刘宏达 肖一轩

（华中师范大学马克思主义学院，湖北武汉430079)

［摘要］随着现代信息技术的快速发展，思想政治教育大数据实证研究在研究方法和技术层面逐渐从“大数据”向“大模型”转变。通过全时空数据叠加分析、全样本数据适时分析、全过程数据相关分析和全模态数据计算分析，增强了理论框架的整体性、概率抽样的确定性、研究思维的创新性和全模态数据的融合性。充分利用系统集成技术、知识工程技术、智能决策技术和大模型技术，赋能思想政治教育大平台的管理、大图谱的构建、大计算的运行和大场景的应用，使思想政治教育大数据与思政课大模型、日常思想政治教育大模型、思想政治教育智能分身大模型、思想政治教育智能评价大模型等充分融合，不断拓展思想政治教育大数据实证研究的视域与场域。

［关键词］思想政治教育大数据大模型

[作者简介]刘宏达，华中师范大学马克思主义学院教授、博士生导师。

[基金项目]教育部哲学社会科学研究重大课题攻关项目“社会主义核心价值观更好融入大中小学课程教材研究”（项目批准号：19JZD047)。

2025年初，中国企业自主研发的人工智能大型语言模型DeepSeek问世，引发全球轰动，DeepSeek以开源大模型的姿态改变了世界人工智能领域的竞争格局。从2013年大数据时代帷幕的拉开，到如今人工智能大模型取得关键性突破，大数据已经成为我国重要的基础性战略资源，其相关技术也为各行各业的创新发展提供了未来路向。中共中央、国务院印发的《教育强国建设规划纲要（2024-2035年)》提出了“打造人工智能教育大模型”、“建立基于大数据和人工智能支持的教育评价和科学决策制度”的要求，为基于大数据的思想政治教育实证研究及其大模型构建提供了明确的战略指引。

一、思想政治教育大数据实证研究的兴起

作为思想政治教育的指导思想和理论基础，马克思主义具有鲜明的实证研究特色，其思想方法是“基于从已知的观察中推出一个未观察到的未来”。[1]思想政治教育根植于马克思主义中国化时代化大众化的伟大实践之中，“通过对事实之间关联性的观察发现规律”[2]成为其实证研究的理论起点。迄今为止，传统的思想政治教育实证研究主要有三种基本形式：一是个案研究，或者说典型案例研究，即以特定的个案为研究对象，开展解剖麻雀式的深入研究，从特殊现象中探寻思想政治教育一般规律。二是调查研究，包括问卷调查、访谈调查和现场调查等，遵循的是从抽样到总体的逻辑推论，其实质是更大数量或更大范围的个案研究。三是实验研究，即将已有的理论运用于具体实践，并以实践结果来验证理论的科学性。实验研究是自然科学领域普遍应用的一种方法，它在思想政治教育研究中的应用，既可以使思想政治教育研究的各种理论得到进一步验证，也使思想政治教育实证研究更具理论指导的前置性。

上世纪90年代中期，随着我国接入国际互联网，利用网络空间资源开展个案研究、调查研究、实验研究等，成为思想政治教育实证研究的重要方法。特别是2013年进入大数据时代以来，思想政治教育实证研究与大数据的关系日益紧密，呈现出线下数据与线上数据、随机抽样与实时抽样、传统实验与虚拟实验等相结合的特点，由此生成思想政治教育大数据实证研究这一新形式，即以网络中不断生成的各类大数据为分析对象，通过对各类数据之间关系的相关性分析，形成对思想政治教育特征规律和发展趋势等的数字化判断。与传统的思想政治教育实证研究方法相比，大数据实证研究借助现代信息技术，既推动思想政治教育实证研究朝着更具广度与深度的数字空间深化与拓展，也不断增强思想政治教育实证研究的可能性和精准度。

