CN113656687B - 基于教研数据的教师画像构建方法 - Google Patents

Abstract

本申请公开了一种基于教研数据的教师画像构建方法，方法包括获取来自教师特征模型输出的教师特征数据；获取来自学科教学模型输出的学科教学数据；获取来自专业研修模型输出的专业研修数据；获取来自教研成果模型输出的教研成果数据；根据教师特征数据、学科教学数据、专业研修数据以及教研成果数据，构建第一教师画像数据；其中，第一教师画像数据包括教师特征数据对应的教师特征画像数据、学科教学数据对应的学科教学画像数据、专业研修数据对应的专业研修画像数据、教研成果数据对应的教研成果画像数据；本发明实施例基于多源异构教研数据来构建精准的教师画像，能够有效提升教师画像的丰富度。

Description

基于教研数据的教师画像构建方法

技术领域

本申请涉及教研技术领域，特别涉及一种基于教研数据的教师画像构建方法。

背景技术

目前的教师画像构建技术通常较为简单，且教师画像的运用基本是为学生而非为教师服务。相关技术中，通常是通过构建学生画像来获取学生需求，之后根据教师特征来计算匹配度，以便于向学生推荐教师，然而这种方法并未提供具体的教师画像构建技术。又例如，通过机器学习对学生评教数据进行文本挖掘，以构建教师画像，然而这种方式的数据来源通常较为简单，导致所构建的教师画像也过于简单。针对目前的教师画像构建技术，其对于教师数据的采集方式通常较单一，多是通过传统的表单进行收集；且数据的来源也较简单，导致所构建的教师画像不够准确。

发明内容

本申请旨在至少解决现有技术中存在的技术问题之一。为此，本申请提供了一种基于教研数据的教师画像构建方法，基于多源异构教研数据来构建精准的教师画像，能够有效提升教师画像的丰富度。

根据本申请第一方面实施例提供的一种基于教研数据的教师画像构建方法，包括：

获取来自教师特征模型输出的教师特征数据；

获取来自学科教学模型输出的学科教学数据；

获取来自专业研修模型输出的专业研修数据；

获取来自教研成果模型输出的教研成果数据；

根据所述教师特征数据、所述学科教学数据、所述专业研修数据以及所述教研成果数据，构建第一教师画像数据；其中，所述第一教师画像数据包括所述教师特征数据对应的教师特征画像数据、所述学科教学数据对应的学科教学画像数据、所述专业研修数据对应的专业研修画像数据、所述教研成果数据对应的教研成果画像数据。

根据本申请的上述实施例，至少具有如下有益效果：本申请实施例通过根据教师特征数据，构建教师特征数据对应的教师特征画像数据；根据学科教学数据，构建学科教学数据对应的学科教学画像数据；根据专业研修数据，构建专业研修数据对应的专业研修画像数据；根据教研成果数据，构建教研成果数据对应的教研成果画像数据，相比相关技术，本发明实施例通过基于多源异构教研数据来构建精准的教师画像，能够有效提升教师画像的丰富度。

根据本申请第二方面提供的一种设备，包括：

至少一个处理器，以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行所述指令时实现如第一方面实施例所述的基于教研数据的教师画像构建方法。

由于本申请第二方面实施例提供的设备应用第一方面实施例的基于教研数据的教师画像构建方法，因此具有第一方面实施例任一所述的基于教研数据的教师画像构建方法的全部有益效果。

根据本申请第三方面提供的一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于执行如第一方面实施例所述的基于教研数据的教师画像构建方法。

由于本申请第三方面提供的计算机可读存储介质执行如第一方面实施例所述的基于教研数据的教师画像构建方法，因此具有第一方面实施例任一所述的基于教研数据的教师画像构建方法的全部有益效果。

本申请的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。

附图说明

本申请的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本申请实施例的基于教研数据的教师画像构建方法的流程示意图；

图2是本申请实施例的构建教师画像数据库管理系统的流程示意图；

图3是本申请实施例的学科教学教研资源推荐的流程示意图；

图4是本申请实施例的专业学习研修服务推荐的流程示意图；

图5是本申请实施例的专业发展路径规划推荐的流程示意图；

图6是本申请实施例的构建第一教师画像数据的流程示意图；

图7是本申请实施例的教师个人画像示意图；

图8是本申请实施例的基于教研数据的教师画像构建方法的示意图。

具体实施方式

可以理解的是，教研是一种能够促进教师专业发展的重要活动。传统教研存在服务同质单一、资源分配失衡以及无法精准评价和反馈调适等不足，而提供精准的教研服务需要能够表征、发现和预测教师特征、需求和偏好。近年来教研活动不断在线化，随着大数据和云计算技术不断发展，数据采集体量的指数式增长和数据处理技术的智能化升级让教研迈入“数据驱动”的时代，如何通过教研数据构建教师画像成了驱动精准教研转型亟待解决的重要问题。

用户画像最早于1999年提出，在大数据时代，用户画像指的是基于大量真实的用户数据，挖掘生成能够表征和预测用户特征和行为的抽象化、标签化、语义化的用户模型。目前，数据获取包括网络爬虫、日志挖掘、数据库采集、可穿戴设备获取等技术；标签提取包括基于本体、基于规则定义、基于贝叶斯网络、基于主题模型、基于统计分析、基于聚类算法等技术；画像可视化包括标签云、人物图像结合用户标签和统计图形等方法，但目前尚未有将用户画像技术应用于教师教研中进行教师画像的构建。

目前的教师画像构建技术通常较为简单，且教师画像的运用基本是为学生而非为教师服务。例如相关技术中，通过基于教师信息库中的社会属性和教学行为数据来构建教师画像，从而为教师推荐面向差异学习者的教学资源，然而该系统构建的教师画像并非服务教师教研，且数据来源单一，仅提取表征为2个标签；又例如，通过构建学生画像来获取学生需求，之后根据教师特征来计算匹配度，以便于向学生推荐教师，然而这种方法并未提供具体的教师画像构建技术。又例如，通过机器学习对学生评教数据进行文本挖掘，以构建教师画像，然而这种方式的数据来源通常较为简单，导致所构建的教师画像也过于简单，无法满足教师画像丰富度的需求。

针对相关技术中的教师画像构建技术，主要存在以下不足：一是尚未关注服务教研的教师画像。教师教研涉及面广，数据采集源多，数据处理难度大；二是对于教师数据的采集方式通常较单一，多是通过传统的表单进行收集，缺乏能够灵活应用于复杂场景的数据采集手段，且数据的来源也较简单，导致所构建的教师画像不够准确；三是标签提取粒度粗，一般表示为教师特征、教师教学行为等事实标签，未能基于标签数据进行建模分析和模型融合，深入挖掘教师画像的多维标签。

基于此，本发明提供了一种基于教研数据的教师画像构建方法，通过基于多源异构的教研数据来构建精准的教师画像，能够有效提升教师画像的丰富度，便于深入挖掘教师画像的多维标签，以进一步预测教师需求和偏好。

需要说明的是，为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

需要说明的是，虽然在系统示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于系统中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

参照图1，本发明提供了一种基于教研数据的教师画像构建方法，包括但不限于以下步骤：

步骤S101，获取来自教师特征模型输出的教师特征数据；

步骤S102，获取来自学科教学模型输出的学科教学数据；

步骤S103，获取来自专业研修模型输出的专业研修数据；

步骤S104，获取来自教研成果模型输出的教研成果数据；

步骤S105，根据教师特征数据、学科教学数据、专业研修数据以及教研成果数据，构建第一教师画像数据；其中，第一教师画像数据包括教师特征数据对应的教师特征画像数据、学科教学数据对应的学科教学画像数据、专业研修数据对应的专业研修画像数据、教研成果数据对应的教研成果画像数据。

可以理解的是，本发明实施例通过采集用于构建教师画像的原始数据，教研数据可包括该原始数据，或教师特征数据、学科教学数据、专业研修数据和教研成果数据。利用信息技术，根据原始数据和教师画像中目标属性的对应关系，来构建包括有多层标签体系的教师画像。具体地，本发明实施例可通过对第一教师画像数据进行可视化数据处理，以呈现出第一教师画像数据对应的教师画像。

例如，对教师特征数据对应的教师特征画像数据进行可视化数据处理，以呈现出教师特征画像数据对应的教师特征画像；对学科教学数据对应的学科教学画像数据进行可视化数据处理，以呈现出学科教学画像数据对应的学科教学画像；对专业研修数据对应的专业研修画像数据进行可视化数据处理，以呈现出专业研修画像数据对应的专业研修画像；对教研成果数据对应的教研成果画像数据进行可视化数据处理，以呈现出教研成果画像数据对应的教研成果画像。

本发明实施例通过根据教师特征模型输出的教师特征数据、学科教学模型输出的学科教学数据、专业研修模型输出的专业研修数据，以及教研成果模型输出的教研成果数据，来构建第一教师画像数据。即基于多源异构的教研数据来构建精准的教师画像，多源异构的教研数据可包括教师特征数据、学科教学数据、专业研修数据和教研成果数据等。本发明实施例能够有效提升教师画像的丰富度。

