大数据画像技术嵌入高校精准思政的生成逻辑与实践图景

2024-12-25 00:00:00邵彬彬谭丽各

高教学刊 2024年35期

摘要：将大数据画像技术引入高校思想政治教育过程，有助于实现精准育人。通过构建一个由数据采集层、数据处理层、画像构建层和画像分析服务层组成的四层技术平台可实现画像技术在高校精准思政教育中的整体性嵌入。具体实践表明，大数据画像技术能够有效地进行同类群体学生特征的分析、特殊群体学生的识别与分析，以及学生行为标签间关联性的深入分析，从而优化思政大数据的精准分析与再利用。然而，大数据画像技术的不当使用亦可能引发问题，导致精准思政教育的失效。因此，要辩证地看待大数据画像技术在高校精准思政中的应用，预防实施过程中技术滥用现象的产生，提高思想政治教育的针对性、科学性、实效性。

关键词：大数据；画像技术；精准思政；工作机制；风险

中图分类号：G641 文献标志码：A 文章编号：2096-000X（2024）35-0179-05

Abstract： The introduction of big data portrait technology into the process of ideological and political education is helpful to realize the precise education of ideological and political education. By constructing a four-layer technology platform composed of data acquisition layer， data processing layer， portrait construction layer and portrait analysis service layer， the overall embedding of portrait technology in precise ideological and political education can be realized. The specific practice shows that big data portrait technology can effectively analyze the characteristics of similar groups of students， identify and analyze special groups of students， and deeply analyze the correlation between student behavior labels， so as to optimize the accurate analysis and reuse of ideological and political big data. However， the improper use of big data portrait technology may also cause problems， leading to the failure of precise ideological and political education. Therefore， it is necessary to view the application of big data portrait technology in precise ideological and political education， prevent the occurrence of technology abuse in the process of precise ideological and political education， and improve the pertinenceand effectiveness of ideological and political education.

Keywords： big data; portrait technology; accurate ideological and political education; work mechanism; risk

信息技术的快速发展，尤其是大数据和智能算法的应用，为思想政治教育的创新提供了新的机遇[1]。2017年，中共中央国务院印发的《关于加强和改进新形势下高校思想政治工作的意见》进一步强调了把握师生思想特点和发展需求的重要性，并提出提高工作科学化、精细化水平的要求。2019年教育部工作要点指出，要“着力推进精准思政”，这标志着精准思政成为高校思想政治教育发展的重要方向。精准思政强调将思想政治教育传统优势与信息技术深度融合，形成一种新场景和新应用，其核心在于利用大数据等技术实现对教育要素的量化分析，以及对教育时机、效果、程度的精准把握。同年，教育部办公厅发布的《关于推荐遴选“基于教学改革、融合信息技术的新型教与学模式”实验区的通知》，进一步强调了“数据画像”在促进学生个性化全面发展中的作用，并推动大数据技术在精准教学和评价方面的应用[2]。这一政策的出台，为信息技术与高校精准思政教育的融合发展提供了明确的指导和支持。因此，将大数据技术与思想政治教育相结合，充分挖掘大数据的技术优势，推动大数据技术在高校精准思政工作的有效运用，以提升思想政治教育的精准化水平，是信息时代推动高校思政教育创新发展的必然选择。

一画像技术嵌入高校精准思政的生成逻辑

用户画像技术，起源于公安情报分析领域，随着电子商务的兴起而得到广泛应用。据普遍观点，交互设计之父A. Cooper是最早提出用户画像概念的人，他将其定义为“基于用户真实数据的虚拟代表”[3]。用户画像涉及对用户多维度信息数据的追踪、收集、统计和分析，通过标签体系呈现分析结果，推测用户兴趣与需求，为推荐合适的产品和服务提供依据。随着大数据时代的到来，画像技术开始进入教育领域，其核心在于通过收集和分析学生的行为、成绩、兴趣等数据，构建学生画像，以实现教育的个性化和精准化[4]。教育画像技术的发展，经历了从简单的数据收集到复杂的数据分析和应用的过程，逐渐形成了一套较为成熟的理论和实践体系。