思想政治教育大数据实证研究与人工智能技术的发展密不可分，其中数据、算法和算力分别是其核心要素、关键技术和重要支撑。习近平总书记指出：“谁能把握大数据、人工智能等新经济发展机遇，谁就把准了时代脉搏。”[3]近年来，随着国家大数据战略的深入实施，以大数据为资源型核心要素的科技创新体系逐步壮大，我国数字基础设施日益完善。2022年初，“东数西算”工程正式启动，八大国家算力枢纽节点、十大数据中心集群串联起全国算力网络。[4]这些为思想政治教育深度解决大数据从何而来、如何分析、用于何处等问题提供了坚实基础。目前，全球人工智能的研究主要集中在大模型的开发和应用上，高质量的数据能够为大模型的训练提供充足的信息和知识，[5]而大模型因诸如自然语言处理、文本自动生成、智能问答交互、情感分析模拟等处理复杂任务的能力不断提高，被日益广泛地应用于医疗、农业、金融、教育、制造等社会生产和治理各领域。可以说，大数据、大模型驱动创新发展已经成为社会共识。在可以预见的未来，人工智能大模型必将在思想政治教育大数据实证研究中发挥越来越重要的作用。

二、思想政治教育大数据实证研究的功能优势

从技术创新驱动的角度来说，思想政治教育大数据实证研究的功能优势来源于大数据优势，这些优势包括数量大、速度快、类别多、价值高和真实性等。借助大数据的这些优势，思想政治教育实证研究对数据获取与利用的数量放大、速度加快、类型增多、价值升高和更接近真实性，既弥补了传统实证研究形式的不足，又形成了具有创新性特征的大数据实证研究形式。

1.全时空数据叠加分析：从个案到整体性思想政治教育个案研究面临的主要问题是如何增强理论研究的整体性。传统的个案研究主要依赖经验判断，容易出现以偏概全等问题。如在理论架构上，往往受到研究者理论思维和认知能力的限制，难以形成全面、充分、连贯的解释体系；在采集数据上，访谈者的主观意识和记录习惯等可能影响数据的客观准确性；在研究结论上，由于不同的个案存在细节上的异质性，可能导致同一理论得出不同研究结果的情形。在大数据助力下，思想政治教育通过对全时空数据的叠加分析，既增强个案发现与选择的典型性，又增强从个案研究到理论提升的整体性。一方面，通过对各类历时性和共时性数据的叠加分析，从中选择最具变化性特征和显著性作用的个案，并对其影响要素及作用方式、发展过程等进行数据分析，从而使个案选择与研究更具有典型意义。另一方面，通过对特定个案所处场域的全时空数据进行比较分析，既增强对具有相同或相似特征的其他个案的发现与关联能力，又增强将特定个案研究结论运用于对不同个案进行差异性比较的分析能力，从而使个案研究弥补数量偏少的不足，不断增强理论研究的整体性。

2.全样本数据适时分析：从概率到确定性思想政治教育调查研究面临的主要问题是如何增强概率抽样的确定性。在传统实证研究中，概率抽样首先存在抽样的合理性问题，包括抽样比例的大小、抽样方式的恰当与否等。其中，大抽样比例更能覆盖总体的多样性，使研究结果更加可靠，而小抽样比例存在一定的误差风险；简单随机抽样和分层抽样更能保证样本的代表性，但在操作时存在成本较高、设计复杂等问题。其次是抽样的真实性问题，既包括被抽样时的“失真”现象，样本在关键特征上与总体存在显著差异，使样本的代表性不足；也包括抽样之后环境或条件等发生变化带来的“前后不一”问题，导致抽样时的数据不再适用总体的特征。在研究实践中，研究者往往还受经费和资源的限制，不得不选择简单抽样以控制成本，这也降低了研究结果的确定性和科学性。运用大数据方法，既可以通过全样本数据获取来代替抽样样本数量的不足和增强抽样样本的客观真实性，也可以通过数据的适时获取来掌控数据变化的即时性，从而在克服概率抽样不足问题的基础上不断增强从样本到总体推论的确定性。

