興趣和(hé)偏好。(4)教研行為(wèi)數據涵蓋教師線上浏覽、評論和(hé)下載教研資源、在線磨課、在線聽評課等教研行為(wèi)。對于發生在線下的(de)教研行為(wèi)，可(kě)以通過視(shì)頻采集系統記錄、标注和(hé)分析，實現線下數據的(de)數字化轉換。(5)教研成果數據是教師在教研過程中伴随式産出的(de)數字化成果，如(rú)教學(xué)設計、教學(xué)案例、科研論文等，該類數據能夠反映教師關注的(de)學(xué)科主題和(hé)教研的(de)階段性成效。五類數據相輔相成，共同構建出教師畫像。
(三)數據間的(de)有效關聯，使教師畫像更豐富精準
數據并非僅有單一(yī)的(de)使用維度和(hé)價值指向，不同數據之間的(de)動态關聯可(kě)産生不可(kě)估量的(de)價值。要構建豐富精準的(de)教師畫像，需要在保證核心教研數據完整采集的(de)基礎上，盡可(kě)能多地(dì)有效關聯其他對教師畫像有價值的(de)數據。如(rú)圖1所示，從不同主體的(de)視(shì)角看，與教師教研相關的(de)還有教師的(de)課程教學(xué)數據、學(xué)生學(xué)情大數據、學(xué)校的(de)公開教育數據以及區域教育部門的(de)教育大數據，組成了構建教師畫像的(de)外延數據。這些數據通過多維度和(hé)多層次關聯，能夠搭載不同的(de)教研應用場景并發揮作用。
圖 1 不同主體之間的(de)教育數據關聯
(1)教師的(de)課程教學(xué)數據是指教師日常教學(xué)實踐産生的(de)行為(wèi)數據，此類數據不在教研範疇內(nèi)，但教研與教學(xué)息息相關，分析課程教學(xué)行為(wèi)能夠更好地(dì)指向教師在教研中存在的(de)問題;(2)學(xué)生的(de)學(xué)情大數據可(kě)以構建學(xué)生畫像，為(wèi)師生畫像的(de)匹配應用提供基礎;(3)學(xué)校公開教育數據可(kě)以反映教師個體的(de)專業發展情境;(4)教育部門擁有的(de)區域教育大數據能夠豐富教師群體畫像的(de)數據維度。聚焦核心教研數據可(kě)以使教師畫像更精準，而有效關聯核心數據和(hé)外延數據可(kě)以使教師畫像更豐富。
四、數據挖掘技術支持的(de)教師畫像邏輯框架與實現流程
畫像建構要以真實性、科學(xué)性和(hé)精準性為(wèi)原則。表征和(hé)預測教師在教研過程中的(de)行為(wèi)方式，能夠塑造一(yī)個虛拟化的(de)真實教師模型，為(wèi)教研服務的(de)提質增效提供事實性參考和(hé)預測性依據。本研究提出了精準教研視(shì)域下的(de)教師畫像的(de)邏輯框架和(hé)實現流程，如(rú)圖2所示。
圖 2 教師畫像的(de)邏輯實現框架
(一(yī))教研數據預處理(lǐ)
在智能技術的(de)支持下，教研數據采集得以完成。由于數據來源于多個異構的(de)原始數據庫，會存在格式不統一(yī)、噪聲幹擾、數值缺失或不規範等情況，因此，有必要在數據分析之前進行預處理(lǐ)，這更方便計算機進行後續數據處理(lǐ)。關鍵的(de)技術思路和(hé)步驟包括數據清理(lǐ)(Data Cleaning)、數據集成(Data Integration)、數據歸約(Data Reduction)和(hé)數據變換(Data Transforming)[19]。