参照图2，可以理解的是，一实施例中，本发明实施例的方法，包括但不限于以下步骤：

步骤S201，采集用于构建教师画像的原始数据；

步骤S202，对原始数据进行预处理，得到预处理数据；

步骤S203，根据预处理数据，构建教师画像数据库管理系统；

步骤S204，从教师画像数据库管理系统中，提取第一特征数据作为教师特征模型输入的数据、第二特征数据作为学科教学模型输入的数据、第三特征数据作为专业研修模型输入的数据，以及第四特征数据作为教研成果模型输入的数据。

可以理解的是，为了从多维度对教师进行精准画像，综合考虑教师画像需求和数据的可及性，本发明实施例的原始数据的来源可以为：教研管理系统数据库、APP、WEB等智能终端、可穿戴设备和线下数据录入渠道等，原始数据的类型可以为教师基本特征、情感态度、生理情绪、行为交互和成果资源等。可以理解的是，本发明实施例从教研活动涵盖范畴的角度，提出了构建第一教师画像数据所需的四大类教研数据：教师特征数据，学科教学数据，专业研修数据和教研成果数据。

具体地，本实施例需要采集用于构建教师特征画像的原始教师特征数据、用于构建学科教学画像的原始学科教学数据、用于构建专业研修画像的原始专业研修数据和用于构建教研成果画像的原始教研成果数据。即原始数据可包括原始教师特征数据、原始学科教学数据、原始专业研修数据和原始教研成果数据。

原始数据的采集：

原始教师特征数据：即教师的基本信息(姓名、性别、年龄)、任教信息(任教学校、学科类型、年级级别)、学历水平特征数据(毕业院校排名、所获学历、所获学位、所学专业)、资历水平特征数据(任教学校类别、职称水平、任教时长、荣誉称号(数量、级别)、社会兼职(数量、级别))等教师基本特征；可以理解的是，可通过教师人事系统、教研管理系统等采集该原始教师特征数据。

原始学科教学数据：即教师参与提升学科教学水平的活动数据，包括信息化教学能力特征数据(例如，基础技术素养水平、技术支持学习水平、技术支持教学水平)和课例研磨水平特征数据(例如，备磨课主题、次数；听评课主题、次数；课例作品评价数据；课例获奖数据)等；可以理解的是，可通过课堂录播视频、课例研磨视频、网络问卷、访谈本文等采集该原始学科教学数据。可以理解的是，信息化教学能力特征数据可以理解为教师是否具备信息化教学能力，即能否通过采用信息化手段(例如APP，网络平台等)中的资源来支持自己的学习或课堂教学等。

原始专业研修数据：即教师参与专业研修活动的数据，包括研修投入度特征数据(例如，参与研修活动次数、研修活动主题、研修活动形式、讨论次数、讨论时长、讨论有效信息占比、教师注意力、二次参与意愿等)、研修效能特征数据(例如，研修满意度、认知效能感、教学效能感、社会效能感(例如归属感)、研修注意力等)、专业学习能力特征数据(例如，在线学习平台、在线课程名称、在线学习时长、资源交互方式、同伴交互方式、发表评论数量、发表评论质量、学习资源数量、学习徽章数量等)等；可以理解的是，可通过教研管理系统、在线平台日志、脑机接口系统、可穿戴设备、问卷等采集该原始专业研修数据。

原始教研成果数据：即教师在教研中伴随式产生的成果性数据，包括教学成果水平特征数据(成果名称、成果级别、成果关键词)、课题研究能力特征数据(研究方向、课题数量、课题名称、课题级别、课题关键词、论文数量、论文题目、论文级别、论文关键词)等；可以理解的是，可通过教研管理系统、学术论文网站等采集该原始教研成果数据。

对原始数据进行预处理，得到预处理数据，即对原始数据进行数据清理和数据归约：对采集得到的属性缺失和重复的原始数据，利用数据清理工具进行数据变换和数据处理。同时利用属性子集选择的基本启发式方法对原始数据进行检测，删除相关程度不高或者冗余属性的数据。属性子集选择的基本启发式方法包括但不限于：逐步向前选择、逐步向后删除、步向前选择和逐步向后删除的组合和决策树归纳等。

将通过对原始数据进行预处理后得到的预处理数据，导入到教师画像数据库管理系统中，以构建该教师画像数据库管理系统，即预处理数据的集成。为保证教师画像后续构建的准确性和易操作性，本发明实施例构建教师画像数据库管理系统，该系统能够检测实体冲突和数据值冲突，继而合并和管理多源异构的教研数据。

本发明实施例通过对原始数据进行预处理，得到预处理数据；根据预处理数据，构建教师画像数据库管理系统，从教师画像数据库管理系统中可提取教师特征数据对应的第一特征数据、学科教学数据对应的第二特征数据、专业研修数据对应的第三特征数据和教研成果数据对应的第四特征数据。

可以理解的是，第一特征数据作为教师特征模型输入的数据、第二特征数据作为学科教学模型输入的数据、第三特征数据作为专业研修模型输入的数据以及第四特征数据作为教研成果模型输入的数据。

具体地，步骤S101中获取来自教师特征模型输出的教师特征数据，包括但不限于：

将第一特征数据输入至教师特征模型中，得到教师特征数据；其中，第一特征数据包括学历水平特征数据、资历水平特征数据；教师特征数据包括与学历水平特征数据对应的学历水平标签数据、与资历水平特征数据对应的资历水平标签数据；教师特征模型通过多分类逻辑回归算法对预设的第一样本数据训练得到。

可以理解的是，本发明实施例的教师特征模型用于分析和挖掘教师的学历水平标签和资历水平标签。

教师特征模型是通过多分类逻辑回归算法对预设的第一样本数据训练得到，该第一样本数据可以是第一原始教师特征数据，根据第一原始教师特征数据训练得到教师特征模型后，再将上述的原始教师特征数据内的学历水平特征数据和资历水平特征数据，作为第一特征数据输入到教师特征模型中，分别得到与学历水平特征数据对应的学历水平标签数据、与资历水平特征数据对应的资历水平标签数据。

例如，具体地，从教师画像数据库管理系统中筛选提取出第一特征数据(即学历水平特征数据和资历水平特征数据)，作为教师特征模型输入的数据。

以学历水平特征数据为例：

对于单个教师，通过获取的该教师的学历水平标签数据，用以通过教师特征模型得到学历水平标签数据。

本实施例的学历水平特征数据包括：毕业院校排名、所获学历、所获学位、所学专业。将毕业院校排名、所获学历、所获学位、所学专业这四个学历水平特征数据(x₁,x₂,x₃,x₄)进行向量化数据处理之后，采用教师特征模型中的多分类逻辑回归(MultinomialLogistic Regression)算法对上述四个学历水平特征数据进行训练，得到若干个第一模型参数，该第一模型参数包括与毕业院校排名、所获学历、所获学位、所学专业这四个学历水平特征数据一一对应的权重β_k。最终教师特征模型输出的教师特征数据为学历水平标签数据：即与这四个学历水平特征数据一一对应的学历水平标签Y_i和与学历水平标签Y_i一一对应的学历水平标签概率P(Y_i＝K)。可以理解的是，学历水平标签Y_i包括五个类别：非常高、比较高、一般、比较低、非常低。教师特征模型还输出与学历水平标签Y_i一一对应的学历水平标签概率P(Y_i＝K)。通过选取最大的学历水平标签概率所对应的学历水平标签，作为该教师的学历水平标签，即通过教师特征模型得到教师对应的学历水平评估。

学历水平标签概率的计算公式如下：

例如，在一实施例中，学历水平特征数据中的毕业院校排名、所获学历、所获学位、所学专业，都对应有一个数值化的数据用以表征对应的特征。如所获学历，根据学历类型可以分为大专、本科、研究生、博士生，故可量化为K＝0,1,2,3，K＝0表示该教师的学历类型为大专，K＝1表示该教师的学历类型为本科，依次类推，K＝3表示该教师的学历类型为博士生；所获学位可以分为学士、硕士和博士，可量化为K＝0,1,2，K＝0表示该教师的学位为学士，K＝1表示该教师的学位为硕士，依此类推。所学专业可量化为0和1，0表示该教师所获学历或所获学位与该教师所教授的学科类型相符合(例如文学类毕业的教师教授的学科类型为语文)，1表示该教师所获学历或所获学位与其所教授的学科类型不符合(比如物理类毕业的教师教授的学科类型为数学)。

学历水平标签Y_i包括五个类别：非常高、比较高、一般、比较低、非常低，在公式中可分别用K＝0,1,2,3,4来表示，例如，K＝0表示非常高、K＝1表示比较高，依次类推。P(Y_i＝K)表示的是学历水平标签Y_i为K(K＝0,1,2,3,4)对应的学历水平标签概率。x_i表示学历水平特征数据。将学历水平特征数据即毕业院校排名、所获学历、所获学位、所学专业经过一定的数据转换之后能够形成数值化数据，即x_i；β_k表示每个学历水平特征数据一一对应的权重。

由于每个学历水平标签Y_i都对应有学历水平标签概率，故可以选择最大的学历水平标签概率作为该教师的学历水平标签。例如假设教师特征模型输出的学历水平标签数据为：K＝0，30％；K＝1，40％；K＝2，10％；K＝3，16％；K＝4，4％，那么可以确定该教师的学历水平标签为K＝1对应的比较高。

