基于预训练的教师信息化教学微能力自动识别研究

林梓柔 闫寒冰

[摘   要] 教师信息化教学能力是体现教育信息化深度融合成效的关键。为探索一种证据易获得、分析自动化、反馈可持续的测评手段，文章提出了基于预训练的教师信息化教学微能力自动识别方法。具体为，基于包含学情分析、教学设计、学法指导和学业评价4个维度的13项微能力，利用基于预训练的深度学习模型对16，371条信息化课堂评课反馈文本进行实验。递进式实验结果表明，相比传统深度学习模型，预训练模型普遍具有更高准确率，最高能提升16%。领域通用语料的预训练有效解决了教育领域自建数据匮乏的现实问题；在预训练模型中，ERNIE以86.43%的准确率取得了最优性能，混淆误差小。该方法能够基于评课文本自动化识别并可视化表征教师信息化教学微能力，提供常态化反馈支持。最后，文章阐述了其在教师教研、能力画像和发展决策中的应用场景，并提出后续研究方向。

[关键词] 信息化教学； 微能力； 听评课； 深度学习； 预训练

[中图分类号] G434            [文献标志码] A

[作者简介] 林梓柔（1996—），女，广东茂名人。博士研究生，主要从事智能教育、培训专业化、信息化教学教研研究。E-mail：Lzirou@126.com。

一、引   言

技术在推陈出新中不断与教育教学深度融合，教师信息化教学能力是体现教育信息化深度融合的关键。教育部在《关于实施全国中小学教师信息技术应用能力提升工程2.0的意见》[1]中对通过“整校推进”提升教师信息化教学能力提出期待和要求。在工程推进中，能力测评作为反促教师信息化教学能力的手段，受到研究者的关注。2021年，教育部教师工作司发布《全国中小学教师信息技术应用能力提升工程2.0校本应用考核指南》[2]，将“教师信息化教学能力测评”作为重点内容。其依据微认证思路，将不同教学环境下的信息化教学能力解构为多项微能力，指明了能力本位、证据支持、精准测评的逻辑和取向，采用基于过程考核和成果考核的证据驱动测评方法。然而，在大规模信息化教学能力提升项目中，对全体教师进行教学研培证据收集、分析与认证是一项长周期、高难度、高成本的工程。在教育数字化转型浪潮下，大数据与人工智能不断驱动教育测评范式变革。能否在遵循测评内涵基础上，探索一种证据易获得、分析自动化、反馈可持续的信息化教学微能力识别方法是值得关注的问题。因此，本研究立足教师信息化教学微能力，采集信息化课堂评课文本，利用深度学习实现微能力自动识别，为课堂改进、教师教研、校本考核提供支撑。

二、相关研究

（一）教师信息化教学微能力

信息化教学微能力是对信息化教学能力的细粒度解构。尽管在不同视域下，研究者对信息化教学能力的内涵界定不尽相同，但指向一个共识：信息化教学能力立足课堂真实情境，关注教师如何应用信息技术支持教学活动设计、实施与评价，以促进教师的“教”与学生的“学”[3]。对信息化教学能力内涵解构的要素或维度是微能力自动识别的理论支撑。面向中小学教师，骆舒寒等从国培成效视角将教师信息化教学能力划分为信息化教学知识、信息化教学技能、信息化教学能力和信息化教学教育观念[4]；孙妍妍等则在“停课不停学”期间从教学效果、反思与计划和信息技术能力角度开展大规模调研[5]；闫寒冰等從关注差异的角度评价信息化课堂中的教学设计、教学实施、教学效果、教师素质等[6]。可以发现，基于问卷调研进行主观视角测评能够灵活调整以适应各类情境，但具有粒度粗、主观性强等不足。面向“改进结果评价、强化过程评价”的评价理念，教师信息化教学能力测评有必要更加聚焦课堂情境、关注微能力点，立足客观证据。因此，《全国中小学教师信息技术应用能力提升工程2.0校本应用考核指南》提供了指导，所附的《中小学教师信息化教学能力测评指南》（简称《测评指南》）提出教师利用信息技术进行学情分析、教学设计、学法指导和学业评价所需的30项微能力，分别适于多媒体教学环境、混合学习环境、智慧学习环境。已有研究明确了信息化教学微能力识别的必要性，政策指南则为信息化教学微能力自动识别提供了理论依据。

