马克思指出：“一门科学只有当它达到了能够成功地运用数学时，才算真正发展了”[1]（P8）。大数据技术增强了思想政治教育学科利用数学方法分析和解决问题的能力，特别是设备与算法的更新，使人的行为、生理、心理、情感等状态及特征变化等因素可被精准地捕捉、回溯、描述、计算、预测，这极大地提高了人们定性分析、定量分析、计算模拟分析等能力。推动思想政治教育以人为对象的大数据分析应用，需要明确其逻辑向度、掌握其技术基础和探索其实现形式。

　　大数据时代推动思想政治教育创新发展，需要充分掌握与运用大数据技术。对人的思想和行为进行大数据分析，既要做到有大数据可用，体现数据分析的实效性，又要加强思想政治教育学科对大数据分析的逻辑建构。

　　1. 从社会数据到人的数据。用户的操作与指令在终端上生成痕迹，即是数据。大数据具有多样性、高速性、价值性、真实性等特征。从海量数据到具有思想政治教育价值的数据，需要将大数据分析的关注点从整体性的社会数据转向具体化的人的数据。每个人的数据在互联网上与其他人的数据的信息交互，形成多重虚拟社会关系网。而人的数据作为社会数据中最小数据节点，既能以独特性反映出个体思想和行为的不同特征，又能借助社会数据的共建共享性体现出群体思想和行为的共性特征。社会数据的纷繁复杂实际上是现实社会的虚拟映照，究其根源仍是个体思想和行为复杂多样性的体现。在思想政治教育大数据分析的过程中，把视野从社会数据聚焦到人的数据，需要善于从复杂数据中提炼出社会发展的普遍性规律，从千丝万缕的数据关系中发现个体需求的差异性特征，将社会资源与个体特殊需求相匹配。把握从社会数据到人的数据转变的基本逻辑，就是遵循以人为中心的本质要求，推动大数据分析思维方法由表及里、由浅入深、由横向纵深入挖掘的转变。

　　2. 从已知数据到未知数据。已知数据是指有限容量的小样本数据，其具备有限性、因果性、精确性等基本特征；未知数据是指“大数据”，具有无穷性、关联性、模糊性等特征。而大数据的复杂性、多样性及其呈现方式的多变性等特征，正推动人们的分析逻辑思维从已知数据转向未知数据。这需要人们从已知样本转向未知样本，具体包括从精确性样本转向模糊性样本、从因果性样本转向相关性样本、从已知性样本转向未知性样本等。要对“未知”作出精准判断，就要从“有限”的小样本转向“无限”的大样本、从简单的数据统计转向相关数据关系推导、从已知事实探寻未知规律。大数据分析通过对各种不确定的变量进行测量，可为人们解决各种不确定性问题提供决策预测服务，而这也可增强思想政治教育对人的思想行为变化性的认知能力。一方面，在获取和分析人的思想行为数据的基础上，特别是对各种影响因素进行变量分析，可对群体的整体性特征和个体的个性化特征进行规律性发现，进而不断提高思想政治教育的主动性和针对性；另一方面，对人的思想行为的未知数据进行更大范围、更深度的挖掘与分析，特别是对一些客观观察和经验判断难以把握的要素进行关联分析，可对社会环境的影响因素和个体自身的影响因素等进行趋势预测，进而不断增强思想政治教育的发现力和研判力。

　　3. 从逻辑数据到计算数据。逻辑数据是相对物理数据而言的。物理数据是实际储存的全部数据，逻辑数据则是对物理数据进行逻辑分析而得到的理论数据。由于受理论思维和认知能力所限，人们对物理数据的逻辑分析难以穷尽，因而逻辑数据并不能完全替代物理数据。计算数据是在大数据算法计算能力不断增强的加持下，对物理数据进行算法计算所形成的数据，这既使逻辑数据在数量上得以丰富、在质量上得以提高，又使物理数据的关系呈现更具全面性、有序性和规则性。从逻辑数据向计算数据过渡意味着理论的复现，计算出的数据结果可验证、可重复；意味着数据由因果关系转向关联关系，计算能够发现潜藏于表象之下的关联关系；意味着理论知识的梳理将不再单一依赖经验的归纳总结，而是可通过求证与推导得出。推动逻辑数据向计算数据的深入探索是大数据分析的基本逻辑和重要特征。思想政治教育大数据分析以人的物理数据为总体样本，通过算法计算，能够深入发现人的思想和行为的变量或现象之间的数据关系，然后据此进行由此及彼、由表及里的分析与预测，既体现逻辑数据的因果关系分析，也体现计算数据的相关关系分析，从而不断深化对人的思想和行为数据中存在的普遍性相关关系与特殊性因果关系的认识。

