大数据+智能时代的教师数智胜任力模型研究

范建丽1，2 张新平1

（1.南京师范大学 教育科学学院，江苏南京 210097；2.黄山学院 教育科学学院，安徽黄山 245041）

[摘 要] 在大数据+智能时代，以往单独的数据素养/胜任力或人工智能素养/胜任力，已不能满足社会对人才的要求；数智胜任力的提出是数智融合时代的必然产物，也是未来教师及各领域专业人员必需具备的能力和素质。为此，基于胜任力理论，通过文献分析、自然编码、词频统计等方法，初步构建了教师数智胜任力模型；然后运用德尔菲法，经过两轮迭代式修正，最终形成由数智意识及观念、数智知识与技能、高阶数智思维能力、数智教学应用能力、相关人格特质5 个一级指标和25 个二级指标所构成的教师数智胜任力模型。这一模型在实践应用中着重培养教师的数智融合与人机协同育人意识，并基于教师的高阶数智思维能力，不断提升其数智教学应用能力，从而促进教育教学的高质量发展。

[关键词] 数智胜任力；数据素养；人工智能素养；数智融合；人机协同；AI

一、研究缘起

其一，新兴数智时代的现实要求。早在1996年，美国学者尼葛洛庞帝（Negroponte）的《数字化生存》（Being Digital）一书，就向人们描述了一个数字化世界。而今，随着大数据、区块链、物联网、5G、VR/AR、数字孪生，尤其是人工智能（AI）等的迅猛发展和应用，数智融合成为时代发展的大趋势。进入数智时代，DT、AI 等技术不断影响、渗透并应用于社会各个领域，也同样深刻地影响着教育教学，成为教师生存与发展的重要因素。换言之，数智胜任力已成为数智时代教师的必备能力；教师只有具备数智胜任力，才能应对新时代的各种挑战。

其二，教学形态变革的需求。在数字化、信息化、智能化转型的背景下，数智技术融入课堂、赋能教育，不断重塑着教学形态，带来学习环境、知识生产与传播方式、教学形式等的深刻变革（范建丽，等，2022）。数智技术带来了多种多样的虚拟学习空间，学习方式更加泛在、开放、智能，知识的产生、加工与传播日益多元；教师已不再是知识的唯一传播者，人机协同、人机共教将成为常态，共同完成“传道、授业、解惑”的重任。智能技术赋能教学，XR、全息影像等新技术使得虚拟教学、远程实验、同步/异步网络教学等教与学形式成为现实。面对数智时代的教学形态变革，教师必须拥有数智胜任力，才能胜任教育教学。

其三，数智公民培养的诉求。数智化生存即将成为现实，而公民的身份也从数字公民转为数智公民。2013年，欧盟制定了《公民数字胜任力框架1.0》（The Digital Competence Framework for Citizens1.0），并于2016 和2017年相继发布DigComp2.0 和2.1；2016年，我国颁布了《中国学生发展核心素养》；2018年，联合国教科文组织（UNESCO）发布了《全球数字素养框架》（Digital Literacy Global Framework）。可见，在数智时代，数智素养与胜任力是公民参与经济和社会生活的必备技能，而教师本身不仅要发展为数智公民，而且还承担着培养数智公民的重任，因此，提升教师的数智胜任力，成为培养具有全球竞争力数智公民之关键。

由此可见，教师的数智胜任力是数智时代教师胜任教育教学必备的素质与能力。为此，2013年教育部就启动“中小学教师信息技术应用能力提升工程”，2019年又实施了“中小学教师信息技术应用能力提升工程2.0”。我们认为，顺应数智时代的发展要求，制定具有前瞻性的数智化教育发展政策，构建教师数智胜任力框架，培育与发展教师的数智胜任力，具有重要的理论与现实意义。基于此，本文在对教师数智胜任力内涵进行解读的基础上，着重探讨其结构框架、构成要素及具体指标体系，形成比较完整的教师数智胜任力模型，用以指导数智教学实践。

二、相关概念解析与研究设计

（一）数智胜任力

孙建军等学者（2020）提出了“数智”环境，认为大数据与AI 之间是相辅相成的关系，大数据是AI的原料，AI 推动大数据的广泛应用。艾兴等（2021）认为，“数智融合”是在数据挖掘、物联网、云计算、学习分析等重要技术支撑下，基于大数据与AI 的融合取向，表现在基于AI 技术的数据个性化、智能化的应用。数智融合下的“数据”是基于AI 信息流的人、事、物的总和，其体量大、关联性高；数智融合下的“AI”是在海量数据支撑下，对人、事、物数智化水平的不断提升，改变着人们的思维模式和处事方式。可见，数智融合能充分发挥大数据和AI 的本体特色和耦合优势，形成数据与智能融合共进的新生态。

