数智时代学生画像助力精准思政的概念模型、实践路径与应用策略

赵鲁臻，张赛伊

摘 要：基于大数据算法的画像技术，有助于深入探寻学生的真实需求，实现精准思政。画像技术在思政教育中的运用，需要遵循交互原则、主体中心原则及系统性原则，为此可以设计并建构涵盖环境、画像、评价、共同体这四领域的EPAC概念模型。该模型在实践过程中表现为“123+”的运行机制，分为精准聚焦、精准分析、精准识别、精准呈现和精准应用五个模块，并由指标设计与数据融合、数据描画与直观展现、需求研判与综合分析这三条具体路径连缀成一个动态循环系统。由此所生成的学生需求个像与群像，有助于教学中的精准滴灌以及教学要素更新周期的缩短；由此所形成的主体与客体的对照，有助于实现思政教育效果评价的科学性与客观性。这一技术的运用，在未来有可能促成思政教育思维方式的变革及范式的转型。

关键词：数智时代；数据；算法；需求；画像；精准思政

中图分类号：G451        文献标志码：A        文章编号：1674-3210（2023）01-0091-07

习近平总书记在全国高校思想政治工作会议上指出：“思想政治工作从根本上说是做人的工作，必须围绕学生、关照学生、服务学生。”因此，思想政治教育必须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供给，即精准思政，以提高思想政治教育的针对性和实效性。目前，学界对精准思政的研究已经积累了一定成果，但主要还是停留于概念、内涵与价值方面的理论探讨。虽然有部分学者已经提出精准思政应借助基于大数据的信息画像技术，但既有研究更多的还是聚焦于这种运用的必要性与可能性，对具体的思路设计、概念模型、实践路径等方面的探讨还相对有限，因而其中的一些痛点、难点问题尚有较大的研究空间。基于此，本文将尝试以大数据算法为支撑，建构起画像生成的概念模型，并分析其在思政教育中的运转流程和实践进路，从而提出相应的运用策略，使大数据技术助力精准思政从应然落到实然。

一、学生画像助力精准思政的概念模型

为确保精准化思政教育的落实落地，需要建构学生画像助力精准思政的模型。模型的搭建要明确其构成要素。当前，国内相关研究成果一般认为，精准思政主要受到环境、画像、评价、共同体这四方面要素的影响。因而可以在此基础上，建构起四领域—三层次的扇形风车式概念模型，这里将其命名为EPAC模型（如图1所示）。

作为双向流通的循环系统，这一模型建立的时候需要注意两个方面：一是设计原则，二是运行机制。这两方面关系到模型四个领域的融会贯通，是实现环境精准优化、画像精准描绘、评价精准狙击、主客体精准互动的关键。

（一）设计原则

1.交互原则

数智时代，人、数据与环境等多元要素相互链接形成交互网络，并以这种多维交互为基础实现数据共享与智能运算，从而构成智能化教育新生态。因此，交互原则在数智时代的教育活动中变得愈发重要。学生画像助力精准思政同样也必须遵循这一原则。首先，是现实世界与虚拟空间的交互作用。借助画像技术实现精准思政，本质上就是将思政教育要素投射于虚拟空间，并在其中以适宜的方式将其重新排列组合，以寻求现实世界中较难发现或展现的特征、属性及内在逻辑。而这种在虚拟空间的投射与探寻，反过来又能指导我们在纷繁复杂的现实世界中更深入地去挖掘要素、理解本质、把握规律。然后，将这些思政教育的深层信息再度映射到虚拟空间，并在这个反复交互过程中，尋求思政教育领域的更大突破。现实与虚拟就这样形成了螺旋交织、相互推进的联系，而借助画像技术实现精准思政，本质上就是充分利用现实世界与虚拟空间的交互作用。这就需要实现现实要素和信息数据的相互转换，即解决思政教育要素如何映射于虚拟空间、虚拟空间如何还原思政教育实际的问题。其中的关键就在于，一是必须基于一套经过科学论证的指标体系，将思政要素数据化；二是必须设计出一个具有可操作性的交互平台，通过数据计算与分析来模拟思政教育要素各种排列组合的可能结果。而这也是EPAC模型建构中的重要任务。

