基于畫像技術的教師研修路徑智能推薦研究

胡小勇 孫碩 穆肅

[摘? ?要] 教師是教育的第一資源，研修是促進教師專業發展的重要方式。在大數據、數字畫像等新技術賦能下，優化教師研修路徑以提升教師發展質量變得尤為重要。文章構建了多模態數據和畫像技術支持的教師研修路徑智能推薦模型，包括數據伴隨式采集分類與預處理、教師畫像生成、研修路徑算法三個模塊，實現教師研修特征與優質研修資源的智能匹配。在教師研修路徑動態優化方面，模型通過提供基于畫像的個性化導研服務、基于知識圖譜的資源關聯推薦、基于群體智能的群體路徑發現、基于目標導向的過程評價和基于研修行為的智能預警，滿足教師的個性化研修需求，為發掘研修數據潛能、促進教師智能研修模式創新提供參考。

[關鍵詞] 教師畫像； 教師專業發展； 多模態數據； 個性化研修； 智能推薦

[中圖分類號] G434? ? ? ? ? ? [文獻標志碼] A

[作者簡介] 胡小勇（1978—），男，江西奉新人。教授，博士，主要從事教育信息化理論與政策、信息化教學教研創新、智能教育理論與應用等研究。E-mail：huxiaoy@scnu.edu.cn。

一、引? ?言

研修，一直被視為教師終身學習和專業成長的重要方式[1]。2021年，教育部《關于實施第二批人工智能助推教師隊伍建設行動試點工作的通知》強調，要建設和應用教師大數據，形成教師畫像，開展教師智能研修[2]。大數據能夠挖掘教師在多場景中的多模態數據，如在線平臺自動記錄的文本交互數據[3]、課堂教學中伴隨式采集的師生行為數據[4]、可穿戴設備獲取的生理數據[5]等。而畫像（Portrait）技術作為一種重要的大數據應用，能夠以數據標簽形式精準描摹教師的特征、需求、行為和偏好等規律。如何用好畫像技術，將教師個性化標簽與優質資源相匹配，為其推薦合理的智能研修路徑，成為構建智能研修服務體系、優化研修質量的關鍵問題。然而，因缺乏合理的數據框架、全息畫像模型和適切算法的支持，教師智能研修面臨難以有效落地的窘境。對此，本研究結合多模態數據采集和畫像技術，構建教師個性化研修路徑的智能推薦模型，以期為教師發展提供支持。

二、研究綜述

（一）畫像技術有效服務教師的個性化研修

刻畫用戶畫像最早由Cooper[6]提出，是實現資源推薦服務的重要方法。研究者將畫像技術遷移到教師群體，催生了教師畫像的概念[7]，從畫像構成要素、分析技術和可視化等方面進行了探究。在畫像構成要素方面，教師研修情況主要基于基本信息、行為特征和研修成果等進行描摹。胡小勇和林梓柔指出，畫像作為教師個體標簽體系的集合，結合教研場景可分為基本特征、教研心理、社會交互、教研行為和教研成果五類標簽[8]。王冬冬等則深入挖掘學員的行為特征，采用主成分分析法構建了網絡研修社區環境下的教師模型，為教師評價提供了理論參考[9]。在分析技術方面，回歸分析、聚類分析和預測分析等方法有助于深度挖掘數據，實現對教師特征的精準描述。例如：薛楊等使用K-means算法進行聚類分析，通過畫像技術實現了教師問題的精準診斷，提升了研修服務的針對性和有效性[10]。朱靖等結合基于規則的預測和基于決策樹的預測兩種方式，為教師發展預測提供了依據[11]。在可視化分析方面，研修數據背后隱藏的個體特征與行為規律，可通過基于文本[12]、表格、統計圖形[13]、詞云（標簽云）[14]或融合的表示方法進行展示，為資源的個性化推送提供可視化依據。

