CN115796692A - 一种整合动静态数据的中小学教师数字素养画像构建方法及系统 - Google Patents
一种整合动静态数据的中小学教师数字素养画像构建方法及系统 Download PDFInfo
- Publication number
- CN115796692A CN115796692A CN202211586131.3A CN202211586131A CN115796692A CN 115796692 A CN115796692 A CN 115796692A CN 202211586131 A CN202211586131 A CN 202211586131A CN 115796692 A CN115796692 A CN 115796692A
- Authority
- CN
- China
- Prior art keywords
- data
- teacher
- digital
- elements
- teaching
- 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.)
- Withdrawn
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及计算机信息处理领域，提供一种整合动静态数据的中小学教师数字素养画像构建方法及系统，该方法包括以下步骤：(1)构建中小学教师数字素养画像标签生成框架；(2)基于动静态数据结合的教师数据转化；(3)提取数据特征；(4)生成画像标签；(5)教师数字素养画像结果可视化。本发明整合动静态数据的中小学教师数字素养画像构建方法及系统，能够对中小学教师数字素养发展现状进行全面诊断，建立多要素立体画像，精准推动教师数字素养发展。
Description
技术领域
本发明涉及计算机信息处理领域，具体涉及一种整合动静态数据的中小学教师数字素养画像构建方法及系统。
背景技术
在数字技术与教育教学深度融合的过程中，数字素养已成为未来教师的必备素养，因此有必要对教师数字素养进行调查，了解教师数字素养发展现状。传统的常见调查方式例如问卷、访谈、测评系统等，有利于了解教师数字素养发展现状，但是依旧存在结果呈现简单扁平、评价维度不全面、需要教师高度配合、费时费力等缺陷。随着信息技术的不断发展，用户画像应运而生，为教师数字素养评价提供了新思路。
虽然当前用户画像在各领域取得了广泛应用，但是在教师数字素养评价方面依旧存在一定问题：(1)尚未提出针对性研究教师数字素养水平的画像构建方法；(2)尚未形成针对教师数字素养各要素的数据特征提取和标签生成方法；(3)对于教师在线动态数据的研究不足，画像无法及时更新，难以进行动态调整。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种整合动静态数据的中小学教师数字素养画像构建方法及系统，其目的在于，对中小学教师数字素养发展现状进行全面诊断，建立多要素立体画像，精准推动教师数字素养发展。
本发明的目的是通过以下技术措施实现的。
本发明提供一种整合动静态数据的中小学教师数字素养画像构建方法，包括以下步骤：
(1)构建中小学教师数字素养画像标签生成框架；建立由多个维度组成的中小学教师数字素养画像标签生成框架，框架的维度包括数字意识与态度、数字知识与技能、数字能力与应用、数字责任以及终身发展；每个维度又包含多个要素；
(2)基于动静态数据结合的教师数据转化；依据教师的网络在线学习行为，确定可体现中小学教师数字素养的数据类型，包括静态、动态两大类数据，静态数据包括教师基本属性数据与教师教育属性数据；动态数据包括教师访问习惯、教师检索习惯、教师交流数据、教师学习数据、教师教学数据、教研成果数据；根据ETL(Extract-Transform-Load)数据处理流程，对数据进行抽取(Extract)、转化(Transform)、装载(Load)，最终形成要素对应数据表；
(3)提取数据特征；对获取的教师相关数据进行处理，教师静态数据直接生成相应的静态属性标签；动态数据采用RFM模型和TF-IDF词频分析方法，将获取的不同类型的教师数据转化为RFM值和关键词集；
(4)生成画像标签；应用聚类算法对数据进行分类，生成等级类标签，针对提取的关键词集，使用LDA模型提取主题词，生成主题类标签；
(5)教师数字素养画像结果可视化，选择前端常见的数据可视化工具Echarts的可视化图表库用于生成教师数字素养画像，将数据处理层的数据挖掘和标签提取结果通过柱状图、饼图等可视化方式展示出来。
本发明还提供一种整合动静态数据的中小学教师数字素养画像构建系统，包括以下模块：
标签框架模块，用于构建中小学教师数字素养画像标签生成框架；
数据转化模块，用于实现多源异构数据的抽取、转化、装载，最终形成要素对应数据表；
数据测算模块，用于提取各要素对应的数据特征，以支持后续生成标签；
标签生成模块，用于组合各类数据生成教师数字素养标签；