从1974年美国产业协会主席保罗·泽考斯基（Paul Zurkowski）首次提出信息素养（Information Literacy），到2006年欧盟在《欧洲终身学习核心胜任力建议框架》（Proposal for a Council Recommendation on Key Competences for Lifelong Learning）中首次提出数字胜任力（Digital Competence），再到2017年《欧洲教师数字胜任力框架》（European Framework for the Digital Competence of Educators）的颁布。我们可以发现，欧美国家英文表述由“literacy”到“competence”的变化。虽然大部分中国学者将二者都译为“素养”，但我们倾向于将“competence”理解为胜任力。胜任力的常见英文表示有competence 和competency。相对于基础性、常识性的能力或素养，胜任力主要是指综合性、竞争性、从事具体工作的必备能力，是一种指向具体职业或领域的关键性、高级别的能力（郑旭东，等，2021）。

进入数智时代，解决现实问题往往需要基于数据进行决策，这就需要人们具备对数据的收集、分析和解释等能力，即数据胜任力；而面对数智技术的使用所产生的海量、复杂、多样的数据，单靠人类自身的感知和计算能力，已经无法有效及时处理这些数据。此时AI 的介入，可以快速、准确、高效地完成对数据的整理与加工，并提出基于数据的决策建议。人们只有具备人工智能胜任力，才能充分发挥AI 的作用，并理性地对待AI 的分析结果，作出符合实际需要和伦理道德的决策。可见，数智胜任力是人们对数智融合现状的有效应对，是对“数智”环境的适应，是对数智技术的应用和对更高竞争性目标的追求。数智胜任力是数据胜任力与人工智能胜任力的有机融合，这种融合体现了数智时代的新要求与新技能。

“数据胜任力”可理解为在大数据环境中个体具备的数据意识，能够有效获取、合理分析、正确解释、创新使用数据，并利用数据进行交流与决策的能力，以及对数据的批判性思维能力（杨文建，2017）。而“人工智能胜任力”则是数字素养/胜任力内涵的具体表现之一，可视为在智能化环境中个体对AI 所持的积极态度，主动掌握AI 知识与技能，遵守AI 伦理道德，利用AI 技术创造性地解决问题，并科学应对人机协同挑战的能力（郑勤华，等，2021）。数智融合环境所需的“数智胜任力”，其关注的是个体适应数智时代工作、学习和生活所需的能力，主要包括合理、有效及批判性地处理、分析和应用多模态数据的能力，以及科学、创新且符合伦理地融合使用AI 技术的能力（许亚锋，等，2020）。

（二）教师数智胜任力

许亚锋等学者（2020）认为，教师只有具备数智素养/胜任力，才能避免在人机协同的教学环境中被边缘化，才能有效开展教学。艾兴等（2021）认为，数智融合通过为教育实践与变革提供数智化的技术支持与生态环境，成为新时期拓展教育时空、革新教育形态、提升教学效率的重要驱动力。而这些目标的实现，需要依赖于教师的数智技术应用能力。进入数智时代，线上线下的各类教学形式、教学过程和学习行为所产生的教学大数据，是调整和改进教学决策，实施有效教学的基础，需要教师具备对数据的分析、管理和应用能力。各种数智技术在教学活动各环节的深度融入，需要教师和AI 相互配合、协调一致，共同完成教学与育人的目标（范建丽，等，2022）。教师对AI 技术的掌握与运用，可以拓展自身的感知和计算能力，协作完成对数量庞大、结构各异的教学大数据的分析处理，适切教学策略的选择，以及高效教学活动的开展。

基于上述相关研究，本文把“教师数智胜任力”初步定义为：教师在具备一定数据与智能知识的基础上，能够在教学实践中借助AI 技术，收集、分析、解释教学数据。同时，基于数据作出符合AI 伦理道德的教学决策，与AI 协同解决教学问题，并能够有效提高学生数智素养的一种能力。

（三）研究方法及过程

首先，采用文献分析法搜集、整理已有文献中“教师数智胜任力”相关的描述，并进行自然编码和词频统计；其次，在胜任力理论的指导下，初步构建教师数智胜任力模型；最后，运用德尔菲法，邀请若干专家填写《教师数智胜任力构成要素专家咨询问卷》，并根据专家的反馈意见，对教师数智胜任力模型进行迭代与修正。