3.全过程数据相关分析：从因果到相关性思想政治教育实验研究面临的主要问题是如何增强理论研究的创新性。实验研究往往以理论假设为前提，并按照理论假设的情形去组织实施，很大程度上体现各种要素之间因果关系的已知性，即研究者往往倾向于验证或修正已有的理论，相关性假设相对不足。一方面，思想政治教育本身存在许多难以量化的元素，如制度、文化、精神等抽象概念，具有主观性和复杂性，量化时难免被曲解内涵或者无法统一标准。另一方面，思想政治教育实验研究的情境设置较为复杂，因为主客体生理、心理以及环境等因素导致因果关系中断，使变量不可控，由此得出的与假设不符的异常结果往往不被研究者所认可，并且理论框架下的公式化操作往往也影响了研究者的创新能力。利用大数据对实验研究进行功能提升与过程优化，既可以通过对理论假设所涉及的各种要素进行全过程数据分析，增强对影响要素及其因果关系的分析能力；也可以通过对理论假设没有涉及的其他要素进行全过程数据分析，增强对相关要素及其相关关系的分析能力，从而以相关性思维克服实验研究固有的因果性思维，不断推动实验研究的理论创新。

4.全模态数据计算分析：从异构到融合性大数据具有不同的模态，除数字形式外，还包括文本、图像、音视频以及传感器数据、生物特征数据等信息。传统的思想政治教育实证研究，难以做到对具有异构性的多模态数据进行一体化识别与精准化分析。如在分析方法上，主要采用问卷调查、访谈、文献查阅等，难以应对大规模、复杂多模态的数据，无法及时应对研究对象的实时变化；在研究工具上，常用的数据处理分析软件与文本分析软件在开展定量定性数据分析时无法处理多模态异构数据，对最新的数据挖掘和数据处理技术的开发与应用存在不足；在研究范式上，缺乏引入计算科学、数据科学等学科的研究理念，导致无法深入挖掘与分析复杂多模态数据中隐藏的信息。在大数据、人工智能等技术助力下，通过异构计算和智能分析大模型建构，思想政治教育可以不断提升基于图像描述、视频解析、多模态对话、跨模态推理等的大数据计算分析能力；通过建构全模态大模型及其融合应用场景，使思想政治教育繁杂的数据关系变得简单化、复杂的数据分析变得智能化。

三、思想政治教育大数据实证研究的技术趋势

大模型是人工智能技术助力大数据分析的产物，具有捕捉数据细节和分析其复杂特征的优势。从技术趋势看，“大模型+大数据”的技术演进，一方面使思想政治教育全模态数据库的构建成为可能，不断提高思想政治教育实证研究的大数据获取与利用能力；另一方面使大数据能高效赋能思想政治教育，提高思想政治教育实证研究的数智化水平。

1.大平台：系统集成技术思想政治教育大数据实证研究对各类数据的获取与利用，需要通过构建统一管理的大数据平台予以实现。而系统集成的方法注重发挥系统的整体性功能，[6]能够将众多独立的思想政治教育平台数据整合到一个系统之内，打破“数据孤岛”。系统集成技术可以用于解决思想政治教育各类平台及其他平台之间的数据互通、服务协同和一体化管理等技术难题，使其在统一的框架下运行，通过数据整合、技术融合实现功能优化，提高系统的稳定性和研究的高效性。系统集成技术在思想政治教育大数据实证研究中的应用主要包括：一是采用微服务架构和容器化技术，构建灵活可扩展的技术框架。要在思想政治教育大数据平台的基础设施层进行容器化部署，管理所有服务；在数据层建立数据库和数据湖存储大规模多模态数据，并清洗和标准化数据，使用自然语言处理技术等实现文本分析、情感分析等；在应用层通过应用软件实现用户交互和数据可视化。二是通过统一的数据中台和业务中台，实现跨平台的数据共享和服务调用。数据中台负责数据的采集、存储、处理和分析，为应用端提供统一的数据服务；业务中台将思想政治教育中如学生的学业分析、行为评价、课程管理等作为独立的服务项，以确保快速响应各平台的业务需求。三是建立统一的安全保障体系，确保平台运行的安全可靠。“确保大数据安全”是国家安全的重要组成部分，思想政治教育大数据平台要从安全架构设计上全方位保障应用安全、管理安全、网络安全等，通过数据加密、数据备份等技术维护思想政治教育数据安全，开展平台用户和管理人员的安全意识培训，提升数据安全防范能力。四是注重技术方案的实用性和可维护性，为平台的持续运行提供技术保障。要注重选用成熟稳定的技术，模块化设计应符合思想政治教育主客体的现实需要，配备实时监控系统，定期维护和升级以修复安全漏洞和提高性能。

