基于文本挖掘的教學設(shè)計能力需求研究
——以北上廣深的教學設(shè)計相關(guān)崗位數(shù)據(jù)為例

郭杰譽

（北京郵電大學 教育技術(shù)研究所，北京 100876）

一、引言

杜華分析1982-2012 年間與“教學設(shè)計”相關(guān)的國內(nèi)外文獻，指出國內(nèi)教學設(shè)計在應(yīng)用上僅限于學校范疇。[1]然而，教學設(shè)計的實際需求并不僅限于學校范疇，不論是一直存在的企業(yè)培訓領(lǐng)域，還是已興起的在線教育、STEM 教育領(lǐng)域，都體現(xiàn)出對教學設(shè)計的強烈需求，本研究使用的數(shù)千條與“教學設(shè)計”相關(guān)的崗位信息就是最有力的證據(jù)。本文以這些崗位信息為研究對象，綜合應(yīng)用教學設(shè)計能力和文本挖掘技術(shù)兩大領(lǐng)域的理論知識，挖掘當下校外范疇的教學設(shè)計能力需求，對相關(guān)領(lǐng)域的學術(shù)研究及人才培養(yǎng)具有一定的指導意義。

二、理論依據(jù)與研究框架

1.教學設(shè)計能力

教學設(shè)計是連接教與學的理論與教學實踐的橋梁學科，試圖運用系統(tǒng)方法尋找解決教學問題的最佳方案；[2]教學設(shè)計是一個系統(tǒng)過程，即把教與學的原理轉(zhuǎn)化到教學材料、教學計劃、教學過程等計劃方案中的過程。[3]上述兩個定義反映出教學設(shè)計的功能和宏觀研究對象，即連接教與學的理論和教學實踐的橋梁功能，涉及教與學理論、系統(tǒng)方法、計劃與過程等研究對象。為合理運用各種理論、經(jīng)驗，有效實現(xiàn)教學設(shè)計的功能，自然對相關(guān)從業(yè)者的教學設(shè)計能力提出了要求。

能力是完成一項目標或者任務(wù)所體現(xiàn)出來的綜合素質(zhì)，從職業(yè)能力開發(fā)視角看，能力是知識、技能和態(tài)度與具體的職位或工作情境的結(jié)合。[4]因此，本研究認為教學設(shè)計能力是相關(guān)從業(yè)者能夠依據(jù)相關(guān)理論或經(jīng)驗，分析教學問題、組織教學資源、設(shè)計教學方案并進行實施與改進，最終解決教學問題所具備的知識、技能和態(tài)度的總和。

具體來說，知識方面，不僅包括學科專業(yè)知識，也包括教學理論、方法等內(nèi)容；技能方面，按照教學設(shè)計的流程可以分為分析能力、設(shè)計能力和評價能力，但從操作層面看，會涉及辦公軟件的使用、圖形處理、編程等具體技能；[5]態(tài)度方面，劉美鳳等將教學設(shè)計能力的態(tài)度方面分為重要性認識、應(yīng)用意識、評價與反思意識以及終身學習意識四個維度，而態(tài)度包含認知、情感和行為傾向三種成分，上述四個維度僅闡述了態(tài)度的認知成分和行為傾向成分，因此需要添加情感成分（如喜歡、熱愛等）。[5]綜上，本研究依據(jù)的教學設(shè)計能力分析框架如圖1 所示，后續(xù)將結(jié)合所使用的文本信息，依據(jù)知識、技能和態(tài)度三個維度及其子維度，提出具體的詞匯分類指標。

圖1 教學設(shè)計能力分析框架

2.文本挖掘技術(shù)

文本挖掘也稱文本數(shù)據(jù)挖掘，其主要目的是采用數(shù)據(jù)挖掘技術(shù)，從非結(jié)構(gòu)化或半結(jié)構(gòu)化的語言文本中提取出潛在有價值的、新穎的、可被理解的、重要的模式和知識。[6]文本挖掘的一般過程如2 圖所示。本研究在文本分類驗證研究、根據(jù)詞袋模型建立能力分析雷達圖的過程中均不同程度地運用到圖2 所示的研究步驟，不同之處主要體現(xiàn)在特定處理模式環(huán)節(jié)。

