面向社会数字化转型的公安院校“数据警察”人才培养新模式

一、“数据警察”人才培养的重要性和必要性

管理学家西蒙指出：“信息并不匮乏，匮乏的是我们处理信息的能力。”当前社会，大数据、云计算等新兴技术日益完善，我国刑事犯罪复杂性和专业性程度也逐渐加强，呈现出极其明显的智能化、隐蔽化、产业化等新型特点，犯罪与侦查间的博弈日益知识化、智能化和科技化。实践中，警务实践及办案情境中充满的各种科技知识及信息技术，倒逼公安工作迈向数据化方向发展。在科技兴警战略指导下，如何抓住此次发展机遇，挖掘数据金矿，提升新质公安战斗力，是公安高等教育迫切需要解决的问题。

有学者对公安机关警力资源配置的理想比例与现实比例进行研究：在对全国范围内 300 家公安机关进行调查问卷时，结果显示，专业技术类警力资源配置的实际比例仅为 11.8% ，而理想比例应为15.4% 。可见，专业技术类警力配置比例较低，未达到理想比例，表明我国专业技术警力的严重稀缺。由于我国在大数据战略发展上较西方发达国家稍晚，所以目前我国公安队伍面临着整体水平参差不齐，专业化警力数据素养整体偏弱，复合型人才较为匮乏的局面。

如此，当涉及到技术性稍强的数据分析需求时，会出现工作效率大幅下降甚至停滞的情形。具体表现为：业务人员中能真正预测犯罪的人员屈指可数，多局限于事后警情处置；部分研判人员仍习惯于手绘分析图纸，或是停留在较基本的数据搜索、数据比对层面，对大数据分析工具操作流程及适用场景不够敏感、熟悉；也有部分民警虽然能熟练使用简单易用的分析工具，但面对纷繁复杂的分析系统和数据模型时，会眼花缭乱、不知如何切入；数据人才不均衡发展致使地方壁垒愈发严重，难以符合新时期案件全链条取证的要求。另外，公安部门在犯罪数据库建设、特定犯罪分析软件的开发等方面极为依赖第三方数据公司，经常性地调用互联网企业技术人员协助侦查，甚至完全依赖技术公司。虽然侦企合作的意义重大，西方警界也有雇佣网络“黑客”服务于网络监控和信息警务的先例，但在实战中因为合作机制的不完整暴露出诸多实际问题，且短时间内无法有效解决。比如当遇到敏感、突发个案，或是涉及诸多公民隐私，以及办案经费不足等问题时，非警务人员的技术支持必将面临不小的压力，这种方式并非长久之计。

可见，在数据信息繁杂的背景下，现有公安高等教育人才培养与行业需求存在一定脱节现象，掌握大数据技术、精通大数据技战法的数据警务人才尤为重要。公安院校应培养具备“全科型”素质的数字化执法人才，以最大限度地回应社会数字化发展过程中公安工作专业化、规范化、智能化的转型需求，实现数据赋能。

二、社会数字化转型背景下公安院校人才培养的逻辑偏差

社会数字化转型背景下，公安人员数据处理与加工的能力、网络数据分析技术的提升势在必行。但是传统文科范式下，公安院校人才培养的公安专业毕业生小数据侦查思维及理念都较为顽固，仍囿于事后打击层面，部分较为优秀的侦查人才也仅局限在案发后挖掘出隐藏在数据背后的情报信息与个案线索，大部分对数据分析抱有极强的畏难心理，更谈不上对相关案件进行精准预测，智慧警务的潜能几乎未被激发。究其原因：

一是教学内容较为枯燥、陈旧，教学与实战割裂现象突出。当前“百花齐放”的智慧公安新生态已见雏形，公安工作已经从传统的“打防管控”向精准预防预警和情报滴灌导侦转变。但是部分课程未突破原有学科框架体系，存在一些横向或纵向的内容交叉和重复；教师投身教育教学改革的活力动力还未被有效激发，理论讲授内容不够精选，未将培养学生的应用能力为出发点，与实践教学内容体系不能相互对应和统一。学用衔接不紧、训练与实战脱节，导致毕业生到岗就难以立刻利用信息技术开展公安业务工作，仍旧需要重新培训。

