智能精準教研背景下教師群體畫像實踐研究

摘要：教師教育的發展是教育現代化的重要組成部分。基于精細化數據管理和科學決策的精準教研為教師專業發展提供了新的手段。該研究以教師群體畫像技術為核心，通過構建群體畫像框架，并以央館智能研修平臺所提供的數據為基礎，聚焦于數學學科中“好課”的關鍵特征，并構建了教師群體畫像標簽體系。此外，通過對不同教師群體的職級、學科和學校等三維特征的分組，從常模分析、特征分析以及差異分析的角度揭示了教師群體的特征和課堂模式。研究表明，群體畫像不僅有助于制定教師個性化成長方案，還能促進跨學科和跨校區的協同創新、推動數據驅動的教育決策，實現教育質量的持續改進和動態評估。

關鍵詞：精準教研；群體畫像；實踐研究

中圖分類號：G434 文獻標識碼：A

* 本文系教育部教育技術與資源發展中心（中央電化教育館）智能研修平臺應用試點工作、國家社會科學基金教育學一般課題“初中生學業增值評價的模型構建與監測研究”（項目編號：BHA220133）階段性研究成果。

① 李雅瑄為本文通訊作者。

在當前中國教育改革與信息技術迅猛發展的背景下，提升教學質量和推動教師專業發展已成為教育領域的重要議題。智能精準教研作為一種新興的教研模式，強調基于數據的精細化管理和科學決策，旨在通過深入的教學分析和d4f7a725101b6bdf5a19517a681934ca2daaa6a3e7c992245a20cd83dd2270af教師評價，實現教育資源的優化配置和教學效果的最大化。在這一背景下，群體畫像技術作為教育研究和實踐中的重要分支，逐漸受到關注，該技術的應用有助于深入理解教師群體的特征和需求，并支持教師個性化成長方案的設計和實施。

一、相關概念及文獻綜述

（一）智能精準教研

教研，即教師教學研究，旨在通過對教學實踐中的現象、問題和過程進行深入的理論探討和分析的研究活動[1]，是促進教師專業成長和提升教育質量的核心途徑。胡小勇提出了“精準教研”概念，認為精準教研是一種以提升教師專業素養為目標，利用信息技術收集和分析多模態數據，旨在促進課堂教學改進、優化教學行為，并為教研決策提供精準支持的教研模式[2]。楊欣認為人工智能技術賦能助力教研變革，促進教師高級智慧的發展[3]。李陽等人認為“智能精準教研”是融合人工智能與教師教育的教研新形態，強調對教師課堂教學行為和評價數據進行分析[4]。鄭欣欣等人認為智能精準教研是依托數據支持，通過人工智能技術精確診斷問題并實施精準干預的教研活動[5]。目前我國現有研究對智能精準教研的理解有所不同，但都強調數據對智能精準教研的重要性。例如，張妮等人基于大規模問卷調查，開發了PAST模型以支持精準教研[6]。楊麗娜等人基于TPACK模型，針對教師教研資源需求，構建了一個智能推薦模型[7]。胡小勇等人通過對多模態數據的分析生成教師畫像，運用智能推薦算法為教師提供智能研修路徑[8]。傳統教研活動存在參與度低，信息傳遞單向，評價單一，過于形式化等問題。智能精準教研的基礎在于利用人工智能技術，通過智能研修平臺分析教學研修的過程數據和評價數據，優化和調整教學進度，從而提升教師的專業水平和教學質量。

