中国大学教师在创新与创业教育方面的能力：一项潜在特质分析

《Frontiers in Psychology》：The competence in innovation and entrepreneurship education among Chinese university teachers: a latent profile analysis

　　摘要
随着创新与创业教育（IEE）的迅速发展，了解大学教师在这一领域的能力变得越来越重要。本研究采用潜在剖面分析（LPA）方法来识别和考察大学IEE教师中不同的能力子群体。调查了396名在中国从事IEE教学的大学教师。研究发现，IEE能力包括八个维度：创业思维、专业思维、抱负、乐观主义、自我效能、专业知识、创业技能和教学能力。潜在剖面分析确定了三个不同的IEE教师子群体：高能力群体、中等能力群体和低能力群体。此外，多项逻辑回归分析表明，具有创业管理或创新-创业研究经验的大学IEE教师在教学能力方面显著优于没有此类经验的教师。这些结果提供了实证证据，将教师的个人和职业背景与其IEE教学实践联系起来，并强调了体验式学习在发展教学能力中的关键作用。

1 引言
创新与创业教育（IEE）是一种独特的教育范式，它将创业理论与实践技能的发展相结合。它包含两个互补的维度：概念创新和实际应用（Gao和Cao，2007；Ma等人，2020）。创新为创业活动提供了概念基础，而创业则是实现创新想法的机制。IEE的发展在不同地区有所不同。美国是IEE的先驱，英国也取得了快速进展。在亚洲，日本拥有相对成熟的IEE体系，而中国尽管起步较晚，但近年来也经历了快速发展（Ma等人，2020）。在当代背景下，可持续发展已成为21世纪的核心要求，影响着创业企业和IEE项目（Shu等人，2020）。受技术进步和全球化的推动，世界各国政府和教育机构都将IEE视为区域经济发展和社会福利的战略驱动因素（Wang和Fu，2023）。
关于高等教育机构中IEE实施的研究在数量和范围上都有所扩展。国际上，学者们强调IEE的原则不仅适用于学生，也适用于教育机构，要求机构领导和教师都具备创业思维（Harkema和Schout，2008）。此外，向有效的IEE转变在很大程度上依赖于采用超越传统学科界限的创新教学方法（Samuel和Rahman，2018）。在更广泛的国际背景下，教育工作者不再仅仅被视为知识的传播者，而是被视为创业榜样，他们的个人参与直接塑造了学生的创业意愿（San-Martín等人，2021）。顺应这些全球趋势，中国的政府举措和大学改革为IEE提供了强有力的支持，强调了在所有学术层次培养合格IEE实践者的必要性（中华人民共和国教育部，2024）。无论处于何种地区背景，有效的教育创新都需要考虑与教师相关的教学因素（Zhao和Zhang，2021）。自下而上的政策设计通过让关键利益相关者——特别是教师和行政人员——成为IEE生态系统中的关键变革推动者，从而促进大规模的技术整合（De Voto和Thomas，2020；San-Martín等人，2021）。

1.1 教师能力与IEE中的冰山模型
在中国，越来越重视高等教育教师在IEE方面的教学能力，包括影响教学能力的相关因素（Liu等人，2024）。能力被广泛定义为有效工作所需的综合知识、技能和特质（Gupta，1999；Katane等人，2006）。在教学领域，Vogt和Rogalla（2009）确定了四种关键的教学能力，如学科知识、诊断能力和教学方法。此外，关于高等教育教师能力的研究通常围绕六个关键维度进行，如个性、专业性、教学法和研究能力（Dervenis等人，2022）。然而，现有研究对高等教育教师多方面的IEE能力的关注有限。为了填补这一空白，本研究使用了能力冰山模型（Spencer和Spencer，2008）来概念化IEE教师的能力。该理论将人类能力比喻为冰山，认为个体特征根据其可见性和可塑性分为两类。该模型将人类能力分为两个层次：表面层次的可观察属性（知识和技能）和深层不可观察的心理特征（动机、特质和自我概念）。其核心前提是，虽然可观察的技能构成了基础层，但这些潜在的不可观察特质最终推动了在高度复杂和不确定的专业环境中的卓越表现。
在这一理论框架的指导下，我们确定了IEE教师的八个具体能力维度，并明确将其与冰山模型的结构组成部分对齐。可观察的能力包括专业知识（知识）、创业技能和教学能力（技能）——这些都是基础的教学专长。重要的是，不可观察的能力包括抱负（动机）、乐观主义（特质）以及三个自我概念维度：创业思维、专业思维和自我效能。通过明确这种可观察与不可观察之间的对应关系，我们的概念框架超越了主要关注可观察教学技能的先前模型。这代表了一个新颖的概念贡献，展示了深层内在心理特质（不可观察的）是如何成为IEE实践中有效教学行为（可观察的）的核心理论驱动力。