二是课程教学中所需的软硬件建设不足，实践平台或设备无法支撑智慧警务视域下人才培养目标的新变化。随着网络社交媒体的发达，非结构化警务数据的应用维度日益拓展，有必要掌握更多数据分析工具与统计方法。警务实践中各层级各部门积极推动数据平台建设，然而公安教育领域实践教学的智能化训练平台却相对落后。在基础设施建设层面，仅有极少数院校初步建立了虚拟训练系统，多数院校的虚拟训练系统尚不成熟，难以提供完整的、真实的实战化训练场景。更重要的是，在数据应用层面，数据库建设严重不足，基于模拟真实数据的应用实训课程极度匮乏。这使得智慧公安人才培养缺乏必要的技术支撑，大数据分析与应用能力培养难以落地

三是培育载体窄化，人才培养资源分散、支撑不力，校局企合作的共赢机制尚未形成。从校内的内驱力来看，一方面是复合型师资力量薄弱，具有多学科交叉融合背景的教师缺乏。由于公安学科自身的专业性相对较强，各学科知识体系之间存在显著差异，而高校教师大多接受的是单一学科的专业化培养，这种专业背景的局限性使得他们在开展跨学科教学时需要经历较大的专业转换过程。而大数据、人工智能等前沿技术又更新迭代速度极快，教师在承担繁重教学任务的同时，难以系统掌握这些新兴技术的理论体系；且跨专业教师授课的内容往往过于表面和笼统，没有与业务流程紧密契合。另一方面，封闭的教学方法导致专业发展与行业需求脱节，难以适应信息技术的快速发展。严格的警务化课堂管理虽然保障了良好的课堂秩序，但这种表面上的教学规范容易掩盖教学内容与方法更新的紧迫性，导致在专业知识更新和教学方法改进上出现固步自封。从校外多方主体合作的内驱力看，学校在校局企合作中本应发挥的桥梁和纽带作用并不明显。学校仍停留在其仅是需求方的单一需求模式，许多实习基地仅是将在校生实习视为基层警力资源的补充，致使学生无法对警务科技应用场景有直观认识，也无法真正将犯罪侦查中的大数据应用提高至战略

层面。

三、公安院校“数据警察”人才培养的优化路径

（一）打造立体开放的“数据警察”培养课程体系

数据警察人才的培养，需要涉及公安学、统计学、计算机科学与技术等多学科、多专业的交叉融合。因此，应该发挥基础型学科对未来实战应用的源头性指导作用，使其在教育背景中就形成深刻的“数据警察”思维和建模理念，从源头上解决大数据侦查主体短缺问题。现行公安高等教育课程体系需进行优化，增加智慧警务专业核心课程群，使学生在掌握传统警务知识的同时，具备科技应用能力。但是需要注意的是，专业调整不等于简单地将“计算机专业 + 公安学”结合，应该最大限度地以大数据技术应用为核心，发挥课程之间的协同作用，过滤与之联系并不紧密的课程。

专业课程是体现专业核心竞争力的关键载体，其设置必须精准对接本专业特有的知识体系和能力要求。这类课程通过必修与选修的有机组合，形成层次分明、衔接有序的课程链条：必修课着力夯实本专业不可替代的核心能力，而选修课则在此基础上实现知识的纵深拓展与个性化发展。二者并非简单并列，而是构成从基础到前沿、从通识到专精的渐进式培养路径，既确保专业培养的标准化，又为学生的特色化发展留出空间。必修课方面，课程体系可被划分为三大模块：基础能力模块（法律知识、侦查学、治安学等）、专业能力模块（刑事技术、情报分析、应急处突等）、智慧警务模块（数据挖掘、智能安防、电子取证等）。还可根据公安实战中的技能需求变化，动态调整教学内容和资源配置，例如，针对近年来电信诈骗高发的趋势，可增设“反诈技术与法律适用”专项课程，确保人才培养的时效性。选修课方面，可重点开发三类特色：一是专题深化课程，聚焦智能分析、物联网等前沿技术领域，通过模块化专题教学提升学生的技术专精水平；二是研发实践课程，依托实验室和校企合作平台，开展项目式学习，着重培养技术研发和系统设计能力；三是公安业务能力拓展课程，通过真实业务场景模拟和案例分析，训练学生将专业技术转化为警务实战解决方案的综合能力。也要注意公安数字化发展涉及大量公民隐私数据，因此必须强化科技伦理与法律合规意识，开展“数据安全与隐私保护”“AI 执法中的法律边界”等课程，加强科技伦理教育，确保学生在运用科技手段时符合法治要求。