学生画像技术的理论基础主要来源于教育心理学、学习科学和数据科学。教育心理学提供了对学生个性、动机和行为的理解，学习科学则关注学习过程和学习效果，而数据科学则为画像技术的实现提供了技术支持[5]。学生画像技术通过整合这些理论，旨在更全面地理解学生，为精准思政教育提供理论支撑。高校精准思政教育的实践需求在于如何更有效地满足学生的个性化需求，提高教育的针对性和有效性。学生画像技术通过分析学生的学习行为、成绩变化、兴趣偏好等，帮助教师更好地了解学生，实现教学内容和方法的个性化调整[6-8]。

（一）高校学生画像的基础数据来源

在高校数字化建设的进程中，智慧教学、智慧餐饮、智慧图书馆以及一站式师生服务中心等教育信息化应用日益普及，带来了大数据资源的丰富积累。这些资源不仅涵盖了教育活动的各个方面，而且为深入理解学生的日常学习生活行为提供了全面的数据支持[9]。学生在学习生活中产生的数据痕迹，作为反映其思想行为动态的科学依据，已成为构建学生画像数据库的关键组成部分。通过系统梳理，归纳了适用于高校精准思政教育中构建学生画像的常见数据资源，并对其类别、内容及来源进行了详细分类，见表１。

画像技术有效嵌入高校精准思政教育的首要前提是构建一个全面且强大的数据资源库。随着高校数字化建设的不断深入，学生画像的构建已具备了丰富的数字资源基础。然而，只有对这些数据资源进行科学整理与分析，方能充分发挥其在精准思政教育中的核心价值。如表1所示，构建学生画像所需的数据资源广泛覆盖了学生的学业成绩、生活习惯、经济状况、健康状况等多个维度，其来源也呈现多元化特点，涉及教务、生活服务、财务、医疗等多个部门，形成了一个跨部门协作的数据资源集合体。

在数据资源库的建立过程中，首先需要高校各部门充分认识到数字时代下数据资源建设的重要性，形成共识，确立“共建共享”的数据管理理念。建议成立由学校信息化办公室牵头，各相关部门负责人参与的信息化建设领导小组，负责统筹规划数据资源库的建设工作，包括政策制定、战略部署及协调推进等关键环节。其次，信息化建设领导小组需加强顶层设计，构建一个“互联互通”的信息系统架构。打破部门间的数据壁垒，实现数据的高效流通与利用，是确保数据资源库发挥最大效用的关键。为此，学校应设计统一的数据接入端口，实现分模块的数据录入，并灵活设置数据访问权限。同时，各部门应指定专职信息员，负责按照既定的时间节点和标准要求完成数据的录入与归档工作，以确保数据资源库在数据采集的时效性以及整理的有序性8V1TrCXP/oTrc+0oLfn93w==。

（二）画像技术嵌入高校精准思政的工作机制

精准思政的数据基础来源于不同数据库的多元数据源[10]。高校各部门基于各自的工作便利性进行数据收集，但因缺乏统一的收集标准和格式，常常导致数据出现冗余、重复、缺失或错误等无效情况。这些问题的存在严重影响了数据的有效性，因此，对数据进行清洗，剔除无效信息，是进行深入画像分析的前提条件[11]。为了实现画像技术在高校精准思政中的有效嵌入，本研究提出构建一个四层工作机制，包括数据采集层、数据处理层、画像构建层和画像分析服务层，如图1所示。其中，数据采集层和数据处理层构成了整个工作机制的基础阶段，负责收集和清洗数据，确保数据的质量与准确性。画像构建层则是整个工作机制的关键核心阶段，涉及如何利用清洗后的数据构建准确的学生画像。最后，画像分析服务层是目的阶段，通过深入分析学生画像，为高校精准思政提供决策支持和服务。

