席卫华

摘 要： 针对目前高职院校思政教育工作存在的信息反馈滞后、预警干预机制不完善、风险管控能力较弱等问题，开发了一款基于改进SVM算法的思政教育动态预警系统。通过构建体量较大的基于用户行为的日志数据库，引入改进过的支持向量机（SVM）算法并融入预警分类器建立面向思政教育动态预警模型，在Matlab2016b环境下进行模型效能仿真验证，较好解决了多维应用背景下的高校思政教育动态预警过程中人力耗费与实际效能失衡、信息反馈滞后等问题，具有动态预警精准、泛化预警能力强、风险管控变化趋势预估效率高等优势。以我国东部某高职院校为效能评价载体，利用VS2012平台开发了验证环境并对模型进行了实证分析，分析结果表明所提模型可以实现全方位的高校思政教育动态预警，在预警适应性、模型拟合度、信息过载处理效率等方面具有明显优势。

关键词： 思政教育; 动态预警模型; 改进支持向量機算法; 预警分类器; 系统开发

中图分类号： TP 315      文献标志码： A

Abstract： Aiming at the problems of lag in information feedback， imperfect early warning intervention mechanism and weak risk management and control ability in the ideological and political education work of higher vocational colleges， a dynamic early warning system based on improved SVM algorithm was developed. By constructing a large user database based on user behavior， an improved support vector machine （SVM） algorithm is introduced and an early warning classifier is built to establish a dynamic early warning model for ideological and political education. The model performance simulation is validated in Matlab 2016b environment. It solves the problems of imbalance between manpower consumption and actual efficiency and lag of information feedback in the dynamic early warning process of ideological and political education in colleges and universities under the background of multi-dimensional application. It has the advantages of dynamic early warning accuracy， strong generalized early warning ability， and high risk estimation performance. Taking a higher vocational college in eastern China as the effectiveness evaluation carrier， the verification environment is developed by using VS2012 platform， and the model is empirically analyzed. The analysis results show that the model proposed in this paper can realize the dynamic early warning of ideological and political education in colleges and universities. Model fit， information overload processing efficiency and other aspects have obvious advantages.

Key words： ideological and political education; dynamic early warning model; improved support vector machine algorithm; early warning classifier; system development

0 引言

思政教育是高等教育的重要组成部分，贯穿高等教育教学全过程，是高职院校培养社会主义建设者和接班人的重要制度载体，在强化高职院校在校生的价值引领、加强爱国奉献主旋律宣传教育，建立全员全过程全方位育人机制等领域发挥着基础性作用。高职院校思政教育涉及面广、受众层次多样、未形成统一的标准模式[1]，属于复杂的系统工程，必须采用系统化的方法加以分析，借鉴协同理论，搭建协同平台、完善协同机制、营造协同文化、建立动态预警模型是实现高职院校思政教育全局协同管控的必经之路。高职院校在校生群体思维活跃，是非分辨能力不强，法律意识淡薄，容易受到境外间谍机构的策反，对我国的国家安全造成了一定危害。如何采取积极有效的措施教育和引导在校大学生自觉树立国家安全观，构建在校大学生思政教育动态预警机制，筑牢高职院校思想政治防线，是开展高职院校思政教育工作面临的新挑战[2]。

目前，高职院校思政教育大多采用各级负责人统计传达的方式管控高职院校在校生思政风险，存在信息反馈滞后，预警干预机制不完善、风险管控能力较弱等问题，结合新形势下的高职院校思政教育信息化需求[3]，开发了一款基于改进SVM算法的思政教育动态预警系统。通过构建体量较大的基于用户行为的日志数据库，引入改进过的支持向量机（SVM）算法并融入预警分类器建立面向思政教育动态预警模型，在Matlab2016b环境下进行模型效能仿真验证[4]，较好解决了多维应用背景下的高校思政教育动态预警过程中人力耗费与实际效能失衡、信息反馈滞后等问题，具有动态预警精准、泛化预警能力强、风险管控变化趋势预估效率高等优势。基于VS2012环境开发了应用软件，为高职院校思政教育的工作开展提供定量依据，符合新形势下的国家整体安全观，对提高我国高职院校思政教育全局协同管控能力具有积极意义[5]。