结果可视化模块，用于直观展示教师数字素养画像标签生成结果。
本发明的有益效果在于：
本发明建立了由多个要素构成的教师数字素养画像标签生成框架，确定了教师数字素养相关的动静态数据类型与数据存储格式，并将各要素与教师在线行为数据相对应，建立明确的数据特征和标签生成方法，多维度构建教师数字素养立体画像，直观呈现教师数字素养的发展水平与薄弱环节，推动教师数字素养的整体提升，弥补了传统教师数字素养评价的缺陷，填补教师数字画像这一空白。
附图说明
图1是本发明实施例的整合动静态数据的中小学教师数字素养画像构建方法的总流程图；
图2是本发明实施例的教师数字素养画像标签生成框架示意图；
图3是本发明实施例的ETL数据转化流程图；
图4是本发明实施例的数据特征提取流程图；
图5是本发明实施例的画像标签生成流程图；
图6是本发明实施例的等级类标签生成过程图
图7是本发明实施例生成的教师数字素养画像示例图。
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。
本发明实施例提供一种整合动静态数据的中小学教师数字素养画像构建方法，包括如下步骤：
(1)构建中小学教师数字素养画像标签生成框架，根据中小学教师角色定位及数字化转型要求，建立由多个维度组成的中小学教师数字素养画像标签生成框架，如图1所示。
(1-1)框架维度划分，基于中小学教师角色职能与数字化转型要求，将中小学教师数字素养画像标签生成框架分为数字意识与态度、数字知识与技能、数字能力与应用、数字责任、终身发展五大部分，如图2所示。
(1-2)二级维度划分，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)数字意识与态度维度包含数字认识、数字情感与态度和数字意志三个二级维度；
(1-2-2)数字知识与技能维度包含数字基础知识和数字技能知识两个二级维度；
(1-2-3)数字能力与应用维度包含资源收集与处理、教学优化与创新、学情评价分析、有效沟通交流四个二级维度；
(1-2-4)数字责任维度包含数字伦理道德和数字安全两个二级维度；
(1-2-5)终身发展维度包含知识持续性获取和专业能力成长两个二级维度。
(1-3)各要素划分，结合数字素养内涵将各二级维度进一步划分，具体内容如下：
(1-3-1)数字认识维度包含批判意识和信息更新意识两个要素；
(1-3-2)数字情感与态度维度包含理性程度和应用意愿两个要素；
(1-3-3)数字意志维度包含意志坚定度要素；
(1-3-4)数字基础知识维度包含数字权利、数字安全、应用现状三个要素；
(1-3-5)数字技能知识维度包含设备熟练度和软件熟练度两个要素；
(1-3-6)资源收集与处理维度包含资源获取、资源制作、资源管理三个要素；
(1-3-7)教学优化与创新维度包含工具应用和教学创新两个要素；
(1-3-8)学情评价分析维度包含学情分析和学情反馈两个要素；
(1-3-9)有效沟通交流维度包含沟通能力要素；
(1-3-10)数字伦理道德维度包含伦理道德感要素；
(1-3-11)数字安全维度包含数据保护和数字环境保护两个要素；
(1-3-12)知识持续性获取维度包含知识获取力要素；
(1-3-13)专业能力成长维度包含专业发展和专业影响两个要素。
(2)基于动静态数据结合的教师数据转化，依据教师的网络在线学习行为，确定可体现中小学教师数字素养的数据类型，主要包括静态、动态两大类数据，静态数据包括教师基本属性数据与教师教育属性数据；动态数据包括教师访问习惯、教师检索习惯、教师交流数据、教师学习数据、教师教学数据、教研成果数据；根据ETL数据处理流程，对数据进行抽取、转化、装载，最终形成要素对应数据表，具体过程如图3所示。
所属数据转化方法具体包括如下步骤：
(2-1)明确教师数据类型，主要包括静态和动态两大数据类型，静态数据包括教师基本属性数据与教师教育属性数据，动态数据包括教师访问习惯、教师检索习惯、教师交流数据、教师学习数据、教师教学数据、教研成果数据；具体如表1所示。
表1教师数据类型
(2-2)基于ETL对数据进行加工处理，ETL即数据的抽取(extract)、转换(transform)和装载(load)，实现对多源异构数据的集成，具体过程为：
(2-2-1)数据抽取，从web服务器日志文件中提取教师和服务器交互的活动日志，获得教师在一段时间内的行为数据。
(2-2-2)数据转换，由于不同的web服务器类型会产生数据类型不同的日志文件，影响后续对数据的统一处理，因此需要进行数据清洗、格式转化等操作：
数据清洗，即去除脏数据(Dirty Read)，对不在给定范围内的非法格式数据、无效数据进行剔除；
格式转化，对数据格式做规范化处理，统一数据格式，一般包含记录格式转换和字段格式转换，记录格式转换即将一条记录转换成某一格式，例如转化为JSON格式或CSV格式；字段格式转换是对字段值进行格式的统一化处理，如将长整型时间戳转化为人类可读的日期格式。
