陶好飛　莫勇

摘要：從當前思想政治教育的前景和困境出發(fā)，遵循問題一方法一路徑的研究思路，該文探討和研究了大數據與思想政治教育融合機制以及高校大數據分析方法，提出了群體性聚類與群體教育、差異性分析與精準培養(yǎng)、動態(tài)性分析與行為把握、關聯性分析與多維評價四類大數據與思政教育融合創(chuàng)新的實現路徑。在大數據作為思想政治教育的生態(tài)環(huán)境下，該文倡導在思想政治教育中以大數據對工作方式方法進行重構，以大數據為客觀環(huán)境，以大數據分析為思路和方法，以思想政治教育為目標，推動高校思想政治教育創(chuàng)新發(fā)展。

關鍵詞：高校大數據;思想政治教育;融合路徑

中圖分類號：G434 文獻標識碼：A

高校是培養(yǎng)人才的搖籃，高校大數據尤其是學生大數據是高校的財富。高校是大數據時代的重要參與者，同時也推動了大數據的發(fā)展，大數據有力促進了現有高校學生思想政治教育信息化的構建，不僅有助于教育引導活動的順利進行，更有利于學生管理的科學性和規(guī)范性。

大數據是以新的處理方法和模式對數據進行分析和處理從而使數據發(fā)揮價值的一種全新的價值觀和方法論。大數據區(qū)別于傳統(tǒng)意義上的“大量的數據”和“很大的數據”，大數據不是簡單的數據疊加，而是數據和數據處理方式的智能結合。目前對大數據沒有統(tǒng)一的定義，大數據在數據規(guī)模、數據結構、數據處理效率、數據價值密度和客觀真實性等方面都顯示出其獨特的特征，IT行業(yè)內稱之為大數據的5V特征。

高校大數據尤其是高校學生大數據來源廣泛，數據結構復雜，傳統(tǒng)的數據存儲和數據分析技術已不能夠對大數據進行有效管理和分析。且傳統(tǒng)數據分析方法側重于以“點”為基礎的數據結構的分析和挖掘，不能完整反映高校思想政治教育工作各要素之間的關系。因此，在大數據背景下探索提升思想政治教育工作的路徑和方法，合理運用大數據分析方法有效掌握育人動態(tài)，做出更加精準有效的育人決策。

一、大數據時代高校思想政治教育新特征

（一）思想政治教育內容更具針對性

受互聯網影響，當代學生接受的資源更加豐富，無論是學生群體還是個人，都具有很強的自我意識，傳統(tǒng)的群體思想政治教育工作方式趨于局限，因此，關注學生個性化發(fā)展的群體教育是當前高校思想政治教育工作的發(fā)展目標。在注重學生個性化發(fā)展的基礎上，將高校群體性教育與大數據相結合，挖掘學生群體的潛在特征，找到學生群體的共有行為特點，有針對性地開展群體性教育，使群體性思想政治教育工作更加貼近當代青年學生的群體教育需求。

（二）學生個性化培養(yǎng)更具精準性

當代青年學生有著多元的價值取向和更加活躍的思想觀念，要求思想政治教育工作更加精細，對青年學生進行細致入微的日常幫扶和心理引導。青年學生思想和心理問題的出現，是由多種復雜的因素引起。因此，找到影響青年學生思想行為的主要矛盾，遵循學生思想問題的產生規(guī)律，通過大數據分析手段建立學生數據畫像，實現思想政治教育工作從定性到定量的轉變，深刻了解學生個體與群體之間的差異，提升學生個性化培養(yǎng)的精準度。

（三）學生行為研判引導更具規(guī)律性

在互聯網和大數據背景下，學生獲取新知識，認識新事物的途徑多，學生接受的知識體系更為多元化，但存在認知與行為矛盾。因此，提升思想政治教育工作者對學生日常行為的研判和引導，以及對學生群體的發(fā)展路徑和發(fā)展規(guī)律的研判能力，利用互聯網和大數據建立學生思想行為動態(tài)研判和引導體系，持續(xù)觀測學生成長路徑，全過程追蹤學生日常行為規(guī)律。