數據清理(lǐ)主要是對屬性缺失和(hé)不符合畫像目标的(de)值進行偏差檢測，再利用清理(lǐ)工具進行變換或處理(lǐ)。例如(rú)采集社會交互數據過程中可(kě)能爬取了教師在公開網站上的(de)日常交互數據，這些數據沒有指向教研活動，價值甚微。數據集成是指把采集到的(de)異源教研數據集成至同一(yī)邏輯視(shì)圖中。為(wèi)保證教師畫像後續構建的(de)準确性和(hé)易操作性，需要先建立一(yī)個教師畫像數據庫管理(lǐ)系統，在該系統中合并、處理(lǐ)和(hé)管理(lǐ)多源異構的(de)教研數據，該步驟需要解決的(de)關鍵問題有實體識别和(hé)數據值沖突的(de)檢測和(hé)解決。接下來需要對這些可(kě)能非常龐大的(de)數據集進行歸約，通常有維歸約、數量歸約和(hé)數據壓縮三種思路和(hé)策略。數據變換是指将數據變換統一(yī)成适合畫像挖掘的(de)格式[20]。
(二)教師畫像模型構建
教師畫像模型的(de)構建是至關重要的(de)一(yī)步，本研究的(de)教師畫像模型基于前面的(de)五大類教研數據分别進行建模，形成教師特征模型、教研心理(lǐ)模型、社會交互模型、教研行為(wèi)模型和(hé)教研成果模型，每類模型的(de)數據處理(lǐ)和(hé)訓練方法因數據屬性差異有所不同，最終生成事實标簽、模型标簽或預測标簽。
統計分析生成事實标簽。對于描述既定事實的(de)數據，可(kě)以利用文本挖掘算法、自(zì)然語言處理(lǐ)方法将原始數據按照特定的(de)統計算法生成事實标簽，事實标簽是預測标簽的(de)基礎。比如(rú)通過教研管理(lǐ)系統中的(de)用戶設置獲取教師的(de)個人信息，如(rú)性别、年(nián)齡和(hé)教齡等，直接統計轉化生成教師特征标簽。
建模分析生成模型标簽。建模分析是教師畫像構建最重要的(de)技術步驟，模型标簽是指原始數據中不存在直接對應的(de)數據，而是需要通過定義規則和(hé)關聯數據才能生成的(de)标簽實例，它是教師标簽體系的(de)核心。教師畫像模型可(kě)以通過機器學(xué)習算法進行特征提取和(hé)選擇，輸入大量數據訓練集，選擇适宜算法進行訓練，不斷優化并達到訓練标準。比如(rú)要為(wèi)M教師參與某教研活動的(de)滿意度打上數字化标簽，需要綜合關聯教師在參研中浏覽活動內(nèi)容的(de)時長(cháng)、頻率，與教研同伴交互讨論的(de)頻率、主題，以及在此次教研活動中産出的(de)成果等數據，并計算定義不同行為(wèi)标簽的(de)權重，标簽權重由衰減因子(zǐ)、行為(wèi)權重、接觸點權重、數據量和(hé)随機誤差之間的(de)數學(xué)關系決定[21]，最終得到一(yī)個M教師滿意程度的(de)标簽。
模型預測生成預測标簽。在事實标簽和(hé)模型标簽的(de)基礎上，可(kě)以通過預測算法和(hé)聚類算法對模型進行訓練優化，輸出更多具有概率預測和(hé)價值預測功能的(de)标簽。例如(rú)基于教研數據挖掘來判斷教師的(de)專業發展短(duǎn)闆，或是通過識别教師高(gāo)頻浏覽的(de)教研資源來預測教師下一(yī)步需要的(de)服務和(hé)資源以實現智能推送。此外，預測标簽還能彌補事實标簽的(de)缺失。假設教師任教學(xué)科的(de)信息丢失了，而在社會交互模型中，預測算法通過語義判斷教師與同伴交流過程中主題關鍵詞多為(wèi)英語教學(xué)方面的(de)內(nèi)容，初步判别該教師的(de)交互圈中多為(wèi)英語學(xué)科教師，則該教師在一(yī)定概率上也可(kě)能是英語教師，基于這個預測結果，可(kě)以為(wèi)教師推薦更多相關的(de)資源。
在實際建模中，需要根據不同畫像标簽的(de)特點和(hé)需求選擇建模算法，以此優化教師畫像，更加精準地(dì)描摹出教研教師的(de)虛拟特征。
(三)教師個體标簽體系建立