（二）群體畫像

群體畫像技術起源于營銷和社交媒體領域，用于分析和預測消費者行為。Alan Cooper首次提出了用戶畫像的概念，將其定義為基于市場與大量數據構建的真實用戶群體的虛擬模型[9]。在教育領域，這一技術被用來描繪學生或教師群體的共同特征，如學習習慣、知識掌握水平和教學風格。通過對教育數據的深入分析，利用畫像技術能夠較為客觀地對教師或學生群體進行精準描述，從而實現更精準的教育干預。Shahbaz等利用自然語言處理和語義分析，基于用戶信息、偏好和搜索歷史構建用戶畫像，為在線學習者推薦內容和課程建議[10]。陳海建等人通過獲取在線學習者數據，從基本屬性和學習過程特征來構建學習者畫像與分析，能夠有效促進學生的個性化教學[11]。群體畫像涉及收集群體數據、聚類分析、模型訓練和優化，以生成能表征和預測群體行為的語義化標簽。胡小勇團隊通過挖掘和分析與教研相關的數據，利用畫像技術構建的虛擬教師模型。構建教師畫像依賴于全面多元的教學研究數據，目的是為了準確展示教學狀態、挖掘潛在信息、預見教師研究行為的發展趨勢，并助力于教學決策的智能化[12]。構建學習者畫像側重于群體特征，通過對學習者進行分類描述，實現對各類學習者提供個性化支持服務。肖君等人基于“ODAS”開放學習分析構建開放在線學習者畫像，探究高風險學習者特征，并設計教學干預措施[13]。余明華等人利用可視化學習分析技術構建研究性學習學生畫像，以識別不同能力水平的學生群體，并實施精確的干預與指導[14]。

在數據科學和統計學中，群體的劃分通常采用兩種主要方法：數據為中心的聚類方法和基于實際用戶特征的分組方法。這兩種方法各有其應用場景和優勢，適用于不同的業務和研究需求。數據為中心的聚類方法依賴于算法來發現數據中的自然分組，這些分組未必事先定義或基于預設的標準。這種方法使用數學模型評估數據項之間的相似性，將類似的數據項自動歸入同一組。聚類分析是探索性數據分析的一部分，常用于市場細分（幫助識別具有相似購買行為或偏好的消費者群體）、生物信息學（用于基因表達數據分析，找出具有相似表達模式的基因）。常見的聚類算法包括K-means聚類、層次聚類、 DBSCAN等。這些方法基于不同的數學原理，如距離度量或密度估計，自動地將數據分組，而無需事先指定類別標簽。基于實際用戶特征的分組方法按照實際用戶特征或業務需求來人為設定分組標準。與數據為中心的方法不同，此方法通常基于明確的業務邏輯或先驗知識來定義群體，常用于個性化服務（金融服務行業可能根據客戶的風險承受能力和投資偏好來提供定制化的投資產品）或教育分層教學（根據學生的學習成績和能力，將學生分成不同的教學小組，以提供適宜的教學資源和方法）等。

二、教師群體畫像框架構建

本研究的流程包括數據收集、數據預處理、畫像構建和畫像應用四個主要步驟。首先，全面收集課堂和師生互動的多維數據，其次，對數據進行清洗、標注和整合，得到結構化的課堂數據。然后，通過特征分組和聚類分析，識別教師行為和教學效果的共性和差異，構建詳細的教師畫像并進行可視化展示。最后，將畫像結果反饋給教師和教育管理者，用于指導教學改進和教育政策制定，并持續優化畫像模型，如圖1所示。

（一）數據采集

高質量的數據采集是教師畫像研究的基礎[15]。全面、準確和有效的數據采集能夠確保教師畫像的準確性和有效性。為確保本研究的全面性和深入性，數據收集方法將綜合采用定性和定量的研究手段，并兼顧線上線下的數據來源，覆蓋教學過程和結果的各個方面。

1.課程AI分析數據。相比較于傳統的課堂教學行為分析采用人工收集和分析數據導致的編碼主觀性強、耗時耗力、樣本量小等缺點[16]，采用人工智能對教學過程數據進行自動采集和編碼，可以更加全面、及時、深入了解課堂，了解每個學生及班集體整個學習表現與狀態[17]。本研究每2秒分析一次的課堂視頻切片數據，自動識別的教師行為包括：板書、講授、師生對話、巡視、輔導；學生行為包括：學生讀寫、學生應答、學生聽講、生生互動、學生發言、上臺展示等。

2.大規模評課數據。評價量表是根據課堂教學的特點和評價目標事先編制的，旨在確保評價視角相對全面、客觀。評價者根據實際情況逐項進行評價，量表包含具體的評價指標和等級，以及評價者的主觀文字評價數據。這些文字評價不僅提供了更豐富和深入的教學評價，而且有助于更全面地理解和評估教學質量，使評價結果更準確可靠。本研究將采集具體課堂所有的評價量表評分、評價及量表評分的時間數據。

