胡小勇 孫碩 穆肅

[摘? ?要] 教師是教育的第一資源，研修是促進(jìn)教師專業(yè)發(fā)展的重要方式。在大數(shù)據(jù)、數(shù)字畫像等新技術(shù)賦能下，優(yōu)化教師研修路徑以提升教師發(fā)展質(zhì)量變得尤為重要。文章構(gòu)建了多模態(tài)數(shù)據(jù)和畫像技術(shù)支持的教師研修路徑智能推薦模型，包括數(shù)據(jù)伴隨式采集分類與預(yù)處理、教師畫像生成、研修路徑算法三個模塊，實現(xiàn)教師研修特征與優(yōu)質(zhì)研修資源的智能匹配。在教師研修路徑動態(tài)優(yōu)化方面，模型通過提供基于畫像的個性化導(dǎo)研服務(wù)、基于知識圖譜的資源關(guān)聯(lián)推薦、基于群體智能的群體路徑發(fā)現(xiàn)、基于目標(biāo)導(dǎo)向的過程評價和基于研修行為的智能預(yù)警，滿足教師的個性化研修需求，為發(fā)掘研修數(shù)據(jù)潛能、促進(jìn)教師智能研修模式創(chuàng)新提供參考。

[關(guān)鍵詞] 教師畫像； 教師專業(yè)發(fā)展； 多模態(tài)數(shù)據(jù)； 個性化研修； 智能推薦

[中圖分類號] G434? ? ? ? ? ? [文獻(xiàn)標(biāo)志碼] A

[作者簡介] 胡小勇（1978—），男，江西奉新人。教授，博士，主要從事教育信息化理論與政策、信息化教學(xué)教研創(chuàng)新、智能教育理論與應(yīng)用等研究。E-mail：huxiaoy@scnu.edu.cn。

一、引? ?言

研修，一直被視為教師終身學(xué)習(xí)和專業(yè)成長的重要方式[1]。2021年，教育部《關(guān)于實施第二批人工智能助推教師隊伍建設(shè)行動試點工作的通知》強(qiáng)調(diào)，要建設(shè)和應(yīng)用教師大數(shù)據(jù)，形成教師畫像，開展教師智能研修[2]。大數(shù)據(jù)能夠挖掘教師在多場景中的多模態(tài)數(shù)據(jù)，如在線平臺自動記錄的文本交互數(shù)據(jù)[3]、課堂教學(xué)中伴隨式采集的師生行為數(shù)據(jù)[4]、可穿戴設(shè)備獲取的生理數(shù)據(jù)[5]等。而畫像（Portrait）技術(shù)作為一種重要的大數(shù)據(jù)應(yīng)用，能夠以數(shù)據(jù)標(biāo)簽形式精準(zhǔn)描摹教師的特征、需求、行為和偏好等規(guī)律。如何用好畫像技術(shù)，將教師個性化標(biāo)簽與優(yōu)質(zhì)資源相匹配，為其推薦合理的智能研修路徑，成為構(gòu)建智能研修服務(wù)體系、優(yōu)化研修質(zhì)量的關(guān)鍵問題。然而，因缺乏合理的數(shù)據(jù)框架、全息畫像模型和適切算法的支持，教師智能研修面臨難以有效落地的窘境。對此，本研究結(jié)合多模態(tài)數(shù)據(jù)采集和畫像技術(shù)，構(gòu)建教師個性化研修路徑的智能推薦模型，以期為教師發(fā)展提供支持。

二、研究綜述

（一）畫像技術(shù)有效服務(wù)教師的個性化研修

刻畫用戶畫像最早由Cooper[6]提出，是實現(xiàn)資源推薦服務(wù)的重要方法。研究者將畫像技術(shù)遷移到教師群體，催生了教師畫像的概念[7]，從畫像構(gòu)成要素、分析技術(shù)和可視化等方面進(jìn)行了探究。在畫像構(gòu)成要素方面，教師研修情況主要基于基本信息、行為特征和研修成果等進(jìn)行描摹。胡小勇和林梓柔指出，畫像作為教師個體標(biāo)簽體系的集合，結(jié)合教研場景可分為基本特征、教研心理、社會交互、教研行為和教研成果五類標(biāo)簽[8]。王冬冬等則深入挖掘?qū)W員的行為特征，采用主成分分析法構(gòu)建了網(wǎng)絡(luò)研修社區(qū)環(huán)境下的教師模型，為教師評價提供了理論參考[9]。在分析技術(shù)方面，回歸分析、聚類分析和預(yù)測分析等方法有助于深度挖掘數(shù)據(jù)，實現(xiàn)對教師特征的精準(zhǔn)描述。例如：薛楊等使用K-means算法進(jìn)行聚類分析，通過畫像技術(shù)實現(xiàn)了教師問題的精準(zhǔn)診斷，提升了研修服務(wù)的針對性和有效性[10]。朱靖等結(jié)合基于規(guī)則的預(yù)測和基于決策樹的預(yù)測兩種方式，為教師發(fā)展預(yù)測提供了依據(jù)[11]。在可視化分析方面，研修數(shù)據(jù)背后隱藏的個體特征與行為規(guī)律，可通過基于文本[12]、表格、統(tǒng)計圖形[13]、詞云（標(biāo)簽云）[14]或融合的表示方法進(jìn)行展示，為資源的個性化推送提供可視化依據(jù)。

