基于TPACK框架的精準教研資源智能推薦研究與實踐

楊麗娜　陳玲　張雪　柴金煥

摘要：教師教研正在從經驗導向的傳統教研向數據驅動的精準教研轉變，實施精準教研資源智能推薦是促進教師專業化成長的一種有效機制。該文基于TPACK框架構建了學科教師教研能力發展模型，并在此基礎上對學科教師的教研資源需求進行分析，研究構建了TPACK框架下的教研資源庫和教研資源智能推薦模型;基于“教研空間”智慧教研平臺，以小學語文學科教研資源智能推薦為例，就教研資源智能推薦涉及的偏好建模、智能推薦算法選擇，以及智能推薦實施等關鍵問題進行了實踐探索。

關鍵詞：TPACK;精準教研;教研資源;智能推薦

中圖分類號：G434 文獻標識碼：A 文章編號：1006-9860（2021）02-0043-08

一、引言

教育部印發的《教師教育振興行動計劃（2018-2022年）》目標中明確中提出“經過5年左右努力，教師綜合素質、專業化水平和創新能力顯著提升”。教研作為教師專業發展的有效機制與實踐途徑受到了學界的廣泛關注和重視。隨著信息技術與大數據應用的不斷深人，教師教研正在從經驗導向的傳統教研向數據驅動的精準教研轉變。精準教研是“互聯網+”背景下的新型教研形態，它以教師專業發展為愿景，通過數據賦能促進課堂教學持續改進。當前，精準教研主要聚焦在面向教研主體的教研效能提升、面向教師專業發展的校本教研模式構建與面向優質教育資源共享的精準教育扶貧4等研究主題，這些研究從不同側面探索了精準教研在助力教師專業發展方面的現實意義。教師教研是一個融合了學科內容、教學法、信息技術融合應用等諸多要素的一個復雜的實踐過程。近年來，整合技術的學科教學知識（TPACK）為促進信息技術與課程教學的深度整合、教師培訓、教師專業化發展等主題提供了一個新的研究視角。整合技術的學科教學法知識（TPACK）是教師將技術有效整合到課堂中所必備的一種知識框架，對教師教育和教師專業發展具有重要指導意義間。TPACK框架一方面簡潔、明晰地描述了構成教師教學知能體系的關鍵要素，為教師專業能力提升與發展、教學持續性改進等提供了研究參考依據;另一方面，該框架為信息技術與學科教學的深度融合與教研實踐提供了實踐路徑上的指導，同時，該框架也為開展精準教研服務實踐提供了研究思路上的啟發。教研資源是教研實踐的重要基礎和媒介，也是精準教研服務的重要內容，本文采用數據驅動精準教研服務的研究視角，基于TPACK框架研究構建學科教師教研能力發展模型，分析學科教師教研資源需求、設計教研資源庫和教研資源智能推薦模型，并面向具體學科教研實踐，開展教研資源的精準推薦研究與實踐探索，旨在為精準教研服務提供可供借鑒的研究與實踐框架。

二、基于TPACK框架的教研能力發展模型構建

（一）TPACK概述

教師知識研究源于舒爾曼及其研究團隊的教師知識分類，舒爾曼將教師知識分為學科知識、學科教學知識和課程知識。在舒爾曼提出的教師知識分類中，學科教學知識（PCK）被眾多研究者給予了特別的關注，米什拉（Mishra）和科勒（Koehler）就是學科教學知識（PCK）研究的代表之一，他們在舒爾曼的學科教學知識（PCK）基礎上提出了整合技術的學科教學知識（TPACK）7。隨著信息技術的飛速發展，信息技術教育應用能力已經成為教師必備的專業技能，TPACK框架的提出契合了“互聯網+”時代教師專業發展所需具備的知能體系，構成該知能體系的核心要素包含技術知識（TK）、教學法知識（PK）、學科內容知識（CK），同時這些核心要素交叉融合又形成四個復合要素，即學科教學知識（PCK）、整合技術的教學法知識（TPK）、整合技術的學科內容知識（TCK）和整合技術的學科教學知識（TPACK）。我們應該看到，TPACK框架是一個去學科教學情境的通用教師知能體系，各要素內涵僅涉及學科教師應具備的共性知識與基本能力，并未涉及各要素與具體學科情境的融合表述。Margaret在其研究中指出，TPACK是一個融合了技術因素描述教師所需知識的一個動態框架”，闡述了該框架應用的情境性要求，蔡敬新和鄧峰也提出TPACK應用是高度情境依賴的，即面向不同學科情境，TPACK框架各要素的內涵與具體內容是不同的，為此，基于TPACK框架開展精準教研研究，首先需要整合學科教學與教研情境，構建教師教研能力發展模型，在一定意義上，教研能力發展模型是診斷教研問題、分析教研需求和制定教研服務策略的基礎。不同學科教研實踐，教師需要構建不同的學科知能體系，在教研實踐中存在的問題和服務需求也存在著巨大差異，例如，文理科教師因學科情境、教學組織、教學策略選擇等諸多環節的不同，在教研實踐中表現出的服務需求就存在著巨大的差異，為此，基于TPACK框架開展精準教研資源推送研究，需要將學科教研情境信息整合到TPACK框架，構建TPACK框架下的學科教研能力發展模型。