（四）思想政治教育評價更具規(guī)范性

傳統(tǒng)的思想政治教育工作評價體系注重研究影響學生成長發(fā)展的直接因素，對這些因素進行定性或定量建模，以求更加客觀地評價學生。但由于當代青年學生發(fā)展路徑多元，學生成長發(fā)展評價也應隨著多元化革新。在互聯網和大數據背景下，影響學生成長成才的因素不再單純地存在因果關系。因此，在大數據背景下，研究學生成長發(fā)展路徑與學生大數據之間存在的相關性關系，分析挖掘數據中可能存在的相關性和規(guī)律，提升教育評價的規(guī)范性。

二、大數據時代高校思想政治教育新挑戰(zhàn)

（一）新形勢下傳統(tǒng)教育模式局限性凸顯

現階段高校思想政治教育的主要工作模式仍然是以群體為對象開展。高校群體教育具有普遍性，一方面由于教育管理需求，按照學科、專業(yè)等設置了班級、團支部等具有一定組織及運行機構的群體;還有以家庭經濟情況、民族特征等一些沒有具體運行機構，但由于群體屬性相同而設置的各類不同群體。另一方面，在高校自由開放辦學理念下，允許學生根據相同興趣和愛好形成的各類社團和組織。經過多年的發(fā)展和完善，高校群體性思想政治教育已形成目標明確、制度完善的教育形式。

但在群體教育中，由于教育供給和信息的同質性，會產生使學生個體長期禁錮在所構建的群體教育繭房內。高校思想政治教育工作者、輔導員等教育供給側為群體教育策劃和組織的教育活動，多具有針對該群體的普遍屬性和特點，導致群體教育出現群體極化現象，即教育群體中的個體會因為長期接受具有同質化的教育內容而形成群體繭房，難以突破該群體去接受其他教育信息。

其次，根據學科、專業(yè)、班級等因教育和管理需要而形成的教育群體，會因個體具有相同的屬性特征和相似的興趣，逐漸產生不同的圈層，從而導致師生問信息不對稱，無法有效了解學生動態(tài)，有針對性的教育引導更是無從實施。由于群體教育所帶來的群體極化和圈層化現象，導致在思想政治教育工作中，會出現“沉默的螺旋”現象。高校學生普遍不太熱衷于討論思想政治教育工作者提出的話題，導致學生越來越不愿在群體中發(fā)出聲音，致使高校思想政治教育話語不受學生接受。

（二）思政教育與大數據融合深度不夠

近年來，有關大數據與思政教育相結合的研究越來越深入，越來越完善。在中國知網以大數據和思想政治教育為關鍵詞共檢索出相關學術論文937篇，其中2012年發(fā)表了第1篇研究大數據與思想政治教育方面的學術文獻，2013年3篇，2014年30篇，2015年102篇，2016年218篇，2017年308篇，2018年375篇。研究成果不斷豐富。但縱觀中國知網所檢索的論文發(fā)現，大多數研究傾向于贊同將大數據作為一種工具，為思想政治教育工作提供技術方便，沒有將大數據作為一種資源和生態(tài)環(huán)境，在以大數據為基礎的生態(tài)環(huán)境中重新思考思想政治教育的實施方法和路徑。當前大數據與思政教育的研究，仍處在兩者簡單耦合的層面，沒有實現深層次的有機融合，導致思想政治教育的深度不足。

另一方面，受高校學科和專業(yè)背景影響，特別是行業(yè)特色型高校學科文化氛圍不夠多元，在專業(yè)素質培養(yǎng)上易形成學科壁壘，在學校教育管理上易造成趨同化管理模式，不利于學生綜合素質提高和思想政治教育工作開展。此外，當前高校各部門對學生教育管理服務多以職能劃分，缺乏教育、管理和服務部門之間相互協同的工作模式。以條塊分割的管理模式開展思想政治教育，束縛了高校思想政治教育工作在廣度上的延展。且受互聯網思維影響，學生對文化覆蓋面、教育工作體系扁平化等提出了更新的需求，而學科壁壘和條塊分割工作模式阻礙了思想政治教育工作的覆蓋面延展，大數據運用不足也對思想政治教育工作者與青年學生之間造成了溝通交流的鴻溝，教育者和受教育主體之間信息不對稱影響了高校思想政治教育工作質量。

