大模型支持下的教師教學(xué)勝任力伴隨式測評研究

摘" "要：推進(jìn)教師教學(xué)勝任力高質(zhì)量發(fā)展，關(guān)鍵要發(fā)揮好教師數(shù)字化教學(xué)評價(jià)的指揮棒作用。傳統(tǒng)的教師教學(xué)勝任力評價(jià)方式存在主觀性強(qiáng)、準(zhǔn)確度低、測評維度不全面、數(shù)據(jù)利用率不高、缺乏個(gè)性化評估等不足。據(jù)此，研究面向教師教學(xué)勝任力的伴隨式測評方法，為教師提供教學(xué)勝任力的實(shí)時(shí)追蹤、反饋和優(yōu)化，具有重要意義。首先梳理教師教學(xué)勝任力的內(nèi)涵及其測評發(fā)展，分析當(dāng)前教育領(lǐng)域中大模型技術(shù)的應(yīng)用現(xiàn)狀。然后基于研究背景，結(jié)合大模型技術(shù)和已有的實(shí)踐研究，構(gòu)建垂直大模型支持下的教師教學(xué)勝任力伴隨式測評框架。該框架包含四個(gè)關(guān)鍵組成部分：測評維度選擇、大模型基座設(shè)計(jì)、精準(zhǔn)子模型構(gòu)建和多模態(tài)數(shù)據(jù)表征，通過創(chuàng)新教學(xué)勝任力智能測評與畫像構(gòu)建方式，實(shí)現(xiàn)教師教學(xué)勝任力的個(gè)性化培養(yǎng)與發(fā)展。在此基礎(chǔ)上，進(jìn)一步提出測評大模型的四大應(yīng)用場景：一是教學(xué)勝任力畫像生成與更新；二是人機(jī)協(xié)同支持教師教學(xué)勝任力持續(xù)發(fā)展；三是優(yōu)質(zhì)資源與教師畫像的精準(zhǔn)匹配；四是面向教師發(fā)展的循證決策與管理。

關(guān)鍵詞：大模型；多模態(tài)數(shù)據(jù)；伴隨式測評；教師教學(xué)勝任力；教師畫像

中圖分類號：G434" " " " "文獻(xiàn)標(biāo)志碼：A" " " " "文章編號：1673-8454（2025）03-0031-10

DOI：10.3969/j.issn.1673-8454.2025.03.003

作者簡介：胡小勇，華南師范大學(xué)教育人工智能研究院教授、博士生導(dǎo)師，博士（廣東廣州 510631）；涂果果，通訊作者，華南師范大學(xué)教育信息技術(shù)學(xué)院碩士研究生（廣東廣州 510631）；謝雅淇，華南師范大學(xué)教育信息技術(shù)學(xué)院博士研究生（廣東廣州 510631）

基金項(xiàng)目：2024年度國家社會(huì)科學(xué)基金一般項(xiàng)目“教師數(shù)字勝任力伴隨式智能測評研究”（編號：BCA240050）

一、問題的提出

教師是提升教育質(zhì)量的關(guān)鍵要素，人工智能的賦能使教師評價(jià)方式產(chǎn)生顛覆性變革。2018年8月，教育部啟動(dòng)人工智能助推教師隊(duì)伍建設(shè)行動(dòng)試點(diǎn)工作，強(qiáng)調(diào)教師大數(shù)據(jù)建設(shè)的重要性，并鼓勵(lì)探索建立或應(yīng)用教師能力診斷測評系統(tǒng)，通過精準(zhǔn)測評為教師學(xué)習(xí)和發(fā)展提供指導(dǎo)[1]。教師教學(xué)勝任力這一概念涵蓋教師在多個(gè)方面的素養(yǎng)和能力[2]，是開展教學(xué)活動(dòng)的基礎(chǔ)，體現(xiàn)教師實(shí)施有效教學(xué)所必需的綜合素質(zhì)，其測評對教師教學(xué)質(zhì)量提升、專業(yè)成長等方面具有重要作用。

目前的教師教學(xué)勝任力測評仍存在如下挑戰(zhàn)：首先，評價(jià)結(jié)果主觀性強(qiáng)。在傳統(tǒng)教師教學(xué)勝任力研究中，學(xué)者通常采用問卷調(diào)查、行為事件訪談等方法進(jìn)行模型構(gòu)建和測評[3]，該評價(jià)方法基于主觀判斷和觀察，評價(jià)結(jié)果不夠客觀準(zhǔn)確。其次，教學(xué)數(shù)據(jù)難以全面考量教師教學(xué)勝任力的多個(gè)層面和維度，存在數(shù)據(jù)整合不足、解讀困難等問題。目前獲取的教學(xué)測評數(shù)據(jù)難以全面覆蓋教師專業(yè)能力、課堂管理能力等，導(dǎo)致部分重要信息無法被準(zhǔn)確捕捉和考量。最后，數(shù)據(jù)處理存在數(shù)量巨大、異構(gòu)性強(qiáng)，且難以直接量化的困難，缺乏針對每位教師特點(diǎn)呈現(xiàn)的個(gè)性化勝任力評估。

隨著大模型等技術(shù)的成熟，教師的海量教學(xué)數(shù)據(jù)潛力得到釋放的契機(jī)。大模型能高效利用數(shù)據(jù)并探索教師的教學(xué)行為表現(xiàn)，推動(dòng)教學(xué)活動(dòng)與教師評價(jià)同步進(jìn)行與深度融合，使得教師評價(jià)更加科學(xué)化、精細(xì)化。基于此，本研究通過文獻(xiàn)梳理構(gòu)建測評框架，并結(jié)合人工智能的應(yīng)用，打造教師教學(xué)勝任力專屬測評模型，以期推動(dòng)教師教學(xué)勝任力的伴隨式精準(zhǔn)測評。

