基于数字画像分析的大学生思想政治教育精准化研究

1 大学生数字画像的构建与分析

1.1 大学生教育数据的获取与预处理

依托高校各业务部门数字系统终端，可以实现对学生教育数据的采集。根据大学生思政研究的实际需要，分离出可用于构建大学生数字画像的有关数据[1]，这些数据的具体类别、内容、来源、类型等信息如表1 记录所示。

学生教育数据的质量决定了基于数据构建的学生数字画像模型精准度。然而，从系统终端采集到的数据量大，同时可能存在缺失、异常、重复、非结构化等方面的问题[2]，因而需要对采集的数据进行预处理操作。预处理的方法包[3]括缺失值的填补与删除、异常值的统计检验、数据的标准化、结构化、特征筛选等。经过预处理后的数据按照学生画像需求进行分类、封装并保存在数据库中，以数据接口形式提供给数字画像模型直接读取。

表 1 学生画像数据资源表

1.2 大学生数字画像模型构建

大学生数字画像模型由三个模块构建而成，分别为底层数据库模块、中间层画像算法模块、顶层画像可视化模块。首先，数据库模块作为模型的输入模块，负责完成学生教育数据的收集、分类和预处理，为画像模型提供数据输入接口的工作。其次，画像算法模块负责思政需求分析、标签分级设计以及基于数据算法的标签值计算工作。最后，数字画像可视化模块负责学生数字画像界面的构建，将画像算法模块输出的数据进行可视化呈现。思政工作者通过可视化模块可以方便快捷了解学生状况，为实施更加精准的思想政治教育提供了依据[4]。大学生数字画像模型框架图如图 1 所示。

图 1 大学生数字画像模型框架图

2.1 基于单一画像的精准思政研究

单一画像可以为思政工作者提供学生某一维度的状况，思政工作者不仅可以根据这些状况做好日常思政教育，还可以有针对性的对某一些群体或个体做到分类思政教育、危机预警与教育干预。

2.2.1 基于单一画像的大学生分类思政教育策略

通过研究画像数据可以发现，同一维度下不同数字画像之间既可能存在相似性，也可能存在较大差异性。如果能把相似性比较高的画像归为一类，对所属一类的学生采取相近的思政策略，那么便可以有效解决政工作者和学生数量基数不对等困难。因此，本研究提出了一种基于大学生单一画像的分类思政教育策略。分类思政教育，顾名思义，即将思政对象根据某一维度画像进行分类，然后对每一类采用不同的策略进行思政教育。聚类算法[5]作为一种无监督的机器学习方法，可以根据数据间的相似性进行分类，能有效的评估不同画像间的相似程度。

2.2.2 基于单一画像的大学生危机事件预警与教育干预策略

学生危机事件具有突发性、易扩散性、难控性等特点，为了有效预防危机事件的发生，本文提出了一种基于单一画像的学生危机预警与教育干预策略。一方面，根据学生的历史画像数据，利用预测算法实现对学生未来画像进行预测。思政工作者根据预测结果考量是否需要采取干预措施。另外一方面，还可以根据学生画像之间偏离的程度进行识别。因为出现危机风险的学生画像数据往往会显著偏离群体画像数据。思政工作者可以通过离群分析算法[6]对学生画像数据进行离群检测，找出偏离群体画像数据的学生，分析离群原因，然后结合原因采取干预措施，使学生画像数据回归到群体画像数据中。

2.2 基于综合画像的大学生精准思政研究

通过单一画像模型，可以帮助思政工作者做好对应维度上的学生精准思政教育。但由于不同维度间的画像并非相互独立，它们之间往往相互关联和影响，仅仅通过单一画像难以厘清学生行为间的关联关系，导致无法给出更加精准的思政教育策略。

然而，如何挖掘不同画像之间的关联性是研究的难点所在。关联分析法是一种通过分析不同数据间的关联程度形成关联度列表，常用于评估数据集间的相关程度的方法[7]。本研究将关联分析法运用到大学生数字画像间的关联分析中，得到关联度列表，根据关联度列表获取学生各画像间的关联程度。思政工作者则要重点关注关联程度高的画像，通过分析它们之间的关联关系，进而为思政工作者提供更加全面、综合的学生状况参考。

3 数字画像技术在精准思政应用中的思考与建议

3.1 加强画像数据隐私保护与安全存储

学生数字画像模型的精准构建依赖于学生教育数据的完整性与准确性，但学生教育数据规模的庞大且与日俱增，这给数据库的安全存储带来了巨大挑战。与此同时，学生画像数据包含学生敏感信息，属于学生个人隐私，思政工作者将学生画像数据应用到精准思政研究中时要做好数据隐私保护，防止发生数据泄露、窃取、篡改等问题。除此之外，数据存储在数据库模块中时，也要防范网络安全问题，比如漏洞注入攻击、病毒植入等，高校可以通过部署防火墙、入侵检测系统和网络安全软件等技术措施，保护数据库免受外部攻击，也要做好数据定期备份，加强网络安全意识培训等工作。

3.2 融合数字画像模型与人工经验

学生画像数据来源广泛、分布不均、类型多样，虽然经过数据预处理，但仍然难以对每个学生数字画像模型都做到精准构建。与此同时，学生数字画像模型是一种完全基于数据机理规律研究的模型，无法做到百分百准确的反映学生的状况。因此，思政工作者将学生数字画像模型应用到学生精准思政教育中时，不能完全只依靠模型，也要充分结合思政工作者的个人经验知识进行决策与教育。学生数字画像模型可以为思政工作者提供理性的建议参考，思政工作者也要有独立的判断能力，只有两者相互结合，才能做到更加精准的思政教育。

3.3 完善数字画像可视化平台建设

由于专业的差异性，思政工作者不一定能完全清晰的理解学生数字画像模型构建的原理与过程。为了能够让思政工作者能更充分的利用好学生数字画像功能，做好学生的精准思政工作，需要完善学生数字画像可视化平台建设。学生数字画像可视化平台不仅要实现对学生画像数据的管理，还要能够将学生画像数据通过图、表、交互等形式展现出来。除此之外，可视化平台还应该融入智能算法，如聚类、离群分析、推荐算法等，为思政工作者提供更全面的画像分析结果参考。

参考文献

[1]夏欣， 秦宣. 高校思想政治教育数字化转型的目标指向与现实路径[J]. 中国高校社会科学， 2024， （06）： 66-72+156.

[2]董烨. 基于学生画像的高校精准思政研究[J]. 江苏高教， 2023， （09）： 110-113.

[3]李海林， 周文浩， 吴炳毅， 等. 基于云模型理论的数据预处理及校准分析方法研究[J/OL].系统工程理论与实践， 2024， 1-19.

[4]刘丹， 陈怡. 大学生画像：思想政治教育精准化的新路径[J]. 学校党建与思想教育， 2022， （02）： 12-14.

[5]Xu R， Wunsch D I. Survey of clustering algorithms[J]. IEEE Trans Neural Network，2005， 16（3）： 645-678.

[6]周玉， 夏浩， 岳学震， 等. 基于改进 K-means 的局部离群点检测方法[J]. 工程科学与技术， 2024， 56（04）： 66-77.

[7]王蕊， 李彦如， 陈婷， 等. 我国省域数字政府建设构成要素的关联分析[J/OL].情报科学， 2024， 1-17.

基金资助：广东医科大学百项青年研究项目（项目编号：GDMUD2024026）