TRAE · 创意方案 · 报名参赛
师说画像
导入教评与在线评价，
生成可信赖的教师画像
把散落在教务系统、校园 BBS、知乎、小红书等渠道的教学评价聚合起来，由 AI 提炼成多维度、可量化、可解释、可溯源 的教师画像，让选课、教研、师资管理第一次有真实数据可依。
把散落在教务系统、校园 BBS、知乎、小红书等渠道的教学评价聚合起来，由 AI 提炼成多维度、可量化、可解释、可溯源 的教师画像，让选课、教研、师资管理第一次有真实数据可依。
在高等教育与 K12 培训场景中，关于"老师好不好"的信息极度分散——教务系统一份期末评教、校园 BBS 一段吐槽、知乎一个匿名回答、小红书一条避雷帖。这些数据本应成为教学改进的核心燃料，但今天它们被锁在十多个互不打通的系统里。
学生选课靠口口相传、家长择校靠中介话术、教务评估靠学期末那张 5 分制问卷。评价数据不流通、画像不立体、反馈不及时，导致"好老师被埋没、差老师被反复选"的资源错配长期存在。
起因是团队成员在选研究生导师时，辗转于知乎、微博、导师评价网、小木虫等多个平台拼凑信息，整个过程耗费两周却依然不确定。如果有一个工具能一键整合所有渠道的评价，并给出可解释的画像，将极大降低学生的决策成本，也帮助学校真正用数据驱动教学改进。
一个 Web 端 + 小程序 形态的教师评价聚合与画像生成平台：用户输入教师姓名/课程/学校，系统自动抓取公开渠道评价 + 导入用户自有评教数据，由 LLM 提炼出多维度评分、关键词云、典型评价摘录，最终输出一张"教师数字简历"。
教师画像不是单一角色的工具，而是连接学生、学校、教研三方信任的中间层。
本科生、研究生、家长。在选课、选导师、择校时缺乏客观参考，容易被单一渠道的极端评价误导。
教务处、院系主任。希望看到实时、可对比的教师教学表现，但目前只能依赖期末一次性问卷。
需要匿名、可信的反馈来迭代教学，但常被少数极端评价困扰，缺少数据支撑的回应能力。
每学期开学前两周访问量激增 8 倍。学生输入"计算机学院 + 机器学习方向"即可获得该方向全部教师的对比画像，5 分钟完成信息收集。
教务处将历年评教 Excel 一键导入，系统自动生成院系级别的教学改进报告，识别"课堂互动持续偏低"等共性问题。
家长扫描机构公开课教师二维码，即可看到其在平台上的累计评价、专长标签、退费率等真实数据。
教师登录后看到自己的画像，包含"近 3 学期能力变化趋势"和"具体评价原文摘录"，可针对性申请教学培训。
| 痛点 | 没有师说画像时 | 有了师说画像之后 |
|---|---|---|
| 信息分散 | 学生在 5+ 个平台间跳转拼凑，耗时 1-2 周 | 一次搜索，结构化呈现全渠道评价 |
| 评价失真 | 极端评价占据首页，无法判断真实水平 | 聚合统计 + 原文溯源，区分个例与共性 |
| 反馈滞后 | 教务评教每学期一次，教师难以及时调整 | 实时聚合 + 学期趋势图，问题早发现 |
| 隐私风险 | 公开平台匿名评价易演变为人身攻击 | AI 脱敏 + 情绪过滤 + 多源交叉验证 |
从"原始评价"到"可消费画像"，我们设计了清晰的三层流水线。
支持 Excel/CSV 批量上传、公开平台爬虫授权导入、表单录入三种入口。
知识深度 / 讲解清晰 / 课堂互动 / 反馈及时 / 作业负担 5 个维度。
LLM 生成的教师教学风格摘要 + 优势短板分析。
每一条画像结论都可点击回溯到具体评价原文。
基于某高校计算机学院近三年评教数据（脱敏样本，n=12,847 条评价）进行的画像模拟结果：
从社会价值、效率提升、商业价值三个角度看，师说画像都具备清晰的应用前景。
让缺乏"人脉资源"的学生也能获得选课、择校的客观信息，缩小信息差导致的机会不平等，尤其利好农村及非头部高校学生群体。
把教务评教周期从"一学期一次"压缩到"实时"，教师可基于画像数据按月迭代教学方法，教务处可量化教学改进效果。
面向 B 端高校收取 SaaS 年费；面向 C 端学生提供免费基础画像 + 付费深度报告（如完整导师评估、跨校对比）；未来可拓展至培训机构、留学申请场景。
| 对比维度 | 现有平台（导师评价网 / 知乎） | 师说画像 |
|---|---|---|
| 数据来源 | 单一公开 UGC，匿名易失控 | 公开评价 + 教务私有数据双源融合 |
| 呈现形式 | 长文本列表，难以快速对比 | 雷达图、词云、趋势图 + 原文 |
| 可信度 | 情绪化极端评价容易被算法放大 | AI 脱敏 + 多源交叉验证 + 置信度 |
| 教师参与 | 完全被动，容易被网暴 | 教师可申诉、补充上下文、申请复核 |
| 隐私保护 | 学生身份易被猜测 | 评价者永久匿名 + 端到端加密 |
方案以 TRAE Work（Auto 模式） 作为主力开发工具，从原型到后端一次性打通。
雷达图、词云、趋势图全部使用 ECharts；响应式设计兼容桌面与移动端；与后端通过 RESTful API 通信。
Python 生态对 NLP 友好；FastAPI 异步处理抓取与画像生成任务；PostgreSQL 存储教师画像与评价原始数据。
使用 LLM 做语义提炼、摘要生成、关键词提取；使用规则引擎做情绪分类、维度打分、隐私脱敏，兼顾准确性与成本。
Scrapy 负责公开平台抓取；Pandas 做数据清洗；Airflow 编排每日增量任务，确保画像时效性。
采用敏捷迭代，每 2 周交付一个可演示的版本。
| 阶段 | 时间 | 关键交付 | 里程碑 |
|---|---|---|---|
| M1 · 原型 | W1-W2 | 需求文档、数据流图、Figma 原型 | 完成用户访谈 ≥ 20 人 |
| M2 · 数据层 | W3-W4 | 数据导入模块、Scrapy 爬虫、清洗流水线 | 成功导入 10,000+ 历史评教数据 |
| M3 · 画像引擎 | W5-W7 | LLM 评分、关键词提取、摘要生成、置信度算法 | 人工一致率 ≥ 85% |
| M4 · 前端 | W8-W10 | Web 仪表板、小程序、ECharts 可视化 | 完成 5 所高校试用部署 |
| M5 · 灰度 | W11-W12 | 隐私审核、压力测试、教师申诉流程 | 正式上线公测版本 |
小而精的跨学科团队，成员具备教育、数据、产品三重背景。
团队 2 名为前高校教师，1 名为在读研究生，深谙教务评教的痛点与禁忌，确保产品设计不脱离教育实际。
核心成员曾主导过日均 10 万级爬虫项目与 LLM 应用落地，熟悉 TRAE 全流程，工程执行力有保障。
邀请法学院副教授作为顾问，确保产品符合《个人信息保护法》《教育法》相关条款，规避法律风险。
教育的本质是人对人的影响。我们相信，技术可以让这份影响被更公平地看见、被更准确地传递、被更善待地使用。
师说画像不是要给老师"贴标签"，而是要让每一位用心教学的老师被找到，让每一位认真求学的学生少走弯路，让每一次教学改进都有据可依。
本方案由 TRAE Work（Auto 模式） 辅助生成 · 报名赛道：社会服务