二、研究述評

（一）教學(xué)勝任力的內(nèi)涵

勝任力是一個(gè)用于明確區(qū)分優(yōu)秀績效與一般績效的關(guān)鍵性衡量標(biāo)準(zhǔn)，其涵蓋的要素廣泛，包括專業(yè)知識(shí)與技能、個(gè)體特質(zhì)以及內(nèi)在動(dòng)機(jī)等[4]。教學(xué)勝任力是指教師在教學(xué)實(shí)踐過程中必須具備的能力，包括提升學(xué)科專業(yè)教學(xué)水平、促進(jìn)專業(yè)發(fā)展以實(shí)現(xiàn)教學(xué)目標(biāo)，即在教學(xué)實(shí)踐中所展現(xiàn)的知識(shí)、技能和態(tài)度的綜合體現(xiàn)[5]，核心環(huán)節(jié)是教學(xué)實(shí)踐能力[6]，邏輯起點(diǎn)是教學(xué)認(rèn)知能力[7]，內(nèi)核構(gòu)成是教學(xué)自我反思與評價(jià)能力。①教學(xué)實(shí)踐能力指教師在教學(xué)實(shí)踐中，能夠深入理解并運(yùn)用多樣化的教學(xué)方法、熟練掌握豐富的教學(xué)內(nèi)容，同時(shí)具備在課堂教學(xué)中靈活施策，以促進(jìn)學(xué)習(xí)者有效學(xué)習(xí)的能力[8]。②教學(xué)認(rèn)知能力構(gòu)成教學(xué)勝任力的觀念基礎(chǔ)，包括對教情學(xué)情的認(rèn)知、育人和學(xué)科培養(yǎng)目標(biāo)的認(rèn)知，以及對教師、學(xué)生、管理者、家長等多元參與者的認(rèn)知[9]。③教學(xué)反思能力體現(xiàn)在教師既擁有反思意識(shí)，又具備運(yùn)用技術(shù)工具進(jìn)行反思的能力，使他們能夠?qū)徱暜?dāng)前的教學(xué)實(shí)踐，并據(jù)此指導(dǎo)未來的教學(xué)活動(dòng)[10]。隨著信息技術(shù)與教育教學(xué)的深度融合，學(xué)者逐漸聚焦于智能技術(shù)環(huán)境支持下教師教學(xué)勝任力的內(nèi)涵與構(gòu)成[11]。毋庸置疑，隨著教育改革的不斷深入，教師專業(yè)化已成為必然趨勢，而教學(xué)勝任力作為教師專業(yè)化的核心素質(zhì)之一，其研究與發(fā)展很有必要[12]。

（二）教師教學(xué)勝任力測評的發(fā)展

美國對教師勝任力的研究起步較早，強(qiáng)調(diào)實(shí)用性。英國更注重工具性的應(yīng)用。1966年，澳大利亞國家教學(xué)委員會(huì)基于教師勝任力標(biāo)準(zhǔn)，設(shè)計(jì)并開發(fā)了一個(gè)勝任力框架，在實(shí)施全國教學(xué)質(zhì)量提升項(xiàng)目中得到應(yīng)用，強(qiáng)調(diào)勝任力評價(jià)的整體性和普適性。近年來，我國關(guān)于教師勝任力的研究也逐漸增多，但多集中在普遍性勝任力方面，針對數(shù)字化課堂應(yīng)用的教學(xué)勝任力研究相對較少。此外，已有教學(xué)勝任力研究中，主要通過指標(biāo)體系構(gòu)建、問卷調(diào)查、訪談等方法收集數(shù)據(jù)并展開研究，進(jìn)而提出針對性意見，缺乏對教師教學(xué)勝任力發(fā)展?fàn)顟B(tài)的判斷。例如，有國外學(xué)者構(gòu)建教師教學(xué)勝任力框架，包含教師的人格特征、知識(shí)、教學(xué)技巧及教學(xué)態(tài)度，并采用德爾菲法進(jìn)行驗(yàn)證[13]；趙忠君基于對33位高校教師的行為事件訪談，構(gòu)建高校教師教學(xué)勝任力模型，包含教學(xué)理念與動(dòng)機(jī)、智慧環(huán)境使用與構(gòu)建、教學(xué)組織、評價(jià)與反饋、教學(xué)提升五個(gè)維度[14]；全守杰等采用德爾菲法搭建指標(biāo)體系，通過問卷調(diào)查和訪談法對教師教學(xué)進(jìn)行反饋與評價(jià)，以期分析不同教學(xué)角度下的教師教學(xué)勝任力發(fā)展現(xiàn)狀[15]。實(shí)際上，問卷調(diào)查的回復(fù)可能受到受訪者主觀意識(shí)、理解能力、情緒狀態(tài)等多種因素影響，且難以量化分析，這不僅限制數(shù)據(jù)分析的深度和質(zhì)量，也限制教師教學(xué)勝任力的可持續(xù)測評。

因此，在教育數(shù)字化轉(zhuǎn)型的背景下，課堂中的教師教學(xué)勝任力評價(jià)需要利用數(shù)字化技術(shù)，將傳統(tǒng)的、局限于教學(xué)內(nèi)容的評價(jià)，轉(zhuǎn)化為對教師教學(xué)素養(yǎng)、教學(xué)能力和基本教學(xué)技能的綜合評價(jià)，使評價(jià)內(nèi)容更加深刻和全面。師生對智能感知設(shè)備等教育工具[16]的每一次點(diǎn)擊都會(huì)產(chǎn)生相關(guān)數(shù)據(jù)并記錄下來。目前，已有很多研究案例表明，這些數(shù)據(jù)可以有效挖掘?qū)W生的學(xué)習(xí)情況和教師的教學(xué)情況，從而調(diào)整學(xué)習(xí)內(nèi)容和教學(xué)策略，確保教學(xué)質(zhì)量和效率。例如，學(xué)校可以利用智慧教室環(huán)境下的攝像機(jī)和錄播功能終端，結(jié)合視頻分析軟件和課堂分析系統(tǒng)等人工智能技術(shù)，對師生行為數(shù)據(jù)進(jìn)行采集、分析和評價(jià)[17]，旨在通過評價(jià)來改進(jìn)教學(xué)實(shí)踐；還可以利用校園網(wǎng)、移動(dòng)學(xué)習(xí)終端、人工收集等方式，采集線上教學(xué)與學(xué)生行為數(shù)據(jù)，并使用機(jī)器學(xué)習(xí)進(jìn)行數(shù)據(jù)處理，形成全面的教學(xué)實(shí)施評價(jià)報(bào)告[18]。此外，一些研究也探索使用課堂教學(xué)分級模型來評價(jià)教師[19]，并提供相應(yīng)的干預(yù)措施，這不僅可以精準(zhǔn)評估教師教學(xué)屬性[20]，還可以幫助教師進(jìn)行教學(xué)反思以提升專業(yè)發(fā)展水平[21]。由此可見，數(shù)據(jù)驅(qū)動(dòng)的評價(jià)方式展現(xiàn)出巨大的潛力，構(gòu)建面向教學(xué)過程的智能系統(tǒng)，并連接線上教學(xué)過程和真實(shí)課堂環(huán)境下實(shí)時(shí)交流的高質(zhì)量數(shù)據(jù)集[22]，能夠更加真實(shí)有效地評價(jià)教師的認(rèn)知建構(gòu)和實(shí)踐能力。

