
评价学生思想品德应引入大数据
习近平总书记在视察中国科学院时指出:“大数据是工业社会的‘自由’资源,谁掌握了数据,谁就掌握了主动权。”思想政治教育在大数据时代背景下面临全新格局,新的历史时期,引入大数据技术,进行大学生思想品德的科学评价,是创新高校学生思想品德教育的重要基石。
一、高校学生思想品德评价指标较为传统
一是多属于“强相关”指标。评价一个学生思想品德优劣,当前的主要做法是看这个学生“是否积极加入党组织”、“是否积极参加学校组织的各项实践活动”等指标。教育实践经验证明,这些“强相关”指标对于评价学生思想品德有着重要价值,教育评价者也习惯用这些指标评价学生思想品德状况。然而,随着网络信息技术的日新月异的发展,评价主体特征发生很大变化,完全依赖这些传统指标评价学生有时候不那么“灵光”了。
二是多属于宏观层面的指标。当前大多数学者在调研、评价学生思想品德状况时,多从国家、社会层面选取较为“宏观”的指标,虽然能够抓住学生大的政治倾向,但往往忽略了学生丰富的内心世界和人格化的品行表现。这些评价指标从信息量、表达方式、具体操作的角度来说,对于评价对象思想动态与日常行为的考察有不小的差距。
三是多属于静态的指标。学生思想品德评价指标体系自20世纪80年代形成以来,发挥了巨大的积极作用,但是其后多年相对固化,缺乏与时俱进。一方面,长时间内固化的“强相关”指标,很容易让被评价对象有“针对性”地在这些指标上下功夫,可以通过舞弊、伪装等行为进行作假。被评价对象不用付出长期艰辛的努力,只要在这些指标上获得认可,就可以获得“好评”。另一方面,伴随着互联网出生、成长的“95后”学生群体不断呈现出网络时代的新特点,也产生了许多新问题,传统的评价指标是否能够体现当代学生的个体价值特征、是否能反映当代学生的社会化的价值诉求,在新的时期需要重新理解与再度审视。
二、现行的思想品德评价指标需要与时俱进
我国长期以来在实践中形成的思想品德评价指标体系,具有时代特征:
一是评价经常依靠“听其言”,注重评价对象“怎么说”及“怎么想”。现行思想品德评价的方法,评价者受主客观条件的局限,主要是通过在规定时间内用集中的方式、有针对性地对“人的思想”展开询问,更多地关注被评价者“怎么想”、“如何说”。然而,人的思想品德及形成非常复杂,其中有认知、情感、意志、信念,有理性、感性、甚至潜意识成份:对于认知、情感等显现的要素我们较易得出工具论的判断,而对于意志、信念等隐性的价值观念层面的指标却很难评定。这种评价方式与标准,容易导致评价者与被评价对象更多地在“怎么说”、“怎么想”之间获得肯定与被肯定,较难获取思想表面与言语之下更深层次、更真实的内容,评价结果的信度可能要打些折扣。
二是客观条件制约了“观其行”,记录与考察评价对象“怎么做”不充分。“欲知其人先观其行”,思想与行为存在相关性,内在的思想认识和情感信念总会通过一定的行为表现出来。只要对于个体行为有长期、动态的地跟踪和记录,是能够真正掌握其思想品德的状况的。在传统社会里,要做到这点非常困难。品德外显行为表现的全时空性,致使我们的观察非常有限,无论从人力还是物力上都无法做到对个体行为长期、动态地跟踪与监测。即使我们在某个集中的特殊时期,会对被调查对象有行为的监测与监督,但只要不能做到随时随地、长期的记录,就无法排除个体行为所表现出来的不是表面的、为了达到某一“目的”刻意暂时伪装的行为,不能排除有时候目的达成便松懈下来呈现出相反的情况。
三是评价对象的时代更替与网络发展,放大了思想品德评价存在的隐性缺陷。以人为本,是思想政治教育的本质要求,也是思想品德评价的立足点和不可偏离的重要主题,更是时代赋予我们的任务与要求。在网络高度发达的今天,以“95后”群体为主的高校学生代际更替越来越快,呈现出日新月异的新特点,并且已经开始从科学文化与网络技术等方面“反哺”教育者,教育的“双主体”特征已经严重挑战原有的思想品德评价。一方面,单向评价已经远远不能满足评价对象的需求,有必要充分尊重学生的主体地位,并调动学生参与思想品德评价的积极性、主动性与创造性,使评价过程更“接地气”;另一方面,互联网与大数据技术的迅速发展与普遍应用,传统的评价体系指向的领域,已经难以与学生们的现实生活紧密结合,评价的实效性逐步下降。
三、引入大数据能够优化学生思想品德评价结果
