CN115600834A - 一种基于过程性数据的中小学教师数字素养测评方法及系统 - Google Patents
一种基于过程性数据的中小学教师数字素养测评方法及系统 Download PDFInfo
- Publication number
- CN115600834A CN115600834A CN202211276056.0A CN202211276056A CN115600834A CN 115600834 A CN115600834 A CN 115600834A CN 202211276056 A CN202211276056 A CN 202211276056A CN 115600834 A CN115600834 A CN 115600834A
- Authority
- CN
- China
- Prior art keywords
- digital
- data
- teacher
- dimension
- evaluation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 131
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 75
- 238000013210 evaluation model Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000011161 development Methods 0.000 claims abstract description 16
- 238000010801 machine learning Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 60
- 238000004458 analytical method Methods 0.000 claims description 33
- 238000007726 management method Methods 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 23
- 238000013506 data mapping Methods 0.000 claims description 12
- 230000008439 repair process Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000003066 decision tree Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000011160 research Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000012417 linear regression Methods 0.000 claims description 9
- 238000007637 random forest analysis Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 8
- 230000008451 emotion Effects 0.000 claims description 7
- 230000019771 cognition Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 230000002265 prevention Effects 0.000 claims description 4
- 238000012827 research and development Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 241000700605 Viruses Species 0.000 claims description 2
- 238000002790 cross-validation Methods 0.000 claims description 2
- 238000011158 quantitative evaluation Methods 0.000 claims description 2
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 230000037207 vegetarian nutrition Effects 0.000 claims description 2
- 235000008839 vegetarian nutrition Nutrition 0.000 claims description 2
- 125000000217 alkyl group Chemical group 0.000 claims 1
- 230000007774 longterm Effects 0.000 abstract description 3
- 230000010365 information processing Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06398—Performance of employee with respect to a job function
