基于大数据画像的精准化课程思政实现路径研究

　　随着大数据时代的深入发展，大学生群体展现出思想多元化和发展多样化的显著特征，^[1]而传统的思想政治教育模式相对统一、标准化，难以满足学生对思想政治教育日益增长的个性化需求。^[2]在此背景下，思想政治教育与专业教育的深度融合成为高校课程思政建设的现实基础，而教育数字化赋能则成为推动课程思政建设的重要手段。^[3]教育改革发展的数字化趋势，为精准思政的实施提供了信息技术支撑。在课程思政建设过程中，教师可借助大数据技术手段，以学生思想特点和发展需求为依据开展供给侧改革，实现思想政治教育的精准化供给，即精准思政。^[4]

　　“大数据画像”指大数据技术在用户画像领域的具体应用，通过对海量数据的获取、清洗与分析，挖掘尽可能多的用户数据，以帮助使用者跟踪、分析、预测、预警特定用户的需求和行为特征。^[5]近年来，大数据画像应用于课程思政的探索主要集中在课程思政建设的必要性研究，以及设计实现方法与概念模型。^[6]然而，现有文献大多从理论角度展开讨论，缺乏针对具体案例的研究。鉴于此，本文提出基于大数据画像的精准化课程思政框架，尝试使用大数据技术构建学生个人画像，探讨如何运用个人画像精准满足学生的个性化思政需求，从而提出相应的精准化课程思政应用策略。

　　基于大数据画像的精准化课程思政框架包括“数据采集与预处理层”“画像构建层”“画像应用层”3个部分，如图1所示。

　　数据采集与预处理层是基于大数据画像的精准化课程思政的基础，也是绘制大数据画像的必要前提。^[7]数据采集需要收集广泛全面的学生基本数据、学习数据及内容偏好数据，以提升大数据画像的精准度。例如，从教务信息系统中获得学生的基本数据，包括学生姓名、学号、性别、年龄、专业、班级等信息；从在线学习平台导出用户的使用数据，包括学习内容记录、学习进展记录、考核成绩记录等学习信息；通过互联网搜索引擎、社交媒体平台信息和问卷调查获取学生的内容偏好信息，包括搜索记录、浏览记录、下载记录等数据。然后，通过数据清洗和文本分词等方法对数据进行预处理，使数据变得规范，以提高数据挖掘工作的精准度。

　　在画像构建层，绘制大数据画像首先需要构建画像标签体系，本文制定了三类一级标签，包括基本信息标签、个人偏好标签和学习行为标签。再将每类标签细分为多个二级标签，通过多维度的标签体系提升大数据画像的刻画精度，从而更为精准地描绘画像特征。构建画像标签体系后，对采集的海量数据进行挖掘，量化为学生的个人偏好特征。然后对学生的在线学习数据中各项指标进行权重计算，提取学生的学习行为特征。按照画像标签体系从各维度对学生信息进行刻画，逐步形成精准、立体的学生个人画像。

　　画像应用层提出将构建的学生个人画像应用于精准化课程思政的三个方式：第一，开展“个性化资源推荐”服务，基于画像的基础信息特征和个人偏好特征获取学生关于专业课程、资源类型、内容偏好等方面的个性化需求，为学生精准提供针对性的课程思政学习资源；第二，开展“学习行为监督管理”，基于画像的个人偏好特征和学习行为特征监督学生思想动态发展，精准把握学生动态变化；第三，学习行为特征还能进一步识别学生当前的学习情况，从而建立“学习情况反馈机制”，保证课程思政教学反馈的实时性、准确性和全面性。