2.主体中心原则

主体中心原则，主要体现在“大主体”和“多主体”两个方面。所谓“大主体”是从宏观角度而言，指的就是精准思政这一终极目标。整个模型的各个维度——环境、画像、评价和共同体，都必须围绕这一核心运转，以其需要作为调整或革新的指针。所谓“多主体”是就微观角度来说，意指环境、画像、评价和共同体这四个领域的各种要素，均围绕着该领域的核心目标进行配置或者排序。“大主体”指引“多主体”的运转方向，而“多主体”则保证各领域内的各种要素依据“大主体”实现优化配置。

3.系统性原则

系统性原则也称为整体性原则，要求以最终目标的优化为准绳，通过协调系统各部分的相互关系，实现效果的最大化。这一原则是实现信息技术与思政教育深度融合，充分把握思想政治教育发展方向的前提。建构EPAC模型必须保证各要素的协调与联动，形成一个有机整体。为此，概念模型的设计要遵循以下原则：首先，要符合现实情况，遵循教育发展规律和学生认知逻辑，从而实现各要素的有序铺开与科学整合；其次，要实现角度的多元化，兼顾教育者、受教育者、管理者等多方面特征，从多维主体及其多元需求出发进行设计；再次，要保证动态更新，即根据学生需求的动态变化，实现各模块和环节的实时追踪、反馈与调整，以确保学生画像的及时更新。

（二）运行机制

EPAC模型是一个双向循环的动态系统，在实际运行过程中需要遵循“123+”的逻辑：一个核心——精准化思想政治教育；两个结合——内循环和外循环相结合、历时性和共时性相结合；三个赋能——数据赋能、技术赋能、组织赋能；多个联动——环境、画像、评价、共同体四位一体的互通互联。

1.一个核心

EPAC模型以实现精准思政为核心目标，思政教育环境、需求画像、需求评价和共同体等各要素均应为实现这一目标服务。首先，优化教育环境实现精准发力，创造适宜的物质和精神环境，为开展思政教育提供基础保障。其次，借助画像表征实现精准识别，即结合受教育者的动态和静态数据，判断其心理特征或情感倾向，找准其需求方向。再者，整合评价结果实现精准定制，即对画像成因进行分析，制定相应的教育方法。最后，形成思政共同体实现精准定策，联合具有共同需求、属性的受教育者，制定长期性的教育方案，满足受教育者的常态化需求。

2.两个结合

EPAC模型的运行具有双循环和双时性相结合的特点。

双循环是指内循环与外循环相结合。内循环以精准思政为基点，运用大数据技术对环境、画像、评价和共同体等各要素进行全方位感知，加速信息传输和迭代，实现数据实时交互。而外循环是指整个模型流程的循环，即不同思政教育角色在各个环节中的互动会形成一个闭合的行为链条。

双时性是指历时性和共时性相统一。历时性是指EPAC模型中的各要素要按照时间序列依次进行信息交互。由于上个要素的处理结果是分析下一要素的基础，所以整合环境、画像等各要素包含的数据，便需要按照历时的先后次序来进行，以保证处理结果符合时间逻辑。共时性是指EPAC模型各要素的交互关系具有同时并进的特点，即思政教育环境、学生行为或文本数据的采集与分析乃至评估反馈等过程环节可以同时进行，从而做到数据的动态更新和实时共享。

3.三个赋能

EPAC模型的运作需要动力，因而需要数据赋能、技术赋能和组织赋能加以驱动。数据赋能是指通过数据的收集、挖掘、处理和共享，为EPAC模型的运转提供充足的分析與迭代资源，提升整个模型的数字化与智能化水平。技术赋能是指利用信息化技术开拓传统手段较难触及的领域，即依托云计算、互联网、大数据等现代信息技术实现数据的深度挖掘和高度概括，推动分析模型的不断升级。组织赋能是指通过对数据和技术及各方面要素的有效管理、协调，充分发挥各自优势、挖掘自身潜力，从而最大限度地激发模型的运转活力。

4.多个联动

EPAC模型的运行需要多方联动，因为任一要素的改变都会影响整体效果。这主要体现在两个方面。一是各要素之间的联动。四个领域之间都在进行动态的正向或反向交互，因此每个领域要素的变化，都会成为影响其他领域结果产出的重要变量，甚至会导致整个模型中要素的重新排序或者定位。二是各要素与核心目标之间的联动。环境、画像等各领域都会对精准思政过程产生正向或者负向的作用。例如在教育教学中运用VR技术，就有助于获取学生的行为数据，并制定更有吸引力的教育教学对策；而需求画像因算法选用或者数据处理不当发生偏差，则会导致思政教师的应对举措与实际情况南辕北辙。