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Educational Technology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Analysis (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
Abstract
本发明涉及计算机信息处理领域，提供一种基于过程性数据的中小学教师数字素养测评方法及系统。本发明建立了由多个维度组成的中小学教师数字素养测评框架；确定了可体现中小学教师数字素养的过程性数据类型、子维度的过程性数据变量集，形成有力的数字素养数据指南；通过典型机器学习算法完成各子维度模型的动态训练，选择出最优测评算法，综合形成智能测评模型；支持教师数字素养综合测评，动态、持续、准确地对教师数字素养进行刻画，有助于中小学教师数字素养的长效发展。
Description
技术领域
本发明涉及计算机信息处理领域，具体涉及一种基于过程性数据的中小学教师数字素养测评方法及系统。
背景技术
在现代教育中，教师数字素养已成为教师专业素养的必要部分，也是教师应对时代发展的基本要求。开展教师数字素养测评，以了解教师数字素养的发展现状与需求，这对于提升教师数字素养非常重要。常见的测评方式包括量表、测试题、问卷及访谈方法，但需要教师的高度配合，非常耗费时间和人力。随着信息技术的日益成熟，大量教师日常教学的过程性数据得以记录，为基于过程性数据的测评提供了可能。
然而，尽管教师数字素养的过程测评方式得以发展，但仍处于探索阶段，存在一定困难：1.缺少融合数据性数据的成熟测评工具，尚未形成针对各子维度的测评数据变量；2.没有支持教师数字素养过程测评的专属系统，难以开展规模化的测评工作；3.测评模型通常是固定的，较少根据测评教师对象的特点需求进行动态调整。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于过程性数据的中小学教师数字素养测评方法及系统，其目的在于，对中小学教师数字素养发展状况进行全面诊断，为培养与发展中小学教师数字素养找准方向。
本发明的目的是通过以下技术措施实现的。
一种基于过程性数据的中小学教师数字素养测评方法，包括以下步骤：
(1)创建中小学教师数字素养测评框架；建立由多个维度组成的中小学教师数字素养测评框架，框架的维度包括数字意识、数字知识、数字应用、数字伦理和安全、专业发展；每个维度又包含多个子维度。
(2)构建基于过程性数据的测评数据映射方法；依据教师网络学习空间建设与应用指南，确定可体现中小学教师数字素养的过程性数据类型，包括个人管理数据、资源管理数据、应用管理数据、教学管理数据、学情分析数据、网络研修数据、家校互动数据和信息安全保障数据八种类型；根据中小学教师数字素养测评框架，从丰富性、多样性、有用性和时效性四个分析层面，确定中小学教师数字素养子维度的过程性数据变量集，形成测评数据映射方法。
(3)动态确定子维度最优测评算法，生成智能测评模型；确定测评范围和样本教师；动态获取样本教师的子维度数据变量与标注的子维度得分集合；利用K折交叉验证法，通过最小二乘的线性回归、K近邻法、决策树、随机森林和BP神经网络五种回归算法分别对全部数字素养子维度进行测评算法训练；计算各子维度中算法均方差误差，选定均方差误差值最小的算法为子维度最优测评算法；综合全部子维度最优测评算法，形成特定测评范围的智能测评模型。
(4)基于智能测评模型开展教师数字素养综合测评；采集教师过程性数据，利用动态智能测评模型对教师数字素养进行计算，通过主、客观赋权法综合测算教师数字素养及各维度得分。
本发明还提供一种基于过程性数据的中小学教师数字素养测评系统，包括以下模块：
测评框架模块，用于建立多维度的中小学教师数字素养测评框架；
数据映射模块，用于实现基于过程性数据的中小学教师数字素养测评数据映射，确定中小学教师数字素养子维度的过程性数据变量集；
算法训练模块，用于导入测评范围内样本教师数据和得分集合，并基于机器学习构建数字素养测评算法，计算子维度各算法均方差误差值；
算法选择模块，用于选择子维度均方差误差值最小的算法为各子维度的最优算法；
模型生成/更新模块，用于综合各子维度的最优算法，形成特定测评范围内的中小学教师数字素养智能测评模型；
测评采集模块，用于采集参评教师的过程性数据变量；
智能测评模块，用于根据子维度数据变量和动态智能测评模型计算得分，并进行数字素养综合测算。
本发明的有益效果在于：
本发明建立了由多个维度组成的中小学教师数字素养测评框架；确定了可体现中小学教师数字素养的过程性数据类型、子维度的过程性数据变量集，形成有力的数字素养数据指南；通过典型机器学习算法完成各子维度模型的动态训练，选择出最优测评算法，综合形成智能测评模型；支持教师数字素养综合测评，动态、持续、准确地对教师数字素养进行刻画，有助于中小学教师数字素养的长效发展。
附图说明
图1是本发明实施例的基于过程性数据的中小学教师数字素养测评方法的总流程图。
图2是本发明实施例的中小学教师数字素养测评框架。
图3是本发明实施例的中小学教师数字素养的过程性数据类型。
图4是本发明实施例的确定智能测评模型的流程图。
图5是本发明实施例的资源收集与处理子维度的五种回归算法的平均RMSE值分布图。
图6是本发明实施例的基于各子维度进行综合测试的示意图。
图7是本发明实施例的区域教师信息素养过程测评结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明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发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示，本发明实施例提供一种基于过程性数据的中小学教师数字素养测评方法，包括如下步骤：