　　本文以大学生在课程学习期间产生的学习数据和个人行为数据构建学生个人画像，分析画像表达的学生个性化特征，并探讨如何基于个性化特征提供思政资源。

　　（一）数据采集与预处理

　　1.数据采集

　　为收集海量真实数据，本文以参与重庆邮电大学2023年春季“网络营销”课程的学生为研究对象，通过多渠道获取参与该课程的学生于2023年6月至7月期间产生的课程学习数据和个人行为数据。先从教务信息系统中导出学生的基本数据，包括学生姓名、学号、性别、专业、班级等信息。再从在线学习平台学习通App导出用户的该课程学习情况，包括课堂数据（班级开课数、学生签到次数、到课率）、习题数据（发布习题数、学生提交习题数、学生作答率、学生得分率）和考试数据（发布考试数、学生交卷数、平均得分率）。接着，使用爬虫软件抓取学生的互联网搜索引擎数据和社交媒体平台数据，包括搜索记录、浏览记录、下载记录等。同时，以网络问卷调查的形式收集每个研究对象对思政教育中不同教学资源类型的喜爱程度。本次数据采集发放问卷共计150份，回收有效问卷共计137份。

　　2.数据预处理

　　在使用爬虫软件抓取的原始数据中，存在部分内容缺失、信息不完整或含异常值的无效数据，这些无效数据会干扰后续数据分析。因此，本文先对抓取的数据进行人工清洗，剔除无效数据。再对清洗后的数据进行分词处理，将一个或多个词语或句子切分成一个个单独的词，使数据变得规范。然后对数据进行去停用词的处理，去除数据中常见的对文本处理无影响的连词、助词、语气词等，以提高后期数据挖掘的准确性。

　　大数据画像技术通过收集、处理和分析大规模的数据实现精准描绘用户特征，这种技术在运用过程中涉及用户信息的收集和使用，必须采取有效措施来保护用户隐私和数据安全。在数据获取过程中，本研究采取一系列措施来保护学生个人隐私和数据安全：在获取数据之前，明确告知研究对象收集数据的目的、方式、用途和使用范围，并获得研究对象的知情同意。在收集数据时，只收集与研究目的相关的必要数据，并确保这些数据是合法获取的。对于存储的数据，限制访问权限，确保获取的数据仅用于本研究。

　　（二）画像构建

　　1.建立画像标签体系

　　本文构建的画像标签体系分为“基本信息”“个人偏好”“学习行为”三个一级标签，其中“个人偏好”标签分为“资源偏好”和“内容偏好”两个二级标签，“学习行为”标签分为“学习过程”和“学习效果”两个二级标签，每个二级标签包含的主要信息和获取的数据来源如表1所示。

表1   画像标签体系

　　（1）基本信息标签

　　基本信息标签指一个学生的基本信息情况和代表性信息，属于短时间内不会发生改变的静态标签，因此直接从教务信息系统中提取学生的姓名、学号、性别、专业和班级信息。

　　（2）个人偏好标签

　　个人偏好标签描述学生在数据采集期内的个性化需求特征，属于动态标签。其中，“资源偏好”指学生在学习过程中更愿意接受的思政资源形式，分为“影视类”“ 视频类”“课件类”“图片类”“案例类”五种，资源偏好标签描述学生对各类思政资源的喜好程度。“内容偏好”记录学生学习、浏览和关注的内容，包括学生的互联网搜索引擎和社交媒体平台的搜索记录、下载记录、浏览记录等数据，内容偏好标签描述学生当前的关注重点和资源需求领域。

　　（3）学习行为标签

　　学习行为标签描述学生在数据采集期内使用线上学习App的学习行为特征，属于动态标签。其中，“学习过程”指课堂行为表现，以学生的课堂签到率和任务完成率来表现，学习过程标签描述学生当前的课程学习表现。“学习效果”则从课后的习题提交率、正确率及测试成绩来体现，学习效果标签描述学生当前的课程学习效果。

　　2.画像建模

　　确立画像标签体系后，使用文本挖掘和权重计算等方法处理收集到的大数据，进行精确的标签提取。

　　（1）基本信息标签提取

　　由于基本信息的数据源自教务信息系统中直接导出的学生数据，信息较为精练，因此将提取到的数据直接作为基本信息标签使用。

　　（2）个人偏好标签提取

　　在构建个人偏好标签时，提取各位学生的内容偏好标签。先对经过预处理的爬取数据进行词频统计，提出爬取数据中词频排名前20的高频词，并统计每个词出现的频数，从而分析爬取数据的整体特征。在词频统计的基础上，再结合课程思政资源所包含的领域，对该学生的内容偏好特征进行概括和凝练，以形成准确的内容偏好特征标签。