（三）思政教育工作者對大數據應用理解不深刻

高校思政教育工作屬于文史類范疇，主要依賴教育者的經驗。文史類學科背景的思想政治教育工作者對大數據及信息化的理解和運用具有局限性。目前大多數思政教育工作者對大數據存在不會用、不善用、不懂用、不能用的情況，思想政治教育方法傳統(tǒng)，在推進思想政治教育工作信息化、數據化等工作中缺乏融合機制，多數教育工作者對思政工作信息化數據化的理解局限于簡單地利用互聯網和信息化系統(tǒng)開展學生日常管理和思想引導，導致思政工作與大數據的融合力度不足。

高校思政工作者對大數據理解不夠深刻，在思想政治教育過程中容易忽視大數據這一客觀存在;而技術人員對大數據在思想政治教育工作中的需求和應用場景不了解，無法掌握思想政治教育工作的核心，造成思想政治教育與大數據僅簡單耦合，無法實現深度有機融合，且大數據與思想政治教育融合路徑不明晰，運行機制亟待完善。

三、大數據革新高校思想政治教育新方法

17世紀以來，人們將牛頓提出的世界觀和方法論總結為“機械思維”，機械思維的核心思想是事物都是有其規(guī)律性的，其結果是確定的。但隨著互聯網時代的到來，以信息確定性為核心思想的“機械思維”已不能夠解決數據爆炸式增長所帶來的各種問題。需要用信息不確定性的眼光看待世界，再通過大數據的客觀反映來去除不確定性。大數據從定量分析、關聯分析、全量數據實驗三個維度，對全量數據進行加工利用，將“機械思維”中的功能價值轉變?yōu)閿祿r值，是一種思維過程再造;大數據強調在全量數據分析中，注重信息不確定性的分析嘗試和數據之間的關聯性，以找出數據中可能存在潛在和隱含的價值。

（一）高校數據的功能價值轉變?yōu)閿祿r值

高校大數據呈現多源化。自從高校信息化工作開展以來，高校數據尤其是學生數據得以沉淀，如學生第一課堂相關數據、獎優(yōu)助學情況數據、第二課堂數據、校園消費數據等，都以不同的數據結構記錄，為大數據與思想政治教育融合研究提供了數據基礎，如圖1所示。

以前，高校對學生數據的應用僅關注數據能夠為工作提供何種功能，而在大數據背景下，高校對大數據的需求從功能價值轉變?yōu)閿祿旧淼膬r值。不僅學生基礎數據、學習成績這些客觀標準可以形成大數據，甚至連學生學業(yè)預警、掛科預警、晚歸預警都可以從數據中獲取，大數據包含了與高校學生日常行為有關的方方面面。

（二）教育影響因子的因果分析轉變?yōu)橄嚓Pl生分析

在大數據提出以前，高校數據的應用主要體現在對業(yè)務系統(tǒng)中進行結構化數據的分析和挖掘，如分析學生家庭基本情況同學生獎助學金獲得情況之間存在的某種關聯。這種數據分析方式是有著明確目標的數據挖掘，數據來源單一，數據分析結果確保了分析的針對性和專一性，但存在分析視野的局限性，由于數據分析結果不夠全面，無法對學生形成多維立體的數據畫像和科學評價。

高校大數據規(guī)模巨大、數據類型繁雜、數據結構多樣，高校數據既有結構化的關系型結構數據，又有高維非結構化的文檔、圖片和音視頻等形式，傳統(tǒng)數據挖掘方法主要側重于分析數據之間的因果關系，對復雜的大數據分析具有局限性。在大數據分析模式下，高校數據之間存在著不確定的互相關聯，大數據分析的目的就是在信息不確定因素下，通過大數據分析方法，找出數據與數據之間存在的相關性，分析學生不同行為數據的內在聯系，可以預測學生的行為偏好。

