高校思政教育精准化发展策略研究

高校思政教育精准化发展策略研究内容摘要：新的历史机遇下，与时俱进地在高校思想政治教育研究中探索应用用户画像等大数据技术、提升高校思政教育工作的精准化，不仅可为教学改革提供新的思路，也符合新时代改革创新的内在需求。本文基于用户画像技术，运用机器学习分类、聚类和关联分析等方法，从学生基本属性、兴趣爱好、学习风格、思想倾向和思想主题五个维度构建服务于高校思想政治教育精准化的画像体系，并从个体画像与群体画像相结合、静态画像与动态画像相结合、用户画像的预测分析、用户画像的可视化呈现等四个角度进行了应用分析。依据画像模型，进一步从精准实施个性化育人、精准把握育人时机、精准预测重点教育对象思想倾向、完善思政教育可视化评价体系四个方面，提出了基于用户画像技术的高校思想政治教育精准化发展策略，以期提升高校思想政治教育的针对性和实效性，更好地贯彻落实高校立德树人的根本任务。关键词：用户画像技术；思想政治教育；精准化发展引言思想文化的发展与社会的经济、政治是密不可分的[1]。立足新发展阶段，我国经济社会的现代化、科学、高质量发展不断推进着思想政治教育的创新发展。新形势下，随着改革开放和社会主义现代化建设向前推进，各项工作对专业化、专门化、精细化提出了越来越高的要求，思想政治教育工作也需要不断调整思路，由“大水漫灌”转向“精准渗透”，以适应新形势，实现高质量发展[2]。具体到高校方面，由于大学生个体化差异较大，兴趣爱好、思维方式和学习风格呈现多元化，千篇一律的传统思政教育模式难以取得良好效果，更加迫切需要提高思想政治教育的针对性。教育技术层面，进入大数据时代，用户画像等新兴技术迅猛发展，可实现精准定位需求、针对性优化改进，这为高校思政教育的精准化发展提供了有利条件[3]。因此，在高校思政教育工作中利用用户画像等新技术、强化精准思维、推进精准化发展，既是对“十四五”期间思想政治教育高质量发展新形势、新要求的积极回应，也反映了新时代教育领域持续深化改革创新的内在需求。一、用户画像技术在高校思政教育精准化发展中的创新应用（一）理论基础人工智能时代，大数据技术正不断渗透到社会生活的不同领域，推动经济社会创新发展。其中，用户画像作为一个新兴的大数据研究领域，在精准营销、产品开发、智能决策等方面已有一定应用基础，并被越来越多的学者引入教育研究领域[4-6]。习近平总书记在全国高校思想政治工作会议上强调，要运用新媒体新技术增强思想政治工作的时代感和吸引力[7]。在此指引下，与时俱进地在高校思想政治教育研究中探索应用用户画像技术、提升高校思政教育工作的精准化，符合我国教育事业的发展要求。用户画像的内涵是运用用户的真实数据对其各方面特征进行刻画。在收集个人基本信息、工作信息、生活数据和社交数据等信息的基础上，运用统计分析、机器学习等方法对其各维度特征打上“标签”，达到深入挖掘和凝练用户信息的目的[8]。用户画像技术的合理运用，有助于精准感知用户的多维度需求，进一步对其变化趋势进行预测；同时基于每个用户的画像结果，为其智能化地提供个性化推荐服务。将用户画像技术应用于高校思政教育中，能够精准识别大学生的个性化特征及学习需求，使思想政治教育工作从“千人一面”向“千人千面”转变，推动高校思政教育的精准化发展。（二）应用价值1.精准供给：提升大学生思政教育的获得感每位大学生的知识能力基础、思想道德素养、心理特征、行为习惯都有着自己的鲜明特征，对学习的需求也是具有差异化的，而传统高校思想政治教育中，普遍采用“一刀切”的教学模式将思想政治理论知识进行统一灌输，导致教育教学的针对性不强、亲和力不高、实效性不足，学生的获得感偏低。为增强高校学生思政教育的获得感，在高校思想政治教育改革创新中，应当积极回应学生的现实需求，进行思政教育的“精准供给”，体现“因材施教”的教学理念。用户画像技术通过对大学生多维度特征的深入挖掘和精准化描绘，能够帮助高校思想政治教育工作者准确掌握大学生在思政学习中的难点和痛点，根据学生成长发展的个性化需求，采用有效的思想政治教育模式和方法，进行差异化的教育引导，为大学生提供思政教育的“私人订制”，有效提高大学生的思政教育获得感，推动高校思政教育向精准化发展。2.