基于深度学习技术的高校思想政治理论课评价机制创新

郑 欣

南京邮电大学，江苏 南京 210046

2017年，教育部发布了《高校思想政治工作质量提升工程实施纲要》，《纲要》提出：“健全高校思想政治教育工作质量评价机制，研究制定高校思想政治工作评价指标体系。”[1]这标志着国家把高校思想政治教育工作质量评价机制优化创新提到了新的高度。高校思想政治教育工作质量评估的主要范围有三个方面：供给侧评估、需求侧评估和管理层评估。[2]（P65～68）总的来说，“供给侧”和“需求侧”是经济学概念，在思想政治教育工作质量评价体系中，供给侧评估和需求侧评估分别指称对教育者教育内容的评估和对受教育者学习效果的评估。在新的历史条件下，教育者和受教育者都发生了深刻变化，传统的思想政治教育工作质量评价体系的不适应性日益明显。只有确立新的理念、借用新的技术，才能实现思想政治教育工作质量评价体系的优化创新。鉴于此，本文主要基于人工智能核心技术之一的深度学习技术，为高校思想政治理论课的评价体系提供优化思路。

一、传统思想政治理论课评价机制之现实困境

思想政治理论课的实效性问题，一直是高校思想教育工作者所关心的重要问题，因为课程实效性的大小关系到思想政治理论课质量的好坏。想要将思想政治理论课的实效性最大化，需要处理好思想政治理论课教学工作中的矛盾。

首先，思想政治理论课的教育者所要传授的内容，与受教育者的思想状况是思想政治理论课教学工作中的一对矛盾。思想政治理论教育者所教授的内容是马克思主义原理以及马克思主义中国化理论成果，是被实践证明的科学的理论；而受教育者是高校学生，其成长于价值观多元化的社会，本身就带有一种多元的知识背景，其思想观念还未稳定，极易产生变动。要调节这样一对矛盾，思想政治理论课设计者不仅要保证教育者传授的内容的科学性与先进性，还要保持对受教育者的思想政治理论课的学习效果的持续评测，以确保在一定时间段内，课程教育内容与受教育者的思想水准保持同步前进。这样的“同步”就需要先进的评价机制加以辅助。

其次，受教育者思想政治理论课的课程考试成绩与受教育者在现实生活中的实际行为，是高校思想政治理论课教学工作中的另一对矛盾。现如今的思想政治理论课的考核主要采取的是期终笔试考核。受教育者在这样的考核中，通过记忆知识点之类的方式，还是可以取得高分的，但是这样的高分并不是思想政治理论课程的主要目的。思想政治理论课的主要教育目的是通过马克思主义理论的传授，使受教育者在真正的社会实践中做出正确的价值判断。然而受教育者在思想政治理论课程的考试中取得优异成绩，并不代表其在社会生活中也会践行思想政治理论课所倡导的先进思想，“一个完成了思想政治理论课学习并在书面考核中取得优异成绩的学生，并不必然会在实际行为中展现相应的政治素质和道德素质，也并不一定能够将同等的优异成绩转化为长期社会活动中正向的积极行为”[3]（P63～67）。思想政治理论课程实效性的提升，关键在于确保受教育者实现了一定的思想转变，并将这种思想转变带入日常生活之中。这就要求教育者在思想政治理论课的授课过程中，掌握受教育者的思想转变情况，并利用评价机制来完成思想发展水平测定。然而，宇文利等学者已经发现，“高校思想政治教育的评价体系建设不够完善，评价的方式方法相对滞后”。[4]（P27～31）现行的传统高校思想政治教育的评价体系无法有效地解决上述矛盾。

二、传统思想政治理论课评价机制面临困境归因

社会环境在变化，教育环境也随之发生了重大变化，这就意味着教育内容、教学手段、教育的主体双方等一系列教育相关的内容都随之变化。思想政治理论课的教学内容是与时俱进的；思想政治理论课的教学手段是综合多样的；思想政治理论课的教育者和受教育者是同步成长的，因此传统意义上的思想政治理论课评价机制，在新的思想政治理论课教育环境下必然会遭遇打击。