本文所提出的“数智胜任力”由“数据素养/胜任力”和“人工智能素养/胜任力”融合而成，数据素养最早提出于2001年，人工智能素养（也称智能素养）2018年被首次提出，故选取2001—2021年间的文献资料。文献搜索以“数据素养+教师”“数据能力+教师”为篇名，在中国知网检索到期刊论文和学位论文196 篇；以“data literacy+teacher/educator”“data competence/competency+teacher/educator”为篇名，在web of science 数据库平台检索到可开放获取的文章50篇。以“人工智能素养/智能素养+教师”“智能能力+教师”为篇名，在中国知网检索到期刊论文和学位论文104 篇；以“artificial intelligence literacy+teacher/educator”“artificial intelligence competence/competency+ teacher/educator”“AI literacy +teacher/educator”“AI competence/competency+teacher/educator”为 篇名，在web of science 平台检索到文章173 篇。经过进一步筛选，排除与本研究主题相关性不大的文章，最终共选取了109 篇与教师数据素养/胜任力相关的文献和56 篇与教师人工智能素养/胜任力相关的文献，作为本文研究的分析依据。

三、教师数智胜任力模型构建的理论基础

本文主要基于胜任力理论构建教师数智胜任力的模型。胜任力理论的核心为胜任力模型，胜任力模型通常由知识、技能、动机、特质、自我形象、态度或价值观等要素组成。胜任力的各构成要素并非是相互孤立的，而是存在一定的因果关系。胜任力包含意图，意图是动机或特质的原动力，能促使行动产生良好的结果；而隐藏的动机、特质和自我形象，又驱使个体追求知识和技能（莱尔·史班瑟，2003）。基于此，教师的数智胜任力既不能脱离技术层面的知识和技能，也不能忽视开展教育教学工作所必须的动机、特质、自我形象等。

教师数智胜任力一方面与教育教学工作密切相关，另一方面也与具体教学活动中的数智技术使用相关。这也决定了其所包含的能力要素更为复杂，并且会随着数智技术与教育融合的发展，呈现出动态特征。动机的产生依赖于意识，知识是思维的基础，而思维反过来促进知识的增长；思维决定行动，意识、知识、技能促进行动，人格特质影响行动，行动是胜任力的最终落脚点。因而，这些要素共同构成了教师数智胜任力的基本框架，具体如图1所示。

图1 基于胜任力理论的教师数智胜任力框架

上述框架中的“数智意识及动机”，包含了胜任力模型中的“动机、自我形象、态度和价值观”等要素，“数智知识与技能”对应的是胜任力模型中的“知识、技能”要素，“相关人格特质”与胜任力模型中的“特质”相对应。布鲁姆（B.Bloom）将认知水平由低到高分为六个等级，其中高阶认知包括分析、综合与评价；安德森（L.W.Anderson）认为，分析、评价和创造是高阶思维的核心要素（安德森，等，2008）。黄国祯将21世纪学生应具备的核心能力——协作、沟通、问题解决、批判性思维及创造力，统称为高阶思维能力（Lai，et al.，2014）。随着数智技术的深入应用，高阶思维与能力的发展，受到广泛的关注，成为数字素养的主要构成部分（Chan，et al.，2017）。数智教学应用能力是教师数智胜任力的核心，而高阶数智思维能力则是促进数智教与学实施的关键。

四、教师数智胜任力模型初构

（一）教师数智胜任力指标编码

我们将上述“教师数智胜任力框架”作为模型的一级指标，并依托此5 个一级指标对现有文献中“教师数据素养/胜任力”和“教师人工智能素养/胜任力”的相关描述进行自然编码，其中的高频词作为模型二级指标的寻求依据。在编码的过程中，将含义相同的描述进行了合并，如将“数据定位”“数据检索”“数据搜索”“数据采集”“数据收集”“数据查询”“数据访问”等合并为“数据获取”，其他描述也进行了类似处理。并且在同一文献中，相同描述只统计一次。据此进行词频统计，排名前20 的关于“教师数据素养/胜任力”高频词见表1，关于“教师人工智能素养/胜任力”的高频词见表2。

表1 有关“教师数据素养/胜任力”描述的词频统计

表2 有关“教师人工智能素养/胜任力”描述的词频统计

由表1 可知，关于教师数据素养/胜任力的研究，学者们普遍关注的是教师对数据的意识、态度，数据的获取、分析与处理技能，数据的应用及数据知识等。它反映出知识、技能和态度在素养及胜任力构成中的基础地位。此外，数据交流共享、数据决策、数据伦理道德、数据思维也受到较多关注。

表2 显示，AI 认知、知识及意识态度是教师人工智能素养/胜任力的主要构成部分，AI 应用于教学的能力、AI 伦理道德、高阶思维能力、学习能力等也受到普遍重视。余胜泉（2018）认为，人机协同在数智社会将成为教育的主流形态，应得到更多学者的关注与研究。