（三）教育領(lǐng)域大模型的應(yīng)用

大模型是深度學(xué)習(xí)、自然語言處理等多種智能技術(shù)共同發(fā)展的產(chǎn)物[23]，具有數(shù)十億到數(shù)百億，甚至更多可訓(xùn)練參數(shù)。大模型訓(xùn)練通常需要海量的標(biāo)注或非標(biāo)注數(shù)據(jù)支持，能夠從原始數(shù)據(jù)（包括圖像、文本、音頻和視頻數(shù)據(jù)[24]）中自動(dòng)學(xué)習(xí)并發(fā)現(xiàn)新的、更高層次的特征和模式，這一過程被形象地稱為 “涌現(xiàn)”現(xiàn)象[25]。在全球范圍內(nèi)，大模型在教育領(lǐng)域有著廣泛深入的應(yīng)用和發(fā)展。在常見場景中，大模型以卓越的性能，從學(xué)習(xí)助手、教學(xué)助手、心理輔導(dǎo)助手和編程助手等多個(gè)典型教育應(yīng)用場景出發(fā)，為教育智能化發(fā)展提供了強(qiáng)大的推動(dòng)力，并通過發(fā)揮其多模態(tài)、伴隨式等特點(diǎn)，增加了機(jī)器在師生和學(xué)生之間等人際互動(dòng)中的輔助作用。例如，谷歌的MobileBERT問答系統(tǒng)能夠快速理解并回應(yīng)學(xué)生的問題；OpenAI的GPT-3、GPT-4模型能夠生成詳細(xì)解釋和答案，以輔助教學(xué)；騰訊的“教育圖靈”大模型可以為學(xué)生提供個(gè)性化的學(xué)習(xí)路徑；微軟的DialoGPT大模型能夠構(gòu)建與用戶進(jìn)行自然對話的心理輔導(dǎo)助手。在創(chuàng)新場景中，尹珺瑤探索以ChatGPT、Qwen-72B-Chat和Qwen-14B-Chat等大模型為技術(shù)支撐進(jìn)行寫作輔助能力測評，以推動(dòng)高等教育與科研垂類大模型的建設(shè)[26]；劉佳等針對知識(shí)點(diǎn)難定位和難理解問題，提出了一種基于教育知識(shí)圖譜和大語言模型協(xié)同的教育資源內(nèi)容審查方法，開辟了新的技術(shù)路徑[27]；余勝泉等提出通過增強(qiáng)大模型來構(gòu)建通用人工智能教師架構(gòu)，再通過教育知識(shí)圖譜對大模型輸出進(jìn)行監(jiān)督，使人工智能教師和人類教師協(xié)同發(fā)展[28]。

綜上所述，教學(xué)勝任力是提升教育質(zhì)量、實(shí)現(xiàn)教育目標(biāo)的關(guān)鍵能力，其測評仍面臨困境，而大模型技術(shù)具備強(qiáng)大的數(shù)據(jù)處理、深度分析能力，可以為相關(guān)問題的解決提供支持。

三、教師教學(xué)勝任力伴隨式測評大模型的構(gòu)建流程

在梳理和分析已有教師教學(xué)勝任力構(gòu)成要素及不同技術(shù)范式下主流教育領(lǐng)域大模型應(yīng)用現(xiàn)狀的基礎(chǔ)上，針對教師教學(xué)勝任力評價(jià)存在的主觀性強(qiáng)、評價(jià)維度不全面、個(gè)性化反饋不足等問題，本研究結(jié)合大模型技術(shù)和已有相關(guān)實(shí)踐研究，構(gòu)建教師教學(xué)勝任力伴隨式測評大模型框架，以此深化教師教學(xué)勝任力的培養(yǎng)。如圖1所示，該模型構(gòu)建流程以教師專業(yè)發(fā)展為導(dǎo)向，以勝任力為基礎(chǔ)，主要包括測評維度選擇、大模型基座設(shè)計(jì)、精準(zhǔn)子模型構(gòu)建和多模態(tài)數(shù)據(jù)表征。