一是马克思主义实践观与“网络化生存”,是引入大数据优化思想品德评价的理论基础。马克思把自己建立的新哲学叫做“实践的唯物主义”,特别强调实践的本质地位和前提意义,认为只有实践才能改变世界,“如何做”是马克思主义实践观的核心。正所谓“听其言,观其行”,真正值得信赖的是人的“行动”,而不是人的“言辞”。人的外显行为、言语,总的说来,是内部品德与外部环境相互作用的结果。要客观、公正地评价个体的思想品德状况,就必须全面了解和准确把握学生的行为表现。“从行动中来,到行动中去”是大数据时代研究学生思想品德评价指标的全新视角。在大数据时代到来之前,要随时随地获得学生们的行为记录数据,几乎不可能,而这一切在大数据时代却成为现实。“95后”高校学生“每日必网”已经成为高校学生的一种主要生活方式,“网络化生存”模式留下了群体与个体海量日常行为与思想外显痕迹的数据,为研究与评价高校学生思想品德提供了巨量数据样本。
二是“观其行”以及挖掘的日常行为数据,是运用大数据优化思想品德评价的工作抓手。思想品德作为观念与意识层面的东西,存在于人的精神与情感中,想要获得相对准确的评价结果,一方面需要“听其言”通过询问、观察、问卷调查等传统方式进行评价;另一方面,必须要“观其行”,尤其是观察评价对象长期的行为举止,才能有效弥补主要依靠“听其言”或者观察其短期表现进行评价可能出现的偏差。基于高校学生“网络化生存”的客观条件,研究者可以通过多种途径合法收集被评价对象日常学习、生活及娱乐行为形成的多种信息数据,建立起学生个人与集体的海量数据库。数据库一旦建立,通过数据挖掘技术可以挖掘出长期“潜伏”的“弱相关”指标。这些基于大数据的所谓“弱相关”指标,并不是真的弱、对标的没影响,而是与标的“远相关”或者“间接相关”,在传统评价过程中尚未被发现、被关注。通过对数据的挖掘,一方面可以检验传统“强相关”评价指标的科学性与有效性,另一方面可以提炼出“弱相关”指标,从而可以丰富评价指标体系,进而弥补传统评价存在的不足。
三是依托行为数据库建立“强弱结合”的评价指标体系,是运用大数据优化思想品德评价的努力方向。构建“强弱结合”评价指标体系,使基于大数据的“弱相关”指标与基于重要表现的“强相关”指标形成互补,能够产生合力,大大促进新的时期思想品德评价工作的改进与优化。
首先,构建“强弱结合”的评价指标体系,应坚持“从实践中来、到实践中去”的指导思想。与现行的面谈、问卷、汇报材料等传统形式相补充,“弱相关”评价指标偏重细微的、无意识的、生活化的行为表现,是被大数据分析评价对象在自然状态下的日常真实表现。由于是对标的长期、客观、多角度的观察与监测,“弱相关”指标可以反映真实行为与思想情况,使评价更加全面。“弱相关”指标的构建要充分体现“落细落小落实”的特征,既是评价也是教育引导学生从细处着眼、从点滴做起。
其次,构建“强弱结合”的评价指标体系,应体现互联网时代与时俱进的时代精神。 构建“强弱结合”指标的过程,是对大数据技术的一种具体应用,就是从学生的多重社会身份与角色表现、不同时期的成长与行为轨迹和多元评价主体的考核意见等大量的信息中,通过大数据量化实证的方法,检验、提炼出符合时代特征、符合“95后”大学生特点、能够客观反映真实情况的“新”指标。
第三,利用大数据构建“强弱结合”的评价指标体系是一项复杂、动态、开放的内外双循环系统。一方面需要大数据应用的专业技术支撑,需要评价主客体的广泛参与,另一方面,需要对高校学生学习、生活、工作等日常行为数据的长期动态跟踪,并且对其算法与模型的构建要不断调整,从而不断进行“强弱相关”指标及参数的修改完善,提高评价指标的信度与效度。运用大数据优化大学生思想品德的评价指标体系不是万能的,也不是“灵丹妙药”,很有可能因为数据的缺失与数据化的困难而难以实现最终目标。但是,有效利用大数据技术实时对学生思想品德状况做出有效评价与及时引导,从而真正提升德育的针对性与有效性,这一趋势不可避免。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02CDA 数据分析师:助力企业破解数据需求与数据分析需求难题 在数字化浪潮席卷全球的当下,数据已成为企业核心战略资产。无论是市 ...
2025-09-02Power BI 度量值实战:基于每月收入与税金占比计算累计税金分摊金额 在企业财务分析中,税金分摊是成本核算与利润统计的核心环节 ...
2025-09-01巧用 ALTER TABLE rent ADD INDEX:租房系统数据库性能优化实践 在租房管理系统中,rent表是核心业务表之一,通常存储租赁订单信 ...
2025-09-01