基于xAPI的在线学习环境中精准师训画像构建研究

黄建国 唐烨伟 范佳荣 钟绍春

摘要：信息化时代对教师提出了新的更高要求，教师需要提高面向未来教育发展的教育教学创新的能力，因此，制定信息化发展规划和教师研修计划，开展引领性培训活动成为学校教育中的重要工作。该文首先对各地促进教师专业发展的培训进行了深入调查和研究，掌握了国内教师培训的现状，其次基于大量文献分析了xAPI支持在线学习环境中精准师训画像构建的可行性。同时剖析了基于xAPI的在线学习环境中精准师训画像构建的流程，包括数据保存、数据收集、数据分析、画像生成和个性化推荐五个步骤，从而提供了清晰的框架指引。最后进行了精准师训画像建模，提出了个体画像建模和群体画像建模以及通过建立标签进行精准师训画像建模的方法。该文基于xAPI规范对在线学习环境中精准师训画像构建的可行性、必要性、构建框架和实现方法做了系统论述，旨在为相关教育决策者和一线教师促进教师专业发展提供参考。

关键词：xAPI;精准师训;教师画像;大数据

中图分类号：G434

文献标识码：A

文章编号：1006-9860（2020）04-0102-07

一、引言

人工智能技术、物联网技术、学习分析技术的蓬勃发展使教育信息化在2.0时代对教师队伍建设提出了更高要求。自2014年5月，《教育部关于实施卓越教师培养计划的意见》发布，各地区相继建立了三位一体培养机制，扩大卓越教师队伍。我国职前师范生、职后教师的培训工作卓有成效，但是在取得成绩的同时，也要应对新技术带来的新挑战。近年来，为继续推动教师主动适应信息化、人工智能等新技术变革，积极有效开展教育教学，国家相继出台了多项政策文件。《中国教育现代化2035》强调“建设高素质专业化创新型教师队伍”“强化教师职前培养和职后发展的有机衔接”“夯实教师专业发展体系，推动教师终身学习和专业自主发展”。《全国中小学教师信息技术应用能力提升工程2.0》要求“各地开展教师信息技术应用能力培训，每人5年不少于50学时，其中实践应用学时不少于50%”。然而目前，国内教师培训大多呈现规模化和常态化的特点，不同教师对培训需求不尽相同，对于培训品质的期望也在不断提升，一些问题在教师培训的过程中逐渐凸显，包括大规模培训的背景下关注教师的个性差异以及帮助教师培养实践智慧、解决真实情境中间题的具体途径和方法。教师是教研和培训的主要对象，对参培教师的需求、课程内容、培训模式、评价方法等信息进行收集，并准确判断和分析，能够最大限度地支持教师专业发展，切实响应国家的各项政策，推动教育信息化。教育大数据的发展，为卓越教师的培养提供了新的解决思路。《关于开展人工智能助推教师队伍建设行动试点工作的通知》强调教育中应当采集教师各方面信息，汇聚成教师大数据，建立教师数字画像。人工智能和大数据技术，可以采集教师在一体化平台和网络研修社区等的标准数据，为构建精准师训画像提供有力支持;数据分析技术，一方面可以挖掘教师在提高自身专业发展方面的特征、需求、行为和偏好等学习规律，解决个性化培养的问题，另一方面可以挖掘教师培养过程规律，为管理者进行更加科学、合理和个性化的研修决策提供支持，解决全程化培养的问题。因此，本研究旨在通过构建教师的数字画像，以个性、灵活、精准、优质的样态促进卓越教师队伍建设。

