基于自適應(yīng)級聯(lián)檢索的高校智慧課程思政資源挖掘分析

摘要：為優(yōu)化高校智慧課程思政資源的挖掘效果，該文提出了一種基于自適應(yīng)級聯(lián)檢索的高校智慧課程思政資源挖掘分析方法。該方法采用自適應(yīng)均衡分割法對高校智慧課程思政資源存儲庫中的資源信息進行語義特征提取，并對其進行標(biāo)準(zhǔn)化處理。利用自適應(yīng)級聯(lián)檢索算法對課程思政資源的自相關(guān)特征進行提取，并結(jié)合適應(yīng)度函數(shù)進行深入挖掘分析。通過精確匹配和層級過濾機制，顯著提升了挖掘分析的精度與效率，而適應(yīng)度函數(shù)則進一步優(yōu)化了資源篩選的準(zhǔn)確度。實驗結(jié)果表明，所設(shè)計的方法在挖掘分析中的平均倒數(shù)排名不低于0.9，RI值在0.8以上，實現(xiàn)了對高校智慧課程思政資源的精準(zhǔn)挖掘分析。

關(guān)鍵詞：人工智能；課程思政資源；自適應(yīng)級聯(lián)檢索算法；適應(yīng)度函數(shù)

中圖分類號：TP393" " " 文獻標(biāo)識碼：A

文章編號：1009-3044（2025）19-0069-03

開放科學(xué)（資源服務(wù)） 標(biāo)識碼（OSID）

0 引言

智慧課堂借助信息技術(shù)手段，實現(xiàn)了教學(xué)過程的數(shù)字化管理和智能化操作，極大地豐富了學(xué)習(xí)資源和交互方式，拓寬了教學(xué)維度。然而，在這一背景下，高校思政教育也面臨著轉(zhuǎn)變與全面提升的挑戰(zhàn)。在智慧課堂技術(shù)的運用中，如何增強思政教育教學(xué)效果、引導(dǎo)學(xué)生樹立正確的人生觀和價值觀，成為亟待解決的核心問題。智慧課程教學(xué)資源的挖掘分析作為智慧教育在高校教學(xué)中的具體應(yīng)用，通過深度挖掘、整合和優(yōu)化海量教學(xué)資源，滿足學(xué)生個性化學(xué)習(xí)需求，進而提升教學(xué)效果和學(xué)習(xí)質(zhì)量。目前，相關(guān)學(xué)者與專家對數(shù)據(jù)挖掘分析展開了一系列研究，提出了一些方法和思路。文獻[1]利用云技術(shù)快速檢索、分析整合海量教學(xué)資源，并智能匹配用戶需求[1]。文獻[2]構(gòu)建模型遞歸劃分特征空間，以節(jié)點表決策規(guī)則與結(jié)果，實現(xiàn)數(shù)據(jù)挖掘預(yù)測[2]。為提高思政資源挖掘分析的準(zhǔn)確性和效率，本文提出了一種基于自適應(yīng)級聯(lián)檢索的高校智慧課程思政資源挖掘分析方法。

1 課程思政資源信息語義特征分割

智慧課程中思政資源多樣復(fù)雜，增加了管理與利用的難度。因此，為了更有效地挖掘高校智慧課程思政資源，引入了課程思政資源信息語義特征分割的方法。通過對存儲庫中的課程思政資源進行細(xì)致劃分，促進了高效管理，并為教學(xué)科研提供了科學(xué)精確的數(shù)據(jù)支持，助力高校思政教育質(zhì)量的提升。

自適應(yīng)均衡分割法是一種基于數(shù)據(jù)特征的動態(tài)分割方法。該方法根據(jù)數(shù)據(jù)的內(nèi)在特性和分布規(guī)律，自動調(diào)整分割策略，以實現(xiàn)數(shù)據(jù)的均衡分布和高效管理。其具體步驟如下：

步驟1：數(shù)據(jù)預(yù)處理。首先，對存儲庫中的課程思政資源進行預(yù)處理，包括去除噪聲、標(biāo)準(zhǔn)化處理和特征提取等。此步驟的目的是確保數(shù)據(jù)的質(zhì)量和一致性，為后續(xù)的分割操作提供可靠的基礎(chǔ)。