圖2 文本挖掘的一般過程

3.研究框架

本研究的框架如圖3 所示。從網(wǎng)頁獲取的1450 條職位信息作為文檔集，首先依據(jù)職位名稱分成三類，分別是教師/講師類、研發(fā)設(shè)計類以及職能類。為了驗證分類是否合理，分別使用kNN、樸素貝葉斯、TF-IDF·樸素貝葉斯三種分類器進行檢驗，最終發(fā)現(xiàn)使用了樸素貝葉斯原理的分類器錯誤率穩(wěn)定，純樸素貝葉斯分類器的錯誤率最低，說明上述分類的每類文本呈現(xiàn)一定特征，分類可取。

圖3 研究框架

接著，依據(jù)上述教學設(shè)計能力分析框架（見圖1），并結(jié)合具體高頻詞匯，提出知識儲備、設(shè)計分析能力、教學能力、溝通能力、管理能力、辦公軟件能力、計算機語言能力、圖形處理與設(shè)計、情感態(tài)度與個人素質(zhì)等9 個指標，每個指標由若干詞匯構(gòu)成的詞袋模型表示。最后依據(jù)“能力指標-詞袋模型”挖掘三類職位在9 個指標上的分布情況，并進行解讀。

三、研究內(nèi)容

研究內(nèi)容具體包括文本預(yù)處理、分類器驗證、建立能力指標及詞袋模型、建立能力分析雷達圖等部分。

1.文本預(yù)處理

文本預(yù)處理包括數(shù)據(jù)準備、文本清洗、分詞、特征選擇等過程。本研究使用的樸素貝葉斯分類器、TF-IDF·樸素貝葉斯分類器、kNN 分類器，以及能力指標-詞袋模型和能力分析雷達圖的建立均基于相同的文本獲取與預(yù)處理過程，現(xiàn)闡述如下。

（1）文本獲取與異常值處理

本研究在智聯(lián)招聘平臺上，以“教學設(shè)計”為關(guān)鍵詞，搜索得到北京、上海、廣州、深圳四個城市的崗位信息，借助Python 爬蟲代碼將崗位信息獲取下來，每條數(shù)據(jù)包括崗位名稱、崗位職責/職位描述，以及該崗位的URL 鏈接等信息。

異常值包括缺失值和重復值。由于部分網(wǎng)頁的結(jié)構(gòu)略有不同，直接獲取的數(shù)據(jù)中有30 條左右的崗位職責/職位描述信息缺失，考慮到空缺信息量不大，且均是重要信息，就根據(jù)URL 鏈接定位到具體的網(wǎng)頁，重新獲取相關(guān)信息。重復的數(shù)據(jù)有兩類，一類是內(nèi)容一樣，但URL鏈接不一樣，研究發(fā)現(xiàn)是同一家公司或機構(gòu)連續(xù)發(fā)布了幾條相同的招聘信息；另一類是內(nèi)容和URL 均一樣，這可能是由于網(wǎng)頁更新引起的，這兩種情況均去掉重復的，保留一條，最終獲得1450 條數(shù)據(jù)，其中崗位職責/職位描述等文本信息是本文的重點研究對象。

（2）文本清洗

文本清洗環(huán)節(jié)主要去除文本中的標點符號、特殊字符（如“*、#、@”等），并規(guī)范一些特殊詞匯。如將英文統(tǒng)一轉(zhuǎn)換成小寫，并將縮寫形式統(tǒng)一還原或者統(tǒng)一使用縮寫，如將“PPT”與“Powertpoint”均轉(zhuǎn)換為“ppt”，將“PS”與“PhotoShop”均轉(zhuǎn)換為“photoshop”，“四六級”、“英語四級”以及“CET”統(tǒng)一轉(zhuǎn)換為“cet”，“JavaScript”與“JS”均轉(zhuǎn)換為“javascript”等。

（3）自定義詞典與分詞

本研究使用jieba 分詞模塊，該分詞算法結(jié)合了基于規(guī)則和基于統(tǒng)計的分詞方法，同時還可以添加自定義詞典，適用性強。[7]研究特定領(lǐng)域的信息時，將該領(lǐng)域的專業(yè)詞匯識別出來至關(guān)重要，為了達到較好的分詞效果，需要建立自定義詞典，如將“教學設(shè)計”、“教育心理學”、“課程開發(fā)”、“教師資格證”等體現(xiàn)領(lǐng)域特色的詞匯加入自定義詞典，分詞結(jié)果就會呈現(xiàn)出這些詞匯，避免詞匯意義過度稀釋。