(2-2-3)数据装载，将转换后的统一格式数据进行存储，加载至数据仓库中，最终将数据存储为JSON格式，利用“User”、“Time”、“Action”、“Target”分别定义用户的属性、时间、行为和对象，如表2所示。
表2数据存储结构
| 维度 | 字段 |
| 主体 | User |
| 时间 | Time |
| 行为 | Action |
| 对象 | Target |
(2-3)形成各要素对应数据表，将获取的数据与(1-3)中各要素一一对应，具体内容如表3所示。
表3要素对应行为数据表
| 要素 | 主体 | 时间 | 行为 | 对象 |
| 批判意识 | U1 | 2022/09/10 | 搜索 | 权威新闻 |
| 信息更新意识 | U1 | 2022/09/10 | 使用 | 最新发布的教学资源 |
| 理性程度 | U1 | 2022/09/13 | 调整 | 新型教学方式 |
| 应用意愿 | U1 | 2022/09/14 | 使用 | 数字技术 |
| 意志坚定度 | U1 | 2022/09/12 | 搜索 | 数字化教学相关问题解决方式 |
| 数字权利 | U1 | 2022/09/15 | 使用 | 盗版数字资源 |
| 数字安全 | U1 | 2022/09/10 | 点击 | 存在安全隐患网站 |
| 应用现状 | U1 | 2022/09/16 | 使用 | 数字化技术进行教学 |
| 设备熟练度 | U1 | 2022/09/14 | 使用 | 多媒体设备 |
| 软件熟练度 | U1 | 2022/10/18 | 使用 | 学科专用软件、在线办公软件 |
| 资源获取 | U1 | 2022/10/10 | 搜索 | 所需资源 |
| 资源制作 | U1 | 2022/09/18 | 使用 | 资源处理软件 |
| 资源管理 | U1 | 2022/09/10 | 管理 | 教学资源库 |
| 工具应用 | U1 | 2022/09/14 | 使用 | 数字化教学设备 |
| 教学创新 | U1 | 2022/10/25 | 使用 | 新型信息化教学模式 |
| 学情分析 | U1 | 2022/09/23 | 使用 | 学情分析工具 |
| 学情反馈 | U1 | 2022/09/20 | 回复 | 学生问题 |
| 沟通能力 | U1 | 2022/10/16 | 互动 | 线上平台 |
| 伦理道德感 | U1 | 2022/10/10 | 发布/转发 | 侵权信息和虚假不良信息 |
| 数据保护 | U1 | 2022/10/14 | 备份 | 文件、数据 |
| 数字环境保护 | U1 | 2022/09/10 | 检查 | 电脑环境 |
| 知识获取力 | U1 | 2022/10/07 | 获取 | 学科核心期刊、在线教学视频 |
| 专业发展 | U1 | 2022/10/23 | 参加 | 线上教研、数字化教学相关竞赛 |
| 专业影响 | U1 | 2022/10/25 | 分享 | 数字化教学经验、公开课 |
(3)提取数据特征，对获取的教师相关数据进行处理，提取数据特征；教师静态数据直接生成相应的静态属性标签；动态数据采用RFM模型和TF-IDF词频分析方法，将获取的不同类型的教师数据转化为RFM值和关键词集。如图4所示，具体过程为：
(3-1)要素类别确定，根据要素对应的行为数据是否涉及文本内容，将要素划分为简单要素和复杂要素，具体如表4所示。
表4要素类别
(3-2)RFM值测算：应用RFM(Recency-Frequency-Manipulation)模型，对各要素(包括简单要素和复杂要素)对应的行为数据进行处理，测算教师行为数据产生的R值、F值和M值。R值表示教师最近一次行为的时间，通过计算教师最近一次行为的时间与当前时间的差值，并依据评分量纲计算；F值表示教师行为频次，通过计算一定时期内教师行为次数，并依据评分量纲计算；M值表示教师后续行为频次，通过计算该教师行为结束后产生其他行为的次数，并依据评分量纲计算。表5展示了部分RFM原始数据的计算结果，表6展示了评分量纲，表7展示了部分R值、F值和M值的计算结果。
表5部分RFM原始数据的计算结果
| User | R原始数据 | F原始数据 | M原始数据 |
| U1 | 2022/09/21 | 5 | 3 |
| U2 | 2022/10/07 | 20 | 15 |
表6评分量纲
| R | F | M |
| 1-5天＝5分 | ≥100＝5分 | ≥60＝5分 |
| 6-10天＝4分 | 75-99＝4分 | 45-59＝4分 |
| 11-15天＝3分 | 50-74＝3分 | 30-44＝3分 |
| 16-20天＝2分 | 25-49＝2分 | 15-29＝2分 |
| ≥21天＝1分 | 1-24＝1分 | 1-14＝1分 |
表7部分R值、F值和M值的计算结果
| User | R值 | F值 | M值 |
| U1 | 1 | 1 | 1 |