　　4. 从定量数据到定性数据。定性分析与定量分析是研究事物发展或社会现象的两种基本方法。定性分析是对事物“质”的规定性进行研究，主要依靠逻辑推论和经验判断等方式揭示事物的属性特征和发展规律；定量分析是对事物“量”的特征性进行研究，主要依靠数据统计和数学计算等方式揭示事物的特征、关系与变化等。在特定的场景或任务中，定性分析和定量分析既可独立使用，也可主辅式综合运用。由于人的思想和行为具有极强的复杂性，难以全部转变为可量化的数据，因而对于思想政治教育者而言，仍然需坚持以定性分析为主、以定量分析为辅的分析思维方法。思想政治教育的大数据分析，一方面不能脱离定性分析与定量分析的思维基础，如定性分析为大数据分析提供逻辑思维、定量分析为大数据分析提供基础方法等；另一方面运用定性分析和定量分析的思维方法，可形成定性数据和定量数据，特别是基于行为特征的定量数据，可为基于思想特征的定性数据分析提供更具客观性、充分性和精准性的数据支撑。思想政治教育大数据分析要提升人的思想和行为定量数据分析的广度与深度，不断增强人的思想和行为定性数据分析的全面性、动态性以及预测性等，从而不断推动定性分析、定量分析与大数据分析三者之间的数据融合与方法创新。

　　大数据分析逻辑是前提，技术是基础。目前，大数据分析在网络行为发现、生理状况捕捉、心理状态分析和情感特征计算等方面的研究应用正不断深化，为搭建思想政治教育数字化分析平台、挖掘人的思想和行为特征提供了技术基础。

　　1. 基于网络使用轨迹的行为大数据分析。在人类社会“无人不网、无时不网、无处不网”场景日益生成的情况下，对人的网络行为进行大数据分析，成为思想政治教育把握主客体思想和行为的一种重要方法。网络行为大数据分析是指通过互联网对用户使用互联网的情况进行数据收集、整理和分析。其主要功能是形成对用户用网内容、平台、方式，及与之相对应的用网需求、操作习惯等要素的可视化呈现、数据化分析和价值性利用。Magdalena Cantabella等人利用Hadoop MapReduce框架实现Apriori算法，通过对学生在LMS平台上的操作事件，如登录行为、LMS中的不同板块的使用、操作、发言等行为进行挖掘，并结合学生的基本信息和成绩，了解学生的学习行为和学习效率之间的潜在关联。随着网络行为大数据分析日益广泛地运用于网络化管理服务和数字化生产生活，思想政治教育的数据来源渠道将日益丰富，算法分析能力也将持续增强，这为思想政治教育大数据分析奠定了良好的基础。

　　2. 基于穿戴设备运用的生理大数据分析。关于人的生理电活动的应用最早可以追溯到医学领域，后来发展到神经学、生物学、心理学等多学科领域中，成为科学家观测人类心理活动、脑活动的一个重要途径。生理状况大数据分析是指在物联网技术支持下，通过用户穿戴生物传感装备采集皮肤电活动、心电图、脑电波、皮肤电反应和呼吸频率等方面数据并进行分析的一种方法。Hussein Al Osman等人利用生物电反馈严肃游戏收集受试者的生理电数据，并以此为样本数据，将其运用到了压力管理应用程序中。为实现目的，研究者提出U-biofeedback参考模型能够通过心率变异性测量、呼吸频率以及活动水平持续性监测等，来测试和分析人的精神压力状态。同时，通过评估游戏反馈帮助受试者调整自身行为以降低压力水平。这一研究可为思想政治教育通过生理状况大数据分析来挖掘人的情绪变化提供借鉴。例如，在智慧教育教学空间，借助轻量化生理智能设备，教育者通过对个体的眼动、心率、皮肤电等生理数据进行捕捉与分析，了解他们对不同教育内容的生理反应，并以此分析他们对教育内容的偏好与接纳程度，进而为进一步优化教学内容、调整教学方法等提供决策辅助。

