数据驱动的教师网络研修社区数字画像构建与应用*——基于“浙江名师网”的数据分析

王永固 陈俊文 丁继红[通讯作者] 王会军 莫世荣

（1.浙江工业大学 教育科学与技术学院，浙江杭州 310014；2.浙江省教育技术中心，浙江杭州 310012）

一、问题的提出

随着“互联网+”教育的普及与深化，网络研修成为教师专业化发展的主要方式。全国多个省市的教育部门正在推进教师网络研修社区的建设和运维工作，包括人人通教师网络学习空间、在线教师工作坊和名师网络工作室等多种形式的教师网络研修社区[1]。教师网络研修社区研修成效的精准评价，将直接影响教师专业发展的质量。目前，教师网络研修社区主要采用定性评价、CIPP 模型分级评价和简单量化排行评价等方法[2-3]。上述评价方法在一定程度上推动了教师网络研修社区的建设与服务工作，但是无法实现其研修过程和研修成效的精准评价。具体表现在四个方面：第一，评价过程过度依靠教研团队的定性评价，缺少实证数据的支持；第二，评价维度和内容缺乏整体性和全面化的考量，注重评价易量化的研修成果，忽略了与研修成果存在相关性的研修活动；第三，评价结果往往采用“合格”与“不合格”等单一结论概括，缺乏有针对性的诊断指导；第四，评价决策导向功能较为薄弱，难以帮助决策者精准施策。

随着大数据分析技术的发展，大数据驱动的研究范式已成为教育科学研究的新取向，为教师网络研修社区的精准评价提供了方法学指导。相关研究表明，教育大数据正催生教师网络研修生态发生整体性变革，通过分析网络研修产生的连续性过程大数据和结果大数据，形成具有实证支持的特征标签，能够使评价趋于客观化、形成性、全局化和智能化[4]。也有研究提出，数据驱动的评价能规避专家主观因素对评价结果的影响，通过机器学习发现教师网络研修的类型特征和运行模式，辅助决策者诊断和干预研修过程，从而做到精准施策[5]。因此，数据驱动的网络研修社区评价，能帮助利益相关者洞见研修社区的特征与运行模式，发现影响社区研修成效的关键因素，据此提出适切性的干预策略，进而改善研修社区的支持服务，提高其服务成效。

鉴于此，我们在分析国内外教师网络研修社区评价研究的基础上，基于数据科学的大数据研究范式的行动框架，提出了教师网络研修社区数字画像的模型框架，以“浙江名师网”的名师网络工作室为样本数据集，采用主成分分析法提取教师网络研修社区的主特征，通过聚类和逐步回归分析，洞见研修成效的影响因素和干预对策，最终开发出教师网络研修社区数字画像的原型。

二、文献综述

（一）网络研修社区及其评价

1.网络研修社区的构成要素

网络研修社区是指具有共同知识背景和发展愿景的教师、借助资源活动聚集形成的学习型组织，它通过聚焦教育教学的实践问题，共享发展默会性知识和实践性知识，达到技能提升和专业成长的目的[6]。关于网络研修社区的构成要素，Baran 和Kursal[7]认为，正式与非正式的研修学习活动是网络研修社区运行的必要基础，研修资源是支持研修活动有效开展的必要物质保障；王陆[8]经过研究发现，研修资源是教师网络研修社区不可缺少的调控要素，研修活动是促进社区成员提升实践反思能力的重要推力；马立等[9]认为，资源与互动是教师网络研修社区的重要组成要素，研修社区成功运行的关键是研修资源的流通再生和研修活动的互动引领。综上分析，研修资源与研修活动是教师网络研修社区的主要构成要素。