| U2 | 4 | 1 | 2 |
(3-3)TF-IDF词频分析：针对复杂要素对应行为产生的文本数据，运用TF-IDF词频分析方法，计算文本数据中各词汇的TF-IDF值，然后根据TF-IDF值由大到小降序排列，选取排序前20％的词汇作为该要素对应的关键词，形成各要素对应的关键词集。TF-IDF值计算方法如下：
TF-IDF＝TF×IDF
其中，TF表示词频，即单词出现频率；Nword表示词汇出现次数；Ntotal表示文档的总词汇数；IDF表示逆文档频率，是一个词语普遍重要性的度量；Ncorpus documents表示文档总数；Nword containing表示包含该词的文档数。
(4)生成画像标签，应用聚类算法对RFM值数据进行分类，生成等级类标签；针对提取的关键词集，使用LDA模型提取主题词，生成主题类标签。如图5所示，具体过程为：
(4-1)等级类标签生成：使用K-Means算法对各要素的RFM值进行分类，将各个要素划分为3个等级标签，如图6所示，具体算法如下：
(4-1-1)选择K-Means聚类算法对各要素的RFM值进行划界，确定教师不同要素等级，生成教师数字素养标签。首先确定3个点作为初始中心，每个中心点为一类，然后计算每个剩余样本点到各个中心点之间的距离，并将其归入到相互间距离最小的中心点所在的簇。
(4-1-2)将所有样本点划分完毕后重新计算每个簇的中心点，迭代计算各个样本点到各簇中心点的距离，对所有样本点重新进行划分。重复以上步骤，直至各簇中心点不再发生变化，由此生成三类样本簇。
(4-1-3)确定三类样本簇的中心点值，以各类样本簇的RFM值的平均值为基准，由大至小进行等级排序，生成较强、中等、较弱三个等级标签。
(4-2)主题类标签生成：针对各复杂要素对应的关键词集，使用LDA模型挖掘生成各要素的主题类标签，具体过程如下：
(4-2-1)组合关键词集构建成特征词表，并使用Word2vec工具进行词向量化，作为LDA模型的输入；
(4-2-2)使用Gibbs采样法，估算LDA主题模型的θm与
参数；其中，θm为第m个关键词集的主题概率分布；
为第n个主题的关键词概率分布；
(4-2-3)基于参数θm和参数
的估算结果，生成n个主题词，选取概率分布前2个主题词，作为对应要素的主题类标签。
(5)教师数字素养画像结果可视化的具体过程为：
选择前端常见的数据可视化工具Echarts的可视化图表库用于生成教师数字素养画像，将数据处理层的数据挖掘和标签提取结果通过柱状图、饼图等可视化方式展示出来，同时根据教师在线行为更新用户画像，及时做出完善和调整。同时，根据用户画像标签的不同权重，将计算所得的属性值导入，用不同的大小将用户信息形象直观地呈现出来，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：
标签框架模块，用于构建中小学教师数字素养画像标签生成框架；
数据转化模块，用于实现多源异构数据的抽取、转化、装载，最终形成要素对应数据表；
数据测算模块，用于提取各要素对应的数据特征，以支持后续生成标签；
标签生成模块，用于组合各类数据生成教师数字素养标签；
结果可视化模块，用于直观展示教师数字素养画像标签生成结果。
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 (7)
1.一种整合动静态数据的中小学教师数字素养画像构建方法，其特征在于该方法包括以下步骤：
(1)构建中小学教师数字素养画像标签生成框架；建立由多个维度组成的中小学教师数字素养画像标签生成框架，框架的维度包括数字意识与态度、数字知识与技能、数字能力与应用、数字责任以及终身发展；每个维度包含多个要素；
(2)基于动静态数据结合的教师数据转化；依据教师的网络在线学习行为，确定可体现中小学教师数字素养的数据类型，包括静态、动态两大类数据；静态数据包括教师基本属性数据与教师教育属性数据；动态数据包括教师访问习惯、教师检索习惯、教师交流数据、教师学习数据、教师教学数据、教研成果数据；根据ETL数据处理流程，对数据进行抽取、转化、装载，最终形成要素对应数据表；
(3)提取数据特征；对获取的教师相关数据进行处理，提取数据特征；教师静态数据直接生成相应的静态属性标签；动态数据采用RFM模型和TF-IDF词频分析方法，将获取的不同类型的教师数据转化为RFM值和关键词集；
(4)生成画像标签；应用聚类算法对RFM值数据进行分类，生成等级类标签；针对提取的关键词集，使用LDA模型提取主题词，生成主题类标签；
(5)教师数字素养画像结果可视化；基于JavaScript的数据可视化图表库将教师数字素养各项标签可视化。
2.根据权利要求1所述的整合动静态数据的中小学教师数字素养画像构建方法，其特征在于步骤(1)中所述构建中小学教师数字素养画像标签生成框架的具体过程为：
(1-1)框架维度划分，将中小学教师数字素养画像标签生成框架分为数字意识与态度、数字知识与技能、数字能力与应用、数字责任、终身发展五大部分；