　　3. 基于面部表情捕捉的心理大数据分析。稳定的心理状态是多方面因素共同作用的结果，而基于量表的心理测量结果只能代表一定时间范围内的心理状态而非实时动态的测量结果。心理状态大数据分析是指通过对面部表情、个人体态等进行直接测量来间接捕捉与情感状况相关的数据，从而为了解人的感知、气质、性格、兴趣、动机等心理要素特征提供数据支撑。Kiavash Bahreini等人以研究人的情感状态为目的，采用基于模糊逻辑算法的面部表情识别框架对人的面部表情进行识别处理，并以此反映人的心理活动。该框架使用FURIA算法（模糊无序规则归纳算法），代替机器神经网络、贝叶斯网络和决策树等需要大量运算过程的方法，从而计算出受试者的心理特征。在推动思想政治教育精准化、个性化的趋势下，传统的测量方法难以精准掌握受教育者的个性化需求与偏好，需要将心理与情绪、行为等外在表象联系起来综合分析，以求得更为准确的测量结果。例如，随着智慧教室和线上教学等技术的逐渐普及，通过对网络教学环境下的视频、图片等进行基于多元数据融合视角的获取与分析，可以精准捕捉学生的面部表情与肢体形态，提高对学生网络化学习生活过程中心理特征的认知能力。

　　4. 基于音视频信息处理的情感大数据分析。在“人—机”互动日益代替“人—人”互动的趋势下，网络化生产生活中人的情感缺失问题也成为人文学科跨学科研究的重点领域。情感计算大数据分析是通过对各类数据进行综合性挖掘与分析，以研究网络社会活动中人的情感特征及其表达方式的一种方法。在现代信息技术的助推下，人类情感计算大数据分析可从视频数据、文本数据、音频数据、生理数据等不同来源数据中挖掘相关信息，并基于一定的自然语言算法实现对情感向度的计算。例如，Taguchi等人利用语音识别技术对治疗抑郁症患者进行探索，通过OpenSMILE组件探寻Mel频率倒谱系数与抑郁症患者生物标记之间的关系，以及对患者在诊疗过程的语音信息进行收集和特征提取，并对患者的声音特征与正常人的声音特征等进行比对。思想政治教育将情感计算大数据分析引入网络教育教学领域，可以为解决网络教学模式中缺乏情感交流的问题提供有效的决策辅助。

　　在思想政治教育中，要充分发挥大数据技术整体性视角、动态性规律、关联式逻辑、挖掘式技术等优势，积极构建基于环境变量、知识认知、情感认同、行为倾向的四维大数据分析平台。

　　1. 基于环境变量的大数据分析。环境本身是一个复杂的系统，其构成要素可大致分为家庭、学校、社区与网络环境。思想政治教育以环境变量为分析对象，借助大数据技术对以人为中心的环境数据进行深度挖掘与利用，实现从社会环境宏观分析到影响个人成长环境微观分析的转变。家庭潜移默化的“浸染式”教育会伴随人的一生，通过登记在册的数据记录，可以了解受教育者的家庭环境，如家庭主要成员的职业、受教育程度、政治面貌、家庭收入等。学校环境包括教学基础设施、教学周边环境、教育教学资源，以及师生关系、组织关系和生生关系等。学校环境数据来源可以是现有的测量数据，如基础设施的相关参数、教学时长、教室温度及湿度等物理或自然因素相关数据；也可以是电子教育资源库中的网络数据；还可以是其他形式的数据，如对访谈资料、组织文件以及文字评价等进行质性分析的数据等。社区环境承担教育资源的分配、价值观和文化的塑造等功能，其数据来源主要基于地方志、地方档案、地方媒体，以及地方的经济发展、文化活动、传统习俗等。网络环境是人通过互联网实现人与人跨时空交互的物质与文化基础，通过对网络环境进行数据收集，可以了解受教育者在网络空间的参与度、活跃度、表现力等，从而揭示网络环境变量因素对他们的影响程度。