面向場景應用的(de)教師個體标簽體系(Personal Tags System)是在教研數據基礎上，通過合理(lǐ)有效的(de)模型和(hé)算法為(wèi)不同教師打上的(de)數字化語義标簽集。标簽體系的(de)分類需要遵循相互獨立、完全窮盡的(de)原則，每一(yī)個子(zǐ)标簽集應能覆蓋父标簽集的(de)所有數據。本研究構建的(de)完整教師畫像标簽體系如(rú)圖3所示，X、Y、Z三個維度分别描述了标簽體系的(de)不同屬性，立體化指向精準教研應用場景。
圖 3 教師畫像的(de)個體标簽體系
教師畫像标簽體系的(de)X維是五類标簽，由左往右分别是教師特征标簽、教研心理(lǐ)标簽、社會交互标簽、教研行為(wèi)标簽和(hé)教研成果标簽，每類标簽的(de)原始數據對應表1的(de)數據分類。從數據的(de)時效性看，從左往右也可(kě)以将标簽分為(wèi)靜态屬性标簽和(hé)動态屬性标簽。前者是指相對穩定不變的(de)教研數據，例如(rú)人口統計學(xué)屬性的(de)數據：教師的(de)基本信息、教育背景和(hé)工作經曆。動态屬性标簽是指根據用戶行為(wèi)産生而不斷動态更新的(de)教研數據，例如(rú)教研行為(wèi)标簽。
教師畫像标簽體系的(de)Y維是每一(yī)類标簽的(de)下級标簽集合。标簽體系共劃分為(wèi)三級，教師基本特征是一(yī)級标簽，基本信息是二級标簽，姓名是三級标簽，第四級是具體描述姓名的(de)語義化标簽實例，其他标簽同理(lǐ)類推。
教師畫像标簽體系的(de)Z維是标簽屬性。由教師畫像構建可(kě)知，事實标簽、模型标簽和(hé)預測标簽三種不同屬性标簽基于不同數據處理(lǐ)方法而産生，三種标簽的(de)平衡搭配能夠提高(gāo)教師畫像表征、發現與預測教研行為(wèi)的(de)精準性和(hé)可(kě)靠性。
(四)教師畫像質量評估
面對每位教師的(de)個性化畫像，如(rú)何對畫像的(de)質量進行評估是畫像輸出應用之前的(de)重要環節。質量評估需要評價已生成的(de)畫像在多大程度滿足精準教研的(de)需求，即表征、發現和(hé)預測教師的(de)教研特征、需求、偏好和(hé)行為(wèi)有效程度多高(gāo)，常用的(de)評估指标包括準确率、覆蓋率和(hé)時效性。
首先，準确率是畫像質量評估的(de)首要指标。準确率的(de)驗證可(kě)以通過抽取部分測試數據集來計算正确的(de)教師标簽數量占教師标簽總樣本的(de)比值。其次，覆蓋率的(de)驗證則通過計算标簽覆蓋的(de)教師比值來評價标簽覆蓋廣度，計算覆蓋教師的(de)人均标簽數來評價标簽覆蓋密度。值得注意的(de)是，準确率和(hé)覆蓋率是一(yī)組互斥指标，在畫像的(de)評估和(hé)叠代改進中需要權衡取舍，在保證準确率的(de)前提下，盡可(kě)能提高(gāo)畫像模型的(de)覆蓋率。最後，時效性對某些标簽的(de)質量評估至關重要，例如(rú)，教研興趣标簽、教研偏好标簽以及教研行為(wèi)變化軌迹标簽等，需要有良好的(de)更新機制來保障此類标簽的(de)時效性。
五、教師畫像支持的(de)教研應用場景
在評估、反饋和(hé)叠代優化之後，可(kě)以通過教師畫像管理(lǐ)系統的(de)可(kě)視(shì)化工具輸出教師畫像。通常使用标簽雲來呈現出教師個體的(de)完整畫像，繼而統計生成專業詳盡的(de)教師教研分析報告，為(wèi)頂層的(de)教研應用場景提供服務，如(rú)圖3所示。
(一(yī))對照個體畫像，促進教師自(zì)身認知與發展
