Page 96 - 高校思政教育模式与实践创新

第四章 高校思政教育的技术赋能

等方面尝试运用数据。在教学质量评估中，借助学生课程成绩数据、教学平台使
用数据，分析教师教学效果，评估课程设置合理性。在学生思想动态监测上，收
集校园网络言论数据、学生心理测评数据等，试图把握学生思想变化趋势。

在应用程度方面，多数高校尚处于起步阶段。虽收集了大量数据，但对数据
的深度挖掘与有效利用不足。部分高校仅进行简单的数据统计，如统计学生参与
思政活动的人数、平均成绩等，未充分运用复杂数据分析技术揭示数据背后的规
律与关联。应用效果上，初步应用数据驱动决策的高校取得了一定成效，如通过

分析学习行为数据，为学习困难学生提供个性化辅导，提高了学生学习成绩；利
用思想动态数据，及时干预学生心理问题，维护校园稳定。
然而，应用过程中也暴露出诸多问题。数据质量不高是突出问题之一，数据
存在缺失值、错误值、重复值等情况。如学生基本信息中部分字段未填写完整，

学习行为数据因技术故障记录不准确。这源于数据采集过程缺乏规范，系统间数
据传输存在漏洞。数据分析能力不足也是制约因素，高校思政教育工作者大多缺
乏专业数据分析技能，难以运用数据挖掘、机器学习等先进技术深入分析数据。
决策支持系统不完善，现有系统功能单一，无法实现数据的实时分析、可视化展

示与智能决策建议，不能满足复杂多变的思政教育决策需求，为后续深入研究与
实践数据驱动决策支持在高校思政教育中的应用提出了亟待解决的问题。

三、高校思政教育数据驱动决策支持的模型与方法

高校思政教育数据驱动决策支持依赖一系列先进的模型与方法。数据挖掘技
术是核心手段之一，通过关联规则挖掘，可发现学生学习行为、校园活动参与、
思想动态等不同数据间的潜在联系。例如，挖掘发现参与志愿服务活动频繁的学
生在思政课程学习中表现更积极，为鼓励学生参与实践活动以促进思政学习提供

依据。分类算法如决策树、支持向量机等，可依据学生多维度数据对学生进行分
类，如将学生分为学习优秀、良好、困难等类别，针对不同类别学生制定差异化
教学策略。聚类分析则能将具有相似特征的学生归为一类，帮助教育者发现学生
群体的共性与特性，实现精准教育。

机器学习算法在思政教育决策中发挥重要作用。监督学习算法利用已标注数
据训练模型，预测学生未来行为或学习结果。如根据学生过往学习成绩、学习行
为数据训练模型，预测学生在后续课程中的成绩表现，提前干预可能出现学习困

89