　　对上述环境变量的数据进行收集整理和综合运算，可推动思想政治教育“动态环境”的优化建构。一是对思想政治教育依赖的基础设施建设和服务保障水平等进行数据分析，以推动思想政治教育硬件环境建设的动态调整。例如，对一所学校的建筑面积、功能布局、生态环境以及各类基础设施对学生需求的满足度进行指数评估，形成可以反映思想政治教育硬件环境支撑作用强弱的分析指数，基于指数对硬件环境进行调整。二是对受教育者在成长过程中的不同环境及其变量因素进行大数据分析，以推动思想政治教育对象成长环境的动态调整。例如，对他们喜爱的生活、活动、交往等方式进行评估，形成可以反映不同阶段、不同场域下思想政治教育环境变量因素作用的分析指数，基于指数建设良好的校园文化、举办校园文体活动等。三是对教育主体的素养能力、工作方式、管理机制等进行大数据分析，以推动思想政治教育工作队伍工作环境的动态调整。例如，对思想政治教育工作队伍的年龄、性别、工作风格以及与受教育者之间互动情况等进行评估，形成可以反映思想政治教育工作队伍工作水平的分析指数，基于指数调整工作队伍的组成、风格、配比等，以实现教育实效最大化。

　　2. 基于知识认知的大数据分析。认知是人类思维的重要组成部分，认知水平的高低决定了个体对思想政治教育知识接受能力的高低，也影响了个体对思想政治教育知识接受意愿的高低。思想政治教育以知识认知为分析对象，运用大数据技术对人的知识学习过程数据进行深度分析，实现从知识学习行为分析到知识认识能力分析的转变。其中，知识接受能力是个体识别与记忆能力的体现，其数据主要来源于线上和线下，如传统的测验与考评结果、云课堂和信息管理系统中的数据等。知识接受意愿是个体对于学习和接受客观知识的主动性与积极性，借助大数据技术，能够对个体的学习习惯、学习方法等进行捕捉，以了解个体的学习意愿。知识运用能力是个体对于知识的再认知和创新运用能力，大数据技术通过对网络社群中的发言记录进行抓取，并利用关键词对相关内容进行筛选和分析，可以对不同个体的知识运用能力进行判断。

　　在不同场景、不同层次的教学过程中，大数据技术可帮助教育者实现个性化、智能化、精准化教育评价，以构建“动态教学场景”。一是实现教学内容个性化。即教育者通过能够反映受教育者喜爱内容的大数据分析，形成反映不同教育内容的分析指数，从而实现教学内容个性化。例如，通过对学生在互联网上的检索记录进行梳理与分析，可以精准把握他们在思想政治理论知识学习上的兴趣点和需求点，以此动态调整思想政治教育内容。二是实现教学途径精准化。即通过对不同教育方式运用中的数据进行对比分析，形成反映不同教育方式的分析指数。例如，教育者针对同一主题教育，通过对比课堂讲授、观看纪录片、实践参观等不同教育方式所形成的分析指数，可以精准把握不同教育方式与受教育者接受方式之间的适配度，以此动态调整教学方式。三是实现教学程序智能化。即通过对不同教育程序运用中的数据进行对比分析，形成反映不同教育程序的分析指数。例如，针对同一项工作任务，教育者通过对不同时空布局和程序安排所形成的大数据进行差异性分析，可以精准把握不同实施过程与受教育者认知规律相适应的对接程度，以此动态调整教学程序安排。