教師既是畫像的(de)核心對象，也是畫像的(de)首要服務用戶。語義明确的(de)數字化标簽構成了教師個人的(de)專業發展報告，可(kě)視(shì)化呈現了教師參與教研過程的(de)績效表現，是教師數據化的(de)自(zì)我，能夠促進其對自(zì)身更加客觀和(hé)深層次的(de)認知與評價。
首先，教師借助畫像進行教研績效的(de)自(zì)我診斷和(hé)評價。教師往往缺乏對所參與的(de)教研活動反思的(de)自(zì)主性，教師畫像作為(wèi)工具輔助教師回憶和(hé)審視(shì)教研活動全過程，幫助其多維度認知行為(wèi)表現、優缺點和(hé)現存疑問等，摒棄以往片面的(de)經驗性感知。其次，教師借助畫像規劃專業發展路線。在時代和(hé)政策的(de)導向下，教師參照優秀教師的(de)畫像，對比自(zì)身不足，了解自(zì)身的(de)角色定位，制定專業發展規劃，這能夠督促和(hé)引導教師不斷提升自(zì)我。最後，教師借助自(zì)身畫像優化課堂教學(xué)。教師畫像中包含同伴聽課的(de)評價标簽，同時，關聯學(xué)生學(xué)習數據和(hé)評教數據。積極的(de)評價能極大增強教師的(de)效能感，激勵他們朝更高(gāo)目标繼續努力，較低(dī)的(de)評價也能幫助教師診斷自(zì)身教學(xué)能力，有針對性地(dì)訓練特定的(de)教學(xué)技能。
(二)整合群體畫像，驅動教育決策者循證管理(lǐ)
對于決策者而言，當教師畫像管理(lǐ)系統存儲的(de)畫像樣本量足夠大的(de)時候，教師的(de)群體畫像整合而成的(de)發展報告可(kě)以呈現本校或本區域全體教師的(de)教研總體情況，支持循證化管理(lǐ)和(hé)監控教研活動的(de)組織和(hé)開展，制定教研決策方案。
其一(yī)是教研活動的(de)評價和(hé)管理(lǐ)。在國家日益重視(shì)教師隊伍建設的(de)背景下，通過數據實現更加适配教師專業發展的(de)精準評價，是反促教研效能提升的(de)重要抓手，教師畫像可(kě)以更加客觀地(dì)對教師進行基于過程的(de)伴随式教研評價。基于教師畫像報告，決策者可(kě)以在區域範圍內(nèi)将優秀學(xué)校或優秀教師隊伍的(de)專業發展軌迹進行特征抽取，形成優秀教師畫像數據庫進行經驗和(hé)方法的(de)分享，帶動新手教師快速成長(cháng)，促進協同發展。對于教研效能低(dī)下的(de)學(xué)校或教師隊伍，需要仔細分析成因，吸收優秀教師隊伍的(de)經驗，從教研資源分配、教研環境規劃、教研專家輔助各方面對症下藥，針對教研的(de)痛點、難點調整和(hé)規劃新一(yī)輪教研計劃，并持續監控和(hé)預警該群體的(de)發展狀況。
其二是區域教研資源精準配置。我國地(dì)域間信息化水平差異巨大，不同地(dì)區的(de)教師隊伍發展需求不同。教研員作為(wèi)教師專業發展的(de)指導者和(hé)引領者、教研活動的(de)設計組織者，需要為(wèi)不同實際的(de)區域提供個性化解決方案。一(yī)方面，教研員可(kě)以利用教師群體畫像為(wèi)不同需求的(de)教師設計個性化教研活動。以往教師培訓為(wèi)所有教師提供“千人一(yī)面”的(de)研修服務，有了教師畫像，教研員可(kě)以在設計研修活動之前對教師群體進行特征分析，抽取存在相似需求的(de)，來自(zì)不同學(xué)科、不同學(xué)校甚至不同區域的(de)教師組成小型工作坊，提供更加沉浸适切的(de)研修活動，提高(gāo)教師興趣和(hé)教研效率，讓每一(yī)次研修都能産生實質性效能。另一(yī)方面，教研員可(kě)以為(wèi)貧困落後地(dì)區提供精準化教研幫扶方案，如(rú)适配當地(dì)實際的(de)教研活動、教研資源和(hé)教師發展策略，提升專業發展機會公平性，改善貧困地(dì)區教育落後帶來的(de)惡性循環發展困境。