（二）基于TPACK框架的學科教研能力發展模型構建

實施精準教研資源服務旨在促進教師的教研能力提升與專業化發展，為此，開展TPACK框架下的精準教研資源推薦研究，首先需要確定TPACK框架下學科教師應該具備的教研能力。TPACK框架描述了不同學科教師應具備的關鍵教師知識要素，即學科內容、教學法、技術，以及這些要素之間的交叉復合要素知識，這些要素知識的掌握與習得僅是構成教師教研能力的基礎知識，從促進教師教研能力生成與發展的角度來看，還需要進一步融合具體學科教學情境信息，如學科的教學內容、教學模式、教學方法、教學媒體，以及教學評價等要素信息，因此，基于TPACK框架構建教師教研能力發展模型，既需要關注不同學科教師的共性知識體系，也需要融合具體學科的教學情境與教研需求，TPACK框架下的教師教研能力發展模型如圖1所示。該教研能力發展模型包括教研基礎知識層、教研實踐知識層與應用生成層。教研基礎知識層是教師教研能力的基礎知識層，主要體現在TPACK框架的三個核心要素與四個復合要素的基礎知識，這是所有學科教師應具備的通用教研知識，是學科教師開展教學與教研實踐的最基本的知識儲備與能力基礎。

教研實踐知識層是在教研基礎知識層之上，通過融合具體學科教學情境所應具備的教研實踐性知識，實踐層面的教研知識需要通過在具體的學科教學模式、教學方法、教學工具、教學評價等具體教學實施環節獲得、生成、積累和發展。教學模式方面，教師應熟悉并掌握某一學科典型或常態化的教學模式，熟悉該教學模式的具體實施流程;教學方法方面，教師能夠依據學科教學規律與學習特點，采取有效的教學方法組織，組織實施教學過程，并促進預期教學目標的實現;教學工具方面，教師能夠根據所授學科的教學內容和學習者認知特點，選擇恰當的教學媒體或技術平臺，促進學習者有效學習的發生;教學實施方面，教師能夠在選定的教學模式下，采取恰當的教學方法和教學工具實施學科教學內容，并能有效開展不同知識點內容的教學評價，不斷優化和改進教學實踐的過程。

應用生成層是學科教師對實踐性教研知識的創新性應用與教研能力迭代提升的過程，這是一個動態生成和不斷持續性改進的過程。學科教師教研能力的迭代生成主要通過教師在教學實踐中的教學反思、教學日志、聽課評課、主題研討、師生互動與師師互動等不同形式的教研途徑實現和迭代，也是學科教師教研能力提升與專業化發展的有效機制。基于TPACK框架的教師教研能力發展模型不僅是對學科教師應具備的教研能力的形式化表征，同時也為開展教師教研需求評價提供了依據。