2.网络研修社区评价研究

目前，教师网络研修社区主要采用三种经典的评价方法：（1）CIPP 评价。王后雄等[10]介绍了CIPP 评价模型和柯氏四级评价模型，并构建网络研修社区“四维主体、六面驱动”的多维监控评价指标体系。（2）柯氏四级评价。栾学东[11]将柯氏四级评价模型应用于网络研修社区评价，从教师教研满意度、教师实践性知识提升度、教师教学能力改进度和教师所在学校辐射度四个方面，提出网络研修社区绩效评估模型和对应的评价指标体系。（3）SERVQUAL 质量评价。杨卉等[12]针对网络研修社区的服务特点，采用SERVQUAL 质量评价方法，从有形性、可靠性、反应性、保障性和关怀性五个维度，构建了网络研修社区服务质量评价体系。

相关研究进一步发现，教师网络研修社区的经典评价方法，存在三个方面的局限性：一是主观性强和可靠性偏弱。王丽珍等[13]认为，评价工作以评价人员的经验积累为基础，通过定性分析得出评价结果，缺乏真实有效的数据支撑，难以避免测度的主观性，存在可靠性弱的缺点。二是片面性和效用性弱。陈磊[14]发现，网络研修社区的评价存在以偏概全的趋势，注重研修成果的量化评价，忽视研修成果与研修支持服务之间的内在联系，存在反馈性和效用性偏弱的问题。三是导向性和持续反馈能力不足。王冬冬等[15]指出，许多评价实践侧重知识性标准化的评价，减弱了评价的决策导向功能，难以持续性地反馈和改进研修过程。对此，李克东[16]提出，网络研修社区评价要采用质性描述加量化统计的方法，比起单一的质性描述（如，“优秀”、“合格”与“不合格”等）或量化指标（如，“第一”和“第二”等），二者结合能更好地解释研修现象和本质，提升研修成效。

综上，网络研修社区是教师通过共享实践知识和反思性经验来提升专业技能、促进职业发展的网络学习空间，包含研修活动和研修资源两类构成要素。目前，虽然CIPP、柯氏四级和SERVQUAL 三种经典评价方法，为教师网络研修绩效评估提供了参考性的模型和指标体系，有助于推进研修绩效的评估研究；但限于研究范式固有的缺陷，其存在可靠性、效用性和导向性偏弱的问题。随着基于数据科学的大数据研究范式的提出，基于数字画像技术的评价方法，可以应用于教师网络研修社区的绩效评估中，以弥补以上经典评价方法的不足。

（二）基于数据科学的大数据研究范式

1.基于数据科学的大数据研究范式的内涵与优势

随着大数据在社会科学研究领域的应用，社会科学的研究范式正从定性研究、定量研究、仿真研究向大数据研究的第四研究范式转型[17]。教育学作为社会科学的学科领域之一，也正在探索和应用基于数据科学的大数据研究范式[18]。大数据驱动的研究范式的内涵是使用数据科学的方法，描述和刻画海量数据的潜在模式，发现数据中有价值的模型和规律，通过发现的模型预测研究对象的概率性和趋势性[19]。

大数据驱动的第四研究范式是社会科学方法论的革命和认识论的跃迁，将给教育科学研究带来三个方面的变革：（1）增强教育科学研究的预测功能。基于小数据环境的前三种研究范式重在对教育科学现象的解释，而大数据驱动的研究范式则通过在海量数据中发现的模型，来预测人类行为的概率性和趋势性。（2）提升教育科学研究的科学性。将变量测量从“观测”上升为“感知记录”，构建“人工社会”实验计算平台，通过海量规模的全样本的整体性分析，直接呈现或发现社会规律，开展“计算实验”和“平行管理与控制”，并提供多样兼容的容错机制，从而有效解决社会教育系统没有解析模型、难以实验和评估系统行为的问题。（3）促进教育科学内外部之间的融合。大数据的非学科定制性，使不同学科之间的研究对象具有同质性的数据基础，为跨学科合作研究提供了可能；同时，促进了定性研究和定量研究的相互转化和综合集成。