3.平臺使用數據。智能研修平臺的數據涵蓋了用戶行為（登錄、瀏覽等）、活動進度、交互情況、反思數據系統日志等多個方面，為分析學習過程、優化平臺功能、提升用戶體驗提供了豐富的信息基礎。分析智能研修平臺的用戶的使用數據對于理解用戶需求、跟蹤學習進度、改善用戶體驗以及支持平臺管理決策具有重要意義。

4.基本信息數據。了解教師的教育背景、教學經驗和專業領域可以為個性化的教學指導和支持提供基礎。收集教師基本信息是為了更全面地理解和描述教師的特征、背景和情境，從而更好地進行個性化分析和指導。這些信息有助于構建教師的整體特征和背景，進而對其教學行為、教學效果和教學需求進行更深入的分析和理解。

5.問卷數據。問卷調查可以了解教師的教學理念、滿意度、教學方法偏好、教學挑戰和需求等方面的觀點和態度，這些信息是從基本信息數據中無法獲取的。通過問卷調查可以獲取用戶的各種主觀信息，這些信息更為全面、深入和具體，有助于了解教師的觀點、需求、面臨的挑戰和教學經驗，為提供個性化支持、促進教學改進和教師專業發展提供重要參考。

（二）數據預處理

數據預處理是數據分析中至關重要的一環，涉及多種類型數據的清洗、轉換和準備。針對教師基本信息、課堂數據、師生行為時序、話語數據和聲紋數據、評課以及問卷數據，首先需要進行清洗，處理缺失值、異常值和重復值，確保數據質量；接著進行轉換（如聲紋的MFCC提取），將數據格式和結構調整為適合分析的形式，例如對文本數據進行清洗（去除停用詞、標點符號等）、編碼，對時間數據格式化；最后進行數據準備，包括提取關鍵信息、建立數據結構、合并不同數據源等。這些步驟的執行有助于保證數據的完整性、一致性和準確性，為后續的分析和建模提供可靠的數據基礎。

（三）畫像構建

當前的用戶畫像構建和實證研究主要依賴于單一的數值型或文本型標簽[18]，為了充分利用多維數據并全面深入地理解教師和課堂的特征和模式，本研究采用了兩種不同的畫像方法，即數據為中心的聚類畫像和基于特征的分組畫像。這種綜合方法旨在克服單一分析方法的局限性，提供更加全面和精確的用戶畫像。

數據為中心的聚類畫像主要著眼于聚類過程中的關鍵特征提取和標簽體系[19]的建立。首先，通過聚類算法從教師和課堂數據中提取關鍵特征，如教學行為模式、教學效果等，以揭示不同教師或課堂的特征和模式。隨后，建立標簽體系，將教師和課堂劃分為不同的類別或群體，以便對其進行進一步的分析和應用。同時，對標簽進行測試和驗證，確保其在實際應用中的準確性和有效性。

基于特征的分組畫像則側重于群體常模分析、群體特征分析和群體差異分析。通過收集教師和課堂的相關特征數據，如所屬學科（學校或年級）、教育背景、教學效果等，對群體進行分組和比較。其中，群體常模分析旨在發現和描述不同群體的普遍特征和行為模式；群體特征分析則深入挖掘不同群體之間的特征差異和相似性；群體差異分析則探究不同群體在教學效果和其他方面的差異，以揭示潛在的影響因素和探索改進路徑。通過這些分析，可以更深入地理解不同群體的特征和差異，為教學實踐和決策提供科學依據。

為了全面直觀反映不同群體的畫像，需要設計畫像模板、形成畫像數據并且對畫像做可視化呈現。設計包括多個維度信息的群體畫像模板，可以全面、多角度地描述群體的特征和表現，通過對上層數據的統計分析得到各群體數據多維信息的數值表達，最后，采用數據可視化工具將復雜的數據和分析結果以圖表、圖形等形式直觀地展現出來，便于教師和其他相關人員理解和應用。