二、现状调查和相关研究

（一）现状调查

为了解现阶段中小学教师培训的情况，课题组随机对国内都江堰市、湛江市、大连市、邯郸市等合作中小学、幼儿园、职业学校进行深入调研与走访，关于促进教师职业发展相关培训方面，从师资培训方式、满意度、培训内容和信息技术培训认识与应用四个指标项进行测评。在师资培训方式指标层面，各市教育局信息中心和学校都非常重视教师的信息技术应用能力培训，统一组织教师参加线下培训和网上培训。在师资培训满意度指标层面，教师普遍反映面对面的线下培训课程使其负担加重，培训效果欠佳，教师的满意度不高。在培训内容方面，培训活动缺乏针对性，即针对不同学科教学实际开展与之相适应的培训;信息技术应用能力相关培训的次数较少，教师们更希望有信息技术应用能力（微课制作等）、信息化教学设备操作（白板使用等）相关的培训。在信息技术培训认识与应用指标层面，大多数学校都会成立培训小组，以学科分类建立学科教师群，各学科的任课教师通过所在学科群分享资源和教学经验，不仅利用网络研修社区主动获取专业学习资源，还能引领和帮助其他教师开展研究活动，获得发展。因此，基于在线学习环境开展有针对性的教师培训是促进教师专业发展、提高教师信息素养的重要途径。

（二）相关研究

目前，国内在教师画像研究方面相对较少。通过文献检索和阅读，2018年4月《中国教育报》刊登了华东师范大学闫寒冰教授的理论观点，提出了教育信息化2.0时代，教师培训呈现的六大特征：尊重教师个性、开放资源生态、追求无缝连接、重视数据意识、教师参与决策和培训模式创新，强调利用信息技术为教师画像。华南师范大学胡小勇教授（2019）提出教师画像的四大应用场景，涵盖教师、决策者、教研服务提供方和学生等利益者视角。该研究从精准教研视域下对教师画像的实现必要性、实施可行性、实现方法和应用场景作了系统论述。相似的概念其实早就存在，例如使用者（Actor）、用户模型（User Archetype）、用户画像等。在用户体验设计中，最重要的原则就是了解用户。用户画像时常等同于受众定向，用来描述用户群体的分布、价值和需求等，进行定制化的运营策略。从目的和意义上看，用户画像和教师画像有明显的相同之处，都是通过多维全面地描述特征，使服务更加精准和个性化。在教师培训中，教师需要作为学习者进行角色转换。因此有必要了解在实际系统中，学习者模型的相关规范。学习者模型對满足系统需要的部分要素进行描述和表示。近年来，相关研究逐渐从理论研究走向实际应用。例如学者郭光明博士基于社交大数据，提出了一种概率主题模型LUBD-CM，使用这种模型来统一建模文本数据和行为数据，获取隐行为模式的信用画像。随着相关研究的深入，ADL项目组于2013年提出基于SCORM标准建立的接口规范xAPI，在这种技术规范的指导下，可以不考虑具体实现的平台，任何可扩展的学习记录、学习者信息和学习经历档案都能被存储和检索。

xAPI是一种学习行为记录的标准，在提高培训的效率和培训的质量方面有着很大的潜力。基于xAPI标准的学习管理系统可以实时、跨平台、跨终端地跟踪记录每一位在线培训教师的学习经历，并对学习过程中的一系列数据进行跟踪、处理和分析。参培教师能够通过xAPI获取自己的学习经历，实施个性化的干预，高效地参与教研。同时，教学管理者可以从xAPI学习记录系统中融合一个学校乃至一个地区的参培教师的学习经历，全面了解整体情况，调整培训策略决策，优化培训效益。因此，本研究基于xAPI标准以精准教师培训为导向进行深入探讨，推动相关领域的研究。

