大数据视域下高校思想政治教育创新路径研究

2019-08-30陶好飞莫勇

中国电化教育 2019年8期

陶好飞　莫勇

摘要：从当前思想政治教育的前景和困境出发，遵循问题一方法一路径的研究思路，该文探讨和研究了大数据与思想政治教育融合机制以及高校大数据分析方法，提出了群体性聚类与群体教育、差异性分析与精准培养、动态性分析与行为把握、关联性分析与多维评价四类大数据与思政教育融合创新的实现路径。在大数据作为思想政治教育的生态环境下，该文倡导在思想政治教育中以大数据对工作方式方法进行重构，以大数据为客观环境，以大数据分析为思路和方法，以思想政治教育为目标，推动高校思想政治教育创新发展。

关键词：高校大数据;思想政治教育;融合路径

中图分类号：G434 文献标识码：A

高校是培养人才的摇篮，高校大数据尤其是学生大数据是高校的财富。高校是大数据时代的重要参与者，同时也推动了大数据的发展，大数据有力促进了现有高校学生思想政治教育信息化的构建，不仅有助于教育引导活动的顺利进行，更有利于学生管理的科学性和规范性。

大数据是以新的处理方法和模式对数据进行分析和处理从而使数据发挥价值的一种全新的价值观和方法论。大数据区别于传统意义上的“大量的数据”和“很大的数据”，大数据不是简单的数据叠加，而是数据和数据处理方式的智能结合。目前对大数据没有统一的定义，大数据在数据规模、数据结构、数据处理效率、数据价值密度和客观真实性等方面都显示出其独特的特征，IT行业内称之为大数据的5V特征。

高校大数据尤其是高校学生大数据来源广泛，数据结构复杂，传统的数据存储和数据分析技术已不能够对大数据进行有效管理和分析。且传统数据分析方法侧重于以“点”为基础的数据结构的分析和挖掘，不能完整反映高校思想政治教育工作各要素之间的关系。因此，在大数据背景下探索提升思想政治教育工作的路径和方法，合理运用大数据分析方法有效掌握育人动态，做出更加精准有效的育人决策。

一、大数据时代高校思想政治教育新特征

（一）思想政治教育内容更具针对性

受互联网影响，当代学生接受的资源更加丰富，无论是学生群体还是个人，都具有很强的自我意识，传统的群体思想政治教育工作方式趋于局限，因此，关注学生个性化发展的群体教育是当前高校思想政治教育工作的发展目标。在注重学生个性化发展的基础上，将高校群体性教育与大数据相结合，挖掘学生群体的潜在特征，找到学生群体的共有行为特点，有针对性地开展群体性教育，使群体性思想政治教育工作更加贴近当代青年学生的群体教育需求。

（二）学生个性化培养更具精准性

当代青年学生有着多元的价值取向和更加活跃的思想观念，要求思想政治教育工作更加精细，对青年学生进行细致入微的日常帮扶和心理引导。青年学生思想和心理问题的出现，是由多种复杂的因素引起。因此，找到影响青年学生思想行为的主要矛盾，遵循学生思想问题的产生规律，通过大数据分析手段建立学生数据画像，实现思想政治教育工作从定性到定量的转变，深刻了解学生个体与群体之间的差异，提升学生个性化培养的精准度。

（三）学生行为研判引导更具规律性

在互联网和大数据背景下，学生获取新知识，认识新事物的途径多，学生接受的知识体系更为多元化，但存在认知与行为矛盾。因此，提升思想政治教育工作者对学生日常行为的研判和引导，以及对学生群体的发展路径和发展规律的研判能力，利用互联网和大数据建立学生思想行为动态研判和引导体系，持续观测学生成长路径，全过程追踪学生日常行为规律。

（四）思想政治教育评价更具规范性

传统的思想政治教育工作评价体系注重研究影响学生成长发展的直接因素，对这些因素进行定性或定量建模，以求更加客观地评价学生。但由于当代青年学生发展路径多元，学生成长发展评价也应随着多元化革新。在互联网和大数据背景下，影响学生成长成才的因素不再单纯地存在因果关系。因此，在大数据背景下，研究学生成长发展路径与学生大数据之间存在的相关性关系，分析挖掘数据中可能存在的相关性和规律，提升教育评价的规范性。

二、大数据时代高校思想政治教育新挑战

（一）新形势下传统教育模式局限性凸显

现阶段高校思想政治教育的主要工作模式仍然是以群体为对象开展。高校群体教育具有普遍性，一方面由于教育管理需求，按照学科、专业等设置了班级、团支部等具有一定组织及运行机构的群体;还有以家庭经济情况、民族特征等一些没有具体运行机构，但由于群体属性相同而设置的各类不同群体。另一方面，在高校自由开放办学理念下，允许学生根据相同兴趣和爱好形成的各类社团和组织。经过多年的发展和完善，高校群体性思想政治教育已形成目标明确、制度完善的教育形式。