（四）畫像應用

數據為中心的聚類畫像應用主要體現在三個方面。首先，通過對教師行為的聚類分析，可以識別不同類型的教師群體，并為教育管理者提供個性化的教學支持和培訓計劃，以幫助教師改進教學行為，提升教學效果。其次，將大規模評課數據與教師的教學行為進行關聯分析，可以評估教師的教學效果，并發現影響教學效果的關鍵因素，從而制定針對性的教學改進策略，優化教學過程。最后，通過對教學創新實踐的聚類分析，可以發現具有創新意識和實踐能力的教師群體，從中挖掘出教學創新的優秀經驗和模式，推廣到其他教師群體中，促進教學創新的全面推廣和應用。這些應用將有助于提升教師的教學水平和教學效果，推動教育的持續發展。

基于特征的分組畫像的應用主要包括以下三個方面。首先，可以用于教學質量的監控與評估，通過對不同特征群體的教學效果進行比較分析，幫助教育管理者及時發現教學中存在的問題和不足，促進教學質量的提升；其次，可用于個性化培訓與專業發展，通過對不同教師群體的特征進行分析，量身定制培訓計劃和發展路徑，滿足教師群體個性化的專業成長需求，提升其教學能力和水平；最后，可用于教育政策的制定與實施，通過對不同特征群體的教育需求和狀況進行綜合分析，為教育政策的制定提供科學依據和指導，推動教育改革和發展。

三、教師群體畫像應用實踐

（一）研究對象和樣本描述

本次應用研究數據取自中央電化教育館智能研修平臺X市Q區教師的智能研修活動。該區自2021年5月成功入選中央電化教育館智能研修平臺應用試驗區以來，一致堅持問題導向和創新引領，在智能精準教研工作中取得了較好的成效。該平臺包含基礎教研、大規模在線教研、智能精準教研、專遞課堂教研、名師課堂教研、名師網絡課堂教研六大功能模塊。團隊從該平臺上獲取了所有課堂分析的客觀性數據和主觀性數據（時間跨度：2021年9月至2024年1月）。經過數據清洗，共獲得了522節課的量表評分數據5489份，以及文本評價數據3163份。

該平臺的用戶主要是大學本科畢業，專業主要集中在小學教育領域。其中，使用平臺超過2年的用戶約占總體的52%。此外，大約有30%的用戶在每周使用平臺的頻率超過1次。這些數據表明，該平臺在教師群體中具有一定的普及性及較高的使用率，如圖2所示。在使用過程中，認為平臺對他們幫助較大的以上的占50%左右，用戶在該平臺的主觀反饋以“精準”“智能”“數據”“實用”等關鍵詞為主，表明該平臺具有精準化、智能化的特點，并能提供實用的數據支持，從而對他們的教學實踐工作產生了積極的影響，如圖3所示。

（二）基于數據的聚類畫像實踐

1.“好課”關鍵特征提取

提升課堂教學質量是教師職業成長的重要追求，因此，深入分析優質課堂的特征顯得尤為必要。通過系統分析課堂教學特征，教師可以識別出最有效的教學行為和策略，從而不斷優化自己的教學實踐。掌握優質課堂的特征不僅能提高教師的教學效果，還能促進其專業成長和職業發展。此外，系統化的課堂特征分析為教育管理者提供了科學的決策依據，有助于制定更加有效的教學評估和培訓計劃，從而提升整體教育質量。

以課堂師生行為數據為例，為了找出影響主觀評價的核心課堂師生行為特征，本研究將課堂中的主觀評分離散化為目標變量（85以上為高，70-84為中，70以下為低）。并構建了KGoFReRWBNo47sMcMHxAuy5S+7L1JN3b+n3pHrItmLs=一個包含11種行為占比，以及Rt和Ch與主觀評分關系的數學課堂主觀評價分類預測模型。通過決策樹算法，得到了如圖4所示的分類結果，分類精度為0.71。從圖中可以清楚地看到，課堂聽講占比、Rt和Ch是區分最終評價的核心特征。有兩類數學課堂得分較高，一類是“學生聽講占比大，教師行為占比大”的以教師為中心的講授課，另一類是“學生聽講占比小，師生行為互換率高”的以師生互動為主的探索型課堂。因此，“聽講占比”“Rt”以及“Ch”是數學課堂行為數據的關鍵特征。按照相同的思路，選取出量表中關鍵特征“有效解決學生個體在學習過程中的疑點、難點（答疑解惑）”作為數學課堂量表的關鍵特征；選取課堂中說話學生的數量、教師話語時長作為師生聲紋數據的關鍵特征；教師基本數據中選取“是否有職務”“教齡”“是否有教學獲獎”等為關鍵特征；而平臺使用數據及問卷數據中沒有與課堂主觀評價結果高度相關的特征。

