基于人工智能的專業課程思政協同育人研究

摘要：本文以深度學習技術為基礎，以課程思政優化為核心，提出了一套“深度學習課程思政決策模型”。該模型旨在打造課程思政智能教育核心服務能力，構建智能課程思政教育“實踐應用共同體”，探索智能課程思政教育融合應用模式，構筑基于平臺的智能課程思政教育生態系統，并建立課程思政教育中的智能倫理與安全體系。

關鍵字：課程思政；教學改革；深度學習

一、基于人工智能的專業課程思政育人研究必要性

課程思政這一理念是2016年相關高校教育改革相關會議中首次提出的新概念和新要求。深入加強課程思想政治教育是高校教育教學工作在實現立德樹人這一根本任務中的重要戰略，具有重要的研究價值。引入人工智能深度學習技術可以有效地鞏固和加強高校專業學科“課程思政”，建設思政認知的整體性、實施方案的有效性、建設合力協同性和評價體系的系統性。

利用深度學習和大數據分析技術，可以準確把握課程思政的本質內涵，正確認識該概念建設的基本核心含義。利用生成與診斷技術，可以更好地整合課程思政教育與課程教學，實現融合教育作用，并發揮各門課程的協同教育作用。開發針對課程思政教育的人工智能深度學習技術，可以滿足課程思政多元化訴求。

本文依托“基于深度學習技術的高職院校課程思政實踐路徑優化”課題背景展開研究，擬以基于深度學習技術的課程思政優化為核心，設計一套方法，開發一套“深度學習課程思政決策模型”。該模型著力打造課程思政智能教育核心服務能力，構建智能課程思政教育“實踐應用共同體”，探索智能課程思政教育融合應用模式，構筑基于平臺的智能課程思政教育生態系統，建立課程思政教育中的智能倫理與安全體系。這套模型要力爭具有理論上的正確性，方法上的先進性，實踐上的可操作性。期望本項目提供的方法、模型可以在決策中直接移植使用，利用該模型可為各課程思政主體決策時提供參考。

二、研究現狀

深度學習是人工智能領域的新興子課題，其強大性能在一些應用領域嶄露頭角，然而，在早期研究中，學界對于深度學習應用于教育的重視還不夠。人工智能（AI）是計算機科學的分支學科，于1956年由John McCarthy首次提出。人工智能是一種構建機器或軟件的方式，它可以像人類一樣智能思考和自我執行。機器學習（ML）則是人工智能的一個子集，它為系統提供了學習、行動以及從經驗中改進的能力。深度學習屬于機器學習學科中一個新的研究方向，是一種以人工神經網絡為架構，對數據進行表征學習的算法。深度學習這一概念于2006年由Hinton提出[1]。深度學習的起源可追溯到20世紀40年代，曾經在80到90年代流行。但在當時與其他模型相比，神經網絡并未在識別準確率上體現出明顯的優勢，直到2012年深度學習在計算機視覺領域產生具有影響力的突破，才使其逐漸進入產學界主流視野，成為近十年來人工智能領域最熱門的研究方向之一。深度學習目前的研究聚焦于在語音識別、自然語言處理、計算機視覺、多媒體等應用領域，而專注于教育領域的深度學習研究文獻較少[2]。

近幾年，有更多的文獻在討論人工智能賦能教育問題。人工智能技術在教育行業中的應用，是人工智能與學習科學結合而形成的一個新領域，這個領域主旨是充分開發人工智能技術的深度分析功能，解析教與學的內在關聯與相互制衡因素，進而為施教者與受育者的協同發展提高創造正向的教育趨勢，具有智能化、自動化、個性化等特征[3]。國際上也有很多組織和科研機構非常關注人工智能教育項目的進展，例如在美國“國家人工智能研究和發展戰略計劃”、英國“機器人和人工智能報告”、美國“斯坦福報告”中都出現了有關的論述。國內同樣也有著較高的關注度，在2019年的《政府工作報告》中指出：拓展“智能+”。“2019年教育信息化和網絡安全工作要點”中教育部也明確提出要編制《中國智能教育發展方案》[4]。

隨著深度學習技術的逐步成熟，人工智能教育領域的應用研究也取得了一些實踐成果。其中，深度學習技術包含數據特征抽取和表征學習，多模態知識融合，知識的對抗生成，知識推理與計算等[5]。這些能力成為教育領域在教學場景、學習場景、教研場景、管理場景、考試場景、評價場景等應用中的重要支撐。比如，通過在線學習行為與學業表現中的關聯，將人工智能深度應用于學習管理中，通過對教育各環節中數據挖掘和學情分析，將課程的評價和創新量化，以針對教學過程的教育仿真等，都是可以實現的。此外，通過人工智能技術對師生人格品質進行深度預測，也具有很大的發展潛力。