（一）測評維度選擇

在國際視野下，2004年，為應(yīng)對面授、在線與混合式教學(xué)環(huán)境的挑戰(zhàn)，國際培訓(xùn)、績效、教學(xué)標(biāo)準(zhǔn)委員會(huì)（IBSTPI）制定了一套教師通用能力標(biāo)準(zhǔn)。該標(biāo)準(zhǔn)聚焦于五個(gè)核心維度：專業(yè)基礎(chǔ)、計(jì)劃與準(zhǔn)備、教學(xué)方法與策略、評估與評價(jià)和教學(xué)管理，每一個(gè)維度都與教學(xué)的整體流程緊密相連[29]。美國托萊多大學(xué)的吉比尼（Jibrin）和威爾瑪（Wilmer）兩位教授進(jìn)一步細(xì)化教師能力評估框架，通過5個(gè)主題和49條評定條目，全面評估實(shí)習(xí)教師的能力。在國內(nèi)，張祥蘭等將教學(xué)勝任力定義為教師在特定教學(xué)情境中展現(xiàn)出的心理和行為特征，其能夠有效影響教學(xué)設(shè)計(jì)、教學(xué)實(shí)施和教學(xué)效果[30]。顏正恕構(gòu)建高校教師教學(xué)勝任力模型和評價(jià)體系，包括教學(xué)人格、信息素養(yǎng)、晶體能力、教學(xué)影響、教學(xué)互動(dòng)、教學(xué)管理等6個(gè)一級因子，指向教學(xué)設(shè)計(jì)和組織、教學(xué)過程、教學(xué)評價(jià)等教學(xué)過程的關(guān)鍵環(huán)節(jié)[31]。上述觀點(diǎn)都認(rèn)為教師需要具備有效完成教學(xué)整體過程的教學(xué)設(shè)計(jì)勝任能力、教學(xué)實(shí)施勝任能力和教學(xué)評價(jià)勝任能力，其與相關(guān)政策中關(guān)注的教學(xué)工作技能訓(xùn)練基本一致。因此，本研究以教學(xué)核心流程[32]和《高等師范學(xué)校學(xué)生的教師職業(yè)技能訓(xùn)練大綱（試行）》為基準(zhǔn)，從教學(xué)準(zhǔn)備到布置作業(yè)，有效提取關(guān)鍵的行為特征，涵蓋教師教學(xué)的各個(gè)環(huán)節(jié)，然后對這些行為特征進(jìn)行界定，并將其映射到教師的教學(xué)能力中，關(guān)注教師在每個(gè)教學(xué)環(huán)節(jié)的表現(xiàn)，包括3個(gè)維度和12個(gè)指標(biāo)，如表1所示。

（二）大模型基座設(shè)計(jì)

已有研究指出，基于多模態(tài)整合的大模型，結(jié)合教與學(xué)需求進(jìn)行下游任務(wù)的適配與創(chuàng)新，將有助于解決教育領(lǐng)域的實(shí)際問題[33]。

針對課堂測評的特定任務(wù)和問題，直接使用預(yù)訓(xùn)練的單一大模型可能無法滿足全部需求。模型訓(xùn)練層是教師教學(xué)勝任力測評的中心部分，應(yīng)從測評目的達(dá)成、大模型技術(shù)特性和細(xì)粒度特征對齊三個(gè)視角進(jìn)行選擇。例如，可以選擇ChatGLM3、Stable Diffusion EduBERT、mT5等通用大模型作為“基座”，通過綜合運(yùn)用小樣本學(xué)習(xí)和微調(diào)等技術(shù)手段，構(gòu)建教師精準(zhǔn)勝任能力測評模型[34]，全方位掌握教師在不同勝任能力指標(biāo)下的教學(xué)表現(xiàn)。具體來說：在泛化方面，引入小樣本學(xué)習(xí)技術(shù)，利用少量標(biāo)注好的教學(xué)數(shù)據(jù)，結(jié)合監(jiān)督學(xué)習(xí)方法，降低數(shù)據(jù)集的過擬合，提高模型的泛化能力。在評估方面，動(dòng)態(tài)感知實(shí)時(shí)更新的教學(xué)數(shù)據(jù)和教學(xué)場景，以全面跟蹤和識(shí)別教師教學(xué)勝任力的達(dá)成情況；靜態(tài)感知呈現(xiàn)出相對穩(wěn)定狀態(tài)教師所授課程的體系和教學(xué)模式等要素，以準(zhǔn)確實(shí)現(xiàn)特征提取和場景理解。在記憶方面，測評大模型將整體復(fù)雜的測評任務(wù)拆分為若干個(gè)子任務(wù)，即針對具體教育任務(wù)或教師指令進(jìn)行每一個(gè)具體勝任能力的測評[35]。在這個(gè)過程中，存在“短期記憶”和“長期記憶”兩種記憶方式[36]的融合。其中，“短期記憶”通過引入自注意力機(jī)制，存儲(chǔ)與教師相關(guān)的最近信息、知識(shí)和術(shù)語，實(shí)現(xiàn)對新信息的快速響應(yīng)和處理；“長期記憶”表現(xiàn)為對課堂歷史數(shù)據(jù)和場景信息的理解和處理，形成經(jīng)驗(yàn)，在面對新教學(xué)情境或培訓(xùn)情境時(shí)能快速提取相關(guān)信息，精準(zhǔn)理解上下文的關(guān)聯(lián)性，作出準(zhǔn)確的判斷和決策，避免回到預(yù)先設(shè)定的泛化智能體的記憶和性格上[37]，嘗試實(shí)現(xiàn)具有長短期記憶的大模型個(gè)性化應(yīng)用[38]。

（三）精準(zhǔn)子模型構(gòu)建

教師教學(xué)勝任力大模型包括教學(xué)設(shè)計(jì)勝任力、課堂導(dǎo)入勝任力、板書板畫勝任力、課堂演示勝任力、課堂講解勝任力、課堂反饋勝任力、課堂強(qiáng)化勝任力、課堂組織勝任力、課堂變化勝任力、課堂結(jié)束勝任力和課堂評價(jià)勝任力12個(gè)精準(zhǔn)子模型。本研究以教學(xué)設(shè)計(jì)勝任力模型為例，闡釋精準(zhǔn)子模型的訓(xùn)練策略（見圖2）：①明確教學(xué)設(shè)計(jì)勝任力模型所需的數(shù)據(jù)集類型、規(guī)模和標(biāo)簽要求，進(jìn)一步將已有數(shù)據(jù)集進(jìn)行分類并標(biāo)注，再根據(jù)各項(xiàng)能力的描述，采用人工標(biāo)注標(biāo)識(shí)出每個(gè)樣本在教學(xué)設(shè)計(jì)能力方面的關(guān)鍵信息和特征。②加載預(yù)訓(xùn)練模型。將經(jīng)過大量教育數(shù)據(jù)預(yù)訓(xùn)練，且具備一定教育文本理解和處理能力的通用大模型，作為預(yù)訓(xùn)練模型。③使用p-tuning v2微調(diào)。原預(yù)訓(xùn)練模型的參數(shù)固定不變，利用前綴提示策略，將教學(xué)設(shè)計(jì)相關(guān)的提示信息和特征添加到模型的輸入層或表示層進(jìn)行微調(diào)，能夠?qū)崿F(xiàn)更多可學(xué)習(xí)的參數(shù)。同時(shí)，采用自適應(yīng)優(yōu)化策略，根據(jù)模型在訓(xùn)練過程中的表現(xiàn)，動(dòng)態(tài)調(diào)整微調(diào)參數(shù)的權(quán)重。考慮到精準(zhǔn)子模型是具有相關(guān)性的多個(gè)模型，因此引入多任務(wù)學(xué)習(xí)機(jī)制和共享底層參數(shù)的模型架構(gòu)，使得模型在訓(xùn)練過程中能夠共享信息和特征，以提高模型的泛化能力和魯棒性。④進(jìn)行模型訓(xùn)練。根據(jù)已經(jīng)設(shè)計(jì)好的合理訓(xùn)練流程，使用標(biāo)注好的數(shù)據(jù)集對模型進(jìn)行訓(xùn)練，并持續(xù)監(jiān)控訓(xùn)練過程中的性能指標(biāo)，如準(zhǔn)確率、召回率、F1值等，并在此過程中采用數(shù)據(jù)增強(qiáng)減輕過擬合。⑤模型性能評估。使用獨(dú)立的測試集對模型進(jìn)行評估，驗(yàn)證其在教學(xué)設(shè)計(jì)勝任力測評任務(wù)上的性能。