（二）多模態(tài)數(shù)據(jù)有助于全面精準(zhǔn)描繪教師畫像

利用聲音、視頻、表情、生理等多模態(tài)[15]研修數(shù)據(jù)構(gòu)建教師畫像，能夠超越單一模態(tài)數(shù)據(jù)局限，解決過程信息不全[16]、數(shù)據(jù)殘缺[17]等問題，立體化挖掘復(fù)雜多維的過程數(shù)據(jù)[18]，既能全面真實地反映研修情況，又能降低教師學(xué)習(xí)行為的預(yù)測錯誤率[19]。描繪教師畫像的核心數(shù)據(jù)可以分為四類：（1）個人背景類，主要是從人事系統(tǒng)或研修平臺管理系統(tǒng)獲取的教齡、學(xué)科、教育背景等數(shù)據(jù)；（2）自我報告類，即通過量表、問卷、訪談等形式獲取的數(shù)據(jù)，如認(rèn)知風(fēng)格、學(xué)習(xí)偏好和研修動機(jī)等；（3）研修行為類，來自教師發(fā)展系統(tǒng)或平臺的學(xué)習(xí)、交互行為記錄，以及個體研修時外接感應(yīng)器所捕捉的眼動、面部數(shù)據(jù)等；（4）生理體征類，是指通過可穿戴設(shè)備得到的腦電、皮電、心電等生理信號，能更加客觀地反映教師的學(xué)習(xí)狀態(tài)[20]。不同信息形態(tài)的數(shù)據(jù)流相互補(bǔ)充，描繪教師畫像的不同方面，在動態(tài)、精準(zhǔn)、真實、全面反映教師研修中發(fā)揮巨大潛能[21]。如何獲取和合理利用多模態(tài)數(shù)據(jù)構(gòu)建完整的教師畫像，為研修個體提供高質(zhì)量服務(wù)，已經(jīng)成為當(dāng)前相關(guān)領(lǐng)域亟待解決的現(xiàn)實問題。

（三）智能算法支持個性化研修路徑推薦

個性化研修路徑是教師在研修過程中根據(jù)自身學(xué)習(xí)偏好、認(rèn)知風(fēng)格、能力素養(yǎng)水平、學(xué)習(xí)需求和環(huán)境因素所選擇的學(xué)習(xí)活動路線和知識序列[22-23]。研修路徑推薦能夠助力教師研修的動態(tài)服務(wù)和優(yōu)化，這一過程的實現(xiàn)需要借助多元的智能型算法。當(dāng)前，研修路徑推薦算法主要包括基于內(nèi)容、知識、會話的推薦算法以及協(xié)同過濾和混合推薦五種（見表1）。（1）基于內(nèi)容的推薦，通過比較教師偏好與內(nèi)容屬性特征，為教師提供最適配的研修資源。例如，Raj等通過人工定義若干規(guī)則，將學(xué)習(xí)內(nèi)容特征與學(xué)習(xí)者風(fēng)格模型關(guān)聯(lián)起來，計算資源與學(xué)習(xí)者的相關(guān)性分?jǐn)?shù)，用于排序推薦資源[24]。（2）基于知識的推薦，將研修知識和資源相匹配，根據(jù)教師在相關(guān)學(xué)科領(lǐng)域中的知識偏好提供優(yōu)質(zhì)研修內(nèi)容。例如，Shi等構(gòu)建了以學(xué)習(xí)目標(biāo)為導(dǎo)向、包括六種語義關(guān)系的跨學(xué)習(xí)領(lǐng)域知識圖譜，結(jié)合學(xué)習(xí)者學(xué)習(xí)目標(biāo)和資源特征實現(xiàn)學(xué)習(xí)路徑推薦[25]。（3）基于會話的推薦，即捕獲教師狀態(tài)變化的算法，主要用于推薦模型的訓(xùn)練。例如，朱天宇等提出了能夠預(yù)測學(xué)習(xí)者知識掌握狀態(tài)的個性化練習(xí)題推薦方法，該方法根據(jù)學(xué)生的答題會話記錄形成認(rèn)知診斷模型，表示知識掌握狀態(tài)，預(yù)測答題情況，并據(jù)此推薦練習(xí)題[26]。（4）協(xié)同過濾是推薦系統(tǒng)中的經(jīng)典算法，從歷史行為數(shù)據(jù)中挖掘用戶偏好。在研修中，教師作為學(xué)習(xí)者，可以通過協(xié)同過濾算法分析學(xué)習(xí)偏好，完成教師群組劃分和相似推送。例如，申云鳳利用學(xué)習(xí)者的學(xué)習(xí)行為日志數(shù)據(jù)進(jìn)行建模，采用協(xié)同過濾算法為目標(biāo)學(xué)習(xí)者選擇和提供學(xué)習(xí)風(fēng)格、認(rèn)知水平相似的同伴[23]。（5）混合推薦，將多種算法相結(jié)合，緩解單一算法可能導(dǎo)致的矩陣稀疏、冷啟動等問題，以提高研修路徑推薦的準(zhǔn)確度。例如，Ibrahim等結(jié)合基于內(nèi)容的協(xié)同過濾推薦算法，構(gòu)建了基于本體混合的推薦系統(tǒng)框架，通過個性化課程推薦滿足用戶多元學(xué)習(xí)需求[27]。