(1)创建中小学教师数字素养测评框架。根据中小学教师角色的定位分析及数字素养的要求，建立由多个维度组成的中小学教师数字素养测评框架。
所述的中小学教师数字素养测评框架如图2所示，具体内容所下：
(1-1)模型维度划分。基于中小学教师角色职能与数字化转型要求，从公民视角、教学场景和专家发展将中小学教师数字素养测评框架分为数字意识、数字知识、数字应用、数字伦理和安全、专业发展。
(1-2)子维度划分。结合数字素养内涵将各一级维度进一步划分，得到每个维度的子维度。
其中：
(1-2-1)数字意识维度包含数字认识、数字情感和数字意志三个子维度。
(1-2-2)数字知识维度包含数字基础知识和数字技能知识两个子维度。
(1-2-3)数字应用维度包含资源收集与处理、学情分析与评价、教学优化与创新、家校沟通与协同四个子维度。
(1-2-4)数字伦理和安全维度包含数字伦理道德和数字安全两个子维度。
(1-2-5)专业发展维度包含持续获取知识和专业能力成长两个子维度。
(2)构建基于过程性数据的测评数据映射方法。依据教师网络学习空间建设与应用指南，确定可体现中小学教师数字素养的过程性数据类型，包括个人管理数据、资源管理数据、应用管理数据、教学管理数据、学情分析数据、网络研修数据、家校互动数据和信息安全保障数据八种类型；根据中小学教师数字素养测评框架，从丰富性、多样性、有用性和时效性四个分析层面，确定中小学教师数字素养子维度的过程性数据变量集，形成测评数据映射方法。
所述的构建基于过程性数据的测评数据映射方法具体包括如下步骤：
(2-1)确定过程性数据类型，依据教师教育教学平台的建设与应用情况，确定可体现中小学教师数字素养的过程性数据类型，如图3所示，包括个人管理数据、资源管理数据、应用管理数据、教学管理数据、学情分析数据、网络研修数据、家校互动数据和信息安全保障数据八种类型。
个人管理数据：教师个人信息管理的相关数据，包括个人基本信息、账户安全等。
资源管理数据：教师进行资源管理的相关数据，包括资源搜索、资源上传、资源收藏、资源下载、资源分类和资源分享等。
应用管理数据：教师应用教学、办公、学习等服务的相关数据，包括应用收藏、应用访问等。
教学管理数据：教师利用信息技术开展教学的相关数据，包括在线备课、信息化教学、作业与测试发布、个性化辅导、创新教学等。
学情分析数据：教师开展学情分析的相关数据，包括学习评价、学情分析等。
网络研修数据：教师进行网络研修的相关数据，包括教学反思、在线研修、协同教研等。
家校互动数据：教师进行在线交流与家校互动的相关数据，包括在线评论、消息管理、家校沟通等。
信息安全保障数据：教师在平台中保障信息安全的相关数据，包括隐私保护、知识产权保护、有害信息防范、病毒预防、数据备份等。
(2-2)确定数据变量集。根据中小学教师数字素养测评框架，从丰富性R、多样性D、有用性U和时效性T四个分析层面，确定子维度数据变量
其中i表示中小学数字素养的子维度，j表示分析层面，k是维度i在j分析层面的第k个数据变量，形成中小学教师数字素养子维度的过程性数据变量，具体内容如下：
(2-2-1)丰富性用于表示教师教育教学过程数据的数量分布特征；结合数字素养各个子维度内涵进一步构建子维度在丰富性分析维度上的数据变量
(2-2-2)多样性用于表示教师教育教学过程数据的类型分布特征；结合数字素养各个子维度内涵进一步构建子维度在多样性分析维度上的数据变量
(2-2-3)有用性用于表示教师教育教学过程数据的使用和认可分布特征；结合数字素养各个子维度内涵进一步构建子维度在有用性分析维度上的数据变量
(2-2-4)时效性用于表示表示教师教育教学过程数据的波动特征；结合数字素养各个子维度内涵进一步构建子维度在时效性分析维度上的数据变量
上述的中小学教师数字素养子维度映射后的数据变量集如表1所示。
表1中小学教师数字素养子维度映射后的数据变量集
(3)动态确定各子维度最优测评算法，生成智能测评模型，如图4，确定测评范围和样本教师；动态获取样本教师的子维度数据变量与标注的子维度得分集合；利用K折交叉验证法，通过最小二乘的线性回归、K近邻法、决策树、随机森林和BP神经网络五种回归算法分别对全部数字素养子维度进行测评算法训练；计算各子维度中算法均方差误差，选定均方差误差值最小的算法为子维度最优测评算法；综合全部子维度最优测评算法，形成特定测评范围的智能测评模型。
(3-1)确定测评范围和样本教师，根据所在区域、学校类型、所教学段、所教学科维度确定测评范围Sc，选取数据库中最新的样本教师集合，记为U_Sc，所述教师集合的数量记为N。
本发明实施例中选择了浙江省、全部学校类型、中小学、全部学科教师作为测评范围，选取了N＝10625的教师样本集合U_Sc。
(3-2)根据测评范围Sc，动态获取最新对应的样本教师集合U_Sc的数字素养子维度数据变量与标注的子维度得分集合，具体内容如下：
(3-2-1)获取集合U_Sc中任意教师n的数字素养数据变量矩阵P_Scn，构成样本教师的数字素养数据变量矩阵集合P_Sn。
本发明实施例中获取教师n的数字素养数据变量矩阵P_Scn，即
其中，P_Scn矩阵每一行表示一个数字素养子维度的过程性数据变量值集合，第一行表示数字认知的过程性数据变量值集合，第二行表示数字情感的过程性数据变量值集合，以此类推，最后一行为专业能力成长的过程性数据变量值集合。
矩阵每一列数量表示丰富性、多样性、有用性和时效性维度最大数量之和，本实施例中丰富性的数据变量最大值为4，多样性的数据变量最大值为2，的数据变量最大值为3，的数据变量最大值为2。
对于n老师而言，在数字认识方面，他使用资源类型为2、数字意识量表值为3；在专业能力成长方面，网络研修次数为5、网络研修活动次数为3、信息化课题数量为1、信息化教学论文数量为5、网络研修活动类型2、网络研修参与度为0.5、信息化课题等级为2、信息化教学论文被引量为23、网络研修频率(学期)为5。