三、基于教研能力發展模型的資源需求分析TPACK框架下的教研能力發展模型表征了學科教師應具備的教研知識與實踐能力，同時也為開展學科教師教研需求分析提供了參考框架。為準確識別和分析學科教師的教研資源需求，本文在教研能力發展模型的基礎上，研究構建了TPACK框架下的教研資源需求模型，用于表征影響學科教師教研需求的相關要素及其要素之間的關系，如圖2所示。該模型是開展學科教師教研資源需求分析的依據，也是構建學科教研資源庫的基礎。基于教研資源需求模型，一方面可以診斷和分析學科教師的教學與教研現狀，在分析過程中進行知識發現，挖掘和分析蘊含在教學問題和教研實踐中的教研需求另一方面，該模型為開展數據驅動的精準教研服務實踐提供數據舉證和依據，通過挖掘和分析教研平臺沉淀下來的教學大數據，可以診斷和分析學科教師在TPACK各要素及其融合學科情境信息的綜合教研表現，在此基礎上開展教研資源的精準化服務。

教研資源需求模型共分三個層次，即教研評價數據層、教研資源需求診斷層和資源需求聚合層。教研評價數據層聚合了學科教師課堂教學TPACK各要素的基礎知識層的多源評價數據，并融合了學科教學情境的實踐層面的評價數據，這些評價數據分別從不同側面表征了學科教師在某一學科教學中存在的問題，以及蘊含在這些問題中的潛在教研需求。教研資源需求診斷層包含兩類需求分析，即基于基礎性教研知識的需求分析和基于學科情境的需求分析。基于基礎性教研知識的需求分析是通過診斷和分析構成TPACK框架的三大基礎要素和四大復合要素的教研資源需求來聚合學科教師教研資源需求;基于學科情境需求分析主要是面向具體學科教學情境需要，分別從學科教學實踐的教學模式、教學方法、教學工具、教學實施與教學評價等方面就學科教師的教研資源需求分型診斷與分析，從而分析聚合教師的學科教研資源需求。教研資源需求聚合層由教研知識需求聚合器、學科情境需求聚合器與綜合教研需求聚合器構成，分別面向不同學科教師不同層面的教研資源需求進行聚合，進而為識別學科教師資源偏好和構建精準教研資源推薦模型建模提供數據保障。

四、教研資源智能推薦模型構建

（一）教研資源庫的構建

教研資源是教師開展教研實踐的基礎和重要媒介，不同學科的教研實踐對教研資源的需求是不同的。為促進學科教研實踐，提升教師專業化發展水平，需要根據不同學科教學特點與教研需求構建教研資源庫。目前，多數教研平臺上匯聚著不同學科大量、無序的教研資源，如不經過分類聚合組織與管理，將無法實施有效的精準化資源推送。本研究基于TPACK教研能力發展模型和教研資源需求模型，將學科教研資源分別分類聚合到TPACK的七個要素之上，并在此基礎上，融合具體學科情境和教研實踐需要，構建TPACK框架下的學科教研資源庫。教研資源庫是開展教研資源智能推薦的基礎，也是實施精準教研服務的重要內容之一，基于教研能力發展模型的教研資源庫構建如圖3所示。

為研究闡述方便，基于教研能力發展模型構建教研資源庫是融合了TPACK各要素和各學科情境進行分類聚合和組織，在實際教研實踐中，教研資源庫的建設與應用是一個面向各學科教學和教研實踐的整體，不會孤立分開。將不同學科的教研資源按照TPACK各要素與不同學科情境進行組織和管理，旨在滿足不同學科教師在教研實踐中的不同資源服務需求，這也是實施精準教研資源服務的一種有效機制與途徑。本文研究構建的教研資源庫注重各學科情境與TPACK各要素的深度融合，所有教研資源的生成、組織、管理與服務均需充分整合學科教研情境，保障教研資源的精準化推薦。各學科教師無論是教學實踐還是教研實踐，涉及到的教學問題和教研主題多數聚焦在學科內容、學科教學法、學科教學與技術整合等方面，為此，教研資源庫的構建將在資源組織與管理邏輯上，統合各學科教學情境，分別映射到TPACK各要素之

上，同時還將建有整合各學科教學模式、教學方法、教學工具、教學策略、教學評價等主題的綜合教研資源。該教研資源庫是開展精準教研資源服務的大數據之一，也是構建教研資源智能推薦模型的重要數據基石，有關教研資源庫的應用和服務機制將在后續的教研資源智能推薦模型中闡述。