三、基于畫像技術(shù)的研修路徑智能推薦模型

邏輯框架

以畫像技術(shù)和多模態(tài)數(shù)據(jù)為基礎(chǔ)，本研究構(gòu)建了教師研修路徑智能推薦模型，通過智能算法關(guān)聯(lián)教師關(guān)鍵特征和優(yōu)質(zhì)資源，形成最佳路徑（如圖1所示）。模型包含三個模塊，前一模塊的輸出是后一模塊的輸入。多模態(tài)數(shù)據(jù)采集、分類與預(yù)處理模塊負(fù)責(zé)對研修相關(guān)數(shù)據(jù)進(jìn)行感知、挖掘、轉(zhuǎn)換以及分類，并存儲在統(tǒng)一的數(shù)據(jù)池中；教師畫像生成模塊能夠?qū)︻A(yù)處理后的研修數(shù)據(jù)進(jìn)行分類標(biāo)記，生成事實標(biāo)簽、模型標(biāo)簽和預(yù)測標(biāo)簽，分析個體研修特征并將其可視化呈現(xiàn)；研修路徑推薦算法模塊融合多種智能算法為教師精準(zhǔn)匹配適切的優(yōu)質(zhì)學(xué)習(xí)內(nèi)容和工具，以實現(xiàn)個性化推送。

（一）多模態(tài)研修數(shù)據(jù)采集、分類與預(yù)處理

1. 多模態(tài)研修數(shù)據(jù)采集

多模態(tài)數(shù)據(jù)是構(gòu)建教師畫像的基礎(chǔ)，其采集手段包括平臺采集、視聽錄制、圖像識別、智能感知等。平臺采集支持獲取個體在線學(xué)習(xí)或交互時的研修行為數(shù)據(jù)，使用平臺自動記錄技術(shù)、日志搜索分析技術(shù)和網(wǎng)絡(luò)爬蟲采集技術(shù)等，抓取網(wǎng)絡(luò)研修平臺公開數(shù)據(jù)和用戶日志。視聽錄制支持獲取教師線下課堂教學(xué)中的音頻、視頻數(shù)據(jù)，在教師現(xiàn)場授課的同時，使用自動錄播技術(shù)記錄課堂教學(xué)和交互實況錄像。圖像識別支持檢測研修過程中的圖像類數(shù)據(jù)，從非結(jié)構(gòu)化內(nèi)容中分析和反映研修效果。例如，數(shù)碼筆借助高速攝像頭和光學(xué)點陣技術(shù)，不僅能將紙張上書寫的文字或圖片以數(shù)據(jù)的形式存儲，還可精準(zhǔn)捕捉筆尖的運動軌跡、速度與受壓變化，感知教師的筆跡信息。智能感知通過可穿戴技術(shù)、非接觸式感知技術(shù)等采集教師研修行為和相關(guān)生理數(shù)據(jù)，如佩戴眼動儀能夠精準(zhǔn)追蹤眼睛的視點軌跡、注視的時間與次數(shù)，甚至是瞳孔變化。