　　随机挑选三名学生的数据为例，其词频统计结果如表2所示。从表中可以看出，在学生一的词频统计结果中，“影视剪辑”一词出现次数显著高于其他高频词，此外还有“影视杂谈”“电影”“小剧场”等词。因此，将“影视”主题作为学生一的内容偏好标签。另外，“凤凰”“传奇”“音乐现场”等高频词也显示出该学生对“音乐”话题的关注度较高，因此提取出“音乐”主题作为学生一的内容偏好标签。在学生二的词频统计结果中，“影视杂谈”“电影”的出现次数相对较高，因此将“影视”主题作为学生二的内容偏好标签。在学生三的词频统计结果中，“搞笑”一词的出现次数显著高于其他高频词，再结合“仿妆cos”“美妆护肤”“穿搭”等词，将“娱乐”作为其内容偏好标签。

　　接着，从问卷调查结果中提取每位学生对每种资源的喜好值评分，以分析学生个人对不同资源类型的偏好。三名学生的资源喜好程度统计如表3所示。从表中可以观察到，学生一相对更偏爱“案例”类和“图像”类资源，并且对每种资源的接受度都比较高；学生二偏好“图像”类资源，同时也喜欢“视频”类，但对“课件”类和“案例”类资源不太感兴趣；学生三的喜好倾向较为明显，最喜欢“视频”类资源，但对 “案例”类资源非常不喜欢。

表3   资源喜好程度统计

　　（3）学习行为标签提取

　　在构建学习行为标签时，先划分评价指标和权重以计算学习行为特征值。结合授课教师对该课程的学习要求，设置“学习过程”和“学习效果”两个一级评价指标，“学习过程”划分为“课堂到课率”和“习题作答率”两个二级指标，“学习效果”划分为“习题得分率”和“测试得分率”两个二级指标。再按指标重要程度对四个二级指标进行权重赋值，权重设置如表4 所示。接着，根据授课教师的考核标准，设定学习行为特征值评价标准：得分大于等于90，优秀；得分在80~89，良好；得分在70~79，良；得分在60~69，及格；得分小于60，不及格。学生的学习行为数据从在线学习App中获取，通过权重计算，将“学习过程”和“学习效果”两个指标的计算结果分别带入评价标准，得出当前学生的学习行为标签。三名示例学生的学习行为数据如表5所示。

表4   指标权重

表5   学习行为数据

　　（三）画像输出与分析

　　通过计算各项指标，最终输出学生的个人画像，如图2所示。对比三幅画像，可以直观看到：

图2   学生个人画像

　　首先，从资源类型偏好维度来看，学生一表现出对所有类型的思政资源喜好程度相当，而学生二和学生三更倾向于图像和视频类资源。因此，在向学生提供思政资源时，对学生一应均衡提供各类资源，而对学生二和学生三则应当优先提供图像、视频类资源，以精准满足学生的需求，这有助于提高学生的学习积极性。

　　其次，从内容偏好维度来看，整体上“影视”“音乐”“美食”“科学”等主题词的出现次数相对更高，表明这些主题是学生的关注热点。因此，教师在收集思政素材时可以重点关注包含这些话题的素材。此外，每位学生也表现出独特的关注点，如学生一关注“考研”，学生二关注“社会”，学生三关注“运动”。因此，在向学生提供思政资源时，应尽量根据每位学生的关注点来提供对应主题的资源，以达到精准化资源推送。

　　最后，从学习过程和学习效果维度来看，学生一在学习过程和效果上的表现均为优秀，说明该生目前学习状态良好，教师可以鼓励其继续保持；学生二的学习过程优秀，但学习效果仅为良好，教师可以鼓励其改进学习方法；学生三的学习过程为良好，学习效果为良，可认定该生近期学习态度消极，教师应当及时干预并给予帮助和督促。