近年來，一些學者開始關注利用深度學習技術優化課程思政教育體系建設，但這一領域仍處于空白狀態。深度學習技術從操作路徑上總結具有一些共性：首先是得益于體量龐大的數據，相較于精度，更追求宏觀層面對數據的洞察；其次是研究的起點是“基于數據”而非“基于假設”，強調讓數據“開口說話”；最后，對于數據收集和模型訓練的要求的及時性，以保證研究的有效性。梳理研究領域及現狀可以發現，在課程思政構建中，思政意識、體制機制、教育是關系課程思政建設質量的核心要素。相關成果集中于課程思政的科學內涵、價值意蘊、多元關系、建設路徑、學科實踐、評價體系等方面。因此，如何利用深度學習技術強化課程思政的內部化，推動課程思政體系建設的系統性以及創新課程思政研究成果的實踐應用，是亟待學者解決的議題。

三、基于人工智能的專業課程思政育人研究

（一）研究目標與途徑

本文旨在探索利用深度學習技術優化課程思政教育體系建設，并以此為核心設計一套“深度學習課程思政決策模型”的方法。該模型著力打造課程思政智能教育核心服務能力，構建智能課程思政教育“實踐應用共同體”，探索智能課程思政教育融合應用模式，構筑基于平臺的智能課程思政教育生態系統，建立課程思政教育中的智能倫理與安全體系。這套模型要力爭具有理論上的正確性，方法上的先進性，實踐上的可操作性。期望本項目提供的方法、模型可以在決策中直接移植使用，利用該模型可用于各課程思政主體決策時參考。本項目著力在以下方面進行研究：①課程思政認知與實踐路徑傳導和聯動機制研究。②課程思政要素和主體關系指標的挖掘與編制。③課程思政實踐目標定位研究。④思政體系與深度學習協同模型組設計。⑤深度學習課程思政決策總模型設計與模擬運用。通過上述研究，探索有效問題構成要點，歸納AI課程思政問題情境設計的主體方式，指明問題設計過程中應規避的問題，為構建課程思政體系提供AI解決策略。

（二）研究內容

1.課程思政認知與實踐路徑傳導和聯動機制研究

課程思政認知理論已經成熟，但課程思政認知與實踐路徑傳導機制的研究還有很大的空間。課程思政認知與實踐路徑傳導機制是本項目的主要研究內容。在理論上，需要確定課程思政認知與實踐路徑傳導的原因、效應以及內部和外部兩個“雙向”影響機制。一是對內影響：研究是什么因素在制約思政內容傳播。二是對外影響：研究課程思政實踐目標有哪些。課程思政實施必須同時考慮雙向影響才能均衡。在理論模型中，對內影響作為解釋變量，對外影響作為被解釋變量。對內影響解釋思政內容傳播變化的原因，對外影響解釋課程思政實踐路徑的效應，即目標的實現。需要找到各種雙向影響的因素，并明確其影響機制。影響機制的分析將為后續研究提供理論與實證基礎。

2.課程思政要素和主體關系指標的挖掘與編制

在推進課程思政建設的過程中，關注點始終應保持在思想政治教育內容和專業知識之間的深度融合，避免兩者相互孤立。首先，教育管理者、教育研究者、教師和學習者各主體都要達成對課程思政建設的高度認可，形成共識，積極主動地投入思政建設中；其次，各參與者要加深對課程思政內容理解，避免生拉硬拽。因此，提高思政元素和教學內容之間的高耦合度，必然要在深挖主體關系的同時，鉆研思政元素中所蘊含的內涵與精髓。

本項目從實際情況出發，對這兩者借助深度學習技術科學加以實現。課程思政教育要素挖掘是對大數據進行建模，從而提取有價值的信息。數據來源可以從教育管理中的檔案數據庫，教學活動過程中所產生的數據，學生成長過程中的行為記錄，教育科研活動中的數據，以及政府文件、新聞報紙中的文本內容等。課程思政內容在數據挖掘方面，挖掘方法也由深度學習神經網絡利用可視化、聚類、預測、文本挖掘等進行統計分析。從而全面系統了解教育管理者、教育研究者、教師和學習者各主體的關系和內部訴求，基于挖掘結果構建各類指數圖譜，找到問題癥結，提供有價值的行動策略。如教師對課程思政的認知、教育教學的能力、科學評價的方法、教學反思的意識與能力，這些方面構成了教師開展課程思政的完整圖譜；學生在知識、能力、情緒和價值觀等指標圖譜；教學目標設定、教學方法選擇、教學過程實施、教學效果評價和教學后的反思都應體現課程思政的過程指標圖譜；以及各類頂層設計、教師隊伍建設、教學體系、教材建設、質量保障、成果產出等等指標。

3.課程思政實踐目標定位研究

深度學習技術面向的對象有學生、教師、研究人員以及其他教學相關工作崗位人員，幫助其找到實踐方向。基于深度學習的教育大數據挖掘在通過分類、預測、回歸、關聯規則挖掘等方法，為學生制定合理的學習方案并協助其進行學習；也為教師提供有關學生狀態情況變化監測，有利于教師及時對教法、內容調整，因材施教給出針對性指導；為研究人員就教育發展規律作出科學預判，使研究貼合教育本質，為引領教育的正確發展得出有效的科研成果；為教學相關工作崗位人員，尤其是管理決策層提供連貫的真實全面數據，方便他們進行全局性分析，規避片面性措施，最終在師生教學環節中獲得更好的政策支持。讓學生、教師、教育研究者和管理層（及其他服務層）實現一種反應式的改變，同時促進不同群體之間相互影響，這些都是在教育大數據挖掘過程中表現出來的基本面問題。在宏觀角度來看，教育大數據挖掘更能夠解決教育行業面臨的資源不協調、發展不均衡的問題。基于深度學習技術的教育大數據挖掘會在基本面和宏觀角度以研究解決教育問題的本質為導向，推動教育事業走向智能化。