本发明实施例中构成样本教师的数字素养数据变量矩阵集合P_Sc，即10625个教师的矩阵集合。
(3-2-2)获取标注的集合U中任意教师n的数字素养子维度得分变量矩阵S_Scn，构成样本教师的数字素养得分变量矩阵集合S_Sc。
本发明实施例中对于教师n，数字素养子维度得分变量矩阵为S_Scn，即
其中，S_Scn矩阵的每一行表示教师在数字素养子维度的标注的得分情况，第一行表示数字认知的得分为70分，第二行表示数字情感的得分为90分，以此类推，最后一行为专业能力成长的得分为95分。
本发明实施例中构成样本教师的数字素养得分变量矩阵集合S_Sc，即10625个教师的矩阵集合。
(3-3)测评模型训练。将数字素养数据变量矩阵集合P_Sc和数字素养得分变量矩阵集合S_Sc进行匹配并分成10组，每次从中抽取1组数据作为测试集，剩余9组的数据作为训练集，基于最小二乘的线性回归、K近邻法、决策树、随机森林和BP神经网络五种回归算法通过k次逐步进行逐步进行数字素养各个子维度的测评算法训练，具体内容如下：
(3-3-1)最小二乘的线性回归算法是通过最小化样本教师的数字素养子维度得分与线性模型的预测值之间的残差平方和来拟合线性回归模型，数字素养子维度i的得分Yi计算公式为
其中C为常数，
和ωk为训练得到的权重系数，ε为误差。
(3-3-2)K近邻法回归算法首先计算出待测对象和训练集中每个对象的欧氏距离，找出最近的K个样本的平均值，平均值即为模型结果。
(3-3-3)决策树回归算法采用CART模式，找到数据集的切割点，通过切割点把数据分为两类，切割点即为决策树的根节点，进而通过根节点不断的递归建立二叉树，直到通过收敛条件停止递归，叶子节点为具体预测值值。
(3-3-4)随机森林回归算法是使用CART决策树为弱学习器、随机选择特征的一种算法模型，通过T次采集独立训练T个弱学习器，最终结果采用带权重平均法将T个弱学习器的回归结果进行计算。
(3-3-5)BP神经网络回归算法是具有输入层、隐藏层和输出层的三层神经网络，每一层都由若干神经元组成，其中输入层为数字素养子维度数据变量，输出层为子维度得分，通过神经元全连接实现价值标签的回归。
(3-4)选择最优模型，训练的损失函数为均方误差值RMSE，数字素养子维度i的均方误差值的计算方式为：
其中M为测试集样本对应的教师数量，y′i,n为教师n在数字素养子维度i上的预测值，yi,n为教师n在数字素养子维度上的真实值，选定均方差误差值的最小算法为各子维度的最优测评算法M_Sci。
图5为本发明实施例中资源收集与处理子维度的五种回归算法的平均RMSE值分布，整体上肯定了基于过程性数据回归模型的有效性，其中随机森林算法的损失函数RMSE值仅为7.5，最终选择基于随机森林模型为最优测评算法M_Sc素材加工与处理。
(3-5)综合全部子维度最优测评算法，生成或更新特定测评范围Sc的中小学教师数字素养智能测评模型M_Sc，其中M_Sc＝{M_Sc数字认识，M_Sc数字情感，M_Sc数字意志，M_Sc数字基础知识，M_Sc数字技能知识，M_Sc资源收集与处理，M_Sc学情分析与评价，M_Sc教学优化与创新，M_Sc家校沟通与协同，M_Sc数字伦理道德，M_Sc数字安全，M_Sc持续获取知识，M_Sc专业能力成长}。
所述的测评范围Sc的中小学教师数字素养智能测评模型M_Sc如表2所示。
表2测评范围Sc的中小学教师数字素养智能测评模型M_Sc
(4)基于智能测评模型开展教师数字素养综合测评；采集教师过程性数据，利用智能测评模型对教师数字素养进行综合测算，智能计算教师数字素养及各维度得分，图6为基于各子维度进行综合测算的示意图，具体包括如下步骤：
(4-1)采集测评教师数据变量，构成测评教师的数字素养数据变量矩阵集合UT_Sc。
(4-2)根据动态智能测评模型M_Sc对测评教师进行数字素养进行测评，得到教师数字素养第l个一级维度的第m个子指标的得分xlm。
本发明实施例中测评范围内的某教师资源收集与处理的过程性数据情况如表3所示。
利用最新的M_Sc资源收集与处理算法进行计算，可得到该教师资源收集与处理子维度的得分为80.23。
(4-3)计算权重，采用主观权重和客观权重相结合的方式得到数字素养各维度权重，其中：
主观权重u1利用层次分析法获得，即通过邀请教育信息化和教师教育相关领域专家、教育行政单位人员及一线教师对各级指标进行多轮量化评价，计算各级指标平均分的占比获得。
客观权重向量u2基于熵权法计算获得，即根据数字素养子维度i的熵值Hi，该子维度的客观权重计算公式为：
I为数字素养子维度的总数。
基于离差平方和的原则，组成的主、客观权重向量集
中小学教师数字素养子维度最终权重如表4所示。
表4中小学教师数字素养子维度最终权重
(4-4)计算得分，根据线性加权方法得到教师数字素养一级维度及最终得分，具体计算公式为：
其中TS为教师数字素养得分，wl为第l个一级维度的权重，wlm为第l个一级维度的第m个子指标的权重，L是一级维度的个数，M是子指标的个数。
本发明实施例的区域教师信息素养过程测评结果如图7所示。
本发明实施例还提供一种基于过程性数据的中小学教师数字素养测评系统，包括以下模块：
测评框架模块，用于建立多维度的中小学教师数字素养测评框架；
数据映射模块，用于实现基于过程性数据的中小学教师数字素养测评数据映射，确定中小学教师数字素养子维度的过程性数据变量集；
算法训练模块，用于导入测评范围内样本教师数据和得分集合，并基于机器学习构建数字素养测评算法，计算子维度各算法均方差误差值；
算法选择模块，用于选择子维度均方差误差值最小的算法为各子维度的最优算法；