三、在线学习环境中参培教师特征分析

教师在开放的学习环境中进行学习培训，一个可信任的学习记录提供者（LRP）通过启动教师所学习内容以及与内容相关的其他数字化资源追踪学习经历，将学习者所产生的活动定义。然后，LRP会创建该主体的学习记录并生成语句，将其发送到一个或多个子学习记录系统（LRS），LRS中的数据可量化，可分享，可追踪。LRS对学习记录进行汇聚存储并将其提供给授权客户，即学习记录消费者（LRC），LRC可以访问并使用学习记录。基于xAPI的教师培训学习经历追踪过程如下页图1所示。实现整个追踪过程需要明确对教师的哪些特征进行追踪和分析，正确表征教师的个体特征和行为特征是构建画像的基础。这些特征是相辅相成、相互作用的整体，而非独立存在，能够较全面地描述教师在进行培训中真实的学习状态，对其潜在的学习需求进行深层次挖掘，提供有针对性的支持服务，提高教师培训的效率和质量。

xAPI技术规范的第二部分描述了基于xAPI使用的各种数据对象的数据模型。其中最核心的要素特征是Statement，声明结构是“执行者（Actor）+动作（Verb）+对象（Object）”，Statement可记录每一位教师在培训中的学习经历。执行者是参与学习活动的主体，动作是该主体发出的行为，对象描述学习目标。除了这三种必选的属性外，Statement还规定了结果、前后情境、时间戳、存储时间、授权、无效标记等可选属性。但是xAPI标准并未针对教育领域提出明确的设计内容，因此本研究对在线培训环境中参培教师的学习经历进行分析和总结，提出基于xAPI的教师特征模型，如图2所示。教师特征包括四个方面，即知识特征、行为特征、态度特征和资源偏好特征。由于能力提升工程对于“教师应用能力培训”的关注和强调，信息技术与教育教学深度融合创新，教师的知识特征表现为由专业的学科知识（CK）、教学法知识（PK）、技术知识（TK）到最终形成整合技术的学科教学内容知识（TPACK）。因此，教师知识特征通过以下三个可观测、可评价、可追踪的数据进行收集。一是学科内容知识（CK）数据，判断教师对于自己执教学科专业领域知识学习的掌握程度，教师必须充分掌握学科内容本身，才有可能在实际教学中教会学生学科内容的基本知识和技能，以及拓展延伸的深刻内涵，从而达成教学目标，满足学习需要。而是教学法知识（PK），判断教师在教授学科内容时是否能有效地帮助学生系统地形成对相关原理、定律或概念的正确理解，并采用恰当的教学策略。三是技术内容知识（TK），判断教师在教学过程中选择并运用与当前所教学科内容相关的技术的掌握程度，其中包括对多媒体教学环境的类型与功能，加工制作和管理数字教育资源的工具与方法等陈述性知识的掌握情况;以及操作常用设备开展测验、练习、评价等程序性知识的掌握情况。行为特征是学习者在学习活动过程中通过外显的动作表现出来的，包括观看、下载、转发等外显活动以及分析、创造等高阶思维的内隐活动。从学习者的行为可以反映出资源偏好特征，即哪种资源更能满足教师在学习中的需要以及哪种资源更能促进教师的有效学习。态度特征是教师在自主的网络学习环境中表现出的主动或被动的情绪，以学习满意度和学习投入度两个可测的数据衡量。

四、基于xAPI的在线学习环境中精准师训画像构建

（一）基于xAPI的在线学习环境中精准师训画像的总体架构设计

本文将画像的构建分为五个部分，分别是数据保存、数据采集、数据分析、画像生成、模型推荐，从而构成了一个闭环、自适应的总体架构，如下页图3所示。当教师通过不同的终端访问了不同的网络学习资源平台，遵循xAPI规范的资源平台的采集模块就会产生统一格式的学习者记录数据并存储在LRS中，这是架构的第一步即数据保存。数据保存为信息数据的交换奠定了基础。客户端数据采集包括执行者（Actor）、动作（Verb）、对象（Object）三方面的数据，并进行xAPI语句格式的转换以“Statement”活动流的格式存储于各个子记录系统，此外，关于满意度、学习投入、使用意愿等态度特征数据通过脑电设备测试参培教师的心理行为进行采集。采集到的数据通过WatershedLRS进行分析。标签引擎将各类xAPI格式的数据进行建模，生成涵盖学习态度维度、行为偏好维度、资源偏好维度和知识掌握程度维度4个子模型的画像，建立彼此的联系，构成标签体系。最后基于协同过滤的推荐算法筛选合适的个性化培训学习推送策略，精准、有效支持在线学习环境中的教师培训活动。