從技術上來說課程文本分析可以將學習者的學習感受、感興趣的話題以及對課程的滿意度反映給平臺管理者和教師，從而幫助他們進行改進，提高教學質量。潛在學習者還可以根據文本了解自己所關心的課程承載的信息，以此作為選擇課程內容的依據。目前，已經有大量的言語分析模型，然而針對“課程思政”內容的文本向量化模型研究卻寥寥無幾。本文從詞向量的角度構建“課程思政”結構庫，使用Word2vec詞向量工具輔助訓練，以期得到可以有效識別“課程思政”內容的詞向量轉化工具。

4.思政體系與深度學習協同模型組設計

根據對內和對外影響的劃分包含三組模型，一組是數據挖掘模型，一組是評分預測模型，另外一組是對抗生成模型。數據挖掘模型是將影響課程思政的各種因素作為數據分析對象，挖掘因素深層關聯。其中包含內部因素變量，外部因素變量，相對聯動因素三組變量，評分預測函數是將各類決策行為和聯動指數作為變量，實施目標變量作為被解釋變量，對抗生成模型是將各類場景和相對主體關系的各個決策目標作為變量的模型，用于生成各種情況所需模型。如學生需求感知系統、智能導師系統、知識推薦系統、學情分析系統、學生情緒診斷、學生成績與就業預測等等。

5.深度學習課程思政決策總模型設計與模擬運用

總模型是將多邊聯動指數、各模型組合為一體，采用優化方法求解最優化課程思政實施路徑的模型。旨在從技術研發層面，將課程思政教育與人工智能產業對接，提升新時代教育服務品質；更有利于拓寬課程思政教育應用空間，構建和諧“人機結合”新生態拓展教育創新；同時通過建立“政企學研”多方合作機制，推進交叉協同融合發展，促進合作新機制；另外從實踐模式上來說，通過建立課程思政深度學習教育示范點，不但可以以點帶面，還能夠逐步推廣探索新教育模式。該模型是以多任務模型為主模型，以多個表示學習模塊、特征提取模塊、時間序列模塊、評估模塊、推理模塊和生成模塊為子模型，利用目標函數和多目標約束和優化方法組合而成的模型。這個模型可以設定多個課程思政目標，可以對各模型中的變量或目標加以約束，也可以對獨立的風險種類加以約束，還可以對需要的任務加以約束。通過這個模型，可以得到各種約束和目標條件下的最優化決策。

四、實現模型設計

本項目采用基于Word2Vec的“課程思政”文本向量化技術作為關鍵技術。

圖1 " 設計圖

圖2 " 整體研究框架圖

首先從網絡空間中爬取了海量“課程思政”相關文本，并進行整合歸并，得到數據集文件。其次做數據預處理，根據相關規定過濾分層信息。最后，使用Word2vec構建神經網絡。①構建雙層神經網絡，使用共現矩陣提取語料庫中的詞向量表示。②構建文檔表示，計算詞匯表中特定單詞出現在屬于特定類別的文檔中的次數。③計算歐氏距離或余弦相似度，找到單詞和向量之間的關系。④通過向量操作可以使用已知關系推導單詞之間的未知關系和隱含表示。

課題的整體研究框架如圖2所示。

五、結束語

本課題在研究過程中，還有一些基于聚類技術的子項目模型研究，可作為子課題展開。通過實踐總結和研究結果，可以不斷優化人工智能AI課程思政教學設計，以確保本研究在前人或他人課程思政研究的基礎上有所創新，實現繼承性和創新性的統一，并將研究成果應用于AI課程思政教學實踐中。

作者單位：趙杰 晉中職業技術學院

參 "考 "文 "獻

[1] Deng，L.; Yu， D. Deep Learning： Methods and Applications （PDF）. Foundations and Trends in Signal Processing.2014， 7：3–4 [2015-10-23].

[2]斯坦福AI研究報告：https：//ai100.stanford.edu/sites/g/files/sbiybj18871/files/media/file/AI100Report_MT_10.pdf

[3]王晶瑩，楊伊，宋倩茹，等.計算教育學：是什么，做什么及怎么做[J].現代遠程教育研究，2020，32（4）：10.

[4]劉邦奇，王亞飛.智能教育：體系框架，核心技術平臺構建與實施策略[J].中國電化教育，2019（10）：9.

[5]陳穎博，張文蘭.國外教育人工智能的研究熱點、趨勢和啟示[J].開放教育研究， 2019，025（004）：43-58.