（三）教育主體樣本數據分析轉變?yōu)槿繑祿治?/p>

全量數據較之樣本數據更具客觀性。大數據分析從傳統(tǒng)的樣本數據挖掘轉變?yōu)槿繑祿治龅膶嶒炈季S，需要全部數據而不是抽樣數據。在未知結果的情況下開展全量數據的實驗，分析找出確定性的規(guī)律，是大數據的核心。高校對數據分析的需求已不再是簡單的數據對比和挖掘，大數據擴展了數據的來源，多類型、超大量的數據擴大了高校數據的外延，多源數據逐漸被應用到高校大數據分析中。例如學生在校期間的使用手機流量情況、使用圖書館以及借閱情況、進出宿舍和教室情況等結構化和非結構化數據，都是大數據分析的全量數據。數據的價值發(fā)揮取決于數據分析，以全量數據為研究對象，能夠更客觀、更全面地反映教育過程中的規(guī)律。

四、大數據與高校思想政治教育融合新路徑

（一）聚類分析增強群體教育針對性

通過計算學生特征間的相似度，將相似度高的學生信息圖譜分為一類，可以獲得需求相近的學生群體。學生信息圖譜是學生的標簽化表征，在而這些標簽中有些是定量的，有些則是定性的，因此，在進行大數據整體分析的相似度計算時，需要結合定量相似度計算和定性相似度來進行分析。

1.定量相似度分析

定量標簽有確定的取值，如學生數據Student中的成績、年齡的數據，其相似度計算相對簡單，對于群體圖譜聚類分析中一組定量的標簽來說，相似度可以按公式simi（u_i，u_j）進行計算。

通過定量相似度分析，可以將學生可量化的標簽數據進行相似性分析和統(tǒng)計，如上網時長、消費情況、學習成績等。從整體性分析的角度對全量學生進行群體劃分。

2.定性相似度分析

在高校大數據中，有許多數據是無法定量計算的，只能通過定性計算法進行相似度計算。由于定性標簽沒有確定的數值，其相似度計算不能采用定量相似度分析方法直接進行計算。常用的定性相似度分析是基于概念的相似度計算方法。

在基于概念的定性相似度計算中，基于概念距離法算法較為簡單，且根據高校大數據的特點，采用概念距離法進行定性相似度計算較為符合高校大數據分析需求?；诟拍畹亩ㄐ韵嗨贫扔嬎闼惴鞒倘鐖D2所示。

3.聚類分析與群體教育

在大數據背景下，根據學生各類數據對學生進行群體聚類分析，能夠使群體教育的開展更加精細化和精準化。根據對學生標簽數據進行定量相似度分析和定性相似度分析，通過群體聚類算法，可以發(fā)現繁雜的學生標簽數據中所隱含的規(guī)律信息，從而對學生進行群體劃分和群體精準化教育引導，高校大數據群體聚類分析算法分類如下頁圖3所示。

群體教育是高校開展思想政治教育最具普遍性的一種形式，群體教育的開展，能夠提升青年學生集體榮譽感，培養(yǎng)學生綜合素質的最直接方式。從人類社會發(fā)展角度，群體教育是工業(yè)時代的產物;從我國社會發(fā)展的角度看，群體教育是計劃經濟時代的產物，且一直沿用至今，多采取規(guī)訓式的群體教育方法。在大數據背景下，受互聯網浪潮沖擊，學生已對規(guī)訓式群體教育產生抵觸心理，現階段青年學生崇尚個性化發(fā)展，規(guī)訓式群體教育和標準化培養(yǎng)對思想政治教育引領作用趨于局限。因此，關注學生個性化發(fā)展的群體教育是當前高校思想政治教育工作的發(fā)展目標。

（二）差異分析提升思政工作精準性

在思想政治教育工作中，精準培養(yǎng)和個性化服務較群體教育更具貼心的教育成效。群體教育關注的是群體的整體成長，而個性化精準培養(yǎng)是在群體教育的基礎上，結合學生自身的個性化需求和特點，有針對性的開展思想政治教育。

通常情況下，高校很難發(fā)現學生群體中，需要個性化服務和精準引導的學生個體，且部分特殊學生如心理問題、學業(yè)困難、經濟困難的學生因存在自身原因，會將自身標簽刻意隱藏。而思想政治教育工作者因面對的是眾多教育個體，很難從主觀上注意到每個個體的細微變化。通過大數據差異化分析，可以準確把握問題，從容實施精準化的思想教育和困難幫扶。

