智能思政的价值旨向及理性回归

人工智能技术、大数据技术和算法技术已应用于商业、医疗、军事等各个领域并渐成其运行基础，同时也改变了人们的生活方式和社会运行系统，成为社会科学研究的新动向，不可避免地赋能思想政治教育，从而形成了思政实践新样态，即智能思政。但针对智能思政需要我们厘清:何为智能思政？智能思政的特征是什么？智能思政在带来机遇的同时存在哪些问题与挑战？特别是如何处理好智能思政中的“数据”与“人”的关系？这些都是智能思想政治教育亟需理性思考的问题。

一、智能思政：可计算的思政

智能思政的兴起主要缘于两个重要的因素。从技术实践层面而言，以大数据和算法为核心的人工智能技术具有对人的行为、人与人之间互动和复杂政治、经济、文化现象进行分析与研究的能力，其同样也可以为思想政治课程、思潮舆情监控和思想政治状况调查提供差异化、精准化和个性化的支持［1］。从理论层面而言，计算社会科学的兴起也为智能思政提供了一定的理论范式。计算社会科学是一种利用人工智能技术系统，以社会、经济等领域的大数据作为研究对象，以帮助人类更加深入认知和改造复杂社会问题的理论和方法论体系［2］。此理论方法假定:“关于人类行为的大规模数据集中包含了一些反映人类行为和社会现象的真实信息，在一定程度上能够对人类行为和社会现象进行有效的表征；而通过算法的设计，能够将这种大规模数据集与社会科学的理论、概念联系起来，并针对研究问题进行分析，才使得计算社会科学中的计算成为可能。”［3］这种研究进路为思想政治教育提供了新的思考范式。因为传统的思想政治教育更多依赖于个人经验与判断、案例分析与抽样调查等方式研究受教育者的行为与思想活动。但智能思政利用人的“行为数据痕迹”和“思想数据痕迹”对人、群体与社会系统进行深度分析、精准研判、合理定位与智能推送，从而构建一个教育者、受教育者、技术中介系统有机构成的思政实践模式。智能思政的核心特征是基于数据驱动和算法推送的可计算性。具体而言，思想政治教育研究是以人的思想品德形成发展规律和人们进行思想政治教育的规律为研究对象的应用性科学［4］7。其研究方法与其他社会科学的研究方法类似［4］19，即借助技术工具研究人的思想观念、道德品质、政治观点的形成和发展规律。人工智能技术与大数据技术催生了社会科学研究的新范式，即数据密集型范式。这一范式有力弥补了思想政治教育传统研究范式的不足。思想政治教育传统研究范式的典型特点是注重文本分析、逻辑推理［5］，即使有定量研究，也存在定性研究多而定量研究少，静态描述多而动态分析少［6］，以及实证研究中样本选择、数据获取与处理等过程中的主观性问题。数据密集型研究范式的优势恰恰在于其全数据模式和数据“发声”的客观性，从而赋予思政实践活动的可计算性。智能思政的可计算性具体体现在以下几个方面:

首先，受教育者思想行为和思想政治教育实践活动的数据描述与计算。具体而言，一方面，借助各种智能感知手段，智能技术将人的思想观念、政治观点、道德品质等精神世界表征为数据。如就数据存储来说，智能设备、互联网络和云存储等技术真实地记录我们在电脑或手机中的网络足迹，依托云计算将它们转变为海量数据并存储于云端，个人的数据足迹也由此形成。这些数据足迹为准确地描述和认识精神世界奠定了基础。另一方面，量化一切的大数据能够全面描述与记录思想政治教育活动过程，尤其是智能设备的发展实现了对思想政治理论课堂的微观记录。如由麻省理工学院媒体实验室（MIT Media Lab）所研发的情绪仪（Mood Meter）可以识别、计算数字环境中的微笑。情绪仪包括两种不同的组件:（1）笔记本电脑、摄影仪和相机；（2）收集所有位置信息的网页前端，以生成反应情感足迹的互动图表。相机捕捉面部表情，笔记本上的软件提取面部的几何性质，以提供一个微笑强度得分，并由此发现情感反应与学习效果之间的关联［7］。