步驟2：特征識別。在預(yù)處理后的數(shù)據(jù)中，識別出課程思政資源的類型特征。這些特征包括關(guān)鍵詞、主題及資源形式（如視頻、文檔、圖片等） 。通過特征識別，將資源劃分為不同的類別或子集。

步驟3：自適應(yīng)分割。根據(jù)識別出的特征，采用自適應(yīng)均衡分割法將數(shù)據(jù)分割成多個數(shù)據(jù)集。此步驟的關(guān)鍵在于如何確定分割的粒度和策略。自適應(yīng)均衡分割法會根據(jù)數(shù)據(jù)的分布情況和特征相似性，動態(tài)調(diào)整分割策略，以確保每個數(shù)據(jù)集都包含相似類型的資源，同時保持?jǐn)?shù)據(jù)集之間的均衡。

鑒于此，定義一個專門的存儲庫，命名為[d]。在存儲庫[d]中，依據(jù)課程思政資源文本中的關(guān)鍵詞以及資源的具體類型進行細(xì)致劃分。為了實現(xiàn)這一劃分，采用自適應(yīng)均衡分割法，識別出課程思政資源類型特征。將存儲庫[d]分割成[n]個數(shù)據(jù)集[E=E1∪E2∪…∪En]。式中，[E]表示存儲庫中的課程思政資源全集；[En]表示第[n]個數(shù)據(jù)集；[n]表示數(shù)據(jù)集的個數(shù)。

該數(shù)據(jù)集滿足存儲庫[d]中課程思政資源語義特征并查集條件，該公式表示每個數(shù)據(jù)集[En]都是全集[E]的一個子集，并且所有數(shù)據(jù)集的并集等于全集。然而，課程思政資源的使用環(huán)境和范圍多種多樣。因此，針對每一種特定使用環(huán)境，構(gòu)建出符合其特定需求的網(wǎng)絡(luò)模型，確保課程思政資源的狀態(tài)分布滿足條件[Ei?Ej=Ωij]。式中，[Ei]、[Ej]分別表示課程思政資源數(shù)據(jù)集中第[i]個和[j]個數(shù)據(jù)；[Ωij]表示狀態(tài)分布集合。任意兩個子集[Ei]和[Ej]的交集為空集[3]。該條件利用貝葉斯定理來計算在特定使用環(huán)境下數(shù)據(jù)集的條件概率，同時確保不同數(shù)據(jù)集之間不重疊，從而滿足特定使用環(huán)境的需求。在此基礎(chǔ)上，運用人工智能技術(shù)對高校智慧課程思政資源特征進行挖掘與分析。

首先根據(jù)語義特征選取一個初始的空節(jié)點作為根節(jié)點root。然后，在與之對應(yīng)的父節(jié)點處，構(gòu)建出分支結(jié)構(gòu)模型[4]。接下來，在資源庫[d]內(nèi)部，利用規(guī)則數(shù)據(jù)集對根節(jié)點和各個分支節(jié)點進行匹配計算，以確定它們的關(guān)聯(lián)性和重要性，利用以下公式得到資源庫[d]中課程思政資源信息語義特征分割結(jié)果：

[Fx=-n=1danlnan，x∈En]" " （1）

式中，[Fx]表示課程思政資源信息語義特征分割函數(shù)，函數(shù)輸出向量為語義特征分割結(jié)果；[x]表示分割的課程思政資源庫中數(shù)據(jù)集數(shù)據(jù)；[an]表示課程思政資源信息語義特征分割的后驗概率分布值，該值為一個有窮值[5]。后驗概率分布值的計算方法：首先，根據(jù)資源文本中的關(guān)鍵詞和類型特征構(gòu)建特征向量。然后，利用機器學(xué)習(xí)或支持向量機模型對特征向量進行分類。最后，根據(jù)分類結(jié)果計算每個類別（即語義特征） 的后驗概率分布值。將存儲庫[d]中數(shù)據(jù)集的所有子集輸入上述公式中，實現(xiàn)對資源信息語義特征分割。這種方法能夠準(zhǔn)確地識別出課程思政資源的語義特征，為后續(xù)的教學(xué)和科研提供有力支持。