　　3. 基于情感认同的大数据分析。情感的支持是由“知”向“行”转化的桥梁。[2]按照情感研究的相关理论，思想政治教育可从情感表达、情感倾向与情感反应等维度进行大数据分析。思想政治教育以情感认同为分析对象，可借助大数据技术对人的生理、行为等方面的数据进行综合分析，实现对人的情感变化的经验判断向智慧分析的转变。其中，情感表达是指受教育者通过言语、表情、声音等传递情感。教育者通过分析受教育者在课堂、社交媒体或其他平台上的文字、音视频等数据，可以推断个体的情感表达。情感倾向是指受教育者对某一特定的对象、主题或事件的情感指向。教育者可从受教育者在社交媒体、学习平台或其他在线交流平台上的言论中进行数据爬取，并使用一定算法来分析个体的情感变量因素及其不同作用。情感反应是指受教育者面对刺激时的生理和心理反应。教育者可利用大数据技术分析受教育者在实验室或虚拟实境中的生理信号数据，例如脑电图（EEG）、心率变异性（HRV）、皮肤电反应（SCR）等来评估个体对外界刺激的情感反应。

　　对上述情感维度中的数据进行收集整理和综合运算，思想政治教育可构建“智慧心理辅导场景”。该场景能帮助教育者实现要素觉知、动态掌握、认同评估。一是实现要素觉知。教育者通过对受教育者的性格、偏好、心理素质进行大数据分析，形成反映他们情感变化特征的分析指数，据此来整合资源和优化教育方式，充分调动受教育者的积极情绪。二是实现动态掌握。教育者通过对受教育者在不同场景中的情感的变动数据进行分析，形成反映能辨别和预测他们心理预期变化的分析指数，对可能出现的心理障碍或危机事件进行科学预测。三是实现认同评估。教育者通过对受教育者在不同场景中对同一事物的情感变化和心理活动等数据进行分析，形成反映他们对这一事物相对稳定的情感认同指数，了解其对这一事物的情感认同状况，进而为分析和深化其理论认同提供客观依据。

　　4. 基于行为倾向的大数据分析。科学合理的数据分类分析能够加强把握行为特征的针对性与效率性。思想政治教育的大数据采集与分析，可依照行为习惯、行为转化与参与程度三个维度进行。思想政治教育以人的行为倾向为分析对象，运用大数据技术对人的生理、行为等数据进行综合分析，可实现从已知行为规律向未知行为趋势预测的转变。其中，行为习惯是个体经过一段时间的反复实践后形成的相对固定的行为模式。教育者通过对受教育者的各类网络数据进行分析，包括网络前台的使用数据、网络后台的交互数据以及传感器设备生成的生理数据等，可以了解他们的行为轨迹及其数据特征。行为转化是受教育者将所学到的理论知识转化为实际行动的自觉程度。教育者通过网络平台的行为记录和社交媒体数据，可了解受教育者政治参与、社会参与、文化参与等行为倾向，由此增强对他们行为倾向的判断能力。参与程度指个体参与活动或事件的广度和深度。教育者通过对受教育者参与活动的频率以及完成任务的质量与效率进行大数据分析，可以了解他们参与活动的广度与深度。

　　大数据技术能实现对不同场景下受教育者行为的捕捉，以构建更全、更准、更深的“学生画像”。一是实现更全的行为画像。即根据思想政治教育不同的分析需求，按照与之相对应的逻辑进行聚类分析，形成反映受教育者行为特征的分析指数，为及时准确地把握他们的思想行为特征及其变化提供了便捷通道。二是实现更深的思想画像。即通过对数据规律与思想特征的对应关系进行逻辑建构和数据分析，形成以数据关系呈现思想特征的分析指数，这有利于对其思想的差异性变化进行分析与推测，提高行为数据分析的价值。三是实现更准的未来画像。即通过对与受教育者行为变化特征相关联的数据进行数据分析，形成反映针对某一具体问题或行为倾向的趋势分析指数，可极大地提高对学生未来行为倾向的发现力与判断力。

　　（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；廖寅玮，华中师范大学马克思主义学院博士研究生）

　　网络编辑：同心

　　来源：《学校党建与思想教育》