(1-2)二级维度划分，结合教师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)数字意识与态度维度包含数字认识、数字情感与态度和数字意志三个二级维度；
(1-2-2)数字知识与技能维度包含数字基础知识和数字技能知识两个二级维度；
(1-2-3)数字能力与应用维度包含资源收集与处理、教学优化与创新、学情评价分析、有效沟通交流四个二级维度；
(1-2-4)数字责任维度包含数字伦理道德和数字安全两个二级维度；
(1-2-5)终身发展维度包含知识持续性获取和专业能力成长两个二级维度；
(1-3)要素划分，结合数字素养内涵将各二级维度进一步划分，具体内容如下：
(1-3-1)数字认识维度包含批判意识和信息更新意识两个要素；
(1-3-2)数字情感与态度维度包含理性程度和应用意愿两个要素；
(1-3-3)数字意志维度包含意志坚定度要素；
(1-3-4)数字基础知识维度包含数字权利、数字安全、应用现状三个要素；
(1-3-5)数字技能知识维度包含设备熟练度和软件熟练度两个要素；
(1-3-6)资源收集与处理维度包含资源获取、资源制作、资源管理三个要素；
(1-3-7)教学优化与创新维度包含工具应用和教学创新两个要素；
(1-3-8)学情评价分析维度包含学情分析和学情反馈两个要素；
(1-3-9)有效沟通交流维度包含沟通能力要素；
(1-3-10)数字伦理道德维度包含伦理道德感要素；
(1-3-11)数字安全维度包含数据保护和数字环境保护两个要素；
(1-3-12)知识持续性获取维度包含知识获取力要素；
(1-3-13)专业能力成长维度包含专业发展和专业影响两个要素。
3.根据权利要求1所述的整合动静态数据的中小学教师数字素养画像构建方法，其特征在于步骤(2)中所述基于动静态数据结合的教师数据转化的具体过程为：
(2-1)明确教师数据类型，包括静态和动态两大数据类型；
(2-1-1)静态数据包括教师基本属性数据与教师教育属性数据，具体如下：
教师基本属性数据：包括姓名、性别、年龄、地区分布、通讯信息；
教师教育属性数据：包括学历、职称、教龄、任教学科、所属学校；
(2-1-2)动态数据包括教师访问习惯、教师检索习惯、教师交流数据、教师学习数据、教师教学数据、教研成果数据，具体如下：
教师访问习惯数据：包括访问页面、访问时间、访问频率、访问兴趣；
教师检索习惯数据：包括检索词、检索时间、检索资源类型；
教师交流数据：包括发帖、评论、回复数量、线上研讨；
教师学习数据：包括对教学资源的引用、下载、分享；
教师教学数据：包括应用在线教学平台开展教学次数、与学生互动次数；
教师教研成果数据：包括参与教研项目、相关教学竞赛；发表优质教学资源量、文献量；
(2-2)基于ETL对数据进行加工处理，具体过程为：
(2-2-1)数据抽取，从web服务器日志文件中提取教师和服务器交互的活动日志，获得教师在一段时间内的行为数据；
(2-2-2)数据转换：
数据清洗，即去除脏数据，对不在给定范围内的非法格式数据、无效数据进行剔除；
格式转化，对数据格式做规范化处理，统一数据格式，包含记录格式转换和字段格式转换，记录格式转换即将一条记录转换成某一格式；字段格式转换是对字段值进行格式的统一化处理；
(2-2-3)数据装载，将转换后的统一格式数据进行存储，加载至数据仓库中，最终将数据存储为JSON格式；
(2-3)形成各要素对应数据表，将获取的数据与各要素一一对应，具体内容如下：
批判意识要素：教师在政府网站搜索新闻的搜索行为数据；
信息更新意识要素：教师选择最新发布的相关教学资料作为教学素材的使用行为数据；
理性程度要素：教师结合学生实际，根据数字化教学效果适当调整教学方式，不盲目选择最新技术的调整行为数据；
应用意愿要素：教师主动利用相关数字技术优化课堂教学的使用行为数据；
意志坚定度要素：教师搜索数字化教学相关问题解决方式的搜索行为数据；
数字权利要素：教师使用盗版数字资源的使用行为数据；
数字安全要素：教师点击不知名，存在安全隐患网站的点击行为数据；
应用现状要素：教师应用数字化技术和方式开展信息化教学的使用行为数据；
设备熟练度要素：教师在课堂当中使用多媒体设备的使用行为数据；
软件熟练度要素：教师使用学科专用软件和在线办公软件的使用行为数据；
资源获取要素：教师查找所需资源的搜索行为数据；
资源制作要素：教师使用资源处理软件制作资源的使用行为数据；
资源管理要素：教师建立并管理自身的教学资源库的管理行为数据；
工具应用要素：教师利用数字化设备开展创新教学的使用行为数据；
教学创新要素：教师使用信息化新型教学模式的使用行为数据；
学情分析要素：教师利用学情分析工具分析学生学习情况的使用行为数据；
学情反馈要素：教师在在线教学平台回答学生问题的回复行为数据；
沟通能力要素：教师基于线上平台与家长沟通学生学习情况的互动行为数据；
伦理道德感要素：教师发布或转发侵权信息和虚假不良信息的发布/转发行为数据；