（4）停用詞表與特征選擇

停用詞表包含眾多語氣助詞、虛詞、特殊符號，以及眾多無意義的詞匯，如“的”、“用于”、“至于”等，使用停用詞表可以在分詞的基礎(chǔ)上去掉這些無意義的詞匯。同時，多次觀察分詞結(jié)果，可將更多與研究主題無關(guān)的詞匯添加到停用詞表中，如“薪資”、“周末”、“地點”等，以利于特征詞匯呈現(xiàn)，減小特征向量的長度。

最終分詞后得到8188 個不同詞匯，這些詞匯構(gòu)成詞匯列表V=[v1，v2，…，v8188]，同時用一個長度為1450 的列表CL 存儲各文檔的類型標簽，若三類職位分別標注為A、B、C，則CL[ci]（ci∈（A，B，C），i=1，2，…，1450）。

2.使用分類算法檢驗分類可行性

為了更有針對性地分析能力需求，根據(jù)職位名稱將與教學設(shè)計相關(guān)的崗位信息分成了“教師/講師類”、“研發(fā)設(shè)計類”以及“職能類”三種，為了驗證這種類型是否合理，使用監(jiān)督型分類器進行驗證，即通過學習訓練集中的數(shù)據(jù)，建立一定模型，再用該模型對測試集中的數(shù)據(jù)進行分類，如果錯誤率較低且穩(wěn)定，就說明各類型的文檔呈現(xiàn)一定特征，分類可取，各類型的具體特征有挖掘的價值。筆者試驗了多種分類器，最終發(fā)現(xiàn)使用了貝葉斯原理的分類器滿足要求。

對于第i 個文檔di，根據(jù)詞匯列表V 統(tǒng)計該文檔中出現(xiàn)相應(yīng)詞匯的出現(xiàn)次數(shù)，存入一個新的列表Wi，作為該文檔的特征向量，即Wi=[wi，k]（k=1，2，…，8188），稱Wi為文檔di的基于詞匯頻數(shù)的特征向量。1450 個文檔構(gòu)成一個1450×8188 的矩陣，用M0表示，即M0=[Wi]=[[wi，k]]（i=1，2，…，1450；k=1，2，…，8188）。分類器將矩陣M0的數(shù)據(jù)按一定比例隨機分成訓練集和測試集，并結(jié)合類標簽列表CL[ci]建立相應(yīng)模型。

（1）kNN 分類器

k-近鄰算法（kNN）采用測量不同特征值之間的距離方法進行分類，即計算出待分類數(shù)據(jù)與每個訓練數(shù)據(jù)的距離，從中選出k 個最小的距離所對應(yīng)的樣本數(shù)據(jù)，統(tǒng)計這k 個樣本數(shù)據(jù)中出現(xiàn)次數(shù)最多的分類，就作為待分類數(shù)據(jù)的分類，本研究有三個類別，所以k 取4。[8]

數(shù)據(jù)之間的距離可以采用兩個向量的余弦相似度表示，對于文檔di和dj，其詞向量是Wi=[wi,k]（k=1，2，…，8188），Wj=[wj，k]（k=1，2，…，8188)，其余弦相似度公式如式（1）所示：

其中Wi·Wj表示兩個向量的點乘，|Wi|·|Wj|表示向量的模的乘積。余弦相似度越高，即Sim（di，dj）的值越接近1，表示兩個向量更有可能屬于同一類。

歐式距離公式如式（2）所示：

其中Wi-Wj是向量對應(yīng)項相減的結(jié)果，也是一個向量。本研究在矩陣M0的基礎(chǔ)上分別使用上述兩種距離公式進行了kNN 分類驗證，理論上兩種kNN 分類器的效果等價。

（2）樸素貝葉斯分類器

樸素貝葉斯分類器是基于條件概率的分類方法，該算法假設(shè)各特征之間相互獨立。根據(jù)貝葉斯準則，可以交換條件概率的條件和結(jié)論，從而達到用先驗概率和條件概率計算后驗概率的目的。對于待分類文檔W，其屬于類型ci的后驗概率如式（3）所示：