其三是關于教師隊伍建設的(de)政策制定。政策制定具有宏觀導向性，以往由于數據采集和(hé)分析技術的(de)落後，限制了決策者對大範圍教師專業發展現狀的(de)考察，隻能通過抽樣調查和(hé)實地(dì)走訪等形式了解小樣本的(de)情況，難免存在數據不全面、不準确，甚至“一(yī)刀切”的(de)現象，而基于教師畫像庫，教師隊伍建設政策和(hé)方針的(de)制定可(kě)從經驗決策轉向數據決策。
(三)關聯教研資源服務，實現自(zì)适應式精準推薦
智能推薦引擎是教育領域的(de)關注焦點，基于學(xué)習者認知模型構建智能推薦引擎，自(zì)适應地(dì)為(wèi)用戶提供個性化的(de)資源服務推薦是具有重要意義的(de)。教師在教研活動中作為(wèi)參與者，也是自(zì)主發展的(de)特殊學(xué)習者，更加需要優質的(de)資源和(hé)服務來支持其專業發展。精準的(de)教師畫像可(kě)以客觀描述教師的(de)個體特征，還可(kě)以跟蹤發現和(hé)動态預測教師的(de)興趣和(hé)需求變化，這為(wèi)教研資源供應方的(de)服務優化提供了參考方向。
一(yī)方面，教師畫像能夠支持已有教研資源的(de)精準推薦。教師畫像中社會交互類标簽和(hé)教研行為(wèi)标簽能夠表征和(hé)預測教師的(de)需求及偏好，這些數據在個性化推薦引擎中表征不同教師的(de)學(xué)習需求和(hé)學(xué)習風格。教研管理(lǐ)系統據此以良好的(de)資源組織形式和(hé)推送途徑，為(wèi)不同教師提供個性化的(de)優質教研資源、教研活動、教研同伴、教研共同體組織和(hé)信息化教學(xué)工具等，還可(kě)以為(wèi)教師制定專業發展路線。具體的(de)實現思路為(wèi)：将教師群體畫像導入教研資源智能推薦引擎，通過改進符合教師特征的(de)學(xué)習者模型，訓練教研資源的(de)語義表征，完成教師個體和(hé)資源的(de)雙向匹配。
另一(yī)方面，教師畫像還能輔助面向需求的(de)教研資源精準設計。在開發教研資源之前，傳統用戶研究的(de)方式是進行走訪調查，隻了解部分教師代表的(de)訴求，沒法量化對某一(yī)資源設計的(de)系統性評價，盲目開發而導緻資源浪費。如(rú)果能夠精确了解目标用戶的(de)需求，例如(rú)通過标簽聚類對教師群體進行同質或異質的(de)聚合，了解到年(nián)輕教師偏好資源的(de)功能豐富性，年(nián)長(cháng)教師更注重資源的(de)易用性，教研資源服務提供方将能精準地(dì)為(wèi)不同類型的(de)教師設計資源并精準投放，實現雙赢。
(四)搭載學(xué)生畫像，支持師生個性化配對
教師通過教研促進專業發展，最終是為(wèi)了服務教學(xué)而促進學(xué)生發展。教育界對“因材施教”的(de)個性化教學(xué)的(de)要求和(hé)呼聲越來越高(gāo)，傳統學(xué)校教育中每一(yī)位學(xué)科教師固定負責一(yī)群學(xué)生的(de)教學(xué)，學(xué)生之間的(de)學(xué)習風格迥異，對知識點的(de)接受方式和(hé)接受頻率不一(yī)，即使目前已經開始在課堂教學(xué)中引入大數據分析技術，教師能夠了解不同學(xué)生的(de)學(xué)情，但一(yī)位教師在課堂上仍無力滿足幾十位學(xué)生的(de)個性化需求。“雙師服務”提出為(wèi)每位學(xué)生匹配在線教師，提供一(yī)對一(yī)的(de)個性化輔導[22]。