2.大图谱：知识工程技术思想政治教育大数据实证研究建立在思想政治教育专业知识构架基础之上，需要基于知识工程技术对思想政治教育相关知识进行获取、表示、推理和管理，提供“数据知识化、知识体系化、认知可推理”[7]的思想政治教育大数据知识工程解决方案，构建涵盖思想政治教育理论体系、教学案例和实践经验的专业知识图谱，推动思想政治教育知识体系的标准化表达、知识单元的智能化构建、知识关系的自动化发现等。知识工程技术在思想政治教育大数据实证研究中的应用主要包括：一是通过自然语言处理和知识抽取技术，从海量文本资源中自动识别和提取知识实体与关系。比如，使用机器学习或深度学习模型对思想政治教育文本进行情感分析，从文本中识别思想政治教育相关的实体，以及从文本中提取逻辑规则用于知识推理，这对思想政治教育智能工具的开发至关重要。二是引入专家审核机制，确保知识的准确性和规范性。专家团队的构成应当由思想政治教育领域专家、知识工程技术领域专家、思政课教学名师以及思想政治教育管理者构成，确保知识符合事实常理和逻辑关系，并且内容和形式容易被思想政治教育主客体所接受。三是通过知识推理和图谱补全技术，丰富知识网络的语义关联。比如，在分析大量不同案例的基础上，归纳推理出思想政治教育的一般规律；通过训练推理模型发现数据背后隐含的信息，补充到知识数据库中，不断推动思想政治教育知识创新。该技术能够增强思想政治教育知识和知识图谱的完整性，为智能问答、个性化推荐、精准化推送等提供更加丰富的知识支持。四是建立动态更新机制，持续扩充和优化知识体系，为智慧思政提供知识支撑。这包括建设多级审核的管理机制，通过技术团队对更新的知识进行初步审核，专家团队深度审核关键知识和复杂内容；确立分阶段更新的常态机制，按照固定周期更新知识体系；维护用户参与的长效机制，通过设置积分奖励等鼓励用户贡献知识和反馈意见，建立站内知识社区，促进用户对知识的协作共享。

3.大计算：智能决策支持技术思想和行为是思想政治教育的起点范畴，思想政治教育实证研究主要围绕人的思想和行为的关联展开实证分析。思想政治教育大数据实证研究的核心在于对人的思想和行为数据进行深度计算，运用智能决策支持技术，将决策这样的人类思维活动转变为决策计算和思维的结合，[8]构建具有思想政治教育特色的数据分析和决策模型，以实现对思想政治教育场景下多源异构数据的计算分析。智能决策支持技术在思想政治教育大数据实证研究中的应用主要包括：一是利用多模态数据处理和知识图谱构建等技术，构建思想政治教育智能决策的技术框架和应用体系。其中，技术框架的数据层由结构化数据和非结构化数据构成，如个体发布在社交媒体上的文字、图片、短视频等；分析层需要使用自然语言处理技术、计算机视觉技术、语音识别技术等对多模态数据进行文本分析、图像分析和音视频分析；推理层需要基于预定义的规则和算法进行知识推理；决策层可通过可视化结果的呈现进行效果评估和政策制定，实时监测个体的思想与行为动态，优化思想政治教育策略。二是利用智能教学助手、个性化学习系统和教学评估工具等，实现思想政治教育过程的智能化升级。对于思政课教师而言，智能教学助手能够提供全方位的教学辅助，比如基于教学大纲和学生数据一键式生成个性化教案，通过语音识别自动回答学生的问题，还能辅助教师批改作业，提出针对性建议；对于学生而言，个性化学习系统可以分析每个学生的知识掌握情况，及时反馈学生的学习成效，并推荐个性化的学习内容，提高学生自主学习的效率和积极性；对于教育管理者而言，教学评估工具可以分析教师教学效果和学生学习效果，提供教学管理策略，预测政策实施效果。三是通过提升深度学习、强化学习等算法算力，推动思想政治教育智能分析决策能力的系统性提升，实现技术、应用和创新的良性循环。可以采用Transformer等高效的模型架构提升算法的性能和效率，通过多智能体协作提高对复杂问题的决策能力，在硬件和云平台的选择上要满足算力要求，支持大规模数据的训练和计算。根据思想政治教育应用场景的需求，不断推动智能决策技术的更新迭代。