二、学生画像助力精准思政的实践路径

以精准思政为核心，整个模型在实践中可以分为五个模块，即精准聚焦、精准分析、精准识别、精准呈现和精准应用（如图2所示）。而这五者之间则通过三条具体路径串联起来：第一，基于教育感知的指标设计与数据融合；第二，基于聚类算法的数据描画与直观展现；第三，基于智慧应用的需求研判与综合分析。这三条路径就把整个模型连缀起来，成为数据驱动下模型运转的“动力纽带”。

（一）指标设计与数据融合

1.面向教育需求的指标体系构建

指标体系是由相互联系的若干指标组成的集合体，为科学预测提供基础性保障。实现精准思政需要一套明确可靠的指标体系，以作为画像精准生成的核心依据以及数据算法选取的重要依据。因此，指标体系构建需要做到以下几点。一是科学性。指标体系要建立在坚实的理论基础之上。此外，还应参考学界最新研究成果以及相关领域专家的意见，对指标体系进行不断修正和完善，确保指标来源有依据、过程有痕迹、结果有效力。二是客观性。与以往不同之处在于，这套指标体系的构建完全基于学生自然状态下的行为或文本数据，而非思政教育教学主体的主观判断或者想象。换言之，其不再如传统指标体系那样，由教育主体来界定和设计学生的需求，而是完全通过学生这个客体角色在无意识情况下的自然反应来作为核心依据。三是系统性。指标体系由若干层次的指标构成，同一层次的不同指标处于并列关系，下一层次的指标则是对上一层次指标的进一步阐释和说明。不相邻的两个层次的指标体系则是间接隶属关系。因此，不同节点的多条并列指标，便能将“大主体”与“多主体”勾连起来，形成因果相继的逻辑链条。

2.旨在最优保障的多元数据融合

数据是客观事物投射到虚拟空间的、未经加工的原始材料，也是整个模型运转的“燃料”。因此，数据的采集和处理是整个模型运转的核心动力来源。其多元融合便主要体现在数据采集的多维度与数据处理的综合性。数据采集有三个维度：一是学生基本信息数据的采集，为其画像提供角色属性框架和基础；二是学生学习行为数据的采集，包括其听课状态、参与互动、回答问题、填写问卷等课堂行为的频率、次数或持续时间之类的数据化信息的获取；三是学生文本数据的采集，即学生在课堂行为中产生的语言文字数据，如其回答问题的内容、参与讨论的留言、提交的问卷或者作业等方面的文本。这种多维数据的采集，能为数据处理提供更多的资料、更多的角度，以使用更多元的算法。这就涉及到多元数据融合问题。首先，数据处理需要对数据进行“去粗取精”“去伪存真”，即剔除那些无效信息，清除冗余数据的“噪声干扰”，从而筛选出真实和理想的数据。这就需要采集的数据具有一定的体量和不同的维度，不然淘洗出来的理想数据将不够丰富。其次，数据的多维能够提供更多的参考变量或者对比路径，这就使分析的角度变得更为多样，从而可以匹配不同的数据算法，实现多元数据的交叉融合，得出更全面的结论。

（二）数据描画与直观展现

1.数据描摹画像

数据画像是将受教育者的特点、属性分类标签化，形成高度凝练的特征标识。而画像生成的关键，则是选择最适宜的算法对数据进行分析和处理。算法虽然可以多元采用，但前提是必须具有一个主算法并以之为核心。因为以核心算法为基础，才能保证整个画像的生成具有稳定性、一致性和可比性。在本文所设计的模型中，学生画像的构建主要运用以K-Means为主的划分聚类算法。其核心逻辑就是“类内的点都足够近，类间的点都足够远”，即将周围的相近数据整合，形成聚类簇。以每个聚类簇所含样本点作为子数据集，抽取其中各项数据的平均值、中位数、标准差等数理统计结果，并以此为基础对各类画像进行轮廓描摹。在利用聚类算法形成画像的大致轮廓后，进行标签刻画以对其加以定性。标签是对某一类特定群体或对象的某项特征进行的抽象分类和概括，其标签值具有可分类性和可检索性，可以作为客体特征的符号标识，便于思政教师快速筛选和发现，并对不同类别的需求进行排序和归纳。