（二）多模態數據有助于全面精準描繪教師畫像

利用聲音、視頻、表情、生理等多模態[15]研修數據構建教師畫像，能夠超越單一模態數據局限，解決過程信息不全[16]、數據殘缺[17]等問題，立體化挖掘復雜多維的過程數據[18]，既能全面真實地反映研修情況，又能降低教師學習行為的預測錯誤率[19]。描繪教師畫像的核心數據可以分為四類：（1）個人背景類，主要是從人事系統或研修平臺管理系統獲取的教齡、學科、教育背景等數據；（2）自我報告類，即通過量表、問卷、訪談等形式獲取的數據，如認知風格、學習偏好和研修動機等；（3）研修行為類，來自教師發展系統或平臺的學習、交互行為記錄，以及個體研修時外接感應器所捕捉的眼動、面部數據等；（4）生理體征類，是指通過可穿戴設備得到的腦電、皮電、心電等生理信號，能更加客觀地反映教師的學習狀態[20]。不同信息形態的數據流相互補充，描繪教師畫像的不同方面，在動態、精準、真實、全面反映教師研修中發揮巨大潛能[21]。如何獲取和合理利用多模態數據構建完整的教師畫像，為研修個體提供高質量服務，已經成為當前相關領域亟待解決的現實問題。

（三）智能算法支持個性化研修路徑推薦

個性化研修路徑是教師在研修過程中根據自身學習偏好、認知風格、能力素養水平、學習需求和環境因素所選擇的學習活動路線和知識序列[22-23]。研修路徑推薦能夠助力教師研修的動態服務和優化，這一過程的實現需要借助多元的智能型算法。當前，研修路徑推薦算法主要包括基于內容、知識、會話的推薦算法以及協同過濾和混合推薦五種（見表1）。（1）基于內容的推薦，通過比較教師偏好與內容屬性特征，為教師提供最適配的研修資源。例如，Raj等通過人工定義若干規則，將學習內容特征與學習者風格模型關聯起來，計算資源與學習者的相關性分數，用于排序推薦資源[24]。（2）基于知識的推薦，將研修知識和資源相匹配，根據教師在相關學科領域中的知識偏好提供優質研修內容。例如，Shi等構建了以學習目標為導向、包括六種語義關系的跨學習領域知識圖譜，結合學習者學習目標和資源特征實現學習路徑推薦[25]。（3）基于會話的推薦，即捕獲教師狀態變化的算法，主要用于推薦模型的訓練。例如，朱天宇等提出了能夠預測學習者知識掌握狀態的個性化練習題推薦方法，該方法根據學生的答題會話記錄形成認知診斷模型，表示知識掌握狀態，預測答題情況，并據此推薦練習題[26]。（4）協同過濾是推薦系統中的經典算法，從歷史行為數據中挖掘用戶偏好。在研修中，教師作為學習者，可以通過協同過濾算法分析學習偏好，完成教師群組劃分和相似推送。例如，申云鳳利用學習者的學習行為日志數據進行建模，采用協同過濾算法為目標學習者選擇和提供學習風格、認知水平相似的同伴[23]。（5）混合推薦，將多種算法相結合，緩解單一算法可能導致的矩陣稀疏、冷啟動等問題，以提高研修路徑推薦的準確度。例如，Ibrahim等結合基于內容的協同過濾推薦算法，構建了基于本體混合的推薦系統框架，通過個性化課程推薦滿足用戶多元學習需求[27]。

三、基于畫像技術的研修路徑智能推薦模型

邏輯框架

以畫像技術和多模態數據為基礎，本研究構建了教師研修路徑智能推薦模型，通過智能算法關聯教師關鍵特征和優質資源，形成最佳路徑（如圖1所示）。模型包含三個模塊，前一模塊的輸出是后一模塊的輸入。多模態數據采集、分類與預處理模塊負責對研修相關數據進行感知、挖掘、轉換以及分類，并存儲在統一的數據池中；教師畫像生成模塊能夠對預處理后的研修數據進行分類標記，生成事實標簽、模型標簽和預測標簽，分析個體研修特征并將其可視化呈現；研修路徑推薦算法模塊融合多種智能算法為教師精準匹配適切的優質學習內容和工具，以實現個性化推送。