（四）多模態(tài)數(shù)據(jù)表征

教師教學(xué)數(shù)據(jù)集是構(gòu)建垂直大模型的研究基礎(chǔ)。通常，數(shù)據(jù)的來源和預(yù)處理方法是兩大關(guān)鍵，對模型的泛化能力、適應(yīng)性和預(yù)測準(zhǔn)確度具有直接影響。在數(shù)據(jù)來源方面，主要依托互聯(lián)網(wǎng)的傳輸與存儲(chǔ)功能，通過教師使用的數(shù)字化教學(xué)工具，在課前、課后記錄線下師生互動(dòng)、生生互動(dòng)、課后課堂錄像分析、授課反饋等信息，再結(jié)合各種監(jiān)控或傳感設(shè)備，獲取教師的表情、聲紋、動(dòng)作等數(shù)據(jù)，以及不同班級學(xué)習(xí)者的背景、課程基本信息。整個(gè)過程將課程教學(xué)和數(shù)字化平臺(tái)高效整合，以期實(shí)現(xiàn)教師教學(xué)流程的動(dòng)態(tài)追蹤與周圍環(huán)境的量化表征[39]。獲取的多源過程性數(shù)據(jù)通過聯(lián)通不同的人工智能技術(shù)終端，實(shí)現(xiàn)集成式的數(shù)據(jù)分類。當(dāng)前，已有相關(guān)教學(xué)平臺(tái)能夠采集多模態(tài)過程性記錄數(shù)據(jù)。以希沃白板為例，該平臺(tái)采集的數(shù)據(jù)或信息如表2所示。

在數(shù)據(jù)預(yù)處理層面，由于用于微調(diào)的數(shù)據(jù)集是精準(zhǔn)生成測評結(jié)果的重要基礎(chǔ)，對未預(yù)見的數(shù)據(jù)模型有可能會(huì)產(chǎn)生錯(cuò)誤的判斷，因此需要增加數(shù)據(jù)集中教育要素涵蓋的廣泛性。為了確保第一輪獲取高質(zhì)量的數(shù)據(jù)集，首先，引入情景化分析，根據(jù)不同的教學(xué)場景、學(xué)科特點(diǎn)、學(xué)生群體多樣性等因素，動(dòng)態(tài)調(diào)整數(shù)據(jù)過濾的條件和參數(shù)，以確保數(shù)據(jù)集的多樣性與平衡性，有助于減輕模型的知識(shí)幻覺[40]。其次，在集成過程中，通過二次預(yù)訓(xùn)練、有監(jiān)督微調(diào)、檢索增強(qiáng)生成等，進(jìn)一步提升模型的泛化能力。同時(shí)，將教學(xué)數(shù)據(jù)和通用語料數(shù)據(jù)聯(lián)合訓(xùn)練，以在動(dòng)態(tài)教學(xué)數(shù)據(jù)環(huán)境下放入垂直領(lǐng)域高質(zhì)量數(shù)據(jù)集[41]，避免模型發(fā)生災(zāi)難性遺忘。

四、教師教學(xué)勝任力模型應(yīng)用場景

在底層建設(shè)和模型訓(xùn)練之后，可以在反饋優(yōu)化層通過相關(guān)可視化工具輸出教師教學(xué)勝任力測評畫像，繼而生成專業(yè)詳盡的教師分析報(bào)告，以服務(wù)于教師發(fā)展的具體應(yīng)用場景。

（一）教學(xué)勝任力畫像生成與更新

依托大模型的測評技術(shù)，不僅能夠生成詳盡的教學(xué)勝任力圖譜，為教師提供明確的教學(xué)改進(jìn)方向和策略指導(dǎo)，而且能夠借助直觀的可視化手段，為教師呈現(xiàn)課堂教學(xué)的表現(xiàn)和特點(diǎn)，共同構(gòu)成教師個(gè)人發(fā)展的數(shù)字化印記。

首先，教師借助伴隨式測評轉(zhuǎn)變課堂領(lǐng)導(dǎo)者、知識(shí)傳遞者的角色定位。大模型支持擁有更多的參數(shù)和更大的容量，相比傳統(tǒng)模型，能充分利用所有可用數(shù)據(jù)，實(shí)時(shí)反映異常行為和潛在問題。教師在反饋過程中不斷發(fā)現(xiàn)自身所缺乏的能力，在新的教學(xué)生態(tài)關(guān)系下，以設(shè)計(jì)者、協(xié)調(diào)者和學(xué)習(xí)者的角色重構(gòu)教學(xué)角色和方式[42]，實(shí)現(xiàn)教學(xué)效果的最大化。其次，教師借助伴隨式測評結(jié)果更好地設(shè)計(jì)線上和線下教學(xué)內(nèi)容。大模型在處理復(fù)雜任務(wù)時(shí)表現(xiàn)更好，能夠基于實(shí)時(shí)的算法分析結(jié)果和具體授課場景提供詳盡的診斷解讀，深入洞察教師在面對不同課程體系和個(gè)性化學(xué)生時(shí)，其某一教學(xué)勝任能力的細(xì)微差別和實(shí)際發(fā)展，從而產(chǎn)出與當(dāng)前教學(xué)場景相匹配的教學(xué)內(nèi)容。最后，教師借助伴隨式測評規(guī)劃自身專業(yè)發(fā)展成長路徑。教師與測評大模型在反饋過程中相互促進(jìn)，教師的知識(shí)增長和能力提升可以不斷完善模型，而模型的優(yōu)化又進(jìn)一步賦能教師教學(xué)，由此構(gòu)筑更為公平的教學(xué)成效評估標(biāo)準(zhǔn)與內(nèi)容反饋機(jī)制[43]，打造教師自身專屬的成長路徑。