2.基于数据科学的大数据研究范式的行动框架

基于数据科学的大数据研究范式的行动框架，包含五个步骤，具体为数据采集、数据预处理、数据分析、状态呈现和教育决策[20]。其中，数据采集是基础，数据预处理是前提，数据分析是核心，状态呈现是结果，教育决策是目标。五个步骤形成螺旋上升的数据智能生态演化机制。

第一，数据采集是大数据驱动研究范式的基础，通过智能终端和传感器等，从个人和环境中感知记录研究对象的属性数据、行为数据和时空数据。相较前三种范式的数据采集观测方式，感知记录的方式具有客观化、自动化和多模态化等优势，在很大程度上消除了前三种研究范式中数据采集的“观察渗透”，即观察者主观介入问题。

第二，数据预处理是大数据驱动研究范式的前提，是保证数据的准确率、一致性和完整性的重要阶段。数据预处理包括数据清洗、数据集成、数据规约和数据转换四个任务，其中：数据清洗包括移除异常值、替换缺失值、光滑噪声数据、平滑或删除离群点等数据操作；数据集成是将多个数据源中的数据汇合，存放在一个一致化的数据存储中；数据规约是以精简的方式表示数据集，在保留原始数据完整性的基础上压缩数据集；数据转换是对数据进行规范化、离散化和稀疏化处理，以达到适用于挖掘的目的。

第三，数据分析是大数据驱动的研究范式行动框架的核心步骤。本研究采用的数据分析方法有主成分分析、聚类分析和逐步回归分析。其中，主成分分析是将样本原始特征按内部结构相关性划分，提取综合变量表征样本信息，并对样本数据的多维特征进行降维；聚类分析是将物理或抽象对象的集合分组为由类似的对象组成的多个类的分析过程，是一种探索性的无监督学习过程；逐步回归分析是自动从大量可供选择的变量中剔除作用小的、保留作用大的变量，据以建立回归分析的预测或解释模型。

第四，状态呈现是大数据驱动的教育研究的结果。状态呈现通常使用可视化的图表，呈现原始数据中的模式、趋势和规律，生成数据仪表盘和管理驾驶舱，服务用户基于数据分析结果进行科学决策。大数据研究的状态呈现五项特征：（1）处理不同种类型的输入数据；（2）应用不同种类的过滤器调整结果；（3）与数据集进行实时交互；（4）为其他系统提供数据开放接口；（5）提供用户协作选项。

第五，教育决策是大数据驱动的教育研究的目标。教育决策主体基于管理驾驶舱，能够全面、即时地获取决策参考知识，能够在复杂的环境下发现问题并加以应对，并且能够精准地预测教育决策可能产生的结果。基于大数据驱动的教育决策，能够较好地提升教育决策的规范化和科学化，促使决策流程中的数据理性与集体智慧相结合，提升教育决策的民主化[21]。

（三）数字画像技术及其应用

数字画像是由对象多模态信息特征所构成的代理原型，用以支持决策、改进管理和优化服务。用户画像是数字画像的一个类别，是由用户多维特征所构成的典型角色，用以区分用户群体、了解用户需求和发掘潜在用户[22]。数字画像和用户画像的区别在于刻画对象不同，前者刻画的对象为任何有意义的事物，后者刻画的对象为人。

1.数字画像的构建方法与流程

数字画像的构建方法存在设计方法和构建技术两种分类。一是从设计方法视角，分为基于目标需求的构建方法[23]、基于角色的构建方法[24]、基于虚构的构建方法[25]和基于参与的构建方法[26]；二是从构建技术视角，包括基于主题模型的构建方法[27]、基于本体论的构建方法[28]和基于分类聚类的构建方法[29]。

数字画像构建流程遵循大数据驱动的研究范式行动框架。肖君等[30]指出，完整的画像构建流程，包括画像目标设定、数据收集、画像建模、画像生成和画像应用评价五个阶段。胡小勇等[31]提出，画像构建遵循数据采集、数据预处理、画像模型构建、标签体系建立、画像质量评估和画像精准应用等流程。王庆等[32]认为，画像构建流程具体包括数据收集、数据处理、标签建模、画像应用四个阶段。综上分析，数字画像的构建流程，一般分为数据采集、数据处理、画像建模和画像应用四个主要步骤。