但在群体教育中，由于教育供给和信息的同质性，会产生使学生个体长期禁锢在所构建的群体教育茧房内。高校思想政治教育工作者、辅导员等教育供给侧为群体教育策划和组织的教育活动，多具有针对该群体的普遍属性和特点，导致群体教育出现群体极化现象，即教育群体中的个体会因为长期接受具有同质化的教育内容而形成群体茧房，难以突破该群体去接受其他教育信息。

其次，根据学科、专业、班级等因教育和管理需要而形成的教育群体，会因个体具有相同的属性特征和相似的兴趣，逐渐产生不同的圈层，从而导致师生问信息不对称，无法有效了解学生动态，有针对性的教育引导更是无从实施。由于群体教育所带来的群体极化和圈层化现象，导致在思想政治教育工作中，会出现“沉默的螺旋”现象。高校学生普遍不太热衷于讨论思想政治教育工作者提出的话题，导致学生越来越不愿在群体中发出声音，致使高校思想政治教育话语不受学生接受。

（二）思政教育与大数据融合深度不够

近年来，有关大数据与思政教育相结合的研究越来越深入，越来越完善。在中国知网以大数据和思想政治教育为关键词共检索出相关学术论文937篇，其中2012年发表了第1篇研究大数据与思想政治教育方面的学术文献，2013年3篇，2014年30篇，2015年102篇，2016年218篇，2017年308篇，2018年375篇。研究成果不断丰富。但纵观中國知网所检索的论文发现，大多数研究倾向于赞同将大数据作为一种工具，为思想政治教育工作提供技术方便，没有将大数据作为一种资源和生态环境，在以大数据为基础的生态环境中重新思考思想政治教育的实施方法和路径。当前大数据与思政教育的研究，仍处在两者简单耦合的层面，没有实现深层次的有机融合，导致思想政治教育的深度不足。

另一方面，受高校学科和专业背景影响，特别是行业特色型高校学科文化氛围不够多元，在专业素质培养上易形成学科壁垒，在学校教育管理上易造成趋同化管理模式，不利于学生综合素质提高和思想政治教育工作开展。此外，当前高校各部门对学生教育管理服务多以职能划分，缺乏教育、管理和服务部门之间相互协同的工作模式。以条块分割的管理模式开展思想政治教育，束缚了高校思想政治教育工作在广度上的延展。且受互联网思维影响，学生对文化覆盖面、教育工作体系扁平化等提出了更新的需求，而学科壁垒和条块分割工作模式阻碍了思想政治教育工作的覆盖面延展，大数据运用不足也对思想政治教育工作者与青年学生之间造成了沟通交流的鸿沟，教育者和受教育主体之间信息不对称影响了高校思想政治教育工作质量。

（三）思政教育工作者对大数据应用理解不深刻

高校思政教育工作属于文史类范畴，主要依赖教育者的经验。文史类学科背景的思想政治教育工作者对大数据及信息化的理解和运用具有局限性。目前大多数思政教育工作者对大数据存在不会用、不善用、不懂用、不能用的情况，思想政治教育方法传统，在推进思想政治教育工作信息化、数据化等工作中缺乏融合机制，多数教育工作者对思政工作信息化数据化的理解局限于简单地利用互联网和信息化系统开展学生日常管理和思想引导，导致思政工作与大数据的融合力度不足。

高校思政工作者对大数据理解不够深刻，在思想政治教育过程中容易忽视大数据这一客观存在;而技术人员对大数据在思想政治教育工作中的需求和应用场景不了解，无法掌握思想政治教育工作的核心，造成思想政治教育与大数据仅简单耦合，无法实现深度有机融合，且大数据与思想政治教育融合路径不明晰，运行机制亟待完善。

三、大数据革新高校思想政治教育新方法

17世纪以来，人们将牛顿提出的世界观和方法论总结为“机械思维”，机械思维的核心思想是事物都是有其规律性的，其结果是确定的。但随着互联网时代的到来，以信息确定性为核心思想的“机械思维”已不能够解决数据爆炸式增长所带来的各种问题。需要用信息不确定性的眼光看待世界，再通过大数据的客观反映来去除不确定性。大数据从定量分析、关联分析、全量数据实验三个维度，对全量数据进行加工利用，将“机械思维”中的功能价值转变为数据价值，是一种思维过程再造;大数据强调在全量数据分析中，注重信息不确定性的分析尝试和数据之间的关联性，以找出数据中可能存在潜在和隐含的价值。