2 分割語義特征標(biāo)準(zhǔn)化

為了確保挖掘分析的準(zhǔn)確性和有效性，以課程思政資源信息語義特征分割結(jié)果為基準(zhǔn)，對分割后的課程思政資源信息語義數(shù)據(jù)進行標(biāo)準(zhǔn)化處理。具體來說，標(biāo)準(zhǔn)化處理的方法采用以下公式：

[Fx'=Fx-FxTFx]" " （2）

式中，[Fx']表示標(biāo)準(zhǔn)化后的課程思政資源信息語義特征向量；[Fx]表示分割的課程思政資源信息語義特征均值；[TFx]表示課程思政資源信息的語義特征標(biāo)準(zhǔn)差[6]。

通過對分割的課程思政資源信息語義特征標(biāo)準(zhǔn)化處理，可以為后續(xù)課程思政資源挖掘分析奠定基礎(chǔ)。

3 基于人工智能的資源挖掘分析

3.1 自相關(guān)特征提取

為了確保資源挖掘分析的深度和準(zhǔn)確性，運用自適應(yīng)級聯(lián)檢索算法，深入探索課程思政資源內(nèi)部的關(guān)聯(lián)性、重要性及流動模式，從而為后續(xù)分析與利用提供更為詳盡和科學(xué)的支撐。具體步驟如下：

步驟1：定義特征子集。首先，定義資源庫中的特定思政資源語義特征子集，這些特征子集是后續(xù)檢索和分析的基礎(chǔ)。

步驟2：構(gòu)建有向指示圖。考慮到資源庫中存在的多個約束矢量，構(gòu)建有向指示圖以直觀展示資源庫中單詞的分布特點。在有向圖中，節(jié)點代表特定單詞或詞組，連接關(guān)系反映資源之間的關(guān)聯(lián)或流向。

步驟3：計算權(quán)重向量。通過機器學(xué)習(xí)算法，計算有向圖中各節(jié)點的權(quán)重向量，這些權(quán)重反映了節(jié)點在資源檢索中的重要性。

步驟4：擬合資源流模型。利用有向圖和權(quán)重向量，構(gòu)建課程思政資源流的擬合模型。該模型能夠預(yù)測和評估資源的需求和流動情況，為資源的合理分配提供依據(jù)。

基于上述步驟的描述，將[b]定義為資源庫中特定的思政資源語義特征子集，同時考慮到資源庫中存在著[g]個不同的約束矢量，這些約束矢量對于資源的篩選和檢索起著至關(guān)重要的作用。為了更直觀地展示資源庫中的單詞分布特點，建立有向指示圖[gA]，并用[gB]專門表示課程思政資源存儲庫[d]的語義特征分布特性[7]。在有向圖[gA]中，每一對節(jié)點都代表著某個特定單詞或詞組，它們之間的連接關(guān)系反映課程思政資源之間的某種關(guān)聯(lián)或流向，則課程思政資源流的擬合模型[8]可用公式表示為：

[V=?1m=1MFx'm-Um+?2m=1MFx'm-Nm]" （3）

式中，[V]表示課程思政資源流的擬合模型；[M]表示有向指示圖[gA、gB]中節(jié)點數(shù)量；[?1]、[?2]均表示權(quán)重向量；[Um]表示有向指示圖[gA]中節(jié)點[m]的歷史訪問量；[Nm]表示有向指示圖[gB]中節(jié)點[m]的預(yù)期訪問量。該公式通過計算歷史訪問量與預(yù)期訪問量的差值，并加權(quán)求和，得到資源流的擬合值。