2.教研數據聚類分析

以《課堂教學評價》量表為例，本研究將量表的觀察項與教師基本數據、課堂基本數據、師生行為數據、話語聲紋等多維數據整合成一個包含62個維度的課堂數據表。在此基礎上，對66節數學課進行聚類（實踐證明，不同學科的聚類結果存在顯著差異，因此聚類分析必須按學科分類進行）。聚類采用H2O框架下的K-Means算法，并通過DBI指數優化測算出最佳K值為4。聚類結果通過折線圖進行可視化呈現，如圖5所示。結果顯示，數據基本按照教齡進行分組，主要差異集中在課堂互動比例、學生發言比例、師生對話占比、板書占比、量表評分標準差、所獲榮譽、資源提供（教師為學生提供豐富的數字化學習資源）以及目標達成（達成預期教學目標，促進學生個性發展）等9個方面。

第0簇（資深教師）：該群體的課堂互動比例、學生發言比例及師生對話占比均與總體平均水平相當，但在資源提供方面表現較高，教師的板書比例也較高。不同評估群體對該簇教師評分的一致性較高，且此教師群體獲得的榮譽較多，課堂目標達成度較好。

第1簇（職初教師）：該群體的顯著特征是課堂中學生互動比例非常高，但學生發言比例和師生對話占比均低于平均值，即課堂以小組互動為主，但資源提供相對較少。不同評估群體對該簇教師的評分差異較大，該群體教師獲得的榮譽較少，課堂目標達成度也較低。

第2簇（年輕教師）：該群體的各項指標均趨近于總體均值，其中課堂學生發言比例與職初教師相當。在榮譽獲得方面，該群體略優于職初教師，但仍然低于整體平均值。同時，他們的課堂目標達成度也相對較低。

第3簇（中年教師）：該群體的課堂表現較為成熟，除板書比例略低外，其他指標均優于群體平均水平，尤其是在學生發言比例和師生對話比例上表現突出。不同評估群體對該簇教師評分的一致性較高。

3.標簽體系確立

本研究通過提取數學課“好課”的關鍵特征，結合數學課教研數據聚類分析所發現的主要差異特征，構建了數學教師教研群體畫像的標簽體系，如表1所示。

課堂行為特征：這些特征共同反映了課堂教學的不同維度，揭示了課堂教學的結構和效果。高Ch值和高課堂互動比例反映了課堂教學活動的多樣性和靈活性，能夠吸引學生注意力，提高參與度。高學生發言比例和高師生對話占比表明學生在課堂上的參與度高，師生互動頻繁，有助于增強學生的學習興趣和理解能力。高聽講占比和高板書占比反映了教師的教學方法和工具使用情況，較高的聽講占比可能需要教師平衡講授與互動，而高板書占比則可能需要結合現代教學技術進行優化。通過對這些特征的綜合分析，可以全面了解課堂教學的實際情況，幫助教師改進教學策略，優化課堂教學效果。

課堂話語特征：課堂話語特征反映了課堂中教師和學生之間的互動情況以及話語分配的平衡程度。說話學生的數量和教師話語時長可以提供關于課堂參與度、教學效率以及師生互動質量的信息。

評價量表特征：量表特征反映了課堂的教學質量和教學效果。其中，答疑解惑和資源提供反映了教師在課堂中為學生提供支持和資源的能力，目標達成指示了教學目標的實現程度。此外，量表評分標準差代表了不同評價者使用一定的量表對教師進行評價時的得分變化程度，從而揭示評價結果的可信度和穩定性。

教師基本特征：教師基本特征反映了課堂教學的教師背景和經驗。擔任職務和教學獲獎可以間接反映教師在學校中的地位和認可程度，教師教齡則反映了教師在教學實踐中的豐富經驗。這些特征對于理解教師在課堂中的表現和教學效果具有重要意義，可為評價課堂教學質量提供參考依據。