（二）聚焦课堂情境的评课反馈文本

《测评指南》提出，过程考核关注教师个人信息化教学能力提升计划、课程学习记录，以及校本研修与实践应用情况，成果考核关注教师与本校信息化环境相适应的信息化教学应用成果。这对能力提升工程成效检验非常重要，但长周期、多样态的证据链不利于教师在常态化教学中获得即时动态的反馈。随着听评课应用普及，依托信息化课堂实录进行在线听评课成为中小学教师在线教研的有效手段[7]。基于移动听评课，任何教师可在课堂实录的任意时间戳发布评课反馈，为任课教师提供实时细微的点评和建议。这些反馈文本映射了任课教师在信息化教学设计、实施和评价过程中的表现[8]，为聚焦课堂情境的教师信息化教学微能力自动识别提供了可能。同时，利用文本模态的同伴反馈进行能力识别和分析是便捷可行的。Rico-Juan等利用机器学习检测同伴评估分数和反馈文本的一致性，证明了反馈文本的语义特征能够预测同伴任务水平[9]。此外，汪维富等构建了教师评课反馈分析模型，可依据文本内容判断评课反馈倾向和类型[10]，印证了反馈文本分析对听评课成效诊断的支持，以及反馈文本识别自动化的必要性。总之，利用评课反馈文本进行教师信息化教学微能力识别具有以下优点：一是情境化。评课文本覆盖课堂全程，反映教师在各个环节的能力，是教师信息化教学能力在课堂情境的集中体现。二是精准性。由于评课文本短小精悍，少了篇章文档的前后文语境，因此一条评课文本通常仅描述一个问题，符合精准表征某项微能力的细粒度需求。三是客观性。不同于主观报告，评课文本是同伴教师对任课教师课堂教学客观、真实的反馈。

（三）基于预训练的深度学习文本分类方法

文本识别与分类是人工智能领域的研究热点。国内外学者对文本分类问题开展了诸多研究，算法实现主要有机器学习和深度学习。机器学习算法包括朴素贝叶斯、逻辑回归和支持向量机等[11]。但基于机器学习的文本分类忽略词间和句间的关系，对高维数据的处理能力较差。自深度学习[12]被提出后，成了自然语言处理的主流选择，卷积神经网络（CNN）、深度金字塔卷积神经网络（DPCNN）、循环神经网络（RNN）、循环卷积神经网络（RCNN）等模型在文本分类中取得更出色的效果[13]，同时也被引入教育领域进行应用[14-15]。深度学习模型解决文本分类问题的一般流程为：将数据集进行预处理和文本表征后输入模型，通过迭代训练实现学习并分类。数据数量和质量对模型的性能有直接影响，而教育领域特定主题的文本数量不够庞大，传统深度学习模型难以引入外部数据支持以优化训练样本。为提升小样本问题的分类准确性，基于预训练的深度学习模型在文本分类中受到关注，常见模型有BERT、XLNET和 ERNIE等。其逻辑是先利用领域通用语料库的大数据集进行训练，在不需要人工标注的情况下模型自主学习并获得较优参数，在此基础上再根据特定任务微调模型，实现更好的分类性能[16]。因此，本研究在信息化教学微能力自动识别任务中创新引入基于预训练的深度学习模型。

三、研究设计

（一）教师信息化教学微能力框架

前期研究结果发现，当前我国60%～80%的中小学仍基于多媒体教学环境开展信息化教学[3]。因此，本研究从《测评指南》提取面向多媒体教学环境的微能力框架，信息化教学能力包括学情分析、教学设计、学法指导和学业评价4个维度，同时解构为技术支持的学情分析、教学资源设计、学习过程设计、学习活动设计、技术支持的课堂导入、技术支持的课堂讲授、技术支持的总结与提升、技术支持的方法指导、技术支持的小组学习、技术支持的展示交流、评价量规设计与应用、评价数据的伴随性采集、数据可视化呈现与解读共13个微能力点，每个微能力点提供了对应的评课文本示例，具体见表1。

（二）数据来源

实验数据由两部分组成：其一是用于预训练的教育通用语料库，使用“清华大学自然语言处理与社会人文计算实验室”提供的THUCNews数据集中的教育类子集，包含41，936篇文档。其二是自建数据集，来源于某移动听评课系统，该系统可支持教师直播课堂教学或回传课堂实录，評课教师可使用移动设备通过弹幕实时发布数量不限的评课文本。本研究采集了“能力提升工程2.0”项目部分单位的评课文本并进行脱敏处理，数据来源方对数据的研究用途已知情。