2. 多模態(tài)研修數(shù)據(jù)分類

數(shù)據(jù)分類可以更好地挖掘數(shù)據(jù)存在的價值，增強(qiáng)模型的有效性。根據(jù)教師畫像生成與研修特征的相關(guān)性，多模態(tài)研修數(shù)據(jù)劃分為核心數(shù)據(jù)、拓展數(shù)據(jù)和外延數(shù)據(jù)三類。核心數(shù)據(jù)是指直接從研修平臺獲取的教師相關(guān)數(shù)據(jù)，包括：（1）教師特征，包含年齡、工作經(jīng)歷等結(jié)構(gòu)性背景數(shù)據(jù)；（2）研修心理，即通過各種自我報告形式獲取的數(shù)據(jù)，主觀反映教師心理狀態(tài)和認(rèn)知風(fēng)格，是比較傳統(tǒng)的學(xué)習(xí)狀態(tài)數(shù)據(jù)來源；（3）交流互動，教師在研修時開展的討論、互評等交互數(shù)據(jù)；（4）自主學(xué)習(xí)，包含在線平臺記錄的日志信息，以及通過智能分析系統(tǒng)轉(zhuǎn)換生成的線下行為數(shù)據(jù)和生理信號；（5）伴隨產(chǎn)出的研修成果類數(shù)據(jù)，如教學(xué)設(shè)計和科研論文等。拓展數(shù)據(jù)主要指與研修相關(guān)的教學(xué)活動數(shù)據(jù)（如課堂中教師言語和非言語行為、多媒體教學(xué)內(nèi)容、師生互動等），在完整采集核心數(shù)據(jù)的前提下，這類數(shù)據(jù)能夠輔助判斷教師的研修需求。外延數(shù)據(jù)包括學(xué)生學(xué)情數(shù)據(jù)、學(xué)校公開的教育數(shù)據(jù)以及區(qū)域教育部門的教育大數(shù)據(jù)等?？傮w來看，各層級數(shù)據(jù)相互聯(lián)結(jié)、融通，對多場景、全時序的多模態(tài)研修數(shù)據(jù)進(jìn)行分類，實現(xiàn)信息的多源互補(bǔ)。

3. 數(shù)據(jù)預(yù)處理

由于前期獲取的數(shù)據(jù)結(jié)構(gòu)性質(zhì)不同、質(zhì)量參差不齊，有必要進(jìn)行數(shù)據(jù)預(yù)處理，以便后續(xù)教師研修特征的提取。數(shù)據(jù)預(yù)處理包括數(shù)據(jù)清理、數(shù)據(jù)集成、數(shù)據(jù)歸約和數(shù)據(jù)變換等步驟。數(shù)據(jù)清理主要包括移除異常值、替換缺失值、光滑噪聲數(shù)據(jù)、平滑或刪除離群點等數(shù)據(jù)操作[28]，用于清理異常和重復(fù)數(shù)據(jù)，糾正錯誤數(shù)據(jù)。數(shù)據(jù)集成是為保證教師畫像后續(xù)構(gòu)建的準(zhǔn)確性和易操作性，需要把所有類別的數(shù)據(jù)集合為一體，通過教師數(shù)據(jù)庫管理系統(tǒng)，合并、處理和管理多源異構(gòu)的數(shù)據(jù)。例如，某位教師可能有N條研修成績記錄，因此，有必要將這N條成績進(jìn)行加權(quán)平均運算進(jìn)行合并。數(shù)據(jù)歸約是在保留數(shù)據(jù)完整性的基礎(chǔ)上，對上一步形成的龐大研修數(shù)據(jù)集進(jìn)行壓縮，以提高數(shù)據(jù)挖掘效率。數(shù)據(jù)變換是為了盡可能篩選更多具備實用價值的數(shù)據(jù)，對不同類型、格式的數(shù)據(jù)進(jìn)行規(guī)范化、離散化和稀疏化處理，使其統(tǒng)一變換成適合畫像技術(shù)的格式。

（二）基于多模態(tài)數(shù)據(jù)的畫像生成

1. 特征標(biāo)簽提取

特征標(biāo)簽提取是構(gòu)建教師畫像最為重要的環(huán)節(jié)，標(biāo)簽是規(guī)范程度較高且具有語義的短文本，既能直接被人理解，也方便計算機(jī)提取、聚類[29]?；谘行藓诵臄?shù)據(jù)，教師畫像可以分為五類（見表2）：教師特征、研修心理、交流互動、自主發(fā)展、研修成果。不同數(shù)據(jù)需要分別通過統(tǒng)計分析、建模分析、模型預(yù)測等方法生成事實標(biāo)簽、模型標(biāo)簽、預(yù)測標(biāo)簽。事實標(biāo)簽是采用文本挖掘、自然語言處理等統(tǒng)計算法對原始數(shù)據(jù)進(jìn)行簡單統(tǒng)計分析得到的標(biāo)簽。例如，通過研修管理系統(tǒng)獲取用戶性別、學(xué)歷和工齡等基本信息，直接統(tǒng)計轉(zhuǎn)化生成教師特征標(biāo)簽。模型標(biāo)簽是教師標(biāo)簽體系的核心，需要通過定義規(guī)則或建立模型來計算得出。例如，對教師學(xué)習(xí)歷史數(shù)據(jù)進(jìn)行深入分析，得到內(nèi)容關(guān)注標(biāo)簽，判斷該教師所關(guān)注的研修主題和內(nèi)容。預(yù)測標(biāo)簽是在事實標(biāo)簽和模型標(biāo)簽的基礎(chǔ)上，利用聚類和預(yù)測等算法對畫像模型進(jìn)行訓(xùn)練優(yōu)化后，輸出的具有概率預(yù)測和價值預(yù)測功能的標(biāo)簽。例如，通過識別教師高頻瀏覽的研修資源，預(yù)測下一步可能需要的服務(wù)，為研究路徑的智能推薦提供依據(jù)。

