基于课堂教学行为大数据的师徒制关系构造模型

王雅慧 孙彬 郭燕巍 吴永亮

[摘 要] 师徒制作为教师专业发展的重要方式，在教师队伍建设方面占有举足轻重的地位。文章运用访谈法、内容分析法和文献法对当前师徒制存在的问题进行梳理，以课堂教学行为大数据为基础构建了师徒制关系构造模型，该模型共包括四个模块：教师特征大数据采集、教师特征大数据分析、师徒关系匹配大数据分析、师徒绩效大数据分析。同时，提出了三种匹配模式：基于模仿的动态匹配、基于重组的动态匹配和基于创新的动态匹配。通过该模型的构造以期为学校师徒间的构造方式提供参考。

[关键词] 课堂教学行为； 教师特征； 大数据； 师徒制模型； 师徒关系

[中图分类号] G434 [文献标志码] A

[作者简介] 王雅慧（1994—），女，河南三门峡人。硕士研究生，主要从事智能学习支持环境方面的研究。E-mail：wangyh226@foxmail.com。

一、问题的提出

（一）当前师徒制的构成方式

师徒制是指组织内资深者与资浅者之间建立的一种支持性师徒关系[1]，师傅向徒弟提供高强度、高密度的支持与协助，徒弟则需要通过观察、借鉴和模仿等行为，将蕴含于师傅分析和解决问题过程中的知识、技能进行吸收与内化[2]。师徒制产生的前因主要分为情境因素与个体因素[3-4]。情境因素中大量实证研究表明，师徒关系的建立受师徒所属部门、工作性质、行业性质等因素影响[5]，师徒关系的深化依赖学习组织的文化和氛围[6]。从个体因素方面来说，师徒制以转移隐性知识为主，师徒间的知识转移效果受师徒间的知识势差、师徒的知识收发能力等因素影响[7]。在当前的中小学中，师徒制有着较为完善的制度，师徒双方通过签订带教协议确定带教目标、带教内容与带教方式，明确师徒双方的职责，其目的是基于教学实际情境帮助新教师解决实际的教育教学问题。这种方式根植于教师的教学实践，以解决实际问题为导向[8]，能够缩短新教师熟悉教学常规和教学过程的时间，这种将学习寓于环境之中的方式，也有利于获取与提升存在于徒弟身上的隐性知识。

（二）当前师徒制的弊病与问题

伴随着对教师专业发展的深入研究，教师知识更新问题日益受到专家学者的重视[8]。 师徒制作为在职教师专业发展的重要方式，日益受到专家学者的重视，正在发展成为一个重要的研究焦点与研究领域。回顾近年来针对师徒制的研究，可以发现以下问题：（1）由于师徒双方认知度较低，可能会造成师徒关系不匹配[9]。同时，师徒制研究对象侧重于徒弟，师傅没有成为研究重点，对于 “师徒双重角色”这一问题尚未进行有效深入的探索和研究。（2）由于教学情境的复杂性与独特性，师徒制在转移与情境紧密相关的教师隐性知识上会碰到较大困难，转移的知识无法适应不断变化的、复杂的教学环境[8]。（3）在当前的师徒实践中，普遍存在 “有知识共享行为，无知识共享效果”的现象[10]。因此，如何提高知识转移的有效性，对转移效果如何评价，都是当前亟待突破的瓶颈。

当前，我们正处于一个大数据时代，大数据时代的来临使数据从原本的记录符号转变为具有巨大延伸价值的资源，数据成了一种新的财富[11]。当前已有研究对师徒制进行优化，提出了“双师制”，即在新手教师成长为胜任教师的过程中，在其所经历的知识生产和知识进化两个关键阶段[12]安排不同的师傅，更能促进其快速地进步与成长。在前人的研究基础上，本文拟借助课堂教学行为大数据来设计师徒制关系的构造模型，探讨完善当前师徒制的可能性。