数据保护要素：教师定期进行数据备份的备份行为数据；
数字环境保护要素：教师对电脑进行安全检查的检查行为数据；
知识获取力要素：教师获取本学科核心期刊和在线教学视频的获取行为数据；
专业发展要素：教师参与线上教研和数字化相关竞赛的参加行为数据；
专业影响要素：教师分享数字化教学经验和公开课的分享行为数据。
4.根据权利要求1所述的整合动静态数据的中小学教师数字素养画像构建方法，其特征在于步骤(3)中所述提取数据特征的具体过程为：
(3-1)要素类别确定，根据要素对应的行为数据是否涉及文本内容，将要素划分为简单要素和复杂要素；
简单要素包括批判意识要素、应用意愿要素、意志坚定度要素、数字安全要素、设备熟练度要素、软件熟练度要素、资源制作要素、工具应用要素、教学创新要素、学情分析要素、学情反馈要素、沟通能力要素、数字环境保护要素、知识获取力要素、专业发展要素、专业影响要素；
复杂要素包括信息更新意识要素、理性程度要素、数字权利要素、应用现状要素、资源获取要素、资源管理要素、伦理道德感要素、数据保护要素；
(3-2)RFM值测算：应用RFM模型，对各要素，包括简单要素和复杂要素，对应的行为数据进行处理，测算教师行为数据产生的R值、F值和M值，具体如下：
R值表示教师最近一次行为的时间，通过计算教师最近一次行为的时间与当前时间的差值评分，差值越小，分值越高；
F值表示教师行为频次，通过计算一定时期内教师行为次数评分，次数越高，分值越高；
M值表示教师后续行为频次，通过计算该教师行为结束后产生其他行为的次数评分，次数越高，分值越高；
(3-3)TF-IDF词频分析：针对复杂要素对应行为产生的文本数据，运用TF-IDF词频分析方法，计算文本数据中各词汇的TF-IDF值，然后根据TF-IDF值由大到小降序排列，选取排序前20％的词汇作为该要素对应的关键词，形成各要素对应的关键词集，TF-IDF值计算方法如下：
TF-IDF＝TF×IDF
其中，TF表示词频，即单词出现频率；Nword表示词汇出现次数；Ntotal表示文档的总词汇数；IDF表示逆文档频率，是一个词语普遍重要性的度量；Ncorpusdocuments表示文档总数；Nwordcontaining表示包含该词的文档数。
5.根据权利要求1所述的整合动静态数据的中小学教师数字素养画像构建方法，其特征在于步骤(4)中所述生成画像标签的具体过程为：
(4-1)等级类标签生成：使用K-Means算法对各要素的RFM值进行分类，将各个要素划分为K个等级标签，具体算法如下：
(4-1-1)选择K-Means聚类算法对各要素的RFM值进行划界，确定教师不同要素等级，生成教师数字素养标签，首先确定K个点作为初始中心，每个中心点为一类，然后计算每个剩余样本点到各个中心点之间的距离，并将其归入到相互间距离最小的中心点所在的簇；
(4-1-2)将所有样本点划分完毕后重新计算每个簇的中心点，迭代计算各个样本点到各簇中心点的距离，对所有样本点重新进行划分，重复以上步骤，直至各簇中心点不再发生变化，由此生成K类样本簇；
(4-1-3)确定K类样本簇的中心点值，以各类样本簇的RFM值的平均值为基准，由大至小进行等级排序，生成K类等级标签；
(4-2)主题类标签生成：针对各复杂要素对应的关键词集，使用LDA模型挖掘生成各要素的主题类标签，具体过程如下：
(4-2-1)组合关键词集构建成特征词表，并使用Word2vec工具进行词向量化，作为LDA模型的输入；
(4-2-2)使用Gibbs采样法，估算LDA主题模型的θm与
参数；其中，θm为第m个关键词集的主题概率分布；
为第n个主题的关键词概率分布；
(4-2-3)基于参数θm和参数
的估算结果，生成n个主题词，选取概率分布前q个主题词，作为对应要素的主题类标签。
6.根据权利要求1所述的整合动静态数据的中小学教师数字素养画像构建方法，其特征在于步骤(5)中所述教师数字素养画像结果可视化的具体过程为：
选择数据可视化工具Echarts的可视化图表库生成教师数字素养画像，将数据处理层的数据挖掘和标签提取结果通过可视化方式展示出来。
7.一种整合动静态数据的中小学教师数字素养画像构建系统，其特征在于，用于实现权利要求1～6任一项中所述的中小学教师数字素养画像构建方法，包括：
标签框架模块，用于构建中小学教师数字素养画像标签生成框架；
数据转化模块，用于实现多源异构数据的抽取、转化、装载，最终形成要素对应数据表；
数据测算模块，用于提取各要素对应的数据特征，以支持后续生成标签；
标签生成模块，用于组合各类数据生成教师数字素养标签；