（一）多模態研修數據采集、分類與預處理

1. 多模態研修數據采集

多模態數據是構建教師畫像的基礎，其采集手段包括平臺采集、視聽錄制、圖像識別、智能感知等。平臺采集支持獲取個體在線學習或交互時的研修行為數據，使用平臺自動記錄技術、日志搜索分析技術和網絡爬蟲采集技術等，抓取網絡研修平臺公開數據和用戶日志。視聽錄制支持獲取教師線下課堂教學中的音頻、視頻數據，在教師現場授課的同時，使用自動錄播技術記錄課堂教學和交互實況錄像。圖像識別支持檢測研修過程中的圖像類數據，從非結構化內容中分析和反映研修效果。例如，數碼筆借助高速攝像頭和光學點陣技術，不僅能將紙張上書寫的文字或圖片以數據的形式存儲，還可精準捕捉筆尖的運動軌跡、速度與受壓變化，感知教師的筆跡信息。智能感知通過可穿戴技術、非接觸式感知技術等采集教師研修行為和相關生理數據，如佩戴眼動儀能夠精準追蹤眼睛的視點軌跡、注視的時間與次數，甚至是瞳孔變化。

2. 多模態研修數據分類

數據分類可以更好地挖掘數據存在的價值，增強模型的有效性。根據教師畫像生成與研修特征的相關性，多模態研修數據劃分為核心數據、拓展數據和外延數據三類。核心數據是指直接從研修平臺獲取的教師相關數據，包括：（1）教師特征，包含年齡、工作經歷等結構性背景數據；（2）研修心理，即通過各種自我報告形式獲取的數據，主觀反映教師心理狀態和認知風格，是比較傳統的學習狀態數據來源；（3）交流互動，教師在研修時開展的討論、互評等交互數據；（4）自主學習，包含在線平臺記錄的日志信息，以及通過智能分析系統轉換生成的線下行為數據和生理信號；（5）伴隨產出的研修成果類數據，如教學設計和科研論文等。拓展數據主要指與研修相關的教學活動數據（如課堂中教師言語和非言語行為、多媒體教學內容、師生互動等），在完整采集核心數據的前提下，這類數據能夠輔助判斷教師的研修需求。外延數據包括學生學情數據、學校公開的教育數據以及區域教育部門的教育大數據等?？傮w來看，各層級數據相互聯結、融通，對多場景、全時序的多模態研修數據進行分類，實現信息的多源互補。

3. 數據預處理

由于前期獲取的數據結構性質不同、質量參差不齊，有必要進行數據預處理，以便后續教師研修特征的提取。數據預處理包括數據清理、數據集成、數據歸約和數據變換等步驟。數據清理主要包括移除異常值、替換缺失值、光滑噪聲數據、平滑或刪除離群點等數據操作[28]，用于清理異常和重復數據，糾正錯誤數據。數據集成是為保證教師畫像后續構建的準確性和易操作性，需要把所有類別的數據集合為一體，通過教師數據庫管理系統，合并、處理和管理多源異構的數據。例如，某位教師可能有N條研修成績記錄，因此，有必要將這N條成績進行加權平均運算進行合并。數據歸約是在保留數據完整性的基礎上，對上一步形成的龐大研修數據集進行壓縮，以提高數據挖掘效率。數據變換是為了盡可能篩選更多具備實用價值的數據，對不同類型、格式的數據進行規范化、離散化和稀疏化處理，使其統一變換成適合畫像技術的格式。