（二）提高培训师资队伍的数据素养

由于公安学科自身的专业性相对较强，各学科知识体系之间存在显著差异，而高校教师大多接受的是单一学科的专业化培养，这种专业背景的局限性使得他们在开展跨学科教学时需要经历较大的专业转换过程。应以当前公安体制改革为背景，从打击犯罪实际需求出发，强力推进公安院校师资队伍改革，落实职业权利、职业待遇等激励保障措施，充分发掘实战中的网络研判和大数据分析人才，形成一支德才兼备、学识一流、教法多元的培训师资队伍，进行集中教育培训，从质和量上逐渐完善逐渐壮大队伍。通过系统开展大数据、云计算技术、情报研判等基础知识的学习和业务培训，前往统计或计算机、人工智能等企业、实战业务部门进行调研，真正参与数据抽取、清洗、算法、建模、挖掘、整合、分析、应用等针对性技能培训，师资队伍可进一步扩大知识储备及视野，补齐能力短板，营造并强化“善用数据”氛围。

（三）创新多元教育手段，落实实战案例训练

在课堂上，应创新教学手段，积极开展教法创新，提升数字化警务的教学效果。采用案例教学、翻转课堂、虚拟仿真等现代教学方法，增强课堂互动性。利用 VR 技术模拟重大案件现场，让学生进行沉浸式现场勘查等侦查训练；或通过“突发警情处置”，培养学生在复杂环境下的指挥决策能力。实战案例训练是培养“数据警察”整体技战能力最有效方式，应围绕利用大数据技术办理的典型案件，定期从案发背景、侦查流程、数据采集范围和途径、数据分析思路与结果、所需数据模型等作出实案分析，并展开模式分析、方法分析等总结学习活动，以吸取同类案件办理过程中的方法经验。让学生在规定时间内透过各数据列表反映的强相关性要素对涉案嫌疑人身份和行为习惯进行最大限度的解析描述，以实战深化对前期所学的各类数据挖掘和分析软件、平台工具的组合应用。同时，也要注意提升模拟实战的数据库质量，避免因数据资源采集范围与更新效率制约教学内容的开展。尽量增加一些音视频等非结构化警务数据，以加深对异源数据模型建构的理解和应用创新，从而实现灵活转换算法提升数据挖掘效度的实训目标。在课堂外，可组织开展建模大赛等比武竞赛活动，形成比学赶超的竞争激励机制，以实战带动技术演练，提升数据研判与应用能力。

（四）开展校局、校企、校所合作

要培养适合公安实务的数据人才，就必不可少地需要打破高校和社会之间的体制壁垒，与相关公安实战部门、警务数据公司、高校及科研院所开展联合培养机制，并且拓展合作层面、细化合作要点、加大合作力度。比如：为打破校园与实战部门的物理边界，与实战部门建立深度协同机制，共同打造实战化教学平台，使课堂教学与一线执法无缝衔接；用互联网企业技术发展上的优势，适情况录用或聘请在实践中有经验、有技术的民警或者其他理工技术型教授来校辅助教学，对相关课程进行协同授课；或是为教师提供参与科技公司、研究院等技术项目的机会，专门指派教师或学生进入专业数据分析机构学习、交流，利用其数据库资源、最新技术和产品开展数据模型建构与分析教学，将实训和实习工作并入犯罪实战分析；搭建职前职后相衔接的大培训体系，加强校园文化与企业文化之间的对接等，实现实训与就业一体化。

参考文献：

[1] 涂子沛. 大数据：正在到来的数据革命，以及它如何改变政府、商业与我们的生活[M]. 南宁: 广西师范大学出版社,2012:96.

[2] 综合管理类警力资源配置的实际比例达到 17.6% ，而理想比例应为 14.8% ；执法勤务类警力资源配置的实际比例为 70.7% ，理想比例为 69.8% ，由此可以看出，综合管理类和执法勤务类警力配置比例均已达到。参见：魏永忠 . 警力论 [M]. 北京 : 中国法制出版社 ,2015:75-76.

[3] 马方 , 张升魁 . 大数据背景下侦查协作困境及其突破 [J]. 山东警察学院学报 ,2019,31(04):66-75.

[4] 谢玲 .“数据警察”人才培养创新模式研究——以西南政法大学刑事侦查学院为例 [J]. 铁道警察学院学报 ,2020,30(05):124-128.

基金项目：吉林省教育科学“十四五”规划一般课题“智慧警务视域下公安实战创新型人才培养模式研究”（GH23663）阶段性研究成果。