（一）传统思想政治理论课评价机制内容覆盖范围小于实际需要

众所周知，思想政治理论课一直以来都被委以重任。思想政治理论课不仅要传授现代公民的社会政治生活所需要的基本的道德准则、法律规范，还要使大学生形成现代社会的思考方式与生活方式。教育内容的复杂性直接导致了思想政治教育的评价范围广而深。评价机制不仅仅要评测出受教育者是否掌握了马克思主义基本原理等理论知识，还要检验出受教育者是否将所学知识内化为思想，再外显于行动。评测内容的广泛性和多样性，给传统思想政治教育评测带来了巨大的困难。

（二）传统思想政治理论课评价机制评价方式技术革新缓于课程创新

教育是一项特殊的实践活动，实践者是人，实践对象也是人。而思想政治理论课的教育目的直接指向人的思想，具有极大的挑战性。科学有效的评价机制对思想政治理论课的教育工作有不可忽视的助推作用。然而，现在的思想政治教育评价机制还是依赖卷面考试；不可否认，一些学校在卷面考试的同时，也安排了社会实践项目，提高了思想政治理论课的评价结果的科学性，增加了学生的社会实践能力，但是课程创新没有带来评价机制的同步创新。

思想政治理论作为社会科学的分支学科，无法像自然科学的研究与评价那样借助各种仪器和设备，也无法在失败中推倒重来。在思想政治理论研究和传授的过程中，基本上都是以学者本人为研究工具进行科研工作的。然而，在现代科技的发展下，一些可利用的科技手段似乎没有在思想政治理论课程的评价机制中被利用起来。思想政治理论课的现行评价机制与现代的科技发展不协调。

（三）传统思想政治理论课评价机制评价结果难以反映客观情况

思想政治理论课的评价主体是教育者，评价客体是受教育者。随着时代的发展，评价主客体和教育主客体的思想境界、行为方式、思考水平都发生了巨大的变化。评价主体承担着教育者的主要任务，在教学方式创新方面投入大量精力，而在评价方式上的创新意识却不够明显。然而，评价客体在自身的成长以及社会的发展过程中，汲取了大量新兴文化，其性格特征更加多元、多样、多变，传统思想政治理论课评价机制已经不能客观反映评价客体的真实状况。

三、基于深度学习技术的思想政治理论课评价体系构建思路

深度学习是人工智能领域的一项新技术。这一概念由英国人工智能专家Hinton教授等人提出，主要指的是“借助人脑的多层抽象机制，通过神经网络模拟人脑的学习过程，从而实现对现实世界大量数据的抽象表达”。[5]（P113～120）更重要的是，“实践证明，深度学习能够获取具有潜在复杂结构规则的自然图像、视频、语音和音乐等数据内部潜在的本质特征或规则”。[5]（P113～120）由此看来，深度学习技术对于思想政治教育理论课具有技术支撑功能。在实践中，我们可以根据思想政治课程评价需求以及深度学习技术的相应模型，探寻思想政治教育评价创新。本文主要选取了思想政治理论课程的形成性评价和结果性评价作为模型构建的两种评价方式。

（一）形成性评价

形成性评价研究始于20世纪60年代末，由美国评价学家Scriven在其《评价方法论》一文中首次提出，后被美国教育家Bloom引入教育评价实践中。“形成性评价又称过程性评价，是在教学过程中即时、动态、多次对学生实施的评价，它注重及时反馈，用以强化和改进学生的学习”。[6]（P47～51）“如果能够按照教育规律对教育过程中的教学、学习、管理经常进行监控和评价，发现问题并及时调整，就可以避免失败，就可以把教育的发展和学生的成长保持在正确的方向与轨道上，这比是否取得了功利性的最终结果更为重要”。[7]（P78～85）形成性评价的主要目的在于以贯穿教育活动全程的评价方式，实现对学生学习情况的真实反馈。因此，在思想政治教育过程中定期开展形成性评价，有利于实时反映受教育者的学习情况。深度学习技术在形成性评价中的应用，主要就是利用某一程序的模型来完成对思想政治理论课受教育者的情感变化的追踪，来确定受教育者是否掌握了一定的思想政治理论知识。