精准定位：激发大学生思政学习的主动性新时代高校思政教育的改革创新十分重视发挥大学生的主体地位，通过用户画像技术的可视化呈现，将抽象数据细节化、具象化，能够直观展示大学生学习、思想、行为的多维度实时状态，帮助学生精准定位自身优势与不足、完善自我认知，结合教师在线上平台推送的个性化思政学习资源，充分发挥思政学习的主动性，综合自身兴趣爱好、学业状况，扬长避短，自主制定适合自己的学习方案，并且可依据用户画像结果进行动态、科学的调整，实现由被动学习向主动学习的转化；有助于推动高校思想政治教育贯彻“以人为本”的教学理念，提升其精确性、有效性。3.精准预测：增强思想行为引导干预的及时性预测功能是大数据技术的核心价值之一[9]。作为大数据技术的重要分支，用户画像不仅能够对大学生思想行为活动的现状进行全面精准的刻画，更为重要的是可以通过深入挖掘大学生思想倾向和外在行为之间的关联、分析其内在规律，准确预测在未来一段时间内，大学生的思想行为走向，精准识别出需要特殊帮扶、引导的重点教育对象，对可能发生的危险性思想作出及时研判并加以预警，有助于提升高校思想政治教育工作的针对性，帮助思政工作者确定重点育人对象，及时作出风险防范预案、提前干预、防患于未然，引导学生抵制错误思潮的侵袭，弘扬主流意识形态。通过用户画像技术这一手段，可实现对高校学生思想行为倾向的实时动态精准预测，进一步提升高校思政教育工作的前瞻性。二、服务于思政教育精准化发展的用户画像模型技术解决方案用户画像一般包括画像数据获取、画像维度筛选、画像模型建立、画像模型评估及可视化四个环节，实现路径如图1。本文的画像数据获取主要通过查询学生档案、统计网络平台学习数据、分析调查问卷等方式获取，由于数据格式不统一、存在重复值等原因，需要对不同类型信息分别进行预处理；画像维度筛选需根据画像目的进行设定，为提升思政教育精准度，选取基本属性、兴趣爱好、学习风格、思想倾向和思想主题五个画像维度；画像模型建立主要包括个体画像及群体画像两方面；画像模型评估及可视化是指对画像的质量进行评价，并用直观的方式展现画像结果，以便对其进行分析和应用。图1服务于思政教育精准化的用户画像模型构建框图（一）画像数据获取及预处理画像数据的质量是画像结果的天花板，决定了画像质量最终能达到的高度。为提高画像质量，本文参考相关文献[10]，从基础性数据层、过程性数据层和结果性数据层三个层面进行数据获取。基础性数据层主要包括学生基本信息和兴趣爱好信息，其中基本信息包括学生的姓名、性别、专业、籍贯等，主要通过查询学生学籍档案和学生填表等方式获取；学生兴趣爱好数据主要通过问卷调查方式获取，问卷设置包括学生对各类爱好在主观上的喜好程度和客观上的投入时间。过程性数据层包括学生的课堂表现行为和网络平台思政理论学习行为数据、微博微信转评赞信息、QQ群、抖音、网页浏览记录及热点话题评论等数据的收集。结果性数据层因需要机器学习算法自动预测，因此需要通过汇总分析学生的课堂表现行为、社会实践成果、学生作业和以往考试成绩、既往挂科门数、网络平台学习时长、反复学习网络资源次数、课上参与话题讨论次数等画像特征建立数据集。各维度数据获取后，再对数据进行预处理，主要包括：缺失值和异常值处理、数据去重、数据标准化等，为画像模型建立做好准备。（二）画像维度选取在获取画像数据的基础上，围绕精准化思政教育的需求，学生画像从基本属性、兴趣爱好、学习风格、思想倾向和思想主题五个维度展开。1.基本属性维度基础属性维度是学生画像的根基。主要包括学生的姓名、性别、年龄、生源地、院系、专业等信息，可通过学生处、教务处和院系查询相关资料进行采集。学生基础性维度是从专业、生源地等方面对学生群体进行特征分析的重要视角。2.兴趣爱好维度兴趣爱好维度的采集主要是便于在思政教育时选用合适的切入点。兴趣爱好维度的标签集主要分为体育类、音乐类、阅读类、美术类、文化类等，为详细了解学生的兴趣爱好，便于课上进行有效的背景导入、案例分析等工作，每个大类下又分为具体小类，如体育类分为球类、田径类、水上运动类等。一般来说，学生对自己感兴趣的领域学习积极性较强，以此为思政教育的切入点能取得较好效果。3.学习风格维度学习风格维度的设立可为精准化思政教学模式的选取提供重要参考。学习风格维度主要代表学生在学习知识和研究问题时偏爱的或特色的方式，可分为视觉型、听觉型、动觉型、研究型、经验型、理解型等十种类型[11]。