（三）基于特征分組的畫像實踐

基于數據的聚類畫像為我們提供了全局視角下教師群體的特征和模式，通過聚類分析，可以客觀地發現不同教師群體的差異和規律。然而，該方法在提供針對現有教師隊伍業務群體的個性化支持和指導方面存在一定挑戰。

為了更深入地理解現有業務規則教師的群體特征，本研究采用職級、學科和學校三個核心維度的分層畫像體系，構建了基于職級、學科和學校的“教師發展三維群體畫像體系”（Three-Dimensional Group Portrait Model for Teacher Development），為不同教師群體個性化職業發展路徑提供定制化支持，如圖6所示。

1OGuS6A2XNeOExnecadtSxy14hBM5+oPl4FHmScIhKU=

1.群體常模分析

群體常模分析涉及對群體中特定指標的均值和標準差進行分析，以及對這些指標的分布情況進行觀察。它可以幫助確定群體的一般水平和典型特征，揭示出群體中的主要趨勢和規律。圖7反映了全區語文課堂基于《課堂教學評價表》的常模分析。在圖中，橫坐標表示評價表的不同維度，縱坐標表示各維度的得分。每條折線代表一個學校在該評價表上的得分均值，而粗的虛線則代表所有學校在各指標得分均值的連線，形成了全區語文課堂的常模。通過分析這個常模，可以清晰地看到，“新技術與教學有效融合”是未來需要重點加強的方面。這樣的常模分析不僅可以為教學質量監控與評估提供重要參考，還能幫助識別學校在不同指標上的優勢和不足，為制定改進策略提供依據。同時，全區平均得分和歷史數據進行對比，可以及時發現問題并采取措施，以確保教學質量的持續改進。

2.群體特征分析

群體特征分析旨在深入了解群體的整體特征和特點，從而揭示出群體內部的共性和差異。通過對教師群體特征的分析，可以更全面地把握教師群體的情況，為實施個性化支持和群體管理提供科學依據。圖8展示了數學課堂師生行為占比情況，觀察結果表明，數學課程主要采用以教師講授為主導模式（講授占比和聽課占比很高），同時伴隨一定量的課堂練習（巡視與讀寫較高）。此外，課堂互動頻繁，主要以教師引導下的師生對話為主，呈現較高的對話占比和應答占比。然而，課堂中學生之間的互動相對較少（互動占比較小）。這一觀察結果反映了數學教師群體課堂中教學模式的特征和師生互動的情況。利用同樣的方法，對數學群體課堂量表評價進行分析，發現“新技術與教學有效融合，課堂教學特色鮮明，具有推廣價值”等方面的評價較低，而“體現以學為中心的核心理念，尊重學生個體差異，注重學生個性發展”等方面的評價較高，這恰恰體現了一般的數學課堂特征。

3.群體差異分析

群體差異分析的主要作用是找到不同群體之間的特征差異，從而為實現個性化群體服務以及不同群體之間的互助結對提供決策依據。通過深入分析不同職級、學科和學校的教師群體之間的差異，可以更準確地把握他們的群體特點、發展方向和潛在問題，為個性化的教師發展路徑和群體支持計劃提供科學依據。

下頁圖9展示了基于《精準教研量表》評分數據的不同學校對比情況。橫軸代表學校，縱軸表示不同指標的得分，而圖中不同顏色的柱形線條則反映了不同評價維度。學校在評分數據上可以歸納為三類：A類學校在各個維度上得分較高；B類學校大部分指標得分較高，但存在一些明顯短板；C類學校在大部分維度上得分較低，但也有一些明顯的優勢。這種分析有助于學校和教育管理部門深入了解各學校的教學質量和特點，從而為制定針對性的教學改進和發展策略提供重要依據，比如在不同類型的學校開展結對幫扶，而在同一類學校開展跨校教研等。

圖10展示了英語群體與常模（全體數據）在《精準教研量表》得分上的對比情況。在“學生對教師是否認可”指標上，英語群體的得分明顯高于常模，而在“學生在聽講時是否有輔助行為”方面則低于常模。較高的“學生對教師是否認可”得分可能暗示著英語教學中教師的教學方法或者溝通方式受到了學生的認可和支持，而較低的“學生在聽講時是否有輔助行為”得分可能提示著有必要在課堂上采取更加有效的引導措施，以提高學生的專注度和參與度。這種深入分析有助于英語教學實踐的優化和提升，同時也為其他學科的教學改進提供了借鑒和啟示。