模型生成/更新模块，用于综合各子维度的最优算法，形成特定测评范围内的中小学教师数字素养智能测评模型；
测评采集模块，用于采集参评教师的过程性数据变量；
智能测评模块，用于根据子维度数据变量和动态智能测评模型计算得分，并进行数字素养综合测算。
本发明测评方法及画像克服了现有中小学数字素养测评的若干缺陷，并结合教师过程性数据具有动态性的特点，基于边测评边优化的思想，不断优化测评训练数据，优化模型、提升模型精度，以实现动态、持续、准确的教师数字素养刻画，为更加灵活、精准的过程测评服务提供支持，促进教师数字素养长效发展。
本说明书中未作详细描述的内容，属于本专业技术人员公知的现有技术。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于过程性数据的中小学教师数字素养测评方法，其特征在于该方法包括以下步骤：
(1)创建中小学教师数字素养测评框架；建立由多个维度组成的中小学教师数字素养测评框架，框架的维度包括数字意识、数字知识、数字应用、数字伦理和安全、专业发展；每个维度包含多个子维度；
(2)构建基于过程性数据的测评数据映射方法；依据教师网络学习空间建设与应用指南，确定可体现中小学教师数字素养的过程性数据类型，包括个人管理数据、资源管理数据、应用管理数据、教学管理数据、学情分析数据、网络研修数据、家校互动数据和信息安全保障数据八种类型；根据中小学教师数字素养测评框架，从丰富性、多样性、有用性和时效性四个分析层面，确定中小学教师数字素养子维度的过程性数据变量集，形成测评数据映射方法；
(3)动态确定子维度最优测评算法，生成智能测评模型；确定测评范围和样本教师；动态获取样本教师的子维度数据变量与标注的子维度得分集合；利用K折交叉验证法，通过最小二乘的线性回归、K近邻法、决策树、随机森林和BP神经网络五种回归算法分别对全部数字素养子维度进行测评算法训练；计算各子维度中算法均方差误差，选定均方差误差值最小的算法为子维度最优测评算法；综合全部子维度最优测评算法，形成特定测评范围的智能测评模型；
(4)基于智能测评模型开展教师数字素养综合测评；采集教师过程性数据，利用动态智能测评模型对教师数字素养进行计算，通过主客观赋权法综合测算教师数字素养及各维度得分。
2.根据权利要求1所述的基于过程性数据的中小学教师数字素养测评方法，其特征在于步骤(1)所述创建中小学教师数字素养测评框架的具体过程为：
(1-1)模型维度划分，将中小学教师数字素养测评框架分为数字意识、数字知识、数字应用、数字伦理和安全、专业发展；
(1-2)子维度划分，结合数字素养内涵将各一级维度进一步划分，具体内容如下：
(1-2-1)数字意识维度包含数字认识、数字情感和数字意志三个子维度；
(1-2-2)数字知识维度包含数字基础知识和数字技能知识两个子维度；
(1-2-3)数字应用维度包含资源收集与处理、学情分析与评价、教学优化与创新、家校沟通与协同四个子维度；
(1-2-4)数字伦理和安全维度包含数字伦理道德和数字安全两个子维度；
(1-2-5)专业发展维度包含持续获取知识和专业能力成长两个子维度。
3.根据权利要求1所述的基于过程性数据的中小学教师数字素养测评方法，其特征在于步骤(2)所述构建基于过程性数据的测评数据映射方法的具体过程为：
(2-1)确定过程性数据类型，确定可体现中小学教师数字素养的过程性数据类型，包括个人管理数据、资源管理数据、应用管理数据、教学管理数据、学情分析数据、网络研修数据、家校互动数据和信息安全保障数据八种类型；
个人管理数据：教师个人信息管理的相关数据，包括个人基本信息、账户安全；
资源管理数据：教师进行资源管理的相关数据，包括资源搜索、资源上传、资源收藏、资源下载、资源分类和资源分享；
应用管理数据：教师应用教学、办公、学习服务的相关数据，包括应用收藏、应用访问；
教学管理数据：教师利用信息技术开展教学的相关数据，包括在线备课、信息化教学、作业与测试发布、个性化辅导、创新教学；
学情分析数据：教师开展学情分析的相关数据，包括学习评价、学情分析；
网络研修数据：教师进行网络研修的相关数据，包括教学反思、在线研修、协同教研；
家校互动数据：教师进行在线交流与家校互动的相关数据，包括在线评论、消息管理、家校沟通；
信息安全保障数据：教师在平台中保障信息安全的相关数据，包括隐私保护、知识产权保护、有害信息防范、病毒预防、数据备份；
(2-2)确定数据变量集，根据中小学教师数字素养测评框架，从丰富性R、多样性D、有用性U和时效性T四个分析层面，确定子维度数据变量
其中i表示中小学数字素养的子维度，j表示分析层面，k是维度i在j分析层面的第k个数据变量，形成中小学教师数字素养子维度的过程性数据变量集，形成测评数据映射方法，具体内容如下：
(2-2-1)丰富性用于表示教师教育教学过程数据的数量分布特征；结合数字素养各个子维度的内涵进一步构建子维度在丰富性分析维度上的数据变量；
(2-2-2)多样性用于表示教师教育教学过程数据的类型分布特征；结合数字素养各个子维度的内涵进一步构建子维度在多样性分析维度上的数据变量；
(2-2-3)有用性用于表示教师教育教学过程数据的使用和认可分布特征；结合数字素养各个子维度的内涵进一步构建子维度在有用性分析维度上的数据变量；
(2-2-4)时效性用于表示教师教育教学过程数据的波动特征；结合数字素养各个子维度的内涵进一步构建子维度在时效性分析维度上的数据变量。
4.根据权利要求1所述的基于过程性数据的中小学教师数字素养测评方法，其特征在于步骤(3)所述动态确定子维度最优测评算法，生成智能测评模型的具体过程为：
(3-1)确定测评范围和样本教师，根据所在区域、学校类型、所教学段、所教学科维度确定测评范围Sc，选取数据库中最新的样本教师集合，记为U_Sc，所述教师集合的数量记为N；