（二）教研資源智能推薦模型構建

智能推薦模型是對實施智能推薦服務邏輯和路徑的形式化表征。本文研究構建的精準教研資源智能推薦模型分別由數據層、邏輯層、適配層和服務層構成，如圖4所示。

數據層由學科的學情數據、教情數據、TPACK評價數據、TPACK教研資源庫，以及學科教師的教學反思數據構成，這些不同類別和形態的數據構成了精準教研服務的數據基石;邏輯層主要由大數據挖掘、大數據發現和智能推薦引擎三部分構成，通過對數據層匯聚的教情數據、學情數據、學科的TPACK評價數據和教學反思數據的聚合、挖掘和分析，可以進一步識別和發現學科教師的教研需求和資源偏好，進而為識別學科教師的資源偏好模式提供決策基礎。智能推薦引擎作為推薦模型的關鍵要素，決定著教研資源推薦服務的個性化與精準化，主要由資源偏好建模與推薦算法適配兩部分構成。資源偏好建模的準確性直接影響著推薦算法的有效匹配，進而影響到推薦效果的精準性;適配層由資源適配器、學科適配器、偏好適配器和服務適配器構成，這些適配器均具有自適應和自我更新的學習機制，能滿足學科教師不同情境下和偏好模式的教研資源需求。適配器能夠根據不同的學科教與學情境、不同的教研偏好和服務需求進行自適應匹配和動態切換，并能自動更新自適應匹配規則，為開展精準化的教研資源推薦服務提供了機制保障;服務層是智能推薦算法與服務邏輯的直觀化呈現，也是面向學科教師開展精準教研資源推薦的服務接口，主要由面向TPACK各要素的資源推薦、面向學科教師教研資源偏好模式的資源推薦，以及融合資源偏好與TPACK各要素的資源推薦服務構成。教研資源智能推薦模型就是通過數據層、邏輯層、適配層和服務層的內在協同邏輯與動態匹配機制來實施精準化的校驗資源推薦服務，滿足學科教師的教研資源訴求，促進學科教師的教研水平提升與專業化發展。

五、基于智慧教研平臺的精準教研資源智能推薦實踐

本文以北京師范大學未來教育高精尖創新中心自主研發的“教研空間”智慧教研平臺（以下簡稱“教研空間”）為依托，以“教研空間”小學語文學科為例，基于本文研究設計的教研資源智能推薦模型開展實踐探索。“教研空間”是面向北京市基礎教育學科教師精準教研水平提升的公共信息服務平臺，該平臺在教學實踐中匯聚了大量的學科教情數據、學情數據、教學行為數據，以及面向不同學科執教教師的TPACK評價數據，通過挖掘和分析這些大數據，一方面可以精準診斷學科教師的教學問題，另一方面也可以精準分析學科教師的教研需求。根據本文構建的教研資源智能推薦模型，首先，需要構建語文學科教師的教研資源偏好模型;其次，需要確定語文學科教研資源的智能推薦算法;最后，面向語文學科實施教研資源智能推薦，為此，本部分內容將重點從這三方面進行闡述和說明。

（一）語文學科教研資源偏好模型構建

為準確構建語文學科教師教研資源偏好模型，本文將聚合“教研空間”平臺上能夠表征語文教師資源偏好的各類相關數據，本研究重點整合“教研空間”平臺上三個關鍵教學環節的數據，即備課、聽課和我的反思環節的相關數據來構建語文教師的教研資源偏好模型，如圖5所示。

利用“教研空間”平臺上的備課功能，各學科教師可以收藏與其執教課程有關或感興趣的教研資源，包括課前收藏和整體收藏，課前收藏僅是收藏備課環節某一主題的資源，如教材分析或學情分析等主題資源，整體收藏是收藏完整的教學課例資源，通過采集和分析教師的資源收藏行為數據，可以從中挖掘教師的資源偏好;“教研空間”平臺上的聽課功能允許聽課教師對執教教師授課情況進行TPACK各要素評分，進而沉淀出大量的TPACK各要素評價數據，這些評價數據從不同側面揭示了執教教師在學科教學中的教學問題，以及隱含在教學問題中的潛在教研資源需求;“教研空間”平臺上的教學反思功能提供了一個基于關鍵詞的可視化反思關注點圖譜，這個可視化的反思關鍵詞圖譜直觀地描述了學科教師的教學關注點，通過分析教學反思關注點主題關鍵詞可以挖掘各學科教師的潛在資源偏好。