其中P（ci）是類型為ci的先驗概率，P（W│ci）是類型ci發(fā)生的條件下，文檔W 發(fā)生的條件概率，根據(jù)這個公式計算出文檔W 屬于各個類型的后驗概率，取后驗概率最大的類型為判斷結(jié)果。在實際應(yīng)用中，用訓練集中的數(shù)據(jù)訓練出每個條件概率P（W│ci）和先驗概率P（ci），據(jù)此再對訓練集中的數(shù)據(jù)進行分類。

（3）TF-IDF·樸素貝葉斯分類器

為了尋找更理想的分類器，筆者將TF-IDF 理論與樸素貝葉斯理論結(jié)合起來構(gòu)建了新的分類器，與上述純樸素貝葉斯算法的不同之處在于，每個文檔的特征向量采用TF-IDF 表示，而不是詞匯頻數(shù)。其中，TF（Term Frequency，特征項詞頻）是詞語在文檔中的詞頻，即詞匯在某一文檔中出現(xiàn)的頻數(shù)與該文檔總詞匯數(shù)的比值，TF的作用主要是抵消文本長度不一（過長或過短）帶來的影響，使詞匯在同等條件下進行對比。IDF（Inverse Document Frequency，逆文檔頻率）表示為文檔總數(shù)目與該詞匯出現(xiàn)的文檔數(shù)目的比值取對數(shù)。[9]IDF 的主要思想是，如果一個詞匯在一個文本中出現(xiàn)頻率很高，而在其他文本中出現(xiàn)頻率很低，該詞匯就具有較高的類別區(qū)分能力，應(yīng)給予更高權(quán)重。[10]

對于文檔di的第k 個詞匯vk，其特征值wdi，k用TFIDF 計算的公式如式（4）所示：

其 中wdi，k是特征項的權(quán)重是詞匯vk在文本di中出現(xiàn)的頻率，即文檔di中該詞匯的頻數(shù)wi，k與該文檔所有詞匯數(shù)的比值，N=1450 是總文檔數(shù)，nk是包含詞匯vk的文檔數(shù)。由wdi，k（k=1，2，…，8188)構(gòu)成新的特征向量Wdi=[Wdi，k]（k=1，2，…，8188)，進而形成新的特征矩陣M1=[Wdi]=[[wdi，k]]（i=1，2，…，1450；j=1，2，…，8188），在M1的基礎(chǔ)上繼續(xù)使用樸素貝葉斯分類算法即可。

3.建立能力指標體系及詞袋模型

（1）建立教學設(shè)計能力指標體系

從教學設(shè)計能力的知識、態(tài)度和情感三個一級維度，以及七個二級維度（見圖1）出發(fā)考察詞匯列表V=[v1，v2，…，v8188]中的詞匯，提煉出9 個能力指標——知識儲備、設(shè)計分析能力、教學能力、溝通能力、辦公類軟件能力、計算機語言能力、圖形處理與設(shè)計、管理能力、情感態(tài)度與個人素質(zhì)。9 個指標的分布如圖4 所示。

圖4 教學設(shè)計能力指標體系

對比圖1 的能力分析框架，能力指標體系對維度1（知識）和維度3（態(tài)度）分別設(shè)置了一個指標，而維度2（技能）根據(jù)其子維度衍生出了5 個指標。如此設(shè)置主要有以下三點考慮：①知識維度包含學科專業(yè)知識和教學理論方法兩個子維度，理想情況下每個子維度就可對應(yīng)一個指標，但實際上屬于“教學理論方法”的詞匯偏少，因此沒有必要單獨設(shè)置指標，可以直接從一級維度引申出指標1“知識儲備”；②分詞損失了語境信息，漢語詞匯本身又可能具備多種詞性，這使對詞匯的從屬判斷有很強的主觀性，如態(tài)度維度下的“認知”和“行為傾向”類詞匯就很難選擇，相對而言，反映態(tài)度的詞匯很容易甄別出來，且數(shù)量可觀，因此就用指標9“情感態(tài)度與個人素質(zhì)”來反映態(tài)度維度；③對于職位信息來說，職業(yè)技能是重點考察對象，因此這方面的詞匯確實更加豐富，類型也比較明顯，因此依次根據(jù)“專業(yè)技能”衍生出指標2“分析設(shè)計能力”、指標3“教學能力”、指標4“溝通能力”和指標5“管理能力”，根據(jù)“計算機技能”衍生出指標6“辦公軟件能力”、指標7“計算機語言能力”以及指標8“圖形處理與設(shè)計”。