将教師畫像和(hé)學(xué)生畫像進行匹配，将能夠支持這一(yī)應用場景的(de)有效實現。學(xué)生在學(xué)業上遇到難題，平台能夠為(wèi)其推薦和(hé)匹配最擅長(cháng)該知識點的(de)在線教師;平台能夠将教師的(de)教學(xué)風格和(hé)學(xué)生的(de)學(xué)習風格進行模型構建，輸出相互适配的(de)師生組合;教師可(kě)以基于學(xué)生畫像，精确了解學(xué)生的(de)認知結構、學(xué)習需求、學(xué)習短(duǎn)闆等，反過來激勵教師更有針對性地(dì)參與教研活動，提升教學(xué)技能和(hé)水平。
六、結 語
教師隊伍建設邁入了新時代，教師教研也面臨着精準化的(de)需求和(hé)契機。數據驅動的(de)教師畫像，為(wèi)此提供了一(yī)種技術解決方案。當前，在國內(nèi)對教研視(shì)域下的(de)教師畫像研究尚屬空白的(de)背景下，本文系統探讨了教師畫像構建的(de)必要性、可(kě)行性和(hé)具體實施方法，并闡釋了相關應用場景。對教師畫像的(de)關注必将引發更多相關研究，未來，教師畫像在精準教研中的(de)應用落地(dì)和(hé)實踐檢驗是重點，同時，還需要重點加強教師畫像實現技術中的(de)多源數據采集、數據标準統一(yī)、數據開放共享和(hé)數據隐私保護等工作和(hé)研究。
【參考文獻】
[1] 中共中央國務院關于全面深化新時代教師隊伍建設改革的(de)意見[EB/OL].(2018-01-31)[2018-11-12].http：//www.gov.cn/zhengce/2018-01/31/content_5262659.htm.
[2] 教育部辦公廳關于開展人工智能助推教師隊伍建設行動試點工作的(de)通知[EB/OL].(2018-08-08)[2018-11-12].http：//www.moe.gov.cn/srcsite/A10/s7034/201808/t20180815_345323.html.
[3] LINDSLEY O R. Precision teaching：discoveries and effects[J]. Journal of applied behavior analysis， 1992， 25(1)：51.
[4] 廖宏建，張倩葦.“互聯網+”教育精準幫扶的(de)轉移邏輯與價值選擇——基于教育公平的(de)視(shì)角[J].電化教育研究，2018，39(5)：5-11.
[5] 陳恩倫，郭璨.以教師精準培訓推動教育精準扶貧[J].中國教育學(xué)刊，2018(4)：42-46.
[6] 趙興龍.互聯網時代鄉村教師深度培訓模式[J].電化教育研究，2018，39(4)：86-92.
[7] 王陸，彭玏，馬如(rú)霞，楊佳辰.大數據知識發現的(de)教師成長(cháng)行為(wèi)路徑[J].電化教育研究，2019，40(1)：95-103.
[8] COOPER A. The inmates are running the asylum：'why high-tech products drive us crazy and how to restore the sanity'[M]. Indianapolis：SAMS， 2004.
[9] YIN H， CUI B， CHEN L， et al. Modeling location-based user rating profiles for personalized recommendation[J]. ACM transactions on knowledge discovery from data (TKDD)， 2015， 9(3)：19.