以资历水平特征数据为例：

对于单个教师，通过获取的该教师的资历水平特征数据，用以通过教师特征模型得到资历水平标签数据。本实施例的资历水平特征数据包括：任教学校类别、职称水平、任教时长、荣誉称号(数量、级别)、社会兼职(数量、级别)。

将这五个资历水平特征数据(x'₁,x'₂,x'₃,x'₄,x'₅)进行向量化数据处理之后，采用教师特征模型中的多分类逻辑回归算法对上述五个资历水平特征数据进行训练，得到若干个第二模型参数，该第二模型参数包括与任教学校类别、职称水平、任教时长、荣誉称号(数量、级别)、社会兼职(数量、级别)这五个资历水平特征数据一一对应的权重β'_k。最终教师特征模型输出的教师特征数据为资历水平标签数据：即与这五个资历水平特征数据一一对应的资历水平标签Y_i'和与资历水平标签Y_i'一一对应的资历水平标签概率。可以理解的是，资历水平标签Y_i'包括五个类别：专家教师、优秀教师、普通教师、成长教师、新手教师。教师特征模型还输出与资历水平标签Y_i'一一对应的资历水平标签概率。通过选取最大的资历水平标签概率所对应的资历水平标签，作为该教师的资历水平标签，即通过教师特征模型得到教师对应的资历水平评估。

可以理解的是，步骤S102中获取来自学科教学模型输出的学科教学数据，包括但不限于：

将第二特征数据输入至学科教学模型中，得到学科教学数据；其中，第二特征数据包括信息化教学能力特征数据、课例研磨水平特征数据；学科教学数据包括与信息化教学能力特征数据对应的信息化教学能力数据、与课例研磨水平特征数据对应的课例研磨水平数据；学科教学模型通过多元线性回归算法对预设的第二样本数据训练得到。

可以理解的是，本发明实施例的学科教学模型用于分析和挖掘教师的信息化教学能力和课例研磨水平。

学科教学模型是通过多元线性回归(Multinomial Linear Regression)算法对预设的第二样本数据训练得到。该第二样本数据可以是第一原始学科教学数据，根据第一原始学科教学数据训练得到学科教学模型后，再将上述的原始学科教学数据内的信息化教学能力特征数据和课例研磨水平特征数据，作为第二特征数据输入到学科教学模型中，分别得到与信息化教学能力特征数据对应的信息化教学能力数据、与课例研磨水平特征数据对应的课例研磨水平数据。

例如，具体地，从教师画像数据库管理系统中筛选提取出第二特征数据(即信息化教学能力特征数据、课例研磨水平特征数据)，作为学科教学模型输入的数据。

以信息化教学能力特征数据为例：

对于单个教师，通过获取的该教师的信息化教学能力特征数据，用以通过学科教学模型得到信息化教学能力数据。

从教师画像数据库管理系统中进行特征工程，筛选提取出信息化教学能力特征数据。本实施例的信息化教学能力特征数据包括：基础技术素养水平、技术支持学习水平、技术支持教学水平。将基础技术素养水平、技术支持学习水平、技术支持教学水平这三个信息化教学能力特征数据(x₁,x₂,x₃)进行向量化数据处理之后，采用学科教学模型中的多元线性回归(Multinomial Linear Regression)算法对上述三个信息化教学能力特征数据进行训练，得到若干个第三模型参数，该第三模型参数包括与基础技术素养水平、技术支持学习水平、技术支持教学水平这三个信息化教学能力特征数据一一对应的权重β_k。最终学科教学模型输出的学科教学数据为信息化教学能力数据Y，Y的取值范围为[1,100]。

信息化教学能力数据Y的计算公式如下：

Y＝β₀+β₁x₁+…β_kx_k+ε；

其中，Y表示信息化教学能力数据；β_k表示每个信息化教学能力特征数据一一对应的权重，x_k表示信息化教学能力特征数据，ε表示学科教学模型的偏置。将信息化教学能力特征数据即基础技术素养水平、技术支持学习水平、技术支持教学水平经过一定的数据转换之后能够形成数值化数据，即x_k。

以课例研磨水平特征数据为例：

对于单个教师，通过获取的该教师的课例研磨水平特征数据，用以通过学科教学模型得到课例研磨水平数据。

从教师画像数据库管理系统中进行特征工程，筛选提取出评估教师的课例研磨水平特征数据。本实施例的课例研磨水平特征数据包括：备磨课主题、参与备磨课次数、听评课主题、参与听评课次数、课例作品评价数据、课例获奖数据。将这六个课例研磨水平特征数据(x₁',x'₂,x'₃,x'₄,x'₅,x'₆)进行向量化数据处理之后，采用学科教学模型中的多元线性回归算法对上述六个课例研磨水平特征数据进行训练，得到若干个第四模型参数，该第四模型参数包括与上述六个课例研磨水平特征数据一一对应的权重β'_k。最终学科教学模型输出的学科教学数据为课例研磨水平数据y'，y'的取值范围为[1,100]。

可以理解的是，步骤S103中获取来自专业研修模型输出的专业研修数据，包括但不限于：

将第三特征数据输入至专业研修模型中，得到专业研修数据；其中，第三特征数据包括研修投入度特征数据、研修效能特征数据和专业学习能力特征数据；专业研修数据包括与研修投入度特征数据对应的研修投入度数据、与研修效能特征数据对应的研修效能数据、与专业学习能力特征数据对应的专业学习能力数据；专业研修模型通过回归树算法对预设的第三样本数据训练得到。

可以理解的是，本发明实施例的专业研修模型用于分析和挖掘教师的研修投入度、研修效能和专业学习能力。

专业研修模型是通过回归树(Regression Tree)算法对预设的第三样本数据训练得到。该第三样本数据可以是第一原始专业研修数据，根据第一原始专业研修数据训练得到专业研修模型后，再将上述的原始专业研修数据内的研修投入度特征数据、研修效能特征数据和专业学习能力特征数据，作为第三特征数据输入到专业研修模型中，分别得到与研修投入度特征数据对应的研修投入度数据、与研修效能特征数据对应的研修效能数据、与专业学习能力特征数据对应的专业学习能力数据。

例如，具体地，从教师画像数据库管理系统中进行特征工程，筛选提取出第三特征数据(即研修投入度特征数据、研修效能特征数据和专业学习能力特征数据)，作为专业研修模型输入的数据。

以研修投入度特征数据为例：

对于单个教师，通过获取的该教师的研修投入度特征数据，用以通过专业研修模型得到研修投入度数据。

从教师画像数据库管理系统中进行特征工程，筛选提取出研修投入度特征数据。本实施例的研修投入度特征数据包括：参与研修活动次数、研修活动主题、研修活动形式、讨论次数、讨论时长、讨论有效信息占比、教师注意力、二次参与意愿。将这八个研修投入度特征数据(x₁,x₂,x₃,x₄,x₅,x₆,x₇,x₈)进行向量化数据处理之后，采用专业研修模型中的回归树算法对上述八个研修投入度特征数据进行训练。由于回归树算法是利用树模型来解决回归的问题，因此树模型中的每一片叶子会对应输出一个预测值，该预测值一般为该片叶子所含的训练集元素输出的均值。本发明实施例专业研修模型的输出为研修投入度数据，研修投入度数据的取值范围为[1,100]。

以研修效能特征数据为例：

对于单个教师，通过获取的该教师的研修效能特征数据，用以通过专业研修模型得到研修效能数据。

从教师画像数据库管理系统中进行特征工程，筛选提取出研修效能特征数据。本实施例的研修效能特征数据包括：研修满意度、认知效能感、教学效能感、社会效能感、研修注意力。将这五个研修效能特征数据(x'₁,x'₂,x'₃,x'₄,x'₅)进行向量化数据处理之后，采用专业研修模型中的回归树算法对上述五个研修效能特征数据进行训练。本发明实施例专业研修模型的输出为研修效能数据，研修效能数据的取值范围为[1,100]。

以专业学习能力特征数据为例：

对于单个教师，通过获取的该教师的专业学习能力特征数据，用以通过专业研修模型得到专业学习能力数据。

从教师画像数据库管理系统中进行特征工程，筛选提取出专业学习能力特征数据。本实施例的专业学习能力特征数据包括：在线学习平台、在线课程名称、在线学习时长、资源交互方式、同伴交互方式、发表评论(数量、质量)。将这六个专业学习能力特征数据(x”₁,x”₂,x”₃,x”₄,x”₅,x”₆)进行向量化数据处理之后，采用专业研修模型中的回归树算法对上述六个专业学习能力特征数据进行训练。本发明实施例专业研修模型的输出为专业学习能力数据，专业学习能力数据的取值范围为[1,100]。

可以理解的是，步骤S104中获取来自教研成果模型输出的教研成果数据，包括但不限于：

将第四特征数据输入至教研成果模型中，得到教研成果数据；其中，第四特征数据包括教学成果水平特征数据、课题研究能力特征数据；教研成果数据包括与教学成果水平特征数据对应的教学成果水平数据、与课题研究能力特征数据对应的课题研究能力数据；教研成果模型通过自适应增强算法对预设的第四样本数据训练得到。