（三）实验过程

基于预训练的教师信息化教学微能力识别任务包括数据采集与清洗、语料标注、文本预处理、模型预训练、模型调优与验证等步骤，实验流程如图1所示。

1. 数据采集与清洗

本研究从移动听评课系统共采集到18，247条评课文本。为保证数据质量，将所采集的文本进行汇总后，按以下规则进行清洗：（1）删除空值；（2）剔除重复的、复制转发的、与课堂教学无关的内容；（3）校正分句、短句和拼写错误。最终得到16，371条评课文本。

2. 语料标注

两名研究助理对清洗后的评课文本进行语料标注。首先，研究者制定了“语料标注指南”，详细介绍13项微能力的内涵与标准，并提供语料标注示例（见表1）。其次，两名研究助理背对背共同标注1000条语料，统计两者的标注结果。Kappa系数为0.87（0.81～1表示几乎完全一致），说明研究助理对语料标注要求已达成高度共识，标注结果具有可靠性。最后，研究助理分工完成剩余语料标注工作，对标注结果按5%的比例进行质量抽查，准确率皆达到95%以上。

3. 文本预处理

首先去除评课文本的空格和表情符号，接着使用LAC（Lexical Analysis of Chinese）工具进行文本分词，再使用哈工大中文停用词表以优化分词结果，最后去除分词中的低频词，低频词阈值为3。至此，用于微能力识别实验的数据集就绪。

4. 模型预训练

本研究选取BERT和ERNIE作为预训练模型，以验证它们在微能力识别任务中的效果。

（1）BERT模型。BERT（Bidirectional Encoder Representation from Transformers）是谷歌发布的基于Transformer的预训练模型[17]。BERT引入两个无监督的学习任务进行预训练：第一是预测句子词语，对部分词语随机遮挡或替换，模型根据上下文信息预测该词语。第二是预测下一个句子，模型从原句的下一个句子和随机句子中进行学习。BERT在文本分类、问答推理等任务中表现优异，适用于段落和句子级别的自然语言处理任务。由于原始BERT使用了以字为粒度切割的中文语料，并未考虑中文分词，本研究选取基于全词掩码技术的BERT-wwm作为预训练模型，使用THUCNews语料对 BERT-wwm进行预训练。

（2）ERNIE模型。ERNIE（Enhanced Language Representation with Informative Entities）是百度在BERT基础上提出的一种知识增强语义表示模型[18]。不同于BERT学习原始语言特征，ERNIE直接对先验语义知识单元进行建模，增强了模型语义表示能力。在模型表现上，ERNIE在中英两类语料测试中皆大幅度超越了BERT。ERNIE 3.0 使用包含纯文本和知识图谱的4TB语料库进行预训练，因此，本研究选取ERNIE 3.0作为预训练模型。为了确保实验有效性，本研究同样使用THUCNews语料对ERNIE 3.0进行预训练。

5. 模型调优与验证

模型调优上，微调过程选择了较小的学习率，使预训练模型学习过程更加稳定，从而得到较好的可行解。由于BERT等模型为适应大规模样本预训练，使用了省略偏移修正的Adam权重衰减方法作为优化器，当其用在样本较少的下游任务中会出现训练不稳定的问题，因此本实验使用增加偏移修正的Adam权重衰减方法进行优化。模型验证上，使用准确率（Accuracy）、精准率（Precision）、召回率（Recall）和F1 Score作为评价指标。

四、研究结果

（一）数据集描述

本研究将16，371条评课文本按照6：2：2进行训练集、验证集和测试集划分，最终得到训练集9818条，验证集3273条和测试集3280条，见表2。

（二）对比实验设置

由于缺乏评课文本公开数据集和已有实验，本研究利用自建数据集开展实验，无法与基于同类数据集的已有识别任务进行效果比对，因此采用两阶段的递进式实验开展研究。第一阶段，构建传统深度学习模型对比实验，使用的模型包括CNN、DPCNN、RNN和RCNN，以分析这些模型在微能力识别上的性能表现；第二阶段，构建基于预训练的深度学习模型对比实验，使用的模型包括BERT、BERT-CNN、BERT-DPCNN、BERT-RNN、BERT-RCNN和ERNIE，评价与检验预训练模型是否优于传统深度学习模型，同时选出性能最优的模型，回答研究问题。

