王斌 林海涛 樊诚

【摘要】本文以新时代军事教育方针为引领，遵循“数智融合”的评价思路，在对课程思政内涵剖析的基础上，建立了课程思政评价指标分类，提出了数据的采集与预处理建议、智能评价策略和动态反馈机制，并结合“信息交换与网络”课程思政建设、实施过程进行了应用。

【关键词】课程思政  教学质量评价  大数据分析  人工智能

【中图分类号】G64   【文献标识码】A 【文章编号】2095-3089（2022）02-0043-03

习主席指出，“加强政治引领，把思想政治教育贯穿育人全过程”“各门课程都要守好一段渠、种好责任田，使各类课程与思想政治理论课同向同行，形成协同效应”[1]。教育部2020年印发了《高等学校课程思政建设指导纲要》（下称《纲要》）用于指导各类高等学校开展课程思政。军队院校教育作为国家教育事业的重要组成，广泛掀起了课程思政建设的热潮，课程思政建设成果丰硕。然而，由于课程思政建设成果覆盖面广、涉及教学全流程、实施方法多种多样，使得科学而客观地实施对课程思政教学质量的评价成为了难题。

大数据分析和人工智能技术是时下IT行业最火热的两项技术，被广泛应用于各领域，能够基于数据说话，通过数据实现分类评价、趋势预测和可视化展示[2]。大数据分析技术包括可视化数据分析技术、数据挖掘算法、预测分析算法、语义引擎、数据管理和存储技术等。人工智能是研究用计算机来模拟人的某些思维过程和智能行为的学科。机器学习属于人工智能技术的一个分支，主要研究从观测数据（样本）出发寻找规律，利用这些规律对未来数据或无法观测的数据进行预测。

课程思政是培养专业人才的工作，是在课程知识、专业能力要求的基础上，关注人品德素养的需求[3]。課程思政教学质量评价，包括对课程思政建设过程、实施过程的全方位评价，既是对课程思政改革效果的全部总结，也是下一步课程思政教学优化改进的动力。“数智融合”是指将大数据和人工智能融合运用的研究方法。通过采集课程思政建设、实施过程中的各类数据，并经洗消和预处理后，应用大数据分析和人工智能技术就能基于数据对课程思政建设、实施效果进行量化评价和趋势预测[4]，并能够反馈指导课程思政建设、实施过程的优化改进。

一、军事院校课程思政的内涵和要求

“坚持党对军队的绝对领导，为强国兴军服务，立德树人，为战育人，培养德才兼备的高素质、专业化新型军事人才。”新时代军事教育方针，为军队院校“培养什么人、怎样培养人、为谁培养人”提供了根本遵循。《纲要》指出“全面推进高校课程思政建设，发挥好每门课程的育人作用，提高高校人才培养质量”[5]。因此，课程思政建设、实施的目标是将教育回归到“育人”本质。军事院校课程思政的内涵就是以新时期军事教育方针为根本遵循，以“立德树人、为战育人”为目标，结合学科专业内涵、特色，将思想政治教育深度融入课程建设、实施全过程，培养“能打仗、打胜仗”的新型军事专业人才。

“将课程思政融入课堂教学建设全过程。”[5]因此，军事院校课程思政建设内容应体现爱党爱国、战斗精神、岗位意识、科学思维和工程伦理的培塑;应实现知识传授、价值塑造和能力培养的多元统一;应贯穿于课堂教学各环节，并将课程思政融入到人才培养方案、教学计划，体现在课堂教学、实验教学和演练教学中，表现为学员的思维意识、学习状态和作业答卷。

“课程思政的方法应是显隐结合。” [5]因此，军事院校课程思政建设的实施过程既要有大张旗鼓、反复强调的战斗精神、专业精神和岗位意识的宣贯，让军人血性、红色传承和职业操守入耳入脑入心，也要有春风化雨、润物无声的科学思维、工匠精神和奉献精神的浸染，让学员形成的专业能力、专业素养和专业情怀与任职岗位需求相符。

二、课程思政教学质量评价原则

一是针对性。课程思政教学质量评价应紧贴课程思政的改进目标实施，从课程思政的内涵入手[6]，对于军队院校专业课程来说，就应紧紧抓住“立德树人”和“为战育人”两个核心目标，评价学员的为战能力是否得到了提升、岗位意识是否得到了锤炼、奉献精神是否得到了升华、科学思维是否得到了塑造。

二是全面性。课程思政教学质量评价不应只在教学结束后开展，应贯穿于课程建设、实施的全过程，在课程建设、实施中的多个关键点，通过多种方式进行数据采集;数据采集的内容应囊括课程建设的方方面面，也应逐步覆盖学员的全面素质变化，考查学员是否逐步形成了主动学习的意识、积极向上的心理和以岗位为中心的责任意识。