進一步引入人工智能思想確定課程思政資源最佳分配調(diào)度負(fù)載均衡值的平均數(shù)，確保資源的合理分配和高效利用，公式如下：

[K=s=1SV×Lu]" nbsp; （4）

式中，[K]表示課程思政資源最佳分配調(diào)度的負(fù)載均衡值平均值；[S]表示課程思政資源庫訪問次數(shù)的統(tǒng)計量；[V]表示課程思政資源庫訪問次數(shù)；[L]表示課程思政資源訪問的請求數(shù)量；[u]表示課程思政資源實際瀏覽量總和。該公式通過計算每次訪問的訪問次數(shù)與請求數(shù)量的乘積，并除以實際瀏覽量總和，得到負(fù)載均衡值的平均值。

根據(jù)式（4） 確定資源優(yōu)先級列表，即可得到課程思政資源的自相關(guān)特征：

[y=i=1KγiKr]" " （5）

式中，[y]表示課程思政資源信息的自相關(guān)特征；[K]表示自相關(guān)特征函數(shù)分量值的數(shù)量；[γi]表示課程思政資源的第[i]個自相關(guān)特征函數(shù)分量值；[K]表示課程思政資源的支持度；[r]表示資源在資源庫[d]中分布的高階累計系數(shù)值。

3.2 資源挖掘分析

在課程思政資源的挖掘分析中，采用自適應(yīng)級聯(lián)列表來動態(tài)調(diào)整和優(yōu)化資源配置。這一過程的核心在于利用資源的自相關(guān)特征進行迭代計算，以逼近最優(yōu)配置。根據(jù)課程思政資源自相關(guān)特征對課程思政資源自適應(yīng)級聯(lián)列表進行迭代計算，其用公式表示為：

[yit=yit-1+yyit-1-yit+1yit-1-yit+1]" " （6）

式中，[yit]表示課程思政資源自適應(yīng)級聯(lián)列表中資源流第[i]次迭代、時間步[t]的計算值，反映了資源在特定迭代步驟中的流動狀態(tài)和配置情況。

當(dāng)考慮課程思政資源庫中存儲節(jié)點的聚類情況時，定義聚類簇之間的中心距離。對于不同的挖掘分析鏈路，設(shè)計一個適應(yīng)度函數(shù)，用于評估不同資源配置方案的優(yōu)劣，從而指導(dǎo)搜索算法找到最優(yōu)解。此時資源挖掘分析結(jié)果為：

[ρd=12πμexpclustdistX，Y22yit]" " （7）

式中，[ρd]表示課程思政資源挖掘分析結(jié)果，反映了資源配置方案的優(yōu)劣程度；[μ]表示課程思政資源挖掘分析過程中產(chǎn)生的統(tǒng)計頻次參量，反映了資源被訪問或使用的頻率；[clustdistX，Y]表示聚類簇[X]與[Y]的中心距離，反映了不同聚類簇之間的空間分布關(guān)系。

4 實驗論證

4.1 實驗數(shù)據(jù)集和環(huán)境

實驗數(shù)據(jù)來源于某高校課程思政資源管理系統(tǒng)，該系統(tǒng)記錄了多年來積累的各類課程思政資源，包括但不限于教學(xué)大綱、教學(xué)課件、視頻資料、學(xué)生作業(yè)及評價等。

如圖1所示，該高校課程思政資源類別為五類，分別代表了不同主題或領(lǐng)域的課程思政資源；子集數(shù)量為2 000，每個子集均包含一個完整的課程思政資源數(shù)據(jù)樣本。利用本文設(shè)計的方法對該高校智慧課程思政資源進行挖掘分析，具體實驗環(huán)境為：配備有Intel Core i8處理器、32 GB內(nèi)存和Windows 10操作系統(tǒng)的計算機，能夠高效運行挖掘分析程序。同時，該機器還搭載了NVIDIA GeForce RTX 3090顯卡，以清晰顯示挖掘分析結(jié)果，而128 GB固態(tài)硬盤則用于存儲實驗數(shù)據(jù)，確保整個分析過程的流暢與數(shù)據(jù)的妥善保管。

4.2 結(jié)果分析

為了使此次研究具有一定的參考性與學(xué)術(shù)價值，在實驗中設(shè)置了兩組對照組，分別為文獻[1]提出的基于云計算的挖掘方法和文獻[2]提出的基于決策樹的挖掘方法，以下分別用對照組1和對照組2表述。