(3-2)根据测评范围Sc，动态获取最新对应的样本教师集合U_Sc的数字素养子维度数据变量与标注的子维度得分集合，具体内容如下：
(3-2-1)获取集合U_Sc中任意教师n的数字素养数据变量矩阵P_Scn，构成样本教师的数字素养数据变量矩阵集合P_Sn；
(3-2-2)获取标注的集合U中任意教师n的数字素养子维度得分变量矩阵S_Scn，构成样本教师的数字素养得分变量矩阵集合S_Sc；
(3-3)测评模型训练，将数字素养数据变量矩阵集合P_Sc和数字素养得分变量矩阵集合S_Sc进行匹配并分成k组，每次从中抽取1组数据作为测试集，剩余k-1组的数据作为训练集，基于最小二乘的线性回归、K近邻法、决策树、随机森林和BP神经网络五种回归算法通过k次逐步进行数字素养各个子维度的测评算法训练，具体内容如下：
(3-3-1)最小二乘的线性回归算法是通过最小化样本教师的数字素养子维度得分与线性模型的预测值之间的残差平方和来拟合线性回归模型，数字素养子维度i的得分Yi计算公式为
其中C为常数，
和ωk为训练得到的权重系数，ε为误差；
(3-3-2)K近邻法回归算法计算出待测对象和训练集中每个对象的欧氏距离，找出最近的K个样本的平均值，平均值即为模型结果；
(3-3-3)决策树回归算法采用CART模式，找到数据集的切割点，通过切割点把数据分为两类，切割点即为决策树的根节点，进而通过根节点不断的递归建立二叉树，直到通过收敛条件停止递归，叶子节点为具体预测值值；
(3-3-4)随机森林回归算法是使用CART决策树为弱学习器、随机选择特征的一种算法模型，通过T次采集独立训练T个弱学习器，最终结果采用带权重平均法将T个弱学习器的回归结果进行计算；
(3-3-5)BP神经网络回归算法是具有输入层、隐藏层和输出层的三层神经网络，每一层都由若干神经元组成，其中输入层为数字素养子维度数据变量，输出层为子维度得分，通过神经元全连接实现价值标签的回归；
(3-4)选择最优算法，训练的损失函数为均方误差值RMSE，数字素养子维度i的均方误差值的计算方式为：
其中M为测试集样本对应的教师数量，y′i,n为教师n在数字素养子维度i上的预测值，yi,n为教师n在数字素养子维度上的真实值，选定均方差误差值的最小算法为各子维度的最优测评算法M_Sci；
(3-5)综合全部子维度最优测评算法，生成或更新特定测评范围Sc的中小学教师数字素养智能测评模型M_Sc，其中M_Sc＝{M_Sc数字认识，M_Sc数字情感，M_Sc数字意志，M_Sc数字基础知识，M_Sc数字技能知识，M_Sc资源收集与处理，M_Sc学情分析与评价，M_Sc教学优化与创新，M_Sc家校沟通与协同，M_Sc数字伦理道德，M_Sc数字安全，M_Sc持续获取知识，M_Sc专业能力成长}。
5.根据权利要求1所述的基于过程性数据的中小学教师数字素养测评方法，其特征在于步骤(4)所述基于智能测评模型开展教师数字素养综合测评的具体过程为：
(4-1)采集测评教师数据变量，构成测评教师的数字素养数据变量矩阵集合UT_Sc；
(4-2)根据动态智能测评模型M_Sc对测评教师进行数字素养测评，得到教师数字素养第l个一级维度的第m个子指标的得分xlm；
(4-3)计算权重，采用主观权重和客观权重相结合的方式得到数字素养子维度权重，其中：
主观权重u1利用层次分析法获得，即通过邀请教育信息化和教师教育相关领域专家、教育行政单位人员及一线教师对各级指标进行多轮量化评价，计算各级指标平均分的占比获得；
客观权重向量u2基于熵权法计算获得，即根据数字素养子维度i的熵值Hi，该子维度的客观权重计算公式为：
I为数字素养子维度的总数；
基于离差平方和的原则，组成的主、客观权重向量集
(4-4)计算得分，根据线性加权方法得到教师数字素养一级维度及最终得分，具体计算公式为：
其中TS为教师数字素养得分，wl为第l个一级维度的权重，wlm为第l个一级维度的第m个子指标的权重，L是一级维度的个数，M是子指标的个数。
6.一种基于过程性数据的中小学教师数字素养测评系统，其特征在于，用于实现权利要求1～5中所述的测评方法，包括：
测评框架模块，用于建立多维度的中小学教师数字素养测评框架；
数据映射模块，用于实现基于过程性数据的中小学教师数字素养测评数据映射，确定中小学教师数字素养子维度的过程性数据变量集；
算法训练模块，用于导入测评范围内样本教师数据和得分集合，并基于机器学习构建数字素养测评算法，计算子维度各算法均方差误差值；
算法选择模块，用于选择子维度均方差误差值最小的算法为各子维度的最优算法；
模型生成/更新模块，用于综合各子维度的最优算法，形成特定测评范围内的中小学教师数字素养智能测评模型；
测评采集模块，用于采集参评教师的过程性数据变量；
智能测评模块，用于根据子维度数据变量和动态智能测评模型计算得分，并进行数字素养综合测算。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211276056.0A CN115600834A (zh) | 2022-10-18 | 2022-10-18 | 一种基于过程性数据的中小学教师数字素养测评方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211276056.0A CN115600834A (zh) | 2022-10-18 | 2022-10-18 | 一种基于过程性数据的中小学教师数字素养测评方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115600834A true CN115600834A (zh) | 2023-01-13 |
Family
ID=84848631