结果可视化模块，用于直观展示教师数字素养画像标签生成结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211586131.3A CN115796692A (zh) | 2022-12-10 | 2022-12-10 | 一种整合动静态数据的中小学教师数字素养画像构建方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211586131.3A CN115796692A (zh) | 2022-12-10 | 2022-12-10 | 一种整合动静态数据的中小学教师数字素养画像构建方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115796692A true CN115796692A (zh) | 2023-03-14 |
Family
ID=85418526
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211586131.3A Withdrawn CN115796692A (zh) | 2022-12-10 | 2022-12-10 | 一种整合动静态数据的中小学教师数字素养画像构建方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115796692A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011004394A1 (en) * | 2009-07-10 | 2011-01-13 | Sudhir Sinha | System for improving quality of teaching in educational institutions |
| 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 |
| CN113656687A (zh) * | 2021-07-27 | 2021-11-16 | 华南师范大学 | 基于教研数据的教师画像构建方法 |
-
2022
- 2022-12-10 CN CN202211586131.3A patent/CN115796692A/zh not_active Withdrawn
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011004394A1 (en) * | 2009-07-10 | 2011-01-13 | Sudhir Sinha | System for improving quality of teaching in educational institutions |
| CN113656687A (zh) * | 2021-07-27 | 2021-11-16 | 华南师范大学 | 基于教研数据的教师画像构建方法 |
| 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 (2)
| Title |
|---|
| 朱燕妮: "教师专业发展视角下的高校教师画像研究", 《社会科学Ⅱ辑》, pages 25 - 47 * |
| 王杰: "中小学教师数字素养评价系统的设计与实现", 《社会科学Ⅱ辑》, pages 7 - 10 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Adu | A step-by-step guide to qualitative data coding | |
| Lewoniewski et al. | Relative quality and popularity evaluation of multilingual Wikipedia articles | |
| US9640085B2 (en) | System and method for automated content generation for enhancing learning, creativity, insights, and assessments | |
| KR101734728B1 (ko) | 소셜 네트워크 서비스를 이용하여 온라인 협동 학습을 제공하는 방법 및 서버 | |
| Kim et al. | Twitter news-in-education platform for social, collaborative, and flipped learning | |
| Kardan et al. | A hybrid approach for thread recommendation in MOOC forums | |
| Akerlof et al. | The growth and disciplinary convergence of environmental communication: A bibliometric analysis of the field (1970–2019) | |
| CN113157867A (zh) | 一种问答方法、装置、电子设备及存储介质 | |