2. 教師畫像可視化

教師畫像的可視化表征以人物肖像與標(biāo)簽詞云相結(jié)合的形式為主。利用如Wordle、tagCloud、Tagul、Tagxedo等標(biāo)簽可視化工具，根據(jù)標(biāo)簽權(quán)重，用不同大小的文字形象直觀地表現(xiàn)教師研修特征。同時，畫像的表征方法還有很多，如結(jié)構(gòu)化的文本描述、展示教師特征的表格繪制以及表達(dá)群體特征的直方圖、折線圖等。此外，隨著可視化技術(shù)的發(fā)展，3D建模、虛擬現(xiàn)實、AI智能展示等新技術(shù)也在不斷豐富著畫像的可視化手段[30]。

（三）基于教師畫像的研修路徑推薦算法

精準(zhǔn)畫像既可以客觀描述研修個體特征，還能跟蹤發(fā)現(xiàn)行為規(guī)律和動態(tài)預(yù)測需求變化。路徑推薦模型根據(jù)交流互動、自主發(fā)展等特征標(biāo)簽，結(jié)合智能推薦算法，實現(xiàn)個性化檢索服務(wù)、學(xué)科研修資源推送、同伴推薦等功能。其中，個性化檢索功能為教師提供最優(yōu)檢索結(jié)果，幫助提升檢索體驗[31]。例如，基于教師最近檢索行為、畫像表征的長期需求和偏好，采用加權(quán)混合方式，推測教師可能需要的檢索信息，在最佳位置呈現(xiàn)最為匹配的檢索結(jié)果。學(xué)科研修資源推送功能采取基于內(nèi)容的推薦算法，依據(jù)學(xué)科背景、認(rèn)知偏好、近期興趣等標(biāo)簽，推送平臺中符合教師特征的學(xué)科類文本、視頻資源。同伴推薦功能依據(jù)畫像表征的工作背景、研修行為、認(rèn)知風(fēng)格等特征，為教師匹配相似型或互補(bǔ)型同伴[32]。

四、基于畫像技術(shù)的教師個性化研修路徑動態(tài)優(yōu)化

教師研修路徑的優(yōu)化，關(guān)鍵在于個性化導(dǎo)研服務(wù)、資源關(guān)聯(lián)推薦、研修路徑發(fā)現(xiàn)、基于目標(biāo)導(dǎo)向的過程評價、研修行為的智能預(yù)警，從而實現(xiàn)研修路徑智能推薦的整體構(gòu)想。

（一）基于畫像的個性化導(dǎo)研服務(wù)

所謂個性化，需以教師的研修需求為導(dǎo)向，提供有針對性的服務(wù)。首先，針對研修個體初次登錄平臺時，沒有數(shù)據(jù)所造成的“冷啟動”問題，可通過需求和偏好調(diào)查，挖掘教師在人事系統(tǒng)或其他資源平臺中的基礎(chǔ)信息，填補(bǔ)畫像空白，實現(xiàn)資源的精準(zhǔn)推送。隨著研修的深入開展，伴隨研修過程產(chǎn)生的多模態(tài)數(shù)據(jù)使得畫像愈加完整、全面。路徑智能推薦模型一方面通過交流互動類標(biāo)簽和自主發(fā)展標(biāo)簽表征和預(yù)測教師需求和學(xué)習(xí)偏好，另一方面訓(xùn)練研修資源的語義表征，提高資源推送的精準(zhǔn)度，最終實現(xiàn)教師個體和資源的雙向適配。最后，畫像還能夠動態(tài)表征研修情況和實時預(yù)警教師困惑，以便提供下一步的導(dǎo)研指引和答疑服務(wù)。