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211276056.0A Pending CN115600834A (zh) | 2022-10-18 | 2022-10-18 | 一种基于过程性数据的中小学教师数字素养测评方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115600834A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116228044A (zh) * | 2023-05-08 | 2023-06-06 | 华南师范大学 | 基于神经网络和随机森林的数学核心素养评估方法和系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111209316A (zh) * | 2020-01-13 | 2020-05-29 | 华中师范大学 | 一种信息素养数据挖掘方法、装置、电子设备及存储介质 |
| AU2020103529A4 (en) * | 2020-11-19 | 2021-01-28 | Shenzhen Polytechnic | An educational big data analysis method based on artificial intelligence |
| CN112417002A (zh) * | 2020-11-19 | 2021-02-26 | 华中师范大学 | 应用于教育信息化的信息素养数据挖掘方法及系统 |
| CN113487213A (zh) * | 2021-07-20 | 2021-10-08 | 贵州大学 | 一种基于大数据的职业教育教学评价方法 |
| CN113626695A (zh) * | 2021-08-03 | 2021-11-09 | 华中师范大学 | 一种基于情境测试的中小学校长信息素养画像构建方法及系统 |
| WO2022095458A1 (zh) * | 2020-11-03 | 2022-05-12 | 深圳市爱云信息科技有限公司 | 智慧教育aiot学生成长能力模型大数据平台和装置 |
-
2022
- 2022-10-18 CN CN202211276056.0A patent/CN115600834A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111209316A (zh) * | 2020-01-13 | 2020-05-29 | 华中师范大学 | 一种信息素养数据挖掘方法、装置、电子设备及存储介质 |
| WO2022095458A1 (zh) * | 2020-11-03 | 2022-05-12 | 深圳市爱云信息科技有限公司 | 智慧教育aiot学生成长能力模型大数据平台和装置 |
| AU2020103529A4 (en) * | 2020-11-19 | 2021-01-28 | Shenzhen Polytechnic | An educational big data analysis method based on artificial intelligence |
| CN112417002A (zh) * | 2020-11-19 | 2021-02-26 | 华中师范大学 | 应用于教育信息化的信息素养数据挖掘方法及系统 |
| CN113487213A (zh) * | 2021-07-20 | 2021-10-08 | 贵州大学 | 一种基于大数据的职业教育教学评价方法 |
| CN113626695A (zh) * | 2021-08-03 | 2021-11-09 | 华中师范大学 | 一种基于情境测试的中小学校长信息素养画像构建方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| 吴砥等: """互联网+"时代教师信息素养评价研究"", 《中国电化教育》, no. 1, pages 56 - 63 * |
| 李亚婷等: ""融合网络学习空间过程性数据的中小学教师信息素养评估研究"", 《中国电化教育》, no. 9, pages 119 - 128 * |
| 池贤昭等: ""基于stacking组合模型的轨道交通换乘站短期客流预测"", 《工程与建设》, vol. 34, no. 3, pages 407 - 411 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116228044A (zh) * | 2023-05-08 | 2023-06-06 | 华南师范大学 | 基于神经网络和随机森林的数学核心素养评估方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sugiyarti et al. | Decision support system of scholarship grantee selection using data mining | |
| CN112686789A (zh) | 一种高校课堂教学效果智能化评价方法 | |
| Kour et al. | Analysis of student performance using Machine learning Algorithms | |
| CN115600834A (zh) | 一种基于过程性数据的中小学教师数字素养测评方法及系统 | |
| Oreski et al. | CRISP-DM process model in educational setting | |
