基于深度學習技術的高校思想政治理論課評價機制創新

鄭 欣

南京郵電大學，江蘇 南京 210046

2017年，教育部發布了《高校思想政治工作質量提升工程實施綱要》，《綱要》提出：“健全高校思想政治教育工作質量評價機制，研究制定高校思想政治工作評價指標體系。”[1]這標志著國家把高校思想政治教育工作質量評價機制優化創新提到了新的高度。高校思想政治教育工作質量評估的主要范圍有三個方面：供給側評估、需求側評估和管理層評估。[2]（P65～68）總的來說，“供給側”和“需求側”是經濟學概念，在思想政治教育工作質量評價體系中，供給側評估和需求側評估分別指稱對教育者教育內容的評估和對受教育者學習效果的評估。在新的歷史條件下，教育者和受教育者都發生了深刻變化，傳統的思想政治教育工作質量評價體系的不適應性日益明顯。只有確立新的理念、借用新的技術，才能實現思想政治教育工作質量評價體系的優化創新。鑒于此，本文主要基于人工智能核心技術之一的深度學習技術，為高校思想政治理論課的評價體系提供優化思路。

一、傳統思想政治理論課評價機制之現實困境

思想政治理論課的實效性問題，一直是高校思想教育工作者所關心的重要問題，因為課程實效性的大小關系到思想政治理論課質量的好壞。想要將思想政治理論課的實效性最大化，需要處理好思想政治理論課教學工作中的矛盾。

首先，思想政治理論課的教育者所要傳授的內容，與受教育者的思想狀況是思想政治理論課教學工作中的一對矛盾。思想政治理論教育者所教授的內容是馬克思主義原理以及馬克思主義中國化理論成果，是被實踐證明的科學的理論；而受教育者是高校學生，其成長于價值觀多元化的社會，本身就帶有一種多元的知識背景，其思想觀念還未穩定，極易產生變動。要調節這樣一對矛盾，思想政治理論課設計者不僅要保證教育者傳授的內容的科學性與先進性，還要保持對受教育者的思想政治理論課的學習效果的持續評測，以確保在一定時間段內，課程教育內容與受教育者的思想水準保持同步前進。這樣的“同步”就需要先進的評價機制加以輔助。

其次，受教育者思想政治理論課的課程考試成績與受教育者在現實生活中的實際行為，是高校思想政治理論課教學工作中的另一對矛盾。現如今的思想政治理論課的考核主要采取的是期終筆試考核。受教育者在這樣的考核中，通過記憶知識點之類的方式，還是可以取得高分的，但是這樣的高分并不是思想政治理論課程的主要目的。思想政治理論課的主要教育目的是通過馬克思主義理論的傳授，使受教育者在真正的社會實踐中做出正確的價值判斷。然而受教育者在思想政治理論課程的考試中取得優異成績，并不代表其在社會生活中也會踐行思想政治理論課所倡導的先進思想，“一個完成了思想政治理論課學習并在書面考核中取得優異成績的學生，并不必然會在實際行為中展現相應的政治素質和道德素質，也并不一定能夠將同等的優異成績轉化為長期社會活動中正向的積極行為”[3]（P63～67）。思想政治理論課程實效性的提升，關鍵在于確保受教育者實現了一定的思想轉變，并將這種思想轉變帶入日常生活之中。這就要求教育者在思想政治理論課的授課過程中，掌握受教育者的思想轉變情況，并利用評價機制來完成思想發展水平測定。然而，宇文利等學者已經發現，“高校思想政治教育的評價體系建設不夠完善，評價的方式方法相對滯后”。[4]（P27～31）現行的傳統高校思想政治教育的評價體系無法有效地解決上述矛盾。

二、傳統思想政治理論課評價機制面臨困境歸因

社會環境在變化，教育環境也隨之發生了重大變化，這就意味著教育內容、教學手段、教育的主體雙方等一系列教育相關的內容都隨之變化。思想政治理論課的教學內容是與時俱進的；思想政治理論課的教學手段是綜合多樣的；思想政治理論課的教育者和受教育者是同步成長的，因此傳統意義上的思想政治理論課評價機制，在新的思想政治理論課教育環境下必然會遭遇打擊。