2.数字画像在教育领域的应用

学习者画像是数字画像在教育领域的具体应用。陈海建等[33]从学习者的基本属性、知识点兴趣、学习者类型和学习风格偏好四个维度，构建了学习者画像，并进行个性化学习指导。肖君等[34]提出基于xAPI 数据标准的学习者画像构建框架，设计了画像应用案例，分析了开放教育中学习者的学习状态。张雪等[35]利用聚类和LASSO 回归，对学习者基本信息、学习动机主观数据和学习行为数据进行学习分析，生成了学习者类别画像。唐烨伟等[36]采用聚类和规则匹配技术，分析学习过程与结果大数据，构建了学习者画像并规划个性化学习路径。由此可见，数字画像技术虽然已经成为教育领域的重要研究内容，但在教师网络研修社区中应用较少，画像的标签体系还不完善，亟待更多学者进一步深化研究。

三、数据驱动的教师网络研修社区画像模型构建

我们在文献研究和对“浙江名师网”案例分析的基础上，基于“浙江名师网”235 个研修社区的样本数据，构建了教师网络研修社区的画像模型。

（一）数字画像框架

现有研修社区的相关文献研究和案例分析显示，教师网络研修社区由基础信息、研修资源、研修活动和研修成效四个要素构成。（1）基础信息是网络研修社区的身份标记，用于标识和追踪研修社区。它通常包括研修社区名称、成立时间、所属学段学科、成员教师、社区类型及其运行模式等信息，以帮助利益相关者了解研修社区。（2）研修资源是网络研修社区运行的物质基础，包括研修预设性资源和回溯生成性资源。研修资源共享行为是反映网络研修社区成员研修参与度和社区活跃度的重要因素之一，是维持网络研修社区活力的命脉所在。研修社区通过共享优质资源，调动成员研修积极性，来实现人影响人、智力资源再生智力资源的目的[37]。（3）研修活动是网络研修社区教师研修行为的载体，承载着促进教师默会性知识和实践性知识相互转化的使命。研修活动分为专业培训活动、课堂教学活动和研究实践活动[38]：专业培训活动包括专家讲座、主题研讨和学术报告等；课堂教学活动包括在线备课、集体磨课和课例研讨等；研究实践活动包括科研指导、主题研修和支教送教等。多样化自组织的研修活动，能满足在职教师个人研修、集体研修、专业能力提升和必备技能培养等多种研修需求，从而促进教师策略性知识的发展[39-40]。（4）研修成效是成员研修成果和社区运行效果的统称，包括论文、课题、优课评比和成果获奖等可量化的研修产出，以及访问量、活跃度和点赞数等社区运行成效数据。研修成效在一定程度上反映教师网络研修社区的整体研修水平，直接影响利益相关者对研修社区的评价。

（二）画像的构建流程

基于数字画像构建流程的文献分析，结合教师网络研修社区的构成要素，我们设计了数据驱动的教师网络研修社区数字画像的构建流程，包括数据采集、数据预处理、数字画像模型构建、数字画像模型应用、精准决策与干预五个阶段，如图1所示。

图1 数据驱动的教师网络研修社区数字画像的构建流程

第一，数据采集阶段的任务为通过云端结构化数据库和网络日志，采集研修社区的相关数据，包括：社区基础信息数据、社区研修资源数据、社区研修活动数据和社区研修成效数据；然后，从规范性、准确性、一致性、唯一性和完整性五个维度评价收集的数据，为数据预处理的方法选择提供依据[41]。

第二，数据预处理阶段的工作主要是依据数据评价结果进行数据预处理操作，包括数据集成、数据清洗、数据变换和数据归约。预处理阶段解决数据杂乱冗余、格式不一致和异常离群等问题[42]，使数据符合预设分析算法的标准。