我们通过对教师数智胜任力相关能力描述进行归类，并在此基础上形成二级指标。由于“数据态度”“数据价值”“AI 态度”“数据文化”等描述均与“数智意识及动机”域中的“数智态度价值观”相关，则将这些描述归类到该二级指标中。其他描述也进行了相似处理或调整，结果如表3所示。

表3 教师数智胜任力“数智意识及动机”域相关能力项整合结果

表3 展示了“数智意识及动机”域所涉及的相关能力项，数智融合意识、数智态度、数智教育理念等是提升教师数智胜任力的前提。一方面，教师作为教育教学的实施者，应具有技术敏感性和数智融合意识，充分认识到数智技术的威力，其一旦融入教育领域，势必会对教育目的与目标、教育生态与环境等产生巨大影响，必将会引起教学模式、学习方式、教育管理等方面的变革。另一方面，教师要拥有数智教育理念，不断学习数智知识与相关应用案例，并深刻认识到数智技术融入课堂后自身角色的转变，即从知识的传授者转变为活动的组织者、学习的陪伴者、研究的合作者、情感的呵护者等。

此外，教师应对数智技术持理性态度，在肯定其优势价值的同时，也要认识到其不足及潜在风险，并充分发挥技术的正向功能，助力自身及学生的发展。

由表4 可知，数智知识和数智技能所涉及的相关能力项较多，尤其是“数智技术技能”相关能力项的词频累计高达517，这说明数智知识和技能的重要性与基础性地位。高阶思维的培养离不开基础知识的铺垫（安德森，等，2008），教师只有了解数智融合的概念与原理，知晓数智融合的作用，掌握数智融合的策略，才能形成数智思维，并进一步付诸行动。数智基本知识包括数据知识和AI 知识，主要是数据和AI 的概念知识、理论知识、工具知识、功能知识、方法知识等，这些知识的掌握，也是后续进行教学实际应用的基础。舒尔曼（L.Shulman）认为，教师知识包括内容知识、一般教学法知识、课程知识、学科教学知识、学习者知识、教育情境知识、教育目标与价值知识。就此而言，当前学者所提到的数智教学知识，与此基本一致。

表4 教师数智胜任力“数智知识与技能”域相关能力项整合结果

布莱恩·阿瑟（W.Brian Arthur，2014）认为，无论如何，技术总是人类完成目的的一种手段。我国的信息化教学历经了视听教学、计算机教学、网络教学几个发展阶段，如今已进入智能化教学阶段（吕晓娟，等，2020），每一阶段都离不开教师对技术的掌握与应用。教师对数据处理技术及AI 的智能识别、VR/AR、机器学习等技术的掌握，为数智教学应用奠定基础。在教育领域，数据驱动的教学决策是指使用数据为教育决策提供信息的过程（Goldhaber，et al.，2010）。AI 技术可以帮助教师收集学生的学习过程数据，完成数据的采集、筛选、分析和呈现，实现基于大数据的精准教学。教师通过学习并掌握云计算、学习分析、虚拟助手等，能更快捷和全面地了解不同学生的特征、能力及特殊需求，建构学习者画像，并进行适切的教学设计与决策。

表5 为“高阶数智思维能力”域相关能力项整合。国务院（2017）颁发的《新一代人工智能发展规划》指出，AI 所拥有的计算智能、感知智能、认知智能和社会智能，越来越接近于人的智能，为人机协同提供了强大的技术支撑。2019年，英国开放大学发布的《创新教学报告》，特别强调了“机器人陪伴学习”教学模式（李青，等，2019）。未来课堂上人机共教、人机共学将成为常态，AI 机器人充当教师、学习指导者或学习伙伴。这意味着教师只有具备了人机协同思维，才能在教育教学中与智能机器有效进行合作。与此同时，数智技术在教育教学中的应用，又催生了海量的教育大数据，只有拥有数据化思维的教师，才会主动应对和有效利用这些数据，使教学从基于经验转向基于数据。

表5 教师数智胜任力“高阶数智思维能力”域相关能力项整合结果

但技术是把双刃剑，教师应批判性地对待数智技术，选择适宜的技术工具，避免技术带给学生不良影响。教师要对数据使用进行反思，对数据结果进行批判性的解释，要有自己的价值判断，而不能被技术和数据牵着鼻子走。为此，欧盟将数字素养定义为“自信、批判和创新性地使用信息技术的能力”（任友群，等，2014）。可见，在技术使用的过程中，创新和创造性思维极其重要。教师的创造性思维主要表现在积极探究与利用技术进行教学创新，并通过数智技术创造性地表达自己。曼迪纳赫（Mandinach，et al.，2016）认为，数据素养框架包括确定问题、问题框架、使用数据、将数据转化为信息、将信息转化为决策及评估结果六个组成部分。问题化思维可以引导教师从数据中发现问题、识别并界定问题、具体化问题，从而做出恰当决定并采取后续行动。