（一）傳統思想政治理論課評價機制內容覆蓋范圍小于實際需要

眾所周知，思想政治理論課一直以來都被委以重任。思想政治理論課不僅要傳授現代公民的社會政治生活所需要的基本的道德準則、法律規范，還要使大學生形成現代社會的思考方式與生活方式。教育內容的復雜性直接導致了思想政治教育的評價范圍廣而深。評價機制不僅僅要評測出受教育者是否掌握了馬克思主義基本原理等理論知識，還要檢驗出受教育者是否將所學知識內化為思想，再外顯于行動。評測內容的廣泛性和多樣性，給傳統思想政治教育評測帶來了巨大的困難。

（二）傳統思想政治理論課評價機制評價方式技術革新緩于課程創新

教育是一項特殊的實踐活動，實踐者是人，實踐對象也是人。而思想政治理論課的教育目的直接指向人的思想，具有極大的挑戰性。科學有效的評價機制對思想政治理論課的教育工作有不可忽視的助推作用。然而，現在的思想政治教育評價機制還是依賴卷面考試；不可否認，一些學校在卷面考試的同時，也安排了社會實踐項目，提高了思想政治理論課的評價結果的科學性，增加了學生的社會實踐能力，但是課程創新沒有帶來評價機制的同步創新。

思想政治理論作為社會科學的分支學科，無法像自然科學的研究與評價那樣借助各種儀器和設備，也無法在失敗中推倒重來。在思想政治理論研究和傳授的過程中，基本上都是以學者本人為研究工具進行科研工作的。然而，在現代科技的發展下，一些可利用的科技手段似乎沒有在思想政治理論課程的評價機制中被利用起來。思想政治理論課的現行評價機制與現代的科技發展不協調。

（三）傳統思想政治理論課評價機制評價結果難以反映客觀情況

思想政治理論課的評價主體是教育者，評價客體是受教育者。隨著時代的發展，評價主客體和教育主客體的思想境界、行為方式、思考水平都發生了巨大的變化。評價主體承擔著教育者的主要任務，在教學方式創新方面投入大量精力，而在評價方式上的創新意識卻不夠明顯。然而，評價客體在自身的成長以及社會的發展過程中，汲取了大量新興文化，其性格特征更加多元、多樣、多變，傳統思想政治理論課評價機制已經不能客觀反映評價客體的真實狀況。

三、基于深度學習技術的思想政治理論課評價體系構建思路

深度學習是人工智能領域的一項新技術。這一概念由英國人工智能專家Hinton教授等人提出，主要指的是“借助人腦的多層抽象機制，通過神經網絡模擬人腦的學習過程，從而實現對現實世界大量數據的抽象表達”。[5]（P113～120）更重要的是，“實踐證明，深度學習能夠獲取具有潛在復雜結構規則的自然圖像、視頻、語音和音樂等數據內部潛在的本質特征或規則”。[5]（P113～120）由此看來，深度學習技術對于思想政治教育理論課具有技術支撐功能。在實踐中，我們可以根據思想政治課程評價需求以及深度學習技術的相應模型，探尋思想政治教育評價創新。本文主要選取了思想政治理論課程的形成性評價和結果性評價作為模型構建的兩種評價方式。

（一）形成性評價

形成性評價研究始于20世紀60年代末，由美國評價學家Scriven在其《評價方法論》一文中首次提出，后被美國教育家Bloom引入教育評價實踐中。“形成性評價又稱過程性評價，是在教學過程中即時、動態、多次對學生實施的評價，它注重及時反饋，用以強化和改進學生的學習”。[6]（P47～51）“如果能夠按照教育規律對教育過程中的教學、學習、管理經常進行監控和評價，發現問題并及時調整，就可以避免失敗，就可以把教育的發展和學生的成長保持在正確的方向與軌道上，這比是否取得了功利性的最終結果更為重要”。[7]（P78～85）形成性評價的主要目的在于以貫穿教育活動全程的評價方式，實現對學生學習情況的真實反饋。因此，在思想政治教育過程中定期開展形成性評價，有利于實時反映受教育者的學習情況。深度學習技術在形成性評價中的應用，主要就是利用某一程序的模型來完成對思想政治理論課受教育者的情感變化的追蹤，來確定受教育者是否掌握了一定的思想政治理論知識。