大數據背景下的差異分析，重點研究在全量數據集中，個體數據與整體數據呈現的規(guī)律存在擬合度較低的情況。通過差異性分析，能夠準確發(fā)現學生出現的異常情況，思想政治教育工作者能夠通過差異性分析結論發(fā)現學生情緒波動、行為異常等情況，準確把握學生問題，開展精準化指導和精確化管理。大數據差異性分析，主要關注個體數據與群體聚類的擬合問題。如果某個體數據與聚類結果產生較大差異，存在與聚類結果未擬合和過擬合的情況，則表明該個體與群體之間存在差異，該學生需重點關注，為其提供精準化的引導和幫扶。

（三）動態(tài)分析挖掘行為把握規(guī)律性

高校大數據中，有些數據是固定不變的，如學生性別、生源地等;有些數據是定期或不定期變化的，如按周期統(tǒng)計的用戶行為指標等，例如學生消費情況、學生進出圖書館情況等。此外，由于更多的數據源加入，以及更詳細的劃分維度，這些特征標簽的數量可能會動態(tài)變化。

大數據動態(tài)分析是一種基于特定關鍵點實時性、及時性的大數據分析模型，是根據學生普遍性特征所進行的一種預警和分析，對學生思想和行為的變化動態(tài)分析，增強對學生思想和行為的預先判斷。高校中不斷增長、不斷更新和迭代的數據，如上網記錄、進出宿舍和圖書館記錄、消費記錄等。學生在日常活動中會產生很多相關數據，學校數據管理部門會在不干擾學生的基礎上對學生的日常行為數據進行獲取，如圖4所示。

在大數據背景下，掌握學生特征標簽值的變化規(guī)律，對學生動態(tài)數據進行分析，可以掌握學生在一段時間內的行為變化規(guī)律，以便更好地了解學生的日常行為動態(tài)，提升思政工作精準度。

（四）關聯分析保障多維評價規(guī)范性

大數據關聯性分析是在不確定因果關系的情況下，分析學生各個特征標簽數據之間是否隱含某種規(guī)律。大數據關聯分析與傳統(tǒng)的交叉分析區(qū)別在于交叉分析是以目標為導向的分析方法，即已經明確了分析要素中的特征標簽會呈現何種規(guī)律，分析的結果只是對該規(guī)律猜想進行證明。而大數據關聯分析是在不確定特征標簽之間是否存在關聯的前提下，對大數據進行分析實驗，體現了大數據對全量數據的實驗思維。

在大數據關聯分析中，以關聯規(guī)則來描述大數據之間關聯性。在關聯分析系統(tǒng)中，可以通過對學生數據畫像中關聯規(guī)則的挖掘來分析學生日常習慣和表現，發(fā)現學生特征之間的關聯性，并利用這種關聯性思想指導政治教育開展，推動學生思想政治教育評價體系更加多維立體。

基于關聯規(guī)則的關聯性分析方法以關聯規(guī)則挖掘算法為基礎，分析和評價特征標簽之間的關聯程度，形成關聯度列表，列表中越靠前的標簽表明其關聯度越強，具體算法描述如圖5所示。

在傳統(tǒng)的思想政治教育中，對學生的評價主要側重于學生日常行為對學生成長成才之間的因果關系的評價，即著重考評對影響學生德育、綜合能力、學習情況等方面的直接因素。這種考核評價體系因無法窮盡影響學生成長成才的因素，從而導致學生考核評價體系不夠立體和全面，無法有效指導學生成長和發(fā)展。通過大數據關聯分析，著重考慮學生成長發(fā)展與日常行為之間的相關性而非因果關系，而且通過大數據的全量數據實驗思維，能夠發(fā)掘出影響學生成長發(fā)展，但沒有直接因果關系的特征標簽，為思想政治教育提供了多維立體的評價體系建設理論和數據支撐。

五、總結

在大數據時代，高校思想政治教育工作的開展方式應在大數據環(huán)境中重新構建工作思路和方法，以大數據為高校思想政治教育的新生態(tài)和新環(huán)境，以大數據和信息技術為思路方法，以思想政治教育為目標，準確把握學生動態(tài)，關注整體和個體以及之間的相關性，創(chuàng)新思政工作開展方式，提升大數據與思想政治教育創(chuàng)新發(fā)展。