表6 列出了“数智教学应用能力”域的相关能力项，这里涉及到教师教的能力、引导学生学的能力和教师自身的学习发展，其中数智教学实施是焦点。赫兹伯格（F.Herzberg）认为，个人的成长不仅指职位的升迁，还包括个人通过学习提升知识和技能。数智时代的知识与网络不可分离，教师要善于利用数智技术与网络资源，不断更新和完善自身的知识体系，以便更好地胜任数智教学。教师要能够吸纳社会优质资源，创造线上线下相互融合的教学环境；能够利用AI 技术、网络技术等打造一个网络化的虚拟空间和环境，并促进虚拟与现实世界相连接。英国开放大学2020年的研究报告中提出“多感官学习”，便是顺应这一趋势的表现。教师可以利用VR、AR、MR 为学生提供近乎“真实”的情境认知、身体与环境有效互动的场景或途径（袁磊，等，2019），让学生真正获得由触感、视听感、运动感等所带来的沉浸式体验。此外，数智时代的教学内容，也不再局限于传统的课程和教材，而是大量共享在线开放课程，或是将课程外包。教师要善于利用AI 进行跨学科资源整合，并积极甄选和使用网络课程资源。

表6 教师数智胜任力“数智教学应用能力”域相关能力项整合结果

数智教学实施是教师数智胜任力的核心。教师不能再局限于传统“以教师为中心”的单向知识传递这种教学方式，而是要采取“以学生为中心”的混合式教学和翻转课堂模式。教师可以利用线上线下一体化的辅助教学、智慧教室、数字化实验室、综合创新实验室等立体化、综合化的教学场所，为学生提供个别化、多样化的实践平台（吴永和，等，2017），鼓励学生进行个性化学习。关于数智教学评估，主要指教师借助AI 技术，对学生进行多元化、全程化、多维度、可视化的评价。“数智育人与赋能”所涉及的相关能力项，主要指教师依赖数智技术，摆脱以往机械性和重复性的简单工作，腾出更多的时间与精力专注于对学生的精细化辅导和个性化关怀，与学生进行情感交流、心灵互动，引导学生形成较为正确的世界观、价值观和人生观，并在数智技术应用过程中培养学生的数智胜任力。

表7 整合了“相关人格特质”域所涉及的能力项，人格特质是教师数智胜任力的保障。其中，道德是人性之魂，人无德不立。学者们对道德的关注充分体现了教师道德的重要性，教师使用数智技术要遵循一定的伦理道德，要尊重数据隐私，确保AI 使用安全，避免技术偏见。为此，世界经济论坛在“教育4.0 全球框架”中提出，要“为未来社会培养负责任和积极的公民”（Elhussein，et al.，2020），充分体现了教师具备这方面素质的重要性。基于社会心理学视角，教师的人格特质积极与否，会对教学工作和学生发展产生重要影响。积极的人往往更自信，教师对数智技术持积极的态度，表示其对技术充满信心，相信自己能通过技术改进教学，并愿意与同行和专家合作，担当起一定的责任。这些人格特质虽然不是开展数智教学所独有的，但却是教师胜任数智教学工作所必需的。

表7 教师数智胜任力“相关人格特质”域相关能力项整合结果

（二）教师数智胜任力初步模型

通过对以上二级指标的拟定与分析，本文提出了教师数智胜任力的初步模型，包含5 个一级指标要素和26 个二级指标要素（具体如图2所示）。

图2 教师数智胜任力初步模型

五、教师数智胜任力模型指标体系的完善

（一）修正过程

为进一步提升该模型的指导性与教学实践的有效性，我们将模型的一级、二级指标作为问卷题项，编制了《教师数智胜任力构成要素专家咨询问卷》，并在问卷中对各二级指标进行了描述，采用德尔菲法征求对模型的修正意见。共有20 位从事教师教育和教育信息化等相关领域的教学和研究工作的专家，参与了模型修正的研究，其中19 位具有教授职称，均为博士生导师；1 位专家具有副教授职称，为硕士生导师。专家们对上述构成要素及其描述，均提出了修改意见，意见整理见表8。