1.TensorFlow系統與情感分析。2015年10月，Google公司推出了開源人工智能系統——Tensor-Flow，為教育人工智能的研究與應用提供了一條有效的路徑。TensorFlow提供了豐富的構建和訓練機器學習模型的API（Application Programming Interface，簡稱API）庫，為教育人工智能的研究和開發提供了良好的基礎和支持。TensorFlow“可應用于教育大數據分析、學習推薦系統、教學游戲和教育機器人等方面，助力智能教學應用的設計與實現。”[8]（P93～99）其中，教育大數據分析應用主要在把教育數據解析之后，用于實際應用，如文本數據的情感分析、自動評分，語音數據的智能反饋，圖像數據的自動批注，行為數據的情境學習等。利用Tensor-Flow平臺建立思想政治理論課程的形成性評價系統，首先需要受教育者把在學習思想政治理論過程中的學習數據作為基礎，因此在形成性評價過程中，受教育者應該不斷地將學習數據反饋到指定的數據庫中。在收集數據的實際操作中，可將受教育者集中到機房中統一完成電子試題，由計算機監考和批閱，收集受教育者的學習數據作為原始評價數據。在此之后，TensorFlow在讀取學生的文本數據之后進行的情感分析，可用于檢測學生思想情感的變化。情感具有抽象、易變的性質，因而根據情感的特性，情感分析所使用的深度學習模型是針對抽象易變對象的卷積神經網絡（Convolutional Neural Networks，簡稱CNN）學習模型。CNN來源于上個世紀60年代，研究者對貓腦皮層神經元的研究，“是一種多階段全局可訓練的人工神經網絡模型，可以從經過少量預處理，甚至原始數據中學習到抽象的、本質的和高階的特征”[9]（P1212～1217）。情感分析對于思想政治課程評價具有重要意義。原因在于，“從認知科學的角度來看，情感既是智能的一部分，也是教學交互的重要要素。應用情感計算理論與技術，有助于教師監測學習者的情感變化，調整教學策略和方法，實時給予學習者情感反饋，使教學質量達到最佳”。[10]（P100～106）“TensorFlow的情感分析API可以實現更深的語義理解和多模態情感分析，實現人機交互中情感、情緒的識別與理解，使教學系統更加人性化”。[8]（P93～99）思想政治課程中的情感分析，對思想政治教育活動中的教育者和受教育者的情感調控起了關鍵性的作用，而這種關鍵作用恰恰是傳統評價方式所忽略的，也是教育者難以感知的。因此需要通過TensorFlow的情感分析，強化思想政治理論課程的形成性評價。

2.DKT模型與學習追蹤。在2015年的神經信息處理系統大會（Conference and Workshop on Neural Information Processing Systems，簡稱NIPS）上，斯坦福大學的克里斯·皮希（Chris Piech）團隊提出了DKT模型（Deep Knowledge Tracing，簡稱DKT），即“深度學習情況追蹤”。“所謂學習情況追蹤，是通過對學生掌握知識的進度了解，準確預測學生后續的學習狀況。”[5]（P113～120）在思想政治理論課中，受教育者的學習情況受多重因素的影響，不能僅從單方面考慮。因此，對于思想政治理論課的形成性評價需要能夠進行復雜運算的模型進行運算。“目前，包含圖像和語音等大量標簽數據的場合多采用CNN和RNN模型。CNN的特征提取過程與人類大腦對圖像的識別過程非常相似，……CNN也適用于與文本識別、手寫體識別相關的問題，如識別學生提交的作業或考卷等。RNN主要用于處理時間序列數據，如語音識別等。……隨著深度學習技術的廣泛應用，CNN和RNN越來越多結合在一起使用，如在自然語言處理中，情感分類可以采用CNN，基于上下文的語言建模則可以采用RNN”。[5]（P113～120）DKT模型采用RNN算法，通過輸入神經元直接從數據中了解學生掌握知識的情況。在高校思想政治課程中，學生對課程的掌握情況主要通過思想的改變來實現。例如，學習《中國近代史綱要》的內容，通過了解中國近代人民所遭受的苦難以及在共產黨人的領導下，中華民族走向偉大復興的歷程，所產生的民族恥辱感和民族自豪感的情感變化，將會在后續的學習過程中有所體現。而深度學習技術就是通過學生在后續學習過程中的表現，與先前系統中預測的結果進行比對，比對的結果就是思想政治教育形成性評價的結果。在傳統的思想政治課程的考評中，教師是主要的考評者。在考評過程中，即使有統一的考評指標，不同的考評者也會有不同的傾向。而應用深度學習技術的機器考官，則會在原有模型的基礎上，遵循相同的考評標準，在考核過程中保持標準的同一性，同時保證在結果輸出方面的統一性和科學性。另外，機器考官在測評的同時，也保存了大量的數據，為教育人工智能的發展積累了大量原始數據，為思想政治教育的科學發展提供了海量的數據基礎。