其次，受教育者思想行为形成发展规律和思想政治教育实践活动规律的数据挖掘与计算。思想政治教育研究的主要任务就是深入了解和掌握人的思想品德形成发展规律和思想政治教育实践活动的规律，进而有针对性地开展思想政治教育活动，使人的思想更趋近社会要求。传统思想政治教育主要是依据经验归纳范式和理论研究范式发现规律。人工智能时代，思想政治教育则可通过数据挖掘发现规律。数据挖掘是指从海量真实的、有噪声的数据中通过算法发现人们事先不知道的有用知识与信息的过程［8］。它是通过数据清洗、分类、聚类、关联等环节发现规律的。数据清洗环节将混杂着噪声的原始数据进行筛选和处理，以使原始数据可用且更适合后面的环节。数据分类是利用聚类算法、决策树算法等将思想政治教育中结构化数据、非结构化数据以及视频、语音、图片等半结构化数据进行归类。数据聚类是发现关联与规律的重要环节，主要是根据“物以类聚”的原则将内在性质不同的数据分成多个子集，以便发现数据之间隐含的规则。数据关联则是在数据清洗、分类、聚类的基础上寻找数据之间的相关关系与关联规则，也就是从海量思想政治教育大数据中发现规律。

再次，受教育者思想行为发展态势的数据预测与计算。思想政治教育的目的不仅要把握规律以解释已经发生的各种思想政治教育实践和受教育者思想行为现状之间的关系，更重要的是利用规律预测受教育者思想、道德等的未来趋势，以未雨绸缪、有针对性地展开干涉与预防。以往思想政治教育对受教育者思想行为趋向的预测主要是依靠个人经验进行大胆推测，或者是基于“平均人”假定的问卷法、访谈法、个案研究法等抽样分析。其预测结果往往由于样本局限、分析能力不足和受教育者思想观点、政治观念、道德品质的隐蔽性与复杂性等因素影响而是模糊的，进而导致思想政治教育的滞后性。智能技术为精准的思想政治教育预测带来了坚实的数据基础和高效的挖掘手段。具体而言，受教育者的思想行为数据已经汇集成数据海洋，这些海量数据不仅反映受教育者思想行为的过去与现在，也潜藏着各种变量之间的相关关系。以海量数据为基础，再根据数据挖掘所发现的相关关系这一预测的关键，就可以精准地预测受教育者思想行为的未来走向。

最后，以算法计算为核心的个性化智能思政实践。一方面，传统思想政治教育也致力于以学生为中心的个性化教学，但是由于数据与信息的有限性与思想、道德等的复杂性和隐蔽性，教育者对学生了解、诊断与评价还是片面的、经验性的，因而其个性化教学也是不彻底的。但在智能思政实践活动中，学生个人与群体的数据大幅增多，通过数据挖掘与分析能够实现学生的“个人画像”与“群体画像”。“通过全程化和立体式记录和跟踪，可以掌握受教育者的学习特点、学习进度、学习需求和学习风格等”［9］，进而对学生进行“有目的、有计划、有组织的影响”。与此同时，不同于传统思政的单向反馈，智能思政通过“教师画像”和“教育中介评价”［10］而实现双向反馈。通过数据的捕捉和分析对教师选用的案例、参考资料、教学工具和教学与手段方式的有效性进行评价，随时调整教育的内容、手段等，从而真正实现思想政治教育的个性化。另一方面，智能思政的个性化主要体现在“量身定制”教育内容的适时推送和独特的个人“播放列表”。在智能背景下，所有人的思想状况都可以通过分析其网上活动留下的痕迹和现实生活中产生的种种数据而从宏观趋势和微观细节上加以把握与认识，这是个性化网络思想政治教育的有力支撑［11］。在智能思政实践活动中，通过对受众特点、偏好、需要等微观分析和受众思想未来趋向的宏观分析，可以选择推送恰当的教育内容、教育内容表达与呈现方式、载体以及推送的时机。如，依托微信、微博等新媒体平台适时、适度地推送符合受众的思想特征、不同时期的热点兴趣和需求的教育内容。基于学习风格评估和日常评估所确认学生的学习偏好和需求，学生能够从一大堆教学课程、活动和策略中获得一个量身定制的每日“播放列表”，以实现个性化教学和思想政治教育“解疑释惑”的功能。

二、智能思政实践的风险：数据遮蔽人自身

智能思政实践的首要风险是“数据”遮蔽“人自身”，从而导致技术工具理性的张扬和人之主体的式微。教育者过于依赖智能技术所产生的数据及其分析结果，忽视自身判断能力。智能技术以其量化一切的工具优势成为智能思政实践的利器。与此同时，“它也加剧了另一个旧威胁:过于依赖数据”［12］208，导致“我们会形成一种对数据的执迷，因而仅仅为了收集数据而收集数据，或者赋予数据根本无权得到的信任”［12］210。