（二）人機(jī)協(xié)同支持教師教學(xué)勝任力持續(xù)發(fā)展

人機(jī)協(xié)同正在成為教師教學(xué)活動(dòng)中不可或缺的重要形式，教師不僅能夠在教學(xué)內(nèi)容的設(shè)計(jì)與實(shí)施上獲得智能輔助，還能借助數(shù)據(jù)分析，進(jìn)一步提升教學(xué)勝任力，滿足不同學(xué)生的學(xué)習(xí)需求。

首先，在課堂教學(xué)方面，人機(jī)協(xié)同支持教師發(fā)展高自我效能感。每一次學(xué)習(xí)設(shè)計(jì)既由教師自主選擇，又由人機(jī)協(xié)同的反饋手段引導(dǎo)教師按照合理的節(jié)奏重新設(shè)計(jì)，以更豐富、更快捷的人機(jī)交互方式提升教師教學(xué)設(shè)計(jì)的自我效能感，使其更愿意嘗試新的教學(xué)實(shí)踐。其次，通過實(shí)時(shí)反饋學(xué)生的學(xué)習(xí)特點(diǎn)和需求，促進(jìn)教師反思與成長。教師教學(xué)勝任力測評過程中伴隨著學(xué)生學(xué)情的智能分析，以及識(shí)別學(xué)生的學(xué)習(xí)難點(diǎn)和興趣點(diǎn)等，能夠折射出教師研究知識(shí)與實(shí)踐知識(shí)的差異，進(jìn)而在一定程度上促進(jìn)教師與機(jī)器“協(xié)同設(shè)計(jì)概念化認(rèn)知”。最后，階段性反饋面板與教師配合，實(shí)現(xiàn)教師自我審視。教師逐步注重教學(xué)技能、動(dòng)機(jī)特質(zhì)等方面的提升，致力于創(chuàng)生新的知識(shí)和方法，通過與測評大模型的協(xié)同交互，積極尋找專業(yè)發(fā)展機(jī)會(huì)。

（三）優(yōu)質(zhì)資源與教師畫像的精準(zhǔn)匹配

即時(shí)測評反饋機(jī)制能夠確保個(gè)性化備授課資源的精準(zhǔn)供給，使教師能夠根據(jù)學(xué)生的不同需求和教學(xué)目標(biāo)，靈活調(diào)整教學(xué)內(nèi)容和方式。這種資源的精確匹配成為提升教師教學(xué)實(shí)踐能力和整體教學(xué)質(zhì)量的關(guān)鍵所在。

基于通用大模型的教師教學(xué)勝任力伴隨式測評，能夠形成包含學(xué)科資源特征、體現(xiàn)教師授課風(fēng)格，以及智能獲取的學(xué)習(xí)場景等在內(nèi)的綜合信息，通過動(dòng)態(tài)提取網(wǎng)絡(luò)資源，有效突破現(xiàn)有技術(shù)在教師資源自動(dòng)構(gòu)建和更新方面存在的局限性，提升教師的教學(xué)勝任力。一方面，系統(tǒng)自動(dòng)從教師授課的海量數(shù)據(jù)中提取有用信息，突破現(xiàn)有教育資源僅由檢索機(jī)制獲取的局限，大大減少了人工干預(yù)的需要，實(shí)現(xiàn)自適應(yīng)教學(xué)資源的共建共享與多模態(tài)轉(zhuǎn)換，打破數(shù)據(jù)孤島和信息壁壘；另一方面，教師在教學(xué)活動(dòng)中既是參與者，也是自主發(fā)展的特殊學(xué)習(xí)者，應(yīng)開展基于證據(jù)的智能教學(xué)勝任力評價(jià)。通過可視化的動(dòng)態(tài)反饋層，開發(fā)者深入分析教師的需求和偏好，客觀描述教師個(gè)體特征，突破資源流通中的信息不對稱問題，全面了解教師對資源的需求情況，減少教育資源盲目開發(fā)而導(dǎo)致的浪費(fèi)。

（四）面向教師發(fā)展的循證決策與管理

教師教學(xué)勝任力提升的最主要落腳點(diǎn)，在于學(xué)校結(jié)合本校教師各自特點(diǎn)規(guī)劃與實(shí)施不同的培訓(xùn)策略。學(xué)校領(lǐng)導(dǎo)層和管理者可依托反饋優(yōu)化層，即時(shí)獲取課堂教學(xué)實(shí)施情況的分析報(bào)告，再根據(jù)報(bào)告，找出問題，改進(jìn)管理策略，制定教研決策方案。

一方面，區(qū)域或?qū)W校管理人員需為教師教學(xué)勝任力發(fā)展提供明確的指導(dǎo)和軟硬件支持。科學(xué)、透明的過程監(jiān)管手段與教育決策依據(jù)有助于推動(dòng)教學(xué)活動(dòng)不斷增值，并為具有較低教學(xué)勝任能力水平的職前或在職教師提供有針對性的軟硬件支持。例如，在教學(xué)設(shè)計(jì)方面加強(qiáng)專題教育等內(nèi)容，凝聚全校教師使用數(shù)字化工具開展教學(xué)的規(guī)律與特點(diǎn)，提供優(yōu)化訓(xùn)練某一勝任能力和的智能推薦，幫助教師實(shí)現(xiàn)數(shù)字化課堂的有的放矢，以實(shí)現(xiàn)“數(shù)據(jù)→信息→知識(shí)→智慧”的增值[44]。另一方面，在教研活動(dòng)中，區(qū)域及學(xué)校決策層可以搭建平臺(tái)，組織教師參加交流研討等活動(dòng)，促進(jìn)教師之間的經(jīng)驗(yàn)分享和合作互助，形成良好氛圍，推動(dòng)教師群體勝任能力的共同進(jìn)步。