（二）結果性評價

結果性評價，即“一次性評價”，是在教育過程結束時，以一次的考試成績或考查結果來確定學生的學習完成情況。“是目前教師所采用的主要評價方式”。[11]（P153～154）當今的教育改革趨于以人為本，同時現行的評價機制多元，評價方式多樣，導致人們對于結果性評價方式提出了質疑，認為此種“一考定終身”的評價方式不夠科學。但是，不得不承認，結果性評價的考核形式，有利于教育數據的收集，有利于高校思想政治教育數據庫的建設。另外，將結果性評價與形成性評價的數據相結合，有助于教育者對受教育者的學習情況有更加客觀的了解，并能建立立體的個人學習模型，有利于“人工智能+教育”機制的發展。

深度學習技術在結果性評價中的應用主要是通過計算機對評閱人的批改習慣的學習與追蹤，實現對主觀題、客觀題的批閱。思想政治理論課的結果性評價測試卷有大部分題目是主觀題，即受教育者自行理解的題目，有開放性的答案，給機器閱卷帶來一定的難度。而以哈工大訊飛聯合實驗室為核心的團隊所研發的“訊飛超腦”，專門用于解決開放性問題的機器閱卷。這一項技術主要創新在于語言認識計算，“目前重點研究的前瞻課題包括類人答題、作文評閱、語音轉寫等。……未來，隨著人工智能技術的發展，……政史地問答題等試題的批閱中，機器都可以自動閱卷”[12]。在此項技術中，深度學習主要應用于書寫內容的識別方面和表達內容的特征的提取方面。“比如，要判斷字跡工整度，則需要用到深度學習在手寫識別中的應用，通過比較識別出的文本的正確率就可以判斷字跡是否工整”。[5]（P113～120）利用深度學習技術，計算機可以直接學習人工閱卷習慣，在固定的評分標準的基礎上，進一步細化評分傾向，如字跡工整程度、與評分要點的吻合程度等，從而提高機器閱卷的準確率。高校思想政治課程的主觀題類型題的考核就可以利用深度學習技術模型。首先由閱卷人進行閱卷示范，機器根據閱卷人的閱卷評分傾向，利用深度學習算法學習評分細則，學習完成后，就可以對剩下的試卷進行智能化打分，并且這種學習隨著試卷數量的累積，而變得更為主動和精確。機器閱卷為思想政治教育的結果性評價的考核節約了大量時間，為教育者節省了大量精力。另外，計算機在閱卷的同時會自動記錄學生的答題情況，統計后的分析報告有利于教育者了解受教育者的易錯點，為思想政治理論課程教育大數據積累海量的數據基礎，以擴展思想政治理論課程教育規律的探索視角。

四、結語

“高校思想政治理論課教學的考核評價體系應注重課程內容內化與外化的統一、知與行的統一”，[13]（P123～126）深度學習技術將這樣一種評價要求運用計算的方式體現出來，用科學的力量解決高校思想政治教育學科建設中的難題，這是值得去思考和探索的。思想政治理論課的評價機制創新，不僅需要技術人員的研發，還需要思想政治理論課教育者和受教育者的配合。但是不論是何種創新，其重點仍然是“以人為本”，技術的創新最重要的是對人的實踐有所幫助，利用深度學習技術創新高校思想政治理論課評價機制，有助于教育者充分了解受教育者與教育內容的動態吸收狀況，對于高校思想政治理論課有效性的提升將發揮重大作用。