大学教师在IEE方面的能力受到多种因素的影响。Liu等人（2024）认为，教师的专业发展可以通过认知提升和后续的行为实践来体现。从外部来看，培训环境的改善和对个人创业行为的投资——如创新、自主性和资源管理——对于提升教师的创业能力尤为重要（Zhu等人，2023）。因此，教学任期、创业/商业管理经验、IEE研究经验和竞赛指导经验可能与高等教育教师的IEE能力显著相关。

1.2 以人为中心的方法：潜在剖面分析
尽管有这些理论进展，但目前评估IEE能力的实证研究主要采用了以变量为中心的方法，这些方法往往忽视了IEE教育者之间的显著个体差异。为了解决这一局限性，我们采用了潜在剖面分析（LPA），这是一种以人为中心的统计技术，可以根据观察到的连续变量识别样本中的不同子群体（Spurk等人，2020）。作为一种以人为中心的方法，LPA已被有效地应用于研究个体层面的动机和情感劳动，为有针对性的干预提供了实证证据（Yin等人，2020；Zhao等人，2023）。

1.3 本研究
总体而言，本研究有两个核心研究目标：首先，基于八维能力框架探索高等教育IEE教师的潜在能力剖面；其次，系统地考察与特定能力剖面相关的潜在因素，包括教学任期、创业/商业管理经验、IEE研究经验和竞赛指导经验。尽管之前的研究已经考察了教师能力模型及其相关影响因素（Liu等人，2024），但由于IEE教师之间存在显著的个体差异，应用LPA尤为必要。识别和考察这些教师子群体可以更有效地促进IEE教师的个性化专业发展，从而整体提高高等教育机构的IEE质量。

2 材料与方法
2.1 参与者和程序
本研究获得了HSJKY科学研究伦理委员会的伦理批准（批准编号：HSJKY-EDU-2022-001）。参与者来自五个不同的群体：(a) 教授IEE课程的全职高等教育教师；(b) 指导学生参与创业竞赛和创业项目的教员；(c) 负责监督学生创业项目的大学管理人员；(d) 学生事务人员（例如，学术顾问和学生就业及创业服务中心的工作人员）；(e) 专门从事IEE研究的人员。在中国“全面发展教育”（Sanquan Yuren）体系中，学生事务人员同时担任教育者和管理人员的双重角色（中华人民共和国教育部，2017）。鉴于IEE的应用性质，这些行政人员和研究人员往往是创业项目的首要指导者（Zhu和Shu，2021；Zhu等人，2023）。将这些人员归类为“IEE教育者”符合国际观点，即有效的IEE需要一个积极的机构参与和多样化的实践者（Harkema和Schout，2008；San-Martín等人，2021）。本研究针对这些参与者进行了在线问卷调查。在线问卷通过中国的专业在线研究平台Wenjuanxing（www.wjx.com）设计和分发。问卷链接通过个人联系和机构传播在IEE教育者社区中发放。
参与者来自中国大陆各地，主要关注广东省。数据收集时间为2023年2月至3月，共收到396份有效回答。参与者年龄从不到30岁到超过60岁不等，样本中男性138人（34.85%），女性258人（65.15%）。参与者的IEE参与时间分布如下：占比最大的是参与时间小于1年的群体（45.7%，n = 181），其次是参与1-5年的群体（38.6%，n = 153）。参与时间在6-10年的参与者占较小比例（8.6%，n = 34），而参与时间分别为11-15年和超过15年的群体各占3.5%（n = 14）。关于创业/商业管理经验，35.9%（n = 142）的参与者表示有此类经验，而64.1%（n = 254）表示没有。同样，51.5%（n = 204）的参与者表示曾参与或领导过IEE相关研究项目，而48.5%（n = 192）表示没有此类经验。在竞赛指导经验方面，45.2%（n = 179）的参与者表示曾指导过IEE竞赛的学生，而54.8%（n = 217）表示没有此类经验。所有参与者均自愿参与并提供了书面知情同意。