（二）基于知識圖譜的資源關(guān)聯(lián)推薦

在進(jìn)行研修資源推薦時，根據(jù)教師需求和偏好標(biāo)簽，匹配具有相應(yīng)特征的資源，能夠在一定程度上實現(xiàn)自適應(yīng)推送，但忽略了研修知識和資源之間存在的內(nèi)部聯(lián)系。因此，實現(xiàn)資源關(guān)聯(lián)推薦需要建立在知識圖譜基礎(chǔ)之上，圖譜的任意一點表示為一個信息單元，信息單元之間的邏輯關(guān)系通過有向邊描述。相應(yīng)地，利用教師專業(yè)發(fā)展所需的核心知識構(gòu)建知識圖譜，將圖譜中各知識節(jié)點延展為個體發(fā)展的具體能力及其對應(yīng)的研修內(nèi)容，利用路徑推薦模型建立知識標(biāo)簽，將具有內(nèi)容邏輯的主題列表發(fā)送給教師。由于教師對主題的感興趣程度會隨著時間的推移而發(fā)生變化，可以為圖譜中的知識節(jié)點分配權(quán)重值，從而發(fā)現(xiàn)研修個體對不同知識的興趣差異。

（三）基于群體智能的研修路徑發(fā)現(xiàn)

群體智能概念源于對自然界中生物群體行為規(guī)律的觀察，表示為非智能群體通過簡單合作表現(xiàn)出智能行為的特征[33]。在大數(shù)據(jù)時代，教師群體產(chǎn)生了大量可供分析的研修數(shù)據(jù)。一方面，應(yīng)用K-Means聚類分析等智能技術(shù)對教師進(jìn)行聚類，輸出各類群體畫像，基于聚類分析的結(jié)果，探究這幾類群體研修時表現(xiàn)出的問題，尋找符合他們需求和解決實際問題的途徑，可幫助其實現(xiàn)有效發(fā)展。另一方面，挖掘分析具有相同或相近偏好、知識水平的群體研修最優(yōu)路徑，在決策時綜合參考該群體對路徑的評價以及目標(biāo)教師用戶在知識水平和學(xué)習(xí)風(fēng)格上的特點，以實現(xiàn)更高質(zhì)量的研修路徑推薦。

（四）基于目標(biāo)導(dǎo)向的過程評價

在提升自身專業(yè)素質(zhì)能力[34]和提高教育教學(xué)實績[35]的目標(biāo)導(dǎo)向下，教師研修效果的評價設(shè)計要突破結(jié)果性局限，重視過程性評價，量化測試與質(zhì)性分析相結(jié)合。本研究所構(gòu)建的教師研修路徑智能推薦模型中，自主發(fā)展和研修成果標(biāo)簽?zāi)軌虮碚鹘處焸€人的研修目標(biāo)達(dá)成情況和需求，以此作為后續(xù)知識點相關(guān)內(nèi)容推送的重要參考。同時，借助數(shù)據(jù)可視化工具，以直觀明了的圖形、圖像呈現(xiàn)研修效果，將評價結(jié)果更加清晰有效地傳達(dá)給教師，既增強(qiáng)了數(shù)據(jù)的可讀性，也有助于教師從多角度進(jìn)行自我評價和反思，并更具針對性地調(diào)整學(xué)習(xí)態(tài)度和方式。

（五）基于研修行為的智能預(yù)警

路徑推薦模型通過挖掘和分析教師在線研修數(shù)據(jù)，精準(zhǔn)識別學(xué)習(xí)情況，預(yù)測潛在危機(jī)，并向教師提前發(fā)出警示信息，同時對其研修行為加以干預(yù)，提供相應(yīng)的指導(dǎo)和幫助。一方面，研修管理系統(tǒng)通過檢測登錄平臺次數(shù)，發(fā)現(xiàn)極少登錄平臺的“邊緣用戶”，系統(tǒng)以自動消息彈窗或電子郵件的形式發(fā)送通知信息，提醒教師按時登錄平臺、及時完成考核、提交課程作業(yè)，從而完成特定的研修任務(wù)。另一方面，系統(tǒng)根據(jù)當(dāng)前階段教師參與和完成任務(wù)情況識別研修效果，由干預(yù)引擎自動生成警示等級，向研修個體提供相應(yīng)的建議和資源。例如，學(xué)習(xí)風(fēng)險報告可以幫助教師更加了解自身在現(xiàn)階段的研修情況和可能出現(xiàn)的問題，以促進(jìn)自我監(jiān)控和反思。在研修活動持續(xù)開展的過程中，智能預(yù)警引擎對教師研修行為風(fēng)險進(jìn)行實時的循環(huán)診斷和干預(yù)，隨著數(shù)據(jù)的不斷增加以及干預(yù)策略的不斷豐富，預(yù)警效果將越來越科學(xué)、及時和準(zhǔn)確。