更为重要的是，对数据的依赖与信任不仅是认知层面的，它必然扩展到行为层面，进而导致人之主体的式微。数据自身和大数据分析结果有自己的意向性，“更多”“更杂”的数据当然可以用于解释过去和当下，但大数据更为重要的作用在于预测未来，当大数据展示其预测未来的功能时，始终是指向“更好”，即指引我们走向更好的行动或更好的生活［13］。也就是说，在大数据认识方式中隐含着“知行合一”，隐含着指导下一步该怎样做的意向性。由于对大数据的过多依赖、信任，数据自身的意向性就会反过来统治思想政治教育者的目的，思想政治教育者沦为数据实现自己目的的手段，其直接后果就是教育者与受教育者主体间的互动关系转化为“数据使用者—数据（信息）”之间的关系。这进而引发受教育者这个最为重要的对象成为被遮蔽的“在场”，即一种被大数据遮蔽和掩盖的存在，具体如下:

第一，在智能思政实践中，受教育者的数据只是部分的客观和部分的全面。不同于传统思想政治教育基于理论假设而采集受教育者数据的模式，在智能思政实践活动中受教育的思想行为皆可数据化为海量数据，进而可以收集到需要的所有数据。且这些全数据源自受教育者有意或无意在网络或智能设备上留下的痕迹，数据先于理论而产生因而更“原始”、更“天然”。但思想政治教育中受教育者的思想行为数据是部分的客观和部分的全面，因为数据对受教育者思想行为的表征具有局限性。思想政治教育对象是现实中的全体社会成员，然而并非所有的教育对象都被卷入了信息社会。即使是所有受教育者都被卷入到信息社会中，数据的所能表征的也只是其现实生活与精神世界的一部分。即使大数据能够完全表征受教育者的现实生活和精神世界，由于理智的有限性，“我们能收集和处理的数据只是微小的一部分，这些信息不过是现实的投影——柏拉图洞穴上的阴影罢了”［12］247。因此，大数据所宣称的“样本=全体”与“量化一切”只是一种假设或理想，而不是现实。

第二，在智能思政实践中，表征受教育者思想行为的数据并不“原始”，其分析结果也并不绝对可信。智能时代受教育者在网络或智能设备上留下的数据确实先于理论假设，但这些海量的数据还未被挖掘，只具有“潜在价值”。一旦这些数据被挖掘、使用，那么所谓的“原始数据”就只是一种修辞:数据不仅仅只是存在，它们必须被产生:“收集”“登 记”“编 辑”“储 存”“处 理”“开 采”和“解 释”就是数据的产生过程［14］，而指导数据产生过程的就是思想政治教育者的需要和其使用的理论。因此，我们所使用的数据已不是我们在智能设备上留下的数据，而是“被处理过的数据”，是置于使用者的设定情境中、被特定理论指导的数据，其客观性无法逃脱使用者的主观需求和理论渗透。

第三，在智能思政实践中，受教育者的思想行为数据质量可能不佳，进而导致分析结果的偏差或具有误导性。高质量的数据是智能思政发现规律、预测未来的先决条件。但在智能时代，由于数据的复杂、多样、多变等特点，数据挖掘中表征受教育者思想行为的数据质量很难保证。从数据挖掘技术角来看，由于数据来源众多、数据结构多样、数据总量巨大，从中筛选和处理数据噪音并将适用数据按照其结构和内在性质进行分类和聚类难度很大。首先，在数据挖掘的第一环节数据清洗过程中，“很多数据被当成白噪声而删除，而在这一过程中，统计学中的样本偏差和样本误差照样存在”［15］。其次，思想政治教育中通过数据挖掘而发现的相关关系或规律从本质上仍是统计学意义上的相关性，因而也必然会存在具有欺骗性的相关关系，如伪相关、虚假相关等。同时，随着数据的不断增多，这些没有实际意义的相关性还多越来越多。从数据管理角度来看，既懂得思想政治教育又通晓大数据技术的专业数据管理人员的短缺导致数据质量受到影响。

三、智能思政的合理定位

1.树立边界意识：“有限理性”与“参考答案”