（一）高校数据的功能价值转变为数据价值

高校大数据呈现多源化。自从高校信息化工作开展以来，高校数据尤其是学生数据得以沉淀，如学生第一课堂相关数据、奖优助学情况数据、第二课堂数据、校园消费数据等，都以不同的数据结构记录，为大数据与思想政治教育融合研究提供了数据基础，如图1所示。

以前，高校对学生数据的应用仅关注数据能够为工作提供何种功能，而在大数据背景下，高校对大数据的需求从功能价值转变为数据本身的价值。不仅学生基础数据、学习成绩这些客观标准可以形成大数据，甚至连学生学业预警、挂科预警、晚归预警都可以从数据中获取，大数据包含了与高校学生日常行为有关的方方面面。

（二）教育影响因子的因果分析轉变为相关l生分析

在大数据提出以前，高校数据的应用主要体现在对业务系统中进行结构化数据的分析和挖掘，如分析学生家庭基本情况同学生奖助学金获得情况之间存在的某种关联。这种数据分析方式是有着明确目标的数据挖掘，数据来源单一，数据分析结果确保了分析的针对性和专一性，但存在分析视野的局限性，由于数据分析结果不够全面，无法对学生形成多维立体的数据画像和科学评价。

高校大数据规模巨大、数据类型繁杂、数据结构多样，高校数据既有结构化的关系型结构数据，又有高维非结构化的文档、图片和音视频等形式，传统数据挖掘方法主要侧重于分析数据之间的因果关系，对复杂的大数据分析具有局限性。在大数据分析模式下，高校数据之间存在着不确定的互相关联，大数据分析的目的就是在信息不确定因素下，通过大数据分析方法，找出数据与数据之间存在的相关性，分析学生不同行为数据的内在联系，可以预测学生的行为偏好。

（三）教育主体样本数据分析转变为全量数据分析

全量数据较之样本数据更具客观性。大数据分析从传统的样本数据挖掘转变为全量数据分析的实验思维，需要全部数据而不是抽样数据。在未知结果的情况下开展全量数据的实验，分析找出确定性的规律，是大数据的核心。高校对数据分析的需求已不再是简单的数据对比和挖掘，大数据扩展了数据的来源，多类型、超大量的数据扩大了高校数据的外延，多源数据逐渐被应用到高校大数据分析中。例如学生在校期间的使用手机流量情况、使用图书馆以及借阅情况、进出宿舍和教室情况等结构化和非结构化数据，都是大数据分析的全量数据。数据的价值发挥取决于数据分析，以全量数据为研究对象，能够更客观、更全面地反映教育过程中的规律。

四、大数据与高校思想政治教育融合新路径

（一）聚类分析增强群体教育针对性

通过计算学生特征间的相似度，将相似度高的学生信息图谱分为一类，可以获得需求相近的学生群体。学生信息图谱是学生的标签化表征，在而这些标签中有些是定量的，有些则是定性的，因此，在进行大数据整体分析的相似度计算时，需要结合定量相似度计算和定性相似度来进行分析。

1.定量相似度分析

定量标签有确定的取值，如学生数据Student中的成绩、年龄的数据，其相似度计算相对简单，对于群体图谱聚类分析中一组定量的标签来说，相似度可以按公式simi（u_i，u_j）进行计算。

通过定量相似度分析，可以将学生可量化的标签数据进行相似性分析和统计，如上网时长、消费情况、学习成绩等。从整体性分析的角度对全量学生进行群体划分。

2.定性相似度分析

在高校大数据中，有许多数据是无法定量计算的，只能通过定性计算法进行相似度计算。由于定性标签没有确定的数值，其相似度计算不能采用定量相似度分析方法直接进行计算。常用的定性相似度分析是基于概念的相似度计算方法。

在基于概念的定性相似度计算中，基于概念距离法算法较为简单，且根据高校大数据的特点，采用概念距离法进行定性相似度计算较为符合高校大数据分析需求。基于概念的定性相似度计算算法流程如图2所示。

3.聚类分析与群体教育

在大数据背景下，根据学生各类数据对学生进行群体聚类分析，能够使群体教育的开展更加精细化和精准化。根据对学生标签数据进行定量相似度分析和定性相似度分析，通过群体聚类算法，可以发现繁杂的学生标签数据中所隐含的规律信息，从而对学生进行群体划分和群体精准化教育引导，高校大数据群体聚类分析算法分类如下页图3所示。