可以理解的是，本发明实施例的教研成果模型用于分析和挖掘教师的教学成果水平和课题研究能力。

教研成果模型是通过自适应增强(Adaptive Boosting，Adaboost)算法对预设的第四样本数据训练得到。该第四样本数据可以是第一原始教研成果数据，根据第一原始教研成果数据训练得到教研成果模型后，再将上述的原始教研成果数据内的教学成果水平特征数据、课题研究能力特征数据，作为第四特征数据输入到教研成果模型中，分别得到与教学成果水平特征数据对应的教学成果水平数据、与课题研究能力特征数据对应的课题研究能力数据。

例如，具体地，从教师画像数据库管理系统中进行特征工程，筛选提取出第四特征数据(即教学成果水平特征数据、课题研究能力特征数据)，作为教研成果模型输入的数据。

以教学成果水平特征数据为例：

对于单个教师，通过获取的该教师的教学成果水平特征数据，用以通过教研成果模型得到教学成果水平数据。

从教师画像数据库管理系统中进行特征工程，筛选提取出教学成果水平特征数据。本实施例的教学成果水平特征数据包括：成果名称、成果级别、成果关键词。将成果名称、成果级别、成果关键词这三个教学成果水平特征数据(x₁,x₂,x₃)进行向量化数据处理之后，采用教研成果模型中的自适应增强算法对上述三个教学成果水平特征数据进行训练。由于自适应增强算法属于集成学习方法，其是通过训练合并多个“弱”学习基来形成“强”学习基，在分类和回归问题上的性能都比较好。本发明实施例教研成果模型的输出为教学成果水平数据，教学成果水平数据的取值范围为[1,100]。

以课题研究能力特征数据为例：

对于单个教师，通过获取的该教师的课题研究能力特征数据，用以通过教研成果模型得到课题研究能力数据。

从教师画像数据库管理系统中进行特征工程，筛选提取出课题研究能力特征数据。本实施例的课题研究能力特征数据包括：研究方向、课题数量、课题名称、课题级别、课题关键词、论文数量、论文题目、论文级别、论文关键词。将这九个课题研究能力特征数据(x’₁,x’₂,x’₃,x’₄,x’₅,x’₆,x’₇,x’₈,x’₉)进行向量化数据处理之后，采用教研成果模型中的自适应增强算法对上述九个课题研究能力特征数据进行训练。本发明实施例教研成果模型的输出为课题研究能力数据，课题研究能力数据的取值范围为[1,100]。

可以理解的是，本发明实施例融合有教师特征模型、学科教学模型、专业研修模型和教研成果模型等四大模型，通过数据分析和数据挖掘，构建出面向精准教研的第一教师画像数据对应的教师画像，以便于进一步实现对学科教学教研资源推荐、专业学习研修服务推荐和专业发展路径规划推荐等个性化推荐服务的拓展，能够有效支持学校决策、改进教师管理以及优化教师服务等。

下面具体描述本发明实施例的个性化推荐服务：

学科教学教研资源推荐：

本发明实施例实现自适应式精准学科教学教研资源推荐。具体地：

参照图3，可以理解的是，本发明实施例的方法还包括：

步骤S301，从教师画像数据库管理系统中，提取每一学科教师对应的教研信息；其中，教研信息包括教研指标数据、教研资源评分数据；学科教师是以学科类型进行的分类；

从教师画像数据库管理系统中采集每一学科教师对应的教研信息，即每一学科教师对应的教研指标数据、以及每一学科教师对应的教研资源评分数据。可以理解的是，教研指标数据可以为学科教研数据、教学情境数据、教学反思数据(如学科教师对对应学科教学过程中的思考信息等)、教学日志数据(如学科教师对对应学科教学过程中记录的日志信息等)、资源使用数据等指标数据。教研资源评分数据可以是每一学科教师对对应的一些相关教研资源的评分，该评分数据可通过评分表、问卷等形式进行收集。可以理解的是，一些实施例中，教研资源评分数据可以为1至10分。本发明实施例的学科教师是以学科类型进行的分类，即通过对所有学科教师按照学科类型进行聚类，以便于进一步为候选学科教师推荐候选教研资源，例如推荐数字教材、学科APP、优质课例等等。可以理解的是，学科类型可以为语文、数学、英语、化学、生物、物理等。

步骤S302，在相同学科类型中，定义学科教师中其中一者作为候选学科教师，将除候选学科教师以外的其他学科教师作为第一相似学科教师；

本发明实施例需要针对每名学科教师，在相同学科类型对应的学科教师集合中，寻找与该名学科教师情况相似的其他学科教师。因此，为了便于数据处理，本发明实施例定义在相同学科类型对应的学科教师集合中，将该学科教师集合中的其中一者学科教师作为候选学科教师u，将除候选学科教师u以外的其他学科教师作为第一相似学科教师v。本发明实施例需要计算候选学科教师u与学科教师集合中的每一第一相似学科教师v之间的第一相似度数据w_u,v，因此，可以理解的是，该学科教师集合中的每一学科教师都可以作为候选学科教师u来进行数据处理。

步骤S303，根据候选学科教师对应的教研指标数据、每一第一相似学科教师对应的教研指标数据，分别计算得到每一第一相似学科教师对应的第一相似度数据；

对于选定的候选学科教师u而言，候选学科教师u对应的教研指标数据，该教研指标数据可以以集合的形式来表示，故定义N(u)为候选学科教师u对应的教研指标数据，即N(u)可以为候选学科教师u对应的学科教研数据、教学情境数据、教学反思数据、教学日志数据、资源使用数据等这些指标数据的集合；定义N(v)为第一相似学科教师v对应的教研指标数据，即N(v)可以为第一相似学科教师v对应的学科教研数据、教学情境数据、教学反思数据、教学日志数据、资源使用数据等这些指标数据的集合。本发明实施例通过采用第一余弦相似度计算公式，来分别计算得到每一第一相似学科教师v对应的第一相似度数据w_u,v。可以理解的是，第一相似度数据w_u,v可以表示为候选学科教师u与第一相似学科教师v之间的相似度。

第一余弦相似度计算公式如下所示：

步骤S304，根据候选学科教师对应的每一第一相似学科教师对应的第一相似度数据，从第一相似学科教师中筛选得到若干第二相似学科教师；

根据上述第一余弦相似度计算公式，能够得到候选学科教师u对应的每一第一相似学科教师v对应的第一相似度数据w_u,v，从该学科教师集合中寻找与候选学科教师u最相似的若干个学科教师K作为第二相似学科教师，即本实施例从学科教师集合中的所有第一相似学科教师v中筛选得到若干个第二相似学科教师K。可以理解的是，可以将所有第一相似学科教师对应的第一相似度数据按照从大到小进行排序，以便于根据第一相似度数据的大小来筛选第二相似学科教师；

步骤S305，获取每一第二相似学科教师对应的教研资源评分数据所对应的教研资源集合，并将教研资源集合内的若干教研资源作为候选学科教师对应的候选教研资源；

定义集合s(u,K)表示每一第二相似学科教师K对应的教研资源评分数据所对应的教研资源集合，由于每一第二相似学科教师K对应的每一教研资源评分数据中，该教研资源评分数据均反映的是对相关教研资源的评分，故教研资源集合s(u,K)可以为上述每一第二相似学科教师K对应的每一教研资源评分数据所对应的相关教研资源的集合；之后，将教研资源集合s(u,K)内的若干教研资源作为候选学科教师u对应的候选教研资源i；

步骤S306，根据每一第二相似学科教师对应的第一相似度数据、第一相似学科教师对应候选教研资源对应的教研资源评分数据，计算得到候选学科教师对应每一候选教研资源的候选教研资源匹配度数据；

对于每个候选教研资源i，计算候选学科教师u对应每一候选教研资源i的候选教研资源匹配度数据P(u,i)；

候选教研资源匹配度数据P(u,i)的计算公式如下所示：

可以理解的是，候选教研资源匹配度数据P(u,i)可以表示为候选学科教师u与候选教研资源i间的匹配概率，w_u,v表示为候选学科教师u与第一相似学科教师v间的第一相似度数据；r_vi表示第一相似学科教师v对应候选教研资源i所对应的教研资源评分数据；s(u,K)表示每一第二相似学科教师K对应的教研资源评分数据所对应的教研资源集合；

步骤S307，将满足第一预设值的候选教研资源匹配度数据对应的候选教研资源，作为第二教师画像数据推荐给候选学科教师。

本发明实施例将满足第一预设值的候选教研资源匹配度数据P(u,i)对应的候选教研资源i，作为第二教师画像数据推荐给候选学科教师u。可以理解的是，该第二教师画像数据即为候选学科教师u对应的候选教研资源i，在一些实施例中，可通过将第二教师画像数据作可视化数据处理，以呈现出候选教研资源i，以便于候选学科教师u获取该候选教研资源。

可以理解的是，本实施例可以将所有候选教研资源匹配度数据P(u,i)按照从大到小的顺序进行排序，根据最大的候选教研资源匹配度数据开始，将排在前M个的候选教研资源匹配度数据筛选出来，并将前M个候选教研资源匹配度数据一一对应的候选教研资源i，作为第二教师画像数据推荐给候选学科教师u。