為開展TPACK框架下的教研資源推薦實踐，本研究將“教研空間”平臺上備課環節和教學反思環節的關鍵維度數據映射到相應的學科TPACK各要素上，將平臺上匯聚的非量化的相關教研數據整合到TPACK框架中進行分析，在此基礎上，分別開展面向不同教學環節的教研資源推薦。具體到“教研空間”平臺上的小學語文學科，通過抽取語文教師在備課環節的課前收藏和整體收藏行為數據，分析語文教師收藏資源的內容和收藏理由，依據TPACK各要素內涵界定，將備課環節課前收藏的四個方面分別映射為TPACK某一要素，將整體收藏行為映射為復合度最高的TPACK要素;同時，通過分析教師反思關鍵詞圖譜中的教研關注點，將教學反思環節的高頻關注點關鍵詞映射為TPACK某一要素;聽課環節TPACK各要素的評分數據是聽課教師對執教教師就語文學科教學的教師知識與能力表現進行的量化評價，通過平臺可以方便提取和分析，TPACK各要素評價數據從不同的維度評估了執教教師的學科教學能力，同時也從不同的方面隱含著語文教師的潛在教研資源需求，“教研空間”平臺上備課、教學反思與聽課環節中的相關數據與TPACK要素映射關系如表1所示。

在本研究中，根據語文教師在教研平臺的課前收藏資源行為，即收藏關于教材分析、學情分析、教學目標和教學重難點四個方面的資源，依據TPACK各要素的涵義界定，將這四個維度分別映射為CK、PK、PCK和CK四個要素，也就說，如果語文教師在教研平臺上出現了課前的上述收藏行為，那么就默認為該教師關注語文學科的TPACK這四個要素;如果語文教師在備課環節有整體收藏教學資源的行為，那么就默認為該教師關注語文學科總體內容，即將這個收藏行為映射為TPACK這個復合度最高的要素。同時，為提高“教研空間”平臺資源服務的精準化，本研究所用推薦算法忽略備課環節無效的平臺數據（如收藏行為與備課環節某一維度內容不符的數據等）。

通過筆者手動分析小學語文學科教學反思環節的“反思關鍵詞圖譜”，發現針對該學科普遍出現的高頻關鍵詞分別是教學內容、教學策略、教學媒體和教學模式，為此，在本研究中將這四個高頻出現的教學反思關鍵詞分別映射為CK、PK、TK和TPACK。鑒于聽課環節，教研平臺為聽課教師提供了每個學科TPACK各要素評分的量化評價的文字說明和量化評分功能，因此，聽課教師根據聽課實況可以非常直觀地為執教教師進行各要素的打分，從而聚合了語文學科TPACK框架下的海量評分數據。通過將備課和教學反思環節相關數據映射到TPACK要素，開展基于“教研空間”平臺的精準教研資源推薦，也就轉化為面向定性和定量TPACK數據的資源推薦，為此，本文將分別針對這兩類TPACK數據選取不同的推薦算法開展教研資源的精準推薦。

（二）語文學科教研資源智能推薦算法選擇

本研究面向小學語文學科不同教學環節，基于“教研空間”平臺，分別選用不同推薦算法開展精準教研資源推薦實踐。

1.面向備課與教學反思環節的教研資源推薦算法鑒于“教研空間”平臺上備課環節與教學反思環節的相關數據是非量化的TPACK數據，依據備課環節和教學反思環節相關數據與語文學科教師TPACK相關要素的映射關系，面向備課與教學反思兩個環節，本文采用基于向量空間法開展教研資源的智能推薦。向量空間法是通過采用一組關鍵詞及其權重的向量方式來形式化表征教師的資源偏好模式，即用一個維特征向量（{（，w）（，），.，（4.，w）}來表示教師資源偏好模型，其中t;表示教師對第i個TPACK要素的興趣，如果學科教師對該學科某一TPACK要素（或要素相關資源）進行了收藏、關注或評價，那么就視教師對該TPACK要素感興趣，權重w，用來表示教師對某一TPACK要素的關注度，如果聽課教師對執教教師在講授各教學知識點的某一TPACK要素均進行了收藏、關注或是評價，那么這個權重值就越大，表明聽課教師對該學科的某一TPACK要素的興趣度就越高，那么，教研資源的推薦就應加大這一要素的相關資源推送。