群体教育是高校开展思想政治教育最具普遍性的一种形式，群体教育的开展，能够提升青年学生集体荣誉感，培养学生综合素质的最直接方式。从人类社会发展角度，群体教育是工业时代的产物;从我国社会发展的角度看，群体教育是计划经济时代的产物，且一直沿用至今，多采取规训式的群体教育方法。在大数据背景下，受互联网浪潮冲击，学生已对规训式群体教育产生抵触心理，现阶段青年学生崇尚个性化发展，规训式群体教育和标准化培养对思想政治教育引领作用趋于局限。因此，关注学生个性化发展的群体教育是当前高校思想政治教育工作的发展目标。

（二）差异分析提升思政工作精准性

在思想政治教育工作中，精准培养和个性化服务较群体教育更具贴心的教育成效。群体教育关注的是群体的整体成长，而个性化精准培养是在群体教育的基础上，结合学生自身的个性化需求和特点，有针对性的开展思想政治教育。

通常情况下，高校很难发现学生群体中，需要个性化服务和精准引导的学生个体，且部分特殊学生如心理问题、学业困难、经济困难的学生因存在自身原因，会将自身标签刻意隐藏。而思想政治教育工作者因面对的是众多教育个体，很难从主观上注意到每个个体的细微变化。通过大数据差异化分析，可以准确把握问题，从容实施精准化的思想教育和困难帮扶。

大数据背景下的差异分析，重点研究在全量数据集中，个体数据与整体数据呈现的规律存在拟合度较低的情况。通过差异性分析，能够准确发现学生出现的异常情况，思想政治教育工作者能够通过差异性分析结论发现学生情绪波动、行为异常等情况，准确把握学生问题，开展精准化指导和精确化管理。大数据差异性分析，主要关注个体数据与群体聚类的拟合问题。如果某个体数据与聚类结果产生较大差异，存在与聚类结果未拟合和过拟合的情况，则表明该个体与群体之间存在差异，该学生需重点关注，为其提供精准化的引导和帮扶。

（三）动态分析挖掘行为把握规律性

高校大数据中，有些数据是固定不变的，如学生性别、生源地等;有些数据是定期或不定期变化的，如按周期统计的用户行为指标等，例如学生消费情况、学生进出图书馆情况等。此外，由于更多的数据源加入，以及更详细的划分维度，这些特征标签的数量可能会动态变化。

大数据动态分析是一种基于特定关键点实时性、及时性的大数据分析模型，是根据学生普遍性特征所进行的一种预警和分析，对学生思想和行为的变化动态分析，增强对学生思想和行为的预先判断。高校中不断增长、不断更新和迭代的数据，如上网记录、进出宿舍和图书馆记录、消费记录等。学生在日常活动中会产生很多相关数据，学校数据管理部门会在不干扰学生的基础上对学生的日常行为数据进行获取，如图4所示。

在大数据背景下，掌握学生特征标签值的变化规律，对学生动态数据进行分析，可以掌握学生在一段时间内的行为变化规律，以便更好地了解学生的日常行为动态，提升思政工作精准度。

（四）关联分析保障多维评价规范性

大数据关联性分析是在不确定因果关系的情况下，分析学生各个特征标签数据之间是否隐含某种规律。大数据关联分析与传统的交叉分析区别在于交叉分析是以目标为导向的分析方法，即已经明确了分析要素中的特征标签会呈现何种规律，分析的结果只是对该规律猜想进行证明。而大数据关联分析是在不确定特征标签之间是否存在關联的前提下，对大数据进行分析实验，体现了大数据对全量数据的实验思维。

在大数据关联分析中，以关联规则来描述大数据之间关联性。在关联分析系统中，可以通过对学生数据画像中关联规则的挖掘来分析学生日常习惯和表现，发现学生特征之间的关联性，并利用这种关联性思想指导政治教育开展，推动学生思想政治教育评价体系更加多维立体。

基于关联规则的关联性分析方法以关联规则挖掘算法为基础，分析和评价特征标签之间的关联程度，形成关联度列表，列表中越靠前的标签表明其关联度越强，具体算法描述如图5所示。

在传统的思想政治教育中，对学生的评价主要侧重于学生日常行为对学生成长成才之间的因果关系的评价，即着重考评对影响学生德育、综合能力、学习情况等方面的直接因素。这种考核评价体系因无法穷尽影响学生成长成才的因素，从而导致学生考核评价体系不够立体和全面，无法有效指导学生成长和发展。通过大数据关联分析，着重考虑学生成长发展与日常行为之间的相关性而非因果关系，而且通过大数据的全量数据实验思维，能够发掘出影响学生成长发展，但没有直接因果关系的特征标签，为思想政治教育提供了多维立体的评价体系建设理论和数据支撑。