第三，数字画像模型构建是指将预处理后的数据按社区构成要素进行归类，提取各维度数据的主成分，提高模型的普适性，以简化后续研究。研修社区的基础信息和研修成效具有明显的人口学和社会学特征，可以依据属性特征对这两个维度进行主成分概括。研修社区的研修资源和研修活动类型丰富、各具特色，难以依据属性特征进行主成分概括，因此，我们对这两个维度的特征按数据内部结构关系进行主成分提取。主成分提取能够细化研修社区数字画像模型的层级关系，使模型更具普适性和解释力。

第四，数字画像模型应用阶段的任务是开展画像模型的应用研究，进行数据驱动的结果分析与讨论，生成网络研修社区的数字画像原型。我们采用聚类分析和逐步回归分析两种方法挖掘社区研修数据，发现社区类型及其运行模式，探究了影响社区研修成效的关键特征，以提出针对性和适切性的干预策略。在遵循直观性、艺术性和关联性的画像输出原则基础上，采用可视化图表呈现上述分析结果，生成研修社区数字画像原型，以辅助社区主持人与决策者进行科学评价和有效干预社区的研修。

第五，精准决策和干预阶段的目的，在于促使研修社区优化研修资源与研修活动，提高研修成效。在该阶段，研修社区的数字画像原型，促使社区成员自我反思，指导社区主持人开展有效的干预，辅助决策者进行精准施策。随着研修资源与研修活动的推进，数据分析过程同步进行，从而驱动画像原型的实时更新，实现研修成效的稳步提高。

（三）画像的模型构建

我们选取“浙江名师网”的“名师网络工作室”作为样本数据集，采用主成分分析法，分别提取其研修资源和研修活动两个维度的主特征；然后，使用三维笛卡尔坐标系表示教师网络研修社区的数字画像模型。

1.样本总体数据特征

对“浙江名师网”256 个省级名师工作室样本进行数据采集，样本数据均属于结构化或半结构化数据，存储于“浙江名师网”的后台数据库中。样本数据的预处理包含三个任务：一是补充和修正研修社区数据，解决数据异常和格式不一致问题；二是对数据缺失字段的重要性作出判定，根据字段重要性进行均值填充或字段删除；三是将分散于多个数据表中的异构数据进行筛选合并，存放于统一的数据表中。最终，采集有效研修社区样本235 个，每个样本有26个特征，整理形成235*26 规模的研修社区数据集。

依据数字画像的框架维度，将研修社区样本特征分别归类到基础信息、研修资源、研修活动和研修成效四个维度，形成教师网络研修社区的数字画像初步模型，如表1所示。其中，基础信息维度和研修成效维度具有明显的人口学和社会学特征，两个维度的研修特征通过名词释义划分为不同类别，归纳概括得出主成分信息如下：基础信息维度包括“研修社区信息”和“社区主持人信息”两个主成分，研修成效维度包括“成员研修成果”和“社区建设成效”两个主成分。

表1 教师网络研修社区数字模型四个维度的研修特征

2.研修资源样本数据主特征提取

研修资源维度的主特征由其六个特征的主成分分析获得，主成分分析的总方差解释和旋转后的成分矩阵，如表2和表3所示。方差累积总解释表示主成分对原始特征的解释度，成分矩阵表示各主成分所表征的原始特征。在社会科学研究中，主成分方差累积总解释达到60%，即可认为主成分提取效果较好[43]。由表2可知，研修资源维度提取出的两个主成分，方差累积总解释达到80.942%，高于60%，因此主成分提取效果较好。

表2 研修资源维度特征的总方差解释

由表3可知，主成分1 在文章资源、专题资源、话题资源和微课资源四个特征上具有较高载荷，主成分2 在名师资源和精品资源上具有较高载荷。根据教师网络研修社区的语义背景，我们将主成分1 命名为“交互生成类资源”，主成分2 命名为“名师精品类资源”。综上分析，样本数据在研修资源维度得到“交互生成类资源”和“名师精品类资源”两个主成分。