2.直观展现结果

在系统化操作下，学生需求信息始终以符号、数据的形态存在。这就需要将抽象的数据变成直观的画像，即对数据的分析结果进行可视化输出。所谓数据可视化，就是将抽象的数据以可被理解、可做交互的形式呈现出来，从而形象、直观地表达数据蕴含的信息和规律。而这就要求：第一，图像要简洁明了，能增强可读性和生动性，以达到最佳视觉效果；第二，要准确传递核心思想，凸显图像的显著特征和内在价值。生成的学生画像可以分为个体画像和群体画像两类，并主要由数据云或者词云组成。个体画像由学生的动态数据和静态数据构成，凸显出个体的需求倾向。群体画像则是以大量个体画像作为分析基础，即通过个体画像特征标签的不断收敛归纳，寻找其“最大公约数”，帮助思政教师快速掌握学生的总体需求。应该说明的是，由于数据维度、算法、目标等方面的差异，不同的实践也可以采用不同的表现形式。

（三）需求研判与综合分析

1.解读与研判

画像生成之后，便需对其展开研判，以真正应用于思政教学。为此，一般可以采用雷达图的形式，以李克特五点量表法的数值作为其刻度，对个体画像与群体画像进行可视化呈现和解讀，从而便于思政教师直观掌握学生在各个维度的需求水平、需求时段以及需求范围。当然，研判与解读画像的方式与方向往往因人而异，这里仅提供两个研判思路以供参考。一是立足根本。思政教育要以学生的需求为出发点，且必须服从于思政教育的目标——立德树人。学生群体处于思想不够成熟、阅历不够丰富且热衷追求个性、倾向逆反的阶段，所以他们的需求有可能存在不理性甚至不合规的色彩。因此，精准思政不能无原则地以学生需求为指向，而应把分析其成因、减少其影响作为教学目标。这就涉及到第二个思路——追根溯源。在获得学生需求画像之后，对于那些有问题的需求，必须加以专门调查和分析，追溯其形成的原因或者土壤，并及时作出应对。即便是那些正向合理的需求，也应该加以深入的剖析、追索，发掘其所反映出来的当代学生的心理特点、情感需求以及行为偏好等内在特质。这些深层影响因素的挖掘，将有利于精准思政的效果直达学生的精神或心灵深处。

2.聚类与综合

大数据算法可以从大量看似无关的多类型数据中探查出有价值的数据并进行细致分析，从而探寻潜在信息和关联信息，生成学生画像。那么，如何才能在多数学生个像的基础上进一步生成群像呢？这就需要对画像进行聚类与综合。一般而言，相似接近的画像，其需求数据在各个维度的分布上也具有伴随的相似性。因此，可以利用聚类算法将属于相同聚类簇的个体数据合并成数据集，分析其统计特征，从而得出“最大公约数”，即涵盖多个聚类簇对应成员的群体画像。而与多数学生大相径庭的画像，则可以通过判断其是否有同类分布，按照上述相同流程进行分析处理。若无相似画像，则可以将之作为单独聚类簇，代表一种“特立独行”的类别，作为特异画像识别与定位的参照物。

三、学生画像助力精准思政的应用策略

以大数据、人工智能、云计算为代表的现代信息技术，改变了传统的交互方式和思维认知模式，能够在自然状态下对学生的思想状况及需求进行较为及时、准确的画像。因此，借助学生需求画像可以有效实现精准思政。其具体的应用策略，主要有以下两个方面。