三是客观性。课程思政教学质量评价应以数据为支撑，数据要反映课程建设、实施的全过程[7]，可以问卷调查、师生互动、课程作业和课程考试等方式开展，要对采集的原始数据进行及时的评价和处理，要对处理后的数据进行数值化、向量化，并设定权值分配，以便于对评价数据的综合展示和分析挖掘。

四是应具备动态性。课程思政教学质量评价应在课程建设、实施过程中，与课程教学形成良性互动，教学评价结果用于及时改进课程教学质量，课程建设、实施改进及时修正教学评价的效果，以“双手互博”的方式，实现以评促建、以评促改，确保课程思政建设沿着“螺旋式上升”方向前进。

五是前瞻性。课程思政教学质量评价还应充分应用大数据分析和人工智能的方法，实现课程思政教学的科学评价、客观评价，基于数据模拟课程思政教学效果的发展趋势，通过发展趋势去看课程思政建设、实施的效果。课程思政教学质量评价还应关注学生的长期发展，通过长期的评价和多轮次迭代式改进，不断完善课程思政教学效果。

三、课程思政教学质量评价模型

（一）评价指标

评价指标的构建应覆盖课程思政建设、实施的目标、内容和方法;评价指标的构建应贯穿课程建设、实施的全流程。课程思政教学质量评价指标主要包括：

一是“目标”评价指标。该项指标应着重考查课程“立德”和“为战”的定位是否准、指向是否鲜明。“立德”目标应包含“爱党爱国”“专业精神”和“岗位意识”的培养;“为战”目标应包含“科学思维”“战斗意识”和“奉献精神”的培塑;各项教学活动应全部服务于目标达成。

二是“内容”评价指标。该项指标应着重考查课程的教学计划、教材教案、课堂教学设计、实验教学设计、教学案例和考核方法、内容。教学计划要贯彻课程思政目标，体现对课程思政教学过程的整体设计。评价指标需要覆盖：教材、教案和教学案例是否体现了课程思政教学内容的整体设计;课堂教学、实验、线上教学环节设计，是否完成了课程思政教学实施的设计;考核方法、内容是否完成了对课程思政内容培养效果的检验[8]。

三是“方法”评价指标。该项指标应着重考查课程思政整体设计与专业思政的关联关系，课程思政整体设计和阶段实施方法契合关系，课堂思政设计，教学案例设计是否合理、有效等方面。

（二）数据采集与预处理建议

数据采集与预处理是实现“数智融合”课程思政教学质量量化评价的基础，因此，数据的“量”与“质”影响着整个评价效果。数据采集与预处理应遵循以下要求：

一是数据采集应不拘泥固定的形式，可采用多种形式同步实施，包括问卷调查、互动交流、考核（作业、考试）、教学现场记录、队干部交流、用人单位反馈。评价可采用自评、互评、专家评价和学员评价等多种方法。数据采集表格要按照评价指标设计，表格内容尽量采用多选、单选、等级分类或数值的方式。

二是数据的预处理是实现将课程思政教学质量评价由定性评价转变为定量评价的关键和难点，可采用两种方法实施，即均值法和专家评分法。所谓均值法是指通过对全部调查指标数据求均值获得较为客观的数据指标。所谓专家评分法是指由课程思政评价专家根据专业标准直接为每项指标数据进行评分。

评价数据要根据评价对象、评价项目、评价时间等多种属性关联后及时入库，采用大数据分析软件对数据进行可视化展示和综合分析。

（三）智能评价方法

智能评价是根据采集的课程思政建设、实施数据，对课程思政教学质量进行评价分类，预测课程思政建设、实施相关指标的趋势发展，并对下一步改进提出参考建议。智能评价可采用以下方法：

一是评价分类。机器学习中的决策樹、支持向量机、贝叶斯和随机森林等算法能够用于课程的评价工作[9]。对于较难精确定义的评价指标，也可以采用模糊逻辑等方法进行分类评价[10]。评价指标的分类可再次形成数据集，进行二次评价和分类，最终达到课程思政教学质量评价分类的目标。

二是趋势预测。机器学习算法也能够对指标的发展趋势进行预测。对于课程思政建设、实施中的关键指标或是根据指标形成的评价数据，可以利用机器学习算法开展课程思政教学质量的趋势研判和过程评估。

三是辅助决策。基于机器学习算法实现对课程思政建设、实施过程数据、教学对象、评价指标等建模分析，为课程思政建设者、实施者下一步可采取的方法和内容提供决策建议。课程思政建设者、实施者根据决策建议，制定更为有效的工作策略。