4.大场景：大模型技术思想政治教育大数据实证研究的落脚点在于场景应用，大模型技术的突破促进了思想政治教育场景从网络化向智能化的高阶跃迁。[9]思想政治教育大数据实证研究需要结合特定场景构建具有思想政治教育特色的预训练模型和应用模型，这种定制化的模型能够更好地理解和处理思想政治教育大数据实证研究中的复杂问题，从而提高数据分析的准确性和应用场景的针对性，促进思想政治教育大数据实证分析自动化、智能化。大模型技术在思想政治教育大数据实证研究中的应用主要包括：一是开发思想政治教育领域专用的预训练数据集和训练方法，确保模型具备准确的理论认知和价值判断能力。预训练数据集的质量直接影响思想政治教育大模型的表现，在数据收集上要尽可能做到全面和准确，在数据清洗和预处理上要去除重复数据和低质量数据，反复进行模型训练和调优验证。针对思想政治教育的特点，在通用模型的基础上，使用思想政治教育大数据进行训练和微调，结合多任务学习提升模型的泛化能力。二是设计具有思想政治教育特色的模型架构和训练策略，提升模型在思想政治教育场景中的应用效果。在模型架构设计上，要重视价值导向架构，通过对文本数据进行价值导向标注，比如对“爱国”标注“符合社会主义核心价值观”，对“贪腐”标注“不符合社会主义核心价值观”，引导大模型生成符合主流价值导向的输出；在训练策略的设计上，要融入知识图谱以增强模型的理论认知能力，结合文本、图像、音视频数据等进行复杂训练，增强模型的多模态理解能力和综合分析能力，通过强化学习技术优化模型的推理效率和性能。三是构建思想政治教育模型评估和治理体系，保障模型输出的正确导向性。对思想政治教育大模型进行技术性能评估，包括其泛化能力、在特定任务上的准确率、计算效率等；对思想政治教育大模型进行价值导向评估，包括模型输出是否存在性别歧视、种族偏见、不当言论、违背常识等不符合伦理规范的情况，评估体系应当全面地考虑到大模型投入应用场景时可能出现的问题。在模型治理上，要通过制度建设明确目标原则和责任分工，建立合法审查机制，确保模型输出符合法律法规，通过反馈机制收集用户意见并及时改正。通过大模型技术应用，可以打造既能准确理解和表达理论，又能灵活应对实践需求的思想政治教育专业大模型及其应用场景。

四、基于大数据实证研究的思想政治教育大模型构建

思想政治教育大数据实证研究不仅仅是一个利用好大数据的问题，而且需要与思想政治教育大数据应用的具体实践紧密结合，特别是与思想政治教育大模型的构建与应用相融合，使之成为具有实证研究功能的大模型。同时，思想政治教育大数据实证研究要实现全时空数据的叠加分析、全样本数据的适时分析、全过程数据的相关分析、全样态数据的计算分析，需要建构思想政治教育大模型。