1.TensorFlow系统与情感分析。2015年10月，Google公司推出了开源人工智能系统——Tensor-Flow，为教育人工智能的研究与应用提供了一条有效的路径。TensorFlow提供了丰富的构建和训练机器学习模型的API（Application Programming Interface，简称API）库，为教育人工智能的研究和开发提供了良好的基础和支持。TensorFlow“可应用于教育大数据分析、学习推荐系统、教学游戏和教育机器人等方面，助力智能教学应用的设计与实现。”[8]（P93～99）其中，教育大数据分析应用主要在把教育数据解析之后，用于实际应用，如文本数据的情感分析、自动评分，语音数据的智能反馈，图像数据的自动批注，行为数据的情境学习等。利用Tensor-Flow平台建立思想政治理论课程的形成性评价系统，首先需要受教育者把在学习思想政治理论过程中的学习数据作为基础，因此在形成性评价过程中，受教育者应该不断地将学习数据反馈到指定的数据库中。在收集数据的实际操作中，可将受教育者集中到机房中统一完成电子试题，由计算机监考和批阅，收集受教育者的学习数据作为原始评价数据。在此之后，TensorFlow在读取学生的文本数据之后进行的情感分析，可用于检测学生思想情感的变化。情感具有抽象、易变的性质，因而根据情感的特性，情感分析所使用的深度学习模型是针对抽象易变对象的卷积神经网络（Convolutional Neural Networks，简称CNN）学习模型。CNN来源于上个世纪60年代，研究者对猫脑皮层神经元的研究，“是一种多阶段全局可训练的人工神经网络模型，可以从经过少量预处理，甚至原始数据中学习到抽象的、本质的和高阶的特征”[9]（P1212～1217）。情感分析对于思想政治课程评价具有重要意义。原因在于，“从认知科学的角度来看，情感既是智能的一部分，也是教学交互的重要要素。应用情感计算理论与技术，有助于教师监测学习者的情感变化，调整教学策略和方法，实时给予学习者情感反馈，使教学质量达到最佳”。[10]（P100～106）“TensorFlow的情感分析API可以实现更深的语义理解和多模态情感分析，实现人机交互中情感、情绪的识别与理解，使教学系统更加人性化”。[8]（P93～99）思想政治课程中的情感分析，对思想政治教育活动中的教育者和受教育者的情感调控起了关键性的作用，而这种关键作用恰恰是传统评价方式所忽略的，也是教育者难以感知的。因此需要通过TensorFlow的情感分析，强化思想政治理论课程的形成性评价。

2.DKT模型与学习追踪。在2015年的神经信息处理系统大会（Conference and Workshop on Neural Information Processing Systems，简称NIPS）上，斯坦福大学的克里斯·皮希（Chris Piech）团队提出了DKT模型（Deep Knowledge Tracing，简称DKT），即“深度学习情况追踪”。“所谓学习情况追踪，是通过对学生掌握知识的进度了解，准确预测学生后续的学习状况。”[5]（P113～120）在思想政治理论课中，受教育者的学习情况受多重因素的影响，不能仅从单方面考虑。因此，对于思想政治理论课的形成性评价需要能够进行复杂运算的模型进行运算。“目前，包含图像和语音等大量标签数据的场合多采用CNN和RNN模型。CNN的特征提取过程与人类大脑对图像的识别过程非常相似，……CNN也适用于与文本识别、手写体识别相关的问题，如识别学生提交的作业或考卷等。RNN主要用于处理时间序列数据，如语音识别等。……随着深度学习技术的广泛应用，CNN和RNN越来越多结合在一起使用，如在自然语言处理中，情感分类可以采用CNN，基于上下文的语言建模则可以采用RNN”。[5]（P113～120）DKT模型采用RNN算法，通过输入神经元直接从数据中了解学生掌握知识的情况。在高校思想政治课程中，学生对课程的掌握情况主要通过思想的改变来实现。例如，学习《中国近代史纲要》的内容，通过了解中国近代人民所遭受的苦难以及在共产党人的领导下，中华民族走向伟大复兴的历程，所产生的民族耻辱感和民族自豪感的情感变化，将会在后续的学习过程中有所体现。而深度学习技术就是通过学生在后续学习过程中的表现，与先前系统中预测的结果进行比对，比对的结果就是思想政治教育形成性评价的结果。在传统的思想政治课程的考评中，教师是主要的考评者。在考评过程中，即使有统一的考评指标，不同的考评者也会有不同的倾向。而应用深度学习技术的机器考官，则会在原有模型的基础上，遵循相同的考评标准，在考核过程中保持标准的同一性，同时保证在结果输出方面的统一性和科学性。另外，机器考官在测评的同时，也保存了大量的数据，为教育人工智能的发展积累了大量原始数据，为思想政治教育的科学发展提供了海量的数据基础。