还可以理解的是，本发明实施例的候选学科教师u在得到M个候选教研资源匹配度数据对应的候选教研资源i之后，对这些候选教研资源进行学习和评分。对于候选教研资源的评分可以作为候选教研资源对应的教研资源评分数据。获取候选学科教师u对这些候选教研资源i对应的教研资源评分数据，并将候选学科教师u对应每一候选教研资源i所对应的教研资源评分数据汇总到教师画像数据库管理系统中，以及将候选学科教师u关于其他教研指标数据对应的教研资源评分数据也汇总到教师画像数据库管理系统中，从而实现自适应式精准学科教学教研资源推荐。

专业学习研修服务推荐：

本发明实施例实现自适应式精准研修服务推荐。具体地：

参照图4，可以理解的是，本发明实施例的方法还包括：

步骤S401，从教师画像数据库管理系统中，提取每一年级教师对应的研修服务数据、每一年级教师对应的职称等级；其中，年级教师是以年级级别以及学科类型进行的分类；

可以理解的是，本发明实施例根据每一年级教师对应的年级级别以及对应的学科类型进行分类。例如，将教师画像数据库管理系统中的每一年级教师，根据对应的年级级别(例如小学、初中和高中)以及对应的学科类型(例如语文、数学、英语等)进行聚类，能够分别得到不同年级级别和不同学科类型的年级教师类别。

之后，从教师画像数据库管理系统中提取每一年级教师对应的研修服务数据。

具体地，可以从原始专业研修数据中提取每一年级教师对应的研修服务数据，该研修服务数据对应的研修服务可以为研修服务类型(如在线课程、会议、讲座、工作坊)、主题(关键词)和简介，采用向量嵌入方法对上述研修服务进行向量化数据处理以表征对应的研修服务数据。

步骤S402，根据每一年级教师对应的研修服务数据，计算得到每两个研修服务数据之间的第二相似度数据；

对于每一个年级教师对应的研修服务数据i’，计算除该年级教师对应的研修服务数据i’之外的其他所有年级教师对应的研修服务数据j与上述研修服务数据i’之间的第二相似度数据w_i',j，即本发明实施例可以通过采用第二余弦相似度计算公式，来分别计算得到每两个研修服务数据i’与研修服务数据j之间的第二相似度数据w_i',j。

可以理解的是，第二相似度数据w_i',j可以表示为研修服务数据i’与研修服务数据j之间的相似度。

第二余弦相似度计算公式如下所示：

步骤S403，相同职称等级内的每一年级教师构成年级教师集合，定义年级教师集合中其中一者年级教师作为候选年级教师，将除候选年级教师以外的其他年级教师作为相似年级教师；

为了进一步精准研修服务推荐，本发明实施例先定义一个候选年级教师u，根据候选年级教师u对应的职称等级来获取相似年级教师v的信息。具体地，将相同职称等级内的每一年级教师合并一起，作为一个年级教师集合。再定义年级教师集合中其中一者年级教师作为候选年级教师u，将除候选年级教师u以外的其他年级教师作为相似年级教师v。

可以理解的是，本发明实施例需要进一步计算候选年级教师u对应每一候选研修服务数据的候选研修服务匹配度数据，因此，可以理解的是，该年级教师集合中的每一年级教师都可以作为候选年级教师u来进行数据处理。

可以理解的是，步骤S401中，从教师画像数据库管理系统中已提取每一年级教师对应的职称等级，该职称等级可以为正高级教师、高级教师、一级教师、二级教师、三级教师等。

步骤S404，从每一相似年级教师对应的研修服务数据中，筛选得到若干对应候选年级教师的候选研修服务数据；其中，候选研修服务数据不包括候选年级教师对应的研修服务数据；

可以理解的是，为了获取候选年级教师u可以参与的匹配度较大的候选研修服务，本发明实施例从每一相似年级教师v对应的研修服务数据j中，筛选得到若干对应候选年级教师u的候选研修服务数据i；

可以理解的是，候选研修服务数据i不包括候选年级教师u对应的研修服务数据i’；即若相似年级教师v对应的研修服务数据j中存在着有与候选年级教师u对应的研修服务数据i’，则需要将该研修服务数据i’进行剔除。即研修服务数据i需要排除候选年级教师u使用过的研修服务数据i’，例如，假设候选年级教师u去过讲座A，则候选研修服务数据i不包括讲座A。但可以理解的是，候选研修服务数据i中还可以包括候选年级教师u未去过的讲座B、讲座C等；可以理解的是，对于候选年级教师u使用过的研修服务数据i’，若候选年级教师u需要重新获取该研修服务数据i’，则可以在教师画像数据库管理系统的历史浏览中查询得到该研修服务数据i’。

步骤S405，根据每一相似年级教师对应的教师特征数据、每一相似年级教师对应的候选研修服务数据的使用情况数据、每一候选年级教师对应的候选研修服务数据对应的第二相似度数据，计算得到候选年级教师对应每一候选研修服务数据的候选研修服务匹配度数据；

定义每一相似年级教师对应的候选研修服务数据的使用情况数据用r_vi表示；

相似年级教师v对应的候选研修服务数据i的使用情况数据r_vi可以为：相似年级教师v使用过候选研修服务数据i，或者，相似年级教师v未使用过候选研修服务数据i；

具体地，本发明实施例需要计算候选年级教师u对应每个候选研修服务数据i的候选研修服务匹配度数据P(u,i)。

即计算每个候选研修服务数据i与该候选年级教师u之间的匹配度；候选研修服务匹配度数据P(u,i)的计算公式如下所示：

可以理解的是，相同职称等级内的每一年级教师构成年级教师集合，定义该年级教师集合用P(u)表示，即P(u)可以为候选年级教师u对应的职称等级所对应的年级教师集合，该年级教师集合中的相似年级教师用v表示；S(u)表示研修服务集合，该研修服务集合具体为候选年级教师u对应的研修服务数据i’的集合，即候选年级教师u使用过的研修服务数据i’的集合；可以理解的是，候选研修服务数据i不能出现在S(u)中；本发明实施例还需要获取每一相似年级教师v对应的教师特征数据，例如在本实施例中，采用的是教师特征数据中的资历水平标签数据。具体地，定义每一相似年级教师v对应的资历水平标签数据用k_v表示；例如，资历水平标签可以分为五个类别：专家教师、优秀教师、普通教师、成长教师、新手教师，则对应k_v的取值可以为(0.25,0.5,1.0,1.25,1.5)；r_vi表示每一相似年级教师v对应的候选研修服务数据i的使用情况数据，即相似年级教师v是否使用过候选研修服务数据i；例如，r_v,i＝0.1表示相似年级教师v未使用过候选研修服务数据i；r_v,i＝1.1表示相似年级教师v使用过候选研修服务数据i；w_i,j表示候选年级教师u对应的候选研修服务数据i对应的第二相似度数据，即候选研修服务数据i与研修服务数据j之间的第二相似度数据；

步骤S406，将满足第二预设值的候选研修服务匹配度数据对应的候选研修服务数据，作为第三教师画像数据推荐给候选年级教师。

本发明实施例将满足第二预设值的候选研修服务匹配度数据P(u,i)对应的候选研修服务数据i，作为第三教师画像数据推荐给候选年级教师u。可以理解的是，该第三教师画像数据即为候选年级教师u对应的候选研修服务数据i；在一些实施例中，可通过将第三教师画像数据作可视化数据处理，以呈现出候选研修服务数据i，以便于候选年级教师u获取该候选研修服务，实现精准研修服务推荐。

可以理解的是，本实施例可以将所有候选研修服务匹配度数据P(u,i)按照从大到小的顺序进行排序，从最大的候选研修服务匹配度数据开始，将排在前M个的候选研修服务匹配度数据筛选出来，并将前M个候选研修服务匹配度数据一一对应的候选研修服务数据i，作为第三教师画像数据推荐给候选年级教师u。

专业发展路径规划推荐：

本发明实施例实现精准个性化专业发展路径规划推荐。具体地：

参照图5，可以理解的是，本发明实施例的方法还包括：

步骤S501，从教师画像数据库管理系统中，提取每一职称教师对应的专业发展路径数据；其中，职称教师是以职称等级进行的分类；可以理解的是，本发明实施例根据每一职称教师对应的职称等级进行分类。具体地，将教师画像数据库管理系统中的每一职称教师按照对应的职称等级进行聚类，得到不同职称等级的职称教师类别。可以理解的是，职称等级可以为正高级教师、高级教师、一级教师、二级教师、三级教师等；可以理解的是，职称等级可以通过数值化处理后，得到与职称等级对应的等级级别；

对于每一职称教师，其对应的专业发展路径是指在教学过程中所经历的教研活动和教研策略的有序序列。

因此，专业发展路径数据可以用一个包括有教研活动Ta和教研策略Ts两个维度的二维向量矩阵来表示，即专业发展路径数据可以表示为：

[Ta₁(u),Ta₂(u),...Ta_n(u)

Ts₁(u),Ts₂(u),...,Ts_m(u)]；

可以理解的是，可以从教师画像数据库管理系统中，通过文本挖掘算法，来得到每一职称教师对应的专业发展路径数据。该文本挖掘算法法包括中文分词、关键词提取、主题提取等。

步骤S502，定义职称教师中其中一者作为候选职称教师，将与候选职称教师处于同一职称等级的其他职称教师作为相似职称教师；

为了进一步精准个性化专业发展路径规划推荐，本发明实施例需要先定义一个候选职称教师u。具体地，定义职称教师中其中一者作为候选职称教师u，将与候选职称教师u位于同一职称等级(例如正高级教师)的其他职称教师作为相似职称教师v，并将除候选职称教师u、相似职称教师v以外的其他职称教师作为匹配职称教师；