随着深度学习应用的深入，在智能评价中不但可以利用定制好的采集数据，也可利用视频、音频、文字、图片等原始数据开展无特征指标的分类评价。

（四）动态反馈机制

动态反馈机制驱动对课程思政建设、实施过程的调整与改进，是实施课程思政教学质量评价的原动力。动态反馈数据源于智能评价，主要从以下几方面实施：

一是实时反馈。根据单个或多个指标项的分类评价结果实时反馈课程思政建设、实施情况，实现对建设、实施内容、方法的适时调整，也可以根据指标项的趋势发展、辅助决策建议，由课程思政的建设者或实施者主动进行调整。

二是阶段反馈。按照课程思政建设、实施的主要阶段开展关键指标的分类评价、总体评价以及趋势预测，课程思政的建设者、实施者根据评价情况，及时地修正错误，以确保获得较好的课程思政建设、实施效果。

三是长期反馈。主要从更大的时间轴上或是专业体系上，对课程思政建设、实施的主要指标进行综合评价、总体预测，开展横向和纵向比较，从“育人”目标和“专业精神”培塑等方面，驱动课程思政建设、实施整体质量前进。

动态反馈机制，还可采用可视化方法，综合运用雷达图、折线图、柱状图等多种形式进行直观展示和深入分析，通过实时、分阶段和长期的大数据分析能够挖掘更丰富和更具有指导意义的信息。

四、结束语

“数智融合”的课程思政教学质量评价方法在“信息交换与网络”课程思政建设、实施过程中率先得到了应用。针对“信息交换与网络”课程的教学计划、教材、教案（包括实验教案）、教学资源和教学设计，以及课前、课后的问卷调查，线上、线下的授课和实验情况，学员平时表现及作业，期中、期末测试情况设计数据采集表格，采用学员评价、课程组内评价的方式获取数据，采用RapidMiner等软件进行数据综合展示与分析，结合课程前期的实施情况，针对部分关键指标采用机器学习算法形成了趋势分析，并驱动课程思政建设、实施过程进行动态调整。但整体上，目前研究尚属初级阶段，缺乏大量结构化的训练数据，部分指标的智能评价还未开展。不过仍然有理由相信：随着研究和应用的深入，“数智融合”的课程思政教学质量评价方法，对于提升课程思政的建设、实施水平，一定能够发挥更大的作用。

参考文献：

[1]习近平.在全国高校思想政治工作会议上强调：把思想政治工作贯穿教育教学全过程 开创我国高等教育事业发展新局面[N].人民日报，2016-12-09（1）.

[2]欧非凡，欧以克.人工智能在高等教育领域的应用及其影响[J].高教论坛，2020，12（12）：127-130.

[3]杜震宇，张美玲，乔芳.理工科课程思政的教学评价原则、标准与操作策略[J].思想理论教育，2020（7）：70-74.

[4]刘宝存，黄秦辉.国外在线教学评价研究的前沿和热点[J].西北工业大学学报（社会科学版），2020（4）：32-44.

[5]教育部.关于印发《高等学校课程思政建设指导纲要》的通知[Z].（教高〔2020〕3号），2020-05-28.

[6]刘晓，张黎声.高校专业课程思政环节与评估的原则导向[J].中医药管理杂志，2019，26（17）：4-7.

[7]杨祥，王强，高建.课程思政是方法不是“加法”——金课、一流课程及课程教材的认识和实践[J].中国高等教育，2020（8）：4-5.

[8]谭红岩，郭源源，王娟娟.高校课程思政评估指标体系的构建与改进[J].教师教育研究，2020，32（5）：11-15.

[9]门秀萍.机器学习在高校课程教学评价中的应用研究[J].福建电脑，2019，35（10）：16-19.

[10]鲍仲辅，曾德江.基于模糊层次分析法构建高职优质课程评价指标体系[J].价值工程，2016（5）：202-204.

作者简介：

王斌（1978年11月-），男，硕士，讲师，研究方向：通信网络教学。

林海涛，博士，副教授。

樊诚，博士，讲师。

猜你喜欢教学质量评价大数据分析课程思政探索无机非金属材料工学专业课程中的“课程思政”育人元素高教学刊(2021年15期)2021-07-20烹饪卫生与安全学课程融入课程思政的实践与研究食品界(2021年7期)2021-07-19专业课中课程思政的探讨与实践教育教学论坛(2021年50期)2021-02-08新时期高校学生骨干培养的几点分析新一代(2017年19期)2018-02-05基于大数据分析的MOOC智能自主学习系统设计现代电子技术(2017年20期)2017-10-17通过“大数据分析”发放助学金有滥发之嫌广西教育·D版(2017年7期)2017-07-25智能油田建设中的关键技术研究与应用中国管理信息化(2017年7期)2017-05-05基于耗时关联因素的大用户业扩效率分析模型电子技术与软件工程(2017年2期)2017-03-15BB平台的学生信息员教学过程评分系统建设和运行新教育时代·教师版(2016年45期)2017-03-02高职顶岗实习教学质量评价方式与方法研究科技资讯(2014年5期)2014-11-14

相关热词搜索： 教学质量 融合 评价