由于備課環節的四個方面主題（即教材分析、學情分析、教學目標和教學重難點）在“教研空間”平臺上是相對固定的結構化模式，因此，備課環節的TPACK要素映射是相對固定的，學科教師在備課時如果就這個四個方面進行了有效的文字分析，就會分別映射到相應的TPACK要素，同時也就表明教師關注該學科的TPACK相應要素。對于教學反思環節的反思關鍵詞圖譜來說，由于教師在不同學科知識點的教學反思中關注點不同，因此教研平臺上生成的教學反思關鍵詞圖譜是隨著學科教學知識點的變化而動態變化的，為此，本文將根據映射TPACK后，將備課環節映射出的TPACK各要素和教學反思環節的相應要素進行疊加，并計算出目標教師的TPACK各要素關注頻度，將其視為該向量中各相關要素的權重，采用向量空間推薦算法，基于文本構建的TPACK教研資源庫為目標教師推薦相應要素的教研資源。

2.面向聽課環節的教研資源推薦算法

學科教師的資源偏好往往隱含在教師教學與教研實踐過程中，有些資源偏好會顯性地表達出來，如收藏或分享資源，有些資源偏好是隱含在學科教師的行為之中。鑒于“教研空間”平臺可以全程記錄和采集學科教師的教學數據，那么通過聚合和分析這些教學數據可以挖掘和識別出學科教師的資源偏好模式，為此，本研究基于“教研空間”中的語文學科教學大數據，面向聽課環節，采用基于改進的網絡二部圖物質擴散算法開展教研資源的推薦實踐。該算法的核心思想是計算學科教師之間的相似性，但不是采用傳統的二維矩陣計算方法，而是基于網絡二部圖的物質擴散算法。該算法的核心原理是：將學科教師和知識點分別抽象為點，將學科教師對知識點的TPACK評價行為抽象為線，構建學科教師-知識點二部圖。在基于改進的網絡二部圖能量擴散推薦算法中，只要在“教研空間”平臺上，學科聽課教師共同就該執教教師的學科相應知識點進行TPACK七個要素評價，就視為學科教師群體間存在著能量分配，通過聚合分析能量分配情況，計算出與目標學科教師u相似的教師群體，在此基礎上開展有針對性的資源服務。具體來說，與目標學科教師u評價（本文主要聚焦學科教師的TPACK評價數據）過相同學科知識點的教師視為與學科教師u相似，該推薦算法的大致實施步驟如下：

第一步：將目標學科教師u的初始能量設定為1。第二步：目標學科教師u將自己的能量平均分配給自己評價過的知識點。此時，教師評價的某個知識點a的能量用公式表示為：

其中，k（u）表示目標學科教師u的度，目標學科教師u評價了知識點a則a=1，否則為0。

第三步：能量從知識點節點擴散到其他教師節點，即知識點把能量再次平均分配給所有評價了該知識點的教師。所有教師的最終能量是自己所評價知識點擴散過來的能量累積和。這個能量代表教師v從目標學科教師u處獲得的能量，體現了兩個教師之間的相似度。其計算公式如下：

k（u）表示目標學科教師u的度，目標學科教師u評價了知識點a則a=1，否則為0。教師v評價了知識點a則a。=1，否則為0，k（a）是知識點a的度。這樣，就計算出了其他教師與目標學科教師之間的相似度。這種基于物質擴散算法來計算用戶的相似度，相對于采用余弦相似度的計算方法來說，計算效率快，經相關實證研究的檢驗，該算法準確率高，推薦效果較為顯著。

通過采用改進的物質擴散推薦算法可以計算出目標學科教師最近鄰教師群體，但是鑒于這個“最近鄰教師群體”可能處于不同的專業發展階段，為進一步提高教研資源服務的精準性與個性化，“教研空間”平臺在具體實施過程中參考首都師范大學王陸教授關于教師專業發展階段的相關研究結論"，將目標教師的最近鄰教師群體劃分為新手教師、勝任教師和成熟教師三個類別，分別面向不同專業發展階段的教師，整合語文學科TPACK各要素評分數據，為其有針對性地推薦教研資源。在“教研空間”平臺上，各學科聽課教師為執教教師就某一學科TPACK各要素進行打分，不僅可以基于數據分析診斷學科教師的教學待改進點，同時，也正是基于數據舉證的方式，通過精準化的教研資源推薦服務來幫助執教教師改進學科教學，以小學語文學科執教教師上課為例，基于聽課教師評價反饋數據，面向小學語文學科教師的精準教研資源推薦實踐探索如圖6和圖7所示。