表3 研修资源维度旋转后的成分矩阵

3.研修活动样本数据主特征提取

研修活动维度的主特征采取主成分分析法获取，主成分分析的总方差解释和旋转后的成分矩阵如表4和表5所示。由表4可知，研修活动维度提取出两个主成分，方差累积总解释达到71.507%，高于60%，因此主成分提取效果较好。

表4 研修活动维度特征的总方差解释

由表5可知，主成分1 在课题研究、阅读反思、专题讲座和其它类活动上具有较高载荷，主成分2在支教送教、课例研究和专题研讨上具有较高载荷。根据研修活动维度特征的实际背景意义，本研究将主成分1 命名为“教学反思类活动”，主成分2 命名为“教学实践类活动”。综上分析，样本数据在研修活动维度分为“教学反思类活动”和“教学实践类活动”两个主成分。

表5 研修活动维度旋转后的成分矩阵

4.数据驱动的教师网络研修社区画像模型

基于以上数据特征分析，我们使用三维笛卡尔坐标系表示教师网络研修社区的数字画像模型，如图2所示。（1）X 维表示研修社区画像模型的框架维度，分别为基础信息、研修资源、研修活动和研修成效四个构成要素。（2）Y 维表示研修社区画像模型的标签层级，分为二级标签：一级标签是每个维度提取的主成分，二级标签为样本原始特征。（3）Z 维表示研修社区画像模型的标签属性，按照数据属性来源与处理方法的不同，标签属性分为事实标签、模型标签和预测标签。其中，事实标签表征是指从数据简单统计中获取的描述既定事实的信息，如，研修社区的名称和社区名师的职称、教龄等；模型标签表征是指通过定义规则和关联数据获取的信息，如，教学反思类活动等主成分信息；预测标签表征是指通过计算模型挖掘的结果预测信息，如，基于对研修数据的挖掘，预测研修社区下一年的研修成果[44]。

图2 数据驱动的教师网络研修社区数字画像模型

四、数据驱动的教师网络研修社区画像模型应用

（一）应用对象描述

“浙江名师网”是一个中小学教师成员数量多达36.7 万名的网络研修社区，拥有820 余个省、市、县三级名师网络工作室，共享314.7 万条教研资源，组织了1.5 万余次线上线下主题研修，开展了48.6 万个话题研讨，已成为我国最有影响力的教师网络研修社区之一。教师网络研修社区的类型、运行模式和研修成效具有大数据驱动的特征，我们采用简单随机抽样法，选取100 个名师网络工作室，作为数字画像模型的测试样本集，通过开发教师网络研修社区的数字画像原型，来服务决策者的精准施策。

（二）数据驱动的结果分析与讨论

1.教师网络研修社区的特征类型分析

教师网络研修社区的类型，由研修资源和研修活动两个维度的行为属性特征决定，数字画像模型采用K-means 聚类分析法对选取样本进行类别特征发现。表6和表7的分析结果显示，将100 个教师网络研修社区分为三个簇类时，轮廓系数为0.836，聚类效果最佳，第一类研修社区的数量为14 个，第二类为4 个，第三类为82 个。由于不同特征属性的数量级之间存在较大差异，特征值采取归一化处理的方法，通过线性变换将原始数据映射到[0，1]之间，生成图3所示的雷达图，清晰呈现了三类教师网络研修社区的特征差异。

首先，第一类研修社区为全能突出型，除了教学实践类活动的值处于所有研修社区的平均水平，其余的属性特征值均显著高于其他两类研修社区；其次，第二类研修社区为特长发展型，除了教学实践类活动数据显著高于其他两类研修社区，其余各特征值均接近所有样本的平均水平，具有鲜明的教学实践能力发展的特征；最后，第三类研修社区为潜能成长型，除研修成果外其他特征值均低于其他两类研修社区，而研修成果的特征值接近所有样本的平均水平，具有较大的发展潜力。