（二）基于多模態數據的畫像生成

1. 特征標簽提取

特征標簽提取是構建教師畫像最為重要的環節，標簽是規范程度較高且具有語義的短文本，既能直接被人理解，也方便計算機提取、聚類[29]?；谘行藓诵臄祿?，教師畫像可以分為五類（見表2）：教師特征、研修心理、交流互動、自主發展、研修成果。不同數據需要分別通過統計分析、建模分析、模型預測等方法生成事實標簽、模型標簽、預測標簽。事實標簽是采用文本挖掘、自然語言處理等統計算法對原始數據進行簡單統計分析得到的標簽。例如，通過研修管理系統獲取用戶性別、學歷和工齡等基本信息，直接統計轉化生成教師特征標簽。模型標簽是教師標簽體系的核心，需要通過定義規則或建立模型來計算得出。例如，對教師學習歷史數據進行深入分析，得到內容關注標簽，判斷該教師所關注的研修主題和內容。預測標簽是在事實標簽和模型標簽的基礎上，利用聚類和預測等算法對畫像模型進行訓練優化后，輸出的具有概率預測和價值預測功能的標簽。例如，通過識別教師高頻瀏覽的研修資源，預測下一步可能需要的服務，為研究路徑的智能推薦提供依據。

2. 教師畫像可視化

教師畫像的可視化表征以人物肖像與標簽詞云相結合的形式為主。利用如Wordle、tagCloud、Tagul、Tagxedo等標簽可視化工具，根據標簽權重，用不同大小的文字形象直觀地表現教師研修特征。同時，畫像的表征方法還有很多，如結構化的文本描述、展示教師特征的表格繪制以及表達群體特征的直方圖、折線圖等。此外，隨著可視化技術的發展，3D建模、虛擬現實、AI智能展示等新技術也在不斷豐富著畫像的可視化手段[30]。

（三）基于教師畫像的研修路徑推薦算法

精準畫像既可以客觀描述研修個體特征，還能跟蹤發現行為規律和動態預測需求變化。路徑推薦模型根據交流互動、自主發展等特征標簽，結合智能推薦算法，實現個性化檢索服務、學科研修資源推送、同伴推薦等功能。其中，個性化檢索功能為教師提供最優檢索結果，幫助提升檢索體驗[31]。例如，基于教師最近檢索行為、畫像表征的長期需求和偏好，采用加權混合方式，推測教師可能需要的檢索信息，在最佳位置呈現最為匹配的檢索結果。學科研修資源推送功能采取基于內容的推薦算法，依據學科背景、認知偏好、近期興趣等標簽，推送平臺中符合教師特征的學科類文本、視頻資源。同伴推薦功能依據畫像表征的工作背景、研修行為、認知風格等特征，為教師匹配相似型或互補型同伴[32]。

四、基于畫像技術的教師個性化研修路徑動態優化

教師研修路徑的優化，關鍵在于個性化導研服務、資源關聯推薦、研修路徑發現、基于目標導向的過程評價、研修行為的智能預警，從而實現研修路徑智能推薦的整體構想。

（一）基于畫像的個性化導研服務

所謂個性化，需以教師的研修需求為導向，提供有針對性的服務。首先，針對研修個體初次登錄平臺時，沒有數據所造成的“冷啟動”問題，可通過需求和偏好調查，挖掘教師在人事系統或其他資源平臺中的基礎信息，填補畫像空白，實現資源的精準推送。隨著研修的深入開展，伴隨研修過程產生的多模態數據使得畫像愈加完整、全面。路徑智能推薦模型一方面通過交流互動類標簽和自主發展標簽表征和預測教師需求和學習偏好，另一方面訓練研修資源的語義表征，提高資源推送的精準度，最終實現教師個體和資源的雙向適配。最后，畫像還能夠動態表征研修情況和實時預警教師困惑，以便提供下一步的導研指引和答疑服務。