四、群體畫像研究啟示

本研究通過構建和應用教師群體畫像框架，揭示了精準教研背景下教師群體的特征和課堂模式。基于數據的聚類分析和特征分組分析，不僅為理解教師群體的多樣性和差異性提供了科學依據，也為教育實踐提供了重要啟示。

（一）個性化支持的成長方案

本研究通過構建教師群體畫像，并進行分析以識別不同教師群體的特定服務需求，研究結果顯示，不同教師群體在教學行為、話語特征和教學效果上存在顯著差異。為此，教育管理者應制定針對不同教師群體的個性化成長支持方案。例如，對職初教師應加強課堂管理和資源提供的支持，幫助他們迅速適應教學環境并提升教學效果。對資深教師，則應側重于新技術應用和教學創新方面的培訓，以促進他們在已有經驗基礎上的進一步發展，這種個性化支持策略能夠更好地滿足教師群體的多樣化需求，實現教師個性化和可持續化發展[20]，提升整體教學質量。

（二）跨學科和跨校區的協同創新

通過數據分析，不同學科和校區之間可以共享優秀的教學實踐和資源，形成協作網絡，共同提升整體教學質量。通過教學資源的共享與交流、跨學科課程設計與合作教學、跨校區教研與合作交流以及跨學科研究與實踐創新等方式，可以有效促進教育領域的發展和教師專業成長。這種跨界合作不僅有助于拓展教育領域的新思路和新模式，還助于教育資源的優化組合，推動了區域教師共同體教研模式[21]和跨學科教研模式[22]的發展。促進教育教學的多樣化和創新性發展。

（三）數據驅動的教育決策

通過系統的群體畫像分析，教育管理者可以基于客觀數據進行科學決策。例如，常模分析能夠識別出需要改進的教學維度，為制定教學改進策略提供數據支持。群體差異分析則有助于發現不同學校或教師群體在教學實踐中的優勢和不足，從而在學校之間開展有針對性的幫扶合作。數據驅動的決策不僅提升了決策的準確性和科學性，也促進了教育資源的合理配置和高效利用。

（四）持續改進與動態評估

通過定期進行群體畫像分析，可以監測教師群體的發展變化，及時調整支持策略，以確保教學質量的持續提升。利用歷史數據進行對比分析，可以有效識別教學改進的成效和存在的問題，促進教育實踐的持續優化。同時，動態評估能夠提供實時反饋，幫助教師及時調整教學策略，提高教學效果。

五、結語

通過本研究，我們深入探索了基于群體畫像應用實踐的方法和技術，旨在更好地理解教師群體的特征和模式，為教育管理者和教師提供個性化的支持和指導。然而，我們也要承認，本研究存在一些不足之處，如本研究的數據來源和樣本數量有限，可能無法完全代表所有教師群體的特征和模式，研究中教師群體畫像技術的應用仍處于初級階段，尚未達到精細化的水平。盡管本研究存在一些不足和挑戰，但我們相信通過持續的努力和深入的探索，可以進一步完善群體畫像應用實踐，為教育改革和教師發展提供更加科學和有效的支持，推動教育事業不斷邁向新的高度。

參考文獻：

[1] 胡軍哲.讓教研成為一線教師生存常態[J].中國教育學刊，2010，（3）：58-60.

[2] 林梓柔，胡小勇.精準教研：數據驅動提升教師教研效能[J].數字教育，2019， （6）：42-46.

[3] 楊欣.人工智能助力教研變革的價值與邏輯[J].電化教育研究，2020，（11）：27-32+86.

[4] 李陽，曾祥翊.人工智能賦能教研高質量發展：智能精準教研的理論框架、實踐藍圖與發展脈絡[J].中國電化教育，2022，（11）：99-107+122.

[5] 鄭欣欣，曾媛等.智能精準教研中學校支持服務對教研效果影響的組態研究——基于定性比較分析方法[J].中國電化教育，2023，（10）：111-119.