表6 不同聚类簇数对应的轮廓系数

表7 教师网络研修社区样本的主要特征K-means 聚类分析

图3 不同特征类型教师网络研修社区的特征分布对比

2.教师网络研修社区的运行模式分析

教师网络研修社区的运行模式是指由目标导向、资源共享、活动开展和研修成效等要素所构成的一整套可操作的运行范式，一般经历潜能成长型、特长发展型和全能突出型三个发展阶段。图3和表7的数据，就显示了教师网络研修社区三个发展阶段的特征：（1）潜能成长型研修社区占样本总量的82%，以探索社区发展为目标，社区成员共享研修资源的数量和开展研修活动的次数均有待增加，研修社区的访问量和活跃度有待提高，研修社区的特色有待凝练。（2）特长发展型研修社区占样本总量的4%，以提升社区成员的教学实践问题解决能力为核心目标。虽然，共享的两类研修资源数量仅与样本总数的平均值相近，研修成果的数量也低于样本平均值，但是他们开展了数量充足的教学实践类研修活动，以提升社区成员的教学实践能力，并致力于将社区成员培养为教学熟手型的一线教师。（3）全能突出型研修社区占样本总量的14%，以培养学科带头人和教学名师为目标。社区中的名师共享其丰富的名师精品资源，普通成员通过多样化的研修活动共享互动生成型资源，从而均衡地开展教学实践和教学反思两类研修活动，既提升了社区成员的课堂实践教学能力，又增强了社区成员的教学课题研究能力。

3.教师网络研修社区的研修成效影响因素分析及其干预策略生成

我们选取了研修成果、访问量和活跃度作为社区研修成效的因变量，把六种研修资源和六种研修活动作为自变量，以探究研修资源和研修活动与研修成效的因果关系。其中，研修成果包括成员优课获奖、论文发表、举办公开课和讲座、教研成果孵化和职称晋升或获奖五个特征。为消除原始特征共线性造成的分析偏差，我们采用逐步回归分析进行关键特征判定，使分析结果更具可靠性和准确性。表8显示了三类研修社区研修成效的影响特征判定结果，其中，正值表示有显著正影响，负值表示有显著负影响，空值表示无影响。由表8可知，研修资源和研修活动的12 个自变量对三类社区研修成效的影响关系，并推理出相应的干预策略，具体内容如下：

首先，在潜能成长型研修社区中，名师资源对其访问量有显著正影响，文章、话题、微课和专题资源对其活跃度具有显著正影响，专题资源和阅读反思活动对其研修成果具有显著正影响。因此，名师精品资源能显著提升社区的访问量；文章、话题、微课和专题资源等四种资源，能增加研修社区的活跃度；围绕特定主题的专题性资源和开展阅读反思类的研修活动，能显著培育社区的研修成果。对此，潜能成长型研修社区的干预策略有三个方面：一是加大名师、文章、话题、微课和专题资源的共享力度；二是增加阅读反思研修活动的开展频次；三是增加教学实践领域的专题资源和精品资源，引导潜能成长型研修社区向教学实践特长发展型研修社区演进。

表8 教师网络研修社区的研修成效影响因素分析

其次，在特长发展型研修社区中，专题资源对其活跃度具有显著正影响，精品资源对其研修成果具有显著正影响，研修资源和研修活动对其访问量没有显著影响。可见，围绕特定主题的教学实践专题资源能够提升社区成员的活跃度。在此基础上，社区成员再共享该主题的教学实践精品资源，能有效支持社区开展教学实践性研修活动，如，专题研讨、课例研究和支教送教等。因此，特长发展型研修社区的干预策略有两个方面：一是针对社区成员的课堂教学实践能力，加大专题资源和精品资源的共享力度，保持实践教学研修特长；二是在开展支教送教活动后，引导社区成员开展反思性实践活动，引导社区成员撰写短文并相互共享，促进研修社区从特长发展型向全能突出型转型。

