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

1.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：

2.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。
3.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。


技术实现要素：

4.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。
5.本发明的目的是通过以下技术措施实现的。
6.一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：
7.(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。
8.(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。
9.(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。
10.(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。
11.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：
12.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；
13.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；
14.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；
15.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；
16.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；
17.测评采集模块，用于采集参评教师的过程性数据变量；
18.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。
19.本发明的有益效果在于：
20.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
21.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。
22.图2是本发明实施例的中小学教师数字素养测评框架。
23.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。
24.图4是本发明实施例的确定智能测评模型的流程图。
25.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。
26.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。
27.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
28.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。
29.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：
30.(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。
31.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：
32.(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。
33.(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。
34.其中：
35.(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。
36.(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。
37.(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。
38.(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。
39.(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。
40.(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。
41.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：
42.(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。
43.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。
44.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。
45.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。
46.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。
47.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。
48.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。
49.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。
50.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。
51.(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：
52.(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
53.(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
54.(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
55.(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
56.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。
57.表1中小学教师数字素养子维度映射后的数据变量集
58.[0059][0060]
(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。
[0061]
(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。
[0062]
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。
[0063]
(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：
[0064]
(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。
[0065]
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
[0066][0067]
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。
[0068]
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。
[0069]
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。
[0070]
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。
[0071]
(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。
[0072]
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
[0073][0074]
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。
[0075]
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。
[0076]
(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：
[0077]
(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。
[0078]
(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。
[0079]
(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。
[0080]
(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。
[0081]
(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。
[0082]
(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，y
i,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。
[0083]
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
。
[0084]
(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
}。
[0085]
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。
[0086]
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
[0087][0088]
(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：
[0089]
(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。
[0090]
(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x
lm
。
[0091]
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。
[0092][0093]
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。
[0094]
(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：
[0095]
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。
[0096]
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。
[0097]
基于离差平方和的原则，组成的主、客观权重向量集
[0098]
中小学教师数字素养子维度最终权重如表4所示。
[0099]
表4中小学教师数字素养子维度最终权重
[0100][0101]
(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，w
l
为第l个一级维度的权重，w
lm
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。
[0102]
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。
[0103]
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：
[0104]
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；
[0105]
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；
[0106]
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；
[0107]
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；
[0108]
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；
[0109]
测评采集模块，用于采集参评教师的过程性数据变量；
[0110]
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。
[0111]
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。
[0112]
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。
[0113]
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。