二、文献综述

（一）课堂教学行为大数据及相关研究

大数据通常指专业领域中的巨量数据资料，特指在专业领域中所创造的大量半结构化和非结构化数据。大数据的核心特征常常被概括为“4V”特征[13]：大容量（Volume）、高速度（Velocity）、多样性（Variety）、高价值低密度（Value）。教学活动的主阵地是课堂，近几年针对课堂教学行为的研究逐渐成为教育研究的一个热点。[14]早期针对教师课堂教学行为研究大多侧重于教师外显的教学行为，通常运用观察法、问卷调查法、归纳法、演绎法等，但这些研究方法缺少客观性、信度和效度，或者只是针对个别要素作纯思辨的假设。[15]课堂教学行为大数据作为课堂教学行为量化研究在大数据时代背景下的一个新兴产物[16]，当前对于课堂教学行为大数据尚未有一个公认的定义，本文主要采用王陆教授及其科研团队提出的定义：课堂教学行为大数据是在真实的课堂情境中，伴随教与学过程而产生的大规模、多样性、蕴含了丰富的教与学含义的非结构化与半结构化的特殊数据集合[17]。

针对课堂教学行为大数据的分析方法是一个典型的多分支与多重迭代的复杂处理过程，其中包括数据采集、数据存储、数据分析、数据表达和应用服务共五个阶段[18]。针对一堂课的教学行为大数据采集与分析，通常会包括编码体系分析方法和记号体系分析方法[19]。对课堂教学录像中的师生行为与对话进行编码与记录，将课堂中的半结构化数据转变为结构化数据，从而实现外化隐性知识[20]，创造出用之于分析教学过程的新知识。隐性知识具有无意识性、个体性、实践性、牢固性、创新性以及动态性。随着知识经济时代的来临，知识尤其是隐性知识成为各专业领域的最大附加值资本，也具有进一步研究的价值。[21]因此，课堂教學行为大数据外化隐性知识的功能，无疑为师徒制模式的完善提供了新的思路。

（二）师徒制及相关研究

克拉姆（Kram）于1985年提出了聚焦于师徒之间一对一的二元关系的传统师徒制的概念，即组织中资历较深者（师傅）与资历较浅者（徒弟）所建立的一种深刻的二元关系，同时，师傅为徒弟提供职业生涯帮助和社会心理支持[17，22]。随后，由于社会网络视角的引入，“师徒制发展性网络”这一概念被提出，师傅能为徒弟提供职业发展性帮助，由此组成的社会网络具有网络多样性这一特点[23]。这一概念的提出，使研究者对于师徒制的研究对象从侧重于徒弟，转变为侧重于师徒双方。[23]此时的师徒关系并不拘泥于师傅提供单方面的帮助，而是一种师徒双方均获益的互动交换过程。

从本质上说，师徒制是共享和转移隐性知识的载体。徒弟真正需要学习的是师傅身上具有高内嵌性的隐性知识，这种隐性知识来源于经验的积累，且难以用文字、语言和数学公式等来精确表达[24]。由于隐性知识具有高价值又难以转移的特征，我国学者的研究方向主要集中于探索师徒制转移隐性知识的特点、路径模型与借鉴策略。[25-26，2]通过对文献的梳理，发现目前知识转移模型研究中主要存在三方面的缺陷[27]：（1）重点在转移内容：隐性知识与显性知识；（2）重点在效率；（3）几乎所有研究重点都集中在发送方。出现的这三个缺陷，意味着当前对该方面的研究重视传递内容，忽视传递方式；重视效率，对有效性较为忽视且缺乏反馈机制；对研究对象的关注不够全面，缺乏对知识转移主体个性属性的分析。

三、重构师徒制模型

本文采用了内容分析法，对不同学校、不同教龄的8名教师进行访谈，并对访谈的资料进行编码分析，结果如图1所示。

对图1进行分析发现：（1）师徒关系开展周期长，教师对自身的认知度低；（2）在师徒关系中，师傅对徒弟紧密度高，徒弟对师傅紧密度低；（3）当前师徒制对徒弟帮助较大，师傅获益较少；（4）当前的师徒关系的构建缺乏评价反馈机制，即没有直接聚焦到实践性知识的发展和课堂教学行为改进，而是采用了较为“模糊”而“迂回”的办法。

基于师徒制现存的问题，本研究以课堂教学行为大数据为基础，利用人机协同的数据智慧机制来构建师徒关系构造模型，助力师徒双方的教与学行为的优化。数据智慧包含数据、信息、知识、智慧四个层级，这四个层级也映射了知识形成的四个过程： 知几无、知是何、知如何、知何为。[28]

