基于劃分聚類的教學勝任力診斷模型構建

任維武

(長春理工大學,吉林長春 130022)

一、研究背景

黨的二十大報告明確提出要“推進教育數字化，建設全民終身學習的學習型社會、學習型大國”。中共中央國務院印發《數字中國建設整體布局規劃》，規劃中提到“構建普惠便捷的數字社會，促進數字公共服務普惠化，大力實施國家教育數字化戰略行動，完善國家智慧教育平臺”。大數據、云計算、人工智能等現代信息技術在社會發展中的深入推進，宣告數字時代的來臨。在數字時代，社會也將呈現出“數字化轉型”的特征。

數字化轉型可以理解為在數字技術的驅動下，組織在管理目標、方式、結果等方面的轉變過程，以及在此基礎上引發的社會關系格局的重塑過程[1]。祝智庭等人認為教育數字化轉型將數字技術整合到教育領域各個層面，推動教育組織架構、課程內容、教學過程創新與變革，形成具有開放性、適應性、柔韌性的教育新生態[2]。教師隊伍建設數字化是教育數字化的關鍵，而基于信息技術的教學勝任力模型診斷研究是推進教師數字治理、教師隊伍建設數字化的核心問題。在此背景下，研究者提出了一系列教學勝任力模型，顏正恕[3]借助探索性、驗證性因子分析和AHP 等方法，構建了包括教學人格、信息素養、晶體能力、教學影響、教學互動和教學管理等6 個一級因子和21 個二級因子的高校教師慕課教學勝任力模型和評價體系。李黨輝等人[4]通過探索性分析，建構并驗證了江蘇語文特級教師教學勝任力模型。周榕[5]以“教學交互”勝任力為樣本，利用ADAPTIT 設計軟件完成了培訓方案設計的10 個主要步驟，并自主研發培訓平臺Axure RP 原型，以新入職教師為對象完成了階段性的實踐應用，分別對設計有效性和培訓有效性進行了初步驗證。廖宏建等人[6]通過文獻回顧、專家咨詢以及對教師關鍵行為實踐訪談內容的編碼和統計分析，構建了SPOC 混合教學勝任力模型，并對模型的構建效度和預測效度進行了交叉驗證。郝兆杰等人[7]以文獻研究為基礎，篩選出高校教師翻轉課堂教學勝任力因子，再通過德爾斐法獲得專家信度，對模型進行探索性因素分析和驗證性因子分析，最終構建了翻轉課堂教學勝任力模型。于楊等人[8]對新工科教師勝任力的素養結構進行研究，提出集知識素養、工程素養、教學素養、個人素養于一體的“四維一體”新工科教師勝任力模型。萬昆等人以后疫情時代在線教學為背景，研究結合布迪厄的場域理論，提出了后疫情時期發展教師在線教學勝任力策略模型，包括意識層、技術層、應用層、治理層的“四維度十策略”，為高校教師在線教學高質量發展提供參考。葉劍強等人[9]基于理科教學勝任力的操作性定義，構建了理科教師勝任力的理論模型，并通過專業標準文本材料編碼、德爾菲專家調查數據模糊性收斂分析等手段，驗證了所構建的中學理科教師勝任力模型符合新時代國家對教師建設的要求。孫曉紅等人[10]基于整體勝任力模型，分析聯合國教科文組織、歐盟、挪威和西班牙的教師數字勝任力框架如何體現“學習者中心”的原則。王晶心等人[11]以教師專業發展和教師勝任力理論為指導，對混合式教學勝任力、TPACK 知識框架等相關文獻進行分析，結合高校教師特點構建了包括專業價值觀、知識與技能、創新與學術3 個核心維度和10 項勝任特征的高校教師混合式教學勝任力模型，能夠較為全面地解釋混合式教學對高校教師提出的勝任力要求。單俊豪等人[12]通過文獻法和兩輪德爾菲法構建了STEM 教師教學勝任力理論模型，并基于該模型設計STEM 教師教學勝任力表現性評價過程模型。馬婕等人[13]基于ADDIE 拓展模型提出高校教師教學勝任力進階發展模型，將勝任力嵌入教學系統設計的各個環節，構建能夠表征高校教師教學勝任力靜態和動態兩種不同狀態下的勝任力結構體系。