1.思政课大模型思政课大模型基于思政课课程标准和教学大纲，研发知识图谱构建技术，实现不同学段思想政治理论知识的系统化梳理和结构化表达，以及开发基于大模型的教学资源智能生成平台，支持多模态教学资源的自动创作，包括文本资源智能生成，如教案、课件、习题等；图像资源智能创作，如示意图、信息图等；音视频资源智能制作，如微课、动画等；虚拟仿真资源开发，如情境模拟、交互场景；等等。从已有实践和未来趋势看，思政课大模型主要侧重于解决以下四类问题：一是混合式教学模式创新，融合线上线下资源应用。思政课大模型通过整合优质的网络资源，以及思政课教材、文献资料等，构建丰富的知识数据库，帮助学生实现线上线下学习同步进行。二是情境化学习模式探索，增强教学过程的体验性。通过大模型技术构建虚拟教学情境，为学生提供沉浸式的思想政治教育体验，比如在党史学习教育中结合VR、AR技术还原长征的真实画面，学生可以身临其境地感受中国共产党艰难曲折的革命历程。三是个性化学习路径设计，实现精准化资源推送。思政课大模型能够根据学生的课程学习、课堂表现等数据对学生进行精准画像，根据学生的学习成绩构成分析其学习能力以及对各知识点的掌握情况，从而定制个性化的学习路径，为学生提供针对性的提升方案和学习建议。四是协同式教学模式研究，促进师生深度互动。随着大模型技术赋能思政课教学实践成为一种必然趋势，教师不再是唯一的知识传授者，而转向学生的“心灵建构者”、“同伴互助者”，[10]教师将有更多的时间和精力给予学生关心关爱和人生指导，促进师生之间的良性互动。

2.日常思想政治教育大模型日常思想政治教育大模型基于多维度数据采集框架，整合课堂学习、课外活动、社会实践等场景数据，实现对学生日常行为的精准化分析。一是通过建立学生行为特征数据库，开发行为模式识别算法，实现对学生学习轨迹、兴趣爱好、思维特点、行为习惯等特征的智能化识别与大数据画像分析。二是通过构建知识图谱和深度学习模型，根据学生的学习成绩、卷面错题类型等识别学生知识掌握的薄弱环节，将学生的日常行为数据以知识图谱的方式呈现出来，便于教师、家长等对学生的认知水平、能力发展等进行动态评估，预测并及时干预学生的行为。三是在应用层面重点开发基于学生画像的智能化教育服务系统，包括面向思想政治教育管理者的评估系统、面向教师的教学管理系统以及面向学生的智能学习系统等。四是构建个性化学习空间，为学生提供适应性学习内容和个性化成长指导。学生可以在个人学习空间中定制学习内容、选择学习平台，接受个性化学习资源的推送和量身定制的学习支持服务；开发学情分析工具，通过分析学生的在线学习时长、作业完成情况以及平台互动情况，反映学生的学习习惯和学习态度，助力教师精准把握学生发展状况。五是建立家校互动平台，实时共享学生的学业表现和思想状况等数据，发布学校的活动安排、会议通知等信息，畅通教师和家长的线上沟通机制，促进多方协同育人。

