双创课程思政案例个性化推荐方法设计*

曹栩宁 钟元生

摘  要  不同学习者的兴趣和基础差异较大，“双创”课程案例较多，思政案例个性化推荐有利于增强学习者的学习效果。针对教学目标，确立思政元素，收集思政案例，审核评估案例，提取学习者特征数据与案例特征进行标签化，构建“双创”教育课程思政案例库。提出使用基于内容的个性化推荐过程，将案例推荐给学习者，将思政元素融入教学过程，帮助学习者进行个性化学习。

关键词  “双创”教育；课程思政；思政案例库；个性化推荐；互联网+创新创业方法；思政元素

中图分类号：G641    文献标识码：B

文章编号：1671-489X（2022）18-0053-04

0  引言

2019年3月在北京召开的全国高校思想政治工作会议上，习近平总书记强调：各类课程要与思政课相互配合，将课程思政融入专业课之中，二者相辅相成[1]。2020年5月，教育部印发《高等学校课程思政建设指导纲要》，特别说明要在构建人才培养体系时，将思想政治教育贯穿全过程，发挥各门课程的育人作用，提升高校人才的培养质量[2]。

“双创”（创新创业）教育是国家的战略举措，是缓解就业困难的路径，是提振经济增长内在活力的需求。高校的“双创”教育长期存在重能力重技术、轻职业精神轻责任意识的情况，这将导致学习者的长远发展缺少必要的基础支撑。而将课程思政融入“双创”教育，有助于培养既有“双创”能力又有思政素养的复合型人才[3]。目前，不少学者和教师在进行课程思政融入“双创”教育的研究，但少有针对个性化推荐视角的研究。个性化推荐可以有效减轻学习者的学习负担，解决信息过载、信息迷航问题，提升学习者的兴趣和绩效。

本研究基于江西A大学国家级社会实践一流本科课程“互联网+创新创业方法”的课程目标，于2021年6月开始，对思政案例进行系统整理，与课程各章节结合形成教学案例库，构建个性化推荐五层模型，使用基于内容推荐算法，将适合的学习资源推荐给学习者，培养学习者精益求精的大国工匠精神，激发学习者科创报国的使命担当和家国情怀，实现教书与育人的内在统一。

1  课程思政案例库建设

1.1  思政元素的确立

以往教学大纲中的教学目标分为知识与技能、过程与方法、情感态度与价值观三部分。根据“互联网+创新创业方法”中的情感态度与价值观目标，修订和增加思政目标，将情感态度目标与思政元素相结合，各章节设置更加具体化的思政目标，培养有责任感、有使命感、有家国情怀、有工匠精神、有创新精神和实践能力的德才兼备的新时代复合型“双创”人才[4]。以修订后的教学大纲为主体，结合《高等学校课程思政建设指导纲要》中对实践类课程中的“双创”教育课程与工学和管理学等学科对“双创”教育的指导意见，提炼出符合“互联网+创新创业方法”的四大核心思政元素：科创志向、科创意识、科创信心与科创能力。以此为基点，通过案例将思政元素具体化。

1.2  课程思政案例的收集

以四大思政元素为核心，通过文献书籍查阅、登录“学习强国”等移动学习平台、现场采访、互联网检索等方式，收集与四大思政元素相关的科技公司或互联网公司创始人事迹、互联网“双创”故事、初创公司发展过程中遇到的挑战、相似模式下创业成功与创业失败的案例比对、程序员创业与管理者创业的相似与不同之处等素材，筛选与“互联网+创新创业方法”课程教学内容相关的案例，适合教学的重新编辑后归入案例库中，同时将案例根据章节、呈现方式等维度进行分类，最终选择适合的案例。

1.3  思政案例的审核与修改

邀请一线教师、教学专家、学习者代表等不同群体，对目前概括出的四大思政元素和对应的思政案例与标签进行审核，确保思政案例库中的案例是科学的、严谨的、合理的、系统的。保证案例既能与课程内的关键知识点紧密结合，又能激发学习者的兴趣，做到润物无声。最后，根据得到的反馈意见，对思政案例库进行完善和修订。

1.4  思政案例的更新

思政案例库的建设要不断地进行动态更新与维护。定期关注“学习强国”中的“双创”故事、互联网热搜和相关报道中的“双创”名人事迹、互联网公司的重大事件等相关案例，在案例库中查重筛选，经编辑核对修改后形成新的案例，定期与教学团队、教学专家和学习者代表进行讨论，不断完善和更新案例库。