本研究的模型分为四个模块：教师特征大数据采集、教师特征大数据分析、师徒关系匹配大数据分析、师徒绩效大数据分析，如图2所示。四个模块依次递进，并且由师徒绩效大数据分析回转到教师特征大数据分析，这三个模块形成一个闭合回路，通过不断的反馈监测来重新匹配师徒关系。在师徒关系构造模型中，既包含助学者对师徒双方进行大数据的采集、分析与挖掘，也包括师徒双方自身的自主选择权，以此来实现人机协同。

（一）教师特征大数据采集

在教师特征大数据采集这一模块中，由于隐性知识的缄默性，教师对于自身和他人的这种“说不清道不明”的隐性知识基本处于“知几无”的状态，他们个人所获得的数据是一种原始事实，本身没有任何意义[29]。佐藤学教授提出的教师学习的轨迹结构如图3所示，即围绕课堂的同心圆，可以看出教师的学习应该基于自身的实践。佐藤学教授也指出，要想成为反思性实践者，不单单只是简单地应用专业知识，并且要基于反思进行不断的综合判断，这也是专业人员的特质。教师依据习得的知识，进行不断的内省与反思，在复杂的人脉语境与情境中进行判断，从而避免被外部知识的框架圈住。这也印证了美国心理学家波斯纳提出的教师成长的公式：成长=经验+反思。因此，在这一环节的数据采集主要包含两个方面，如图4所示，教师在实践过程中即上课过程所产生的课堂教学行为大数据和对教师的反思日志进行实践性知识编码所获得的大数据。

在实践阶段，除了师傅与徒弟进行相互听课以外，助学者也会利用课堂教学行为大数据对师傅与徒弟进行课堂观察，完成数据采集工作，利用数据去发现师徒双方在教学活动中所展现出的隐性知识，为分析教师的课堂教学特征提供最原始的数据资料。同时，这种定性与定量相结合的方式，也能够帮助教师更加清楚地了解自身情况。

师徒双方定期写总结是当前学校师徒制的主要形式，上文所提到的反思日志即为教师在实践过程中所撰写的总结。存在于教师个人经验和日常教学实践中的实践性知识，是最直接指导与支配教师个体行为的知识，由于其默会性和缄默性，此类隐性知识难以传播和测量。在教师撰写反思日志后，助学者利用靠谱 COP项目专家杨卉教授编制的教师实践性知识评价指标体系[31]，对教师所撰写的反思日志进行实践性知识的测量，获取教师身上的实践性知识大数据。课堂教学行为大数据是教师外显化的行为数据，实践性知识大数据能够折射出教师内在知识的情况，对两个方面的数据进行采集，能够更加立体地展现教师的特征。

（二）教师特征大数据分析

大数据分析是基于强大的支撑平台，运行分析算法发现隐藏于大数据中的潜在价值[32]。在第一模块中，通过课堂教学行为大数据和实践性知识大数据抽取和集成的数据构成了进行数据分析的最原始数据，此时的数据已经是结构化的信息[33]。而在教师特征大数据分析这一模块的核心步骤是如何对这些数据进行有效表征和解释[34]。大数据分析核心即为挖掘，从技术角度看，数据挖掘就是从大量复杂的、不规则的、随机的、模糊的数据中获取隐含的、未经人们事先发觉的、存在潜在价值的信息和发现知识的过程[35]。基于所获取的数据，提出了三种大数据的处理方法：相关性分析，聚类分析和差异性检验。该模块设计如图5所示。

1. 相关性分析

相关性分析是指通过对两个或多个变量元素进行分析，从而获取两个变量或多个变量因素之间的相关密切程度。在这一环节中，我们采用皮尔逊积差相关系数（Pearson Productmoment Correlation Coefficient）对课堂教学行为大数据的38个维度和实践性知识大数据的62个维度进行相关性分析，以寻求各个变量因素的相关密切程度，从而得到几种具有正相关关系的变量。

2. 聚类分析

聚类分析就是将大量的数据元素聚集成若干個簇的过程，并使得簇内对象尽量具有相同特征而簇间对象尽量相异。在这一环节中，以利用相关性分析中所得到的每一类具有正相关关系的变量为基础，对教师进行聚类，形成具有不同教学特征的教师群体。

3. 差异性检验

在上一环节中，我们已经聚类出了不同特征的教师群体，那么各个教师群体之间的差异情况到底如何，需要进一步进行差异性检验。在统计学中，差异性检验是“统计假设检验”（Statistical Hypothesis Testing）的一种，是用于检测科学实验中设置的实验组与对照组之间是否有差异以及差异是否显著的方法。在这一过程中，利用独立样本T检验进行多组的两个教师群体的数据分析，从而发现不同群体之间的差异，也为下一模块中的师徒关系匹配提供了数据支持。