表8 专家意见统计表

根据专家们的修改意见，我们对原模型做了一些迭代和修正：第一，将一级指标“数智意识及动机”改为“数智意识及观念”，将“成就动机”增加为“相关人格特质”的一个二级指标；第二，将“数智融合意识”改为“数智技术认同”，并修改相关描述；第三，将“数智教育理念”改为“数智教学意识”，并调整相关描述；第四，删除“数智融合知识”“数据化思维”和“合作”三个二级指标，并将其内容融入到其他相关二级指标的描述中；第五，将“基于AI 的数据驱动”改为“数据决策技能”，并修改相关描述；第六，将“数智教学环境创设”改为“数智教学环境应用”，并调整相应描述；第七，将“数智教学资源开发”改为“数智教学资源整合”，并调整相应描述；第八，在“相关人格特质”中增加“乐观”这一个二级指标；第九，修改和完善“数智目标追求”“数智教学知识”“数智技术技能”等二级指标的描述。

最后，我们将修正后的教师数智胜任力模型编制成半开放式问卷，再次发放给上述专家征求修正意见。专家们认为，该模型的指标要素能够体现教师对数智教学与数智发展的胜任力要求，除个别指标描述的措辞进行微调之外，不需要再做其他修改。

（二）修正结果

修正后的教师数智胜任力模型，如图3所示。

图3 教师数智胜任力修正模型

图3 模型是图2 初步模型的迭代，是专家思想和意见的集中表现。至此，本研究经过多次的迭代和修正，使得教师数智胜任力模型更加合理、完整与科学。根据专家对指标描述的意见，修正后的教师数智胜任力指标体现，如表9所示。

表9 教师数智胜任力指标体系

六、教师数智胜任力模型的应用价值

（一）激发教师数智融合意识，践行数据驱动教育决策

数智融合是教师数智胜任力的基石与灵魂。在数智时代，解决现实教育问题往往需要基于数据进行决策。由于教育领域的大数据来自于整个教学活动，有横向数据和纵向数据、过程数据和结果数据等方面，涉及对数据的采集、清洗、加工、计算等环节。此外，数据驱动决策需要依赖于大量的数据，海量数据可以提高数据决策的准确度与可信度，在此过程中，教师的数据能力可以借助AI 得到增强。可见，教师只有具备数智融合意识，才能积极主动地提升自身数智胜任力，养成基于数据进行思考与行动的习惯，提高教育教学决策的科学性与针对性。

（二）提升教师数智技能，实现人机协同育人

人机协同的前提和基础是对数智技术的理解以及对其熟练的掌握和应用，而教师数智胜任力模型同样以“数智知识与技能”为基础，只有不断提升教师的数智技术技能，才能早日实现人机协同育人。人机协同育人的基本原则是优势互补，即适合机器做的事由机器做，适合人类做的事由人类做，适合人机合作的事由人和机器一起来做（祝智庭，等，2020），人机在有序的分工协作中，有效促进学生的成长与发展。在人机协同育人模式中，人类教师和机器教师分工不同，AI 教师主要负责“教书”，人类教师主要负责“育人”。AI 教师通过自然语言处理、数据挖掘等技术生成个性化教案，节省人类教师备课的时间与精力；通过智能语音、计算机视觉、自然语音处理等技术，提供适合每个学生的个性化课程；通过表情识别、人脸检测、姿态识别等分析学生上课情况，提升教学效率，使人类教师更加专注于对学生的针对性辅导和个别性关怀；通过拍照搜题、习题个性化推送、智能测评、作业智能批改、个性化答疑等，提高学生自主学习效率。而人类教师要把握住“育人”的教育本质，引导学生解决真实问题，带领学生进行创造性学习等，培养学生的问题探究、人际交往等能力。教师除了做信息资源的整合者、课程教学的设计者、个性化教育的实现者外；更重要的是对学生进行情感的教育与培养，做学生心灵的呵护者、思想的引领者、健全人格的塑造者及健康生活的指导者。最终，人机协同共育，让每一个学生都能成长为身心融为一体的完整人（李芒，等，2020），这是教师数智胜任力模型的终极价值追求。

（三）锻炼师生的高阶数智思维，助力数智应用

在数智技术急速发展的时代，知识的获取和构建就如哈佛大学霍华德·加德纳（Howard，et al.，2015）所说的，每一个人都是自己知识的创建者。各种新知识的不断涌现，使得教师发展和学生成长之间的“时差”越来越短（冯大鸣，2007）。这就要求教师不再只是充当知识的载体，而要成为学生能力发展的塑造者。教师助力学生发展能力，首先自己要具备相应的能力。知识是前提和基础，思维是知识的高级阶段，是知识的升华，而能力是运用思维解决实际问题的体现。教师数智胜任力模型将“高阶数智思维能力”作为数智知识技能转换为数智应用能力的中间环节，教师的数智思维水平的高低，直接决定了教师的数智教学应用能力之优劣。具有高阶数智思维能力的教师会与AI 及学生深度合作，形成一个深度教与学的共同体，并依托网络教学平台，进行线上线下、课内课外、校内校外深度的交流和互动（陈鹏，2020）。共同发现、分析、解决问题，并组织学生参与、扮演、模拟、演讲、创作等，在数智应用过程中不断提升教师的数智教学能力和学生的数智学习能力。