五、結(jié)語

本研究基于教學(xué)設(shè)計(jì)勝任能力、教學(xué)實(shí)施勝任能力和教學(xué)評價(jià)勝任能力3大維度，以及12個(gè)指標(biāo)，通過篩選并整合多源異構(gòu)的過程數(shù)據(jù)，利用超大規(guī)模的人工智能算法進(jìn)行建模，設(shè)計(jì)了教師教學(xué)勝任力伴隨式測評大模型。目前，本研究仍處于探索性階段，旨在作為傳統(tǒng)測評手段的一種有益補(bǔ)充，應(yīng)對當(dāng)前測評中存在的方法滯后與技術(shù)不足等問題，促進(jìn)教師教學(xué)勝任力的實(shí)質(zhì)性提升。

參考文獻(xiàn)：

[1]教育部辦公廳.教育部辦公廳關(guān)于開展人工智能助推教師隊(duì)伍建設(shè)行動(dòng)試點(diǎn)工作的通知[EB/OL].（2018-08-07）[2024-10-12].https：//www.gov.cn/zhengce/zhengceku/2018-12/31/content_5441144.htm.

[2]何齊宗，熊思鵬.高校教師教學(xué)勝任力模型構(gòu)建研究[J].高等教育研究，2015，36（7）：60-67.

[3]田俊，田文匯，王萱，等.中小學(xué)教師在線教學(xué)勝任力模型構(gòu)建與應(yīng)用——一項(xiàng)基于行為事件訪談的混合研究[J].中國電化教育，2023（10）：126-133.

[4]MCCLELLAND D C. Testing for competence rather than for“intelligence”[J]. American Psychologist， 1973（1）：1-14.

[5]呂昕穎，沈壯娟.高校國際中文教師教學(xué)勝任力對教學(xué)反思的影響：一個(gè)有調(diào)節(jié)的中介模型[J].遼寧師范大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2024，47（2）：58-65.

[6]盛迪韻.教學(xué)實(shí)踐能力的涌現(xiàn)——從日本教師教育課程模式談起[J].上海師范大學(xué)學(xué)報(bào)（哲學(xué)社會(huì)科學(xué)版），2012，41（1）：59-66.

[7]倪美青.“互聯(lián)網(wǎng)+”背景下初中語文教師教學(xué)能力發(fā)展策略[J].教育理論與實(shí)踐，2020，40（32）：53-55.

[8]葛文雙，韓錫斌.數(shù)字時(shí)代教師教學(xué)能力的標(biāo)準(zhǔn)框架[J].現(xiàn)代遠(yuǎn)程教育研究，2017（1）：59-67.

[9]張啟勝.中學(xué)教師教學(xué)勝任力的內(nèi)涵要義、邏輯架構(gòu)與發(fā)展路徑[J].教育理論與實(shí)踐，2022，42（8）：22-26.

[10]胡小勇，許課雪，張纓斌.面向教師畫像的能力精準(zhǔn)測評和可視化呈現(xiàn)[J].中國電化教育，2024（1）：104-110.

[11]林梓柔，閆寒冰.基于預(yù)訓(xùn)練的教師信息化教學(xué)微能力自動(dòng)識(shí)別研究[J].電化教育研究，2023，44（3）：115-121.

[12]何齊宗，熊思鵬.高校教師教學(xué)勝任力模型構(gòu)建研究[J].高等教育研究，2015，36（7）：60-67.

[13]DINEKEE H， DIANAH J， INEKEH P， et al.The development and validation of a framework for teaching competences in higher education[J]. Higher Education，2004（2）：234-348.

[14]趙忠君，鄭晴.智慧學(xué)習(xí)環(huán)境下高校教師勝任力模型構(gòu)建的實(shí)證研究[J].中國電化教育，2019（2）：43-50.

[15]全守杰，陳相含.高校教師教學(xué)勝任力指標(biāo)體系的理論建構(gòu)與改進(jìn)路徑[J].西南科技大學(xué)學(xué)報(bào)（哲學(xué)社會(huì)科學(xué)版），2023，40（6）：88-97.

[16]張倍思，陳燁，齊藝，等.多源過程性數(shù)據(jù)驅(qū)動(dòng)的學(xué)習(xí)者綜合評價(jià)模型研究[J].情報(bào)科學(xué)，2022，40（5）：104-110.

[17]鄧偉，楊曉丹，高倩倩，等.人工智能支持下的課堂教學(xué)評價(jià)模型研究[J].中國教育信息化，2023，29（8）：3-14.

[18]李曉婷，袁凌云.基于大數(shù)據(jù)技術(shù)的智慧教學(xué)評價(jià)模型構(gòu)建[J].科技創(chuàng)新與應(yīng)用，2023，13（12）：11-14，19.

[19]胡航，杜爽.深度課堂教學(xué)分級模型的構(gòu)建與應(yīng)用研究[J].電化教育研究，2023，44（1）：91-99.

[20]SHARIFI M， SOLEIMANI H. E-portfolio evaluation and vocabulary learning： Moving from pedagogy to andragogy[J]. British Journal of Educational Technology， 2017，48（6）：1441-1450.

[21]CARL A， STRYDOM S. E-Portfolio as reflection tool during teaching practice：The interplay between contextual and dispositional variables[J]. South African Journal of Education， 2017，37（1）：1-10.

[22]張家華，胡惠芝，黃昌勤.多模態(tài)學(xué)習(xí)分析技術(shù)支持的學(xué)習(xí)評價(jià)研究[J].現(xiàn)代教育技術(shù)，2022，32（9）：38-45.

[23]顧小清，劉桐.大模型時(shí)代的智適應(yīng)學(xué)習(xí)研究：進(jìn)展、實(shí)例與展望[J].中國教育信息化，2024，30（5）：55-66.