数据采集层是高校精准思政数据资源库建立的基石。该层的数据主要来源于学生日常工作所涉及的多个部门。通过主动统计和问卷调查等方式直接从学生群体中获取，同时也包括学生在日常学习生活中自然形成的数据，这些数据被系统化地分类录入到相应职能部门的信息系统中。例如，教务部门作为学生学习成绩的主管部门，负责将学生的考试成绩、课程选修情况、出勤记录等关键数据准确无误地录入系统，并定期进行归档整理。团委作为校园文化的引领者，负责记录并整理各类团学活动的参与情况、获奖信息等，这些数据在刻画学生综合素质、AzpPU3QmJ3UQQW87wrx+ww==评估学生社会实践能力方面发挥着重要作用。此外，心理辅导站则成为学生心理健康数据的守护者，通过专业的心理测评、咨询记录等手段，收集并整理学生的心理健康信息，为学生心理画像的构建提供了科学依据。

数据处理层是对广泛来源的数据进行综合统计、清洗和分类，重点是基本属性、现实行为和虚拟社交三个维度的数据标签的提取与重组。基本属性标签体系涵盖了学生的基本信息如姓名、性别、年龄和专业等；现实行为标签则反映了学生的日常活动如学习情况（包括成绩排名、学习态度等）、消费行为（如购物偏好、消费水平等）；虚拟社交标签则捕捉了学生在社交平台上的活动痕迹如社交媒体发布内容、互动情况等。这些标签体系通常以树状结构呈现从一级标签细分至多级子标签直至触及原始数据的叶子标签。这种结构不仅便于数据的存储和检索还能够清晰地展示数据之间的层次关系和内在联系。

画像构建层是画像技术的核心环节。随着数据处理层工作的深入，可以逐渐构建起了一个全面而精细的学生画像。这一画像不仅包含了学生的基本信息和日常行为，还深入剖析了他们的经济条件、心理健康和网络行为等关键维度。在画像构建的过程中，可以充分利用数据处理层提供的标签值运用聚类分析、离散分析和关联分析等方法对每个学生的整体状况进行深入剖析和挖掘。例如，通过聚类分析，可以将学生按照学习成绩、消费行为等特征进行分组以便于学校针对不同群体制定更加精准的教育政策和服务措施；通过离散分析，可以发现学生行为中的异常点和变化趋势从而及时采取干预措施；通过关联分析，可以揭示不同维度数据之间的内在联系和相互影响从而为学校提供更加全面的决策支持。

画像分析服务层致力于对画像结果进行深入分析，并根据分析结果提供定制化的精准思政服务。例如，若学生的学习情况标签值偏低，可将其识别为学业困难学生，并针对性地组建帮扶小组或提供补习班等资源帮助他们提高学习成绩。同样，经济、心理健康或网络行为方面的异常标签也可以触发相应的帮扶教育措施。针对经济困难的学生，可以提供助学金、勤工俭学岗位等支持帮助他们缓解经济压力；针对心理健康问题的学生，可以提供专业的心理咨询和辅导服务帮助他们走出困境；针对网络行为异常的学生，可以加强网络教育和管理引导他们树立正确的网络观念和行为习惯。通过这些个性化的帮扶机制，可以实现一人一档、一人一策的精准思政模式，为每位学生的全面发展提供有力保障。

二画像技术嵌入高校精准思政的实践图景

大数据技术的兴起对精准思政教育具有重要意义，已成为该领域不可或缺的资源。然而，数据的冗余性以及部门间数据壁垒的存在，导致大量数据未能充分发挥其潜在价值。通过将画像技术嵌入高校精准思政，能够将分散的大数据集成为一个统一的数据仓库，利用聚类、离群、关联等大数据分析方法，将孤立的数据以可视化的方式呈现，为同类群体学生特点分析、特殊群体学生挖掘与分析，以及学生行为标签之间的关联性分析等提供实践图景。

（一）基于聚类分析的同类群体学生特征和需求分析

聚类分析是一种无需预设分类标准的统计方法，其根据研究对象在性质上的相似度进行自动归类。类内个体在特征上具有高度一致性，而类间个体则差异显著。常见的聚类分析方法包括K-means聚类、层次聚类、DBSCAN聚类等。在精准思政教育中，学生群体可以根据生涯发展规划、个人兴趣爱好、角色定位和价值取向等因素被细分为不同的类型。这些群体中，有些是显性的，如基于就业方向的考研群体、考公群体、求职群体；有些则是隐性的，如基于兴趣爱好的二次元圈、电竞圈、书法圈等文化圈层。