3.思想政治教育智能分身大模型智能分身大模型是实现人工智能与思想政治教育深度融合的关键技术创新，旨在通过人工智能技术，构建虚拟的AI思政课教师、AI辅导员、AI学生等教育教学行为模型，为学生提供个性化、智能化的教育教学服务。其中，在AI思政课教师建设上，通过采集教师课堂教学的录音录像、板书和课件的内容，以及基于教师课堂教学、答疑辅导、作业批改等过程数据，构建教师教学行为知识图谱；通过深度学习算法，实现对教师教学风格、教学策略、互动方式等特征的智能化提取与建模；通过建立思政课教师专业知识库，将教师的学科知识、教学经验等进行结构化表达，形成可计算的知识模型；通过对思政课教师个性化教学特点的深入分析，实现教学语言、表达方式、互动特征等的精准模拟，使智能分身具备与真实教师相近的教学风格和特点；通过构建情感计算模型，赋予智能分身自然的情感表达和互动能力，使AI思政课教师在与学生互动时具有亲和力和感染力。在AI辅导员建设上，以辅导员开展日常思想政治教育的海量材料作为大数据基础，比如谈心谈话的文本记录、思想政治工作政策文件、学生管理规范文件等，构建具有常规性问题智能回答、个性化指导方案自动生成等功能的教育教学行为模型，从而将辅导员从日常重复性的工作中解脱出来。在AI学生建设上，基于数字孪生技术打造典型学生智能体，使之不仅具有与学生相似的语言模式，还有逼真的眼球动作和丰富的面部表情，既能成为思政课教师和辅导员的智能助手，也可以预演、预判思想政治教育的效果与走向，从而提升思想政治教育的风险化解能力。

4.思想政治教育智能评价大模型思想政治教育评价是思想政治教育高质量发展的重要环节，要“利用人工智能、大数据等现代信息技术”[11]构建思想政治教育智能评价大模型，实现对学生思想政治素养的智能化评估。一是构建多源异构数据采集体系，收集学生课堂表现、课外活动、网络行为等数据，包括学生的课堂出勤率、互动表现、随堂检测情况等数据，学生参与社团活动、文体比赛、志愿服务活动等的频率、成绩、时长等数据，以及学生在网络空间中的互动行为数据。二是开发多维度评价指标体系，涵盖政治认同、思想品德、行为规范等维度。在政治认同评价维度，将政治认知、政治情感和政治行为作为评价指标，比如学生对理论的理解程度、对国家的归属感、参与政治活动的频率等；在思想品德评价维度，将道德认知、道德责任、道德行为等作为评价指标，比如对民法典常见条文的熟悉程度、对自身言行举止的态度、失范行为表现等；在行为规范评价维度，可以从学生遵纪守法、自我管理、集体意识等方面设置评价指标。三是研发智能化评价算法，自动分析学生的思想和行为数据并生成评价结果，精准评估学生的思想道德水平和综合素质能力。智能评价系统根据学生家庭背景、社会关系等个体差异，为学生提供相应的改进方案，实现对学生思想政治素养的动态评估和扶助。四是建立个性化反馈机制，生成学业、行为、心理、思想道德素质、综合能力等反馈内容，为思想政治教育目标、过程与效果等的改进提供决策支持。

参考文献：

[1]YorkR,ClarkB.Marxism,Positivism,andScientificSociology:SocialGravityandHistoricity[J].TheSociologicalQuarterly,2006(3).

[2]张庆熊.当代西方社会科学方法论的十种范式及其关系探讨[J].复旦学报（社会科学版），2024(4).

[3]习近平主席引领金砖合作新征程[N].人民日报，2022-06-24.

[4]柴洁，李宏伟.聚焦“数算一体”“东数西算”效应初显[N].中国经济导报，2024-09-03.

[5]马荣瑞，祁骥.数实融合拥抱澎湃算力[N].光明日报，2024-06-21.

[6]李蕉.系统集成：思想政治理论课课程体系的建设路向[J].思想理论教育导刊，2024(10).

[7]郑庆华，师斌，董博.面向智慧税务的大数据知识工程技术及应用[J].中国工程科学，2023(2).

[8]魏瑾，李伟华，潘炜.基于知识图谱的智能决策支持技术及应用研究[J].计算机技术与发展，2020(1).

[9]赵建超，温晓青.论大模型时代的思想政治教育场景创新[J].思想理论教育，2024(12).

[10]何文涛，张梦丽，逯行等.人工智能视域下人机协同教学模式构建[J].现代远距离教育，2023(2).

[11]中共中央国务院印发《深化新时代教育评价改革总体方案》[N].人民日报，2020-10-14.