精准教研视域下的教师画像研究
发布时间：2021-11-05 12:01
面对新时代教师队伍建设的要求,教研有必要向个性化、精准化转型。依托各种智能技术对教师画像,成了破解精准教研难题的创新途径。然而,目前精准教研视域下的教师画像研究,在国内尚属空白。文章从教研数据采集、分类及其有效关联等角度阐释了数据驱动的教师画像的实施可行性;同时,剖析了教师画像的实现流程,包括教研数据预处理、教师画像模型建构、教师个体标签体系建立和教师画像质量评估四大环节,从而提供了清晰的框架指引。文章最后提出教师画像的四大应用场景,涵盖教师、决策者、教研服务提供方和学生等利益者视角。该研究从精准教研视域下教师画像的实现必要性、实施可行性、实现方法和应用场景作了系统论述,旨在为相关研究提供参考。
【文章来源】：电化教育研究. 2019,40(07)北大核心CSSCI
【文章页数】：8 页
【部分图文】：
不同主体之间的教育数据关联
2019年第7期（总第315期）（1）教师的课程教学数据是指教师日常教学实践产生的行为数据，此类数据不在教研范畴内，但教研与教学息息相关，分析课程教学行为能够更好地指向教师在教研中存在的问题；（2）学生的学情大数据可以构建学生画像，为师生画像的匹配应用提供基础；（3）学校公开教育数据可以反映教师个体的专业发展情境；（4）教育部门拥有的区域教育大数据能够丰富教师群体画像的数据维度。聚焦核心教研数据可以使教师画像更精准，而有效关联核心数据和外延数据可以使教师画像更丰富。四、数据挖掘技术支持的教师画像逻辑框架与实现流程画像建构要以真实性、科学性和精准性为原则。表征和预测教师在教研过程中的行为方式，能够塑造一个虚拟化的真实教师模型，为教研服务的提质增效提供事实性参考和预测性依据。本研究提出了精准教研视域下的教师画像的逻辑框架和实现流程，如图2所示。（一）教研数据预处理在智能技术的支持下，教研数据采集得以完成。由于数据来源于多个异构的原始数据库，会存在格式不统一、噪声干扰、数值缺失或不规范等情况，因此，有必要在数据分析之前进行预处理，这更方便计算机进行后续数据处理。关键的技术思路和步骤包括数据清理（DataCleaning）、数据集成（DataIntegration）、数据归约（DataReduction）和数据变换（DataTransforming）[19]。数据清理主要是对属性缺失和不符合画像目标的值进行偏差检测，再利用清理工具进行变换或处理。例如采集社会交互数据过程中可能爬取了教师在公开网站上的日常交互数据，这些数据没?
电化教育研究某教研活动的满意度打上数字化标签，需要综合关联教师在参研中浏览活动内容的时长、频率，与教研同伴交互讨论的频率、主题，以及在此次教研活动中产出的成果等数据，并计算定义不同行为标签的权重，标签权重由衰减因子、行为权重、接触点权重、数据量和随机误差之间的数学关系决定[21]，最终得到一个M教师满意程度的标签。模型预测生成预测标签。在事实标签和模型标签的基础上，可以通过预测算法和聚类算法对模型进行训练优化，输出更多具有概率预测和价值预测功能的标签。例如基于教研数据挖掘来判断教师的专业发展短板，或是通过识别教师高频浏览的教研资源来预测教师下一步需要的服务和资源以实现智能推送。此外，预测标签还能弥补事实标签的缺失。假设教师任教学科的信息丢失了，而在社会交互模型中，预测算法通过语义判断教师与同伴交流过程中主题关键词多为英语教学方面的内容，初步判别该教师的交互圈中多为英语学科教师，则该教师在一定概率上也可能是英语教师，基于这个预测结果，可以为教师推荐更多相关的资源。在实际建模中，需要根据不同画像标签的特点和需求选择建模算法，以此优化教师画像，更加精准地描摹出教研教师的虚拟特征。（三）教师个体标签体系建立面向场景应用的教师个体标签体系（PersonalTagsSystem）是在教研数据基础上，通过合理有效的模型和算法为不同教师打上的数字化语义标签集。标签体系的分类需要遵循相互独立、完全穷尽的原则，每一个子标签集应能覆盖父标签集的所有数据。本研究构建的完整教师画像标签体系如图3所
【参考文献】：
期刊论文
[1]在线学习非母语学习者群体研究:类别画像与行为特征分析[J]. 张雪,檀悦颖,罗恒. 现代远距离教育. 2019(01)
[2]基于xAPI的在线学习者画像的构建与实证研究[J]. 肖君,乔惠,李雪娇. 中国电化教育. 2019(01)
[3]大数据知识发现的教师成长行为路径[J]. 王陆,彭玏,马如霞,杨佳辰. 电化教育研究. 2019(01)
[4]基于小数据的图书馆用户精准画像研究[J]. 陈臣,马晓亭. 情报资料工作. 2018(05)
[5]“互联网+”教育精准帮扶的转移逻辑与价值选择——基于教育公平的视角[J]. 廖宏建,张倩苇. 电化教育研究. 2018(05)
[6]以教师精准培训推动教育精准扶贫[J]. 陈恩伦,郭璨. 中国教育学刊. 2018(04)
[7]互联网时代乡村教师深度培训模式[J]. 赵兴龙. 电化教育研究. 2018(04)
[8]个性化教育公共服务模式的新探索——“双师服务”实施路径探究[J]. 陈玲,余胜泉,杨丹. 中国电化教育. 2017(07)
[9]对外经济贸易大学 用大数据描绘"教师画像"[J]. 方丹丹,王海涛,李颖,张烨青. 中国教育网络. 2017(07)