思想政治工作的实施需遵循学生成长规律，而准确把握这些规律的前提是对同类群体进行大量样本分析。通过建立学生画像机制，并运用聚类分析法，可以将基础数据库中的海量学生数据进行有效归类和分析。细分后的群体可以被更精确地定位到具体的思政工作场景中，为各个群体提供精准化的思想政治援助和教育方案。同类群体的行为特征和需求具有相似性，而教育对象的培养具有周期性。对同类群体特征和需求的深入分析，不仅可以为当前群体提供及时精准的服务，还可以为未来相似群体提前制定服务方案，从而实现思政教育的前瞻性和持续性。

（二）基于离群分析的特殊群体学生挖掘与帮扶

离群分析是一种统计方法，旨在从数据集中识别出与其他数据显著不同的离散点，并探究其离散的原因。在精准思政教育中，离群分析的应用对于发现并帮扶特殊群体学生具有重要意义。这些特殊群体可能包括经济困难、心理困惑、学业困难等需要特别关注的个体。在传统的思政教育实践中，由于帮扶者与帮扶对象之间信息不对称，加之学生可能因顾虑面子或隐私问题而不愿主动表露困境，导致对这些特殊群体学生的发现和帮扶不够及时和充分。这种情况可能导致学生危机事件的发生，影响校园的和谐稳定。

高校信息化建设为思政教育者提供了新的渠道来了解学生情况。数字痕迹，即学生在学习生活中产生的电子记录，为精准挖掘和帮扶不同困难群体提供了科学依据。通过分析学生行为留下的电子痕迹，教育者可以主动了解学生情况，进而通过双向互动加深了解。建立学生画像机制，并运用离群分析法，可以从学生每日产生的大量数据中及时识别出异常数据，并迅速定位到相应学生。对于这些被识别出的离群学生，辅导员、班主任等思政教育工作者可以通过进一步的沟通和了解，提供个性化的帮扶措施。

（三）基于关联分析法的学生不同行为之间的关联性分析

关联分析是一种挖掘数据项之间关系和规律的统计方法，能够揭示数据中的有趣关联。常用的关联分析算法包括Apriori算法、FP-growth算法、Eclat算法和关联规则树算法等。在精准思政教育中，关联分析法的应用有助于分析学生不同行为标签之间的潜在联系，从而为思政工作的精细化提供有力支撑。

通过分析学生画像中的标签关联性，教育者可以预见并满足学生的潜在需求。例如，如果学生的某两门课程成绩均表现一般，通过分析这两门课程之间的关联性，可以在帮扶机制中予以侧重，实现资源的优化配置。此外，关联分析还可以用于建立学生的激励机制。传统的激励机制往往侧重于单一维度的评价，如学业成绩、学科竞赛成果等。然而，通过关联分析，可以构建一个更加全面、多维的综合素质测评标签体系。这个体系不仅关注学生的学业表现，还涵盖了他们的兴趣爱好、心理状态、社交能力等多个方面。通过分析这些标签之间的关联度，我们可以更加准确地把握学生的全面发展状况，构建综合素质测评的标签体系，指导学生的全面发展和健康成长。

三画像技术嵌入高校精准思政的风险

大数据技术为高校精准思政提供了坚实的数据支撑，而画像技术则为这一过程提供了强有力的技术手段。然而，基于大数据的画像技术在高校精准思政中的应用也伴随着一系列风险，这些风险可能源自数据获取、理解及应用的各个阶段。为了最大限度地发挥画像技术在高校精准思政中的价值，必须全面客观地分析这些风险因素，并采取有效措施加以规避。

（一）数据获取风险

数据获取是画像技术的基础环节，其核心在于能否收集到全面且真实的信息，这对于建立一个完整且有效的基础数据库至关重要。在数据采集过程中，首先面临的是数据采集范围的限制。学校通常只能收集到学生在校表现的相关数据，而对于学生在校外的行为和品德表现则难以全面掌握。此外，作为互联网的“原住民”，大学生在网络社交媒体上的活跃度极高，其网络身份的虚拟性和隐蔽性给学校在学生网络行为识别上带来了挑战。同时，学生在各类娱乐、学习等网络平台上的多样性活动，也增加了学校对学生网络言行全面掌握的难度。这些因素均可能影响数据采集的全面性。