在高校思政教学中，学习风格维度画像有助于根据不同学生群体学习风格的差异采用个性化的教学方法，提高思政教学效果。4.思想倾向维度思想倾向维度是指学生思想状态的倾向性，蕴含了学生对生活、学习、时事政治、国家政策等方面的观点和态度。画像标签集主要分为积极、消极和中立三种类型。思想倾向维度是画像及应用过程中确定重点思想政治教育对象的重要维度。5.思想主题维度思想主题维度代表学生的思政相关主题偏好。掌握学生关注的思想主题，如历史、时事政治、军事、社会生活等具体内容，有助于在思政教育过程中进行精准的内容设置，尽可能实现提供给每位学生的思想“食粮”满足其个人“口味”。（三）画像模型建立.1.个人画像（1）学生基本属性画像学生的基本属性维度画像较为简单，主要通过统计属性信息、数据标准化、表格化呈现逐步建立。（2）加权统计法——实现学生兴趣爱好画像学生兴趣爱好维度画像通过对调查问卷、浏览网页视频记录等数据的整理分析，从中提取合适指标，并设计好合理权重，经科学计算获得学生的兴趣爱好类别。（3）量表测量法——实现学生学习风格画像通过发布问卷量表，从十种风格类型分别设置问题去测量学生的不同学习风格，分别是视觉型、听觉型、动觉型、研究型、经验型、理解型、外向型、内向型、理想型、感性型。（4）机器学习分类模型——实现学生思想倾向画像本文选用机器学习算法建立学生思想倾向自动分类模型。首先对反映学生思想动态的热点话题评论等文本进行人工标注，并将思想动态文本数据分为训练集和测试集，然后运用标注好的训练数据对基于机器学习的分类模型进行训练，用测试集数据对模型进行测试，当模型精度达到预期精度后，则可对其它用户的思想动态立场进行分类，打上立场标签。基于机器学习算法的分类模型，需要带标签的数据集，因此在建立模型前需要对学生的思想动态信息进行倾向性标注，分别打上积极、消极和中立三种类型标签。思想倾向信息为文本数据，在输入机器学习模型之前需要进行文本预处理，其过程主要分为三步。第一步是文本分词，即将思想动态语句划分成若干词语。本文基于Python编程环境，运用中文分词组件对思想动态文本进行分词。第二步是去停用词，即去掉用户的思想动态信息中存在的大量停用词，如标点符号、使用频率特高的单汉字等，主要通过调用中文停用词表中的常见停用词完成。第三步是文本向量化，即将思想动态文本表示成一系列能够表达文本语义的向量。本文主要通过word2vec词袋模型对文本信息进行处理。常用的机器学习算法中，朴素贝叶斯算法具有直观、计算量小的特点，适用于大量向量化后的文本信息的分类，因此本文选用朴素贝叶斯算法建立思想动态立场分类模型。由于思想倾向数据集中存在类别不平衡问题，在进行模型性能评价时，除了选用准确率，还应该选用综合测量准确率和召回率的指标AUC值和ROC曲线进行考量，综合评价模型性能。（5）LDA主题模型——实现学生思想主题画像LDA（LatentDirichletAllocation）是一种文档主题生成模型。其建立过程分为五步：第一步使用分词工具对所有思想动态文本进行分词，得到词组序列；第二步通过corpora.Dictionary为每个词分配ID；第三步整理出各个词语的词频，并形成稀疏向量；第四步使用LDA模型进行训练，并将所有思想动态文本按照指定主题数进行划分。第五步为主题推断，给出一条具体思想动态，判断是哪个主题，从而获得用户的主题标签。主题画像示例如表1所示。为对学生思想主题进行可视化展现，可绘制学生思想主题的“词云”图。词云是指为突出文本信息中的高频“关键词”而生成的“关键词云层”，以更直观的获取文本的主旨信息。在Python编程环境下，可通过加载词云模块wordcloud，进行文本分词、去停用词等处理，最后调用词云模块中的generate函数来生成词云。2.群体画像以上五个维度都是针对个体画像，而综合考虑学生的多个维度，对其群体特征进行刻画，有助于高校思想政治教育课堂教学中的分组教学及课下的分组管理。群体画像采用聚类算法得以实现。如K-means聚类就是一种最简单的聚类方法。K-means算法以k为参数，把n个对象分成k个簇。处理过程如图2所示：第一，随机选择k个点作为初始的聚类中心；第二，对于剩下的点，根据其与聚类中心的距离，将其归入最近的簇；第三，对每个簇，计算所有点的均值作为新的聚类中心；第四，重复2、3直到达到停止准则。