（四）促进教师开展数智教学实践，全面提高教学质量

教师数智胜任力的核心与最终落脚点，在于数智技术在教育教学中的有效应用。比如，教师通过VR/AR/MR 技术，为学生带来超清晰、超流畅、超稳定的360 度立体画面，可以实现视、听、触、嗅、味五官感知的解放，使学生不用跨出校门即可享受自然景观、博物馆、动物园等的全息盛宴；允许学生在感官沉浸的环境中，与特定对象进行充分交互，帮助学生联系现实场景，实现虚实融合。教师可利用自适应学习系统，动态化识别学生的学习风格、认知水平、学习状态和学习文化等个性化特征，进行学习资源和路径的个性化推荐，为学生提供适切的个性化学习服务。教师还可以依托多模态学习分析技术，收集学生在各类网络平台上的日志数据，并运用机器学习算法对数据进行处理分析，从而形成对学生立体、多元与动态的评价。通过以上数智教学的实施，能极大地发挥数智技术的优势；教师则能突破自身的局限或短板，借势全面提高教育教学质量。

七、结语

在技术日新月异的数智时代，教育的高质量与创新发展，必须以大数据和AI 技术的创新应用为核心内容和主要路径。本文从数智融合的视角，基于胜任力理论，依托学者们对教师数据素养/胜任力和人工智能素养/胜任力的已有研究成果，顺应从素养到胜任力这一发展趋势，将数据胜任力和人工智能胜任力融合，从而提出教师数智胜任力模型。该模型以数智意识及观念为前提，以数智知识与技能为基础，以高阶数智思维能力为关键，以数智教学应用能力为核心，以相关人格特质为保障，构成一个相辅相成、相互影响与支持的动态系统。

随着教育教学信息化、数智化的加快，这一模型可为数智时代教师专业发展标准的修订、教师培训课程和活动的设计与开展、教师评价工具的开发等，提供一些有益参考。当然，教师的数智化实践是一项复杂多变的系统工程，教师数智胜任力模型还要随着时代发展的要求与教学改革的深化不断完善。本文所构建的模型还是初步的，未来需要在各类学校中进行实践性检验、修正，从而更好地促进智能时代教育教学的创新发展与教师综合素养的提升。

[参考文献]

艾兴，张玉，2021.从数字画像到数字孪生体：数智融合驱动下数字孪生学习者构建新探[J].远程教育杂志（1）：41-50.

布莱恩·阿瑟，2014.技术的本质：技术是什么，它是如何进化的[M].曹东溟，王健，译.杭州：浙江人民出版社：26.

陈鹏，2020.共教、共学、共创：人工智能时代高校教师角色的嬗变与坚守[J].高教探索（6）：112-119.

范建丽，张新平，2022.提升新时代教师“数智力”[N].中国教育报，2022-06-23（6）.

范建丽，张新平，2022.人机协同视域下的学生获得感：构成与实现[J].苏州大学学报（教育科学版）（1）：75-85.

冯大鸣，2007.21世纪先锋学校的创新及预示——对美国费城“未来学校”的考察与评析[J].全球教育展望（6）：67-71.

霍华德·加德纳，凯蒂·戴维斯，2015.APP 一代：网络化科学的新时代[M].李一飞，金阳，译.北京：电子工业出版社：199.

L.W.安德森，等，2008.学习、教学和评估的分类学（布卢姆教育目标分类学修订版）[M].皮连生，译.上海：华东师范大学出版社：1-20.

莱尔·史班瑟，2003.才能评鉴法：建立卓越的绩效模式[M].魏梅金，译.汕头：汕头大学出版社：19-20.

李芒，张华阳，2020.对人工智能在教育中应用的批判与主张[J].电化教育研究（3）：29-39.

李青，闫宇，2019.新技术视域下的教学创新：从趣悦学习到机器人陪伴学习——英国开放大学《创新教学报告》（2019 版）解读[J].远程教育杂志（2）：15-24.

吕晓娟，杨海燕，李晓漪，2020.信息化教学的百年嬗变与发展愿景[J].电化教育研究（7）：122-128.