五、結(jié)? ?語

多模態(tài)數(shù)據(jù)為教師畫像構(gòu)建提供了基礎(chǔ)，畫像技術(shù)為研修路徑的生成和優(yōu)化提供了有力支撐，基于畫像技術(shù)的研修路徑推薦作為滿足教師個性化研修需求、促進(jìn)專業(yè)發(fā)展的關(guān)鍵，是當(dāng)前教師教育領(lǐng)域的重要研究內(nèi)容。在人工智能、大數(shù)據(jù)等新興技術(shù)快速崛起背景下，本研究結(jié)合多模態(tài)數(shù)據(jù)采集分類與預(yù)處理、教師畫像生成、研修路徑推薦算法三個方面，構(gòu)建了基于多模態(tài)數(shù)據(jù)和畫像技術(shù)的教師研修路徑智能推薦模型，并由此提出了個性化導(dǎo)研服務(wù)、資源關(guān)聯(lián)推薦、群體研修路徑發(fā)現(xiàn)、過程性研修評價和研修行為智能預(yù)警五種路徑動態(tài)優(yōu)化方案，為人工智能在教師專業(yè)發(fā)展中的應(yīng)用、教師精準(zhǔn)研修的有效開展提供了新思路。

[參考文獻(xiàn)]

[1] ALEJANDRO O， MENENDEZ A， LE H E. Improving teaching quality through training： evidence from the caucasus[J]. Economics of education review， 2017，61：1-8.

[2] 教育部.教育部關(guān)于實施第二批人工智能助推教師隊伍建設(shè)行動試點工作的通知[EB/OL].（2021-09-08）[2021-12-27]. http：//www.moe.gov.cn/srcsite/A10/s7034/202109/t20210915_563278.html.

[3] 張瑾，張夷楠，葉海智，等.教師在線學(xué)習(xí)社區(qū)中會話主題發(fā)現(xiàn)及演化分析[J].遠(yuǎn)程教育雜志，2021，39（2）：85-94.

[4] 王一巖，王楊春曉，鄭永和.多模態(tài)學(xué)習(xí)分析：“多模態(tài)”驅(qū)動的智能教育研究新趨向[J].中國電化教育，2021（3）：88-96.

[5] 張琪，武法提.學(xué)習(xí)分析中的生物數(shù)據(jù)表征——眼動與多模態(tài)技術(shù)應(yīng)用前瞻[J].電化教育研究，2016，37（9）：76-81，109.

[6] 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.

[7] 方丹丹，王海濤，李穎，等.對外經(jīng)濟(jì)貿(mào)易大學(xué) 用大數(shù)據(jù)描繪“教師畫像”[J].中國教育網(wǎng)絡(luò)，2017（7）：61-63.

[8] 胡小勇，林梓柔.精準(zhǔn)教研視域下的教師畫像研究[J].電化教育研究，2019，40（7）：84-91.

[9] 王冬冬，張亨國，鄭勤華，等.教師網(wǎng)絡(luò)研修社區(qū)學(xué)習(xí)者模型構(gòu)建研究[J].中國遠(yuǎn)程教育，2019（7）：47-55.

[10] 薛楊，陳曉慧.混合式培訓(xùn)視角下的研修平臺構(gòu)建與應(yīng)用研究[J].中國電化教育，2020（12）：112-118，130.

[11] 朱靖，劉太如.區(qū)域中小學(xué)教師專業(yè)畫像的設(shè)計與實踐[J].中國教育信息化，2021（17）：56-59.

[12] 黃曉斌，張明鑫.融合多源數(shù)據(jù)的企業(yè)競爭對手畫像構(gòu)建[J].現(xiàn)代情報，2020，40（11）：13-21，33.

[13] 蘇文帥，欒一飛.城市貧困群體畫像與媒體話語建構(gòu)：基于大數(shù)據(jù)的分析[J].傳媒，2019（6）：94-96.

[14] 趙雅慧，劉芳霖，羅琳.大數(shù)據(jù)背景下的用戶畫像研究綜述：知識體系與研究展望[J].圖書館學(xué)研究，2019（24）：13-24.

[15] 牟智佳.多模態(tài)學(xué)習(xí)分析：學(xué)習(xí)分析研究新生長點[J].電化教育研究，2020，41（5）：27-32，51.

[16] ERADZE M， LAANPERE M. Lesson observation data in learning analytics datasets： observata[C]//12th European Conference on Technology Enhanced Learning. Tallinn： Springer International Publishing， 2017： 504-508.

[17] ZHENG W L， LIU W， LU Y， et al. EmotionMeter： a multimodal framework for recognizing human emotions[J]. IEEE transactions on cybernetics， 2019， 49（3）：1110-1122.

[18] DI MITRI D， SCHNEIDER J， SPECHT M， et al. From signals to knowledge： a conceptual model for multimodal learning analytics[J]. Journal of computer assisted learning，2018，34（4）：338-349.

[19] GIANNAKO M N， SHARMA K， PAPPAS I O， et al. Multimodal data as a means to understand the learning experience[J]. International journal of information management，2019，48：108-119.

[20] YIN Z， ZHAO M， WANG Y， et al. Recognition of emotions using multimodal physiological signals and an ensemble deep learning model[J]. Computer methods & programs in biomedicine，2017，140：93-110.