（三）模型参数设置

第一阶段实验各模型参数如下：词向量的embedding维度为300，使用Xavier初始化模型参数，训练数据集的批大小为128。其中，CNN的卷积核数量设置为256，RNN的hidden size设置为128。第二阶段实验各模型参数如下：训练数据集的批大小为128。本实验选取10次实验结果的平均值作为该模型的最终性能表现。

（四）实验结果分析

1. 微能力识别模型效果分析

本研究构建的微能力识别任务性能结果见表3。递进式对比实验表明，基于预训练的深度学习模型比传统深度学习模型的分类效果更好，这得益于预训练模型可以额外引进更多外部知识进行学习和训练，从而具备优秀的语义表征和推理能力。

在传统深度学习模型中，不同模型对微能力的识别效果有一定差异。其中 RCNN在微能力識别中效果最优，比其他传统的深度学习模型的性能高5%左右。该模型利用双向循环结构较好地捕获了上下文信息，并使用最大池化层提取文本的重要特征。实验结果证明，RCNN可以很好地结合RNN和CNN的优点，并克服两者局限。RNN比CNN和DPCNN分类性能更优，这是因为相比于CNN，RNN更有利于对文本进行序列建模，具有长文本记忆功能。DPCNN比CNN分类效果更好，这是因为DPCNN可以通过不断加深网络，从而抽取更长距离的文本依赖关系，提高词语embedding的丰富性。

在基于预训练的深度学习模型中，ERNIE在微能力识别中效果最优，取得86.43%的准确率。因为ERNIE不仅从海量数据中学习语句结构和语义，而且还从大规模知识图谱中进行学习，大幅提升了模型的语言推理能力。BERT-CNN和BERT-RNN都把BERT作为文本表征输入，在实验中BERT性能要比BERT-CNN和BERT-RNN分类性能更优，这可能是因为在下游模型由于自身结构的局限性无法对BERT模型海量的语义信息进行有效提取，导致性能变差。BERT-RCNN比BERT性能更优，结合第一阶段实验结果，说明RCNN可以很好地抽取BERT的重要语义特征，从而获得更好的识别效果。

2. 微能力识别任务误差分析

图2   基于ERNIE的教师信息化教学微能力识别混淆矩阵

为分析各项微能力预测准确率，本研究使用混淆矩阵（Confusion Matrix）进行表征。将分类精度表示在一个矩阵中，每列表示预测标签，每行表示真实标签，可直观呈现和比较模型的分类精度和结果误差。图2呈现了最优预训练模型ERNIE的混淆矩阵。在矩阵对角线中，矩阵数值为A1-A13的预测准确率，矩阵颜色深浅表示该类别的预测准确程度；矩阵对角线外的区域为该微能力的混淆误差值和混淆程度。可以看出，基于ERNIE进行微能力分类识别，13个微能力的预测准确率都达到0.6以上，混淆类别少，预测精度高。

分析A1、A3这两个准确率低于0.7的类别：其一，A1“技术支持的学情分析”准确率为0.6，与之混淆较多的类别为A3“学习过程设计”，这因为学情分析结果通常影响教师对学习过程的设计。例如，评课文本“这堂课每个环节之间的过渡较快，这样的节奏没有考虑到是否所有学生都跟得上”。这表明了教师在设计这堂课的学习过程时没有全面考虑学生的知识基础是否跟得上，其本质原因是没有借助工具或数据做好充分的“学情分析”，而主观地认定学生符合自己的设计想象。因此，人工归因为A1，但模型从A3的数据集学习到相似的内容而出现误判。其二，A3和A6也易于混淆，20%的“学习过程设计”被错误预测为“技术支持的课堂讲授”。由于在多媒体教学环境下，课堂讲授与互动作为主要的课堂形态，是学习过程设计的重要环节，因此模型容易混淆评课教师是更加关注授课教师的课堂讲授表现还是归因其学习过程设计的准备程度。总体而言，由于信息化教学微能力多达13个，导致识别任务难度较大。相较于教育领域普遍在4至6维的分类任务，ERNIE在多维度微能力识别中仍取得了较高的预测准确率，达到了每个微能力的准确率0.6以上的效果，存在极个别子类误差是可接受的。混淆矩阵结果表明，当理论框架本身的类别区分难度较大时，深度学习模型需要获取和学习更多同类数据，才能继续提高识别任务的准确率。