為了客觀、準(zhǔn)確地評價這三種方法的應(yīng)用精度，實驗選擇了平均倒數(shù)排名和RI作為評價指標(biāo)。當(dāng)平均倒數(shù)排名的數(shù)值越接近1時，表示挖掘分析結(jié)果的第一個正確位置越靠前，從而體現(xiàn)了更高的挖掘準(zhǔn)確度。RI值的范圍為0-1，數(shù)值越大，則表示挖掘分析結(jié)果與實際相似度越高，挖掘分析精度越高。圖2和圖3給出了三種方法在本次實驗中的平均倒數(shù)排名和RI值。

從圖2可以看出，在高校智慧課程思政資源挖掘場景中，設(shè)計方法的平均倒數(shù)排名值穩(wěn)定在0.9以上，明顯高于對照組1和對照組2。這表明在設(shè)計方法下挖掘出的課程思政資源與預(yù)設(shè)的真實資源在排名上的接近程度更高，從而驗證了該方法在挖掘課程思政資源時的優(yōu)越性。

從圖3可以看出，設(shè)計方法的RI值非常接近1，遠(yuǎn)高于對照組1和對照組2。這進一步證明了設(shè)計方法在挖掘課程思政資源時具有極高的準(zhǔn)確性，其挖掘結(jié)果與真實資源之間具有極高的相似度。這主要由于設(shè)計方法更側(cè)重挖掘課程思政資源的內(nèi)在特性和相互關(guān)聯(lián)，從而提升了識別相似資源的準(zhǔn)確性。同時，該方法在處理龐大數(shù)據(jù)集時展現(xiàn)出更高的效率與穩(wěn)定性，拓寬了其在實際應(yīng)用中的適用范圍。

5 結(jié)束語

本研究基于人工智能技術(shù)對高校智慧課程思政資源進行了深入的挖掘與分析，探索了智能化手段在提升思政教育質(zhì)量中的應(yīng)用潛力。通過構(gòu)建智能挖掘模型，成功地從海量課程數(shù)據(jù)中提取了有價值的思政教育資源，實現(xiàn)了資源的有效整合與個性化推薦。

參考文獻：

[1] 孫瑞.基于云計算的英語教學(xué)資源快速挖掘系統(tǒng)設(shè)計[J].信息技術(shù)，2023，47（9）：47-51.

[2] 韓永印，王俠，王志曉.基于決策樹的社交網(wǎng)絡(luò)隱式用戶行為數(shù)據(jù)挖掘方法[J].沈陽工業(yè)大學(xué)學(xué)報，2024，46（3）：312-317.

[3] 唐增金，徐貞順，蘇夢瑤，等.頻繁時序模式挖掘方法綜述[J].計算機工程與應(yīng)用，2024，60（17）：48-61.

[4] 梁樹杰.基于FP-growth算法的高維混合屬性數(shù)據(jù)挖掘方法[J].計算技術(shù)與自動化，2024，43（2）：88-92.

[5] 文聰，郝杰，于麗君.基于Apriori算法的國企人力資源數(shù)據(jù)挖掘方法探析[J].數(shù)字技術(shù)與應(yīng)用，2024，42（6）：208-210.

[6] 雷中鋒，徐秀，張艷菲，等.基于改進CURE聚類的運營商用戶云數(shù)據(jù)挖掘方法[J].電腦編程技巧與維護，2024（4）：62-64.

[7] 李慧翔，劉博.探究基于改進決策樹的電力營銷數(shù)據(jù)挖掘方法[J].電氣技術(shù)與經(jīng)濟，2024（3）：209-211.

[8] 周一帆.基于關(guān)聯(lián)規(guī)則改進的網(wǎng)絡(luò)異常數(shù)據(jù)挖掘方法[J].湖南郵電職業(yè)技術(shù)學(xué)院學(xué)報，2024，23（1）：41-44.

【通聯(lián)編輯：張薇】