对于学生的多维度聚类，以兴趣爱好、学习风格、思想倾向三个维度为例，建立三维立体坐标系。对学生的聚类过程，首先指定聚类质心，然后根据学生三个维度测度的距离把每个学生划分到所属质心，紧接着对每个簇计算距离重新得到新的质心，重复上面的过程直到质心不再改变，则得到了最终的学生“簇”的划分，如图3所示，不同的簇被标上了不同的颜色，代表不同的群体特征。（四）画像模型评估及可视化个体画像模型通过计算模型的准确率、召回率等指标或者访谈验证、学生互评等方式对画像质量进行评价；群体画像模型通过聚类后的组内聚集程度和组间离散程度两个角度评价模型画像质量。将学生五个维度的画像结果在同一张图上进行综合展示，如图4所示，有助于全方位的了解其画像信息，对于制定精准化的思政教育策略具有重要支撑作用。三、基于用户画像结果提升高校思政教育精准化的策略分析（一）个体画像与群体画像相结合，精准推进高校思政工作的个性化育人1.个体画像：精准满足学生的个性化思政学习需求个体画像全方位刻画了大学生兴趣方向、学习风格、思想道德倾向等多维度的个性化特征，可以帮助教师准确掌握教学对象的学习需求和实际问题，线上教学精准推送服务于不同学生思政素养发展的个性化学习资源，线下有针对性地加以引导教育，实现“三全育人”，切实提高高校思政教育教学的实效性。比如：中国共产党百年华诞之际，高校思政教学可根据学生画像，选取与学生个性化偏好匹配的微信、QQ、抖音、微博等新媒体客户端，根据不同学生的学习风格特征，有针对性地选取关于中国共产党建党100周年的文字、图像、音频、视频等资讯进行推送，实现对学生不同需求的“精准供给”，充分调动学生的学习兴趣和热情，增强民族自信心和自豪感，促进高校思政教学提质增效、实现个性化育人。2.群体画像：精准推进个性化分组思政教学群体画像在个体画像的基础上，通过聚类分析，区分不同学生群体的思想行为特征及发展状况，可将具有相似思想主题和倾向的学生划分到同一群组，进行针对性的思想政治教育引导。比如：结合思想倾向和思想主题维度合理设置教育教学内容、组织思政分组教学。通过重点分析“消极”思想倾向学生群体的思想主题，结合事实真相，拟定针对不同思想主题的教学内容，课堂上组织各小组进行思政学习与讨论，发挥“积极”思想倾向学生群体的引领作用，对“消极”思想倾向学生群体加以正向引导，可以有效控制“消极”思想的增长趋势，从群体层面推动高校思政工作的个性化育人。（二）静态画像与动态画像相结合，精准把握高校思政工作育人时机1.静态画像：精准识别重点教育对象通过分析学生的静态画像，全方位多角度挖掘个体和群体学生的行为习惯、价值观认同感、思想倾向等指标特征，可以为高校思政育人工作提供精准对象。比如：基于学生对热点话题的评论文本数据，根据思想倾向维度的画像结果，可将学生分为积极、消极和中立三种类别，进而了解各不同倾向人员分布情况，特别是“消极”思想倾向人员所占比重，在开展思政教育时，重点引导思想倾向为“消极”的学生，提高高校思想政治教育的针对性和工作效率。2.动态画像：针对重点教育对象，精准把握育人时机针对静态画像确定的重点教育对象，精准把握正确的教育引导时机对于提高思政教育的成效十分重要。动态画像通过对画像结果进行动态追踪和监测，能够及时发现学生思想动态及行为特征的变化，为下一步开展有针对性的思想政治教育奠定基础；并通过持续动态监测，促进学生自觉完成内在思想政治素养与外在行为的“知行转化”。比如：结合时间线，分析监测思想倾向画像维度指标，在“消极”思想动态的学生数量增长率超过阈值的前期，抑或各评论立场特别是“消极”思想增长速率最大时，表示“消极”思想开始迅速发酵，精准选取这一育人时机，及时予以积极正向思想政治的教育引导，能起到较好的效果，从而提升高校思政教育的主动性和实效性。（三）用户画像精准预测学生的思想倾向，提升思政教育的前瞻性在传统思政教育中，由于缺乏数据支持和分析预测技术，难以预判学生思想行为的未来走向，无法提前作出决策加以应对，很多时候只能被动等待学生求助，大大影响思政教育工作的效率和主动性。用户画像技术的预测功能通过精准分析画像数据的走势，深入挖掘高校学生思想倾向和行为活动之间的内在联系和发展规律，并作出科学预测，为高校思政教育工作的提前谋划、精准实施提供智能化决策支