2.2 测量工具
创新与创业教育能力问卷（IEEC）是通过一个严格的过程开发的，该过程整合了能力理论、深入的半结构化访谈以及具有能力研究经验的资深IEE教育者（全日制和兼职）和大学心理学教员的专家评审。首先，IEEC旨在评估高等教育IEE教育者的IEE能力。最初的IEEC包含203个条目，涵盖四个核心维度：(1) 人格特质（141个条目）；(2) IEE专业知识（16个条目）；(3) 创业技能（21个条目），用于评估实际创新能力；(4) 教学能力（25个条目），用于衡量教学技能。所有条目均采用5点李克特量表进行评分，回答选项从1（强烈反对）到5（强烈同意）。为了减少社会期望偏差，条目9、10、15、19、24、37、42、45、54、59、63、65、85、89、93–95、99–100、118、122–123、127和130–131被反向编码。
其次，最初的IEEC通过在线调查平台在IEE教育者社区进行了试点研究。在试点阶段共收集了358份问卷，其中350份有效，有效率为97.78%。试点样本中男性占31.14%，女性占68.86%。大多数试点参与者年龄在30-50岁之间，大多数人隶属于粤港澳大湾区（GBA）的高等教育机构。为了评估IEEC的心理测量属性，根据总分数将试点参与者分为高分组和低分组，并检查了这些组之间的条目分数差异。如果条目之间的组间差异不显著，则认为该条目对目标构念的区分能力较低；相反，如果组间差异显著，则表明该条目具有很强的区分能力。接下来，使用每个条目分数与总分之间的相关性（条目-总分相关性）作为条目区分能力的指标。条目与总分之间的相关性越高，表明其区分目标构念的能力越强，反之亦然。最后进行了探索性因子分析（EFA），并删除了因子载荷低于预设阈值的条目以完善量表。最终，有116个项目被剔除，形成了一个精简的87个项目IEEC，该量表与研究的目标保持一致。第三，精简后的87个项目IEEC评估了四个关键的能力维度，其子维度和项目数量如下：（1）人格特质（5个子维度：16项的创业心态、4项的专业心态、4项的抱负、3项的乐观主义和6项的自我效能[改编自一般自我效能量表]）；（2）IEE专业知識（12项）；（3）创业技能（18项），用于评估实际创新能力；以及（4）教学能力（24项），用于衡量教学技能。所有项目均采用5点李克特量表（1=强烈不同意到5=强烈同意），总分通过求和计算得出。IEEC表现出极佳的内部一致性可靠性，Cronbach's α系数在所有维度上均超过0.90（人格特质：0.94；IEE专业知識：0.92；创业技能：0.95；教学能力：0.96），整体量表α为0.98。确认性因素分析（CFA）确认了IEEC的模型拟合度良好，其拟合指数分别为：χ2/df = 2.921，AIC = 75,843.177，BIC = 76,926.808，aBIC = 76,063.744，SRMR = 0.073，RMSEA = 0.069（90%置信区间[0.067, 0.070]）。这些指数证实了该量表的模型拟合度良好。