　　根据学生画像的构建及分析，本文提出基于大数据画像实现精准化课程思政的应用策略。

　　（一）收集海量数据，精准刻画个性特征

　　在思想政治教育工作开展过程中，教师所面对的是“千人千面”的教育对象，并不存在通用的教育模板，因而精准把握每个学生的特征是关键环节。^[7]精准刻画的前提在于充足的数据支撑，然而，在传统的思想政治教育中，教师仅能通过性别、年龄等显性和结构化的基本数据了解学生，但对学生在网络行为过程中的隐性、非结构化动态信息却难以提取。^[8]大数据画像技术则基于学生在学习与生活中产生的网络信息进行全数据采集，跨越课堂与生活的界限，构建全面而广泛的数据基础。通过深度挖掘海量数据中的隐藏信息，客观呈现学生需求发展的阶段性特征，进而多维度剖析学生需求的层次和多样性。这一策略能极大地提升学生个性化特征刻画的精准度，助力教师实现从显性特征到隐性特征的全面洞察，为思想政治教育工作提供强有力的技术支持。

　　（二）整合网络资源，精准满足个性需求

　　在信息社会的浪潮中，教育资源因互联网的共享和传播而前所未有地丰富和多样化，使更多人可以接触优质教育资源，从而提高教育的质量。^[9]大数据技术作为教师获取网络资源的利器，发挥了关键作用。

　　一方面，教师可以依托大数据技术，广泛搜集并整合互联网上的思想政治教育资源，涵盖案例、图片、课件、视频等多种形式，旨在增强教学资源的丰富性与直观性。此外，教师可在互联网的庞大资源库中直接搜寻有关课程设计的思政素材，随后借助大数据技术，高效整合这些资源，既实现热点重塑，又构建贴近实际的教学情境，从而为学生呈现一个更多元化、生动的思政课堂。这一策略能丰富课堂思政资源，提升教学内容的智能生成效率，优化教学内容的动态流通方式，确保思政元素能够渗透教学过程，实现教学内容和思政要素的纵向贯通、横向联通、内外融通，有效提升教学效能。^[10]

　　另一方面，教师借助大数据技术，构建学生个性化画像，以实现资源的精准推送。在提供思政教学资源时，根据学生画像中体现的偏好资源类型，优先推荐其最感兴趣的内容，以满足学生对资源类型的个性化需求。进一步地，通过收集互联网上庞大的思政资源，建立思政资源的大数据画像，并抽取思政资源画像的特征与学生个人画像特征的需求建立共同标签体系，通过共同标签库，将学生需求与思政资源进行匹配融合，从而实现定制化推送，向学生精准提供满足需求的思政资源素材。^[6]这一策略确保了思政内容既有针对性，又贴近学生个性特点，符合其认知偏好，易于被学生接受，从而有效促进思政教育的深度内化，让课程思政真正触及心灵。

　　（三）建立画像监督，精准把握学生变化

　　在深度挖掘学生个性化特征之际，大数据画像同时也在动态监督学生的思想发展，及时捕捉学生的动态变化，以确保课程思政教育的实时性、准确性和全面性。传统的思想政治教育采用以教师为主导的教学方法，依赖观察学生在课堂上的表现来了解学生行为，而其课后表现却难以观察，故传统方式难以全面把握学生。相较传统思想政治教育，大数据画像依托网络大数据突破时间和空间的限制，能有效弥补相关缺陷。

　　通过对学生画像的持续更新和维护，该策略能够精准记录并反映学生的思想动态及外化的学习行为特征的变化轨迹，为教师提供洞察学生需求与趋势的窗口，从而及时并针对性地实施干预措施。例如，当画像提示某学生（如示例学生三）的学习行为趋于消极，且其在数据收集期间的互联网活动数据高度集中于手机游戏与电子娱乐，教师可合理推断该生在此期间学习状态下滑与游戏沉迷有关，并据此迅速制订个性化干预计划，引导学生调整学习行为，提升学习成效。此举不仅彰显了对学生的细致关怀，更促进了课程思政教育质量的显著提升，实现教育的精准化与高效化。