以教师A为例描述其在网络学习社区或平台中参与培训学习的经历。教师A在自己的专业发展中认为自己对于整合技术的学科内容知识掌握不佳，于是在开放性的学习环境中进行学习，从他通过手机、便携式笔记本、台式电脑等终端登录到学习平台的那刻起，就开始追踪他的学习经历。他的学习记录库就会增加这样的记录：A在某时间某地点（需要打开GPS）登录到平台。然后，他对flash进行关键词搜索，记录：A搜索了关键词flash。呈现了搜索结果后，教师A选择了一门flash课件制作课程，于是点击该课程进入课程学习界面，则新的纪录会描述为：A点击某某课程主页。在课程学习过程中，教师A观看了讲课视频45分钟，提交了课程作业，在论坛中发表了自己的看法，下载了该课的课件等等。教师A认为这门课对于提高他的flash操作技能还不够，于是他又在平台上浏览了相关的书籍信息，下載了其它教师上传的制作好的资源。除此之外，他还想学习一下关于摄影摄像方面的课程，于是他对这类内容又进行了一系列搜索、点击、浏览、下载等，教师A所有的经历甚至包括完成时间、测试分数和错题都会被采集数据，储存到各个子学习记录系统中，然后进行分析，反馈给教师A一个参考模型，即他更喜欢视频类资源、更愿意在论坛与他人交流看法、他的技能操作方面知识匮乏并对此领域感兴趣，于是平台就会根据教师A的各项数据提出个性化的建议，并为其推荐感兴趣的、有针对性的相关资源和知识。

（二）基于xAPI的在线学习环境中精准师训画像的构建

1.基于xAPI的数据收集和分析

数据收集涉及收集数据的类型及方式，是进行下一步分析的基础。也是“Statement”作为描述跟踪学习体验的数据结构语句，必须要明确的内容。教师在在线学习环境中进行培训学习时，能利用便携式笔记本、手机、电脑等设备登陆获取在线学习平台的各类资源，以进行交互，是“4A”学习模式的体现，满足了教师异地、异步的学习需要，解决了集体学习中教学内容没有针对性、教学压力增大等问题，最大限度地满足了教师个人学习的需求。

xAPI标准要求语句具有“对象（Object）”属性，指与执行者进行交互的对象，在在线学习环境下的教师培训中，主要指教师需要操作的资源，本研究中的数字化资源对象有视频录像、帖子、图片、文档、论坛、课程、游戏等。在xAPI规范下，“动词（Verb）”属性是必不可少的，该模型中的行为特征用动词词汇表示，这些动词描述了参培教师对资源的行为属性，以了解二者之间的交互情况，比如“教师A观看视频半个小时”“教师B选择了某个答案选项”。根据学习经历活动流Statement定义的“结果（Result）”属性，用个体的知识特征来描述教师在一次登陆学习或者一段时间培训后的学习结果，从信息化社会要求现代教师具备TPACK知识和能力的角度，将参培教师在一个阶段的学习中知识特征分为学科内容知识（CK）、技术内容知识（TK）、教学法知识（PK），以期帮助教师最终形成整合技术的学科教学知识（TPACK）。“对象”规范化的定义能够帮助教师追踪自己发生的学习行为并进行量化，建立xAPI格式的学习记录数据。此外，研究中还定义了教师的态度特征，通过脑电设备对参培教师的心理行为特征进行测试，可获得其对于经历该培训学习持有的肯定的或否定的行为倾向，参培教师对于某节课培训的满意度和学习投入度，反映其处于主动还是被动的态度。