2.3 数据分析
在本研究中，使用了Mplus 8.3软件进行了潜在剖面分析。数据分析分为三个步骤进行。由于IEEC的八个维度在项目数量上有所不同，因此采用了加权评分方法和线性评分转换以确保各维度之间的分数可比性。具体来说，每个维度的原始总分乘以0.125，再除以该维度的理论最高分，最后乘以100。0.125的系数是根据IEEC的八个维度得出的，每个维度占总综合分数的八分之一。
在第一步中，人口统计调查项目进行了重新编码：（1）“IEE教学经验年限”项目被二值化：“少于1年”和“1-5年”被编码为0（表示5年或更少的教学经验），“6-10年”、“11-15年”和“超过15年”被编码为1（表示超过5年的教学经验），因为后几类的样本量相对较小；（2）“是否有创业或商业管理经验”项目被编码为0表示“没有”，1表示“有”；（3）“是否有进行创新和创业教育研究的经验”项目同样被编码为0表示“没有”，1表示“有”；（4）“是否有指导学生参加创新和创业竞赛的经验”项目也被编码为0表示“没有”，1表示“有”。
在第二步中，估计了一个潜在剖面模型，以识别高等教育IEE教师中的不同能力子群体。潜在剖面分析是一种以人为中心的分析方法，使用潜在的分类变量来解释观察到的连续指标之间的关系。LPA的基本假设是，对观察变量的响应概率分布可以用少数互斥的潜在类别来解释。在本研究中，IEE能力的维度包括“创业心态、专业心态、抱负、乐观主义、自我效能、专业知识、创业技能和教学能力”。这一步从初始模型开始，逐步增加潜在剖面模型中的类别数量，直到确定最优模型。
在第三步中，基于第二步的结果，将潜在剖面类别成员身份作为因变量。自变量包括教学经验、创业或商业管理经验、创新和创业研究经验以及指导学生参加创新和创业竞赛的经验。估计了一个多项式逻辑回归模型，以检验这四个自变量对教师IEE能力潜在类别成员身份的预测效应。模型拟合度的评估标准如下：（1）赤池信息量准则（AIC）、贝叶斯信息量准则（BIC）和调整后的贝叶斯信息量准则（aBIC），较低的值表示模型拟合度更好；（2）熵，其范围从0到1，接近1的值表示分类更准确。熵值为0.6表示分类准确率超过80%，熵值为0.8表示分类准确率超过90%（Nylund等人，2007年）；（3）Lo-Mendell-Rubin似然比检验（LMR）和自助法似然比检验（BLRT）。当p值显著时，表明具有k个类别的模型比具有k-1个类别的模型更好（Scotto Rosato和Baer，2012年）。本研究综合考虑了这些指数的结果，以及大学教师IEE能力的实际背景，以确定最优模型并相应地标记类别。所有统计测试均采用双尾检验，显著性水平为α = 0.05。

3 结果
3.1 探索性LPA
为了探索大学创业教师的IEE能力潜在模式，我们基于参与者在问卷中八个维度上的回答建立了潜在剖面模型：创业心态、专业心态、抱负、乐观主义、自我效能、专业知识、创业技能和教学能力。从一个初始的2类模型开始，逐步增加了类别数量，最终拟合了四个潜在剖面模型。模型拟合指数见表1。
表1
模型 AIC BIC aBIC LMR BLRT 熵 潜在类别概率
2 11,08 1.68 11,18 1.22 11,10 1.90 ** 0.88 0.42/0.58
3 10,69 2.88 10,82 8.25 10,72 0.37 < 0.05 *** 0.91 0.13/0.56/0.32
4 10,55 1.93 10,72 3.13 10,58 6.69 0.50 *** 0.85 0.24/0.08/0.40/0.28
5 10,43 1.82 10,63 8.85 10,47 3.85 < 0.05 *** 0.88 0.05/0.22/0.28/0.37/0.09
探索性LPA的拟合指数显示，2类模型的AIC、BIC和aBIC值最高，并且随着潜在类别数量的增加而逐渐降低。在3类模型中，LMR和BLRT值均具有统计学意义，熵值超过0.90，表明分类准确率极高。4类模型的LMR值不显著，表明3类解决方案更优。此外，5类模型产生的两个类别的样本比例低于10%。基于统计证据和模型简洁性，最终选择了3类分类来描述大学教师的IEE能力。
进一步检验了三个潜在类别中每个IEEC维度的条件平均分数，结果如图1所示。如图1所示，三个潜在类别（C1、C2和C3）在所有八个IEEC维度上显示出不同的能力水平。C1（12.7%）被称为高IEE能力组，在所有维度上的条件平均分数始终较高，大多数值超过10。C2（55.2%）被称为中等IEE能力组，在所有维度上的条件平均分数在8到10之间。C3（32.1%）被称为较低IEE能力组，在所有维度上的条件平均分数在6到8之间。因此，这三个潜在类别被正式定义为：C1 = 高IEE能力组；C2 = 中等IEE能力组；C3 = 较低IEE能力组。
表1报告的LPA拟合指数显示，2类模型的AIC、BIC和aBIC值最高，并且随着潜在类别数量的增加而逐渐降低。当转到3类模型时，AIC、BIC和aBIC的降低幅度最大（>3）。在3类模型中，LMR和BLRT值均具有统计学意义，熵值超过0.90，表明分类准确率极高。4类模型的LMR值不显著，表明3类解决方案更优。另外，5类模型产生了两个样本比例低于10%的类别。基于统计证据和模型简洁性，最终选择了3类分类来描述大学教师的IEE能力。
3.2 不同经验对分类的影响
本研究进一步使用多项式逻辑回归分析，考察了四个分类自变量（即教学年限、创业/商业管理经验、创新-创业研究经验和竞赛辅导经验）对大学教师IEE能力三分类的影响。将“中等IEE能力组”（类别3）设为参考类别，计算比值比（OR）系数并量化这些预测变量对潜在剖面的影响。所有自变量都进行了虚拟编码，其中IEE教学年限以“5年或更少”作为基线（生成两个虚拟变量）。其他三个基于经验的变量（即创业/商业管理经验、创新-创业研究经验和竞赛辅导经验）以“无经验”作为参考水平（每个生成一个虚拟变量），以确保能够正确比较这些专业背景特征对能力组差异的影响。
多项式逻辑回归分析的结果（表2）显示，具有以下经验的教师属于“高IEE能力组”（C1）的可能性分别比“中等IEE能力组”（C3）高4.82倍、4.72倍和4.70倍：（1）创业/商业管理经验（p < 0.05）；（2）创新-创业研究经验（p < 0.05）；（3）竞赛辅导经验（边缘显著，p = 0.051）。在“中等能力组”（C2）和“低IEE能力组”（C3）之间，关于创新和创业研究经验也存在显著差异（p < 0.05），具有此类经验的教师被归类为C2的可能性是C3的2.11倍。与没有这些经验的教师相比，具有创业/商业管理经验或创新-创业研究经验的大学教师在提供IEE方面表现出显著更强的能力。