可以理解的是，所有职称教师中每一职称教师都可以作为候选职称教师u来进行数据处理；

步骤S503，对每一相似职称教师对应的专业发展路径数据进行数据处理，得到候选职称教师对应的候选专业发展路径集合；其中，候选专业发展路径集合包括若干候选专业发展路径数据；

本发明实施例为了获取候选职称教师对应的候选专业发展路径集合，需要对上述的每一职称教师对应的专业发展路径数据进行一系列数据处理，具体如下：

将所有职称教师对应的所有专业发展路径数据进行数据合并，再将所有职称教师内存在相同的专业发展路径数据进行数据剔除，最终只保留相同的专业发展路径数据中的一个专业发展路径数据；

经过上述数据合并、数据剔除后，再对剩下的专业发展路径数据进行集合构造；

可以理解的是，由于本实施例的职称教师对应的专业发展路径数据包括有教研活动数据Ta和教研策略数据Ts；因此对所有专业发展路径数据进行去重及集合构造后，可以得到一个教研活动总集合以及一个教研策略总集合：

其中，职称等级可以通过数值化处理后，得到与职称等级对应的等级级别；

表示第m等级级别的职称教师的第Nm个教研活动；

表示第m等级级别的职称教师的第Nm'个教研策略。

对于每一候选职称教师u，定义候选职称教师u对应职称等级对应的等级级别为i；

本发明实施例针对候选职称教师u，候选职称教师u对应的等级级别i，来构造与候选职称教师u处于同一等级级别i的所有职称教师的专业发展路径集合；

可以理解的是，专业发展路径集合构造好后，需要将候选职称教师u对应的专业发展路径数据进行数据剔除，从而得到候选职称教师u对应的候选专业发展路径集合；

可以理解的是，由于职称教师对应的专业发展路径数据包括有教研活动数据Ta和教研数据Ts；因此，处于同一等级级别i的所有职称教师对应的专业发展路径集合也包括有教研活动集合和教研策略集合；

将教研活动集合中候选职称教师u已存在的教研活动进行去除，得到候选教研活动集合；

将教研策略集合中候选职称教师u已存在的教研策略进行去除，得到候选教研策略集合；

即，本发明实施例的候选专业发展路径集合对应包括有：候选教研活动集合、候选教研策略集合。

可以理解的是，由于与候选职称教师u处于同一等级级别i的其他职称教师作为相似职称教师，因此，本发明实施例可以对每一相似职称教师对应的专业发展路径数据进行上述的数据处理，以得到候选职称教师对应的候选专业发展路径集合。

本实施例将以候选职称教师对应的候选教研活动集合Ta^u，以及候选职称教师对应的候选教研策略集合Ts^u具体展开描述：

将相似职称教师对应的教研活动集合中，去除候选职称教师u已存在的教研活动，得到候选教研活动集合Ta^u；

将相似职称教师对应的教研策略集合中，去除候选职称教师u已存在的教研策略，得到候选教研策略集合Ts^u；

可以理解的是，相似职称教师对应的教研活动集合可以从教研活动总集合中提取出来，且教研活动集合包括若干教研活动数据；

以及相似职称教师对应的教研策略集合可以从教研策略总集合中提取出来，且教研策略集合包括若干教研策略数据；

步骤S504，根据候选专业发展路径集合，计算得到候选职称教师对应每一候选专业发展路径数据的第一候选专业发展匹配度数据；

可以理解的是，由于候选职称教师u对应的候选专业发展路径集合包括若干候选专业发展路径数据；因此，本发明实施例的候选教研活动集合包括若干候选教研活动数据；候选教研策略集合包括若干候选教研策略数据；则第一候选教研活动匹配度数据对应包括有第一候选教研活动匹配度数据、第一候选教研策略匹配度数据；

具体地，本发明实施例根据候选教研活动集合Ta^u，计算得到候选职称教师u对应每一候选教研活动数据

的第一候选教研活动匹配度数据；

为了适应候选职称教师u对应的个性化偏好，需要获取候选职称教师u与候选教研活动集合Ta^u中的每一候选教研活动数据

的元素匹配度。

即对于候选教研活动集合Ta^u，计算候选职称教师u对应每个候选教研活动数据

的第一候选教研活动匹配度数据

第一候选教研活动匹配度数据

的计算公式如下：

其中，Ta^u表示候选教研活动集合；

表示候选教研活动数据；

表示候选教研活动集合中候选教研活动数据的数量。

本发明实施例根据候选教研策略集合Ts^u，计算得到候选职称教师u对应每一候选教研策略数据

的第一候选教研策略匹配度数据；

为了适应候选职称教师u对应的个性化偏好，需要获取候选职称教师u与候选教研策略集合Ts^u中的每一候选教研策略数据

的元素匹配度。

即对于候选教研策略集合Ts^u，计算候选职称教师u对应每个候选教研策略数据

的第一候选教研策略匹配度数据

第一候选教研策略匹配度数据

的计算公式如下：

其中，Ts^u表示候选教研策略集合，

表示候选教研策略数据；

表示候选教研策略集合中候选教研策略数据的数量。

步骤S505，获取每一候选专业发展路径数据对应的职称教师的职称等级，根据候选专业发展路径数据对应的职称教师的职称等级、候选职称教师对应的职称等级、每一第一候选专业发展匹配度数据，计算得到若干第二候选专业发展匹配度数据；

可以理解的是，本发明实施例具体针对教研活动和教研策略两个方面进行描述，即专业发展路径数据包括教研活动数据和教研策略数据；候选专业发展路径数据包括候选教研活动数据和候选教研策略数据；第一候选专业发展匹配度数据包括与候选教研活动数据对应的第一候选教研活动匹配度数据和与候选教研策略数据对应的第一候选教研策略匹配度数据；第二候选专业发展匹配度数据包括第二候选教研活动匹配度数据和第二候选教研策略匹配度数据；

具体地，获取每一候选教研活动数据对应的职称教师的职称等级，根据每一候选教研活动数据

对应的职称教师的职称等级、候选职称教师u对应的职称等级、每一第一候选专业发展匹配度数据

计算得到若干第二候选教研活动匹配度数据

即本实施例为了进一步实现个性化专业发展路径规划推荐，需要考虑每个候选教研活动数据所对应的职称教师v的信息。因此，本实施例计算每一候选教研活动数据

与候选职称教师u之间的第二候选教研活动匹配度数据

为概率值；

第二候选教研活动匹配度数据

的计算公式如下所示：

其中，k_v表示每个候选教研活动数据对应的职称教师v对应的职称等级所对应的级别数据，具体地，若候选教研活动数据对应的职称教师v对应的职称等级与候选职称教师u对应的职称等级相同，则级别数据k_v为1.0；定义职称教师v对应的等级级别每比候选职称教师u对应的等级级别i高一级，则k_v对应递增0.2，否则，递减0.2；因此，k_v＝1.0+0.2*(g_v-g_u)；g_v表示每个候选教研活动数据对应的职称教师v对应的职称等级，g_u表示候选职称教师u对应的职称等级；

表示第一候选专业发展匹配度数据。

可以理解的是，定义除候选职称教师、相似职称教师以外的其他职称教师作为匹配职称教师，则在本实施例中，候选教研活动数据所属相似职称教师时，相似职称教师对应的职称等级所对应的级别数据为1.0；候选教研活动数据所属匹配职称教师时，匹配职称教师对应的职称等级所对应的级别数据可以为1.2、0.8、1.4等等；

对应的，获取每一候选教研策略数据

对应的职称教师v的职称等级，根据每一候选教研策略数据

对应的职称教师v的职称等级、候选职称教师u对应的职称等级、每一第一候选教研策略匹配度数据

计算得到若干第二候选教研策略匹配度数据

第二候选教研策略匹配度数据

的计算公式如下：

可以理解的是，k_v表示每个候选教研策略数据对应的职称教师v对应的职称等级所对应的级别数据，具体计算方式可参照上述候选教研活动数据的实施例，在此不再赘述。

步骤S506，将满足第三预设值的第二候选专业发展匹配度数据对应的候选专业发展路径数据，作为第四教师画像数据推荐给候选职称教师。

可以理解的是，本发明实施例具体将满足第三教研预设值的第二候选教研活动匹配度数据对应的候选教研活动数据，和/或，满足第三策略预设值的第二候选教研策略匹配度数据对应的候选教研策略数据，作为第四教师画像数据推荐给候选职称教师。

在一些实施例中，可通过将第四教师画像数据作可视化数据处理，以呈现出候选职称教师对应的候选教研活动数据和/或候选教研策略数据，以便于候选职称教师个性化专业发展路径规划推荐。

可以理解的是，本实施例可以将每一候选教研活动数据

对应的第二候选教研活动匹配度数据

按照从大到小的顺序进行排序，从最大的第二候选教研活动匹配度数据开始，将排在前n个的第二候选教研活动匹配度数据筛选出来，并将前n个第二候选教研活动匹配度数据一一对应的候选教研活动数据