3. 微能力识别的可视化表征

依托基于预训练的ERNIE模型，可以对信息化教学课堂进行微能力自动化识别和可视化表征。本研究选取上海市某中学周老师的一堂课作为案例，课程为沪教版初中化学九年级上册2.1《认识空气大家族》，该课依托移动听评课平台进行直播，获得65条其他评课教师的反馈文本。利用ERNIE模型进行微能力识别预测并提取关键词，识别结果覆盖了9个微能力点，可视化结果如图3所示。分析发现，这是一堂实验操作课，实验动画资源（A2）、实操展示活动（A4）和教师对实验的讲解（A6）等是这堂课的重点，因此评课教师对这些部分给予了更多关注和反馈。此外，教师还对实验演示过程中的失误和误差转换成巧妙的学生讨论活动（A8），启发学生思考。值得一提的是，这堂课没有完整覆盖13个微能力点。这是由于每堂课因教学目标、内容和方法不同，课堂呈现各有侧重，评课教师只能立足课堂特点进行肯定、点评和建议等反馈，未必都覆盖13个微能力点。随着教师累积的课堂数据不断增多，则能够获得完整的个体信息化教学微能力画像。与此同时，若基于大量课堂数据仍无法全覆盖13个微能力点，这也反映出教师的能力短板。

图3   基于《认识空气大家族》的教师信息化

教学微能力可视化表征

五、结   语

本研究提出了一种利用评课文本自动化识别和可视化表征教师微能力的方法，基于预训练的ERNIE模型取得最佳实验效果，准确率达到86.43%，优于一般的深度学习模型。这证明了预训练模型能够引入外部数据进行自主学习，这一优势恰好弥补了教育领域自建数据数量有限的不足。在能力测评方面，与大规模调研相比，该方法更加客观便利，盘活教师教研过程生成的海量反馈文本资源，从他者视角分析教师在真实课堂中的信息化教学能力；与微认证相比，该方法更加常态高效，数据来源于教师日常教学，支持面向教师的常态化自动反馈，用较小成本丰富了教师成长的证据。需说明的是，教师信息化教学微能力自动识别是常态化反馈的支持手段，提供了强化过程和改进结果的教师专业发展证据视角，并非全盘否定大规模调研和微认证测评，对于“能力提升工程”等大规模、终结性评价需求而言，仍有必要采集教师的综合性成长证据链进行能力认证。

将模型嵌入听评课系统，可应用于以下教育场景：其一，生成评课标签集，支持教学改进。评课文本被自动识别至13个微能力点，任课教师依此了解一堂课的高频关注点，针对性复盘、采纳建议和调整教学计划。其二，辅助个体教师的信息化教学微能力画像。随着听评课常态化开展，丰富的评课反馈能够描摹出教师的信息化教学特征、偏好和不足，使个体画像更加丰满，为能力提升工程成效评估提供佐证。其三，形成群体教师的信息化教学微能力图谱，体现学校信息化成效。信息化管理者和决策者能够了解和评估学校各学段、各学科的信息化教学样态，通过校本应用考核找准薄弱处并提供专业发展支持。同时，后续研究将不断深耕以下方向：在微能力识别方面，利用基于预训练的深度学习进一步实现混合学习环境和智慧学习环境下的微能力识别研究。此外，可基于更大数据体量和更多数据模态实现微能力的诊断、测评与预测，减轻人力资源负担。在方法应用方面，未来可将基于预训练的深度学习迁移至教育领域的其他小样本、多分类任务场景，能够有效提升任务效果，使教育领域的自然语言处理更细粒度、精准化和高效化。

[参考文献]

[1] 教育部.关于实施全国中小学教师信息技术应用能力提升工程2.0的意见[EB/OL].（2019-04-02）[2022-07-15].http：//www.moe.gov.cn/srcsite/A10/s7034/201904/t20190402_376493.html.

[2] 教育部教师工作司.关于印发《全国中小学教师信息技术应用能力提升工程2.0校本应用考核指南》的通知[EB/OL].（2021-08-15）[2022-07-15].https：//www.edu.cn/xxh/focus/zc/202109/t20210910_2153759.shtml.

[3] 魏非，宫玲玲，章玉霞，祝智庭.基于微能力的教师信息化教学能力测评模型[J].现代远程教育研究，2021，33（6）：94-102.