（二）基于知識圖譜的資源關聯推薦

在進行研修資源推薦時，根據教師需求和偏好標簽，匹配具有相應特征的資源，能夠在一定程度上實現自適應推送，但忽略了研修知識和資源之間存在的內部聯系。因此，實現資源關聯推薦需要建立在知識圖譜基礎之上，圖譜的任意一點表示為一個信息單元，信息單元之間的邏輯關系通過有向邊描述。相應地，利用教師專業發展所需的核心知識構建知識圖譜，將圖譜中各知識節點延展為個體發展的具體能力及其對應的研修內容，利用路徑推薦模型建立知識標簽，將具有內容邏輯的主題列表發送給教師。由于教師對主題的感興趣程度會隨著時間的推移而發生變化，可以為圖譜中的知識節點分配權重值，從而發現研修個體對不同知識的興趣差異。

（三）基于群體智能的研修路徑發現

群體智能概念源于對自然界中生物群體行為規律的觀察，表示為非智能群體通過簡單合作表現出智能行為的特征[33]。在大數據時代，教師群體產生了大量可供分析的研修數據。一方面，應用K-Means聚類分析等智能技術對教師進行聚類，輸出各類群體畫像，基于聚類分析的結果，探究這幾類群體研修時表現出的問題，尋找符合他們需求和解決實際問題的途徑，可幫助其實現有效發展。另一方面，挖掘分析具有相同或相近偏好、知識水平的群體研修最優路徑，在決策時綜合參考該群體對路徑的評價以及目標教師用戶在知識水平和學習風格上的特點，以實現更高質量的研修路徑推薦。

（四）基于目標導向的過程評價

在提升自身專業素質能力[34]和提高教育教學實績[35]的目標導向下，教師研修效果的評價設計要突破結果性局限，重視過程性評價，量化測試與質性分析相結合。本研究所構建的教師研修路徑智能推薦模型中，自主發展和研修成果標簽能夠表征教師個人的研修目標達成情況和需求，以此作為后續知識點相關內容推送的重要參考。同時，借助數據可視化工具，以直觀明了的圖形、圖像呈現研修效果，將評價結果更加清晰有效地傳達給教師，既增強了數據的可讀性，也有助于教師從多角度進行自我評價和反思，并更具針對性地調整學習態度和方式。

（五）基于研修行為的智能預警

路徑推薦模型通過挖掘和分析教師在線研修數據，精準識別學習情況，預測潛在危機，并向教師提前發出警示信息，同時對其研修行為加以干預，提供相應的指導和幫助。一方面，研修管理系統通過檢測登錄平臺次數，發現極少登錄平臺的“邊緣用戶”，系統以自動消息彈窗或電子郵件的形式發送通知信息，提醒教師按時登錄平臺、及時完成考核、提交課程作業，從而完成特定的研修任務。另一方面，系統根據當前階段教師參與和完成任務情況識別研修效果，由干預引擎自動生成警示等級，向研修個體提供相應的建議和資源。例如，學習風險報告可以幫助教師更加了解自身在現階段的研修情況和可能出現的問題，以促進自我監控和反思。在研修活動持續開展的過程中，智能預警引擎對教師研修行為風險進行實時的循環診斷和干預，隨著數據的不斷增加以及干預策略的不斷豐富，預警效果將越來越科學、及時和準確。

五、結? ?語

多模態數據為教師畫像構建提供了基礎，畫像技術為研修路徑的生成和優化提供了有力支撐，基于畫像技術的研修路徑推薦作為滿足教師個性化研修需求、促進專業發展的關鍵，是當前教師教育領域的重要研究內容。在人工智能、大數據等新興技術快速崛起背景下，本研究結合多模態數據采集分類與預處理、教師畫像生成、研修路徑推薦算法三個方面，構建了基于多模態數據和畫像技術的教師研修路徑智能推薦模型，并由此提出了個性化導研服務、資源關聯推薦、群體研修路徑發現、過程性研修評價和研修行為智能預警五種路徑動態優化方案，為人工智能在教師專業發展中的應用、教師精準研修的有效開展提供了新思路。

[參考文獻]

[1] ALEJANDRO O， MENENDEZ A， LE H E. Improving teaching quality through training： evidence from the caucasus[J]. Economics of education review， 2017，61：1-8.