（三）师徒关系匹配大数据分析

师傅与徒弟的匹配可以类比为个人与组织匹配的一种特殊形式，师徒之间的匹配会影响到师徒关系的有效性。对师徒双方成员进行大数据精细化表征，可以发展动态的、具有更强适应性特征的师徒关系，也可以避免单一的数据来源所带来的争论[36]。万博格（Wanberg）等[37]认为，开展师徒之间的学习活动，徒弟的学习模式最先发生转变，包括认知学习、技能学习和情感学习三个方面。认知学习的改变涉及知识层面，涵盖策略性知识或者默会知识的改变；技能学习涉及技能改进；情感学习则涉及态度价值观等方面。师徒关系匹配大数据分析这一模块如图6所示。课堂教学行为大数据和实践性知识大数据是影响师徒进行匹配的自变量，师徒之间的对应关系和匹配模式是因变量，一切都要依据大数据的分析结果来确定。

柯瑞斯多夫[37]曾提出，从需求供给的视角来看，人与组织的匹配产生于组织满足个体的需要、需求和偏好的时刻，师徒之间的匹配也是如此。

利用课堂教学行为大数据和实践性知识大数据的分析结果，可以促进教师群体的差异发展和错位成长[38]。所谓差异发展，就是通过大数据的可视化分析，明确教师专业方面的“短板”，为其安排一名能够帮助其短板发展的教师进行学习。错位成长，即通过大数据的可视化分析，基于多元智能理论，帮助教师找准“长板”区域，促进教师之间的强强联合，达到优势互补、共同发展的目的。

依据自变量的分析结果，本模型设计了三种匹配模式：基于模仿的动态匹配、基于重组的动态匹配和基于创新的动态匹配。在基于模仿的动态匹配关系中，师徒之间是单方面促进关系。教师在不断的成长中形成工匠精神，也可称为教学艺术[30]。徒弟需要通过观察、模仿来进行学习。通过大数据的可视化分析可以帮助新任教师找到其希望实现的形象，进而找到这种类型的教师作为师傅，从而在师傅的指导下通过实践的磨练，形成教学艺术。

基于重组的动态匹配关系即互补匹配，利用数据分析发现师徒之间是互补性关系，师徒双方的优势与劣势刚好能够形成互补，双方通过交流与实践取长补短地积累教学经验，不断地完善自身教学能力，促进师徒之间知识的双向流动。在这一模式中，主要侧重于对师徒双方技能学习的改变。以上的两个模仿与重组匹配关系主要侧重于教师专业知识、专业技能方面的学习，教师通过以上两种匹配模式，使之前所获取的“信息”进一步进化为“知识”，达到“知如何”的状态。

然而，课堂的教学特征（信息）、怎样开展教学活动（知识）均是对已发生或正发生事情的认知。教师能够进行类似问题的处理，但这种认知水平还不足以应用于新的情境或问题（迁移）。教师的工作具有极大的不确定性，教学环境的复杂性导致在这个教室成功的做法，到另一教室却可能遭遇失败的情况时有发生。基于创新的动态模式的提出就是为了解决教师作为专业人员所面对的不确定性，帮助教师将知识进一步跃升为智慧。教师需要通过已验证的有价值的知识，对未来发生的事情作出正确判断和决策[28]，从而在教学实践中正确地解决问题。智慧是价值驱动的[28]，价值判断有助于形成透彻见解。马伦（Mullen）和诺亚（Noe）[39]研究发现，处于同一领域的师徒双方在互动的过程中均有所受益，即师傅也有可能从经验较少的徒弟身上获得启发。在基于创新的动态匹配关系中，师傅和徒弟的角色定位更趋于模糊，师徒双方是一种协同型关系，更加强调师徒之间的合作创新，通过这一动态的能力发挥过程[40]来促进师徒双方进行知识创新，师徒之间通过相互质疑、相互验证，创造面向未来时的最佳决策行为，达到“知何为”状态。