作为第四教师画像数据推荐给候选职称教师。

又例如，本实施例可以将每一候选教研策略数据

对应的第二候选教研策略匹配度数据

按照从大到小的顺序进行排序，从最大的第二候选教研策略匹配度数据开始，将排在前m个的第二候选教研策略匹配度数据筛选出来，并将前m个第二候选教研策略匹配度数据一一对应的候选教研策略数据

作为第四教师画像数据推荐给候选职称教师。

本发明实施例紧密结合教师教研存在的特征与需求，为教师个人的专业发展提供伴随式数据采集和实时性画像服务，实用推广价值高。

在数据采集上本发明实施例利用多平台多设备联通采集多源原始数据，减少人工采集工作量，提升数据真实性和丰富度。在对原始数据预处理上利用数据清理和数据归约方法来预处理异构数据，为后续的模型分析提供了标准、干净、连续的多源数据。基于多源异构教研数据，在模型分析上，融合教师特征模型、学科教学模型、专业研修模型和教研成果模型等四大模型来构建多标签的教师画像，提升了教师教研服务的精准度。在应用拓展上，有效实现学科教学教研资源推荐、专业学习研修服务推荐和专业发展路径规划推荐等个性化推荐服务。

参照图6，可以理解的是，一实施例中，步骤S105的根据教师特征数据、学科教学数据、专业研修数据以及教研成果数据，构建第一教师画像数据，包括：

步骤S110，从教师画像数据库管理系统中，提取事实标签数据；其中，事实标签数据包括：第一特征数据、第二特征数据、第三特征数据、第四特征数据和教师身份特征数据；

步骤S111，定义模型标签数据；其中，模型标签数据包括：教师特征数据、学科教学数据、专业研修数据、教研成果数据；

步骤S112，根据事实标签数据，构建与事实标签数据对应的第五教师画像数据；

步骤S113，根据模型标签数据，构建与模型标签数据对应的第一教师画像数据。

可以理解的是，本发明实施例通过利用教师个体标签体系，来描述教师对应的特征、行为、偏好和需求。

统计分析生成事实标签数据：从教师画像数据库管理系统中进行特征工程，筛选提取出事实标签数据。可以理解的是，本实施例的教师特征模型、学科教学模型、专业研修模型和教研成果模型的四个模型中，每一个模型输入的数据均属于事实标签数据，即第一特征数据、第二特征数据、第三特征数据、第四特征数据均属于事实标签数据；此外，从教师画像数据库管理系统中提取出的教师身份特征数据也属于事实标签数据，例如教师的基本信息如姓名、性别、年龄；任教信息如任教学校、职称等级、学科类型、年级级别和联系方式，均可作为事实标签数据。

生成教师个体标签体系：结合每一个模型通过建模分析后输出的数据和统计分析生成的事实标签数据，构建教师个体标签体系；其中，教师个体标签体系共包括两级，例如一级标签均为事实标签数据，二级标签均为模型标签数据。可以理解的是，本实施例的教师特征模型、学科教学模型、专业研修模型和教研成果模型的四个模型中，每一个模型输出的数据均属于模型标签数据，即教师特征数据、学科教学数据、专业研修数据、教研成果数据均属于模型标签数据。可以理解的是，模型标签数据可以由部分事实标签数据经过机器学习等算法预测生成。最后，通过可视化工具将事实标签数据、模型标签数据进行可视化数据处理，以呈现教师个体标签体系。

参照图7，图中示出了教师个人画像的一个实施例的示意图。

具体地，图7中的教师个人画像中，包括事实标签数据和模型标签数据。例如，位于教师特征、学科教学、专业研修、教研成果、群体画像上方部分的数据则为事实标签数据。即李老师、女、35岁、教育硕士、二级教师、电话号码等等，均为事实标签数据；而图7中的教师特征、学科教学、专业研修、教研成果、群体画像，以及位于教师特征、学科教学、专业研修、教研成果、群体画像下方部分，所一一对应的数据，均为模型标签数据。

可以理解的是，本发明实施例能够将教师特征模型、学科教学模型、专业研修模型和教研成果模型这四个模型所输出的数据分别形成可视化的第一教师画像数据，且四个模型之间的输出数据多源合一，整合形成教师个人画像。除此之外，还可以跨模型抽取不同数据，基于算法实现个性化推荐服务，包括学科教学教研资源推荐、专业学习研修服务推荐和专业发展路径规划推荐等等；

以图7中专业研修为例，其包括有第一教师画像数据中的专业研修画像数据，即研修投入度数据对应的研修投入度、研修效能数据对应的研修效能、专业学习能力数据对应的专业学习能力，而右下角的“你可能感兴趣这些研修服务”则具体为本发明实施例的个性化推荐服务中的专业学习研修服务推荐所显示的画像数据，即其具体可作为第四教师画像数据推荐给候选职称教师，即可以呈现在每一教师对应的教师个人画像中，形成教师个体标签体系。

还可以理解的是，在其他实施例中，可以将第一教师画像数据、第二教师画像数据、第三教师画像数据、第四教师画像数据以及第五教师画像数据(即事实标签数据)分别形成一一对应的可视化画面，或全部融合形成一个可视化画面等等，而不局限于本实施例图7。

图7中的群体画像，则是融合多个教师对应的教师画像数据。例如，一实施例中，可通过区域的划分对所有教师对应的第一教师画像数据进行显示，例如以学校为单位进行划分，分别显示各个学校内所有教师对应的第一教师画像数据；或者以地区为单位进行划分，分别显示各个地区内所有教师对应的第一教师画像数据等。本实施例还可通过可视化曲线图，或可视化图表等方式对教师画像数据进行显示，本发明对此不作具体限定。另一实施例中，通过群体画像还可以得到相同学科类型内的其他学科教师的教师画像数据，或者相同职称等级内的其他职称教师的教师画像数据；或者相同年级级别内的其他年级老师的教师画像数据等等，有效提高教师画像丰富度。

参照图8，可以理解的是，本发明实施例根据原始数据对应的预处理数据，来构建教师画像数据库管理系统，教师画像数据库管理系统能够合并和管理多源异构的教研数据；并融合了教师特征数据、学科教学数据、专业研修数据和教研成果数据来分别构建第一教师画像数据；此外，通过教师特征模型来分析和挖掘教师的学历水平标签和资历水平标签；通过学科教学模型来分析和挖掘教师的信息化教学能力和课例研磨水平；通过专业研修模型来分析和挖掘教师的研修投入度、研修效能和专业学习能力；通过教研成果模型来分析和挖掘教师的教学成果水平和课题研究能力；还结合模型建模分析后输出的数据和统计分析生成的事实标签数据来构建教师个体标签体系；同时，关联教研资源，实现自适应式精准的学科教学教研资源推荐；关联研修服务，实现自适应式精准的专业学习研修服务推荐；关联专业发展路径，实现精准个性化的专业发展路径规划推荐等。

根据本申请另一实施例提供的一种设备，该设备可以是任意类型的智能终端，如手机、平板电脑、个人计算机等。

进一步地，设备包括：一个或多个存储器；一个或多个处理器；一个或多个程序，程序被存储在存储器中，处理器执行一个或多个程序实现上述基于教研数据的教师画像构建方法。

处理器和存储器可以通过总线或其他方式连接。

存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态性计算机可执行程序以及信号，如本发明实施例中的设备对应的程序指令/信号。处理器通过运行存储在存储器中的非暂态软件程序、指令以及信号，从而执行各种功能应用以及数据处理，即实现上述方法实施例的基于教研数据的教师画像构建方法。

存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储上述基于教研数据的教师画像构建方法的相关数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

一个或者多个信号存储在存储器中，当被一个或者多个处理器执行时，执行上述任意方法实施例中的基于教研数据的教师画像构建方法。例如，执行以上描述的图1中的方法步骤S101至S105、图2中的方法步骤S201至S204、图3中的方法步骤S301至S307、图4中的方法步骤S401至S406、图5中的方法步骤S501至S506、图6中的方法步骤S110至S113。

根据本申请第四方面实施例提供的一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行，可使得上述一个或多个处理器执行上述方法实施例中的基于教研数据的教师画像构建方法。例如，执行以上描述的图1中的方法步骤S101至S105、图2中的方法步骤S201至S204、图3中的方法步骤S301至S307、图4中的方法步骤S401至S406、图5中的方法步骤S501至S506、图6中的方法步骤S110至S113。

以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

通过以上的实施方式的描述，本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读信号、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读信号、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体地”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本申请的实施例，本领域的普通技术人员可以理解：在不脱离本申请的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，均应包含在本申请的保护范围内。

Claims (6)

1.一种基于教研数据的教师画像构建方法，其特征在于，包括：

获取来自教师特征模型输出的教师特征数据；

获取来自学科教学模型输出的学科教学数据；

获取来自专业研修模型输出的专业研修数据；

获取来自教研成果模型输出的教研成果数据；

根据所述教师特征数据、所述学科教学数据、所述专业研修数据以及所述教研成果数据，构建第一教师画像数据；其中，所述第一教师画像数据包括所述教师特征数据对应的教师特征画像数据、所述学科教学数据对应的学科教学画像数据、所述专业研修数据对应的专业研修画像数据、所述教研成果数据对应的教研成果画像数据；