（一）生成群像与个像，实现思政教育的精准滴灌

画像技术既可以勾勒群像，也能描摹个像，这二者都有助于精准教学的实现。一是精准导学。相较于教师的主观判断，借助大数据技术所生成的学生画像，其实质就是一个经过数据清洗、算法处理所输出的数据集，其结果自然具有较强的准确性和客观性，因而也更有助于实现“因需施教”。所以，思政教师可以更为广泛和全面地把握学生的发展需求，了解多数人的兴趣点、关注点，从而有倾向性地设置课程内容，有的放矢地供给知识点和理论点；或者以之为依据，有目的地安排课堂活动，采取学生更为“喜闻乐见”的方式或工具，提高思想政治教育的亲和力。二是精准助学。一般来说，思政课授课对象数量较多，较难实现“一对一”式教学。加之思政教师精力有限，这难免会导致部分学生的“个性化需求”无法获得关注或响应。大数据算法支持下的学生画像技术，则可以在发现大众需求的同时，通过对特定要素的计算、排序、筛选等处理方法，帮助思政教师准确定位那些较为“个性化”的学生，从而在一定程度上做到“个性定制”。三是精准督学。数据画像在挖掘学生深层需求的同时，也可以将其思想动态及其外化的行为特征展现出来。这就使思政教师可以在教学的全过程实时跟踪学生的学习效果、监测其需求变化，而不再如以往只能通过考试测验或者问卷访谈等“终端验证”形式来进行评估。这种动态督学与监测自然更能及时发现教学中存在的问题或者缺漏，从而在过程中就能不断调整与优化教学内容、方法、工具等各要素，缩短教学要素更新与优化周期，实现教与学之间的“高速互通”。

（二）对照主体与客体，实现思政教育的精准评价

思政教育评价以学生的实际学习效果为核心指标，而效果显著与否，主要取决于所教与所需的对应程度。这自然也就成为了思政教育评价的一大关键。因此，准确把握学生的内在需求，不仅是教好思政课的前提，也是评好思政课的基础。换言之，学生画像不但可以为评价者提供及时、准确的评价依据，而且可以将这种需求量化，进而建立起更为严谨的量化评价指标，提升思政教育教学评价的客观性与科学性。另一方面，画像技术也可以运用于思政教师，即生成其在思政教育教学过程的行为画像。一则可以作为学生对教师作出评价的客观依据，使“学评教”不再只是一种“凭印象”“凭好恶”的主观判断；二则可以将之与学生需求画像进行对比，通过算法分析二者的耦合度，从而为评价其教学效果提供直观的依据。

结 语

思政教育的重要目标是立德树人、培养时代新人，因而是一项既要关注短期教育效果也需留意长期思想状态的工作。也正因如此，基于大数据算法的学生画像技术在思政教育中的运用，不仅要注重其短期对于教学内容、形式与工具等方面及时革新的功能，还应充分发挥其追踪长期行为逻辑与偏好的作用，并从中探寻长时段内思政教育的问题与经验。如此，便能总结出更具有广泛性和长期性的思政教育规律，进而突破那些长久以来困扰思政教育的瓶颈，实现不仅“治标”更能“治本”的精准改革。换句话说，画像技术的真正价值绝不是仅仅停留在提升教育教学效果、增强思政评价的科学性等具体实践层面的革新，这一技术的运用，甚至有可能促成思政教育思维方式的重大变革，继而推动整个思政教育范式的时代转型。

Conceptual Model，Practical Path and Application Strategy of Students' Portraits Contributing to Accurate Ideological and Political Education in the Age of Digital Intelligence

ZHAO Lu-zhen1，2，ZHANG Sai-yi1，2

（1. School of Marxism，North China Electric Power University，Baoding Hebei 071000，China；

2. Laboratory of Big Data and Philosophy and Social Sciences，North China Electric Power University，

Baoding Hebei 071000，China）

Abstract： The portrait technology based on big data algorithm is helpful to explore students real demand and achieve targeted ideological and political education. The application of portrait technology in ideological and political education should follow the principles of interaction，subject-centered and systematic. Therefore，we should design and construct the EPAC conceptual model covering the four fields of environment，portrait，evaluation and community. The model in practice shows a "123+" running mechanism，divided into five modules—precise focus，precision analysis，accurate identification，accurate representation，and precise application，together with of the three specific paths—the index design and data fusion，data drawing and intuitive show，and demand analysis and comprehensive analysis—pieced together into a dynamic system. The resulting individual profiles and group portraits of student demand are conducive to accurate drip irrigation in teaching and the shortening of the renewal cycle of teaching elements. The contrast between the subject and the object formed by this is also helpful to realize the scientificity and objectivity of the effect evaluation of ideological and political education. Application of this technology may contribute to the change of thinking mode and paradigm of ideological and political education in the future.

Key words： age of digital intelligence；data；algorithm；demand；portrait；targeted ideological and political education