以上的三种匹配关系不是简单的线性关系，而是复杂的多线性关系，即在这一环节中，一徒多师、一师多徒和多师多徒的匹配关系共存，徒弟可以在同一时间向多名师傅学习，而各徒弟之间向师傅所学习的内容也可以不尽相同。这一模块的设计打破了传统二元师徒制中一个徒弟只能跟随一个师傅的限制，使得徒弟可以并行地在每个涉及的领域跟随不同的师傅学习，弥补了传统二元师徒制仅跟随一位师傅学习所造成的隐性知识来源单一化、补充和更替不足的弊端。在学习共同体和信息化时代的背景下，扩大师傅的范围，实现各个阶段的教师都能够集众家之长，以补己之短。

（四）师徒绩效大数据分析

师徒双方在大数据的帮助下，通过精确匹配进入恰当的师徒关系匹配模式后，展开师徒双方面对面的非正式学习，如图7所示。

在这一过程中，以传统的师徒制模式为框架，师傅对徒弟的指导贯穿于课前、课中、课后，但是这一切的行动都是处于课堂教学行为大数据的监测之下。师傅在帮助徒弟备课的过程中，利用课堂教学行为大数据的发现功能，可以更加有针对性地帮助徒弟改进自身的教学行为，优化教学设计；在徒弟上课的过程中，利用课堂教学行为大数据实时地监测，对知识转移的效果进行实时的评估。

对师徒双方的实践性知识的监测也依然没有间断，通过撰写反思日志，可以帮助教师在叙述中反思蕴含在个人实践中的信念和行动，在利用大数据将隐性知识显性化的过程中，重构教师的实践知识和智慧。在教师撰写反思日志后，助学者利用靠谱 COP项目专家杨卉教授编制的教师实践性知识评价指标体系[32]，对反思日志进行内容分析与数据统计，以便对知识转移的效果进行评估。同时，该构造模型并不是一个静止的状态，通过课堂教学行为大数据和实践性知识大数据对教师的教学行为和实践性知识进行反馈，重新进入师徒关系匹配大数据分析模块，动态地进行师徒再匹配过程，实現模型的动态循环。

四、结 语

在数据的记录与收集成为常态的今天，课堂教学行为大数据的出现使教师的决策不再仅仅依赖主观经验，对于师徒制模式的组建也可以依据数据证据，本研究提出的师徒制重组模型，可以在一定程度上弥补当前师徒制的不足：（1）加强教师自身的认知度，尊重教师在师徒关系选择中的自我意愿，对于“师徒双重角色”这一问题也提出了新的解决思路；（2）创新匹配模式的提出，能够缓解教师实践性知识在转移过程中伴随着情境变化而出现的问题；（3）课堂教学行为大数据的外显化与实践性知识的测量为知识共享和转移有效性提供了标准，并且完善了效果评估机制。本研究对模型的构建进行了初步探索，但对于该模型在实践应用中的效果还尚待进一步探讨，未来还需要就此问题作更深入的分析。

[参考文献]

[1] 何会涛.知识共享有效性研究：个体与组织导向的视角[J].科学学研究，2011，29（3）：403-412.

[2] 孙玺，李南，付信夺.企业师徒制知识共享与转移的有效性评价[J].情报理论与实践，2013，36（7）：76-80.

[3] 魏钧，李淼淼.导师网络研究综述[J].外国经济与管理，2013，35（2）：63-70，80.

[4] DOBROW S R， CHANDLER D E， MURPHY W M， KRAM KE.A review of developmental networks： incorporating a mutuality perspective[J]. Journal of management， 2012，38（1）：210-242.

[5] DREHER G F，COX T H. Race， gender， and opportunity： a study of compensation attainment and the establishment of mentoring relationships[J]. Journal of applied psychology，1996，81（3）：297-308.

[6] BLICKLE G， SCHNEIDER P B， MEURS J A， PERREWE， P L. Ante-cedents and consequences of perceived barriers to obtaining mentoring： a longitudinal investigation[J]. Journal of applied social psychology，2010，40（8）：1897-1920.

[7] 李南，王晓蓉.企业师徒制隐性知识转移的影响因素研究[J].软科学，2013，27（2）：113-117.

[8] 陈群波.基于师徒制的教师知识转移研究[D].上海：华东师范大学，2016.

[9] 郑健壮，靳雨涵.师徒制综述：回顾与展望[J].高等工程教育研究，2016（3）：69-74.

[10] 张正堂.企业导师制研究探析[J].外国经济与管理，2008，30（5）：35-41.