[2] 教育部.教育部關于實施第二批人工智能助推教師隊伍建設行動試點工作的通知[EB/OL].（2021-09-08）[2021-12-27]. http：//www.moe.gov.cn/srcsite/A10/s7034/202109/t20210915_563278.html.

[3] 張瑾，張夷楠，葉海智，等.教師在線學習社區中會話主題發現及演化分析[J].遠程教育雜志，2021，39（2）：85-94.

[4] 王一巖，王楊春曉，鄭永和.多模態學習分析：“多模態”驅動的智能教育研究新趨向[J].中國電化教育，2021（3）：88-96.

[5] 張琪，武法提.學習分析中的生物數據表征——眼動與多模態技術應用前瞻[J].電化教育研究，2016，37（9）：76-81，109.

[6] COOPER A. The inmates are running the asylum： why high -tech products drive us crazy and how to restore the sanity[M]. Indianapolis： SAMS， 2004.

[7] 方丹丹，王海濤，李穎，等.對外經濟貿易大學 用大數據描繪“教師畫像”[J].中國教育網絡，2017（7）：61-63.

[8] 胡小勇，林梓柔.精準教研視域下的教師畫像研究[J].電化教育研究，2019，40（7）：84-91.

[9] 王冬冬，張亨國，鄭勤華，等.教師網絡研修社區學習者模型構建研究[J].中國遠程教育，2019（7）：47-55.

[10] 薛楊，陳曉慧.混合式培訓視角下的研修平臺構建與應用研究[J].中國電化教育，2020（12）：112-118，130.

[11] 朱靖，劉太如.區域中小學教師專業畫像的設計與實踐[J].中國教育信息化，2021（17）：56-59.

[12] 黃曉斌，張明鑫.融合多源數據的企業競爭對手畫像構建[J].現代情報，2020，40（11）：13-21，33.

[13] 蘇文帥，欒一飛.城市貧困群體畫像與媒體話語建構：基于大數據的分析[J].傳媒，2019（6）：94-96.

[14] 趙雅慧，劉芳霖，羅琳.大數據背景下的用戶畫像研究綜述：知識體系與研究展望[J].圖書館學研究，2019（24）：13-24.

[15] 牟智佳.多模態學習分析：學習分析研究新生長點[J].電化教育研究，2020，41（5）：27-32，51.

[16] ERADZE M， LAANPERE M. Lesson observation data in learning analytics datasets： observata[C]//12th European Conference on Technology Enhanced Learning. Tallinn： Springer International Publishing， 2017： 504-508.

[17] ZHENG W L， LIU W， LU Y， et al. EmotionMeter： a multimodal framework for recognizing human emotions[J]. IEEE transactions on cybernetics， 2019， 49（3）：1110-1122.

[18] DI MITRI D， SCHNEIDER J， SPECHT M， et al. From signals to knowledge： a conceptual model for multimodal learning analytics[J]. Journal of computer assisted learning，2018，34（4）：338-349.

[19] GIANNAKO M N， SHARMA K， PAPPAS I O， et al. Multimodal data as a means to understand the learning experience[J]. International journal of information management，2019，48：108-119.

[20] YIN Z， ZHAO M， WANG Y， et al. Recognition of emotions using multimodal physiological signals and an ensemble deep learning model[J]. Computer methods & programs in biomedicine，2017，140：93-110.

[21] 彭紅超，魏非，閆寒冰.多模態數據賦能教師畫像：從簡筆畫走向全息畫像[J].開放教育研究，2021，27（2）：80-89.

[22] 劉璇，崔永鵬.非線性學習視域下教師智能研修系統設計與應用研究[J].中國電化教育，2021（9）：97-103.