圖6示例了面向小學語文學科執教教師的聽課數據反饋，基于執教教師在備課環節和教學反思環節的教學數據，整合聽課教師評價數據，重點挖掘和分析執教教師在教學過程中的教學特色和待改進的方面，“教研空間”平臺將面向待改進點向執教教師推薦相關主題教研資源，幫助執教教師持續改進課堂教學。

圖7示例了面向語文執教教師某一待改進點的教研資源推薦（如課文朗讀環節），實現教學問題診斷與教研資源服務的針對性與精準化，輔助教師實現教學持續性改進的目的。

六、結語

數據驅動的精準教研已經成為推進教師專業化發展的重要途徑與有效機制，教研資源作為教師專業實踐的重要媒介與構成要素，對于學科教師的專業素養提升與專業能力發展具有基礎性與保障性作用。隨著智慧教研平臺的不斷完善與廣泛應用，教研平臺將會沉淀出海量、無序、非結構化的教研資源，這一方面將為精準教研服務提供大數據支持，另一方面，也將使學科教師面臨海量教研資源而無法獲取個性化與精準化資源的困境，本文采用數據驅動精準服務的研究視角，開展了基于TPACK框架的精準教研資源智能推薦實踐探索，以TPACK框架下的教研能力發展模型構建為依據，在此框架下開展學科教師教研資源需求分析，構建教研資源智能推薦模型，通過實施精準教研資源推薦服務實踐，促進教師教研能力提升。由于不同學科TPACK各要素的內涵和教學情境均存在著差異，為此，開展基于學科TPACK框架的精準教研資源智能推薦還需要充分考察某一學科的教學規律與學習特點，并在此基礎上選擇恰當、有效的推薦算法與服務模式，為不同學科提供有針對性與精準化的教研服務。

參考文獻：

[1]中國政府網.教育部等五部門關于印發《教師教育振興行動計劃（2018-2022年）》的通知[EB/OL].http：//www.gov.cn/xinwen/2018-03/28/content_5278034.htm，2018-03-28.

[2]林梓柔，胡小勇.精準教研：數據驅動提升教師教研效能[J].數字教育，2019，（6）：42-46.

[3]李淼浩，曾維義.基于數據的校本教研助力教師專業發展研究[J].中國電化教育，2019，（4）：123-129.

[4]魏順平，袁亞興等.基于云服務的教育信息化精準扶貧模式研究以國家開放大學扶貧實踐為例叩中國電化教育，2020.（9：74-81.

[5]吳煥慶，丁杰等.整合技術的學科教學法知識（TPACK）研究的現狀和發展趨勢[J].遠程教育雜志，2012，6（18）：94-99.

[6]何克抗.TPACK——美國“信息技術與課程整合”途徑與方法研究的新發展（下）J.電化教育研究，2012，（6）：47-56.

[7] Kochler， ..& Mishra，P.What is technological pedagogical content knowledge？ [J].Contemporary Issues in Technology and Teacher Education，2009，9（1）：60-70.

[8]徐鵬，王以寧.整合技術的卓越教師知識能力結構研究[J].中國電化教育，2020，（2）：89-93+101.

[9] Margaret，LNiess.Investigating TPAcK：Knowledge Growth in Teaching with Technology [J].Education Computing Reserch，201144（3）：299-317.

[10]蔡敬新，鄧峰.“技術-教學-學科知識”（TPACK）研究：最新進展與趨向[J].現代遠程教育研究，2015，（3）：9-19.

[11]王陸，蔡榮嘯.課堂大數據視角下的提問傾向研究[J].電化教育研究，2016，（7）：82-92.

作者簡介：

楊麗娜：教授，博士，碩士生導師，研究方向為教育大數據、個性化學習、泛在學習、精準教研、智能推薦。

收稿日期：2020年10月20日

責任編輯：邢西深