（二）结果性评价

结果性评价，即“一次性评价”，是在教育过程结束时，以一次的考试成绩或考查结果来确定学生的学习完成情况。“是目前教师所采用的主要评价方式”。[11]（P153～154）当今的教育改革趋于以人为本，同时现行的评价机制多元，评价方式多样，导致人们对于结果性评价方式提出了质疑，认为此种“一考定终身”的评价方式不够科学。但是，不得不承认，结果性评价的考核形式，有利于教育数据的收集，有利于高校思想政治教育数据库的建设。另外，将结果性评价与形成性评价的数据相结合，有助于教育者对受教育者的学习情况有更加客观的了解，并能建立立体的个人学习模型，有利于“人工智能+教育”机制的发展。

深度学习技术在结果性评价中的应用主要是通过计算机对评阅人的批改习惯的学习与追踪，实现对主观题、客观题的批阅。思想政治理论课的结果性评价测试卷有大部分题目是主观题，即受教育者自行理解的题目，有开放性的答案，给机器阅卷带来一定的难度。而以哈工大讯飞联合实验室为核心的团队所研发的“讯飞超脑”，专门用于解决开放性问题的机器阅卷。这一项技术主要创新在于语言认识计算，“目前重点研究的前瞻课题包括类人答题、作文评阅、语音转写等。……未来，随着人工智能技术的发展，……政史地问答题等试题的批阅中，机器都可以自动阅卷”[12]。在此项技术中，深度学习主要应用于书写内容的识别方面和表达内容的特征的提取方面。“比如，要判断字迹工整度，则需要用到深度学习在手写识别中的应用，通过比较识别出的文本的正确率就可以判断字迹是否工整”。[5]（P113～120）利用深度学习技术，计算机可以直接学习人工阅卷习惯，在固定的评分标准的基础上，进一步细化评分倾向，如字迹工整程度、与评分要点的吻合程度等，从而提高机器阅卷的准确率。高校思想政治课程的主观题类型题的考核就可以利用深度学习技术模型。首先由阅卷人进行阅卷示范，机器根据阅卷人的阅卷评分倾向，利用深度学习算法学习评分细则，学习完成后，就可以对剩下的试卷进行智能化打分，并且这种学习随着试卷数量的累积，而变得更为主动和精确。机器阅卷为思想政治教育的结果性评价的考核节约了大量时间，为教育者节省了大量精力。另外，计算机在阅卷的同时会自动记录学生的答题情况，统计后的分析报告有利于教育者了解受教育者的易错点，为思想政治理论课程教育大数据积累海量的数据基础，以扩展思想政治理论课程教育规律的探索视角。

四、结语

“高校思想政治理论课教学的考核评价体系应注重课程内容内化与外化的统一、知与行的统一”，[13]（P123～126）深度学习技术将这样一种评价要求运用计算的方式体现出来，用科学的力量解决高校思想政治教育学科建设中的难题，这是值得去思考和探索的。思想政治理论课的评价机制创新，不仅需要技术人员的研发，还需要思想政治理论课教育者和受教育者的配合。但是不论是何种创新，其重点仍然是“以人为本”，技术的创新最重要的是对人的实践有所帮助，利用深度学习技术创新高校思想政治理论课评价机制，有助于教育者充分了解受教育者与教育内容的动态吸收状况，对于高校思想政治理论课有效性的提升将发挥重大作用。