4 讨论
全球高等教育界越来越重视创新和创业项目，世界各地的大学正在积极开发举措以推进IEE的实施。大学教师? IEE 能力是成功开展创新和创业教育的关键决定因素。本研究基于 competency iceberg 模型（Spencer 和 Spencer，2008），利用潜在剖面分析（LPA）来探索大学教师 IEE 模式中的潜在子群体。此外，还使用了多项式逻辑回归分析来探讨与不同潜在 IEE 组相关的因素。
研究发现了三个不同的 IEE 教师潜在子群体，每个群体在所有八个 IEEC 维度上的能力水平均一致：高 IEE 能力组（在不可观察的心理特质和可观察的教学技能上均得分较高）、中等 IEE 能力组（在所有维度上的能力均衡且高于平均水平）以及较低 IEE 能力组（在所有维度上的能力处于基础水平）。此外，发现两个因素——创业/商业管理经验和创新-创业研究经验——与教学能力结果显著相关。具有创业/商业管理经验或 IEE 研究经验的大学教师比没有这些经验的教师更有可能被归类为高 IEE 能力组。这些发现表明，提高高等教育教师的 IEE 能力需要针对其相关专业经验和培养关键个人心理特征的定制干预措施。
首先，本研究通过应用 LPA 来研究高等教育教师的 IEE 能力，识别出三个不同的潜在 IEE 能力子群体：高 IEE 能力组、中等 IEE 能力组和较低 IEE 能力组。先前的研究使用了反向传播神经网络（Wang 等人，2023）和结构方程建模（Yao，2021）等方法来评估 IEE 结果和发展路径。然而，这些研究主要基于可观察变量对 IEE 变量进行建模，没有充分考虑到教育者之间的显著个体差异（Liu 等人，2024）。为解决这一问题，本研究开发了 IEEC 问卷，通过结合能力理论和深入的参与者访谈的严格流程来评估大学教师的 IEE 能力。利用这一测量工具，LPA 识别出了八个理论维度上的三个潜在 IEE 能力子群体：创业心态、专业心态、抱负、乐观主义、自我效能、专业知识、创业技能和教学能力。这既代表了方法论上的创新，也为 IEE 能力的发展路径提供了宝贵的见解，指出了有针对性的教师提升计划的关键领域。这些发现可以为设计更加个性化和有效的培训计划提供依据，以支持大学教师 IEE 能力的发展，使其符合他们的独特需求和优势。
其次，本研究通过验证特定因素与教学能力之间的正相关关系，为 IEE 实施的更有针对性的改进提供了依据。在识别出三个不同的 IEE 教师能力子群体后，我们具体研究了各种经验（如教学年限、创业/商业管理经验、创新-创业研究经验和竞赛辅导经验）与每个子群体之间的相关性。研究结果表明，具有创业/企业管理经验或工程技术教育（IEEE）研究经验的IEEE教师相比没有这些经验的教师，更有可能被归类为高能力潜质群体。值得注意的是，这些发现与国际上的研究结果一致，即实际创业经验和积极的学术研究是发展真实有效IEEE教学法的核心（San-Martín等人，2021年）。该研究建立在现有框架基础上，这些框架强调了多层次支持系统，包括制度环境和个体创业行为（Zhu和Shu，2021年；Zhu等人，2023年）。先前的研究已经确定了影响教师能力的各种教学和个人因素（Liu等人，2024年），包括认知行为中介因素（即环境教育理解和教学方法）。尽管如此，关于这些因素如何共同影响教学结果仍存在重要问题。通过识别关键能力因素，研究结果为提高IEEE教学质量提供了基于证据的见解。我们建议丰富大学IEEE教师的创业/企业管理经验和创新-创业研究经验，以增强他们的IEEE能力。