（二）数据理解风险

画像技术本质上是通过算法对收集到的数据进行分析和处理。然而，目前思政教师队伍中普遍存在数字素养不足的问题。专业的思政教师可能缺乏数据处理技术知识，而专业的技术人员可能不熟悉思政教育。这种人才结构的不匹配导致了数据理解上的困难。其次，数据理解风险还涉及数据分析的深度和广度。数据分析不仅仅是识别数据中的模式和趋势，还包括对数据背后社会文化因素的理解[12-13]。在思政教育领域，理解学生行为背后的动机和价值观是至关重要的。如果数据分析仅仅停留在表面，而忽视了深层次的社会文化因素，可能会导致对学生需求的误解和教育策略的失误[14]。此外，即便是最先进的算法也可能在实际应用中遇到技术问题，如原始数据的不真实性或算法使用不当，都可能导致分析结果的偏差[15]。

（三）数据应用风险

画像技术的最终目的是通过技术手段增强思政教育的科学性和实效性，但其本质上仍是一种服务精准思政的工具[16]。无论技术如何发展，都不能替代思政教育中主流意识形态的引领作用，也不能取代人在思政教育中的不可替代性。过度依赖技术可能会削弱人在思政教育中的主导地位，甚至导致被数据驱动的风险。算法推荐作为数字赋能的典型应用，虽然能够提供精准的信息供给和个性化的用户体验，但也可能因为信息选择性推送而导致用户陷入信息茧房，引发价值区隔和偏见。心理咨询记录等都属于个人隐私，如果在使用过程中缺乏健全的信息安全机制，可能会引发数据使用伦理问题。此外，数据使用的伦理问题也是不容忽视的。

四结束语

画像技术在教育领域的应用，特别是在高校精准思政教育中，展现出巨大的潜力和价值。然而，随着技术的发展，也带来了数据隐私、算法偏见等伦理和安全问题，需要在实践中不断探索和解决。未来，画像技术在高校思政教育领域的应用预计将更加广泛和深入。构建精准思政教育的逻辑关系是关键，应将技术的定量优势与教师的定性分析智慧相结合，以优化画像技术在高校精准思政教育中的应用，确保思想政治教育的政治性、时代性、价值性和针对性。

参考文献：

[1] 黄文林.基于学生画像分析的高校精准思政探索[J].东北大学学报（社会科学版），2021，23（3）：104-111.

[2] 刘丹，陈怡.大学生画像：思想政治教育精准化的新路径[J].学校党建与思想教育，2022（2）：12-14.

[3] 徐芳，应洁茹.国内外用户画像研究综述[J].图书馆学研究，2020（12）：7-16.

[4] 张明丽，丁月华.基于大数据画像的个性化创新创业教育模式[J].高等工程教育研究，2023（2）：183-189.

[5] 李宝.基于用户画像的高校图书馆个性化资源推荐服务设计[J].新世纪图书馆，2021（4）：68-75.

[6] 牛温佳，刘吉强，石川，等.用户网络行为画像[M].北京：电子工业出版社，2016.

[7] 商瀑，李亚可，郭楼禄.基于用户画像技术的大数据侦查：一个框架的分析与设计[J].中国人民公安大学学报（社会科学版），2022，38（3）：32-43.

[8] 于方，刘延申，郝明睿，等.基于多源履职数据的大学院系画像构建与应用[J].现代教育技术，2021，31（6）：119-126.

[9] 豆素勤，王强.数字赋能高校思政教育的主要特征、现实困境及突破路径[J].学术探索，2023（2）：149-156.

[10] 吴满意，景星维.精准思政：内涵生成与结构演化[J].学术论坛，2019，42（5）：133-139.

[11] 于祥成，陈梦妮.大数据时代高校精准思政的特征、现状及路径[J].大连理工大学学报（社会科学版），2022，43（5）：8-16.