[11] 张燕南.大数据的教育领域应用研究——基于美国的应用实践[D].上海：华东师范大学，2016.

[12] 王陆，魏宁.课堂教学行为大数据：架设理论与实践的桥梁[J].中国信息技术教育，2017（12）：9-17.

[13] 严霄凤，张德馨.大数据研究[J]. 计算机技术与发展，2013（4）：168-171.

[14] 王陆，李瑶.课堂教学行为大数据透视下的教学现象探析[J].电化教育研究，2017，38（4）：77-85.

[15] 蔡宝来，车伟艳.国外教师课堂教学行为研究：热点问题及未来趋向[J].课程·教材·教法，2008（12）：82-87.

[16] 乔爱玲，王陆，李瑶，尹阳春，陈丝.不同教师群体教学行为的差异性研究[J].电化教育研究，2018（4）：1-8.

[17] 王陆，蔡荣啸.课堂大数据视角下的提问倾向研究[J].电化教育研究，2016，37（7）：82-92.

[18] KRAM K E. Mentoring at work： developmental relationships in organizational life[M]. Glenview， IL： Scott Foresman，1985.

[19] KRAM K E. Phases of the mentor relationship[J]. Academy of management journal，1983，26（4）：608-625.

[20] HIGGINS M C， KRAM K E. Reconceptualizing mentoring at work： a developmental network perspective[J]. Academy of management review，2001，26（2）：264-288.

[21] 于梅芳，韦雪艳，陈梦婷.师徒制下初任教师隐性知识转移：路径与实现策略[J].当代教育科学，2017（9）：77-80.

[22] 王陆.教师在线实践社区COP的绩效评估方法与技术[J].中国电化教育，2012，（1）：61-72.

[23] SHI Q F， WU J，SHENG Y X. The factor-model which influences university teachers tacit knowledge transfer and the positive study[J].International journal of enterprise network management，2009，3 （2）：157-164.

[24] 毛齊明.教师有效学习的机制研究[D].上海：华东师范大学，2010.

[25] 王晓蓉，李南.企业师徒制中隐性知识转移路径及其微观过程研究[J].情报理论与实践，2012（6）：26-30.

[26] 李小聪，李峰，赵敏，王惠.科技型企业师徒制隐性知识转移有效性影响因素研究——师傅—徒弟交换关系为调节变量的实证研究[J].科技管理究，2014（21）：122-126，131.

[27] 罗艳玲.知识转移模型的优化研究[J].情报科学，2010，28（10）：1578-1583.

[28] 彭红超，祝智庭.人机协同的数据智慧机制：智慧教育的数据价值炼金术[J].开放教育研究，2018，24（2）：41-50.

[29] BELLINGER G，CASTRO D， MILLS A. Data，information knowledge，and wisdom[EB/OL].[2017-05-22].http：//www.systemsthinking.org/dikw/dikw.htm.

[30] 佐藤学.课程与教师[M].钟启泉，译.北京：教育科学出版社，2003.

[31] 杨卉.教师网络实践共同体研修活动设计理论与实践[D].兰州：西北师范大学，2011.

[32] 陶雪娇，胡晓峰，刘洋.大数据研究综述[J].系统仿真学报，2013，8（25）：144-145.

[33] 雷闪闪.语文课堂合作教学研究[D].长沙：湖南师范大学，2014.

[34] 程学旗，靳小龙，王元卓，等.大数据系统和分析技术综述[J]软件学报，2014，25（9）：1889-1908.

[35] 李平荣.大数据时代的数据挖掘技术与应用[J].重庆三峡学院学报，2014，30（151）：4547.

[36] 韩翼，周洁，孙习习，杨百寅.师徒关系结构、作用机制及其效应[J].管理评论，2013，25（7）：54-66.

[37] WANBERG C R， WELSH E T， HEZLETT S A. Mentoring research： a review and dynamic process model[M]//FERRIS G R， MARTOCCHIO EDS J J. Research in personnel and human resources management. Oxford， England： Elsevier， 2003.

[38] 李永忠.教師的差异发展和错位成长[J].学园，2014（10）：101-102.

[39] MULLEN E J， NOE R A. The mentoring information exchange： when do mentors seek information from their Protégé[J].Journal of organizational behavior， 1999，20（2）：233-242.

[40] 刘克寅.基于异质性要素的企业合作创新匹配机理研究[D].杭州：浙江工业大学，2015.