[4] 骆舒寒，林世员，冯晓英，王冬冬，马小强.教师培训助力教师信息化教学能力提升——基于培训成效的年度比较研究[J].中国电化教育，2021（6）：128-134.

[5] 孙妍妍，吴雪琦，王超，顾小清.中小学教师信息化教学能力调研[J].开放教育研究，2021，27（1）：84-93.

[6] 闫寒冰，林梓柔，汤猛.关注差异的信息化教学课堂评价指標设计与应用[J].电化教育研究，2022，43（8）：92-100.

[7] 陈玲，杨丹，黄馨然.移动听评课是否促进教师平等交流和深度协同——一项基于移动听评课工具的实证研究[J].中国电化教育，2018（6）：107-114.

[8] KLEINKNECHT M， GR？魻SCHNER A. Fostering preservice teachers' noticing with structured video feedback： results of an online-and video-based intervention study[J]. Teaching and teacher education， 2016， 59： 45-56.

[9] RICO-JUAN J R， GALLEGO A J， CALVO-ZARAGOZA J. Automatic detection of inconsistencies between numerical scores and textual feedback in peer-assessment processes with machine learning[J]. Computers & education， 2019， 140： 103609.

[10] 汪維富，毛美娟，闫寒冰.精准教研视域下的教师评课反馈分析模型研究[J].电化教育研究，2022，43（1）：122-128.

[11] KADHIM A I. Survey on supervised machine learning techniques for automatic text classification[J]. Artificial intelligence review， 2019， 52（1）： 273-292.

[12] HINTON G E， SALAKHUTDINOV R R. Reducing the dimensionality of data with neural networks[J]. Science， 2006， 313（5786）： 504-507.

[13] MINAEE S， KALCHBRENNER N， CAMBRIA E， et al. Deep learning based text classification： a comprehensive review[J]. ACM computing surveys （CSUR）， 2021， 54（3）： 1-40.

[14] 王保华，熊余，姚玉，储雯，吕翊.基于深度学习的学生教学评价情感分析[J].电化教育研究，2021，42（4）：101-107.

[15] 马玉慧，夏雪莹，张文慧.基于深度学习的教师课堂提问分析方法研究[J].电化教育研究，2021，42（9）：108-114.

[16] LIU P， YUAN W， FU J， et al. Pre-train， prompt， and predict： a systematic survey of prompting methods in natural language processing[J]. arXiv preprint arXiv：2107.13586， 2021.

[17] VASWANI A， SHAZEER N， PARMAR N， et al. Attention is all you need[C]//Proceedings of the 31st Annual Conference on Neural Information Processing Systems. IL： Long Beach， 2017.

[18] SUN Y， WANG S， LI Y， et al. Ernie： enhanced representation through knowledge integration[J]. arXiv preprint arXiv：1904.09223， 2019.

Research on Automatic Identification of Teachers' Micro-competence in Informatization Teaching Based on Pre-training

LIN Zirou1，  YAN Hanbing2

（1.Department of Education Information Technology， East China Normal University， Shanghai 200062;

2.School of teacher development， East China Normal University， Shanghai 200062）

[Abstract] Teachers' informatization teaching ability is the key to reflect the effectiveness of deep integration of education informatization. In order to explore an assessment method with easy access to evidence， automatic analysis and sustainable feedback， this paper proposes an automatic identification method of teachers' micro-competence in informatization teaching based on pre-training. Specifically， based on 13 micro-competence including four dimensions of learning situation analysis， instructional design， learning method guidance and academic evaluation， a deep learning model based on pre-training is used to conduct an experiment on 16，371 feedback texts of informatization classroom. The progressive experimental results show that compared to traditional deep learning models， the pre-training model generally has higher accuracy， with a maximum improvement of 16%. The pre-training of domain-general corpus effectively solves the problem of lack of self-constructed data in education. In the pre-training model， ERNIE achieves the optimal performance with 86.43% accuracy and small confusion deviation. This method can automatically identify and visually represent teachers' micro-competence of informatization teaching based on the evaluation text， and provide regular feedback support. Finally， this paper expounds its application scenarios in teacher teaching and research， competency portrait and development decision-making， and puts forward future research directions.

[Keywords] Informatization Teaching; Micro-competence; Visiting and Evaluating Class Observation; Deep Learning; Pre-training