本研究对IEEE能力领域做出了几项值得注意的贡献。这些发现为推进教学能力研究奠定了基础，并阐明了教学实践和个人经验之间的联系。首先，我们通过纳入更广泛的因素（包括创业心态、专业心态、野心、乐观主义、自我效能、专业知识和创业技能以及教学能力）来扩展了能力冰山模型。从IEEE能力的理论角度来看，这种综合方法提供了对有效IEEE教学所需能力的更细致理解。它不仅强调了技术和专业技能，还强调了在课堂内培养创业文化所需的人格特质和心态。其次，本研究开发了用于评估IEEE教学能力的LPA框架。通过扩展和深化LPA的应用，我们为大学教师在IEEE背景下提供了额外的理论框架和子组分类。具体来说，我们识别出了三个潜在子组：高能力IEEE组、中等能力IEEE组和低能力IEEE组。第三，我们确定了与教师IEEE能力相关的关键因素，包括创业经验和研究参与度。具有创业管理或创新-创业研究经验的大学IEEE教师相比没有这些经验的教师，更有可能被归类为高教学能力组。总体而言，使用LPA方法通过识别大学IEEE教师中的潜在子组，加深了我们的理论理解。这些发现提供了有价值的IEEE能力群体分类，可以指导更有针对性的教师培训和发展策略的制定。基于这些见解，教育机构应优先考虑增强大学IEEE教师的相关实际经验，以强化他们的IEEE教学能力。

这项研究存在一些局限性，值得讨论，并为未来的研究指明了有价值的方向。首先，所有测量都依赖于自我报告的数据，这可能引入了常见的方法偏见，而横断面研究设计无法推断变量之间的关系。此外，本研究没有考察教师IEEE能力对学生实际创业成果和学习经历的影响。其次，研究样本主要通过文娟星平台从广东省招募，这限制了研究结果对中国高等教育IEEE教师更广泛人群的普适性。此外，样本中显著的性别不平衡（65.15%为女性）在分析中未得到统计控制，可能是一个潜在的混淆变量。最后，IEEE教学任期被作为二分变量而不是连续变量进行测量，其他变量（如机构支持、教师培训）的潜在中介和调节作用尚未探索。未来的研究应采用连续变量测量关键变量，采用纵向研究设计来考察因果关系，并结合外部机构和情境因素，以更全面地理解IEEE能力发展动态。

本研究利用潜在轮廓模型来分析中国大学教师中的IEEE能力潜在子组。LPA结果识别出了三类不同的IEEE教育者能力子组：高能力IEEE组、中等能力IEEE组和低能力IEEE组。研究进一步考察了可能与教学能力相关的四个分类自变量：（1）教学时长，（2）创业/企业管理经验，（3）创新和创业研究经验，（4）竞赛辅导经验。分析显示，只有两个因素——创业/企业管理经验和创新-创业研究经验——与潜在组的成员身份显著相关。研究强调了大学教师在IEEE中的关键作用，并实证验证了特定因素与他们的教学效果之间的关联。这些发现为旨在提高这一日益重要教育领域教学质量的针对性教师发展计划提供了宝贵的见解。