| Lorenzo et al. | Analysis of trends in the application of augmented reality in students with ASD: Intellectual, social and conceptual structure of scientific production through WOS and scopus | |
| Aliyanto et al. | Supervised probabilistic latent semantic analysis (sPLSA) for estimating technology readiness level | |
| CN115796692A (zh) | 一种整合动静态数据的中小学教师数字素养画像构建方法及系统 | |
| Willever-Farr et al. | Tell me about my family: A study of cooperative research on Ancestry. com | |
| Ahrens et al. | Principles of Sampling in Educational Research in Higher Education | |
| Tveit | A celebration of diversity: LIS research in the Nordic countries as shown by PhD dissertations 2005–2014 | |
| Shukla et al. | Assessment of digital information literacy skills among the library and information science students of the university of Delhi | |
| Ratnaningsih et al. | Comparative analysis of classification methods in determining non-active student characteristics in Indonesia Open University | |
| Jordan | Examining Educational Technology and Research Impact: The Two Roles of E-Learning and Related Terms in the 2014 REF Impact Case Studies. | |
| Xu | The ever-changing face of Chinese interpreting studies: A social network analysis | |
| Pinarbasi et al. | Natural Language Processing for Global and Local Business | |
| Pawade et al. | Automated scoring system for online discussion forum using machine learning and similarity measure | |
| Bracke et al. | Criteria for evaluating journals in the scholarship of teaching and learning in agriculture, natural resources, and the life sciences | |
| Rys et al. | Electronic sources in libraries of Polish technical universities: yesterday and today | |
| Bai et al. | Practice and Exploration of Teaching Mental Health Education for College Students Based on Data Mining Algorithm | |
| Nazari et al. | Identifying Reasons for Using E-books and Obstacles to Using Them: The Medical Students’ Perspective | |
| Ye | Integrating technology, curriculum, and online resources: A multilevel model study of impacts on science teachers and students |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230314 |