（2）建立能力指標的詞袋模型

詞袋模型不考慮文本的詞序、語言、句法等信息，而將文本簡單地看成詞匯的集合，且每個詞匯相互獨立，這一模型在文本挖掘領(lǐng)域廣泛使用。[11]詞匯列表中有眾多低頻詞匯是沒有必要考察的，因此本研究將詞匯按照詞匯總頻數(shù)排序后，從排名10%以內(nèi)的高頻詞匯，即前818 個詞匯中選取適合的詞匯構(gòu)建能力指標的詞袋模型，詞袋模型展示如表1 所示（因篇幅所限，有的指標只呈現(xiàn)部分詞匯）。為了可視化職位能力在不同指標上的分布情況，需要建立能力指標向量，能力指標向量就是基于表1 所述詞袋模型，對各類文檔的詞匯進行統(tǒng)計和一定計算的結(jié)果。

表1 能力指標的詞袋模型

4.三種指標向量與雷達圖設(shè)計

（1）計算各類文檔的三種能力指標向量

用雷達圖呈現(xiàn)每類職位在各能力指標上的分布情況，需要計算每類職位在各能力指標上的特征值，9 個能力指標對應(yīng)9 個特征值，9 個特征值就構(gòu)成該類職位的指標向量。基于上述能力指標的詞袋模型，本研究提出了三種指標向量的計算方法，以ci類文檔為例：

基于詞頻數(shù)，即各指標的特征值是相應(yīng)詞袋中的詞匯在該類文檔中出現(xiàn)的總次數(shù)。比如對于指標1，其特征值是其相應(yīng)詞袋模型中“專業(yè)知識”、“師范類”等詞匯在ci類文檔出現(xiàn)的總次數(shù)，同理得到

在所有的職位信息中，教師/講師類文檔有681 個，占總文檔數(shù)的46.97%；研發(fā)設(shè)計類有380 個文檔，占26.20%；職能類有389 個文檔，占26.83%。由于各類文檔數(shù)量不一致，統(tǒng)計各指標下的詞匯數(shù)量肯定有差異，為了消除文本數(shù)量引起的差異，可以將該類文檔的各指標下的詞匯數(shù)量與該類文檔數(shù)（nci）的比值作為新的指標向量，即該比值的含義是該類文檔每個指標的平均水平。

（2）兩種能力分析雷達圖的設(shè)計

四、研究結(jié)果與解讀

1.分類器驗證結(jié)果展示與解讀

分類器通過學習訓練集中的數(shù)據(jù)建立相應(yīng)模型，然后根據(jù)模型對測試集中的數(shù)據(jù)進行分類，理想情況下訓練集的數(shù)據(jù)越大，訓練的模型越準確。本研究將總數(shù)據(jù)分別按照0.01、0.02、0.03、0.04、0.05、0.06、0.07、0.08、0.09、0.1、0.2、0.3、0.4、0.5 的比例隨機抽取出數(shù)據(jù)組成測試集，剩下的數(shù)據(jù)組成訓練集，進行測試并輸出錯誤率。每種情況測試10 次取平均值作為該情況下的錯誤率，各分類器的錯誤率如圖5 所示。

圖5 分類器錯誤率折線圖

從圖5 可以看出基于歐式距離與基于余弦相似度的kNN 算法效果幾乎等價，這在意料之中，兩者錯誤率均圍繞在75%上下，比使用了貝葉斯原理的算法高得多，筆者認為產(chǎn)生這種情況的原因在于，特征項數(shù)目眾多（8188），并非所有特征項都具有很好的區(qū)分度，將每個特征項的差異“累加”起來的算法，誤差會比較大。若還要使用kNN 算法對文本進行分類，可以考慮采取一些聚類措施，降低特征向量的維度。本研究使用分類器的目的不是改進分類算法，而是找到合適的分類模型證明對職位進行的三種分類是合理的，因此不再深入闡述算法。

再觀察使用貝葉斯原理的兩種分類算法，純樸素貝葉斯分類器錯誤率圍繞在20%左右，TF-IDF·樸素貝葉斯分類器錯誤率維持在30%左右，使用的TF-IDF 原理的分類器比純樸素貝葉斯分類器的錯誤率稍高，根據(jù)TF-IDF 的原理，筆者認為原因在于：①本研究使用的每條數(shù)據(jù)的長度基本相同，所以使用TF 的意義不大；②盡管按照職位名稱分成了三類，但其工作極可能是圍繞相同的對象展開不同方面的工作，所以職位信息中呈現(xiàn)出來的詞匯有一定的相似度，因此IDF（逆文檔頻率）的作用發(fā)揮有限，所以錯誤率反而比純樸素貝葉斯分類器的稍高。但整體來說，這兩個分類器錯誤率比較低且穩(wěn)定，說明分類可取，每類職位具有一定特征，具有深度挖掘的價值。

從實際的角度出發(fā)，教學設(shè)計工作圍繞“教學”這個核心工作展開，也離不開技術(shù)支持以及應(yīng)運而生的管理工作；從理論的角度出發(fā)，IBSTPI 國際教學設(shè)計標準最新版（2013 年）將教學設(shè)計領(lǐng)域細化為教學設(shè)計專家、分析師或評估員、教學管理者以及教育技術(shù)專家四類人員參與，將該標準與本研究進行對比，可以發(fā)現(xiàn)教師/講師類可以對應(yīng)教學設(shè)計專家，研發(fā)設(shè)計類對應(yīng)教育技術(shù)專家，職能類對應(yīng)教學管理者，而分析師或評論員的能力在三種職位中均有不同程度的體現(xiàn)；[12]再結(jié)合分類器的驗證結(jié)果，可見將與教學設(shè)計相關(guān)的職位劃分為教師/講師類、研發(fā)設(shè)計類以及職能類是合理的，這啟示我們可以從這三個角度出發(fā)，理解教學設(shè)計能力所包含的能力屬性。

2.能力分析雷達圖與能力指標解讀

表2 基于 的指標矩陣

表2 基于 的指標矩陣

用表2 生成的能力分析雷達圖如圖6 所示。

圖6 基于 的能力分析雷達圖

從圖6 可以看出，在9 個能力指標中，教師/講師類崗位對“情感態(tài)度和個人素質(zhì)”和“教學能力”的需求很突出，其次是“管理能力”、“分析設(shè)計能力”與“溝通能力”，對計算機能力的要求不高；研發(fā)設(shè)計類對“分析設(shè)計”能力的需求最突出，其次是“計算機語言能力”和“管理能力”；職能類崗位對“管理能力”的需求最為突出，其次是“分析設(shè)計能力”以及“教學能力”。

整體來看，三類崗位的“知識儲備”與計算機類的能力并沒有十分突出，而實際上這三種指標是非常重要的能力，筆者認為出現(xiàn)這種情況的原因是：①崗位招聘類的信息重點在于實用的技能上，“知識儲備”的詞匯不容易反映出來，所以整體上數(shù)量偏小，但這并不能說明知識儲備不重要，畢竟“實用的技能”是建立在“知識儲備”的基礎(chǔ)上，因此該詞袋模型有改進的空間，可以考慮建立“知識儲備”與實用技能間的關(guān)聯(lián)性，進而提高“知識儲備”類詞匯的表現(xiàn)力；②計算機類能力的詞袋規(guī)模相對較小，比如“辦公軟件能力”的詞袋只有“ppt、辦公軟件、office、word、excel”這5 個詞匯，實際上每個詞匯出現(xiàn)的次數(shù)還是比較多的，但累加起來還是比不過詞袋中詞匯本身就多的能力指標，如指標5“管理能力”和指標9“情感態(tài)度與個人素質(zhì)”，但這個影響在基于的能力分析雷達圖中已經(jīng)得到改善，詳見下述分析。