1 系統总体逻辑设计

基于改进SVM算法的思政教育动态预警系统主要实现面向存在明显潜在思想动态差异的高职院校在校生开展思政教育工作的课程开设、效果评估、思想动态管控、预警反馈等环节的数据收集与潜在规律挖掘[6]，实现高职院校思政教育工作的完整生命周期信息化管控。如图1所示。

基于改进SVM算法的思政教育动态预警系统总体逻辑上主要包括思政教育实施子模块、思政教育效果分析子模块、思政教育动态预警子模块，基于预警分类器的高职院校思政教育动态预警系统主要实现高职院校思政教育从业者、高职院校在校生、高职院校思政教育职能部门三者之间的协调交互，明确高职院校思政教育目标，设定高职院校思政教育核心任务，确保高职院校思想政治防线稳固牢靠[7]。

思政教育实施子模块主要依据高职院校思政教育相关政策规定和高职院校自身特色等制定个性化的思政教育方案，包括教材选取、实践课程设计、高职院校在校生思想动态调研等;思政教育效果分析子模块主要针对思政教育实施子模块制定的个性化思政教育方案进行多维度效果评价[8]，包括思政教育目标与新形势下国家相关政策规定是否契合、思政教育任务的制定是否与思政教育目标相适应、思政教育方案深度是否满足需求、高职院校在校生思想动态管控是否满足预期目标、高职院校在校生对思政教育方案的接受度如何等;思政教育动态预警子模块主要实现提前发现有危险思想动态倾向的在校生并发出预警提示，及时采取积极地干预措施，通过关注学生心理特质，为其健康发展奠定良好基础，为我国整体国家安全观的顺利开展提供保障。通过上述三个功能子模块，构建高职院校思政教育闭环动态预警机制，形成良性循环，为高职院校思政教育工作的开展提供基础性保障。

与基于改进SVM算法的思政教育动态预警系统总体逻辑设计示意图相对应，其内部工作流流向顺序如下：S1：录入新形势下习近平总书记在全国高职院校思想政治工作会议上的重要讲话以及国家相关政策规定，作为高职院校制定个性化的思政教育方案的总体依据;S2：对高职院校制定个性化的思政教育方案进行规范化检查并进行小规模实验;S3：根据实验结果决定是否进行全校推广应用[9]，如果实验结果支持推广，则启动思政教育效果分析子模块，从多维度效果评价对高职院校制定的个性化思政教育方案进行评价，否则返回第一步;S4： 启动思政教育动态预警子模块，提前发现有危险思想动态倾向的在校生并发出预警提示，及时采取积极地干预措施，确保高职院校思政教育发挥实效。

2 基于改进SVM算法的高职院校思政教育动态预警模型设计

2.3 融入决策分析体系机制

为了进一步对用户隐形预警定量数据进行综合模糊评价，融入决策分析体系机制，如图2所示。

引入模糊神经网络进行决策评价并对模糊规则进行自适应性训练，在结构上形成用户隐形兴趣输入层、隶属函数模糊化层[13]、模糊规则自适应训练层、输出变量模糊度划分层、用户隐形兴趣决策分析层，在功能上利用BP神经网络作为模式存储器，利用自主学习能力不断更新优化权系数，使模糊系统具备了泛化能力，实现个性化服务的全方位评价并把结果反馈到改进支持向量机算法，实现良性闭环循环[14]。