2  推荐方法

本研究将推荐系统分为三层，三层结构图如图1所示，由下至上分别是数据层、算法层和应用层。数据层内部分为三部分：数据收集、数据整理和数据存储。算法层选用基于内容的推荐算法，A/B Test系统用于调整参数。应用层是系统的用户界面部分，做到跨平台运行，方便学习者随时使用。

2.1  数据层

构建个性化推荐的数据基础部分，包括数据收集、数据整理与数据存储三部分。

2.1.1  数据收集

收集学习者的静态学习风格数据与动态学习行为数据。学习风格数据用于完成初始推荐，采用问卷的方式进行收集，防止数据稀疏和冷启动问题。学习行为数据用于优化推荐参数，采用系统日志的方式进行收集。思政案例数据来自本研究构建的课程思政案例库。

2.1.2  数据整理

将非格结构化的数据整理为结构化数据。学习者数据的结构划分为学习风格数据的结构化与学习行为数据的结构化。按照经典学习风格理论，将学习风格记为一级标签A，将学习风格的感知维度、输入维度、处理维度、理解维度记为二级标签A1、A2、A3、A4，每种二级标签又分为两个三级标签；将学习行为数据记为一级标签B，学习历史纪录和学习目标分别记为二级标签B1、B2，B2标签下的具体学习目标记为三级标签。结构化的数据包括一级标签两个、二级标签六个、三级标签13个。将之前收集整理的思政案例以人工标记的方式，分别打上标签，完成案例库的结构化。数据结构化如图2所示。

2.1.3  数据存储

整理好的以标签为基础的结构化数据存储在关系型数据库中。一个学习者在一段时间内的学习风格相对稳定，因此，一个学习者对应一组学习风格数据。一个学习者的学习目标和学习进度是多样化的，因此，一个学习者对应多个学习目标和历史记录。一个案例对应一组学习风格，对应一个学习目标，对应一个章节。一个学习者可以学习多个案例。数据库E-R图如图3所示。

2.2  算法层

2.2.1  基于内容的推荐算法

应用在教育领域的推荐方法主要有协同过滤推荐和基于内容的推荐。协同过滤推荐主要是根据“用户—用户”相似矩阵或者“资源—资源”相似性矩阵，比较找到最相似的资源或者用户。基于内容的推荐主要是通过比较学习资源的特征与学习者的偏好，找到符合学习者学习习惯或者学习偏好的学习资源[5]。在本研究中，由于学习者数量有限，学习资源库较为封闭，协同过滤推荐在本研究的使用场景中的应用较为不合适。基于内容的推荐主要依靠用户和资源的特征匹配，在基础数据层和数据挖掘层，分别对学习者和思政案例进行数据标准化处理，得到标准化标签，所以选择基于内容的推荐算法。

研究者已经对数据进行结构化处理，得到一级标签两个、二级标签六个、三级标签13个，这些标签即为资源的特征。根据学习者的学习行为数据，聚合计算用户的标签偏好，采用加权平均的初始方式进行计算[6]。学习目标（B2）的权重为4，学习历史记录（B1）的权重为2，学习风格（A）的总权重为4，其中感知维度、输入维度、处理维度、理解维度的权重都是1。得到用户带有权重的二维矩阵[（B2，4），（B19，2），（A1，1），（A2，1），（A3，1），（A4，1）]。例如：学习者A在进行完静态数据采集后，得到的二维矩阵为[（B22，4），（B19，2），（A11，1），（A22，1），（A32，1），（A41，1）]。案例001的二维矩阵为[（B22，4），（B18，2），（A12，1），（A21，1），（A32，1），（A42，1）]。计算学习者A和案例001的余弦相似度，公式为：

计算结果为0.708。若此时案例002的二维矩阵为[（B21，4），（B19，2），（A11，1），（A22，1），（A32，1），（A41，1）]，计算结果为0.333，显然案例001更符合学习者A的学习需要，系统会将案例001推荐给学习者进行学习。