| Xiao et al. | Instructor performance prediction model using artificial intelligence for higher education systems | |
| Ray et al. | Value added in English schools | |
| Daheri et al. | Determination of Smart and Accurate Contest Participants at the Elementary School Level Using Profile Matching Method | |
| Dykeman et al. | The structure of school career development interventions: Implications for school counselors | |
| Sutiah et al. | Fuzzy topsis optimization on expert systems for core competency detection and Islamic religious education student learning achievement at Perguruan Tinggi Keagamaan Islam Negeri (PTKIN) | |
| CN112699933A (zh) | 用户教学素材加工处理能力自动识别方法及系统 | |
| Mariskhana et al. | Decision Support System for increasing position of Office at PT. Gramedia Asri Media using Profile Matching Method | |
| Chang | Design and Application of Evaluation Method for Civics Classroom Based on CRITIC Fuzzy Algorithm | |
| Tang | Evaluation Method of College Students’ Education Management Quality Based on Collaborative Filtering Algorithm and IoT Apps | |
| Alimyaningtias et al. | Analysis of the Decision System for Selecting Interest in Concentration Using the SMART Method | |
| Azevedo et al. | Application of Pattern Recognition Techniques for MathE Questions Difficulty Level Definition | |
| Öz et al. | IT-Based Learning Tools to Introduce Sustainability Problems to Management Students: A Scoping Review. | |
| Purba | Decision support system for determining homeroom teachers at Musda Perbaungan Private vocational schools using the simple additive weighting method | |
| Chen et al. | Mining formative evaluation rules using web-based learning portfolios for web-based learning systems | |
| Khalili et al. | Evaluation of research performance of faculty members of Islamic Azad University, using Fuzzy Delphi method | |
| Şevgin et al. | MARS ve BRT Veri Madenciliği Yöntemlerinin Sınıflama Performanslarının Karşılaştırılması: ABİDE-2016 Örneği | |
| Dobson | Predicting and evaluating student teacher behavior | |
| Elssaedi | Employing Various Data Mining Techniques to Forecast the Success Rate of Information Technology Education Students | |
| Zhang et al. | A Fuzzy and comprehensive evaluation model for developing teaching evaluation | |
| Tangprasert et al. | Factors Affecting Mathematics Achievement: Analysis of Learner Characteristics and Competencies |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |