摘 要：在教育數字化時代，人才隊伍建設已成為高校提升核心競爭力的關鍵?；诟咝＝處煷髷祿纬扇瞬女嬒瘢珳拭枥L人才成長軌跡，在高校人才的選、用、育、留等環(huán)節(jié)可以發(fā)揮重要作用。該研究通過融合師德師風、教育教學、科研創(chuàng)新和社會服務等方面的多源數據，運用數據挖掘、機器學習、可視化等技術，構建了人才分類評價體系，形成數字人才畫像模型，并實現了人才畫像系統(tǒng)的設計與開發(fā)。該研究可以為高校高層次人才管理、教師職業(yè)發(fā)展規(guī)劃、教學科研評價等工作提供有益借鑒。

關鍵詞：高校人才畫像；多源數據；數字模型構建；可視化

中圖分類號：G4 文獻標志碼：A 文章編號：2096-0069（2024）06-0077-07

一、問題的提出

人才是推動教育發(fā)展的第一資源，建成一支規(guī)模適中、結構優(yōu)化、分布合理的高素質人才隊伍，對于高校的未來發(fā)展具有至關重要的作用。在教育數字化時代，精準刻畫人才發(fā)展規(guī)律，為高校高層次人才的招聘、培養(yǎng)、評價和職業(yè)發(fā)展提供科學依據，已成為提升高校核心競爭力的關鍵。國務院發(fā)布的《中國教育現代化 2035》指出，要加快信息化時代教育變革；教育部辦公廳發(fā)布的《關于開展人工智能助推教師隊伍建設行動試點工作的通知》提出，要通過形成高校教師大數據，建立教師數字畫像，推進教育信息化和教師隊伍現代化建設。

高校作為人才培養(yǎng)的重要陣地，建立人才數字畫像成為精準識別、評價和激勵教師的重要手段。高校人才數字畫像可以幫助管理者更準確地了解教師的能力、專長、教學風格、科研興趣及發(fā)展需求，從而優(yōu)化資源配置，提升教學質量和科研水平。這種數字化的管理方式已經獲得了學術界的廣泛認可。然而，現有的數字畫像大多來自單一的數據源，如教師的教學評價、科研成果等，無法全面反映教師的綜合情況，從而使畫像的準確性和有效性受到一定的影響。

隨著信息技術的發(fā)展，教師數據采集的手段也日益多樣化。例如，通過多模態(tài)的數據采集，可以實現對教師教學視頻、課堂互動、學生反饋等多方面信息的全面記錄和分析，從而得到更為細致和深入的教師畫像。此外，通過社交媒體、學術數據庫、在線教育資源等渠道，可以獲取到更為豐富和全面的信息，如學術影響力、合作網絡、研究方向等。

因此，本研究通過融合多源數據的方式，實現對高校教師全面、深入地理解和分析，構建出更為準確和有效的高校教師數字畫像模型。具體來說，本研究將從師德師風、教育教學、科學研究、社會服務等方面采集多源數據，運用數據挖掘和機器學習等技術，構建出包含教師教學能力、科研實力、個人特質等多維度的數字人才畫像模型。這一模型將為高校高層次人才管理、教師職業(yè)發(fā)展規(guī)劃、教學科研評價等提供有效的路徑和支持。

二、研究現狀

（一）人才分類評價體系

構建科學合理的人才分類評價體系對人才畫像概念模型的構建至關重要。人才畫像概念模型的核心內容是人才畫像特征指標體系的構建。人才分類評價體系映射到人才畫像上，可以分解為兩部分：一是人才畫像構建目標，即人才如何分類；二是人才特征指標，即如何選取人才評價指標。

眾多學者在探討人才評價維度時，均強調了多元性。例如，江軼等[1]提出的師德師風、教育教學、科學研究、社會服務、專業(yè)發(fā)展5個維度，涵蓋了人才的多個方面。蔡蕾[2]則從立德樹人、人才培養(yǎng)、科學研究、社會服務4個維度定義了一流大學人才評價體系，體現了對人才培養(yǎng)的全面關注。針對不同人才類別的差異化評價，崔平毅等[3]指出，針對不同崗位類別、不同學科類別、不同層次人才類別的考核對象，應差異化調整考核標準及對應指標的權重分布。這一觀點得到了鄭虹等[4]的支持，他們認為對于教學型人才、基礎研究型人才、工業(yè)應用研究型人才等不同類型的人才，應分別注重教育影響力、學術影響力、行業(yè)影響力的評價。這種差異化評價的思路有利于更準確地評價人才的綜合能力，避免“一刀切”的評價方式。

高校作為人才培養(yǎng)和科學研究的重要基地，其人才評價體系應更加科學、合理。對于教學、科研、社會服務等不同崗位的職責要求和工作特點，應完善評價指標體系，各有側重。對于職業(yè)成長期的人才和職業(yè)成熟期的人才，也應根據其不同特點進行重點評價，以更好地發(fā)揮其潛力。李晉[5]認為，高校人才評價體系應按照高校的目標功能和發(fā)展規(guī)律進行構建，摒棄“唯期刊至上”的價值取向，克服簡單量化科學研究成果特別是“唯論文”帶來的弊端。這一觀點具有很強的現實針對性。

盡管學者已經對人才評價的維度和具體評價指標的選取進行了廣泛討論，但仍有一些領域值得進一步探索。例如，如何更加科學地確定各評價指標的權重分布，如何避免主觀因素對人才評價的影響，如何結合新技術和方法（如大數據、人工智能等）來優(yōu)化人才評價體系等，這些問題都值得在未來的研究中深入探討。

（二）人才畫像

隨著科學技術的發(fā)展，教育領域開始重視大數據中隱藏的信息價值，關注如何利用數據科學探索不同學科、不同層次的人才成長規(guī)律。近年來，大數據技術在輔助教師專業(yè)發(fā)展、評價高層次人才等方面均有不同程度的應用。

從教師專業(yè)發(fā)展的角度來看，蔣偉偉[6]利用大數據分析，為教師專業(yè)發(fā)展培訓方案的制定提供了精準的數據支持。這種全方位、精準化、個性化的專業(yè)培養(yǎng)和培訓服務，不僅有助于提升教師的專業(yè)素養(yǎng)，同時也為教育質量的提升奠定了堅實的基礎。

在人才評價方面，可以通過建立人才評價系統(tǒng)，利用大數據模型來全面呈現人才的綜合素質情況。例如，王運武等[7]提出通過人工智能賦能教師智能評價，形成立體、全面、動態(tài)的評價體系；姚占雷等[8]構建的面向科研人才評價的畫像標簽庫，為科研人才的分類分級評價提供了全新的視角和方法。這種動態(tài)更新、適用性強的評價模型，不僅優(yōu)化了現有的人才評價體系，也為后續(xù)的研究和實踐工作提供了新的思路。

此外，針對特定領域的人才畫像構建，李勇等[9]對人工智能熱點領域的人才進行了深入研究，從基本資歷、專業(yè)知識、工具技能和能力素質4個維度構建了人才畫像模型；張海濤等[10]從思政素養(yǎng)、知識儲備、通用能力、職業(yè)能力和情報智慧5個維度構建了“情報學+”人才的畫像，為持續(xù)探索可復制、可推廣的“情報學+”人才的培育模式奠定了基礎。這些研究不僅揭示了各領域杰出人才的群體特征，也為人才的選拔和培養(yǎng)提供了有力的數據支持。

值得一提的是，國外學者在數據支持人才選拔方面也進行了一些前瞻性的探索。例如，帕納戈普洛斯·喬治（Panagopoulos George）等[11]利用無監(jiān)督的機器學習技術，通過集群有效性指標分析“學術新星”，為人才的早期識別提供了新方法；巴蒂斯塔·安東尼奧·阿布雷烏（Batista Antonio Abreu）等[12]則通過深度學習和線性回歸模型，使用入職首年的數據預測高校教師的科研能力，這種預測模型對于高校的人才選拔和培養(yǎng)具有重要的參考價值。

由此可以看出，基于教育大數據的人才畫像在教育領域的應用正在逐漸深入，特別是在教師專業(yè)發(fā)展、高層次人才評價和特定領域人才畫像構建等方面。這些應用不僅優(yōu)化了現有的人才管理流程和模式，也為后續(xù)的研究和實踐工作提供了新的思路和方法。

三、人才畫像的設計與開發(fā)

本研究旨在基于多源數據，構建人才分析模型，確定分析維度和指標項，并完成相關數據計算。在此基礎上，開發(fā)人才畫像可視化平臺，以期為學校人才的“主動喚醒、重點培養(yǎng)”提供數據支撐，促進教師發(fā)揮潛能，積極參與學校的“雙一流”建設。人才畫像主要包含數據源、數據預處理、模型構建與計算、人才畫像可視化、人才畫像應用5個層級。具體構建框架如圖1所示。

（一）數據采集與獲取

高校的三大基本職能為人才培養(yǎng)、科學研究和社會服務，師德師風建設則是高校落實立德樹人根本任務的內在要求和重要保證。因此，數據的采集和獲取主要圍繞個人基本信息、科研能力、教學能力、社會服務和師德師風五個方面來進行。經需求調研和文獻分析后，按數據歸屬梳理相關數據來源與特征，如表1（見下頁）所示。對于已有業(yè)務系統(tǒng)中的結構化數據，通過脫敏和去標志化等手段進行處理；對于半結構化和非結構化數據，采用爬蟲工具爬取后，再通過數據結構轉換、分詞、自定義正則表達式等方式轉化為結構化數據，以便后續(xù)使用。

（二）數據預處理

數據預處理包括數據集成和數據清洗兩部分工作，其中數據清洗主要解決原始數據中數據異常、數據重復、數據缺失和不規(guī)范等問題。對于異常數據，主要包括使用簡單統(tǒng)計量分析法對明顯不在合理范圍內的數據進行刪除或修改，以及對空格、制表符、回車符、換行符等特殊字符進行清除。對于重復數據，主要包括對同一來源重復數據的剔除和對不同來源重復數據的選擇。對于數據缺失和不規(guī)范等問題，則需要通過人工干預的方式進行補錄或修改。

（三）模型構建與計算

基于個人基本信息、科研能力、教學能力、社會服務和師德師風5個方面的數據，確定分析內容和比較維度，進一步將維度細化，如教學能力包含教學工作量、教學成果、教學評價等。同時，將各個維度細分為指標項，融合涉及基本信息、學業(yè)背景信息、教學信息、科研信息、獲獎信息、社會服務及影響力等各個方面的多源數據，形成人才指標數據池，用以支撐各個維度的不同指標，如表2所示。

基于融合多源數據的人才指標數據集和個人、學院、學校等不同層次的分析需求，確定不同指標的計算方法及權重，明確人才分析模型的可操作性和可實踐性。對于同一維度下的不同指標，將其使用適當的函數進行標準化處理后求和，得到維度得分，如公式（1）所示：

（1）

同時，考慮到數據較為稀疏且不同維度數據量度的差異，采用統(tǒng)計學方法，對每位教師近五年的數據進一步進行歸一化和標準化處理。處理后的分數具備可加性和可比較性，同時便于展示和理解。

（四）人才畫像可視化與人才畫像應用

根據以上模型和指標，可為教師動態(tài)生成個性化人才畫像，并針對特定群體勾勒人才群體畫像。人才畫像可視化平臺的主要功能包括數據轉換、視圖映射和可視化呈現。通過數據轉換，將模型數據和指標數據轉化為可以映射到圖表的視圖標準形式；通過視圖映射，將數據表轉化為坐標、長度、角度等圖形元素；通過合理的可視化手段，特別是充分發(fā)揮雷達圖、?；鶊D、詞云圖等適用于維度分析、發(fā)展變化分析、群體比較分析的圖表的應用價值，將圖表關聯、下鉆、篩選等功能與需求有效融合，充分發(fā)揮數據價值。人才畫像可視化平臺的構建支持對深度數據信息及其關聯的探索，為高校人才專業(yè)發(fā)展及人才隊伍建設的科學決策提供有效支撐，有助于個人發(fā)展和管理績效提升。

四、人才畫像應用場景

（一）助力個人發(fā)展

人才畫像可以通過直觀的可視化形式，從橫向、縱向等多個維度呈現教師關鍵信息，為管理者和教師自身提供清晰的畫像描述。構建人才畫像，能夠全面展示數據，提升教育管理的科學性和精準性，促進人才的全面發(fā)展。

1.個人畫像展示

基于多源數據支持的人才指標所構建的人才畫像，可以從個人特質、學術成就、創(chuàng)新能力、發(fā)展?jié)摿Φ确矫婷枥L教師個人數據并進行可視化展示。其中，個人畫像展示頁面具體包括基本信息、在校信息、教學信息、科研信息、校內崗位歷程、行政職級歷程、獎勵信息、職稱信息歷程、課表信息和考核信息等。借助個人畫像展示頁面，可以較好地展示個人信息、勾勒成長年輪。

2.個體群體比較

個體群體比較展示主要從兩個方面展示人才近五年在各個維度的發(fā)展情況，一是以雷達圖的形式展示個人、所在學院和全校在各個維度上的得分；二是展示在各個維度上，個人在學院中的排名。人才畫像的一個重要作用便是能促進人才對自身更加客觀和深層次的認知與評價。將個人與不同群體在各方面進行橫向對比，能夠明晰個人能力素質的優(yōu)勢與短板，使個體明確自我定位。

（二）助力管理者

基于人才群體畫像，學校可動態(tài)掌握人才成長過程，基于多層分析進行特定群體之間的多維比較，挖掘滿足特定條件或具備特定潛質的人才，加強人才隊伍及后備力量。在上述應用的基礎之上，服務學校“依數治理”的目標，為學校發(fā)展提供更加科學、客觀、全面、智能的輔助決策。

1.人才精準選拔

人才畫像可以通過靈活的篩選、查詢功能，為高層次人才評選和獎項評選提供數據支撐。按照評選要求，根據年齡、學科及不同維度的能力指數調整閾值和權重，對全校人才進行篩選和排名，提供參考名單，助力人才的定向動員和精準培育。在人才管理中引入數據，能夠提升管理效能，為高校人才隊伍建設、人才選拔，甚至人才引進等提供科學有效的支撐。

2.群體基本畫像

對于高校重點培育、支持的后備人才隊伍，可依托人才指標數據池中的基本信息模塊展示群體畫像。在分院系、分年度統(tǒng)計每年培育人數的基礎之上，匯集了性別、政治面貌、民族、年齡段、入選時年齡、學科門類、畢業(yè)院校等信息，為高校人才工作部門從多角度了解后備人才隊伍概況提供了數據看板支撐。

3.群體維度分析

分析每年重點培育的后備人才隊伍在各個維度的得分情況，并與學校整體均值比較，不難發(fā)現，每年入選的后備人才在各個維度上具有互補性，且各項指標均有不同程度的波動。這反映出學校每年遴選后備人才時會有不同方面的傾斜和側重，從而保證在各個方面有突出表現的人才都能夠被挖掘和培養(yǎng)?；诒容^數據，一方面，了解以往入選人員的長處和短板，有針對性地制訂入選人員的指導和培育計劃；另一方面，結合各個批次的數據，鼓勵相同方向、能力互補的研究者組建研究團隊。

4.培育質量分析

通過分析后備人才隊伍的成果對比情況，及其在獲得資助前三年和入選后三年在各二級維度、各項指標上的得分情況，可以直觀展示人才培育質量。進一步，對于每批入選的后備人才，可以下鉆到個人數據展示，個性化分析其在各個維度上的進步與退步情況。

五、總結與反思

本研究融合教學、科研、社會服務等多源數據，構建多層分析模型，并與數據駕駛艙強大的可視化功能相結合，服務于高校“依數治理”的目標，為學校人才隊伍建設工作提供了數據層面的支持，并為其他各級單位建設基于人才畫像的人才發(fā)展分析平臺提供了有益借鑒。具體體現在以下幾個方面：第一，多維度數據融合的創(chuàng)新實踐。本研究通過創(chuàng)新性地融合多源數據，構建了一個全面的高校教師數字畫像模型。該模型不僅涵蓋了教師的基本信息，還包括了科研、教學、社會服務及師德師風等多個關鍵維度。多源數據融合不僅豐富了教師畫像的內容，也為高校人才管理提供了更為細致和深入的分析視角。通過這種方式，高校管理者能夠更準確地識別和評價教師的綜合能力和潛力。第二，動態(tài)可視化平臺的開發(fā)與應用。在數字畫像模型的基礎上，本研究開發(fā)了一個動態(tài)可視化平臺，通過直觀的圖表和圖形，將復雜的數據信息轉化為易于理解的視覺展示。這一平臺不僅為教師提供了一個自我評估和職業(yè)規(guī)劃的工具，也為高校管理者提供了一個強有力的決策支持系統(tǒng)。通過實時更新的數據和動態(tài)的圖表，高校管理者可以更直觀地了解教師的發(fā)展軌跡和群體特征，從而在人才的選、用、育、留、評等方面作出更加科學、合理的決策。第三，科學決策支持的人才管理優(yōu)化。本研究的數字畫像模型和可視化平臺，為高校人才管理提供了基于數據的科學決策支持。通過這一模型，高校能夠更加精確地識別和培養(yǎng)人才，優(yōu)化資源配置，提升教學質量和科研水平。此外，模型的應用還有助于激發(fā)教師的潛力，促進其職業(yè)成長，從而在整體上提高高校的教育競爭力。隨著模型的進一步優(yōu)化和應用，有望在更廣泛的教育領域內推動人才管理的創(chuàng)新和發(fā)展。

盡管本研究在構建高校教師數字畫像方面取得了一定的成果，但仍有一些問題需要在未來的研究中加以解決：第一，個人數據安全與隱私保護。隨著大數據技術在教育領域的廣泛應用，數據隱私和安全問題日益凸顯。在未來的研究中，需要重點關注如何設計和實施有效的數據保護措施，以確保教師個人信息不被泄露或濫用。這包括但不限于數據加密技術的應用、訪問控制策略的制定及對數據處理流程的嚴格監(jiān)管。第二，動態(tài)評價指標體系的持續(xù)更新。教育環(huán)境和科研政策的不斷變化要求評價指標體系能夠及時更新，以反映最新的教育趨勢和評價標準。在未來的研究中，需要建立一個動態(tài)的評價指標調整機制，定期對指標進行審查和更新，確保評價體系的時效性和準確性。同時，也需要考慮如何利用社交媒體分析、在線學習平臺數據、多模態(tài)數據等豐富評價指標的內容。第三，跨學科能力的綜合評價。跨學科研究已成為現代科研的重要趨勢，未來的數字畫像模型需要能夠識別和培養(yǎng)具有跨學科能力的人才。同時，未來的研究應關注如何整合不同學科的評價標準和成長路徑，構建一個能夠支持跨學科人才發(fā)展的綜合評價體系。這不僅有助于促進學科間的交流與合作，也能為高校培養(yǎng)更多具有創(chuàng)新能力的復合型人才。

參考文獻

[1] 江軼，陳若松.全面考核和突出重點相結合 科學開展高校人才評價[J].中國高等教育，2022，699（20）：39-41.

[2]蔡蕾.基于OKR模式的我國一流大學建設高校人才評價改革路向研究[J].教育發(fā)展研究，2021，41（7）：7-12.

[3]崔平毅，居占杰.地方本科院校高層次人才隊伍建設探析[J].河南工業(yè)大學學報（社會科學版），2018，14（4）：92-97.

[4]鄭虹，薛佳佳.關于新發(fā)展階段高校高層次人才引進、培育的思考[J].人才資源開發(fā)，2022，483（24）：30-32.

[5]李晉.去“SCI至上”后的高校人才評價體系重構探究[J].常州工學院學報，2021，34（3）：80-84.

[6]蔣偉偉.大數據驅動下學術創(chuàng)新評價與預測模型構建及應用服務研究[J].圖書情報導刊，2022，7（4）：36-43.

[7]王運武， 李雪婷， 王藤藤， 等. 人工智能助推教師隊伍建設：新訴求、潛能與應用場域[J]. 數字教育， 2022， 8 （6）： 13-20.

[8]姚占雷，陳紅伶，許鑫.科研人才分類分級評價研究[J].西南民族大學學報（人文社科版），2020，41（6）：234-240.

[9]李勇，陳曉婷，黃格.基于招聘數據的人工智能人才畫像與培養(yǎng)對策[J].重慶高教研究，2021，9（5）：55-68.

[10]張海濤，張春龍，張鑫蕊，等.新文科背景下“情報學+”人才的時代意蘊.中國圖書館學報，2022，48（4）：67-78.

[11]PANAGOPOULOS G，TSATSARONIS G，VARLAMIS I. Detecting rising stars in dynamic collaborative networks[J]. Journal of Informetrics，2017， 11（1）：198-222.

[12]BATISTA-JR A DA，GOUVEIA F C，MENA-CHALCO J P. Predicting the Q of junior researchers using data from the first years of publication[J]. Journal of Informetrics， 2021，15（2）： 101130.

（責任編輯 李強）

Portrait of University Talents with Multi-Source Data： A Study on Digital Model Construction and Practical Exploration

Xie Bochao1， Zhang Yeqing1， Wang Jiahong1， Li Ying1， Zheng Yafeng2

（1.Department of Network Security and Informatization， University of International Business and Economics， Beijing， China 100029;

2.Centre for Educational Science and Technology， Beijing Normal University， Zhuhai， Guangdong， China 519087）

Abstract： In the era of education digitalization， the construction of university talent team has become the key to enhance its core competitiveness. To form a talent portrait based on the big data of college teachers and accurately depict its growth trajectory will play an important role in the selection， education and retention of college talents. By integrating multi-source data on teachers’ morality， education and teaching， scientific research and innovation， and social services， and using data mining， machine learning， visualization and other technologies， the research constructs a talent classification and evaluation system， forms a digital talent portrait model， and realizes the design and development of the talent portrait system. The research can provide useful reference for the management of high-level talents， teachers’ career development planning， teaching and research evaluation in universities.

Key words： Talent portrait; Multi-source data; Model construction; Visualization

基金項目：2023年度國家自然科學基金面上項目“虛擬實驗環(huán)境下科學探究過程自動監(jiān)測與適應性反饋研究”（62377005）；2022年度高等教育科學研究規(guī)劃重點課題“融合多源數據的教師全息畫像構建與應用研究”（22XX0303）

作者簡介：解博超（1992— ），男，北京人，碩士，研究方向為數據分析與數據可視化； 張燁青（1989— ），女，江蘇南通人，碩士，研究方向為教育數據挖掘；王佳弘（1992— ），女，北京人，碩士，研究方向為數據應用數據分析； 李穎（1988— ），女，天津人，碩士，研究方向為教育信息化；鄭婭峰（1979— ），女，河南洛陽人，教授、博士生導師，研究方向為在線學習分析與人工智能教育應用，系本文通信作者。