任何技术的应用都存在“边界”，智能技术也同样如此。思想政治教育中智能技术的应用存在两层边界:第一层边界是“有限理性”。大数据的拥趸声称大数据能量化一切并预测未来，“这无疑是大数据在推翻小数据时代原有上帝的同时引入了另一个上帝，即人类理性以及由人类理性所创造出来的信息技术，这是自启蒙运动以来现代人理性信仰的最新表现形式”［16］。面对大数据主义者的狂热宣言，思想政治教育者应当清醒地认识到，大数据是有限理性而非全能理性，大数据无力全方位镜像受教育者的思想和行为，也不可能获取关于受教育者的“全数据”。位于第一层边界之下的第二层边界是“仅供参考”的大数据分析结果。在有限表征的前提下，利用大数据技术所获取的数据不仅存在着“噪音”即虚假信息，而且由于网络用户在年龄和学历上具有区别于非网络用户的明显特征，因而利用大数据获取的数据还不具有统计学上的典型性，或者说大数据的“大样本”也是有选择性的。因此，大数据分析结果只是“参考答案”而非“标准答案”。在这两层边界内利用大数据技术，思想政治教育者就会理性地认识大数据及其分析结果的客观性，免于陷入盲目追求数据的狂热之中。否则，一旦僭越边界，带来的就恰恰是数据对“人的束缚”，甚至是“奴役”。

2.“透过数据看到人”：解蔽受教育者的虚假“在场”

数据作为表征受教育者思想行为的符号，并不是孤立存在、无中生有的，而是在特定情境下产生的“情势信息”，一旦数据失去其特定的背景和思想政治教育者思维的纵深推演，就会将受教育者完全遮蔽。因此，对于思想政治教育者来说，解读数据是必备的素养，尤其是对智能思政实践的两个不同但相互联系的过程的解读，即物数据化和数据物化（思想行为—数据—新的思想行为—新的数据）。思想政治教育者借助于思想行为的数据化把握受教育者的思想行为，这一过程在时间维度上是指向过去的，更准确地说，把握的是受教育者当下及过去的思想行为动态。由于受教育者的思想行为深植于其现实生活，因而智能技术所揭示出的现象关联不足以解释过去的思想行为为何如此。此时就需要思想政治教育者的解读，即揭示现象性关联背后所隐藏的复杂因果关系，它们是受教育者思想行为的现实基础，解释了受教育者是在什么样的特定背景下具有某种思想行为，同时也还原了鲜活的受教育者。这样的解读无疑解蔽了数据背后的受教育者，更将思想政治教育者与受教育者之间的关系从“数据使用者—数据（信息）”恢复到主体之间的互动关系。也正基于此，思想政治教育者在指向未来的、从数据到新行为的数据物化过程中，才会依照受教育者而量身定制下一步的教育实践，而不是因数据施教。

3.消除数据“偏见”：思想政治教育者的价值引导

算法和大数据等智能技术基于过去而对未来的预测是携带“偏见”的，这里的“偏见”不是指思想政治教育者的主观态度，而是针对数据本身而言的。具体地说有两层含义，其一，数据本身包含着“偏见”的基因。思想政治教育中数据作为符号表征的是受教育者的思想行为状态，而之所以呈现出如此的状态不仅根植于其自身的生活实践，而且也受到大数据分析结果的影响。由于大数据表征的有限性，即使大数据算法是中立的，当大数据将一部分人偏差的价值取向分析处理后，其结果却因其真实的反映性而被赋予客观性，然而这种客观性本身就是主观偏差的聚合，并会反过来影响受教育者的价值观。其二，对于受教育者而言，表征其思想行为的旧数据也是一种“偏见”。在对未来的预测上这种“偏见”不断地提醒思想政治教育者，从而有可能导致思想政治教育者“未审先判”，进而影响思想政治教育者基于大数据的精准教育实践。对于受教育者来说，其不利之处在于“它就像困住我们的峡谷深沟，实际上可能更加难以逾越。我们仍然深深陷于轨道之中，即使它是量身定制的。……不仅会影响我们的行为，还将会永远改变未来的格局——由一片开阔的空间转变为预定义的、拘泥于过去的狭窄区域”［17］。然而，“偏见进，则偏见出”，大数据不会自动消除“偏见”，反而会重复或加剧“偏见”［18］。因此，需要思想政治教育者在与受教育者互动的同时发挥其引导作用。针对数据“偏见”对受教育者的影响，思想政治教育者应引入祛除“偏见”的、符合社会主义核心价值观的“数据事实”作为反驳性力量，引导受教育者破译“偏见”基因，从而真正实现面向受教育者、关注受教育者、服务受教育者的思想政治教育。