在线学习环境中，教师参与学习活动进行研修，在学习记录系統中会储存每一条Statement形式的学习经历记录，这些学习信息会被分解成元数据、描述性信息以及补充数据。以Java技术为例，通过在Java中Servlet层设置识别判断学习者行为或者活动的代码来选取xAPI所提供的动词库与活动库中的词语，可以生成Statement形式的学习经历语句。知识特征的活动流设计以“教师（Actor）+提交/得分（Verb）+Flash教学课件/信息化教学设计/测试题等（Object）”来实现。行为特征的活动流设计分为三个方面：一是“教师A（Actor）+观看（Verb）+Flash课件制作教学视频（Object）”“教师B（Actor）+下载（Verb）+电子白板组成知识学案（Object）”等课程学习行为;二是“教师A（Actor）+提交（Verb）+Flash课件制作课程单元测试题（Object）”“教师B（Actor）+上传（Verb）+个人学习报告（Object）”等总结反思行为;三是“教师A（Actor）+评论（Verb）+Flash课件制作课程论坛某帖子（Object）”“教师B（Actor）+转发（Verb）+教师C学习笔记（Object）”等交流互动行为。资源偏好特征的活动流设计以“教师（Actor）+分享/下载/点击/观看/转发（Verb）+视频类/图片类/文本类资源（Object）”等来实现。态度特征的活动流设计以“教师（Actor）+评论/参与/经历（Verb）+课程（Object）”来实现。xAPI活动流收集到的学习经历数据经Watershed LRS进行分析，最终呈现可视化数据。还可利用多元分析、聚类分析、预测分析等方法确定影响成绩的因素、分析学习迁移测试中聚类成员对参与者分数的影响程度以及对教师的认知水平进行信息预测等。

2.精准师训画像模型构建

（1）精准师训画像类型

a.精准师训个体画像

精准师训个体画像从教师学习个体的角度描述知识特征、行为特征、资源偏好特征和态度特征的属性。数据的标签化是画像建模的核心，标签通常是对教师多维度特征进行高度精炼的标识，从而进行描述和分类。将教师的姓名、年龄、学科、职位、职称等数据进行标识就属于事实类基本属性的标签。还有通过定义规则和关联数据才能生成的建模标签，如经xAPI标准规范的Statement活动流设计的数据：教师在在线学习活动中观看课程的时长和次数，在论坛讨论中与同行讨论的主题、频率以及课程学习的成绩分数等数据综合关联，从而形成全面立体的精准师训个体画像。根据个体师训画像，可以为教师挖掘在提高自身专业发展方面的特征、需求、行为和偏好等学习规律提供精准的个性化服务。

b.精准师训群体画像

教师在开放的学习环境中作为学习者的身份参与学习需要有最佳的教研资源和最适合的教研伙伴。通过对行为数据的人工神经网络算法分类、聚类算法可以建立不同特征的教师群。以知识特征、行为特征、资源偏好特征、态度特征为内聚类中心，依次计算每个内聚类中教师特征的相同或相似度，以进行归类，在最后的聚类步骤中，两个最相似的集群合并成一个集群，直到所有教师个体被分类到集群中，并且聚类中心保持不变。这是一个不断迭代的过程，随着教师个体的主观变化，以及其他教师的加入，师训群体画像也在动态得变化着，假设每个教师以唯一的ID标识，则群体教师聚类图如图4所示。师训群体画像将具有相同或相似的个体教师划归为同一个组群，帮助教师在教研中找到最佳的交流同伴，共享资源，共同进步，也使得教育管理者更加精确地掌握整体特征情况，制定教育决策。