模糊神经网络算法是决策分析体系机制的核心算法，针对思政教育动态预警模型转化为附带惩罚因子的无限制经验损失最小化问题[15]，利用改进支持向量机算法进行目标核函数的构建与求解，对获取的用户隐形兴趣决策数据集进行决策分析处理。利用BP神经网络的隐含节点表征隶属函数和模糊规则，把BP神经网络的输入输出节点映射为模糊系统的输入输出信号流，利用Matlab中模糊神经网络工具箱提供的模拟数据集进行仿真验证，则训练结果与目标值对比图，如图3所示。

3 系统设计

3.1 系统的功能模块设计

与系统的功能性需求分析相契合，遵循软件工程设计的一般流程，对系统的整体功能框架进行设计，如图4所示。

系统的功能模块设计遵循实用性、模块化、可扩展的原则，系统的核心模块主要包括思政教育实施子模块、思政教育效果分析子模块、思政教育动态预警子模块、系统维护与更新子模块等组成，各个子模块在系统工作流的控制下协同工作，构建高效实用的高职院校思政教育闭环动态预警机制，形成良性循环，为高职院校思政教育工作的开展提供基础性保障。

3.2 系统总体业务流程设计

一方面，高职院校思政教育工作关乎党和国家的前途和命运，需要实现高职院校思政教育从业者、高职院校在校生、高职院校思政教育职能部门三者之间的协调交互，因此，高职院校思政教育的动态预警机制属于复杂的系统工程，必须采用系统工程理论进行逻辑梳理与信息化系统建设。另一方面，由于我国高职院校层次多样，高职院校在校生整体思想觉悟存在较大差异，其思政教育工作的开展受诸多因素的影响，不同应用地域、不同层次的高职院校在指定个性化思政教育方案上存在一定差异，本文选取我国东部某高职院校为例进行分析说明系统的总体业务流程。如图5所示。

在确定好应用高职院校之后，进行系统初始化操作，主要完成国家关于高职院校思政教育的相关法律法规信息的录入并对系统数据仓库写入初始值，进行高职院校个性化思政教育方案的制定;启动思政教育效果分析机制，从多维度效果评价对高职院校制定的个性化思政教育方案进行评价;启动思政教育动态预警子模块，提前发现有危险思想动态倾向的在校生并发出预警提示，及时采取积极地干预措施，确保高职院校思政教育发挥实效。

3.3 系统安全机制设计

为了提高系统的安全性，确保系统用户的信息安全，系统引入了安全机制，基于经济实用性的考虑，采用软件工程领域常用的访问控制模型，对系统的登录认证、用户管理、角色分配、权限管理、信息查询等进行全流程跟踪监控。如图6所示。

采用基于LDAP的统一用户验证方式，合理设置授权表的访问权限，很大程度上减少了对数据库的访问次数，保护了系统用户的信息安全。

4 实验分析与测试

4.1 优化模型仿真验证

为了验证引入冷热数据分离因子和引入随机梯度下降因子、融入决策分析体系机制后的思政教育动态预警模型的实际工作效果，分析利用模糊神经网络进行决策评价并对模糊规则进行自适应性训练的实际效能。为了具有一般性和客观性，采用GitHub开源平台提供的基于Python 3.5.2内核的Sklearn库，设定初始目标函数，设定模糊神经网络的训练次数epochs为1000，训练目标goal为0.01，学习速率lr为0.1。从原目标函数的收敛曲线对比分析、Log回归约束后的目标函数收敛曲线对比分析、目标函数分类误差率对比分析等多维度对算法进行了仿真验证，基于Python 3.5.2内核，在PyCharm 3.5环境下进行图形化示意仿真，采用显著差异标识在仿真图中给出对比曲线，最终仿真结果如图7—图10所示。

为了使Sklearn库提供的测试数据集更贴切思政教育动态预警模型，对用户行为数据集和用户隐形兴趣点数据集进行了回归映射处理，提高了数据集的纯净度，降低了数据集的冗余度，提高了仿真效率。