2.2.2  A/B Test系统

由于标签的权重为研究者定义，并不能保证这样的权重设置对于使用者来说是最佳参数，因此，在推荐系统中引入A/B Test系统。在当前的系统中，有两类参数是需要在系统上线后根据使用者的行为数据进行修正的，一类是标签系统，一类是标签权重。如果初始参数的设置不能很好地满足推荐要求，A/B Test系统可以在不影响用户体验的情况下，更改B系统的部分参数，将A系统与B系统的推荐结果进行比较。

例如，学习者A在学习案例001时，A系统中计算出的余弦相似度为0.875。但是经过调查，A学习者认为001案例并不能很好地满足他的学习需求，则此时根据学习者A的反馈，将学习目标（B2）的权重设为2，将学习历史记录（B1）的权重设为3，此时计算的余弦相似度结果为0.294，002号案例的余弦相似度结果为0.764。根据学习者A的反馈，002号案例更符合他的学习需要，则可以将A系统的参数进行调整，待更多学习者验证。

2.3  应用层

为了方便使用，推荐系统应该具有跨平台应用的能力。传统的跨平台开发语言（如Java等）不能很好地适应如今移动互联网的发展，因此，应选择如HTML5这样具有跨平台能力且界面美观易用的语言进行开发，一次编写就可以运行在PC、手机APP、微信小程序等平台，方便用户随时进行学习。

2.4  推荐流程

详细的推荐流程如图4所示。在学习者登录系统后，根据学习者行为数据与静态特征数据，得到此次学习者的二维特征矩阵。计算学习者与案例库中全部资源的余弦相似度后进行排序，将排序前五的案例推荐给学习者，完成推荐。

3  展望

当前论文构建“双创”教育个性化推荐的过程，接下来的研究将聚焦于推荐过程的代码实现。利用数据抓取技术，从网络平台收集相关思政案例，进行人工筛选，不断扩充案例库；利用前端技术，设计并实现跨平台的推荐系统，以方便学习者使用，同时可以作为科研平台进行数据收集，用于后续研究。基于内容的推荐算法依赖大量的资源特征与学习者特征，利用已有的课程思政案例库，结合学习者在学习时收集的数据，对已经提取的特征进行修正，以实现更加精准的推荐。现有研究未引入人工智能、神经网络等技术，后续研究可以将传统的基于内容的推荐算法与人工智能相结合，利用神经网络找出依靠人工筛选无法提取出的特征，将特征应用于推荐，将推荐结果与传统推荐算法进行比较，以改进现有的推荐过程。

4  结束语

本文构建“双创”教育课程思政案例库，为“双创”教育的教学工作提供素材和结合点。论文设计一套思政案例个性化推荐方法，为“双创”教育与课程思政提供新的方法。“互联网+创新创业方法”这门课程的社会实践属性，要求教师在完成教学目标的过程中，要紧跟时代发展方向，随时更新最新的行业发展方向与行业故事，并使用生动的案例与课程内容结合，指导学习者在完成知识与技能、过程与方法、情感态度与价值观这三大目标之外，传递正确的价值观，教书与育人相统一，实现立德树人的总目标。本研究将继续跟进学习者使用推荐系统前后思政素养的变化情况。

参考文献

[1] 习近平.思政课是落实立德树人根本任务的关键课程[J].求是，2020（17）：4-16.

[2] 教育部关于印发《高等学校课程思政建设指导纲要》的通知[EB/OL].（2020-06-01）[2022-10-01].http：//www.moe.gov.cn/srcsite/A08/s7056/202006/t20200603_462437.html.

[3] 张秋菊.课程思政视域的创新创业教育[J].中学政治教学参考，2022（31）：103.

[4] 段凯旋，李睿明，金晓锋，等.内科护理学课程思政案例库的建设[J].护理学杂志，2022，37（1）：10-12.

[5] 吴正洋，汤庸，刘海.个性化学习推荐研究综述[J].计算机科学与探索，2022，16（1）：21-40.

[6] 易明，邓卫华.基于标签的个性化信息推荐研究综述[J].情报理论与实践，2011，34（3）：126-128.

*基金项目：本文受2020年江西省高等学校教学改革研究课题“科创导向的《互联网+创新创业方法》金课建设与实践”（编号：JXJG-20-4-8）资助。

作者：曹栩宁，江西农业大学职业师范学院硕士研究生，研究方向为数字化教育资源的开发与利用（330045）；钟元生，通信作者，江西财经大学软件与物联网工程学院、江西农业大学职业师范学院，教授，博士生导师，研究方向为电子商务信誉管理（330013）。