[10] XIE H， LI X， WANG T， et al. Incorporating sentiment into tag-based user profiles and resource profiles for personalized search in folksonomy[J]. Information processing & management， 2016， 52(1)：61-72.
[11] STANESCU A， NAGAR S， CARAGEA D. A hybrid recommender system：user profiling from keywords and ratings[C]//International Joint Conferences on Web Intelligence (WI) and Intelligent Agent Technologies (IAT). Warsaw：IEEE， 2013， 1：73-80.
[12] WU Y C J， CHANG W H， YUAN C H. Do Facebook profile pictures reflect user's personality?[J]. Computers in human behavior， 2015， 51：880-889.
[13] 陳海建，戴永輝，韓冬梅，馮彥傑，黃河笑.開放式教學(xué)下的(de)學(xué)習者畫像及個性化教學(xué)探讨[J].開放教育研究，2017，23(3)：105-112.
[14] 肖君，喬惠，李雪嬌.基于xAPI的(de)在線學(xué)習者畫像的(de)構建與實證研究[J].中國電化教育，2019(1)：123-129.
[15] 張雪，檀悅穎，羅恒.在線學(xué)習非母語學(xué)習者群體研究：類别畫像與行為(wèi)特征分析[J].現代遠距離(lí)教育，2019(1)：18-26.
[16] 陳堯.教師畫像與評分系統的(de)設計與實現[D].重慶：重慶大學(xué)，2018.
[17] 方丹丹，王海濤，李穎， 等.對外經濟貿易大學(xué)用大數據描繪“教師畫像”[J].中國教育網絡，2017(7)：61-63.
[18] JIFA G， LINGLING Z. Data， DIKW， big data and data science[J]. Procedia computer science， 2014， 31：814-821.
[19] 劉明吉，王秀峰，黃亞樓.數據挖掘中的(de)數據預處理(lǐ)[J].計算機科學(xué)，2000(4)：54-57.
[20] 韓家炜，KAMBER M，PEI J，等.數據挖掘：概念與技術(第3版)[M].範明，等譯.北京：機械工業出版社，2012：61-66.
[21] 陳臣，馬曉亭.基于小數據的(de)圖書館用戶精準畫像研究[J].情報資料工作，2018(5)：57-61.
[22] 陳玲，餘勝泉，楊丹.個性化教育公共服務模式的(de)新探索——“雙師服務”實施路徑探究[J].中國電化教育，2017(7)：2-8.
Research on Portrait of Teachers from the Perspective of Precise Teaching and Research
HU Xiaoyong, LIN Zirou
(Educational Informational Technology College, South China Normal University, Guangzhou Guangdong 510631)
[Abstract] Because of the demands for the construction of teaching staff in the new era, teaching and research need to be personalized and precise. Portraying teachers with various intelligent technologies is becoming an innovative way to solve the problem of precise teaching and research. However, at present, the study on the teachers' portraits from the perspective of precise teaching and research is still a blank in China. This paper illustrates the feasibility of data-driven teachers' portraits in the view of data collection, classification and effective correlation about teaching and research. Meanwhile, this paper analyzes the implementation process of teachers' portraits, including the data preprocessing, the modeling of teachers' portraits, the establishment of teachers' individual label system, and the quality evaluation of teachers' portraits, which provides a clear framework. Finally, this paper proposes four application scenarios for portraits of teachers, covering the perspectives of teachers, decision makers, service providers of teaching and research and students. This study makes a systematic discussion on the necessity, feasibility, methods and application scenarios of teachers' portraits form the perspective of precise teaching and research, aiming to provide reference for the related research.
[Keywords] Precise Teaching and Research; Portraits of Teachers; Data; Process; Application Scenario
基金項目：國家社會科學(xué)基金教育學(xué)一(yī)般課題“面向'互聯網+’的(de)教師教研形态轉型與變革研究”(課題編号：BCA180094)
作者簡介：胡小勇(1978—)，男，江西奉新人。教授，博士，主要從事信息化教學(xué)教研、智慧教學(xué)的(de)理(lǐ)論與應用等方面的(de)研究。