[21] 彭紅超，魏非，閆寒冰.多模態(tài)數(shù)據(jù)賦能教師畫像：從簡筆畫走向全息畫像[J].開放教育研究，2021，27（2）：80-89.

[22] 劉璇，崔永鵬.非線性學(xué)習(xí)視域下教師智能研修系統(tǒng)設(shè)計與應(yīng)用研究[J].中國電化教育，2021（9）：97-103.

[23] 申云鳳.基于多重智能算法的個性化學(xué)習(xí)路徑推薦模型[J].中國電化教育，2019（11）：66-72.

[24] RAJ N S， RENUMOL V G. A rule-based approach for adaptive content recommendation in a personalized learning environment： an experimental analysis[C]// 2019 IEEE Tenth International Conference on Technology for Education （T4E）. Goa： IEEE Computer Society Conference Publishing Services，2019：138-141.

[25] SHI D， WANG T， XING H， et al. A learning path recommendation model based on a multidimensional knowledge graph framework for e-learning[J]. Knowledge-based systems，2020，195：105618.

[26] 朱天宇，黃振亞，陳恩紅，等.基于認(rèn)知診斷的個性化試題推薦方法[J].計算機(jī)學(xué)報，2017，40（1）：176-191.

[27] IBRAHIM M E， YANG Y， NDZI D， et al. Ontology-based personalised course recommendation framework[J]. IEEE access，2018，7：5180-5199.

[28] 王永固，陳俊文，丁繼紅，等.數(shù)據(jù)驅(qū)動的教師網(wǎng)絡(luò)研修社區(qū)數(shù)字畫像構(gòu)建與應(yīng)用——基于“浙江名師網(wǎng)”的數(shù)據(jù)分析[J].遠(yuǎn)程教育雜志，2020，38（4）：74-83.

[29] 趙輝，化柏林，何鴻魏.科技情報用戶畫像標(biāo)簽生成與推薦[J].情報學(xué)報，2020，39（11）：1214-1222.

[30] 劉學(xué)太，李陽，巴志超，等.數(shù)據(jù)驅(qū)動環(huán)境下數(shù)據(jù)畫像若干問題探析[J].情報理論與實踐，2022，45（4）：87-94.

[31] 陳丹，柳益君，羅燁，等.基于用戶畫像的圖書館個性化智慧服務(wù)模型框架構(gòu)建[J].圖書館工作與研究，2019（6）：72-78.

[32] 蘭麗娜，石瑞生，勾學(xué)榮.基于學(xué)習(xí)行為模型的學(xué)習(xí)伙伴推薦方法研究[J].現(xiàn)代教育技術(shù)，2018，28（4）：67-73.

[33] WONG L H， LOOI C K. Swarm intelligence： new techniques for adaptive systems to provide learning support[J]. Interactive learning environments，2012，20（1）：19-40.

[34] 中華人民共和國中央人民政府. 中共中央 國務(wù)院關(guān)于全面深化新時代教師隊伍建設(shè)改革的意見[EB/OL].（2018-01-03）[2021-12-27]. http：//www.gov.cn/zhengce/2018-01/31/content_5262659.htm.

[35] 中華人民共和國中央人民政府.中共中央 國務(wù)院印發(fā)《深化新時代教育評價改革總體方案》[EB/OL].（2020-10-13）[2021-12-27]. http：//www.gov.cn/zhengce/2020-10/13/content_5551032.htm.

Research on Intelligent Recommendation of Teacher Training Paths Based on Portrait Technology

HU Xiaoyong1，? SUN Shuo1，? MU Su2

（1.School of Information Technology in Education， South China Normal University， Guangzhou Guangdong 510631; 2.Institute of Artificial Intelligence in Education， South China Normal University， Guangzhou Guangdong 510631）

[Abstract] Teachers are the primary resources of education， and training is an important way to promote teachers' professional development. Under the empowerment of new technologies such as big data and digital portraits， optimizing teacher training paths to improve the quality of teacher development has become particularly important. This paper constructs an intelligent recommendation model for teacher training paths supported by multimodal data and portrait technology， including three modules， namely， data accompanying collection， classification and preprocessing， teacher portraits generation， and training paths algorithm， so as to realize the intelligent matching of teacher training characteristics and high-quality training resources. In terms of dynamic optimization of teacher training paths， the model meets teachers' personalized training needs by providing personalized research guidance based on portraits， associated resource recommendation based on knowledge graphs， group path discovery based on group intelligence， process evaluations based on goal orientation and intelligent early-warning based on training behaviors， which provides reference for exploring the potential of training data and promoting the innovation of teachers' intelligent training model.

[Keywords]? Teacher Portraits; Teacher Professional Development; Multimodal Data; Personalized Training; Intelligent Recommendation