其中，所述教师特征模型、所述学科教学模型、所述专业研修模型，以及所述教研成果模型的输入数据的生成方法为：

采集用于构建教师画像的原始数据；

对所述原始数据进行预处理，得到预处理数据；

根据所述预处理数据，构建教师画像数据库管理系统；

从所述教师画像数据库管理系统中，提取第一特征数据作为所述教师特征模型输入的数据、第二特征数据作为所述学科教学模型输入的数据、第三特征数据作为所述专业研修模型输入的数据，以及第四特征数据作为所述教研成果模型输入的数据；

构建第二教师画像数据，具体过程为：

从所述教师画像数据库管理系统中，提取每一学科教师对应的教研信息；其中，所述教研信息包括教研指标数据、教研资源评分数据；所述学科教师是以学科类型进行的分类；

在相同学科类型中，定义所述学科教师中其中一者作为候选学科教师，将除所述候选学科教师以外的其他学科教师作为第一相似学科教师；

根据所述候选学科教师对应的教研指标数据、每一所述第一相似学科教师对应的教研指标数据，分别计算得到每一所述第一相似学科教师对应的第一相似度数据；

根据所述候选学科教师对应的每一所述第一相似学科教师对应的第一相似度数据，从所述第一相似学科教师中筛选得到若干第二相似学科教师；

获取每一所述第二相似学科教师对应的教研资源评分数据所对应的教研资源集合，并将教研资源集合内的若干教研资源作为所述候选学科教师对应的候选教研资源；

根据每一所述第二相似学科教师对应的第一相似度数据、所述第一相似学科教师对应所述候选教研资源对应的教研资源评分数据，计算得到所述候选学科教师对应每一所述候选教研资源的候选教研资源匹配度数据；其中，所述候选教研资源匹配度数据的计算公式为：

其中，P(u,i)为候选教研资源匹配度数据，用于表示为候选学科教师u与候选教研资源i间的匹配概率；w_u,v表示为候选学科教师u与第一相似学科教师v间的第一相似度数据；r_vi表示第一相似学科教师v对应候选教研资源i所对应的教研资源评分数据；S(u,k)表示每一第二相似学科教师K对应的教研资源评分数据所对应的教研资源集合；

将满足第一预设值的所述候选教研资源匹配度数据对应的所述候选教研资源，作为第二教师画像数据推荐给所述候选学科教师；

构建第三教师画像数据，具体过程为：

从所述教师画像数据库管理系统中，提取每一年级教师对应的研修服务数据、每一所述年级教师对应的职称等级；其中，所述年级教师是以年级级别以及学科类型进行的分类；

根据每一年级教师对应的研修服务数据，计算得到每两个所述研修服务数据之间的第二相似度数据；

相同职称等级内的每一年级教师构成年级教师集合，定义所述年级教师集合中其中一者年级教师作为候选年级教师，将除所述候选年级教师以外的其他年级教师作为相似年级教师；

从每一所述相似年级教师对应的研修服务数据中，筛选得到若干对应所述候选年级教师的候选研修服务数据；其中，所述候选研修服务数据不包括所述候选年级教师对应的研修服务数据；

根据每一所述相似年级教师对应的教师特征数据、每一所述相似年级教师对应的所述候选研修服务数据的使用情况数据、每一所述候选年级教师对应的候选研修服务数据对应的第二相似度数据，计算得到所述候选年级教师对应每一所述候选研修服务数据的候选研修服务匹配度数据；所述候选研修服务匹配度数据的计算公式如下所示：

其中，P(u,i)为候选研修服务匹配度数据，w_i,j表示候选年级教师u对应的候选研修服务数据i对应的第二相似度数据，k_v为每一所述相似年级教师v的教师特征数据，r_vi表示每一相似年级教师v对应的候选研修服务数据i的使用情况数据，P(u)为候选年级教师u对应的职称等级所对应的年级教师集合，该年级教师集合中的相似年级教师用v表示，S(u)候选年级教师u使用过的研修服务数据i’的集合，且S(u)不包括候选研修服务数据；

将满足第二预设值的所述候选研修服务匹配度数据对应的所述候选研修服务数据，作为第三教师画像数据推荐给所述候选年级教师；

构建第四教师画像数据，具体过程为：

从所述教师画像数据库管理系统中，提取每一职称教师对应的专业发展路径数据；其中，所述职称教师是以职称等级进行的分类；所述专业发展路径数据为所述职称教师在教学过程中所经历的教研活动和教研策略的有序序列；

定义所述职称教师中其中一者作为候选职称教师，将与所述候选职称教师处于同一职称等级的其他职称教师作为相似职称教师；

对每一所述相似职称教师对应的专业发展路径数据进行数据处理，得到所述候选职称教师对应的候选专业发展路径集合；其中，所述候选专业发展路径集合包括若干候选专业发展路径数据；

根据所述候选专业发展路径集合，计算得到所述候选职称教师对应每一所述候选专业发展路径数据的第一候选专业发展匹配度数据；所述第一候选专业发展匹配度数据包括第一候选教研活动匹配度数据和第一候选教研策略匹配度数据；

所述第一候选教研活动匹配度数据的计算公式如下：

其中，Ta^u表示候选教研活动集合；

表示候选教研活动数据；

表示候选教研活动集合中候选教研活动数据的数量；

所述第一候选教研策略匹配度数据的计算公式如下：

其中，Ts^u表示候选教研策略集合，

表示候选教研策略数据；

表示候选教研策略集合中候选教研策略数据的数量。

获取每一所述候选专业发展路径数据对应的职称教师的职称等级，根据所述候选专业发展路径数据对应的职称教师的职称等级、所述候选职称教师对应的职称等级、每一所述第一候选专业发展匹配度数据，计算得到若干第二候选专业发展匹配度数据；所述第二候选专业匹配度数据包括第二候选教研活动匹配度数据和第二候选教研策略匹配度数据；

第二候选教研活动匹配度数据的计算公式如下所示：

其中，k_v表示每个候选教研活动数据对应的职称教师v对应的职称等级所对应的级别数据；

第二候选教研策略匹配度数据的计算公式如下：

其中，k_v表示每个候选教研策略数据对应的职称教师v对应的职称等级所对应的级别数据；

将满足第三预设值的所述第二候选专业发展匹配度数据对应的所述候选专业发展路径数据，作为第四教师画像数据推荐给所述候选职称教师。

2.根据权利要求1所述的基于教研数据的教师画像构建方法，其特征在于，所述获取来自教师特征模型输出的教师特征数据，包括：

将所述第一特征数据输入至所述教师特征模型中，得到所述教师特征数据；

其中，所述第一特征数据包括学历水平特征数据、资历水平特征数据；所述教师特征数据包括与所述学历水平特征数据对应的学历水平标签数据、与所述资历水平特征数据对应的资历水平标签数据；所述教师特征模型通过多分类逻辑回归算法对预设的第一样本数据训练得到。

3.根据权利要求1所述的基于教研数据的教师画像构建方法，其特征在于，所述获取来自学科教学模型输出的学科教学数据，包括：

将所述第二特征数据输入至所述学科教学模型中，得到所述学科教学数据；

其中，所述第二特征数据包括信息化教学能力特征数据、课例研磨水平特征数据；所述学科教学数据包括与所述信息化教学能力特征数据对应的信息化教学能力数据、与所述课例研磨水平特征数据对应的课例研磨水平数据；所述学科教学模型通过多元线性回归算法对预设的第二样本数据训练得到。

4.根据权利要求1所述的基于教研数据的教师画像构建方法，其特征在于，所述获取来自专业研修模型输出的专业研修数据，包括：

将所述第三特征数据输入至所述专业研修模型中，得到所述专业研修数据；

其中，所述第三特征数据包括研修投入度特征数据、研修效能特征数据和专业学习能力特征数据；所述专业研修数据包括与所述研修投入度特征数据对应的研修投入度数据、与所述研修效能特征数据对应的研修效能数据、与专业学习能力特征数据对应的专业学习能力数据；所述专业研修模型通过回归树算法对预设的第三样本数据训练得到。

5.根据权利要求1所述的基于教研数据的教师画像构建方法，其特征在于，所述获取来自教研成果模型输出的教研成果数据，包括：

将所述第四特征数据输入至所述教研成果模型中，得到所述教研成果数据；

其中，所述第四特征数据包括教学成果水平特征数据、课题研究能力特征数据；所述教研成果数据包括与所述教学成果水平特征数据对应的教学成果水平数据、与课题研究能力特征数据对应的课题研究能力数据；所述教研成果模型通过自适应增强算法对预设的第四样本数据训练得到。

6.根据权利要求2至5任一项所述的基于教研数据的教师画像构建方法，其特征在于，所述根据所述教师特征数据、所述学科教学数据、所述专业研修数据以及所述教研成果数据，构建第一教师画像数据，包括：

从所述教师画像数据库管理系统中，提取事实标签数据；其中，所述事实标签数据包括：所述第一特征数据、所述第二特征数据、所述第三特征数据、所述第四特征数据和教师身份特征数据；

定义模型标签数据；其中，所述模型标签数据包括：所述教师特征数据、所述学科教学数据、所述专业研修数据、所述教研成果数据；

根据所述事实标签数据，构建与所述事实标签数据对应的第五教师画像数据；

根据所述模型标签数据，构建与所述模型标签数据对应的所述第一教师画像数据。

Images