[6] 張妮，劉清堂等.支持教師區域研修的PAST模型構建及應用研究[J].中國電化教育，2020，（4）：93-101.

[7] 楊麗娜，陳玲等.基于TPACK框架的精準教研資源智能推薦研究與實踐[J].中國電化教育，2021，（2）：43-50.

[8] 胡小勇，孫碩等.基于畫像技術的教師研修路徑智能推薦研究[J].電化教育研究，2024，（2）：106-112.

[9] COOPER A，REIMANN R.About Face 2.0：The Essentials of Interaction Design [M].Hoboken：Wiley，2003.

[10] SHAHBAZI Z，BYUN Y C.Agent-based recommendation in E-learning environment using knowledge discovery and machine learning approaches [J]. Mathematics，2022，（7）：1192.

[11] 陳海建，戴永輝等.開放式教學下的學習者畫像及個性化教學探討[J].開放教育研究，2017，（3）：105-112.

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

[13] 肖君，喬惠等.大數據環境下在線學習者畫像的構建[J].開放教育研究，2019，（4）：111-120.

[14] 余明華，張治等.基于可視化學習分析的研究性學習學生畫像構建研究[J].中國電化教育，2020，（12）：36-43.

[15] 徐芳，應潔茹.國內外用戶畫像研究綜述[J].圖書館學研究，2020，（12）：7-16.

[16] 劉清堂，何皓怡等.基于人工智能的課堂教學行為分析方法及其應用[J].中國電化教育，2019，（9）：13-21.

[17] 劉三女牙，孫建文.人工智能時代的課堂創變：解構與重構[J].國家教育行政學院學報，2021，（9）：16-22.

[18] 陳添源，梅鑫.多源數據融合的用戶畫像識別與推薦實證研究[J].情報理論與實踐，2024，（4）：171-180.

[19] 張雪，檀悅穎等.在線學習非母語學習者群體研究：類別畫像與行為特征分析[J].現代遠距離教育，2019，（1）：18-26.

[20] 于方，劉延申.大數據畫像——實現高等教育“依數治理”的有效路徑[J].江蘇高教，2019，（3）：50-57.

[21] 劉璇，鄭燕林.活動理論視角下的教師共同體教研模式研究與實踐[J].中國電化教育，2023，（4）：122-129.

[22] 楊文正，許秋璇.融入“大概念”的STEAM跨學科教研：模式構建與實踐案例[J].遠程教育雜志，2021，（2）：103-112.

作者簡介：

孫發勤：副教授，碩士生導師，研究方向為教育大數據、教育數據挖掘與學習分析。

許曉曦：在讀碩士，研究方向為教育大數據、教育數據挖掘與學習分析。

沈霞娟：副教授，碩士生導師，研究方向為學習科學與技術。

李雅瑄：碩士，研究方向為教育數字化、教師專業發展。

The Practice Research of Teachers Portrait Under the Background of AI-based Precision Teaching Research

Sun Faqin1， Xu Xiaoxi1， Shen Xiajuan1， Li Yaxuan2

1.School of Journalism and Communication， Yangzhou University， Yangzhou 225009， Jiangsu 2.Center for Educational Technology and Resource Development， Ministry of Education， P.R.China （National Center for Educational Technology， NCET）， Beijing 100031

Abstract： The development of teacher education is an essential component of educational modernization. Precision education research based on refined data management and scientific decision-making provides new means for teacher professional development. This study， focusing on the core of teacher group portrait technology， constructs a framework for group portrait and utilizes data provided by the NCET Intelligent Training Platform. It specifically investigates the key characteristics of “good classes” in the field of mathematics， and establishes a label system for teacher group portraits. Moreover， by grouping different teacher cohorts according to three-dimensional features such as position， subject， and school， the study reveals the characteristics and classroom patterns of teacher groups through normative analysis， feature analysis， and difference analysis. The findings suggest that group portraits not only facilitate the formulation of personalized teacher growth plans but also promote interdisciplinary and cross-campus collaborative innovation， driving data-driven educational decision-making and enabling continuous improvement and dynamic evaluation of educational quality.

Keywords： precise teaching and research； group portrait； practical research

收稿日期：2024年5月27日

責任編輯：趙云建