[24]劉倩倩，劉圣嬰，劉煒.圖書情報(bào)領(lǐng)域大模型的應(yīng)用模式和數(shù)據(jù)治理[J].圖書館雜志，2023，42（12）：22-35.

[25]BROWN T， MANN B， RYDER N， et al. Language models are few-shot learners[EB/OL].（2020-5-28）[2024-10-20]. https：//arxiv.org/abs/2005.14165.

[26]尹珺瑤.大模型在高等教育中的應(yīng)用：大模型寫作輔助能力測評[J].電化教育研究，2024，45（9）：82-89，96.

[27]劉佳，孫新，張宇晴.知識(shí)圖譜與大語言模型協(xié)同的教育資源內(nèi)容審查[J].華東師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2024（5）：57-69.

[28]余勝泉，熊莎莎.基于大模型增強(qiáng)的通用人工智能教師架構(gòu)[J].開放教育研究，2024，30（1）：33-43.

[29]王晶心，王勝清，陳文廣.基于TPACK的高校教師混合式教學(xué)勝任力模型研究[J].中國遠(yuǎn)程教育，2022（8）：26-34.

[30]張祥蘭，許放.項(xiàng)目化課程改革中高職院校教師教學(xué)勝任力研究[J].高教探索，2009（6）：123-126.

[31]顏正恕.高校教師慕課教學(xué)勝任力模型構(gòu)建研究[J].開放教育研究，2015，21（6）：104-111.

[32]李斌.關(guān)于教師能力結(jié)構(gòu)的分析研究[J].江蘇教育學(xué)院學(xué)報(bào)（社會(huì)科學(xué)版），2005（6）：54-56.

[33]羅江華，張玉柳.多模態(tài)大模型驅(qū)動(dòng)的學(xué)科知識(shí)圖譜進(jìn)化及教育應(yīng)用[J].現(xiàn)代教育技術(shù)，2023，33（12）：76-88.

[34]WU S Q， FEI H， QU L， et al. NExT-GPT：any-to-any multimodal LLM[EB/OL].（2024-6-25）[2024-12-10]. https：//arxiv.org/abs/2309.05519.

[35]ZHAO Z R， LEE W S， HSU D. Large language models as commonsense knowledge for large-scale task planning[EB/OL].（2023-10-30）[2024-12-10]. https：//arxiv.org/abs/2305.14078.

[36]MIN S， LYU X， HOLTZMAN A， et al. Rethinking the role of demonstrations：what makes in-context learning work？[EB/OL].（2022-10-20）[2024-12-10]. https：//arxiv.org/abs/2202.12837.

[37]官璐，何康，斗維紅.微調(diào)大模型：個(gè)性化人機(jī)信息交互模式分析[J].新聞界，2023（11）：44-51，76.

[38]盧宇，余京蕾，陳鵬鶴，等.多模態(tài)大模型的教育應(yīng)用研究與展望[J].電化教育研究，2023，44（6）：38-44.

[39]胡小勇，眭慧，陳瑩，等.多場景融合的教師數(shù)字畫像：模式建構(gòu)與應(yīng)用方法[J].中國遠(yuǎn)程教育，2024，44（4）：47-57.

[40]MARTINO A， lANNELLI M， TRUONG C. Knowledge injection to counter large language model（LLM）hallucination[C]// In： Pesquita， C.， et al. The Semantic Web： ESWC 2023 Satellite Events. ESWC 2023. Lecture Notes in Computer Science， vol 13998，2023：182-185.

[41]余勝泉，熊莎莎.基于大模型增強(qiáng)的通用人工智能教師架構(gòu)[J].開放教育研究，2024，30（1）：33-43.

[42]本刊編輯部.人工智能時(shí)代教師數(shù)字素養(yǎng)與勝任力提升之道——2024世界數(shù)字教育大會(huì)教師數(shù)字素養(yǎng)與勝任力提升平行會(huì)議綜述[J].中國教育信息化，2024，30（3）：37-42.

[43]GOLD P. How AI will permanently disrupt the education industry[EB/OL].（2023-09-03）[2024-12-25]. https：//goldpenguin.org/blog/how-ai-will-permanently-disrupt-the-education-industry/.

[44]LUAN J. Data mining and its applications in higher education[J]. New Directions for Institutional Research， 2002（113）：17-36.

Accompanying Assessment of Teachers’ teaching Competence Supported by Large Model

Xiaoyong HU1， Guoguo TU2， Yaqi XIE2

（1.Research Institute of Educational Artificial Intelligence， South China Normal University， Guangzhou 510631， Guangdong;

2.School of Educational Information Technology， South China Normal University， Guangzhou 510631， Guangdong）

Abstract： To promote the high-quality development of teachers’ teaching competence， it is crucial to play the role of the commanding rod in teachers’ digital teaching application evaluation. Traditional methods of evaluating teachers’ teaching competence have many shortcomings， such as strong subjectivity， low accuracy， incomplete evaluation dimensions， low data utilization rate， and lack of personalized evaluation. Therefore， it is necessary to study the accompanying evaluation method for teachers’ teaching competence， providing real-time tracking， feedback， and optimization of teachers’ teaching competence. First， the connotation of teachers’ teaching competence and its evaluation development were summarized， and the current status of big model technology application in the field of education was analyzed. Second， based on these research backgrounds， combined with big model technology and existing practical research， a vertical big model-supported teachers’ teaching competence accompanying evaluation big model framework was constructed. The framework includes four key components： evaluation dimension selection， big model pedestal design， precise sub-model construction， and multi-modal data representation， to innovate the way of intelligent evaluation and profile construction of teachers’ teaching competence， and realize personalized cultivation and development of teachers’ teaching competence; Finally， four major application scenarios of the evaluation big model were proposed： the generation and update of teachers’ competence profile， human-computer collaboration to support teachers’ continuous development， precise matching of high-quality resources and teachers’ profiles， and evidence-based decision-making and management for teachers’ development， aiming to provide reference for relevant research.

Keywords： Large model; Multimodal data; Accompanying assessment; Teachers’ teaching competence; Portrait construction

編輯：王曉明" "校對：李曉萍