任友群，随晓筱，刘新阳，2014.欧盟数字素养框架研究[J].现代远程教育研究（5）：3-12.

孙建军，李阳，裴雷，2020.“数智”赋能时代图情档变革之思考[J].图书情报知识（3）：22-27.

吴永和，刘博文，马晓玲，2017.构筑“人工智能+教育”的生态系统[J].远程教育杂志（5）：27-39.

许亚锋，彭鲜，曹癑，等，2020.人机协同视域下教师数智素养之内涵、功能与发展[J].远程教育杂志（6）：13-21.

杨文建，2017.大数据环境下的教师数据素养研究[J].图书馆理论与实践（11）：102-107.

余胜泉，2018.人工智能教师的未来角色[J].开放教育研究（1）：16-28.

袁磊，张艳丽，罗刚，2019.5G 时代的教育场景要素变革与应对之策[J].远程教育杂志（3）：27-37.

郑勤华，覃梦媛，李爽，2021.人机协同时代智能素养的理论模型研究[J].复旦教育论坛（1）：52-59.

郑旭东，马云飞，岳婷燕，2021.欧盟教师数字胜任力框架：技术创新教师发展的新指南[J].电化教育研究（2）：121-128.

中华人民共和国中央人民政府，2017.国务院关于印发新一代人工智能发展规划的通知[EB/OL].[2022-01-15].http：//www.gov.cn/zhengce/content/2017-07/20/content_5211996.htm.

祝智庭，彭红超，2020.技术赋能智慧教育之实践路径[J].中国教育学刊（10）：1-8.

CHAN B S，CHURCHILL D，CHIU T K，2017.Digital literacy learning in higher education through digital storytelling approach[J].Journal of International Education Research（JIER），13（1）：1-16.

GOLDHABER D，HANSEN M，2010.Implicit measurement of teacher quality：Using performance on the job to inform teacher tenure decisions[J].American Economic Review，100（2）：250-255.

LAI C L，HWANG G J，2014.Effects of mobile learning time on students’conception of collaboration communication，complex problem solving，meta-cognitive awareness and creativity[J].International Journal of Mobile Learning and Organisation，8（3）：276-291.

MANDINACH E B，GUMMER E S，2016.Data literacy for educators：Making it count in teacher preparation and practice [M].New York：Teachers College Press：28.

World Economic Forum，2020.Schools of the future：Defining new models of education for the fourth industrial revolution[EB/OL].[2022-02-11].http：//www3.weforum.org/docs/WEF_Schools_of_the_Future_Report_2019.pdf.

Research on the Model of Teachers’ Data Intelligence Competence in the Era of Big Data+AI

Fan Jianli1，2& Zhang Xinping1
（1.College of Education Science，Nanjing Normal University，Nanjing Jiangsu 210097；2.College of Education Science，Huangshan University，Huangshan Anhui 245041）

【Abstract】 In the era of big data+AI，data literacy/competence or artificial intelligence literacy/competence alone can no longer meet the requirements of society for talents.The concept of data intelligence competence is the inevitable product of catering to the era of data intelligence fusion，and it is also the necessary ability and quality for future teachers and professionals in various fields.Therefore，based on the competency theory，through literature analysis，natural coding，word frequency statistics and other methods，the model of teachers’ data intelligence competence is preliminarily formed.Then，using Delphi method，after two rounds of iterative revision，the model of teachers’ data intelligence competence is finally constructed，which consists of five first-level indicators，namely，data intelligence consciousness and concept，data intelligence knowledge and skills，higher-order data intelligence thinking ability，data intelligence teaching/learning application ability and related personality traits，and 25 second-level indicators.In practice，this model focuses on cultivating teachers’ awareness of data intelligence fusion and human-machine collaborative education，and based on teachers’ higher-order data intelligence thinking ability，it constantly improves their data intelligence teaching application ability，thus promoting the high-quality development of education.

【Keywords】 Data Intelligence Competence；Data Literacy；Artificial Intelligence Literacy；Data Intelligence Fusion；Humanmachine Cooperation；AI

[中图分类号] G434

[文献标识码] A

[文章编号] 1672-0008（2022）04－0065－10

* 基金项目：本文系2020年度教育部哲学社会科学研究重大课题攻关项目“教育高质量发展评价指标体系研究”（课题编号：20JZD053）的阶段性研究成果。

[作者简介]范建丽，南京师范大学教育科学学院在读博士生，黄山学院教育科学学院副教授，研究方向：教育教学管理、教师发展；张新平，南京师范大学教育领导与管理研究所所长、教授、博士生导师，研究方向：基础教育领导与管理。

收稿日期：2022年4月23日

责任编辑：陶 侃