（2）基于智能分析的精准师训画像建模

基于深度神经网络，提取学习者统计学、用户行为与上下文相关特征，输入神经网络进行建模，抽象出学习者的标签。建立标签是精准师训画像模型构建至关重要的一步。首先用户在注册、登陆学习平台的过程中会收集教师相关个人信息。通过对教师这类数据的统计分析，得到精准师训画像的事实标签。这类标签有年龄标签（25-35岁、35-45岁、45岁以上）、学科标签（语文、数学、英语等）、职位标签（校长、学科主任、教研员、任课教师等）、职称标签（中职、高职）等。这类标签的建立方便教育决策者和教师与画像进行对照，从而做出更加科学的决策促进教师自身认知与专业发展。其次，应用机器学习等智能分析技术，结合各种推荐算法，提取出可靠可用的教师知识特征、行为特征、资源偏好特征和态度特征，得到用户画像的模型标签。依据共性特征库和经xAPI标准规范的Statement活动流设计的学习经历数据，将学习者标签进行分层，使师训画像基本成型。需要注意的是，数据的收集并非单一地储存在某个地点，而是分布式地存在巨大的神经网络中。随着我们数据收集数量的增加，表示教师特征的维度也在增加，但是并不知道这些特征数据之间是如何相互关联的。神经网络具有学习丰富的分布式数据表示的能力，即通过概念来发现数据之间关联的能力。通过组合数据低层特征形成更加抽象的高层表示特征，从而找到对于数据的良好表达，促进整个数据提取建模过程逐层进行，逐步抽象。模型标签生成预测标签，对教师的隐性学习兴趣和需求以及教师对课程的满意度和学习投入度进行分析和预测。补充上一阶段预测的新标签进行模型迭代，实现对画像的完善和更新，从而得出精准师训下的教师画像。本研究构建的精准师训画像模型如图5所示。

3.基于精准师训画像提供个性化推荐服务

传统的教师培训需求分析不够细致，无法提供针对性的培训服务，导致培训效果不明显。在线学习环境中资源丰富、纷繁多杂，“网络迷航”同样也是教师在网络学习中遇到的瓶颈性问题，因此需要针对不同的参培教师提供不同的服务，高品质的教师精准学习的基本保障条件是有能够符合群体大多数教师需要为主的优质学习资源，并个性化地推荐给教师。精准师训画像的构建是提供个性化推荐服务的基石。通过创建丰富的教研培训活动，拓宽教师个性化教研的途径，并通过丰富的学习内容和先进的技术工具实时评价教师的教研进程和偏好。机器学习可以基于資源被点击、下载、观看、转发的频率或教师在网络学习虚拟社区和论坛中的语句表达，判定教师学习过程中对资源的情感取向。搜集对某资源具有正向情感的教师并结合其个人信息，为教师进行个性化推荐;协同过滤（Collaborative Filtering）推荐类型通过计算不同教师间的相似特征，把共同选择的知识项目推荐给多个有共同需要的教师。最终促进教师培训自组织、自适应，更加精准和智能。

五、结语

新时代的教研模式是线上线下相结合的混合式学习模式，教师在教研中扮演了“学习者/教师”的双重角色，有必要探讨在线学习环境中进行精准师训的组织形式和途径。本研究基于xAPI规范，支持在线学习环境中精准师训画像的构建，系统地探讨了基于xAPI的在线学习环境中精准师训画像构建的可行性、必要性、流程，以及通过建立标签进行精准师训画像建模的方法。以期在教育部能力提升工程2.0等相关政策的指导下，为教育相关决策者和利益者对卓越教师的培养提供新的解决思路。精准师训画像的应用和实践也是下一步研究工作的重点方向，并更加关注教师在学习过程中突发的情感体验。

作者简介：

黄建国：教授，在读博士，研究方向为智慧学习（71067566@qq.com）。

唐烨伟：讲师，博士后，研究方向为智慧学习环境（308793656@qq.com）。

范佳荣：硕士，研究方向为智慧学习环境（et_fanjiarong@163.com）。

钟绍春：教授，博士生导师，研究方向为智慧教育、数字化学习环境（sczhong@sina.com）。

责任编辑：李雅瑄