[10]开放式教学下的学习者画像及个性化教学探讨[J]. 陈海建,戴永辉,韩冬梅,冯彦杰,黄河笑. 开放教育研究. 2017(03)
硕士论文
[1]教师画像与评分系统的设计与实现[D]. 陈尧.重庆大学 2018
本文编号：3477760
【文章来源】：电化教育研究. 2019,40(07)北大核心CSSCI
【文章页数】：8 页
【部分图文】：
不同主体之间的教育数据关联
2019年第7期（总第315期）（1）教师的课程教学数据是指教师日常教学实践产生的行为数据，此类数据不在教研范畴内，但教研与教学息息相关，分析课程教学行为能够更好地指向教师在教研中存在的问题；（2）学生的学情大数据可以构建学生画像，为师生画像的匹配应用提供基础；（3）学校公开教育数据可以反映教师个体的专业发展情境；（4）教育部门拥有的区域教育大数据能够丰富教师群体画像的数据维度。聚焦核心教研数据可以使教师画像更精准，而有效关联核心数据和外延数据可以使教师画像更丰富。四、数据挖掘技术支持的教师画像逻辑框架与实现流程画像建构要以真实性、科学性和精准性为原则。表征和预测教师在教研过程中的行为方式，能够塑造一个虚拟化的真实教师模型，为教研服务的提质增效提供事实性参考和预测性依据。本研究提出了精准教研视域下的教师画像的逻辑框架和实现流程，如图2所示。（一）教研数据预处理在智能技术的支持下，教研数据采集得以完成。由于数据来源于多个异构的原始数据库，会存在格式不统一、噪声干扰、数值缺失或不规范等情况，因此，有必要在数据分析之前进行预处理，这更方便计算机进行后续数据处理。关键的技术思路和步骤包括数据清理（DataCleaning）、数据集成（DataIntegration）、数据归约（DataReduction）和数据变换（DataTransforming）[19]。数据清理主要是对属性缺失和不符合画像目标的值进行偏差检测，再利用清理工具进行变换或处理。例如采集社会交互数据过程中可能爬取了教师在公开网站上的日常交互数据，这些数据没?
电化教育研究某教研活动的满意度打上数字化标签，需要综合关联教师在参研中浏览活动内容的时长、频率，与教研同伴交互讨论的频率、主题，以及在此次教研活动中产出的成果等数据，并计算定义不同行为标签的权重，标签权重由衰减因子、行为权重、接触点权重、数据量和随机误差之间的数学关系决定[21]，最终得到一个M教师满意程度的标签。模型预测生成预测标签。在事实标签和模型标签的基础上，可以通过预测算法和聚类算法对模型进行训练优化，输出更多具有概率预测和价值预测功能的标签。例如基于教研数据挖掘来判断教师的专业发展短板，或是通过识别教师高频浏览的教研资源来预测教师下一步需要的服务和资源以实现智能推送。此外，预测标签还能弥补事实标签的缺失。假设教师任教学科的信息丢失了，而在社会交互模型中，预测算法通过语义判断教师与同伴交流过程中主题关键词多为英语教学方面的内容，初步判别该教师的交互圈中多为英语学科教师，则该教师在一定概率上也可能是英语教师，基于这个预测结果，可以为教师推荐更多相关的资源。在实际建模中，需要根据不同画像标签的特点和需求选择建模算法，以此优化教师画像，更加精准地描摹出教研教师的虚拟特征。（三）教师个体标签体系建立面向场景应用的教师个体标签体系（PersonalTagsSystem）是在教研数据基础上，通过合理有效的模型和算法为不同教师打上的数字化语义标签集。标签体系的分类需要遵循相互独立、完全穷尽的原则，每一个子标签集应能覆盖父标签集的所有数据。本研究构建的完整教师画像标签体系如图3所
【参考文献】：
期刊论文
[1]在线学习非母语学习者群体研究:类别画像与行为特征分析[J]. 张雪,檀悦颖,罗恒. 现代远距离教育. 2019(01)
[2]基于xAPI的在线学习者画像的构建与实证研究[J]. 肖君,乔惠,李雪娇. 中国电化教育. 2019(01)
[3]大数据知识发现的教师成长行为路径[J]. 王陆,彭玏,马如霞,杨佳辰. 电化教育研究. 2019(01)
[4]基于小数据的图书馆用户精准画像研究[J]. 陈臣,马晓亭. 情报资料工作. 2018(05)
[5]“互联网+”教育精准帮扶的转移逻辑与价值选择——基于教育公平的视角[J]. 廖宏建,张倩苇. 电化教育研究. 2018(05)
[6]以教师精准培训推动教育精准扶贫[J]. 陈恩伦,郭璨. 中国教育学刊. 2018(04)
[7]互联网时代乡村教师深度培训模式[J]. 赵兴龙. 电化教育研究. 2018(04)
[8]个性化教育公共服务模式的新探索——“双师服务”实施路径探究[J]. 陈玲,余胜泉,杨丹. 中国电化教育. 2017(07)
[9]对外经济贸易大学 用大数据描绘"教师画像"[J]. 方丹丹,王海涛,李颖,张烨青. 中国教育网络. 2017(07)
[10]开放式教学下的学习者画像及个性化教学探讨[J]. 陈海建,戴永辉,韩冬梅,冯彦杰,黄河笑. 开放教育研究. 2017(03)
硕士论文
[1]教师画像与评分系统的设计与实现[D]. 陈尧.重庆大学 2018
本文编号：3477760
本文链接：https://www.wllwen.com/jiaoyulunwen/jgkg/3477760.html