最后，在全能突出型研修社区中，专题资源和阅读反思活动对其活跃度具有显著正影响，文章资源和支教送教活动对其研修成果具有显著正影响，研修资源和研修活动对其访问量没有显著影响。可见，围绕特定的研修主题共享专题资源并开展系列性的阅读反思活动，能够有效提升研修社区的活跃度；组织社区成员共享特定研修主题的文章资源，并组织社区成员开展区域性或西部地区的支教送教实践活动，能够在支教送教活动中带动社区成员的专业发展，从而提升研修社区的研修成果。因此，全能突出型研修社区的干预策略有三个方面：一是围绕支教送教开展教学实践活动，引导社区成员共享文章资源和专题资源；二是增加支教送教实践活动开展的频次，提供社区成员将教学教研知识进行试验应用的机会；三是在支教送教活动结束后，增加阅读反思活动开展的次数，引导社区成员通过反思性实践活动总结教学实践的成果，将个体的隐性知识转化为研修社区的群体显性知识。

（三）教师网络研修社区数字画像原型及其评价

数据可视化技术是生成教师网络研修社区数字画像原型的主要方法。在教育领域，数据可视化是指通过图形、图表等形式，将教育数据分析结果可视化展示，以帮助利益相关者更好地利用数据信息指导和改进教育教学工作。在直观性、艺术性和关联性原则的指导下，我们开发了教师网络研修社区的数字画像原型，包括基础信息、资源活动标签展示和研修成效改进建议。以A 名师网络工作室为例，其数字画像原型如图4所示。

我们利用问卷调查法对教师网络研修社区数字画像进行评价研究。基于Fred D.Davis 提出的技术接受模型（TAM），采用李克特五点量表，编制面向名师工作室负责人的“教师网络研修社区数字画像原型调查问卷”，进行画像感知有用性、感知易用性、使用态度和改进建议的调查研究。问卷包括9 个选择题和1 个开放问题，具体分析结果如表9所示。

图4 教师网络研修社区数字画像原型

表9 “教师网络研修社区数字画像原型调查问卷”的结果统计表

问卷分析结果显示，感知有用性、感知易用性和使用态度三个维度的得分均值都大于4.0，高于李克特五点量表设定的得分均值3.0，说明名师工作室负责人对研修社区画像的认可度较高，画像具有准确有效、简单易懂的特点。但是，在感知有用性和使用态度两个维度各有1 个问题的得分低于4.0，具体如下：（1）在画像帮助了解研修社区的研修资源与活动偏好趋势方面，问题得分均值为3.87，说明工作室负责人认为画像具有一定展示研修资源与活动偏好趋势的功能，但展示效果还有待改善；（2）在将画像加入研修社区年终考核方面，问题得分均值为3.58，说明工作室负责人虽然认同研修社区的数字画像，但对于将数字画像加入年终考核的举措仍持观望态度，从侧面说明数字画像还有改进的空间和必要性。

五、结论与展望

针对教师网络研修社区现有评价模式存在的问题，首先，我们采用基于数据科学的大数据研究范式，选用“浙江名师网”的研修社区样本数据集，使用主成分分析法提取研修社区的研修资源和活动的主特征，并采用聚类分析发现研修社区的特征类型及其运行模式，包括潜能成长型、特长发展型和全能突出型。然后，通过逐步回归分析发现影响三类研修社区成效的关键因素，推理出对应的干预策略。

最后，数字画像原型的应用调查表明，我们所研发的教师网络研修社区数字画像，具有准确有效、直观易懂的特征，得到社区负责人的认可。因此，基于数据科学的大数据研究范式，为教师网络研修社区的精准评价，提供了一种新型的研究方法，使社区评价由半经验、半数据的评价模式转为全数据驱动的评价模式，推动评价结果趋向客观化、形成性、全景式和智能化。未来研究将进一步探索教师网络研修社区中成员个体的数字画像模型的构成，并将其提供给教师成员进行精准的自我诊断，为教师参与社区研修提供个性化的指导服务。