表3 基于 的指標矩陣

表3 基于 的指標矩陣

用表3 生成的能力分析雷達圖如圖7 所示。

從圖7 可以看出，在9 個能力指標中，教師/講師類排第一名的有“知識儲備”、“教學能力”、“溝通能力”、“情感態(tài)度與個人素質(zhì)”，這符合對教師的一般認知；研發(fā)設(shè)計類排第一名的有“設(shè)計分析能力”、“辦公軟件能力”、“計算機語言能力”以及“圖形處理與設(shè)計能力”，其中“計算機語言能力”主要指的是編程能力，“圖形處理與設(shè)計”屬于界面設(shè)計領(lǐng)域，這反映出與教育軟件、教育應(yīng)用程序（APP）、教育動畫與課件等教學產(chǎn)品息息相關(guān)；職能類崗位的“管理能力”位列第一，可以認為教育產(chǎn)品的開發(fā)、教學工作的展開離不開優(yōu)秀的管理能力，IBSTPI 新標準把管理能力單獨設(shè)為一個領(lǐng)域，這意味著管理能力在教學設(shè)計的發(fā)展中日趨重要。[12]總之，該雷達圖的呈現(xiàn)結(jié)果是很理想的，正好反映出了各類職位能力需求的特點。

圖7 基于（平均值）的能力分析雷達圖

IBSTPI 教學設(shè)計能力新標準有五個能力領(lǐng)域——“專業(yè)基礎(chǔ)領(lǐng)域”、“計劃與分析領(lǐng)域”、“設(shè)計與開發(fā)領(lǐng)域”、“評價與實施領(lǐng)域”以及“管理領(lǐng)域”，并在每個領(lǐng)域中將能力標準又分為教學設(shè)計時必須掌握的基本能力、高水平或?qū)＜倚偷母呒壞芰?，以及作為設(shè)計或教學項目所需掌握的管理能力，這三級能力有不同程度的交叉、滲透，這與上述研究結(jié)果有異曲同工之妙。[12]本研究提出的9 個指標雖不及IBSTPI 教學設(shè)計能力新標準（包含5 大領(lǐng)域、22 項標準及105 個子條目）的內(nèi)容豐富，但卻是實際應(yīng)用中有了迫切需求的具體能力，不僅不同程度地反映了各能力領(lǐng)域的要求，比起龐大的新標準體系，也具有靈活性、實用性和指導性。[12]整體而言，這9個能力指標反映出當前教學設(shè)計實踐領(lǐng)域的復雜性，一個人要全面掌握這些能力似乎比較勉強，但可據(jù)此準確定位自己的發(fā)展方向，對相關(guān)能力進行專項培養(yǎng)。

五、總結(jié)與展望

本研究首先依據(jù)相關(guān)研究提出教學設(shè)計能力分析框架，再對數(shù)千條崗位信息進行分類，并在用貝葉斯分類器證明分類合理的情況下，建立能力指標體系和詞袋模型，深度挖掘各類崗位的能力需求，最終以雷達圖的形式進行可視化呈現(xiàn)與解讀，為教學設(shè)計能力的研究提供一定新思路，也對相關(guān)專業(yè)的人才培養(yǎng)有一定的啟發(fā)：①提供靈活的課程體系，以滿足教學設(shè)計能力需求的模塊組合。具體而言，既包括教學設(shè)計、教育心理學等培養(yǎng)教學能力的基礎(chǔ)專業(yè)課程，也包括將相關(guān)的信息技術(shù)運用到教學或教學管理的應(yīng)用型課程，以及與教育管理相關(guān)的課程。這些課程又可以劃分為必修課程和選修課程，學生在學習基礎(chǔ)課程、培養(yǎng)基本的教學素質(zhì)的基礎(chǔ)上，可以根據(jù)自己的興趣和特長選擇研發(fā)技術(shù)類或管理類的課程，進一步培養(yǎng)專業(yè)素質(zhì)，提高競爭力。②豐富前沿領(lǐng)域的教學實踐，培養(yǎng)實戰(zhàn)能力?？膳c中小學或企業(yè)合作，建立創(chuàng)客、STEM、人工智能等前沿領(lǐng)域教學項目，讓學生參與教案/學案設(shè)計、授課、教學產(chǎn)品研發(fā)、項目管理與運營等工作，有針對性地培養(yǎng)各方面的能力。

另外，本研究也有繼續(xù)改進的空間：①分詞技術(shù)損失了語法、語境等信息，使很多詞匯變得沒有意義，后續(xù)研究可以關(guān)注如何減弱這種損失；②關(guān)于能力指標與詞袋模型，可以挖掘不同能力指標之間的關(guān)聯(lián)程度，如上述“知識儲備”與實用技能之間的關(guān)聯(lián)性，進而構(gòu)建更加合理的能力指標-詞袋模型。