[23] 申云鳳.基于多重智能算法的個性化學習路徑推薦模型[J].中國電化教育，2019（11）：66-72.

[24] RAJ N S， RENUMOL V G. A rule-based approach for adaptive content recommendation in a personalized learning environment： an experimental analysis[C]// 2019 IEEE Tenth International Conference on Technology for Education （T4E）. Goa： IEEE Computer Society Conference Publishing Services，2019：138-141.

[25] SHI D， WANG T， XING H， et al. A learning path recommendation model based on a multidimensional knowledge graph framework for e-learning[J]. Knowledge-based systems，2020，195：105618.

[26] 朱天宇，黃振亞，陳恩紅，等.基于認知診斷的個性化試題推薦方法[J].計算機學報，2017，40（1）：176-191.

[27] IBRAHIM M E， YANG Y， NDZI D， et al. Ontology-based personalised course recommendation framework[J]. IEEE access，2018，7：5180-5199.

[28] 王永固，陳俊文，丁繼紅，等.數據驅動的教師網絡研修社區數字畫像構建與應用——基于“浙江名師網”的數據分析[J].遠程教育雜志，2020，38（4）：74-83.

[29] 趙輝，化柏林，何鴻魏.科技情報用戶畫像標簽生成與推薦[J].情報學報，2020，39（11）：1214-1222.

[30] 劉學太，李陽，巴志超，等.數據驅動環境下數據畫像若干問題探析[J].情報理論與實踐，2022，45（4）：87-94.

[31] 陳丹，柳益君，羅燁，等.基于用戶畫像的圖書館個性化智慧服務模型框架構建[J].圖書館工作與研究，2019（6）：72-78.

[32] 蘭麗娜，石瑞生，勾學榮.基于學習行為模型的學習伙伴推薦方法研究[J].現代教育技術，2018，28（4）：67-73.

[33] WONG L H， LOOI C K. Swarm intelligence： new techniques for adaptive systems to provide learning support[J]. Interactive learning environments，2012，20（1）：19-40.

[34] 中華人民共和國中央人民政府. 中共中央 國務院關于全面深化新時代教師隊伍建設改革的意見[EB/OL].（2018-01-03）[2021-12-27]. http：//www.gov.cn/zhengce/2018-01/31/content_5262659.htm.

[35] 中華人民共和國中央人民政府.中共中央 國務院印發《深化新時代教育評價改革總體方案》[EB/OL].（2020-10-13）[2021-12-27]. http：//www.gov.cn/zhengce/2020-10/13/content_5551032.htm.

Research on Intelligent Recommendation of Teacher Training Paths Based on Portrait Technology

HU Xiaoyong1，? SUN Shuo1，? MU Su2

（1.School of Information Technology in Education， South China Normal University， Guangzhou Guangdong 510631; 2.Institute of Artificial Intelligence in Education， South China Normal University， Guangzhou Guangdong 510631）

[Abstract] Teachers are the primary resources of education， and training is an important way to promote teachers' professional development. Under the empowerment of new technologies such as big data and digital portraits， optimizing teacher training paths to improve the quality of teacher development has become particularly important. This paper constructs an intelligent recommendation model for teacher training paths supported by multimodal data and portrait technology， including three modules， namely， data accompanying collection， classification and preprocessing， teacher portraits generation， and training paths algorithm， so as to realize the intelligent matching of teacher training characteristics and high-quality training resources. In terms of dynamic optimization of teacher training paths， the model meets teachers' personalized training needs by providing personalized research guidance based on portraits， associated resource recommendation based on knowledge graphs， group path discovery based on group intelligence， process evaluations based on goal orientation and intelligent early-warning based on training behaviors， which provides reference for exploring the potential of training data and promoting the innovation of teachers' intelligent training model.

[Keywords]? Teacher Portraits; Teacher Professional Development; Multimodal Data; Personalized Training; Intelligent Recommendation