从图7—图10可以从定性和定量两方面进行分析可知，首先，改进后SVM算法目标函数的收敛速度和细粒度、Log回归约束后的目标函数收敛效率、目标函数分类误差率等有较大幅度改善;其次，引入冷热数据分离因子和引入随机梯度下降因子、融入决策分析体系机制后的思政教育动态预警模型的实际工作效果有较大幅度提升，利用模糊神经网络进行决策评价并对模糊规则进行自适应性训练的实际效能良好，初步实现了线性核和非线性核的协同适应与空间和时间效率的兼顾;最后，实现根据不同的数据集自适应调整核函数，大幅度降低了内存的耗费，提高了数据集迭代效率，较好解决了传统支持向量机算法可解释性能力较差、内核函数缺乏自适应性、泛化能力与学习能力失衡、内存耗费随时间呈显著变化等固有弊端，理论上适用于任何复杂因素约束下的高维耦合思政教育动态预警问题，特别是针对用户人群单一、内部约束无耦合性、用户兴趣点數据集体量较大的思政教育动态预警问题具有较好的效果。

4.2 系统工程化实现

基于系统的设计思路，在VS2012环境下对系统进行编程实现，系统运行在微软经典稳定的Windows 7操作系统平台，服务器采用的硬件设备 CPU为英特尔酷睿i7，主频3.2GHz，系统运行内存为18GB，存储空间8TB，网络带宽100M独享，系统数据存储软件是微软的MS-SQLServer2016。为了提高系统的可移植性，采用模块化设计思路，通过调用动态链接库文件（.dll文件）的形式开发了一款基于改进SVM算法的思政教育动态预警系统，该系统可以实现高职院校个性化思政教育方案的设计与优化、对个性化思政教育方案进行多维度效果评价、提前发现有危险思想动态倾向的在校生并发出预警提示等功能。基于上述分析，对系统人机交互界面进行编程实现，则系统实际运行界面如图11、图12所示。

4.3 系统性能测试

为了提高用户的使用体验，及早发现平台隐含的系统漏洞，开展平台的性能测试具有很重要的现实意义。软件测试涉及范围广泛，测试手段多样，基于实用性和经济性考虑，本文侧重于平台用户不规律递增时的并发测试[16]。在MI公司的winload软件环境下，采用边界值分析法对系统进行黑盒测试（主要进行服务器端压力性能测试），测试方法如下：按照同时在线用户为50的初始值进行不规律随机递增，用户在同一时间段内反复进行系统页面的访问，直到平台性能出现明显变化停止递增，技术数据，生成平台性能变化曲线图，如图13所示。

从图中可以得出，检测的结果中可以看出当并发用户小于200时，平台访问的响应速度、时间延迟等处于可接受状态，并且也满足并发用户的心理预期。

5 总结

为了更好的满足新形势下高职院校思政教育工作的需求，克服目前高职院校思政教育工作存在的信息反馈滞后、预警干预机制不完善、风险管控能力较弱等问题，开发了一款基于改进SVM算法的思政教育动态预警系统。通过构建体量较大的基于用户行为的日志数据库，引入改进过的支持向量机（SVM）算法并融入预警分类器建立面向思政教育动态预警模型，可以实现高职院校个性化思政教育方案的设计与优化、对个性化思政教育方案进行多维度效果评价、提前发现有危险思想动态倾向的在校生并发出预警提示等功能。测试结果表明，动态预警模型理论上适用于任何复杂因素约束下的高维耦合思政教育动态预警问题，特别是针对用户人群单一、内部约束无耦合性、用户兴趣点数据集体量较大的思政教育动态预警问题具有较好的效果。动态预警模型拟合度较高，具有较强的鲁棒性，系统性能稳定，功能模块之间划分合理，较好地完成了预期设计目的，具有一定的实际推广价值。

参考文献

[1] 周芳琳.新媒体环境下高职院校思政工作隐性教育探析[J].教育与职业，2017（14）：101-104.