二、問題提出

梳理以上文獻，我們可以看出教育數字化為教師隊伍建設數字化指明了方向，但也提出了新的問題，傳統教師教學勝任力體系缺乏對數字素養的關注，且不能診斷教師當前勝任力存在的問題，更無法為教師提供有效的終身學習指導。針對以上問題，現有的研究主要集中在利用傳統方法針對特定人群構建教學勝任力模型方向上，這類研究方法理論性較強，且有一定的使用價值，但普遍存在一定的應用局限性，而對于利用信息技術手段解決教學勝任力模型構建所遇到的實際問題，相關研究較少。

本文在參考已有教學勝任力模型的基礎上，利用劃分聚類方法將具備不同教學勝任力的教師分類，構建教學勝任力診斷模型，并以此模型為教師提供發展指導。

三、相關理論基礎

本文使用劃分聚類對全部樣本進行劃分，而劃分聚類依靠樣本之間的距離，其中距離的定義為：

當q=2 時，表示為歐氏距離，在實際應用過程中，歐式距離容易受量綱影響，造成屬性之間權重不平等，為了避免這種情況，需要對數據進行預處理，本文使用標準化變換的預處理方式：

劃分聚類方法就是通過計算樣本之間的距離，將距離相近的樣本自動歸類到一起，組成一個簇，簇內的樣本具有一定的相似性。本文中利用這一原理，計算不同教師的教學勝任力相似性，將教學勝任力相似的教師聚成一個簇。

四、基于劃分聚類的教學勝任力診斷模型構建

基于劃分聚類的教學勝任力診斷模型是通過發現教學勝任力要素、要素屬性、要素之間的關系，構建教學勝任力知識圖譜，再通過教學勝任力量表，對教師教學勝任力進行評估，在此基礎上，構建基于劃分聚類的教學勝任力診斷模型。

如圖1所示，基于劃分聚類的教學勝任力診斷模型包含教學勝任力要素、要素屬性與要素之間關系、教學勝任力知識圖譜、教學勝任力量表、教學勝任力診斷模型、教師勝任力評估應用、發現問題及提出建議等模塊，最終目標是利用教學勝任力診斷模型，對教師教學勝任力進行評估，發現教師教學勝任力可提升的空間，并為教師提供可行性發展建議。其中，教師勝任力量表是量化教師教學勝任力的主要工具，從教師教學勝任力的六個維度[14]進行設計，分別是教育和課程、教學和方法、溝通和關系、工具和技術、評估和調查、個人和態度。如教育和課程方面，包含制定課程目標、制定學習目標、制定教學內容、制作教學資源、引導個性化學習、保持教學內容與教學目標一致性等方面；如個人和態度方面，包含教師職業態度、教學熱情、對學生態度和情緒、教學氛圍、學習習慣、學習意識等。

圖1 基于劃分聚類的教學勝任力診斷模型框架圖

由于本文致力于構建一個泛化的教學勝任力模型，需要盡力避免局限于某個具體的領域或者應用中，因此，我們選擇了Guzman 等人[14]提出的六個維度的教學勝任力主要要素，并以此六個主要要素構建了教學勝任力知識圖譜，如圖2所示，六個主要要素為教育/課程、教學/方法、評估/調查、溝通/關系、工具/技術、個人/態度，在此基礎上，我們挖掘這六個維度要素屬性和要素之間的關系。要素屬性方面，工具/技術屬性，包括教學工具、技術設備、教學軟件等；教學/方法屬性，包括教學方法、教學策略、學習興趣等；教育/課程屬性，包括課程目標、學習目標、教學資源等。要素之間的關系方面，“工具/技術”和“教學/方法”之間的關系，包括工具影響教學、教學改進工具；“教學/方法”和“溝通/關系”之間的關系，包括師生關系影響教學、家校溝通影響教學等。

圖2 教學勝任力主要要素知識圖譜

本文使用K-means 劃分聚類作為核心算法，其基本流程如圖3所示，輸入為教師教學勝任力量表獲得的數值，為了避免有些數值過大影響屬性權值，對每一類數據執行標準化變換數據操作。設置K、迭代數等參數，其中K 用來人為指定聚類生成簇的數量。之后進行不同教師相似教學勝任力聚類成簇的操作，具體可以分為如下步驟：第一步，隨機生成K 個簇的中心；第二步，計算當前教師教學勝任力樣本到各簇中心的距離；第三步，將樣本歸類到最近的簇中心；第四步，對加入樣本的簇重新更計算平均值，更新簇的中心；第五步，判斷各簇的中心是否發生變化，如果簇中心發生變化，則執行第六步，否則判斷程序執行次數是否達到預設迭代數，如果達到，則執行第六步，否則執行第二步；第六步，輸出簇和簇的中心，結束程序。

圖3 基于劃分聚類的不同教師相似教學勝任力聚類成簇的流程

通過劃分聚類算法，獲得了教師教學勝任力聚類形成的各個簇。在此基礎上，利用教學勝任力診斷模型，推薦教師個性化發展方向，以及生成個人能力提升建議。其具體流程如圖4所示，對教師教學勝任力個人樣本進行量表數值化和標準化變換處理，計算當前樣本到各簇中心之間距離，比較這些距離，并選擇前m 個距離較近的簇中心，這些簇可以被看作是與當前個人樣本教師教學勝任力能力相近的群體，也是當前個人樣本較為容易達到的發展方向，因此可以作為推薦備選。在此策略的指導下，計算樣本的教師教學勝任力絕對值CAVs，其中教學勝任力絕對值指的是當前樣本到原點的距離，用來表示個人教學勝任力的絕對大小。接著計算前m個簇中心的教師教學勝任力絕對值CAVm,然后比較個人教學勝任力絕對值和各簇中心教師教學勝任力絕對值的大小，如果個人教學勝任力能力絕對值大于簇中心教師教學勝任力絕對值，則表示個人教學勝任力優于當前簇教學勝任力的平均水平，不能作為教師個性化發展方向推薦，否則，繼續比較樣本和中心能力差距，輸出教師個性化發展方向。除了推薦教師個性化發展方向外，還需要生成個人能力提升建議，需要計算樣本所在簇的最大勝任力絕對值CAVmax，同時比較個人教學勝任力絕對值和樣本所在簇的最大勝任力絕對值。如果個人教學勝任力絕對值小于樣本所在類的最大勝任力絕對值，則說明在同一個簇內，存在較為優秀的教師作為學習對象，可以依照優秀學習對象生成個人能力提升建議，否則，說明當前樣本為簇內最優秀的教師，不能提供個人能力提升建議。

圖4 利用教學勝任力診斷模型生成發展方向和提升建議流程

五、總結與展望

基于劃分聚類的教學勝任力診斷模型構建方法是通過制定并發放教學勝任力量表，獲取教師教學勝任力第一手數據，并利用此數據，構建基于劃分聚類的教學勝任力診斷模型。通過對教師教學勝任力群體的劃分，實現教師教學勝任力的自動分類，并提出了基于教學勝任力診斷模型的個性化發展方向和個人能力提升建議自動生成方法，滿足了教師教學勝任力的數字化、智能化的發展需求。通過比較個人教師教學勝任力與各簇中心點之間的距離，對個人教師教學勝任力進行了劃分，利用教師教學勝任力絕對值指標，比較個人教學勝任力絕對值和各簇中心教師教學勝任力絕對值的大小，實現教師個性化發展方向自動推薦。通過比較個人教學勝任力絕對值和樣本所在簇的最大勝任力絕對值，實現教師個人能力提升建議自動生成。因此，基于劃分聚類的教學勝任力診斷模型具有一定的現實指導意義。

目前，該方法存在的問題主要集中在兩個方面：一是無法直接向簇外優秀教師學習，二是無法提供具體的個人提升建議。下一步工作主要集中在兩個方面：一方面是引入新的思想、原理和方法，解決無法自動生成具體個人提升建議的問題；另一方面是改進算法，擴大優秀教師樣本搜索范圍，進一步增強方法的實效性。